CN1861002A - 监视肿瘤负荷的方法和系统 - Google Patents
监视肿瘤负荷的方法和系统 Download PDFInfo
- Publication number
- CN1861002A CN1861002A CNA2006100679075A CN200610067907A CN1861002A CN 1861002 A CN1861002 A CN 1861002A CN A2006100679075 A CNA2006100679075 A CN A2006100679075A CN 200610067907 A CN200610067907 A CN 200610067907A CN 1861002 A CN1861002 A CN 1861002A
- Authority
- CN
- China
- Prior art keywords
- data
- volume
- patient
- index
- tumor
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
提供了一种用于鉴定图像体积(300)的所选属性的方法(1100)和系统(10)。所述系统被配置成接收(1102)一个兴趣体积区(300)的图像数据集(1104),至少基于形状和结构的其中一个为所选属性处理(1106)该数据集,以获得多个响应,并且计算(1108)多个所获得响应的聚集的索引。
Description
技术领域
本发明一般地涉及计算机体层摄影(CT)成像,更具体地涉及鉴定图像体积的所选属性和监视患者中所选属性的变化。
背景技术
通过成像设备生成3D数据而获得的解剖数据的可视化通常是由呈现其强度和/或密度值的体积来处理(例如在计算机体层摄影情况下的Hounsfield单元(HU))。许多临床应用都是基于体积数据的3D可视化,这些应用包括但不局限于检测肺部结节并测量其尺寸、鉴定脉管弯曲、直径和品质、心血管及功能应用,并且为检测息肉而导航结肠。这些应用依赖于图像数据(强度、密度(HU)、吸收(标准吸收值SUV))的绝对值、和与医学成像相关的其它材料属性,以便从背景组织区分多维解剖体。一些临床成像应用被设计成将例行筛选例如肿瘤、结节和息肉形式的早期癌症。
许多癌症通常从它们的基本器官或位置转移或移动,从而牵涉了其它器官和位置。肿瘤转移到的最普通的位置是肺部、肝部、以及骨头之前的淋巴结。通常,转移性疾病分布在贯穿人体解剖体的小损伤(2-10mm)处。转移性损伤最普通的位置是在肺部和肝部。CT图像上肝部损伤的可视对比度对于人眼是有限的。磁共振成像(MRI)和正电子发射断层(PET)成像相对CT提高了可视化肝部肿瘤,但是对比度仍然受限。
对于原发和次要癌症有许多治疗选项。这些选项包括放射疗法、化学疗法、激素治疗、免疫疗法、手术以及其它。
当前,医生在评估患者时大多依赖于受治疗的肿瘤的外观解剖尺寸和形状,以对选择的疗法作出反应。如果癌症发作,这对于具有“大体积疾病(意味着肿瘤负荷是实际存在的肿瘤细胞的过高估计)”的患者来说存在有问题,而组织块的相对尺寸没有变化。因为出现了PET和CT/PET成像,所以可以评估肿瘤活动部分的尺寸以确定患者对疗法的响应。医生期望在后续治疗之前和之后测量损伤(或多个损伤)的尺寸,以鉴定响应。在原发癌症的许多情况下,可能会直接鉴定由损伤占据的解剖体的体积。在一些情况下,肿瘤会限制了对比度和/或使轮廓不清,这意味着肿瘤的轮廓难以识别。在多个损伤和转移性疾病的情况下,可能有成百上千个分布在整个人体或各个器官中的小损伤。但是,当存在多个损伤时,识别和跟踪每个损伤是极其耗时的。另外,医生可根据由被称为“总肿瘤负荷(TTB)”的单个量来选择表示由所有损伤中占据的体积和。如此,当任何肿瘤响应于所选择的治疗计划时,TTB将变化。但是,即使在治疗状况的过程中跟踪TTB也需要困难而又耗时的过程。
发明内容
在一个实施例中,提供了一种用于鉴定图像体积的所选属性的系统。该系统被配置成接收一个兴趣体积区的图像数据集,至少基于形状和结构的其中一个为所选属性处理该数据集,以获得多个响应,并计算多个所获得响应的聚集的索引。
在另一个实施例中,提供一种成像系统。该成像系统包括图像获取部分,用于获取图像数据,控制器,被配置成控制所述图像获取部分,和处理器被配置成鉴定图像体积的所选属性和监视所选属性的变化。该处理器还被编程用来从X射线模态、CT模态、超声波模态、磁共振成像(MRI)模态、正电子发射断层(PET)模态、核医疗模态、光学模态、和上述模态的组合的其中一个中接收兴趣体积区的图像数据集,以至少基于形状和结构的其中一个为所选属性处理该数据集,以获得多个响应,并计算多个所获得响应的聚集的索引。
在又一个实施例中,提供一种鉴定图像体积的所选属性和监视所选属性的变化的方法。该方法包括接收一个兴趣体积区的图像数据集,至少基于形状和结构的其中一个为所选属性处理该数据集,以获得多个响应,并计算多个所获得响应的聚集的索引。
附图说明
图1是多层面体积CT成像系统的示图;
图2是如图1所示的多层面体积CT成像系统的框图;
图3是兴趣体积区(VOI),诸如患者一部分的示意图;
图4是图3所示的兴趣体积区(VOI)的另一个示意图;
图5是图4所示的每个响应1-6所确定体积的表格;
图6是图3所示的VOI的示意图,说明了例如在一个治疗过程后,在较后的时间点接收的数据;
图7是图6所示的VOI的示意图;
图8是图7所示的响应1-7更新的所确定体积的表格800;
图9是为兴趣体积区确定肿瘤负荷索引的一个示例方法的流程图;
图10是为兴趣体积区确定肿瘤负荷索引的另一个示例方法的流程图;
图11是通常应用于多个成像和诊断解决方案的本发明的示例实施例的数据流图;和
图12是应用于利用计算机体层摄影(CT)的肺部研究的本发明的一个示例实施例的数据流图。
具体实施方式
如这里所使用的,以单数叙述的元件或步骤并且在词语之前的“一”或“一个”应当被理解为不排除多个所述元素或步骤,除非明确地表达了这种排除。另外,对本发明的“一个实施例”的引用不旨在被解释为排除也合并了所叙述特征的附加实施例的存在。
也如这里所使用的,短语“再现图像”不试图排除这样的本发明的实施例,其中生成了表示图像的数据但却没有生成可视的图像。因此,如在这里所使用的术语,“图像”广义地指可视图像和表示可视图像的数据。但是,许多实施例生成(或者被配置成生成)至少一个可视图像。
图1是多层面体积CT成像系统10的示图。图2是如图1所示的系统10的示意框图。在该示例实施例中,所示出的计算机体层摄影(CT)成像系统10包括代表“第三代”CT成像系统的台架12。台架12具有放射源14,用于朝台架12相对侧上的检测器阵列18投影x射线的锥面束16。
