CN111602173A - 断层扫描数据分析 - Google Patents

断层扫描数据分析 Download PDF

Info

Publication number
CN111602173A
CN111602173A CN201880082928.5A CN201880082928A CN111602173A CN 111602173 A CN111602173 A CN 111602173A CN 201880082928 A CN201880082928 A CN 201880082928A CN 111602173 A CN111602173 A CN 111602173A
Authority
CN
China
Prior art keywords
voxel
brain
image
attenuation
patient
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
CN201880082928.5A
Other languages
English (en)
Other versions
CN111602173B (zh
Inventor
埃里克·格里夫森
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.)
Brian Omix Ltd
Original Assignee
Brian Omix 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
Application filed by Brian Omix Ltd filed Critical Brian Omix Ltd
Publication of CN111602173A publication Critical patent/CN111602173A/zh
Application granted granted Critical
Publication of CN111602173B publication Critical patent/CN111602173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Pulmonology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

来自断层扫描(14)的数据，所述断层扫描(14)提供关于患者脑部的三维信息，包括下列步骤：对数据进行滤波和重新采样(21)以产生三维图像；执行配准(23)以将三维图像与参考图像(16)对准；使用3‑D刚体和/或非刚体变换；在经对准的图像中标识出(25)图像特征，以便标识出相邻体素中的哪些体素对应于表示脑部内预期明确的结构的图像特征；按照体素得分对所标识出的图像特征内的每个体素进行分类(26)，所述体素得分对应于该体素的衰减与脑部的该部位处的预期衰减之间的差异；以及从脑部的至少某部位的全部体素的体素得分中推导出累积得分。该方法可以给医疗专业人员提供对脑组织的状态的快速标识，其可以用于指导治疗的选择以便最佳地改善患者的前景、尤其是已经患有缺血性中风的患者。

