CN107767962B - 基于来自不同测量的医学测量数据确定结果数据 - Google Patents
基于来自不同测量的医学测量数据确定结果数据 Download PDFInfo
- Publication number
- CN107767962B CN107767962B CN201710722655.3A CN201710722655A CN107767962B CN 107767962 B CN107767962 B CN 107767962B CN 201710722655 A CN201710722655 A CN 201710722655A CN 107767962 B CN107767962 B CN 107767962B
- Authority
- CN
- China
- Prior art keywords
- parameter space
- value
- data
- parameter
- space
- 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.)
- Active
Links
Images
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Graphics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biotechnology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于检查对象(O)的在不同测量(Ia,Ib,Id,Ic,Ie)中以不同的测量设备(1,2,3)采集的医学测量数据(MD1,MD2,MD3,MD4,MD5)确定结果数据(ED)的方法。在方法中形成高维的第一参数空间(PR,PR1),其中借助于值元组(TP1)代表不同测量的测量值,其中不同测量的测量值根据其在检查对象内的空间布置和/或根据其相互时间布置与值元组相关联。在第一参数空间(PR1)内在使用映射到至少一个另外的参数空间(PR2)上的至少一个映射函数(AF1)的条件下分析值元组,该另外的参数空间具有比第一参数空间更低的维度,以获得结果数据。还进行结果数据的输出,优选地进行可视化。还描述了一种用于确定结果数据的相应的装置(10)。
Description
技术领域
本发明涉及一种用于基于检查对象的医学测量数据确定结果数据的方法,所述医学测量数据在不同测量中优选地以不同的测量设备来采集。此外,本发明涉及一种用于执行该方法的相应的装置。
背景技术
在医学诊断中,特别地在成像诊断中,在越来越宽的领域中存在多参数,特别是“多模式”,的数据拍摄的可能性。“数据拍摄”在此理解为采集医学测量数据,其中在下文中主要,但不是仅仅,涉及图像数据。测量数据在不同的参数方面是多参数的。“多模式”在此意味着,数据以不同模态,即以不同的医学技术测量设备采集,特别是例如MRT(磁共振断层成像设备)、CT(计算机断层成像设备)、PET设备(正电子发射断层成像设备)、超声波系统等的医学技术成像设备。其示例为多参数磁共振协议,例如附加地与PET拍摄结合。在此应提及的是,多模式测量数据在此意义上因此也是在例如MRT-PET设备的组合设备上产生的测量数据,即以不同的测量原理在组合设备中采集的测量数据视作不同模态的测量数据。
传统地,多参数的,特别是多模式的测量数据或图像的诊断借助于不同方案执行:在一个方法中,顺序地图示不同的对比度或图像,即诊断者相继地阅读图像。其示例是,识别肿瘤作为扩散成像的高b值图像中的高信号和扩散成像的ADC图像(ADC=ApparentDiffusion Coefficient;表观扩散系数)中的低信号。在另一个方法中将对比度融合地图示。例如能够将MRT测量的T2对比度与PET照片叠加,其中图像为此事先彼此配准。特别地,因此可视化和分析的可能性目前被限制到通常一维的直方图和二维的散点图。对于十分特殊的对比度组合或不同图像的组合(在下文中也称为“参数图”),已经已知了诊断的参数组合,例如对于肿瘤诊断中的高b值和ADC值。以此可实现,将值事先通过计算组合且然后将组合值以参数图的形式图示和评估。当然,对于可能的对比度的日益增加的数量,这种关联一般是不已知的。这种措施因此仅限制于相当特定的值组合,在原理上限制于事先已经获知特定的值组合对于特定的诊断是相关的情况。
因此,在临床实现中存在的风险是,数量增加的可供使用的患者数据以传统的诊断方法不再能够被充分地评估。由此,多参数成像的潜在优点不再被最优地利用。
发明内容
本发明的要解决的技术问题是,实现一种用于基于检查对象的特别是多个不同测量的医学测量数据来确定结果值的替换的方法以及一种用于此的相应的装置,其能够简化在诊断时对于多个测量数据的考虑。
上述技术问题通过根据本发明的方法以及通过根据本发明的装置来解决。
根据本发明的方法包括至少如下方法步骤:
首先形成高维的第一参数空间,其中借助于值元组代表不同测量的测量值。在此,不同测量的测量值根据其空间布置例如逐图像点地(即逐体素或像素地)或逐区域地,和/或根据其相互时间布置与值元组相关联。原理上且通常优选地在此能够对于每个图像点确定单独的值元组。但基本上也可对于图像点的组,特别地也对于检查对象内的预定义的感兴趣区域确定共同的值元组。
在评估中应被考虑的测量值在此因此解释为高维参数空间中的向量,其中向量通过值元组定义。值元组的单独的值在此是关于特定的测量参数的测量值,且测量参数因此形成了高维参数空间的坐标。这样的高维参数空间优选地具有至少四个维度,优选地具有至少五个维度,但特别地优选地还具有更高的维度,例如更特别优选地具有至少十个维度或至少二十个维度。每个维度在此对应于要考虑的参数。
在将测量值以值元组或向量的形式布置在(如前文中所解释而定义的)高维的第一参数空间内之后,在该第一参数空间内在使用映射到至少一个另外的参数空间上的至少一个映射函数的条件下进行值元组的分析,所述另外的参数空间的维度具有比第一参数空间更低的维度。该分析包括例如在值元组的绝对和/或相对位置、其在空间内的密度等方面的分析。映射函数在此能够包括在后文中还将详细解释的不同的函数类型。通过映射到第二参数空间上的该映射函数将值元组或向量降维。降维的值元组能够直接是结果数据或,如在后文中仍将解释地,以另外的映射函数再次降维。
最后进行(因此组合的)结果数据的输出,优选地为可视化,即例如更低维度空间的向量或值元组。优选地,在第一参数空间维度很高时,在总结果自身中最终降低到最多四个维度,特别地优选地降低到最多三个维度,因为三个维度相对好地可通过图形来图示,其中例如还可在三维空间中使用颜色标记或另外的标记来作为第四维度。即,优选地降维进行为直至结果数据能够被可视化为,使得其能够被诊断者容易地理解。在第一参数空间自身仅具有四个维度(这除例如后文中给出的明显简化的示例之外是很罕见的情况)时,结果数据应至少降低到三个维度,优选地最多两个维度。
方法中的核心构思因此在于,将多参数医学数据解释为高维参数空间。如所提及的,这些测量数据优选地是多参数图像数据。但也能够附加地涉及实验室测量数据、病例数据或来自先前的检查时刻的数据。此外,能够由图像数据通过合适的预处理步骤,例如通过自动器官分割的容量分析法,导出另外的参数,所述另外的参数又能够解释为附加的维度。如在后文中还将示出,不同测量数据作为在高维参数空间内的关联的值元组的解释实现了多个评估可能性,所述评估可能性特别地也能够至少部分地执行,目前也全自动地执行,这能够明显地支持诊断。诊断因此不再限制于事先制定特定的可图示的参数图,所述参数图然后必须被叠加或由诊断者依次观察,而这使得诊断的质量明显地取决于诊断者的经验和知识。
根据本发明的用于基于检查对象的来自不同测量的医学测量数据来确定这样的组合的结果的装置相应地构造为用于执行以上所述的方法步骤。
根据本发明的装置的关键部件在此能够以软件部件的形式构造。但基本上这些部件在涉及特别快的计算时也能够部分地实现为软件支持的硬件的形式,例如FPGA等。所需的接口,例如在仅涉及从另外的软件部件接受数据时,也能够构造为软件接口。但所述接口也能够构造为通过合适的软件控制的硬件构建的接口。
