CN1663530B - 用于处理图像数据以帮助检测疾病的方法和装置 - Google Patents
用于处理图像数据以帮助检测疾病的方法和装置 Download PDFInfo
- Publication number
- CN1663530B CN1663530B CN2004100942108A CN200410094210A CN1663530B CN 1663530 B CN1663530 B CN 1663530B CN 2004100942108 A CN2004100942108 A CN 2004100942108A CN 200410094210 A CN200410094210 A CN 200410094210A CN 1663530 B CN1663530 B CN 1663530B
- Authority
- CN
- China
- Prior art keywords
- patient
- disease
- image
- analysis software
- tracks
- 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.)
- Expired - Fee Related
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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- 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
- G06T2207/30061—Lung
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种用于疾病的检测、量化、分期、报告和/或跟踪(330、340、350、360、370)的方法,包括提供分析软件(404),其配置成能利用患者(402)的图像来检测、量化、分期、报告和/或跟踪疾病。该分析软件可在患者的个人计算机(400)上运行。然后利用医疗成像设备(110)对患者成像,并将成像设备产生的患者的医学图像下载到该患者的个人计算机上。以选定的间隔多次重复所述拍片和下载,该间隔选择来为分析软件提供足够检测、量化、分期、报告和/或跟踪患者疾病的图像。
Description
技术领域
本发明涉及用于处理医疗图像数据以辅助疾病检测和诊断的方法和装置,更特别地,涉及用于诸如慢性梗阻性肺病的疾病的检测、量化、分期、报告和/或跟踪的方法和装置。
背景技术
在美国和其它一些国家,慢性梗阻性肺病(COPD)是导致死亡的一个主要原因。COPD有两个主要的病理进程,即组织破坏(肺气肿)和气道发炎(慢性支气管炎)。目前还不知道能够使该疾病进程逆转的治疗方法。最多也只能使疾病进程暂停。因此,为尽早诊断和治愈该疾病设立了奖金。通过尽早的诊断和有效的治疗,患者的生活质量可以得到改善。
为有效检测人类的肺部疾病,胸部X射线照相系统是比较常用的诊断工具。诸如支气管炎、肺气肿和肺癌等肺病也可用胸部X射线照相和CT来检测。然而,对于单独一次CT扫描而言,CT系统通常会提供超过80张单独图像,由此给放射科医师提供了数量可观的、用来判读图像并检测可能表示病症的可疑区域的信息。
可疑区域定义为,受过专门训练的放射科医师将会推荐用来进行接下来的诊断成像、活组织检测、肺功能测试或其它方法的区域。由一次CT扫描给出的可观的数据量提供给放射科医师一个耗时的处理过程。传统的肺癌放映显示通常包括由放射科医师对80张或更多图像进行人工判读。因此疲劳便成为影响人的认读灵敏性和专一性的重要因素。对于其它疾病,如肺气肿,放射科医师仅通过观看CT图像是难于分辨病情进展程度的。
基于一些症状,包括咳嗽、哮喘和呼吸急促(呼吸困难),可以识别COPD。COPD包括多种呼吸疾病,其中最突出的就是肺气肿和慢性支气管炎。COPD影响患者的大气道、小气道以及软组织。该疾病典型地由吸烟和空气污染引起,并与导致α-抗弹性蛋白酶缺陷的遗传易病体质有关。
肺气肿,或者气腔破坏是COPD患者发生实质性病变的最突出的特征。肺气肿是肺部组织的弹性反弹缺失的结果。有四种类型的肺气肿:小叶中心型肺气肿、弥漫阻塞型或泡性肺气肿、远侧肺腺泡型或侧隔膜型肺气肿以及无规则型肺气肿。前两种类型构成了肺气肿性COPD的大多数。此种分类方法基于小叶内气室破坏的解剖学分布,小叶是一簇肺腺泡。目前,只能通过尸体解剖检查(post mortem examination)来对肺气肿分类。通常通过整体生理反应、医学成像和尸体解剖学检查来诊断肺气肿。高分辨率CT图像数据的使用是一种以诊断为目的、测量肺容积的具有前景的技术。然而,一种更加突出的疾病指标是肺泡和其它肺部组织的病变,而目前对此难于从CT图像数据测量出来。
能够在早期就检测到肺气肿是最期望的。经常是在疾病的晚期才检测到肺气肿造成的破坏,而此时已造成了永久的影响。尽管肺气肿的影响不能逆转,但对其的早期诊断能够使患者采取措施来阻止由该疾病造成的破坏的进一步恶化。而且,随着越来越多的治疗和药物方法被发现,希望监测患者对这种疗法的反应。
慢性支气管炎导致解剖性气道变窄,这减弱了肺部功能。气道病变通常源自吸烟和/或空气污染的刺激作用,还能由生物学传染引起/加剧。慢性支气管炎在临床上是通过二年周期中持续超过三个月的不断咳嗽和痰多来定义的。慢性支气管炎可分为单纯慢性支气管炎、梗阻型慢性支气管炎和慢性哮喘支气管炎。单纯慢性支气管炎不产生痰。慢性哮喘支气管炎包括气道的过度反应。在梗阻型慢性支气管炎中,气道病变阻碍了空气流通。目前使用尸体解剖的Reid指数对慢性支气管炎分期。高分辨率CT可以用活体的Reid指数对慢性支气管炎进行评价。
支气管壁的横截面积是对COPD诊断和分期的一个关键指标。从医学图像(如CT)测量气道的截面积将使内科医师能够跟踪病程并加速临床试验。支气管道在CT图像中表现为由明亮区域围绕的小的黑暗区域。黑暗区域是管腔,而明亮区域是由支气管壁和任何附着其上的或邻近的血管构成的。在测量气道壁的截面积的过程中,绝不能合并附着的或邻近的血管的厚度。
如果气道是孤立的,没有附着或邻近的血管,则可使用各种标准图像处理和计算机视觉技术来测量气道。当成像的气道附着有邻近的血管时,作为传统方法的一个示例是从管腔的中心手动选择一条射线,该射线穿过气道壁上的、没有血管的一个点。沿着这条单射线测量壁厚可以用于估算气道横截面积。
一些已知的诊断技术试图只用计算机X射线断层造影(CT)图像来量化肺气肿。然而,现有技术并不是基于这种疾病的基本模型,而用这些技术得到的结果的可靠性会受到可变扫描参数和扫描器刻度及其它病理学因素的影响。此外,现有技术不提供对组织破坏的速度或位置的评估。
发明内容
因此本发明用一些配置提供了一种方法,至少用于疾病的检测、量化、分期、报告或跟踪之一。该方法包括提供分析软件,其配置成能利用患者的图像来检测、量化、分期、报告和/或跟踪疾病。该分析软件可在患者的个人计算机上运行。然后利用医疗成像设备对患者拍片,并将该成像设备产生的患者的医学图像下载到该患者的个人计算机上。间隔性多次重复拍片和下载,所述间隔选择来为分析软件提供足以检测、量化、分期、报告和/或跟踪患者疾病的图像。
本发明的一些配置方案提供一种检测、量化、分期、报告和/或跟踪疾病的网络。该网络包括能在患者的个人计算机上运行的分析软件。该软件具有指令,其配置成指示个人计算机利用患者的图像来检测、量化、分期、报告和/或跟踪疾病。在该网络中还包括至少一个成像设备。该成像设备配置成产生患者的医学图像。还提供有一个接口,用来将患者的扫描图像传输到被拍片患者的个人计算机上。
本发明的一些配置方案提供一种便携计算设备,其配置成能将成像设备产生的患者的医学图像下载到该便携计算设备。该便携计算设备还配置成能够分析所下载的医学图像,以检测、量化、分期、报告和/或跟踪患者的疾病,并向患者报告分析结果,以及将该分析结果传送到远程数据库。
本发明的其它配置方案还提供一种用于执行药物治疗试验的方法。该方法包括提供分析软件,其配置为利用患者的图像来检测、量化、分期、报告和/或跟踪疾病。该分析软件可在多个患者的个人计算机上执行。该方法还包括用医疗成像设备对患者拍片,以产生患者的医学图像,将每个拍片患者的医学图像下载到该拍片患者的个人计算机。间隔性多次重复拍片和下载,所述间隔选择来为分析软件提供足以检测、量化、分期、报告和/或跟踪每个患者疾病的图像。该方法进一步包括利用每个患者的个人计算机来分析医学图像,以检测、量化、分期、报告和/或跟踪患者的疾病,并将分析结果从每个患者的个人计算机上传到一个数据库中,以用于进一步分析和评估。
本发明的其它配置方案还提供一种方法和装置,其用于对人群或物群中的人和/或物的可变参数进行跟踪。该方法包括提供分析软件,其配置成利用该人体或物体的图像来跟踪至少一个可变参数。该分析软件可在该人所有的、或拥有该物的人所有的个人计算机上运行。该方法还包括用成像设备来对人体或物体拍片,并将由该成像设备产生的人或物的图像下载到该个人计算机中。间隔性多次重复拍片和下载,所述间隔选择来为分析软件提供足以跟踪该可变参数的图像。
本发明的其它配置方案还提供一种方法,其至少用于疾病的检测、量化、分期、报告或跟踪之一。该方法包括提供配置成能利用患者的图像来检测、量化、分期、报告或跟踪疾病的分析软件,用成像设备对患者进行拍片,将由该成像设备产生的患者的医学图片下载到计算机中,并多次重复该拍片和下载过程。间隔性地执行该重复,所述间隔选择来为分析软件提供足以对患者的疾病进行检测、量化、分期、报告和/或跟踪的图像。
本发明的其它配置方案还提供一种至少用于疾病的检测、量化、分期、报告或跟踪之一的网络。该网络包括能在个人计算机上运行的分析软件。其中该软件具有指令,其配置成指示个人计算机利用患者的图像来检测、量化、分期、报告和/或跟踪疾病。该网络还包括至少一个配置成产生患者的医学图像的成像设备,和用来将患者的扫描图像传输到计算机上的接口。
