DE102008062672A1 - Verfahren und Vorrichtung zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten - Google Patents
Verfahren und Vorrichtung zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten Download PDFInfo
- Publication number
- DE102008062672A1 DE102008062672A1 DE102008062672A DE102008062672A DE102008062672A1 DE 102008062672 A1 DE102008062672 A1 DE 102008062672A1 DE 102008062672 A DE102008062672 A DE 102008062672A DE 102008062672 A DE102008062672 A DE 102008062672A DE 102008062672 A1 DE102008062672 A1 DE 102008062672A1
- Authority
- DE
- Germany
- Prior art keywords
- brain
- image data
- data sets
- regions
- perfusion
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims description 40
- 210000004556 brain Anatomy 0.000 claims abstract description 233
- 230000010412 perfusion Effects 0.000 claims abstract description 56
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims description 10
- 102100026459 POU domain, class 3, transcription factor 2 Human genes 0.000 claims description 5
- 101710133394 POU domain, class 3, transcription factor 2 Proteins 0.000 claims description 5
- 210000004204 blood vessel Anatomy 0.000 claims description 4
- 238000002591 computed tomography Methods 0.000 claims description 3
- 238000012567 pattern recognition method Methods 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims description 2
- 230000003727 cerebral blood flow Effects 0.000 description 19
- 208000006011 Stroke Diseases 0.000 description 9
- 230000002490 cerebral effect Effects 0.000 description 7
- 239000002872 contrast media Substances 0.000 description 6
- 206010061216 Infarction Diseases 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 230000007574 infarction Effects 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 210000001367 artery Anatomy 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000010455 autoregulation Effects 0.000 description 3
- 210000005013 brain tissue Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000004087 circulation Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000001652 frontal lobe Anatomy 0.000 description 3
- 208000028867 ischemia Diseases 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 210000004227 basal ganglia Anatomy 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000004605 Persistent Truncus Arteriosus Diseases 0.000 description 1
- 208000037258 Truncus arteriosus Diseases 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 206010047163 Vasospasm Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004004 carotid artery internal Anatomy 0.000 description 1
- 230000005779 cell damage Effects 0.000 description 1
- 208000037887 cell injury Diseases 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 230000003728 cerebral autoregulation Effects 0.000 description 1
- 230000003788 cerebral perfusion Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000003977 synaptic function Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Zum Vergleich zwischen einer linken und einer rechten Gehirnhälfte eines Patienten auf Basis von medizinischen 2-D- oder 3-D-Perfusions-Bilddatensätzen wird das Gehirn (2) des Patienten in Gehirnregionen (G1-G6) eingeteilt, wobei die Anzahl der Gehirnregionen (G1-G6) einer geraden Zahl n entspricht, eine Anzahl n/2 der Gehirnregionen (G1-G6) in der rechten, eine Anzahl n/2 der Gehirnregionen (G1-G6) in der linken Gehirnhälfte angeordnet ist und jede in der rechten Gehirnhälfte angeordnete Gehirnregion (G2, G4, G6) einer in der linken Gehirnhälfte angeordneten Gehirnregion (G1, G3, G5) eineindeutig zugeordnet ist. Die Perfusions-Bilddatensätze werden segmentiert, wobei Gehirn-Bilddatensätze erzeugt werden, die nur diejenigen Bildelemente der Perfusions-Bilddatensätze umfassen, die das Gehirn (2) des Patienten repräsentieren. In jedem der Gehirn-Bilddatensätze werden n Teilbilddatensätze bestimmt, wobei ein m-ter Teilbilddatensatz nur diejenigen Bildelemente des jeweiligen Gehirn-Bilddatensatzes umfasst, die eine m-te der n Gehirnregionen (G1-G6) repräsentieren, mit m = 1 ... n. Pro m-ter Gehirnregion (G1-G6) werden durch Auswerten aller m-ten Teilbilddatensätze ein oder mehrere Kennwerte nach einer vorgegebenen Auswertemethode ermittelt. Schließlich erfolgt eine Auswertung der Kennwerte einander eineindeutig zugeordneter Gerhirnregionen (G1-G6) nach vorgegebenen Kriterien zum Vergleich der rechten und linken Gehirnhälfte.
Description
- Die vorliegende Erfindung liegt auf dem Gebiet der Medizintechnik und beschreibt ein Verfahren sowie eine Vorrichtung zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten. Ein wichtiges Anwendungsgebiet der Erfindung ist die Schlaganfalldiagnostik und insbesondere die Auswertung und Befundung von Bilddaten, bzw. Zeitreihen von Bilddaten, die mittels einer Perfusions-Computertomographie (Perfusions-CT, PCT) oder einer Perfusions-Magentresonanztomographie (Pefusions-MRT, P-MRT) durch Abtasten des Kopfes eines Patienten gewonnen wurden.
- Die Perfusions-CT hat sich in den letzten Jahren insbesondere durch die Einführung von Mehrschichtspiraltechnik, der Verwendung von niedrigeren Injektionsraten und durch verbesserte Auswertungsprogramme deutlich weiterentwickelt. Die Perfusions-CT erlaubt eine quantitative Bestimmung der Hirndurchblutung, ist rasch durchführbar, kostengünstig und für den Patienten nur wenig belastend und hat sich daher gegenüber der Perfusions-MRT durchgesetzt. Sie wird daher heute in Krankenhäuser routinemäßig eingesetzt. In der Schlaganfallsdiagnostik bietet die Perfusions-CT zwei entscheidende Vorteile:
Hirnareale mit einer Perfusionsstörung (Durchblutungsstörung) können ohne zeitliche Verzögerung direkt nach Beginn der klinischen Symptomatik nachgewiesen werden, und native CT-Bilder erlauben zusammen mit den Parameterbildern der Perfusions-CT eine Unterscheidung zwischen dem bereits irreversibel geschädigten Infarktkern und der potenziell nur reversibel gestörten Infarktpenumbra. - Damit wird eine Schlaganfallstherapie möglich, die über feste therapeutische Zeitfenster hinaus die individuelle Durchblutungssituation des Patienten berücksichtigen kann.
- Um funktionelle Informationen zur Hirndurchblutung (Hirnperfusion) zu gewinnen, gibt man bei der Perfusions-CT einen kurzen intravenösen Kontrastmittelbolus und akquiriert währenddessen eine Zeitreihe von 2D- oder 3D-Bilddaten, typischerweise in festen zeitlichen Abständen.
- Der Auswertung der im Rahmen der Perfusions-CT gewonnenen Zeitreihe von 2D- oder 3D-Bildaten liegt die Indikatorverdünnungstheorie zugrunde. Nach der bolusförmigen Gabe eines intravenösen Kontrastmittels steigt die Röntgendichte der durchbluteten Gehirnareale vorübergehend an. Aus dem Ausmaß und zeitlichen Verlauf des Anstiegs der Röntgendichte kann man Rückschlüsse ziehen auf die zerebrale Durchblutung. Dazu werden mit verschiedenen mathematischen Algorithmen Parameter berechnet, die die Hirnperfusion beschreiben, und die in Form von farbig kodierten Parameterbildern dargestellbar sind. Am gebräuchlichsten sind als Parameter der zerebrale Blutfluss (CBF), das zerebrale Blutvolumen (CBV), sowie die Parameter zur Beschreibung einer Perfusionsverzögerung: mittlere Transitzeit (MTT) und Time-to-Peak (TTP). Nachfolgend werden die genannten Parameter kurz einzeln erläutert.
