CN112154515A - 神经检查系统 - Google Patents

神经检查系统 Download PDF

Info

Publication number
CN112154515A
CN112154515A CN201980034228.3A CN201980034228A CN112154515A CN 112154515 A CN112154515 A CN 112154515A CN 201980034228 A CN201980034228 A CN 201980034228A CN 112154515 A CN112154515 A CN 112154515A
Authority
CN
China
Prior art keywords
data
anatomical structure
geometry
computing device
test
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980034228.3A
Other languages
English (en)
Inventor
L·G·扎戈尔谢夫
J·哈夫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN112154515A publication Critical patent/CN112154515A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
    • A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/7425—Displaying combinations of multiple images regardless of image source, e.g. displaying a reference anatomical image with a live image
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4806—Functional imaging of brain activation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Psychology (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

提供了用于评价对象的脑部中的解剖结构的系统和方法。在实施例中，一种用于评价对象的脑部中的解剖结构的系统包括与磁共振成像(MRI)设备通信的计算设备。该计算设备可操作于通过将解剖结构的几何结构内的测试激活水平与规范数据库中的数据进行比较来确定解剖结构中的异常，并且将解剖结构中的异常的图形表示输出到显示设备。通过将借助于使用MRI设备获得的功能磁共振成像(fMRI)数据与解剖结构的几何结构对准来确定测试激活水平。基于借助于使用MRI设备获得的磁共振(MR)数据的分割来描绘解剖结构的几何结构。规范数据库中的数据包括多个神经学上未患病的对象的解剖结构的激活水平。