检测器阵列18由多个检测器行(未示出)组成,所述检测器行包括多个检测器元件20,这些检测器行一起感测穿过对象的投影x射线光束,对象比如是内科患者22。每个检测器元件20产生表示碰撞放射束强度的电子信号,因此放射束在通过患者22的时候衰减。具有多层面检测器阵列18的成像系统10能够提供表示患者22的多个图像。多个图像中的每个图像对应于体积中单独的“层面”。层面的“厚度”或孔径取决于检测器行的厚度。
在为获得放射投影数据的扫描期间,台架12和安装在其上的部件围着旋转轴24旋转。图2只示出了检测器元件20的单个行(即检测器行)。但是,多层面检测器阵列18包括多个检测器元件20的平行检测器行,使得可在扫描期间同时获得对应于准平行或平行层面的投影数据。
台架12的旋转和放射源14的操作是由CT系统10的控制机构26来管理的。控制机构26包括放射控制器28和台架电动机控制器30,所述放射控制器28用来向放射源14提供功率和定时信号,所述台架电动机控制器30控制台架12的旋转速度和位置。控制机构26中的数据获取系统(DAS)32对来自检测器元件20的模拟信号进行采样,并将数据转换成数字信号,以用于后续处理。图像再现器34从DAS32接收采样和数字化的放射数据并执行高速图像再现。再现的图像作为输入被提供给计算机36,计算机36将该图像存储在大容量存储设备38中。
计算机36还经由具有键盘的控制台40从操作员接收命令和扫描参数。关联的显示器42允许操作员观察再现的图像和来自计算机36的其它数据。操作员所提供的命令和参数被计算机36用来向DAS32、放射控制器28、和台架电动机控制器30提供控制信号和信息。此外,计算机36操作工作台电动机控制器44,该工作台电动机控制器44控制电动工作台46以定位台架12中的患者22。特别地,工作台46移动患者22的部分通过台架开口48。
在一个实施例中,计算机36包括设备50,例如软盘驱动器或CD-ROM驱动,用来从诸如软盘或CD-ROM的计算机可读介质52读取指令和/或数据。在另一个实施例中,计算机36执行存储在固件(未示出)中的指令。通常,图2中所示的DAS 32、再现器34和计算机36至少一个中的处理器被编程用来执行下述的过程。当然,该方法不限于在CT系统10中实施,并且还可以结合成像系统的许多其它类型和变型来应用。在一个实施例中,计算机36被编程用来执行这里所述的功能,因此如这里所使用的那样,术语计算机不仅限于那些在本领域中称为计算机的集成电路,而是广义地指计算机、处理器、微控制器、微型计算机、可编程逻辑控制器、特定用途集成电路、和其它可编程电路。
以下描述的是根据本发明的一个实施例的一个示例多层面CT系统。尽管在下面详细描述了系统的一个实施例,但是应当理解的是,可以有许多本发明的替换实施例。例如,尽管描述了一个定的检测器和一个特定的数据获取系统,但是其它检测器或者数据获取系统可结合所述系统来使用,并且本发明不限于用某一特定类型的检测器来实施。具体地,下面描述的检测器包括多个模块,并且每个模块包括多个检测器单元。不是去利用下面描述的特定检测器,而是利用具有沿z轴不分段的单元的检测器,和/或利用具有在任意方向上结合在一起以便同时获取多层面扫描数据的多个模块的检测器,这些模块具有沿x轴和/或z轴的多个元件。通常,系统可在多层面模式中操作,以收集数据的一个或多个层面。可利用系统来执行轴向和螺旋扫描,并且可处理、再现、显示和/或存档所扫描对象的横截面图像。
图3是兴趣体积区(VOI)300,诸如患者22一部分302的示意图。在一个示例实施例中,VOI300包括一个或多个人体部分,比如第一器官304和第二器官306。VOI300的扫描可检测各种响应(1-6),比如感兴趣的解剖体和病变。
这里所描述的方法和设备能够为跟踪各种解剖体和病变的形状和尺寸中的纵向变化而实时地实现有关各向异性体积数据集的形状过滤方法。肺部移位变化用来描述本发明的各种实施例,但是应当注意,还可以想到其它的应用,例如但不仅限于放射肿瘤学、神经学、灌注、脉管分析、结肠、肺部和心脏脉管分段。
本发明的一个实施例包括执行解剖形状过滤和对应于VOI300的3维体积数据集的可视化。3D形状过滤的输出可根据当前的过程而被分离成不同的响应类型。在一个示例说明中,所述分离可是以底层对象的圆柱化或球面化程度的形式。对这一过滤的响应还可具有底层扫描部件,该底层扫描部件创建与下层对象等同的尺寸和形状,即将过滤调整为最大化地响应具有8mm直径的圆柱体(和球形),并且如果底层对象在尺寸或形状上偏离了所期望的调整值,那么不会是最大的。可独立地显示形状响应,或者可以在2D或体积3D透视图中表示的图像数据上重叠所述形状响应。与当前可得的窗口和灰阶(W/L)操作相类似的方法可应用于过滤的响应,以允许用户有选择地显示他们想要看到的响应,实际上为用户提供了调整对非最大响应的灵敏度的能力。该方法可独立地应用于过滤响应。该方法还允许合并完全不同的响应,以便在不丢失用户的W/L能力的情况下进行组合显示。这一能力是通过使用两个互补的方法而实现的,第一个方法在响应空间创建伪像基准点,该响应空间允许响应数据以与这个基准有关的镜像感受(mirrored sense)被分离,并且第二个方法类似地使用具有适当转移函数的镜像彩色图。这些方法的结果是,用户可应用选择性的W/L,并且过滤的完全不同响应(例如,球形的或圆柱形的)同时独立地被显示,或者为了视觉区分而利用它们自己的彩色图在图像数据上被同时显示。
利用与形态操作相关的肺部解剖密度值来识别包含感兴趣的解剖体的体积。执行多分辨率采样,以便以不同的比例来显示所述体积。结合高斯平滑执行向下采样,以便最小化混叠伪像。确定用高斯滤波器的解析导数来对体积做卷积的离散近似,以及分别显示对球形和圆柱体解剖对象、结节和脉管的响应。
图4是(图3所示的)兴趣体积区(VOI)300的一个示意图。响应1-6的中心被识别以便为成像的VOI300内的各个肿瘤提供三维参考。指向各个肿瘤的3D指针被用来估计每个肿瘤的体积,并且所有肿瘤的体积被求和以计算总肿瘤负荷(TTB)。在一个替换实施例中,不为每个肿瘤单独估计体积,而是整体上估计感兴趣的人体的体积,其中不需要各个肿瘤的求和,如直接确定TTB一样。
图5是每个响应1-6的所确定体积502的表格500。可确定和显示总肿瘤负荷(TTB)504。通过组合一个或多个响应1-6的体积来确定TTB。在该示例实施例中,各个响应1-6的体积相加在一起以确定TTB504。在其它各种实施例中,还可使用组合体积的其它方法。