- Der zerebrale Blutfluss (CBF) ist der wichtigste Parameter der Hirndurchblutung. Er gibt an, wie viel Blut in einer bestimmten Zeit durch das Hirngewebe fließt, und wird gemessen in [ml Blut/100 g Hirngewebe/min]. Normalwerte für einen gesunden Menschen liegen bei einem CBF zwischen 50 und 80 ml Blut pro 100 g Hirngewebe und Minute. Hirngebiete mit hohem Energiebedarf, bspw. die Kortexoberfläche oder die Basalganglien weisen im gesunden zustand etwa 1- bis 3-fach höhere CBF-Werte auf als bspw. das Marklager. Die Hirndurchblutung wird mittels einer Autoregulation durch ständige Änderungen der Gefäßdurchmesser geregelt und relativ konstant gehalten. Steigt der Perfusionsdruck, z. B. bei einem Anstieg des systemischen Blutdrucks, verengen sich die Hirngefäße, sinkt der Druck, erweitern sie sich. Erst wenn die Gefäße in einem bestimmten Hirngebiet bereits maximal dilatiert sind und der Perfusionsdruck noch weiter absinkt, kommt es zur Abnahme des CBF.
- Unterhalb eines CBF von 10 ml/100 g/min sistiert aufgrund des Energiemangels die synaptische Funktion der Nervenzellen, d. h. es kommt zu neurologischen Ausfällen. Die Ausfälle können jedoch komplett reversibel sein, wenn sich die Durchblutung wieder normalisiert. Unterhalb eines CBF von 10–15 ml/100 g/min kann auch der Strukturstoffwechsel der Nervenzellen nicht mehr aufrechterhalten werden. Bleibt der CBF für etwa 2–10 Minuten unter dieser sogenannten Ischämieschwelle, so kommt es zur irreversiblen Zellschädigungen. Die o. g. Angaben zur Höhe des CBF sind bei der Interpretation von Perfusionsuntersuchungen allerdings nur als ungefähre Richtwerte zu betrachten. Der berechnete lokale CBF schwankt nicht nur in Abhängigkeit von der Software, die zur Auswertung verwendet wird, sondern kann je nach Methodik auch z. B. durch die Injektionsgeschwindigkeit des Kontrastmittelbolus oder eine verminderte kardiale Funktion des Patienten verändert werden. Zudem liegen die CBF-Werte von weißer Substanz erheblich unter der von grauer Substanz. Aufgrund der begrenzten räumlichen Auflösung der Methode kommt es so unvermeidlich zu Partialvolumeneffekten.
- Das zerebrale Blutvolumen (CBV) ist definiert als der prozentuale Anteil der Blutgefäße in einem bestimmten Gewebsvolumen. Stark vaskularisierte Hirnareale wie die Basalganglien oder die Kortexoberfläche weisen daher ein höheres CBV auf als bspw. das gering vaskularisierte zerebrale Marklager. Das CBV ist aber auch ein funktioneller Parameter und ändert sich, wenn sich im Rahmen der vaskulären Autoregulation die Gefäßweite ändert. Im Gegensatz zum CBF, der bei einer Ischämie sowohl im Infarktkern wie in der Penumbra vermindert ist, steigt das CBV in der Penumbra in der Regel an. Dies ist bedingt durch die zerebrale Autoregulation. Über eine Weitstellung der betroffenen Gefäße soll der CBF-Abfall ausgeglichen werden. Im Gegensatz dazu gibt es im irreversibel geschädigten Infarktkern meist auch keine funktionierende Autoregula tion mehr, das CBV ist vermindert. Dies ist sehr hilfreich bei der Schlaganfallsdiagnostik: Areale, die im akuten Stadium einer Ischämie ein vermindertes CBV aufweisen, sind in der Regel irreversibel geschädigt.
- Von den Parametern, die eine Perfusionsverzögerung anzeigen, sind die mittlere Transitzeit (MTT) und die Time-to-peak (TTP) am gebräuchlichsten. Zwischen ihnen und dem zerebralen Perfusionsdruck besteht ein unmittelbarer Zusammenhang. Schon geringe Beeinträchtigungen der Blutversorgung führen zu einer Verlängerung von MTT und TTP. In klinischen Studien beim Schlaganfall zeigten sich MTT und TTP als sehr sensitiv für Störungen der regionalen Hirnperfusion. Allerdings sind sie nicht spezifisch für eine Ischämie. Pathologische MTT- und TTP-Werte finden sich sowohl im Infarktkern wie in der Penumbra, können aber auch durch eine klinisch asymptomatische vorgeschaltete Gefäßstenose (bspw. in der A. carotis interna) oder durch einen Vasospasmus verursacht werden.
- Im Rahmen der Auswertung der als Zeitreihe vorliegenden Perfusions-CT-Bilddatensätze ist es teilweise erforderlich, bspw. zur Normalisierung der zu erzeugenden Parameterbilder (CBF, CBV, MTT oder TTP), die rechte und linke Gehirnhälfte auf Basis der Perfusions-CT-Bilddatensätze oder aus ihnen abgeleiteter Daten nach vorgegebenen Kriterien zu vergleichen, bzw. zu bewerten. So werden die ermittelten Parameterdaten häufig auf diejenige Gehirnhälfte normalisiert, welche den höheren Blutdurchfluss aufweist. Dies erfolgt im Stand der Technik indem Parameterbilder für CBF, CBV oder TTP vorläufig errechnet und angezeigt werden. Eine Bedienperson, zumeist ein Radiologe, führt den Vergleich anhand der Betrachtung der angezeigten vorläufigen Parameterbilder aus und gibt das Ergebnis in das Bildauswertesystem zur endgültigen Ermittlung der Parameterbilder ein. Diese Vorgehensweise erfordert eine Berechnung vorläufiger Parameterbilder und ist daher zeitaufwendig. Weiterhin ist sie aufgrund des erforderlichen Eingriffs der Bedienperson fehleranfällig und teilweise nicht exakt reproduzierbar.
- Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren und eine Vorrichtung zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten anzugeben.
- Die Aufgabe wird mit dem in Patentanspruch 1 beschriebenen Verfahren und der in Anspruch 21 beschriebenen Vorrichtung gelöst. Vorteilhafte Weiterbildungen des erfindungsgemäßen Verfahrens sowie der erfindungsgemäßen Vorrichtung sind den Unteransprüchen, der weiteren Beschreibung, dem Ausführungsbeispiel sowie den Figuren zu entnehmen.
- Das erfindungsgemäße Verfahren umfasst gemäß Anspruch 1 folgende Schritte. In Schritt 1.1. wird eine Zeitreihe mit einer Anzahl p 2D- oder 3D-Perfusions-Bilddatensätzen bereitgestellt, in denen jeweils ein Kopf des Patienten mit einem die rechte und die linke Gehirnhälfte (-hemisphäre) umfassenden Gehirn abgebildet ist, und die jeweils eine Vielzahl von Bildelementen mit zugeordneten Bildelementwerten umfassen. Die 2D- oder 3D-Perfusions-Bilddatenssätze wurden vorzugsweise im Wege einer Perfusions-Computer-Tomographie oder einer Perfusions-Magnetresonanz-Tomographie erzeugt. Das Bereitstellen erfolgt auf einem Speichermedium, insbesondere im Arbeitsspeicher einer Postprocessing-Workstation. Es wird in dieser Beschreibung davon ausgegangen, dass sich der Patient während der Abtastung seines Kopfes mit einem medizinischen bildgebenden System (bspw. CT-, oder MRT-System) nicht bewegt, so dass sich die räumliche Zuordnung eines Bildelementes (Pixels, Voxels) zu einem Objektelement (Pixel, Voxel) für die zu verschiedenen Zeiten erfassten 2D- oder 3D-Perfusions-Bilddatensätze nicht ändert. Sollte sich der Patient zwischen einzelnen Aufnahmen von 2D- oder 3D-Perfusions-Bilddatensätzen bewegt haben, so sind vorzugsweise entsprechende Bildregistrierungen vorzunehmen.