本发明的其它配置方案还提供一种用于执行药物治疗试验的方法。该方法包括提供分析软件,其配置为利用患者的图像来检测、量化、分期、报告或跟踪疾病。该分析软件可在计算机上执行。该方法进一步包括用医疗成像设备对患者拍片,以产生患者的医学图像,并将每个拍片患者的医学图像下载到计算机。并多次重复该拍片和下载过程,这种重复间隔性地执行,所述间隔选择来为分析软件提供足以检测、量化、分期、报告和/或跟踪患者疾病的图像。该方法进一步包括利用该计算机来分析医学图像,以检测、量化、分期、报告和/或跟踪患者的疾病,并将分析结果从计算机传到数据库中,以用于进一步的分析和评估。
可以看到,本发明的各种配置方案能根据医学图像,如CT扫描图像来进行COPD的诊断、评述和/或预测。本发明通过个人计算机和软件提供的自动化特征可在有经验医师或科学家的监视下运行或独自运行,并使得有效的疾病诊断和治疗能够进行,由此提高患者的生活质量。其它配置方案经济地提供了利用位于中央位置的成像设备和诸如便携式计算机的个人计算机来跟踪人或物体的可变参数的方法。
附图说明
图1是一个疾病检测系统100的总体框图。
图2是管状解剖结构分析的典型流程图。
图3是一种测量、量化和/或预测疾病相关变化的方法的流程图。
图4是本发明的用于至少检测、量化、分期、报告和/或跟踪如慢性阻塞型肺病的疾病之一的配置方案的图示。
具体实施方式
下面详细说明便于检测、量化、分期、报告和/或跟踪疾病的系统和处理的实例配置方案。应当理解,通过适应的改进,利用本发明的配置方案也可以跟踪涉及人体或物体的其它可变参数。本文介绍的系统和处理方法的技术效果至少包括下述之一:便于自动跟踪涉及患者疾病的可变参数或其它可测参数,和/或从多个人体或其它跟踪物体中自动提取涉及这些参数的信息。
参见图1,其中显示了一个用于疾病检测的系统100的总体框图。图1中所展示的系统的技术效果是通过用户收集并传输患者或其它物体的图像而取得的。系统100包括成像设备110,其可从现有技术中的许多用于产生多个图像的医疗成像设备中选择。最常用的是使用计算机X射线断层造影(CT)和磁共振成像(MRI)系统来产生多个医学图像。
在CT成像期间,将一名患者安置于该成像设备内,并暴露于由一系列X射线检测器测量的大量X射线之下。一束X射线穿过患者的一个特别薄的横截面或者说“断层”。检测器要测量传送的幅射量。这个信息被用来计算人体内的取样点的X射线衰减系数。然后基于所计算的X射线衰减系数建立一个灰度级图像。图像中的灰度阴影表示断层内的每个点的X射线吸收量。可以重建CT期间获得的断层,以给出照射了X射线的人体内感兴趣区域的解剖学上的正确表示。
在MR成像期间,患者被安置于由大型磁铁产生的强磁场中。患者体内的磁化质子,如氢原子,会沿着由该磁铁产生的磁场排列。患者的特定断层暴露于产生垂直于主磁场的振荡磁场的无线电波中。这些断层可以是执行成像任务的医师或技术员(此后称其为“操作员”)选择的任意平面内取得的。患者体内的质子首先吸收该无线电波,然后通过从磁场的排列中移出而发射该电波。随着质子返回到它们的原始状态(激励之前),建立了基于由患者身体发射的电波的诊断图像。像CT图像断层一样,MR图像断层可以重建,以提供感兴趣身体区域的全图。产生强信号的身体部位在MR图像中显示为白色,而产生最弱信号的部位显示为黑色。具有介于强弱之间的各种信号强度的其它身体部位则显示为一定的灰度阴影。
一旦获得了原始MR或CT图像(或者其它任何类型的图像),通常对图像进行分割。分割处理将一幅图像的像素或体素(voxel)分成一定数量的类,这些类对于某一特征(即密度、纹理等等)是相似的。例如在脑的分割图像中,脑部物质可归类为三种类型:灰质、白质和脑髓液。在完成分割之后,可用不同的颜色来标记每个区域。一旦完成了分割图像,外科医生可以使用该分割图像来计划外科手术。
通常,建立一幅分割的CT或MR图像包括几个步骤。通过采集CT或MR断层数据而建立一个数据集。接着通过分割过程将灰度值分配给该数据集中的每个点。在一些配置方案中,为数据中的每种物质类型分配一个特定的值,由此,这种物质的每次出现都具有相同的灰度值。例如,在特定图像中,每当出现骨时都表现为一个特定的亮灰色阴影。这种着色标准使得人们在观看图像时能容易地了解图像中表示的物体。
按照某些配置方案并且参见图1,医疗成像系统100包括成像设备110、处理器120和接口单元130。成像设备110用于产生多个图像数据集240,并且是(例如并且非限制性地)计算机X射线断层造影设备(CT)、磁共振(MR)扫描器或X射线成像设备,其可以包括多视角X射线成像设备。在CT和MR的情况下,图像数据是在“扫描”期间获取的。在某些配置方案中,使用CT成像设备来获取图像。处理器120是以下面参照图2非常详细介绍的方式构成的。处理器120也配置成执行针对公知的图像处理技术的计算和控制功能,如重建、图像数据存储器的储存、分割等等。按照一些配置方案,处理器120包括中央处理单元(CPU),它可以是诸如微处理器的单一集成电路,或者可以包括任何合适数量的、提供中央处理单元功能的集成电路器件和/或集成电路板。处理器120还可以包括本领域普通技术人员公知的任何类型的存储器。这种存储器(图1中没有单独示出)可以包括动态随机存取存储器(DRAM)、静态RAM(SRAM)、闪存、缓冲存储器等,并可以是单一类型的存储部件或者不同类型的存储部件的组合。处理器120能够执行已存储于其存储器中的程序,并能对图像获取和图像观看过程中出现的动作进行响应。
此外使用的诸如“用于”、“配置成”等指的是元件之间的机械性或结构性连接,以使得这些元件共同工作来提供所描述的效果;这些术语也指电子元件的工作能力,如被编程为响应给定输入信号来提供输出的模拟或数字计算机或专用设备(如专用集成电路(ASIC))
接口单元130与处理器120相连接,并配置成提供用户与系统100之间的信息交换。处理器120进一步配置成以这样一种方式执行计算和向接口单元130传送结果,即用户能够解读所传送的信息。所传送的信息可以包括2D或3D的图像、彩色或灰度图像、以及关于诊断和检测信息的文本消息。接口单元130可以是个人计算机、图像工作站、手提图像显示单元或者通常归为CT或MRI系统的一部分的任何传统图像显示平台。
从患者的多次扫描收集的所有数据被看作一个数据集。每个数据集由更小的单元构成,可以是像素或体素。在二维数据集的情况下,图像包括像素单元。此处使用的“像素”是指可用二维坐标标注的二维空间中的点,该二维坐标通常是x和y。图像中的每个像素都被另外八个像素围绕,这九个像素形成一个三乘三的方块。(本领域普通技术人员应当了解,对于图像边界和顶点上的像素来说,并非所有侧面都围绕有其它像素,因此这些像素不能成为三乘三方块的中心像素。)围绕中心像素的另外八个像素可看作是中心像素的8个相连的邻像素。当数据集是三维数据时,图像是以称作体素的单元显示的。体素是指可用三维坐标标注的三维空间中的点,该三维坐标通常是x、y和z。每个体素都被另外二十六个体素围绕。(同像素一样,三维空间的边线和顶点上的体素并非所有侧面都围绕有其它体素,因此这些体素不能成为三乘三乘三立方体的中心体素。)这二十六个体素可看作是源体素的26个相连的邻体素。
用适当的患者扫描协议来获取图像数据。例如,使用CT或MRI的胸部检查通常要求患者(对象)屏住呼吸,以减小由患者的呼吸作用导致的图像数据中的运动伪影。通常,CT或MRI检查是在深吸气或深呼气时进行的。而且,可用造影剂来削弱特定身体部位中的X射线辐射。造影剂提高了受造影剂影响的组织与不受造影剂影响的组织之间的差异。在CT图像中,造影的与未造影的组织之间的CT值之差增大。造影剂是采用口服、静脉或直肠方式注入病人体内的。
一旦通过上面描述的成像方法获得了图像数据,图像处理器120便用于执行测量与疾病相关的组织病变(例如支气管壁的横截面积)的处理。支气管壁的横截面积用于对慢性支气管炎诊断和分期,而组织病变和肺容量用于对肺气肿的诊断和分期,它们都与慢性梗阻性肺病(COPD)相关。
从医学图像(如CT图像数据)来测量支气管壁(或称之为“气道”)的横截面积使得内科医师能够跟踪病程并加速临床试验。在CT图像中,支气管道通常呈现为由明亮区域围绕的黑暗区域。黑暗区域是管腔,而明亮区域是由支气管壁及任何附着其上的或邻近的血管组成的。在测量气道壁横截面积的时候,必须使气道与附着其上的或邻近的血管分开,以便厚度的测量不会包含这些血管。
在本发明的某些配置方案中,提供了一种测量管状结构的方法。此处所谓的“管状结构”指的是具有内壁和外壁、并具有圆形或椭圆形状的中空解剖学结构。管状结构的例子包括支气管壁和气道。其它解剖学结构,像动脉和其它主要的或大的血管也能从此处描述的测量方法的各种配置方案中受益,同样还有工业或非破坏性测试环境中的许多其它非解剖学管道。例如,一种从已获得的图像数据来测量管状解剖学结构的方法的配置方案包括,利用至少一次分割处理来分离所选定的感兴趣管状解剖学结构,并测量所选定结构的至少一个属性。
按照本发明的各种配置方案并且参照图2,对管状解剖学结构进行测量。图2中所展示的配置方案的技术效果是通过用户起动一个产生管状结构测量的计算机自动过程而实现的,其可包括对肺部管腔的自动识别和测量。对图2中展示的配置方案中的解剖学结构的测量包括利用成像设备来获取该结构的CT或MRI图像数据。所获取的图像数据被分割为多个同类型的区域,并用包括分割210(可由任意现有技术实现)、类似结构的检测220(例如使用密度值)和类似结构的分组230的方法来检测气道管腔。测量240包括对管腔中心的识别250。可以在没有由血管的存在而引入偏差的情况下识别管腔中心。