根据本发明的装置能够例如通过合适的软件部件实现在计算单元上,所述计算单元自身与用于拍摄测量数据的模态或设备无关,例如工作站,所述工作站例如通过医学数据网络(如实践中或诊所中的放射信息系统(RIS))从各模态或设备和/或从其中存储了数据的存储器中接受所要求的测量数据,特别是图像数据。但原理上,装置也能够是模态的部分,特别地是如MRT-PET设备的组合设备的部分,例如其中布置了控制装置或直接连接到控制装置上的评估站,以在测量之后立即执行根据本发明的方法或其部分。相应地,测量数据的采集能够一方面包括简单地接受相应的完成的测量数据,如图像数据或参数图,但也能够包括采集原始数据和必要时重建或计算图像数据或参数图的方法步骤。
很大程度上根据软件的实现的优点是,目前已使用的工作站或控制装置也能够以简单的方式通过软件升级来改装,从而以根据本发明的方式工作。就此而言,上述技术问题也通过具有计算机程序的相应的计算机程序产品来解决,所述计算机程序可直接加载到计算单元(例如,医学数据网络的工作站)的存储器装置内,所述计算机程序具有程序片段,以在所述程序在计算单元中运行时执行根据本发明的方法的所有步骤。这样的计算机程序产品能够除计算机程序外必要时包括附加的组成部分,例如文档,和/或附加的部件,也包括硬件部件,例如用于使用软件的硬件密钥(Dongle(软件保护器)等)。
为了传输到计算单元和/或为了在计算单元上或内存储,能够使用计算机可读的介质,例如存储条、硬盘或其他可移动地或固定地构造的数据载体,在所述数据载体上存储了可由计算单元读取且执行的计算机程序的程序片段。计算单元能够例如为此具有一个或多个协作的微处理器等。
本发明的另外的特别地有利的构造和扩展由从属权利要求以及如下的描述得到,其中一个权利要求类别的从属权利要求也类似于另一个权利要求类别的从属权利要求来扩展,且不同的实施例的特征能够组合为新的实施例。
如以上所提及的,不同的测量能够来自特别是不同的测量设备或模态。但以优选的方式基本上也可使得同一个对象或同一个感兴趣区域(ROI,Region of Interest)的不同测量包括相同类型的测量,即特别是相同类型的或相同方式的具有相同的或近似相同的测量参数的测量,所述测量仅在不同的时刻被拍摄。在此也涉及不同的测量。对此,一个示例是在不同时刻,例如按照测量时间间隔相继地,在特定的对象内,如在器官或肿瘤组织内,的造影剂的测量,以因此观察造影剂的富集和/或欠缺。在不同的图像点上的代表了造影剂强度的测量值能够然后又作为向量或值元组解释。在此,与另外的不同的测量的组合也是可以的,即例如包括在特定的图像点上的时间测量的该向量仅形成在总值元组内的部分向量或部分值元组。因此,例如能够在造影剂富集和欠缺的条件下也利用不同的设备执行不同的测量。值元组然后例如与特定的图像点相关联,且值元组的单独的值包括部分值元组,所述部分值元组包括在特定时间的第一测量,且包括第二部分值元组,所述第二部分值元组包括在特定时间的另外的测量,其中该部分值元组在形成总值元组的条件下简单地先后联结。如果例如分别在十个时刻采集两个参数值,则将得到包括总计二十个值的值元组。该值元组能够然后作为向量在二十维的参数空间中解释,且在本发明的范围内相应地被分析。
如前文中已提及的,存在映射函数的不同的可能性。特别优选的函数类型在此包括:
-到颜色空间或包括颜色空间(作为子空间)的空间中的映射,例如RGB颜色空间,其中三个维度通过颜色红(R)、绿(G)和蓝(B)定义。
-到离散类别中的映射或关联。这样的离散类别能够例如是分类,如在前列腺癌情况中的具有PI-RADS 1至5的类别的系统。即,在这样的映射函数的情况下能够(至少部分自动地)分类检查对象和/或部分对象,例如特定区域。如后文中仍将根据示例示出的,这优选地能够基于值元组在参数空间中的一个内的布置。
-到具有临床相关的语义的坐标轴或维度的空间中的映射,例如良性/恶性。在例如已知特定的参数组合以极高概率可断定恶性而另外的参数组合表征良性组织时,重新要分类的组织可以根据距该参考点的距离给出对于相应的类别归属性的概率。
-到具有数学优选特征的坐标系中的映射。对此,一个示例是在后文中仍将详细解释的主轴变换的使用。
-关于参数空间的(预)定义的区域的积分和/或投影。对此,一个示例是处于特定的参数区域内的体素加和,以因此评定体积或总“负荷”。如果特定的参数区域表征不同程度的肿瘤组织,则例如能够通过加和来确定由于肿瘤组织的总负荷。在此具有低肿瘤程度的高体积也能够导致与具有高程度肿瘤组织的低体积相同的总负荷。另外的示例是具有时间维度的数据的处理。在此,能够使用加和,以绘制每个体素的时间曲线或时间变化下方的面积,或能够使用投影,以例如确定参数的时间最小值或最大值。
也可将以上的函数类型和/或另外的函数类型组合,以形成映射函数,这允许从高维度的参数空间映射到更低维度的参数空间。
以特别优选的方式,降维多级地进行。为此,优选地为了得到结果数据,可以首先通过从第一参数空间到第二参数空间的第一映射函数确定中间结果数据。该中间结果数据然后能够例如又以值元组的形式存在于第二参数空间内,即维度更低的参数空间内。然后又能够分析第二参数空间内的中间结果数据,其中分析又在使用映射到至少一个第三参数空间的至少一个第二映射函数的条件下进行,所述第三参数空间具有比第二参数空间更低的维度。在此,此外优点是,在每个参数空间中能够对于在那里处存在的参数值执行合适的分析。
特别地优选地,第一映射函数和第二映射函数在此包括不同的函数类型或其基于不同的分析原理。例如,在第一映射函数中可首先进行仍将在后文中详细描述的值元组的分组或分群,且进一步根据该群进行主轴分析,以因此首先将高维的第一参数空间的维度降低一个或多个维度。在可具有能够通过主轴给出的坐标轴的第二映射空间中,然后能够又设置分离线等,以因此实现进一步的降维且将特定的值元组与特定的区域或特征性相关联,这如上文所解释地对应于另外的映射函数。
对于在参数空间内的值元组的分析,因此存在不同的可能性。在下文中给出一些特殊的关键的变体,其中也总是可将不同的变体组合。
优选地,在考虑值元组在参数空间内相对于参数空间的边界超平面的位置的条件下进行分析,特别地也进行与类别的关联等。在此,边界超平面理解为任意的边界,所述边界将所考虑的参数空间划分为区域。在此,能够涉及直的或平面的超平面,例如在二维参数空间内的边界线或在三维参数空间内的平面。但也能够涉及任意地成形的超平面或超面,即成角度的或弯曲的超平面或超面,特别地也涉及自身封闭的超平面/超面,例如三维参数空间内的球的表面或长方体的表面。这样的边界超平面能够例如简化对象(器官、结构、组织等)的表征或分类,这通过如下方式实现,即以简单的方式能够确定属于特定的图像点的值元组是否处于参数空间的特定的部分内,且因此能够由此断定,通过图像点所代表的对象是否能够落在特定的类别内或能够以特定的方式表征。
如上文所解释的,根据另外的优选的方法进行分析,使得所述分析包括值元组与值元组组的关联,以进一步隔离地检查值元组的特征,即,执行群形成。该群形成优选地全自动地或部分自动地进行,但也能够手动地进行。
特别地优选地,在分析时也能够考虑值元组组或多个值元组组或群在参数空间中的布置。布置的分析在此可以包括位置和延伸或形状。
在此优选地,值元组组的布置也能够在考虑值元组在参数空间内的共同的位置的条件下确定或定义。这样的共同的位置能够例如是值元组组的重心、中点等的位置。
此外,值元组或值元组组的分析能够在考虑相对于至少一个参考值元组特别地也相对于参考值元组组的位置的条件下进行。参考值元组或参考值元组组能够在此基于参考测量的数据收集,例如对特定的测试组的测量,例如对具有特定的疾病图像的患者和健康的受试者的测量。