Description

神经检查系统
技术领域
本公开总体上涉及神经检查，并且具体地涉及用于识别对象的脑部中的异常并确定神经障碍的概率的神经检查系统和方法。
背景技术
由于其高空间分辨率和出色的软组织对比度，结构磁共振成像(MRI)非常适合于检测脑部和皮质下萎缩以及白/灰质变化的纵向跟踪。MRI具有有用于诊断神经障碍的不同变型和模态。
功能磁共振成像(fMRI)是MRI的一种变型，其利用产生不同信号强度值的氧合血红蛋白和脱氧血红蛋白的磁性质。氧合血液与脱氧血液的比率的时间变化用于生成任务相关代谢活动的图像。增加区域血液脑部活动并最终增加区域氧气需求和血流的任务可以由对象在MRI扫描器中执行，并用于研究具有神经疾病和精神障碍的个体的认知功能。
弥散张量成像(DTI)是另一种MRI模态，其利用水弥散的性质来提供关于脑部组织和下层白质束的连通性和功能完整性的信息。DTI基于(一个或多个)以下原理：水分子沿描述局部弥散速率的张量的主轴弥散。张量在三个维度上居中于体素处并且可以被可视化为椭圆体。作为结果，如果沿着其个体张量的长轴观察，沿着白质束的体素形成弥散线，也被称为纤维束。DTI示踪成像是一种图像处理技术，其通过从用户定义的种子点/区域开始沿其长轴跟踪此类椭圆体。
脑电图(EEG)和脑磁图(MEG)可以被用于例如研究神经障碍，诸如，阿尔茨海默氏病、癫痫、颅脑外伤和癫痫。EEG和MEG两者测量脑部的神经元内的离子电流。神经元内的离子电流可以被称为神经元电流。EEG测量由神经元电流引起的电压波动，而MEG测量由神经元电流感应的磁场。通过测量神经元电流，EEG和MEG两者可以用于评价脑部活动。因此，MEG数据和EEG数据可以补充fMRI数据，因为其测量脑部活动的不同方面。MEG数据和EEG数据也可以与DTI数据进行交叉比较，因为DTI数据中的纤维束是对对象的脑部中的神经元连通性的描绘。
通常，一般以区域分别分析fMRI数据、DTI数据、EEG数据和MEG数据。在逐解剖结构的基础上对这些数据的跟踪和定量分析不可用。出于相同的原因，也不在逐解剖结构的基础上创建和开发规范数据和生物标记。因此，需要一种改进的神经检查系统和方法。
发明内容
本公开的实施例被配置为通过将解剖特异性fMRI、DTI、EEG和MEG数据与规范数据库中的数据进行比较来识别对象的脑部中的异常，并通过将解剖特异性fMRI、DTI、EEG和MEG数据与生物标记数据库中的数据进行比较来确定神经障碍的概率。规范数据库中的数据包括尚未诊断有神经障碍的健康对象的解剖特异性fMRI、DTI、EEG和MEG数据，以及非成像数据，诸如这些健康对象的基因组、电子医学记录、放射学报告。生物标记数据库中的数据包括已被诊断有神经障碍的解剖特异性fMRI、DTI、EEG和MEG数据，以及非成像数据，诸如具有神经障碍的这些对象的基因组、电子医学记录、放射学报告。
提供了用于评价对象的脑部中的解剖结构的系统和方法。在实施例中，一种用于评价对象的脑部中的解剖结构的系统包括与磁共振成像(MRI)设备进行通信的计算设备。该计算设备可操作于通过将解剖结构的几何结构内的测试激活水平与规范数据库中的数据进行比较来确定解剖结构中的异常，并将解剖结构中的异常的图形表示输出到显示设备。该测试激活水平是通过对准借助于使用MRI设备获得的功能磁共振成像(fMRI)数据和解剖结构的几何结构来确定的。解剖结构的几何结构基于通过使用MRI设备获得的磁共振(MR)数据的分割来描绘。规范数据库中的数据包括多个神经学上未患病的对象的解剖结构的激活水平。
在一些实施例中，计算设备还可操作于通过将与异常相关联的测试激活水平与生物标记数据库中的数据进行比较来确定神经障碍的概率。生物标记数据库中的数据包括多个神经学上患病的对象的解剖结构的激活水平。图形表示包括神经障碍的概率。在一些实施例中，计算设备还可操作于通过将解剖结构的几何结构内的测试电活动水平与规范数据库中的数据进行比较来确定解剖结构中的异常，并通过将与异常相关联的测试电活动水平与生物标记数据库中的数据进行比较来确定神经障碍的概率。测试电活动水平是通过对准借助于使用EEG设备获得的脑电图(EEG)数据和解剖结构的几何结构来确定的。计算设备与EEG设备进行通信。规范数据库中的数据包括多个神经学上未患病的对象的解剖结构的电活动水平。生物标记数据库中的数据包括多个神经学上患病的对象的解剖结构的电活动水平。
在一些实施例中，计算设备还可操作于通过将解剖结构的几何结构内的测试神经元活动水平与规范数据库中的数据进行比较来确定解剖结构中的异常，并通过将与异常相关联的测试神经元活动水平与生物标记数据库中的数据进行比较来确定神经障碍的概率。测试神经元活动水平是通过对准借助于使用MEG设备获得的脑磁图(MEG)数据和解剖结构的几何结构来确定的。计算设备与MEG设备进行通信。规范数据库中的数据包括多个神经学上未患病的对象的解剖结构的神经元活动水平。生物标记数据库中的数据包括多个神经学上患病的对象的解剖结构的神经元活动水平。
在一些实施例中，计算设备还可操作于通过将解剖结构的几何结构内的测试纤维束密度与规范数据库中的数据进行比较来确定解剖结构中的异常，并通过将与异常相关联的测试纤维束密度与生物标记数据库中的数据进行比较来确定神经障碍的概率。测试纤维束密度是通过对准借助于使用MRI设备获得的弥散张量成像(DTI)数据和解剖结构的几何结构来确定的。规范数据库中的数据包括多个神经学上未患病的对象的解剖结构的纤维束密度。生物标记数据库中的数据包括多个神经学上患病的对象的解剖结构的纤维束密度。在一些实施方式中，图形表示包括处置推荐。在一些实施方式中，图形表示包括处方推荐。在一些实施例中，图形表示包括报告。在一些实施例中，该系统还包括MRI设备和显示设备。
在另一实施例中，一种用于评价对象的脑部中的解剖结构的系统包括与磁共振成像(MRI)设备进行通信的计算设备。该计算设备可操作于通过将解剖结构的几何结构内的测试激活水平与生物标记数据库中的数据进行比较来确定神经障碍的概率，并将神经障碍的概率的图形表示输出到显示设备。测试激活水平是通过对准借助于使用MRI设备获得的功能磁共振成像(fMRI)数据和解剖结构的几何结构来确定的。解剖结构的几何结构基于通过使用MRI设备获得的磁共振(MR)数据的分割来描绘。生物标记数据库中的数据包括多个神经学上患病的对象的解剖结构的激活水平。
在一些实施例中，计算设备还可操作于通过将解剖结构的几何结构内的测试激活水平与规范数据库中的数据进行比较来确定解剖结构中的异常。规范数据库中的数据包括多个神经学上未患病的对象的解剖结构的激活水平。图形表示包括解剖结构中的异常。在一些实施例中，计算设备还可操作于通过将解剖结构的几何结构内的测试电活动水平与规范数据库中的数据进行比较来确定解剖结构中的异常，并通过将测试电活动水平与生物标记数据库中的数据进行比较来确定神经障碍的概率。测试电活动水平是通过对准借助于使用EEG设备获得的脑电图(EEG)数据和解剖结构的几何结构来确定的。计算设备与EEG设备进行通信。规范数据库中的数据包括多个神经学上未患病的对象的解剖结构的电活动水平。生物标记数据库中的数据包括多个神经学上患病的对象的解剖结构的电活动水平。
在一些实施例中，计算设备还可操作于通过将解剖结构的几何结构内的测试神经元活动水平与规范数据库中的数据进行比较来确定解剖结构中的异常，并通过将测试神经元活动水平与生物标记数据库中的数据进行比较来确定神经障碍的概率。测试神经元活动水平是通过对准借助于使用MEG设备获得的脑磁图(MEG)数据和解剖结构的几何结构来确定的。计算设备与MEG设备进行通信。规范数据库中的数据包括多个神经学上未患病的对象的解剖结构的神经元活动水平。生物标记数据库中的数据包括多个神经学上患病的对象的解剖结构的神经元活动水平。
在一些实施方式中，计算设备还可操作于通过将解剖结构的几何结构内的测试纤维束密度与规范数据库中的数据进行比较来确定解剖结构中的异常，并通过将测试纤维束密度与生物标记数据库中的数据进行比较来确定神经障碍的概率。测试纤维束密度是通过对准借助于使用MRI设备获得的弥散张量成像(DTI)数据和解剖结构的几何结构来确定的。规范数据库中的数据包括多个神经学上未患病的对象的解剖结构的纤维束密度。生物标记数据库中的数据包括多个神经学上患病的对象的解剖结构的纤维束密度。在一些实施方式中，图形表示包括处置推荐。在一些实例中，图形表示包括处方推荐。在一些实施例中，图形表示包括报告。在一些实施例中，系统包括MRI设备和显示设备。
还提供了其他设备、系统和方法，其被专门配置为与此类设备接合和/或实施此类方法。
根据下面的详细描述以及附图，本公开的额外方面、特征和优点将变得显而易见。
附图说明
当结合附图阅读时，根据以下详细描述可以最好地理解本公开的各方面。要强调的是，根据行业中的标准实践，各种特征未按比例绘制。实际上，为了讨论的清楚，各种特征的尺寸可以任意增加或减小。另外，本公开可以在各个示例中重复附图标记和/或字母。该重复是出于简单和清楚的目的，并且其本身并不指示所讨论的各种实施例和/或配置之间的关系。
图1是根据本公开的方面的神经检查系统的示意图。
图2是图示根据本公开的方面的构建用于解剖结构特异性分析的规范数据库和生物标记数据库的方法的流程图。
图3是图示根据本公开的方面的用于确定对象的脑部中的解剖结构中的异常和神经障碍的概率的方法的流程图。
图4是图示根据本公开的方面的用于将MR图像分割以描绘解剖结构的几何结构的过程流的示意图。图4(410)、图4(420)、图4(430)、图4(440)、图4(450)和图4(460)图示了图4所示的项目的黑白版本。
图5是根据本公开的方面的在脑部的解剖结构内的激活水平的图形表示。
图6是根据本公开的方面的对象的脑部的MR图像，其叠加有对象的杏仁核-海马复合体(AHC)的分割模型。
图7是根据本公开的方面的对象的脑部的MR图像，其叠加有穿过对象的AHC的分割模型的纤维束。
具体实施方式
为了促进对本公开的原理的理解，现在将参考附图中图示的实施例，并且将使用特定语言来描述它们。然而，应当理解，并不旨在限制本公开的范围。如本公开所属领域的技术人员通常会想到的，对所描述的设备、系统和方法的任何改变和进一步的修改，以及对本公开的原理的任何进一步的应用被完全地考虑并包括在本公开内。
现在参考图1，其中示出了根据本公开的一些实施例的神经检查系统100的示意图。系统100包括与磁共振成像(MRI)设备110、脑磁图(MEG)设备130、脑电图(EEG)设备140、用户输入设备150以及显示器160电通信的计算设备120。计算设备120包括处理电路，例如与存储器通信的一个或多个处理器。存储器可以是有形的计算机可读存储介质，其存储可由一个或多个处理器执行的指令。在一些实施例中，计算设备120可以是工作站或控制器，其用作一方面的MRI设备110、MEG设备130、EEG设备140与另一方面的显示器160之间的接口。在一些其他实施例中，计算设备120仅控制MRI设备110。在那些实施例中，计算设备120可以访问通过使用MEG设备130和EEG设备140获得的数据，但是不直接控制它们的操作。在一些实施例中，MRI设备110可以以不同的模态(包括但不限于磁共振(MR)成像、弥散张量成像(DTI)和功能磁共振成像(fMRI))进行操作，并将成像数据输出到计算设备120。在一些实施方式中，MRI设备110可以同时以不同的模态进行操作。例如，MRI设备可以同时执行MR扫描和DTI扫描。
在一些实施例中，计算设备120可以从MRI设备110接收MR数据，对其进行处理并且将MR图像数据输出到显示器160，使得显示器160可以显示MR图像。在一些实施例中，计算设备120可以从MRI设备110接收fMRI数据，对其进行处理并且将fMRI数据输出到显示器160。在一些实施例中，计算设备120可以通过合适的过程(例如，调查扫描、刚性配准、体积定位和方向余弦)使MR数据和fMRI数据对准或共配准。在一些实施例中，fMRI数据的采集不结束，直到达到预定激活水平或阈值激活水平。在一些实施例中，计算设备120可以从MEG 130接收数据，对其进行处理以确定神经元活动水平并将神经元活动水平输出到显示器160。类似地，在一些实施例中，计算设备120可以从EEG 140接收数据，对其进行处理以确定电活动水平，并将电活动水平输出到显示器160。在一些实施例中，计算设备120可以通过合适的过程(例如，调查扫描、刚性配准、体积定位和方向余弦)使MR数据和EEG和MEG数据对准或共配准。在一些实施方式中，EEG设备140与MRI设备110兼容，并且EEG数据可以与MR扫描同时获得。在这些实施方式中，MR数据和EEG数据应该在同一视场下对准或共配准。在一些实施例中，计算设备120可以从MRI设备110接收DTI数据，对其进行处理以识别纤维束并将所识别的纤维束输出到显示器160。在这些实施例中，可以与MR扫描同时或顺序地获得MR数据和DTI数据。如果在MR/DTI扫描期间被扫描的对象保持静止，则调查扫描应足以使MR扫描的视场和DTI扫描的视场对准。如果对象移动，则能够需要执行额外调查扫描，以确保MR扫描和DTI扫描之间的适当对准。在一些情况下，计算设备120可以通过合适的过程(例如，刚性配准、体积定位和方向余弦)使MR数据和DTI数据对准或共配准。
在一些实施例中，MR数据可以是T1加权(T1W)MR图像，并且计算设备120可以将MR图像自动分割以描绘对象的脑部中的解剖结构的几何结构。在一些实施方式中，计算设备120可以基于三维(3D)脑部模型来分割MR图像数据。在一些实例中，由计算设备120从存储介质或通过到服务器或远程工作站的有线或无线连接来接收3D脑部模型。在一些其他实例中，可以将3D脑部模型存储在计算设备120中的存储设备中，或者可由计算设备120检索的存储设备中。在一些实施方式中，3D脑部模型是形状受约束的可变形脑部模型。在一些情况下，该3D脑部模型可以是L.Zagorchev,C.Meyer,T.Stehle,R.Kneser,S.Young和J.Weese的“Evaluation of traumatic brain injury subject using a shape-constraineddeformable model”(2011)；Liu T.,Shen D.,Ibanez L.,Tao X.的Multimodal BrainImage Analysis((eds)MBIA2011.Lecture Notes in Computer Science,vol.7012.Springer,Berlin,Heidelberg)中描述的脑部模型，通过引用将其整体内容并入本文。在一些实施例中，3D脑部模型可以是在题为“SYSTEM FOR RAPID AND ACCURATEQUANTITATIVE ASSESSMENT OF TRAUMATIC BRAIN INJURY”的美国专利US 9256951中描述的可变形脑部模型或在题为“METHOD AND SYSTEM FOR QUANTITATIVE EVALUATION OFIMAGE SEGMENTATION”的美国专利申请公开US 20150146951中描述的形状受约束的可变形脑部模型，通过引用将其中每个的整体内容并入本文。
在一些实施例中，自动分割不仅描绘了脑部中的解剖结构的几何结构，而且定义了几何结构中每个中的多个体素。利用与fMRI数据、DTI数据、EEG数据和MEG数据对准的MR数据，可以将几何结构和体素转移到fMRI、DTI、EEG、MEG空间，或者可以将fMRI图像、DTI图像、EEG图像和MEG图像叠加在MR图像上。在一些实施方式中，基于来自MRI设备110的fMRI数据，计算设备120可以确定体素内的激活水平，其中，激活水平可以是累积激活水平、瞬时激活水平、时间平均激活水平，或事件平均激活水平。然后利用已知的体素中每个的激活水平，计算设备120可以通过将几何结构内的所有体素的激活水平进行积分来确定解剖结构的几何结构内的激活水平。在一些实施例中，计算设备120可以使用颜色编码来指代不同的激活水平，无论它们是累积激活水平、瞬时激活水平、时间平均激活水平还是事件平均激活水平。在一些实施方式中，计算设备120还可以基于几何结构中的体素的激活水平来输出几何结构内的激活水平轮廓。在一些实施例中，计算设备120可以将所确定的激活水平在几何结构内的图形表示输出到显示器160。