在例如图2所展示的实施例中,对管腔中心的识别250包括在沿着气道的几个点上,用一个内椭圆拟合管腔的内壁,以及用一个外椭圆拟合管腔的外壁。240中的椭圆测量用来测量管状结构的属性。拟合两个同心椭圆,其被约束成具有与管腔中心匹配的中心。用M估算器来拟合内椭圆,因为管腔内壁沿其壁很少有外露层。用Muse和一系列M估算器的组合来拟合外椭圆,其中Muse是一种公知的强大的估算技术。Muse用于以圆来拟合气道的外边界,从而提供对气道外边界的短轴的强效估算以及该外边界的位置处的噪声的强效估算。利用这些强效估算,Muse将沿着外边界的每个点标注为气道外边界的内露层或气道边界的外露层(如血管)。然后用M估算器将Muse圆的内露层拟合为一个椭圆。该M估算器是以Muse圆和尺度(噪声)的Muse估算量作为基础的。在某些配置方案中,M估算器用来确定椭圆的参数,但不用来计算尺度(噪声)的新的估算量。当M估算器集中时,使用Muse尺度作为距离标准,根据原始边界点集确定椭圆内露层的一个新集合(不仅是Muse圆的内露层)。内露层的该新集合被提供至一个M估算器,该M估算器是以先前的椭圆参数和Muse尺度估算量为基础的。在某些配置方案中,第二M估算器重新估算椭圆,但不重新估算尺度。该过程重复进行,直到内露层集合与拟合的椭圆重合。通过采用上述过程,提供了一种在气道测量中不会并入相邻血管的强效方法。通过将管腔中心点看作不变量,椭圆拟合问题可以有利地从六个参数减少到四个参数。从而,在此处所描述的一些配置方案中,将管腔中心作为原点,使得不需要估算椭圆的位置参数。
在管腔检测阶段标识出完全由明亮区域围绕的黑暗区域。确定明亮区域的中心并从该管腔中心引出射线260。这些射线分布为以固定的间隔或弧长与管腔边界(内壁)交叉。对于每一条射线,记录与管腔边界(内壁)的交叉点和与气道(外壁)的交叉点。后者交叉点可能位于气道壁或邻近的血管上。然后用这两组交叉点集来拟合椭圆。对数据乘以一定比值以使之在单元格(-1,1)内拟合,从而提高数值的稳定性。用Muse来强效估算外气道边界的椭圆的短轴(Muse圆的半径)和强效估算外气道边界的位置上的噪声。Muse还标识内露层的起始集合,即不属于血管而属于气道的点。以这些内露层、Muse圆和Muse尺度为基础的M估算器避免了M估算器(不使该M估算器估算尺度)劣化到对整个边界(气道和血管)进行最小乘方拟合。只使用Muse来估算圆减少了待估算参数的数量,大大加速了估算进程。以此方式进行的M估算器的迭代“圈围(corralling)”使得估算过程强效而迅捷。上述估算过程是迭代执行的。
随着内边界与外边界的确定,在某些配置方案中,将壁的厚度确定为气道边界椭圆和管腔边界椭圆之间的面积差。在一些配置方案中,以子像素的精度来确定该差值。此后可用所测得的管壁厚度来计算平均壁厚、壁厚变化、容积量度、二维(2D)面积量度和容积面积分布。这些量度可用来诊断和跟踪各种疾病的病程和COPD的分期。对相应于感兴趣结构的长度的图像数据重复分离和测量步骤,以便为该结构的全长得到上述量度。
当完成上述过程后,本发明的某些配置方案输出该疾病的程度和病程。例如,该输出可用于对患者的疾病进行分期、测量对于治疗的反应、对选择参加药物试验的患者的表型、测量解剖结构的稳定性和预计病变的速度。正如此处使用的,表型指的是观察物理学或生物学特征,其由遗传和环境因素共同影响并基于该影响表现为一个特定的性质,比如身高和血型。一个表型是指表现为一特定表型的个体或一个有机体群。
在某些配置方案中,提供了一种使用所获取的图像数据来测量肺部气道的装置。该装置包括配置为获取图像数据的成像设备和响应于该成像设备而处理图像的图像处理设备。再参照图1,图像处理设备120配置成利用至少一次分割处理来分离感兴趣的气道。图像处理设备120还配置成在气道上的点采用统计技术,用内椭圆拟合该气道的内边界,用外椭圆拟合该气道结构的外边界,以及配置成使用该内椭圆和外椭圆来产生气道的量度。该量度包括平均壁厚、壁厚变化、容积量度、二维(2D)面积量度和容积面积分布中至少一个。这些量度中的一个或多个被至少用来进行疾病诊断和/或病程跟踪之一,其中该疾病是慢型梗阻性肺病或哮喘。在某些配置方案中,该装置包括连接于图像处理设备120的显示设备(接口单元130),并且该显示设备配置成向该装置的用户报告测量结果。
在前面段落中描述的本发明的配置方案确定CT肺部扫描中的可疑区域的位置。然而,这里公开的测量技术对其它成像模态也是有用的,如MRI、X射线、超声和正电子发射断层造影术(PET),其中可用实际管状解剖结构的测量结果来跟踪特定疾病。
在参照图3的某些配置方案中,提供了一种测量、量化和/或预计疾病相关变化的方法。从而,图3所展示的配置方案的技术效果是当用户起动一个计算机自动控制的对疾病相关变化的测量、量化和/或预计而实现的。在此,术语“疾病相关变化”指的是与感兴趣疾病关联的变化。例如,肺部组织区域的边缘数量、肺部感染区域的亮度和肺部感染区域的面积是肺气肿存在的指标,而这些方面的变化反映了病程。通过多个分割步骤在310获取图像数据而在320分割该图像数据。分割步骤将其分割成具有不同属性的多个区域,该属性例如是亮度、面积、周长、长宽比、直径、方差、导数和其它与疾病有关的属性。该分割步骤可从现有的许多分割技术中选择。在330,对已分割的图像数据进行特征提取,以提取该疾病的相关特征,这些特征例如可包括连缘数量、面积和亮度。获取、分割和特征提取可采用公知技术来提取相关的图像信息,或者在某些配置方案中提取疾病的可疑区域。然而,在某些配置方案中,在340执行进一步处理,以做出关于特定区域或可疑区域的预测来用于预测、量化或诊断疾病。此后,使用本领域公和的一种或多种技术将该区域或可疑区域作为图像显示给用户。在一些配置方案中,在图像数据上面显示彩色多边型。该彩色多边形或类似的高亮区域对应于下面将要详细说明的经分析得到的值。分割区域的结果用覆盖于原始图像数据上的高亮区域显示。该显示可以是二维(2D)的或在某些配置方案中是三维(3D)的。
本发明的一些配置方案中,提供一种对从图像数据获取的疾病相关变化进行量化、诊断和/或预测中至少一种的方法。该方法包括对图像数据进行至少一次分割过程以建立多个感兴趣分割区域,并从分割区域提取疾病的相关特征以建立提取特征,为提取特征建立模型,以用于对表现给定疾病的变化的诊断、量化和/或预测之中的至少一种。例如,在一些配置方案中,分割步骤包括分割肺部内的多个子区域,并进一步在子区域内根据参数来分割。该参数可包括边缘、面积或亮度,或者其它分割参数或它们的组合。
继续参照图3,在各种配置方案中,数学建模步骤350使得生物学现象能够用已知的物理建模理论进行物理建模。例如,使用像遵守冯·诺依曼定律(vonNeumann’s Low)的自由边界模型来进行数学建模。冯·诺依曼定律是公知的用来解释由多个区域组成的气泡结构或晶格结构的理论。根据冯·诺依曼定律,具有多边缘的区域倾向于增长,而具有极少边缘的区域倾向于收缩。通过对解剖学结构和相应的区域建模,如对肺或肺部区域建模,该模型检测具有多边缘和极少边缘的区域。边缘的数量用于预测病程进展的可能性。冯·诺依曼定律指出具有6个边缘的区域是稳定的。冯·诺依曼定律的方程可写为:
其中N是边缘的数量,N0是6,κ是取决于建模结构的物理和化学性质的比例参数。随着区域以线性速率增长和收缩,利用冯·诺依曼定律的模型的生物学演变使消除或预测疾病的增长或进程成为可能。尽管肺气肿的效果不可能在此时逆转,但可以使用上述理论来监测肺气肿的增长或进程。从而,可以预测每个区域的拓扑学演变。
许多自由边界模型的一个性质是比例不变。在具有该性质的模型中,标准化分布fX(X/μ)/μ满足微分方程
其中X是与形成建模结构的所有区域的区域几何量度相关的随机变量,μ是X的平均值。在具有此性质的模型中,诸如面积或周长等几何参数的概率分布的比较关系可与相同参数的标准化分布给出的标准相比较而得到,而在此比较关系中的偏差或差异可用作疾病的诊断和量化工具。
肺气肿的相关特征包括肺部病变区域的面积、肺部病变区域的亮度以及肺中各区域的边缘数量。可以用冯·诺依曼定律对这些特征建模。其它疾病也可用冯·诺依曼定律来建模。
其它已知的用于描述具有晶格或气泡结构的区域的理论或技术,如波特模型(Potts model)、马尔可夫链(Markov Chain)、吉布斯链(Gibbs chain)、蒙特卡罗算法(Monte Carlo algorithm)、扩散方程或相位场模型,也可用来代替或补充冯·诺依曼定律。
仍旧参照图3,在步骤340分析建模区域和提取特征,以局部并整体地对病情和病程评分。在某些配置方案中,局部分析集中在所选定的区域或感兴趣区域,而整体分析关注病程。在许多情况下,对疾病的分期是利用很多因素确定的,包括患病组织面积与健康组织面积之比,病变区域的变化率和空间分布。作为诊断和治疗患者的一部分,用评分来为患者分期。
在本发明的一些配置方案中分析提取特征,以评定病情和病程。此外,在全局分析步骤360中,利用至少一次直方图分析来处理提取特征。
本发明的一些配置方案还包括在370产生表示疾病等级和病程的输出。例如,该输出可用来对患者的疾病进行分期、测量对于治疗的反应、对选择参加药物试验的患者表型、测量一种解剖结构的稳定性和/或预测疾病的变化率。正如此处使用的,表型指的是观察物理学或生物学特征,其由遗传和环境因素共同确定并基于该因素表现为一个特殊性质,比如身高或血型。表型是指表现为一特定表型的个体或一个有机体群。
此外,输出过程可以包括显示分析结果并对使用上述方法提取的可疑区域进行标识。该显示可以是高亮显示相应于分析得到值的图像中的区域。在某些配置方案中,在图像数据的上面显示彩色多边形。该显示可以是2D或3D的。
本发明的某些配置方案提供一种装置,其利用所获取的图像数据执行疾病相关变化的量化、诊断和预测中至少一种。该装置包括获取图像数据的成像设备和图像处理器。该图像处理器配置成对该图像数据进行至少一次分割过程以建立多个感兴趣分割区域,并从该分割区域提取疾病的相关特征以建立提取特征,并且图像处理器还配置成对该特征建立数学模型,以对表现该疾病的变化进行诊断、量化和/或预测之一。
尽管以上描述的本发明的实施例确定CT肺部扫描中可疑区域的位置,上述测量技术也可直接转用于其它成像模态,如MRI、X射线、超声和正电子发射断层造影术(PET)。而且,上述的本发明配置方案利用了涉及肺部肺气肿的变化的建模,但这些技术也可用于其它解剖学区域中的生物学变化的建模。