- In Schritt 1.2. wird das Gehirn des Patienten in Gehirnregionen eingeteilt, wobei die Anzahl der Gehirnregionen einer ge raden Zahl n entspricht, eine Anzahl n/2 der Gehirnregionen in der rechten, eine Anzahl n/2 der Gehirnregionen in der linken Gehirnhälfte angeordnet ist und jede in der rechten Gehirnhälfte angeordnete Gehirnregion einer in der linken Gehirnhälfte angeordneten Gehirnregion eineindeutig zugeordnet ist. Unter dem Begriff eineindeutig sei hierin eine bijektive Zuordnung verstanden. Damit wird sichergestellt, dass jede Gehirnhälfte gleich viele Gehirnregionen aufweist, und die Gehirnregionen einander paarweise zugeordnet sind. Der Schritt 1.2. kann parallel mit oder vor dem Schritt 1.1. ausgeführt werden. Die Vorgabe der Einteilung des Patientengehirns kann auf vielfältige Weise erfolgen. So kann bspw. eine Einteilung aus mehreren Einteilungen eines Modellgehirns manuell oder automatisiert ausgewählt werden, welche dann auf das Patientengehirn übertragen wird, oder es kann mittels einer interaktiven Eingabe anhand eines der 2D- oder 3D-Perfusions-Bilddatensätze eine konkrete Einteilung des Patientengehirns vorgegeben werden. Vorzugsweise wird das Gehirn entsprechend anatomischer Gehirnstrukturen in Gehirnregionen eingeteilt. In einem solchen Fall könnte eine Einteilung in jeder Gehirnhälfte die Regionen: Frontallappen, Parietallappen, Temporallappen, Kleinhirn, und Okzipitallappen umfassen.
- Damit das Verfahren rechenzeitökonomisch arbeitet, wird das Gehirn vorzugsweise insgesamt nur in zwei, vier, sechs oder acht Gehirnregionen eingeteilt. Aus Experimenten der Erfinder ging hervor, dass eine grobe Einteilung in drei Gehirnregionen je Gehirnhälfte bereits sehr gute Ergebnisse liefert. Mit zunehmender Anzahl der Regionen nimmt einerseits der Rechenaufwand zu, andererseits nehmen die Auflösung und damit die Detailliertheit des letztlich angestrebten Vergleichs der beiden Gehirnhälften zu. Insofern ist je nach Anforderung die Zahl der Gehirnregionen zu optimieren. Abweichend von einer Einteilung nach anatomischen Gehirnstrukturen, kann im Rahmen der Merkmale des Schrittes 1.2., jede beliebige Einteilung des Gehirns in Regionen vorgegeben werden. Vorzugsweise eignet sich eine Einteilung, bei der das Gehirn von auf einer medialen sagittalen Ebene senkrecht stehende Ebenen unter teilt wird. Hierbei sind die senkrecht stehenden Ebenen vorzugsweise Frontalebenen und/oder Transversalebenen. Anmerkung: die Transversalebene, die Frontalebene und die Sagittalebene sind die Körperebenen.
- Besonders vorteilhaft ist es, wenn die vorgegebenen Gehirnregionen jeweils nahe einer Gehirnoberfläche angeordnet sind. Zudem ist es vorteilhaft, wenn sich die Gehirnregionen nicht überlappen.
- In Schritt 1.3. erfolgt das Segmentieren der p Perfusions-Bilddatensätze, so dass pro Perfusions-Bilddatensatz ein Gehirn-Bilddatensatz erzeugt wird, der nur diejenigen Bildelemente des Perfusions-Bilddatensatzes umfasst, die das Gehirn repräsentieren.
- Für das Segmentieren eignen sich die im Stand der Technik bekannten gängigen Segmentierungsverfahren. An die Exaktheit der Segmentierung werden vorliegend keine hohen Anforderungen gestellt, so dass auch einfache Segmentierungsverfahren Verwendung finden können. Der Gehirn-Bilddatensatz enthält im Allgemeinen Bildelemente (Pixel, Voxel), die Gehirn repräsentieren. Unter Gehirn wird vorliegend zunächst jedes Gewebe verstanden, das kein Schädelknochen ist. Für bestimmte Anwendungen ist darüber hinaus vorteilhaft, dass die erzeugten Gehirn-Bilddatensätze das Gehirn ohne Ventrikel und/oder Blutgefäße repräsentieren. Nach dem Ausführen des Schrittes 1.3. liegt somit eine Zeitreihe von p Gehirn-Bilddatensätzen vor, wobei in jedem Gehirn-Bilddatensatz das Gehirn des Patienten mit seiner rechten und linken Gehirnhälfte abgebildet ist.
- In Schritt 1.4. werden in jedem der p Gehirn-Bilddatensätze n Teilbilddatensätze bestimmt, wobei ein m-ter Teilbilddatensatz nur diejenigen Bildelemente des jeweiligen Gehirn-Bilddatensatzes umfasst, die eine m-te der n Gehirnregionen repräsentieren, mit m = 1 ... n. So werden jedem Teilbilddatensatz diejenigen Bildelemente des jeweiligen Gehirn-Bilddatensatzes zugeordnet, die einer der vorgegebenen Gehirnregion entspre chen. Das bedeutet, um im vorangegangen Beispiel einer anatomisch motivierten Einteilung des Gehirns zu bleiben, dass bspw. ein Teilbilddatensatz erzeugt wird, der alle Bildelemente umfasst, die den linken Frontallappen repräsentieren, ein weiterer Teilbilddatensatz, der alle Bildelemente umfasst, die den rechten Frontallappen, usw. repräsentieren. Somit ergibt sich für jeden der n Teilbilddatensätze eines ersten Gehirn-Bilddatensatzes wiederum eine entsprechende Zeitreihe. Die Anzahl n entspricht der Zahl der Gehirnregionen n von Schritt 1.2.
- Das Bestimmen der Teilbilddatensätze in den Gehirn-Bilddatensätzen erfolgt vorzugsweise mittels eines Segmentier- und/oder eines Musterkennungsverfahrens. In einer vorzugsweisen Ausführungsvariante wird in den jeweiligen Gehirn-Bilddatensätzen die mediale Sagittalebene ermittelt. Damit kann das Bildvolumen in den jeweiligen Gehirn-Bilddatensätzen in zwei Hälften geteilt werden, wobei eine Hälfte der rechten, die andere Hälfte der linken Gehirnhälfte entspricht. Das weitere Bestimmen der Teilbilddatensätze kann in diesem Fall bspw. anhand einfacher geometrischer Vorgaben aus Schritt 1.2. erfolgen.