此外,值元组的分析能够包括在参数空间内的分割。在该分割中能够通过对特定的参数间隔的限制手动地定义例如区域,这也能够视作高维立方体分割或高维椭球。只要参数空间已在图形上简单地图示,则这也可手动地进行,方法是,诊断者通过划出边界线将特定的值元组的组分离。这样的分割因此在原理上对应于进一步在上文中描述的参数空间内的边界超平面的确定。如果应进行徒手分割,则这也能够在二维或三维的参数空间的可视化图示中交互地绘出且自动地推出到原来的参考空间上。这样的自动推出也能够通过在不可见的(投影的)维度中的最密地被占据的参数区域上的自动选择来替代。这类似于在空间时间的MIP上的“Correlated Cursor(相关的光标)”:在该方法中通过在2D投影图像上的点击自动与来自四维空间的点相关联。二维图像在此示出了空间和时间投影,即首先对于每个体素位置确定时间历程中的最高的信号强度且然后在该作为结果的(三维的)时间的MIP中沿空间观察方向确定最高的信号强度。通过在该二维图像中的点击首先确定在三维时间的MIP中的空间位置(x,y,z)(沿观察方向的最大值的位置),且然后确定时间坐标(沿对于点(x,y,z)的时间轴的最大值的位置)。
另一个可能性是基于阈值或通过以上所述的分群,即例如应用如k平均分群、模糊C平均分群或区域增长方法的群检测技术的半自动或自动的分割。例如用于高斯混合模型的“Expectation Maximization(期望最大化)”的参数表示的拟合也是可以的。
分析也能够包括形态运算和/或滤波。形态运算在此例如理解为打开运算、关闭运算、侵蚀运算、扩张和/或平滑,如其在图像处理中所使用的。
但也可通过子区域的布尔组合定义特定的区域,例如使得由此定义如下区域,即所述区域属于另外的区域,但不属于第三区域。
优选地,也能够执行时间分析,所述时间分析包括值元组在参数空间内的改变的分析,优选地包括单独的值元组或值元组组的布置或共同的位置的时间移动。例如,群的平均值在检查时刻的移开能够是用于治疗要求的临床指示。
特别地优选地,分析能够包括机器学习方法或在分析中能够使用机器学习方法。特别地,机器学习技术适合于分类或表征。这特别地适合于在使用参考值元组的条件下的方法,因为在分类或表征测量值或检查对象的情况中以每个分析能够将新的数据添加在数据库内,所述数据库必要时在通过另外的检查验证之后又能够用作参考值元组或参考值元组组(或参考群)。
特别地,能够也借助于机器学习技术分析所谓的高维的多参数的患者数据或医学测量数据以识别模式,所述模式能够对应于例如在临床相关的类别中的分类(例如,在期望的肿瘤基因型的情况中的良性的、恶性的肿瘤),或连续的参数值的回归(例如,恶性的可能性;常规的实验室值的替代)。优选地,也能够通过多个检查对象或患者的多参数数据(在所述多参数数据的情况中(临床)分类是已知的)培训用于预测新的患者数据的关联性的分类器。即,如上述解释的,数据用作随后的分析的参考数据。在此能够优选地也提取分类器的判断规则,以在将来作为判断标准在手动基于图像的诊断中起作用。例如,分类的判断树能够自动地学习。对于机器学习技术,也能够使用人工神经网络。
在图形地图示参数空间时,更高的维度也能够通过扩展的可视化技术被包括,例如以色标或通过向量/字形的描述的成像。例如,能够在2D散点图中以不同的颜色图示多个检查时刻,或能够通过向量在散点图中图示点云(群)的移动。
优选地,结果数据的可视化包括位置空间图示中,即检查对象的解剖图中的图像点和/或区域的(特别优选是颜色的)标记。标记在此能够依据第一和/或另外的参数空间内的值元组的分析的结果进行,特别地也依据可能的时间分析进行。换言之,高维的或投影到低维空间上的参数值通过用于以解剖图像数据可视化的所谓的反映射(Back-Mapping)或扩展的反映射融合。在此,除直方图着色外,如良性或恶性区域的语义类别或对于特定的类别的归属性的概率值通过特别是颜色的标记可视化。特别地,如前所述,也能够通过颜色或向量将时间分析可视化,例如将作为向量在散点图中的时间移动可视化。
特别优选地,在可视化多参数数据时也能够将从先前的学习中已知的模型或结果作为参考共同绘制在参数空间内。例如,能够使手动或(半)自动地定义的参数区域,如高维矩形、椭球或超平面或另外的判断边界,与数据图形地叠加。
总之,因此通过根据本发明的方法实现了如下的优点:
-数据维度的降低,
-扩展的可视化技术和反映射,
-对于高维参数空间内的特定的区域的分割技术,
-用于自动分析多参数数据的回归和分类技术,
-获取用于常规的基于图像的诊断的新的判断规则。
因此,根据本发明的多参数测量数据的处理的潜在性能够用于改进的诊断和处理,且进一步也用于节约成本以及用于最优的检查和处理途径。
附图说明
本发明在下文中通过参考附图根据实施例进一步详细解释。在此,在不同的附图中相同的部件具有相同的附图标号。附图中:
图1示出了根据本发明的实施例的方法的流程图,
图2示出了在三个参数中的点云的示例以及为此确定的主轴的示意性图示,
图3示出了来自于图2的具有降低的维度的变换到主轴上的点云的示意性图示,
图4示出了在根据图3的降低的参数空间内的三个区域的分割的简化示例,
图5示出了在检查对象的解剖图或位置空间图示中根据检查对象的与图4中的区域的区域归属性的图像点的标记(到形态原始体素的反映射)的简化示例,
图6示出了通过自动分群的用于确定子组的简化示例,
图7示出了根据阈值(边界线)的用于可能的基于图像的诊断的简化示例,
图8示出了通过前列腺的磁共振截面图像中的被标记的感兴趣区域(ROI)的示例的示意性图示,
图9示出了在图8中标记的感兴趣区域内的前列腺的动态造影剂磁共振测量时的不同的时间曲线的示例,
图10示出了借助于二维参数空间内的边界线对于来自根据图9的测量的测量值的群形成和分割的示例,
图11示出了借助于线性判断边界的可能的分类的示例,
图12示出了医学数据网络的示意性图示,所述医学数据网络具有在其上连接的多个模态和在其上连接的根据本发明的实施例的用于基于来自不同的测量的医学测量数据来确定结果数据的装置。
具体实施方式
在图1中图示的示例的方法流程中首先在方法步骤II中从不同的测量Ia、Ib、Ic、Id、Ie中接受测量数据MD1、MD2、MD3、MD4、MD5。这些测量Ia、Ib、Ic、Id、Ie例如能够在不同的设备上执行,例如在方法步骤Ia中在MRT设备上,在方法步骤Ib中在CT设备上,在方法步骤Ic中在超声波设备上,在方法步骤Id中在PET设备上,且在方法步骤Ie中例如涉及实验室值的接受或输入,例如PSA值或另外的血液值。基本上也能够包括另外的设备或测量数据,如EKG数据等。但不同的测量也能够在同一个设备上执行,其中评估不同的参数,例如在MRT测量中的不同的对比度等,但也评估相同的或很类似的参数,但在不同的时刻和/或条件下,如具有或不具有造影剂。
这些测量数据MD1、MD2、MD3、MD4、MD5在许多情况中涉及图像数据或参数图。在此,能够涉及二维数据,涉及例如体积数据的三维数据,或涉及甚至四维数据,例如以一定的时间间隔拍摄的体积数据,从而第四维度通过时间表示。
在方法步骤II中能够然后执行预分析或数据到用于高维参数空间PR1的值元组TP1的汇合,即测量值能够汇合为向量,其中例如一个向量包含图像点(像素或体素)的测量数据,必要时也包含在不同的时间的测量数据。但值元组也能够包括对于不同的时间的对于一组图像点,必要时也对于一定的器官或一定的区域的值。
然后在方法步骤III中分析高维的第一参数空间PR1,在其中值元组TP1由测量数据MD1、MD2、MD3、MD4、MD5的各个测量值形成。该分析能够如示意地图示也包括数据滤波FI和/或形态操作MO,即在高维第一参数空间PR1内进行一定类型的预处理。
但在高维参数空间PR1中的分析特别地包括借助于第一映射函数AF1到更低维度的参数空间PR2内的映射。例如在此,具有多于二十个维度的参数空间PR1能够映射到具有例如五个或六个维度的参数空间PR2内。这仅取决于映射函数AF1的选择。其示例将在后文中给出。
在方法步骤IV中进行通过第一映射函数AF1获得的在更低的第二维度的参数空间PR2内的值元组TP2的分析。在此能够使用与在更高维度的参数空间PR1中在步骤III中所使用的分析方法相同的分析方法,当然相应地与更低的维度匹配。但通常涉及另外的分析方法。