图4是表示一个系统的图示,其技术效果的取得是通过用户起动对患者或物体的可变疾病(或其它)参数的自动测量,和/或便于使制药公司(作为例子)收集来自患者的数据并进行分析。参见图4,在某些配置方案中,为一需测量其疾病的COPD患者402提供一台个人计算机400,它可以是台式、膝上型、掌上型或其它合适类型的机子。还提供有软件和固件,例如在一个或多个机器可读介质404上或来自与如因特网的公共(或专有)网络408联网的服务器406。(本发明的一些配置方案中使用的公共或专有网络的例子是医院网络。)如此配置之后,个人计算机400便可称作便携或个人COPD记录器400。用于个人COPD记录器400的软件或固件配置成利用一种或多种上面讨论的方法和模型的配置方案,用处理器120来确定患者肺中的组织破坏和气道发炎与改变的计量(metrics)。例如,图1的处理器120和接口单元130的功能在个人COPO记录器中被归为一组,用个人计算机的处理器400执行处理器120和接口单元130的某些功能。这些功能可包括上面描述的对患有肺气肿和/或支气管炎的患者的疾病相关变化进行诊断、分期、测量、量化和/或预测,和/或包括其它疾病处理的类似功能。然而,个人COPD记录器400无须响应于图像获取过程中可能发生的事件。取而代之地,在许多配置方案中,个人COPD记录器400配置成从成像设备110接收数据,所述接收通过与成像设备110的直接连接,或者通过其它任何合造的传输方式(如经由机器可读介质和/或计算机网络连接)。此外,个人COPD记录器400的许多配置方案配置成在患者402选取的时间分析该数据,而不是实时的。在任意特定的配置方案中,是否需要一个与已存在于用作个人COPD记录器400的个人计算机中的处理器分离的处理器是根据设计选择的。这种选择受制于该个人计算机的处理器提供的速度和计算能力。
在某些配置方案中,关于气道位置和大小的统计数据可用于患者与正常人群的比较。肺气肿的自由边界或泡沫模型的使用使得所有患者可以与一个公用模型进行比较并对未来变化进行预测和定位。基于模型的方法还允许结合先验信息。如上所述,使用诸如自动气道分割的技术,扫描模型可以直接结合于分割方法中。跟踪框架有助于在因难区域寻找到气道。多重假设跟踪(MHT)能力使得对于一特定图像断层中是否存在气道的确定延迟到相邻断层的信息收集完成之后。此外,在某些配置方案中,MHT与一预测气道存在与否的预测模型结合。并且,在某些配置方案中,用MHT来建立表示气道拓扑结构的树,并建立解剖图集。由此,通过横截面图集,使用多重假设跟踪可以拼合成完整的支气管树。
由个人COPD记录器400确定的计量结果被写成一种能被导入数据库414的文件格式。这种格式和能力允许在数据库架构中对结果进行传送、整合和归档。在某些配置方案中,其中有数据库414的计算机或储存系统可以是联网的服务器406,从中可以下载用于个人COPD记录器400的软件程序。在其它配置方案中,数据库414驻存于完全不同的计算机或文件服务器中。在某些配置方案中,软件只以物理介质的形式可用,因而不提供从中下载软件至个人COPD记录器400的网络服务器406。并且,在一些不提供数据库414的配置方案中,像患者402那样的患者在没有获益于从数据库414代表的数据库类型得到的分析的情况下,可使用他们自已的个人COPD记录器400的计量与监测能力。在另外的配置方案中,提供有数据库414,但不是所有患者402、416、418、420、422等等都将数据上传到数据库414中,和/或不是所有患者402、416、418、420、422等等从数据库414的使用中获得好处。
便携式COPD记录器400被提供给多名患者402、416、418、420、422等等。便携式COPD记录器400在某种意义上类似于个人血糖监测器,其中拥有该COPD记录器400的人可以使用该设备跟踪他或她自已的COPD状态。在某些配置方案中,个人COPD记录器400从CT成像设备110或其它合适的成像设备(如MRI设备),以内科医师依据患者402的需要而确定的间隔接收图像数据。可采用任何合适的方法来传输该数据,因为扫描患者402时不一定进行数据的传输。只有当数据能足够及时地用于疾病的检测、量化、分期、报告和/或跟踪时才需要传输图像数据。图像数据储存于COPD记录器400的存储器中,并用于得到患者的COPD状态,该状态可根据请求而在显示屏412上显示给患者402。在某些配置方案中,个人COPD记录器400还提供经由专有或公共网络,如因特网来将报告自动存入数据库414(其可以是分布式数据库)的功能。例如,个人COPD记录器400建立并发送一个文件到远程数据库414,如制药公司的数据库。来自该记录器400的信息,与来自其它患者416、418、420、422等所有的其它COPD记录器400的信息一起,例如被制药公司的人员查阅和使用,以评估药物治疗试验和/或提供对个人治疗的监测。通过对广大范围内的每个患者的疗效进行评估,可以直接比较任意数量的患者402、416、418、420、422的病情,以用于诊断和治疗分类(triage)。
通过从个人COPD记录器400接收到的规则数据,一种基于模型的用于肺气肿的方法可以预测疾病扩展的速度。内科医师能使用该预测来制定对患者有利的药物治疗方案和后续扫描方案。利用自动气道分割和多重假设跟踪,COPD记录器400能用于疾病的定位、表征和诊断。该基于模型的方法还允许在包括人口统计、诊断与治疗的自动诊断过程中并入其它信息。在某些配置方案中使用预测模型来预测肺部组织的局部变化,比如对肺气肿运用气泡模型,并与如上楼梯和喘气的非医疗测试合并。此外,COPD记录器400可以使用低剂量的CD检查来进行操作,并提供可重复的、强有效的趋势度量。
在本发明的某些配置方案中,以与使用患者的计算机相同的方式使用医院里的、医生办公室中的或医生的工作台上的一台或多台计算机。在这样的配置方案中,医生、技术人员或护士操作医院或医生的计算机,而不必由患者来操作,对于医学图像的分析,患者可以在场,也可以不在场。在一些配置方案中,医院或医生的计算机连接在网络上,该网络可以是医院的或其它公共或专有医疗网络,或是因特网。在一些配置方案中的计算机自动分析有助于医生诊治,或为有助于药物治疗试验而不是直接使患者受益来采集数据。
由此应当理解,本发明的各种配置方案允许根据诸如计算机断层造影扫描的医学图像对COPD进行诊断、分期和/或预测。本发明的经由个人计算机和软件提供的自动特征可以不管是否在有经验的医生或科学家监视下而进行,并使有效的疾病诊断和治疗提高患者的生活质量。
本发明的配置方案并不局限于医疗应用,而是可以更广泛地应用于利用成像设备成像的人体或物体的可变参数的跟踪。可对多个人体或物体进行跟踪,其每一个都利用一台以跟踪为目的的独立相连的个人计算机。其结果可在聚集在远程数据库中并以与上述药物试验的配置方案中包含的类似方式进行检测。
此外,在此描述的许多配置方案对于其它疾病的诊断和/或分期等也是有用的,包括作为慢性梗阻性肺病科系中的其它病种,例如哮喘,但不限于此。而且,图像的各种性质可以增加到或代替亮度性质来分析,例如亮度的标准偏移、区域长度和区域圆度,但不限于此。
尽管已按照具体实施例描述了本发明,本领域技术人员应当意识到,在权利要求涵盖的精神和范围内可以对本发明实施改进。
Claims (10)
1.一种用于对疾病进行量化、分期、报告或跟踪至少之一的网络,所述网络包括:
可在患者(402)的个人计算机(400)上运行的分析软件(404),该分析软件配置成利用患者(402)的图像来对疾病进行量化、分期、报告或跟踪(330、340、350、360、370)中的至少一种;
医疗成像设备(110),配置为对患者成像(310);
接口(130),用于将成像设备产生的患者的医学图像下载到该患者的个人计算机上;以及
以选定的间隔多次重复所述成像和下载,选择所述间隔以便为分析软件提供足够进行量化、分期、报告或跟踪患者疾病中的至少一种的图像。
2.根据权利要求1的网络,其中所述疾病是慢性梗阻性肺病,且所述分析软件配置成对医学图像中示出的管状结构(250)进行分析。
3.根据权利要求2的网络,其中所述疾病选自于由慢性支气管炎和哮喘组成的组。
4.根据权利要求2的网络,其中所述分析软件配置成利用分割(210)将该医学图像中一选定的感兴趣管状结构分离出来。
5.根据权利要求1的网络,其中所述疾病是慢性梗阻性肺病,且所述分析软件配置成分析该医学图像中感染了疾病的肺部区域(350)。
6.根据权利要求5的网络,其中所述疾病是肺气肿。
7.一种用于对疾病进行量化、分期、报告或跟踪至少之一的网络,所述网络包括:
能在患者(402)的个人计算机(400)上运行的分析软件(404),所述软件包括指令(320、330、340、350、360、370),这些指令配置成指示该个人计算机利用患者的图像来对疾病进行量化、分期、报告或跟踪中的至少一种;
至少一个成像设备(110),其配置成产生患者的医学图像;以及
接口(130),用来将患者的扫描图像传输到进行了医学成像的患者的个人计算机上。
8.根据权利要求7的网络,还包括远程数据库(414),且其中所述分析软件配置成指示个人计算机将涉及患者疾病状态的信息传送到所述远程数据库。
9.一种进行药物治疗试验的网络,包括
可在多名患者(402、416、418、420、422)的个人计算机(400)上执行的分析软件(404),所述分析软件配置成利用患者的图像来对疾病进行检测、量化、分期、报告或跟踪中的至少一种;
医疗成像设备(110),配置为对患者进行成像,以产生患者的医学图像;
接口(130),用于将每名成像患者的医学图像下载到该成像患者的个人计算机中;
以选定的间隔多次重复所述成像和下载,选择所述间隔以便为所述分析软件提供足够对每个患者的疾病进行检测、量化、分期、报告或跟踪(330、340、350、360、370)中至少一种的图像;
利用每个患者的个人计算机来分析所述医学图像,以便对患者的疾病进行量化、分期、报告或跟踪中的至少一种;以及
将分析结果从每个患者的个人计算机上传到数据库中,以用于进一步分析和评估。
10.一种用于对人群或物群中的人体和/或物体的可变参数进行跟踪的网络,所述网络包括:
可在该人所拥有的或拥有该物体的人所有的个人计算机(400)上运行的分析软件(404),所述分析软件配置成利用该人(402)或物体的图像来跟踪至少一个可变参数;
成像设备(110),配置来对人体或物体进行成像;
接口(130),用于将由该成像设备产生的人或物的图像下载到该个人计算机中;以及