- In Schritt 1.5. werden pro m-ter Gehirnregion ein oder mehrere Kennwerte durch Auswerten aller m-ten Teilbilddatensätze für m = 1 ... n nach einer vorgegebenen Auswertemethode ermittelt. Hierbei gibt es natürlich eine Vielzahl von denkbaren Auswertemethoden.
- Gemäß einer bevorzugten Auswertemethode wird für jeden der p Gehirn-Bilddatensätze eine Kenngröße pro darin umfassten tuten Teilbilddatensatz, mit m = 1 ... n ermittelt. Eine solche Kenngröße ist bspw. der Mittelwert oder ein gewichteter Mittelwert der Bildelementwerte eines jeweiligen Teilbilddatensatzes. Andere Algorithmen zur Bestimmung der Kenngröße können abhängig von der jeweiligen Frage- oder Aufgabenstellung gewählt werden. Die Kenngröße ergibt sich dabei vorzugsweise jeweils unter Berücksichtigung aller Bildelementwerte eines Teilbilddatensatzes. Allen Teilbilddatensätzen wird somit eine entsprechende Kenngröße zugeordnet. Anschließend daraus wird pro Gehirnregion auf Basis der den einzelnen Gehirn-Bilddatensätzen, und damit den einzelnen Teilbilddatensätzen zugeordneten Zeitinformation, eine Zeitreihe der Kenngröße ermittelt. In einem letzten Schritt dieser Auswertemethode werden pro zuvor ermittelter Kenngrößen-Zeitreihe ein oder mehrere Kennwerte ermittelt, die eine jeweilige Zeitreihe kennzeichnen.
- In einer zweiten bevorzugten Auswertemethode werden in Schritt 1.5. für jedes Objektpixel/-voxel (welche den Kopf des Patienten im Objektraum repräsentieren), Zeitreihen der entsprechenden Bildelemente auf Basis der p Gehirn-Bilddaten ermittelt. In einem zweiten Schritt werden diese Zeitreihen von Bildpixeln/-voxeln für jede der n Gehirnregion gemittelt. Damit liegt wie bei der zuvor beschriebenen Auswertemethode pro Gehirnregion eine Zeitreihe einer Kenngröße vor. Im letzten Schritt dieser Auswertemethode werden wie zuvor, pro zuvor ermittelter Kenngrößen-Zeitreihe ein oder mehrere Kennwerte ermittelt, die eine jeweilige Zeitreihe kennzeichnen. Unter dem Begriff Zeitreihe soll vorliegend auch eine Funktion verstanden, die das Zeitverhalten der Kennwerte beschreibt.
- Vorzugsweise wird als Kennwert ein Maximalwert einer jeweiligen Zeitreihe gewählt. Als Kennwert oder als ein weiterer Kennwert wird vorzugsweise eine Zeit bestimmt, zu der in einer jeweiligen Zeitreihe der Maximalwert erreicht ist.
- In einer besonders vorteilhaften Ausgestaltung des Verfahrens erfolgt in Schritt 1.5. ein Ermitteln eines oder mehrerer Kennwerte zum Kennzeichnen von in einem Teilbilddatensatz abgebildeten arteriellen Gefäßen. Dies ist natürlich nur dann möglich, wenn in Schritt 1.3. die arteriellen Gefäß nicht wegsegmentiert wurden, d. h. wenn die Gehirn-Bilddatensätze, bzw. damit auch die Teilbilddatensätze, Bildelemente umfassen, welche Gefäße, insbesondere Arterien, repräsentieren. In einem solchen Fall kann als Kennwert eines Teilbilddatensatzes jeweils bspw. die Anzahl von Bildelementen (Pixel, Voxel) gewählt werden, die arterielle Gefäße repräsentieren.
- In Schritt 1.6. erfolgt das Auswerten der Kennwerte einander eineindeutig zugeordneter Gehirnregionen nach vorgegebenen Kriterien zum Vergleich der rechten und linken Gehirnhälfte. Die Kriterien werden der jeweiligen Frage- oder Aufgabenstellung entsprechend vorgegeben.
- Als Beispiel seien zwei einander eineindeutig zugeordnete Gehirnregionen G1 und G2 betrachtet. Für jede Gehirnregion seien zwei Kennwerte K1, K2, (d. h. K1 (G1), K1 (G2), K2 (G1) und K2 (G2)) ermittelt worden. Das Auswerten der Kennwerte entspricht im einfachsten Fall zunächst dem Bestimmen einer Relation zwischen den jeweiligen Kennwerten, d.h. ob der Kennwert K1 (G1) größer, kleiner oder gleich dem Kennwert K1 (G2) ist, bzw. ob der Kennwert K2 (G1) größer, kleiner oder gleich dem Kennwert K2 (G2) ist. Zu Beginn werden jeder Gehirnregion 0 Punkte zugeordnet. Wird nun Punktesystem vorgegeben, gemäß dem immer diejenige Gehirnregion (G1 oder G2), für die in einem solchen Vergleich der höhere/niedrigere Kennwert ermittelt wurde, einen Punkt erhält, kann nachdem alle Gehirnregionen entsprechend ausgewertet wurden, ein einfacher Vergleich der zwei Gehirnhemisphären auf Basis der für ihre jeweiligen Gehirnregionen vergebenen Punkte erfolgen. Vorzugsweise sind das erfindungsgemäße Verfahren bzw. die vorstehend beschriebenen Verfahrensschritte automatisiert ausführbar.
- In den folgenden Punkten bietet das erfindungsgemäße Verfahren Vorteile gegenüber dem Stand der Technik. Durch die Aufteilung des Gehirns in einzelne Gehirnregionen ist ein detaillierter und robuster Vergleich der zwei Gehirnhälften (Gehirnhemisphären) möglich. Die Auswertung von Pixeln oder Voxeln in den Gehirn-Bilddaten, die Arterien repräsentieren, ermöglicht einen einfachen Vergleich der Gehirnhemisphären hinsichtlich ihres frühsten Enhancements. Zur Normierung von Parameterbilder im Rahmen der Perfusions-Bildgebung ist kei ne Berechnung von vorläufigen Parameterbildern mehr nötig.
- Der auf die Vorrichtung bezogene Teil der Aufgabe wird durch eine Vorrichtung gemäß Anspruch 20 erfüllt.
- Dieser beschreibt eine Vorrichtung zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten, aufweisend: ein Speichermedium, mit dem eine Zeitreihe mit einer Anzahl p 2D- oder 3D-Perfusions-Bilddatensätzen, in denen jeweils ein Kopf des Patienten mit einem die rechte und die linke Gehirnhälfte umfassenden Gehirn abgebildet ist, und die jeweils eine Vielzahl von Bildelementen mit zugeordneten Bildelementwerten umfassen, speicher- und bereitstellbar ist, ein erstes Modul, mit dem eine Einteilung des Gehirns des Patienten in Gehirnregionen vorgebbar ist, wobei die Anzahl der Gehirnregionen einer geraden Zahl n entspricht, eine Anzahl n/2 der Gehirnregionen in der rechten, eine Anzahl n/2 der Gehirnregionen in der linken Gehirnhälfte angeordnet ist und jede in der rechten Gehirnhälfte angeordnete Gehirnregion einer in der linken Gehirnhälfte angeordneten Gehirnregion eineindeutig zugeordnet ist, ein zweites Modul, mit dem die p Perfusions-Bilddatensätze segmentierbar sind, so dass pro Perfusions-Bilddatensatz ein Gehirn-Bilddatensatz erzeugbar ist, der nur diejenigen Bildelemente des Perfusions-Bilddatensatzes umfasst, die das Gehirn des Patienten repräsentieren, ein drittes Modul, mit dem in jedem der p Gehirn-Bilddatensätze n Teilbilddatensätze bestimmbar sind, wobei ein m-ter Teilbilddatensatz nur diejenigen Bildelemente des jeweiligen Gehirn-Bilddatensatzes umfasst, die eine m-te der n Gehirnregionen repräsentieren, mit m = 1 ... n, ein viertes Modul, mit dem ein oder mehrere Kennwerte pro m-ter Gehirnregion durch Auswerten aller m-ten Teilbilddatensätze in den p Gehirn-Bilddatensätzen nach einer vorgegebenen Auswertemethode, mit m = 1 ... n ermittelbar sind, und ein fünftes Modul, mit dem die Kennwerte einander eineindeutig zugeordneter Gehirnregionen nach vorgegebenen Kriterien zum Vergleich der rechten und linken Gehirnhälfte auswertbar sind.
