CN106663321A - 包括利用个性化模板图像的立体定位标准化的成像数据统计测试 - Google Patents

包括利用个性化模板图像的立体定位标准化的成像数据统计测试 Download PDF

Info

Publication number
CN106663321A
CN106663321A CN201580038323.2A CN201580038323A CN106663321A CN 106663321 A CN106663321 A CN 106663321A CN 201580038323 A CN201580038323 A CN 201580038323A CN 106663321 A CN106663321 A CN 106663321A
Authority
CN
China
Prior art keywords
image
template image
age
template
statistical test
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201580038323.2A
Other languages
English (en)
Other versions
CN106663321B (zh
Inventor
F·文策尔
S·扬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN106663321A publication Critical patent/CN106663321A/zh
Application granted granted Critical
Publication of CN106663321B publication Critical patent/CN106663321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种方法包括获得对象的图像以经由统计测试处理。所述方法还包括获得对象个性化模板图像，其基于对象的预定特性而被针对对象进行个性化。所述方法还包括将所述对象个性化模板图像配准到所述对象的所述图像。所述方法还包括使用被配准到所述对象的所述图像的所述对象个性化模板图像来执行统计测试。计算系统(304)包括存储器(320)，其存储统计测试模块(320)和数据(324)。所述计算系统还包括运行一个或多个指令的处理器(318)，所述指令使得所述处理器：使用用于所述逐体素统计测试的立体定位标准化的对象个性化模板图像来执行对功能图像的逐体素统计测试。