以选定的间隔多次重复所述成像和下载,选择所述间隔以便为分析软件提供足够跟踪所述至少一个可变参数的图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/717,861 US7346203B2 (en) | 2003-11-19 | 2003-11-19 | Methods and apparatus for processing image data to aid in detecting disease |
US10/717,861 | 2003-11-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1663530A CN1663530A (zh) | 2005-09-07 |
CN1663530B true CN1663530B (zh) | 2010-12-22 |
Family
ID=34574626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2004100942108A Expired - Fee Related CN1663530B (zh) | 2003-11-19 | 2004-11-19 | 用于处理图像数据以帮助检测疾病的方法和装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US7346203B2 (zh) |
JP (1) | JP4652023B2 (zh) |
CN (1) | CN1663530B (zh) |
DE (1) | DE102004055767A1 (zh) |
NL (1) | NL1027538C2 (zh) |
Families Citing this family (75)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7778877B2 (en) * | 2001-07-09 | 2010-08-17 | Linkshare Corporation | Enhanced network based promotional tracking system |
EP1551303A4 (en) | 2002-05-16 | 2009-03-18 | Karmanos B A Cancer Inst | COMBINED DIAGNOSTIC METHOD AND SYSTEM AND ULTRASONIC TREATMENT SYSTEM INCLUDING NON-INVASIVE THERMOMETRY, CONTROL AND AUTOMATION OF ABLATION |
US7454045B2 (en) * | 2003-10-10 | 2008-11-18 | The United States Of America As Represented By The Department Of Health And Human Services | Determination of feature boundaries in a digital representation of an anatomical structure |
US8737699B2 (en) * | 2004-09-02 | 2014-05-27 | Siemens Medical Solutions Usa, Inc. | Combinational computer aided diagnosis |
US8162834B2 (en) * | 2006-10-18 | 2012-04-24 | Board Of Regents, The University Of Texas System | Hemoglobin contrast in ultrasound and optical coherence tomography for diagnosing diseased tissue, cancers, and the like |
US7272762B2 (en) * | 2005-06-16 | 2007-09-18 | General Electric Company | Method and apparatus for testing an ultrasound system |
US20070239482A1 (en) * | 2005-07-22 | 2007-10-11 | Siemens Medical Solutions Health Services Corporation | Vision Based Data Acquisition System and Method For Acquiring Medical and Other Information |
DE102005036998B4 (de) * | 2005-08-05 | 2014-11-20 | Siemens Aktiengesellschaft | Vorrichtung zur automatischen Detektion von Auffälligkeiten in medizinischen Bilddaten |
US8050734B2 (en) * | 2005-09-07 | 2011-11-01 | General Electric Company | Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure |
CN101443811A (zh) * | 2005-09-23 | 2009-05-27 | 皇家飞利浦电子股份有限公司 | 一种用于图像分割的方法、系统和计算机程序 |
ES2292327B1 (es) * | 2005-12-26 | 2009-04-01 | Consejo Superior Investigaciones Cientificas | Mini camara gamma autonoma y con sistema de localizacion, para uso intraquirurgico. |
US20080009722A1 (en) * | 2006-05-11 | 2008-01-10 | Constantine Simopoulos | Multi-planar reconstruction for ultrasound volume data |
US8923577B2 (en) * | 2006-09-28 | 2014-12-30 | General Electric Company | Method and system for identifying regions in an image |
US7961944B2 (en) * | 2006-11-08 | 2011-06-14 | Siemens Audiologische Technik Gmbh | System and method for variational ball skinning for geometric modeling of ordered balls |
EP2146631A4 (en) | 2007-04-13 | 2013-03-27 | Univ Michigan | SYSTEMS AND METHODS FOR FABRIC IMAGING |
US8184878B2 (en) * | 2007-04-25 | 2012-05-22 | Kabushiki Kaisha Toshiba | Image diagnosis support system and image diagnosis support method |
US8870771B2 (en) | 2007-05-04 | 2014-10-28 | Barbara Ann Karmanos Cancer Institute | Method and apparatus for categorizing breast density and assessing cancer risk utilizing acoustic parameters |
US10201324B2 (en) | 2007-05-04 | 2019-02-12 | Delphinus Medical Technologies, Inc. | Patient interface system |
EP2156407A1 (en) * | 2007-06-07 | 2010-02-24 | Koninklijke Philips Electronics N.V. | Inspection of tubular-shaped structures |
US20090012382A1 (en) * | 2007-07-02 | 2009-01-08 | General Electric Company | Method and system for detection of obstructions in vasculature |
US9118635B2 (en) * | 2007-11-02 | 2015-08-25 | General Electric Company | Medical imaging system |
US20090292213A1 (en) * | 2008-05-21 | 2009-11-26 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Circulatory monitoring systems and methods |
US20090287120A1 (en) | 2007-12-18 | 2009-11-19 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Circulatory monitoring systems and methods |