- Die für das erfindungsgemäße Verfahren vorstehend gemachten Aussagen gelten sinngemäß auch für die erfindungsgemäße Vorrichtung. Es wird diesbezüglich auf die vorstehenden Ausführungen zum erfindungsgemäßen Verfahren verwiesen.
- Die erfindungsgemäße Vorrichtung lässt sich insbesondere zum Ermitteln derjenigen Gehirnhälfte eines Patienten, die von einem Schlaganfall betroffen ist, anwenden. Nähere Ausführungen hierzu sind dem nachfolgenden Ausführungsbeispiel zu entnehmen. Es zeigen:
-
1 einen zweidimensionalen Schnitt in einer transversalen Ebene durch das Gehirn eines Patienten, wobei das Gehirn in sechs Gehirnregionen eingeteilt ist, -
2 Kenngrößen-Zeitkurve für Gehirnregion G1, und -
3 Kenngrößen-Zeitkurve für Gehirnregion G2. - Als Ausführungsbeispiel wird das vorliegende Verfahren angewendet, um die von einem Schlaganfall betroffene Gehirnhemisphäre eines Patienten zu bestimmen. Zunächst wird eine Zeitreihe von 3D-CT-Perfusions-Bilddatensätzen bereitgestellt.
-
1 zeigt hierzu ein transversales Schnittbild eines der 3D-CT-Perfusions-Bilddatensätze. Zu erkennen ist das vom Schädelknochen1 umgebende Gehirn2 des Patienten mit seiner nachstehend erläuterten Einteilung in Gehirnregionen (G1–G6). - Das Gehirn
2 des Patienten wurde vorliegend in sechs Gehirnregionen G1–G6 eingeteilt, die grob verschiedene anatomische Regionen des Gehirns2 repräsentieren. Die Gehirnregionen G1–G6 sind dabei wie folgt einander zugeordnet: G1–G2, G3–G4, G5–G6. Wie in1 zu erkennen ist, muss nicht das ganze Gehirn in Gehirnregionen eingeteilt werden. Im vorliegenden Ausführungsbeispiel werden die nahe zur medialen sagittalen Ebene MSE liegenden mittleren Gehirnbereiche bei dem Vergleich nicht berücksichtigt. Die Zuordnung erfolgt grundsätzlich in der Weise, dass anatomisch oder funktional gleiche Gehirnregionen einander zugeordnet werden. Die Anzahl der Gehirnregionen entspricht damit der geraden Zahl n = 6, wobei eine Anzahl n/2 = 3 der Gehirnregionen in der rechten, eine Anzahl n/2 = 3 der Gehirnregionen in der linken Gehirnhälfte angeordnet ist und jede in der rechten Gehirnhälfte angeordnete Gehirnregion einer in der linken Gehirnhälfte angeordneten Gehirnregion eineindeutig zugeordnet ist. - Die bereitgestellten 3D-CT-Perfusions-Bilddatensätze werden im nächsten Schritt segmentiert, so dass pro Perfusions-Bilddatensatz ein Gehirn-Bilddatensatz erzeugt wird, der nur diejenigen Bildelemente des Perfusions-Bilddatensatzes umfasst, die das Gehirn
2 des Patienten repräsentieren, wobei der Schädelknochen1 sowie Ventrikel mit gängigen, z. B. schwellwertbasierten Methoden, wegsegmentiert werden. Eine exakte Segmentierung in diese Areale ist komplex und hier nicht notwendig. Aus Experimenten ging hervor, dass drei grobe Unterregionen für jede Gehirnhemisphäre ausreichend sind. Die Schnittebenen, die die Gehirnregionen G1–G6 unterteilen, stehen vorzugsweise rechtwinklig auf der Ebene (medial sagittale Ebene, MSE), die die beiden Gehirnhemisphären voneinander trennt. - Im nächsten Schritt erfolgt in jedem der Gehirn-Bilddatensätze ein Bestimmen von n = 6 Teilbilddatensätzen, wobei ein m-ter Teilbilddatensatz nur diejenigen Bildelemente des jeweiligen Gehirn-Bilddatensatzes umfasst, die eine m-te der n = 6 Gehirnregionen repräsentieren, mit m = 1 ... 6.
- Für jede der Gehirnregionen G1–G6 wird nun durch Auswerten aller Gehirn-Bilddatensätze eine so genannte Time Attenuation Curve (TAC), d. h. ein zeitlicher Verlauf eines für die jeweilige Gehirnregion gemittelten Röntgenschwä chungswertes, berechnet. Hierbei werden die Gefäße von der TAC-Berechnung ausgeschlossen.
-
2 und3 zeigen jeweils eine solche TAC für die einander zugeordneten Gehirnregionen G1 (2 ) und G2 (3 ). Die Kurve entspricht jeweils dem Röntgenschwächungswert in Hounsfield Units [HU] (y-Achse) aufgetragen über der Zeit (x-Achse). Deutlich zu erkennen ist, dass in2 der Röntgenschwächungswert über der Zeit nahezu konstant bleibt, und sich somit in dieser Gehirnregion keine Auswirkungen des während der Erfassung der 3D-CT-Perfusions-Bilddatensätze gespritzten Kontrastmittels findet. Ein deutlicher Hinweis auf eine Störung des Blutflusses. Im Gegenteil dazu zeigt sich in3 ein deutlicher Effekt des Kontrastmittels. Für jede der sechs ermittelten TACs (für jede Gehirnregion eine) werden die folgenden Kennwerte ermittelt: - 1. Der maximale HU-Wert der TAC, und
- 2. die Zeit, zu dem die TAC ihr Maximum erreicht.
- Anhand dieser Kennwerte werden im letzten Schritt die einander eineindeutig zugeordneter Gehirnregionen G1–G2, G3–G4, G5–G6 nach vorgegebenen Kriterien zum Vergleich der rechten und linken Gehirnhälfte ausgewertet.
- Um für jede der sechs Gehirnregionen G1–G6 vergleichen zu können, in welcher Hemisphäre zuerst ein Enhancement (ein durch das Kontrastmittel verursachtes Ansteigen der Röntgendichte) auftritt, kann ein Auswerte-Algorithmus angewendet werden, der die arteriellen Gefäße in den Gehirn-Bilddaten bestimmt. Dieser Algorithmus berechnet bspw. für das gesamte Gehirn ca. die 5% der Gefäße, die zuerst enhanct werden. Da die Arterien hauptsächlich im vorderen Bereich des Gehirns liegen, reicht es, nur die oberen Regionen zur Auswertung heranzuziehen. Für jede Gehirnhemisphäre wird anschließend die Anzahl der als Arterien markierten Pixel/Voxel gezählt.