Description

断层扫描数据分析
技术领域
本发明涉及一种方法，其用于分析与例如患者头部的断层扫描图像之类的断层扫描图像相对应的数据，以便帮助医疗专业人员诊断患者的医疗状态并且标识出合适的治疗。
发明内容
本发明尤其是适于诊断近期患上中风的患者。中风有两种不同类型：出血性中风，其中脑内有出血；以及缺血性中风，其中存在血管阻塞，从而减少或阻止血液流向脑部区域。出血性中风之所以可以在脑部的计算机辅助断层扫描图像中被检测到，是因为血液比脑组织更致密，并且因此更大程度地衰减了X射线；而缺血性中风之所以可以在脑部的计算机辅助断层扫描图像中被检测到，是因为阻塞的原因是血凝块，所述血凝块由于其更大的X射线衰减而可被检测到，并且由于细胞因缺氧而死亡的脑部区域的密度降低到水的密度，因此可以通过降低的X射线衰减而被检测到。本发明尤其是适于诊断在中风发病后的早期缺血性中风，此时除去阻塞的治疗在患者后期恢复、防止进一步脑损伤方面具有显著效果。
本发明利用了通过计算机辅助断层扫描术获得的数据。断层扫描术是一种获得对象的横截面图像的技术，具体而言，通过扫描围绕对象的源和相对的传感器来沿着穿过横截面的多个路径测量x射线衰减并且通过计算推断横截面图像。沿着任何一个路径，所观察到的衰减是由对象的构成路径的每个相继的部分的累积性衰减确定的。尽管计算机辅助断层扫描术原本设想用于获得二维图像，但是关于对象的三维结构的信息可以通过组合来自紧密排列的平面中的多个二维图像的信息、或者通过沿着围绕对象的螺旋形路径执行扫描来获得。为了获得二维图像，横截面区域被分解成像素，并且该计算为每个像素计算出衰减。像素越小，则图像的潜在分辨率就越大，但是需要更多的计算，并且图像中将存在更多的噪声；举例来说，每个像素可以是1.0平方毫米或者0.5平方毫米。为了获得三维图像，来自多个二维图像的数据被组合，并且衰减的值被从通常称为“体素(voxel)”的“体积像素”中推导出。每个体素的高度(即与二维图像的平面正交的维度)可以因相继的二维图像的平面之间的间隔而异，例如其可以大于该间隔，使得每个体素的所计算的衰减合并了来自多个二维图像的数据。例如，每个体素可以为2mm至8mm高、例如5mm高。
当已经患有缺血性中风的患者已经到达医院时，重要的是准确且快速地做出关于合适治疗的决定，因为更快的治疗的可以最小化最终受中风影响的脑组织的量。理想情况下，医疗专业人员需要知道：血液阻塞位于何处、任何死亡脑组织位于何处、以及脑组织的哪些部位可以潜在地被挽救。尽管一个血管可能已经被阻塞并由此使一个脑部部位丧失氧，但是可能有脑部的周围部位通过从侧支动脉的灌注而继续获得氧。因此，可以治疗患者以便保证：这些周围部位在足够快地提供治疗的情况下不进一步恶化。计算机辅助断层扫描是一种相对快速的过程，因为根据本发明，对患者的颅骨的扫描可以在几分钟内执行，并且被快速地分析。
当前，通过计算机断层扫描术(CT)扫描获得的图像可以由医疗专业人员通过使用ASPECTS评分系统(“艾伯塔中风程序早期CT得分”)来评估。这包括：医疗专业人员基于CT图像主观地评价脑部的十个部位中的早期缺血性损伤，尤其是考虑到基底神经节水平，其中尾状核和壳状核应当是可见的，然后是上神经节水平，包括放射冠区和半卵圆中心。诸如尾、岛、内囊和半形核之类的一些部位是能够在图像中识别的大脑结构，而其他区域仅仅是皮质的为方便起见的细分，它们在ASPECTS方法中称为M1-M6。ASPECTS方法提供了对缺血程度的近似量化，但是未考虑到特定部位内的缺血的严重性或者每个脑部区域的功能相关性。期望一种改进的用于分析这样的图像的方法。
根据本发明，在第一方面，提供了一种用于分析来自断层扫描的数据的方法，所述断层扫描提供了关于患者脑部的三维信息，该方法包括下列步骤：
-处理数据以产生三维图像；
-使用3-D刚体变换或非刚体变换来执行配准(registration)以将三维图像与参考图像对准；
-标识出经对准的图像中的与脑部内预期明确的结构相对应的部位；
-按照体素得分对所标识出的部位内的每个体素进行分类，所述体素得分对应于该体素的衰减与脑部的该部位处的所预期的衰减之间的差异；以及
-推导出累积得分，所述累积得分组合了来自脑部的至少某部位的全部体素的体素得分。
与ASPECTS不同，本发明逐个体素地分析图像，并且不需要使用对脑组织的任何任意细分。
根据来自执行断层扫描的装置的数据的性质，处理数据的步骤可以包括滤波并且还可以包括重新采样。
