DE102006062465A1

DE102006062465A1 - Computer unterstütztes Detektionssystem unter Verwendung einer zeitlichen Analyse als Vorläufer einer räumlichen Analyse

Info

Publication number: DE102006062465A1
Application number: DE102006062465A
Authority: DE
Inventors: David T. Waukesha Gering; Sandeep Narendra Gupta; Gopal B. New Berlin Avinash
Original assignee: General Electric Co
Current assignee: General Electric Co
Priority date: 2005-12-29
Filing date: 2006-12-28
Publication date: 2007-07-05
Also published as: JP2007181679A; JP5252804B2; US20070165920A1; US7620227B2

Abstract

Ein Computer unterstütztes Detektionssystem (10) zur Beurteilung von Gewebe auf der Basis einer Folge von zeitlich aufeinanderfolgenden Bildern, die sowohl vor als auch nach der Applizierung eines Kontrastmittels akquiriert wurden, führt eine zeitliche Analyse (24) des Gewebes und sodann eine räumliche Analyse (26) durch, bei der das Gewebe in Kategorien eingeteilt wird. Nach der Ausführung der zeitlichen (24) und der räumlichen (26) Analyse können die Ergebnisse dargeboten werden (34). Die dargebotenen Ergebnisse können sowohl Gewebecharakterisierungseigenschaften, darunter liegende Kurven zur Bestimmung der Charakterisierung als auch Konfidenzdaten enthalten, die sich darauf beziehen, wie gut die Charakterisierung wahrscheinlich ist. Die Konfidenzdaten können beispielsweise durch Verwendung von Änderungen in Farbschemata, Darstellungen numerischer Konfidenzniveaus oder in der Weise geliefert werden, dass graphische Merkmale, wie etwa stückweise lineare Modelle dargeboten werden.

Description

Technisches Gebiet
Die vorliegende Erfindung betrifft allgemein die Computer unterstütze Detektion (CAD) bei der medizinischen Bildgebung und insbesondere bezieht sie sich auf ein verbessertes Verfahren zur Computer unterstützen Detektion von Läsionen und Tumoren bei dem dynamische Eigenschaften in medizinischen Bildern mit verstärktem Kontrast analysiert werden.

Hintergrund der Erfindung

Medizinische Bildgebungstechnologien, wie Computertomograhpie (CT), Positronenemissionstomographie (PET), Einzelphotonenemissionscomputertomographie (SPECT) und Magnetresonanzbildgebung (MRI) detektieren und erfassen Gewebeantworten in Gegenwart von applizierten Signalen und/oder injizierten oder eingenommenen Substanzen und erzeugen eine visuelle Darbietung, die für diese Antworten kennzeichnend ist. Diese Daten können analysiert werden, um verschiedene Arten von Gewebe voneinander zu unterscheiden und zu überwachen und sie können dazu benutzt werden, Malignitäten in dem Gewebe zu diagnostizieren.

Bei typischen medizinischen Bildgebungstechniken wird ein Gewebevolumen in einem anatomisch interessierenden Be reich gescannt. Die akquirierten Scanndaten können dann in eine Reihe ebener Bilder oder Bild"schichten" (Slices) transformiert oder rekonstruiert werden. Jedes gegebene Schichtbild beinhaltet ein Array von Volumenelementen oder Voxel, wobei jedes Voxel einer Bildgebungssignalintensität in einem inkrementalen Volumen entspricht, das entsprechend der x-, y-, z-Achse definiert werden kann. Zu einem bestimmten Zeitpunkt hängt die Intensität eines einem bestimmten Voxel zugeordneten Bildgebungssignals von der Art von Geweben innerhalb eines dem Voxel entsprechenden anatomischen Gebiets ab.

Bei einigen Bildgebungsanwendungen wird dem Patienten ein Kontrastmittel appliziert, um die Bildgebungseigenschaften eines ausgewählten Gewebetyps selektiv zu verbessern. Bei diesen Anwendungen kann die Intensität des Bildgebungssignals dazu beitragen, gesundes von krankem Gewebe zu unterschieden. Außerdem ist auch die Gewebeantwort bezüglich der der Kontrastmittelapplikation folgenden Zeit zur Beurteilung des Gewebes brauchbar. So können z.B. zeitlich veränderliche oder dynamische gewebeabhängige Kontrastmittelaufnahmeeigenschaften dazu benutzt werden, bestimmte Gewebetypen zu identifizieren und bösartiges von gutartigem Gewebe zu unterscheiden.

Gadolinium, DPTA und andere Kontrastmittel werden im Zusammenhang mit MRI-Verfahren häufig verwendet, um die Unterscheidung zwischen verschiedenen Arten von Weichgeweben zu verbessern und insbesondere bösartige von gutartigen Brusttumoren oder -läsionen abzugrenzen. Normales oder gesundes Gewebe zeigt typischerweise in der Abwesenheit eines Kontrastmittels eine Hintergrundsignalintensität, während abnormales oder tumoröses Gewebe im Vergleich zu dieser Hintergrundintensität entweder eine verringerte, eine vergrößerte oder ei ne im Wesentlichen gleiche Signalintensität hat. Demgemäß kann vor der Kontrastmittelapplikation abnormales Gewebe sich von normalem Gewebe unterscheiden oder nicht.

Wenn ein Kontrastmittel appliziert wird, zeigt eine Läsion im Allgemeinen ein spezielles von verschiedenen Arten zeitabhängiger Kontrastmittelaufnahmeverhalten. Innerhalb der einer zeitlichen Reihe von Scanns entsprechenden Bildgebungsdaten, tritt jede Art von Kontrastmittelaufnahmeverhalten als eine entsprechende Art Intensitätsprofil oder -kurve des dynamischen Bildgebungssignals auf. Jede Art einer dynamischen Intensitätskurve gibt wahrscheinlichkeitsmäßig an, ob die Läsion gutartig oder bösartig ist.