例如,在步骤III中在第一级中能够在值元组组内在第一参数空间PR1的特定的维度方面实现分群。映射函数AF1能够选择为,使得对应于关于其进行分群的该维度的数量的参数值简单地通过代表与群中的一个的关联的参数值替代。以此方式能够实现明显的降维。在另外的级中,在更低的维度的参数空间PR2中进行分析时能够又进行下级分类等。为此,能够例如检验新的降低的值元组TP2相对于边界超平面处于何处。在第二参数空间PR2中进行该另外的分析时原理上也实现了通过(另外的)映射函数AF2到更低的第三维度的参数空间PR3中的映射,在所述第三参数空间PR3中值元组然后通过相应的值元组TP3代表。在另外的参数空间PR3中然后又能够进行任意的分析和到另外的更低维度的参数空间的优选地也以映射函数的进一步的降维。
在图1中未图示该变体,而是在此已在步骤V中实现了一级,其中在最后的参数空间PR3中进行分析时立即确定结果数据ED,所述结果数据ED然后在步骤VI中输出或可视化。但基本上甚至超过三级也可以。
输出和可视化能够例如包括到检查对象的位置空间的反映射,即包括例如在解剖图等内的叠加。但是附加地,该结果数据也能够例如仅包括检查对象的单独的分类或表征的输出,所述检查对象即为例如患者或患者的器官或特定的组织区域。在此处应注意到,结果数据ED在分类时通常仅是诊断建议,所述诊断建议通常仍能够或必须由诊断者确认。也可以的是,分类或表征附加地以关于概率的说明进行,利用该说明检查对象或器官或组织部分对应于该分类或表征。
在图12中示意性地图示了可用以实现这样的方法的装置10。在此示出了医学网络,例如放射信息系统(RIS),其中不同的设备通过数据总线5相互耦合。在本情况中一方面涉及模态1、2、3,在所述模态上在检查对象O上进行测量且由所述模态能够接受测量数据;用于存储测量数据,特别是原始数据、图像数据等的大规模存储器6;以及根据本发明的用于基于医学测量数据确定结果数据的装置10。此外在该网络或数据总线5上还能够连接另外的设备,特别是也连接与例如Internet等的外部网络的接口。
在图示的示例中,模态1是组合的MRT-PET设备1。另外的模态2是计算机断层成像装置1。仅象征性地图示了另外的模态3,例如超声波设备、X射线设备等。在此也能够设置用于接受实验室值等的另外的接口,以附加地在方法中接受和使用该实验室值。
根据本发明的装置10在此一方面包括计算单元20,所述计算单元20通过数据接口21连接到数据总线5上且通过另外的数据接口22连接到用于操作装置10的终端11上。此外,计算单元20包括具有要求的软件部件的相应的软件模块23,以执行数据处理技术措施和计算,以执行根据本发明的方法。此外,计算单元20通常包括(在此未图示的)合适的存储器装置(硬盘(多个硬盘),RAM等),在所述存储器装置上存储了所需的软件部件。
终端11包括在此通过简单的显示屏象征的输出单元12,以及输入单元,例如键盘13和/或在此通过鼠标象征的指示装置14。当然,显示屏12也能够构造为触摸屏等。总装置10,即计算单元20以及终端11或用户界面11能够例如以通常的用于诊断的工作站的形式实现在医学数据网络内。
诊断者能够通过终端选择特定的数据,显示该数据,和/或借助于图形用户界面,即显示屏12以及键盘13和鼠标14或另外的相应的辅助装置必要时设置标记、边界线且进行分割等,如在下文中仍将解释。也能够进行用于存储数据、用于在希望的分析方法和参数空间维度等方面配置计算单元20的指令。换言之,用于方法范围内的由使用者待支持或待初始化的操作的所有使用者动作例如能够借助于该终端执行。
在下文中根据另外的附图借助于简单的示例解释在特定的分析技术、映射函数或可视化方法方面的原理方式。只要为此涉及附图,则所给出的示例为图示起见限制到三个维度,但通常该操作也可在更高维度的参数空间内执行。
根据图2和图3示例地图示了可如何借助于主轴变换执行数据降维的方法。图2示意性地示出了点云的匹配的包络(点云自身未图示),即例如在其中具有坐标轴P1、P2、P3的三维空间内的值元组的群。这些坐标轴P1、P2、P3是通过值元组内的相应的参数值代表的参数。根据图6在后文中将详细阐述能够如何进行值元组的该分群。
在此处在图2中所示的三维考虑中,这样的群或点云还可有意义地被可视地采集。为定量化则必须在此也考虑所有三个输出参数或坐标P1、P2、P3。经常将数据限制到低维子空间,如在如下的示例中的平面或几乎平面的椭圆。通过通常的主轴变换能够在该三维空间中确定主轴a、b和合适的坐标。点云或群C然后能够相应地在降维到具有坐标轴P1'、P2'的二维参数空间PR2内图示,其中一个坐标轴P1'在椭圆的一个主轴a的方向上走向且另一个坐标轴P2'在椭圆的另一个主轴b的方向上走向。在如在图2和图3中所示的,从三维到二维的降维的情况中,这简单地可图示。但清楚的是,该基本原理能够简单地转用到更高维度的空间。通过维度的降低能够通过使用者友好的方式,如在本情况中例如通过二维的感兴趣区域的定义,通过确定阈值等与在原始的更高维度的参数空间相比明显更简单地分析点云。
这在下文中根据图4在简单的示例中解释。在此借助于两个阈值t1和t2将图4中的点云(群)划分为三个区域。该阈值t1、t2在此形成二维参数空间PR2的准超平面HE1、HE2。值元组能够因此与参数空间内的不同的区域相关,在此为低于参数P1'的阈值t1的所有值元组、在相对于参数P1'的阈值t1和t2之间的所有值元组和高于关于参数P1'的阈值t2的所有值。阈值t1、t2的设置或超平面HE1、HE2的设置有意义地当然根据特定的医学关系或判定进行,例如“可能的健康的组织”、“可能的恶性肿瘤的组织”或“可能的良性肿瘤的组织”。该原理也可转用到任意更高维的空间。
然后例如通过在形态原始体素上的颜色标记可将值元组的区域归属性反映射,如在图5中图示。换言之,在此将作为或代表原始图像的特定的图像点的每个值元组根据在根据图4的空间PR2内的区域归属性与颜色值关联,并且以该颜色值进行在位置空间图示ORD中的相应的图像点即像素或体素的标记。通过该颜色标记M1、M2、M3能够因此直接在位置空间图示ORD中由诊断者识别哪些区域或哪些类别与图4中的参数空间PR2内的相应的图像点相关。标记能够特别地也通过将具有相应的图像点的标记的掩膜与解剖图叠加来进行。
图6示出了如何作为图4中的阈值设置的替代能够在降维的空间内进行点云的分析的另一个可能性。在此作为示例图示如何借助于自动分群算法又定义点云内或大的群内的子组或子群C1、C2。对于这些群C1、C2或子群C1、C2,能够如对于每个群那样也确定共同的显著的点,在此例如为群C1、C2的中点MP1、MP2或重心或另外的“群中心”。
只要进行时间分析,即在另外的维度上可进行各个考虑的参数空间内的各个值元组关于时间的布置(例如通过简单地添加时间轴来实现),则在时间关系评估之后也能够在空间内标记或显示这样的群C1、C2的移动。这样的时间移动ZV也能够通过向量图示,在所述向量的方向上例如共同的点,在此为群C1的中点MP1,随时间运动。
时间行为的显示经常是有意义的,因为时间变化也能够包含医学上主要的判定。例如,这能够特别地是如下情况,即在时间上间隔开的时刻的不同的测量,例如在用于检验治疗效果的历程或系列测量的情况中。以此方式能够借助于用于群C1的时间移动ZV的向量很好地可视化治疗是否见效。
特别地也可将检测到的群中心在患者人口中用于对于新的患者情况确定特定的分类归属性的概率,即例如在此执行的分析或在此确定的共同的值或群的中心(或中点、重心等)能够用作参考值,以根据该参考值然后在另外的患者的测量值的分析时能够分类或表征组织、器官等。
此外也可借助于根据本发明的方法提取对于常规的基于图像的诊断的新的判断规则。例如在根据本发明的方法的情况中如果表明所寻找的子组也在原来的参数空间中可通过简单的阈值形成而足以精确地界定,则该结果然后能够转换到基于图像的诊断规则中。
