CN109074432A - 用于识别和量化异常的方法与设备 - Google Patents

用于识别和量化异常的方法与设备 Download PDF

Info

Publication number
CN109074432A
CN109074432A CN201780025987.4A CN201780025987A CN109074432A CN 109074432 A CN109074432 A CN 109074432A CN 201780025987 A CN201780025987 A CN 201780025987A CN 109074432 A CN109074432 A CN 109074432A
Authority
CN
China
Prior art keywords
abnormal
data set
normal
sample
measurement result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201780025987.4A
Other languages
English (en)
Other versions
CN109074432B (zh
Inventor
R·泽巴泽
Y·彭
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.)
Quguang Intelligent Co.,Ltd.
Original Assignee
Straxcorp Pty Ltd
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
Priority claimed from AU2016900806A external-priority patent/AU2016900806A0/en
Application filed by Straxcorp Pty Ltd filed Critical Straxcorp Pty Ltd
Priority to CN202310124797.5A priority Critical patent/CN116051535A/zh
Publication of CN109074432A publication Critical patent/CN109074432A/zh
Application granted granted Critical
Publication of CN109074432B publication Critical patent/CN109074432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • 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
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • 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
    • G06T2207/30008—Bone
    • 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
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding

Abstract

一种构建异常量化器的方法包括：生成至少一个第一选定数据集和至少一个第二选定数据集；至少一个第一选定数据集包括正常的群体或样本的测量结果；至少一个第二选定数据集包括异常的群体或样本的测量结果；通过对数据集进行成像化来生成图像或图；使用第一数据集来识别图像或图中的正常区域；使用第二数据集来识别图像或图中的异常区域；根据正常区域和异常区域的比较来确定异常的定义；接收或访问至少一个第三数据集，至少一个第三数据集包括已知正常的和异常的群体或样本的测量结果；针对一个或多个预设的性能标准来测试初始定义的异常的性能；和当达到最佳性能时输出异常量化器。

Description

用于识别和量化异常的方法与设备
相关申请
本申请基于并要求2016年3月3日申请的澳大利亚专利申请No.2016900806的优先权，其内容通过引用整体并入本文。
技术领域
本发明涉及识别和量化异常的方法和设备，例如两个共同测量结果之间，并且具体地但不仅仅涉及在分析生物样本例如骨中的应用。本发明还涉及用于构建异常量化器的方法和系统，例如使用两个或更多共同测量结果，并且具体地但不仅仅涉及在分析生物样本中的应用。
背景技术
在许多领域中，有必要表征和识别出正常样本组和异常之间的区别，例如确定该组中任何特定的单独成员(例如人、产品、地球物理读数等)是否异常。这通常涉及先使用合适的设备测量样本，之后分析测量结果，通常使用统计方法，来确定它是否异常。例如，在医疗保健领域中(也在许多非医疗领域中)，通常需要定义健康的人的生理测量结果的参考范围或参考区间。这与作为特定的对象的参考框架的测试的解释或其他结果有关。例如，在参考范围内的对象可被视为正常，而在参考范围外的为异常(例如患病)。即，在这个例子中的参考范围通过具有上限和下限的参数定义，上限和下限限定了被视为正常的，异常分别由高于上限或低于下限的值所表明。
目前使用几种技术用来得到或定义特定的生物或非生物特征的参考范围。例如，表征常态的参考范围可以由两个值定义，假定的参考组的95％落入这两个值之间；假设有2.5％的正常对象(尽快确实是正常的)将具有与异常个体的区块重合的参考参数，使得2.5％的正常对象将具有低于正常区间的下限的这种参数的值。同样地，2.5％的正常对象将具有高于上限的这种参数的值。因此，在某种意义上，在该分析中有5％的正常群体会被假定为异常，但更准确地来说，有5％的正常群体被假定为具有表征着异常的特征参数的值，即使那5％构成正常群体的一部分。
在另一个例子中，正常和异常被定义为高于或低于“正常”参考群体的平均值的标准差的数量。这可以应用于骨药物中。在骨质疏松或者骨头脆弱的情况下，异常被定义为骨矿物质密度比年轻正常健康群体的平均值低少于约2.5个标准差。
在脂类药物领域，正常或异常LDL(低密度脂蛋白)水平基于不同的百分位值定义：低于20％被认为是异常低，而大于95％的参考群体被认为是异常高。
有时在定义参考范围和由此定义正常和异常时，需要额外考虑相关的群体的分布曲线的形状。在一些情况下，使用对数正态分布而不是算术正态分布，并且阈值基于所选的分布和/或所选的变换分布曲线。无论曲线的形状如何，仍然基于阈值(例如绝对数量、σ、或百分位数)来选择用于定义正常与异常的值。
然而，现有的定义这些参考范围并由此定义正常与异常的方法存在以下问题。例如，通常可能只有范围的一侧是有意义的，因此实际上使用的是“单侧”定义。对于某些病理标记物就是如此：如果低于正常群体中通常的值，则癌症抗原19-9通常被视为不具有临床显著性；骨矿物质密度(在骨领域中)如果高于某个值，则自动地被认为是正常的。因此，这些标记物经常只具有上述的参考范围的一个边界。
在另一个方法中，高于特定的百分位数(例如第5个百分位数)或低于特定的百分位数(例如第95个百分位数)的给定的参数的值被认为表征着异常；而值在这些百分位数之间的对象被认为是正常。例如，这种“双侧”定义用于定义正常血压、正常组织矿化、和正常高度。在血压的情况中，例如，“正常”对应于收缩压在120mmHg和80mmHg之间；在组织矿化的情况中，“正常”对应于矿化值(灰分)在62％和68％之间。
无论参考范围是使用单侧还是双侧方法定义，正常和异常之间的区别仍可能无法很好地得到。例如，对于一个70kg的个体来说，160m的高度可能在正常范围内(即在常态的上限和下限之间)，但对于120kg的个体来说是异常。年龄与骨矿物密度固有地相联系，孔隙率与组织矿物密度有关。因此，参考范围的上限值和下限值可能无法完全地区分正常和异常。由于值的其他决定因素使其异常，但有意义的测量结果的这些其他决定因素没有考虑进来，一个在上限和下限之间的值可能依然是异常的。因此，现有的技术在某些情况下可能无法可靠地促进疾病的识别，它的成因、发病机制、生理表现、或影响因素(如治疗)的影响可能使得样本或者对象更多或更少地正常、或从正常状态移动到异常状态、或反之亦然。
发明内容
根据本发明的第一个主要方面，提供了一种构建异常量化器的方法，该方法包括：
生成至少一个第一选定数据集和至少一个第二选定数据集；第一选定数据集包括正常的群体或样本的测量结果，第二选定数据集包括异常的群体或样本的测量结果；
通过对数据集进行成像化来生成图像或图(即，将数据集转化为图像或图)，例如将表示数据集的几何虚拟坐标转化为图像或图，从而产生表示正常的或异常的对象的点云；
使用所述第一数据集来识别图像中的正常区域；
使用所述第二数据集来识别图像中的异常区域；
基于正常区域和异常区域的比较(包括其测量结果)来确定异常的定义(例如基于形状、方向和/或定向的几何定义)；
接收或访问至少一个第三数据集，第三数据集包括已知正常的和异常的群体或样本的测量结果；
针对一个或多个预设的性能标准来测试初始的定义的异常的性能；和
当达到最佳性能时输出异常量化器；
其中正常的群体或样本的测量结果和所述异常的群体的测量结果包括共同测量结果(例如，共同相关或非共同相关的参数的二维或更多维有序的共同测量结果对)。
在一个实施例中，方法包括通过测量一个或多个正常的样本或对象来获得正常的群体或样本的测量结果，和通过测量一个或多个异常的样本或对象来获得异常的群体或样本的测量结果。
正常区域和异常区域的比较可以基于各自的区域中的各自的点，例如正常区域的中点和异常区域中的最大异常点(或“MAP”)。
本领域技术人员可以理解，通过成像化数据集生成图像或图并不需要实际显示，而是采用可以显示为图像或图的形式(无论储存在单个文件还是多个文件中)。
在一个实施例中，方法包括通过调整异常的定义来优化性能。
测量样本或群体可以包括使用计算机断层成像(CT)、核磁共振成像(MRI)或其他成像装置来获取图像，并且使用图像处理技术处理所述图像，例如WO2011/029153中所公开的或其他任意图像处理装置。
测量样本可以包括使用图像处理技术，例如WO2011/029153中所公开的或其他任意图像处理装置来处理上文所述的获取的图像。
测量样本可以包括使用分析技术来分析生物样本，例如化验。测量样本可以包括使用测量仪器来获得测量结果。测量样本可以包括使用包括化验的分析技术来分析生物样本。测量样本可以包括使用测量仪器来获得测量结果，包括化验测量仪器。
样本可以为生物样本。异常可以为肥胖。样本可以包括骨。
在一个实施例中，测量设备为成像装置。样本可以是骨，并且测量装置可以配置成输出多个不同的骨参数集。
在另一个实施例中，骨的异常为骨折脆弱性。骨折脆弱性可能是由于结构异常，包括骨量减少造成。在一个例子中，方法还包括估计由于骨量减少产生的骨折可能发生的时间段(例如两年)。
在另一个例子中，方法还包括通过调节异常的定义(例如异常阈值)来重新分类之前已经分类(例如通过骨矿物密度)的对象。例如，之前已经通过骨矿物密度的分类可能是骨质疏松或正常骨矿物密度。这些对象的年龄可能为70或更大。异常可能是年龄相关的。
在另一个实施例中，骨折脆弱性取决于脆化。
在另一个实施例中，方法还包括确定骨折脆弱性的类型，包括区分由于骨量减少造成的骨折脆弱性和由于骨脆度造成的骨折脆弱性。方法还包括根据骨折脆弱性的类型来应用治疗，或基于骨折脆弱性的类型来改变治疗(其中改变治疗可以包括停止现有治疗开始新治疗，或调整现有的治疗)。
治疗可以是罗莫珠单抗(romosuzumab)、阿巴洛肽(abaloparatide)、特立帕肽或其他合成代谢疗法，或地诺单抗(denosumab)、阿伦磷酸盐或其他抗再吸收疗法。
方法可以包括在样本的一个或多个测量结果中识别一个或多个异常。方法可以包括基于一个或多个异常应用治疗。方法可以包括基于一个或多个异常设计治疗。方法可以包括基于一个或多个异常调整治疗。
一个或多个异常可能在骨中。一个或多个异常可以包括骨折脆弱的骨。治疗可以包括合成代谢疗法或其他骨活性干预。
根据本发明的第二个主要方面，提供了一种计算机实施的方法，用于在一个或多个测量结果中识别异常，包括：接收或访问至少一个第一数据集和至少一个第二数据集，第一数据集包括正常的群体或样本的测量结果，第二数据集包括异常的群体或样本的测量结果；通过对数据集进行成像化来生成图像或图(例如对数据集进行成像化包括将表示数据集的激活虚拟坐标转化为图像或图，从而产生表示正常的或异常的对象的点云)；使用第一数据集来识别图像中的正常区域；使用第二数据集来识别图像中的异常区域；根据正常区域和异常区域的比较来确定异常的定义；
接收或访问至少一个第三数据集，第三数据集包括未知的群体或样本的测量结果；以及根据异常的定义来确定一个或多个测量结果的哪一个对应于异常。正常的群体或样本的测量结果和异常的群体的测量结果包括共同测量结果。
确定异常的定义可以包括定义正常。测量结果可以包括(共同相关或非共同相关的参数的)二维或更多维有序的共同测量结果对。
根据本发明的第三个主要方面，提供了一种计算机实施的的方法，用于构建用于定义和量化测量结果的异常的软件装置。装置也可以(例如以默认模式)定义和量化测量结果的异常的程度。
根据本方面的方法包括接收或访问至少一个第一数据集和至少一个第二数据集，第一数据集包括正常的群体或样本的测量结果，第二数据集包括异常的群体或样本的测量结果；通过对数据集进行成像化来生成图像或图(例如对数据集进行成像化包括将表示数据集的激活虚拟坐标转化为图像或图，从而产生表示正常的或异常的对象的点云)；使用第一数据集来识别图像中的正常区域；使用第二数据集来识别图像中的异常区域；根据正常区域和异常区域的比较来确定异常的定义；和输出适用于定义和量化一个或多个其他数据集中的测量结果的异常程度的软件装置。正常的群体或样本的测量结果和异常的群体的测量结果包括共同测量结果。
在一个实施例中，方法包括通过测量一个或多个正常的样本或对象来获得正常的群体或样本的测量结果，和通过测量一个或多个异常的样本或对象获得异常的群体或样本的测量结果。
该装置(或“异常量化器”)可以是分离的软件应用(例如可以下载到计算装置)、软件程序、网页、或任意计算器的形式。该装置一旦经过自我训练，也可用于定义和量化其他数据集中的异常程度。
该装置或异常量化器可以是计算装置、分离的软件应用(例如可以下载到计算装置)、软件程序、网页、或任意计算器的形式；以成像装置例如计算机断层成像(CT)、核磁共振成像(MRI)，血液测试装置例如库尔特计数器，尿液或唾液分析装置或超声的形式。该装置一旦经过自我训练，也可用于定义和量化其他数据集中的异常程度。
因此，根据本发明的第四个主要方面，提供了一种计算机实施的方法，用于在一个或多个测量结果(例如同期群中的对象或成员)中识别异常，包括：接收或访问至少一个第一数据集，第一数据集包括正常的群体或样本的测量结果；接收或访问第一或第二方面的方法所生成的异常的定义；和根据异常的定义来确定一个或多个测量结果的哪一个对应于异常。
这些方面的各个方法都可以包括以下特征。
例如，方法可以包括在识别区域之前使用图像二值化器将成像的数据集二值化。
在一个实施例中，确定正常区域包括分割对应于成像化的正常数据集的空间区域(使用任意合适的空间分割技术)。
在一个实施例中，异常区域包括分割对应于成像化的异常数据集的空间区域(使用任意合适的空间分割技术)。
在一个实施例中，方法包括使用基于阈值的分割技术或者边缘检测分割技术来分割正常和异常区域。
在另一个实施例中，方法包括使用具有噪声的应用的基于密度的空间聚类算法(DBSCAN)来分割正常和异常区域。
在另一个实施例中，方法包括使用密度分布分析来分割正常或异常区域，例如在国际专利申请公布号WO2011/029153中所公开的。
在这个实施例中，对应于该区域的点被视为第一材料，并且没有被占用的点被视为第二材料。方法还包括使用与WO2011/029153中公开的方法相当的方法来分割正常区域。这包括：
(i)识别区域(正常或异常)的所有的“粗糙”或外轮廓，即，分别使用
图像中的正常或异常的点；
(ii)从粗糙轮廓中，自动地定义图像内的多个感兴趣的区块，各个感兴趣
的区块具有一个或更多点(像素或体素)的宽度；
(iii)确定感兴趣的区块内各自的密度、强度或衰减曲线；
(iv)确定交点的位置包括定义在第一和第二材料之一中定义第一参考点，
并且采用该第一参考的作为当前参考点；
(v)确定当前参考点的最近点，该最近点在相应轮廓上并且在第一和第二
材料中的不含当前参考点的那一个材料中；
(vi)在当前参考点和最近点之间的相应轮廓的片段中定位相邻峰和谷之间
的相应轮廓的值的最大差异；
(vii)定位该片段中的拐点；
(viii)使用对应于拐点(x值)的线作为新的参考点；
(ix)使用新的参考点以识别分析的感兴趣的区块中的区域的外边缘；
(x)在依次将选择的感兴趣的区块绕着各个得出的外边缘上的参考点旋转
360°后重复步骤(i)至步骤(ix)；
(xi)合并所有分析的感兴趣的区块以识别测量结果(A)和测量结果(B)
之间的正常或异常区域的位置的外边缘。
方法可以包括通过正常定义器来定义和量化正常的程度。
方法可以包括通过异常定义器来定义和量化异常的程度。
在一个实施例中，正常定义器使用正常区域的空间特征来定义正常，比如外边缘和该区域中最中心的点。中心点是最表示正常的点，由任意合适的标准所定义；在这个实施例中，它可以是质心、几何中心、或坐标是测量结果和共同测量结果的平均值的点。最中心值的选择突出了得到正常区域中最正常的值(最正常点)的意图。
在一个实施例中，异常定义器使用异常区域的空间特征来定义异常，比如相对于正常区域的形状。
在一个实施例中，异常定义器使用线性离开向量来定义异常，其中原点通过正常定义器被确定为最正常的点，并且其方向为从最正常的点延伸到对应于异常数据集的异常区域中的各个点(可能在也可能不在与正常区域重合的区域中)的向量的总和。
在另一个实施例中，异常定义器使用路径而不是线性离开向量来定义异常。路径可以被定义为一系列连续的向量，其中第一个向量起始与正常区域中的任意点，并且向量的末端为异常区域最近的子区域中的点并且对应于异常数据集(它们可能在也可能不在与正常区域重合的区域中)。这个连续的向量起始于第一个向量的结束处，并且结束于异常中的邻近子区域，直到所有的异常区域中的子区域都被覆盖。
根据一方面，本发明提供了根据异常点或异常点的主要集中部分的空间位置来定义异常的方法，其中空间位置可以表达为相对于正常的中心的角度方向(例如从0°至360°)。即，异常数据集的点应该主要地位于正常区域之外，可以空间地定位于参考系中的任意角度，参考系的原点位于正常的最中心点，并且坐标类似于正常的中心或最正常的点的坐标。
例如，对于特定的异常的状况(可能与特定疾病相关)，异常的点可能主要地在–45°左右；在其他的异常的状况中，异常的点可能在+45°或–90°左右或其他。上文所述的离开向量与异常的方向一致或相符合。
因此，可以使用例如异常区域的形状、离开向量、或起始于正常区域的路径(如起始于最正常的点)来识别异常的空间方向。
一种方法，其中最大异常定义为更远离由正常识别器定义出的正常点(例如中点或质心)的点，并且其空间方向中异常由通过异常定义器识别的形式出现。
一种方法，其中异常的量级由异常量化器量化，量化为它们的有关于识别出的最大异常的空间位置的函数。这可以是在最大疾病点附近的正方形区域、长方形区域、三角形区域、或椭圆形区域。
在一个实施例中，异常被量化为与识别出的最大异常的距离。在另一个实施例中，方法包括将异常作为与最大异常的加权距离来处理。在另一个实施例中，方法包括将异常作为与最大异常的加权距离和与离开路径的偏差或离开路径来量化。
方法可以包括通过测试识别的异常值的性能来优化异常识别器的结果。
方法可以包括控制正常识别器以调整用于识别正常的特征(例如最正常的点、边缘等)和/或控制异常定义器以调整用于识别异常的特征(例如形状、线性向量、离开路径等)。
方法可以包括在识别异常值中重新测试根据本发明所确定的异常的特征的性能，直到达到合适的性能。这个合适的性能可以是预设值。
方法可以包括异常定义器在另一组两个或更多的共同测量结果中定义异常。
合并两个或更多个优化的结果可以包括将在至少一个矩阵(表示共同测量结果)中测量结果表现为异常的对象定义为异常，由两个或更多的成像化数据集表示，或将在多数矩阵(表示共同测量结果)中测量结果表现为异常的对象定义为异常，由两个或更多的成像化的数据集表示。
在一个实施例中，可以设置异常量化器构建器，以使得所有的正常共同测量结果都占据一个预定义的比例(例如0至100)。在这个实施例中，无论异常如何，最大异常(或疾病点)都被设置为0。因此，这提供了异常的通用定义。
之后，这个异常量化器构建器输出“异常量化器”。在一个实施例中，异常量化器作为软件实施。
在其他实施例中，异常量化器作为分离的软件应用实施，通过量化特定的异常的网页或其他任意计算器提供。
另一个实施例中，异常量化器设置为输出定义和量化用于其自我训练的测量结果异常的程度。
根据其他的主要方面，本发明提供了配置为实施上述任意一种方法的设备。
例如，在一个方面，本发明提供了用于在一个或多个测量结果(例如同期群中的对象或成员)中识别异常的设备，设备包括：处理器；存储器；数据成像器，配置成通过对至少第一和第二数据集进行成像化来生成图像或图(例如成像化数据集包括将表示数据集的激活虚拟坐标转化为图像或图，从而产生表示正常的或异常的对象的点的云)；区域识别器，配置成使用第一数据集来识别图像中的正常区域，和使用第二数据集来识别图像中的异常区域；异常定义器，配置成根据正常区域和异常区域的比较来确定异常的定义；和输出器，用于输出至少一个结果。第一和第二数据集包括共同测量结果。
对第一和第二数据集进行成像化可以包括将表示数据集的几何虚拟坐标转化为图像，得到表示正常的或异常的对象的点云。
设备可以包括配置成确定正常的定义的正常定义器。设备可以包括二值化器。
根据其他的主要方面，本发明提供了一种可执行的指令或软件(如实施在计算机可读介质内，例如可执行指令嵌入或永久储存于介质中)，当可执行指令或软件被计算装置或计算装置的处理器执行时，使得计算装置或处理器执行上述方面中的任意一种方法。
通常分析步骤的结果被输出，以用来定义正常和异常，但可以输出到存储器或存储介质中用于以后使用。
根据另一个主要方面，本发明提供了一种具有可执行的指令或软件的计算装置，当所述可执行指令或软件被计算装置或计算装置的处理器执行时，使得计算装置或计算装置的处理器执行上述方面中的任意一种方法。
可以理解的是，本发明的各个方面的各种单独特征中的任意一个，和本文包括权利要求所描述的实施例中的各种单独特征中的任意一个，都可以合适地和期望地结合。
附图说明
为了更清楚地确定本发明，参考附图，通过示例的方式描述实施例，其中：
图1A为根据本发明的一个实施例的异常量化器构建器的示意图；
图1B为图1A中异常量化器构建器构建一个异常量化器时的操作示意图；
图2为图1A的异常量化器构建器的测量装置的示意图；
图3A为根据本发明的一个实施例的用于识别和量化异常值的系统的示意图；
图3B为根据本发明的一个实施例的图3A的系统的更具体的示意图；
图3C为根据本发明的一个实施例的图3A的系统的图像处理器的处理控制器的存储器的示意图；
图4为根据本发明的一个实施例的图3A的系统的图像处理器的处理控制器的示意图；
图5为根据本发明的一个实施例的图3A的系统的异常量化器构建器的处理控制器的操作示意图；
图6示出了在根据本发明的一个实施例的图3A的系统的应用中可以使得测量结果无单位的方式；
图7A至7D示出了通过图3A的系统，对包括异常和正常参考群体的骨小梁密度和骨孔隙率的数据集的分析；
图8示出了根据本发明的实施例，基于由根据本发明的一个实施例的图3A的系统异常量化器构建器获得的异常的定义，识别异常；
图9A至9C示出了使用参考群体的皮质骨孔隙率和骨矿化的测量结果产生数据集的图像的示例，和根据本发明的一个实施例的用于确定正常和异常的对它们的分析；
图10A至图10C示出了当统计学方法没有显示出由与零不同的相关系数定义的相互作用时，使用图3A的系统来测量两个测量结果之间的相互作用中的相互作用和变化。
具体实施方式
根据本发明的一个实施例的异常量化器构建器4如图1A中的2所示地操作，图1B为在构建异常量化器时，异常量化器构建器4的更具体的操作示意6。一般地说，样本集A、B、C、……、N上传到异常量化器构建器4，之后异常量化器构建器4构建用于这些样本集的异常识别器。输出的异常量化器被设计为在一个或多个样本集中量化异常。
如图1B所示，异常量化器构建器4按照如下所述操作：例如，样本集A可以涉及个体，个体的解剖学部分比如骨、心脏、脑、肾脏，或生物样本比如唾液、血液或尿液。样本也可以为非生物材料，例如岩石。样本集也可以包括任意上述材料的一个或多个图像。
异常量化器构建器4将样本集划分为两个群体：正常样本的第一群体(“样本集A1”)和异常样本的第二群体(“样本集A2”)。样本集A1不含异常，但样本集A2可能含有多个异常。异常量化器构建器4构建出可以量化出存在于样本集A中的特定异常的异常量化器。
异常量化器构建器4的控制器8控制异常量化器构建器4的测量装置12，以输出正常和异常样本集A1和A2的选定的测量结果的集。选定的测量结果的集是基于可以对于特定的异常区分正常和异常的可能的能力来选择的。例如，如果异常是骨折脆弱的骨，则测量结果的组可以是皮质骨孔隙率和骨小梁密度，或者当异常是肥胖时可以是高度和重量。
异常量化器构建器4也可以预设，以构建用于一个或多个特定样本和这些样本中的特定异常的异常量化器。在这种情况下，异常量化器构建器4自动地识别样本集并且在没有控制器8的输入的情况下实现特定的期望测量。
之后测量结果(通常自动地)上传到异常量化器构建器4的异常识别器13。在其他情况下，如果测量结果由异常量化器构建器4的测量装置12之外的测量装置实现，控制器8可以将测量结果上传到异常识别器13中。
之后异常识别器13处理正常和异常测量结果的集，并且定义异常。接下来，异常量化器构建器4请求第三个样本群体(样本集A3)。样本集A3为测试群体。它包括在样本集A中已知正常的和异常的示例。测量装置12测量并且提供可能将正常和异常样本区分到建立的异常量化器的预选的测量结果。异常量化器测试并调整其自身的性能。如果无法达到期望的性能，则异常量化器构建器4向控制器8输出在期望的性能水平上无法构建可接受的用于样本集和异常的异常量化器。如果达到了期望的性能，则异常量化器构建器4输出用于样本集A和特定的异常的异常量化器。
图3A为测量装置12的示意图。测量装置12包括图像采集装置15、图像处理器16、生物样本分析器17、一个或多个其他测量仪器18、和控制软件19。
图3A中的20示出了一个根据本发明的一个实施例，由异常量化器构建器4构建的用于识别和量化异常(可以被称为异常识别器)的系统，示出为具有数据源21。系统20包括数据输入22和图像处理器23。图像处理器23包括处理控制器24；处理控制器24包括几个如下文所描述的组件。图像处理器23也包括用户界面25。在这个示例中，用户界面25包括显示器26和键盘27，但可以理解的是，也可以采用其他已知的用户界面或其组合，包括电脑鼠标、触摸屏、扫描仪、打印机和其他计算装置。
例如，数据源21可以包括数据收集/创建装置(例如具有数据分析能力的CT扫描仪)、数据库计算机可读数据介质、具有用户界面的计算装置、或连接到这些中任意的网络连接。
图3B和图3C是系统10中的组件的更详细的示意图。如图3B所示，处理控制器24包括相互连通的处理器30和存储器34。如图3C所示，存储器34包括RAM 36、EPROM 38和大容量存储器40。大容量存储器40可以存有指令集，并且在需要时指令集加载到RAM 36中用于被处理器30执行。指令集适应于控制系统10以执行本实施例的方法的步骤，如下文所述。
数据输入22适应于从数据源21接收数据集。如下文所更具体描述的，这些数据集包括一个或多个正常值的数据集(即，对应于正常对象的一个或多个同期群的数据)和一个或多个异常值的数据集(即，对应于异常对象的一个或多个同期群的数据)。在这个示例中，每个数据集包括二维数据点，即包括有序的值的对。这些值涉及对象的各个身体特征。可以理解的是，可以采用其他维度(无论是一、三或更高)的数据，各自包括一个、三个或更多值，值分别涉及对象的各个特征。在这个示例中，每个数据点包括一个有序的值的对，第一个值可以被称为“测量结果”和第二个值被称为“共同测量结果”，或者第一个被称为“测量结果A”和第二个被称为“测量结果B”。如果，例如，数据集包括对象的一个同期群的高度和重量的测量的值(例如当异常是肥胖时)，则可以将高度称为测量结果并将重量称为共同测量结果，或反之亦然；或者可以将身高的测量结果称为测量结果A并将重量的测量结果称为测量结果B，或反之亦然。然而，这种属于并不意味着在测量结果和共同测量结果(或测量结果A和测量结果B)之间必须要有相关性。在某些内容中，术语“共同测量结果”指的是一组测量结果的有序的对(或三元组等)但这可以从上下文中显而易见。
这些数据可以上传到构建异常量化器的异常量化器构建器(见图5)中，异常量化器以网页、分离的软件应用、软件、或任意计算器的形式输出。异常量化器输出的结果也可以作为异常的量化测量而不是异常量化器装置。
图4为图像处理器23的处理控制器24和用户界面25的示意图。控制处理器24包括处理器30和存储器34。处理器30包括数据成像器48、二值化器50、区域识别器52、正常定义器54、异常定义器56、性能测试器58、结果优化器60、输出器62、输出混合64和最终输出器66。
数据成像器48、二值化器50、区域识别器52、量化定义器54、异常定义器56、性能测试器58、结果优化器60、输出器62也可以设置为或构成异常量化器构建器68，其特性和操作如下文所描述。然而，可以理解的是，异常量化器构建器68也配置为基于已知分别来源于正常和异常群体的示例数据集构建软件装置，以使得异常量化器构建器68可以用于之后的源于类似群体的数据集并且确定之后的数据集中的点是“正常”还是“异常”。
存储器34包括上文所述的指示集70、数据集1、2、…、n的数据集存储器72(用于存储各个数据集)、图像存储器74(用于储存数据成像器生成的图像)、子输出存储器76(用于存储子输出1、2、…、n)、和结果存储器78。
图像成像器48适用于将正常和异常值转换为图像或图(在这个上下文中可以被视为是同义的)。这种处理可以被称为数据集的成像化。数据成像器48之后可以控制系统10输出结果的图像或图(例如，参见图7A至图7D和图8中所绘出的)，以输出到显示器26以供用户检查，但可以理解的是，输出图像或图并不是必要的。
这种通过数据成像器48的成像化过程可以可选地包括二值化。二值化的目的在于，在对精确度有害影响最小的情况下改善图像处理(包括在图像内区域的识别)。任意合适的二值化技术都可以采用。
二值化后，图像以如下的方式处理以识别正常和异常区域。正常和异常的数据集中的所有点分别被赋予同样的值，以得到图像，图像中属于所提出的群体(正常或异常)的点为前景，而那些不属于任何数据集的为背景。
在数据集成像化后(并且可选地二值化后)，区域识别器52处理图像(即成像化的数据集)以识别正常和异常区域，正常和异常区域分别对应于正常数据的数据集所生成的区域和异常数据的数据集所生成的区域。
应当注意的是，区域识别器52识别图像中的正常和异常区域并不需要查看图像。
在一个实施例中，区域识别器52使用“基于密度的空间聚类算法”(DBSCAN)技术。这种技术将紧密堆积的点组合在一起，将单独地处在低密度区块内的点标记为离群值。该算法将点的集分类为三种：核心点、密度可达点和离群值，如下所述：
i)点p的邻域是其在距离r内的范围。如果在其邻域内至少有m个点，则点p为核心点。这些点被称为可以从p直接到达。没有点可以从一个非核心点直接到达。
ii)点q可以从p直接到达是存在路径p1,...,pn，p1＝p并且pn＝q，其中每一个pi+1都可以从pi直接到达。
iii)所有不能从任意的其他点到达的点都被确定为离群值。
然而，在本实施例中，区域识别器52使用的是WO 2011/029153中所公开的图像处理技术。该技术包括：
(xii)识别区域(正常或异常)的所有的“粗糙”或外轮廓，即，分别使
用图像中的正常或异常的点；
(xiii)从粗糙轮廓中，自动地定义图像内的多个感兴趣的区块，各个感兴
趣的区块具有一个或更多点(像素或体素)的宽度；
(xiv)确定感兴趣的区块内各自的密度、强度或衰减曲线；
(xv)确定交点的位置包括定义在第一和第二材料之一中定义第一参考点，
并且采用该第一参考的作为当前参考点；
(xvi)确定当前参考点的最近点，该最近点在相应轮廓上并且在第一和第
二材料中的不含当前参考点的那一个材料中；
(xvii)在当前参考点和最近点之间的相应轮廓的片段中定位相邻峰和谷之
间的相应轮廓的值的最大差异；
(xviii)定位该片段中的拐点；
(xix)使用对应于拐点(x值)的线作为新的参考点；
(xx)使用新的参考点以识别分析的感兴趣的区块中的区域的外边缘；
(xxi)在依次将选择的感兴趣的区块绕着各个得出的外边缘上的参考点旋
转360°后重复步骤(i)至步骤(ix)；
(xxii)合并所有分析的感兴趣的区块以识别测量结果(A)和测量结果(B)
之间的正常或异常区域的位置的外边缘。
根据这个实施例，在区域识别器52通过分割成像化的数据集定义正常或异常区域之后，正常定义器54和异常定义器56定义正常和异常，并且异常定义器56量化异常的程度。
在这个实施例中，正常定义器54使用分割的正常区域的空间几何特征来定义正常。
为了定义正常，正常定义器54在正常区域的外边缘或最中心点的方面这样做。最中心点可以是质心、或坐标是测量结果和共同测量结果的平均值的点。异常量化器构建器68选择最中心点以确保其捕获正常区域中的最正常值(即“最正常的点”)。
在正常定义器54定义了正常之后，异常定义器56使用定义的正常值和异常区域的特征来定义异常。用于定义异常的异常区域的特征可以包括形状、特别是与正常区域的形状相关的形状。默认情况下，在这个实施例中，异常定义器58采用定义为异常的方向的离开向量(例如，“–45°”，如大约在如图7A所示的情况中)作为异常量化器。
异常区域的形状及其相关于正常区域的那些特征(例如，最正常点如质心)的定向可以用于定义异常。异常区域的空间定向可以用于定义异常，因为离开正常区域的点可以在正常区域的任意点上离开。
为了确定异常的空间定向，异常定义器56可以查明异常区域具有通常的椭圆形状或可以相当地以椭圆表征，因此源自正常区域的椭圆的主轴是最正常的(即代表性的)可以用于表征异常区域的空间定向的点。
异常定义器56可以查明异常区域具有其他形状，但在每种情况下，这种形状及其定向可以用于表征异常区域及其空间定向。
在这个实施例中，异常定义器56使用线性离开向量定义异常，其中原点通过正常定义器54被确定为最正常的点，并且其方向为从最正常的点延伸到对应于异常数据集的异常区域中的各个点(可能在也可能不在与正常区域重合的区域中)的向量的总和。
在另一个实施例中，异常定义器56使用路径而不是线性离开向量定义异常。路径可以被定义为一系列连续的向量，其中第一个起始与正常区域中的任意点，并且向量的末端为异常区域最近的子区域中的点并且对应于异常数据集(它们可能在也可能不在与正常区域重合的区域中)。这个连续的向量起始于第一个向量的结束处，并且结束于异常中的邻近子区域，直到所有的异常区域中的子区域都被覆盖。
异常定义器56可以根据需要通过其他技术定义异常，但不管异常定义器56采用何种方法来定义异常，异常定义器56之后都使用异常的方向来寻找点最大异常。
在这个实施例中，最大异常被定义为在异常定义器56定义为异常方向的方向上，距离正常识别器54所识别的正常点最远的点。正常点可以是与两个共同测量结果的平均值都对应的点。
在识别最大异常之后，异常定义器56量化异常的量级，量化为相对于识别出的最大异常的空间位置的函数。这可以是在最大异常点附近的正方形区域、长方形区域、三角形区域、或椭圆形区域。
在另一个实施例中，异常定义器56可以将异常量化为与识别出的最大异常的距离。在另外一个实施例中，异常定义器56可以将异常量化为与最大异常的加权距离，或量化为与最大异常的加权距离和离开向量或离开路径的偏差。例如，有一个出口向量(假设-45°)，离开点距离这个最佳离开角越远，它为异常的可能就越小。
接下来，结果优化器60通过测试识别的异常值的性能来优化异常识别器56的结果。异常识别器56向结果优化器60提供结果，然后结果优化器60确定结果是否可以接受。可以采用异常识别器56的最小可接受的性能的预设值。例如，预设值可以是70％，意味着异常识别器56必须被发现正确地将异常点中的70％识别为异常，被认为是令人满意的。
为了优化结果，结果优化器60测试结果的性能。这可以使用任何合适的测量结果输出的性能测试来完成，例如接收者操作特征(ROC)、或ROC曲线、比值比或其他任意形式的性能评估测试。
异常量化器构建器68可以具有预设的性能阈值。如果达到了阈值，可以控制异常量化器定义器68来输出准备好定义测量结果和共同测量结果之间的异常的装置。
如果没有达到预设的性能阈值，结果优化器60可以通过控制正常定义器54调整用于识别正常的特征(如，最正常的点、边缘等)和/或控制异常定义器56调整用于识别异常的特征(如形状、线性向量、离开路径等)来改进结果。
当完成后，性能测试器58再次测试议程定义器56的性能。这可以包括测试预设的正常值。这个过程可以重复预定的次数(如10次)。当所有可能的预设选择(例如，范围从圆到短轴约等于0的椭圆的形状)都被检查时，结果优化器60将共同测量结果的结果提供到输出器62。
输出器62评估其他数据集是否需要处理。如果不，则输出器62输出结果；如果是，则分析其他数据集的集——即，处理返回到数据成像器48，在这里开始处理下一个数据集(其可以涉及不同的异常条件或者涉及之前的数据集中另外的测量结果组)。
在所有的共同测量结果被分析之后，输出混合器64混合将异常的结果混合。例如输出混合器64可以根据下述标准中的任意一个来混合异常的结果：
测量结果在至少一个矩阵(表示共同测量结果)中表现为异常，由两个更多的成像化的数据集表示；
测量结果在大部分这样的矩阵中表现为异常；和/或
表现为异常的测量结果是这样的矩阵中最少的。
参见图6，在一个实施例中，异常量化器构建器68可以被配置为以使得所有的正常测量结果(A、B)在预定的比例(例如0至100)，因此有效地去单位化。在这个示例中，无论异常如何，最大异常点(其可能相对应于疾病点)都被设置为0。因此，这提供了异常的通用定义。图6示意性地描绘了这种概念。
之后，异常量化器构建器68输出“异常量化器”。在一个实施例中，“异常量化器”为软件。在另一个实施例中，异常量化器为分离的软件应用、量化特定的异常的网页、或其他任意计算器。在另一个实施例中，异常量化器为成像装置、分析生物样本的装置、或超声装置。
在另一个实施例中，异常量化器为定义和量化自我训练的量化的测量结果的异常的程度。
在一个实施例中，异常量化器为医疗装置，例如成像装置，其测量装置为具有内置图像处理软件的计算机断层成像(CT)扫描仪。在另一个实施例中，异常量化器为医疗装置，其具有以图像处理装置形式的测量装置。这种图像处理装置可以使用任意合适的图像处理技术(例如国际专利申请WO 2011/029153中所公开的)。在另一个实施例中，意料装置为生物样本的分析器，例如化验。医疗装置可以识别异常，例如由疾病生成的或正常生理过程例如老化或体育锻炼产生的异常。在这些情况下，医疗装置可以用作个体的疾病的诊断的辅助手段。医疗设备可以量化异常的程度由于治疗或影响因素产生的变化，影响因素例如有生活方式因素(吸烟、饮酒、锻炼等)。在这些情况下，医疗装置可以用作监测治疗或影响因素在个体上的效果的辅助手段。
在本说明中，通过异常量化器的构建器构建的医疗装置为识别和量化骨中的异常的程度的装置(见下文示例)。异常可以是骨折脆弱性的骨，并且因此需要治疗来降低骨中异常的程度。在这些情况下，可以使用重复量化异常的程度以监测治疗。有许多治疗可以用于这样做，例如抗再吸收剂(例如阿伦磷酸盐、地诺单抗、利塞膦酸盐、选择性雌激素受体调节物(SERM)和奥当卡替(odanacatib))。治疗可以包括合成代替疗法，例如使用特立帕肽(间歇性甲状旁腺激素)、或甲状旁腺激素相关蛋白(PTH rp)例如阿巴洛肽、或人源化抗骨硬化单克隆抗体例如罗莫珠单抗。治疗也可能还需要生活方式因素的调整，例如锻炼、奶制品、钙质、和维生素D摄取。
根据另一个实施例，本发明提供了可执行指令或软件(如采用在计算机可读介质中，例如具有嵌入或永久存储在其中的可执行指令和软件)，当可执行指令或软件被计算机或计算机的处理器所执行时，使得计算机或处理器运行如上文所述的用于分析(可选地，共同相关的)测量结果的集的方法，以输出两个共同测量结果之间的异常的程度，或输出可以用于使用以定义和量化两个共同测量结果之间的异常的程度的设备。
通常分析步骤的结果被输出，以用来定义正常和异常，但也可以输出到存储器或存储介质中用于以后使用，可以输出成装置(应用、软件、网页、或其他任意的计算器)。
根据另一个实施例，本发明提供了一种具有可执行的指令或软件的计算装置，当所述可执行指令或软件被计算装置或计算装置的处理器执行时，使得计算装置或计算装置的处理器执行上文所述的用于分析共同相关的变量的数据的方法。
因此，这个实施例试图解决至少部分在现有方法中存在的缺点引起的某些问题。它考虑数据点的空间位置以确定特定的点为正常还是异常，并且通过空间方向定义异常，其中空间方向中离开的点和离开的量级被定义为与疾病相关，因此无论绝对值如何，异常的量级都和与预期位置的偏差有关。
示例
示例1在这个示例中，样本为骨，异常为骨脆性(即骨折脆弱性的骨)，并且是由于骨量减少或者“骨头太小”——通常被称作骨质疏松。
骨的图像由CT扫描仪收集。异常量化器构建器4的测量装置是使用国际专利申请号WO 2011/029153所公开的图像处理技术的图像处理器。处理器预选择为自动地输出用于异常识别器的骨孔隙率(以百分比确定)和骨小梁密度(以mgHA/cc为单位确定)。这些测量结果是基于如果骨量减少，这种减少在皮质和骨小梁腔室中都是明显的这种假设预选择的。这使得这些测量结果可能是由于骨脆性造成的骨折的良好标记物。如果该这些测量结果是骨折类型的良好标记物的假设是有缺陷的或错误的，则异常量化器构建器4将不会期望为这种骨异常的类型构建异常量化器；这是因为无论异常量化器优化异常定义的水平如何，任何构建异常量化器的尝试都将会无法满足接受标准。如果是这种情况，则需要选择(或预选)可能是骨量减少的替代的不同的参数并且由异常量化器构建器4使用直到可以构建出异常量化器。这种对其他可能的参数的选择或预选可以是自动的或由控制器根据需要输入。然而，如果假设骨孔隙率和骨小梁密度是骨脆性的良好标志物，则异常量化器构建器将能够为这种类型的骨脆性建立异常量化器。
图7A至图7D显示了异常量化器构建器4由不同的群体的孔隙率和骨小梁密度的测量结果值创造的数据集的图像的示例，和它们根据本发明的实施例的用于确定正常和异常的分析。图7A为源自包括正常和异常对象的参考群体的骨小梁密度和骨孔隙率的值的数据集的图像120。
在这个图中，实心点表示正常对象，正常区域由曲线122表示。“中间正常点”A确定为所有正常点的“质量中心”。中间正常点A在图像120中定义了四个象限，其边界由穿过中间正常点A的水平和竖直轴124和126定义。
由于记录的骨量减少而骨折的对象(其中有35个)用空心圆显示：对象可被描述为患病或“异常”。
如果异常的识别只基于高孔隙率(正常和高孔隙率之间的阈值由虚线128在大约43.9％处表示)，则35个异常对象中的25个(仅有71.4％)被识别为异常并且17个正常对象会被识别为异常。这使得阳性预测值为17+25/52＝59.5％。
如果异常的识别只基于年轻正常的第五个百分位的阈值低骨小梁密度(由水平的虚线130表示)，则35个异常对象中的13个(仅有37.1％)被识别为异常并且18个正常对象会被识别为异常。这使得阳性预测值为13/(13+18)＝41.9％。
通过在一个阈值方式中结合这两个测试，35个异常对象中的32个(91.4％)被识别为异常，但35个正常对象会被识别为异常，得到较低的50％的整体预测值。
根据这个实施例，异常定义器使用图像120中对应于异常的点(即“中间正常点”A)以寻找离开(或异常)向量(V)。如图7B所示，向量V1、V2、…、Vn被确定为从中间正常点A到各个异常点的向量。则离开向量V被确定为所有向量V1、V2、…、Vn的总和；即，V＝V1+V2+…+Vn。
之后，异常定义器使用离开向量V确定最大异常点(MAP)。最大异常点显示在图中。
之后异常可以基于MAP和其他点之间的差异的大小来量化。有多种方法可以使用。
在这个实施例中，所有的点都投影到离开向量V上。异常量化为到最大异常点MAP的距离x。在这个示例中，这使得阳性预测值为27/31(87.1％)。
图8显示了数据集的图像140，数据集包括图7A至7D显示的数据和涉及独立的77个骨折的对象的同期组群的数据(显示为阴影圆)。图8显示了根据本发明的一个实施例对于异常的识别。
如图7A至图7D中，输出或参考数据以空心圆示出；来源于图7A中的图像120的分析的离开向量V也显示在图8中。本实施例的方法，一旦应用在具有骨折的对象的同期群组上，就将77个骨折病人中的57个捕获为异常，4个正常值捕获为异常。这具有93.4％的预测阳性值，为一个令人满意的性能。
因此，异常量化器构建器4为量化由于“骨头太小”造成的骨折脆弱性建立了异常量化器。这可以帮助识别具有这种异常的具有骨折脆弱性的对象，以调整可以用于降低异常的水平的因子，例如治疗。
当异常识别器识别出异常，可以启动治疗以调整异常的程度。已知抗再吸收剂例如阿仑膦酸或地诺单抗，合成代谢疗法例如PTH、PTHrp和罗莫珠单抗(Romosozumab)能降低孔隙率并且增加骨小梁密度。这些治疗会使得样本孔隙率和骨小梁密度移动得离MAP更远，并且这种效应可以用来辅助监测这些治疗的有效性。样本相对于MAP随着时间的移动速率、和样本的这些测量结果的空间位置变化程度，不仅可以用于辅助治疗的监测，还可以用于评估不同治疗的有效性的区别。更有效或更强力的治疗会将样本测量结果以一定速率随时间和/或在最大程度远离MAP。
并且，不同的治疗具有不同的效力或有效性。例如，合成代谢疗法构建骨骼并且比抗再吸收剂更有效力，由这个骨异常量化出的程度较大的异常(即，严重的骨量减少)可以帮助促使健康专业人员使用合成代谢疗法，而程度较小的异常(骨量减少不太严重)可以帮助促使健康专业人员改用抗再吸收剂。因此，这种异常量化可以帮助治疗的选择。
示例2
和示例1中一样，这个示例中的样本或群体是骨。然而，异常为骨脆性(即骨折脆弱性的骨)，并不是由于骨量减少(“骨头太小”或骨质疏松)造成，而是由于骨具有相对正常的量但骨脆化而造成。
骨的图像由CT扫描器收集。异常量化器构建器4的测量装置与示例1中使用的相同：使用国际专利申请号WO 2011/029153所公开的图像处理技术的图像处理器。处理器预选择为自动地输出用于异常识别器的骨孔隙率(以百分比确定)和骨矿化(以百分比确定)。这些测量结果是基于如果骨量减少并且矿化水平增加，则微裂纹会更加容易产生和传播，从而达到灾难性破坏点(即骨折)的这种假设而预选择的。因此，这两种测量结果可以是这种骨脆性的良好标记物。如果这个假设是错误的，则异常量化器构建器4无法通过测量这两种参数来输出用于这种类型的骨脆性的异常量化器。异常量化器构建器4会被预设(即预编程)以测量其他有可能的候选测量结果直到建立一个异常量化器，或控制器可以向构建器输入其他可能的候选。
图9A至图9C显示了异常量化器构建器4由使用参照群体的皮质孔隙率和骨矿化的测量结果产生的数据集的图像的示例，和它们根据本发明的实施例的用于确定正常和异常的分析。
异常量化器构建器4使用于示例1中所描述的类似的处理，但构建出用于这种骨脆性的异常量化器。然而应当注意，可以使用与上文描述的处理的不同处理，例如使用形状、离开路径而不是向量。
图9A是矿化(％)(或MN)与孔隙率的关系图，并描绘了基于脆化的异常量化器。在图9A中，灰色的点表示正常对象，并且正常区域由曲线132表示轮廓。“中间正常点”A确定为来自所有正常对象的孔隙率和矿化的平均。中间正常点A在图像中定义了四个象限，其边界由穿过中间正常点A的水平和竖直轴定义。
具有由于记录的骨脆性造成的骨折的对象，其中有49例承受了不是非典型股骨骨折(AFFs)的不常见类型的骨折，以黑色圆表示：根据本实施例，异常定义器56使用了本图中对应于这种异常的点(即，“中间正常点”A)以寻找离开(或异常)向量(V)。如图9A所示，向量V1、V2、…、Vn被确定为从中间正常点A到各个异常点的向量。则离开向量V被确定为所有向量V1、V2、…、Vn的总和；即，V＝V1+V2+…+Vn。
之后异常定义器56使用离开向量V确定最大异常点(MAP)。最大异常点显示在图中。之后异常可以集体MAP和其他点之间的差异的大小来量化。
在这个实施例中，异常定义器56的性能通过使用第三数据集来进一步测试，第三数据集包含具有非典型股骨骨折(由于骨脆化)的异常对象和其他组具有此时经典的或典型的由于骨量减少的骨折(见图9B)的异常对象的混合。具有由于骨脆化增加造成的骨折的对象和具有由于骨量减少造成的骨折的对象具有同样的年龄。这是为了确保构建的异常量化器具有加强的性能，以使得其可以在合理的准确程度上区分具有由于骨脆化增加造成的骨折的对象与具有由于骨量减少“骨头太小”造成的骨折的对象。
在图9B中，可以看出由于骨量减少而造成骨折易碎骨的对象远离离开向量(V)，显示为距离(D1)，也远离MAP，显示为距离(D2)。D1+D2的简单组合(表示为材料脆性评分，MFS)使得在合理的准确程度上区分具有由于骨脆化增加造成的骨折脆弱性的对象与具有由于骨量减少造成的骨折脆弱性的骨的对象，准确程度如接收者操作特征(ROC)、或ROC曲线(图9C)所示。值得注意的是，为实现这些，也可以使用D1和D2的其他组合。
异常量化器构建器4构建的异常量化器，如示例2中的，可以有助于骨折脆弱性的诊断、治疗的决定、治疗的监测和治疗决策。关于治疗决策，它的区分两种骨折脆弱性的骨的能力是尤其重要的。
目前的识别具有骨折脆弱性的骨的病人、启动治疗和监测治疗的方法是基于复合的测量结果(即骨量和制造骨的基质的材料密度的混合)；因此使得这些方法无法准确地哪种异常的种类是造成对象骨折的原因。这些方法包括但不限于骨矿物密度(目前骨脆性诊断的黄金标准)、有限元分析例如用于骨强度评估的一种用途；骨质地测量、或其他腔室水平上的骨密度测量，例如单独皮质密度测量或单独骨小梁密度测量、或基于超声的骨强度测量。作为这些测试的缺点的一个示例，具有正常骨量且矿化高到变脆的骨的对象会被视为正常，因为平均密度可能是正常或高。例如有限元分析中的密度越高骨越强的假设也会错误地暗示骨更强。相反，本发明中构建的异常量化器会将这种骨识别为由于脆化造成的骨折脆弱性，而与平均密度无关。
这两种骨折脆弱性类型的区分对于治疗的决策是很重要的。不同的用于治疗骨折脆弱性的骨的药物对于骨矿化有不同的副作用，并且因此可以影响或改变骨变脆的可能性。
抗再吸收剂例如阿伦磷酸盐、利塞膦酸盐、或地诺单抗可以抑制重塑(即，冻结骨骼)并且因此允许矿化继续；使用这些药物，健康专业人员目前可以以不受限制的方式继续矿化。因此，对于这些药物，矿化可以发展到骨变脆的程度。确实存在施用抗再吸收剂的病人由于脆化增加造成骨折的记录病例，这被认为可能是由于矿化的无保证的变化造成的。异常量化器的构建器构建的异常量化器可以通过以下的方式在使用抗再吸收剂时帮助治疗决策：
(i)如果对象被异常识别器识别为具有高水平的倾向于增加骨脆化的异常，则健康专业人员可以决定不给该对象开始施用抗再吸收剂；
(ii)如果对象已经开始施用抗再吸收剂并且异常将对象识别为高水平的倾向于增加脆化的异常，则健康专业人员可以决定停止治疗，调节抗再吸收剂的剂量，或考虑替代的治疗；
(iii)如果在重复测量期间，当监测到病人的倾向于增加脆化的异常的水平显示为增加时，则这可以帮助健康专业人员决定什么时候停止抗再吸收剂，调整治疗方案(剂量和/或实施的间隔)，或在水平变高到对象具有由于抗再吸收治疗导致的脆化增加引起骨折的高风险之前考虑其他治疗选择。
合成代谢疗法如罗莫珠单抗、特立帕肽或阿巴洛肽会形成较新的骨骼和/或移除较旧的骨骼并用较新的骨骼代替。无论何种情况，较新的骨骼的矿化较少。因此，它们在骨矿化这方面有与抗再吸收剂相反的效果。异常量化器的构建器构建的异常量化器可以通过以下的方式在使用合成代谢疗法时帮助治疗决策：
如果对象被异常识别器识别为具有高水平的倾向于增加骨脆化的异常并且可能有了由于这种异常造成的骨折，则健康专业人员可以决定开始合成代谢疗法——而不是抗再吸收剂；
(ii)如果对象已经开始施用抗再吸收剂并且异常将对象识别为高水平的倾向于增加脆化的异常，并且可能有了由于骨脆化增加导致的骨折，则健康专业人员可以决定将抗再吸收剂换为一种可行的合成代谢疗法。
通过量化这两种引起骨折脆弱性的骨的异常，异常量化器的构建器构建的异常量化器提供了个性化医疗的机会，特别是在骨医疗领域。以下为示例：
对象1具有由于骨量减少造成的骨折，由示例1(上文)所描述的异常量化器量化。如果异常的量不是太严重，对象可以开始抗再吸收剂，条件是根据示例2(上文)所描述的异常量化器所量化的引起骨脆化的异常显示出骨折不是由于骨脆化造成的。然而，异常量化器可以用来都监测这两种可能的异常；现有的一种(骨量减少)和可能随着治疗产生的一种(骨脆化增加)。如果由于抗再吸收治疗骨量维持或轻微上升，但由于脆化增加造成的异常增加到对象倾向于发生由于脆化增加而造成的骨折的程度，则可以调整抗再吸收剂的剂量、或可以停止抗再吸收剂、或使用合成代谢疗法代替以达到产生脆化增加的异常保持在安全范围内的程度。只要有需要，治疗可以继续，并且在可允许的剂量下，条件是这个异常保持在相同的水平。
对象2具有由于骨量减少造成的骨折，由示例1(上文)所描述的异常量化器量化。异常的量为严重。因此，这个对象可以开始合成代谢疗法作为最合适的选择，并且当通过这些骨形成剂形成更多的骨时，该对象可以再转换到抗再吸收剂。当使用抗再吸收剂时，治疗剂量、治疗剂量的调节、治疗周期可以针对由示例2(上文)所描述的异常量化器量化的产生骨脆化增加的异常的水平来定制。
由于示例1中描述的异常量化器量化的骨量减少而导致异常的受试者最有可能(i)在移除量化后的几年内经受骨折(例如两年内)(ii)更有可能经受最严重类型的骨折例如髋，椎，腕或肱骨骨折(iii)更有可能年龄偏大例如年龄大于70岁。通过示例1中描述的异常量化器量化的骨量减少越严重，这些骨折越有可能发生，因为这些骨折通常与最异常相关。
对象3具有由骨脆化增加造成的骨折，由示例2(上文)所描述的异常量化器量化。抗再吸收剂增加这种异常的水平；因此最好的治疗选择可能是减少这种异常水平的合成代谢疗法。合成代谢可以开始以用于将这个异常降低到可以停止或转换到介入的程度。在使用合成代谢疗法治疗期间，可以在设定的时间间隔测量导致骨脆化增加的异常的水平，以定制合成代谢的剂量、及其对于单独的患者的周期，以达到骨骼实现没有由于骨脆化造成骨折的风险的目标。
示例1和2中的异常量化器所量化的骨异常提供了从诊断、治疗决策、治疗实施和监测骨疾病的现有方法的根本转变。它使得一种独特的治疗骨疾病的方法具有可行性。尽管这些示例公开在骨疾病的内容中，异常量化器的构建器可以构建相似的异常量化器用于其他疾病或异常。
示例3
如图10A至图10C所示，该方法可以在当统计学方法中显示出两个测量结果之间由不与零相差的相关系数所定义为没有相互作用时，用于测量两个测量结果之间的相互作用和相互作用的变化。
该方法可以用于评估由于影响因子(例如疾病)产生的两个测量结果(A)和(B)之间的相互作用的变化，即使在统计学上这两个变量之间的相关既不处于正常状态、在影响因子(如疾病)影响之后也不处于新的状态。
即使如果用来量化两个测量结果之间的关系的统计学参数没有变，异常也可以量化为与相关于正常参考群体的空间位置的偏差。
本领域技术人员可以容易地实现本发明范围内的修改。因此，可以理解的是，本发明不限定于通过上文示例所描述的特定实施例。
在权利要求和上文的说明中，除非上下文由于明确的语言或必要的含义而另外要求，用语“包括”或变体“包含”、“包括有”为包含的意义，即，指定了所述特征的存在，但不排除在本发明的各种实施例中存在或添加其他特征。
另外，本文对于现有技术的任何引用并不意味着暗示这样的现有技术形成或形成了在任何国家中的通用公知常识的一部分。

Claims (43)

1.一种构建异常量化器的方法，包括：
生成至少一个第一选定数据集和至少一个第二选定数据集；所述至少一个第一选定数据集包括正常的群体或样本的测量结果；所述至少一个第二选定数据集包括异常的群体或样本的测量结果；
通过对所述数据集进行成像化来生成图像或图；
使用所述第一数据集来识别所述图像或图中的正常区域；
使用所述第二数据集来识别所述图像或图中的异常区域；
根据所述正常区域和所述异常区域的比较来确定异常的定义；
接收或访问至少一个第三数据集，所述至少一个第三数据集包括已知正常的和异常的群体或样本的测量结果；
针对一个或多个预设的性能标准来测试初始定义的异常的性能；和
当达到最佳性能时输出异常量化器；
其中所述正常的群体或样本的测量结果和所述异常的群体的测量结果包括共同测量结果。
2.根据权利要求1所述的方法，其特征在于，包括通过测量一个或多个正常的样本或对象来获得所述正常的群体或样本的测量结果，和通过测量一个或多个异常的样本或对象来获得所述异常的群体或样本的测量结果。
3.根据权利要求1所述的方法，其特征在于，对所述第一和第二数据集进行成像化包括将表示数据集的几何虚拟坐标转化为所述图像或图，作为表示正常的或异常的对象的点云。
4.根据权利要求1所述的方法，其特征在于，包括通过调整所述异常的定义来优化所述性能。
5.根据权利要求1所述的方法，其特征在于，测量所述样本或群体包括使用计算机断层成像(CT)、核磁共振成像(MRI)或其他成像装置来获取图像，并且使用图像处理技术来处理所述图像。
6.根据权利要求1所述的方法，其特征在于，测量所述样本包括使用图像处理技术来处理之前获取的所述图像。
7.根据权利要求1所述的方法，其特征在于，测量所述样本包括使用分析技术来分析生物样本和/或使用测量仪器来获得测量结果。
8.根据权利要求1所述的方法，其特征在于，测量所述样本包括使用包括化验的分析技术来分析生物样本。
9.根据权利要求1所述的方法，其特征在于，测量所述样本包括使用包括化验测量仪器的测量仪器来获得测量结果。
10.根据权利要求1所述的方法，其特征在于，所述样本为生物样本。
11.根据权利要求1所述的方法，其特征在于，所述异常为肥胖。
12.根据权利要求1所述的方法，其特征在于，所述样本包括骨。
13.根据权利要求1所述的方法，其特征在于，所述测量装置为成像装置。
14.根据权利要求13所述的方法，其特征在于，所述样本包括骨并且所述测量装置配置成输出多个不同的骨参数集。
15.根据权利要求1所述的方法，其特征在于，所述骨异常为骨折脆弱性。
16.根据权利要求15所述的方法，其特征在于，所述骨折脆弱性由于结构异常造成，所述结构异常包括骨量减少。
17.根据权利要求16所述的方法，其特征在于，还包括估计由于骨量减少产生的骨折可能发生的时间段。
18.根据权利要求16所述的方法，其特征在于，还包括通过调节所述异常的定义来重新分类之前分类的对象。
19.根据权利要求1所述的方法，其特征在于，所述异常是年龄相关的。
20.根据权利要求1所述的方法，其特征在于，所述骨折脆弱性由于骨脆化造成。
21.根据权利要求1所述的方法，其特征在于，还包括确定骨折脆弱性的类型，包括区分由于骨量减少造成的骨折脆弱性和由于骨脆化造成的骨折脆弱性。
22.根据权利要求21所述的方法，其特征在于，还包括根据所述骨折脆弱性的类型来应用治疗。
23.根据权利要求22所述的方法，其特征在于，包括基于所述骨折脆弱性的类型来改变治疗。
24.根据权利要求22或23所述的方法，其特征在于，所述治疗为：
i)罗莫珠单抗、阿巴洛肽、特立帕肽或其他合成代谢疗法；或
ii)地诺单抗、阿伦磷酸盐或其他抗再吸收疗法。
25.根据权利要求1所述的方法，其特征在于，还包括识别所述样本的一个或多个测量结果中的一个或多个异常。
26.根据权利要求25所述的方法，其特征在于，还包括基于所述一个或多个异常来应用、设计或调整治疗。
27.根据权利要求25所述的方法，其特征在于，所述一个或多个异常在骨中。
28.根据权利要求26所述的方法，其特征在于，所述一个或多个异常包括骨折脆弱的骨。
29.根据权利要求26所述的方法，其特征在于，所述治疗为合成代谢疗法或其他骨活性干预。
30.一种计算机实施的方法，用于识别一个或多个测量结果中的异常，包括：
接收或访问至少一个第一数据集和至少一个第二数据集；所述至少一个第一数据集包括正常的群体或样本的测量结果；所述至少一个第二数据集包括异常的群体或样本的测量结果；
通过对所述数据集进行成像化来生成图像或图；
使用所述第一数据集来识别所述图像或图中的正常区域；
使用所述第二数据集来识别所述图像或图中的异常区域；
根据所述正常区域和所述异常区域的比较来确定异常的定义；
接收或访问至少一个第三数据集，所述至少一个第三数据集包括未知的群体或样本的测量结果；和
根据所述异常的定义来确定所述一个或多个测量结果中的哪一个对应于异常；
其中，所述正常的群体或样本的测量结果和所述异常的群体的测量结果包括共同测量结果。
31.根据权利要求30所述的计算机实施的方法，其特征在于，对所述第一和第二数据集进行成像化包括将表示数据集的几何虚拟坐标转化为所述图像或图，作为表示正常的或异常的对象的点云。
32.一种计算机实施的方法，用于构建用于定义和量化测量结果的异常的软件装置，包括：
接收或访问至少一个第一数据集和至少一个第二数据集；所述至少一个第一数据集包括正常的群体或样本的测量结果；所述至少一个第二数据集包括异常的群体或样本的测量结果；
通过对所述数据集进行成像化来生成图像或图；
使用所述第一数据集来识别所述图像或图中的正常区域；
使用所述第二数据集来识别所述图像或图中的异常区域；
根据所述正常区域和所述异常区域的比较来确定异常的定义；和
输出适用于定义和量化一个或多个其他数据集中的测量结果的异常程度的软件装置；
其中，所述正常的群体或样本的测量结果和所述异常的群体的测量结果包括共同测量结果。
33.根据权利要求32所述的方法，其特征在于，包括通过测量一个或多个正常的样本或对象来获得所述正常的群体或样本的测量结果，和通过测量一个或多个异常的样本或对象来获得所述异常的群体或样本的测量结果。
34.根据权利要求32所述的计算机实施的方法，其特征在于，对所述数据集进行成像化包括将表示数据集的几何虚拟坐标转化为所述图像或图，作为表示正常的或异常的对象的点云。
35.一种计算机实施的方法，用于识别一个或多个测量结果中的异常，包括：
接收或访问至少一个第一数据集，所述至少一个第一数据集包括正常的群体或样本的测量结果；
接收或访问根据权利要求1或31所述的方法生成的异常的定义；和
根据所述异常的定义来确定所述一个或多个测量结果中的哪一个对应于异常。
36.一种设备，配置成实施前述任意一项权利要求所述的方法。
37.一种用于识别一个或多个测量结果中异常的设备，包括：
处理器；
存储器；
数据成像器，配置成通过对至少第一和第二数据集进行成像化来生成图像或图；
区域识别器，配置成使用所述第一数据集来识别所述图像或图中的正常区域，和使用所述第二数据集来识别所述图像或图中的异常区域；
异常定义器，配置成根据所述正常区域和所述异常区域的比较来确定异常的定义；和
输出器，用于输出至少一个结果；
其中，所述第一和第二数据集包括共同测量结果。
38.根据权利要求37所述的设备，其特征在于，对所述第一和第二数据集进行成像化包括将表示数据集的几何虚拟坐标转化为所述图像或图，作为表示正常的或异常的对象的点云。
39.根据权利要求37所述的设备，其特征在于，包括正常定义器，所述正常定义器配置成确定正常的定义。
40.根据权利要求37所述的设备，其特征在于，包括二值化器。
41.一种可执行的指令或软件，当所述可执行的指令或软件在被计算装置或计算装置的处理器执行时，使得所述计算装置或处理器执行根据权利要求1或31所述的方法。
42.一种计算机可读介质，包括根据权利要求41所述的可执行的指令或软件。
43.一种设置有可执行的指令或软件的计算装置，当所述可执行的指令或软件被所述计算装置或所述计算装置的处理器执行时，使得所述计算装置或处理器执行根据权利要求1或31所述的方法。
CN201780025987.4A 2016-03-03 2017-02-28 用于识别和量化异常的方法与设备 Active CN109074432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310124797.5A CN116051535A (zh) 2016-03-03 2017-02-28 用于识别和量化异常的方法与设备

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
AU2016900806A AU2016900806A0 (en) 2016-03-03 Method and Apparatus for Identifying and Quantifying Abnormality
AU2016900806 2016-03-03
PCT/AU2017/050172 WO2017147648A1 (en) 2016-03-03 2017-02-28 Method and apparatus for identifying and quantifying abnormality

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310124797.5A Division CN116051535A (zh) 2016-03-03 2017-02-28 用于识别和量化异常的方法与设备

Publications (2)

Publication Number Publication Date
CN109074432A true CN109074432A (zh) 2018-12-21
CN109074432B CN109074432B (zh) 2023-09-29

Family

ID=59742404

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310124797.5A Pending CN116051535A (zh) 2016-03-03 2017-02-28 用于识别和量化异常的方法与设备
CN201780025987.4A Active CN109074432B (zh) 2016-03-03 2017-02-28 用于识别和量化异常的方法与设备

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202310124797.5A Pending CN116051535A (zh) 2016-03-03 2017-02-28 用于识别和量化异常的方法与设备

Country Status (6)

Country Link
US (2) US11462302B2 (zh)
EP (1) EP3423976B1 (zh)
JP (1) JP7160339B2 (zh)
CN (2) CN116051535A (zh)
AU (1) AU2017225901B2 (zh)
WO (1) WO2017147648A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111613266A (zh) * 2020-05-20 2020-09-01 中南大学 基于定量构效关系的离群值检测方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7301343B2 (ja) * 2019-03-28 2023-07-03 株式会社タニタ 健康管理装置、健康管理システム、健康管理プログラム、及び健康管理方法
CN111680751B (zh) * 2020-06-09 2023-05-30 南京农业大学 一种谷物产量图异常数据检测算法
CN117711593B (zh) * 2024-02-05 2024-04-19 苏州绿华科技有限公司 一种智慧药房进出药管理系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050169517A1 (en) * 2004-01-19 2005-08-04 Konica Minolta Medical & Graphic, Inc. Medical image processing apparatus
US20090123951A1 (en) * 2005-12-28 2009-05-14 Gene Friesen Kim Method Of Diagnosing A Body Weight Condition Or Predisposition
CN101561878A (zh) * 2009-05-31 2009-10-21 河海大学 基于改进cure聚类算法的无监督异常检测方法和系统
WO2011029153A1 (en) * 2009-09-11 2011-03-17 Straxcorp Pty Ltd Method and system for image analysis of selected tissue structures
CN102360378A (zh) * 2011-10-10 2012-02-22 南京大学 一种时序数据离群点检测方法
CN102934128A (zh) * 2010-04-30 2013-02-13 沃康普公司 放射摄影图像中的恶性肿块检测和分级
CN104039366A (zh) * 2011-10-19 2014-09-10 奥索克斯有限公司 可植入的修复器件
CN105102760A (zh) * 2012-11-05 2015-11-25 兰德马克绘图国际公司 用rimlier数据对井孔事件建模的系统、方法和计算机程序产品

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050085705A1 (en) * 2003-10-21 2005-04-21 Rao Stephen M. fMRI system for use in detecting neural abnormalities associated with CNS disorders and assessing the staging of such disorders
GB201012519D0 (en) * 2010-07-26 2010-09-08 Ucl Business Plc Method and system for anomaly detection in data sets
US20130044927A1 (en) * 2011-08-15 2013-02-21 Ian Poole Image processing method and system
JP6075973B2 (ja) * 2012-06-04 2017-02-08 富士通株式会社 健康状態判定装置およびその作動方法
US10140576B2 (en) * 2014-08-10 2018-11-27 Palo Alto Research Center Incorporated Computer-implemented system and method for detecting anomalies using sample-based rule identification
US10318886B2 (en) * 2015-10-30 2019-06-11 Citrix Systems, Inc. Anomaly detection with K-means clustering and artificial outlier injection

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050169517A1 (en) * 2004-01-19 2005-08-04 Konica Minolta Medical & Graphic, Inc. Medical image processing apparatus
US20090123951A1 (en) * 2005-12-28 2009-05-14 Gene Friesen Kim Method Of Diagnosing A Body Weight Condition Or Predisposition
CN101561878A (zh) * 2009-05-31 2009-10-21 河海大学 基于改进cure聚类算法的无监督异常检测方法和系统
WO2011029153A1 (en) * 2009-09-11 2011-03-17 Straxcorp Pty Ltd Method and system for image analysis of selected tissue structures
CN102648482A (zh) * 2009-09-11 2012-08-22 斯特拉克斯联合控股有限公司 用于所选组织结构的图像分析的方法及系统
CN102934128A (zh) * 2010-04-30 2013-02-13 沃康普公司 放射摄影图像中的恶性肿块检测和分级
CN102360378A (zh) * 2011-10-10 2012-02-22 南京大学 一种时序数据离群点检测方法
CN104039366A (zh) * 2011-10-19 2014-09-10 奥索克斯有限公司 可植入的修复器件
CN105102760A (zh) * 2012-11-05 2015-11-25 兰德马克绘图国际公司 用rimlier数据对井孔事件建模的系统、方法和计算机程序产品

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
VARUN CHANDOLA ET AL: "Anomaly detection：A survey", 《ACM COMPUTING SURVEYS》 *
刘敏燕等: "糖代谢异常的代谢综合征老年男性骨密度及体脂含量特点分析", 中国骨质疏松杂志 *
李斯日古楞;胡晓文;章超;李玲慰;李翠君;: "珊瑚羟基磷灰石修复种植体周不同类型骨缺损的效果观察", 中华口腔医学研究杂志(电子版) *
王敬华;赵新想;张国燕;刘建银;: "NLOF:一种新的基于密度的局部离群点检测算法", 计算机科学 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111613266A (zh) * 2020-05-20 2020-09-01 中南大学 基于定量构效关系的离群值检测方法

Also Published As

Publication number Publication date
EP3423976A4 (en) 2019-03-20
WO2017147648A1 (en) 2017-09-08
AU2017225901A1 (en) 2018-10-11
CN116051535A (zh) 2023-05-02
AU2017225901B2 (en) 2022-07-28
US20210217162A1 (en) 2021-07-15
CN109074432B (zh) 2023-09-29
JP2019508146A (ja) 2019-03-28
EP3423976A1 (en) 2019-01-09
EP3423976C0 (en) 2024-02-21
EP3423976B1 (en) 2024-02-21
US20230112205A1 (en) 2023-04-13
US11462302B2 (en) 2022-10-04
JP7160339B2 (ja) 2022-10-25

Similar Documents

Publication Publication Date Title
Kazakia et al. In vivo determination of bone structure in postmenopausal women: a comparison of HR‐pQCT and high‐field MR imaging
US20230112205A1 (en) Method and apparatus for identifying and quantifying abnormality
JP2019155111A (ja) 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置
CN105096225B (zh) 辅助疾病诊疗的分析系统、装置及方法
WO2014178323A1 (ja) 脳活動解析装置、脳活動解析方法およびバイオマーカー装置
WO2014178322A1 (ja) 脳活動訓練装置および脳活動訓練システム
CN111657858B (zh) 图像诊断装置、图像处理方法和存储介质
CN108366752A (zh) 脑活动分析装置、脑活动分析方法、程序以及生物标记物装置
Jannin et al. Validation in medical image processing.
Demontiero et al. Clinical outcomes of impaired muscle and bone interactions
CN108537774B (zh) 用于检查医学图像的方法以及用于调整检查协议的方法
JP2020062369A (ja) 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、および脳活動バイオマーカシステム
Ashkani-Esfahani et al. Detection of ankle fractures using deep learning algorithms
Borggrefe et al. Association of 3D geometric measures derived from quantitative computed tomography with hip fracture risk in older men
JP2010172559A (ja) 医療診断支援システム及び医療診断支援装置
Kruthika et al. Classification of alzheimer and MCI phenotypes on MRI data using SVM
Hong et al. Optimal method for fetal brain age prediction using multiplanar slices from structural magnetic resonance imaging
Denier et al. The role of head circumference and cerebral volumes to phenotype male adults with autism spectrum disorder
Tariq et al. Opportunistic screening for low bone density using abdominopelvic computed tomography scans
Van Lenthe et al. Quantification of bone structural parameters and mechanical competence at the distal radius
MacDonald et al. Interdatabase variability in cortical thickness measurements
JP7057995B2 (ja) 哺乳動物におけるうつ病の病態プロファイルを検出するバイオマーカーとその利用
Qiu et al. Machine learning and deep learning enabled age estimation on medial clavicle CT images
Nehrer et al. AI in musculoskeletal radiology
Dessai et al. Bone Health Prediction using Machine Learning 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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Queens Street, Melbourne, Victoria, Australia

Patentee after: Quguang Intelligent Co.,Ltd.

Address before: Vitoria, Melbourne, Australia

Patentee before: STRAXCORP Pty Ltd.