- Um eine endgültige Entscheidung zu treffen, in welcher Gehirnhälfte ein Schlaganfall vorliegt, wird ein einfaches Punktesystem herangezogen. Dabei werden jeweils einander eineindeutig zugeordnete Gehirnregionen für jeden der zwei obigen Kennwerte verglichen. Jeder Gehirnhemisphäre werden zu Beginn 0 Punkte zugewiesen. Jede Gehirnhälfte die bei dem Vergleich den höheren maximalen HU-Wert, oder die geringere Zeit bis die TAC ihr Maximum erreicht, aufweist, bekommt einen Punkt. Als „gesunde” Gehirnhemisphäre wird die Hemisphäre gewählt, die die meisten Punkte gesammelt hat. Die gesuchte Gehirnhemisphäre mit dem Schlaganfall ist diejenige mit den wenigsten Punkten. Falls der Punktestand genau gleich ist, wird keine Aussage getroffen.
Claims (26)
- Verfahren zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten, mit folgenden Schritten: 1.1. Bereitstellen einer Zeitreihe mit einer Anzahl p medizinischer 2D- oder 3D-Perfusions-Bilddatensätze, in denen jeweils ein Kopf des Patienten mit einem die rechte und die linke Gehirnhälfte umfassenden Gehirn (
2 ) abgebildet ist, und die jeweils eine Vielzahl von Bildelementen mit zugeordneten Bildelementwerten umfassen, 1.2. Vorgeben einer Einteilung des Gehirns des Patienten in Gehirnregionen (G1–G6), wobei die Anzahl der Gehirnregionen (G1–G6) einer geraden Zahl n entspricht, eine Anzahl n/2 der Gehirnregionen (G1–G6) in der rechten, eine Anzahl n/2 der Gehirnregionen (G1–G6) in der linken Gehirnhälfte angeordnet ist und jede in der rechten Gehirnhälfte angeordnete Gehirnregion (G2, G4, G6) einer in der linken Gehirnhälfte angeordneten Gehirnregion (G1, G3, G5) eineindeutig zugeordnet ist, 1.3. Segmentieren der p Perfusions-Bilddatensätze, so dass pro Perfusions-Bilddatensatz ein Gehirn-Bilddatensatz erzeugt wird, der nur diejenigen Bildelemente des Perfusions-Bilddatensatzes umfasst, die das Gehirn2 des Patienten repräsentieren, 1.4. in jedem der p Gehirn-Bilddatensätze Bestimmen von n Teilbilddatensätzen, wobei ein m-ter Teilbilddatensatz nur diejenigen Bildelemente des jeweiligen Gehirn-Bilddatensatzes umfasst, die eine m-te der n Gehirnregionen (G1–G6) repräsentieren, mit m = 1 ... n, 1.5. Ermitteln eines oder mehrerer Kennwerte pro m-ter Gehirnregion (G1–G6) durch Auswerten aller m-ten Teilbilddatensätze in den p Gehirn-Bilddatensätzen nach einer vorgegebenen Auswertemethode, mit m = 1 ... n, und 1.6. Auswerten der Kennwerte einander eineindeutig zugeordneter Gehirnregionen (G1–G6) nach vorgegebenen Kriterien zum Vergleich der rechten und linken Gehirnhälfte. - Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, dass Schritt 1.5. folgende Schritte umfasst: 2.1. für jeden der p Gehirn-Bilddatensätze, Ermitteln einer Kenngröße pro darin umfassten m-ten Teilbilddatensatz, mit m = 1 ... n, 2.2. Ermitteln einer Zeitreihe der Kenngrößen pro m-ter Gehirnregion (G1–G6), mit m = 1 ... n, 2.3. Ermitteln jeweils eines oder mehrer Kennwerte, zum Kennzeichnen der in Schritt 2.2. ermittelten Zeitreihen.
- Verfahren gemäß Anspruch 2, dadurch gekennzeichnet, dass die Kenngröße jeweils ein Mittelwert oder ein gewichteter Mittelwert aller Bildelementwerte eines jeweiligen Teilbilddatensatzes ist.
- Verfahren gemäß einem der Ansprüche 2 oder 3, dadurch gekennzeichnet, dass ein Kennwert ein Maximalwert in einer jeweiligen Zeitreihe ist.
- Verfahren gemäß einem der Ansprüche 2 bis 4, dadurch gekennzeichnet, dass ein Kennwert eine Zeit ist, zu der in einer jeweiligen Zeitreihe der Maximalwert erreicht ist.
- Verfahren gemäß einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass Schritt 1.5. folgenden Schritt umfasst: pro Teilbilddatensatz Ermitteln eines oder mehrerer Kennwerte zum Kennzeichnen von in dem Teilbilddatensatz abgebildeten arteriellen Gefäßen.
- Verfahren gemäß Anspruch 6, dadurch gekennzeichnet, dass der Kennwert einer Anzahl von Bildelementen in dem Teilbilddatensatz entspricht, die arterielle Gefäße repräsentieren.
- Verfahren gemäß einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass die Gehirnregionen (G1–G6) nicht überlappen.
- Verfahren gemäß einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass die p Perfusions-Bilddatensätze im Wege einer Perfusions-Computer-Tomographie oder einer Perfusions-Magnetresonanz-Tomographie erzeugt wurden.
- Verfahren gemäß einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass das Gehirn (
2 ) in Schritt 1.2. entsprechend anatomischer Gehirnstrukturen in Gehirnregionen (G1–G6) eingeteilt wird. - Verfahren gemäß einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass das Gehirn (
2 ) in Schritt 1.2. in vier, sechs oder acht Gehirnregionen (G1–G6) eingeteilt wird. - Verfahren gemäß einem der Ansprüche 1 bis 9 oder 11, dadurch gekennzeichnet, dass das Gehirn (
2 ) in Schritt 1.2. durch auf einer medialen sagittalen Ebene (MSE) senkrecht stehenden Ebenen unterteilt wird. - Verfahren gemäß Anspruch 12, dadurch gekennzeichnet, dass die senkrecht stehenden Ebenen Frontalebenen sind.
- Verfahren gemäß Anspruch 12 oder 13, dadurch gekennzeichnet, dass die senkrecht stehenden Ebenen Transversalebenen sind.
- Verfahren gemäß einem der Ansprüche 1 bis 14, dadurch gekennzeichnet, dass die Gehirnregionen (G1–G6) jeweils nahe einer Gehirnoberfläche angeordnet sind.
- Verfahren gemäß einem der Ansprüche 1 bis 5 oder 8 bis 15, dadurch gekennzeichnet, dass das Segmentieren in Schritt 1.3. derart erfolgt, dass die erzeugten Gehirn-Bilddatensätze das Gehirn (
2 ) ohne Ventrikel und/oder Blutgefäße repräsentieren. - Verfahren gemäß einem der Ansprüche 1 bis 16, dadurch gekennzeichnet, dass das Bestimmen der Teilbilddatensätze in Schritt 1.4. mittels eines Segmentier- und/oder einem Musterkennungsverfahrens erfolgt.
- Verfahren gemäß einem der Ansprüche 1 bis 17, dadurch gekennzeichnet, dass der Schritt 1.4. ein Ermitteln einer medialen Sagittalebene (MSE) in den jeweiligen Gehirn-Bilddatensätzen umfasst.
- Verfahren gemäß einem der Ansprüche 1 bis 18, dadurch gekennzeichnet, dass die einzelne oder alle der vorstehend beschriebenen Schritte automatisiert ausgeführt werden.
- Vorrichtung zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten, aufweisend: 1. ein Speichermedium, mit dem eine Zeitreihe mit einer Anzahl p medizinischer 2D- oder 3D-Perfusions-Bilddatensätzen, in denen jeweils ein Kopf des Patienten mit einem die rechte und die linke Gehirnhälfte umfassenden Gehirn (
2 ) abgebildet ist, und die jeweils eine Vielzahl von Bildelementen mit zugeordneten Bildelementwerten umfassen, speicher- und bereitstellbar ist, 20.2. ein erstes Modul, mit dem eine Einteilung des Gehirns des Patienten in Gehirnregionen (G1–G6) vorgebbar ist, wobei die Anzahl der Gehirnregionen (G1–G6) einer geraden Zahl n entspricht, eine Anzahl n/2 der Gehirnregionen (G1–G6) in der rechten, eine Anzahl n/2 der Gehirnregionen (G1–G6) in der linken Gehirnhälfte angeordnet ist und jede in der rechten Gehirnhälfte angeordnete Gehirnregion (G2, G4, G6) einer in der linken Gehirnhälfte angeordneten Gehirnregion (G1, G3, G5) eineindeutig zugeordnet ist, 20.3. ein zweites Modul, mit dem die p Perfusions-Bilddatensätze segmentierbar sind, so dass pro Perfusions-Bilddatensatz ein Gehirn-Bilddatensatz erzeugbar ist, der nur diejenigen Bildelemente des Perfusions-Bilddatensatzes umfasst, die das Gehirn (2 ) des Patienten repräsentieren, 20.4. ein drittes Modul, mit dem in jedem der p Gehirn-Bilddatensätze n Teilbilddatensätze bestimmbar sind, wobei ein m-ter Teilbilddatensatz nur diejenigen Bildelemente des jeweiligen Gehirn-Bilddatensatzes umfasst, die eine m-te der n Gehirnregionen (G1–G6) repräsentieren, mit m = 1 ... n, 20.5. ein viertes Modul, mit dem ein oder mehrere Kennwerte pro m-ter Gehirnregion (G1–G6) durch Auswerten aller m-ten Teilbilddatensätze in den p Gehirn-Bilddatensätzen nach einer vorgegebenen Auswertemethode, mit m = 1 ... n ermittelbar sind, und 20.6. ein fünftes Modul, mit dem die Kennwerte einander eineindeutig zugeordneter Gehirnregionen (G1–G6) nach vorgegebenen Kriterien zum Vergleich der rechten und linken Gehirnhälfte auswertbar sind. - Vorrichtung gemäß Anspruch 20, dadurch gekennzeichnet, dass mit dem vierten Modul: 21.1. für jeden der p Gehirn-Bilddatensätze eine Kenngröße pro darin umfassten m-ten Teilbilddatensatz, mit m = 1 ... n ermittelbar ist, 21.2. einer Zeitreihe der Kenngrößen pro m-ter Gehirnregion (G1–G6), mit m = 1 ... n ermittelbar ist, und 21.3. jeweils ein oder mehre Kennwerte zum Kennzeichnen der in Schritt 21.2. ermittelten Zeitreihen bestimmbar ist.
- Vorrichtung gemäß einem der Ansprüche 20 oder 21, dadurch gekennzeichnet, dass mit dem vierten Modul pro Teilbilddatensatz ein oder mehrere Kennwerte zum Kennzeichnen von in dem Teilbilddatensatz abgebildeten arteriellen Gefäßen ermittelbar sind.
- Vorrichtung gemäß einem der Ansprüche 20 bis 22 dadurch gekennzeichnet, dass mit dem zweiten Modul die Segmentierung derart ausführbar ist, dass die erzeugten Gehirn-Bilddatensätze das Gehirn (
2 ) ohne Ventrikel und/oder Blutgefäße repräsentieren. - Vorrichtung gemäß einem der Ansprüche 20 bis 23, dadurch gekennzeichnet, dass mit dem dritten Modul die Teilbilddatensätze mittels Segmentier- und/oder Musterkennungsverfahren bestimmbar sind.
- Vorrichtung gemäß einem der Ansprüche 20 bis 24, dadurch gekennzeichnet, dass mit dem dritten Modul in jedem 3D-Gehirn-Bilddatensatz eine mediale Sagittalebene ermittelbar ist.
- Verwendung der Vorrichtung gemäß einem der Ansprüche 20 bis 25 zum Ermitteln derjenigen Gehirnhälfte eines Patienten, die von einem Schlaganfall betroffen ist.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102008062672A DE102008062672A1 (de) | 2008-12-17 | 2008-12-17 | Verfahren und Vorrichtung zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten |
US12/639,089 US20100158337A1 (en) | 2008-12-17 | 2009-12-16 | Method and device for performing a comparison between a left and a right half of the brain of a patient |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102008062672A DE102008062672A1 (de) | 2008-12-17 | 2008-12-17 | Verfahren und Vorrichtung zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102008062672A1 true DE102008062672A1 (de) | 2010-07-15 |
Family
ID=42243430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102008062672A Withdrawn DE102008062672A1 (de) | 2008-12-17 | 2008-12-17 | Verfahren und Vorrichtung zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten |
Country Status (2)
Country | Link |
---|---|
US (1) | US20100158337A1 (de) |
DE (1) | DE102008062672A1 (de) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5366577B2 (ja) * | 2009-02-04 | 2013-12-11 | 株式会社東芝 | 医用画像処理装置 |
US9486176B2 (en) | 2012-09-05 | 2016-11-08 | Mayank Goyal | Systems and methods for diagnosing strokes |
CA2884606C (en) | 2012-09-05 | 2020-08-25 | Mayank GOYAL | Systems and methods for diagnosing strokes |
JP6422671B2 (ja) * | 2013-05-27 | 2018-11-14 | キヤノンメディカルシステムズ株式会社 | 画像処理装置及び画像処理方法 |
US20210228079A1 (en) * | 2018-03-07 | 2021-07-29 | Institut National De La Sante Et De La Recherche Medicale (Inserm) | Method for early prediction of neurodegenerative decline |
CN112494053B (zh) * | 2020-12-23 | 2023-10-03 | 深圳市德力凯医疗设备股份有限公司 | 大脑的缺氧危险程度监控方法、系统、设备及存储介质 |
CN114862823B (zh) * | 2022-05-26 | 2024-02-13 | 同心医联科技(北京)有限公司 | 区域分割方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040106864A1 (en) * | 2001-03-07 | 2004-06-03 | Rose Stephen Edward | Method of predicting stroke evolution utilising mri |
EP1946703A1 (de) * | 2005-11-02 | 2008-07-23 | Hitachi Medical Corporation | Bildanalysevorrichtung und -verfahren |
DE102007024450A1 (de) * | 2007-05-25 | 2008-11-27 | Siemens Ag | Ermittlungsverfahren für ein farbcodiertes erstes Auswertungsbild und hiermit korrespondierende Gegenstände |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4856528A (en) * | 1987-06-26 | 1989-08-15 | John Hopkins University | Tumor volume determination |
US5042077A (en) * | 1987-10-02 | 1991-08-20 | General Electric Company | Method of highlighting subtle contrast in graphical images |
US5024230A (en) * | 1988-11-23 | 1991-06-18 | Picker International, Inc. | Dual flow/lambda display for xenon enhanced tomography |
US5761333A (en) * | 1995-01-31 | 1998-06-02 | General Electric Company | Contrast enhancement for CT systems |