根据图7在此图示了特别简单的示例。在此在另外的分析的情况中确定,在相对于参数P1的体素强度低于极限值e1,即位于图像中超平面HE3左侧,且同时相对于参数P2的体素强度大于极限值e2,即在图像中位于超平面HE4上方时,该体素归属到组G1中,例如属于健康组织。否则,所述体素归属到组G2中,所述组G2指示了带有损伤的组织。
下文中以用于根据本发明的方法的简化的形式解释另外的具体的实施例。
示例1:借助动态造影剂灌注MRT在健康和患病组织之间区分
在根据图8至图10解释的该示例中,测量是动态造影剂灌注MRT测量。在此在造影剂给予期间采集多个,典型地四个至五十个,体积。造影剂的富集行为在不同的组织类型或不同的器官之间不同且因此也允许在健康组织和患病组织(例如肿瘤)之间区分。在图8中为此示意性地图示了前列腺中的不同的感兴趣区域ROI1、ROI2、ROI3。图9为此示出了在前列腺内的这样的动态造影剂MRT的情况下不同的时间曲线。为此,在图9中分别图示了随时间t(单位s)的造影剂富集(强度按任意单位[等])的曲线,其中分别对于图9中的不同的区域ROI1、ROI2、ROI3使用平均值。在文献或在特定的在市场上可获得的产品解决方案中存在用于分析这样的造影剂动态行为的不同的措施。例如,能够在每个体素的时间曲线中计算造影剂洗入(“wash-in”)或洗出(“wash-out”)的升高。
根据本发明能够将每个单独的图像点,即体素或像素,的随时间的图像强度的历程解释为参数向量。以此在对于每个图像点的p个拍摄的时间阶段的情况中产生了在p维参数空间内的p维向量。在本发明的范围内现在这样的p维参数空间能够被分析且借助于映射函数被处理,使得可实现有效的图示或使用。在此方面应清楚地注意,随后阐述的动态造影剂灌注MRT数据的分析也能够以类似的方式对于扩散加权的MRT数据或一般的多参数成像数据执行。
例如,在培训测量等情况中,能够制定或提供对于不同的类别的带有例如组织病理学已知的组织特征的患者的示范的信号历程,例如k=5个类别“肿瘤”、“坏死”、“器官1的健康组织”、“器官2的健康组织”、“血管”。借助于该参考数据能够然后在p维参数空间内对于带有未知的组织特征的每个信号历程估计属于五个提到的类别的每个的归属性概率。通过相应的关系函数能够因此将参数空间的维度从p降低到k,在此即降低到五个类别。该降维在此与数据无关地进行,因为参考曲线源自事先制定的库。
但以类似的方式替代地也能够执行取决于数据的降维,这通过将学习的类似的时间曲线自动分组和与群关联而不在此强制地使用外部参考曲线来进行。算法上可因此例如通过k最近邻域分类实现。
替代的取决于数据的用于降维的技术在此也是主轴变换。在此,可将对于每个空间点的数据向量投影到新的基上,其中最强的变化汇合到第一维度上。因此也产生的可能性是,通过舍去较高的维度来有意义地降维。每个图像点能够从连续的类别归属性概率出发也与特定的类别相关联。
此外,每个图像点能够相对于另外的低维的更直观的基可视化。在图10中图示的示意图中对于每个强度向量将造影剂强度的最大值(Peak Enhancement Intensity(峰值增强强度))以及该最大值的时间位置(Time to Peak(峰值时间))用作可图示的向量空间的基(在图10中仅涉及带有任意轴刻度的示意性图示;所绘出的群在此也任意地且仅由于直观性原因而被选择)。属于特定的类别的类别归属性能够通过颜色(或如在图10中通过不同的符号)体现。在该示意图中因此总计形成八个不同的群,群C3针对图示了主动脉的图像点,群C4包括肿瘤组织,群C5针对健康的前列腺组织,群C6针对健康的膀胱组织,且两个群C7、C8图示了两个两个坏死的组织,因为其处于该参数空间PR的通过拐折的超平面HE5或边界线与参数空间的剩余区域PR2界定开的区域内。对于分群能够使用来自先前的学习的参考值元组RT(示例地在此象征了用于不同的群的一些参考值元组RT)。超平面HE5也能够例如从先前的学习中已知。在此能够涉及一个或多个所谓的判断边界(DecisionBoundaries),所述判断边界在此能够例如基于如下获知,即,坏死的组织典型地具有很缓慢的造影剂洗入和很低的峰值增强。这样的判断边界能够作为支持与实际的数据点可视化。
相反,如也在图10中所图示地,视觉上可识别的判断边界可转用回到简单的常规的判断规则。在本情况中例如在参数“峰值时间”大于通过超平面HE5定义的阈值且参数“峰值增强强度”小于通过超平面HE5定义的阈值时,组织很可能是“坏死的”。
此外,能够示出已知的群中心或相应的概率密度分布。在图10的示例中可见,坏死的组织分组到两个子群C7、C8中,所述子群可能由于不同的组织处理导致。为了检验可能的空间关系,诊断者能够在参数空间中选择被标记为坏死的图像点或值元组的部分。这例如通过借助于用户界面或终端的徒手分割SG可进行。这样的徒手分割SG在图10中通过虚线表现。
由此选择的值元组或图像点能够然后又在反映射中与合适的解剖图重叠。但基本上也能够同时进行所有值元组或图像点的反映射,其中每个点相应于其类别归属性例如被颜色编码或通过符号被编码。
在前述具体方法中也又可进行以机器学习方法的数据分析。对于精确的临床诊断和治疗,具体的病理学诊断或生物标志物(血清值等)经常是关键的。通过借助于机器学习方法的数据分析可培训计算机系统来执行多参数医学图像数据到这样的(在本情况中为合成的)替代生物标志物的自动映射。例如,这样的系统能够通过自动分析带有给定的PSA值和组织病理学诊断(活组织检查的格列森评分)的前列腺癌患者数据组以及相应的多参数MRT成像来学习图像参数和格列森评分或PSA值之间的相关性。该相关性模型能够随后被用于,对于新的患者基于图像数据预测格列森评分而不必执行活组织检查。
示例2:在动脉内治疗的情况中通过MRT测量诊断治疗效果
特别地在肝癌或类似病症中在动脉内治疗情况中目的是,及早通过识别MRT历程监控中的改变确定治疗是否有效或是否应通过替代的治疗来代替。治疗反应能够例如分类为“响应”(有效)、“半响应”(部分地有效)和“不响应”(无效)。为此,在治疗之前和之后采集各种的MR对比度,包括造影剂支持的肝动态,典型地分别大约十二个体元。
在文献和实践中存在不同的措施来分析改变。为此,能够例如对于目标区域,即肿瘤,对每个时刻确定平均ADC值或平均静脉增强(VE)。在此可使用简单的阈值,以基于平均ADC值和平均VE值的改变来评价治疗反应。
在根据本发明的方法的范围内,此外可对于每个单独的图像点将图像强度的历程以及附加的属性(空间坐标、采集参数、肝体积、如AFP的血液值、胆红素等)解释为参数向量。例如,在对于目标区域内的每个图像点十二个MR对比度和两个检查时刻的情况中,则仅由此得到24维的参数向量。与其中并非考虑每个图像点而是仅考虑目标区域的所有图像点的平均值而由此丢失了例如肿瘤内的异质性的空间信息的现有技术中不同,在此可进行完全的分析。
为实现降维,又可使用以上已提及的方法,例如在此也能够使用差值计算作为降维,这通过例如确定相对于第二时刻的ADC值的第一时刻的ADC值且将两个值在值元组内通过差值替代以将值元组降低一维来实现。另外的可能性是借助于主成分分析到带有更少的维度的新的基上的降维,例如从诸如ADC、VE、脂肪分数的三个参数降低到两个参数。
在此又可将每个单独的图像点或总肿瘤体积与以上所列举的类别中的特定的最高概率的类别关联,这例如通过将参数值或单独的值元组在高维参数空间内的位置与带有已知的治疗历程的患者的相应的值元组进行比较来实现。即,在此动用参考值元组且因此执行单独的图像点或区域的直接的分类。也能够从先前的学习中已知特定的判断界限,即超平面,所述判断界限能够用作边界面或边界线,例如使得ADC值或VE值至少改变一定的百分比。这样的示例在图11中很简单地示意性地图示。在此划出了参数空间,所述参数空间的一个轴包括来自第一和第二测量的VE值的差(以%为单位的ΔVE)且其另一个轴包括来自两个测量的ADC点的差(以%为单位的ΔADC)。基于已知的学习,在此能够确定两个超平面HE6、HE7,在该图中所述超平面具有简单的边界线的形式,所述超平面将全部空间划分为四个象限。根据值元组布置在哪个区域内将所述值元组与类别的一个相关联,即类别“非响应”NR或类别“半响应”SR或类别“响应”RE。清楚的是,在图11中由于更简单的可图示性仅示出了二维空间。原理可转用到任意高维的空间。但只要全部空间被充分低地定维度,则这样的判断边界也可作为带有实际数据点的支持被可视化。
