CN107209802A - 定量生物标记成像的校准 - Google Patents
定量生物标记成像的校准 Download PDFInfo
- Publication number
- CN107209802A CN107209802A CN201680006337.0A CN201680006337A CN107209802A CN 107209802 A CN107209802 A CN 107209802A CN 201680006337 A CN201680006337 A CN 201680006337A CN 107209802 A CN107209802 A CN 107209802A
- Authority
- CN
- China
- Prior art keywords
- function
- imaging
- category combinations
- measurement results
- quantitative measurement
- 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.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 95
- 239000000090 biomarker Substances 0.000 title claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 38
- 239000002872 contrast media Substances 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000012886 linear function Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 33
- 238000003860 storage Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 210000003484 anatomy Anatomy 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 7
- 238000002600 positron emission tomography Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000000700 radioactive tracer Substances 0.000 description 5
- 230000008081 blood perfusion Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000010412 perfusion Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 3
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 3
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 3
- 229910052688 Gadolinium Inorganic materials 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 3
- 230000001951 hemoperfusion Effects 0.000 description 3
- 229910052740 iodine Inorganic materials 0.000 description 3
- 239000011630 iodine Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004849 abnormal protein aggregation Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 230000007321 biological mechanism Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 239000012216 imaging agent Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000193 iodinated contrast media Substances 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000010016 myocardial function Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/582—Calibration
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种定量测量系统，包括定量成像生物标记校准器(116)。定量成像生物标记校准器(116)接收成像数据的一个或多个预校准的定量测量结果，所述一个或多个预校准的定量测量结果是根据全局特征分析(230)以及对生物目标、指示的生物学、成像采集模态和协议、数据处理技术、以及对比剂的类别组合(232)获得的。定量成像生物标记校准器(116)将识别的函数(234)应用到所述一个或多个预校准的定量测量结果，以基于目标类别组合(236)来计算一个或多个经校准的定量测量结果，所述目标类别组合不同于所述类别组合(232)。