US20090292222A1 (en) * | 2008-05-14 | 2009-11-26 | Searete Llc | Circulatory monitoring systems and methods |
US20100036263A1 (en) * | 2008-08-07 | 2010-02-11 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Circulatory monitoring systems and methods |
US8636670B2 (en) * | 2008-05-13 | 2014-01-28 | The Invention Science Fund I, Llc | Circulatory monitoring systems and methods |
US20090163856A1 (en) * | 2007-12-19 | 2009-06-25 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Treatment indications informed by a prior implant information |
US9717896B2 (en) * | 2007-12-18 | 2017-08-01 | Gearbox, Llc | Treatment indications informed by a priori implant information |
US20090292214A1 (en) * | 2008-05-22 | 2009-11-26 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Circulatory monitoring systems and methods |
EP2252214A4 (en) * | 2008-02-13 | 2013-05-29 | Kitware Inc | METHOD AND SYSTEM FOR MEASURING TISSUE INJURY AND PATHOLOGICAL RISK |
CA2716940C (en) | 2008-02-29 | 2016-01-19 | The Regents Of The University Of Michigan | Systems and methods for imaging changes in tissue |
JP5641736B2 (ja) * | 2008-03-25 | 2014-12-17 | 株式会社東芝 | 医用画像処理装置及びx線診断装置 |
US20090252392A1 (en) * | 2008-04-08 | 2009-10-08 | Goyaike S.A.A.C.I.Y.F | System and method for analyzing medical images |
US8428688B2 (en) * | 2008-11-10 | 2013-04-23 | Siemens Aktiengesellschaft | Automatic femur segmentation and condyle line detection in 3D MR scans for alignment of high resolution MR |
EP2395906A4 (en) | 2009-02-12 | 2017-06-28 | Novartis Ag | Method and apparatus for ocular surface imaging |
US9241622B2 (en) | 2009-02-12 | 2016-01-26 | Alcon Research, Ltd. | Method for ocular surface imaging |
US7995702B2 (en) * | 2009-08-25 | 2011-08-09 | General Electric Company | System and method of data interpolation in fast kVp switching dual energy CT |
US8611627B2 (en) | 2009-12-23 | 2013-12-17 | General Electric Company | CT spectral calibration |
KR20140015162A (ko) * | 2010-01-12 | 2014-02-06 | 에프. 호프만-라 로슈 아게 | 트라이사이클릭 헤테로사이클릭 화합물, 조성물 및 이의 사용 방법 |
US9144403B2 (en) | 2010-02-12 | 2015-09-29 | Delphinus Medical Technologies, Inc. | Method of characterizing the pathological response of tissue to a treatment plan |
WO2011100697A1 (en) | 2010-02-12 | 2011-08-18 | Delphinus Medical Technologies, Inc. | Method of characterizing tissue of a patient |
JP4981938B2 (ja) * | 2010-03-08 | 2012-07-25 | 富士フイルム株式会社 | 診断支援装置、冠動脈解析プログラムおよび冠動脈解析方法 |
US10380735B2 (en) * | 2010-04-16 | 2019-08-13 | Koninklijke Philips N.V. | Image data segmentation |
CN102884551B (zh) * | 2010-05-06 | 2016-10-12 | 爱尔康研究有限公司 | 用于评估角膜健康状况变化的设备和方法 |
US9014456B2 (en) * | 2011-02-08 | 2015-04-21 | University Of Louisville Research Foundation, Inc. | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules |
CA2840613C (en) | 2011-06-29 | 2019-09-24 | The Regents Of The University Of Michigan | Analysis of temporal changes in registered tomographic images |
WO2013078370A1 (en) | 2011-11-23 | 2013-05-30 | The Regents Of The University Of Michigan | Voxel-based approach for disease detection and evolution |
US9349177B2 (en) * | 2012-03-23 | 2016-05-24 | Koninklijke Philips N.V. | Extracting bullous emphysema and diffuse emphysema in E.G. CT volume images of the lungs |
US9851426B2 (en) | 2012-05-04 | 2017-12-26 | The Regents Of The University Of Michigan | Error analysis and correction of MRI ADC measurements for gradient nonlinearity |
US9763641B2 (en) | 2012-08-30 | 2017-09-19 | Delphinus Medical Technologies, Inc. | Method and system for imaging a volume of tissue with tissue boundary detection |
JP6242572B2 (ja) * | 2012-11-29 | 2017-12-06 | 東芝メディカルシステムズ株式会社 | 医用画像撮影装置および画像処理装置 |
WO2014115065A1 (en) * | 2013-01-28 | 2014-07-31 | Koninklijke Philips N.V. | Medical image processing |
US10123770B2 (en) | 2013-03-13 | 2018-11-13 | Delphinus Medical Technologies, Inc. | Patient support system |
US9804675B2 (en) | 2013-06-27 | 2017-10-31 | Elwha Llc | Tactile feedback generated by non-linear interaction of surface acoustic waves |
US20150003204A1 (en) * | 2013-06-27 | 2015-01-01 | Elwha Llc | Tactile feedback in a two or three dimensional airspace |
US9721340B2 (en) * | 2013-08-13 | 2017-08-01 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Systems, methods and devices for analyzing quantitative information obtained from radiological images |