在一些实施例中，MR数据和fMRI数据包括关于对象的脑部的不同解剖结构的多个几何结构的信息。当将设计为增加区域脑部活动的任务施用给对象时，不同解剖结构的几何结构内的激活水平可能会随时间呈现一顺序或模式。例如，能够在第一解剖结构内观察到第一高平均激活水平，并且然后能够在第二解剖结构内观察到第二高平均激活水平。计算设备120还可以确定解剖结构中间的激活的顺序或模式。
在一些实施方式中，基于来自MRI设备110的DTI数据，计算设备120可以识别穿过解剖结构的几何结构的纤维束。在一些实施例中，计算设备120可以确定解剖结构的几何结构内的纤维束密度。在一些实施方式中，纤维束密度包括纤维束体积与解剖结构的几何结构的总体积的比率。在一些实施方式中，计算设备120可以使用颜色编码来指代不同解剖结构中的不同纤维束密度。在一些实施例中，计算设备120可以将几何结构内的纤维束密度的图形表示输出到显示器160。在一些实施方式中，基于来自MEG设备130的MEG数据，计算设备120可以识别解剖结构的几何结构内的神经元活动水平。在一些实施方式中，计算设备120可以使用颜色编码来指代不同解剖结构中的神经元活动水平的不同水平。在一些实施例中，计算设备120可以将几何结构内的神经元活动水平的图形表示输出到显示器160。在一些实施方式中，基于来自EEG设备140的EEG数据，计算设备120可以识别解剖结构的几何结构内的电活动水平。在一些实施方式中，计算设备120可以使用颜色编码来指代不同解剖结构中的电活动水平的不同水平。在一些实施例中，计算设备120可以将几何结构内的电活动水平的图形表示输出到显示器160。
在一些实施例中，计算设备120可以用于建立规范数据库和生物标记数据库。在这些实施例中，计算设备120可以接收对象的诊断。如果诊断是阴性并且指示健康脑部，则将对象识别为神经学上未患病的对象，并且可以由计算设备120将对象的相应解剖结构内的fMRI激活水平、激活顺序、DTI纤维束密度、MEG神经元活动水平、EEG电活动水平存储在与计算设备120通信的规范数据库170中。然而，如果诊断是阳性并且指示神经障碍，则将对象识别为神经学上患病的对象，并且上述解剖结构特异性数据可以存储在生物标记数据库180中。随着时间，规范数据库可以包括多个神经学上未患病的对象的相应解剖结构内的fMRI激活水平、激活顺序、DTI纤维束密度、MEG神经元活动水平、EEG电活动水平，并且生物标记数据库可以包括多个神经学上患病的对象的相应解剖结构内的fMRI激活水平、激活顺序、DTI纤维束密度、MEG神经元活动水平、EEG电活动水平。在一些实施例中，计算设备120可以基于多个神经学上未患病或患病的对象的头部尺寸或头部形状描述符来对规范数据库170和生物标记数据库180中的数据进行归一化。这样一来，可以考虑由于头部尺寸引起的变化，以提供用于比较的更准确的数据集。
在一些实施例中，计算设备120可以将诊断的神经障碍、fMRI激活水平、激活顺序、DTI纤维束密度、MEG神经元活动水平和EEG电活动水平与诊断相关联。因为存储在生物标记数据库180中的数据全部相对于每个解剖结构被归一化，因此可以相对于诊断的神经障碍来有意义地量化和分析活动水平、神经元活动水平、电活动水平和DTI纤维密度。这些不能说是相同数据的常规用途。例如，常规DTI识别对象的脑部内的纤维束。然而，在没有有意义的定义空间或几何结构的情况下，纤维束密度和纤维束体积的比率不能被计算，也不能与来自不同对象的对应值进行交叉比较。在一些实施例中，计算设备120可以依据激活水平、激活顺序、神经元活动水平、电活动和纤维束密度来统计地识别特征或生物标记。
在一些实施例中，在计算设备120从MRI设备110接收对象的fMRI数据和DTI数据，从MEG设备130接收对象的MEG数据，从EEG设备140接收对象的EEG数据之后，计算设备120可以在逐解剖结构的基础上将对象的激活水平、激活顺序、神经活动水平、电活动水平和纤维束密度与规范数据库170中存储的数据进行比较。这样的比较允许计算设备120识别关于特定解剖结构的异常。在一些实施例中，一旦识别出异常，则计算设备120可以将解剖结构内的对象的激活水平、激活顺序、神经元活动水平、电活动和纤维束密度与生物标记数据库180中存储的数据进行比较。计算设备120可以确定“异常”解剖结构的激活水平、激活顺序、神经元活动水平、电活动水平和纤维束密度是否与神经障碍的特征模式或生物标记匹配以及该异常在多大程度上指示神经障碍。在备选布置中，计算设备120可以并行访问规范数据库170和生物标记数据库180，以识别异常并确定神经障碍的概率。在一些实施例中，每当诊断为阳性时，关于针对推荐治疗或流程的处置推荐和针对推荐药物的处方推荐的任何信息也被存储在生物标记数据库180中。在这些实施例中，除了神经障碍的概率，计算设备120还可以基于生物标记数据库180中的推荐处置和推荐处方确定处置推荐和处方推荐。根据本公开内容获得的激活水平、激活顺序、神经元活动水平、电活动水平和纤维束密度的解剖结构特异性质允许对脑部活动的变化进行检查内跟踪，并跨不同检查进行纵向跟踪。
在一些实施方式中，计算设备120可以生成所识别的异常、神经障碍的概率、推荐的处置方法和推荐的处方的图形表示并将其输出到显示器160。该图形表示可以包括颜色轮廓、文本、弹出对话框、可点击的超链接。在一些实施方式中，该图形表示可以呈现报告的形式。
现在参考图2，其中示出了流程图，其图示说明构建用于解剖结构特异性分析的规范数据库和生物标记数据库的示例性方法200。方法200包括操作202、204、206、208、210、212、214、216A和216B。应理解，可以以与图2所示的顺序不同的顺序来执行方法200的操作，可以在操作之前、期间和之后提供额外的操作，和/或所描述的操作中的一些可以在其他实施例中被替换或取消。方法200的操作可以由MRI系统中的计算设备(例如系统100的计算设备120)执行。下面将参考图3、图4、图5、图6和图7来描述方法200。
在方法200的操作202处，通过使用与计算设备120进行通信的MRI设备110获得对象的脑部的MR数据。计算设备120可以处理对象的脑部的MR数据并将MR图像数据输出到显示器160以显示MR图像，例如图4中的MR图像420。在一些实施例中，MR数据包括T1W MR数据。尽管图4所示的MR图像420是对象的脑部的俯视图，但是本领域普通技术人员将理解，也可以由计算设备120获得或导出从其他方向查看到的对象的脑部的MR图像。在操作202处获得的MR数据包括对象的脑部中的解剖结构的MR数据。
在方法200的操作204处，对对象的脑部的MR数据进行分割，以描绘对象的脑部中的第一解剖结构的第一几何结构和第二解剖结构的第二几何结构。
现在参考图4，其中，其中示出了用于对MR数据进行分割以描绘对象的脑部中的解剖结构的几何结构的过程流400。图4最初被准备为彩色附图，因为在黑白医学图像上以黑白表示各个方面是具有挑战性的。在提交本申请时，世界上大多数专利局都不接受彩色附图。因此，为了帮助图示图4中所示的各方面，额外的图4(410)、图4(420)、图4(430)、图4(440)、图4(450)和图4(460)被提供为以黑白图示先前在图4中以彩色示出的各个方面。图4与图4(410)、图4(420)、图4(430)、图4(440)、图4(450)和图4(460)中的任一个之间的任何差异应该解释为有利于原始的图4。图4的彩色版本可以在与本专利申请相关的美国专利申请中从美国专利商标局可用。
在一些实施例中，计算设备120可以基于3D脑部模型410将由MR图像420表示的对象的脑部的MR数据进行分割。在一些实施例中，3D脑部模型410可以是形状受约束的可变形脑部模型。在一些实例中，3D脑部模型410可以是L.Zagorchev,C.Meyer,T.Stehle,R.Kneser,S.Young和J.Weese的“Evaluation of traumatic brain injury subjectusing a shape-constrained deformable model”(2011)；Liu T.,Shen D.,Ibanez L.,Tao X.的Multimodal Brain Image Analysis((eds)MBIA2011.Lecture Notes inComputer Science,vol.7012.Springer,Berlin,Heidelberg)中描述的脑部模型，通过引用将其整体内容并入本文。在一些实例中，3D脑部模型可以是在题为“SYSTEM FOR RAPIDAND ACCURATE QUANTITATIVE ASSESSMENT OF TRAUMATIC BRAIN INJURY”的美国专利US9256951中描述的可变形脑部模型或在题为“METHOD AND SYSTEM FOR QUANTITATIVEEVALUATION OF IMAGE SEGMENTATION”的美国专利申请公开US20150146951中描述的形状受约束的可变形脑部模型，通过引用将其中每个的整体内容并入本文。在一些实施方式中，将3D脑部模型410存储在计算设备120中或可由计算设备120检索的存储设备或介质中。操作204可以与操作202同时执行或随后在操作202之后执行。
如MR图像430中所示，通过与脑部的MR图像420进行匹配来初始化3D脑部模型410。然后，在3D脑部模型410上执行广义霍夫变换(GHT)，以使3D脑部模型410在位置和取向方面与MR图像420中的解剖结构的几何结构匹配，如MR图像440中所图示。之后，如MR图像450中所示，3D脑部模型410经历参数调整，其中，使用全局相似性变换和/或多线性变换来调节位置、取向和缩放，以更好地适应于MR图像420中的解剖结构。如MR图像460中所图示，3D脑部模型410经历可变形调整，其中，执行3D脑部模型410中的边界检测和网格调节的多次迭代，以使3D脑部模型适应于脑部中的解剖结构。
在方法200的操作206处，获得对象的脑部的fMRI数据。fMRI依赖于氧合血红蛋白和脱氧血红蛋白具有导致不同磁共振(MR)信号强度的不同的磁性质的事实。因为脑部血流承受与神经元激活的直接相关性，因此通过测量脑部区域中的血液需求，fMRI测量该脑部区域的激活水平。此外，由于对血液的需求可以表示对氧气的需求，因此fMRI也可以是测量脑部区域中的氧气需求的工具和技术。在fMRI扫描期间，被设计为增加区域脑部活动的任务被施用给对象，并且MRI设备可以检测氧合血液和脱氧血液的比率的变化。操作206可以与操作202和204同时执行或随后在操作202和204之后执行。
例如，任务可以是双N-后退任务。在双N-后退任务中，同时向对象呈现一系列视觉刺激和听觉刺激。在一些实施方式中，对象以1-后退条件开始，其中，如果当前视觉刺激与紧接在前的视觉刺激匹配，则要求他/她提供肯定响应。同样，如果当前听觉刺激与紧接在前的听觉刺激匹配，则要求该对象提供肯定响应。如果当前视觉和听觉刺激两者与紧接在前的视觉和听觉刺激匹配，则要求对象提供双重肯定响应。如果没有刺激匹配，则不要求响应。如果对象的准确率达到特定水平，则将n-后退水平增加1(例如，从1-后退到2-后退)。如果准确度水平下降到特定水平之下，则n-后退水平降低1(例如从3-后退到2-后退)。在一些实例中，如果将对象的准确度水平维持在特定水平处，则n-后退水平保持不变。双N-后退任务在Susanne M.Jaeggi等人的Improving Fluid Intelligence with Training onWorking Memory(Pro.Natl.Acad.Sc.U.S.A.,2008May 13；105(19):6829–6833.)中被描述。图4示出了在对象经受双N后退任务时的控制对象的脑部中的激活水平和具有轻度创伤性颅脑损伤(MTBI)的对象的脑部中的激活水平。在没有解剖结构特异性激活水平的情况下，特定解剖结构内的激活水平不能被量化并被有意义地关联到特定的神经障碍。本公开的系统和方法恰好实现这一点。通过将MR数据分割并将MR数据与fMRI数据对准，可以确定解剖结构的几何结构中每个中的激活水平。本文使用的激活水平可以是累积激活水平、瞬时激活水平、时间平均激活水平或事件平均激活水平。
可以结合图5来说明操作206，图5示出了叠加有包括丘脑510和胼胝体520的几何结构的解剖结构的几何结构的突出显示边界的对象的脑部的MR图像500。在一些实施例中，计算设备120可以确定第一几何结构(例如，丘脑510的几何结构)内的第一激活水平和第二几何结构(例如，胼胝体520的几何结构)内的第二激活水平。如图5所示，第一激活水平可以由第一图形叠加610表示，并且第二激活水平可以由第二图形叠加层620表示。此处的第一激活水平和第二激活水平可以是累积激活水平、瞬时激活水平、时间平均激活水平或事件平均激活水平。另外，计算设备120可以确定不同解剖结构中的激活的模式或顺序。例如，丘脑510的几何结构中的第一激活水平可以增加而胼胝体520的几何结构中的第二激活水平即将增加，并且然后第二激活水平可以响应于双N-后退任务而增加，而第一激活水平响应于同一任务而减弱。除了激活水平的定量强度，响应于任务或刺激的不同解剖结构中间的激活的模式/顺序也可以指示神经障碍或状况。
在方法200的操作208处，获得对象的脑部的EEG数据。通过将MR数据分割并使MR数据与EEG数据对准，可以确定解剖结构的每个几何结构内的电活动水平。操作208可以与操作202、204和206同时执行或随后在操作202、204和206之后执行。
在方法200的操作210处，获得对象的脑部的MEG数据。通过将MR数据分割并使MR数据与MEG数据对准，可以确定解剖结构的几何结构中每个内的神经元活动水平。
在方法200的操作212处，获得对象的脑部的DTI数据。通过将MR数据分割并使MR数据与MEG数据对准，计算设备120可以识别穿过解剖结构的纤维束，并确定解剖结构内的纤维束密度或纤维束体积比率。可以结合图6和图7来说明操作212。计算设备120将解剖结构进行分割的方式之一是通过以体素表示解剖结构。由图6说明了示例性体素表示，其中，对象的MR图像600包括对象的杏仁核-海马复合体(AHC)的分割表示610。分割表示610包括填充对象的AHC的几何结构的体素。尽管图6示出了对象的AHC的分割表示610，但本领域普通技术人员会理解可以对所有脑部解剖结构进行这种分割。现在参考图7，其中示出了叠加有穿过对象的AHC的分割表示610的纤维束710的对象的脑部的MR图像700。在一些实施例中，分割表示610中的体素可以用作开始点或“种子”以跟踪穿过它们的纤维束710，从而允许在操作212处识别纤维束710。操作212可以与操作202、204、206和208同时执行或随后在操作202、204、206和208之后执行。
在方法200的操作214处，将激活水平、激活顺序、电活动水平、神经元活动水平、纤维束密度与对象的脑部的诊断进行关联。在图1所示的系统100的背景下，在操作214处，计算设备120接收关于脑部的患者的诊断。如果诊断是阴性的并且指示健康脑部，则计算设备120将脑部的相应解剖结构内的fMRI激活水平、激活顺序、DTI纤维束密度、MEG神经元活动水平、EEG电活动水平与阴性诊断或神经学上未患病的对象进行关联。然而，如果诊断是阳性的并且指示神经障碍，则计算设备120将上述解剖结构专用数据与神经学上患病的对象进行关联。在一些实施例中，每当诊断为阳性时，关于用于推荐的治疗或流程的处置推荐以及用于推荐的药物的处方推荐的任何信息也与诊断为具有神经障碍的对象关联。
然后，方法200分叉到操作216A和操作216B中。在操作216A处，与阴性诊断或神经学上未患病的对象相关联的相应解剖结构内的fMRI激活水平、激活顺序、DTI纤维束密度、MEG神经元活动水平、EEG电活动水平被存储在规范数据库中，例如图1所示的规范数据库170。随着时间，规范数据库可以包括多个神经学上未患病的对象的相应解剖结构内的fMRI激活水平、激活顺序、DTI纤维束密度、MEG神经元活动水平、EEG电活动水平。在操作216B处，与神经学上患病的对象相关联的相应解剖结构内的fMRI激活水平、激活顺序、DTI纤维束密度、MEG神经元活动水平、EEG电活动水平被存储在生物标记数据库中，例如图1所示的生物标记数据库180。随着时间，生物标记数据库可以包括多个神经学上患病的对象的相应解剖结构内的fMRI激活水平、激活顺序、DTI纤维束密度、MEG神经元活动水平、EEG电活动水平。在将处置推荐和/或处方推荐与诊断为具有神经障碍的神经学上患病的对象相关联的情况下，处置推荐和处方推荐也被存储在生物标记数据库180中。例如，诊断为具有癫痫的对象应服用抗癫痫药。其处置推荐和/或处方推荐可以与其相关的成像数据(例如，fMRI、EEG、MEG和DTI)和/或非成像数据(例如，基因组、临床论文、电子病历、放射学报告)和/或先前处置推荐一起存储在数据库中。在一些实施例中，可以基于年龄、性别、种族或其组合来将规范数据库和生物标记数据库中的数据分类。
现在参考图3，其中示出了一种方法300，其用于确定对象的脑部中的解剖结构中的异常和神经障碍的概率。方法300包括操作302、304、306、308、310、312、314、316和318。应当理解，在其他实施例中，方法300的操作可以以与图3所示的顺序不同的顺序执行，可以在操作之前、期间和之后提供额外操作，和/或所描述的操作中的一些可以被替换或消除。方法300的操作可以由MRI系统中的计算设备(例如，系统100的计算设备120)执行。下面将参考图3、图4、图5、图6和图7来描述方法300。由于方法300的操作302、304、306、308、310和312与方法200的操作202、204、206、208、210和212相似，因此下面将较不详细地对其进行描述。
在方法300的操作302处，通过使用与计算设备120进行通信的MRI设备110来获得对象的脑部的MR数据。
在方法200的操作304处，将对象的脑部的MR数据进行分割以描绘对象的脑部中的第一解剖结构的第一几何结构和第二解剖结构的第二几何结构。
在方法300的操作306处，获得对象的脑部的fMRI数据。通过调查扫描或通过合适的对准过程(例如体积定位和方向余弦)将fMRI数据与MR数据对准。通过将MR数据进行分割并将MR数据与fMRI数据对准，可以确定解剖结构的几何结构中每个中的测试激活水平。本文使用的测试激活水平可以是累积激活水平、瞬时激活水平、时间平均激活水平或事件平均激活水平。
在方法300的操作308处，获得对象的脑部的EEG数据。通过合适的对准过程(例如调查扫描、刚性配准、体积定位和方向余弦)将EEG数据与MR数据对准。通过将MR数据进行分割并将MR数据与EEG数据对准，可以确定解剖结构的几何结构中每个内的测试电活动水平。
在方法300的操作310处，获得对象的脑部的MEG数据。通过合适的对准过程(例如调查扫描、刚性配准、体积定位和方向余弦)将MEG数据与MR数据对准。通过将MR数据进行分割并将MR数据与MEG数据对准，可以确定解剖结构的几何结构中每个内的测试神经元活动水平。
在方法300的操作312处，获得对象的脑部的DTI数据。通过调查扫描或通过合适的对准过程(例如调查扫描、刚性配准、体积定位和方向余弦)将DTI数据与MR数据对准。通过将MR数据进行分割并将MR数据与MEG数据对准，计算设备120可以识别穿过解剖结构的纤维束并确定解剖结构内的纤维束密度。
在方法300的操作314处，由计算设备120通过将测试激活水平、测试电活动水平、测试神经元活动水平和测试纤维束密度与规范数据库(例如规范数据库170)中的数据进行比较来确定解剖结构中的异常。如上面关于方法200的操作216A所描述的，规范数据库可以包括多个神经学上未患病的对象的相应解剖结构内的fMRI激活水平、激活顺序、DTI纤维束密度、MEG神经元活动水平、EEG电活动水平。在一些实施例中，在将其与对象的测试激活水平、测试电活动水平、测试神经元活动水平和测试纤维束密度进行比较之前，基于对象的年龄、性别、性征和/或头部尺寸将规范数据库中的数据归一化。在一些实施例中，如果解剖结构内的对象的测试激活水平、测试电活动水平、测试神经元活动水平和测试纤维束密度偏离规范值达阈值百分比，则确定解剖结构中的异常。在一些实施方式中，该阈值百分比是基于规范数据库中的数据与生物标记数据库中的数据之间的交叉比较确定的百分比。在一些实施方式中，该阈值百分比是归一化数据的标准偏差的分数。
在方法300的操作316处，通过将与异常相关联的测试激活水平、测试电活动水平、测试神经元活动水平和测试纤维束密度与生物标记数据库中的数据进行比较来确定神经障碍的概率。如上面关于方法200的操作216B所描述的，生物标记数据库可以包括多个神经学上患病的对象的相应解剖结构内的fMRI激活水平、激活顺序、DTI纤维束密度、MEG神经元活动水平、EEG电活动水平。在一些实施例中，在将生物标记数据库中的数据与对象的测试激活水平、测试电活动水平、测试神经元活动水平和测试纤维束密度进行比较之前，基于对象的年龄、性别、性征和/或头部尺寸将生物标记数据库中的数据归一化。在一些实施例中，通过将解剖结构内的对象的测试激活水平、测试电活动水平、测试神经元活动水平和测试纤维束密度与生物标记数据库中的神经障碍的生物标志物的匹配来确定神经障碍的概率。例如，如果生物标记数据库中的数据在统计学上指示在解剖结构Z中具有X激活水平和Y神经元活动水平的神经学上患病的对象具有被诊断具有神经障碍A的95％概率并且对象的测试数据匹配或超过解剖结构Z中的X激活水平和Y神经元活动水平，则对象的神经障碍A的概率为95％。在一些实施方案中，可以在操作314中将生物标记数据库中的数据与规范数据库中的数据进行交叉比较以生成用于确定异常的阈值百分比。例如，如果生物标记数据库中的解剖结构内的平均激活水平比其在规范数据库中的对等物高15％，则在操作314中，为了确定解剖结构内的异常的目的，15％可以用作阈值百分比。
在一些实施例中，操作314和316并行且彼此独立地执行。在这些实施例中，计算设备120同时访问两个数据库并分别执行操作314和316中所需的比较。在一些其他实施例中，操作314和316被顺序执行，并且操作316取决于操作314的结果。在这些实施例中，一关于解剖结构识别出异常，就仅关于该“异常”解剖结构来执行操作316，以生成收敛结果。
在方法300的操作318处，将异常的图形表示、神经障碍的概率输出到显示器，例如显示器160。如上所述，生物标记数据库可以包括关于用于推荐的治疗或流程的处置推荐以及用于推荐的药物的处方推荐的信息。在这些实施例中，如果神经障碍的概率大于0％，则图形表示还可以包括针对神经障碍的处置推荐和处方推荐。在一些其他实施例中，如果神经障碍的概率大于50％，则图形表示仅包括针对神经障碍的处置推荐和处方推荐。在一些实施方式中，图形表示可以包括颜色轮廓、文本、弹出对话框、可点击超链接。在一些实施方式中，图形表示可以呈现放射学报告的形式。
本公开的系统、设备和方法可以包括在美国临时申请US__________(代理人案号No.2017PF02586/44755.1862PV01)中描述的特征，通过引用将其整体并入本文。
本领域技术人员将认识到，可以以各种方式修改上述装置、系统和方法。因此，本领域普通技术人员将理解，由本公开包含的实施例不限于上述特定示例性实施例。在这方面，尽管已经示出和描述了说明性实施例，但是在前述公开中预期各种各样的修改、变化和替换。应理解，在不脱离本公开的范围的情况下，可以对前述内容进行此类改变。因此，适当地，以与本公开一致的方式广义地解释所附权利要求。

Claims (18)

1.一种用于评价对象的脑部中的解剖结构的系统，包括：
计算设备，其与磁共振成像(MRI)设备进行通信，所述计算设备能用于：
通过将所述解剖结构的几何结构内的测试激活水平与规范数据库中的数据进行比较来确定所述解剖结构中的异常，所述测试激活水平是通过将借助于使用所述MRI设备获得的功能磁共振成像(fMRI)数据与所述解剖结构的所述几何结构进行对准来确定的，所述解剖结构的所述几何结构是基于借助于使用所述MRI设备获得的磁共振(MR)数据的分割来描绘的；并且
将所述解剖结构中的所述异常的图形表示输出到显示设备，
其中，所述规范数据库中的所述数据包括多个神经学上未患病的对象的所述解剖结构的激活水平。
2.根据权利要求1所述的系统，其中，所述计算设备还能用于：
通过将与所述异常相关联的所述测试激活水平与生物标记数据库中的数据进行比较来确定神经障碍的概率，
其中，所述生物标记数据库中的所述数据包括多个神经学上患病的对象的所述解剖结构的激活水平，并且
其中，所述图形表示包括所述神经障碍的所述概率。
3.根据权利要求2所述的系统，其中，所述计算设备还能用于：
通过将所述解剖结构的所述几何结构内的测试电活动水平与所述规范数据库中的所述数据进行比较来确定所述解剖结构中的所述异常，所述测试电活动水平是通过将借助于使用脑电图(EEG)设备获得的EEG数据与所述解剖结构的所述几何结构进行对准来确定的；并且
通过将与所述异常相关联的所述测试电活动水平与所述生物标记数据库中的所述数据进行比较来确定所述神经障碍的所述概率，
其中，所述计算设备与所述EEG设备进行通信，
其中，所述规范数据库中的所述数据包括所述多个神经学上未患病的对象的所述解剖结构的电活动水平，并且
其中，所述生物标记数据库中的所述数据包括所述多个神经学上患病的对象的所述解剖结构的电活动水平。
4.根据权利要求2所述的系统，其中，所述计算设备还能用于：
通过将所述解剖结构的所述几何结构内的测试神经元活动水平与所述规范数据库中的所述数据进行比较来确定所述解剖结构中的所述异常，所述测试神经元活动水平是通过将借助于使用脑磁图(MEG)设备获得的MEG数据与所述解剖结构的所述几何结构进行对准来确定的；并且
通过将与所述异常相关联的所述测试神经元活动水平与所述生物标记数据库中的所述数据进行比较来确定所述神经障碍的所述概率，
其中，所述计算设备与所述MEG设备进行通信，
其中，所述规范数据库中的所述数据包括所述多个神经学上未患病的对象的所述解剖结构的神经元活动水平，并且
其中，所述生物标记数据库中的所述数据包括所述多个神经学上患病的对象的所述解剖结构的神经元活动水平。
5.根据权利要求2所述的系统，其中，所述计算设备还能用于：
通过将所述解剖结构的所述几何结构内的测试纤维束密度与所述规范数据库中的所述数据进行比较来确定所述解剖结构中的所述异常，所述测试纤维束密度是通过将借助于使用所述MRI设备获得的弥散张量成像(DTI)数据与所述解剖结构的所述几何结构进行对准来确定的；并且
通过将与所述异常相关联的所述测试纤维束密度与所述生物标记数据库中的所述数据进行比较来确定所述神经障碍的所述概率，
其中，所述规范数据库中的所述数据包括所述多个神经学上未患病的对象的所述解剖结构的纤维束密度，并且
其中，所述生物标记数据库中的所述数据包括所述多个神经学上患病的对象的所述解剖结构的纤维束密度。
6.根据权利要求2所述的系统，其中，所述图形表示包括处置推荐。
7.根据权利要求2所述的系统，其中，所述图形表示包括处方推荐。
8.根据权利要求2所述的系统，其中，所述图形表示包括报告。
9.根据权利要求2所述的系统，还包括所述MRI设备和所述显示设备。
10.一种用于评价对象的脑部中的解剖结构的系统，包括：
计算设备，其与磁共振成像(MRI)设备进行通信，所述计算设备能用于：
通过将所述解剖结构的几何结构内的测试激活水平与生物标记数据库中的数据进行比较来确定神经障碍的概率，所述测试激活水平是通过将借助于使用所述MRI设备获得的功能磁共振成像(fMRI)数据与所述解剖结构的所述几何结构进行对准来确定的，所述解剖结构的所述几何结构是基于通过使用所述MRI设备获得的磁共振(MR)数据的分割来描绘的；并且
将所述神经障碍的所述概率的图形表示输出到显示设备，
其中，所述生物标记数据库中的所述数据包括多个神经学上患病的对象的所述解剖结构的激活水平。
11.根据权利要求10所述的系统，其中，所述计算设备还能用于：
通过将所述解剖结构的所述几何结构内的测试激活水平与规范数据库中的数据进行比较来确定所述解剖结构中的异常，
其中，所述规范数据库中的所述数据包括多个神经学上未患病的对象的所述解剖结构的激活水平，并且
其中，所述图形表示包括所述解剖结构中的所述异常。
12.根据权利要求11所述的系统，其中，所述计算设备还能用于：
通过将所述解剖结构的所述几何结构内的测试电活动水平与所述规范数据库中的所述数据进行比较来确定所述解剖结构中的所述异常，所述测试电活动水平是通过将借助于使用脑电图(EEG)设备获得的EEG数据与所述解剖结构的所述几何结构进行对准来确定的；并且
通过将所述测试电活动水平与所述生物标记数据库中的所述数据进行比较来确定所述神经障碍的所述概率，
其中，所述计算设备与所述EEG设备进行通信，
其中，所述规范数据库中的所述数据包括所述多个神经学上未患病的对象的所述解剖结构的电活动水平，并且
其中，所述生物标记数据库中的所述数据包括所述多个神经学上患病的对象的所述解剖结构的电活动水平。
13.根据权利要求11所述的系统，其中，所述计算设备还能用于：
通过将所述解剖结构的所述几何结构内的测试神经元活动水平与所述规范数据库中的所述数据进行比较来确定所述解剖结构中的所述异常，所述测试神经元活动水平是通过将借助于使用脑磁图(MEG)设备获得的MEG数据与所述解剖结构的所述几何结构进行对准来确定的；并且
通过将所述测试神经元活动水平与所述生物标记数据库中的所述数据进行比较来确定所述神经障碍的所述概率，
其中，所述计算设备与所述MEG设备进行通信，
其中，所述规范数据库中的所述数据包括所述多个神经学上未患病的对象的所述解剖结构的神经元活动水平，并且
其中，所述生物标记数据库中的所述数据包括所述多个神经学上患病的对象的所述解剖结构的神经元活动水平。
14.根据权利要求11所述的系统，其中，所述计算设备还能用于：
通过将所述解剖结构的所述几何结构内的测试纤维束密度与所述规范数据库中的所述数据进行比较来确定所述解剖结构中的所述异常，所述测试纤维束密度是通过将借助于使用所述MRI设备获得的弥散张量成像(DTI)数据与所述解剖结构的所述几何结构进行对准来确定的；并且
通过将所述测试纤维束密度与所述生物标记数据库中的所述数据进行比较来确定所述神经障碍的所述概率，
其中，所述规范数据库中的所述数据包括所述多个神经学上未患病的对象的所述解剖结构的纤维束密度，并且
其中，所述生物标记数据库中的所述数据包括所述多个神经学上患病的对象的所述解剖结构的纤维束密度。
15.根据权利要求10所述的系统，其中，所述图形表示包括处置推荐。
16.根据权利要求10所述的系统，其中，所述图形表示包括处方推荐。
17.根据权利要求10所述的系统，其中，所述图形表示包括报告。
18.根据权利要求10所述的系统，还包括所述MRI设备和所述显示设备。
CN201980034228.3A 2018-03-21 2019-03-20 神经检查系统 Pending CN112154515A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862645931P 2018-03-21 2018-03-21
US62/645,931 2018-03-21
PCT/EP2019/056900 WO2019180054A1 (en) 2018-03-21 2019-03-20 Neurological examination system

Publications (1)

Publication Number Publication Date
CN112154515A true CN112154515A (zh) 2020-12-29

Family

ID=65955188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980034228.3A Pending CN112154515A (zh) 2018-03-21 2019-03-20 神经检查系统

Country Status (5)

Country Link
US (2) US20210000350A1 (zh)
EP (1) EP3769316A1 (zh)
JP (1) JP2021518205A (zh)
CN (1) CN112154515A (zh)
WO (1) WO2019180054A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11385310B2 (en) * 2018-07-30 2022-07-12 Koninklijke Philips N.V. Functional magnetic resonance imaging systems and methods
EP3657435A1 (en) * 2018-11-26 2020-05-27 Koninklijke Philips N.V. Apparatus for identifying regions in a brain image
US20220392058A1 (en) * 2021-06-02 2022-12-08 Imeka Solutions Inc. Processing of tractography results using an autoencoder

Citations (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
US20060129324A1 (en) * 2004-12-15 2006-06-15 Biogenesys, Inc. Use of quantitative EEG (QEEG) alone and/or other imaging technology and/or in combination with genomics and/or proteomics and/or biochemical analysis and/or other diagnostic modalities, and CART and/or AI and/or statistical and/or other mathematical analysis methods for improved medical and other diagnosis, psychiatric and other disease treatment, and also for veracity verification and/or lie detection applications.
US20100286053A1 (en) * 2009-05-07 2010-11-11 Children's Hospital Medical Center Plasminogen activator inhibitor amelioration of newborn hypoxic ischemic brain injury
US20110282183A1 (en) * 2010-05-17 2011-11-17 Washington University In St. Louis Diagnosis Of Central Nervous System White Matter Pathology Using Diffusion MRI
US20150227702A1 (en) * 2014-02-10 2015-08-13 Picofemto LLC Multi-factor brain analysis via medical imaging decision support systems and methods
CN107438398A (zh) * 2015-01-06 2017-12-05 大卫·伯顿 移动式可穿戴的监控系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040092809A1 (en) * 2002-07-26 2004-05-13 Neurion Inc. Methods for measurement and analysis of brain activity
EP2141506B1 (en) * 2008-07-01 2019-04-03 The Regents of The University of California Identifying fiber tracts using magnetic resonance imaging (MRI)
US8388529B2 (en) * 2008-07-08 2013-03-05 International Business Machines Corporation Differential diagnosis of neuropsychiatric conditions
US9788753B2 (en) * 2009-02-26 2017-10-17 Ramot At Tel-Aviv University Ltd. Method and system for characterizing cortical structures
US9256951B2 (en) 2009-12-10 2016-02-09 Koninklijke Philips N.V. System for rapid and accurate quantitative assessment of traumatic brain injury
US20140180060A1 (en) * 2012-12-17 2014-06-26 Todd Parrish Methods and Systems for Automated Functional MRI in Clinical Applications
WO2015010745A1 (en) * 2013-07-26 2015-01-29 Brainlab Ag Multi-modal segmentation of image data
JP6707330B2 (ja) * 2015-09-10 2020-06-10 キヤノンメディカルシステムズ株式会社 画像処理装置及び磁気共鳴イメージング装置

Patent Citations (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
US20060129324A1 (en) * 2004-12-15 2006-06-15 Biogenesys, Inc. Use of quantitative EEG (QEEG) alone and/or other imaging technology and/or in combination with genomics and/or proteomics and/or biochemical analysis and/or other diagnostic modalities, and CART and/or AI and/or statistical and/or other mathematical analysis methods for improved medical and other diagnosis, psychiatric and other disease treatment, and also for veracity verification and/or lie detection applications.
US20100286053A1 (en) * 2009-05-07 2010-11-11 Children's Hospital Medical Center Plasminogen activator inhibitor amelioration of newborn hypoxic ischemic brain injury
US20110282183A1 (en) * 2010-05-17 2011-11-17 Washington University In St. Louis Diagnosis Of Central Nervous System White Matter Pathology Using Diffusion MRI
US20150227702A1 (en) * 2014-02-10 2015-08-13 Picofemto LLC Multi-factor brain analysis via medical imaging decision support systems and methods
CN107438398A (zh) * 2015-01-06 2017-12-05 大卫·伯顿 移动式可穿戴的监控系统

Also Published As

Publication number Publication date
US20210000350A1 (en) 2021-01-07
EP3769316A1 (en) 2021-01-27
US20190290130A1 (en) 2019-09-26
JP2021518205A (ja) 2021-08-02
WO2019180054A1 (en) 2019-09-26

Similar Documents

Publication Publication Date Title
Gao et al. The neural sources of N170: Understanding timing of activation in face‐selective areas
Lei et al. Self-calibrated brain network estimation and joint non-convex multi-task learning for identification of early Alzheimer's disease
Griffis et al. Linking left hemispheric tissue preservation to fMRI language task activation in chronic stroke patients
US20240335130A1 (en) Method and device for target identification, electronic apparatus, storage medium and neuromodulation apparatus
Hodgetts et al. Dissociable roles of the inferior longitudinal fasciculus and fornix in face and place perception
US20240260831A1 (en) Method and device for target identification, electronic apparatus, storage medium and neuromodulation apparatus
Chen et al. Topological analyses of functional connectomics: A crucial role of global signal removal, brain parcellation, and null models
US20170238879A1 (en) Method of Analyzing the Brain Activity of a Subject
CN112154515A (zh) 神经检查系统
Duff et al. Task-driven ICA feature generation for accurate and interpretable prediction using fMRI
Céspedes-Villar et al. Influence of Patient‐Specific Head Modeling on EEG Source Imaging
Lioi et al. Simultaneous MRI-EEG during a motor imagery neurofeedback task: an open access brain imaging dataset for multi-modal data integration
Basukala et al. Automated segmentation of substantia nigra and red nucleus using quantitative susceptibility mapping images: Application to Parkinson's disease
Aradhya et al. Discriminant Spatial Filtering Method (DSFM) for the identification and analysis of abnormal resting state brain activities
Haweel et al. A review on autism spectrum disorder diagnosis using task-based functional mri
Krashenyi et al. Fuzzy computer-aided diagnosis of Alzheimer's disease using MRI and PET statistical features
Jarret et al. A methodological scoping review of the integration of fMRI to guide dMRI tractography. What has been done and what can be improved: A 20-year perspective
US20230263455A1 (en) Network-based functional imaging output for evaluating multiple sclerosis
WO2022215084A1 (en) System and method for determining networks of brain from resting state mri data using ml
Bogorodzki et al. Structural group classification technique based on regional fMRI BOLD responses
KR102319326B1 (ko) 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
Mueller et al. A two-level multimodality imaging Bayesian network approach for classification of partial epilepsy: preliminary data
US11385310B2 (en) Functional magnetic resonance imaging systems and methods
Song et al. A study of long‐term f MRI reproducibility using data‐driven analysis methods
Beyh et al. The missing pathway in current visuospatial processing models

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