图6是(图3所示的)VOI300的示意图,说明了例如在一个治疗过程后,在较后的时间点接收的数据。可在连续的时间点之间通过减法、除法或其它数据表达来确定VOI300的TTB504的变化。
图7是(图6所示的)VOI300的示意图。识别响应1-6的中心,并且还识别附加的检测响应7以及确定其中心。
图8是响应1-7更新的所确定体积802的表格800。可确定和显示总肿瘤负荷(TTB)804。通过组合一个或多个响应1-7的体积来确定TTB。在该示例实施例中,各个响应1-7的体积相加在一起以确定TTB804。在其它各种实施例中,还可使用组合体积的其它方法。还可为每个体积确定和显示在连续时间点之间的差值。所述差值可表达为与先前值的大小变化,或者可表达为与先前值的相对变化,比如与先前值的百分比变化。在一个替换实施例中,直接为感兴趣的整体人体确定TTB。
还可在次要图像中重复该过程,比如从向第一图像注册的可替换成像模态获得的图像,并且计算所检测的体积中的差异。例如,在CT和PET图像中执行基于形状的过滤可以提供来自CT的有关解剖肿瘤负荷(ATB)的信息,以及来自PET的生理肿瘤负荷(PTB)。在较后的时间点重复这一分析将揭示治疗起作用的程度,因为通常解剖变化慢于生理变化。
还可过滤对所有体积的检测,以便只需自动跟随损伤子集(比如5个最大的损伤)的演变,就如WHO和RECIST标准所推荐的。这样的措施包括确定损伤子集的平均或总体积的演变,确定任何这些损伤体积中最大的减小/增大。
图9是为兴趣体积区确定肿瘤负荷索引的示例方法900的流程图。在一个示例实施例中,在实时球形过滤之后,根据所有识别的体元来确定肿瘤负荷。方法900包括例如根据CT成像扫描来访问或接收902多维数据。在各种替换实施例中,可利用原始数据、投影数据、和/或图像数据例如从但不局限于从X射线模态、CT模态、超声波模态、磁共振成像(MRI)模态、正电子发射断层(PET)模态、核医疗模态、光学模态、和上述模态的组合的各种扫描中来接收多维数据。多维数据可例如但不局限于是放射数据、肿瘤数据、神经数据、心脏数据、胸部数据、肌和骨骼数据、血管数据、和介入数据。确定来自所接收数据的感兴趣的区域或体积。用户可选择兴趣体积区,或者利用数据的预定属性来自动确定兴趣体积区,以便定位包括在兴趣体积区内的多维数据的至少一个子集。
连同利用FP减小的后处理,利用实时的基于形状的过滤来处理904VOI,以确定像肿瘤的球状对象。聚集906过滤响应,以确定有效的肿瘤负荷索引。纵向研究重复908该过程,以为癌症的加速或抑制的目的而确定变化。
上述方法还可包括利用基于3D形状的过滤来检测对象的图像中的球形区域。聚集所识别的球形体元的位置,以形成肿瘤负荷索引,其中为确定变化而通过纵向检查来跟踪结果。肿瘤负荷索引可随时间和/或各种统计分析的总数而发展。多个成像模态的肿瘤负荷索引可被组合,以为判定规则引擎提供附加的信息。
图10是为兴趣体积区确定肿瘤负荷索引的一个示例方法1000的流程图。方法1000可在确定了每个所识别的区域的块的中心之后利用实时形状过滤并利用这些中心来对肿瘤分段和确定肿瘤的大小,从而确定总肿瘤负荷体积。方法900可进一步包括在后处理之后,利用基于3D形状的过滤来检测对象图像中的球形区域,以确定所检测的每个集群块的中心。将每个所识别的位置馈送给体积分段算法,该算法估算各个候选肿瘤的体积。聚集各个体积估算,以形成总的肿瘤体积。为确定变化而通过纵向检查来跟踪结果。
方法1000包括例如根据CT成像扫描来访问或接收1002多维数据。在各种替换实施例中,可利用原始数据、投影数据、和/或图像数据例如从但不局限于从X射线模态、CT模态、超声波模态、磁共振成像(MRI)模态、正电子发射断层(PET)模态、核医疗模态、光学模态、和上述模态的组合的各种扫描来接收多维数据。多维数据可例如但不局限于是放射数据、肿瘤数据、神经数据、心脏数据、胸部数据、肌和骨骼数据、血管数据、和介入数据。确定来自所接收数据的感兴趣的区域或体积。用户可选择兴趣体积区,或者利用数据的预定属性来自动确定兴趣体积区,以便定位包括在兴趣体积区内的多维数据的至少一个子集。
连同利用FP减小的后处理,利用实时的基于形状的过滤来处理904VOI,以确定像肿瘤的球状对象。确定球形响应的每个集群块的中心,并将其用来分段并估算每个球形响应的体积。聚集1008体积估算,以确定有效的肿瘤负荷体积。纵向研究地重复1010该过程,以为癌症的加速或抑制的目的而确定变化。
图11是通常应用于多个成像和诊断解决方案的本发明的示例实施例的数据流图1100。利用成像系统1102的任何各种模态的扫描来获得多维数据。例如,可以在X射线模态、CT模态、超声波模态、磁共振成像(MRI)模态、正电子发射断层(PET)模态、核医疗模态、光学模态、和上述模态的组合的扫描期间获得数据。图像数据1104可例如是放射数据、肿瘤数据、神经数据、心脏数据、胸部数据、肌和骨骼数据、血管数据、和介入数据。可以利用过滤,诸如利用基于3D形状的过滤和/或推导不可直接确定的属性导出来处理1106图像数据1104。例如,可以为图像结构、形状、Hounsfield号、标准吸收值(SUV)、解剖结构、和/或直径来过滤图像数据1104,并且例如可从图像数据集推导灌注和/或流动。
可利用可选择的阈值1110来分析所处理的数据,阈值比如是高阈值、低阈值、或高低阈值,以便检测在图像数据中的球形区域。聚集1108所识别的球形体元的位置以形成肿瘤负荷索引,并且倾向于在纵向检查中利用先前的索引1114来对所得结果进行空时分析。在一个替换实施例中,可在后处理之后,利用基于3D形状的过滤来检测图像数据中的多个球形区域,以确定所检测的每个集群的块中心。将每个所识别的位置输入给体积分段算法,该算法估算各个候选肿瘤的体积。聚集各个体积估算,以形成总的肿瘤体积。为确定变化而通过纵向检查来跟踪结果。
还可过滤对所有体积的检测,以便只需自动跟随肿瘤子集(比如5个最大的损伤)的演变。这样的措施包括计算肿瘤子集的平均或总体积的演变,和/或计算任何这些肿瘤体积中最大的减小/增大。可将判定规则引擎116应用于聚集数据,以便肿瘤数量、各个肿瘤尺寸、聚集的肿瘤尺寸、和/或感兴趣属性的其它体积的变化可被用来确定诊断和/或治疗的推荐过程。判定规则引擎116从患者元数据的源1118接收数据,这些数据包括但不限于患者遗传数据、患者家族历史数据、组织病理数据、患者过敏数据、和患者病历。
判定规则引擎116可接收来自各种数据库1119的数据,比如可本地驻留在通过数据存储设备38访问的存储器中的诊断知识库和/或疾病治疗知识库。判定规则引擎116也可使用经由诸如互联网的网络访问的数据库。可经由显示器1122将诊断和推荐的治疗以及应用判定规则引擎116的其它结果传递1120给用户,并通过网络将它们发送给其它用户。应用判定规则引擎116的结果可以是二元响应、比如肿瘤负荷是好转还是恶化。响应可以用比如肿瘤负荷的体积质量或者肿瘤结节的数量来量度。响应可包括患者详细的历史,详细记录了疾病和/或治疗的进度。
来自用户输入模块1124的用户输入可用来修改或编辑用来生成输出的更新参数的算法或由该算法使用的更新参数。用户输入模块1124可以是标准的独立人机接口,或者可以是现有成像系统控制器的一部分。可以手工将用户输入录入到输入模块1124中,或者用户输入可以是在可访问系统10的软件、固件和/或硬件中实现的逻辑代码段的输出。
图12是应用于利用计算机体层摄影(CT)的肺部研究的本发明的示例实施例的数据流图1200。利用CT扫描1202来获得多维数据。CT图像数据1204可包括患者的一部分,该部分包括感兴趣的肺部组织。可以利用基于3D形状的过滤来处理1206图像数据1204,以定位满足基于3D形状过滤的预定标准的组织的块中心。可利用可选择的阈值1210来分析所处理的数据,阈值比如是高阈值、低阈值、或高低阈值,以便检测在图像数据中的球形区域。聚集1208所识别的总体元的位置以形成肿瘤负荷索引,并且倾向于在纵向检查中利用先前的索引1214来对所得结果进行诸如减法的空时分析。在一个替换实施例中,可在后处理之后,利用基于3D形状的过滤来检测图像数据中的多个球形区域,以确定所检测的每个集群的块中心。将每个所识别的位置输入给体积分段算法,该算法估算各个候选肿瘤的体积。聚集各个体积估算,以形成总的肿瘤体积。为确定变化而通过纵向检查来跟踪结果。
还可过滤对所有区域的检测,以便只需自动跟随肿瘤子集的演变。这样的措施包括计算肿瘤子集的平均或总体积的演变,和/或计算任何这些肿瘤体积中最大的减小/增大。可将判定规则引擎1216应用于聚集数据,以便肿瘤数量、各个肿瘤尺寸、聚集的肿瘤尺寸、和/或感兴趣属性的其它体积的变化可被用来确定诊断和/或治疗的推荐过程。判定规则引擎1216从患者元数据的源1218接收数据,这些数据包括但不限于患者遗传数据、患者家族历史数据、组织病理数据、患者过敏数据、和患者病历,该患者病历包括患者的原发癌症类型。判定规则引擎1216可包括各种数据库1219,比如可本地驻留在通过数据存储设备38访问的存储器中的诊断知识库和/或疾病治疗知识库。判定规则引擎1216也可使用经由诸如互联网的网络访问的数据库。可经由显示器1222将诊断和推荐的治疗以及应用判定规则引擎1226的其它结果传递1220给用户,并通过网络将它们发送给其它用户。应用判定规则引擎1216的结果可以是二元响应、比如肿瘤负荷是好转还是恶化。响应可以用比如肿瘤负荷的体积质量或者肿瘤结节的数量来量度。响应可包括患者详细的历史,详细记录了疾病和/或治疗的进度。
来自用户输入模块1224的用户输入可用来修改或编辑用来生成输出的更新参数的算法或由该算法使用的更新参数。用户输入模块1224可以是标准的独立人机接口,或者可以是现有成像系统控制器的一部分。可以手工将用户输入录入到输入模块1224中,或者用户输入可以是在可访问系统10的软件、固件和/或硬件中实现的逻辑代码段的输出。
尽管针对医学成像讨论了前面的实施例,但是应当理解,这里描述的图像获取和处理方法不限于医学应用,而可以应用在非医学领域。
应用上述实施例的描述仅仅是举例说明性的。如上所述,也包括以计算机实现的过程和用于实现这些过程的设备形式的实施例。并且,还包括了以计算机程序代码的形式的实施例,该计算机程序代码包含在任何计算机可读存储介质上的有形数据存储设备38中实现的指令,其中,当计算机程序代码被加载到计算机并由计算机执行时,计算机变成一个用于实施该发明的设备。并且,还包括以计算机程序代码的形式的实施例,该计算机程序代码要么存储在存储介质中、由计算机载入和/或执行,要么作为传播的数据信号发射,发射的方式要么是通过一些传输介质的调制载波,传输介质比如是电线、电缆、光纤,要么是经由电磁放射来发射,其中,当计算机程序代码被加载到计算机并由计算机执行时,计算机变成一个用于实施该发明的设备。当在通用微处理器上实现时,计算机程序代码段将微处理器配置成创建专用的逻辑电路。
应当理解,除非有所阐明,使用第一和第二或者其它类似术语来表示类似的项不是要规定或暗示任何特定的顺序。
成像系统的上述实施例提供成本有效并且可靠的装置,用来监视患者中的肿瘤负荷。更具体地,可利用基于形状或其它的过滤来检测肿瘤和候选肿瘤,并肿瘤负荷的聚集随时间或总数而发展。判定规则可应用来分析肿瘤负荷,使得知识库便于给出诊断和治疗建议。结果,所描述的方法以成本有效和可靠的方式来促进了鉴定和监视患者中的肿瘤负荷。
上面详细地描述了成像系统方法和设备的示例实施例。所说明的成像系统部件不限于这里描述的特定实施例,相反,每个成像系统的部件可以独立于这里所述的其它部件并单独地使用。例如,上述的成像系统部件也可以用于不同成像系统的组合。这里所述的系统和方法的各种实施例的技术效果包括便于鉴定和监视患者中的肿瘤负荷。
虽然已经根据各种特定实施例描述了本发明,但是本领域的技术人员将认识到,可以通过在权利要求的精神和范围内进行修改来实施本发明。
部件列表
10成像系统
12台架
14放射源
16锥面束
18检测器阵列
20检测器元件
22患者
24旋转轴
26控制机构
28放射控制器
30台架电动机控制器
32DAS
34图像再现器
36计算机
38大容量存储器
40控制台
42显示器
44工作台电动机控制器
46工作台
48台架开口
50设备
52计算机可读介质
300兴趣体积区(VOI)
302部分
304器官
306器官
500工作台
502体积
504总肿瘤负荷(TTB)
800工作台
802体积
804TTB
900方法
902访问或接收
904处理
906聚集
908重复
1000方法
1002访问或接收
1008聚集
1010重复
1100数据流图
1102成像系统
1104图像数据
1106处理
1108聚集
1110阈值
1114索引
1116判定规则引擎
1118源
1119数据库
1120传递
1122显示
1124用户输入模块
1200数据流图
1202CT扫描
1204图像数据
1206处理
1208聚集
1210阈值
1212减法
1214索引
1216判定规则引擎
1218源
1219数据库
1220传递
1222显示
1224输入模块。
Claims (10)
1.一种用于鉴定图像体积(300)的所选属性的系统(10),该系统被配置成:
接收(1102)一个兴趣体积区(300)的图像数据集(1104);
至少基于形状和结构的其中一个为所选属性处理(1106)该数据集,以获得多个响应;并且
