CN108369824A - 用于将医学图像与患者相关联的系统和方法 - Google Patents

Abstract

本发明公开了用于将医学图像与患者相关联的系统和方法。一种方法包括：在电子存储介质中接收患者解剖结构的两个或更多个医学图像；为每个所述接收的医学图像生成解剖模型；比较所述生成的解剖模型；使用对所述生成的解剖模型的所述比较来确定评估所述两个或更多个医学图像属于同一患者的可能性的得分；以及将所述得分输出到电子存储介质或显示器。

Description

用于将医学图像与患者相关联的系统和方法

相关申请

本申请要求2015年12月3日提交的第62/262,553号美国临时申请的优先权，所述申请的全部揭示内容通过引用方式并入本文中。

发明领域

本发明的各种实施方案总体上涉及医学成像、图像关联和/或匹配以及相关方法。更具体地，本发明的特定实施方案涉及用于将一个或多个医学图像与患者相关联的系统和方法。

背景技术

为了研究患者疾病的恶化或消退或者确定治疗的有效性，将在不同时间点获得的医学图像与同一个体患者相关联可能是有用的。虽然患者传记数据(例如，患者姓名、出生日期、病史、患者性别、体重、身高、身体质量指数、头发颜色、或眼睛颜色)可用于协助此关联，但是数据输入中的打字错误可能会导致同一患者在医疗记录中具有不同的患者传记数据(例如，两个稍有不同的姓名或出生日期)。另外，一些患者可能共享相同的患者传记数据。例如，一些具有常用姓名的患者可能会共享相同的出生日期。此外，随着患者转移到不同的医院，患者传记数据可能在各个医院中以不同方式存储，或者可能在一个或多个位置不可用。

生物计量法的存在可以用于匹配手掌或手指中的静脉图案的2D红外图像以建立个人的身份识别。然而，出于多种原因，这些方法可能无法解决在诊断或治疗背景下将医学图像与患者匹配时出现的复杂性。与出于安全目的而获得的手掌或手指的静脉图像不同，患者的医学图像可能受到由年龄、疾病恶化或消退、治疗、医学干预(例如，支架放置、旁路、切除、消融、栓塞、截肢等)、创伤、和/或护理引起的实质变化的影响。与在医学诊断或治疗的背景下对患者的图像采集不同，手掌或手指的静脉图案在安全背景下的图像采集是可以控制的，使得捕获的是相同的视场，并且成像设备可以被标准化，从而使用相同的装置来获得所有图像。相反，在将医学图像与患者匹配时，医学图像采集协议(例如，重建内核、患者准备协议、成像时患者生理状态、成像视场等)、医学成像装置(例如，空间或时间分辨率、扫描仪厂商或型号等)和/或医疗成像模态(例如，计算机断层扫描(CT)、磁共振(MR)、正电子发射断层扫描(PET)、单光子发射计算机断层扫描(SPECT)、血管造影术等)可能存在差异。与出于安全目的而获得的手掌或手指中的静脉图案的图像不同，患者的医学图像可能由于患者的准备或生理状态而改变。与患者解剖结构的医学图像不同，异物(例如，植入的医疗装置)不大可能存在于手掌或手指的图像中。与用于匹配静脉图案的红外成像不同，用于患者的医学成像设备可能容易出现图像伪影(例如，CT中的金属伪影)。

因此，需要一种即使存在打字错误、重复的患者传记数据(例如，姓名、出生日期等)、多个医疗机构、和/或电子医疗记录的各种平台仍然能够关联同一患者的医学图像并且可以克服匹配静脉图案的2D红外图像的生物计量法的局限性的自动化系统和方法。此外，需要一种匹配医学图像的系统和方法，该系统和方法可以通过使用患者传记数据(例如，患者姓名、出生日期、性别、体重、身高、身体质量指数、头发颜色、眼睛颜色等)来增强以提高为患者提供多个图像的可靠关联的概率。

前文的概括描述和下文的详细描述仅仅是示例性和解释性的，而不对本发明进行限制。

发明内容

根据本发明的某些方面，公开了一种用于将一个或多个医学图像与患者相关联的系统和方法。

一种方法包括：在电子存储介质中接收患者解剖结构的两个或更多个医学图像；为每个所述接收的医学图像生成解剖模型；比较所述生成的解剖模型；使用对所述生成的解剖模型的所述比较来确定评估所述两个或更多个医学图像属于同一患者的可能性的得分；以及将所述得分输出到电子存储介质或显示器。

根据另一个实施方案，一种将医学图像与患者相关联的系统包括：数据存储装置，其存储用于将医学图像与患者相关联的指令；以及处理器，其被配置用于：在电子存储介质中接收患者解剖结构的两个或更多个医学图像；为每个所述接收的医学图像生成解剖模型；比较所述生成的解剖模型；使用对所述生成的解剖模型的所述比较来确定评估所述两个或更多个医学图像属于同一患者的可能性的得分；以及将所述得分输出到电子存储介质或显示器。

根据另一个实施方案，一种用于在计算机系统上使用的包含用于进行将医学图像与患者相关联的方法的计算机可执行编程指令的非暂态计算机可读介质，该方法包括：在电子存储介质中接收患者解剖结构的两个或更多个医学图像；为每个所述接收的医学图像生成解剖模型；比较所述生成的解剖模型；使用对所述生成的解剖模型的所述比较来确定评估所述两个或更多个医学图像属于同一患者的可能性的得分；以及将所述得分输出到电子存储介质或显示器。

所公开的实施方案的其他目的和优点将在以下描述中进行部分阐述，并且部分将根据该描述而变得显而易见，或者可以通过实践所公开的实施方案来了解。所公开的实施方案的目的和优点将借助于在所附权利要求书中特别指出的元件和组合来实现和获得。

应当理解的是，前文的概括描述和下文的详细描述仅仅是示例性和解释性的，而不像权利要求书那样对所公开的实施方案进行限制。

附图说明

并入本说明书且构成其一部分的附图展示了各种示例性实施方案，并且与该描述一起用于解释所公开的实施方案的原理。

图1是根据本发明的示例性实施方案的用于将一个或多个医学图像与患者相关联的示例性系统和网络的框图。

图2是根据本发明的实施方案的使医学图像与患者相关联的示例性方法的框图。

图3是根据本发明的进一步实施方案的通过从每个所接收的医学图像中提取血管模型并且基于所接收的患者传记信息来进一步调整匹配得分而将一个或多个医学图像与患者相关联的方法的框图。

图4是根据本发明的实施方案的通过使用图形匹配或点匹配来确定两个或更多个医学图像之间的第一匹配得分的又一示例性方法的框图。

图5是根据另一个实施方案的通过使用生长和重塑模拟来确定两个或更多个医学图像之间的第一匹配得分的另一种示例性方法的框图。

图6是用于通过计算所述两个或更多个医学图像或者一个医学图像和一个图形的嵌入来确定所述两个或更多个医学图像之间的第一匹配得分的示例性方法的框图。

图7是用于使用第一匹配得分和患者传记数据来将至少两个医学图像与患者相关联的另一种示例性方法的框图。

所述方法中描述的步骤可以以任何顺序进行，或者可以与任何其他步骤结合进行。还可以想到的是，可以省略本发明中所描述的用于执行所述方法的一个或多个步骤。

具体实施方式

现在将对在附图中示出其例子的本发明的示例性实施方案进行详细描述。尽可能地，在整个附图中将使用相同的附图标记来指代一种方法的相同或相似的部分或步骤。

将在不同时间点获得的医学图像与个体患者相关联可以增强对患者疾病恶化或消退的研究或者确定治疗的有效性。虽然患者传记数据(例如，患者姓名和出生日期)可用于协助这种关联，但是数据输入中的打字错误可能会导致同一患者在医疗记录中具有不同的患者传记数据(例如，两个稍有不同的姓名或出生日期)。另外，一些患者可能共享相同的患者传记数据。此外，随着患者转移到不同的医院，患者的传记数据可能在各个医院和各种电子医疗记录平台上以不同方式存储，或者可能在一个或多个位置不可用。另外，患者医学图像可以在医疗设施之间传输，例如用于各种形式的处理、分析、和/或存储。关于可以将何种类型的患者传记数据与患者医学图像一起存储或传输，各种医疗设施可能受到不同的规定。例如，如果以及当患者医学图像被转移到处理、分析和/或存储实体/在处理、分析、和/或存储实体之间转移，一些规定可能会导致患者医学图像与一种或多种形式的患者传记数据(例如，姓名或出生日期)失去关联。

出于多种原因，在诊断或治疗的背景下将医学图像与患者匹配时可能会出现复杂性。由于年龄、疾病恶化或消退、治疗、医疗干预(例如，支架或其他装置的植入、旁路、切除、消融、栓塞、截肢等)、创伤、和/或护理引起的实质性变化可能会影响患者的医学图像。在医疗诊断或治疗的背景下，患者的图像采集可能通常是不受控制的，这使得不可能总是捕获相同的视场，并且可能不会对成像设备进行标准化以使用相同的装置来获得所有图像。另外，在将医学图像与患者匹配时，医学图像采集协议(例如，重建内核、患者准备协议、成像时患者生理状态、成像视场等)、医学成像装置(例如，空间或时间分辨率、扫描仪厂商或型号等)和/或医疗成像模态(例如，CT、MR、PET、SPECT、血管造影术等)可能存在差异。另外，患者的医学图像可能由于患者的准备或生理状态而改变，可能显示异物(例如，植入的医疗装置)的存在，并且可能容易出现图像伪影(例如，CT中的金属伪影)。

因此，即使存在打字错误、重复的患者传记数据(例如，姓名、出生日期等)、和/或跨多个医疗机构的情况仍然关联同一患者的医学图像并且可以克服匹配静脉图案的2D红外图像的生物计量法的局限性的自动化系统和方法可能是有用的。本发明的用于将医学图像与患者相关联的系统和方法解决并克服了上述问题，并且可以允许使用新的生物计量模式和附加信息来完成关联。另外，本发明的系统和方法可以访问对于在安全背景下匹配手掌或手指中的静脉图案的生物计量法而言并不典型的患者传记数据(例如，姓名、出生日期等)。具有患者传记数据可以进一步提高提供患者(例如，在生物学上彼此相关的患者)之间的可靠关联的概率。

现在参考附图，图1描绘了根据示例性实施方案的用于将医学图像与患者相关联的示例性系统100和网络的框图。具体地，图1描绘了多个医师102和第三方提供者104，其中任一者都可以通过一个或多个计算机、服务器、和/或手持移动装置来连接到电子网络101，诸如互联网。医师102和/或第三方提供者104可以创建或以其他方式获得一个或多个患者的解剖结构的图像。医生102和/或第三方提供者104还可以获得患者特异性传记信息的任何组合，包括但不限于患者年龄、出生日期、病史，以及与患者性别、体重、身高、身体质量指数、头发颜色或眼睛颜色有关的信息。

医师102和/或第三方提供者104可以通过电子网络101将解剖图像和/或患者特异性传记信息传输到服务器系统106。服务器系统106可以包括存储装置，用于存储从医师102和/或第三方提供者104接收到的图像和数据。服务器系统106还可以包括处理装置，用于处理被存储在存储装置中的图像和数据。

图2描绘了用于将医学图像与患者相关联的方法的第一示例性实施方案。图3描绘了图2的方法的另一个示例性实施方案，其中将医学图像与患者相关联的过程尤其包括从每个所接收的医学图像中提取血管模型并且基于所接收的患者传记信息来进一步调整匹配得分。图4、5和6描绘了用于尤其比较医学图像和/或从医学图像中提取的血管模型以用于确定得分(例如，“第一匹配得分”)的各种方法，该得分评估所接收的医学图像和/或所提取的血管模型之间的匹配。图7描绘了使用所计算的第一匹配得分和所接收的患者传记数据来将医学图像与可识别患者相关联的方法的示例性实施方案。

图2是根据一般实施方案的使医学图像与患者相关联的方法200的框图。图2的方法可以由服务器系统106基于通过电子网络101从医师102和/或第三方提供者104接收的信息、图像和数据来进行。

在一个实施方案中，步骤202可以包括在服务器系统106的电子存储介质中接收患者解剖结构的两个或更多个医学图像。具体地，接收患者特异性医学图像可以包括在服务器系统106处生成患者特异性医学图像、和/或通过电子网络(例如，电子网络101)接收所述患者特异性医学图像。在一个实施方案中，可以从经由一个或多个可用成像或扫描模态(例如，计算机断层扫描(CT)、磁共振成像(MRI)、单光子发射计算机断层扫描(SPECT)、正电子发射断层扫描(PET)、超声成像、多视角血管造影术等)采集的一个或多个患者的图像来导出医学图像。例如，可以从多个设施接收图像。备选地或另外，可以在不同时间生成或采集医学图像。例如，一个医学图像可以在第一次患者就诊期间进行采集，而所述两个或更多个医学图像中的第二医学图像可以在第二次患者就诊时进行采集。这两次患者就诊可以间隔开预定时间量。在一种情况下，第一次患者就诊可以在治疗之前进行，而第二次患者就诊可以在治疗之后进行。在另一种情况下，第一次和第二次患者就诊(以及引申开来，患者解剖结构的两个或更多个医学图像)可以在治疗方案期间或之后的患者监测期间发生。本发明的实施方案旨在确认所述两个或更多个时间上间隔开的医学图像是否属于同一患者。在一些实施方案中，可以从所接收的医学图像中提取血管模型以确定所述两个或医学图像是否属于同一患者。为了本发明的目的，“患者”可以指医学图像和/或传记信息正被匹配的任何个体或人，或者与医学图像和/或传记信息的关联或匹配或者一个或多个个体的诊断或治疗分析相关联的任何个体或人。

在一个实施方案中，步骤204可以包括在电子存储介质中接收与每个所接收的医学图像相关联的患者传记数据(例如，患者姓名、出生日期、病史，与患者性别、体重、身高、身体质量指数、头发颜色或眼睛颜色等有关的信息)。步骤204可以进一步包括确定与每个所接收的医学图像相关联的所接收的患者传记数据是否足够相似。例如，如果所接收的患者传记数据不够相似，则可以重复步骤202和204。

在一个实施方案中，步骤206可以包括从每个所接收的医学图像中提取血管、骨骼、肌肉、神经、淋巴、组织、和/或器官模型。具体地，从每个所接收的图像中提取相同的对应脉管系统、骨骼、肌肉、神经、淋巴管、组织、和/或器官。可以使用任何标准图像分割或中心线提取技术来进行步骤206。在一个实施方案中，可以由服务器系统106的处理器进行步骤206。

步骤208可以包括确定要用于每个医学图像和/或所提取的血管、骨骼、肌肉、神经、淋巴、组织和/或器官模型中的每一个的视场，并且可选地，消除可能位于视场外的医学图像或模型的任何部分。具有同一视场的新一组医学图像和/或模型可以被保存到服务器系统106的电子存储介质。

在一个实施方案中，步骤210A、210B和210C可以包括获得与每个所接收的医学图像和/或所提取的血管、骨骼、肌肉、神经、淋巴、组织和/或器官模型中的每一项有关的患者特异性生理和/或解剖信息。患者特异性生理和/或解剖信息可以被保存到服务器系统106的电子存储介质中。

例如，步骤210A可以包括确定在血管、骨骼、肌肉、神经、淋巴、组织、和/或器官模型中的一个或多个位置处的生理和/或生物力学性质。对于血管模型，生理和/或生物力学性质可以包括血流特性(例如，血流量、速度、压力、FFR、iFR、轴向应力、壁剪切应力、应变、力、形状、尺寸、体积、弯曲度等)，并且可以经由(例如)生物物理模拟、机器学习、和/或与数据库的关联等中的一项或多项来确定。

在另一个例子中，步骤210B可以包括确定血管、骨骼、肌肉、神经、淋巴、组织、和/或器官模型中的一个或多个位置处的病理性质和/或疾病模式。病理学性质和/或疾病模式可以包括但不限于斑块、钙化、破裂风险、坏死、局部缺血、闭塞、肿瘤、病变、先天性异常、和/或创伤影响的位置和类型。

在另一个例子中，步骤210C可以包括确定在血管、骨骼、肌肉、神经、淋巴、组织、和/或器官模型中的一个或多个位置处的异物性质。异物性质可以包括但不限于植入式支架、旁路、起搏器、人造瓣膜、手术夹、线、牙填料、弹片、子弹、或人造心脏和/或捐赠器官的位置和特性。

在一个实施方案中，步骤212可以包括分别确定评估血管、骨骼、肌肉、神经、淋巴、组织、和/或器官模型与其他血管、骨骼、肌肉、神经、淋巴、组织、和/或器官模型之间的匹配的得分(“匹配得分”或“第一匹配得分”)。备选地或另外，可以使用该得分来评估所接收的医学图像之间的匹配。匹配得分可以通过几种方式来计算，所述方式分别在图4、5和6的方法400、500和600中进一步描述。例如，计算血管模型的匹配得分可以包括但不限于计算表示所述两个或更多血管网络的一个或多个图形之间的图形匹配、对血管分叉进行点匹配、在进行扫描的时间点之间对脉管系统和脉管壁进行生长和重构模拟、和/或计算所接收的医学图像和/或所提取的模型的嵌入。可以由服务器系统106的处理器进行步骤212。

在一些实施方案中，步骤208和210A至210C是可选的。在这样的实施方案中，例如，可以确定得分而不确定视场。

步骤214可以包括将匹配得分输出到电子显示器和/或电子存储装置。为了本发明的目的，“电子存储介质”可以包括但不限于可以或不可以固定到显示屏的硬盘驱动器、网络驱动器、云端驱动器、移动电话、平板计算机、数据库等。在一个实施方案中，如图3的方法300中所述，匹配得分的计算可以在输出之前通过计算第二得分(例如，“第二匹配得分”)来进一步调整，该计算是基于第一匹配得分以及比较至少两个医学图像的患者传记数据的相似性的定义度量。在另一个实施方案中，可以使用具有高匹配得分的医学图像和/或模型作为纵向数据来评估患者的治疗选项。

图3是根据示例性实施方案的用于通过从每个所接收的医学图像中提取血管模型并且基于所接收的患者传记信息进一步调整匹配得分来将医学图像与患者相关联的方法300的框图。图3的方法可以由服务器系统106基于通过电子网络101从医师102和/或第三方提供者104接收的信息、图像和数据来进行。

在一个实施方案中，步骤302可以包括在服务器系统106的电子存储介质中接收患者解剖结构的两个或更多个医学图像。具体地，接收患者特异性医学图像可以包括在服务器系统106处生成患者特异性医学图像，或通过电子网络(例如，电子网络101)接收所述患者特异性医学图像。可以从经由一个或多个可用成像或扫描模态(例如，计算机断层扫描(CT)、磁共振成像(MRI)、单光子发射计算机断层扫描(SPECT)、正电子发射断层扫描(PET)、超声成像、多视角血管造影术等)采集的一个或多个患者的图像来导出医学图像。本发明的实施方案旨在确认所述两个或医学图像是否属于同一患者。在一些实施方案中，可以从所接收的医学图像中提取血管模型以确定所述两个或医学图像是否属于同一患者。

步骤304可以包括在服务器系统106的电子存储介质中接收与每个所接收的医学图像相关联的患者传记数据(例如，患者姓名、出生日期、病史，与患者性别、体重、身高、身体质量指数、头发颜色、眼睛颜色等有关的信息)。

在一个实施方案中，步骤306A可以包括确定与每个所接收的医学图像相关联的所接收的患者传记数据是否足够相似。可以通过以下一项或多项来确定所接收的图像的患者传记数据之间的充分的相似性：计算常用字母的频率、位置、和/或重叠；计算常用音素的频率、位置、和/或重叠；计算病史信息的频率、位置、和/或重叠；计算与患者性别、体重、身高、身体质量指数、头发颜色或眼睛颜色有关的信息的频率、位置、和/或重叠；使用常用姓名打字错误的数据库，在出生日期中切换日和月、日和年或月和年以确定相似性，和/或在出生日期中使用数字上类似的日、月或年。例如，如果所接收的患者传记数据不够相似，则可以重复步骤302和304。在一些实施方案中，如果所接收的患者传记数据不够相似，则步骤306B可以包括指示所接收的医学图像可能与同一患者不匹配(“不匹配”)。例如，可以使用匹配得分‘0’来指示不匹配。

如果在步骤306A之后，在患者传记数据之间存在足够的相似性，则在一个实施方案中，步骤308可以包括从每个所接收的医学图像中提取血管模型。具体地，从每个所接收的图像中提取同一个对应的脉管系统。可以使用任何标准图像分割或中心线提取技术来进行步骤308。在一个实施方案中，可以由服务器系统106的处理器进行步骤308。

在一个实施方案中，步骤310可以包括确定要在医学图像和/或所提取的模型中的每一个中使用的视场，并且可选地，消除可能位于视场外的医学图像或血管、骨骼、肌肉、神经、淋巴、组织和/或器官模型的任何部分。具有同一视场的新一组医学图像和/或模型可以被保存到服务器系统106的电子存储介质。

在一个实施方案中，步骤312A、312B和312C可以包括获得与每个所接收的医学图像和/或每个所提取的血管模型有关的患者特异性生理和/或解剖信息。患者特异性生理和/或解剖信息可以被保存到服务器系统106的电子存储介质中。

例如，步骤312A可以包括确定血管模型中的一个或多个位置处的生理和/或生物力学性质。对于血管模型，生理和/或生物力学性质可包括血流特性(例如，血流量、速度、压力、FFR、iFR、轴向应力、壁剪切应力、应变、力、形状、尺寸、体积、弯曲度等)，并且可以经由生物物理模拟、机器学习、与数据库的关联等中的一项或多项来确定。例如，已知的血管解剖信息以及一个或多个位置处的已知生理和/或生物力学性质可以用于训练机器学习算法。然后，所训练的机器学习算法可以用于用已知的血管解剖信息但未知的生理和/或生物力学性质来预测血管模型的一个或多个位置处的生理和/或生物力学性质。

在另一个例子中，步骤312B可以包括确定血管模型中的一个或多个位置处的病理性质和/或疾病模式。病理学性质和/或疾病模式可以包括但不限于斑块、钙化、破裂风险、坏死、局部缺血、闭塞、肿瘤、病变、先天性异常、和创伤影响的位置和类型。

在另一个例子中，步骤312C可以包括确定血管模型中的一个或多个位置处的异物性质。异物性质可以包括但不限于植入式支架、旁路、起搏器、人造瓣膜、手术夹、线、牙填料、弹片、子弹或人造心脏和/或器官的位置和特性。

在一个实施方案中，步骤314可以包括分别确定评估血管模型与其他血管模型之间的匹配的得分(“匹配得分”或“第一匹配得分”)。备选地或另外，可以使用该得分来评估从其中提取血管模型的所接收的医学图像之间的匹配。匹配得分可以通过几种方式来计算，所述方式分别在图4、5和6的方法400、500和600中进一步描述。计算血管模型的匹配得分可以包括但不限于计算表示所述两个或更多血管网络的一个或多个图形之间的图形匹配、对血管分叉进行点匹配、在拍摄图像的时间点之间对脉管系统和脉管壁进行生长和重构模拟、和/或计算所接收的医学图像和/或所提取的模型的嵌入。可以由服务器系统106的处理器进行步骤314。计算一组特征向量的嵌入是本领域一般技术人员已知的标准技术。该过程可以包括例如采用一组长度为k的特征向量并且将该组重新编码为长度为s的第二组特征向量，其中s<<k。由第二组创建的第二特征空间可能更有意义。例如，新空间中的特征向量之间的距离(作为点来看)可以表示“更近”或“更远”的更直观和/或有用的含义。

在一些实施方案中，步骤310和312A至312C是可选的。在这样的实施方案中，例如，可以确定得分(例如，如在步骤314中)而不确定视场。

在一个实施方案中，步骤316可以包括确定第二得分(例如，“第二匹配得分”)，该第二匹配得分是基于第一匹配得分以及比较至少两个医学图像的患者传记数据(例如，姓名、出生日期等)的相似性的定义度量。计算比较患者传记数据的相似性的度量可以包括但不限于计算常用字母的频率、位置、和/或重叠；计算常用音素的频率、位置、和/或重叠；计算病史信息的频率、位置、和/或重叠；计算与患者性别、体重、身高、身体质量指数、头发颜色或眼睛颜色有关的信息的频率、位置、和/或重叠；使用常用姓名打字错误的数据库，在出生日期中切换日和月、日和年或月和年以确定相似性；以及在出生日期中使用数字上类似的日、月或年。

在一个实施方案中，步骤318可以包括将匹配得分(例如，第一匹配得分和第二匹配得分)输出到服务器系统106的电子显示器和/或电子存储介质。可以使用具有高匹配得分的医学图像和/或模型作为纵向数据来评估患者的治疗选项。

图4是根据示例性实施方案的用于通过使用图形或点匹配来确定两个或更多个医学图像之间的第一匹配得分的方法400的框图。可以由服务器系统106基于通过电子网络101从医师102和/或第三方提供者104接收的信息、图像和数据来进行图4的方法400。

在一个实施方案中，步骤402可以包括接收两个或更多个血管模型。分别如图2和3中的方法200和300的步骤206和308中所述，可以从相应的所接收的医学图像中提取每个血管模型。

在一个实施方案中，在步骤402之后，步骤404可以包括从血管模型中导出表示血管网络的图形。可选地或另外，在步骤402之后，步骤404可以包括从血管模型中导出表示血管分叉的点。

步骤406、408、410和412描述了接收将在图形匹配和/或点匹配中使用的附加信息。附加信息可以包括但不限于图形或点与其他解剖模型、生理和/或生物力学性质、病理性质或异物性质的关系。

步骤406可以包括导出分别在步骤404中获得的图形和/或点与其他解剖模型的关系。这些其他解剖模型也可以从所接收的医学图像中提取，并且可以包括但不限于骨骼、肌肉、神经、淋巴、组织、和/或器官模型。例如，所述关系可以包括从图形的每个点或节点到其他解剖模型中的一个或多个位置的距离。

步骤408可以包括导出图形和/或点与血管模型的一个或多个位置处的生理和/或生物力学性质的关系。生理和/或生物力学性质可以包括血流特性(例如，血流量、速度、压力、FFR、iFR、轴向应力、壁剪切应力、应变、力、形状、尺寸、体积、弯曲度等)，并且可以经由生物物理模拟、机器学习以及与数据库的关联等中的一项或多项来确定。

步骤410可以包括导出图形和/或点与血管模型的一个或多个位置的病理性质或疾病模式的关系。病理学性质或疾病模式可以包括但不限于斑块、钙化、破裂风险、坏死、局部缺血、闭塞、肿瘤、病变、先天性异常、创伤影响等的位置和类型。

步骤412可以包括导出图形和/或点与血管模型的一个或多个位置的异物性质的关系。异物性质可以包括但不限于支架、旁路、起搏器、人造瓣膜、手术夹、线、牙填料、弹片、子弹或人造心脏和/或器官的位置和特性。例如，步骤412可以包括寻找从图形的每个点或节点到介入仪器或植入装置的一个或多个位置的距离。

在一个实施方案中，步骤414可以包括在表示血管网络的图形之间进行图形匹配。进行图形匹配可以由服务器系统106的处理器使用包括但不限于图形编辑距离、光谱匹配、扩散距离、图形主题匹配或者其组合的算法和/或技术来进行。从步骤406、408、410、和/或412中获得的附加信息(例如，图形或点与其他解剖模型、生理和/或生物力学性质、病理性质、异物性质的关系等)可以被视为在步骤414中进行的图形匹配的特征向量。附加信息也可以用在已知的增强图形匹配算法(例如，FOCUSR)中。

可选地或另外，步骤414可以包括在表示血管网络的图形之间进行点匹配。点匹配可以由服务器系统106的处理器使用包括但不限于迭代最近点匹配、鲁棒点匹配、薄板样条鲁棒点匹配、内核相关、高斯混合模型、相干点漂移匹配或其组合的算法和/或技术来进行。从步骤406、408、410和/或412中获得的附加信息(例如，图形或点与其他解剖模型、生理和/或生物力学性质、病理性质、异物性质的关系等)可以被视为在步骤414中进行的点匹配的特征向量。

步骤416可以包括确定评估所述两个或更多个医学图像之间的匹配的得分(“第一匹配得分”)。此确定可以基于步骤414中的图形匹配和/或点匹配的进行。得分可以使用处理器来确定并且可以被保存在服务器系统106的电子存储介质中。

图5是根据示例性实施方案的用于通过使用生长和重塑模拟来确定两个或更多个医学图像之间的第一匹配得分的方法500的框图。可以由服务器系统106基于通过电子网络101从医师102和/或第三方提供者104接收的信息、图像和数据来进行图5的方法500。

在一个实施方案中，步骤502A和502B可以包括分别从稍早时间点接收医学图像以及从稍晚时间点接收医学图像。所接收的医学图像可以被保存到服务器系统106的电子存储介质。步骤504可以包括计算获得所接收的医学图像的时间点之间的时间差异。

在一个实施方案中，步骤506A可以包括从稍早时间点的所接收的医学图像中提取血管模型，并且步骤506B可以包括从稍晚时间点的所接收的医学图像中提取血管模型。可以使用服务器系统106的处理器来进行提取。所提取的血管模型可以被保存到服务器系统106的电子存储介质中。

步骤508A、508B和508C可以包括确定与在稍早时间点提取的血管模型有关的附加信息，以用于对稍早时间点的血管模型进行生长和重塑模拟。具体地，步骤508A可以包括确定稍早时间点的血管模型上的一个或多个位置处的生理和/或生物力学性质。生理和/或生物力学性质可包括血流特性(例如，血流量、速度、压力、FFR、iFR、轴向应力、壁剪切应力、应变、力、形状、尺寸、体积、弯曲度等)，并且可以经由生物物理模拟、机器学习、与数据库的关联等中的一项或多项来确定。步骤508B可以包括确定稍早时间点的血管模型上的一个或多个位置处的病理性质和疾病模式。病理性质或疾病模式可以包括但不限于斑块、钙化、破裂风险、坏死、局部缺血、闭塞、肿瘤、病变、先天性异常、创伤影响等的位置和类型。步骤508C可包括确定稍早时间点的血管模型的一个或多个位置处的异物性质(如果有的话)。异物性质可以包括但不限于支架、旁路、起搏器、人造瓣膜、手术夹、线、牙填料、弹片、子弹或人造心脏和/或器官的位置和特性。

在一些实施方案中，步骤508A至508C是可选的。

在一个实施方案中，步骤510可以包括在所计算的时间差异中对稍早时间点的血管模型进行生长和重塑模拟，以预测稍晚时间的血管模型。对血管模型的模拟可以包括模拟血管的半径和血管壁的厚度可以如何在所计算的时间差异中变化。这种变化可以通过用群体平均材料性质或者(如果可用的话)一个或多个血管壁的患者特异性材料性质对稍早时间点的血管模型上的应力平衡方程进行求解来模拟。可以使用处理器来进行步骤510，并且稍晚时间点的模拟血管模型可以被保存到服务器系统106的电子存储介质。

在一个实施方案中，步骤512可以包括将来自步骤506B的稍晚时间点的模拟血管模型与稍晚时间点的实际血管模型进行比较。步骤512可以包括对稍晚时间点的模拟血管模型和实际血管模型进行图形匹配和/或点匹配。图形匹配和/或点匹配程序可以通过例如应用图4中描述的方法400来进行。

在一个实施方案中，步骤514可以包括确定评估两个医学图像之间的匹配的得分(例如，“第一匹配得分”)。此确定可以基于稍晚时间点的模拟和实际血管模型的比较。得分可以使用处理器来确定并且可以被保存在服务器系统106的电子存储介质中。

图6是用于通过计算两个或更多个医学图像或一个医学图像和图形的嵌入来确定所述两个或更多个医学图像之间的第一匹配得分的方法600的框图。可以由服务器系统106基于通过电子网络101从医师102和/或第三方提供者104接收的信息、图像和数据来进行图6的方法600。

在一个实施方案中，步骤602可以包括在电子存储介质中接收两个或更多个医学图像。接收患者特异性医学图像可以包括在服务器系统106处生成患者特异性医学图像，和通过电子网络(例如，电子网络101)接收该患者特异性医学图像。可以经由一个或多个可用成像或扫描模态(例如，计算机断层扫描(CT)、磁共振成像(MRI)、单光子发射计算机断层扫描(SPECT)、正电子发射断层扫描(PET)、超声成像、多视角血管造影术等)来导出医学图像。

步骤604可以包括接收与所接收的两个或更多个医学图像相关联的任何患者特异性传记信息。传记信息可以包括但不限于患者年龄、出生日期、病史，以及与患者性别、体重、身高、身体质量指数、头发颜色或眼睛颜色有关的信息。

步骤606、608和610A至610D可以实现医学图像和图形的嵌入。在一个实施方案中，步骤606可以包括从在步骤602中接收的每个医学图像中提取一个或多个血管模型。可以分别如图2和3中的方法200和300的步骤206和/或308中所描述的提取每个血管模型。步骤606可以包括从所提取的血管模型中导出表示血管网络的图形。在各种实施方案中，图形可以指由链路连接的点(或节点)的集合。所述点可能沿着血管中心线分布，其中链路连接相邻点。

步骤610A至610D可以描述接收用于嵌入医学图像和图形的附加信息。附加信息可以包括但不限于图形与其他解剖模型、生理和/或生物力学性质、病理性质或异物性质的关系。

步骤610A可以包括导出在步骤608中获得的图形与其他解剖模型的关系。这些其他解剖模型也可以从所接收的医学图像中提取，并且可以包括但不限于骨骼、肌肉、神经、淋巴、组织、和/或器官模型。例如，所述关系可以包括从图形的每个节点到其他解剖模型中的一个或多个位置的距离。

步骤610B可以包括导出在步骤608中获得的图形与血管模型的一个或多个位置处的其他生理和/或生物力学性质的关系。生理和/或生物力学性质可以包括血流特性(例如，血流量、速度、压力、FFR、iFR、轴向应力、壁剪切应力、应变、力、形状、尺寸、体积、弯曲度等)，并且可以经由例如生物物理模拟、机器学习以及与数据库的关联等中的一项或多项来确定。

步骤610C可以包括导出在步骤608中获得的图形与血管模型的一个或多个位置的病理性质或疾病模式的关系。病理学性质或疾病模式可以包括但不限于斑块、钙化、破裂风险、坏死、局部缺血、闭塞、肿瘤、病变、先天性异常、创伤影响等的位置和类型。

步骤610D可以包括导出图形与血管模型的一个或多个位置的异物性质的关系。异物性质可以包括但不限于支架、旁路、起搏器、人造瓣膜、手术夹、线、牙填料、弹片、子弹或人造心脏和/或器官的位置和特性。例如，步骤610D可以包括寻找从图形的每个节点到介入仪器或植入装置的一个或多个位置的距离。

在一个实施方案中，用于嵌入医学图像和图形的附加信息还可以包括与一个或多个医学图像相关联的患者特异性传记信息。

步骤612可以包括使用来自步骤604或610A至610D的任何另外接收的信息来计算两个或更多个医学图像或者一个医学图像和一个图形的嵌入。通常可以通过使用等距映射、局部线性嵌入或任何其他线性或非线性降维技术或具体地通过使用卷积、前馈或递归神经网络来计算嵌入。潜在地可以使用twin或Siamese网络来训练嵌入。步骤612可以由处理器进行，并且嵌入结果可以被存储在服务器系统106的电子存储介质中。

步骤614可以包括在嵌入空间中比较所述医学图像或一个医学图像和图形的相似性。在一个实施方案中，嵌入可以结合与医学图像和/或图形有关的附加信息，包括但不限于患者特异性传记信息，图形与其他解剖模型、生理和/或生物力学性质、病理性质和/或异物性质的关系。在一个实施方案中，可以使用前馈神经网络或递归神经网络来比较相似性。

步骤616可以包括确定评估所述两个或更多个医学图像之间的匹配的得分(例如，“第一匹配得分”)。得分可以基于在嵌入空间中比较医学图像或一个医学图像和图形的相似性。可以使用处理器来进行步骤614和616，并且可以将结果保存在服务器系统106的电子存储介质中。

图7是用于使用第一匹配得分和患者传记数据将至少两个医学图像与患者匹配的方法700的框图。可以由服务器系统106基于通过电子网络101从医师102和/或第三方提供者104接收的信息、图像和数据来进行图7的方法700。

在一个实施方案中，步骤702可以包括在电子存储介质中接收至少两个医学图像。医学图像可以与用于确定第一和/或第二匹配得分的医学图像相同，分别如图2、3、4、5和6的方法200、300、400、500和600中所述。

在一个实施方案中，步骤704可以包括在电子存储介质中接收与医学图像相关联的患者传记数据。所接收的患者传记数据可以与已经用于确定第一和/或第二匹配得分的患者传记数据相同，分别如图2、3、4、5和6的方法200、300、400、500和600中所述。

在一个实施方案中，步骤706可以包括接收评估两个或更多个医学图像之间的匹配的第一匹配得分。例如，可以通过计算表示两个或更多血管网络的一个或更多个图形之间的图形匹配、对血管分叉进行点匹配(例如，如图4中)、在进行扫描的时间点之间对脉管系统和脉管壁进行生长和重构模拟(例如，如图5中)、和/或计算所接收的医学图像和/或所提取的模型的嵌入(例如，如图6中)来确定第一匹配得分。

在一个实施方案中，在步骤706之后，步骤708可以包括确定第一匹配得分是否足够高，例如高于预定阈值。如果第一匹配得分不够高，则可以使用新一组的至少两个医学图像来重复步骤702、704和706。在一些实施方案中，如果第一匹配得分不够高，则步骤712B可包括指示所接收的医学图像可能与同一患者不匹配(“不匹配”)。例如，可以使用第一匹配得分‘0’来指示不匹配。

如果第一匹配得分足够高，则步骤710可以包括确定所接收的患者传记数据是否足够相似，例如，相似性超过预定相似性阈值。在一个实施方案中，如果与患者传记数据相关联的医学图像具有较高的第一匹配得分，则可以仅针对足够的相似性来比较患者传记数据。在一个实施方案中，如果患者传记数据更加可能与不同患者有关，则患者传记数据将被确定为不够相似。在一个实施方案中，可以通过以下各项来确定患者传记数据之间的足够相似性：计算常用字母的频率、位置、和/或重叠；计算常用音素的频率、位置、和/或重叠；计算病史信息的频率、位置、和/或重叠；计算与患者性别、体重、身高、身体质量指数、头发颜色或眼睛颜色有关的信息的频率、位置、和/或重叠；以及使用常用姓名打字错误的数据库，在出生日期中切换日和月、日和年或月和年来确定相似性；在出生日期中使用数字上类似的日、月或年，或者其组合。

如果在步骤710之后，确定患者传记数据足够相似，则在一个实施方案中，步骤712A可以包括将与足够相似的患者传记数据相关联的患者与医学图像进行匹配。

如果在步骤710之后，第二匹配得分不够高，则步骤712B可以包括指示所接收的医学图像可能与同一患者不匹配(“不匹配”)。例如，可以使用第二匹配得分‘0’来指示不匹配。

在一个实施方案中，方法700可以由服务器系统106的处理器进行，并且匹配结果可以被存储在服务器系统106的电子存储介质中或者被显示。

备选地或者除了使用血管模型作为用于在方法300、400、500或600中匹配和确定第一和/或第二匹配得分的主要模型之外，可以类似地使用骨骼、肌肉、神经、淋巴、组织、和/或器官模型。例如，方法400中的图形匹配可以包括使用骨骼、肌肉、器官、神经、淋巴、组织、和/或器官模型的模式(例如，网络、拓扑等)作为使用血管模型的血管网络的备选或补充。骨骼、肌肉、神经、淋巴、组织、和/或器官模型的成份(例如，乳头肌)的形状、位置和/或病理学也可以用于匹配和/或确定第一和/或第二匹配得分。

本发明的其他实施方案通过考虑本文中公开的本发明的说明书和实施而为本领域技术人员显而易知。本说明书和实施例应仅被视作是示例性的，其中本发明的真实范围和精神由所附权利要求书所指示。

Claims (20)

1.一种用于将医学图像与患者相关联的计算机实现方法，所述方法包括：

在电子存储介质中接收患者解剖结构的两个或更多个医学图像；

为每个所述接收的医学图像生成解剖模型；

比较所述生成的解剖模型；

使用对所述生成的解剖模型的所述比较来确定评估所述两个或更多个医学图像属于同一患者的可能性的得分；以及

将所述得分输出到电子存储介质或显示器。

2.如权利要求1所述的计算机实现方法，其进一步包括：

在电子存储介质中接收与所述接收的两个或更多个医学图像相关联的患者传记信息；

比较所述两个或更多个医学图像的所述患者传记信息；

确定所述两个或更多个医学图像的所述患者传记信息是否为可能的患者提供了充分的标识信息，所述标识信息的充分性是基于预定阈值；

如果存在评估所述两个或更多个医学图像属于同一患者的可能性的高得分并且如果对于可能的患者存在充分的标识信息，则将所述接收的两个或更多个医学图像与可能的患者匹配；以及

将已经与所述两个或更多个医学图像匹配的所述可能的患者的所述标识信息输出到电子存储介质或显示器。

3.如权利要求1所述的计算机实现方法，其进一步包括：

为从所述接收的医学图像生成的每个解剖模型定义视场；以及

基于所述定义的视场来比较所述生成的解剖模型。

4.如权利要求1所述的计算机实现方法，其中所述生成的解剖模型可以包括以下一项或多项：

血管解剖模型；

骨骼解剖模型；

肌肉解剖模型；

神经解剖模型；

淋巴解剖模型；

组织的解剖模型；或者

器官的解剖模型。

5.如权利要求1所述的计算机实现方法，其中比较所述生成的解剖模型包括使用可用的患者特异性信息来比较所述解剖模型，所述患者特异性信息包括以下一项或多项：

从所述医学图像生成的一种类型的解剖模型与从同一医学图像生成的另一种类型的解剖模型的关系；

所述解剖模型的生理或生物力学性质；

所述解剖模型的病理性质或疾病模式；以及

所述解剖模型的异物性质。

6.如权利要求1所述的计算机实现方法，其中比较所述生成的解剖模型包括

嵌入所述接收的医学图像、所述接收的医学图像的所述生成的解剖模型以及与所述接收的医学图像相关联的所述患者传记信息中的至少一项以生成嵌入空间；以及

在所述嵌入空间中比较所述接收的医学图像、所述接收的医学图像的所述生成的解剖模型以及与所述接收的医学图像相关联的所述患者传记信息中的至少一项的相似性。

7.如权利要求1所述的计算机实现方法，其中比较所述生成的解剖模型包括以下一项或多项：

导出表示所述生成的解剖模型内的网络的图形；

从所述生成的解剖模型导出表示网络分叉的点；

导出所述导出的图形或点与以下一项或多项的关系：从所述医学图像生成的另一种类型的解剖模型、所述解剖模型的生理或生物力学性质、所述解剖模型的病理性质或疾病模式、或所述解剖模型的异物性质；

使用所述导出的关系在表示解剖模型的所述网络的图形与所接收的医学图像之间进行嵌入以生成嵌入空间，所述待嵌入医学图像不同于从其中导出所述图形的所述医学图像；以及

在所述嵌入空间中比较所述医学图像的相似性。

8.如权利要求1所述的计算机实现方法，其中比较所述生成的解剖模型包括以下一项或多项：

导出表示所述生成的解剖模型内的网络的图形；

导出所述导出的图形与以下一项或多项的关系：从所述医学图像生成的另一种类型的解剖模型、所述解剖模型的生理或生物力学性质、所述解剖模型的病理性质或疾病模式、或所述解剖模型的异物性质；以及

使用所述导出的关系在表示所述网络的图形之间进行图形匹配。

9.如权利要求1所述的计算机实现方法，其中比较所述生成的解剖模型包括以下一项或多项：

导出表示所述生成的解剖模型内的网络分叉的点；

导出所述导出的点与以下至少一项的关系：从所述医学图像生成的另一种类型的解剖模型、所述解剖模型的生理或生物力学性质、所述解剖模型的病理性质或疾病模式、或所述解剖模型的异物性质；以及

使用所述导出的关系在表示网络分叉的所述点之间进行点匹配。

10.如权利要求1所述的计算机实现方法，其中所述两个或更多个接收的医学图像包括在第一时间生成的第一医学图像和在所述第一时间之后的第二时间生成的第二医学图像，并且其中比较所述生成的解剖模型包括以下一项或多项：

分别计算所述第一医学图像和所述第二医学图像的所述第一时间和所述第二时间的差异；

从所述第一医学图像生成第一解剖模型；

从所述第二医学图像生成第二解剖模型；

使用所述第一时间和所述第二时间的所述计算差异并且使用一项或多项患者特异性信息对所述第一解剖模型进行生长和重塑模拟以预测在所述第二时间的解剖模型，所述患者特异性信息包括以下一项或多项，

生理或生物力学性质，

病理性质或疾病模式，或者

异物性质；以及

将所述预测的在所述第二时间的解剖模型与所述第二解剖模型进行比较。

11.一种用于将医学图像与患者相关联的系统，所述系统包括：

数据存储装置，其存储用于将医学图像与患者相关联的指令；以及

处理器，其被配置为执行所述指令以进行包括以下项的方法：

在电子存储介质中接收患者解剖结构的两个或更多个医学图像；

为每个所述接收的医学图像生成解剖模型；

比较所述生成的解剖模型；

使用对所述生成的解剖模型的所述比较来确定评估所述两个或更多个医学图像属于同一患者的可能性的得分；以及

将所述得分输出到电子存储介质或显示器。

12.如权利要求11所述的系统，其进一步包括：

在电子存储介质中接收与所述接收的两个或更多个医学图像相关联的患者传记信息；

比较所述两个或更多个医学图像的所述患者传记信息；

确定所述两个或更多个医学图像的所述患者传记信息是否为可能的患者提供了充分的标识信息，所述标识信息的充分性是基于预定阈值；

如果存在评估所述两个或更多个医学图像属于同一患者的可能性的高得分并且如果对于可能的患者存在充分的标识信息，则将所述接收的两个或更多个医学图像与可能的患者匹配；以及

将已经与所述两个或更多个医学图像匹配的所述可能的患者的所述标识信息输出到电子存储介质或显示器。

13.如权利要求11所述的系统，其进一步包括：

为从所述接收的医学图像生成的每个解剖模型定义视场；以及

基于所述定义的视场来比较所述生成的解剖模型。

14.如权利要求11所述的系统，其中比较所述生成的解剖模型包括使用可用的患者特异性信息来比较所述解剖模型，所述患者特异性信息包括以下一项或多项：

从所述医学图像生成的一种类型的解剖模型与从同一医学图像生成的另一种类型的解剖模型的关系；

所述解剖模型的生理或生物力学性质；

所述解剖模型的病理性质或疾病模式；以及

所述解剖模型的异物性质。

15.如权利要求11所述的系统，其中比较所述生成的解剖模型包括：

嵌入所述接收的医学图像、所述接收的医学图像的所述生成的解剖模型以及与所述接收的医学图像相关联的所述患者传记信息中的至少一项以生成嵌入空间；以及

在所述嵌入空间中比较所述接收的医学图像、所述接收的医学图像的所述生成的解剖模型以及与所述接收的医学图像相关联的所述患者传记信息中的至少一项的相似性。

16.如权利要求11所述的系统，其中比较所述生成的解剖模型包括以下一项或多项：

导出表示所述生成的解剖模型内的网络的图形；

从所述生成的解剖模型导出表示网络分叉的点；

导出所述导出的图形或点与以下一项或多项的关系：从所述医学图像生成的另一种类型的解剖模型、所述解剖模型的生理或生物力学性质、所述解剖模型的病理性质或疾病模式、或所述解剖模型的异物性质；

使用所述导出的关系在表示解剖模型的所述网络的图形与所接收的医学图像之间进行嵌入以生成嵌入空间，所述待嵌入医学图像不同于从其中导出所述图形的所述医学图像；以及

在所述嵌入空间中比较所述医学图像的相似性。

17.如权利要求11所述的系统，其中比较所述生成的解剖模型包括以下一项或多项：

导出表示所述生成的解剖模型内的网络的图形；

导出所述导出的图形与以下一项或多项的关系：从所述医学图像生成的另一种类型的解剖模型、所述解剖模型的生理或生物力学性质、所述解剖模型的病理性质或疾病模式、或所述解剖模型的异物性质；以及

使用所述导出的关系在表示所述网络的图形之间进行图形匹配。

18.如权利要求11所述的系统，其中所述两个或更多个接收的医学图像包括在第一时间生成的第一医学图像和在所述第一时间之后的第二时间生成的第二医学图像，并且其中比较所述生成的解剖模型包括以下一项或多项：

分别计算所述第一医学图像和所述第二医学图像的所述第一时间和所述第二时间的差异；

从所述第一医学图像生成第一解剖模型；

从所述第二医学图像生成第二解剖模型；

使用所述第一时间和所述第二时间的所述计算差异并且使用一项或多项患者特异性信息对所述第一解剖模型进行生长和重塑模拟以预测在所述第二时间的解剖模型，所述患者特异性信息包括以下一项或多项，

生理或生物力学性质，

病理性质或疾病模式，或者

异物性质；以及

将所述预测的在所述第二时间的解剖模型与所述第二解剖模型进行比较。

19.一种存储指令的非暂态计算机可读介质，所述指令在由计算机执行时使所述计算机执行用于将医学图像与患者相关联的方法，所述方法包括：

在电子存储介质中接收患者解剖结构的两个或更多个医学图像；

为每个所述接收的医学图像生成解剖模型；

比较所述生成的解剖模型；

使用对所述生成的解剖模型的所述比较来确定评估所述两个或更多个医学图像属于同一患者的可能性的得分；以及

将所述得分输出到电子存储介质或显示器。

20.如权利要求19所述的计算机可读介质，其中所述两个或更多个接收的医学图像包括在第一时间生成的第一医学图像和在所述第一时间之后的第二时间生成的第二医学图像，并且其中比较所述生成的解剖模型包括以下一项或多项：

分别计算所述第一医学图像和所述第二医学图像的所述第一时间和所述第二时间的差异；

从所述第一医学图像生成第一解剖模型；

从所述第二医学图像生成第二解剖模型；

使用所述第一时间和所述第二时间的所述计算差异并且使用一项或多项患者特异性信息对所述第一解剖模型进行生长和重塑模拟以预测在所述第二时间的解剖模型，所述患者特异性信息包括以下一项或多项，

生理或生物力学性质，

病理性质或疾病模式，或者

异物性质；以及

将所述预测的在所述第二时间的解剖模型与所述第二解剖模型进行比较。