DE102014207449A1 (de) * | 2014-04-17 | 2015-10-22 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Automatische Erkennung eines potenziellen Pleuraergusses |
US10285667B2 (en) | 2014-08-05 | 2019-05-14 | Delphinus Medical Technologies, Inc. | Method for generating an enhanced image of a volume of tissue |
US11031137B2 (en) * | 2014-08-29 | 2021-06-08 | Koninklijke Philips N.V. | Handling undetermined quantifiable target lesions while tracking cancerous lesions using long axis and short axis meausrement consistent with response evaluation criteria in solid tumors (RECIST) guidelines |
US10806372B2 (en) * | 2014-09-09 | 2020-10-20 | Siemens Healthcare Gmbh | Method and system for simultaneous evaluation of airway wall density and airway wall inflammation |
US10039510B2 (en) * | 2015-09-22 | 2018-08-07 | Siemens Healthcare Gmbh | Visualizing different types of airway wall abnormalities |
EP3363348A4 (en) * | 2015-10-15 | 2019-05-15 | Daikin Industries, Ltd. | PHYSIOLOGICAL STATE DETERMINATION DEVICE AND PHYSIOLOGICAL STATE DETERMINING METHOD |
US20170185284A1 (en) * | 2015-12-28 | 2017-06-29 | Dexcom, Inc. | Wearable apparatus for continuous blood glucose monitoring |
US10650512B2 (en) | 2016-06-14 | 2020-05-12 | The Regents Of The University Of Michigan | Systems and methods for topographical characterization of medical image data |
JP2018122093A (ja) * | 2017-02-02 | 2018-08-09 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、x線ct装置、及び医用画像処理方法 |
US10152571B1 (en) * | 2017-05-25 | 2018-12-11 | Enlitic, Inc. | Chest x-ray differential diagnosis system |
CN107292103B (zh) * | 2017-06-19 | 2020-07-31 | 京东方科技集团股份有限公司 | 一种预测图像生成方法及装置 |
CN109378043A (zh) | 2017-10-13 | 2019-02-22 | 北京昆仑医云科技有限公司 | 基于患者的医学图像生成诊断报告的系统和方法及介质 |
US10803579B2 (en) | 2017-10-13 | 2020-10-13 | Beijing Keya Medical Technology Co., Ltd. | Interactive clinical diagnosis report system |
US10803581B2 (en) | 2017-11-06 | 2020-10-13 | Beijing Keya Medical Technology Co., Ltd. | System and method for generating and editing diagnosis reports based on medical images |
US10918309B2 (en) * | 2019-04-11 | 2021-02-16 | Siemens Healthcare Gmbh | Artificial intelligence-based COPD assessment |
CN110364259B (zh) * | 2019-05-30 | 2022-05-31 | 中国人民解放军总医院 | 一种高原疾病预测方法、系统、介质及电子设备 |
CN110458817B (zh) * | 2019-08-05 | 2023-07-18 | 上海联影医疗科技股份有限公司 | 医学图像的质量预测方法、装置、设备及存储介质 |
CN113261944B (zh) * | 2021-06-29 | 2022-12-27 | 上海长征医院 | 气道阻力获取装置、方法、诊断装置、介质及电子设备 |
CN114010215B (zh) * | 2021-12-14 | 2022-08-05 | 清华大学 | 用于医学影像辅助诊断支气管扩张的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1145213A (zh) * | 1996-06-04 | 1997-03-19 | 浙江大学 | 一种心血管病的无损定量诊断系统及其使用方法 |
CN1185307A (zh) * | 1996-12-18 | 1998-06-24 | 杨宏伟 | 医用影像计算机诊断系统 |
US6234964B1 (en) * | 1997-03-13 | 2001-05-22 | First Opinion Corporation | Disease management system and method |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0487110B1 (en) * | 1990-11-22 | 1999-10-06 | Kabushiki Kaisha Toshiba | Computer-aided diagnosis system for medical use |
US5878746A (en) * | 1993-08-25 | 1999-03-09 | Lemelson; Jerome H. | Computerized medical diagnostic system |
US5782762A (en) * | 1994-10-27 | 1998-07-21 | Wake Forest University | Method and system for producing interactive, three-dimensional renderings of selected body organs having hollow lumens to enable simulated movement through the lumen |
JP3336241B2 (ja) * | 1997-12-25 | 2002-10-21 | 富士通株式会社 | 医療情報システム及び患者用端末装置 |
JPH11239165A (ja) * | 1998-02-20 | 1999-08-31 | Fuji Photo Film Co Ltd | メディカルネットワークシステム |
JP4334037B2 (ja) * | 1998-08-13 | 2009-09-16 | 株式会社東芝 | 医用画像処理装置 |
US6336082B1 (en) * | 1999-03-05 | 2002-01-01 | General Electric Company | Method for automatic screening of abnormalities |
US6819785B1 (en) * | 1999-08-09 | 2004-11-16 | Wake Forest University Health Sciences | Image reporting method and system |
US6418334B1 (en) * | 1999-10-19 | 2002-07-09 | General Electric Company | Method and apparatus for logging and dynamically configuring performance analysis of a medical diagnostic imaging system |
US6356780B1 (en) * | 1999-12-22 | 2002-03-12 | General Electric Company | Method and apparatus for managing peripheral devices in a medical imaging system |
JP3945974B2 (ja) * | 2000-11-13 | 2007-07-18 | 富士フイルム株式会社 | 画像送信装置および画像送信方法 |