Die vor oder nach der Applikation des Kontrastmittels akquirierten Bildgebungsdaten können deshalb einem Computer zur Computer unterstützen Detektion (CAD) von Krebs oder anderen Malignitäten zugeführt werden. Das CAD-System empfängt die akquirierten Bilder und berechnet einen Satz Messwerte oder Merkmale in dem interessierenden Gebiet. Basierend auf den berechneten Daten teilt das CAD-System in dem interessierenden Bereich Gewebe in Klassen ein und liefert eine Darbietung für einen Benutzer, typischerweise einen Radiologen. Die Darbietung enthält typischerweise sowohl einen Indikator eines potentiell malignen Gebietes und außerdem einen numerischen Parameter oder eine numerische Einteilung, wie etwa eine prozentuale Erhöhung der Helligkeit des Gewebes in dem ausgewählten Gebiet.

In der Praxis werden die meisten CAD-System-Darbietungen von den Benutzern ohne Weiteres interpretiert. D.h. eine dargebotene Detektion wird entweder als bösartig akzeptiert oder sie wird einfach als eine falsche, positive Markierung verworfen, die von irgendeinem beobachtbaren Artefakt in dem Bild herrührt. Die Benutzer können aber den Wunsch haben, mehr Informationen über das markierte Gebiet zu erhalten. Da CAD-Systeme typischerweise Darbietungsentscheidungen auf berechnete numerische Auswertungsergebnisse einer Anzahl von Messungen stützen, gibt es kein geläufiges Verfahren, das einem Radiologen eine Rückmeldung darüber gibt, warum ein spezieller Bildbereich markiert oder nicht markiert worden ist.

Es besteht deshalb ein Bedürfnis danach, Datenbenutzern die Faktoren anzuzeigen, die die Entscheidung eines CAD-Systems beeinflusst haben, ein bestimmtes Gebiet als Detektion zu markieren oder nicht zu markieren.

Kurze Zusammenfassung der Erfindung

Unter einem Aspekt schafft die vorliegende Erfindung ein Verfahren zur Computer unterstützen Detektion einer Malignität in einer vierdimensionalen Serie medizinischer Bilder, das die Schritte beinhaltet: Zugreifen auf eine Serie dreidimensionaler medizinischer Bilder eines interessierenden Gebietes während einer Zeitspanne, wobei wenigstens ein Satz in der Serie vor der Applikation eines Kontrastmittels aufgenommen wurde und mehrere Sätze nach der Applikation eines Kontrastmittels aufgenommen wurden, zur Erzeugung eines vierdimensionalen Bildes, basierend auf einer Zeitanalyse, Charakterisieren jedes Voxels in dem vierdimensionalen Bild als eines einer Anzahl Gewebetypen und, basierend auf der zeitlichen Charakterisierung, räumliches Segmentieren jedes Voxels in dem vierdimensionalen Bild in Gewebetypen.

Unter einem anderen Aspekt schafft die Erfindung ein Verfahren zur Computer unterstützen Detektion einer Malignität in einer vierdimensionalen Serie medizinischer Bilder, das die Schritte beinhaltet: Zugreifen auf eine Serie dreidimensionaler medizinischer Bilder eines interessierenden Gebietes während einer Zeitspanne, wobei wenigstens ein Satz der Serie vor der Applikation eines Kontrastmittels und mehrere Sätze nach der Applikation eines Kontrastmittels aufgenommen wurden, zur Erzeugung einer vierdimensionalen Serie von Bildern, Auswählen eines ersten Skalierungsraums zur Verarbeitung der Bilder und Ausführen für jedes Bild in der Serie, einer zeitlichen Analyse der Voxel in dem Bild, um interessierende Voxel zu identifizieren, Ausführen einer räumlichen Analyse der Voxel in dem Bild, um interessierende Voxel zu identifizieren und das Bild in Gewebetypen zu segmentieren und Auswählen eines neues Skalierungsraums (scale space) und Wiederholen über einem Bereich von Skalierungsräumen.

Unter einem weiteren Aspekt der Erfindung wird ein Verfahren zur Schaffung einer Darbietung einer Computer unterstützen Detektion einer Malignität in einer vierdimensionalen Serie medizinischer Bilder geschaffen, das die Schritte beinhaltet: Zugreifen auf eine Serie dreidimensionaler medizinischer Bilder eines interessierenden Gebietes während einer Zeitspanne, wobei wenigstens ein Satz in der Serie vor der Applikation eines Kontrastmittels und mehrere Sätze nach der Applikation eines Kontrastmittels aufgenommen wurden, um eine vierdimensionale Bilderserie zu erzeugen, Ausführen einer zeitlichen Analyse der Voxel in dem Bild, um interessierende Voxel zu identifizieren und bei jedem Voxel ein Intensitätsdiagramm über der Zeit zu erzeugen, Ausführen einer räumlichen Analyse der Voxel in dem Bild, um interessierende Voxel zu identifizieren und das Bild in Gewebetypen zu segmentieren und Zuordnen eines visuellen Datenindikators zu jedem Voxel als Indikator der Wahrscheinlichkeit, dass ein vorgegebenes Voxel Gewebe einer vorgegebenen Type ist und Darbieten des Intensitätsdiagramms über der Zeit und des visuellen Indikators bei jedem Voxel.

Unter einem anderen Aspekt der Erfindung kann eine vorläufige zeitliche Analyse an einer vierdimensionalen Serie medizinischer Bilder vorgenommen und auf zwei Arten benutzt werden: Eine um Voxel auszuwählen, für die eine detaillierte räumliche und zeitliche Analyse durchgeführt werden muss, wodurch die Analyse wesentlich beschleunigt wird; und eine andere indem die Darbietung der Resultate der räumlichen und zeitlichen Voxelanalyse auf diejenigen beschränkt wird, die bestimmten Kriterien entsprechen, wodurch die Interpretierbarkeit der Resultate verbessert wird.

Diese und andere Aspekte der Erfindung werden in der nachfolgenden Beschreibung verdeutlicht. In der Beschreibung wird auf die beigefügte Zeichnung Bezug genommen, die einen Teil der Beschreibung bildet und in der eine bevorzugte Ausführungsform der Erfindung dargestellt ist. Diese Ausführungsform gibt aber nicht notwendigerweise den Gesamtumfang der Erfindung wieder, und deshalb wird zum Verständnis des Schutzbereichs der Erfindung auf die Patentansprüche Bezug genommen.

Kurze Beschreibung der verschiedenen Darstellungen der Zeichnung:
1 ist ein Blockschaltbild eines Magnetresonanzbildgebungssystems zum Akquirieren von Bildern, das für die vorliegende Erfindung zweckmäßig sein kann;
2 ist ein Blockdiagramm einer Zeitserie dreidimensionaler medizinischer Bilder;
3A ist ein Diagramm zur Veranschaulichung einer Intensitätskurve über der Zeit, die für gesundes Brustgewebe charakteristisch ist;
3B ist eine Veranschaulichung einer Intensitätskurve über der Zeit, die für ein Cardialgewebe kennzeichnend ist;
3C ist eine Veranschaulichung einer Intensitätskurve über der Zeit, die für ein Tumorgewebe charakteristisch ist;
4 ist ein Blockschaltbild eines Computer unterstützten Detektionssystems gemäß der vorliegenden Erfindung;
5 ist ein Flussdiagramm zur Veranschaulichung eines Computer unterstützten Detektionsalgorithmus für eine erste Ausführungsform der vorliegenden Erfindung;
6 ist ein Flussdiagramm zur Veranschaulichung eines Computer unterstützten Detektionsalgorithmus für eine alternative Ausführungsform der vorliegenden Erfindung;
7 ist ein Originalbild, das die Wahl eines interessierenden Gebiets veranschaulicht; und
8 ist eine Darbietung, die segmentierte Voxel und zugehörige Intensitätskurven über der Zeit veranschaulicht.
Beschreibung der bevorzugten Ausführungsform
Bezugnehmend auf 1 sind dort die hauptsächlichen Komponenten eines Magnetresonanzbildgebungssystems (MRI) dargestellt, das zur Akquisition von Bildern für die vorliegende Erfindung zweckmäßig ist. Der Betrieb des Systems wird von einer Bedienerkonsole 100 aus gesteuert, die ein Tastatur- und Steuerpanel 102 und ein Display 104 aufweist. Die Konsole 100 kommuniziert über einen Link 116 mit einem getrennten Computersystem 107, das es einem Bediener gestattet, die Erzeugung und die Darbietung von Bildern auf dem Bildschirm 104 zu steuern. Das Computersystem 107 beinhaltet eine Anzahl Module, die miteinander über ein Backplane (Verdrahtungsfeld) kommunizieren. Dazu gehören ein Bildprozessormodul 106, ein CPU-Modul 108 und ein Speichermodul 113, das als Bildzwischenspeicher (Framebuffer) zum Speichern von Bilddatenarrays an sich bekannt ist. Das Computersystem 107 ist mit einem Diskspeicher 111 und einem Bandlaufwerk 112 zum Speichern von Bilddaten und Programmen verlinkt und kommuniziert mit einer getrennten Systemsteuerung 122 über ein serielles Hochgeschwindigkeitslink 115.
Die Systemsteuerung 122 beinhaltet einen Satz Module, die über ein Backplane (Verdrahtungsfeld) miteinander verbunden sind. Dazu gehören ein CPU-Modul 119 und ein Pulsgeneratormodul 121, die über ein serielles Link 125 an die Bedienerkonsole 100 angeschlossen sind. Über dieses Link 125 empfängt die Systemsteuerung 122 Befehle von dem Bediener, die die auszuführende Scannsequenz angeben. Das Pulsgeneratormodul 121 steuert die Systemkomponenten so, dass diese die jeweils gewünschte Scannsequenz ausführen. Es erzeugt Daten, die das Timing, die Stärke und die Gestalt der zu erzeugenden HF-Impulse und das Timing und die Länge des Datenakquisitionsfensters angeben. Das Pulsgeneratormodul 121 steht mit einem Satz Gradientenverstärker 127 in Verbindung, um das Timing und die Gestalt der während des Scanns zu erzeugenden Gradientenimpulse anzugeben. Das Pulsgeneratormodul 121 empfängt außerdem Patientendaten von einer physiologischen Akquisitionssteuereinrichtung 129, die Signale von einer Anzahl verschiedener Sensoren empfängt, die an dem Patienten angeschlossen sind, etwa EKG-Signale von Elektroden oder Atmungssignale von einem Balg. Schließlich ist das Pulsgeneratormodul 121 mit einer Scannraumschnittstellenschaltung 123 verbunden, die Signale von verschiedenen Sensoren empfängt, welche dem Zustand des Patienten und des Magnetsystems zugeordnet sind. Über die Scannraumschnittstellenschaltung 133 empfängt außerdem ein Patientenpositioniersystem 134 Befehle, den Patienten in die jeweils gewünschte Position für den Scann zu überführen.
Die von dem Pulsgeneratormodul 121 erzeugten Impulsformen (Waveforms) werden einem Gradientenverstärkersystem 127 zugeführt, das einen Gx, Gy und Gz-Verstärker beinhaltet. Jeder Gradientenverstärker regt eine jeweils entsprechende Gradientenspule in einer allgemein mit 139 bezeichneten Anordnung an, um die Magnetfeldgradienten zu erzeugen, die für die Positionskodierung akquirierter Signale verwendet werden. Die Gradientenspulenanordnung 139 bildet einen Teil einer Magnetanordnung 141, zu der ein Polarisierungsmagnet 140 und eine Ganzkörper HF-Spule 152 gehören. Ein Transceivermodul 150 in der Systemsteuerung 122 erzeugt Impulse, die von einem HF-Verstärker 151 verstärkt und über einen Sende/Empfangsschalter 154 in die HF-Spule 152 eingekoppelt werden. Die von den angeregten Kernen in dem Patienten abgestrahlten sich ergebenden Signale können von der gleichen HF-Spule 152 erfasst und über den Sende/Empfangsschalter 154 in einen Vorverstärker 153 eingekoppelt werden. Die verstärkten NMR-Signale werden in der Empfängerstufe des Transceivers 150 demoduliert, gefiltert und digitalisiert. Der Sende/Empfangsschalter 154 wird durch ein Signal von dem Pulsgeneratormodul 121 angesteuert, um den HF-Verstärker 151 während des Sendemodus mit der Spule 152 und während des Empfangsmodus mit dem Vorverstärker 153 zu verbinden. Der Sende/Empfangsschalter 154 gestattet auch die Verwendung einer eigenen HF-Spule (z.B. einer Kopfspule oder einer Oberflächenspule) entweder während des Sende- oder des Empfangsmodus.
Die von der HF-Spule 152 erfassten NMR-Signale werden in dem Transceivermodul 150 digitalisiert und einem Speichermodul 160 in der Systemsteuerung 122 zugeleitet. Wenn das Scannen abgeschlossen und ein vollständiges Datenarray in dem Speichermodul 160 akquiriert ist, führt ein Arrayprozessor eine Fouriertransformation der Daten in ein Bilddatenarray durch. Diese Bilddaten werden über das serielle Link 115 zu dem Computersystem 107 übermittelt, wo sie in dem Diskspeicher 111 gespeichert werden. Abhängig von den von der Bedienerkonsole 100 erhaltenen Befehlen können die Bilddaten in dem Bandlaufwerk 112 archiviert oder von dem Bildprozessor 106 weiter verarbeitet und zu der Bedienerkonsole 105 übermittelt und auf dem Display 104 dargeboten werden.