相反,在此也又可将视觉识别的判断边界追溯到简单的常规的判断规则。此外,能够示出已知的群中心或相应的概率密度分布。
为检验可能的空间关系,使用者可在参数空间中选择例如标记为“非响应”NR的图像点的部分。这例如又通过徒手分割可进行。该选择的数据点然后能够,如上所述的那样,作为反映射与合适的解剖图叠加,以在解剖图或在位置空间图示中标记相应的图像点。在此也能够进行所有数据点的同时的反映射,其中每个点根据其分类归属性以颜色标记。
在此又可进行借助于机器学习方法的数据分析。优选地,因此使用人工神经网络以从被观察的参数组合预测治疗效果。
示例3:前列腺癌情况中的计算机支持的肿瘤级别判断
在此目标是,在前列腺癌情况中通过多参数MRT确定肿瘤级别,以节约尽可能不需要的活组织检查或甚至全切除。在改变的问题的情况中,在历程监控中可自动地识别目前不显著的或良性区域发展为恶性损伤的时刻。
检查在此包括多个MR对比度,对此通常也进行造影剂支持的灌注动态。
在此也能够又将每个单独的图像点的图像强度的历程以及附加的属性,即空间坐标、采集参数、前列腺体积、如PSA的血液值,解释为参数向量。如果对于每个图像点执行十二个MR对比度,则在此也得到至少12维的参数向量。
通过对于每个单独的图像点计算诸如ADC或容量转运常数的模型参数在此已执行了降维。这些参数是已建立的用于在具有不同的扩散权重或包括不同时刻的造影剂动态的扩散成像中的信号历程的参数模型的组成部分。
此外,在此也可借助于主成分分析进行降维。例如,借助于主成分分析可从三个参数ADC、容量转运常数、T2信号强度降低到两个参数。
借助于方法确定的肿瘤的级别或图像点对应于临床上明显的肿瘤的概率能够作为新的参数图被颜色编码地与位置空间或解剖图叠加,以便于空间关联。在此当然也可使用机器学习方法。
示例4:多参数磁共振数据的散点图分析
在此目的是类似于第二实施例根据对于一个或多个时刻的多参数磁共振测量来早期判断治疗结果。
在治疗前、治疗期间或治疗后在此也采集典型的不同的MR对比度,例如分别十二个体元。现在作为前述借助于ADC、VE的平均值等值对于整个区域处理的替代,现在在本发明的范围内又将每个单独的图像点的图像强度以及附加的属性解释为参数向量。总共p个参数的检查至少导致p维值分布。
在此也又可对于单独的图像点进行参数降低,这通过相互计算特定的参数值(例如求差或求比值)来进行,以降低值元组内的值的数量。
在此,也又可进行主成分分析或类似类型的降维。
此外,在此也能够分析所考虑的目标体积,这通过在参数空间内选择检查范围且将处在该范围内的值元组例如以不同的颜色在反映射过程中在原来的位置空间或解剖图中标记来进行,以因此允许参数空间的特定的值范围和解剖图的空间关系。
附加地,数据(如此外也在所有另外的示例中)也以直方图的形式图示。其示例是示出了对于单独的图像点的ADC值分布的直方图。例如,直方图分布的改变,即从带有处于肿瘤组织的典型ADC值的区域内的特定的ADC值附近的单独的峰值的单模式分布到更高和更低的值(即到双模式分布)的改变,允许解释更多的图像点显示了坏死,且更多的图像点也具有对应于骨骼标记的正常的ADC值的低ADC值。显示了肿瘤组织的值的图像点的数量则降低。这可断定治疗效果。
这样的直方图图示能够自动地、半自动地或在简单地可图示时也手动地被评估,以划出一定的边界线且将对于单独的图像点的单独的值元组与一定的类别关联,且又在反映射的情况中将该类别归属性在位置空间中图示。由此,又可图示在哪个空间区域内治疗起作用。以此方式因此也能够在临床关系方面检验空间参数,例如解剖图中的空间重心、一定的对比度或对比度的组合。例如已知与躯干中的肿瘤转移相比外周肿瘤转移使预侧明显地恶化。这在根据本发明的方法中比目前已知的情况更简单。
根据本发明的方法的大的优点也在于,例如异质性的分布的自动分析或直方图的模式的数量或群的数量的自动确定能够加速数据的临床解释且易于定量化,以实现更高的客观性。
在此,能够特别地适用机器学习方法。例如,为了确定二维直方图中的模式或在高维空间中为了发现群,能够在机器学习方法中使用期待最大化算法。此外,又能够在散点图(=点云)中绘出或自动设置判断边界,所述判断边界事先借助于机器学习算法根据另外的患者的数据以类似的临床问题来学习。
与自动器官分割组合地也能够例如使用每个器官和身体区域的各不同的标准,以因此进一步结构化诊断或表示参数分布的特定于器官的图示。
最后还应注意的是,在前文中详述的控制设备中仅涉及实施例,所述实施例能够由专业人员以不同方式修改而不脱离本发明的范围。此外,不定冠词“一”或“一个”的使用不排除所涉及的特征也能够多重地出现。也不排除本发明的作为单独的单元或模块标记和/或图示的元件由多个协作的子部分组成,所述子部分必要时也能够在空间上分布。
Claims (18)
1.一种用于基于检查对象(O)的在不同的测量(Ia,Ib,Id,Ic,Ie)中优选地以不同的测量设备(1,2,3)采集的医学测量数据(MD1,MD2,MD3,MD4,MD5)确定结果数据(ED)的方法,其中所述医学测量数据是图像数据,所述方法具有如下方法步骤:
-形成高维的第一参数空间(PR,PR1),其中借助于值元组(TP1)代表不同测量(Ia,Ib,Id,Ic,Ie)的测量值,其中不同测量(Ia,Ib,Id,Ic,Ie)的测量值根据其在检查对象(O)内的空间布置与值元组(TP1)相关联,
-在高维第一参数空间(PR1)内在使用映射到至少一个另外的参数空间(PR2)上的映射函数(AF1)的条件下分析值元组(TP1),所述另外的参数空间具有比第一参数空间(PR1)更低的维度,以获得结果数据(ED),其中所述映射函数(AF1)包括关于参数空间的定义的区域的积分,其中所述映射函数包括值元组关于高维第一参数空间的定义的区域的积分,从而将值元组降低为比高维第一参数空间更低的维度,
-输出,优选地可视化结果数据(ED)。
2.根据权利要求1所述的方法,其中不同测量包括在不同时刻的相同的测量。
3.根据权利要求1或2所述的方法,其中映射函数(AF1)包括如下函数类型的至少一个:
-到颜色空间中的映射,
-到离散类别中的映射,
-到具有临床相关的语义的坐标轴的空间中的映射,
-特别地在使用主轴变换的条件下到具有数学优选特征的坐标系中的映射,
-关于参数空间的定义的区域的投影。
4.根据前述权利要求中任一项所述的方法,其中为获得结果数据(ED)首先通过从第一参数空间(PR1)到第二参数空间(PR2)的第一映射函数(AF1)确定中间结果数据且分析该中间结果数据,其中分析在使用映射到至少一个第三参数空间(PR3)的至少一个第二映射函数(AF2)的条件下进行,所述第三参数空间具有比第二参数空间(PR2)更低的维度,
其中优选地第一映射函数(AF1)和第二映射函数(AF2)包括不同的函数类型。
5.根据前述权利要求中任一项所述的方法,其中分析在考虑值元组(TP1,TP2,TP3)在参数空间(PR1,PR2)中相对于参数空间(PR1,PR2)的边界超平面(HE1,HE2,…,HE7)的位置的条件下进行。
6.根据前述权利要求中任一项所述的方法,其中分析包括值元组与值元组组(C1,C2,…,C8)的关联。
7.根据权利要求6所述的方法,包括分析值元组组(C1,C2,…,C8)在参数空间(PR)内的布置。
8.根据权利要求7所述的方法,其中值元组组(C1,C2,…,C8)的布置在考虑值元组组(C1,C2,…,C8)在参数空间(PR)内的共同位置(MP1,MP2)的条件下确定。
9.根据前述权利要求中任一项所述的方法,其中值元组(TP1,TP2,TP3)的分析在考虑相对于至少一个参考值元组(RT)的位置的条件下进行。
10.根据前述权利要求中任一项所述的方法,其中值元组的分析包括分割(SG)。
11.根据前述权利要求中任一项所述的方法,其中分析包括形态运算(MO)和/或滤波(FI)。