计算(1108)多个所获得响应的聚集的索引。
2.根据权利要求1的系统,其中所述系统进一步被配置成监视所述索引的变化。
3.根据权利要求1的系统,其中所述系统进一步被配置成过滤(1106)数据集,以确定所选属性的量。
4.根据权利要求3的系统,其中所述系统进一步被配置成执行下列两项操作中的至少一项,即是为结构、形状、Hounsfield号、标准吸收值(SUV)、解剖结构、和直径中至少一个来过滤(1106)数据集,和从数据集推导灌注和流动的至少一个。
5.根据权利要求1的系统,其中所述系统进一步被配置成从用户接收用于所选属性的阈值(1110)。
6.根据权利要求1的系统,其中所述系统进一步被配置成利用感兴趣的体积中的所选属性的整体量来计算(1108)一个索引。
7.根据权利要求1的系统,其中所述系统进一步被配置成利用感兴趣的体积中的所选属性的多个量来计算(1108)所述索引。
8.根据权利要求1的系统,其中所述感兴趣的体积表示患者(22)的一部分(302),所述系统进一步被配置成:
接收患者的元数据(1118);
从所述感兴趣的体积的先前数据集和来自第二感兴趣的体积的数据集的至少一个数据集中接收第二索引;
确定索引和第二索引之间的变化;并且
将至少一个判定规则(1116)应用到所确定的变化,以确定所述感兴趣的体积(300)中的变化。
9.根据权利要求8的系统,其中所述系统进一步被配置成接收患者遗传数据、患者家族历史数据、组织病理数据、患者过敏数据、患者病历、和疾病治疗知识库中的至少一个。
10.根据权利要求8的系统,其中所述系统进一步被配置成利用至少一个所应用的判定规则和患者元数据来生成诊断、治疗、二元响应、和量度响应中至少一个的输出。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11/079694 | 2005-03-14 | ||
US11/079,694 US8229200B2 (en) | 2005-03-14 | 2005-03-14 | Methods and systems for monitoring tumor burden |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1861002A true CN1861002A (zh) | 2006-11-15 |
CN1861002B CN1861002B (zh) | 2011-11-16 |
Family
ID=36973822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2006100679075A Expired - Fee Related CN1861002B (zh) | 2005-03-14 | 2006-03-14 | 监视肿瘤负荷的系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8229200B2 (zh) |
JP (1) | JP5081390B2 (zh) |
CN (1) | CN1861002B (zh) |
DE (1) | DE102006012015A1 (zh) |
NL (1) | NL1031359C2 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105378737A (zh) * | 2013-07-15 | 2016-03-02 | 皇家飞利浦有限公司 | 感兴趣组织对治疗处置的基于成像的响应分类 |
CN109381161A (zh) * | 2017-08-11 | 2019-02-26 | 维布络有限公司 | 癌症鉴别方法和装置 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7996240B2 (en) * | 2007-02-20 | 2011-08-09 | Siemens Aktiengesellschaft | Knowledge-based system for supporting radiological assessment and diagnostics |
CN101809463B (zh) * | 2007-09-24 | 2013-05-22 | 皇家飞利浦电子股份有限公司 | 临床前飞行时间pet成像 |
US20090100105A1 (en) * | 2007-10-12 | 2009-04-16 | 3Dr Laboratories, Llc | Methods and Systems for Facilitating Image Post-Processing |
US8542916B2 (en) * | 2008-07-09 | 2013-09-24 | Florida Atlantic University | System and method for analysis of spatio-temporal data |
US20110105889A1 (en) * | 2008-07-17 | 2011-05-05 | Konica Minolta Medical & Graphic, Inc. | Nanoparticle labeling and system using nanoparticle labeling |
JP2010035634A (ja) * | 2008-07-31 | 2010-02-18 | Bio-Visiq Japan Inc | Recist判定結果を算出する方法、装置およびプログラム |
US8786873B2 (en) | 2009-07-20 | 2014-07-22 | General Electric Company | Application server for use with a modular imaging system |
DE102010027878A1 (de) * | 2010-04-16 | 2011-10-20 | Siemens Aktiengesellschaft | Auswerteverfahren für eine Auswertung von medizinischen Bilddaten sowie eine medizinische Auswertevorrichtung hierzu |
US8243882B2 (en) | 2010-05-07 | 2012-08-14 | General Electric Company | System and method for indicating association between autonomous detector and imaging subsystem |
US9002081B2 (en) * | 2011-10-18 | 2015-04-07 | Matthew Sherman Brown | Computer-aided bone scan assessment with automated lesion detection and quantitative assessment of bone disease burden changes |
US20150065868A1 (en) * | 2012-04-02 | 2015-03-05 | The Research Foundation for the State University New York | System, method, and computer accessible medium for volumetric texture analysis for computer aided detection and diagnosis of polyps |
EP2720192B1 (en) | 2012-10-12 | 2015-04-08 | General Electric Company | Method, system and computer readable medium for liver diagnosis |
US10978184B2 (en) * | 2013-11-04 | 2021-04-13 | Terarecon, Inc. | Evolving contextual clinical data engine for medical information |
EP3186738A1 (en) | 2014-08-29 | 2017-07-05 | Koninklijke Philips N.V. | Handling undetermined quantifiable lesions |
EP3770807B1 (en) * | 2015-05-04 | 2023-11-01 | Smith, Andrew Dennis | Computer-assisted tumor response assessment and evaluation of the vascular tumor burden |
GB201705876D0 (en) * | 2017-04-11 | 2017-05-24 | Kheiron Medical Tech Ltd | Recist |
GB201705911D0 (en) | 2017-04-12 | 2017-05-24 | Kheiron Medical Tech Ltd | Abstracts |
JP6656207B2 (ja) * | 2017-05-31 | 2020-03-04 | キヤノン株式会社 | 情報処理装置、その制御方法、及びプログラム |
EP3460751A1 (en) * | 2017-09-22 | 2019-03-27 | Koninklijke Philips N.V. | Automated tumor partitioning |
JP7270917B2 (ja) * | 2018-03-20 | 2023-05-11 | Pdrファーマ株式会社 | コンピュータプログラム、及び画像処理装置 |
US11011257B2 (en) * | 2018-11-21 | 2021-05-18 | Enlitic, Inc. | Multi-label heat map display system |
US11030742B2 (en) * | 2019-03-29 | 2021-06-08 | GE Precision Healthcare LLC | Systems and methods to facilitate review of liver tumor cases |
CN111575377B (zh) * | 2020-05-19 | 2024-02-23 | 邹畅 | 用于line-1的检测引物组及其应用 |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5255187A (en) * | 1990-04-03 | 1993-10-19 | Sorensen Mark C | Computer aided medical diagnostic method and apparatus |
US6434262B2 (en) * | 1993-09-29 | 2002-08-13 | Shih-Ping Wang | Computer-aided diagnosis system and method |
US6266435B1 (en) * | 1993-09-29 | 2001-07-24 | Shih-Ping Wang | Computer-aided diagnosis method and system |
US5571083A (en) * | 1994-02-18 | 1996-11-05 | Lemelson; Jerome H. | Method and system for cell transplantation |
US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
US5917929A (en) * | 1996-07-23 | 1999-06-29 | R2 Technology, Inc. | User interface for computer aided diagnosis system |
AU7702798A (en) * | 1997-05-30 | 1998-12-30 | Alliance Pharmaceutical Corporation | Methods and apparatus for monitoring and quantifying the movement of fluid |
US6058322A (en) * | 1997-07-25 | 2000-05-02 | Arch Development Corporation | Methods for improving the accuracy in differential diagnosis on radiologic examinations |
JP2000126182A (ja) * | 1998-10-27 | 2000-05-09 | Mitani Sangyo Co Ltd | 腫瘍診断方法 |
US7181058B2 (en) * | 1999-12-13 | 2007-02-20 | Gsi Group, Inc. | Method and system for inspecting electronic components mounted on printed circuit boards |
US6944330B2 (en) * | 2000-09-07 | 2005-09-13 | Siemens Corporate Research, Inc. | Interactive computer-aided diagnosis method and system for assisting diagnosis of lung nodules in digital volumetric medical images |
JP4730758B2 (ja) | 2001-06-27 | 2011-07-20 | 株式会社日立メディコ | 医用画像診断支援装置及びその作動方法 |
US7130457B2 (en) * | 2001-07-17 | 2006-10-31 | Accuimage Diagnostics Corp. | Systems and graphical user interface for analyzing body images |
US20030036083A1 (en) * | 2001-07-19 | 2003-02-20 | Jose Tamez-Pena | System and method for quantifying tissue structures and their change over time |
US6891964B2 (en) * | 2001-11-23 | 2005-05-10 | University Of Chicago | Computerized method for determination of the likelihood of malignancy for pulmonary nodules on low-dose CT |
JP4091318B2 (ja) | 2002-03-04 | 2008-05-28 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | X線ct装置 |
JP2004152043A (ja) | 2002-10-31 | 2004-05-27 | Fuji Photo Film Co Ltd | 差分画像の補正方法および画像処理装置 |
US6597762B1 (en) * | 2002-11-27 | 2003-07-22 | Ge Medical Systems Global Technology Co., Llc | Method and apparatus of lesion detection and validation based on multiple reviews of a CT image |
DE602004003521T2 (de) * | 2003-06-26 | 2007-10-04 | Fujifilm Corporation | Verfahren, Vorrichtung und Programm zur Bildverarbeitung und zur Detektion von abnormalen Schatten |
JP4571378B2 (ja) * | 2003-06-26 | 2010-10-27 | 富士フイルム株式会社 | 画像処理方法および装置並びにプログラム |
US7412280B2 (en) * | 2003-07-01 | 2008-08-12 | Ge Medical Systems Global Technology Company, Llc | Systems and methods for analyzing an abnormality of an object |
JP4401121B2 (ja) | 2003-07-17 | 2010-01-20 | 株式会社日立メディコ | 異常陰影検出装置 |
WO2005008585A1 (en) * | 2003-07-22 | 2005-01-27 | Humanitas Mirasole S.P.A. | Method and apparatus for analyzing biological tissue images |
US7397938B2 (en) * | 2003-08-13 | 2008-07-08 | Siemens Medical Solutions Usa, Inc. | Method and system for fast normalized cross-correlation between an image and a Gaussian for detecting spherical structures |
US20050244042A1 (en) * | 2004-04-29 | 2005-11-03 | General Electric Company | Filtering and visualization of a multidimensional volumetric dataset |
US7486812B2 (en) * | 2003-11-25 | 2009-02-03 | Icad, Inc. | Shape estimates and temporal registration of lesions and nodules |
GB2414295B (en) * | 2004-05-20 | 2009-05-20 | Medicsight Plc | Nodule detection |
US8059900B2 (en) * | 2004-10-08 | 2011-11-15 | General Electric Company | Method and apparatus to facilitate visualization and detection of anatomical shapes using post-processing of 3D shape filtering |
-
2005
- 2005-03-14 US US11/079,694 patent/US8229200B2/en active Active
-
2006
- 2006-03-09 JP JP2006063559A patent/JP5081390B2/ja active Active
- 2006-03-13 NL NL1031359A patent/NL1031359C2/nl not_active IP Right Cessation
- 2006-03-14 DE DE102006012015A patent/DE102006012015A1/de not_active Withdrawn
- 2006-03-14 CN CN2006100679075A patent/CN1861002B/zh not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105378737A (zh) * | 2013-07-15 | 2016-03-02 | 皇家飞利浦有限公司 | 感兴趣组织对治疗处置的基于成像的响应分类 |
CN105378737B (zh) * | 2013-07-15 | 2019-10-18 | 皇家飞利浦有限公司 | 感兴趣组织对治疗处置响应分类的装置及治疗响应分类器 |
CN109381161A (zh) * | 2017-08-11 | 2019-02-26 | 维布络有限公司 | 癌症鉴别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
NL1031359C2 (nl) | 2008-04-07 |
US20060242146A1 (en) | 2006-10-26 |
DE102006012015A1 (de) | 2006-09-28 |
US8229200B2 (en) | 2012-07-24 |
NL1031359A1 (nl) | 2006-09-18 |
JP5081390B2 (ja) | 2012-11-28 |
CN1861002B (zh) | 2011-11-16 |
JP2006255412A (ja) | 2006-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1861002A (zh) | 监视肿瘤负荷的方法和系统 | |
Zhao | Understanding sources of variation to improve the reproducibility of radiomics | |
NL2010613C2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model field of the disclosure. | |
US10339648B2 (en) | Quantitative predictors of tumor severity | |
JP4949264B2 (ja) | 医療画像データ内の腫瘍境界を自動的に検出及び区分するシステム及び方法 | |
US8335359B2 (en) | Systems, apparatus and processes for automated medical image segmentation | |
CN1509686B (zh) | 定量组织脂肪含量的方法和装置 | |
US8498492B2 (en) | Methods of analyzing a selected region of interest in medical image data | |
CN1670769A (zh) | 计算机辅助定位目标的方法和系统 | |
EP1662415A1 (en) | Digital medical image analysis | |
US20110124976A1 (en) | Model enhanced imaging | |
CN1518719A (zh) | 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和系统 | |
JP2004105728A (ja) | コンピュータを利用した医療用画像の収集 | |
Mattonen et al. | Imaging texture analysis for automated prediction of lung cancer recurrence after stereotactic radiotherapy | |
US10275946B2 (en) | Visualization of imaging uncertainty | |
US20120070052A1 (en) | Methods for segmenting images and detecting specific structures | |
CN103140875A (zh) | 利用实况反馈对内部组织进行多模态分割的系统和方法 | |
CN116784821A (zh) | 基于复杂网络脑胶质肿瘤患者脑功能重塑预测方法及系统 | |
CN1615801A (zh) | 计算机辅助图像获取和诊断系统 | |
KR102332472B1 (ko) | 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법 | |
Kulberg et al. | Automatic segmentation and determining radiodensity of the liver in a large-scale CT database | |
Joseph et al. | A Computer-Aided Diagnosis-Based Analysis for a Model-Based Approach for Lung Segmentation | |
Schreuder et al. | Detection of Metastases in Human Lungs from CT-Scans |
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: 20111116 Termination date: 20150314 |
|
EXPY | Termination of patent right or utility model |