CN111247592A

CN111247592A - 用于随时间量化组织的系统和方法

Info

Publication number: CN111247592A
Application number: CN201880068341.9A
Authority: CN
Inventors: 拉尔夫·海纳姆; 凯尔·王; 梅利莎·希尔
Original assignee: Volpara Health Technologies Ltd
Current assignee: Volpara Health Technologies Ltd
Priority date: 2017-11-07
Filing date: 2018-11-05
Publication date: 2020-06-05
Anticipated expiration: 2038-11-05
Also published as: WO2019092575A1; EP3707727A1; EP3707727B1; CN111247592B; US20210097677A1

Abstract

本发明大体上涉及一种用于验证图像参数的准确度的系统和方法，尤其是用于验证医学领域的图像的图像参数的准确度的系统和方法。该系统和方法可用于验证来自源对象的源图像的原生参数，其中：用参考数据分析来自源图像的一个或更多个原生参数，以确定原生参数是否可信。

Description

用于随时间量化组织的系统和方法

发明领域

本发明大体上涉及一种用于验证图像参数的准确度的系统和方法，尤其是用于验证医学领域的图像的图像参数的准确度的系统和方法。

背景

乳腺癌是40岁以上女性最常见的癌症形式。术语“乳腺癌”描述的是若干种不同类型的疾病。大多数乳腺癌是浸润性导管癌(IDC)，一小部分是浸润性小叶癌(ILC)，以及少数是小管癌、粘液性(胶质)癌、具有髓质特征的癌(与BRCA1基因突变有关)或浸润性乳头状癌。罕见形式的乳腺癌包括炎性乳腺癌、乳房和/或乳头的佩吉特病和化生乳腺癌。某些形式的乳腺癌在年轻女性中更为普遍(例如，具有髓质特征的癌，其他形式在老年女性中更为普遍(例如，胶质和浸润性乳头状癌)。这里使用的术语“乳腺癌”是指所有形式的所述疾病。

肿瘤的形式和结构各不相同。偶尔有不明显的肿瘤，并且也不是所有的肿瘤都是恶性的。癌症的细胞结构也各不相同，范围有管状、片状或指状分支。

人们普遍认为乳腺癌的早期发现改善患者的预后。乳房筛查需要通常使用乳腺X线摄影对无症状人群进行成像以检测乳腺癌，最好是在早期阶段。在筛查乳腺X线摄影期间，乳房被使用乳腺X线摄影单元的板挤压。在乳腺X线摄影过程期间，拍摄四张标准图像——头尾位(CC)和内外斜位(MLO)。诊断性乳腺X线摄片专门用于在筛查乳腺X线摄片中发现乳房症状、变化、或异常的患者以及有乳腺癌的个人和/或家族史的患者。对于诊断性乳腺X线摄影，可以拍摄附加视图，包括特定关注区域的几何放大和点压缩视图。

乳腺X线摄片由放射科医生、放射技师和/或临床医生(在此统称为“读取者(reader)”或“多个读取者(readers)”)读取一次(单次读取)或两次(双重读取)。双重读取大大提高了程序的灵敏度的质量，然而这是劳动密集型、费用高，并且通常要受医疗或政府当局的授权。

X射线穿透是患者或身体部位厚度的指数递减函数：乳房越厚，需要的剂量越大。为了提高对比度，X射线能量(kV)降低，然而，这需要增加剂量，因为更多的X射线被吸收。较厚的乳房将需要较大的剂量。

此外，图像质量是复杂的，其中在用于获得软组织图像的方法中在步骤链的每个阶段都有可变性，并且成像链的每个元素之间相互作用；包括成像设备的物理特性、图像采集技术因素、固有的受试者特性、操作者的技能、施加到图像的任何处理的效果、图像显示的方法、以及涉及用于诊断决策制定的图像可视化和解释的心理测量因素。

用于筛查目的的图像的有用性取决于其准确度，并且如果在一段时间内对乳房成分进行准确的比较，则筛查可以变得更有效。用于准确的比较的可靠自动化手段将特别有效。

短语“乳房成分”用于指乳房密度以及与整个乳房的大小相比在乳房中“致密”组织的比例。“致密”组织是指包括纤维组织和腺体组织的组织。

“参数”是指一组物理特性中的任何一个，其值确定成像对象(即，乳房)的特征。

致密的乳房组织被认为是乳腺癌的危险因素：研究估计，与几乎完全脂肪质的乳房相比，极致密的乳房代表着患乳腺癌的风险增加了4-6倍，并且在平均风险人群中致密的乳房组织为归因风险的占比高达30％-40％。然而，乳房密度增加乳腺癌风险的机制尚不清楚，且确切的因果关系是持续研究的主题，包括考虑病变或其他感兴趣区域的局部微环境。

乳房密度越来越多地被纳入常规乳腺X线摄影报告中，其中致密组织的发病率(比例)由读取者的视觉解读确定。在基于乳腺X线摄片的乳房密度的读取者任务中存在固有的主观性程度，并且读取者间的一致率是可变的，其中在致密乳房和分散性纤维腺状不均匀致密乳房中报告的一致率最低。

包括对乳房的正确定位：没有任何混杂的物质，诸如其他身体部位；以及足够的压缩压力。

需要压缩乳房以便：保持乳房不动(有助于防止运动模糊)。使乳房固定，以避免图像不清晰；展平乳房，以使组织重叠最小化，从而更好观察；最小化X射线必须穿透的组织厚度和散射辐射量(散射会降低图像质量)；以及减少所需的辐射剂量(平均有效剂量估计为0.4毫西弗)。乳房不能被过度压缩，因为这可能会给受试者带来不适。

最优地，所得的图像具有足够的空间分辨率(细节)以对小结构(包括微钙化)成像，并具有足够的对比度以使软组织肿块和其他病变变得明显。

X射线图像的准确度还可能受到患者的解剖学结构和定位的影响，例如，患者的身高、大小、体重和形状、乳房的大小和形状、乳房组织成分、表面特征和其他人工制品、畸形体型(诸如，脊柱后凸)、以及每个患者感觉和耐受的不适程度。

确定图像的质量以及从而确定哪些图像最适合用于筛查和诊断目的，这取决于放射摄影技术人员的技能，这些技术人员可能受内部标准、或地方标准、区域标准或国家标准的指导。如果放射摄影技术人员认为图像不是“可接受的”，则他/她可以确定有必要获取附加的替换图像或原始图像的变型。

一旦获取并“接受”了所有必要的视图，图像就被发送给临床医生进行筛查或诊断解读。优选地，在准备用于解读时，来自相同患者的其他先前乳腺X线摄影图像也被发送到临床工作站以进行同时查看。临床医生还将受益于具有来自其他诊断成像研究的乳房的相关图像，包括当前的和先前的，来自诸如但不限于以下模式(modality)：超声波；磁共振成像(MRI)；正电子放射乳腺X线摄影(PEM)；乳房专用伽马成像(BSGI)；以及对比度增强的光谱乳腺X线摄影(CESM)。

初步筛选程序的准确度很重要，并且包括技术成像参数和物理参数。

最近，诸如

Enterprise^TM的自动化工具已经可以帮助评估图像的质量。这些工具通常包括乳房密度的自动量化，例如根据国际专利申请PCT/GB2010/001472中描述的方法的

Density^TM。

然而，正如

Highnam等人(“Impact of errors in recorded compressedbreast thickness measurements on volumetric density classification”2016)以及Ng和Lau(“Vision 20/20：Mammographic breast density and its clinicalapplications”2015)最近示出的，并且正如Highnam和Brady先前报道的(‘MammographicImage Analysis’1999)，对乳房成分的计算—特别是对乳房体积密度(VBD)的计算——虽然比先前认为的鲁棒性更大，但仍然容易出错，特别是在测量的乳房厚度方面。例如，最初成像厚度为5厘米的乳房，并且其变化不明显，但两年后测量的厚度为6厘米，这将出现体积增加20％且因此出现斜密度测量(skewed density measure)(使用不考虑脂肪未压缩的乳房边缘的简化公式)：

乳房体积＝乳房投影面积x乳房厚度如果不验证复制成像参数，这样的值可能不会简单地倾斜。

此外，应该以+/-5mm的准确度记录乳房厚度，以便确定用于成像程序的正确辐射剂量。然而，随着成像装置老化和/或没有得到充分维护，在实践中甚至更大的变化被发现。

其他参数影响密度计算的准确度。例如，最佳的情况是，与被成像的没有胸壁和脂肪层的乳房的图像相比，乳房的图像将包括整个胸壁及其脂肪层和相对较低的整体乳房密度。实际上，乳房在压缩板之间的定位有很大的变化。由于只有位于压缩板之间的乳房部分被成像，因此这种定位误差可能会对前面提到的体积测量和乳房密度的估计产生显著影响。

因此，通过正确的定位，例如根据国际专利申请PCT/IB2017/054382中描述的方法，乳房的投影面积、从胸壁到乳头的距离以及其他图像测量结果可以帮助确定图像质量。

另一考虑因素是，乳房成分会随着女性的一生而变化，而且变化的方式是动态且复杂的。青春期的解剖学结构的快速发育和首次足月妊娠的分化完成，随后在生育期开始逐渐腺体退化和结构去分化，并在绝经期加速。随着年龄的增长，实质组织逐渐退化，导致乳房密度降低。

另一复杂因素是，即使在同年龄组中，女性之间乳房成分的变化程度和速度也有很大差异。腺组织(此处指“致密”组织)包括排列在导管系统中的上皮细胞以及提供结缔组织框架以支持上皮细胞的基质元素。脂肪组织不均匀地散布在乳腺小叶之间。在未产女性(未分娩的女性)中，1型小叶在一生中仍然是主要的结构，而2型小叶在早期以中等数量存在，早在23岁就开始减少。在经产女性(已分娩的女性)中，3型小叶在40岁之前一直是主要的结构，此后乳房逐渐退化为2型和1型小叶。绝经期乳腺实质的退化加快，内源性雌激素和孕酮的丧失通过细胞凋亡刺激腺上皮的退化，留下导管组织岛。同时有淋巴管的丧失，而基质被脂肪取代。

乳房成分也可以响应于药物和/或饮食而改变。例如，当女性使用荷尔蒙替代疗法时，乳房成分可能会改变。随着女性遵循特定的饮食习惯，乳房成分也可能发生变化，而且有越来越多的证据表明代谢综合征对乳房成分的影响(代谢活动也与细胞异型性的存在有关，这将使患者面临更高的患恶性肿瘤的风险)。绝经后暴露于外源激素对组织成分有可预测的影响，这取决于与雌激素受体的相互作用。尽管用外源性雌激素替代荷尔蒙增加了乳房的乳腺X线摄影密度，但对乳房中雌激素受体具有拮抗作用的选择性雌激素受体调节剂(例如，

和

)已被证明可降低乳腺X线摄影密度。然而，尽管据报道选择性雌激素受体调节剂和芳香酶抑制剂降低了乳腺癌的风险，但是潜在的副作用(诸如，其他癌症、血凝块和中风的倾向)使它们不适用于服用这些药物时密度没有降低的女性。

随着时间的推移，乳房成分的变化在癌症的检测和对癌症发展倾向的理解方面变得越来越重要，尤其是在乳腺癌预防和护理中，需要更多的监测和更少的手术。

人们还普遍认为，乳房成分没有随时间变化的女性，尤其是致密组织的比例没有降低的女性，患乳腺癌的风险更大。

提高乳腺X线摄影的筛查和诊断的准确度需要(连同标准乳腺X线摄影)补充、辅助使用三维(3D)模式。

断层合成的“伪3D”图像有助于量化，然而，它们也显示致密组织的切片之间的“模糊”，需要准确测量乳房厚度，并且依赖于良好的定位。

背景实质增强(BPE)是指在施用造影材料/造影剂后在乳房的图像中纤维腺组织的正常增强。BPE经常在磁共振成像(MRI)中被观察到。BPE也在对比增强数字乳腺X线摄影(CEDM)和分子乳房成像(MBI)上进行了报告。

MR乳房成像通过其横截面、乳房组织的三维覆盖、以及纤维腺组织和脂肪组织之间的高对比度来提供乳房密度的定量确定。乳房密度的MRI评估可以通过分割技术进行细化，该分割技术去除脂肪组织并量化纤维腺组织的量。对MRI的实质评估也受益于其增强的生理参数，因为MRI允许对乳房实质进行定量分析和生理评估，并且受到纤维腺组织的密度及其血管分布的影响。

BPE可能影响解释和检测的准确度，并且也与乳腺癌风险相关联，但是这种相关性仍是持续研究的主题：一些研究(Hambly等人(2011年)和DeMartini等人(2012年))发现，随着BPE的增加，乳腺癌的发病率没有增加，而其他研究(King等人(2011年))发现，在中度或显著BPE的情况下，乳腺癌的比值比(odds ratio)显著增加。

BPE的发生还与对旨在阻止乳房细胞增殖的生理参数和化学预防疗法的影响更为敏感有关。

视觉乳房组织评估方案，诸如美国放射学会乳腺成像报告和数据系统

第5版，将BPE分类为“最小”(小于25％的腺组织显示增强)、“轻度”(25％-50％的腺组织显示增强)、“中度”(50％-75％的腺组织显示增强)或“显著”(超过75％的腺组织显示增强)。

几项研究表明，BPE进一步代表了生理激素的增强，反映了乳房成分和血管的荷尔蒙相关的变化：例如，BPE的波动已被证明贯穿整个月经周期(在月经周期的后半段黄体期，当乳房细胞增殖达到其最高水平时，增强程度最高)。BPE也已被证明反映雌激素介导的血管通透性的变化，服用雌激素替代疗法的女性BPE增加，而服用抗雌激素药物和绝经后患者的BPE减少。

然而，乳腺MRI的特异性是可变的，并且其在BPE高的情况下的功效是未知的。MRI是昂贵的——估计是乳腺X线摄影的十倍。此外，MRI与显著的“假阳性”率相关，相比而言，乳腺X线摄影具有可容忍的假阳性召回率，并且越来越多地受到质量措施和改进的质量保证。

分析X射线以确定乳房密度和预测BPE的方法将同时表明MRI是否可能有效(例如，合适、成本有效和“患者友好”)、其他辅助方式是否更合适，并提供评估患者的乳腺癌风险的重要方法，例如，作为乳腺癌风险模型的不可或缺的特征。

基于对乳腺X线摄片导出的组织成分图的定量分析来预测BPE的方法和使用BPE作为图像质量和疾病风险的预测参数将是有价值的。

计算机辅助检测(CAD)是一种过程，通过这种过程，模式识别软件识别并标记图像上的可疑特征，以便使可疑特征引起读取者的注意；或者一旦读取者识别出可疑特征就辅助读取者。例如，读取者可以首先在没有CAD的情况下检查图像，然后激活CAD软件，并在发布其观察结果和最终报告之前重新评估CAD标记的区域。

CAD还具有通过提高对疾病的检测并降低假阴性率(例如，由于视觉疏忽)来提高工作流程效率的潜力。使用计算机而不是第二个人类观察者的优势在于不会增加对读取者或临床资源的需求，且不会对召回率和工作效率产生负面影响。

在乳腺X线摄影中，CAD算法针对特征(诸如微钙化和肿块、刺状和非刺状、结构变形和不对称)来通过处理2D乳腺X线摄片、3D断层合成扫描的中心投影(或更多)、或3D断层合成重构的切片(或多个切片)搜索数字格式的图像，诸如通过全视场数字乳腺X线摄影(FFDM)和原子合成术获取的图像。

然而，在实践中，CAD系统并不标记所有可操作的发现，并且在读取者从其CAD前的审查中所关心的特征或感兴趣区域(ROI)上没有CAD标记可能阻止进一步的评估。在这种情况下，假阴性报告将是解释错误而不是视觉感知错误的结果。

此外，CAD算法标记符合算法要求的特征，而不仅仅是标记那些读取者认为值得进一步研究的特征，即假CAD标记。

因此，在实践中，CAD生成比真正的CAD标记更多的假CAD标记，并且确定CAD标记是否值得进一步评估仍然是读取者的责任。

已经有若干种方法被设计来降低假阳性的发生率。通常，这种方法提供了根据预定标准对CAD标记进行分类的措施。例如，标记可以根据生成的列表在图像数据集中临时地和/或顺序地显示；和/或者显示它们在列表上相应位置的指示。许多方法允许将显示标准不断添加到列表中。

降低假阳性发生率的其他方法需要交互地显示CAD结果连同被成像的组织中异常的可能性的指示。基于组织位置，标记的对象选择性地与异常的统计发生率/概率相关，并且评级被转换成概率度量。例如，计算机接收并处理乳房的数字形式的图像(例如，X射线乳腺X线摄片图像)，以生成由于图像移位、图像旋转、和图像反转而不同的改变版本或第二版本。每个版本都使用基本的CAD算法进行单独处理，以生成相应的CAD检测集。然后，将这些CAD检测集进行比较，以生成总体的CAD检测集，从而降低假阳性率。

在临床环境中，CAD是以整理内部数据库和完善内部算法为基础的，通常通过读取者的研究进行补充。该技术被应用于单个图像并关于其进行报告。通常在医学数字成像和通信(DICOM)的CAD结构化报告(CAD SR)中的报告，包含潜在标记和较高概率标记。

因此，CAD解决方案结合了相关性概率、工作流程效率和其他参数，诸如标记特征的大小和颜色。

然而，CAD的临床实用性还远未明确。根据一些报告，生成了如此多的假阳性——包括在最佳压缩的清晰图像上——以至于读取者完全忽略了所有标记。如上所述，用于降低假阳性的交互式方法提供了纠正这种情况的技术措施，但是最终依赖于读取者在看到任何结果之前搜索潜在的标记，这本身会使读取者沮丧并且适得其反。

此外，尽管在图像的一部分而不是另一部分中的CAD标记可能指示技术成像参数，诸如模糊或不良压缩，而不是感兴趣的特征(例如癌症)，但是诸如CAD标记的分布的重要性的参数目前还没有被确定。

本发明的优点在于，它可以应用于CAD，以确定图像参数的有效性，从而提高CAD标记的准确性，并能够随时间实现准确的比较，以评估被成像的对象的成分随时间的变化；并告知(诊断)风险模型。

发明概述

根据本发明的第一方面，存在用于验证来自源对象的一个或更多个图像的一个或更多个原生图像参数的方法，其中：用参考数据分析来自图像的一个或更多个原生参数，以确定原生参数是否可信，其特征在于，将图像定量地变换成组织成分图。这可能是该方法的第一步骤(步骤1)或第一步骤的开始。

根据本发明的第二方面，存在用于实现本发明的方法的系统。该系统包括用于验证原生图像参数的装置，该装置包括：利用源对象的一个或更多个图像的设备、用参考数据分析一个或更多个原生参数以确定原生参数是否可信的设备、以及将图像定量地变换成组织成分图的设备。

有利地，提高了作为图像质量和/或数据完整性的指标的原生图像参数的准确度。

参考数据可以包括表征图像的统计信息。

图像可以是源图像。图像可以具有原始格式或经处理的格式。图像可以是从源图像导出的导出图像。导出图像的示例是分割区域图或组织成分图。其它类型的导出图像也是可接受的。

原生参数可以是通过来自从源图像导出的组织成分图的值获得的。

参考数据可以包括从表征源对象的图像导出的信息。参考数据可以包括通过观察源对象而被确定的信息。

可以从图像中直接提取一个或更多个原生参数。优选地，直接提取的原生参数包括来自源图像的像素值。

优选地，其可信度被确定的原生参数是乳房厚度，该乳房厚度是获得图像时被压缩了的乳房的厚度。可以从图像中通过图像乳房的像素值获得可信的压缩的乳房厚度。如此获得的压缩的乳房厚度可以向用户指示为“真实”乳房厚度。“真实”乳房厚度可用于进一步的计算和/或关联，以确定其他原生参数的可信度。

直接提取的原生参数可以包括记录在图像中的信息，包括患者年龄、压缩的乳房厚度、压缩设备类型、压缩力、应用的图像处理、或植入物的存在。

优选地，一个或更多个原生参数直接与参考数据进行比较。优选地，原生参数直接与参考数据进行比较。

参考数据可以是内部的(即，来自相同源图像)。参考数据可以是外部的(即，来自其他图像或来自从图像或源对象导出的统计数据)。参考数据可以是内部的和外部的。

优选地，使用源对象的附加源图像。有利地，提高了来自源图像中的源对象的作为图像质量和/或完整性的指标的原生图像参数的准确度。对于附加源图像中的相同源对象，也提高了质量和/或完整性。

优选地，原生参数是从图像的一个或更多个区域导出的。

参考数据可以从一个或更多个原生参数相同的图像中导出。

每个图像的至少一个原生图像参数可以被用于确保源对象的相同部分被比较。优选地，在多个图像中使用乳房的投影面积和胸壁到乳头的距离，以确保乳房的相同部分被比较。

参考数据和原生参数可以从可以是源图像的单个单独图像中导出。

参考数据可以不是从一个或更多个原生参数相同的图像中获得的。可以从附加图像中获得一个或更多个原生参数。

图像或一些图像可以基本上同时获得。图像或一些图像可以在基本不同的时间被获得。有利地，对于随时间在图像或附加图像中获取的相同源对象，提高了图像参数的准确度。

该方法可以具有优选地在第一步骤之后的第二步骤(步骤2)。第二步骤可以具有两个并行的部分(步骤2A)和(步骤2A)。这两个并行的部分可以独立执行。该方法可以包括步骤2A，而没有步骤2B，反之亦然。

优选地，原生参数是通过来自具有原始格式或经处理的格式的源图像的像素值获得的或者原生参数是通过来自从源图像导出的组织成分图的值来获得的。

在该方法的第二步骤中，优选地是在步骤2A部分中，相对于参考数据单独确定一个或更多个原生参数的可信度。原生参数可以是基于第一图像或可以是源图像的其他选定图像而测量、估计、和/或计算的乳房厚度。然后，第一图像或选定图像可以用作基准图像。

在步骤2A中，其可信度被确定的原生参数可以是从图像或源图像通过被成像的乳房的像素值获得的乳房厚度。优选地，该步骤包括基于基准第一源图像测量和/或估计乳房厚度。

优选地，基于来自图像的组织成分图的值并利用组织成分图作为基础图像来测量和/或估计乳房厚度。

优选地，这还包括基于恒定体积或临床观察来解决或补偿乳房厚度的误差。

在第二步骤中，且优选是在步骤2B部分中，确定集体组中所有原生参数的可信度。可以从图像集合中估计一个或更多个图像原生参数的可信度。以这种方式，可以识别不可信的图像。图像集合可以包括相同源对象的不同视图。

可以相对于参考数据来确定集体组内参数的可信度。集体组内参数的可信度可以由集体组中原生参数的关系来确定。

集体组原生参数可以是多个图像中的被成像的乳房的乳房厚度。优选地，根据与该组中的具有被成像的乳房的另一视图的源图像中的乳房厚度的比较来估计在该组中任何乳房厚度的可信度。一些图像可以是CC视图，而一些图像可以是MLO视图，以及一些图像可以具有其他不同的视图。可以比较这些不同视图中被成像的乳房的乳房厚度。

依赖于一个或更多个可变特征的不可信的原生参数可以被修改。可以使用单个步骤或迭代方法来修改原生参数。

优选地，通过朝向可信度调整原生参数，针对依赖于图像或源图像或导出图的可变特征的被确定为不可信的任何原生参数计算经调整的图像参数。

可以在第一步骤之后计算经调整的图像参数。

在第二步骤确定不可信的原生图像参数之后，可以计算经调整的图像参数。可以在步骤2A或步骤2B或两者中确定不可信的图像参数之后计算经调整的图像参数。在这种情况下，可以在表示为步骤3的步骤中计算经调整的图像参数。然而，步骤3不一定是在第三个被执行。

可变特征可以是压缩的厚度和/或乳房体积。

依赖于可变特征的原生参数可以是压缩的乳房厚度或乳房体积或两者。

优选地，基于源对象的特定特征，将原生参数朝向可信度调整。

优选地，用于确定调整的量和方向的信息包括密度乳房密度或乳房定位。优选地，乳房密度是从第一图像或其他选定图像或基准图像获得的。乳房密度可以是从分割区域图和/或组织成分图确定的。乳房定位可以是从源对象(即，乳房)图像的测量导出的，或者从临床观察导出的或从图像的DICOM报头中的信息导出的。

优选地，基于技术图像特征，将原生参数朝向可信度进行调整。技术图像特征可以包括在获得源图像时压缩乳房的桨式(paddle type)或源图像的图像处理方法。

评估经调整的图像参数的可信度，并且可以再次迭代地调整原生参数以重新计算经调整的图像参数。

误差阈值可以是基于特定于源对象或技术特征的信息的预选的原生图像参数。在预选的误差阈值以上，该方法可以包括基于乳房厚度调整压缩。

优选地，基于经调整的乳房厚度来调整压缩。

可以基于特定于源对象或技术特征的信息来调整与来自一个或更多个图像的乳房厚度相关联的压缩值。压缩值也可以根据报告的或记录的临床观察来进行调整。也可以确定乳房的乳房厚度的值。乳房厚度可以通过利用压缩值调整乳房厚度来被重新计算。

压缩的乳房厚度可以是在不同时间获得的多个图像中的至少一个图像中被确定为不可信的原生图像参数。通过其中假设乳房体积恒定的计算，可将压缩的乳房厚度朝向可信度调整。

在获得每个源图像时，可以使用平均乳房体积来计算目标乳房体积，并且乳房厚度被调整以实现该目标乳房体积。在获得图像时报告的或记录的乳房体积可以与目标乳房体积进行比较，以确定报告的乳房体积和/或经调整的乳房厚度是否可信。

有些不可信的参数是无法被修改的。例如，不可信的参数可能不会被修改，因为它依赖于图像的整体属性或特征。不可信的参数的准确度可以被估计，并且优选地基于准确度的估计进行加权。可以为不可信的参数估计置信度或置信水平。可以参考参数的背景(context)来估计置信度。

分配参数置信水平/权重的步骤可以与其中关于被确定为不可信的任何原生参数计算经调整的图像参数的步骤并行发生。分配经调整的图像参数的步骤可以针对被确定为不可信的任何原生参数来进行计算，可以直接在第一步骤之后进行，或者可以在第二步骤、步骤2A或步骤2B之后进行。

分配参数置信水平/权重的步骤可以与将不可信的参数朝向可信度调整的步骤(即，步骤3)并行发生。因此，分配参数置信水平/权重的步骤可以被指定为步骤4，即使它不一定第四个出现。

在分配参数置信水平/权重的步骤的第一部分，即步骤4A中，可以通过将权重分配给依赖于源对象的整体属性而被确定为不可信的任何原生参数来计算加权的图像参数。整体属性可以是异物、癌症的存在、预测的BPE类别或乳房动脉钙化。

权重可以通过被确定为不可信的原生参数的置信水平和预测的BPE类别之间的预选相关性来被确定。

基于回归模型，从乳房组织成分图导出的预测的BPE测量可被分类成有序BPE类别。优选地，乳房成分图通过处理乳腺X线摄片源图像以生成密度图作为标准化基础图像来确定。

可以处理在不同时间获得的源对象的图像，以便提高时间BPE预测的准确度。优选地，通过处理乳腺X线摄片源图像以生成密度图作为标准化基础图像来确定BPE类别。

可以处理在不同时间获得的一系列图像或图像集合，以获得随时间变化的BPE类别。随时间变化获得的BPE类别可以与随时间变化的BPE类别的预选相关性、算法或模型进行比较或相关，以提高时间BPE预测的准确度。

纹理特征可以从密度图中的感兴趣区域提取，并用于回归模型中。回归模型可以是比例比值模型，以计算纹理特征落入任何一个有序BPE类别的可能性。

乳房组织成分图中的组织模式的分形维数可用于导出与乳房组织的结构的复杂性相关的BPE分类类别类。

加权的图像参数可以通过给依赖于基本图像特征的被确定为不可信的任何原生参数分配权重来进行计算。这可以是步骤4的变型，或者可以是步骤4的附加步骤4B部分。

基本图像特征通过用于获得图像的设备的物理特性或限制以及通过控制图像的获取的物理原理被赋予图像。基本图像特征可以是运动模糊、图像噪声或图像对比度。

优选地，检查图像参数是否该图像参数用于多元测量(multivariate measure)。如果图像参数用于多元测量，则可以使用至少一个经调整的图像参数来重新生成多元测量。图像参数和/或图像图可以使用具有多个输入测量的算法或模型来确定。

优选地，用于多元测量的输入测量包括体积乳房密度、预测的BPE分类、乳房密度随时间的变化、患者剂量、乳房动脉钙化测量或分数、CAD标记、和/或疾病风险。

步骤3可以与步骤4并行发生。步骤2A和步骤2B也可以与步骤3和步骤4并行发生。

在另一步骤中方法使用至少一个经调整的图像参数来重新生成在多元测量中使用的至少一个图像参数。这个步骤可以被称为步骤5。步骤5可以在步骤1、2A、2B、3、4A或4B之后进行。

在步骤5中，可以使用来自步骤3和/或步骤4的经调整的或加权的图像参数来重新计算或重新生成使用具有多个输入测量的模型的算法确定的图像参数和图像图。

可以使用至少一个加权的图像参数来重新生成多元测量中使用的至少一个图像参数。

可以计算源对象的成分随时间的变化，以告知风险模型。

计算机辅助检测被使用模式识别应用于图像，以识别和CAD标记图像上的特征。标记特征可以被放置在源图像或从源图像导出的图像上，以帮助人们在源对象中搜索感兴趣的特征。

CAD标记的特征可以与被确定为可信的参数相结合，以确定总体风险评分。

总体风险评分可包括CAD标记的特征的量和类型之间差异的比较。总体风险评分可以包括同时期图像上的CAD标记的特征之间的差异的比较。

优选地，图像参数和利用图像参数的模型和/或算法的输出被输出给用户以用于解释和应用。图像参数和模型和/或算法的输出也可以被存储以供将来使用。可以使用远程电子输出和储存装置。

本发明涉及用于验证图像参数的准确度的系统和方法。

有利地，用于验证一个或更多个原生图像参数的方法可以被用于确定图像参数的准确度。优选地，来自图像的至少一个参数(诸如，乳房的X射线图像)和图像的至少一个方面(例如，被成像的对象的一部分的定位)被用于确定图像参数的准确度。

步骤(a)可以包括确保图像对象的相同部分被比较。优选地，在步骤(a)中，通过使用图像配准技术将相对应区域彼此叠加来比较图像的部分。

步骤(b)可以包括基于基准校正图像来测量/估计乳房厚度。优选地，在步骤(b)中，使用恒定乳房体积生成基准校正图像。基准校正图像可以通过对多个图像进行平均来被计算出。

步骤(c)可以包括解决或补偿乳房厚度的误差(基于体积(例如恒定体积)和/或临床观察)。从不同角度的断层合成投影可以被用于提高乳房厚度估计。

步骤(d)可以包括高于误差阈值，基于厚度调整压缩。

步骤(e)可以包括确定乳房的厚度值。

步骤(f)可以包括计算被成像的对象的成分随时间的变化，以告知风险模型。

可以计算BPE分类/类别。优选地，使用分形维数计算BPE分类/类别。优选地，为了准确和可靠地确定BPE，使用后向选择、学习矢量量化模型、递归特征消除、Boruta算法和最小绝对收缩和选择算子中的一者来执行特征选择，以降低建模的维数和复杂性。

根据本发明的方面，存在用于验证来自源对象的图像的原生参数的方法，其中：用参考数据分析来自图像的一个或更多个原生参数，以确定原生参数是否可信。优选地，图像是源图像或导出的图像。

因此，根据本发明，存在一种方法，该方法使用源图像中的被成像的源对象的一个或更多个参数，将该参数与已知的、统计推断的和/或观察的对象特征进行比较，以确定图像参数的有效性，并且随后根据参数与源对象的关系来调整有效性小于预选限制的一个或更多个参数。优选地，该方法包括确定关系是否可信。优选地，该方法包括类似地评估从两个或更多个源导出的图像参数的有效性，或者在不同取向上或在不同时间点获取的相同源对象的导出的图像的图像参数的有效性，以用于它们的集体评估，由此根据比较分析确定参数有效性。具有有限有效性的一个或更多个参数可以根据与源对象的可信的比较关系来进行调整。

有利地，该方法确定图像参数的准确度。优选地，来自图像的至少一个参数(诸如，乳房的X射线图像)和图像的至少一个方面(例如，被成像的对象的一部分的定位)被用于确定图像参数的准确度。

根据本发明的方面，存在用于验证图像的原生参数的准确度的方法，包括：获得源对象的一个或更多个图像，分析图像以获得源对象的原生参数，以及结合参考数据分析原生参数以确定原生参数是单独可信还是集体可信。

当获得源的多于一个的图像时，优选地，这些图像例如都是在基本上相同的时间获得的，或者在同一周的同一天获得的。

可替代地，当获得源图像的多于一个的图像时，每个图像可以是在基本不同的时间获得的，例如在相隔一个月或一年或更长时间获得的。

在一个或更多个原生参数单独不可信的情况下，则优选地，该方法包括确定单独不可信的原生参数是否是可修改的。

在其中至少一些图像参数是集体不可信的情况下，则优选地，该方法包括确定集体不可信的原生参数是否是可修改的。

优选地，在确定任何不可信的参数是否是可修改的之前，该方法包括确定原生参数是否是单独可信的或者原生参数是否是可集体确定的。

优选地，将不可信的参数朝向可信度调整的步骤与分配参数置信度和/或权重的步骤并行执行。

优选地，该方法包括确定原生参数是否被用于多元测量，并且如果是，则在存储结果和向用户提供输出结果之前计算单独测量和集体测量。

优选地，确定原生参数是否被用于多元测量的步骤跟随在将不可信的参数朝向可信度调整的步骤之后。优选地，确定原生参数是否被用于多元测量的步骤根随在分配原生参数置信水平或权重之后。

优选地，在确定至少一些不可信的参数是可修改的之后，优选地紧接着之后，跟随将不可信的参数朝向可信度调整的步骤。

优选地，在确定至少一些原生参数是单独可信的或集体可信的之后，优选地紧接着之后，跟随确定原生参数是否被用于多元测量的步骤。

优选地，将不可信的参数朝向可信度调整的步骤和/或分配参数置信水平/权重的步骤发生在确定不可信的参数是否是可修改的步骤和确定参数是否被用于多元测量的步骤之间。

因此，通过分析图像获得的所有原生参数被检查以确定它们是否被用于多元测量，但是被发现不可信的原生参数首先朝向可信度进行调整或者被分配了置信水平/权重。

优选地，用于验证图像的原生参数的准确度的方法包括：获得源对象的一个或更多个图像，分析图像以获得源对象的原生参数，并结合参考数据分析原生参数以确定原生参数是单独可信还是集体可信，然后检查原生参数是否单独可信和/或检查原生参数是否集体可信，然后检查被确定为不可信的原生参数是否是可修改的，并且将可修改的参数朝向可信度调整，并且为不可修改的参数分配置信度或加权水平，检查源对象的所有获得的原生参数以确定是否有任何参数被用于多元测量，并且计算在多元测量中使用的那些参数的单独测量和集体测量，以及然后存储和输出在执行该方法的过程中确定的信息。

具体而言，本发明使用参数对被成像的对象的组织和组织特征进行分类，以便评估被成像的对象的成分随时间的变化，并告知(诊断)风险模型。因此，本方法的优点在于，对图像参数有效性的改进可以提高对被成像的对象的成分的估计的准确度，且尤其是提供了对被成像的对象的成分随时间的变化的估计的准确度，进而提高(诊断)风险估计。

现在将仅通过示例并参考附图描述本发明，其中：

附图简述

图1示出了图像参数准确度评估和改进的方法；

图2示出了图像在早期“时间T”和后期“时间T+1”的投影面积之间的差异。

图3示出了在后期“T+1”的图像具有与在早期“T”相同的投影面积，但报告的乳房厚度不同。

图4示出了作为关于CC(a和b)和MLO(c和d)的内侧乳房中的最大化矩形的感兴趣区域。

图5示出了关于目标(真实)类别和输出(预测)类别的混淆矩阵。使用表1中列出的所有纹理特征来预测BPE分类。

图6示出了从不同的二值图像中提取分形维数的示例。

图7示出了从分形维数进行BPE预测的混淆矩阵。整体准确度为70.3％，与图5中使用所有纹理特征的整体准确度94.6％相比略有下降。

图8示出了仅来自VBD的BPE预测的混淆矩阵。整体准确度为37.8％，相比之下，使用图5中的分形维数的整体准确度为70.3％，使用图5中的纹理5特征的完整集合的整体准确度为94.6％。

图9：示出了具有明显VBD和纹理特征的两个乳房的示例：左侧乳房非常致密，但其BPE分类最小；右侧乳房多脂，但其BPE读数是中度。

图10示出了按重要性排序的学习矢量量化报告特征。

图11示出了其中CAD系统标记了放射科医师可能需要再次查看的一组可疑区域的示例。

发明的详细描述

在图1的说明性实施例中，用于图像参数验证的方法包括以下关键步骤。

步骤1：

至少一个参数从被成像的源对象的一个或更多个图像(即乳房在乳腺X线摄片中的X射线图像)中的每个图像中导出。该至少一个参数从来自每个图像(即，乳房的X射线图像)的一个或更多个区域导出。这些图像在本文被称为“源”图像。

从源图像导出的参数在本文被称为“原生”参数。例如，来自乳腺X线摄片的原生参数可以包括图像的方面，或者可以直接被提取的图像特征。可直接提取的原生参数包括图像像素值和来自乳腺X线摄片的DICOM报头的信息。DICOM报头中的信息通常包括患者年龄、压缩的乳房厚度、压缩设备类型、压缩力、应用的图像处理、植入物的存在、解剖视图(例如，CC、MLO)、和采集技术因素(例如，kVp、mAs、阳极/过滤器组合)。

原生参数也可能依赖于间接测量，或使用一种或更多种方法和算法的估计。间接测量的原生参数的示例包括：组织成分、乳房体积、纹理描述符、图像对比度和噪声的测量、图像中任何异物的存在和/或位置(例如，其他身体部位、活检夹、疤痕标记等)、运动模糊的检测，乳房定位的测量和评分，BPE的预测、以及与可能包括癌症、良性发现、和动脉钙化的病变相关的检测、分类和评分。

射线照相图像可以定量地变换成指示器官组织的总量的组织成分图。可以生成钙化图，指示钙化组织在组织成分图中的定位。使用钙化组织在钙化图中的定位，可以从组织成分图生成无钙化组织成分图。可以生成血管在组织成分图中的定位的血管图。血管图可以与钙化图结合，以生成指示钙化血管在组织成分图中的定位的血管钙化图。

组织成分图包括与图中定位的相应定量值相关联的器官组织的总量的定量值。从血管图生成器官的血管钙化的量化测量。血管钙化的位置和/或量可用于疾病风险预测和分层。

因此，钙化密度和/或质量可以使用来自组织成分图的组织成分信息结合使用分割算法生成的血管图来测量。

步骤2：

在第二步骤中，根据来自单独源图像的原生参数与参考数据的比较来针对原生参数的可信度评估原生参数。术语可信度在本文是指原生参数的准确度。

一些参考数据可以是内部的，其中给定的原生参数与来自相同图像的一个或更多个原生参数进行比较。在内部比较中，给定的原生参数与来自相同图像的一个或更多个其他原生参数进行比较。

其他参考数据是外部的，其中给定的原生图像参数与不是从相同图像获得的一个或更多个原生参数进行比较。例如，给定的原生参数可以例如以统计方式与先前测量的图像和对象特性进行比较，以参考适当的约束。此外，观察数据，诸如从技术专家收集的关于患者身体习性、总体健康状况、先前发现、和/或家族史记录，可以被应用于确定参数可信度。

内部和外部数据都可用以导出一个或更多个参考值，针对该一个或更多个参考值来评估参数可信度。

进行两种类型的可信度估计。对给定参数是否可信的第一种类型的估计是基于单独图像进行评估(步骤2a)。第二种类型是使用图像集合进行评估。(步骤2b)。

步骤2A

在第一种类型的估计(步骤2a)的示例中，给定所应用的成像技术因素，通过预期的被成像的对象像素值根据内部比较来估计可信的乳房压缩厚度。

步骤2B

然后，在第二种估计(步骤2b)中，根据与从被成像的对象的其他视图确定的压缩的厚度的集合的比较来估计可信的乳房厚度。

步骤3：

在第三步骤中，由于参数依赖于被成像的源对象的图像的一个或更多个可变特征(例如，压缩的乳房厚度、乳房体积)而具有可以被有效地修改的值或分数的不可信的原生图像参数，基于被成像的源对象(例如，最可信的图像上的密度、乳房定位)和技术特性(例如，所采用的桨式和图像处理)被朝向可信的值进行调整。这可以单个步骤完成，或者可以以迭代过程完成。在迭代过程中，对图像参数进行小的调整，评估该经调整的参数的可信度，并且如果该参数继续是不可信的，则可以进行进一步的调整。经调整的图像参数在本文是指其原始值已经被修改的图像参数。

步骤4：

在第四步骤中，由于依赖于被成像的源对象的整体属性(例如，异物、癌症的存在、预测的BPE类别和乳房动脉钙化)或基本图像特征(例如，运动模糊、图像噪声和图像对比度)而具有不可以被有效地修改的值或分数的不可信的原生图像参数被分配权重或参数置信水平，该权重或参数置信水平可用于估计每个原生图像参数的相对准确度或有效性。例如，在具有大量运动模糊的图像中，癌症或乳房动脉钙化的存在的置信度可能是低的。类似地，如果存在遮蔽了大部分乳房组织的大的异物(诸如植入物)，则运动模糊的检测的置信度可能会被降低。

步骤5：

在第五步骤中，使用具有多输入测量[例如，VBD、预测的BPE类别、密度随时间的变化、患者剂量、CAD标记、疾病风险]的算法或模型来确定的图像参数，使用经调整的或加权的图像参数来被重新计算或重新生成，目的是与使用原生图像参数相比结果具有更高的准确度。

步骤6：

在第六步骤中，图像参数以及依赖于其使用的模型和算法的输出被输出给用户，以用于它们的解释和应用，并且还被存储以供它们将来使用。

上述方法的有利应用是首先通过确保在不同的源图像中被成像的对象的相同部分被比较来获得准确的时间数据。例如，为了确保被成像的对象的相同部分被比较，在乳腺X线摄影中，使用乳房的投影面积，以及诸如胸壁到乳头距离的参数，和/或邻近特征的选定区域，例如最接近乳头的1-5cm2的区域。

一种确保被成像的对象的相同部分被比较的方法包括使用图像配准技术(本领域技术人员已知的多种可变形图像配准方法中的任何一种)将相对应的区域彼此叠加。

更困难的是如何解决或补偿每个源图像中乳房厚度的误差。在实施例中，随着时间的推移，对女性的乳房特性做出某些假设，诸如在一年期间，乳房体积应该保持不变，或者乳房体积由于体重增加或体重减轻而变化。

根据本发明，女性的乳房特性随时间推移的改变可以从乳房体积的主要变化(即，超出了会产生的误差)和/或通过将临床观察输入到算法中(例如，“女性减掉了x磅/千克”)、或通过用户以某种方式输入(“胸罩尺寸从x变为y”)进行推理。

在推理女性的乳房特性随时间的变化的情形下，新的度量被计算以便校正乳房厚度。例如：如果第2年的投影面积与第1年相同或相似，则假设乳房大小没有显著变化。因此，乳房厚度应该相同，以获得相同的总体乳房体积。可替代地，例如+/-10％的投影面积的变化可能指示需要更多或更少的乳房压缩，以便调整乳房厚度(无论是更大还是更小)，以达到相同的总乳房体积。

参考图2和图3，示出了如何解决或补偿一个源图像或另一个源图像中的乳房厚度的误差的示例。在图2中，在早期T，源图像中的源对象与在后期T+1的源图像中的源对象相比具有显著不同的投影面积。利用源图像本身，我们可以计算出该差异可能是由于乳房的不同定位，而不是由于乳房体积的变化。

在图3中，在早期T的源图像中的源对象具有与后期T+1相同的投影面积。然而，在该示例中，从在早期T的源图像的DICOM报头提取的作为原生参数的压缩的乳房厚度不同于从在后期T+1的源图像的DICOM报头提取的压缩的乳房厚度。因此，报告的乳房厚度是非常不同的。由于投影面积相同，因此我们推断其中一个乳房厚度可能不正确，并使用假设(诸如，恒定乳房体积)来校正乳房厚度。由此，提供基准“校正”图像。因此，源图像之一中的压缩的乳房厚度被认为是不可信的，且然后通过其中假设恒定乳房体积的计算朝向可信度进行调整。

在另一实施例中，可以对多个图像计算原生参数的平均值，以建立基准校正图像。例如，使用5年内乳房体积的平均值来计算每年的目标乳房体积，并调整乳房厚度以实现目标乳房体积。

类似地，可以使用所有5年内的相同乳房厚度。虽然一些“绝对”密度可能会丢失，但保持均匀的厚度可能会产生更准确的“密度变化”。

因此，在本发明中，原生参数用作对彼此进行内部检查的措施。这些关系是复杂的，例如，乳房厚度不仅影响乳房体积，还影响接触面积，以及影响某些参考点被发现的位置。因此，本发明包括一种装置，通过该装置，这些内部检查识别“可疑”值，使得能够进行用户干预或自动校正/补偿。

在断层合成中，如果从不同角度进行多次投影，则可以使用这些不同投影中的乳房的视图来改进乳房厚度估计。

另一优点在于参数包括预测的BPE分类。

基于回归模型，从乳房组织成分图导出的预测的BPE测量被分为四个有序BPE类别：最小<轻度<中度<显著。

在用于确定BPE类别的方法中，原始乳腺X线摄片被处理，并且密度图(密度图指的是在每个像素强度下绘制致密组织的厚度并显示为高度表面的图形表示，在每个像素(x,y)处对应于该位置的致密组织的厚度的高度，以用于定量表示)被生成作为标准化的基础图像。

然后，使用分割图(图3)从内部乳房中选择感兴趣区域中的最大化区域，例如矩形区域(“最大化矩形区域”在此用于描述拟合内部乳房区域的最大矩形感兴趣区域(“ROI”))，以隔离ROI。纹理特征从密度图中的ROI提取。纹理特征包括诸如均值、方差、偏度和峰度等传统度量。如Costa等人在2012年所描述的，使用单级和多级Otsu算法来构造因子特征矢量，以生成一系列二值掩码图像，每个二值掩码图像进一步产生三个特征：有效的像素计数(掩码面积)、平均灰度级和分形信息。

然后，纹理特征用于多项式有序逻辑模型的回归。多项式有序逻辑回归包括由乳腺X线摄影图像构建的矩阵，其中每行对应于特征：例如，使用37个乳腺X线摄影图像来构建37×20的特征矩阵，其中每行对应于来自图像的20个特征。回归模型由方程式(1)中的比例比值模型描述：

(1)

其中，方程式的左侧是属于和不属于类别i的一组特征的概率之间的比值比的自然对数。在右侧，α表示直接从密度图ROI提取的常见纹理特征。三个β使用一个二值图像从Otsu算法的总共m(例如，m＝5)个不同掩码中提取的“高级”纹理特征。

因此，在总共三个逻辑模型中，一个逻辑模型有21个系数，对应于四个分类类别。例如，对于一组已知特征，我们可以使用方程式(1)来计算纹理特征落入类别1、2或3的概率。

纹理特征落入类别4的可能性如下：

(2)P(类别＝4)＝1-P(类别＝1)-P(类别＝2)-P(类别＝3)

回归模型的导出系数值总结在表1中(下一页)。小于0.05的p值用下划线标出；具有显著(p<0.05)值的模型系数被框出。

当使用平行回归(比例比值模型)时，这些模型具有不同的截距，但是在分类之间具有共同的斜率。斜率系数的值表示特定特征对比值比的影响程度。例如，-27.31的系数α_峰度估计值表明峰度的单位变化将影响图像在分类中与不在分类中的比值，其因子为exp(-27.31)，其他都相等。

举例来说，使用方程式(1)和表1中的系数，对37个乳腺X线摄片评估BPE分类。结果总结在如图5所示的混淆矩阵中。

表1 多项式回归模型系数

在混淆矩阵(图5)上，行对应于BPE的预测的类别(输出类别)，以及列显示BPE的真实类别(目标类别)。对角线单元显示了回归模型正确估计观察类别的示例的数量(和百分比)。也就是说，它显示了真实类别和预测类别匹配的百分比。非对角线单元显示不正确的类别。图表最右侧的一列显示了每个预测类别的准确度，而图表底部的一行显示了每个真实类别的准确度。图表右下方的单元显示了整体准确度。

在图5中，对角线单元显示了回归模型正确类别的数量和百分比。例如，七个图像被正确分类为类别1，例如“最小”。这相当于全部37个图像的18.9％。类似地，14个案例被正确分类为类别2，“轻度”。这相当于所有图像的37.8％。

其中一个“显著”图像被错误地分类为“中度”，而这相当于数据中全部37个图像的2.7％。类似地，一个“最小”被错误地分类为“轻度”，而这相当于所有数据的2.7％。

在七个“最小”预测中，100％是正确的。在15个“轻度”的预测中，93.3％是正确的，而6.7％是错误的。在八个“中度”案例中，87.5％被正确预测，而12.5％被预测为“显著”。在七个‘显著”案例中，100％被正确分类。

总的来说，94.6％的预测是正确的，而5.4％是不正确的分类。

此外，该实施例涉及组织模式复杂性。因此，在一个实施例中，分形维数优选地被用于确定BPE分类。

图6中示出了推导分形维数的过程。从灰度级的ROI图像中，确定三个上升阈值：I₁<I₂<I₃，因此产生三个单阈值二值掩码。使用多重Otsu算法，使用阈值间隔(I₁，I₂)和(I₂，I₃)获得两个掩码。从这些二值掩码中，提取它们相应的边界图，并通过简单的盒计数算法来计算Hausdorff分形维数。回顾分形维数的定义，它的值描述了对象边界的粗糙度或复杂性。因此，BPE分类可能与组织结构的复杂性相关。也就是说，组织呈现的不规则模式越多，乳房可能属于的BPE分类就越高。仅使用分形维数的70.3％的中度预测准确度支持了这一点(如图7所示)。

图10示出了两个乳房的示例：一个在左边的图像中示出了致密的低BPE读数，而另一个在右边的图像中示出了脂肪质的高BPE读数。右乳房的组织结构比左乳房的组织结构更复杂，这进一步支持了我们对组织模式复杂性和BPE分类之间可能的正相关的理解。

在另一实施例中，为了准确且可靠地确定BPE，执行特征选择以降低每个预测器有十个以上观测值的建模的维数和复杂性。例如，特征选择方法包括：

后向选择——使用所有特征拟合模型。然后，丢弃最不重要的特征。简化的模型被连续地重新拟合，直到所有剩余的变量都是统计显著的。最终保留了四个特征：

(3)

他们建立了准确度只有35.1％的模型。

学习矢量量化模型——由完整的特征矩阵构建，报告重要性指数作为特征选择的指标，其中一些特征在一个分类中是重要的，但在其他分类中不是重要的。参考图9，从ROI提取的纹理特征的重要性显示用于BPE类别。方差是“最小”和“中度”类别中最不重要的特征，但是在“轻度”和“显著”中是重要的特征。

递归特征消除——基于随机森林选择函数，如图8所示，通过其十一个属性给出最具可比性的结果，而三个属性给出最差的结果。

用于特征选择的其他算法包括Boruta算法和最小绝对收缩和选择算子(LASSO)。

在另一个实施例中，方法应用于CAD，由此通过使用CAD标记验证图像参数来确定CAD标记的有效性。图像参数一旦得到验证，将指导对对象以及标记的相关性和可靠性的确定。在其他优点中，减少了被错误识别的特征(“假阳性”)的数量，且不依赖于视觉感知。

在单个研究中识别CAD标记(单个研究可能包括一个以上的图像)，并将标记的图像与类似分类的存储图像(患者特定的存储的图像和/或累积的参考图像)进行比较，以便借助于图像质量标记和差异识别“高风险”研究，并依次存储单个研究。说明性的示例包括以下步骤：

1/处理乳房的X射线图像(现场或发送到云)

2/定性参数(诸如，密度、压缩、剂量、定位、对比度噪声比和模糊度被计算出并且图像“质量分数”被计算出)

3/在图像上运行CAD

4/将CAD标记与验证的参数结合，以确定“总体风险评分”

5/“总体风险评分”识别“有风险”和/或“高风险”的患者，并警告读取者

例如，“总体风险评分”包括将CAD标记的数量和类型之间的差异进行比较；以及在同期图像之间，例如在左侧和右侧之间进行比较。

另外的优点包括：

标记的发生率和重要性的概览，以产生“缺失可能性”分数

运动模糊特征，尤其是运动模糊的位置：例如，运动模糊最初被识别，然后外围上的运动模糊和相关标记被打折，以优先考虑与风险相关的位置(例如，中心)中的运动模糊标记。模糊

对在特征(例如乳房中的小叶，特别是II型和III型小叶)的预定附近或其内的标记被优先考虑。

因此，对CAD标记的定性验证提高了工作流程的效率：告知与最高置信度CAD标记、具有“最大缺失可能性”的患者和/或基于密度和/或CAD标记的患者排名相关的风险模型。此外，除了减少“假阳性”之外，本发明还有助于避免其他错误：例如，在基于自动客观测量的情况下，读取者可能以“临床上不可接受”为由拒绝图像；由于图像模糊而没有CAD标记；并且图像被最佳压缩，并且图像清晰度导致更多和“更高置信度”的CAD标记；CAD标记出现在图像的一个部分而不出现在另一个部分中，表示图像的该部分模糊或压缩不良，而不是ROI的位置。

本发明已经通过若干实施例进行了描述，并且进行了修改和替换，但是在阅读和理解了该描述之后，进一步的实施例和修改对于本领域技术人员来说将是明显的。所有这样的实施例和修改都旨在落在本发明的范围内。

Claims

1.一种用于验证来自源对象的一个或更多个图像的一个或更多个原生图像参数的方法，其中：用参考数据分析来自所述图像的一个或更多个原生参数，以确定所述原生参数是否可信，其特征在于将所述图像定量地变换成组织成分图。

2.根据权利要求1所述的方法，其中，通过来自具有原始格式或经处理的格式的源图像的像素值获得所述原生参数，或者通过来自从所述源对象的图像导出的所述组织成分图的值获得所述原生参数。

3.根据权利要求1或2所述的方法，其中，相对于所述参考数据单独确定所述原生参数的可信度。

4.根据权利要求3所述的方法，其中，所述原生参数是通过对被成像的乳房的像素值的变换从所述源对象的图像获得的乳房厚度。

5.根据权利要求3或4所述的方法，包括基于来自所述图像的所述组织成分图的值测量和/或估计乳房厚度，并将所述组织成分图用作基础图像。

6.根据权利要求4或5所述的方法，包括利用恒定体积来解决或补偿所述乳房厚度的误差。

7.根据任一前述权利要求所述的方法，包括形成所述原生参数的集体组，并确定所述集体组中所有原生参数的可信度。

8.根据权利要求7所述的方法，其中，所述集体组原生参数是多个图像中被成像的乳房的乳房厚度。

9.根据权利要求8所述的方法，包括根据通过比较所述组中的具有被成像的乳房的不同视图的图像中的所述乳房厚度来估计所述组中任何乳房厚度的可信度。

10.根据任一前述权利要求所述的方法，其中，通过将所述原生参数朝向可信度调整，针对依赖于所述源图像或导出图的可变特征的被确定为不可信的任何原生参数，计算经调整的图像参数。

11.根据权利要求10所述的方法，其中，依赖于所述可变特征的所述原生参数选自乳房厚度或乳房体积中的一者。

12.根据权利要求10或11所述的方法，其中，基于所述源对象的特定特性朝向可信度调整依赖于所述可变特征的原生参数。

13.根据权利要求12所述的方法，其中，所述信息包括乳房密度或乳房定位。

14.根据权利要求10、11、12或13所述的方法，其中，基于技术图像特性将依赖于所述可变特征的所述原生参数朝向可信度进行调整。

15.根据权利要求10、11、12、13或14所述的方法，其中，评估依赖于所述可变特征的原生参数，以及然后将所述原生参数朝向可信度再次迭代地调整，从而重新计算经调整的图像参数。

16.根据权利要求10至15中任一项所述的方法，其中，基于经调整的乳房厚度来调整压缩。

17.根据权利要求10至16中任一项所述的方法，其中，乳房厚度是在不同时间获得的多个图像中的至少一个图像中被确定为不可信的所述原生图像参数；并且通过其中假设恒定乳房体积的计算，将所压缩的乳房厚度朝向可信度调整。

18.根据权利要求10至17中任一项所述的方法，其中，在获得每个图像时，使用平均乳房体积来计算目标乳房体积，并且调整所述乳房厚度以实现所述目标乳房体积。

19.根据权利要求1至9中任一项所述的方法，其中，通过对依赖于所述源对象的整体属性的被确定为不可信的任何原生参数分配权重来计算加权的图像参数。

20.根据权利要求19所述的方法，其中，所述整体属性是异物、癌症的存在、预测的BPE类别或乳房动脉钙化。

21.根据权利要求20所述的方法，其中，所述权重是通过被确定为不可信的所述原生参数中的置信水平和所述预测的BPE类别之间的预选相关性来确定的。

22.根据权利要求19、20或21所述的方法，其中，基于回归模型，将从乳房组织成分图导出的预测的BPE测量分类成有序BPE类别，所述乳房组织成分图通过处理所述源对象的乳腺X线摄片图像以生成作为标准化基础图像的密度图来确定。

23.根据权利要求22所述的方法，其中，纹理特征提取自所述密度图中的感兴趣区域，并被用在所述回归模型中。

24.根据权利要求1至9中任一项所述的方法，其中，通过对依赖于基本图像特性的被确定为不可信的任何原生参数分配权重来计算加权的图像参数。

25.根据任一前述权利要求所述的方法，其中，检查图像参数是否所述图像参数用于多元测量，且如果是，则使用至少一个经调整的图像参数来重新生成所述多元测量。

26.根据权利要求25所述的方法，其中，用于所述多元测量的输入测量包括体积乳房密度、预测的BPE分类、乳房密度随时间的变化、患者剂量、乳房动脉钙化分数、CAD标记、和/或疾病风险。

27.根据权利要求19至24中任一项或者根据从属于权利要求19至24中任一项的权利要求25或26所述的方法，其中，使用至少一个加权的图像参数来重新生成被用在多元测量中的所述图像参数中的至少一个。

28.根据任一前述权利要求所述的方法，其中，计算机辅助检测使用模式识别来被应用于所述源图像以识别和CAD标记图像上的特征。

29.一种用于验证来自源对象的一个或更多个图像的一个或更多个原生图像参数的系统，所述系统包括用于验证所述原生图像参数的装置，所述装置包括：利用所述源对象的所述一个或更多个图像的设备、用参考数据分析所述一个或更多个原生参数以确定所述原生参数是否可信的设备、以及将所述图像定量地变换成组织成分图的设备。