CN1861002B - 监视肿瘤负荷的系统 - Google Patents

监视肿瘤负荷的系统 Download PDF

Info

Publication number
CN1861002B
CN1861002B CN2006100679075A CN200610067907A CN1861002B CN 1861002 B CN1861002 B CN 1861002B CN 2006100679075 A CN2006100679075 A CN 2006100679075A CN 200610067907 A CN200610067907 A CN 200610067907A CN 1861002 B CN1861002 B CN 1861002B
Authority
CN
China
Prior art keywords
volume
data
parts
patient
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.)
Expired - Fee Related
Application number
CN2006100679075A
Other languages
English (en)
Other versions
CN1861002A (zh
Inventor
K·L·皮亚塞克
S·A·西罗黑
M·D·费兰特
G·B·阿维纳什
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN1861002A publication Critical patent/CN1861002A/zh
Application granted granted Critical
Publication of CN1861002B publication Critical patent/CN1861002B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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

监视肿瘤负荷的系统
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，并且为检测息内而导航结肠。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DAS 32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DAS 32、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，VOI 300包括一个或多个人体部分，比如第一器官304和第二器官306。VOI 300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 
32  DAS 
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 
804   TTB 
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 
1202  CT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)，该系统包括：
从至少一个成像模态接收(1102)一个感兴趣体积区(300)的图像数据集(1104)的部件；
在所述数据集上执行实时的基于形状的过滤的部件；
通过所述实时的基于形状的过滤为所选属性处理(1106)该数据集，以便获得多个响应的部件；以及
计算(1108)多个所获得的响应的聚集的体积索引的部件，所计算的体积索引代表所述多个所获得的响应的体积。
2.根据权利要求1所述的系统，还包括使用随时间和/或统计分析变化的数据集监视所述体积索引的变化的部件。
3.根据权利要求1所述的系统，还包括过滤数据集，以确定所选属性的量的部件。
4.根据权利要求3所述的系统，还包括为图像结构、形状、Hounsfield号、标准吸收值、解剖结构、和直径中的至少一个来过滤数据集以及从数据集推导灌注和流动的至少一个的部件。
5.根据权利要求1所述的系统，还包括从用户接收用于所选属性的阈值(1110)，以确定球形区域的部件。
6.根据权利要求1所述的系统，还包括利用感兴趣体积区中的所选属性的整体量来计算(1108)所述体积索引的部件。
7.根据权利要求1所述的系统，还包括利用感兴趣体积区中的所选属性的多个量来计算(1108)所述体积索引的部件。
8.根据权利要求1所述的系统，其中所述感兴趣体积区表示患者(22)的一部分(302)，所述系统还包括：
接收患者的元数据(1118)的部件；
从所述感兴趣体积区的先前数据集和来自第二感兴趣体积区的数据集的至少一个数据集中接收第二体积索引的部件；
确定所述计算的体积索引和所述第二体积索引之间的变化的部件；并且
将至少一个判定规则(1116)应用到所确定的变化，以确定所述感兴趣体积区(300)中的变化的部件。
9.根据权利要求8所述的系统，还包括接收患者遗传数据、患者家族历史数据、组织病理数据、患者过敏数据、和疾病治疗知识库中的至少一个的部件。
10.根据权利要求8所述的系统，还包括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的部件。
CN2006100679075A 2005-03-14 2006-03-14 监视肿瘤负荷的系统 Expired - Fee Related CN1861002B (zh)

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 CN1861002A (zh) 2006-11-15
CN1861002B true 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)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
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
EP2195686B1 (en) * 2007-09-24 2017-04-26 Koninklijke Philips N.V. Preclinical time of flight pet imaging
US20090100105A1 (en) * 2007-10-12 2009-04-16 3Dr Laboratories, Llc Methods and Systems for Facilitating Image Post-Processing
WO2010016992A2 (en) * 2008-07-09 2010-02-11 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
WO2013151749A1 (en) * 2012-04-02 2013-10-10 The Research Foundation Of State University Of 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
EP3022670B1 (en) * 2013-07-15 2020-08-12 Koninklijke Philips N.V. Imaging based response classification of a tissue of interest to a therapy treatment
US10978184B2 (en) * 2013-11-04 2021-04-13 Terarecon, Inc. Evolving contextual clinical data engine for medical information
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
EP3292511B1 (en) * 2015-05-04 2020-08-19 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
US20190049448A1 (en) * 2017-08-11 2019-02-14 Wipro Limited Method and device for identifying cancer
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
US10943681B2 (en) * 2018-11-21 2021-03-09 Enlitic, Inc. Global multi-label generating 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)

* Cited by examiner, † Cited by third party
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
US6266435B1 (en) * 1993-09-29 2001-07-24 Shih-Ping Wang Computer-aided diagnosis method and system
US6434262B2 (en) * 1993-09-29 2002-08-13 Shih-Ping Wang Computer-aided diagnosis system and method
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
CN100431494C (zh) * 2003-07-22 2008-11-12 仁爱米拉索莱有限公司 用于分析生物组织图像的方法和装置
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

Also Published As

Publication number Publication date
NL1031359C2 (nl) 2008-04-07
US20060242146A1 (en) 2006-10-26
US8229200B2 (en) 2012-07-24
CN1861002A (zh) 2006-11-15
DE102006012015A1 (de) 2006-09-28
NL1031359A1 (nl) 2006-09-18
JP5081390B2 (ja) 2012-11-28
JP2006255412A (ja) 2006-09-28

Similar Documents

Publication Publication Date Title
CN1861002B (zh) 监视肿瘤负荷的系统
NL2010613C2 (en) Systems, apparatus and processes for automated medical image segmentation using a statistical model field of the disclosure.
US20220319008A1 (en) Automated tumor identification and segmentation with medical images
US9424644B2 (en) Methods and systems for evaluating bone lesions
NL1024869C2 (nl) Werkwijze en systeem voor het meten van voor ziekte relevante weefselveranderingen.
US8335359B2 (en) Systems, apparatus and processes for automated medical image segmentation
US7606405B2 (en) Dynamic tumor diagnostic and treatment system
El-Baz et al. Appearance analysis for diagnosing malignant lung nodules
US9014456B2 (en) Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules
US20080021301A1 (en) Methods and Apparatus for Volume Computer Assisted Reading Management and Review
CN107077731B (zh) 成像不确定性的可视化
CN105144241A (zh) 图像质量指数和/或基于其的成像参数推荐
EP2401719B1 (fr) Méthodes de segmentation d'images et de détection de structures particulières
EP2987114B1 (en) Method and system for determining a phenotype of a neoplasm in a human or animal body
CN104871207A (zh) 定量成像
CN102462504A (zh) 用于分析和可视化能谱ct数据的系统和方法
EP4141790A1 (en) Method, device and system for automated segmentation of prostate in medical images for tumor detection
US10896503B2 (en) Identification of areas of interest in imaging applications
WO2006119340A2 (en) Dynamic tumor diagnostic and treatment system
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
AlZu’bi et al. Reconstructing big data acquired from radioisotope distribution in medical scanner detectors

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