与体素相关联的衰减通常是以杭氏单位(Hounsfield unit，HU)来测量的，所述杭氏单位提供了一种线性尺度，其中蒸馏水的放射强度(radiodensity)是0HU，而空气的放射强度是-1000HU。举例来说，骨头的放射强度将大于200HU，血凝块的放射强度可以为大约60HU，而健康的灰质脑组织的放射强度为大约40HU。体素得分优选地以指示脑部的该部位损伤的可能性或概率的方式来计算，所述可能性或概率例如可以是0至1的概率值。例如，在缺血性中风的情形下，衰减在特定部位中下降譬如3HU可能指示显著的中风损伤，而在不同部位中，衰减下降譬如6HU可能指示显著的中风损伤，并且在各种情况下，这都可以被赋予体素得分1以指示确定性。与指示显著中风损伤的衰减改变相比衰减改变甚至更大的那些脑部部位将不会被赋予更大的体素得分；并且改变是否显著存在不确定性的那些体素将具有小于1的体素得分。
体素得分也可以被调整或加权以考虑到脑部的该部分的功能相关性，其方式是，将每个体素与某个权重相关联，所述权重指示脑组织的相应部分对于患者预后和残疾的重要性。累积得分然后将经加权的体素得分相组合。
累积得分因此在如下方面将在临床上是有益的：指示已经发生何种程度的脑部的不可逆损伤，并且因此除去导致缺血性中风的凝块的治疗是否将对患者具有任何益处。
另外，可以向医疗专业人员提供从三维信息中计算出的二维图像，其例如对应于经对准的图像，体素得分被叠加在所述图像上。例如，二维图像可以为黑白的，这对于断层扫描图像而言是常见的，并且体素得分可以以诸如红色之类的颜色被叠加在图像上，颜色的强度表示体素得分。这引起人们对大脑可能受到损伤那些部位的关注。
在缺血性中风的情形下，凝块本身将产生衰减的增加，而所导致的细胞损伤产生了衰减的降低。在这种情况下，存在衰减增加的体素的体素得分可以以与用于标记存在衰减减少的颜色不同的颜色被叠加在二维图像上。例如，在针对缺血性损伤的体素得分被示为红色时，凝块可以以蓝色被突出显示。
能够理解，从未受到任何脑部伤害的多个人的计算机辅助算层扫描术中，可以导出参考图像，其示出这样的扫描的平均外观，并且参考图像通常与颅骨的中心平面对准，所述中心平面从图像的顶部的中部穿过图像延伸到底部的中部。例如可以通过对来自年龄相似并且具有相似颅骨尺寸的一组人的图像进行取平均来生成多个参考图像，每个参考图像都对应于脑部具有相似结构的一组人。类似地，在这样的参考图像中，脑部结构可以被标识出，并且这些脑部结构内的体素的衰减的正常值或平均值可以被确定并且可以被视为已经患上中风的患者的体素内的所预期的衰减。可替代地，脑部某部位内的所预期的衰减可以从相同图像的其它部分处的衰减的测量中推导出。例如，缺血性中风常常导致脑部的仅仅一个半部的损伤，使得可以在脑部的对侧的相应部位之间进行比较。
在第二方面，本发明提供了一种用于获得患者中风的严重性和位置的评估的方法，该方法包括：
-执行患者的头部的三维计算机辅助断层扫描；
-处理来自计算机辅助断层扫描的数据以产生三维图像；
-使用3-D刚体变换或非刚体变换来执行配准以将三维图像与参考图像对准；
-标识出经对准的图像中的与脑部内预期明确的结构相对应的部位；
-按照体素得分对所标识出的部位内的每个体素或每组体素进行分类，所述体素得分是从该体素的衰减与脑部的该部位处的所预期的衰减之间的差异中导出的；以及
-推导出累积得分，所述累积得分组合了来自脑部的至少某部位的全部体素的体素得分。
在第三方面，本发明提供了一种用于显示关于患者中风的严重性评估和位置的信息的方法，包括：
-执行患者的头部的三维计算机辅助断层扫描；
-处理来自计算机辅助断层扫描的数据以产生三维图像；
-使用3-D刚体变换或非刚体变换来执行配准以将三维图像与参考图像对准，以便产生穿过患者颅骨的多个平面内的经对准图像；
-标识出经对准的图像中的与脑部内预期明确的结构相对应的部位；
-按照体素得分对所标识出的部位内的每个体素进行分类，所述体素得分是从该体素的衰减与脑部的该部位处的所预期的衰减之间的差异中导出的；以及
-显示从三维图像数据中计算出的二维图像，其中在所述图像上叠加体素得分。
如前面所提到的那样，体素得分可以以诸如红色之类的颜色叠加在图像上，颜色的强度表示体素得分。这引起人们对大脑可能受到损伤那些部位的关注。
附图说明
本发明现在将仅仅示例性地并且参考附图来进一步并且更具体地描述本发明，附图中：
图1示出了人类脑部的示意性横截面，其中示出了脑部特征中的一些；
图2示出了患者颅骨内的相继平行平面处的CT扫描图像；以及
图3示出了用于执行该方法的装置的示意图。
具体实施方式
现在参考图1，示出了人类脑部B在基底神经节的水平处的示意性横截面。人类脑部B的外部部分是大脑皮层CC，并且在本视图中还可以看见尾状核C、岛状带I、内囊IC、丘脑Th、脑室V和豆状核L。这些脑部特征由于它们的垂直范围而将在计算机辅助断层扫描术期间在多个相继的扫描中被观察到。此外，对于这些脑部特征中的每个，放射强度或x射线衰减是相对均匀的。
现在参考图2，示出了患有中风的患者的颅骨和脑部的处于相继平面内的计算机辅助断层扫描的序列，这些扫描在本示例中处于6mm垂直间隔。包围脑部的白色部位是颅骨S，其具有高放射强度，而周围的暗区是空气A，其具有非常低的放射强度；灰度的这种使用对应于利用常规x射线获得的灰度，并且是表示计算机辅助断层扫描术图像的常见方式。然而，由于为了研究脑部，具有大于约80HU的放射强度的任何部位都是不相关的，具有小于0HU的放射强度的任何部位也是如此，因此图像被示为具有与受限制范围的放射强度值相对应的灰度。例如，图像可以被显示为使得256个灰度级对应于0至80HU的范围，使得低于0HU的任何值都是黑色的，并且高于80HU的任何值都是白色的。灰度可以对应于稍微不同范围的放射强度值(例如17HU至53HU，而不是0HU至80HU)，但是在任何情况下，将灰度与在特定情形下感兴趣的放射强度值范围相匹配使得医疗专业人员能够在计算机辅助断层扫描术图像内更容易看见脑部的特征。这是用于查看计算机辅助断层扫描术图像的当前技术的标准方面。
图1中所示图像提供了在典型或一般性脑部的横截面中可能预期的情况的示意性表示，但是能够理解，各个患者不会具有恰好图1所示外观的脑部。例如，脑部结构的一些方面、比如脑室V的尺寸是取决于诸如患者年龄之类的各种因素的。关于图2中的图像，与图1最密切地对应的是图2的第二排图像中的第一视图。还能够理解的是，图2的所有图像都已经被对准，使得脑部的中心平面是垂直的。
现在参考图3，示出了用于执行本发明方法的装置10的示意性图像。装置10包括计算机系统12、计算机断层扫描仪14、图谱数据存储(atlas data store)16以及显示器18。计算机系统12包括患者数据分析模块21、配准模块23、标识模块25、分类模块26以及显示控制模块28。计算机辅助断层扫描仪14以已知的方式运行以执行患者头部的扫描，所述扫描可以是螺旋扫描或者多个在轴向上间隔开的扫描，并且扫描仪14从关于扫描期间获得的衰减数据中重建处于预设切片厚度(通常为0.6mm至4mm)的三维图像。来自扫描仪14的表示经重建三维图像的数据然后通过DICOM文件或其它网络协议发送给计算机系统12以供分析。来自扫描仪14的与患者头部扫描相关的数据被提供给患者数据分析模块21，在该模块中，数据被处理以提供三维图像，所述三维图像具有针对患者脑部和颅骨的图像内的每个体素的衰减数据。根据由扫描仪14所提供的的数据的性质，可能需要执行数据的滤波以及重新采样，以便能够获得令人满意的三维图像。
表示三维图像的数据然后被提供给配准引擎23，所述配准引擎23将图像与标准对准物对准，通常在所述标准对准物中，脑部的中心平面是垂直的(如图1和图2的每个图像中所示)。该对准可以利用3-D刚体和/或非刚体变换，并且基本上包括旋转图像以使其处于所需的对准。该对准可以利用与图谱数据存储16中所存储的标准脑部图像的比较。
图谱数据存储16可以存储对许多人取平均得到的人类脑部的单个标准化三维图像，或者更优选地存储脑部的多个标准化三维图像，每个图像都对不同组的人进行取平均或者取自不同个体。如上面所提到的那样，脑部结构至少部分地取决于年龄；因此，图谱数据存储16优选地存储多个不同的标准化三维图像，每个图像表示具有相似脑部结构的一组人、如年龄相似的一组人的平均。每个这样的标准化三维图像都被预编码以标识出脑部图像内的不同结构，并且该标识编码可以由熟练的放射科医生来执行。另外，图谱数据存储16可以为脑部图像内的每个不同结构包括关于脑部结构的损伤以何等程度影响患者的后续恢复的信息，也就是说，脑部的该部分与患者预后和随后的残疾的功能相关性。该信息可以从关于中风病变的功能相关性的公开临床研究中获得。
表示经对准的三维图像的数据然后被提供给标识模块25，在所述标识模块25中，图像特征通过与来自图谱数据存储16的最相似的标准化三维图像进行比较根据它们表示什么脑部结构而被标识出。这也需要使用3-D刚体和/或非刚体变换来使经对准的三维图像和来自图谱数据存储16的标准化三维图像相符合。例如，这可以包括基于归一化互相关度量的可变形配准。
然后，表示经对准的三维图像的数据与关于图像特征的数据一起被提供给分类模块26，在所述分类模块26中，经对准的三维图像内的每个体素被分类并且被赋予体素得分，所述体素得分表示在脑部的该部位处该体素的衰减与预期衰减之间的差异。该分类可以以多种不同方式来执行。该分类可以将各个体素的衰减与来自图谱数据存储16的最相似的标准化或取平均的三维图像中的对应体素进行比较，如由图3中的虚线所指示的。可替代地，分类模块26可以基于经对准图像的左侧和右侧的对应体素之间的比较来执行分类，以便将脑部的形成相同类型脑部结构的部分并因此可以预期具有基本相同衰减值的相对侧的各个体素。可替代地，分类可以包括将来自特定结构的体素与形成脑部相对侧的相同类型结构的多个体素的平均值相比较。例如，当特定体素被标识为形成尾状核C的一部分时，可以与已经被标识为形成脑部另一侧的尾状核C部分的全部体素的平均值相比较；当特定体素被标识为形成脑部的灰质的一部分时，可以与已经被标识为形成脑部另一侧的灰质部分的全部体素的平均值相比较；并且类似地，当特定体素被标识为形成脑部的白质的一部分时，可以与已经被标识为形成脑部另一侧的白质部分的全部体素的平均值相比较。
能够理解，脑组织的诸如灰质或白质之类的特定部位的衰减值可以以多种不同方式来计算，例如k均值聚类、GMM(高斯混合模型)、掩码体素取阈值(thresholding to maskvoxels)、或类似方法的组合，而不是简单的取平均。
在任何情况下，每个体素的体素得分都考虑了所观察的差异的显著性，也就是说，所观察的差异有多大可能性指示脑部的相应区域由于中风、尤其是缺血性中风而受到的损伤。体素得分例如可以是0至1的概率值。这样的概率值不一定直接对应于衰减的所观察的差异，因为衰减在特定部位或脑部结构中下降例如3HU可以指示显著的中风损伤，而在不同的部位或脑部结构中，显著的中风损伤可以由衰减下降6HU来指示；在任何情况下，体素都可以被赋予体素得分1以指示确定性。衰减改变甚至大于指示显著中风损伤的衰减改变的脑部部位将不被赋予更高的体素得分，使得最大值是1。将被赋予0至1体素得分的仅有体素将是改变是否显著存在不确定性的那些体素。
各个体素或一组相邻体素的体素得分可以由分类模块26直接从所观察的衰减差异中导出，或者可以间接地导出，例如通过训练机器学习分类器或者带注释的训练数据集来计算。分类模块26可以解释图像特征并且考虑到局部图像统计量。多种不同类型的分类器是已知的并且将适于用作分类模块26，例如随机森林分类期或者神经网络或者SVM(支持向量机)分类器。分类模块26的作用是使用所观察的衰减差异来提供对缺血性损伤的可能性的指示。
所得到的信息然后可以被提供给显示模块28，并且因此被呈现在外部显示器18上。信息可以以不同方式来显示。在一种情况下，经对准的图像数据在外部显示器18上被显示为如图1和2所示图像那样的常规二维黑白图像，但是对于所显示的图像内的每个体素而言，相应体素得分可以以彩色显示。例如，体素得分可以以红色显示，所显示的图像中的每个像素的颜色的强度取决于相应体素得分。通过这种方式，所显示的二维脑部图像内的每个不同体素处的损伤概率被叠加到二维黑白图像中的相应像素上。通过这种方式，放射科医生或其它医疗专业人员可以查看患者脑部的任何所期望的横截面视图，并且在每个这样的视图中，医疗专业人员被提供关于如下内容的清楚指示：患者脑部的哪些部位被严重损伤，并且哪些部分仅仅轻微受损，并且在采取合适步骤的情况下脑功能的恢复在何处可能是可行的。
作为另一显示信息的方式，整个三维图像内的每个体素的体素得分可以被添加在一起以提供累积得分。该累积得分例如可以通过将累积得分除以体素数目而被缩放以考虑到脑部三维图像内的体素的数目。因此，体素得分可以被处理以便以总数或平均数方式提供表示整个脑内的损伤程度的数值。
在另一修改方案中，体素得分可以被计算为使得考虑到对已发生损伤的脑部部位的患者随后恢复的相对意义。也就是说，每个体素得分也可以被加权以考虑到脑部的该部分的功能相关性，其方式是，将每个体素的损伤概率(其如上述那样经过评估)与某个权重相乘，所述权重指示脑组织的相应部位对于患者预后和残疾的重要性。累积得分然后与经加权的体素得分相组合。
因此能够理解，本发明的方法给医疗专业人员提供了快速和准确的途径来确定患者脑部的损伤程度并且在缺血性中风的情况下确定除去已导致堵塞的血凝块的治疗是否具有改变患者预后的任何可能性。这使得医疗专业人员能够决定什么治疗是合适的。
还能够理解的是，总体方法的各个步骤可以以多种不同方式来执行。例如，在需要数据滤波的情况下，这可以使用高斯模糊化、双边滤波或者总变差方法。对准步骤可以包括刚体或非刚体变换，但是在任何情况下，多个变型方案是可能的，例如在刚体变换的情况下，优化器可以是梯度下降的或者是牛顿式的；当涉及度量选择时，这可以利用互相关、均方误差或者互信息等。关于脑部部位的标识，这可以使用简单的图谱标签查找，或者包括形态学掩码、分类器或投票方法。此外，显示可以使用颜色、灰度强度、模拟3-D显示、并且可以显示加权得分或未加权得分二者任一。

Claims (15)

1.一种用于分析来自断层扫描的数据的方法，所述断层扫描提供关于患者脑部的三维信息，该方法包括下列步骤：
-处理数据以产生三维图像；
-使用3-D刚体变换或非刚体变换来执行配准以将三维图像与参考图像对准；
-标识出经对准的图像中的与脑部内预期明确的结构相对应的部位；
-按照体素得分对所标识出的部位内的每个体素或相邻体素组进行分类，所述体素得分是从脑部的该部位处的所观察的衰减与所预期的衰减之间的差异中导出的；以及
-推导出累积得分，所述累积得分组合了来自脑部的至少某部位的全部体素的体素得分。
2.根据权利要求1所述的方法，其中脑部的每个部位处的预期衰减是从人脑部的对多个人取平均的标准化图像中确定的。
3.根据权利要求1所述的方法，其中脑部的每个部位处的预期衰减是从脑部的相对侧的对应部位中确定。
4.根据前述权利要求任一项所述的方法，其中体素得分指示脑部的由所述体素表示的部位的损伤的可能性或概率。
5.根据权利要求4所述的方法，其中体素得分为0至1的值。
6.根据前述权利要求任一项所述的方法，其中体素得分也被加权以考虑到脑部的所述部分的功能相关性，其方式是，将每个体素与指示脑组织的对应部分对患者预后和残疾的重要性的权重相关联，并且累积得分将经加权的体素得分相组合。
7.根据前述权利要求任一项所述的方法，还包括：
显示二维断层扫描图像，并且将体素得分叠加到这些二维图像上。
8.根据权利要求7所述的方法，其中二维图像为黑白的，并且体素得分以颜色被叠加在图像上，所述颜色的强度表示体素得分。
9.根据权利要求8所述的方法，其中表示衰减增加的体素得分以第一颜色被叠加，并且表示衰减减少的体素得分以第二颜色被叠加。
10.一种用于获得患者中风的严重性和位置的评估的方法，该方法包括：
-执行患者的头部的三维计算机辅助断层扫描；
-处理来自计算机辅助断层扫描的数据以产生三维图像；
-使用3-D刚体变换或非刚体变换来执行配准以将三维图像与参考图像对准；
-标识出经对准的图像中的与脑部内预期明确的结构相对应的部位；
-按照体素得分对所标识出的部位内的每个体素或相邻体素组进行分类，所述体素得分是从脑部的该部位处的所观察的衰减与所预期的衰减之间的差异中导出的；以及
-推导出累积得分，所述累积得分组合了来自脑部的至少某部位的全部体素的体素得分。
11.一种用于显示关于患者中风的严重性评估和位置的信息的方法，包括：
-执行患者的头部的三维计算机辅助断层扫描；
-处理来自计算机辅助断层扫描的数据以产生三维图像；
-使用3-D刚体变换或非刚体变换来执行配准以将三维图像与参考图像对准，以便产生穿过患者颅骨的多个平面内的经对准图像；
-标识出经对准的图像中的与脑部内预期明确的结构相对应的部位；
-按照体素得分对所标识出的部位内的每个体素或相邻体素组进行分类，所述体素得分是从脑部的该部位处的所观察的衰减与所预期的衰减之间的差异中导出的；以及
-显示从三维图像数据中计算出的二维图像，其中在所述图像上叠加体素得分。
12.根据权利要求10或11项所述的方法，其中体素得分指示脑部的由所述体素表示的部位的损伤的可能性或概率。
13.根据权利要求10至12之一所述的方法，其中体素得分被加权以考虑到脑部的所述部分的功能相关性，其方式是，将每个体素与指示脑组织的对应部分对患者预后和残疾的重要性的权重相关联，并且累积得分将经加权的体素得分相组合。
14.根据前述权利要求任一项所述的方法，其中处理数据的步骤包括滤波。
15.根据权利要求14所述的方法，其中处理数据的步骤包括重新采样。
CN201880082928.5A 2017-10-23 2018-10-23 脑部断层扫描数据分析方法 Active CN111602173B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GBGB1717397.2A GB201717397D0 (en) 2017-10-23 2017-10-23 Tomographic data analysis
GB1717397.2 2017-10-23
PCT/GB2018/053054 WO2019081908A1 (en) 2017-10-23 2018-10-23 ANALYSIS OF TOMOGRAPHIC DATA

Publications (2)

Publication Number Publication Date
CN111602173A true CN111602173A (zh) 2020-08-28
CN111602173B CN111602173B (zh) 2024-07-19

Family

ID=60481638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880082928.5A Active CN111602173B (zh) 2017-10-23 2018-10-23 脑部断层扫描数据分析方法

Country Status (6)

Country Link
US (1) US10902596B2 (zh)
EP (1) EP3701495B1 (zh)
CN (1) CN111602173B (zh)
ES (1) ES2972655T3 (zh)
GB (1) GB201717397D0 (zh)
WO (1) WO2019081908A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10452949B2 (en) * 2015-11-12 2019-10-22 Cognex Corporation System and method for scoring clutter for use in 3D point cloud matching in a vision system
JP6906462B2 (ja) * 2018-02-28 2021-07-21 富士フイルム株式会社 医用画像表示装置、方法およびプログラム
EP3657435A1 (en) * 2018-11-26 2020-05-27 Koninklijke Philips N.V. Apparatus for identifying regions in a brain image
EP3798971A1 (en) * 2019-09-30 2021-03-31 Siemens Healthcare GmbH Method and data processing system for providing a stroke information
CN110934606B (zh) * 2019-10-31 2021-02-12 上海杏脉信息科技有限公司 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质
US11042971B1 (en) * 2020-08-13 2021-06-22 Omniscient Neurotechnology Pty Limited Medical imaging with distortion correction
US11501437B1 (en) * 2022-04-28 2022-11-15 Qure.Ai Technologies Private Limited Monitoring brain CT scan image
US11636596B1 (en) * 2022-04-28 2023-04-25 Qure.Ai Technologies Private Limited Monitoring brain CT scan image
US20230389879A1 (en) * 2022-06-03 2023-12-07 Optum, Inc. Machine learning techniques for mri processing using regional scoring of non-parametric voxel integrity rankings

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070081706A1 (en) * 2005-09-28 2007-04-12 Xiang Zhou Systems and methods for computer aided diagnosis and decision support in whole-body imaging
EP2131212A2 (en) * 2008-06-05 2009-12-09 Medison Co., Ltd. Non-Rigid Registration Between CT Images and Ultrasound Images
US20100080432A1 (en) * 2007-01-30 2010-04-01 Johan Axel Lilja Tools for aiding in the diagnosis of neurodegenerative diseases
US20110160543A1 (en) * 2008-05-28 2011-06-30 The Trustees Of Columbia University In The City Of New York Voxel-based methods for assessing subjects using positron emission tomography
CN103337065A (zh) * 2013-05-22 2013-10-02 西安电子科技大学 小鼠三维ct图像的非刚性配准方法
US20150080703A1 (en) * 2004-06-18 2015-03-19 Banner Health Systems, Inc. Accelerated evaluation of treatments to prevent clinical onset of alzheimer's disease
US9165360B1 (en) * 2012-09-27 2015-10-20 Zepmed, Llc Methods, systems, and devices for automated analysis of medical scans
US20160335768A1 (en) * 2010-04-30 2016-11-17 The Johns Hopkins University Intelligent atlas for automatic image analysis of magnetic resonance imaging

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8088067B2 (en) * 2002-12-23 2012-01-03 Insightec Ltd. Tissue aberration corrections in ultrasound therapy
US9053534B2 (en) * 2011-11-23 2015-06-09 The Regents Of The University Of Michigan Voxel-based approach for disease detection and evolution