Wenngleich hier ein NMR-System veranschaulicht und beschrieben wird, so liegt doch auf der Hand, dass die Bilder für die vorliegende Erfindung auch unter Verwendung von Computertomographie (CT), Positronenemissionstomographie (PET), Einzelphotonenemissionscomputertomographie (SPECT), Ultraschall- oder anderen Bildgebungstechniken akquiriert werden können.
Bezugnehmend nun auf 2 wird bei der vorliegenden Erfindung ein vierdimensionaler Bilddatensatz unter Verwendung eines medizinischen Bildgebungssystems einer der vorstehend beschriebenen Arten akquiriert. Der Datensatz besteht aus einer Reihe von 3D-Volumina, die über die Zeit, hier in Zeitintervallen, die jeweils zwischen Zeitpunkten T₁ und T_n liegen, gesammelt wurden. Während der Akquisition werden Bilder sowohl vor als auch nach der Applikation eines Kontrastmittels akquiriert, um eine Analyse der Reaktion des Gewebes auf das Kontrastmittel in einem interessierenden Gebiet (ROI = Region of Interest) zu ermöglichen. Zunächst werden deshalb zu einem Zeitpunkt T₁ ein oder mehrere Scanns vor der Kontrastmittelapplikation ausgeführt, um ein Basisbild zu Vergleichszwecken zu akquirieren. Zu irgendeinem Zwischenzeitpunkt zwischen den Zeitpunkten T₁ und T_n wird ein Kontrastmittel appliziert. Eine Reihe 3D-Volumina werden in Zeitintervallen zwischen T₁ und T_n derart akquiriert, dass die Reaktion des Gewebes in einem ausgewählten interessierenden Gebiet während der Absorption des Kontrastmittels in das Gewebe beurteilt werden kann.
Bei der unter Bezugnahme auf 2 beschriebenen Akquisition von Bildern erhöht oder verringert der Kontrastmittelpegel in dem einer Läsion zugeordneten Gefäßsystem die Inten sität des Bildgebungssignals bald nach der Applikation des Kontrastmittels. Abhängig von dem Bildgebungsprotokoll und von Eigenschaften der Läsion, kann eine Gewebe abhängige Kontrastmittelkinetik sodann eine charakteristische Bildsignalintensität entstehen lassen.
Bezugnehmend nun auf die 3A–3C kann wegen diesen zeitabhängigen Veränderungen der Reaktion auf ein Kontrastmittel Gewebe auf der Grundlage eines Vergleichs des Intensität/Zeitprofils mit bekannten Gewebeeigenschaften charakterisiert werden. Als Beispiel einer Brust-MRI ist die jeweilige Aufnahmekurve dreier verschiedener Gewebeproben dargestellt, wodurch die Reaktionen von Gewebetypen jeweils anhand von Intensitäts/Zeitkurven für eine Zeitspanne zwischen dem Zeitpunkt T₁ und dem Zeitpunkt T₂ veranschaulicht werden. Bei der ersten Probe nach 3A ist die Intensitätsveränderung, abhängig von der Zeit, verhältnismäßig konstant, was ein verhältnismäßig flaches Profil ergibt. Dieses Profil ist typischerweise für gesundes Gewebe repräsentativ. Bezugnehmend nun auf 3B ändert sich hier die Bildintensität bei dem Voxel, abhängig von der Zeit, wellenförmig, eine Antwort, die bekanntlich für sich bewegendes kardiales Gewebe charakteristisch ist. Bezugnehmend sodann auf 3C ändert sich die Bildintensität einer dritten Gewebeprobe so, dass vor der Kontrastmittelapplikation die Intensität auf einem verhältnismäßig niederen ersten Niveau steht und sie dann auf einem verhältnismäßig hohen Spitzenwert ansteigt und anschließend auf einem Plateau verweilt. Diese Reaktion ist charakteristisch für Tumorgewebe. Das Intensitäts/Zeitprofil kann deshalb dazu verwendet werden, Gewebe durch eine Analyse unter Verwendung einer Computer unterstützen Detektion oder eines Computer unterstützten Diagnosesystems zu charakterisieren.
Bezugnehmend nun auf 4 ist dort ein Blockdiagramm eines Computer unterstützen Detektionssystems 10 dargestellt, das gemäß der vorliegenden Erfindung aufgebaut ist. Das Computer unterstützte Detektionssystem beinhaltet eine Verarbeitungseinheit 12, ein Display 19, eine Benutzereingabevorrichtung 16 und eine Speicherkomponente 14 oder ein anderes maschinenlesbares Medium. Die Speicherkomponente 14 kann sowohl zur Speicherung von Bildern, wie im Nachfolgenden beschrieben, als auch eines Computercodes verwendet werden, der Software oder Algorithmen zur Verarbeitung der Bilder zur Erzielung der Computer unterstützen Detektionsfunktionen beinhaltet, benutzt werden, wie dies ebenfalls im Nachfolgenden noch erläutert werden wird. Das Computer unterstützte Detektionssystem 10 kann auch eine Kommunikationsvorrichtung 18 zum Übermitteln und Empfangen von Kommunikationen an bzw. von externen Vorrichtungen aufweisen. Die Kommunikationsvorrichtung kann irgendeine Art bekannter Vorrichtungen sein, zu denen Netzwerkeinrichtungen, Modems, universelle serielle Busvorrichtungen oder andere Arten Ports gehören. Wenngleich spezielle Hardwarevorrichtungen für das Computer unterstützte Detektionssystem vorgesehen sein können, werden bei der vorliegenden Erfindung vorzugsweise handelsübliche PCs verwendet.
Bezugnehmend nun auf 5 ist dort ein Algorithmus veranschaulicht, der für eine erste Ausführungsform eines Computer unterstützen Detektionssystems gemäß der vorliegenden Erfindung zweckmäßig ist. Nachdem die Daten gemäß 2 akquiriert wurden, können sie zu der Speicherkomponente 14 des Computer unterstützten Detektionssystems 10 gesendet oder sonst wie übermittelt werden oder sie können an einem ent fernten Ort gespeichert werden, auf den das Computer unterstützte Detektionssystem 10 zugreifen kann. Nachdem die vierdimensionale Serie Bilddaten in einem Schritt 22 dem Computersystem 10 übermittelt wurde, wird ein interessierendes Gebiet auf den ursprünglich akquirierten Bildern ausgewählt. Das spezielle interessierende Gebiet (ROI) kann entweder räumlich oder zeitlich ausgewählt werden. Zur räumlichen Auswahl des ROI kann ein Benutzer die Benutzereingabevorrichtung 16 verwenden, die beispielsweise eine Tastatur, eine Maus, einen Joystick oder eine andere Vorrichtung aufweisen kann, um Begrenzungen des Originalbildes entweder durch Aufzeichnen der Grenzlinie oder durch Wahl der Begrenzung und der Verwendung numerischer Koordinaten auszuwählen. Diese Wahl kann auch automatisiert sein, um beispielsweise einen Körper von einem Hintergrund zu separieren. Zur zeitlichen Auswahl des ROI kann der Benutzer numerische interessierende Schwellwertgrenzen spezifizieren, und die akquirierten Daten können dann gemäß diesen Grenzwerten gefiltert werden. Die begrenzte Menge kann ein Parameter sein, dessen Rechenzeit wesentlich kürzer ist, als die bei einem Schritt 24 ausgeführte volle zeitliche Analyse, wie dies im Einzelnen noch erläutert werden wird.
Weiterhin noch bezugnehmend auf 5 wird nach der Wahl des interessierenden Gebietes bei einem Schritt 24 eine zeitliche Analyse des zeitabhängigen Intensitätsprofils jedes Voxels durchgeführt, um das Gewebe bei dem Voxel zu charakterisieren. Die Charakterisierung beinhaltet die Extraktion einer Beschreibung der Kurve indem zumindest ein passender Parameter ausgeführt, nach dem Vorhandensein oder der Abwesenheit verschiedener Merkmale gesucht oder eine Kurvennäherung vorgenommen wird. Bei der Kurvennäherung zum Beispiel kann die Intensitäts/Zeitkurve für jedes Voxel mit einem oder mehreren in dem Speicher 14 der Computer unterstützen Detektionsvorrichtung 10 gespeicherten charakteristischen Profilen verglichen werden. Der Vergleich kann das Annähern eines stückweise linearen Modells unter Verwendung des Verfahrens der kleinsten Quadrate oder das Annähern einer oder mehrerer Parameterfunktionen beinhalten oder es kann auf eine andere an sich bekannte Weise geschehen. Zusätzlich kann die Analyse die Klasseneinteilung der Voxel bezüglich wenigstens eines Gewebetyps beinhalten. Ein Wahrscheinlichkeitsfaktor der die Wahrscheinlichkeit angibt, dass das Voxel eine spezielle Gewebetype ist, kann bestimmt und dem Voxel zugeordnet werden, basierend darauf, wie genau das Profil dem Profil eines bekannten Gewebetyps folgt. Außerdem kann jedem Voxel ein Konfidenzfaktor zugeordnet werden.
Wieder bezugnehmend auf 5 wird, nachdem die zeitliche Analyse bei dem Schritt 24 durchgeführt wurde, eine räumliche Analyse des Gewebes in dem interessierenden Bereich bei einem Schritt 26 durchgeführt. Zunächst wird bei einem Schritt 27 das Bild in vordefinierte Gewebetypen segmentiert. Die Segmentierung kann unter Verwendung einer bayesschen Wahrscheinlichkeitsberechnung zur Auswahl der Maximum a posterior Hypothese (MAP) für jedes Voxel ausgeführt werden. Die bayessche Analyse kombiniert zwei Komponenten: Die Likelihood, dass die beobachten Daten bei gegebener Hypothese des Gewebetyps erzeugt wurden und die Wahrscheinlichkeit, dass die Hypothese in Anbetracht der Vorgabe von dem was vor (prior der Beobachtung der Daten bekannt war wahr ist. Wenn die früheren Wahrscheinlichkeiten aller Hypothesen gleich sind, ist das Verfahren äquivalent der Wahl der Maximum-Likelihood-Hypothese (ML). Bei Ausführungsformen, die die bayessche Ana lyse verwenden, wird die Berechnung von wenigstens einer der vorherigen Wahrscheinlichkeiten und der Likelihood-Wahrscheinlichkeiten durch die Ergebnisse der zeitlichen Analyse beeinflusst.
Räumliche Attribute können auch in eine bayessche Analyse eingebracht werden, indem Wahrscheinlichkeitsverteilungen an räumliche Merkmale angenähert werden. Diese Anpassung kann dadurch bewirkt werden, dass nach den Parametern der Wahrscheinlichkeitsverteilungen basierend auf von Trainingsdaten gemachten Messwerten aufgelöst wird. Bei fehlenden Trainingsdaten können diese Verteilungen auch aus den Bilddaten unter Verwendung von Parzenfenstern geschätzt werden. Wenn nicht nur die Parameter, sondern auch die Formen der Wahrscheinlichkeitsverteilungen nicht a priori bekannt sind, können die nicht parametrischen Verfahren von nächst benachbarten Klassifizierern und Fuzzyklassifizierern angewandt werden. Die räumlichen Attribute, die unter Verwendung dieser Verfahren analysiert werden, können lokale und globale Merkmale beinhalten. Ein lokales Attribut ist z.B. die Information, die den Voxeln in der Nachbarschaft eines gegebenen Voxels zugeordnet ist. Markov-Zufallsfelder liefern eine probabilistische Vorgangsweise zum Modellieren dieser Nachbarschaftskohärenz. Zu anderen lokalen Attributen gehören z.B. Bildgradienten und -krümmung. Weitere räumliche Attribute haben einen mehr globalen Umfang, etwa das bei der MRI wegen einer Oberflächenspuleninhomogenität vorhandene Vormagnetisierungsfeld. Erwartungsmaximierung ist eine probabilistische Methode zur gleichzeitigen Segmentierung des Bildes und Abschätzung des Vormagnetisierungsfeldes. Zu anderen räumlichen Attributen gehören insoweit vorgenommene Messungen an der Segmentierung, wie etwa die Krümmung, Größe, Dicke von Strukturen und der Abstand von Strukturgrenzen. Lokal in dem Bild berechnete probabilistische Information kann zur Verwendung durch die Analyse in entfernte Bereiche des Bildes ausgebreitet werden, wozu probabilistische Verfahren, wie die bayesschen Belief-Propagation-Methoden und andere graphische Modelle verwendet werden können. Außerdem kann eine frühere Information in bayessche Netzwerke dadurch eingebaut werden, dass ein Anatomieatlas mit den Bilddaten zur Deckung gebracht wird, der im Wesentlichen eine Voxel-für-Voxel-Map räumlich sich ändernder früher Wahrscheinlichkeiten ist. Es können auch Gestaltsmodelle an die Bilddaten und/oder die Segmentierung angepasst werden, um eine Kontextinformation zu liefern.
Während der Segmentierung wird jedes der Voxel als ein Gewebetyp kategorisiert und ihm kann beispielsweise eine dieser Art von Gewebe zugeordnete Farbe zugeteilt werden. Beim Schritt 29 wird eine parametrische Analyse oder Berechnung vorgenommen. Hier wird für jedes Voxel eine Wahrscheinlichkeit bestimmt und die zugeordnete Farbe kann, abhängig von der Wahrscheinlichkeit, dass das Gewebe tatsächlich jenes eines ausgewählten Typs ist, verändert sein. Die Farbe kann beispielsweise abhängig von der prozentualen Likelihood verändert sein, dass die Segmentierungsklassifizierung korrekt ist. Als anderes Beispiel kann die zugeordnete Farbe basierend auf dem wahrscheinlichsten Gewebetyp variiert werden.
Schließlich können nach Abschluss der Segmentierung 27 und der parametrischen Rechnung 29 die zwischen den Zeitpunkten T₁ und T_n akquirierten Bilder miteinander zur Deckung gebracht oder aufeinander ausgerichtet werden, um einer Bewegung während der Akquisition Rechnung zu tragen und die Position jedes Bildes zu verifizieren, wie dies bei einem Schritt 31 angedeutet ist. Dieser Vorgang kann unter Verwendung irgendeiner Zahl bekannter Bilddeckungsverfahren durchgeführt werden. Während es hier anschließend an die Schritte 27, 29 dargestellt ist, kann das Ausrichten (Registern) bei verschiedenen Stufen des Verfahrensablaufs ausgeführt werden.
Bezugnehmend nun auf 6 verarbeitet bei einer zweiten Ausführungsform das Computer unterstützte Detektionssystem 10 die Daten durch eine Folge von Iterationen in dem Skalierungsraum, z.B. wird die Zahl der in einem gegebenen Bild beurteilten Voxel zwischen einem minimalen Rohniveau (so niedrig wie 1×1) und einem maximalen Feinniveau (wie etwa 256×256) verändert. In dem skalierten Raum können Iterationen mit vorbestimmten Schritten ausgeführt werden. Hier werden ein Anfangsskalierungsraum und ein Iterationsniveau vor der Verarbeitung ausgewählt. Nachdem diese Parameter gewählt sind, wird entweder räumlich oder zeitlich ein spezielles interessierendes Gebiet (ROI) ausgewählt; wie dies im Vorstehenden unter Bezugnahme auf Schritt 22 beschrieben worden ist und sodann wird das Bild in dem ausgewählten interessierenden Gebiet beurteilt.
Nach der Wahl eines interessierenden Gebietes werden die zeitliche Analyse 24 und die räumliche Analyse 26 wie oben beschrieben für den ausgewählten Skalierungsraum durchgeführt. Sodann wird in einem Schritt 32 eine Bestimmung getroffen, ob die Analyse bei allen vorbestimmten Skalierungsraumschritten ausgeführt worden ist. Wenn das Bild bei allen vorbestimmten Skalierungsraumschritten analysiert worden ist, wird das Verfahren angehalten und die Bilder können in einem Schritt 34 visualisiert werden. Wenn jedoch eine zusätzliche Skalierungsraumanalyse bei einem Schritt 36 erforderlich ist, wird der Skalierungsraum auf ein feineres Einheitsniveau eingestellt (d.h. die Zahl von Voxeln in dem Bild wird erhöht, so dass jedes Voxel ein kleineres Volumen wiedergibt). Nach der Einstellung des Skalierungsraums basierend auf den Ergebnissen des vorherigen Skalierungsraumniveaus, kann ein neues interessierendes Gebiet ausgewählt werden oder das Verfahren kann zu einer zeitlichen Analyse bei dem Schritt 24 fortschreiten. Bei Ausführungsformen, bei denen das interessierende Gebiet zwischen Skalierungen verändert wird, werden die Ergebnisse des jeweils vorhergehenden Skalierungsraumniveaus zur Fokussierung der anschließenden Berechnungen auf die relevantesten Teile des Bildes angewandt. Durch Verändern des Skalierungsraums bei fortschreitender Analyse wird die Verarbeitungsgeschwindigkeit erhöht, was es gestattet, die Diagnose in einer deutlich verkürzten Zeitspanne abzuschließen. Wie oben beschrieben, werden bei einem Schritt des Verfahrens die Bilder unter Verwendung bekannter Algorithmen vorzugsweise miteinander zur Deckung gebracht. Der Registrierschritt profitiert von einem genauen Segmentierungsschritt und der Segmentierungsschritt profitiert von einem genauen Registrierschritt. Aus diesem Grunde ist eine Iteration hilfreich, sie ist aber auch zeitaufwendig, woher der Beweggrund zur Veränderung der Skalierung während der Iteration rührt. Das zur-Deckung-Bringen ist hier anschließend an den Schritt 26 dargestellt, es kann aber bei verschiedenen Stufen des Verfahrensablaufes ausgeführt werden.
Bezugnehmend nun auf die 7, 8 können die Resultate bei Benutzung irgendeines der vorstehend beschriebenen Algorithmen visualisiert werden. Bezugnehmend zunächst auf 7 ist dort ein dargebotenes Bild einer gemäß dem oben beschriebenen Verfahren analysierten Brust veranschaulicht, wobei ein ausgewähltes interessierendes Gebiet durch das Kästchen 230 begrenzt ist. Bezugnehmend nun auch auf 8 kann jedem Voxel in dem interessierenden Gebiet 230 ein visueller Parameter, basierend auf der Segmentierung der vorstehend beschriebenen räumlichen Analyse, zugeteilt sein. Beispielsweise können einem malignösen Gewebe eine erste Farbe und einem gesunden Gewebe eine andere Farbe zugeordnet sein. Wie dargestellt zum Beispiel sind die dunkleren Segmente in der Mitte des Kastens der 8, die bei 232, 234 und 236 wiedergegeben sind, wahrscheinlich ein Tumor, während die hellen umgebenden Kästchen wahrscheinlich gesundes Gewebe sind.
Die parametrische Analyse liefert Variationen, die veranschaulichen, wie nahe das Gewebe entweder bei gesund oder bei bösartig liegt, indem zum Beispiel die Farbe zwischen den möglichen Optionen, basierend auf der Wahrscheinlichkeitsanalyse, jeweils dunkel abgetönt ist. So kann z.B. ein einziges Voxel eine 30%ige Wahrscheinlichkeit, dass es gesundes Brustgewebe ist und eine 50%ige Wahrscheinlichkeit, dass es ein Tumorgewebe ist und eine 20%ige Wahrscheinlichkeit, dass es ein Herzgewebe ist, haben. Diese Parameter können in der parametrischen Färbung wiedergespiegelt sein.
Noch auf 7 bezugnehmend können zur Lieferung einer zusätzlichen Information an das die Analyse durchführende medizinische Personal die Intensitäts/Zeitkurven für jedes der Voxel ebenfalls dargestellt werden. Zusätzlich zu der Kurve kann die Darbietung optional eine Anzeige der Güte der Annäherung an ein Modell aufweisen. Diese Darbietungen beinhalten z.B. stückweise lineare Modelle, Diagramme oder parametrische Funktionen, numerische Parameter angebenden Text, graphische Merkmale, wie Farbtönung und andere Indikatoren. Die Zeit/Intensitätskurven können auch dem ursprünglichen Scann oder einer rein segmentierten Ansicht oder einer parametrischen Ansicht, die eine Färbung, wie etwa eine prozentuale Tönungssteigerung enthält, überlagert sein. Es können auch verschiedene weitere Parameter vorgesehen sein. Der Arzt kann darüber hinaus über die Benutzereingabevorrichtung 16 interaktiv das Niveau und die Arten der auf dem Display 19 zu visualisierenden Daten auswählen.
Die vorliegende Erfindung liefert deshalb einem Heilkundigen anstelle eines einzigen berechneten Detektionsparameters eine Reihe von Information. Zusätzlich dazu, dass sie eine Analyse liefert, welches Gewebe Tumorgewebe und welches gesundes Gewebe ist, stellt die vorliegende Erfindung graphische Darstellungen von Veränderungen zwischen diesen Niveaus zur Verfügung. Außerdem können, um Heilkundigen die Überprüfung der Analyse zu ermöglichen, die Zeit/Intensitätskurve und andere parametrische Daten zur Verfügung gestellt werden, so dass der Heilkundige die Ergebnisse der Computer unterstützen Detektion leichter nachprüfen kann.
Die parametrische Färbung, die eine Gewebeklassifizierung oder die Wahrscheinlichkeit der Zugehörigkeit zu einer gegebenen Gewebeklasse anzeigt, kann beim Rendern von 2D- und 3D-Darstellungen hilfreich sein. Bei 2D-Darbietungen können die Parameter dazu verwendet werden, jedem Voxel Farben zuzuordnen, die anatomische Grauskalabilder überlagern. Bei 3D-Oberflächenrenderings können die Parameter dazu verwendet werden, Farben Oberflächenflecken zuzuordnen, dort wo Oberflächen während des Segmentierungsvorgangs identifizierte anatomische Strukturen umhüllen. Beim 3D-Volumenrendering können die Parameter dazu benutzt werden, Voxeln Farben und/oder Durchsichtigkeitsattribute zuzuordnen, um die für eine Strahlverfolgung erforderliche Information zu liefern.
Darauf hinzuweisen ist, dass die im Vorstehenden beschriebenen Verfahren und Einrichtungen lediglich beispielhaft sind und den Schutzbereich der Erfindung nicht beschränken und dass zahlreiche Abwandlungen vorgenommen werden können, die im Schutzbereich der Erfindung liegen.
Um die Öffentlichkeit über den Schutzbereich der Erfindung zu unterrichten, sind die nachfolgenden Ansprüche formuliert.

10: Computer unterstütztes Detektionssystem
12: Verarbeitungseinheit
14: Speicherkomponente
16: Benutzereingabevorrichtung
18: Kommunikationsvorrichtung
19: Display
22: Wahlschritt des interessierenden Gebiets
24: Schritt der zeitlichen Analyse
26: Schritt der räumlichen Analyse
27: Segmentierungsschritt
29: Schritt der parametrischen Analyse
31: Schritt des zur-Deckung-Bringens
32: Skalierungsraumüberprüfungsschritt
34: Visualisierungsschritt
36: Skalierungsraumanpassungsschritt
100: Konsole
102: Tastatursteuerpanel
104: Display
106: Bildprozessormodul
107: Computersystem
108: CPU-Modul
111: Diskspeicher
112: Bandlaufwerk
113: Speichermodul
115: Serielles Hochgeschwindigkeitslink
116: Link
119: CPU-Modul
121: Pulsgeneratormodul
122: Systemsteuerung
125: Serielles Link
127: Gradientenverstärker
129: physiologische Akquisitionssteuereinrichtung
133: Scannraumschnittstellenschaltung
134: Patientenpositioniersystem
139: Gradientenspulenanordnung
140: Polarisierungsmagnet
141: Magnetanordnung
150: Transceivermodul
151: HF-Verstärker
152: Spule
153: Vorverstärker
154: Sende/Empfangsschalter
160: Speichermodul
161: Arrayprozessor
230: Interessierendes Gebiet

Claims

Verfahren zur Computer unterstützen Detektion einer vierdimensionalen Folge von medizinischen Bildern, wobei das Verfahren die folgenden Schritte beinhaltet: (a) Zugreifen auf eine Folge von dreidimensionalen medizinischen Bildern eines interessierenden Gebietes (230) während einer Zeitspanne, wobei wenigstens ein Satz in der Folge vor der Applikation eines Kontrastmittels und mehrere Sätze nach der Applikation eines Kontrastmittels aufgenommen werden, um ein vierdimensionales Bild zu erzeugen; (b) Ausführen einer zeitlichen Analyse (24) zur Charakterisierung jedes Voxels in dem vierdimensionalen Bild; und (c) Ausführen einer von der zeitlichen Charakterisierung beeinflussten räumlichen Analyse (26) um die Voxel in Gewebetypen zu segmentieren.
Verfahren nach Anspruch 1, das außerdem die Schritte der Identifizierung von interessierenden Voxeln auf der Grundlage der Analyse in dem Schritt (b) und die Verwendung der identifizierten interessierenden Voxel im Schritt (c) zur Ausführung der räumlichen Analyse (26) beinhaltet.
Verfahren nach Anspruch 1, das außerdem den Schritt des zur-Deckung-Bringens der Bilder (31) in der Folge dreidimensionaler Bilder beinhaltet.
Verfahren nach Anspruch 1, bei dem der Schritt (b) die Ausführung einer Kurvenannäherungsanalyse beinhaltet.
Verfahren nach Anspruch 1, bei dem der Schritt (b) den Schritt des Zugriffs auf wenigstens eine für einen bekannten Gewebetyp kennzeichnende gespeicherte Kurve, das Vergleichen der Intensität über die Zeit bei dem Voxel mit der mindestens einen Kurve und das Klassifizieren von Gewebe, basierend auf der Wahrscheinlichkeit, dass das Gewebe bei dem Voxel des von der Kurve wiedergegebenen Typs ist, beinhaltet.
Verfahren nach Anspruch 1, bei dem der Schritt (c) das Bestimmen einer Wahrscheinlichkeit, das jedes Voxel von dem ausgewählten Gewebetyp ist, beinhaltet.
Verfahren nach Anspruch 6, bei dem die Wahrscheinlichkeit auf der Grundlage eines Verfahrens bestimmt wird, das wenigstens eines von einer bayesschen Maximum a posterior-Analyse, einer Maximum-Likelihood-Analyse, einer Expectation-Maximierung, einem Markov-Modell, eines nächsten Nachbarklassifizierers, eines Fuzzyklassifizierers, eines Klassifizieres auf der Basis einer Parzenfensterabschätzung und eines bayesschen Belief-Propagation-Netzwerks beinhaltet.
Verfahren nach Anspruch 7, bei dem der Schritt (c) außerdem das Zuordnen eines visuellen Designators zu jedem Voxel basierend auf wenigstens einem von dem Gewebetyp und einer Wahrscheinlichkeit zur Zugehörigkeit zu einem gegebenen Gewebetyp beinhaltet.
Verfahren nach Anspruch 8, das außerdem den Schritt der Darbietung des visuellen Designators (34) in wenigstens einem von einem 2D-Bild, einem 3D-Oberflächenrendering, einem 3D-Volumenrendering und einem zeitabhängigen Intensitätsdiagramm bei jedem Voxel beinhaltet.
Verfahren nach Anspruch 1, bei dem der Schritt (a) außerdem den Schritt der Auswahl eines ersten Skalierungsraums (scale space) (22) zum Verarbeiten der Bilder und für jedes der Bilder in der Folge beinhaltet und bei dem der Schritt (c) außerdem den Schritt des Auswählens eines neuen Skalierungsraums (36) und des Wiederholens von Schritten (a – b) über einen Bereich von Skalierungsräumen beinhaltet.