CN108472002A - 用于医学图像分析的方法和设备 - Google Patents

用于医学图像分析的方法和设备 Download PDF

Info

Publication number
CN108472002A
CN108472002A CN201680073380.9A CN201680073380A CN108472002A CN 108472002 A CN108472002 A CN 108472002A CN 201680073380 A CN201680073380 A CN 201680073380A CN 108472002 A CN108472002 A CN 108472002A
Authority
CN
China
Prior art keywords
interest
value
image
range
analysis
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
Application number
CN201680073380.9A
Other languages
English (en)
Inventor
R·卡尔米
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 CN108472002A publication Critical patent/CN108472002A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/46—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient
    • A61B6/467—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B6/469—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/488—Diagnostic techniques involving pre-scan acquisition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/04—Positioning of patients; Tiltable beds or the like
    • A61B6/0487—Motor-assisted positioning
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Physiology (AREA)

Abstract

本发明涉及一种用于医学图像分析的方法，包括以下步骤：执行对对象的感兴趣区域的第一CT扫描，得到具有第一分辨率的第一图像；将医学图像处理方法应用于所述第一图像，得到表示所述对象的所述感兴趣区域的第一分析的第一值；基于所述第一值来确定所述对象的感兴趣范围；执行对所述对象的所述感兴趣范围的第二CT扫描，得到具有第二分辨率的第二图像，其中，所述第二分辨率高于所述第一分辨率；并且将所述医学成像处理方法应用于所述第二图像，得到表示所述对象的所述感兴趣范围的第二分析的第二值。另外，本发明还涉及一种用于医学图像分析的系统。

