CN1910618A - 心脏功能的随机分析 - Google Patents

Abstract

诊断成像设备(10)为执行对象的诊断图像的基于随机模型的分割。生成多个分片图像的(22)堆叠，其每个堆叠按时间移位。根据以多个形状样本(26)的这种形式的分片图像的堆叠计算出器官形状的多个解。按照一个描述给出图像的形状的条件分布的贝叶斯模型生成(24)样本，并为每个样本导出至少一个功能性参数(32)。对于每个参数导出并显示(36，38)概率值(30)。

Description

心脏功能的随机分析

本发明涉及诊断成像技术。本发明在根据一系列磁共振心脏图像来估计心脏功能方面找到特别的应用。然而，本发明在根据来自其它成像装置的一系列心脏图像来估计心脏功能和在根据诊断图像来临床估计其它器官的相关参数方面也找到应用。

通过重建心脏的形状来估计心脏功能在技术上是常见的。在当前使用的方法中间，首先生成代表心脏在时间上的分片图像的数据库。数据库可被描述为心脏的时间分片序列，或在时间间隔上的分片的堆叠，它们覆盖心跳的至少一个整周期。然后试图从分片的堆叠来描绘在每个心跳阶段的心脏轮廓。完成这个任务的当前的方法是人工的方法或是使用可视化软件的半人工的方法。例如，临床医生在分片的堆叠中的每个分片上标记出在每个时间间隔内心房的边界点。在每个时间间隔，至少在相应于感兴趣的心跳阶段的时间间隔内确定心房的形状(体积)。从估计的形状，计算诸如在结束扩张时和在结束收缩时左心室体积、脉搏体积、和喷出比值(ejection fraction)的功能性参数。在典型的200个分片的样本的情况下，人工描绘心房是费时的和易于出错的。

当前在研究领域中尝试作出自动完成上述的程序过程的方法。一个自动化过程是使得心脏的数学模型拟合图像分片。这个模型是基于有关心肌的形状的某些现有的知识，以及可能是来自不同病人的典型形状变化的统计说明。自动分割(segmentation)技术总体上包含把由两个项目组成的能量函数最佳化：第一项描述模型对于数据的拟合。而第二项补偿相对于某些参考结构的太强的变形。这个过程的结果是相对于被使用来代表心肌形状的数学模型和用于优化能量的数学形式的一个最佳分割。

然而，实际上。MRI扫描是有噪声的，包含伪像，以及仅仅得到几个分片，在分片之间可能有间隙。结果，图像信息不允许清晰地描绘心房。由于这些及类似的问题，分割问题的特征在于固有的不确定性。这方面在临床实践中是熟知的，其中共同接受的是在人工技术中被标记的边界点是随不同的临床医生而变化的。在临床处置中处理这种不确定性的一个通常的方法是比较由不同的临床医生得到的不同的解和检验这些结果之间的差异。重要的是，形状重建时的不确定性引起要计算的功能性参数的不确定性。然而，自动化技术忽略了多个解的可能性，以及产生被假设是相对于所使用的模型和技术的最佳的单个解而不管数据的质量如何。所以，临床医生对这些结果缺乏他能够具有的置信度的信息。本发明设想克服上述的限制等等的改进的方法和设备。

按照一个方面，提供了根据对象的样本对于对象的诊断图像进行基于随机模型的分割的方法。样本是按照一个描述给出图像的器官形状的条件概率分布的贝叶斯随机模型而生成的，以及对于各个样本中的每个样本导出功能性参数。对于导出的参数估计其不确定性的值。

按照另一个方面，提供了诊断成像设备。该设备包括一个用于生成诊断图像的装置和一个被编程来执行上述方法的处理器。

按照再一个方面，提供了用于生成对象的诊断图像的基于随机模型的分割的设备。该设备包括诊断成像扫描器，它被配置成执行对象的感兴趣的体积区域的扫描。提供了一个处理系统来处理来自诊断成像扫描器的感兴趣的体积区域的扫描数据，以及一个所提供的重建模块接收扫描数据和生成存储在处理系统中感兴趣区域的分片图像的堆叠。形状模块按照由贝叶斯模型描述的概率分布来计算表示对分片图像进行分割的多个解的形状样本，以及功能模块为各个样本中每一个导出功能性参数和为每个导出的参数估计概率值。显示模块在提供的显示装置上显示功能性参数和各个概率值。

按照本发明的又一个方面，一个诊断成像设备对于对象的诊断图像执行基于随机模型的分割。计算装置按照由贝叶斯模型描述的概率分布计算多个形状样本。功能装置对各个样本中每个样本导出至少一个功能性参数和为每个导出的参数估计概率值。