US6876759B2 (en) * | 2001-02-01 | 2005-04-05 | Fuji Photo Film Co., Ltd. | Image transmitting system, image transmitting method and storage medium |
US6901277B2 (en) * | 2001-07-17 | 2005-05-31 | Accuimage Diagnostics Corp. | Methods for generating a lung report |
JP2003038476A (ja) * | 2001-08-03 | 2003-02-12 | Konica Corp | コンピュータ支援診断システム |
WO2003017833A1 (en) * | 2001-08-31 | 2003-03-06 | Jong-Won Park | Method and apparatus for a medical image processing system |
JP2003070781A (ja) * | 2001-09-04 | 2003-03-11 | Hitachi Medical Corp | 医用画像診断支援装置 |
US20030055331A1 (en) * | 2001-09-11 | 2003-03-20 | Pulmonx | Methods of endobronchial diagnosis using imaging |
US7158692B2 (en) * | 2001-10-15 | 2007-01-02 | Insightful Corporation | System and method for mining quantitive information from medical images |
US7058210B2 (en) * | 2001-11-20 | 2006-06-06 | General Electric Company | Method and system for lung disease detection |
US20050207630A1 (en) * | 2002-02-15 | 2005-09-22 | The Regents Of The University Of Michigan Technology Management Office | Lung nodule detection and classification |
AU2003235983A1 (en) * | 2002-05-13 | 2003-11-11 | Magnolia Medical Technologies Ltd. | System and method for analysis of medical image data |
-
2003
- 2003-11-19 US US10/717,861 patent/US7346203B2/en active Active
-
2004
- 2004-11-17 NL NL1027538A patent/NL1027538C2/nl not_active IP Right Cessation
- 2004-11-18 DE DE102004055767A patent/DE102004055767A1/de not_active Withdrawn
- 2004-11-19 CN CN2004100942108A patent/CN1663530B/zh not_active Expired - Fee Related
- 2004-11-19 JP JP2004336217A patent/JP4652023B2/ja not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1145213A (zh) * | 1996-06-04 | 1997-03-19 | 浙江大学 | 一种心血管病的无损定量诊断系统及其使用方法 |
CN1185307A (zh) * | 1996-12-18 | 1998-06-24 | 杨宏伟 | 医用影像计算机诊断系统 |
US6234964B1 (en) * | 1997-03-13 | 2001-05-22 | First Opinion Corporation | Disease management system and method |
Also Published As
Publication number | Publication date |
---|---|
DE102004055767A1 (de) | 2005-06-23 |
US20050105788A1 (en) | 2005-05-19 |
US7346203B2 (en) | 2008-03-18 |
JP2005199040A (ja) | 2005-07-28 |
NL1027538C2 (nl) | 2009-05-26 |
NL1027538A1 (nl) | 2005-05-23 |
CN1663530A (zh) | 2005-09-07 |
JP4652023B2 (ja) | 2011-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1663530B (zh) | 用于处理图像数据以帮助检测疾病的方法和装置 | |
CN100387196C (zh) | 用于测量与疾病相关的组织变化的方法和系统 | |
ES2914387T3 (es) | Estudio inmediato | |
CN100528078C (zh) | 用于气管测量的方法和系统 | |
US6901277B2 (en) | Methods for generating a lung report | |
US20030028401A1 (en) | Customizable lung report generator | |
US20100231605A1 (en) | Medical image processing device and medical image processing program | |
US20030016850A1 (en) | Systems and graphical user interface for analyzing body images | |
US10918309B2 (en) | Artificial intelligence-based COPD assessment | |
Jannin et al. | Validation in medical image processing. | |
Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
Singh et al. | Classification of first trimester ultrasound images using deep convolutional neural network | |
JP2006102353A (ja) | 関節動作解析装置、関節動作解析方法及び関節動作解析プログラム | |
Hess et al. | Deep learning for multi-tissue segmentation and fully automatic personalized biomechanical models from BACPAC clinical lumbar spine MRI | |
US8331635B2 (en) | Cartesian human morpho-informatic system | |
Obert et al. | Aging calvaria: Introduction of a numerical method to improve information extraction from computed tomography images | |
Saxena et al. | Canine Thoracic Radiographs Classification Using Deep Learning Algorithms: An Investigation | |
Bell | Novel mathematical approaches to CT image analysis in asthma | |
US20100022846A1 (en) | Method for Health Monitoring | |
Zhang | A computer-aided-diagnosis (CAD) method combining phalangeal and carpal bone features for bone age assessment of children | |
Berty | Semi-Automated Diagnosis of Pulmonary Hypertension Using PUMA, a Pulmonary Mapping and Analysis Tool | |
Chandra | Development and validation of HRCT airway segmentation algorithms | |
EP2167915A1 (en) | Cartesian human morpho-informatic system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101222 Termination date: 20201119 |
|
CF01 | Termination of patent right due to non-payment of annual fee |