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150080703A1 (en) * 2004-06-18 2015-03-19 Banner Health Systems, Inc. Accelerated evaluation of treatments to prevent clinical onset of alzheimer's disease
US20070081706A1 (en) * 2005-09-28 2007-04-12 Xiang Zhou Systems and methods for computer aided diagnosis and decision support in whole-body imaging
US20100080432A1 (en) * 2007-01-30 2010-04-01 Johan Axel Lilja Tools for aiding in the diagnosis of neurodegenerative diseases
US20110160543A1 (en) * 2008-05-28 2011-06-30 The Trustees Of Columbia University In The City Of New York Voxel-based methods for assessing subjects using positron emission tomography
EP2131212A2 (en) * 2008-06-05 2009-12-09 Medison Co., Ltd. Non-Rigid Registration Between CT Images and Ultrasound Images
US20160335768A1 (en) * 2010-04-30 2016-11-17 The Johns Hopkins University Intelligent atlas for automatic image analysis of magnetic resonance imaging
US9165360B1 (en) * 2012-09-27 2015-10-20 Zepmed, Llc Methods, systems, and devices for automated analysis of medical scans
CN103337065A (zh) * 2013-05-22 2013-10-02 西安电子科技大学 小鼠三维ct图像的非刚性配准方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TAO CHAN: "Computer aided detection of small acute intracranial hemorrhage on computer tomography of brain", COMPUTERIZED MEDICAL IMAGING AND GRAPHICS, pages 285 *

Also Published As

Publication number Publication date
GB201717397D0 (en) 2017-12-06
US20190122363A1 (en) 2019-04-25
WO2019081908A1 (en) 2019-05-02
CN111602173B (zh) 2024-07-19
US10902596B2 (en) 2021-01-26
EP3701495B1 (en) 2023-12-06
EP3701495A1 (en) 2020-09-02
ES2972655T3 (es) 2024-06-13

Similar Documents

Publication Publication Date Title
CN111602173B (zh) 脑部断层扫描数据分析方法
US20210401392A1 (en) Deep convolutional neural networks for tumor segmentation with positron emission tomography
ES2914387T3 (es) Estudio inmediato
Chawla et al. A method for automatic detection and classification of stroke from brain CT images
US8280482B2 (en) Method and apparatus for evaluating regional changes in three-dimensional tomographic images
Zeng et al. Automatic diagnosis based on spatial information fusion feature for intracranial aneurysm
US10285657B2 (en) Medical image display processing method, medical image display processing device, and program
US8634614B2 (en) System and method for volumetric analysis of medical images
KR101530015B1 (ko) 컴퓨터 단층촬영 이미지의 밀도 분석 방법
US20130303900A1 (en) Method and apparatus for processing of stroke ct scans
GB2451416A (en) ROI-based assessment of abnormality using transformation invariant features
Pereira et al. Stroke lesion detection using convolutional neural networks
Sun et al. Intracranial hemorrhage detection by 3D voxel segmentation on brain CT images
CN113826140B (zh) 血管造影数据分析
EP3786881A1 (en) Image processing for stroke characterization
US11967079B1 (en) System and method for automatically detecting large vessel occlusion on a computational tomography angiogram
Bhat et al. Identification of intracranial hemorrhage using ResNeXt model
Guo et al. Integrated system for CT-based assessment of parenchymal lung disease
KR101162599B1 (ko) 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체
Thay et al. Fast hemorrhage detection in brain ct scan slices using projection profile based decision tree
Li et al. A hybrid approach to detection of brain hemorrhage candidates from clinical head ct scans
CN111862014A (zh) 一种基于左右侧脑室分割的alvi自动测量方法及装置
Jung et al. A study of the estimation of Stroke ASPECTS Scores based on NCCT brain scan images using deep learning
JP7430730B2 (ja) 脳状態指示パラメータを確立する方法および脳状態指示パラメータを確立するためのシステム
CN108765415A (zh) 一种具有阴影管理监测系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: OX2 0JJ, 1st Floor, Seaside Tower, West Road Street, Oxfordshire, UK

Applicant after: Brian omix Ltd.

Address before: Oxfordshire

Applicant before: Brian omix Ltd.

GR01 Patent grant
GR01 Patent grant