一个优点在于，在心房的分割和跟踪方面改进了的鲁棒性。

另一个优点在于，向临床医生提供有关由自动处理生成的功能参数准确性的精确信息。

再一个优点在于，改进了的心脏功能并具有改进了的可信度水平的诊断装置。

本领域技术人员在阅读优选实施例的以下的详细说明将明白许多附加优点和好处。

本发明可以取各种部件和部件的安排以及各种处理操作和处理操作的安排的形式。附图仅仅用于说明本发明，而不打算限制本发明。

图1示意地显示按照本发明的概念的、采用自动估计心脏功能参数的磁共振成像系统。

参照图1，诸如磁共振扫描器的诊断成像扫描器10包括外壳12，它规定了总体上的圆柱扫描器孔14，孔里面放置相关的成像对象16。诊断成像扫描器的细节未示出，因为磁共振、CT、SPECT、PET和其它适用的扫描器在技术上是熟知的。只要说诊断成像扫描器10执行心脏扫描和把扫描数据传送到位于处理系统20中的重建模块18就够了。

这里给出的处理系统20不是固有地涉及到任何特定的计算机或其它设备。具体地，可以使用各种不同的通用机器并结合按照这里提出的程序模块，或构建更专门的设备来执行需要的方法步骤将被证明是更方便的。而且，处理系统20可以是处理器的单个系统或互联的分布系统。然而，本领域一般技术人员将会认识，存在着为创建执行这里列出的功能的模块的各种各样的平台和语言。

重建模块18在心脏周期的时间段内生成一系列体积图像。每个时间上偏移的体积图像包括分片图像22的堆叠。由于在心脏组织与心肌的周围之间的对比度可能较差、图像噪声、离散的像素尺寸等等，心房的边界存在模糊度。

在优选实施例中，形状模块或装置24计算心脏形状的多个解，而不是现有技术方法的单个最佳化的解。按照蒙特卡罗采样技术，贝叶斯概率分布可以由有限个数的样本表示，例如500个。多个样本被存储在心肌形状样本存储器26中。这些多个解例如可以以动画形状的形式，有可能是叠加在图像分片上显示给临床医生，这样，这组解的定性表示被提供给临床医生。然后功能模决28访问形状样本26，并从多个形状26，例如喷出比值、在结束扩张时左心室体积、在结束收缩时左心室体积、脉搏体积、心壁厚度等等，计算心脏功能性参数和统计参数30。

在图上，示例的功能性参数是喷出比值32。本发明根据在形状存储器26中的多个形状计算多个喷出比值和从这多个喷出比值计算统计参数，而不是如技术上已知的去计算单个喷出比值。在图上，例如，计算具有对于每个计算的喷出比值32的相对频率或概率的直方图。然后功能性参数和统计参数30经由显示模块在显示装置38给出，用于由临床医生或诊断成像系统10的其它用户进行分析。

显示可以是作为直方图的图形的形式，作为中值和标准偏差的数字形式等等。这样，向临床医生给出了解以及解的置信度的度量。在直方图的情形下，临床医生可以容易地确定该最可能的解是否具有高的确定性，或另一方面，它是否被各种各样的相当高概率的解所围绕，从而指示该解的较低的确定性。与当前的技术不同，不确定性是不容易被忽视的，因为相关的统计信息与解是同时提供的。

替换地，动画模块39以上述的动画形状的形式显示可能被叠加在图像上的多个解，这样，向临床医生给出了该组解的定性表示。动画序列可以按照预定的准则被排序，例如从低的概率到高的概率排序，从最远离参考形状到最接近参考形状低等等。动画也可以叠加到最可能的形状上。

形状模块24在计算中使用形状样本26的一个方法牵涉到马尔可夫链算法的使用，如在W.R.Gilks，S.Richardson和D.J.Spiegelhalter，“Markov Chain Monte Carlo in Practice(实践中的马尔科夫链蒙特卡罗)”，Chapman and Hall，1966中描述的。为了处理问题的时间分量，使用如在M.Isard和A.Blake，“Condensation condition density propagation fog visual tracking(可视跟踪的浓缩条件密度传播)”，International Journal ofComputer Vision，1998中描述的顺序方法。

一般的方法是构建描述为分割问题的解的空间的贝叶斯概率分布和生成这个概率分布的样本。如果我们用y表示图像和用z表示器官的形状，则在给定图像后，形状的条件分布π(z/y)可被表示为：

$\mathrm{\π}\left(z\right|y)=\frac{\mathrm{\π}\left(y\right|z)\mathrm{\π}\left(z\right)}{\mathrm{\π}\left(y\right)},$

其中π(z/y)是形状z的或然率，以及π(z)是现有的模型。现有的模型描述有关形状的现有的知识；它是有关被使用来描述形状(例如，代表器官形状的网格的节点的坐标，或根据表面谐波的表面分解的系数)的参数的概率分布。或然率模型描述对于固定的形状的图像的结构(例如灰度值的统计分布)。它可被解译为形状对图像拟合的良好程度的度量。先有的模型和被选择来用于计算分割的或然率模型形成了贝叶斯模型。

从形状z推导出的参数的统计值可表示为在函数f(z)的概率分布π(z/y)下的统计期望值：

              E_π(z|y)(f)＝∫f(z)π(z|y)dz

例如，如果ρ(z)表示对于z的喷出比值，则它超过数值ρ₀的概率可被表示为：

$P(\mathrm{\ρ}\left(z\right)\≥{\mathrm{\ρ}}_0)=E_{\mathrm{\π}\left(z\right|y)}\left(1_{\mathrm{\ρ}\left(z\right)\≥{\mathrm{\ρ}}_0}\right)=\∫1_{\mathrm{\ρ}\left(z\right)\≥{\mathrm{\ρ}}_0}\mathrm{\π}\left(z\right|y)\mathrm{dz}$

其中II表示在积分I上的指示量函数。蒙特卡罗积分允许通过生成分布π(z/y)的样本(z₁，...，z_n)和使用以下近似式直接计算这个积分：

$E_{\mathrm{\π}\left(z\right|y)}\left(f\right)\≈\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}f\left(z_j\right)$

因此，计算功能性参数的统计值需要生成贝叶斯概率分布π(z/y)的有限的数目的样本。这例如可以通过生成具有贝叶斯概率分布作为静态分布的马尔可夫链而完成，对于细节可参阅“Markov Chain MonteCarlo in Practice(实践中的马尔科夫链蒙特卡罗)”。样本跨越可能的解的范围。如果分片的时间序列是要分割的，则分割包含形状的时间序列。这样的样本以后可以通过使用顺序马尔可夫技术而被生成。例如，对于第一时间数据组，生成代表体积的有限数目的形状。对于下一个时间步骤，使用运动模型来预测下一组形状。例如，简单的运动模型假设心肌形状在每个时间步骤缩小一个恒定的因数。取决于新的时间步骤的被采样的形状的或然率值的每个样本的权值然后被计算并在蒙特卡罗积分中使用。顺序马尔可夫技术在本技术上是熟知的，并在例如财经数学、跟踪等等的其它应用中被使用。该方法，也称为粒子滤波，对于及时跟踪在运动中的目标是有用的。

虽然本发明具体地是参照心脏、心肌形状和体积的磁共振成像描述的，但应当看到，本发明同样可很好地应用到其它成像技术和可建模的任何形状。而且，虽然图上显示的统计信息是直方图，但计算的统计信息可以是任何有用的参数，诸如，例如标准偏差、置信度间隔等等。

本发明是参照优选实施例描述的。本发明也是参照几个替换实施例描述的。对于其它人员在阅读和理解前面的详细说明后将出现修改和变更。打算把本发明看作为包括所有的这样的修改和变更，因为它们属于所附权利要求或它们的等价物的范围。

Claims (24)

1.一种根据对象的多个样本对对象的诊断图像进行基于随机模型的分割的方法，该方法包括：

按照一个描述给出图像的形状的条件分布的贝叶斯模型来生成这些样本；

对于各个样本中的每个样本导出至少一个功能性参数作为采样的结果；

对于每个导出的参数估计不确定性值。

2.如在权利要求1中阐述的方法，还包括：

使用动态模型和随机模型中至少一个模型按时传播样本。

3.如在权利要求1中阐述的方法，其中估计不确定性值包括：

确定概率对功能性参数的直方图。

4.如在权利要求1中阐述的方法，其中估计不确定性值包括：

确定功能性参数低于或高于给定阈值的概率。

5.如在权利要求1中阐述的方法，其中估计不确定性值包括：

确定置信度间隔。

6.如在权利要求1中阐述的方法，其中至少一个功能性参数是从以下的至少一个参数中选择的：

心脏功能性参数，包括：

在结束扩张时左心室体积；

在结束收缩时左心室体积；

脉搏体积；

喷出比值；

心壁厚度；以及

局部缺血或梗塞区域的范围；

心脏运动参数，包括：

心肌张力；以及

区域心壁运动；以及

脑特性，包括：

皮层厚度；

脑室体积；

组织体积；以及

肿瘤的体积演变。

7.如在权利要求1中阐述的方法，其中诊断图像是从以下的至少一个图像选择的：

X射线图像；

CT图像；

MR图像；

超声图像；

SPECT图像；以及

PET图像。

8.如在权利要求1中阐述的方法，其中诊断图像包括：

感兴趣的区域的多组分片图像，每组分片图像是按时移动的以给出感兴趣的区域的时间演变。

9.如在权利要求8中阐述的方法，其中每个分片描绘在器官与周围的结构之间的交界面，该交界面的位置在一个不确定性范围内是可确定的，以及样本的生成包括：

对于每组分片，确定器官的多个形状。

10.如在权利要求9中阐述的方法，还包括：

根据在不同组的交界面位置改变的预测来调整所确定的形状。

11.一种诊断成像设备，该设备包括：

用于生成诊断图像的装置(10，18)；和

被编程来执行按照权利要求1的方法的处理器(20)。

12.一种用于生成对象的诊断图像的基于随机模型分割的设备，设备包括：

诊断成像扫描器(10)，被配置成执行对象(16)的感兴趣的体积区域的扫描；

处理系统(20)，被配置成处理来自诊断成像扫描器(10)的感兴趣的体积区域的扫描数据；

重建模块(18)，被配置成接收扫描数据和生成被存储在处理系统(20)的感兴趣的区域的分片图像的堆叠；

形状模块(24)，被配置成按照一个描述给出图像的形状的条件分布的贝叶斯模型来计算多个形状样本(26)，这些形状样本(26)表示分片图像(22)的分割的多个解，以及

功能性模块(28)，被配置成用于：

导出对于各个样本(26)中的每个样本的至少一个功能性参数(32)作为采样的结果；和

估计对于每个导出的参数的概率值(30)；以及

显示模块(36)，被配置成在显示装置(38)上显示至少一个功能性参数(32)和相应的概率值(30)。

13.如在权利要求12中阐述的设备，还包括：

动画模块(39)，被配置成按照预定的序列准则和预定的叠加准则在显示装置(38)上显示多个解。

14.执行对象的诊断图像的基于随机模型的分割的诊断成像设备，该设备包括：

用于按照一个描述给出图像的形状的条件分布的贝叶斯模型来计算多个形状样本(26)的装置(24)，以及

功能装置(28)，用于导出对于各个样本(26)中的每个样本的至少一个功能性参数(32)，和为每个导出的参数估计概率值(30)。

15.如在权利要求14中阐述的设备，其中计算装置(24)还被配置成使用动态模型和随机模型中至少一个模型按时传播样本(26)。

16.如在权利要求14中阐述的设备，其中功能装置(28)还被配置成去确定概率(30)对功能性参数(32)的直方图。

17.如在权利要求14中阐述的设备，其中功能装置(28)还被配置成去确定功能性参数低于或高于给定的阈值的概率。

18.如在权利要求14中阐述的设备，其中功能装置(28)还被配置成去确定置信度间隔。

19.如在权利要求14中阐述的设备，其中至少一个功能性参数是从以下的至少一个参数中选择的：

心脏功能性参数，包括：

在结束扩张时左心室体积；

在结束收缩时左心室体积；

脉搏体积；

喷出比值；

心壁厚度；以及

局部缺血或梗塞区域的范围；

心脏运动参数，包括：

心肌张力；以及

区域心壁运动；以及

脑特性，包括：

皮层厚度；

脑室体积；

组织体积；以及

肿瘤的体积演变。

20.如在权利要求14中阐述的设备，还包括：

用于对对象(16)的感兴趣的体积区域进行扫描的装置(10)；

用于处理从扫描装置(10)接收的感兴趣的体积区域的扫描数据的装置(20)；

用于接收扫描数据和生成感兴趣区域的分片图像(22)的多个堆叠的装置(18)，每个堆叠被按时移位，计算装置(24)计算分片图像(22)的多个解以形成该多个形状样本(26)；

用于显示至少一个功能性参数(32)和相应的估计的概率值(30)的装置(36，38)。

21.如在权利要求14中阐述的设备，还包括：

用于按照预定的序列准则和预定的叠加准则对该多个解进行动画制作和显示的装置(39，38)。

22.如在权利要求20中阐述的设备，其中扫描装置(10)包括以下的至少一个装置：

X射线扫描装置；

CT扫描装置；

MR扫描装置；

超声扫描装置；

PET扫描装置；以及

SPECT扫描装置。

23.如在权利要求22中阐述的设备，其中每个分片描绘在器官与周围的结构之间的交界面，该交界面的位置在一个不确定范围内是可确定的，以及样本的生成包括：

对于每组分片，确定器官的多个形状。

24.如在权利要求23中阐述的设备，其中计算装置(24)还被配置成根据在不同的组的交界面位置的改变的预测来调整所确定的形状。

Images