Description

包括利用个性化模板图像的立体定位标准化的成像数据统计 测试
技术领域
本发明总体涉及图像处理并且更具体地涉及包括利用个性化模板图像的立体定位标准化的成像数据统计测试，并且将利用对正电子发射断层摄影(PET)成像的具体应用来描述本发明。
背景技术
PET成像可以被用于通过对被引入对象中的放射药剂示踪剂的空间分布进行成像来对对象中的生理活动进行成像。这样的示踪剂的范例是[18F]氟脱氧葡萄糖(FDG)，其是葡萄糖类似物。当放射药剂衰减时，发射正电子。响应于正电子湮灭事件中正电子与电子的相互作用，生成511keV伽马射线的符合对。伽马射线沿着响应线在相反方向上行进，并且由PET成像系统在符合时间窗内检测到的伽马射线对被记录为湮灭事件。事件被重建以产生放射性核素的分布的图像，以及由此产生组织的示踪剂摄取的图像。
文献指示痴呆(dementia)已经由世界卫生组织识别为全球健康优先级议题。由于老龄化社会和对于疾病的经改善的处置，痴呆有望对未来的护理和诊断具有重要影响。公共研究已经示出，进行成像以对神经退化疾病进行检测和鉴别诊断的作用在增加。该趋势导致针对脑扫描的自动量化的技术的可用性的增加。逐体素统计测试是图像量化技术，其越来越多地被用于对具有可疑的神经退化疾病的对象的FDG-PET脑扫描。然而，在FDG-PET脑扫描的外观中存在宽泛的可变性，这可能将误差引入到逐体素统计测试中。
例如，包括大脑里面的充满脑脊液的腔的系统的脑室随着年龄和源于包括大脑的大部分脑的神经结构的生理和病理退化两者的神经退化疾病(如阿尔茨海默症)的进展而扩大。脑室的扩大影响FDG-PET脑扫描的总体外观，这是因为非新陈代谢活跃的脑室区域显现为低信号强度的大区域。遗憾的是，基于年龄的脑室尺寸变化将误差引入到立体定位标准化步骤中，所述立体定位标准化步骤包括将对象脑图像与单个预生成的模板图像配准，所述预生成的模板图像通常是根据不同对象的多幅脑图像而生成的平均图像。
在对象图像中的脑室由于年龄而扩大并且被允许在配准期间发生形变的情况下，拉伸伪影可能被引入到经立体定位标准化的对象图像中。例如，配准过程可以拉伸图像的小的区以确保要求对象图像的脑室边界与所使用的模板图像的形态匹配的数学约束。在图1中图示了这一点，图1示出了在原始对象图像与静态模板图像之间的脑室尺寸不同的情况下，原始对象图像中的小的区需要被严重地形变。虽然可以正确地检测低新陈代谢病变，但反常的脑图像的视觉印象可能并不特别适于由临床医生进行视觉观察和评估。
一种减轻视觉可观察的拉伸伪影的方法是包括禁止脑室边界附近的形变的配准约束。然而，该方法引入脑室边界附近的伪影，所述伪影可能被错误地检测为低新陈代谢组织。在图2中图示了这一点，图2示出了经配准PET脑图像以及被重叠在其上并示出低新陈代谢区的交叠。在图2中，第一区202表示符合脑组织的真实低新陈代谢，并且第二区204表示在配准之后由扩大的脑室引起的伪影。由于模板图像包含比对象图像中的扩大的脑室更小的脑室，因此出现伪影。该伪影可能导致对低新陈代谢组织的伪阳性检测。
遗憾的是，在现有技术中不存在能够避免上文讨论的伪影中的全部两者(即解剖拉伸和伪低新陈代谢区)的图像配准技术，这是因为伪影由于对对象图像与模板图像之间的空间对应性的建立的固有不适定问题而产生，而其中，所述模板图像是具有不同的对象脑室尺寸的对象图像集的预定平均图像。
发明内容
本文中所描述的各方面解决以上提到的问题和其他问题。
以下描述了一种用于图像体素统计测试的能够减轻拉伸伪影和/或伪阳性的方法。本文所描述的图像体素统计测试的立体定位标准化步骤采用针对正被处理的对象图像基于所述对象的预定准则特性(例如对象年龄、脑室尺寸等)而动态地识别(例如选择、生成等)的对象个性化模板图像。因此，经空间标准化的对象图像相对于使用单个静态通用模板图像的图像体素统计测试将具有减小的拉伸伪影和伪阳性，其中，所述单个静态通用模板图像是针对所有对象根据不同对象的多幅图像生成的平均图像。
根据一个方面，一种方法包括经由统计测试获得待处理的对象的图像。所述方法还包括获得对象个性化模板图像，所述对象个性化模板图像基于所述对象的预定特性而被针对所述对象进行个性化。所述方法还包括将所述对象个性化模板图像配准到所述对象的所述图像。所述方法还包括使用被配准到所述对象的所述图像的所述对象个性化模板图像来执行统计测试。
在另一方面中，计算系统包括存储统计测试模块和数据的存储器。所述计算系统还包括运行一个或多个指令的处理器，所述指令使得所述处理器：使用用于立体定位标准化的对象个性化模板图像来执行对功能图像的逐体素统计测试。
在另一方面中，一种计算机可读存储介质被编码有计算机可读指令。所述计算机可执行指令在由处理器运行时使得所述处理器：识别用于对对象的功能图像的逐体素统计测试的立体定位标准化步骤的对象个性化模板图像，其中，所述对象个性化模板图像基于所述对象的年龄或所述对象的感兴趣的解剖组织的尺寸；并且使用用于所述立体定位标准化步骤的所述对象个性化模板图像来执行对所述功能图像的逐体素统计测试。
附图说明
本发明可以采取各种部件和部件的布置以及各种步骤和步骤的安排的形式。附图仅出于图示优选的实施例的目的并且不应被解释为对本发明的限制。
图1示出了源于对象图像-模板图像配准中的无限制脑室形变的脑图像中的脑室拉伸伪影。
图2示出了脑图像中的真实的低新陈代谢区和源于对对象图像-模板图像配准中的脑室形变的限制的脑图像中的伪低新陈代谢区。
图3示意性地图示了包括执行对对象图像的统计测试的范例计算装置和生成对象图像的成像装置的系统。
图4示意性地图示了计算装置的统计测试部件和数据的范例。
图5图示了用于在对对象图像的逐体素统计测试中使用个性化模板图像来对对象图像进行立体定位标准化的方法。
具体实施方式
在本文中描述了用于图像体素统计测试的方法，所述方法可以减轻拉伸伪影、伪阳性和/或由于将单个静态模板图像用于图像体素统计测试的立体定位标准化步骤而产生的其他伪影。该方法基于对象的预定准则特性(例如对象年龄、感兴趣组织尺寸等)来选择、生成(或其他等)对象个性化模板图像。
首先参考图3，示意性地图示了系统300，其包括成像装置302(例如正电子发射断层摄影(PET)成像系统)和计算装置304。
成像装置302包括一般环形布置的沿纵轴311关于检查区域310设置的台架306和至少一个伽玛辐射敏感检测器308(图3的实施例中示出了两个)。适合的检测器308包括一个或多个闪烁晶体和对应的光电传感器(例如光电倍增管、光电二极管等)，其中，晶体在由伽马射线撞击时产生光，并且光电传感器接收光并生成指示其的信号。检测器308检测在检查区域310中发生的正电子湮灭事件313的伽玛辐射特性。
当被配置为以列表模式操作时，处理信号以生成检测到的湮灭事件的列表，包括诸如事件被检测到的时间以及对应的响应线(LOR)的位置和取向的信息。当被配置有飞行时间(TOF)能力时，还提供了沿着LOR对湮灭位置的估计。成像装置302还包括重建器312，其使用适合的重建算法来重建数据并生成指示被扫描目标或对象中的衰减的分布的图像数据和/或一幅或多幅图像。
成像装置302还包括对象支撑体314，其将对象(或目标)支撑在检查区310中。成像装置302还包括操作员控制台316(例如计算机)，其包括人类可读输出设备(例如监视器或显示器)和一个或多个输入设备(例如键盘和鼠标)。控制台316的微处理器运行驻留在计算机存储器中的软件，所述软件允许操作者选择和/或修改成像协议(例如FDG-PET成像协议)、发起、暂停和终止扫描(例如FDG-PET扫描)、查看和/或操纵投影和/或图像数据(例如FDG-PET投影和/或图像数据)等。
计算装置304包括至少一个处理器318(例如微处理器、中央处理单元等)和计算机可读存储介质(“存储器”)320。处理318执行统计测试模块322的指令。存储器320包括物理存储器和/或其他非瞬态存储介质(并且不包括瞬态介质)。存储器320至少存储统计测试模块322，其包括用于实现模块322的部件的指令。图示的存储器320还存储数据324，例如用于统计测试的数据和/或统计测试的结果。处理器318还可以运行由载波、信号或其他瞬态介质承载的(一个或多个)指令。
计算装置304还包括(一个或多个)输出设备326(例如显示监视器、录像机等)。计算装置304还包括(一个或多个)输入设备328(例如鼠标、键盘等)。计算装置304还包括至少一个接口330，其被配置为与成像装置302接合，以例如从成像装置302接收(一幅或多幅)对象图像。在图示的范例中，计算装置304经由接口330至少与成像装置302的重建器312接合，并可以从重建器312接收图像。接口330还可以提供到数据储存库(例如PACS和/或其他系统)的接口，以获得用于统计测试和/或其他处理的图像。计算装置318可以是控制台316的一部分和/或与其分离(如在图3中)。
统计测试模块322的指令在由处理器318运行时使得处理器318执行对对象图像的统计测试。在一个实例中，这包括：利用对象个性化模板图像来对对象图像进行立体定位标准化；对经立体定位标准化的对象图像进行强度缩放；对强度缩放的经立体定位标准化的对象图像进行滤波；对经滤波的、强度缩放的、经立体定位标准化的对象图像执行逐体素统计测试；并且生成统计图。统计图可以被存储在存储器320中、与对象图像一起显示(例如作为叠加而重叠在其上)、被传达给另一装置、被归档在数据储存库中等。
如下文更详细描述的，对象个性化模板图像基于对象的预定准则特性(例如对象年龄、感兴趣的解剖组织类型的尺寸(例如脑图像中的脑室尺寸)等)和正被处理的对象图像而动态地被识别(例如被选择、被生成等)，并且包括在几何上与对象图像中的解剖结构匹配的解剖结构。因此，统计测试的立体定位标准化步骤仅招致源于特性的少量局部形变。利用脑图像，这可以减轻拉伸伪影和/或伪低新陈代谢区域，其可以在使用作为根据不同对象的多幅对象图像生成的平均图像的通用模板图像时发生。
图4示意性地图示了统计测试模块322的范例部件。
配准部件402通过将对象图像与对象个性化模板图像配准来对对象图像进行立体定位标准化。配准部件402能够使用仿射(或刚性)变换(即线性变换，其包括旋转、缩放、平移等)和/或弹性(或非刚性)变换(即额外地允许对图像中的结构的翘曲的变换)。
模板图像识别部件404识别用于立体定位标准化的对象个性化模板图像。在图示的实施例中，模板图像识别部件404通过基于预定准则数据408识别模板图像数据406的信息来识别对象个性化模板图像。
通过非限制性范例，在一个实例中，准则数据408指令模板图像识别部件404基于对象的年龄来识别对象个性化模板图像。为此，模板图像识别部件404例如根据重叠在图像上的标识而从图像、根据包括图像的数据文件的字段中的数据、根据用户输入等检索对象的年龄。模板图像识别部件404然后基于年龄根据模板图像数据406选择对象个性化模板图像。
例如，模板图像数据406可以包括模板图像集，每个模板图像与特定的年龄或年龄范围相对应。例如，模板图像数据406可以具有针对60-69的年龄范围的(根据60-69岁对象的图像创建的)模板图像、针对70-79的年龄范围的模板图像等。基于年龄的对象个性化模板图像可以被存储在存储器320的本地(如图示的)或外部，并且被检索。
在变型中，模板图像识别部件404基于对象的年龄根据模板图像数据406选择基于年龄的变换。例如，模板图像数据406可以包括变换集，每个变换与特定的年龄或年龄范围相对应。例如，模板图像数据406可以具有针对60-69的年龄范围的(根据60-69岁对象的图像创建的)变换、针对70-79的年龄范围的变换等。
在该变型中，模板图像识别部件404通过利用针对年龄或年龄范围的适当的变换对通用模板图像进行变换来动态地生成针对该年龄或年龄范围的对象个性化模板图像。可以通过对不同年龄的对象的图像求平均来创建通用模板图像。通用模板图像和/或年龄特异性变换可以被存储在存储器320的本地(如图示的)或外部，并且被检索。
本文还预期了用于基于年龄识别用于立体定位标准化的对象个性化模板图像的其他方法。
在另一非限制性范例中，结合脑图像，准则数据408指令模板图像识别部件404识别基于对象图像中的脑室的尺寸的对象个性化模板图像。例如，模板图像数据406可以包括分别与小、中、大等尺寸相对应的多幅模板图像(或某种其他基于尺寸的描绘)。可以例如通过求平均和/或以其他方式使用基于脑室尺寸而被分组的先前采集的图像来预定这些不同的模板。
模板图像识别部件404接着可以选择将导致针对正被处理的具体对象图像的最小残余形变的对象个性化模板图像。这可以例如通过确定针对模板图像中的一个或多个的残余形变并然后选择导致最低残余形变的模板图像来实现。在另一实例中，模板图像识别部件404接着可以基于指示感兴趣的对象个性化模板图像的用户输入来选择对象个性化模板图像。
在变型中，年龄和脑室尺寸二者被用于识别模板图像。在又一变型中，备选地或额外地，其他信息被用于识别模板图像。
配准部件420的输出是空间标准化的对象图像。
强度缩放部件410基于强度参考数据412对空间标准化的对象图像进行缩放。例如，在一个实例中，强度缩放部件410对空间标准化的图像的强度进行缩放，使得空间标准化的图像的体素的亮度与标准集合图像相对应。
滤波部件414基于来自算法数据416的滤波器对强度缩放的空间标准化的对象图像进行滤波。在一个实例中，这包括对强度缩放的空间标准化的图像进行低通滤波，这使图像平滑并且降低噪声(例如高斯噪声)。滤波器可以是默认滤波器、用户选择的滤波器、用户偏好的滤波器等。在一个实例中，滤波器是基于感兴趣组织(例如病变、肿瘤等)的估计尺寸来选择的，这可以减轻感兴趣组织的模糊。
统计测试部件418基于标准集合数据420的标准集合图像执行对经滤波的、强度缩放的空间标准化的对象图像的统计测试。标准集合数据420包括多幅图像，其被与经滤波的、强度缩放的空间标准化的图像进行比较。
在一个实例中，将标准集合图像中的每幅的每个体素与经滤波的、强度缩放的空间标准化的图像的每个体素进行比较。在另一实例中，针对标准集合图像的对应体素计算均值和标准差，并且分别将针对每个体素的均值和标准差与经滤波的、强度缩放的空间标准化的图像的每个体素进行比较。本文中还预期了其他方法。
在Buchert等人的“Adjusted Scaling of FDG Positron”，Journal ofNeuroimaging 2005；15(4):348-355页和Mosconi等人的“18F-FDG PET Database ofLongitudinally Confirmed Healthy Elderly Individuals Improves Detection ofMild Cognitive Impairment and Alzheimer’s Disease Emission Tomography Imagesfor Statistical Evaluation in Patients With Suspected Alzheimer’s Disease”，The Journal of Nuclear Medicine 2007；(48)；1129-1134页中讨论了标准集合的数据库。
统计测试部件418的输出是统计图。在一个实例中，统计图可以被重叠在对象图像上并被显示，并且被用于视觉地指示可以的病变区。例如可以经由(一个或多个)输出设备326的显示监视器在图形用户接口(GUI)中显示组合的图像。
将意识到，图4的统计测试模块322可以是不需要任何用户输入来执行统计测试的“封闭”系统。在另一实例中，图4的统计测试模块可以允许用户输入以指导选择以下中的一个或多个：模板图像(例如规范的、基于年龄的、基于尺寸的等)、强度缩放、滤波器、标准集合、统计测试算法等。
还将意识到，能够基于统计测试对统计测试模块322进行训练或学习。这可以包括从由用户提供的指示统计图的质量的反馈中进行学习，所述质量可以指示用于生成对象个性化模板图像的具体方法(例如基于年龄的、基于脑室尺寸的等)是否是好的选择、一种方法相对于另一方法是否导致优良的统计图等。
还将意识到，统计测试模块322能够基于PET-FDG图像向用户建议统计图是否正常并且对象是否不遭受本次扫描所候选的神经退化疾病，从而包括在标准集合中和/或用来更新对应的模板图像。
图5图示了使用用于立体定位标准化的对象个性化模板图像来对对象图像进行逐体素统计测试的方法。
应当意识到，动作的排序不是限制性的。因此，本文中预期其他排序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在502中，获得功能(例如PET)脑图像以用于逐体素统计测试。如本文所讨论的，可以从成像装置302、另一成像装置、数据储存库等获得图像。
在504中，获得被针对对象进行个性化的模板图像。如本文中描述的，在一个实例中，这可以包括检索针对对象的预生成的基于年龄、脑室尺寸等的模板图像、检索对象图像中的脑室的尺寸、基于通用图像和预定的基于年龄、脑室尺寸等的变换来(例如在飞行中)生成这样的模板图像等。
在506中，基于对象个性化模板图像对功能图像进行立体定位标准化。
在508中，获得强度参考图像。
在510中，使用强度参考图像对经立体定位标准化的功能图像进行强度缩放。
在512中，获得滤波器。
在514中，使用滤波器对强度缩放的经立体定位标准化的功能图像进行滤波。
在516中，获得标准集合的集。
在518中，基于标准集合的集对经滤波的、强度缩放的、经立体定位标准化的功能图像进行逐体素统计测试。
在520中，基于统计测试的结果生成统计图。
在522中，利用重叠在经滤波的、强度缩放的、经立体定位标准化的功能图像上的统计图来显示经滤波的、强度缩放的、经立体定位标准化的功能图像。
可以通过编码或嵌入在计算机可读存储介质上的计算机可读指令来实现以上方法，所述计算机可读指令在由(一个或多个)计算机处理器运行时令(一个或多个)处理器执行所描述的动作。额外地或备选地，通过信号、载波或其他瞬态介质来承载计算机可读指令中的至少一个。
本文所描述的方法可以被用于与疾病有关的各种应用，例如但不限于老年痴呆症、帕金森病、淀粉-PET图像分析和/或其他应用。
参考优选的实施例已经描述了本发明。他人在阅读和理解了前面的详细说明之后可以想到修改和改变。本发明旨在被解释为包括所有这样的修改和改变，只要它们处于权利要求书或其等价方案的范围之内。

Claims (20)

1.一种方法，包括：
获得要经由统计测试处理的对象的图像；
获得对象个性化模板图像，所述对象个性化模板图像基于所述对象的预定特性而被针对所述对象进行个性化；
将所述对象个性化模板图像配准到所述对象的所述图像；并且
使用被配准到所述对象的所述图像的所述对象个性化模板图像来执行统计测试。
2.根据权利要求1所述的方法，其中，所述对象的所述预定特性是所述对象的所述图像外部的信息或者包含在所述对象的所述图像中的信息中的至少一个。
3.根据权利要求1至2中的任一项所述的方法，其中，所述对象的所述预定特性是所述对象的年龄或者所述对象的预定解剖组织类型的尺寸中的至少一个。
4.根据权利要求1至3中的任一项所述的方法，还包括：
从与不同年龄相对应的多幅模板图像中选择所述对象个性化模板图像。
5.根据权利要求4所述的方法，还包括：
通过根据具有所述年龄的或在包括所述年龄的预定范围内的对象的图像集确定平均图像来生成基于年龄的模板图像。
6.根据权利要求1至3中的任一项所述的方法，还包括：
基于通用模板图像和与患者的年龄相对应的基于年龄的变换来生成所述对象个性化模板图像。
7.根据权利要求1至3所述的方法，还包括：
从与不同的解剖组织类型相对应的多幅模板图像中选择所述对象个性化模板图像。
8.根据权利要求7所述的方法，还包括：
通过将功能图像中的所述解剖组织类型的尺寸与多个模板中的每个中的所述解剖组织类型的尺寸匹配、确定针对每个匹配的残余形变并选择导致最小残余形变的模板图像来选择所述对象个性化模板图像。
9.根据权利要求7所述的方法，还包括：
通过根据具有预定尺寸范围内的解剖组织类型尺寸的对象的图像集生成平均图像来生成基于尺寸的模板图像模板。
10.根据权利要求1至9中的任一项所述的方法，其中，所述功能图像是正电子发射断层摄影脑图像。
11.根据权利要求1至10中的任一项所述的方法，还包括：
使用强度参考图像来对经立体定位标准化的所述功能图像进行强度缩放；
对强度缩放的经立体定位标准化的所述功能图像进行滤波；
使用标准集合对经滤波的、强度缩放的、经立体定位标准化的所述功能图像执行逐体素统计测试；并且
基于所述逐体素统计测试的结果来生成统计图。
12.根据权利要求11所述的方法，还包括：
利用重叠在所述经滤波的、强度缩放的、经立体定位标准化的功能图像上的所述统计图来视觉地显示所述经滤波的、强度缩放的、经立体定位标准化的功能图像。
13.根据权利要求1至10中的任一项所述的方法，还包括：
响应于指示所述对象不具有神经退化疾病的所述统计图来生成指示所述功能图像是用于更新所述标准集合的候选图像的信号。
14.根据权利要求1至13中的任一项所述的方法，其中，所述个性化模板图像减轻拉伸伪影或伪低新陈代谢检测中的至少一个。
15.一种计算系统(304)，包括：
存储器(320)，其存储统计测试模块(320)和数据(324)；以及
处理器(318)，其运行一个或多个指令，所述一个或多个指令使得所述处理器：
使用用于逐体素统计测试的立体定位标准化的对象个性化模板图像来执行对功能图像的所述逐体素统计测试。
16.根据权利要求15所述的计算系统，其中，对所述一个或多个指令的所述运行还使得所述处理器：
基于所述对象的年龄从与不同年龄或年龄范围相对应的多幅模板图像中选择基于年龄的模板图像，并且使用用于所述立体定位标准化的所选择的基于年龄的模板图像来执行对所述功能图像的所述逐体素统计测试。
17.根据权利要求15所述的计算系统，其中，对所述一个或多个指令的所述运行还使得所述处理器：
基于所述对象的年龄根据与不同年龄或年龄范围相对应的多个基于年龄的变换和通用模板图像来生成基于年龄的模板图像，并且使用用于所述立体定位标准化的所生成的基于年龄的模板图像来执行对所述功能图像的所述逐体素统计测试。
18.根据权利要求15所述的计算系统，其中，对所述一个或多个指令的所述运行还使得所述处理器：
从与不同的解剖组织类型尺寸的多幅模板图像中选择基于解剖组织类型尺寸的模板图像，并且使用用于所述立体定位标准化的所选择的基于尺寸的模板图像来执行对所述功能图像的所述逐体素统计测试。
19.根据权利要求15至18中的任一项所述的计算系统，其中，对所述一个或多个指令的所述运行还使得所述处理器：
基于所述逐体素统计测试的结果来生成统计图；并且
利用叠加在功能图上的所述统计图来视觉地显示所述功能图。
20.一种编码有一个或多个计算机可执行指令的计算机可读存储介质，所述一个或多个计算机可执行指令在由计算系统的处理器运行时使得所述处理器：
识别用于对对象的功能图像的逐体素统计测试的立体定位标准化步骤的对象个性化模板图像，其中，所述对象个性化模板图像基于所述对象的年龄或者所述对象的感兴趣的解剖组织的尺寸中的至少一个；并且
使用用于所述立体定位标准化步骤的所述对象个性化模板图像来执行对所述功能图像的逐体素统计测试。
CN201580038323.2A 2014-07-15 2015-07-06 包括利用个性化模板图像的立体定位标准化的成像数据统计测试 Active CN106663321B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462024488P 2014-07-15 2014-07-15
US62/024,488 2014-07-15
PCT/IB2015/055088 WO2016009300A1 (en) 2014-07-15 2015-07-06 Imaging data statistical testing including a stereotactical normalization with a personalized template image

Publications (2)

Publication Number Publication Date
CN106663321A true CN106663321A (zh) 2017-05-10
CN106663321B CN106663321B (zh) 2021-04-06

Family

ID=54012245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580038323.2A Active CN106663321B (zh) 2014-07-15 2015-07-06 包括利用个性化模板图像的立体定位标准化的成像数据统计测试

Country Status (5)

Country Link
US (1) US10269115B2 (zh)
EP (1) EP3170145B1 (zh)
JP (1) JP6697438B2 (zh)
CN (1) CN106663321B (zh)
WO (1) WO2016009300A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110934606A (zh) * 2019-10-31 2020-03-31 上海杏脉信息科技有限公司 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6703323B2 (ja) * 2015-09-17 2020-06-03 公益財団法人神戸医療産業都市推進機構 生体の画像検査のためのｒｏｉの設定技術
JP6998760B2 (ja) * 2017-12-25 2022-01-18 浜松ホトニクス株式会社 脳画像解析装置、脳画像解析方法、及び脳画像解析プログラム
CA3111578A1 (en) * 2018-09-04 2020-03-12 EMvision Medical Devices Ltd Apparatus and process for medical imaging

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013040693A1 (en) * 2011-09-23 2013-03-28 Hamid Reza Tizhoosh Computer system and method for atlas-based consensual and consistent contouring of medical images
WO2013049684A1 (en) * 2011-09-30 2013-04-04 Ge Healthcare Limited Variable-depth stereotactic surface projections
CN103106653A (zh) * 2011-08-12 2013-05-15 西门子公司 医学图像数据组的配准质量的可视化方法和装置
WO2013136278A1 (en) * 2012-03-15 2013-09-19 Koninklijke Philips N.V. Multi-modality deformable registration

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070218002A1 (en) 2004-05-07 2007-09-20 Barrio Jorge R Method for Detecting Alzheimer's Disease and other Forms of Dementia, and Measuring Their Progression
JP4684667B2 (ja) * 2005-01-28 2011-05-18 キヤノン株式会社 画像処理装置及びその方法、プログラム
JP5424902B2 (ja) * 2007-03-06 2014-02-26 コーニンクレッカ フィリップス エヌ ヴェ Ｐｅｔ／ｍｒフロー推定を用いて補われる自動診断及び自動整列
EP2158574B1 (en) 2007-06-21 2018-12-12 Koninklijke Philips N.V. Model-based differential diagnosis of dementia and interactive setting of level of significance
FR2931281B1 (fr) 2008-05-15 2014-07-18 Univ Paris Curie Procede et systeme automatise d'assistance au pronostic de la maladie d'alzheimer, et procede d'apprentissage d'un tel systeme
WO2009146388A1 (en) 2008-05-28 2009-12-03 The Trustees Of Columbia University In The City Of New York Voxel-based methods for assessing subjects using positron emission tomography
JP5601378B2 (ja) * 2010-12-02 2014-10-08 大日本印刷株式会社 医用画像処理装置
ES2563781T3 (es) * 2011-02-24 2016-03-16 Takasago International Corporation Método de IRMf para identificar estímulos olfativos del sistema de recompensa dopaminérgico
ES2922280T3 (es) * 2011-09-20 2022-09-12 Ge Healthcare Ltd Procedimientos de normalización espacial de imágenes de tomografía por emisión de positrones
WO2013078370A1 (en) 2011-11-23 2013-05-30 The Regents Of The University Of Michigan Voxel-based approach for disease detection and evolution
EP2790575B1 (en) * 2011-12-15 2017-06-14 Commonwealth Scientific and Industrial Research Organisation Method and apparatus for the assessment of medical images
JP5954766B2 (ja) * 2012-01-06 2016-07-20 東芝メディカルシステムズ株式会社 医用画像表示装置
JP5880332B2 (ja) * 2012-07-25 2016-03-09 コニカミノルタ株式会社 画像処理装置及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106653A (zh) * 2011-08-12 2013-05-15 西门子公司 医学图像数据组的配准质量的可视化方法和装置
WO2013040693A1 (en) * 2011-09-23 2013-03-28 Hamid Reza Tizhoosh Computer system and method for atlas-based consensual and consistent contouring of medical images
WO2013049684A1 (en) * 2011-09-30 2013-04-04 Ge Healthcare Limited Variable-depth stereotactic surface projections
WO2013136278A1 (en) * 2012-03-15 2013-09-19 Koninklijke Philips N.V. Multi-modality deformable registration

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110934606A (zh) * 2019-10-31 2020-03-31 上海杏脉信息科技有限公司 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质

Also Published As

Publication number Publication date
EP3170145A1 (en) 2017-05-24
JP2017527788A (ja) 2017-09-21
CN106663321B (zh) 2021-04-06
US20170186155A1 (en) 2017-06-29
US10269115B2 (en) 2019-04-23
WO2016009300A1 (en) 2016-01-21
JP6697438B2 (ja) 2020-05-20
EP3170145B1 (en) 2020-03-25

Similar Documents

Publication Publication Date Title
US20210401392A1 (en) Deep convolutional neural networks for tumor segmentation with positron emission tomography
EP2120702B1 (en) Automated diagnosis and alignment supplemented with pet/mr flow estimation
ES2414614T3 (es) Herramientas para ayudar en el diagnóstico de enfermedades neurodegenerativas
US8150112B2 (en) Regional reconstruction of spatially distributed functions
US8208706B2 (en) Functional image presentation
US9324140B2 (en) Methods and systems for evaluating bone lesions
US8958620B2 (en) Region of interest definition in cardiac imaging
JP4581088B2 (ja) 計算機支援診断装置および方法
EP4037833A2 (en) Systems and methods of using self-attention deep learning for image enhancement
KR20100105576A (ko) 영상 분석
GB2451416A (en) ROI-based assessment of abnormality using transformation invariant features
US20180174360A1 (en) Methods and systems for emission computed tomography image reconstruction
EP3003156B1 (en) Amyloid pet brain scan quantification based on cortical profiles
US20110148861A1 (en) Pet data processing system, an arrangement, a method and a computer program product for determining a distribution of a tracer uptake
CN106663321A (zh) 包括利用个性化模板图像的立体定位标准化的成像数据统计测试
Sun et al. Automated template-based PET region of interest analyses in the aging brain
Salas-Gonzalez et al. An optimal approach for selecting discriminant regions for the diagnosis of Alzheimer's disease
CN108805947A (zh) Pet数据处理方法和设备、pet成像系统
US10769785B2 (en) Neural network for neurodegenerative disease classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant