CN110770792B - 确定临床靶体积 - Google Patents
确定临床靶体积 Download PDFInfo
- Publication number
- CN110770792B CN110770792B CN201780090832.9A CN201780090832A CN110770792B CN 110770792 B CN110770792 B CN 110770792B CN 201780090832 A CN201780090832 A CN 201780090832A CN 110770792 B CN110770792 B CN 110770792B
- Authority
- CN
- China
- Prior art keywords
- data
- image data
- computer
- image
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
- G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-based segmentation
-
- 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
- G06T2207/30016—Brain
-
- 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
Abstract
公开了一种用于确定用于医学治疗的临床靶体积的医学图像数据处理方法。该方法包括在至少一个计算机(2)的至少一个处理器(3)上执行步骤:a)获取(S1)描述患者的解剖结构的至少一个图像的第一图像数据;b)获取(S2)描述至少一个靶细胞的优选扩散方向或概率分布的指示器的第二图像数据;c)通过使用配准算法在第一图像数据和第二图像数据之间执行共同配准来确定(S3)描述第一图像数据向第二图像数据的配准的配准数据;d)基于第一图像数据来确定(S4)描述解剖结构的至少一个图像中的靶区域的大体靶区域数据;e)基于大体靶区域数据来确定(S5)描述靶区域周围的边缘的边缘区域数据;以及f)基于配准数据、大体靶区域数据和边缘区域数据来确定(S6)描述用于医学治疗的解剖结构中的体积的临床靶体积数据。
Description
本发明涉及一种用于确定用于医学治疗的临床靶体积的医学图像数据处理方法、对应的计算机程序、存储此类程序的非暂时性程序存储介质和用于执行该程序的计算机,以及用于确定用于医学治疗的临床靶体积的系统。
背景技术
为了计划和执行医学治疗,尤其是放射疗法治疗,可以界定要治疗的不同类型的体积。
例如,治疗体积可由大体肿瘤的位置和范围(即,能够通过诊断成像法如计算机断层摄影(CT)或磁共振成像(MRI)看到、触诊到或拍摄到的那些内容)来界定。这样的体积也被称为大体肿瘤体积(GTV)。
然而,对于成功的放射治疗结果而言,应当根除每一个肿瘤细胞,包括那些已经侵入到可见疾病之外的肿瘤细胞。这样的体积包括大体肿瘤体积加上不能通过标准成像法完全可见的亚临床疾病扩散的边缘。这样的体积也被称为临床靶体积(CTV)。如今存在若干界定CTV边缘的准则,例如从GTV球形延伸5mm这样的几何准则。
然而,肿瘤细胞实际上可能扩散到预先界定的边缘之外,且有时扩散惊人的距离。因此,例如用于放射疗法计划或手术切除的通过当前诊断癌症成像评估的肿瘤的实际范围以及靶体积的最终界定可能会明显不同。这同样适用于治疗其它患病细胞,例如感染的细胞。
特别地,对大体肿瘤体积(GTV)施加通用安全边缘以界定临床靶体积(CTV)可导致可能无需治疗的组织遭受照射。此外,可能会出现具有高肿瘤细胞扩散风险的区域经受低剂量的可能性。
确定代表患病细胞的实际扩散的临床靶体积对于医学治疗的成功而言具有根本的重要性。通过防止患病细胞(例如肿瘤细胞)的扩散,可以提高存活率。此外,通过确定优化的临床靶体积,可以降低治疗(例如通过放射疗法治疗)健康细胞的风险。
本发明实现了确定优化的临床靶体积。具体地,所确定的临床靶体积更准确地考虑了患病细胞的扩散。
以下公开了本发明的各方面、示例和示例性步骤及其实施例。只要技术上有利且可行,本发明的不同示例性特征可以根据本发明进行组合。
对本发明的示例性简短描述
以下给出了对本发明的具体特征的简短描述,其不应被理解为使得本发明仅限于本部分中描述的特征或这些特征的组合。
所公开的方法包括获取描述患者的解剖结构或身体区域的至少一个图像的第一图像数据。此外,获取描述患病细胞的优选扩散方向或概率分布的指示器的第二图像数据。第二图像数据表示与患病细胞的扩散相关的关于代谢、分子、物理或生物参数的信息。通过执行共同配准来共同配准第一图像数据和第二图像数据。通过分割在解剖结构的至少一个图像中定义靶区域。围绕待治疗的靶区域(例如肿瘤)定义安全边缘。基于共同配准数据下的与患病细胞的扩散相关的关于代谢、分子、物理或生物参数的信息,确定优化的临床靶体积。
对本发明的一般描述
本部分例如通过参考本发明的可能性实施例给出了对本发明的一般特征的描述。
所述方法、程序和系统由所附的独立权利要求限定。本发明的优点、有利特征、有利实施例以及有利方面在下文得以公开并包含在从属权利要求的主题中。只要技术上有利且可行,不同有利特征可以根据本发明进行组合。具体地,与另一实施例的另一特征具有相同或类似功能的一个实施例的特征可以与所述另一特征互换,而将额外功能添加到另一实施例的一个实施例的特征可以被特别地添加到所述另一实施例。
所公开的方法,在第一方面,提供用于确定用于医学治疗的临床靶体积(CTV)的医学图像数据处理方法。在一个示例中,该医学治疗是放射治疗(例如,放射疗法治疗)。
该方法包括在至少一个计算机的至少一个处理器上执行由所述至少一个处理器执行的以下示例性步骤。
在(例如第一)示例性步骤中,获取描述患者的解剖结构或身体区域的至少一个图像的第一图像数据。第一图像数据可通过诊断成像模态(例如磁共振成像(MRI)或计算机断层摄影(CT))获取。
第一图像数据可描述患者的解剖结构的结构信息。在一个示例中,第一图像数据描述患者的大脑的至少一部分。
在一个实施例中,第一图像数据包括定义图像的外观和/或信息内容的颜色值。在一个示例中,颜色值是多色颜色值(其例如是在RGB颜色空间中定义的)。在另一示例中,颜色值是灰度级颜色值。
在一个示例中,第一图像数据允许解剖结构的不同部分(例如,不同类型的组织)之间存在区分。不同类型的组织可由相关联的不同颜色值来表征。
在(例如第二)示例性步骤中,获取第二图像数据。第二图像数据描述至少一个靶细胞的优选扩散方向或(位置的)概率分布的指示器。靶细胞可以是患病细胞,例如受感染的细胞。在一个示例中,靶细胞是肿瘤细胞。
优选扩散方向可以是靶细胞优选在解剖结构内扩散(例如,移动)的方向。优选扩散方向可以与例如纤维(例如,大脑的)的方向相关联。
概率分布可以描述靶细胞的存在相对于解剖结构内的位置的概率。在一个示例中,概率分布是靶细胞在解剖结构内的位置的概率分布。
在一个实施例中,通过扩散张量成像(DTI)、扩散峰度成像(DKI)、扩散加权成像(DWI)、扩散光谱成像(DSI)或灌注加权成像(PWI)获取第二图像数据。在一个示例中,通过核成像方法(例如正电子发射断层摄影(PET)或单光子发射计算机断层摄影(SPECT))获取第二图像数据。
第一图像数据和第二图像数据可以是2D图像数据或3D图像数据。在执行所公开的方法之前,可以已经生成第一图像数据和/或第二图像数据。可替代地,第一图像数据和/或第二图像数据的生成可作为所公开的方法的步骤来实施。
在(例如第三)示例性步骤中,通过使用配准算法在第一图像数据和第二图像数据之间执行共同配准来确定描述第一图像数据向第二图像数据的配准的配准数据。配准(共同配准)可以是刚性配准或弹性配准。在下文中,术语“配准”(“共同配准”)与术语“融合”同义地使用。
在(例如第四)示例性步骤中,基于第一图像数据来确定描述解剖结构的至少一个图像中的靶区域的大体靶区域数据。靶区域可以是感兴趣区域(ROI),例如,肿瘤的至少一部分。在一个实施例中,靶区域包括至少一个肿瘤细胞或至少一个受感染细胞的位置。
在一个示例中,确定大体靶区域数据包括分割第一图像数据,具体是手动、半自动或自动分割。可以用手动、半自动或自动勾画轮廓技术来定义解剖结构的至少一个图像中的靶区域。通过确定解剖结构的至少一个图像中的大体靶区域(由靶区域数据描述),可以确定大体靶体积(GTV)。所述至少一个图像可包括穿过解剖结构的轴向、矢状或冠状重建平面。在一个示例中,可基于通过解剖结构的至少两个平面(例如,正交平面)的大体靶区域(由靶区域数据描述)来确定大体靶体积(GTV)。
在(例如第五)示例性步骤中,基于大体靶区域数据来确定描述靶区域周围的边缘的边缘区域数据。在一个实施例中,确定边缘区域数据包括通过距离函数计算描述距靶区域的指定点的距离的安全边缘数据。指定点可以是包括在靶区域的外轮廓中的点。例如,指定点可以位于靶区域的外轮廓上。
在一个实施例中,距离函数可描述距靶区域的外轮廓上的点的距离。该距离可以在1mm至50mm的范围内,特别是4mm至10mm。借助于距离函数,可以确定靶区域周围的安全边缘。如此,可以确定靶体积周围的安全边缘体积。在下文中,靶区域加上安全边缘也被称为感兴趣的安全边缘区域(安全边缘ROI)。
在(例如第六)示例性步骤中,基于配准数据、大体靶区域数据和边缘区域数据来确定描述用于医学治疗的解剖结构中的体积的临床靶体积数据。通过考虑描述至少一个靶细胞的优选扩散方向或(位置的)概率分布的指示器的第二图像数据,可以确定优化的靶体积。
在一个实施例中,该方法包括在至少一个计算机的至少一个处理器上执行获取描述由第二图像数据描述的值的至少一个阈值的阈值数据的步骤。确定临床靶体积数据还可以基于该阈值数据。在一个示例中,所述至少一个阈值可以是预定义的(例如,手动设置)。因此,阈值可由用户定义(例如,预定义)。
在一个示例中,第二图像数据提供与解剖结构(例如,大脑的纤维)内的组织的代谢、物理或生物参数相关联的(抽象的)相关组织值的视觉表示(例如,黑色/白色、灰度级或彩色像素图像)。换言之,第二图像数据可以描述相关组织值。例如,由第二图像数据描述的每个像素或体素可以与相关组织值相关联。
相关组织值可以提供针对至少一个靶细胞的优选扩散方向或概率分布的指示器。例如,肿瘤细胞(或其它患病细胞)各向异性地扩散,而不是各向同性地穿过解剖结构。例如,肿瘤细胞(或其它患病细胞)利用这些组织细胞的扩散特性沿着脑纤维束扩散,或者它们与相邻细胞内的某些代谢过程有关联。这些细胞扩散特性例如可以通过上述相关组织值来量化。因此,当根据所公开的方法确定(优化的)临床靶体积时,可以考虑这些细胞扩散特性。所获得的(优化的)临床靶体积因而考虑肿瘤细胞存在或扩散的最大可能性(或其它患病细胞的存在或扩散)。
在一个实施例中,通过扩散张量成像(DTI)、扩散峰度成像(DKI)、扩散加权成像(DWI)、扩散光谱成像(DSI)或灌注加权成像(PWI)获得相关组织值。相关组织值可以是分数各向异性值(FA)、表观扩散系数(ADC)、扩散系数(DWI)或渗透系数。相关组织值例如可以存储在扩散张量矩阵中,该矩阵可以针对每个像素(例如,2D像素)或体素(例如,3D体素)位置而被读出。可以基于扩散张量矩阵来获取阈值数据。例如,大于0.25FA的阈值可以是预定义的,或者例如可以手动设置。
由用户针对第二图像数据描述的与代谢或生物过程或物理参数相关联的值所限定的阈值(例如分数各向异性值(FA)、表观扩散系数(ADC)、扩散系数(DWI)或渗透系数,(其合起来表示或各自表示细胞扩散的潜在优选方向的信息))可以用作种子以自动地包括靶区域加边缘内的像素或体素。位于靶区域加边缘内的限定的种子阈值范围内的所有像素或体素可用于确定(优化的)临床靶体积。例如,用户可以定义大于0.25FA的扩散张量阈值,其应当用于选择在例如添加到GTV的20毫米的欧几里德距离内的像素或体素。可以自动生成相应的(优化的)临床靶体积。
通过组织的基础物理、化学、代谢或生物学特性(其例如使得肿瘤细胞能够在可见的肿瘤边界外扩散到相邻组织中或扩散到优选解剖方向上),并通过第二图像数据,可以确定优化的(例如,患者特异性的)临床靶体积。
在一个实施例中,阈值数据可以由模板提供或存储在模板中。在一个示例中,边缘区域数据可以被存储在模板中。用于确定安全边缘ROI和/或(优化的)临床靶体积的所有设置都可由至少一个模板提供或保存在至少一个模板中。用户可以选择关于阈值数据的特定模板(例如,特地针对某种肿瘤或某种组织)并且例如通过分割第一图像数据来指定靶区域。在一个示例中,可以手动地选择靶区域,例如通过标记或圈起由第一图像数据描述的图像的特定部分。然后就可以自动地确定(优化的)临床靶体积。
在一个实施例中,该方法包括在至少一个计算机的至少一个处理器上执行获取描述解剖结构的(基于图像的)模型的图谱数据的步骤。在一个示例中,图谱数据包括描述由第二图像数据描述的值的至少一个阈值的阈值数据和/或第二图像数据。例如,图谱数据包括关于基于图像的模型的某些部分的身份(即,解剖分类)的信息。通过将图谱数据与图像数据(第一图像数据和/或第二图像数据)匹配,可以确定由图像数据描述的对应于由图谱数据描述的那些解剖结构的解剖结构的身份。
在第二方面,本发明涉及一种计算机程序,当该计算机程序在至少一个计算机(例如,计算机)的至少一个处理器(例如,处理器)上运行时或者当其被加载到至少一个计算机(例如,计算机)的至少一个存储器(例如,存储器)中时,该计算机程序使所述至少一个计算机执行根据第一方面所述的上述方法和/或(物理的,例如电的,例如技术上生成的)信号波(例如,数字信号波),所述信号波携载表示所述程序(例如,前述程序)的信息,所述程序例如包括适于执行本文所描述的任一或全部方法步骤的代码装置。
在第三方面中,本发明涉及一种非暂时性计算机可读程序存储介质,根据所述第二方面的所述程序存储于所述程序存储介质上。
在第四方面中,本发明涉及至少一个计算机(例如,计算机),其包括至少一个处理器(例如,处理器)和至少一个存储器(例如,存储器),其中根据第二方面的所述程序在所述至少一个处理器上运行或被加载到所述至少一个存储器中,或者其中所述至少一个计算机包括根据第三方面所述的程序存储介质。
在第五方面,本发明涉及用于确定用于医学治疗的临床靶体积的系统,该系统包括:
a)至少一个医学成像设备,用于获取图像数据;以及
b)根据第四方面的至少一个计算机,
其中所述至少一个计算机可操作地耦合到所述至少一个医学成像设备,用于从所述至少一个医学成像设备获取所述第一图像数据和/或所述第二图像数据。
只要技术上有利和/或可行,将本发明的一个或多个实施例或方面的一个或多个特征组合以形成新的实施例均在本发明的范围内。具体地,可以将具有与另一实施例的另一特征相同或类似功能的一个实施例的特征与所述另一特征互换,且将额外功能添加到另一实施例的一个实施例的特征可以例如被添加到所述另一实施例。
定义
本部分提供了本发明中使用的特定术语的定义,其也构成本发明的一部分。
根据本发明的方法例如是计算机实施的方法。例如,根据本发明的方法的所有步骤或仅仅一些步骤(即,少于步骤的总数)可以由计算机(例如,至少一个计算机)来执行。由计算机实施的方法的实施例是用于执行数据处理方法的计算机的应用。由计算机实施的方法的实施例是关于计算机的操作的方法,从而使得计算机被操作以执行该方法的一个、多个或所有步骤。
所述计算机例如包括至少一个处理器和例如至少一个存储器,以便(在技术上)例如电子地和/或光学地处理数据。所述处理器例如由作为半导体的物质或组合物制成,例如是至少部分N和/或P掺杂的半导体,例如是II-、II-、IV-、V-、VI-半导体材料中的至少一种,例如是(掺杂的)硅和/或砷化镓。所描述的计算步骤例如是由计算机执行的。确定步骤或计算步骤例如是确定技术方法的框架内的数据的步骤,例如是在程序的框架内。计算机例如是任何种类的数据处理设备,例如电子数据处理设备。计算机可以是一般被认为是例如台式PC、笔记本电脑、上网本等的设备,但也可以是任何可编程装置,例如移动电话或嵌入式处理器。计算机可以例如包括“子计算机”的系统(网络),其中每个子计算机代表独立的计算机。术语“计算机”包括云计算机,例如云服务器。术语“云计算机”包括云计算机系统,云计算机系统例如包括至少一个云计算机的系统和例如多个可操作地互连的云计算机(诸如服务器群)。这样的云计算机优选地连接到广域网(诸如万维网(WWW),并且位于全都连接到万维网的计算机的所谓“云”中。这种架构用于“云计算”,其描述计算、软件、数据访问和存储服务,这些都不要求最终用户知道递送特定服务的计算机的物理位置和/或配置。例如,在这一点上术语“云”被用作是因特网(万维网)的比喻。例如,云将计算架构作为服务(IaaS)来提供。云计算机可以用作操作系统和/或用于执行本发明的方法的数据处理应用的虚拟主机。云计算机例如是由Amazon Web ServicesTM提供的弹性计算云(EC2)。计算机例如包括接口以便接收或输出数据和/或执行模拟-数字转换。数据例如是表示物理属性和/或从技术信号生成的数据。技术信号例如是通过(技术)检测装置(例如用于检测标记装置的装置)和/或(技术)分析装置(例如,用于执行(医学)成像方法的装置)生成的,其中技术信号是例如电信号或光信号。例如,技术信号例如表示计算机接收或输出的数据。计算机优选地可操作地耦合到显示设备,该显示设备将由计算机输出的信息显示给例如用户。显示设备的一个示例是可以用作用于导航的“护目镜”的增强现实设备(也被称为增强现实眼镜)。这种增强现实眼镜的一具体示例是谷歌眼镜(Google公司的商标)。增强现实设备可用于通过用户交互将信息输入到计算机中,并显示由计算机输出的信息。显示设备的另一示例是标准计算机显示器,其包括例如可操作地耦合到计算机的液晶显示器,用于从计算机接收用于生成用于在显示设备上显示图像信息内容的信号的显示控制数据。这种计算机显示器的一特定实施例是数字灯箱。显示器还可以是便携式(例如手持)设备的显示器,诸如智能电话或个人数字助理或数字媒体播放器。
表述“获取数据”例如包括(在计算机实施的方法的框架内)由计算机实施的方法或程序确定数据的场景。例如,确定数据例如包括测量物理量并将所测量的值转换成数据,例如数字数据,和/或通过计算机并且例如在根据本发明的方法的框架内计算数据。“获取数据”的含义还包括例如由计算机实施的方法或程序(例如从另一程序、先前方法步骤或数据存储介质)接收或检索数据的场景,例如用于由计算机实施的方法或程序进一步处理。要获取的数据的生成可以但不必是根据本发明的方法的一部分。因此,表述“获取数据”的意思也可以例如是等待去接收数据和/或接收数据。所接收的数据可以例如经由接口输入。表述“获取数据”的意思还可以是计算机实施的方法或程序执行步骤以便(主动地)从数据源(例如,数据存储介质(例如,ROM、RAM、数据库、硬盘驱动器等))或经由接口(例如,从另一计算机或网络)接收或检索数据。分别由所公开的方法或设备获取的数据可以从位于数据存储设备中的数据库获取,该数据存储设备可操作地连接到计算机以用于数据库和计算机之间的数据传送,例如从数据库到计算机。计算机获取数据,用作确定数据的步骤的输入。所确定的数据可再次输出到相同或另一数据库以存储以供稍后使用。所述数据库或用于实现所公开的方法的数据库可位于网络数据存储设备或网络服务器(例如,云数据存储设备或云服务器)或本地数据存储设备(诸如可操作地连接到执行所公开的方法的至少一个计算机的大容量存储设备)上。通过在获取步骤之前执行附加步骤,可以使数据“随时可用”。根据该附加步骤,生成数据以便被获取。例如,数据被检测或捕获(例如被分析设备)。备选地或附加地,例如经由接口根据附加步骤输入数据。所生成的数据可以例如被输入(例如输入到计算机中)。根据附加步骤(其在获取步骤之前),还可以通过执行将数据存储在数据存储介质(例如ROM、RAM、CD和/或硬盘驱动器)中的附加步骤来提供数据,使得数据在根据本发明的方法或程序的框架内随时可用。“获取数据”的步骤因此还可涉及命令设备获得和/或提供要获取的数据。特别地,获取步骤不涉及表示对身体进行实质物理干涉的侵入性步骤,侵入性步骤需要执行专业医疗技术并且甚至当使用所需专业护理和技术来执行时需承担重大健康风险。特别地,获取数据的步骤,例如确定数据,不涉及手术步骤,并且特别地不涉及使用手术或治疗来治疗人或动物身体的步骤。为了区分本方法所使用的不同数据,数据被表示为(即被称为)“XY数据”等,并且被根据它们描述的信息来定义,这样数据则被优选地称为“XY信息”等。
当空间内的实际对象(例如,手术室中的身体部位)的每个点的空间位置都分配得到存储在系统中的图像(CT、MR等)的图像数据点时,配准身体的n维图像。
图像配准是将不同数据集转换成一个坐标系的过程。数据可以是来自不同传感器、不同时间或不同视点的多个照片和/或数据。其用于计算机视觉、医学成像以及编译和分析来自卫星的图像和数据。为了能够比较或整合从这些不同测量获得的数据,配准是必要的。
本发明还涉及一种程序,当在计算机上运行时,该程序使计算机执行本文描述的方法步骤中的一个或多个或全部步骤,和/或涉及将所述程序存储在其上的程序存储介质(特别是以非暂态形式),和/或涉及包括所述程序存储介质的计算机,和/或涉及(物理的,例如电的,例如,技术上生成的)信号波(例如,数字信号波),所述信号波携载表示所述程序(例如,前述程序)的信息,所述程序例如包括适于执行本文中所描述的方法步骤中的任何或全部步骤的代码装置。
在本发明的框架内,计算机程序元件可以由硬件和/或软件(这包括固件、驻留软件、微代码等)来实施。在本发明的框架内,计算机程序元件可采用计算机程序产品的形式,该计算机程序产品可以由计算机可用的例如计算机可读数据存储介质来实施,该计算机可用介质包括计算机可用的,例如计算机可读程序指令、“代码”或在所述数据存储介质中实施的用于在指令执行系统上或与指令执行系统一起使用的“计算机程序”。这样的系统可以是计算机;计算机可以是数据处理设备,其包括用于执行根据本发明的计算机程序元件和/或程序的装置,例如包括数字处理器(中央处理单元或CPU)和可选的易失性存储器(例如,随机存取存储器或RAM)的数据处理设备,所述数字处理器用于执行计算机程序元件,所述易失性存储器用于存储用于执行计算机程序元件和/或通过执行计算机程序元件而产生的数据。在本发明的框架内,计算机可用(例如,计算机可读数据存储介质)可以是任何数据存储介质,其可包括、存储、通信、传播或传输在指令执行系统、装置或设备上使用的或与指令执行系统、装置或设备一起使用的程序。计算机可用、例如计算机可读数据存储介质例如可以是,但不限于,电、磁、光、电磁、红外或半导体系统、装置或设备或传播介质,例如互联网。计算机可用或计算机可读数据存储介质甚至可以例如是纸或在其上打印该程序的另一合适介质,这是因为该程序可以被电子地捕获(例如通过光学扫描所述纸或其他合适的介质),然后以合适的方式被编译、解释或以其他方式处理。数据存储介质优选是非易失性数据存储介质。这里描述的计算机程序产品和任何软件和/或硬件形成用于在示例实施例中执行本发明的功能的各种装置。计算机和/或数据处理设备可以例如包括引导信息设备,其包括用于输出引导信息的装置。引导信息可以例如由视觉指示装置(例如,显示器和/或灯)视觉地和/或由听觉指示装置(例如,扬声器和/或数字语音输出设备)听觉地和/或由触觉指示装置(例如,振动元件或结合到器械中的振动元件)触觉地输出到例如用户。出于本文档的目的,计算机是例如包括技术性的,例如有形部件,例如机械和/或电子部件的技术性的计算机。本文档中提及的任何此类设备都是技术性的和例如有形设备。
给定成像几何结构分析装置与x射线辐射将要分析的分析对象(解剖体部分)之间的已知相对方位,如果要分析的分析对象是已知的,则成像几何结构的信息优选地包括允许分析图像(x射线图像)被计算的信息,其中“已知”是指分析对象的空间几何结构(尺寸和形状)是已知的。这意味着例如关于分析对象(解剖体部分)和分析辐射(x射线辐射)之间的相互作用的三维“空间分辨”信息是已知的,其中“相互作用”是指例如分析辐射被分析对象阻挡或被分析对象部分或完全允许通过。成像几何结构的位置尤其是方向例如由x射线设备的方位限定,例如由x射线源和x射线检测器的方位和/或例如由穿过分析对象并且被x射线检测器检测的多个(多种)x射线束的方位限定。成像几何结构例如描述所述多个(多种)x射线束的方位(即位置,特别是方向)和形状(例如,具有特定倾斜角的圆锥形状)。该方位可以例如由穿过所述多个x射线束的中心的x射线束的方位来表示或由表示所述多个(多种)x射线束的几何对象(诸如截头圆锥)的方位来表示。关于上述相互作用的信息优选地是在三维中获知的,例如从三维CT中获知,并且以空间分辨的方式描述分析对象的点和/或区域的相互作用,例如分析对象的所有点和/或区域的相互作用。对成像几何结构的获知例如使得能够相对于图像平面(例如,x射线检测器的平面)计算辐射源(例如,x射线源)的位置。关于成像几何结构所定义的三维分析对象与二维分析图像之间的连接,例如可参考以下出版物:
1.“An Efficient and Accurate Camera Calibration Technique for 3DMachine Vision”,Roger Y.Tsai,Proceedings ofthe IEEE Conference on ComputerVision and Pattern Recognition.迈阿密海滩,佛罗里达州,1986,第364-374页
2.“A Versatile Camera Calibration Technique for High-Accuracy 3DMachine Vision Metrology Using Off-the-ShelfTV Cameras and Lenses”,RogerY.Tsai,IEEE Journal ofRobotics and Automation,卷RA-3,第四期,1987年8月,第323-344页
3.“Fluoroscopic X-ray Image Processing and Registration for Computer-Aided Orthopedic Surgery”,Ziv Yaniv
4.EP 08156293.6
5.US 61/054,187
形状表示表征解剖结构的形状的特征方面。形状表示的示例包括直线、平面和几何图形。几何图形可以是一维的,例如轴或圆弧,可以是二维的,例如多边形和圆形,或可以是三维的,例如长方体、圆柱体和球体。形状表示之间的相对方位可以在参考系中例如通过坐标或矢量描述,或者可以通过诸如长度、角度、面积、体积和比例的几何变量来描述。由形状表示表征的特征方面是例如由对称平面表示的对称性属性。特征方面的另一示例是解剖结构的延伸方向,其例如由纵向轴线表示。特征方面的另一示例是解剖结构的横截面形状,其例如由椭圆表示。特征方面的另一示例是解剖结构的部分的表面形状,其例如由平面或半球表示。例如,特征方面构成实际形状的抽象或实际形状(诸如其对称性属性或纵向延伸)的属性的抽象。形状表示例如表示该抽象。
优选地,获取描述(例如限定,更具体地是表示和/或是)解剖体部分的一般三维形状的图谱数据。因此,图谱数据表示解剖体部分的图谱。图谱通常由对象的多个通用模型组成,其中对象的通用模型一起形成复杂结构。例如,图谱构成患者身体(例如身体的一部分)的统计模型,该统计模型是从多个人体收集的解剖信息中生成的,例如,是从包含这样的人体的图像的医学图像数据中生成的。原则上,图谱数据因此表示多个人体的这种医学图像数据的统计分析的结果。该结果可作为图像输出,图谱数据因此包含医学图像数据或与医学图像数据是可比较的。这样的比较可以例如通过应用图像融合算法来执行,图像融合算法在图谱数据和医学图像数据之间进行图像融合。比较的结果可以是图谱数据与医学图像数据之间的相似性的度量。
图谱数据包括能够与例如包含在医学图像数据中的方位信息相匹配(例如通过应用弹性或刚性图像融合(配准)算法)的方位信息,以便例如将图谱数据与医学图像数据进行比较,从而确定与图谱数据所定义的解剖结构相对应的医学图像数据中的解剖结构的方位。
人体(其解剖结构用于生成图谱数据的输入)有利地共享共同特征,诸如性别、年龄、种族、身体测量值(例如,尺寸和/或质量)和病理状态中的至少一个。解剖信息描述例如人体的解剖结构,并且例如是从关于人体的医学图像信息中提取的。股骨的图谱例如可包括作为对象的头部、颈部、身体、较大的转子、较小的转子和较低的末端,这些一起构成完整结构。脑的图谱例如可包括作为对象的终脑、小脑、间脑、脑桥、中脑和髓质,这些一起构成复杂结构。这样的图谱的一种应用是在医学图像的分割中,其中图谱与医学图像数据匹配,并且图像数据与匹配的图谱进行比较,以便将图像数据的点(像素或体素)分配给所匹配的图谱的对象,从而将图像数据分割成对象。
治疗身体部位的运动例如是由下文中被称为“生命活动”的运动引起的。这方面还可参考EP 2 189 943 A1和EP 2 189 940 A1,其还被分别公布为US 2010/0125195 A1和US2010/0160836 A1的,其中详细讨论了这些生命活动。为了确定治疗身体部位的位置,使用诸如x射线设备、CT设备或MRT设备之类的分析设备来生成身体的分析图像(诸如x射线图像或MRT图像)。例如,分析设备构成为执行医学成像方法。分析设备例如使用医学成像方法并且是例如用于(例如通过使用波和/或辐射和/或能量束,例如电磁波和/或辐射、超声波和/或粒子束)分析患者身体的设备。分析设备例如是通过分析身体来生成患者身体(以及例如患者身体的内部结构和/或解剖部位)的图像(例如,二维或三维图像)的设备。分析设备例如用于例如放射学中的医学诊断。然而,可能难以识别分析图像内的治疗身体部位。例如,更容易识别与治疗身体部位的位置的变化以及例如与治疗身体部位的移动相关联的指示身体部位。跟踪指示身体部位从而使得可以基于指示身体部位的位置(例如,移动)的变化与治疗身体部位的位置(例如,移动)的变化之间的已知相关性来跟踪治疗身体部位的移动。作为跟踪指示身体部位的替代或补充,可使用标记检测设备跟踪标记设备(其可用作指示器且因此被称作“标记指示器”)。标记指示器的位置与例如因生命活动而改变其位置的指示器结构(诸如胸壁,例如真肋或假肋,或隔膜或肠壁等)的位置具有已知的(预定的)相关性(例如,相对于其固定的相对位置)。
本申请还涉及控制治疗射束的领域。治疗射束治疗待治疗的且在下文中被称为“治疗身体部位”的身体部位。这些身体部位例如是患者身体的部位,即解剖身体部位。
本申请涉及医学领域,并且例如涉及使用诸如辐射束之类的射束来治疗患者身体的部位,其因此也被称为治疗射束。“治疗射束”治疗待治疗的且在下文中被称为“治疗身体部位”的身体部位。这些身体部位例如是患者身体的部位,即解剖身体部位。例如将电离辐射用于治疗目的。例如,治疗射束包括电离辐射或由电离辐射组成。电离辐射包括粒子(例如亚原子粒子或离子)或电磁波,或由粒子或电磁波组成,这些粒子或电磁波具有足够的能量从而从原子或分子中分离电子并对其进行电离。这种电离辐射的示例包括x射线、高能粒子(高能粒子束)和/或从放射性元件发出的电离辐射。治疗辐射(例如治疗射束)例如用于放射治疗或放射疗法,诸如在肿瘤学领域中。特别地,在治疗癌症方面,使用电离辐射治疗包括病理结构或组织(例如肿瘤)的身体部位。肿瘤即是治疗身体部位的示例。
优选地,控制治疗射束使得其穿过治疗身体部位。然而,治疗射束对治疗身体部位之外的身体部位具有负面影响。这些身体部位在这里被称为“外部身体部位”。通常,治疗射束必须穿过外部身体部位以便到达并穿过治疗身体部位。
在这方面还可参考以下网页:
http://www.elekta.com/healthcare_us_elekta_vmat.php和
http://www.varian.com/us/oncology/treatments/treatment_techniques/rapidarc。
采用一次或多次从一个或多个方向发出的一个或多个治疗射束来治疗治疗身体部位。采用至少一个治疗射束的治疗因此遵循特定的空间和时间模式。于是使用术语“射束布置”来涵盖采用至少一个治疗射束的治疗的空间和时间特征。射束布置是至少一个治疗射束的布置。
“射束位置”描述射束布置的治疗射束的位置。射束位置的布置被称为位置布置。射束位置优选地由射束方向和附加信息来定义,该附加信息使得可以将例如三维空间中的特定位置分配给治疗射束,例如关于其在限定的坐标系中的坐标的信息。所述特定位置是点,优选地是直线上的点。该线被称为“射束线”,并且在射束方向上延伸,例如沿着治疗射束的中心轴延伸。限定的坐标系优选地是相对于治疗设备或相对于患者身体的至少一部位限定的。位置布置包括或例如由至少一个射束位置组成,例如射束位置的离散集合(例如,两个或更多个不同射束位置)或连续的多个(多种)射束位置。
例如,在治疗期间一个或多个治疗射束采用(一个或多个)由位置布置同时或顺序地限定的治疗射束位置(例如,如果仅存在发射治疗射束的一个射束源时则顺序地限定)。如果存在若干射束源,则在治疗期间也可由治疗射束同时采用射束位置的至少一个子集。例如,治疗射束的一个或多个子集可以根据预定义的序列采用位置布置的光束位置。治疗射束的子集包括一个或多个治疗射束。包括采用由位置布置限定的所有射束位置的一个或多个治疗射束的治疗射束的完整集合则是射束布置。
在医学领域中,使用成像方法(也称为成像模态和/或医学成像模态)来生成人体的解剖结构(诸如软组织、骨骼、器官等)的图像数据(例如,二维或三维图像数据)。术语“医学成像方法”被理解为意指(有利地基于装置的)成像方法(例如所谓的医学成像模态和/或放射成像方法),诸如例如计算机断层摄影(CT)和锥形束计算机断层摄影(CBCT,诸如体CBCT)、x射线断层摄影、磁共振断层摄影(MRT或MRI)、常规的x射线、超声扫描和/或超声检查,以及正电子发射断层摄影。例如,医学成像方法由分析设备执行。医学成像方法所采用的医学成像模态的示例有:X射线照相、磁共振成像、医学超声扫描或超声、内窥镜检查、弹性成像、触觉成像、热成像、医学摄影和作为正电子发射断层摄影(PET)和单光子发射计算机断层摄影(SPECT)的核医学功能成像技术,如维基百科所提及的。
如此生成的图像数据也被称为“医学成像数据”。分析设备例如用于在基于装置的成像方法中生成图像数据。成像方法例如用于医学诊断,以分析解剖体以便生成由图像数据描述的图像。成像方法例如还用于检测人体中的病理变化。然而,解剖结构中的一些变化(诸如结构(组织)中的病理变化)可能是不可检测的,并且例如在由成像方法生成的图像中可能不可见。肿瘤表示解剖结构的变化的示例。如果肿瘤生长,则可认为其表示扩张的解剖结构。该扩张的解剖结构可能是不可检测的;例如,仅扩张的解剖结构的一部分可能是可检测的。当使用造影剂来渗入肿瘤时,原发性/高度恶性脑肿瘤例如通常在MRI扫描上可见。MRI扫描表示成像方法的示例。在对这种脑肿瘤进行MRI扫描的情况下,MRI图像中的信号增强(由于造影剂渗入肿瘤)被认为表示实体瘤块。因此,该肿瘤是可检测的,并且例如在由成像方法生成的图像中是可辨别的。除了这些肿瘤(被称为“增强”肿瘤)之外,大约10%的脑肿瘤被认为在扫描上是不可辨别的,并且例如对于观看由成像方法生成的图像的用户而言是不可见的。
图像融合可以是弹性图像融合或刚性图像融合。在刚性图像融合的情况下,2D图像的像素和/或3D图像的体素之间的相对位置是固定的,而在弹性图像融合的情况下,允许相对位置改变。
在本申请中,术语“图像变形”也被用作术语“弹性图像融合”的替代,但是具有相同的含义。
弹性融合变换(例如,弹性图像融合变换)例如被设计成用于实现从一个数据集(例如第一数据集,诸如例如第一图像)到另一数据集(例如第二数据集,诸如例如第二图像)的无缝转变。例如,该变换被设计成使得第一和第二数据集(图像)中的一个以例如使得对应结构(例如,对应的图像元素)被布置在与第一和第二图像中的另一个中的相同的位置处的方式变形。从第一图像和第二图像中的一个变换的变形(变换)图像例如与第一图像和第二图像中的另一个尽可能地类似。优选地,采用(数值)优化算法来找到产生最佳相似度的变换。相似度优选地通过相似性的度量(在下文中也被称为“相似性度量”)来测量。优化算法的参数例如是变形场的矢量。这些矢量由优化算法以产生最佳相似度的方式来确定。因此,最佳相似度表示优化算法的条件,例如约束。矢量的基部例如位于要被变换的第一和第二图像中的一个的体素位置处,而矢量的末端位于所变换的图像中的对应体素位置处。优选地,提供多个这些矢量,例如超过二十或一千或十万等个矢量。优选地,例如为了避免病理变形(例如,所有体素通过变换被移位到相同的位置),这种变换(变形)存在(其它)约束。这些约束包括例如变换是规则的的约束,其例如意味着从变形场(例如,矢量场)的矩阵计算的雅可比行列式大于零,并且还包括所变换的(变形)图像不自相交并且例如所变换的(变形)图像不包括断层和/或破裂的约束。约束包括例如这样的约束,即如果规则网格与图像同时并且以对应的方式被变换,则不允许网格在其任何位置处相互折叠。优化问题例如通过例如优化算法迭代解决,该优化算法例如是一阶优化算法,诸如梯度下降算法。优化算法的其它示例包括不使用推导的优化算法,诸如下降单纯形算法,或使用诸如牛顿算法之类的高阶导数的算法。优化算法优选地执行局部优化。如果存在多个局部最优,则可以使用全局算法,诸如模拟退火或通用算法。在线性优化问题的情况下,可以例如使用单纯形方法。
在优化算法的步骤中,体素例如在一个方向上移位一个幅度,使得相似度增加。该幅度优选地小于预定义的限度,例如小于图像的直径的十分之一或百分之一或千分之一,例如约等于或小于相邻体素之间的距离。例如,由于大量(迭代)步骤的存在,可以实现大的变形。
所确定的弹性融合变换可以例如用于确定第一和第二数据集(第一和第二图像)之间的相似度(或相似性度量,参见上文)。为此,确定弹性融合变换和恒等变换之间的偏差。可以例如通过确定弹性融合变换的行列式与恒等变换之间的差来计算偏差程度。偏差越高,则相似度越低,因此可使用偏差程度来确定相似性度量。
相似性度量可以例如基于第一数据集与第二数据集之间的所确定的相关性来确定。
具体地,本发明不涉及或特别地包括或包含表示对身体的实质性物理干涉的侵入性步骤,该侵入性步骤需要执行专业医疗技术,并且即使在利用所需专业护理和技术来执行的情况下也需承担大量的健康风险。例如,本发明不包括定位医疗植入物以将其紧固到解剖结构的步骤或将医学植入物紧固到解剖结构的步骤或使解剖结构准备将医学植入物紧固到其上的步骤。更具体地,本发明不涉及或特别包括或涵盖任何外科手术或治疗活动。相反,本发明涉及可用于相对于医疗植入物定位工具,该医疗植入物可处于患者身体外部。由于这个原因,在执行本发明时,并不必需具有或隐含手术或治疗活动特别是手术或治疗步骤。
附图说明
在下文中参考附图来描述本发明,附图代表本发明的具体实施例。然而,本发明的范围不限于附图的上下文所公开的具体特征,其中:
图1是示出所公开的方法的基本步骤的流程图;
图2是执行所公开的方法的系统的示意图;
图3A是沿着解剖结构的矢状面的MR图像,指示了大体肿瘤体积和安全边缘;
图3B是沿着解剖结构的冠状面的MR图像,指示了大体肿瘤体积和安全边缘;
图4A是沿着解剖结构的矢状面的MR图像,指示了大体肿瘤体积、安全边缘和临床靶体积;
图4B是沿着解剖结构的冠状面的MR图像,指示了大体肿瘤体积、安全边缘和临床靶体积;
图5A是沿着解剖结构的矢状面的分数各向异性映射,指示了大体肿瘤体积、安全边缘和临床靶体积;
图5B是沿着解剖结构的冠状面的分数各向异性映射,指示了大体肿瘤体积、安全边缘和临床靶体积。
图1是示出所公开的方法的基本步骤的流程图,在图1的说明性示例中,该方法始于获取描述患者的解剖结构的至少一个图像的第一图像数据的步骤S1。然后,执行步骤S2,其包括获取描述至少一个靶细胞的优选扩散方向或概率分布的指示器的第二图像数据。在随后的步骤S3中,确定描述第一图像数据向第二图像数据的配准的配准数据。在步骤S4中,确定大体靶区域数据。随后,在步骤S5中确定边缘区域数据。图1所示的最后步骤是步骤S6,其涉及基于配准数据、大体靶区域数据和边缘区域数据来确定临床靶体积数据。
图2示出了用于执行所公开的方法的示例性系统。该系统包括计算机2以及可操作地耦合到计算机2的医学成像设备8。计算机2包括处理器3、存储器4和接口5。计算机2连接到输入单元6(例如鼠标、键盘或触敏表面),以及输出单元7(例如显示器、扬声器或触感产生单元)。使得计算机2执行所公开的方法的程序可以被加载到计算机的存储器4中。在一个实施例中,该程序可存储在包括在计算机2中或连接到计算机2的程序存储介质上。此外,计算机2可以可操作地耦合到用于存储图谱数据的至少一个电子数据存储设备。
图3A和3B分别描绘了沿着解剖结构的矢状面和冠状面的MR图像。大体肿瘤体积(GTV)被6mm的安全边缘(线阴影)包围。图4A和4B另外指示了在图4A和4B中描绘的根据所公开的方法确定的优化的临床靶体积(交叉影线)。
图5A和5B分别描绘了沿着矢状面和冠状面的分数各向异性(FA)映射。大体肿瘤体积(GTV)、安全边缘(线阴影)和临床靶体积(交叉影线)覆盖在相应的分数各向异性(FA)映射上。
Claims (11)
1.一种医学图像数据处理方法,用于确定用于医学治疗的临床靶体积,其中所述方法包括在至少一个计算机(2)的至少一个处理器(3)上执行步骤:
a)获取(S1)描述患者的解剖结构的至少一个图像的第一图像数据;
b)获取(S2)描述至少一个靶细胞的位置的优选扩散方向或概率分布的指示器的第二图像数据;
c)通过使用配准算法在所述第一图像数据和所述第二图像数据之间执行共同配准来确定(S3)描述所述第一图像数据向所述第二图像数据的配准的配准数据;
d)基于所述第一图像数据来确定(S4)描述所述解剖结构的所述至少一个图像中的靶区域的大体靶区域数据;
e)基于所述大体靶区域数据来确定(S5)描述所述靶区域周围的边缘的边缘区域数据;以及
f)基于所述配准数据、所述大体靶区域数据和所述边缘区域数据来确定(S6)描述用于所述医学治疗的所述解剖结构中的体积的临床靶体积数据,其中通过考虑所述第二图像数据来确定优化的靶体积,其中由所述临床靶体积数据描述的体积包括所述靶区域加上所述边缘,
其中,所述方法还包括:在所述至少一个计算机(2)的所述至少一个处理器(3)上执行步骤:
获取描述由所述第二图像数据描述的值的至少一个阈值的阈值数据,
其中确定优化的临床靶体积数据还基于关于所述靶区域加上所述边缘的阈值数据,其中所述优化的临床靶体积数据是自动生成的。
2.根据权利要求1所述的方法,其中确定所述大体靶区域数据包括分割所述第一图像数据,具体是手动、半自动或自动分割。
3.根据权利要求1或2所述的方法,其中确定边缘区域数据包括通过距离函数计算描述距所述靶区域的指定点的距离的安全边缘距离数据。
4.根据权利要求1或2所述的方法,包括:在所述至少一个计算机(2)的所述至少一个处理器(3)上执行步骤:
获取描述所述解剖结构的模型的图谱数据。
5.根据权利要求4所述的方法,其中所述图谱数据包括描述由所述第二图像数据描述的值的至少一个阈值的阈值数据和/或所述第二图像数据。
6.根据权利要求1或2所述的方法,其中所述靶区域包括所述解剖结构内的至少一个肿瘤细胞或至少一个受感染细胞的位置。
7.根据权利要求1或2所述的方法,其中通过扩散张量成像、扩散峰度成像、扩散加权成像、扩散光谱成像、灌注加权成像、正电子发射断层摄影或单光子发射计算机断层摄影获取所述第二图像数据。
8.根据权利要求1或2所述的方法,其中所述医学治疗是放射治疗。
9.一种非暂时性计算机可读程序存储介质,其上存储有计算机程序,当在至少一个计算机(2)的至少一个处理器(3)上运行或者当其被加载到至少一个计算机(2)的存储器(4)中时,所述计算机程序使得所述至少一个计算机(2)执行根据权利要求1至8中任一项所述的方法。
10.一种计算机(2),包括至少一个处理器(3)和至少一个存储器(4),其中所述计算机(2)包括根据权利要求9所述的程序存储介质。
11.一种用于确定用于医学治疗的临床靶体积的系统,所述系统包括:
a)至少一个医学成像设备(8),用于获取图像数据;以及
b)根据权利要求10所述的计算机(2),
其中至少一个所述计算机(2)可操作地耦合到所述至少一个医学成像设备(8),用于从所述至少一个医学成像设备(8)获取所述第一图像数据和/或所述第二图像数据。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2017/061985 WO2018210422A1 (en) | 2017-05-18 | 2017-05-18 | Determining a clinical target volume |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110770792A CN110770792A (zh) | 2020-02-07 |
CN110770792B true CN110770792B (zh) | 2023-07-18 |
Family
ID=59034724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780090832.9A Active CN110770792B (zh) | 2017-05-18 | 2017-05-18 | 确定临床靶体积 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11276175B2 (zh) |
EP (1) | EP3625768B1 (zh) |
CN (1) | CN110770792B (zh) |
CA (1) | CA3056694C (zh) |
WO (1) | WO2018210422A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11276175B2 (en) | 2017-05-18 | 2022-03-15 | Brainlab Ag | Determining a clinical target volume |
DE102019004233B4 (de) | 2018-06-15 | 2022-09-22 | Mako Surgical Corp. | Systeme und verfahren zum verfolgen von objekten |
US11854281B2 (en) | 2019-08-16 | 2023-12-26 | The Research Foundation For The State University Of New York | System, method, and computer-accessible medium for processing brain images and extracting neuronal structures |
US11776144B2 (en) | 2019-12-30 | 2023-10-03 | Cilag Gmbh International | System and method for determining, adjusting, and managing resection margin about a subject tissue |
US11759283B2 (en) | 2019-12-30 | 2023-09-19 | Cilag Gmbh International | Surgical systems for generating three dimensional constructs of anatomical organs and coupling identified anatomical structures thereto |
US11832996B2 (en) | 2019-12-30 | 2023-12-05 | Cilag Gmbh International | Analyzing surgical trends by a surgical system |
US11896442B2 (en) | 2019-12-30 | 2024-02-13 | Cilag Gmbh International | Surgical systems for proposing and corroborating organ portion removals |
US11284963B2 (en) | 2019-12-30 | 2022-03-29 | Cilag Gmbh International | Method of using imaging devices in surgery |
EP4066772A1 (en) * | 2021-03-29 | 2022-10-05 | Cilag GmbH International | System and method for determining, adjusting, and managing resection margin about a subject tissue |
CN116363519B (zh) * | 2023-04-10 | 2024-01-09 | 上海华维可控农业科技集团股份有限公司 | 一种基于云计算的可控农业防病害栽培系统及方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5418708A (en) | 1994-06-10 | 1995-05-23 | The United States Of America As Represented By The Secretary Of The Air Force | Constant power load bank |
US6112112A (en) | 1998-09-18 | 2000-08-29 | Arch Development Corporation | Method and system for the assessment of tumor extent in magnetic resonance images |
US6519355B2 (en) * | 2001-03-28 | 2003-02-11 | Alan C. Nelson | Optical projection imaging system and method for automatically detecting cells having nuclear and cytoplasmic densitometric features associated with disease |
US7995813B2 (en) * | 2007-04-12 | 2011-08-09 | Varian Medical Systems, Inc. | Reducing variation in radiation treatment therapy planning |
EP1980201B1 (en) | 2007-04-13 | 2010-12-15 | BrainLAB AG | Method and device for planning of local drug delivery |
WO2009111580A2 (en) * | 2008-03-04 | 2009-09-11 | Tomotherapy Incorporated | Method and system for improved image segmentation |
JP5829522B2 (ja) | 2008-10-14 | 2015-12-09 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 腫瘍セグメント化結果のワンクリック訂正 |
EP2189943B1 (de) | 2008-11-19 | 2014-09-24 | Brainlab AG | Bestimmung vital-bewegter Regionen eines Analysebildes |
US9724539B2 (en) * | 2011-09-30 | 2017-08-08 | Brainlab Ag | Dose distribution display method using colours |
CN102999917B (zh) | 2012-12-19 | 2016-08-03 | 中国科学院自动化研究所 | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 |
EP3089664B1 (en) * | 2013-12-31 | 2021-09-01 | The Medical College of Wisconsin, Inc. | Adaptive replanning based on multimodality imaging |
US9884206B2 (en) * | 2015-07-23 | 2018-02-06 | Loma Linda University Medical Center | Systems and methods for intensity modulated radiation therapy |
US10188851B2 (en) * | 2015-10-28 | 2019-01-29 | Novocure Limited | TTField treatment with optimization of electrode positions on the head based on MRI-based conductivity measurements |
WO2017133654A1 (en) * | 2016-02-02 | 2017-08-10 | Suzhou Evidance Medical Technologies Inc. | Systems and methods for radiation treatment planning |
US9925393B2 (en) * | 2016-03-14 | 2018-03-27 | Kabushiki Kaisha Toshiba | Method and apparatus for determining treatment region and mitigating radiation toxicity |
US10596391B2 (en) * | 2017-05-11 | 2020-03-24 | Elekta, Inc. | Systems and methods of accounting for shape change during radiotherapy |
US11276175B2 (en) | 2017-05-18 | 2022-03-15 | Brainlab Ag | Determining a clinical target volume |
-
2017
- 2017-05-18 US US16/604,479 patent/US11276175B2/en active Active
- 2017-05-18 WO PCT/EP2017/061985 patent/WO2018210422A1/en unknown
- 2017-05-18 EP EP17729034.3A patent/EP3625768B1/en active Active
- 2017-05-18 CA CA3056694A patent/CA3056694C/en active Active
- 2017-05-18 CN CN201780090832.9A patent/CN110770792B/zh active Active
Non-Patent Citations (1)
Title |
---|
MR灌注成像与CT融合在脑胶质瘤术后临床靶区勾画中的应用;李玉锋等;《山东医药》(第39期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CA3056694A1 (en) | 2018-11-22 |
CN110770792A (zh) | 2020-02-07 |
EP3625768A1 (en) | 2020-03-25 |
CA3056694C (en) | 2022-01-18 |
US11276175B2 (en) | 2022-03-15 |
EP3625768B1 (en) | 2021-03-24 |
WO2018210422A1 (en) | 2018-11-22 |
US20200126235A1 (en) | 2020-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110770792B (zh) | 确定临床靶体积 | |
US11645768B2 (en) | Multi image fusion based positioning verification | |
US11663755B2 (en) | Determination of dynamic DRRs | |
US20220249038A1 (en) | Determining Rotational Orientation Of A Deep Brain Stimulation Electrode In A Three-Dimensional Image | |
US11593519B2 (en) | Anonymisation of medical patient images using an atlas | |
US11669982B2 (en) | Soft tissue stereo-tracking | |
US20190012805A1 (en) | Automatic detection of an artifact in patient image data | |
US11398035B2 (en) | Partitioning a medical image | |
JP2023036805A (ja) | 人体部分の撮像方法、コンピュータ、コンピュータ読み取り可能記憶媒体、コンピュータプログラム、および医療システム | |
WO2023110116A1 (en) | Ct-less free breathing image contour for planning radiation treatment |
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 |