Description

用于医学图像分析的方法和设备
技术领域
本发明涉及用于医学图像分析的方法和设备。本发明还涉及相应的计算机程序单元和相应的计算机可读介质。
背景技术
“影像组学”的领域通常指的是例如在肿瘤表型的全面量化的背景下使用先进的定量特征分析从医学图像提取并分析大量信息。使用自动提取的数据表征算法来构建对应于相关的选定区域(例如，分割的肿瘤)的图像特征空间。
最近已经在临床研究中验证的影像组学的中心前提是：侵袭性肿瘤的基础生物特性可以转变成宏观异类肿瘤代谢和解剖结构。一些研究揭示了与肿瘤组织异质和其他成像表型有关的预兆的影像组学特征标记与肿瘤阶段、代谢、缺氧、血管生成和基础基因和/或蛋白表达谱相关。这些结果表明影像组学利用其分析的成像特征来识别存在于多种癌症类型中的一般预兆表型，并且因此可以示出跨过不同疾病的临床意义。
成像的一个关键目标是“个性化医学”，其中，处置日益基于患者的特定特性来调整。个性化医学的许多讨论已经集中在使用基因和蛋白质组技术的分子表征。然而，由于肿瘤在时间和空间上是异类的，因此这些技术受到限制。它们需要活检或有创外科手术来提取并分析一般什么是肿瘤组织的、不允许肿瘤的完全表征的一小部分。
医学成像模态(例如，计算机断层摄影、磁共振成像和正电子发射断层摄影)具有指导治疗的极大潜力，因为它能够提供对整个肿瘤的更全面观察，并且它能够持续不断地用于监测疾病的发展和进展或其对治疗的响应。另外，成像是无创的，并且在日常实践中的处置期间经常被重复。影像组学能够具有大的临床影响，提供了能够量化并监测处置期间的表型改变并且以实践的工作流和低成本揭示关于疾病风险的重要预兆信息的方法。
将许多影像组学特征应用于选定的图像体积区域是已知的。在第二步骤处，应用算法以找到有意义或显著的特征的更小集合。然后，机器学习方法有时用于获得关于已知临床状况的分类结果。常见的图像特征通常与数学分类有关，例如，像素值统计、直方图分析、纹理分析、灰度共生矩阵方法(GLCM)、小波分析、分形分析以及各种类型的形状和精细结构分析。
为了医学图像(例如，计算机断层摄影数据)将会能够提供高质量的影像组学分析，实现高空间分辨率、低图像噪声和高的低对比度可检测性以便在不同的软组织类型之间进行分辨是至关重要的。这经常与减少辐射剂量是高度重要的因素的常见的临床计算机断层摄影协议相矛盾。
例如，腹部计算机断层摄影标准扫描协议被设计用于剂量节省。最终图像通常具有每厘米8-10线对(lp/cm)的分辨率和1.5–3.0mm的图像切片宽度。X射线管电压通常为100-120kVp，这对于最高程度的低对比度分辨率来说并不总是最优的：例如有时80kVp将会更适合于这方面，但是这样的电压将会增大噪声。
如果使用更高的辐射剂量，“超高分辨率”扫描模式能够给出具有多达每厘米24线对的空间分辨率和0.7mm的图像切片宽度的图像。另外，当由于高剂量而维持良好的图像质量时，能够使用较低的X射线管电压。
因此，由于总体需要的高剂量，为了在具有多个焦点的大肿瘤区或肿瘤或者分散转移的情况下执行高清晰度扫描协议、或者甚至当根据标准扫描并不清楚哪个区域是针对影像组学分析的最优候选时，存在实践问题。
本发明提供了克服这些限制的独特方法。
发明内容
会存在对克服先前描述的缺点和/或限制的需要。
本发明的目的通过独立权利要求的主题得以解决，其中，进一步的实施例被包含在从属权利要求中。
应当注意，本发明的以下描述的方面还适用于系统、计算机程序单元和计算机可读介质。
根据本发明的第一方面，提供了一种用于医学图像分析的方法，其中，所述方法包括以下步骤：
a)执行对对象的感兴趣区域的第一CT扫描，得到具有第一分辨率的第一图像；
b)将医学图像处理方法应用于所述第一图像，得到表示所述对象的所述感兴趣区域的第一分析的第一值；
c)基于所述第一值来确定所述对象的感兴趣范围；
d)执行对所述对象的所述感兴趣范围的第二CT扫描，得到具有第二分辨率的第二图像，其中，所述第二分辨率高于所述第一分辨率；并且
e)将所述医学成像处理方法应用于所述第二图像，得到表示所述对象的所述感兴趣范围的第二分析的第二值。
作为效果，将相同的医学成像处理方法应用两次(即，应用在步骤b)和步骤e)中)，方法的性能可以被显著增大。性能优选涉及执行步骤a)至e)所需的时间。特别地，处理单元可以适于执行所述医学成像处理方法，这减少了针对步骤b)和e)中的每个的处理时间。
作为另外的效果，感兴趣范围可以更小，特别是显著小于感兴趣区域。特别地，范围可以形成或由对象的感兴趣区域的子区域形成。即使第二CT扫描可以利用比第一CT扫描更高的X射线管加速电压来执行，使得第二图像包括比第一图像更高的分辨率，但是由第二扫描产生的第二X射线剂量也可以小于由第一扫描产生的第一X射线剂量。作为效果，在第一CT扫描和第二CT扫描两者期间提供的总X射线剂量可以被限制为最小值或者可以极少。
应当理解，尽管术语“第一”和“第二”可以在本文中用于与各种特征结合，但是这些特征应当优选不受这些相应术语限制。这些术语仅可以用于区别一个特征与另一个特征。如本文所使用的，术语“和/或”包括相关联的列出的术语中的一个或多个中的任意项和所有组合。
在范例中，CT扫描也可以被称为计算机断层摄影扫描。
在范例中，对象是人类对象。
在另外的范例中，对象的感兴趣区域可以与对象的预定义的感兴趣区域有关。
在范例中，X射线辐射在第一CT扫描和第二CT扫描中的每个期间被投射到对象上。
在范例中，由CT扫描产生的图像可以涉及或者是三维图像或断层摄影图像。
在范例中，感兴趣范围是或者涉及对象的感兴趣区域的子区域。结果，第二扫描可以被限制到对象的感兴趣区域的子区域。因此，可以减少特别是在第二CT扫描期间被投射在对象上的X射线辐射的剂量。
优选地，第二分辨率比第一分辨率高至少1.5倍。结果，由第二图像提供的信息可以允许对对象的感兴趣范围的更精确的评估。
在范例中，第一CT扫描可以涉及标准计算机断层摄影扫描。因此，并且作为另外的范例，在步骤a)中，可以执行对对象的预定义的感兴趣区域的标准计算机断层摄影扫描。在另外的范例中，对象的感兴趣区域可以涉及对象的相关身体区域。在又一范例中，第一CT扫描可以涉及大覆盖度扫描。优选地，大覆盖度扫描可以包括至少对对象的整个器官区或对象的全身区的CT扫描。进一步优选地，在第一CT扫描期间，所施加的X射线辐射剂量可以涉及特别是足以用于确定具有第一分辨率的第一图像的最小X射线辐射剂量。这然后可以足以用于对对象的特别是关于感兴趣区域的后续临床评估。结果，第一图像的空间分辨率和低对比度分辨率可以不是非常高的。
在步骤b)中，将医学图像处理方法应用于第一图像，得到第一值。在范例中，医学成像处理方法也可以被称为预定义的医学图像处理方法、成像处理方法或预定义的图像处理方法。
在范例中，步骤b)在步骤a)后自动执行。
在范例中，第一分析也可以被称为粗糙分析。