Description
技术领域
下文总体涉及医学信息学以及使用生物标记的定量成像，并且结合跨不同成像流程对定量的生物标记的标准化的具体应用来进行描述。
背景技术
如由北美放射学会的发起者所定义的，定量成像是从医学图像提取可定量的特征，以用于评估正常或严重性、变化的程度，或者疾病、损伤或慢性病状况相对于正常的状态。这样的特征通常被定义为成像生物标记。生物标记被用于瞄准对象中的解剖学、功能和/或分子特征，并且实现在成像中的可定量的测量。基于生物标记的解剖学、功能和/或分子特征的分布和测量结果受成像模态和成像参数、(一个或多个)成像药剂以及所采用的数据处理算法的影响。
医学成像生物标记的代表性范例是：使用对比剂测量的血液灌注和流动特性、在异常组织中的放射性示踪剂的摄取、脑部中的异常蛋白质聚集的水平、由斑块造成的动脉阻塞的严重程度、心肌功能参数，以及患病肺组织的结构和纹理图案。
生物标记评估能够是对象中的测量的特征的间接结果并且能够基于额外的总体模型和假设。例如，生物标记测量血液灌注并且血液渗透性是对被施予到对象的对比剂的动态变化的成像的间接量度。
定量成像中的焦点着眼于研究和患者护理中的可重复的成像过程以及个体流程的标准化以产生可验证的结果。例如，在调查研究中，成像模态和参数、对比剂和浓度、以及数据处理的描述通常被包括在所报告的研究中。对患者的成像通常包括协议，所述协议隐含地或明确地指定成像模态和参数、对比剂、以及特定数据处理算法或软件的使用。对具体协议的选取包括权衡，并且能够包括医疗保健从业者和/或医疗保健组织偏好。评估期望的生物标记的适当的方法在其准确度、灵敏度和特异性的成像属性方面变化，并且对具体方法的选择涉及每种属性的考虑。例如，正电子发射断层摄影(PET)能够使用11C-PIB、18F-Florbetapir或18F-Flutenmetamol，每种允许对阿尔兹海默症评估中的β-淀粉样斑块的成像，并且具有变化的属性和成本。利用新的参数和能力不断地更新成像模态。开发了新的对比剂，并且添加了新的技术以用于处理图像数据、测量生物标记、并且量化特征。
在变化发生时，医疗保健从业者或研究人员面临将当前结果与先前结果、正常结果进行比较，或者确定严重性，其中，所述比较涉及不同成像模态和/或参数、不同对比剂、和/或不同处理算法。例如，能够使用具有碘对比剂的动态对比增强计算机断层摄影(CT)、具有钆对比剂的动态对比增强磁共振成像(MRI)、或者具有18F-FDG或15O-H2O对比剂的动态正电子发射断层摄影(PET)，间接地测量血流。医疗保健从业者可能面临将来自具有碘对比剂的动态对比增强CT的患者的当前结果与利用具有18F-FDG的动态PET执行的、来自另一医疗保健提供者的在先结果进行比较，以确定肿瘤在处置之间在脉管化中是否已经改变。研究人员可能受限于在辐射治疗研究中使用具有钆的动态对比增强MRI，并且想要对利用具有15O-H2O对比剂的动态PET报告的另一可比较的研究进行的该研究的结果进行基准测试。
随着定量成像的不断发展，涌现了具体的技术，规范或正式的标准形式和/或改变，从一种技术到另一种技术的改变通常由于文化和/或货币压力而在组织中的滞后。有时当没有一种技术被确立为卓越时存在继续选择。然而，医疗保健从业者和/或研究人员面临跨不同技术的不清晰的比较以做出关于医疗保健选择和/或处置的价值的决策。
发明内容
本文描述的各方面解决了以上提及的问题和其他问题。
下文描述了一种用于校准定量生物标记成像的方法。多类别校准数据库被实施并且提供对在不同类别的成像流程之间的定量测量的校准。成像流程的类别能够通过生物目标、指示的生物学、成像模态和协议、数据处理算法、和/或对比剂而改变。针对个体成像流程实施校准以将未校准的定量测量结果变换为经校准的定量测量结果，从而用于评估正常或严重性、变化的程度，或者疾病、损伤或慢性病状况相对于正常的状态。
在一个方面中，一种定量测量系统包括定量成像生物标记校准器。所述定量成像生物标记校准器接收成像数据的一个或多个预校准的定量测量结果，所述一个或多个预校准的定量测量结果是根据全局特征分析以及生物目标、指示的生物学、成像采集模态和协议、数据处理技术和对比剂的类别组合获得的。所述定量成像生物标记校准器将识别的函数应用到所述一个或多个预校准的定量测量结果，以基于目标类别组合来计算所述一个或多个经校准的定量测量结果，所述目标类别组合不同于所述类别组合。
在另一方面中，一种进行定量测量的方法，包括：将识别的函数应用到一个或多个预校准的定量测量结果，以基于目标类别组合来计算一个或多个经校准的定量测量结果，其中，所述一个或多个预校准的定量测量结果是根据全局特征分析以及生物目标、指示的生物学、成像采集模态和协议、数据处理技术和对比剂的类别组合获得的，所述目标类别组合不同于所述类别组合。
在另一方面中，一种定量测量系统包括多类别校准数据库、全局特征分析器、以及定量成像生物标记校准器。所述多类别校准数据库包括多个全局特征分析以及生物目标、指示的生物学、成像采集模态和方法、数据处理算法和对比剂的类别组合，并且每种类别组合包括至少一个函数。所述全局特征分析器接收针对成像数据的全局特征分析以及类别信息的选择，以识别所述多类别校准数据库中的至少一个函数，其将成像数据的一个或多个定量测量结果变换为一个或多个经校准的定量测量结果。所述定量成像标记校准器将所识别的至少一个函数应用到所述成像数据的一个或多个定量测量结果，以计算所述一个或多个经校准的定量测量结果。所识别的类别组合的所识别的至少一个函数将所述成像数据的所述一个或多个定量测量结果变换为目标类别组合的一个或多个经校准的定量的测量结果。所述目标类别组合不同于所识别的类别组合。