12.根据前述权利要求中任一项所述的方法,包括值元组在参数空间内的改变的时间分析,优选地单独的值元组的或值元组组(C1)的布置的时间移动(ZV)。
13.根据前述权利要求中任一项所述的方法,其中分析包括机器学习方法。
14.根据前述权利要求中任一项所述的方法,其中结果数据的可视化包括检查对象的位置空间图示(ORD)中的图像点和/或区域的优选颜色的标记(M1,M2,M3),其中标记依据第一和/或另外的参数空间(PR,PR1,PR2,PR3)内的值元组(TP1,TP2,TP3)的分析的结果进行。
15.根据权利要求13和权利要求14所述的方法,其中结果数据的可视化包括通过颜色和/或向量(ZV)的时间分析的可视化。
16.一种用于基于检查对象(O)的医学测量数据(MD1,MD2,MD3,MD4,MD5)确定结果数据(ED)的装置(10),所述医学测量数据在不同的测量(Ia,Ib,Id,Ic,Ie)中优选地以不同的测量设备(1,2,3)采集,其中所述医学测量数据是图像数据,
其中装置(10)构造为用于实施如下的方法步骤:
-形成高维的第一参数空间(PR,PR1),其中借助于值元组(TP1)代表不同测量(Ia,Ib,Ic)的测量值,其中不同测量(Ia,Ib,Id,Ic,Ie)的测量值根据其在检查对象(O)内的空间布置与值元组(TP1)相关联,
-在高维第一参数空间(PR1)内在使用映射到至少一个另外的参数空间(PR2)上的映射函数(AF1)的条件下分析值元组(TP1),所述另外的参数空间具有比第一参数空间(PR1)更低的维度,以获得结果数据(ED),其中所述映射函数(AF1)包括关于参数空间的定义的区域的积分,其中所述映射函数包括值元组关于高维第一参数空间的定义的区域的积分,从而将值元组降低为比高维第一参数空间更低的维度,
-输出,优选地可视化结果数据(ED)。
17.一种计算机程序产品,所述计算机程序产品具有可直接加载到计算单元(20)的存储器装置内的计算机程序,所述计算机程序具有程序片段,以在所述计算机程序在计算装置(20)内运行时实施根据权利要求1至15中任一项所述的方法的所有步骤。
18.一种计算机可读的介质,在其上存储可由计算单元(20)读入且运行的程序片段,以在所述程序片段在计算装置(20)内运行时实施根据权利要求1至15中任一项所述的方法的所有步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16185297.5 | 2016-08-23 | ||
EP16185297.5A EP3287914A1 (de) | 2016-08-23 | 2016-08-23 | Ermittlung von ergebnisdaten auf basis von medizinischen messdaten aus verschiedenen messungen |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107767962A CN107767962A (zh) | 2018-03-06 |
CN107767962B true CN107767962B (zh) | 2021-09-24 |
Family
ID=56893693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710722655.3A Active CN107767962B (zh) | 2016-08-23 | 2017-08-22 | 基于来自不同测量的医学测量数据确定结果数据 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10699434B2 (zh) |
EP (1) | EP3287914A1 (zh) |
KR (1) | KR20180022607A (zh) |
CN (1) | CN107767962B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108310677B (zh) * | 2017-01-11 | 2020-02-28 | 南京中硼联康医疗科技有限公司 | 基于医学影像数据的平滑几何模型建立方法 |
US11387005B2 (en) * | 2017-04-21 | 2022-07-12 | Cvs Pharmacy, Inc. | Secure patient messaging |
US10959696B1 (en) * | 2019-11-25 | 2021-03-30 | Robert Edwin Douglas | Method and apparatus for an improved localizer for 3D imaging |
US20210240931A1 (en) * | 2018-04-30 | 2021-08-05 | Koninklijke Philips N.V. | Visual question answering using on-image annotations |
EP3564906A1 (de) * | 2018-05-04 | 2019-11-06 | Siemens Healthcare GmbH | Verfahren zur erzeugung von bilddaten bei einem computertomographiegerät, bilderzeugungsrechner, computertomographiegerät, computerprogrammprodukt und computerlesbarer datenträger |
KR102142694B1 (ko) * | 2018-05-24 | 2020-08-07 | 재단법인대구경북과학기술원 | 뇌신경 질환 진단 시스템 및 방법 |
JP7181753B2 (ja) * | 2018-10-12 | 2022-12-01 | 株式会社アドバンテスト | 解析装置、解析方法および解析プログラム |
CN110120082B (zh) * | 2019-04-04 | 2023-08-18 | 平安科技(深圳)有限公司 | 金融数据的图像处理方法、装置、设备及可读存储介质 |
EP3958209A1 (en) * | 2020-08-19 | 2022-02-23 | Volkswagen Ag | Computer-implemented methods, computing devices and computer programs for processing volumetric scanning data and analyzing a performance of structural elements |
CN116597971B (zh) * | 2023-07-18 | 2023-09-19 | 山东新睿信息科技有限公司 | 基于数字孪生的医院空间优化模拟方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105144179A (zh) * | 2013-01-29 | 2015-12-09 | 分子健康股份有限公司 | 用于临床决策支持的系统和方法 |
CN105393252A (zh) * | 2013-04-18 | 2016-03-09 | 数字标记公司 | 生理数据采集和分析 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011509567A (ja) | 2007-12-18 | 2011-03-24 | ゼットティーイー (ユーエスエー) インコーポレイテッド | 効率的な無線リソース割り付け方法およびシステム |