在范例中，医学图像处理方法可以被配置为识别第一图像的区段。所述区段优选涉及或示出对象的肿瘤。另外，医学图像处理方法可以被配置为基于识别出的区段来确定第一值。第一值表示对对象的感兴趣区域的第一分析，其中，第一分析可以涉及对象的感兴趣区域内的识别出的肿瘤。另外，第一值可以指示感兴趣区域的至少一个子区域，其中，每个子区域由对象的感兴趣区域内的识别出的肿瘤形成。
在范例中，医学图像处理方法可以被配置为通过检测第一图像内的预定义的样式或第一图像内的至少一个预定义的特征来识别第一图像的区段。预定义的样式或至少一个预定义的特征均可以被配置为表示对预定义的疾病(例如，癌症)的指示。在范例中，至少一个预定义的特征可以表示预定义的熵和/或预定义的不均匀性。在另外的范例中，预定义的特征可以涉及影像组学特征。因此，医学图像处理方法可以被配置为检测指示预定义的疾病的预定义的样式或者指示预定义的疾病的预定义的特征，并且基于相应的检测结果，医学图像处理方法可以被配置为确定第一值，第一值表示感兴趣区域中已经检测到预定义的样式或预定义的特征的子区域。
在步骤c)中，基于第一值来确定对象的感兴趣范围。可以执行对感兴趣范围的确定，使得对象的感兴趣范围由对象的感兴趣区域的至少一个子区域形成。结果，感兴趣范围可以表示感兴趣区域的部分，其中，预计至少一个预定义的样式或至少一个预定义的特征。因此，如果对象的感兴趣范围经由另外的CT扫描(即，第二CT扫描)进行扫描，则有利于后续评价。作为效果，第二CT扫描能够被限制于对象的感兴趣范围。结果，可以对X射线辐射到对象的另外的投射进行限制，即，相对于几何尺寸并且特别是由此得到的相对于被应用于对象的X射线辐射剂量。
在范例中，步骤c)在步骤b)后自动执行。
在范例中，对象的感兴趣范围也可以被称为最优的有限扫描范围。
在步骤d)中，执行对对象的感兴趣范围的第二CT扫描。
在范例中，第二CT扫描也可以被称为计算机断层摄影扫描。术语“第二”可以用于区别目的。进一步优选地，执行第二CT扫描，使得得到的第二图像具有比第一图像更高的分辨率。因此，第二CT扫描也可以被称为高清晰度计算机断层摄影扫描。也可以完成对其他扫描参数的优化。结果，能够执行有限范围的高清晰度计算机断层摄影扫描。
在范例中，步骤d)在步骤c)后自动执行。
在步骤e)中，将医学图像处理方法应用于第二图像，得到第二值。在范例中，应用于第二图像的医学成像处理方法是与在步骤b)中应用于第一图像是方法相同的医学图像处理方法。优选地，以类似的方式参考先前已经关于应用于第一图像的医学成像处理方法和/或在所述医学成像处理方法的背景下提供的解释、优选实施例、优选范例、效果和/或优点。
在范例中，步骤e)在步骤d)后自动执行。
在范例中，第二分析也可以被称为精确分析或增强分析。
在范例中，医学图像处理方法可以被配置为识别第二图像的区段。所述区段优选涉及或示出对象的肿瘤。另外，医学图像处理方法可以被配置为基于识别出的区段来确定第二值。第二值表示对对象的感兴趣范围的第二分析，其中，第二分析可以涉及对象的感兴趣范围内的识别出的肿瘤。另外，所述第二值可以指示感兴趣范围的至少一个子范围，其中，每个子范围由对象的感兴趣范围内的识别出的肿瘤形成。
在范例中，医学图像处理方法可以被配置为通过检测第二图像内的预定义的样式或第二图像内的至少一个预定义的特征来识别第二图像的区段。预定义的样式或至少一个预定义的特征均可以被配置为表示对预定义的疾病(例如，癌症)的指示。在范例中，至少一个预定义的特征可以表示预定义的熵和/或预定义的不均匀性。在另外的范例中，预定义的特征可以涉及影像组学特征。因此，医学图像处理方法可以被配置为检测指示预定义的疾病的预定义的样式或者指示预定义的疾病的预定义的特征，并且基于相应的检测结果，医学图像处理方法可以被配置为确定第二值，第二值表示对象的感兴趣范围中已经检测到预定义的样式或预定义的特征的子范围。
根据所述方法的示范性实施例，所述第一CT扫描是利用第一X射线剂量来执行的，并且所述第二CT扫描是利用第二X射线剂量来执行的，其中，所述第二X射线剂量高于所述第一X射线剂量。
优选地，第二X射线剂量比第一X射线剂量至少高1.5倍。
根据所述方法的示范性实施例，所述医学成像处理方法包括以下子步骤中的至少一个：提取所述第一图像的特征；对经提取的特征进行分类；确定所述对象的所述感兴趣区域的熵；确定所述对象的所述感兴趣范围的熵；确定所述对象的所述感兴趣区域的不均匀性；并且确定所述对象的所述感兴趣范围的不均匀性。
根据所述方法的示范性实施例，表示所述第一分析的所述第一值包括表示经提取的特征的至少一个值、表示经分类的特征的至少一个值、表示经确定的熵的至少一个值，和/或表示经确定的不均匀性的至少一个值。
根据所述方法的示范性实施例，其中，在以下情况下，表示所述第一分析的所述第一值包括表示所述感兴趣区域的子区域的至少一个值：已经确定了针对所述子区域的特征，并且/或者已经对针对所述子区域的所述特征进行了分类，特别是关于预定义的类别或类型对针对所述子区域的所述特征进行了分类，并且/或者已经确定了针对所述子区域的至少预定义的熵值的熵，并且/或者已经确定了针对所述子区域的至少预定义的程度的不均匀性的不均匀性。
根据所述方法的示范性实施例，表示所述第二分析的所述第二值包括表示经提取的特征的至少一个值、表示经分类的特征的至少一个值、表示经确定的熵的至少一个值，和/或表示经确定的不均匀性的至少一个值。
根据所述方法的示范性实施例，所述第一分辨率是指每厘米8至10线对(lp/cm)，并且/或者，并且/或者，所述第二分辨率是指每厘米11至24线对(lp/cm)。
根据所述方法的示范性实施例，在步骤b)中应用于所述第一图像的所述医学图像处理方法包括以下子步骤：在所述第一图像处识别至少一个第一病变，其中，每个第一病变表示肿瘤；确定每个第一病变的第一边缘，其中，每个第一边缘表示相应肿瘤的活跃区域；并且基于所述至少一个第一边缘来确定所述第一值。
根据所述方法的示范性实施例，在步骤e)中应用于所述第二图像的所述医学图像处理方法包括以下子步骤：在所述第二图像处识别至少一个第二病变，其中，每个第二病变表示肿瘤；确定每个第二病变的第二边缘，其中，每个第二边缘表示相应肿瘤的活跃区域；并且基于所述至少一个第二边缘来确定所述第二值。
根据所述方法的示范性实施例，步骤c)包括以下子步骤：针对每个第一病变确定所述对象的感兴趣区域内的子范围，使得每个子范围表示相应第一病变的所述第一边缘或所述第一边缘的至少部分；并且基于至少子范围来确定所述对象的所述感兴趣范围。
根据所述方法的示范性实施例，所述子范围中的至少一个是轴向范围，所述轴向范围表示转移组织的区，特别是转移组织的最大区。
根据所述方法的示范性实施例，所述第二CT扫描包括若干CT子扫描，特别是针对每个子范围的至少一个CT子扫描。
根据所述方法的示范性实施例，所述第二扫描是动态对比增强的CT扫描。
根据所述方法的示范性实施例，所述方法还包括在步骤a)与步骤b)之间的分割步骤，其中，所述分割步骤包括以手动方式或自动方式分割在经扫描的感兴趣区域中要被分析的体积，步骤b)的所述医学图像处理方法仅被应用于所述要被分析的体积。
根据所述方法的示范性实施例，步骤b)包括以下子步骤：从所述第一图像中提取多个体积厚片；并且计算每个厚片的显著性度量，其中，所述第一值表示所述多个厚片的所述显著性度量；其中，步骤c)包括以下子步骤：确定所述多个厚片中的已经针对其计算出最高显著性度量的厚片；并且基于第一值来确定所述对象的所述感兴趣范围，使得所述感兴趣范围对应于已经针对其计算出最高显著性度量的所述厚片的至少部分。
在范例中，厚片的显著性度量可以指示或表示关于所述厚片的至少一个预定义的样式和/或所述厚片的至少一个特征的疾病的程度或定量度量。可以先前在所述厚片中识别和/或检测所述至少一个预定义的样式和/或所述至少一个预定义的特征。
根据本发明的第二方面，提供了一种用于医学图像分析的系统。系统包括：CT扫描器；控制单元；以及处理单元；其中，所述控制单元被配置为控制所述CT扫描器，使得所述CT扫描器执行对对象的感兴趣区域的第一CT扫描，得到具有第一分辨率的第一图像；其中，所述处理单元被配置为将医学图像处理方法应用于所述第一图像，得到表示所述对象的所述感兴趣区域的第一分析的第一值；其中，所述处理单元被配置为基于所述第一值来确定所述对象的感兴趣范围；其中，所述控制单元被配置为控制所述CT扫描器，使得所述CT扫描器执行对所述对象的所述感兴趣范围的第二CT扫描，得到具有第二分辨率的第二图像，其中，所述第二分辨率高于所述第一分辨率；并且其中，所述处理单元被配置为将所述医学成像处理方法应用于所述第二图像，得到表示所述对象的所述感兴趣范围的第二分析的第二值。
应当理解，在这里不重复参考根据本发明的第一方面的方法提供的所有范例、特征、效果和/或解释的情况下，根据本发明的第二方面的系统优选旨在被布置和/或被配置为执行上面描述的方法的步骤。因此，尽管参考根据本发明的第一方面的方法提供了所有上面提供的范例、特征、效果和/或解释，但是所有上面提供的范例、特征、效果和/或解释也优选旨在通过根据本发明的第二方面的系统来实施。这能够例如借助于合适的硬件和/或软件来实现。
根据本发明的第三方面，提供了一种用于控制系统的计算机程序单元，所述计算机程序单元当由处理单元运行时适于执行所述方法的步骤。
根据本发明的第四方面，提供了一种存储有程序单元的计算机可读介质。
根据本发明的第五方面，提供了一种用于优化医学图像处理方法的方法。根据本发明的第五方面的方法包括以下步骤：
a.1)执行对感兴趣区域的计算机断层摄影扫描；
b.1)将医学图像处理方法应用于计算机断层摄影扫描，以生成对扫描的粗糙分析；
c.1)基于对扫描的粗糙分析来自动设计并运行有限范围的高清晰度计算机断层摄影扫描；并且
d.1)将医学成像处理方法应用于有限范围的高清晰度计算机断层摄影扫描。
可以优选的是，先前参考根据本发明的第一方面的方法提供的优选解释、优选范例、优选特征和/或效果以类似的方式形成用于根据本发明的第五方面的方法的优选解释、优选范例、优选特征和/或效果。
在第一步骤a.1)处，执行对相关身体区域的标准临床计算机断层摄影扫描。例如，包括至少整个器官区或全身区的大覆盖度扫描。在该扫描中，所施加的辐射剂量通常是特定患者的相关临床流程所需的最小值。因此，空间分辨率和低对比度分辨率通常不是非常高。
在第二步骤b.1)处，可以确定感兴趣体积，例如将会被评估的肿瘤区域。算法然后可以针对该感兴趣体积生成粗糙分析的体积映射。粗糙分析优选包括已知对于预期疾病显著的一个或多个主要数学特征。例如，在某些类型的癌症中，熵或不均匀性可以是将会被空间映射的特征。该步骤可以使用已知技术来完成。为了粗糙地测量主要特征，标准临床计算机断层摄影扫描是足够的。
基于粗糙分析，自动算法可以确定针对高清晰度计算机断层摄影扫描的最优的有限扫描范围。也可以完成对其他扫描参数的优化。然后相应地执行有限范围的高清晰度计算机断层摄影扫描。
然后可以对重建的高清晰度计算机断层摄影扫描图像体积执行精细的高质量医学图像处理方法。该精细分析可以包括非常大量的数学特征和疾病分类技术。
向用户呈现分析结果可以通过若干技术来实现。
根据本发明的第五方面的方法的示范性实施例，医学成像处理方法是影像组学方法。然而，其他类型的先进的医学分析可以得益于根据本发明的方法，例如，动态对比增强灌注与渗透性分析、针对COPD疾病的肺实质分析或血管中的详细斑块分析。
根据本发明的第五方面的方法的示范性实施例，计算机断层摄影扫描优选是低剂量扫描。“低剂量”的意义取决于要被成像的区域，并且取决于扫描协议，对于本领域技术人员来说，扫描是否是“低剂量”扫描是非常清楚的。使用低剂量扫描可以达到图像分辨率，但是它不是问题，因为第一扫描的目的主要在于执行粗糙分析以便优化高清晰度扫描的参数。
根据本发明的第五方面的方法的示范性实施例，扫描的粗糙分析可以包括参数的空间映射，所述参数优选在组织或被成像组织的熵和/或不均匀性之间进行选择。如较早前提到的，这些参数在某些种类的癌症中是尤其相关的，因为肿瘤组织通常具有与健康组织不同的熵或不均匀性。作为选项，也可以选择其他参数以用于粗糙分析，例如基于局部平均HU强度或标准偏差的简单参数。
根据本发明的第五方面的方法的示范性实施例，有限范围的高清晰度计算机断层摄影扫描优选是高剂量扫描。实际上，较高的剂量允许较高的分辨率。“高剂量扫描”优选表示的是以高剂量辐照被成像区域的至少部分的扫描。不必以高剂量辐照整个被成像区域。实际上，这样的高剂量扫描通常仅以较高剂量瞄准小的高感兴趣区域，而被成像区域的绝大部分仅经历低辐照剂量。这允许在感兴趣的区域上得到高质量，而无需使患者受到总的重要剂量。这通过先前执行的对扫描参数的优化来实现。
根据本发明的第五方面的方法的示范性实施例，有限范围的高清晰度计算机断层摄影扫描具有高空间分辨率和/或高的低对比度分辨率。
根据本发明的第五方面的方法的示范性实施例，有限范围的高清晰度计算机断层摄影扫描具有高空间分辨率和/或高的低对比度分辨率。两者都是有益的。
根据本发明的第五方面的方法的示范性实施例，有限范围的高清晰度计算机断层摄影扫描的有限范围可以包括病变的边缘，所述病变的边缘优选是肿瘤的活跃区域。实际上，肿瘤的中心可能是坏死的或者至少不是肿瘤的最活跃且最具侵袭性的部分。在这样的特定情况下，中心不是需要最高分辨率的部分。
根据本发明的第五方面的方法的示范性实施例，有限范围的高清晰度计算机断层摄影扫描的有限范围优选是包含转移组织的最大区的轴向范围。
根据本发明的第五方面的方法的示范性实施例，有限范围的高清晰度计算机断层摄影扫描可以包括若干子扫描。在一些情况下，若干窄扫描可以是作为单个扫描的最优备选，尤其是当不存在十分满意的轴向范围时。
根据本发明的第五方面的方法的示范性实施例，有限范围的高清晰度计算机断层摄影扫描可以是多相扫描。
根据本发明的第五方面的方法的示范性实施例，有限范围的高清晰度计算机断层摄影扫描可以是动态对比增强扫描。
根据本发明的第五方面的方法的示范性实施例，根据本发明的第五方面的方法可以还包括在步骤a.1)与步骤b.1)之间的分割步骤，其中，分割步骤包括以手动方式或自动方式分割在经扫描的感兴趣区域中要被分析的体积，步骤b.1)的医学图像处理方法仅应用于所述要被分析的体积。如果以自动方式完成分割，则所述分割可以例如通过使用针对特定的已知疾病或器官的CAD算法来完成。在另一选项中，整个被成像体积可以被选择用于下一步骤，而无需任何分割。
根据本发明的第五方面的方法的示范性实施例，设计有限范围的高清晰度计算机断层摄影扫描包括：
a.2)从计算机断层摄影扫描中提取体积厚片，
b.2)基于对扫描的粗糙分析来计算厚片的全局显著性度量，
c.2)针对计算机断层摄影扫描的不同体积厚片重复步骤a和b预定次数，并且
d.2)确定具有最高全局显著性度量的厚片，并且将有限范围的高清晰度计算机断层摄影扫描的有限范围设置到对应的位置。
根据本发明的第五方面的方法的示范性实施例，有限范围的高清晰度计算机断层摄影扫描的设计步骤可以包括：从计算机断层摄影扫描中提取体积厚片；基于对扫描的粗糙分析来计算厚片的全局显著性度量；针对计算机断层摄影扫描的不同体积厚片重复步骤a和b预定次数；并且确定具有最高全局显著性度量的厚片，并且将有限范围的高清晰度计算机断层摄影扫描的有限范围设置到对应的最优位置。
根据本发明的第五方面的方法的示范性实施例，初始厚片能够关于初始的有限轴向范围宽度来确定，并且初始厚片被定位在沿着患者身体扫描的第一确定位置中。例如在最初分割的区域的一侧上。在医学图像处理方法包括影像组学方法的情况下，显著性度量可以基于该组局部粗糙影像组学分析值。例如，度量可以是在预定阈值之上的值的总和。最后，算法可以基于先前步骤的结果并基于预定的限制规则来执行对经确定的轴向范围和高清晰度扫描参数的精细调节，以例如在所包括的数据对于影像组学分析来说仍然足够的情况下进一步限制轴向范围。所述限制规则可以是恒定或者针对特定患者或协议进行调整。例如，规则可以涉及最大允许的轴向覆盖度、多次窄范围扫描的次数、最大允许的总辐射剂量，或者剂量调制方案。
可以优选的是，先前参考根据本发明的第五方面的方法提供的优选解释、优选范例、优选特征和/或效果可以以类似的方式形成针对根据本发明的第一方面的方法的优选解释、优选范例、优选特征和/或效果。
根据本发明的第六方面，提供了一种被配置为实施根据本发明的第五方面的方法的设备，所述设备包括由被配置为应用由所述医学图像处理方法的处理器控制的计算机断层摄影扫描器。
根据本发明的第七方面，提供了一种编码有计算机可读指令的计算机可读存储介质，所述计算机可读指令在由处理器运行时使得所述处理器执行根据本发明的方法。
附图说明
通过阅读本发明的实施例的以下详细描述并且通过检查附图将会更好地理解本发明，在附图中：
图1是典型的计算机断层摄影扫描器，
图2示意性地图示了根据本发明的优选用于执行高清晰度扫描的不同可能的轴向范围，
图3是根据本发明的方法的大致流程图，
图4是特别地用于确定优选为图3的方法的有限范围的高清晰度扫描协议的技术的详细流程图，
图5示出了用于获得粗糙影像组学分析的体积映射的一种可能技术的结果，并且
图6示意性地图示了根据本发明的第一方面的方法的实施例。
本发明可以采取各种部件和各种部件的布置，以及各种过程操作和各种过程操作的安排的形式。附图仅出于图示优选实施例的目的并且不应被解释为对本发明的限制。为了更好地显示，可以省略某些特征或者可以不按照比例绘制尺寸。
具体实施方式
图1示意性地图示了范例成像系统100，例如，计算机断层摄影(CT)扫描器。成像系统100包括旋转机架102和固定机架104。旋转机架102由固定机架104可旋转地支撑。旋转机架102被配置为关于纵轴或z轴围绕检查区域106旋转。成像系统100还包括对象支撑体107，对象支撑体107在扫描之前、期间和/或之后在检查区域106中支撑对象或目标。对象支撑体107还能够用于将对象或目标加载到检查区域106中和/或将对象或目标从检查区域106中卸载。成像系统100还包括辐射源112(例如，X射线管)，其由旋转机架102可旋转地支撑。辐射源112与旋转机架102一起围绕检查区域106旋转并且被配置为生成并发出穿过检查区域106的辐射。成像系统100还包括辐射源控制器114。辐射源控制器114被配置为对所生成的辐射的磁通量进行调制。例如，辐射控制器114能够选择性地改变辐射源112的阴极加热电流，施加电荷以禁止辐射源112的电子流动，过滤所发出的辐射等，以对磁通量进行调制。在所图示的范例中，辐射源控制器114基于预定调制模式来对磁通量进行调制。
成像系统100还包括辐射敏感探测器像素116的一维或二维阵列115。像素116被定位为跨检查区域106与辐射源112相对，探测穿过检查区域106的辐射并且生成指示所述辐射的电信号(投影数据)。
在本发明的图示的实施例中，医学图像处理方法将会是影像组学方法。本发明的一方面(特别是关键方面)可以是专用于特定成像患者的高清晰度CT扫描协议的设计，其中，扫描可以包括有限的但最优的覆盖度或暴露范围；为了限制所施加的辐射剂量并且获得最重要的数据以用于影像组学分析，这会是至关重要的。在CT肿瘤学应用的背景下的最优高清晰度扫描范围可以不必在大肿瘤的中心，因为中心可能是坏死的或失活的，而最活跃或最具侵袭性的肿瘤区域可能更多地在病变边缘。另外，最优扫描轴向范围可以是这种情况：其包含最大数量的具有若干小转移的区。在一些情况下，若干窄扫描可以给出最优折衷效果。
同样重要的是要强调：在(用于捕捉肿瘤的侵袭性表型的)影像组学分析中主要分析最显著区域而不将最显著区域与相邻的失活或正常组织区域进行平均会重要的多。
当考虑到所有这些方面时，最优的有限范围可以是有利的方法。
额外的选项或扩展是：有限的高清晰度扫描可以是多相扫描或动态对比增强扫描，而其他轴向范围并不暴露于过多辐射。
在图2中，标准身体计算机断层摄影扫描覆盖若干器官。在该范例中，特别是用于影像组学分析的相关器官(例如，肝脏)被大致分割，利用轮廓“S”示出。对选定的体积执行粗糙影像组学分析的体积映射。该图示出了指示可能的显著特征的若干映射值，例如所述若干映射值可以指示肿瘤侵袭性或与肿瘤侵袭性相关。“L1”是示出没有显著性的背景值。“L2”是例如与肿瘤中的坏死区域有关的低显著性值。“L3”是可以涉及初始肿瘤转移的中等显著性值。“L4”是可以涉及主要在肿瘤边缘上的侵袭性肿瘤组织的高显著性值。
R1、R2和R3指示例如用于高清晰度扫描的三个可能的有限轴向范围。通过应用所提出的分析，能够发现：对于精细影像组学分析来说，选择并扫描范围R1或R3在总体上是更优的，而范围R2能够被忽略，因为大部分粗糙影像组学映射值在该厚片中较不显著。
在另一器官(例如，肺)中，具有值“M1”的区域指示相对于某个特征(特别地相对于某个影像组学特征)的分布性疾病。选定的有限轴向范围最优地覆盖具有高显著性值的像素中的大部分像素。
当然，特别是对于影像组学分析来说，选择并扫描若干分开的或连接的有限轴向范围是重要的。
图3图示了例示的方法的主要流程图。在第一步骤31中，执行相关身体区域的正常清晰度CT扫描。通常这是至少覆盖整个器官或区(例如，头、胸、腹或全身)的大覆盖度扫描。在该扫描中，所施加的辐射剂量通常是特定患者的相关标准临床诊断所需的最小值。根据需要，可以在有或没有造影剂施予的情况下执行CT扫描。
在步骤32中，在根据正常清晰度CT扫描重建图像之后，自动或手动流程识别包括用于影像组学分析的对象组织的感兴趣体积。在手动选项中，用户可以滚动屏幕通过图像体积，并且利用适当的用户接口工具选择(一个或多个)相关的感兴趣区域，例如通过大致勾画明显的肿瘤区的轮廓。可以例如通过使用用于特定的已知疾病的CAD算法来自动完成这种选择。在另一选项中，整个成像体积可以被选择用于下一步骤，而无需任何分割。
在步骤33中，在确定了感兴趣体积之后，算法针对该感兴趣体积生成粗糙影像组学分析的体积映射。该粗糙分析包括已知对于预期疾病显著的一个或多个特征。例如，在某些类型的癌症中，熵、不均匀性或相对造影剂增强可以是将被映射的主要特征。注意，体积映射的优点之一是在该步骤中不需要组织分割。
在步骤34中，在计算出粗糙影像组学分析映射结果之后，自动算法基于粗糙映射来确定旨在用于所需的精细影像组学分析的高清晰度CT扫描的最优的有限扫描范围。也可以完成其他扫描参数的优化。该算法的细节在图4中进行了描述。
在步骤35中，执行经确定的有限范围的高清晰度CT扫描。扫描可以包括一个或多个有限轴向范围。例如，扫描范围可以沿着被置于肿瘤的部分上的Z方向覆盖几厘米。高清晰度CT扫描通常将会被设置为仅针对该区域具有相对高的辐射剂量，以便相对于该区域的正常清晰度CT扫描实现较好的图像质量性质。
最后，在重建了高清晰度图像之后，对高清晰度CT扫描数据执行精细影像组学分析。该精细分析可以包括如在参考资料中描述的大量数学特征和疾病分类技术。高清晰度CT扫描可以包括身体中的来自先前扫描(即，上一阶段)的剩余造影剂，可以包括新的造影剂施予，或者可以是非对比扫描。
图4详述了图3中表示的方法的步骤4。在步骤41中，获得粗糙影像组学分析映射结果。映射是体素的体积，每个体素具有对应于分析的数学特征的一个或多个值，即，对于相同的空间体积能够存在若干不同的图(例如，相对于给定准则的局部熵图、局部不均匀性图或造影剂增强分布)。
在步骤42中，为了计算最优高清晰度扫描参数，算法应当具有关于高清晰度扫描的限制规则的集合(其可以是恒定的或者针对特定患者或协议得到调整)作为输入。例如，规则可以涉及最大允许的轴向覆盖度、多次窄范围扫描的次数、最大允许的总辐射剂量，或剂量调制方案。
最后，在步骤43处，算法通过以下内容来确定(一个或多个)有限轴向范围的最优覆盖度和位置：
A.算法从粗糙影像组学分析映射数据中提取第一体积厚片，其中，厚片是关于初始的有限轴向范围宽度来确定的，并且被定位在沿着患者身体扫描的第一确定位置中。例如在最初分割的区域的一侧上。
B.算法基于该组局部粗糙影像组学分析值来计算选定的厚片内的全局影像组学显著性度量。例如，该度量可以是在预定阈值之上的值的总和。
C.算法通过将厚片移位到不同的轴向位置来重复步骤A-B多次。
D.算法从在先前步骤中计算的该组值来计算最大全局影像组学显著性度量，并且针对有限轴向范围确定对应的最优位置。
E.算法基于先前步骤的结果和限制规则来执行对经确定的轴向范围和高清晰度扫描参数的精细调节，以例如在所包括的用于影像组学分析的数据仍然充足的情况下进一步限制轴向范围。
在所提出的方法中，第一扫描用于规划针对第二相继扫描的扫描位置。在这样的情境中，由于两次扫描之间的零散的患者运动，在原理上可能会发生一些不准确性。为了克服这样的问题，可以在高清晰度扫描之前应用验证步骤。在验证流程中，(高清晰度扫描的)确定区域的快速低剂量CT扫描能够被执行，并且仅仅用于验证正确位置。验证能够通过与第一扫描的图像配准来自动完成。如果需要的话，能够针对高清晰度扫描的规划而执行自动轴向位置校正。
图5示出了由于获得粗糙影像组学分析的体积映射的一种可能的技术。这里，映射值对应于一个选定的纹理特征，其为计算共生矩阵的熵的一种数学形式。对于最终的可视化和结果呈现，能够利用(例如融合的)粗糙分析结果或利用常规CT图像来观察高清晰度分析。一些中间步骤也能够被显示。
图6示意性地示出了根据本发明的方法44的另外的范例的范例。方法44包括以下步骤：
在第一步骤45中，执行对对象的感兴趣区域的第一CT扫描，得到具有第一分辨率的第一图像。
在第二步骤46中，将医学图像处理方法应用于第一图像，得到表示对象的感兴趣区域的第一分析的第一值。
在第三步骤47中，基于第一值来确定对象的感兴趣范围。
在第五步骤48中，执行对对象的感兴趣范围的第二CT扫描，得到具有第二分辨率的第二图像，其中，第二分辨率高于第一分辨率。
在第六步骤49中，将医学成像处理方法应用于第二图像，得到表示对象的感兴趣范围的第二分析的第二值。
必须注意，本发明的实施例是参考不同主题来描述的。尤其地，一些实施例是参考根据本发明的第五方面所述的方法来描述的，而其他实施例是参考根据本发明的第一方面所述的方法来描述的。然而，除非另有说明，本领域技术人员将从以上的描述中推断出，除属于一个主题的特征的任意组合之外，涉及不同主题的特征之间的任意组合也优选被认为在本申请中得到公开。然而，所有的特征都可以被组合来提供多于特征的简单加合的协同效应。
尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示范性的，而非限制性的；本发明不限于所公开的实施例。本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时可以理解并实现对所公开的实施例的其他变型。
例如，所提出的局部高清晰度分析的构思可以用于准确地指导实际活检采样。实际上，实际活检采样的一个问题是肿瘤体积的仅一小部分能够被分析。由于在许多侵袭性肿瘤中在不同位置之间存在大的组织变化性，因此尤其从在影像组学分析中示出高显著性的那些区域中获取样本(通过介入流程)会是重要的。
本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时可以理解并实现对所公开的实施例的其他变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。处理单元、单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。尽管某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记都不应被解释为对范围的限制。

Claims (18)

1.一种用于医学图像分析的方法，包括以下步骤：
a)执行对对象的感兴趣区域的第一CT扫描，得到具有第一分辨率的第一图像；
b)将医学图像处理方法应用于所述第一图像，得到表示所述对象的所述感兴趣区域的第一分析的第一值；
c)基于所述第一值来确定所述对象的感兴趣范围；
d)执行对所述对象的所述感兴趣范围的第二CT扫描，得到具有第二分辨率的第二图像，其中，所述第二分辨率高于所述第一分辨率；并且
e)将所述医学成像处理方法应用于所述第二图像，得到表示所述对象的所述感兴趣范围的第二分析的第二值。
2.根据前述权利要求中的任一项所述的方法，其中，所述第一CT扫描是利用第一X射线剂量来执行的，并且所述第二CT扫描是利用第二X射线剂量来执行的，其中，所述第二X射线剂量高于所述第一X射线剂量。
3.根据前一权利要求所述的方法，其中，所述医学成像处理方法包括以下子步骤中的至少一个：
-提取所述第一图像的特征；
-对经提取的特征进行分类；
-确定所述对象的所述感兴趣区域的熵；
-确定所述对象的所述感兴趣范围的熵；
-确定所述对象的所述感兴趣区域的不均匀性；并且
-确定所述对象的所述感兴趣范围的不均匀性。
4.根据前一权利要求所述的方法，其中，表示所述第一分析的所述第一值包括表示经提取的特征的至少一个值、表示经分类的特征的至少一个值、表示经确定的熵的至少一个值，和/或表示经确定的不均匀性的至少一个值。
5.根据前述权利要求3或4中的任一项所述的方法，其中，在以下情况下，表示所述第一分析的所述第一值包括表示所述感兴趣区域的子区域的至少一个值：
已经确定了针对所述子区域的特征，
并且/或者已经对针对所述子区域的所述特征进行了分类，特别是关于预定义的类别或类型对针对所述子区域的所述特征进行了分类，
并且/或者已经确定了针对所述子区域的至少预定义的熵值的熵，
并且/或者已经确定了针对所述子区域的至少预定义的程度的不均匀性的不均匀性。
6.根据前述权利要求3至5中的任一项所述的方法，其中，表示所述第二分析的所述第二值包括表示经提取的特征的至少一个值、表示经分类的特征的至少一个值、表示经确定的熵的至少一个值，和/或表示经确定的不均匀性的至少一个值。
7.根据前述权利要求中的任一项所述的方法，其中，所述第一分辨率是指每厘米8至10线对(lp/cm)，并且/或者，其中，所述第二分辨率是指每厘米11至24线对(lp/cm)。
8.根据前述权利要求中的任一项所述的方法，其中，在步骤b)中应用于所述第一图像的所述医学图像处理方法包括以下子步骤：
-在所述第一图像处识别至少一个第一病变，其中，每个第一病变表示肿瘤；
-确定每个第一病变的第一边缘，其中，每个第一边缘表示相应肿瘤的活跃区域；并且
-基于所述至少一个第一边缘来确定所述第一值。
9.根据前述权利要求中的任一项所述的方法，其中，在步骤e)中应用于所述第二图像的所述医学图像处理方法包括以下子步骤：
-在所述第二图像处识别至少一个第二病变，其中，每个第二病变表示肿瘤；
-确定每个第二病变的第二边缘，其中，每个第二边缘表示相应肿瘤的活跃区域；并且
-基于所述至少一个第二边缘来确定所述第二值。
10.根据前一权利要求所述的方法，其中，步骤c)包括以下子步骤：
-针对每个第一病变确定所述对象的感兴趣区域内的子范围，使得每个子范围表示相应第一病变的所述第一边缘或所述第一边缘的至少部分；并且
-基于至少所述子范围来确定所述对象的所述感兴趣范围。
11.根据前一权利要求所述的方法，其中，所述子范围中的至少一个是轴向范围，所述轴向范围表示转移组织的区，特别是转移组织的最大区。
12.根据前述权利要求中的任一项所述的方法，其中，所述第二CT扫描包括若干CT子扫描，特别是针对每个子范围的至少一个CT子扫描。
13.根据前述权利要求中的任一项所述的方法，其中，所述第二扫描是动态对比增强的CT扫描。
14.根据前述权利要求中的任一项所述的方法，还包括在步骤a)与步骤b)之间的分割步骤，其中，所述分割步骤包括以手动方式或自动方式分割在经扫描的感兴趣区域中要被分析的体积，步骤b)的所述医学图像处理方法仅被应用于所述要被分析的体积。
15.根据前述权利要求中的任一项所述的方法，
其中，步骤b)包括以下子步骤：
-从所述第一图像中提取多个体积厚片；并且
-计算每个厚片的显著性度量，其中，所述第一值表示所述多个厚片的所述显著性度量；
其中，步骤c)包括以下子步骤：
-确定所述多个厚片中的已经针对其计算出最高显著性度量的厚片；并且
-基于第一值来确定所述对象的所述感兴趣范围，使得所述感兴趣范围对应于已经针对其计算出最高显著性度量的所述厚片的至少部分。
16.一种用于医学图像分析的系统，包括：
-CT扫描器；
-控制单元；以及
-处理单元；
其中，所述控制单元被配置为控制所述CT扫描器，使得所述CT扫描器执行对对象的感兴趣区域的第一CT扫描，得到具有第一分辨率的第一图像；
其中，所述处理单元被配置为将医学图像处理方法应用于所述第一图像，得到表示所述对象的所述感兴趣区域的第一分析的第一值；
其中，所述处理单元被配置为基于所述第一值来确定所述对象的感兴趣范围；
其中，所述控制单元被配置为控制所述CT扫描器，使得所述CT扫描器执行对所述对象的所述感兴趣范围的第二CT扫描，得到具有第二分辨率的第二图像，其中，所述第二分辨率高于所述第一分辨率；并且
其中，所述处理单元被配置为将所述医学成像处理方法应用于所述第二图像，得到表示所述对象的所述感兴趣范围的第二分析的第二值。
17.一种用于控制根据权利要求16所述的系统的计算机程序单元，所述计算机程序单元当被处理单元运行时适于执行根据权利要求1至15中的任一项所述的方法的步骤。
18.一种存储有根据权利要求17所述的程序单元的计算机可读介质。
CN201680073380.9A 2015-12-17 2016-12-16 用于医学图像分析的方法和设备 Pending CN108472002A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP15200869 2015-12-17
EP15200869.4 2015-12-17
PCT/EP2016/081331 WO2017103037A1 (en) 2015-12-17 2016-12-16 Method and device for a medical image analysis

Publications (1)

Publication Number Publication Date
CN108472002A true CN108472002A (zh) 2018-08-31

Family

ID=54936853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680073380.9A Pending CN108472002A (zh) 2015-12-17 2016-12-16 用于医学图像分析的方法和设备

Country Status (4)

Country Link
US (1) US20180360402A1 (zh)
EP (1) EP3389497B1 (zh)
CN (1) CN108472002A (zh)
WO (1) WO2017103037A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109243585A (zh) * 2018-11-12 2019-01-18 上海联影医疗科技有限公司 医学图像的生成方法和医学图像处理系统及其交互方法
CN111341419A (zh) * 2020-02-19 2020-06-26 京东方科技集团股份有限公司 医学图像的处理方法、装置、系统、控制系统及存储介质
CN113056768A (zh) * 2018-11-13 2021-06-29 索尼集团公司 图像处理设备、图像处理方法和程序
CN113331854A (zh) * 2020-03-03 2021-09-03 佳能医疗系统株式会社 医用信息处理装置、医用图像诊断装置及医用信息处理方法
US11748878B2 (en) 2019-08-13 2023-09-05 Siemens Healthcare Gmbh Methods and systems for generating surrogate marker based on medical image data

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106388843A (zh) * 2016-10-25 2017-02-15 上海联影医疗科技有限公司 医学影像设备及其扫描方法
WO2018081354A1 (en) 2016-10-27 2018-05-03 Progenics Pharmaceuticals, Inc. Network for medical image analysis, decision support system, and related graphical user interface (gui) applications
EP3437559B1 (de) 2017-08-03 2020-06-24 Siemens Healthcare GmbH Ermitteln eines funktionsparameters betreffend eine lokale gewebefunktion für mehrere gewebebereiche
US10973486B2 (en) 2018-01-08 2021-04-13 Progenics Pharmaceuticals, Inc. Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination
US10441225B2 (en) * 2018-02-21 2019-10-15 Case Western Reserve University Predicting disease recurrence following trimodality therapy in non-small cell lung cancer using computed tomography derived radiomic features and clinico-pathologic features
US10888296B2 (en) 2018-06-29 2021-01-12 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for modulating radiation dose
CN113272859A (zh) 2019-01-07 2021-08-17 西尼诊断公司 用于平台中立性全身图像分段的系统及方法
CN109934231B (zh) * 2019-01-08 2023-04-18 河北科技大学 基于多方向灰度共生矩阵的棒材端面字符图像识别方法
JP2022530039A (ja) 2019-04-24 2022-06-27 プロジェニクス ファーマシューティカルズ， インコーポレイテッド 転移を検出するための骨スキャン画像の自動化された対話型の分析のためのシステムおよび方法
US11900597B2 (en) 2019-09-27 2024-02-13 Progenics Pharmaceuticals, Inc. Systems and methods for artificial intelligence-based image analysis for cancer assessment
US11564621B2 (en) 2019-09-27 2023-01-31 Progenies Pharmacenticals, Inc. Systems and methods for artificial intelligence-based image analysis for cancer assessment
US11321844B2 (en) 2020-04-23 2022-05-03 Exini Diagnostics Ab Systems and methods for deep-learning-based segmentation of composite images
US11386988B2 (en) 2020-04-23 2022-07-12 Exini Diagnostics Ab Systems and methods for deep-learning-based segmentation of composite images
US11721428B2 (en) 2020-07-06 2023-08-08 Exini Diagnostics Ab Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions
EP4248353A1 (en) * 2020-11-17 2023-09-27 Scopio Labs Ltd. Detecting scan area within hematology slides in digital microscopy

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1346438A (zh) * 2000-02-11 2002-04-24 姆拉丁·阿布比奇罗维奇·库马科夫 用x射线辐射获取物体内部结构图像的方法及其实施设备
US6574304B1 (en) * 2002-09-13 2003-06-03 Ge Medical Systems Global Technology Company, Llc Computer aided acquisition of medical images
WO2006090321A1 (en) * 2005-02-23 2006-08-31 Philips Intellectual Property & Standards Gmbh Determination of the coverage of a ct scan
US20120140874A1 (en) * 2009-05-26 2012-06-07 Tsinghua University Computer Tomography Imaging Device and Method
JP2013198747A (ja) * 2006-03-15 2013-10-03 Toshiba Corp Ｘ線ｃｔ装置
US20150356730A1 (en) * 2013-01-18 2015-12-10 H. Lee Moffitt Cancer Center And Research Institute, Inc. Quantitative predictors of tumor severity

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105030266B (zh) * 2014-04-21 2018-01-12 东芝医疗系统株式会社 X 射线计算机断层摄影装置以及扫描计划设定支援装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1346438A (zh) * 2000-02-11 2002-04-24 姆拉丁·阿布比奇罗维奇·库马科夫 用x射线辐射获取物体内部结构图像的方法及其实施设备
US6574304B1 (en) * 2002-09-13 2003-06-03 Ge Medical Systems Global Technology Company, Llc Computer aided acquisition of medical images
WO2006090321A1 (en) * 2005-02-23 2006-08-31 Philips Intellectual Property & Standards Gmbh Determination of the coverage of a ct scan
JP2013198747A (ja) * 2006-03-15 2013-10-03 Toshiba Corp Ｘ線ｃｔ装置
US20120140874A1 (en) * 2009-05-26 2012-06-07 Tsinghua University Computer Tomography Imaging Device and Method
US20150356730A1 (en) * 2013-01-18 2015-12-10 H. Lee Moffitt Cancer Center And Research Institute, Inc. Quantitative predictors of tumor severity

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109243585A (zh) * 2018-11-12 2019-01-18 上海联影医疗科技有限公司 医学图像的生成方法和医学图像处理系统及其交互方法
CN113056768A (zh) * 2018-11-13 2021-06-29 索尼集团公司 图像处理设备、图像处理方法和程序
CN113056768B (zh) * 2018-11-13 2024-01-19 索尼集团公司 图像处理设备、图像处理方法和程序
US11748878B2 (en) 2019-08-13 2023-09-05 Siemens Healthcare Gmbh Methods and systems for generating surrogate marker based on medical image data
CN111341419A (zh) * 2020-02-19 2020-06-26 京东方科技集团股份有限公司 医学图像的处理方法、装置、系统、控制系统及存储介质
CN113331854A (zh) * 2020-03-03 2021-09-03 佳能医疗系统株式会社 医用信息处理装置、医用图像诊断装置及医用信息处理方法

Also Published As

Publication number Publication date
EP3389497A1 (en) 2018-10-24
EP3389497B1 (en) 2020-12-09
WO2017103037A1 (en) 2017-06-22
US20180360402A1 (en) 2018-12-20

Similar Documents

Publication Publication Date Title
CN108472002A (zh) 用于医学图像分析的方法和设备
Tolonen et al. Methodology, clinical applications, and future directions of body composition analysis using computed tomography (CT) images: a review
US10413253B2 (en) Method and apparatus for processing medical image
US7876939B2 (en) Medical imaging system for accurate measurement evaluation of changes in a target lesion
Xu et al. Texture analysis on 18 F-FDG PET/CT images to differentiate malignant and benign bone and soft-tissue lesions
Varghese et al. Reliability of CT‐based texture features: Phantom study
JP4469594B2 (ja) 疾患関連組織変化を測定するシステム
CN101231678B (zh) 医用图像处理装置及医用图像处理方法
JP5081390B2 (ja) 腫瘍量を監視する方法及びシステム
Mesanovic et al. Automatic CT image segmentation of the lungs with region growing algorithm
NL1024858C2 (nl) Werkwijze en systeem voor luchtwegmeting.
Reeves et al. Computer-aided diagnosis for lung cancer
JP5331299B2 (ja) 解剖学的構造内の疾患に関する疾患関連の変化の患者特異的解析を実行するための方法及びシステム
CN105144241A (zh) 图像质量指数和/或基于其的成像参数推荐
CN101861126B (zh) 脉管形成的可视化
Hille et al. Vertebral body segmentation in wide range clinical routine spine MRI data
EP3220826B1 (en) Method and apparatus for processing medical image
JP5952996B2 (ja) 医用撮像データ内で可能性あるコンピュータ検出偽陽性を指し示す装置及び方法
US9763636B2 (en) Method and system for spine position detection
Sun et al. High calcium scores in coronary CT angiography: Effects of image post-processing on visualization and measurement of coronary lumen diameter
Zhai et al. Automatic quantitative analysis of pulmonary vascular morphology in CT images
US20140228667A1 (en) Determining lesions in image data of an examination object
Novikov Multiparametric quantitative and texture 18F-FDG PET/CT analysis for primary malignant tumour grade differentiation
JP6275157B2 (ja) 画像データに基づく組織表面ラフネスの定量化、及びそれに基づく疾患の存在の決定
CN109690618B (zh) 谱ct中的骨和硬斑块分割

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