附图说明
本发明可以采取各种部件和部件布置以及各种步骤和步骤安排的形式。附图仅仅是出于图示优选实施例的目的，而不应当被解释为对本发明的限制。
图1示意性图示了范例跨流程定量生物标记成像系统。
图2A和图2B示出了来自多类别校准数据库的多类别校准数据的部分范例。
图3以流程图示出了跨流程定量生物标记成像的范例方法。
图4以流程图示出了跨流程定量生物标记成像的另一范例方法。
具体实施方式
首先参考图1，示意性图示了范例跨流程定量生物标记成像系统100。成像数据是由一个或多个成像设备102生成的，所述成像设备诸如是CT扫描器、PET扫描器、MRI扫描器、SPECT扫描器、超声(US)扫描器、混合、组合等。所述成像数据是使用协议基于一个或多个模态生成的。所述协议能够被用于设定和调节所述成像系统、所施予的材料、患者调理等。所述成像数据是对象物体，诸如患者的感兴趣区域。所述成像数据包括对比剂或示踪剂材料。本文的描述使用符号对比剂来指示在医学成像中所使用的材料的各种选项，诸如辐射不透明材料、磁性或射频响应材料、放射性示踪剂、光学荧光透视示踪剂、超声微泡示踪剂等。所述成像数据能够包括关于成像数据的源的描述性信息，诸如医学数字成像和通信(DICOM)标准元数据。所述成像数据能够被存储在系统或计算机存储器中，诸如影像归档和通信系统(PACS)104、供应商中立档案(VNA)、放射学信息系统(RIS)、医院信息系统(HIS)、电子医学记录(EMR)等。
全局特征分析器106接收来自PACS 104或成像设备102的成像数据。全局特征分析器106接收要在成像数据上执行的全局特征分析。所述全局特征分析能够从多类别校准数据库检索全局特征分析的列表，并在显示设备110上呈现所检索的列表。所述列表能够基于接收到的成像数据来细化。例如，使用来自成像数据的元数据，自动地识别生物目标、指示的生物学(biology)、成像采集模态和/或协议、数据处理算法、或者对比剂中的一个或多个。在一个实例中，从一个或多个输入设备112接收输入或信号，所述输入设备诸如是鼠标、键盘、麦克风、触摸屏等，所述输入或信号指示全局特征分析。在一个实例中，输入和元数据的组合细化所述列表和/或输入选定的全局特征分析。
全局特征分析器106调用一个或多个工具114来使用已知数据处理技术定量地分析所述成像数据以生成成像数据的一个或多个定量测量结果。在一个实例中，工具114是使用输入设备112手动地调用的。例如，第一工具分割和生成感兴趣区域的体积图，例如，由体素呈现的生物标记的空间结构，并且第二工具计算所述体积图中呈现的生物标记的一个或多个定量量度，诸如在由体积图定义的结构中的生物标记的浓度的均值、中值、最小值、最大值、方差等。所述生物标记的一个或多个计算的定量量度是根据成像设备和协议、生物目标、指示的生物学、数据处理算法和对比剂的特定预校准测量。
定量成像生物标记校准器116基于接收到的全局特征分析以及成像设备和协议、生物目标、指示的生物学、数据处理算法和对比剂的组合来检索来自多类别校准数据库108的校准函数。校准器116向所计算的定量量度应用所述函数(所计算的定量度量是预校准的量度)，以计算一个或多个校准的量度。例如，如利用11C-PIB对比剂所测量的使用PET模态的在脑部灰质中的β-淀粉样斑块的平均浓度是根据如使用利用18F-Florbetapir对比剂的PET模态的成像数据测量的脑部灰质中的β-淀粉样斑块的平均浓度计算的。所计算的经校准的量度被显示在显示设备110上。所计算的经预校准的量度能够被额外地显示在显示设备110上。
所述校准功能基于不同成像模态和协议、对比剂、以及数据处理技术(诸如公共或公布的临床试验或临床试验数据)之间的比较研究。所述校准函数能够包括各种统计结果，诸如最小值、最大值、均值、中值、标准偏差等。所述校准函数能够包括可视化和/或成像操纵函数，其将成像数据和/或导出的部分从预校准的成像空间映射到校准的空间，例如，将所述成像数据从一种协议中的表示变换到另一协议，从一个成像模态变换到另一成像模态，和/或从一个数据处理技术变换到另一数据处理技术。所述校准函数将类别组合的预校准测量结果变换到目标类别组合的经校准的测量结果，所述目标类别组合通过一个类别的至少一个实例而不同。例如，对比剂在所述类别组合与所述目标类别组合之间是不同的，成像协议在所述类别组合与所述目标类别组合之间是不同的，数据处理技术在所述类别组合与所述目标类别组合之间是不同的。
所述校准函数能够被表达为单个或多个线性函数的形式，y＝a1*x1+…+anxn+b，其中，a1…an和b是常量，并且x1…xn是预校准的定量量度，并且y是经校准的量度。所述校准函数能够被表达为非线性函数的形式y＝f(x)，其中，x是预校准的量度，f是非线性函数，并且y是经校准的量度。所述校准函数能够是一般形式的校准函数[y1,y2,…]＝f2[x1,x2,…]，其中，yi是经校准的量度，并且xj是预校准的量度。所述校准函数能够基于新的数据和/或涌现或改变的标准来修改和更新。
在一个实例中，能够用来自所计算的辅助检测软件的结果来导出和/或操作经校准的测量结果，例如，基于生物标记来检测病变。在另一实例中，能够利用来自现有生物标记应用(诸如肿瘤跟踪、病变以及模块评估、斑块分布评估等)的结果来导出和/操作经校准的测量结果。
显示设备110和/或输入设备112能够包括计算设备118，诸如台式计算机、膝上型计算机、平板计算机、智能电话、身体佩戴的计算设备等。计算设备118包括一个或多个数据处理器120，诸如电子数据处理器、数字显示器、光学处理器、微处理器等。计算设备118能够包括分布式计算机配置，诸如通信地连接的客户端计算机和服务器计算机、通信地连接到另一对等计算机的对等计算机等。
全局特征分析器106和校准器116适合由被配置为运行被存储在非瞬态计算机可读存储介质或计算机可读存储器中的计算机可读指令(例如，软件)的数据处理器(诸如计算设备118的数据处理器120)来实现。所公开的全局特征分析和校准技术适合使用存储由数据处理设备可读并且由数据处理设备可执行以执行所公开的技术的指令的非瞬态存储介质来实施。处理器120也能够运行由载波、信号或其他瞬态介质所承载的计算机可读指令以执行所公开的技术。
多类别校准数据库108能够包括文件组织、数据库管理结构，诸如对象和/或单元定义和组织、数据结构等。多类别校准数据库108能够包括瞬态和非瞬态两者的计算机存储器或存储介质。多类别校准数据库108能够包括存储介质，诸如本地或远程存储设备、硬盘、固态存储器、云存储等。
参考图2A和图2B，图示了来自多类别校准数据库108的多类别校准数据的部分范例。在图2A中，多类别校准数据库108被示为包括全局特征分析的列表200，诸如平均血液灌注(1.1)、平均皮质淀粉样β丰度(1.2)、以及平均组织不规则性和异质性(1.3)。全局特征分析的列表200是能够由全局特征分析器106呈现的分析。例如，选择平均血液灌注分析201(1.1)。示出了生物目标的列表202，诸如肝脏(2.1)、脑部(2.2)、以及固态肿瘤(2.3)。所述列表能够包括器官、组织、分割的结构、感兴趣区域等。示出了所指示的生物学的列表204。所指示的生物学包括分析被引导到其的疾病、生物学功能、和/或生物学机制，诸如肿瘤(3.1)、阿尔兹海默症疾病(3.2)、以及血管增生(3.3)。示出了成像采集模态/协议的列表206，诸如动态对比增强CT(4.1)、动态对比增强MRI(4.2)、动态PET(4.3)等。示出了数据处理算法或技术的列表208，诸如解卷积灌注(5.1)、双隔室模型(5.2)、最大斜率灌注(5.3)、参考相关的标准化SUV(5.4)等。示出了成像或对比剂的列表210，诸如碘(6.1)、钆(6.2)、8F-FDG(6.3)、18F-Florbetapir(6.4)等。每个列表是独立的列表。
参考图2B，示出了多类别校准数据，其包括通过类别组合22与校准函数224相关的全局特征分析的列表220。每个全局特征分析230能够通过一个类别组合232与一个或多个校准函数234相关，以用于一个目标类别组合236。亦即，一个类别组合232能够包括两种不同的函数，例如两种不同的校准，并且每种针对不同的目标类别组合。每种类别组合232定义验证函数234，例如，存在将预校准的定量测量结果变换为经校准的定量测量结果的函数。
例如，针对平均血液灌注(1.1)，肝脏生物目标(2.1)、肿瘤的指示的生物学(3.1)、动态对比增强CT的成像模态/方法(4.1)、解卷积灌注的数据处理算法(5.1)、使用碘(6.1)对比剂的类别组合，使用函数234来将利用类别组合测量的预校准的平均血液灌注变换为经校准的平均血液灌注。校准函数能够包括目标类别组合226或描述，其指示校准的特性。
在一个实例中，目标类别组合226中的一个能够表示黄金标准的类别组合，并且校准函数224将预校准的量度变换为校准的量度，例如，如同使用黄金标准的类别组合来成像和分析患者的量度。在另一实例中，在没有这样的黄金标准存在并且存在多个类别组合的情况下，目标类别组合226的校准函数224表示多个类别组合的平均。
参考图3，以流程图图示了跨流程定量生物标记的范例方法。在330处，接收包括生物标记数据的成像数据302。所述成像数据是从计算机存储器或存储设备(诸如PACS 104)或者从一个或多个成像设备102接收的。成像数据302包括体积定量生物标记数据，例如，对比的体积数据。成像数据302，例如DICOM元数据和/或单独的输入，能够包括采集模态和/或协议、数据处理技术、和/或对比剂。
在304处，接收对全局特征分析230的选择。例如，接收平均血液灌注。接收所述选择能够包括从多类别校准数据库108检索全局特征分析的列表200并且在显示设备110上呈现。检索和/或呈现能够包括对全局特征分析的列表200的细化，例如，基于手动输入和/或元数据使用呈现中的手动输入和/或DICOM元数据和/或简写的关键字检索。
在306处，使用工具114来分析接收到的成像数据以生成一个或多个定量的测量结果。例如，血液流动测量工具被用于生成以根据CT对比增强图像时间序列计算的比率为单位的、血液灌注的定义的体积中的平均值。
在308处，使用选定的全局特征分析和多类别校准数据库108，一个或多个预校准的测量结果被变换为经校准的测量结果。校准函数234是在310处基于选定230的全局特征分析和类别组合232从多类别校准数据库108检索的。类别组合能够根据其他输入312确定，诸如从生物目标的列表202和所指示的生物学的列表204和/或成像数据302选择。在314处，检索到的校准函数234被应用于未校准的测量结果，以将预校准的测量结果变换为经校准的测量结果。
在316处，经校准的测量结果被显示在显示设备110上和/或被存储在PACS 104中。所述预校准的测量结果能够被显示在显示设备110上。所述经校准的测量结果和/或预校准的测量结果能够被可视化为数值和/或图形地可视化。
可以通过计算机可读指令实施以上内容，所述计算机可读指令被嵌入或编码在计算机可读存储介质上，所述计算机可读指令当由(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。额外地或者备选地，计算机可读指令中的至少一个由信号、载波或其他瞬态介质承载。
参考图4，以流程图图示了跨流程定量生物标记成像的另一范例方法。在400处，接收一个或多个预校准的测量结果。例如，接收在第一和第二解剖学结构中的对比剂的预校准的平均浓度，以及在第一和第二解剖学结构中的预校准的最大浓度。
在402处，接收针对所述类别中的每个类别的全局特征分析230和输入。针对所述类别中的每个类别的输入能够包括从输入设备112输入的文字。
在404处，所述指示，诸如输入数据或信号，被解释以将所述指示中的每个指示匹配到多类别校准数据库108。例如，将每个输入与类别列表中的一个进行比较，如参考图2A所描述的，以确定所述输入是否存在于类别列表中。所述解释能够使用本体论(ontological)词典来将输入匹配到在每个类别列表中所使用的文字。
在406处，使用经解释的类别组合来搜索多类别校准数据库108，以定位类别组合。参考图2B描述了范例类别组合。
在408处，检查所搜索的类别组合以用于验证。如果经解释的类别组合被定位在多类别校准数据库108中，则被定位的经解释的类别组合能够被显示在显示设备110上，并且所接收的输入指示信号或数据指示确认。如果在多类别校准数据库108中未定位经解释的类别组合，则能够显示相似的类别组合，以用于对备选类别组合的手动选择。
能够在410处对着外部源来检查多类别校准数据库108以用于更新。所述更新能够根据类别组合。所述更新能够被访问和更新。
在412处，基于所述类别组合来选择所述校准函数。能够从一个或多个目标类别组合选择所述校准函数。定量成像生物标记校准器116加载选定的校准函数。
定量成像生物标记校准器116通过在414处应用选定的校准函数而将一个或多个预校准的测量结果变换为经校准的测量结果。在400处继续以上范例，在第一和第二解剖学结构中的对比剂的预校准的平均浓度、以及在第一和第二解剖学结构中的预校准的最大浓度被变换为第一和第二解剖学结构中的第二对比剂的经校准的平均浓度、以及第一和第二解剖学结构中的经校准的最大浓度。
在416处，经校准的测量结果例如被输出到显示设备110和/或PACS104。输出能够包括所述预校准的测量结果以及经校准的测量结果。输出能够包括结构化的格式。输出能够包括文本/数值格式和/或图形格式。
以上可以通过计算机可读指令来实施，所述计算机可读指令被嵌入或编码在计算机可读存储介质上，所述计算机可读指令当由(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。额外地或者备选地，所述计算机可读指令中的至少一个由信号、载波或其他瞬态介质承载。
已参考优选实施例描述了本发明。他人在阅读和理解了前文的详细描述之后可以想到修改和变化。本发明旨在被构建为包括所有这样的修改和变化，只要其落入权利要求或其等价方案的范围之内。
Claims (20)
1.一种定量测量系统，包括：
定量成像生物标记校准器(116)，其被配置为：接收成像数据的一个或多个预校准的定量测量结果，所述一个或多个预校准的定量测量结果是根据全局特征分析(230)以及对生物目标、指示的生物学、成像采集模态和协议、数据处理技术、以及对比剂的类别组合(232)获得的；并且将识别的函数(234)应用到所述一个或多个预校准的定量测量结果，以基于目标类别组合(236)来计算一个或多个经校准的定量测量结果，所述目标类别组合不同于所述类别组合(232)。
2.根据权利要求1所述的系统，还包括：
多类别校准数据库(108)，其包括多个全局特征分析(220)以及对生物目标(202)、指示的生物学(204)、成像采集模态和协议(206)、数据处理技术(208)、以及对比剂(210)的类别的类别组合(222)，并且每种类别组合包括至少一个函数；以及
全局特征分析器(106)，其被配置为接收针对所述成像数据的所述全局特征分析(230)和输入以确定所述类别组合(232)，从而识别所述多类别校准数据库(108)中的所述函数(234)。
3.根据权利要求1和2中的任一项所述的系统，还包括：
显示设备(110)，其被配置为显示一个或多个定量测量结果和所述一个或多个经校准的定量测量结果。
4.根据权利要求1-3中的任一项所述的系统，其中，所述全局特征分析器(106)被配置为输入所述成像数据的元数据，以确定所述类别组合的一个或多个类别(202、204、206、208、210)。
5.根据权利要求1-4中的任一项所述的系统，其中，所述全局特征分析器(106)被配置为将从输入设备(112)接收的输入与所述类别(202、204、206、208、210)中的一个或多个类别中的实例进行比较。
6.根据权利要求5所述的系统，其中，所述全局特征分析器(106)被配置为使用本体论词典将所述输入与所述类别(202、204、206、208、210)中的一个或多个类别中的所述实例进行比较。
7.根据权利要求1-6中的任一项所述的系统，其中，所述定量成像生物标记校准器(116)被配置为应用所述识别的函数，所述识别的函数是所述预校准的定量测量结果的线性函数。
8.根据权利要求1-7中的任一项所述的系统，其中，所述定量成像生物标记校准器(116)被配置为应用所述识别的函数，所述识别的函数是所述预校准的定量测量结果的非线性函数。
9.根据权利要求1-8中的任一项所述的系统，其中，所述全局特征分析器(106)被配置为搜索所述多类别校准数据库(108)并且确定对所述类别组合(222)的验证。
10.根据权利要求1-9中的任一项所述的系统，其中，所述全局特征分析器(106)被配置为接收信号，所述信号指示从所述多类别校准数据库(108)中的具有相同类别组合的多个函数中对所应用的识别的函数(234)的选择。
11.一种定量测量方法，包括：
将识别的函数(234)应用(314)到一个或多个预校准的定量测量结果，以基于目标类别组合(236)来计算一个或多个经校准的定量测量结果，其中，所述一个或多个预校准的定量测量结果是根据全局特征分析(230)以及对生物目标、指示的生物学、成像采集模态和协议、数据处理技术、以及对比剂的类别组合(232)获得的，所述目标类别组合不同于所述类别组合(232)。
12.根据权利要求11所述的方法，还包括：
接收(302、304、312)针对所述成像数据的所述全局特征分析(230)和输入以确定所述类别组合(232)，所述类别组合(232)识别多类别校准数据库(108)中的所述函数(234)，所述多类别校准数据库(108)包括多个全局特征分析(220)以及对生物目标(202)、指示的生物学(204)、成像采集模态和协议(206)、数据处理技术(208)、以及对比剂(210)的类别的类别组合，并且每种类别组合包括至少一个函数。
13.根据权利要求11和12中的任一项所述的方法，还包括：
显示(316)一个或多个定量测量结果和所述一个或多个经校准的定量测量结果。
14.根据权利要求11-13中的任一项所述的方法，其中，接收(302、304、312)针对所述成像数据的所述全局特征分析(230)和输入以确定所述类别组合(232)包括输入所述成像数据的元数据，以确定所述类别组合的一个或多个类别(202、204、206、208、210)。
15.根据权利要求11-14中的任一项所述的方法，其中，接收(302、304、312)针对所述成像数据的所述全局特征分析(230)和输入以确定所述类别组合(232)包括将从输入设备(112)接收的输入与所述类别(202、204、206、208、210)中的一个或多个类别中的实例进行比较。
16.根据权利要求15所述的方法，其中，将输入进行比较包括使用本体论词典来解释所述输入并且使所述输入与所述类别(202、204、206、208、210)中的一个或多个类别中的所述实例有关。
17.根据权利要求11-16中的任一项所述的方法，其中，应用(314)包括应用所述识别的函数，所述识别的函数是所述预校准的定量测量结果的线性函数。
18.根据权利要求11-17中的任一项所述的方法，其中，应用(314)包括应用所述识别的函数，所述识别的函数是所述预校准的定量测量结果的非线性函数。
19.根据权利要求11-18中的任意一项所述的方法，还包括：
搜索(406)所述多类别校准数据库(108)并且确定(408)对所述类别组合(222)的验证。
20.一种定量测量系统，包括：
多类别校准数据库(108)，其包括多个全局特征分析以及对生物目标、指示的生物学、成像采集模态和方法、数据处理算法、以及对比剂的类别组合，并且每种类别组合包括至少一个函数；
全局特征分析器(106)，其被配置为接收针对成像数据的全局特征分析的选择和类别信息，以识别所述多类别校准数据库中的至少一个函数，所述至少一个函数将所述成像数据的一个或多个定量测量结果变换为一个或多个经校准的定量测量结果；以及
定量成像生物标记校准器(116)，其被配置为将所识别的至少一个函数应用到所述成像数据的所述一个或多个定量测量结果以计算所述一个或多个经校准的定量测量结果，并且所识别的类别组合的所识别的至少一个函数将所述成像数据的所述一个或多个定量测量结果变换为目标类别组合的一个或多个经校准的定量的测量结果，并且所述目标类别组合不同于所识别的类别组合。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201562104880P | 2015-01-19 | 2015-01-19 | |
| US62/104,880 | 2015-01-19 | ||
| PCT/IB2016/050053 WO2016116822A1 (en) | 2015-01-19 | 2016-01-07 | Calibration of quantitative biomarker imaging |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107209802A true CN107209802A (zh) | 2017-09-26 |
Family
ID=55310847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201680006337.0A Pending CN107209802A (zh) | 2015-01-19 | 2016-01-07 | 定量生物标记成像的校准 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20180271473A1 (zh) |
| EP (1) | EP3248124A1 (zh) |
| CN (1) | CN107209802A (zh) |
| WO (1) | WO2016116822A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018098311A1 (en) * | 2016-11-23 | 2018-05-31 | General Electric Company | Imaging protocol manager |
| US20230386039A1 (en) * | 2020-10-23 | 2023-11-30 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Data Acquisition and Measurement of Characteristic Functionals in Biology and Medicine |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1604184A2 (en) * | 2003-02-27 | 2005-12-14 | Stephen A. Lesko | Standardized evaluation of therapeutic efficacy based on cellular biomarkers |
| US20110190657A1 (en) * | 2009-08-10 | 2011-08-04 | Carl Zeiss Meditec, Inc. | Glaucoma combinatorial analysis |
| CN102388306A (zh) * | 2008-12-29 | 2012-03-21 | Sqi诊断系统有限责任公司 | 用于多重分析物检测和定量的方法 |
| US20140376701A1 (en) * | 2013-06-21 | 2014-12-25 | O.N.Diagnostics, LLC | Quantitative phantomless calibration of computed tomography scans |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6511325B1 (en) * | 1998-05-04 | 2003-01-28 | Advanced Research & Technology Institute | Aortic stent-graft calibration and training model |
| CN101902964A (zh) * | 2007-12-21 | 2010-12-01 | 皇家飞利浦电子股份有限公司 | 用于改进的计算机辅助诊断的硬件肿瘤体模 |
-
2016
- 2016-01-07 WO PCT/IB2016/050053 patent/WO2016116822A1/en active Application Filing
- 2016-01-07 CN CN201680006337.0A patent/CN107209802A/zh active Pending
- 2016-01-07 EP EP16703355.4A patent/EP3248124A1/en not_active Withdrawn
- 2016-01-07 US US15/542,465 patent/US20180271473A1/en not_active Abandoned
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1604184A2 (en) * | 2003-02-27 | 2005-12-14 | Stephen A. Lesko | Standardized evaluation of therapeutic efficacy based on cellular biomarkers |
| CN102388306A (zh) * | 2008-12-29 | 2012-03-21 | Sqi诊断系统有限责任公司 | 用于多重分析物检测和定量的方法 |
| US20110190657A1 (en) * | 2009-08-10 | 2011-08-04 | Carl Zeiss Meditec, Inc. | Glaucoma combinatorial analysis |
| US20140376701A1 (en) * | 2013-06-21 | 2014-12-25 | O.N.Diagnostics, LLC | Quantitative phantomless calibration of computed tomography scans |
Non-Patent Citations (1)
| Title |
|---|
| ANDREW J BUCKLER等: "A Novel Knowledge Representation Framework for the Statistical Validation of Quantitative Imaging Biomarkers", 《JOURNAL OF DIGITAL IMAGING》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2016116822A1 (en) | 2016-07-28 |
| US20180271473A1 (en) | 2018-09-27 |
| EP3248124A1 (en) | 2017-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Traverso et al. | Repeatability and reproducibility of radiomic features: a systematic review | |
| Kessler et al. | The emerging science of quantitative imaging biomarkers terminology and definitions for scientific studies and regulatory submissions | |
| CN107492090B (zh) | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 | |
| Raunig et al. | Quantitative imaging biomarkers: a review of statistical methods for technical performance assessment | |
| EP3043318B1 (en) | Analysis of medical images and creation of a report | |
| CN101742961B (zh) | 诊断支持设备及系统 | |
| RU2699416C2 (ru) | Идентификация аннотаций к описанию изображения | |
| Park et al. | Methods for clinical evaluation of artificial intelligence algorithms for medical diagnosis | |
| EP3307173B1 (en) | System for identifying cancerous tissue | |
| Sun et al. | Predicting prostate tumour location from multiparametric MRI using Gaussian kernel support vector machines: a preliminary study | |
| CN110292396B (zh) | 定量成像的预测使用 | |
| Oliver et al. | Sensitivity of image features to noise in conventional and respiratory-gated PET/CT images of lung cancer: uncorrelated noise effects | |
| Sullivan | Imaging as a quantitative science | |
| US20130202169A1 (en) | Method and apparatus for providing ultrasound image data | |
| US7706585B2 (en) | Method and apparatus to detect the roughness of vessels | |
| Ranjbar et al. | An introduction to radiomics: an evolving cornerstone of precision medicine | |
| Banerjee et al. | Assessing treatment response in triple-negative breast cancer from quantitative image analysis in perfusion magnetic resonance imaging | |
| US20140153795A1 (en) | Parametric imaging for the evaluation of biological condition | |
| US11213220B2 (en) | Method for determining in vivo tissue biomarker characteristics using multiparameter MRI matrix creation and big data analytics | |
| Romeo et al. | AI-enhanced PET and MR imaging for patients with breast cancer | |
| Dong | Fully-automated segmentation of muscle measurement on CT in detecting central sarcopenia: a trend of standardization | |
| Chang et al. | Electrical impedance tomography for non-invasive identification of fatty liver infiltrate in overweight individuals | |
| CN107209802A (zh) | 定量生物标记成像的校准 | |
| JP5997791B2 (ja) | 診断支援装置、診断支援装置の制御方法、プログラム及び記憶媒体 | |
| Roge et al. | Evaluating the sensitivity of deep learning to inter-reader variations in lesion delineations on bi-parametric MRI in identifying clinically significant prostate cancer |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170926 |
|
| RJ01 | Rejection of invention patent application after publication |