US20120095322A1 (en) * | 2010-09-08 | 2012-04-19 | Tsekos Nikolaos V | Devices, systems and methods for multimodal biosensing and imaging |
DE102013205278A1 (de) * | 2013-03-26 | 2014-10-02 | Siemens Aktiengesellschaft | Verfahren zur Darstellung von Signalwerten eines kombinierten Magnetresonanz-Positronenemissionstomographie-Geräts sowie entsprechend ausgestaltetes Magnetresonanz-Positronenemissionstomographie-Gerät |
US10453566B2 (en) * | 2013-04-26 | 2019-10-22 | Roche Diabetes Care, Inc. | Method for reconciling medical data captured on one device with a structured test administered on another device |
US10191956B2 (en) * | 2014-08-19 | 2019-01-29 | New England Complex Systems Institute, Inc. | Event detection and characterization in big data streams |
-
2016
- 2016-08-23 EP EP16185297.5A patent/EP3287914A1/de active Pending
-
2017
- 2017-08-09 US US15/672,347 patent/US10699434B2/en active Active
- 2017-08-22 CN CN201710722655.3A patent/CN107767962B/zh active Active
- 2017-08-23 KR KR1020170106696A patent/KR20180022607A/ko not_active Application Discontinuation
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105144179A (zh) * | 2013-01-29 | 2015-12-09 | 分子健康股份有限公司 | 用于临床决策支持的系统和方法 |
CN105393252A (zh) * | 2013-04-18 | 2016-03-09 | 数字标记公司 | 生理数据采集和分析 |
Also Published As
Publication number | Publication date |
---|---|
EP3287914A1 (de) | 2018-02-28 |
US20180061077A1 (en) | 2018-03-01 |
US10699434B2 (en) | 2020-06-30 |
KR20180022607A (ko) | 2018-03-06 |
CN107767962A (zh) | 2018-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767962B (zh) | 基于来自不同测量的医学测量数据确定结果数据 | |
US11127137B2 (en) | Malignancy assessment for tumors | |
EP3035287B1 (en) | Image processing apparatus, and image processing method | |
US11488306B2 (en) | Immediate workup | |
US20150003706A1 (en) | Probability mapping for visualisation and analysis of biomedical images | |
US9014456B2 (en) | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules | |
WO2014107402A1 (en) | Classification of biological tissue by multi-mode data registration, segmentation and characterization | |
JP2017189394A (ja) | 情報処理装置および情報処理システム | |
Wakchaure et al. | The Detection and Visualization of Brain Tumors on T2-Weighted MRI Images Using Multiparameter Feature Blocks | |
Horsthemke et al. | Predicting LIDC diagnostic characteristics by combining spatial and diagnostic opinions | |
Moussa et al. | Tumor volume fuzzification for intelligent cancer staging | |
Wu et al. | The Value of Data Mining Technology in the Diagnosis of Bone Metastases from Prostate Cancer Based on Nuclear Medicine Image | |
Deenadhayalan et al. | Computed Tomography Image based Classification and Detection of Lung Diseases with Image Processing Approach | |
Vasumathy et al. | Improved Automatic Anatomic Location Identification Approach and CBR-Based Treatment Management System for Pediatric Foreign Body Aspiration | |
KR20230151865A (ko) | 의료 영상에서 세기의 분포에 기반한 보조 정보를 생성하고 시각화하는 의료 영상 진단 보조 장치 및 방법 | |
Hofer | In-vivo prostate cancer predictions in multi-parametric MRI using oversegmentation | |
WO2022112731A1 (en) | Decision for double reader | |
GB2574659A (en) | Immediate workup | |
CN117711576A (zh) | 用于提供医学报告的模板数据结构的方法和系统 | |
Nuzhnaya | Analysis of anatomical branching structures | |
Begum et al. | Computed Tomography Image based Classification and Detection of Lung Diseases with Image Processing Approach |
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 |