KR0185932B1 (ko) * | 1995-12-11 | 1999-04-15 | 김광호 | 고속재생을 위한 비디오데이타 복호방법 및 그 장치 |
US6310967B1 (en) * | 1998-04-29 | 2001-10-30 | University Of South Florida | Normal and abnormal tissue identification system and method for medical images such as digital mammograms |
US6138045A (en) * | 1998-08-07 | 2000-10-24 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
WO2002064024A2 (en) * | 2001-02-13 | 2002-08-22 | Jordan Neuroscience, Inc. | Automated realtime interpretation of brain waves |
DE10335663A1 (de) * | 2003-08-04 | 2005-03-10 | Siemens Ag | Verfahren zur automatischen Kalibrierung von Perfusionsparameterbildern |
WO2005096227A1 (en) * | 2004-04-02 | 2005-10-13 | Agency For Science, Technology And Research | Locating a mid-sagittal plane |
US20080021502A1 (en) * | 2004-06-21 | 2008-01-24 | The Trustees Of Columbia University In The City Of New York | Systems and methods for automatic symmetry identification and for quantification of asymmetry for analytic, diagnostic and therapeutic purposes |
US7660461B2 (en) * | 2006-04-21 | 2010-02-09 | Sectra Ab | Automated histogram characterization of data sets for image visualization using alpha-histograms |
FR2903812B1 (fr) * | 2006-07-13 | 2008-10-31 | Commissariat Energie Atomique | Circuit integre reparti sur au moins deux plans non paralleles et son procede de realisation |
US8369598B2 (en) * | 2006-12-06 | 2013-02-05 | Agency For Science, Technology And Research | Method for identifying a pathological region of a scan, such as an ischemic stroke region of an MRI scan |
US7953262B2 (en) * | 2007-02-05 | 2011-05-31 | General Electric Company | Vascular image extraction and labeling system and method |
US8233965B2 (en) * | 2007-03-08 | 2012-07-31 | Oslo Universitetssykehus Hf | Tumor grading from blood volume maps |
US8285014B2 (en) * | 2007-04-06 | 2012-10-09 | Siemens Aktiengesellschaft | Measuring blood volume with C-arm computed tomography |
US8204583B2 (en) * | 2007-10-23 | 2012-06-19 | Optima Neuroscience, Inc. | System for seizure monitoring and detection |
-
2008
- 2008-12-17 DE DE102008062672A patent/DE102008062672A1/de not_active Withdrawn
-
2009
- 2009-12-16 US US12/639,089 patent/US20100158337A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040106864A1 (en) * | 2001-03-07 | 2004-06-03 | Rose Stephen Edward | Method of predicting stroke evolution utilising mri |
EP1946703A1 (de) * | 2005-11-02 | 2008-07-23 | Hitachi Medical Corporation | Bildanalysevorrichtung und -verfahren |
DE102007024450A1 (de) * | 2007-05-25 | 2008-11-27 | Siemens Ag | Ermittlungsverfahren für ein farbcodiertes erstes Auswertungsbild und hiermit korrespondierende Gegenstände |
Also Published As
Publication number | Publication date |
---|---|
US20100158337A1 (en) | 2010-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60200883T2 (de) | Verfahren und gerät zur erstellung von penumbra- und infarktbilder | |
DE102009053471B4 (de) | Verfahren und Vorrichtung zur Identifizierung und Zuordnung von Koronarkalk zu einem Herzkranzgefäß sowie Computerprogrammprodukt | |
EP3437559B1 (de) | Ermitteln eines funktionsparameters betreffend eine lokale gewebefunktion für mehrere gewebebereiche | |
DE102008062672A1 (de) | Verfahren und Vorrichtung zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten | |
WO2013098074A2 (de) | Kontrollverfahren und kontrollsystem | |
DE102016205507A1 (de) | Verfahren zur Ermittlung einer den Blutfluss in Kollateralen beschreibenden Kollateralinformationen, medizinische Bildaufnahmeeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger | |
DE102015226400A1 (de) | Automatisierte Ermittlung von Konturen auf Basis einer iterativen Rekonstruktion | |
DE102009015007A1 (de) | Verfahren zur Auswertung einer Zeitserie von zweidimensionalen Bildern einer Testbolusmessung und medizinische Bildaufnahmeeinrichtung | |
DE102009042129A1 (de) | Verfahren zur Unterscheidung von grauer und weißer Hirnsubstanz und CT-System zur Durchführung des Verfahrens | |
DE102013226858A1 (de) | Verfahren zur Erzeugung eines wenigstens dreidimensionalen Anzeigedatensatzes, Röntgeneinrichtung und Computerprogramm | |
DE102006012945A1 (de) | Verfahren zur virtuellen Schichtpositionierung in einem 3D-Volumendatensatz und medizinisches Abbildungssystem | |
WO2007128686A2 (de) | Verfahren zur ermittlung und anzeige von wenigstens einer information über ein zielvolumen | |
DE102008058740B4 (de) | Korrektur von Artefakten in der "Time of Flight"- MR-Angiographie | |
DE102009021234A1 (de) | Verfahren zur Verarbeitung von Messdaten der Perfusions-Computertomographie | |
DE202021106122U1 (de) | Medizinische Informationsverarbeitungsvorrichtung und medizinisches Informationsverarbeitungssystem | |
DE102013220018A1 (de) | Berechnung eines Untersuchungsparameters | |
EP3583902B1 (de) | Verfahren zum automatischen anpassen eines mittels eines röntgengeräts gewonnenen bilddatensatzes, computerprogramm, datenspeicher und röntgengerät | |
DE102016226336A1 (de) | Verfahren und Vorrichtung zur Erzeugung eines zweidimensionalen Projektionsbildes aus einem dreidimensionalen Bilddatensatz | |
DE102014201556A1 (de) | Verfahren zur Ermittlung eines Gewebeparameters, Röntgeneinrichtung und Computerprogramm | |
DE102009030722A1 (de) | Verfahren zur Aufzeichnung und Verarbeitung von Messdaten einer Hybrid-Bildgebungsvorrichtung sowie Hybrid-Bildgebungsvorrichtung | |
DE102004003381A1 (de) | Verfahren zur Bestimmung der Lage wenigstens einer Schicht in einem Untersuchungsgebiet, in welcher Schicht eine Schichtbildaufnahme erfolgen soll | |
DE102016215976A1 (de) | Ermittelung einer klinischen Kenngröße mit einer Kombination unterschiedlicher Aufnahmemodalitäten | |
DE102016209885B4 (de) | Automatische Charakterisierung von Lebergewebe | |
DE102021210314A1 (de) | Verfahren zur Aufnahme einer Wirbelsäulen-Röntgenaufnahme, insbesondere einer Skoliose-Röntgenaufnahme | |
DE102017103146A1 (de) | Evaluiervorrichtung, Evaluierverfahren und Evaluierprogramm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8120 | Willingness to grant licences paragraph 23 | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: A61B0019000000 Ipc: A61B0034000000 |
|
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: A61B0034000000 Ipc: A61B0006000000 |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |