DE10353883A1 - Verfahren und Einrichtung zum Messen Krankheits-relevanter Gewebeveränderungen - Google Patents

Verfahren und Einrichtung zum Messen Krankheits-relevanter Gewebeveränderungen Download PDF

Info

Publication number
DE10353883A1
DE10353883A1 DE10353883A DE10353883A DE10353883A1 DE 10353883 A1 DE10353883 A1 DE 10353883A1 DE 10353883 A DE10353883 A DE 10353883A DE 10353883 A DE10353883 A DE 10353883A DE 10353883 A1 DE10353883 A1 DE 10353883A1
Authority
DE
Germany
Prior art keywords
regions
image data
disease
features
given disease
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.)
Ceased
Application number
DE10353883A
Other languages
English (en)
Inventor
Paulo Richardo Mendonca
Matthew William Turek
James Vradenburg Miller
Robert August Kaucic
Peter Henry Tu
Tony Chishao Pan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Original Assignee
General Electric Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by General Electric Co filed Critical General Electric Co
Publication of DE10353883A1 publication Critical patent/DE10353883A1/de
Ceased legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30061Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

Es werden ein Verfahren und eine Einrichtung angegeben zum Messen krankheits-relevanter Gewebeveränderungen zum Verwenden bei der Quantifizierung, Diagnostizierung und/oder Vorhersage von einer gegebenen Krankheit. Das Verfahren enthält Anwenden wenigstens eines Segmentierungsprozesses auf die Bilddaten, um mehrere segmentierte Regionen von Interesse zu generieren, Extrahieren von Merkmalen, die für eine gegebene Krankheit relevant sind aus den segmentierten Regionen, um extrahierte Merkmale zu generieren, und mathematisches Nachbilden der Merkmale zur Verwendung beim Diagnostizieren, Quantifizieren und/oder Vorhersagen von Veränderungen, die die gegebene Krankheit anzeigen. Die Einrichtung enthält eine Bildgebungsvorrichtung zum Gewinnen der Bilddaten und einen Bildprozessor, der konfiguriert ist zum Segmentieren, Extrahieren und mathematischen Nachbilden von krankheits-relevanten Merkmalen.

Description

  • Die Erfindung bezieht sich auf Verfahren und Einrichtungen zum Verarbeiten medizinischer Bilddaten, um die Erfassung und Diagnose einer Krankheit zu unterstützen, und insbesondere auf Verfahren und Einrichtungen zum Messen von Gewebeveränderungen, die mit einer chronischen Lungenerkrankung verbunden sind, in medizinischen Bildern, die aus einem Röntgen-Computer-Tomographie(CT)-System erhalten werden.
  • Ein Brustkorb-Röntgensystem ist das üblicherweise verwendete Untersuchungs-Werkzeug, das zum Erfassen einer Lungenkrankheit in Menschen verwendet wird. Eine Lungenkrankheit, wie beispielsweise Bronchitis, Emphysem und Lungenkrebs, sind auch in Brustkorb-Röntgenbildern und CT erfassbar. Jedoch liefern CT Systeme im Allgemeinen über 80 getrennte Bilder für eine einzige CT Abtastung, wodurch eine beträchtliche Informationsmenge für einen Radiologen zur Verwendung bei der Interpretierung der Bilder und Erfassung verdächtiger Bereiche geliefert wird, die eine Erkrankung anzeigen können.
  • Verdächtige bzw. suspekte Bereiche sind als solche Bereiche definiert, die ein erfahrener Radiologe vorschlagen würde, durch anschließende diagnostische Bildgebung, Biopsie, funktionale Lungenprüfung oder andere Verfahren zu verfolgen. Das beträchtliche Datenvolumen, das durch eine einzige CT Abtastung geliefert wird, stellt für Radiologen einen zeitraubenden Prozess dar. Eine übliche Lungenkrebs-Reihenuntersuchung beinhaltet im Allgemeinen eine manuelle Interpretation der 80 oder mehr Bilder durch den Radiologen. Ermüdung ist deshalb ein signifikanter Faktor, der die Sensibilität und Genauigkeit der menschlichen Betrachtung beeinträchtigt. Bei anderen Krankheiten, wie beispielsweise einem Emphysem, ist es für einen Radiologen schwierig, das Ausmaß des Fortschreitens der KrankheitErfindung zu klassifizieren, wenn er nur auf die CT Bilder schaut.
  • Chronische Obstruktive Pulmonale Krankheit (COPD) wird auf der Basis von Symptomen identifiziert, zu denen Husten, Keuchen und Atemnot (Dyspnea) gehören. COPD umfasst eine Anzahl von Atemwegserkrankungen, von denen die prominentesten Emphysem und chronische Bronchitis sind. COPD beeinflusst große Luftwege, kleine Luftwege und Parenchym (organspezifische Gewebe) in Patienten. Erkrankungen werden üblicherweise durch Rauchen und Luftverschmutzung hervorgerufen und sind mit genetischer Prädisposition verbunden, die Alpha-Anti-Elastate-Mangel bewirkt.
  • Emphysem oder Luftraumzerstörung ist das prominenteste Merkmal von parenchymaler Veränderung bei COPD Patienten. Emphysem ist das Ergebnis des Verlustes elastischer Rückbewegung von Lungengewebe. Es gibt vier Typen von Emphysemen: Centrilobular, Panlobular oder Panacinar, Distal Acinar oder Paraseptal und unregelmäßig. Die ersten zwei Typen tragen zu der Mehrzahl von emphysemataler COPD bei. Die Klassifizierung basiert auf der anatomischen Verteilung von Luftraumzerstörung in einem Lobulus, was ein Cluster von Acini ist. Gegenwärtig kann Emphysem nur durch post mortem Untersuchung klassifiziert werden. Emphysem wird üblicherweise durch physiologische Gesamtantworten, medizinische Bildgebung und anatomische post mortem Untersuchung diagnostiziert. Die Verwendung hoch auflösender CT Bilddaten ist eine vielversprechende Technik zum Messen des Lungenvolumens für Diagnosezwecke. Jedoch ist einer der mehr hervortretenden Krankheitsindikatoren die Verschlechterung der Alveolen und anderer Gewebeveränderungen in der Lunge, die gegenwärtig aus CT Bilddaten schwierig zu messen sind.
  • Die Erfassung von Emphysemen zu frühen Stufen ist äußerst wünschenswert. Die Beschädigung, die durch Emphysem hervorgerufen wird, wird häufig zu späteren Stufen der Erkrankung festgestellt, und die Wirkungen sind dauerhaft. Obwohl die Wirkungen von Emphysem nicht umgekehrt werden können, kann eine frühe Diagnose von Emphysem Maßnahmen ermöglichen, die von dem Patienten ergriffen werden, um eine weitere Ausbreitung der Beschädigung, die durch die Erkrankung bewirkt wird, zu verhindern. Wenn weiterhin mehr und mehr Therapie- und Medikamentenbehandlungen gefunden werden, wird es wünschenswert sein, die Reaktion eines Patienten auf eine derartige Behandlung zu überwachen.
  • Es besteht ein Bedürfnis für ein robustes Verfahren und ein System zum Messen von Krankheits-relevanten Gewebeveränderungen in medizinischen Bildern, um eine Diagnose und Verfolgung von verschiedenen Formen von COPD zu ermöglichen.
  • Kurze Zusammenfassung der Erfindung
  • Gemäß einem ersten Aspekt wird ein Verfahren bereitgestellt, um wenigstens eines von Quantifizieren, Diagnostizieren und Voraussagen Krankheits-relevanter Veränderungen zu ermöglichen, die aus Bilddaten gewonnen werden. Das Verfahren enthält, dass wenigstens ein Segmentierungsprozess auf die Bilddaten angewendet wird, um eine Anzahl von interessierenden segmentierten Bereichen bzw. Regionen zu generieren, aus den segmentierten Regionen Merkmale, die für eine gegebene Erkrankung relevant sind, herausgezogen werden, und die Merkmale mathematisch im Modell nachgebildet werden zur Verwendung bei der Diagnose, Quantifizierung und/oder Vorhersage von Änderungen, die die gegebene Erkrankung anzeigen.
  • Gemäß einem zweiten Aspekt wird eine Einrichtung bereitgestellt für wenigstens eines von Quantifizieren, Diagnostizieren und Vorhersagen Krankheits-relevanter Veränderungen aus gewonnenen Bilddaten. Das System enthält eine Bildgebungsvorrichtung zum Gewinnen der Bilddaten und einen Bildprozessor. Der Bildprozessor ist konfiguriert, um wenigstens einen Segmentierungsprozess auf die Bilddaten anzuwenden, um eine Anzahl von interessierenden segmentierten Bereichen bzw. Regionen zu generieren und aus den segmentierten Regionen Merkmale, die für eine gegebene Erkrankung relevant sind, herauszuziehen, um extrahierte Merkmale zu generieren, und der Bildprozessor ist weiterhin konfiguriert zum mathematischen Abbilden der Merkmale zur Verwendung beim Diagnostizieren, Quantifizieren und/oder Vorhersagen von Änderungen, die die gegebene Krankheit anzeigen.
  • Die Merkmale und Vorteile der Erfindung werden aus folgenden detaillierten Beschreibung der Erfindung deutlich, wenn sie mit den beigefügten Zeichnungen gelesen wird, in denen:
  • 1 ein Blockdiagramm ist, das eine medizinische Bildgebungseinrichtung darstellt, für die Ausführungsbeispiele der Endung anwendbar sind, und
  • 2 ein Blockdiagramm ist und Beispiele von Verfahren darstellt, die die Erfindung verwenden.
  • Detaillierte Beschreibung der Erfindung
  • In 1 ist ein allgemeines Blockdiagramm von einem System bzw. einer Einrichtung 100 zur Krankheitserfassung gezeigt. Die Einrichtung 100 enthält eine Bildgebungsvorrichtung 110, die aus einer Anzahl von medizinischen Bildgebungsvorrichtungen ausgewählt werden kann, die in der Technik zum Erzeugen einer Anzahl von Bildern bekannt sind. Am häufigsten werden Computer-Tomographie(CT)- und Magnetresonanz-Bildgebung(MRI)-Systeme verwendet, um eine Anzahl medizinischer Bilder zu erzeugen.
  • Während einer CT Bildgebungssitzung wird ein Patient in der Bildgebungseinrichtung angeordnet und Röntgenstrahlen ausgesetzt, die mit einer Reihe von Röntgendetektoren gemessen werden. Ein Röntgenstrahlenbündel tritt durch einen bestimmten dünnen Querschnitt oder eine „Scheibe" des Patienten hindurch. Die Detektoren messen die Menge der hindurchgetretenen Strahlung. Diese Information wird verwendet, um den Röntgenschwächungs-Koeffizienten für Sample- bzw. Abtastpunkte in dem Körper zu berechnen. Dann wird ein Grauskala-Bild konstruiert auf der Basis von den berechneten Röntgenschwächungs-Koeffizienten. Die Grauschattierungen in dem Bild stellen die Menge der Strahlungsabsorption von jedem Punkte in der Scheibe dar. Die Scheiben, die während einer CT Sitzung erhalten sind, können rekonstruiert werden, um eine anatomisch richtige Darstellung von dem interessierenden Bereich in dem Körper zu liefern, der den Röntgenstrahlen ausgesetzt worden ist.
  • Während einer MR Bildgebungssitzung wird ein Patient in einem starken Magnetfeld angeordnet, das durch einen großen Magneten erzeugt wird. Magnetisierte Protonen innerhalb des Körpers, wie beispielsweise Wasserstoffatome, richten sich mit dem durch den Magneten erzeugten Magnetfeld aus. Eine bestimmte Scheibe des Patienten wird Radiowellen ausgesetzt, die ein oszillierendes Magnetfeld senkrecht zu dem Hauptmagnetfeld hervorrufen. Die Scheiben können in jeder Ebene gemacht werden, die von dem Arzt oder Techniker (nachfolgend der „Operator" genannt) gewählt ist, der die Bildgebungssitzung ausführt. Die Protonen in dem Patientenkörper absorbieren zunächst die Radiowellen und emittieren dann die Wellen, indem sie sich aus der Ausrichtung mit dem Feld herausbewegen. Wenn die Protonen in ihren Ausgangszustand (vor der Anregung) zurückkehren, werden diagnostische Bilder auf der Basis der von dem Patientenkörper emittierten Wellen hervorgerufen. Wie CT Bildscheiben können MR Bildscheiben rekonstruiert werden, um einen Gesamtbild von dem interessierenden Körperbereich zu liefern. Teile des Körpers, die ein hohes Signal erzeugen, werden in einem MR Bild weiß angezeigt, während diejenigen mit den kleinsten Signalen als schwarz angezeigt werden. Andere Körperteile, die variierende Signalintensitäten zwischen hoch und tief haben, werden als eine gewisse Grauschattierung angezeigt.
  • Wenn MR oder CT Anfangsbilder erhalten worden sind, werden die Bilder im Allgemeinen segmentiert. Der Segmentierungsprozess klassifiziert die Pixel oder Voxel von einem Bild in eine gewisse Anzahl von Klassen, die in Bezug auf eine gewisse Charakteristik (d.h. Intensität, Textur usw.) homogen sind. Beipielsweise kann in einem segmentierten Bild des Gehirns das Material des Gehirns in drei Klassen kategorisiert werden: graue Masse, weiße Masse und zerebrospinale Flüssigkeit. Es können einzelne Farben verwendet werden, um Bereiche von jeder Klasse zu markieren, nachdem die Segmentierung abgeschlossen ist. Wenn das segmentierte Bild entwickelt ist, können Chirurgen die segmentierten Bilder benutzen, um chirurgische Techniken zu planen.
  • Im Allgemeinen beinhaltet die Erzeugung eines segmentierten CT oder MR Bildes mehrere Schritte. Ein Datensatz wird durch Einfangen von CT oder MR Scheibendaten erzeugt. Durch den Segmentierungsprozess wird dann jedem Punkt in dem Datensatz ein Grauskalawert zugeordnet. Dieser Standard der Farbgebung gestattet die individuelle Betrachtung des Bildes, um die in den Bildern dargestellten Objekte auf einfache Weise zu verstehen.
  • 1 stellt eine medizinische Bildgebungseinrichtung 100 dar, auf die Ausführungsbeispiele der Erfindung anwendbar sind. Die Einrichtung enthält eine Bildgebungsvorrichtung 110, einen Prozessor 120 und eine Interface-Einheit 130. Die Bildgebungsvorrichtung 110 ist in der Lage, mehrere Bilddatensätze 240 zu generieren und ist beispielsweise ein Computer-Tomographie(CT)- oder Magnetreso nanz(MR)-Scanner. Im Kontext von CT oder MR wird die Gewinnung von Bilddaten im Allgemeinen als „Abtastungen" bzw. „Scans" bezeichnet. In einem Ausführungsbeispiel werden die Bilder unter Verwendung einer CT Bildgebungsvorrichtung gewonnen. Der Prozessor 120 ist konfiguriert, um Berechnungen gemäß Ausführungsbeispielen der Erfindung auszuführen, die mit weiteren Einzelheiten unter Bezugnahme auf 2 beschrieben werden. Der Prozessor 120 ist auch so konfiguriert, dass er Berechnungs- und Steuerfunktionen für allgemein bekannte Bildbearbeitungstechniken ausführt, wie beispielsweise Rekonstruktion, Bilddatenspeicherung, Segmentierung und ähnliches. Der Prozessor 120 kann eine Zentrale Verarbeitungseinheit (CPU), wie beispielsweise eine einzelne integrierte Schaltung, wie beispielsweise einen Mikroprozessor, aufweisen oder er kann jede geeignete Anzahl von integrierten Schaltvorrichtungen und/oder Schaltkarten aufweisen, die zusammenarbeiten, um die Funktionen einer Zentralen Verarbeitungseinheit auszuführen. Der Prozessor 120 weist wünschenswerterweise einen Speicher auf. Der Speicher in dem Prozessor 120 kann irgendeinen Speichertyp aufweisen, der dem Fachmann bekannt ist. Hierzu gehören dynamischer Arbeitsspeicher (DRAM), statischer RAM (SRAM), Flash-Speicher, Cache-Speicher usw. Auch wenn es in 1 nicht explizit gezeigt ist, so kann der Speicher ein einzelner Typ von Speicherkomponente sein oder er kann aus vielen unterschiedlichen Typen von Speicherkomponenten zusammengesetzt sein. Der Prozessor 120 ist auch in der Lage, die in dem Speicher enthaltenen Programme auszuführen und als Antwort auf diese Programme oder andere Aktivitäten zu arbeiten, die im Laufe der Bildgewinnung und Bildbetrachtung auftreten können. Wie sie hier verwendet sind, beziehen sich „eingerichtet zu", „konfiguriert" und ähnliches auf mechanische oder strukturelle Verbindungen zwischen Elementen, damit die Elemente zusammenarbeiten können, um für die beschriebene Wirkung zu sorgen; diese Begriffe beziehen sich auch auf Betriebseigenschaften von elektrischen Komponenten, wie beispielsweise analoge oder digitale Computer oder anwendungsspezifische Vorrichtungen (wie beispielsweise eine anwendungsspezifische Integrierte Schaltung (ASIC)), die programmiert sind, um eine Sequenz auszuführen, um eine Ausgangsgröße als Antwort auf gegebene Eingangssignale zu liefern.
  • Die Interface-Einheit 130 ist mit dem Prozessor 120 verbunden und dafür eingerichtet, dass menschliche Benutzer mit der Einrichtung 100 kommunizieren können.
  • Der Prozessor 120 ist ferner dafür eingerichtet, Berechnungen auszuführen, die in kohärenter Weise zu der Interface-Einheit 130 übertragen werden, so dass ein menschlicher Benutzer die gesendete Information interpretieren kann. Die gesendete Information kann Bilder in 2D oder 3D, Farb- und Grauskalabilder und Textnachrichten über Diagnose- und Erfassungsinformation enthalten. Die Interface-Einheit 130 kann ein Personal Computer, eine Bild-Workstation, ein tragbare Bilddisplayeinheit oder irgendeine übliche Bild-Displayplattform sein, die im Allgemeinen als ein Teil von einem CT oder MRI System gruppiert wird.
  • Alle Daten, die aus vielen Abtastungen des Patienten gesammelt sind, sind als ein Datensatz zu betrachten. Jeder Datensatz kann in kleinere Einheiten, entweder Pixel oder Voxel, unterbrochen sein. Wenn der Datensatz zweidimensional ist, ist das Bild aus Einheiten aufgebaut, die Pixel genannt werden. Ein Pixel ist ein Punkt im zweidimensionalen Raum, auf den unter Verwendung von zweidimensionalen Koordinaten, gewöhnlich x und y, Bezug genommen werden kann. Jedes Pixel in einem Bild ist von acht anderen Pixeln umgeben, wobei die neun Pixel ein drei-mal-drei Quadrat bilden. Diese acht anderen Pixel, die das mittlere Pixel umgeben, werden als die acht verbundenen Nachbarn des mittleren Pixels betrachtet. Wenn der Datensatz dreidimensional ist, wird das Bild in Einheiten angezeigt, die Voxel genannt werden. Ein Voxel ist ein Punkt im dreidimensionalen Raum, auf den unter Verwendung dreidimensionaler Koordinaten, gewöhnlich x, y und z, Bezug genommen werden kann. Jedes Voxel ist von sechsundzwanzig anderen Voxeln umgeben. Diese sechsundzwanzig Voxel können als die sechsundzwanzig verbundenen Nachbarn von dem Ursprungsvoxel betrachtet werden.
  • Als Teil der Gewinnung der Bilddaten ist für den Fachmann verständlich, dass ein geeignetes Patientenabtastprotokoll erforderlich ist. Beispielsweise benötigen Brustkorbuntersuchungen unter Verwendung von CT oder MRI üblicherweise, dass der Patient (Subjekt) seinen Atem anhalten muss, um Bewegungs-Artefakte in den Patientendaten aufgrund der Patientenatmung zu verringern. Gewöhnlich werden CT oder MRI Untersuchungen während voller Einatmung oder voller Ausatmung gemacht. Weiterhin können Kontrastmittel verwendet werden, um die Röntgenstrahlung in bestimmten Bereichen des Körpers zu schwächen. Kontrastmittel helfen, die Unterscheidung zwischen Geweben, die durch die Kontrastmittel beeinflusst sind, und Geweben zu verbessern, die nicht beeinflusst sind. Bei einem CT Bild ist die Differenz der CT Zahl zwischen Kontrastmittel enthaltenden und kein Kontrastmittel enthaltenden Geweben größer als normal. Kontrastmittel werden in den Patienten oral, intravenös oder rektal eingeführt.
  • Wenn Bilddaten aus den oben beschriebenen Bildgebungsverfahren gewonnen werden, ist der Bildprozessor 120 eingerichtet, eine Bearbeitung auszuführen, um Krankheits-relevante Gewebeveränderungen gemäß Ausführungsbeispielen der Erfindung zu messen, die nun mit weiteren Einzelheiten beschrieben werden. Wie einleitend beschrieben wurde, sind das Messen von Gewebeveränderungen und dem Volumen der Lungenfläche Schlüsselindikatoren bei der Diagnose und Abstufung von Chronischer Obstruktiver Pulmonarer Erkrankung (COPD), insbesondere Emphysem.
  • Bezug nehmend auf 2, wird ein Verfahren zum Messen, Quantifizieren und/oder Vorhersagen Krankheits-relevanter Veränderungen bereitgestellt. Wie er hier verwendet wird, bezieht sich der Begriff „Krankheits-relevanter Veränderungen" auf Änderungen, die mit einer interessierenden Erkrankung verbunden sind. Beispielsweise sind die Anzahl der Ränder von Lungengewebezellen, die Intensität von beeinträchtigten Flächen der Lunge und die Fläche der beeinflussten Bereiche der Lunge Indikatoren für das Vorhandensein von Emphysem, und Änderungen in diesen Aspekten zeigen das Fortschreiten der Krankheit an. Die Bilddaten werden bei 210 gewonnen und bei 220 durch mehrere Segmentierungsschritte segmentiert. Die Segmentierung segmentiert in Bereiche, die unterschiedliche Eigenschaften haben, beispielsweise Intensität, Fläche, Umfang, Seitenverhältnis, Durchmesser, Varianz, Ableitungen und andere Eigenschaften, die für eine gegebene Erkrankung von Interesse sein können. Die Segmentierungsschritte können aus vielen bekannten Segmentierungstechniken ausgewählt werden. Bei 230 wird eine Merkmals-Extraktion auf die segmentierten Bilddaten ausgeführt, um relevante Merkmale für eine gegebene Krankheit zu extrahieren. Beispielsweise sind die Anzahl von Rändern, Fläche und Intensität besonders relevant. Wie es bis hierher beschrieben ist, können Techniken der Gewinnung, Segmentierung und Merkmals-Extraktion viele verschiedene bekannte Techniken verwenden, um relevante Bildinformation, oder alternativ verdächtige Bereiche, über eine gegebene Erkrankung extrahieren. Jedoch wird bei Ausführungsbeispielen der Erfindung eine weitere Bearbeitung ausgeführt, 'um Vorhersagen in Bezug auf gewisse Flächen oder verdächtige Bereiche zur Verwendung bei der Vorhersage, Quantifizierung oder Diagnose einer gegebenen Krankheit zu machen. Anschließend können die verdächtigen Regionen als ein Bild für den Benutzer angezeigt werden, wobei viele bekannte Techniken verwendet werden können. In einem bevorzugten Ausführungsbeispiel besteht die Technik darin, gefärbte Polygone auf den Bilddaten anzuzeigen. Die gefärbten Polygone oder ähnliche hervorgehobene Regionen würden Werten entsprechen, die aus der Analyse resultieren, die nachfolgend näher erläutert wird. Weiterhin können die Ergebnisse der segmentierten Regionen wünschenswerterweise als hervorgehobene Bereiche bildlich dargestellt werden, die über den ursprünglichen Bilddaten liegen. Die Anzeige kann zweidimensional (2D) oder dreidimensional sein.
  • In einem Ausführungsbeispiel der Erfindung wird ein Verfahren für wenigstens eines von Quantifizieren, Diagnostizieren und Vorhersagen Krankheits-relevanter Veränderungen, die aus Bilddaten gewonnen sind, bereitgestellt. Das Verfahren enthält, dass wenigstens ein Segmentierungsprozess auf die Bilddaten ausgeführt wird, um eine Anzahl segmentierter Regionen von Interesse zu generieren, Merkmale, die für eine gegebene Erkrankung relevant sind, aus den segmentierten Regionen extrahiert werden, um extrahierte Merkmale zu generieren, und die Merkmale zur Verwendung bei einem von Diagnostizieren, Quantifizieren und Vorhersagen von Veränderungen mathematisch nachgebildet werden, die die gegebene Erkrankung anzeigen. In dem Beispiel einer Lunge enthält der Segmentierungsschritt, dass mehrere Sub-Regionen in der Lunge segmentiert werden und weiterhin nach Parametern innerhalb der Sub-Regionen segmentiert werden, wobei die Parameter wenigstens einer von Rändern, Fläche und Intensität sind, obwohl auch andere Segmentierungsparameter, die dem Fachmann bekannt sind, segmentiert werden können.
  • Der mathematische Nabildungsschritt, der in 2 als Schritt 250 gezeigt ist, ermöglicht, dass eine biologische Erscheinung physikalisch nachgebildet wird, wobei bekannte physikalische Nachbildungsprinzipien verwendet werden. In einem bevorzugten Ausführungsbeispiel wird die mathematische Nachbildung unter Verwendung freier Grenzmodelle wie beispielsweise solchen ausgeführt, die dem von Neumann'schen Gesetz folgen. Das von Neumann'sche Gesetz ist ein bekanntes Prin zip, das verwendet wird, um Blasenstrukturen oder Kristallgitterstrukturen zu erklären, die aus einer Anzahl von Zellen aufgebaut sind. Gemäß dem von Neumann' schen Gesetz haben Zellen mit vielen Rändern die Tendenz zu wachsen, und Zellen mit wenigen Rändern haben die Tendenz zu schrumpfen. Durch die Modell-Nachbildung anatomischer Strukturen und entsprechender Zellen, wie beispielsweise der Lunge und Lungenzellen, ist das Modell der Lage, Zellen mit vielen Rändern und wenigen Rändern zu erfassen. Die Anzahl der Ränder wird dazu verwendet, die Möglichkeit einer Krankheitsausbreitung vorherzusagen. Das von Neumann'sche Gesetz besagt, dass Zellen mit 6 Rändern stabil sind. Die Gleichung für das von Neumann'sche Gesetz wird ausgedrückt als:
    Figure 00100001
    wobei N die Zahl der Ränder ist und N0 ist 6 und κ ist ein Skalierungsparameter, der von den physikalischen und chemischen Eigenschaften der als Modell nachgebildeten Struktur abhängt. Bei der Verwendung des von Neumann'schen Gesetzes zur Nachbildung biologischer Veränderungen ist es möglich, das Wachstum oder das Fortschreiten der Krankheit abzuschätzen oder vorherzusagen. Zellen wachsen oder schrumpfen mit einer linearen Geschwindigkeit gemäß dem von Neumann'schen Gesetz. Obwohl die Wirkungen von Emphysem zur Zeit nicht umgekehrt werden können, kann das Wachstum oder das Ausbreiten des Emphysems unter Verwendung der oben beschriebenen Prinzipien überwacht werden. Somit kann das Verhalten von jeder Zelle bezüglich togologischer Änderungen vorhergesagt werden.
  • Eine weitere wichtige Eigenschaft von vielen Freigrenzenmodellen ist die Maßstab-Invarianz. Sie besagt, dass die normierte Verteilung fx (X/μ)/μ, wobei X eine Zufallsvariable ist, die einem geometrischen Maß der Zelle in der Ansammlung von Zellen zugeordnet ist, die die nachgebildete Struktur bilden, und μ der Mittelwert von X ist, die Differenzialgleichung erfüllt
    Figure 00100002
  • Diese Eigenschaft gestattet, dass der Vergleich der Wahrscheinlichkeitsverteilung von einem geometrischen Parameter, wie beispielsweise Fläche oder Umfang, mit einem Standard verglichen werden kann, der von der normierten Verteilung dieses gleichen Parameters geliefert wird, und Abweichungen oder Differenzen in diesem Vergleich können als ein diagnostisches oder Quantifizierungs-Werkzeug für die Krankheit verwendet werden.
  • Die oben beschriebenen Ausführungsbeispiele sind darauf gerichtet, dass die gegebene Krankheit Emphysem ist, und die Merkmale, die für Emphysem relevant sind, Fläche der beeinflussten Regionen einer Lunge, die Intensität der Regionen der Lunge und die Anzahl der Ränder von Zellen in der Lunge sind. Es sei jedoch darauf hingewiesen, dass auch andere Krankheiten mit dem von Neumann'schen Gesetz erklärt werden können. In ähnlicher Weise ist das von Neumann'sche Gesetz nur ein Beispiel für die mathematische Nachbildung. Es gibt viele andere bekannte Prinzipien und Techniken, wie beispielsweise ein Potts-Modell, Markov-Kette, Gibbs-Kette, Monte Carlo Algorithmus, Verteilungsgleichungen oder Phasenfeldmodell, für beschriebene Zellen, die eine Gitter- oder Blasenstruktur haben, die ebenfalls verwendet werden können.
  • Es wird nun weiterhin auf 2 Bezug genommen; die nachgebildeten Zellen und extrahierten Merkmale werden im Schritt 240 analysiert hinsichtlich lokaler und gesamter Bewertungen der Schwere und Ausbreitung bzw. Fortschritt. Eine lokale Analyse würde auf eine gewählte Regionen) von Interesse fokussieren, wobei Gesamtbewertungen auf das Fortschreiten der Krankheit fokussieren würden. Üblicherweise gibt es drei Stufen der Krankheit, die auf vielen Faktoren basieren, zu denen Flächen von erkrankten Geweben gegenüber gesundem Gewebe, Messungen der Änderungsgeschwindigkeit und die räumliche Verteilung der befallenen Flächen gehören, die bis zu einem gewissen Ausmaß Standard in dem klinischen Gebiet sind. Als Teil der Diagnosefindung und Behandlung eines Patienten wird die Bewertung verwendet, um die Stufe des Patienten einzuordnen.
  • Die Analyse enthält ein Analysieren der extrahierten Merkmale, um Zugang zu Schwere und Fortschreiten der gegebenen Krankheit zu haben. Zusätzlich gibt es wünschenswerterweise einen globalen Analyseschritt 260, in dem die extrahierten Merkmale verarbeitet werden unter Verwendung von wenigstens einer Histogramm-Analyse, um mehrere Merkmale unter Verwendung von Histogrammen zu messen, die auf dem Gebiet der Analysierung von Bildern bekannt sind.
  • Wenn die oben beschriebene Bearbeitung abgeschlossen ist, kann das Verfahren ferner enthalten, dass eine Ausgangsgröße über den Grad und das Fortschreiten der Erkrankung generiert wird. Beispielsweise kann die Ausgangsgröße verwendet werden, um die Abstufung der gegebenen Krankheit in einem Patienten festzulegen, um die Reaktion auf eine Therapie zu messen, den Phänotyp für eine Patientenauswahl festzulegten, um an Medikamenten-Versuchen teilzunehmen, die Stabilität von einer anatomischen Struktur zu messen und die Änderungsgeschwindigkeit von einer gegebenen Krankheit vorherzusagen. Wie es hier verwendet wird, bezieht sich Festlegung des Phänotyps auf eine Beobachtung physikalischer oder biochemischer Charakteristiken, wie sie sowohl durch genetische Veranlagung als auch umweltbedingte Einflüsse bestimmt sind, und auf ein Ausdrücken einer spezifischen Eigenschaft, wie beispielsweise Statur oder Bluttyp, auf der Basis der Einflüsse. Ein Phänotyp ist ein Individuum oder eine Gruppe von Organismen, die einen bestimmten Phänotyp aufweisen.
  • Weiterhin kann die Ausgangsgröße eine Anzeige der Analyseergebnisse aufweisen und auch verdächtige Bereiche identifizieren, die in den oben beschriebenen Methoden extrahiert sind. Die Anzeige kann hervorgehobene Regionen in dem Bild sein, wobei die hervorgehobenen Regionen Werten aus der Analyse entsprechen. In einem bevorzugten Ausführungsbeispiel sind die gefärbten Polygone über den Bilddaten anzeigt. Die Anzeige kann 2D oder 3D sein.
  • Weiterhin wird ein System bzw. eine Einrichtung zum Quantifizieren, Diagnostizieren und/oder Vorhersagen von Krankheits-relevanten Veränderungen aus gewonnenen Bilddaten bereitgestellt. Die Einrichtung enthält eine Bildgebungsvorrichtung zum Gewinnen der Bilddaten und einen Bildprozessor. Der Bildprozessor ist konfiguriert, um wenigstens einen Segmentierungsprozess auf die Bilddaten anzuwenden, um eine Anzahl von segmentierten Bereichen bzw. Regionen von Interesse zu generieren und Merkmale, die für eine gegebenen Krankheit relevant sind, aus den segmentierten Regionen zu extrahieren, um extrahierte Merkmale zu generieren, und der Bildprozessor ist ferner konfiguriert für eine mathematische Nachbildung der Merkmale zur Verwendung bei einem von Diagnostizieren, Quantifizieren und Vorhersagen von Veränderungen, die die gegebene Krankheit anzeigen.
  • Die Ausführungsbeispiele der Erfindung, die in den vorstehenden Absätzen beschrieben sind, sind auf das Problem der Lokalisierung von verdächtigen Regionen in CT Lungen-Abtastungen gerichtet. Es sei jedoch darauf hingewiesen, dass die Messtechniken direkt auf andere Bildgebungsmodalitäten übertragen werden können (beispielsweise MRI-, Röntgen-, Ultraschall-Scanner, Positron-Emissions-Tomographie (PET)-Scanner). Weiterhin sind die oben beschriebenen Ausführungsbeispiele der Erfindung auf Krankheits-relevante Veränderungen gerichtet, die sich auf Emphysem in der Lunge beziehen, es sei aber darauf hingewiesen, dass andere biologische Veränderungen in anderen anatomischen Bereichen ebenfalls Nutzen aus den oben beschriebenen mathematischen Nachbildungstechniken ziehen können.
  • Es sind hier zwar bevorzugte Ausführungsbeispiele der Erfindung gezeigt und beschrieben worden, es ist aber klar, dass diese nur als Beispiele angegeben worden sind. Für den Fachmann ergeben sich zahlreiche Variationen, Änderungen und Substitutionen, ohne von der hier beschriebenen Erfindung abzuweichen. Demzufolge soll die Erfindung nur durch den Erfindungsgedanken und den Schutzumfang der beigefügten Ansprüche eingeschränkt sein.

Claims (24)

  1. Verfahren zum Quantifizieren, Diagnostizieren und/oder Vorhersagen von Krankheits-relevanten Veränderungen, die aus Bilddaten gewonnen werden, enthaltend: Anwenden (220) wenigstens eines Segmentierungsprozesses auf die Bilddaten, um mehrere segmentierte Regionen von Interesse zu generieren, Extrahieren (230) von Merkmalen, die für eine gegebene Krankheit relevant sind, aus den segmentierten Regionen, um extrahierte Merkmale zu generieren und mathematisches Nachbilden (250) der Merkmale zur Verwendung beim Diagnostizieren, Quantifizieren und/oder Vorhersagen von Veränderungen, die die gegebene Krankheit anzeigen.
  2. Verfahren nach Anspruch 1, wobei der mathematische Nachbildungsschritt enthält, dass Freigrenzen-Modelle, wie diejenigen verwendet werden, die dem von Neumann'schen Gesetz folgen.
  3. Verfahren nach Anspruch 1, wobei die gegebene Krankheit Emphysem ist, und die Merkmale, die für Emphysem relevant sind, entsprechende Flächen von befallenen Regionen einer Lunge, Intensität der Regionen der Lunge und die Anzahl von Zellenrändern in der Lunge sind.
  4. Verfahren nach Anspruch 1, ferner ein Analysieren (240) der extrahierten Merkmale enthaltend, um Übersicht über den Ernst und das Fortschreiten der gegebenen Krankheit zu gewinnen.
  5. Verfahren nach Anspruch 1, wobei der Extrahierungsschritt enthält, dass wenigstens eine Histogramm-Analyse für ein gegebenes Merkmal generiert wird, um das Merkmal zu extrahieren.
  6. Verfahren nach Anspruch 1, wobei der interessierende Bereich eine Lunge ist, und die Bilddaten durch Computer-Tomographie(CT), Magnetresonanz-Bildgebung (MRI), Röntgen und/oder Ultraschall gewonnen werden.
  7. Verfahren nach Anspruch 6, wobei der Segmentierungsschritt enthält, dass eine Anzahl von Sub-Regionen innerhalb der Lunge segmentiert wird, und ferner nach Parametern innerhalb der Sub-Regionen segmentiert wird.
  8. Verfahren nach Anspruch 4, wobei ferner eine Ausgangsgröße (270) über den Grad und den Fortschritt der Krankheit generiert wird.
  9. Verfahren nach Anspruch 8, wobei die Ausgangsgröße hervorgehobene Bereiche aufweist, die Werten des Extrahierungsschrittes entsprechen.
  10. Verfahren nach Anspruch 9, wobei die hervorgehobenen Bereiche über den Bilddaten angezeigt werden.
  11. Verfahren nach Anspruch 8, wobei die Ausgangsgröße verwendet wird für wenigstens eines von Abstufen der gegebenen Krankheit in einem Patienten, Messen der Reaktion auf Therapie, Phänotypbilden für Patientenauswahl, um an Medikamenten-Untersuchungen teilzunehmen, Messen der Stabilität von einer anatomischen Struktur und Vorhersagen der Änderungsgeschwindigkeit der gegebenen Krankheit.
  12. Einrichtung zum Quantifizieren, Diagnostizieren und/oder Vorhersagen von Krankheits-relevanten Veränderungen aus gewonnenen Bilddaten, enthaltend: eine Bildgebungsvorrichtung (110) zum Gewinnen der Bilddaten und einen Bildprozessor (120), der konfiguriert ist zum Anwenden von wenigstens einem Segmentierungsprozess auf die Bilddaten, um mehrere segmentierte Regionen von Interesse zu generieren und Merkmale, die für eine gegebene Krankheit relevant sind, aus den segmentierten Regionen zu extrahieren, um extrahierte Merkmale zu generieren, und der Bildprozessor ferner konfiguriert ist zum mathematischen Nachbilden der Merkmale zur Verwendung beim Dia gnostizieren, Quantifizieren und/oder Vorhersagen von Veränderungen, die die gegebene Krankheit anzeigen.
  13. Einrichtung nach Anspruch 12, wobei die mathematische Nachbildung Freigrenzen-Modelle wie beispielsweise solche verwendet, die dem von Neumann'schen Gesetz folgen.
  14. Einrichtung nach Anspruch 12, wobei die gegebene Krankheit Emphysem ist, und die Merkmale, die für Emphysem relevant sind, die Fläche von befallenen Regionen einer Lunge, Intensität der Regionen der Lunge und die Ränderzahl von Zellen innerhalb der Lunge sind.
  15. Einrichtung nach Anspruch 12, wobei der Bildprozessor ferner konfiguriert ist zum Analysieren der extrahierten Merkmale, um einen Überblick über Ernst und Fortschritt der gegebenen Krankheit zu gewinnen.
  16. Einrichtung nach Anspruch 12, wobei der Bildprozessor (120) konfiguriert ist zum Extrahieren von Merkmalen, indem wenigstens eine Histogramm-Analyse für ein gegebenes Merkmal generiert wird, um die Merkmale zu extrahieren.
  17. Einrichtung nach Anspruch 12, wobei der interessierende Bereich eine Lunge ist, und die Bilddaten durch Computer-Tomographie (CT), Magnetresonanz- Buldgebung (MRI), Röntgen und/oder Ultraschall gewonnen sind.
  18. Einrichtung nach Anspruch 17, wobei der Bildprozessor (120) konfiguriert ist zum Segmentieren einer Anzahl Sub-Regionen innerhalb der Lunge und ferner zum Segmentieren von Parametern innerhalb der Sub-Regionen, wobei die Parameter Ränder, Fläche und/oder Intensität sind.
  19. Einrichtung nach Anspruch 12, wobei ferner eine Interface-Einheit (240) vorgesehen ist, um eine Ausgangsgröße bildlich darzustellen, und wobei die Ausgangsgröße verwendet ist zum Abstufen der gegebenen Krankheit in einem Patienten, Messen der Reaktion auf Therapie, Phänotypbildung für eine Patientenauswahl, um an Medikamenten-Untersuchungen teilzunehmen, Messen der Stabilität von einer anatomischen Struktur und Vorhersagen der Änderungsgeschwindigkeit der gegebenen Krankheit.
  20. Einrichtung nach Anspruch 12, wobei ferner eine Interface-Einheit (240) vorgesehen ist zum bildlichen Darstellen einer Ausgangsgröße, und wobei die Ausgangsgröße hervorgehobene Regionen aufweist, die Werten des Extrahierungsschrittes entsprechen.
  21. Einrichtung nach Anspruch 20, wobei die hervorgehobenen Regionen über den Bilddaten liegend dargestellt sind.
  22. Verfahren zum Diagnostizieren, Quantifizieren und/oder Vorhersagen von Emphysem aus gewonnenen medizinischen Bilddaten, enthaltend: Anwenden (220) wenigstens einer Segmentierung auf die gewonnenen medizinischen Bilddaten, um mehrere segmentierte Regionen von Interesse zu generieren, Extrahieren (230) von Merkmalen, die für Emphysem relevant sind, aus den segmentierten Regionen, um extrahierte Merkmale zu generieren, mathematisches Nachbilden (250) der Merkmale zur Verwendung beim Diagnostizieren, Quantifizieren und/oder Vorhersagen von Veränderungen, die das Emphysem anzeigen.
  23. Verfahren nach Anspruch 22, wobei der mathematische Nachbildungsschritt enthält, dass Freigrenzen-Modelle wie beispielsweise die verwendet werden, die dem von Neumann'schen Gesetz folgen.
  24. Verfahren nach Anspruch 22, wobei die für Emphysem relevanten Merkmale Fläche der befallenen Bereiche der Lunge, Intensität Lungenbereiche und Anzahl von Rändern der Zellen in der Lunge sind.
DE10353883A 2002-11-27 2003-11-18 Verfahren und Einrichtung zum Messen Krankheits-relevanter Gewebeveränderungen Ceased DE10353883A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/065,894 US7283652B2 (en) 2002-11-27 2002-11-27 Method and system for measuring disease relevant tissue changes
US065894 2002-11-27

Publications (1)

Publication Number Publication Date
DE10353883A1 true DE10353883A1 (de) 2004-06-24

Family

ID=32323618

Family Applications (1)

Application Number Title Priority Date Filing Date
DE10353883A Ceased DE10353883A1 (de) 2002-11-27 2003-11-18 Verfahren und Einrichtung zum Messen Krankheits-relevanter Gewebeveränderungen

Country Status (5)

Country Link
US (1) US7283652B2 (de)
JP (1) JP4469594B2 (de)
CN (1) CN100387196C (de)
DE (1) DE10353883A1 (de)
NL (1) NL1024869C2 (de)

Families Citing this family (92)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8036731B2 (en) * 2001-01-22 2011-10-11 Spectrum Dynamics Llc Ingestible pill for diagnosing a gastrointestinal tract
US7826889B2 (en) * 2000-08-21 2010-11-02 Spectrum Dynamics Llc Radioactive emission detector equipped with a position tracking system and utilization thereof with medical systems and in medical procedures
US8489176B1 (en) 2000-08-21 2013-07-16 Spectrum Dynamics Llc Radioactive emission detector equipped with a position tracking system and utilization thereof with medical systems and in medical procedures
US8565860B2 (en) 2000-08-21 2013-10-22 Biosensors International Group, Ltd. Radioactive emission detector equipped with a position tracking system
US8909325B2 (en) 2000-08-21 2014-12-09 Biosensors International Group, Ltd. Radioactive emission detector equipped with a position tracking system and utilization thereof with medical systems and in medical procedures
CA2435205A1 (en) 2001-01-22 2002-08-01 V-Target Technologies Ltd. Ingestible device
EP1573495B1 (de) * 2002-11-04 2009-11-04 Spectrum Dynamics LLC Vorrichtungen und verfahren zur abbildungund dämpfungskorrektur
US8276091B2 (en) * 2003-09-16 2012-09-25 Ram Consulting Haptic response system and method of use
WO2005067383A2 (en) 2004-01-13 2005-07-28 Spectrum Dynamics Llc Multi-dimensional image reconstruction
US9470801B2 (en) 2004-01-13 2016-10-18 Spectrum Dynamics Llc Gating with anatomically varying durations
US7968851B2 (en) 2004-01-13 2011-06-28 Spectrum Dynamics Llc Dynamic spect camera
WO2008010227A2 (en) 2006-07-19 2008-01-24 Spectrum Dynamics Llc Imaging protocols
US8586932B2 (en) 2004-11-09 2013-11-19 Spectrum Dynamics Llc System and method for radioactive emission measurement
US8571881B2 (en) 2004-11-09 2013-10-29 Spectrum Dynamics, Llc Radiopharmaceutical dispensing, administration, and imaging
WO2007010534A2 (en) 2005-07-19 2007-01-25 Spectrum Dynamics Llc Imaging protocols
WO2006075333A2 (en) * 2005-01-13 2006-07-20 Spectrum Dynamics Llc Multi-dimensional image reconstruction and analysis for expert-system diagnosis
EP1778957A4 (de) 2004-06-01 2015-12-23 Biosensors Int Group Ltd Optimierung der messung radioaktiver strahlung an besonderen körperstrukturen
EP1766550A2 (de) * 2004-06-01 2007-03-28 Spectrum Dynamics LLC Verfahren zur ansichtsauswahl für messungen radioaktiver emission
CN101006465B (zh) * 2004-06-18 2013-03-20 美国西门子医疗解决公司 横跨时间点链接vois以分析疾病进展或者对治疗的响应的系统和方法
US8234923B2 (en) * 2004-09-20 2012-08-07 Innervision Medical Technologies Inc. Systems and methods for ultrasound imaging
US8615405B2 (en) 2004-11-09 2013-12-24 Biosensors International Group, Ltd. Imaging system customization using data from radiopharmaceutical-associated data carrier
US9316743B2 (en) 2004-11-09 2016-04-19 Biosensors International Group, Ltd. System and method for radioactive emission measurement
US9943274B2 (en) 2004-11-09 2018-04-17 Spectrum Dynamics Medical Limited Radioimaging using low dose isotope
EP1827505A4 (de) 2004-11-09 2017-07-12 Biosensors International Group, Ltd. Radiodarstellung
US8423125B2 (en) 2004-11-09 2013-04-16 Spectrum Dynamics Llc Radioimaging
WO2008059489A2 (en) 2006-11-13 2008-05-22 Spectrum Dynamics Llc Radioimaging applications of and novel formulations of teboroxime
WO2006103594A2 (en) * 2005-04-01 2006-10-05 Koninklijke Philips Electronics N.V. A method, a system and a computer program for segmenting a structure in a dataset
US8837793B2 (en) 2005-07-19 2014-09-16 Biosensors International Group, Ltd. Reconstruction stabilizer and active vision
US8111886B2 (en) * 2005-07-19 2012-02-07 Spectrum Dynamics Llc Reconstruction stabilizer and active vision
US8050734B2 (en) * 2005-09-07 2011-11-01 General Electric Company Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure
US7914451B2 (en) * 2005-09-15 2011-03-29 Innervision Medical Technologies Inc. Determining attributes using ultrasound
US20070092864A1 (en) * 2005-09-30 2007-04-26 The University Of Iowa Research Foundation Treatment planning methods, devices and systems
US7705316B2 (en) * 2005-11-09 2010-04-27 Spectrum Dynamics Llc Dynamic SPECT camera
US8014576B2 (en) * 2005-11-23 2011-09-06 The Medipattern Corporation Method and system of computer-aided quantitative and qualitative analysis of medical images
US8204500B2 (en) 2005-12-28 2012-06-19 Starhome Gmbh Optimal voicemail deposit for roaming cellular telephony
WO2007092054A2 (en) 2006-02-06 2007-08-16 Specht Donald F Method and apparatus to visualize the coronary arteries using ultrasound
US8894974B2 (en) 2006-05-11 2014-11-25 Spectrum Dynamics Llc Radiopharmaceuticals for diagnosis and therapy
CN101501728A (zh) * 2006-08-09 2009-08-05 皇家飞利浦电子股份有限公司 用于量化图像数据集对象中的结构的方法、装置、图形用户界面、计算机可读介质和用途
WO2008051639A2 (en) 2006-10-25 2008-05-02 Maui Imaging, Inc. Method and apparatus to produce ultrasonic images using multiple apertures
US9275451B2 (en) 2006-12-20 2016-03-01 Biosensors International Group, Ltd. Method, a system, and an apparatus for using and processing multidimensional data
US9282945B2 (en) * 2009-04-14 2016-03-15 Maui Imaging, Inc. Calibration of ultrasound probes
WO2009050676A1 (en) * 2007-10-17 2009-04-23 Koninklijke Philips Electronics N.V. Pathology-related magnetic resonance imaging
US8521253B2 (en) 2007-10-29 2013-08-27 Spectrum Dynamics Llc Prostate imaging
CN101861601A (zh) * 2007-11-14 2010-10-13 皇家飞利浦电子股份有限公司 疾病的计算机辅助检测(cad)
JP5581574B2 (ja) * 2008-07-09 2014-09-03 富士ゼロックス株式会社 画像処理装置及び画像処理プログラム
JP5374135B2 (ja) * 2008-12-16 2013-12-25 オリンパス株式会社 画像処理装置、画像処理装置の作動方法および画像処理プログラム
US8498480B2 (en) * 2009-02-25 2013-07-30 The United States Of America, As Represented By The Secretary Of The Navy Computationally efficient method for image segmentation with intensity and texture discrimination
JP5485373B2 (ja) 2009-04-14 2014-05-07 マウイ イマギング,インコーポレーテッド 複数開口の超音波アレイ位置合せ装置
FR2946171B1 (fr) * 2009-05-29 2011-07-15 Groupe Des Ecoles De Telecommunications Get Ecole Nationale Superieure Des Telecommunications Enst Procede de quantification de l'evolution de pathologies impliquant des changements de volumes de corps, notamment de tumeurs
US8338788B2 (en) 2009-07-29 2012-12-25 Spectrum Dynamics Llc Method and system of optimized volumetric imaging
KR102322776B1 (ko) 2010-02-18 2021-11-04 마우이 이미징, 인코포레이티드 초음파 이미지를 구성하는 방법 및 이를 위한 다중-개구 초음파 이미징 시스템
WO2012051305A2 (en) 2010-10-13 2012-04-19 Mau Imaging, Inc. Multiple aperture probe internal apparatus and cable assemblies
EP3563768A3 (de) 2010-10-13 2020-02-12 Maui Imaging, Inc. Konkave ultraschallwandler und 3d-arrays
KR101144964B1 (ko) 2010-10-21 2012-05-11 전남대학교산학협력단 간질성 폐질환 검출 시스템 및 그 방법
US9014456B2 (en) * 2011-02-08 2015-04-21 University Of Louisville Research Foundation, Inc. Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules
CN104105449B (zh) 2011-12-01 2018-07-17 毛伊图像公司 使用基于声脉冲和多孔多普勒超声的运动检测
EP2797515A4 (de) 2011-12-29 2015-07-22 Maui Imaging Inc M-modus-ultraschallbildgebung beliebiger pfade
CN104135937B (zh) 2012-02-21 2017-03-29 毛伊图像公司 使用多孔超声确定材料刚度
US9349177B2 (en) * 2012-03-23 2016-05-24 Koninklijke Philips N.V. Extracting bullous emphysema and diffuse emphysema in E.G. CT volume images of the lungs
JP6399999B2 (ja) 2012-03-26 2018-10-03 マウイ イマギング,インコーポレーテッド 重み付け係数を適用することによって超音波画像の質を改善するためのシステム及び方法
IN2015DN00556A (de) 2012-08-10 2015-06-26 Maui Imaging Inc
EP2887879B1 (de) 2012-08-21 2021-05-26 Maui Imaging, Inc. Ultraschallabbildungsverfahren
US8942445B2 (en) 2012-09-14 2015-01-27 General Electric Company Method and system for correction of lung density variation in positron emission tomography using magnetic resonance imaging
JP6242572B2 (ja) * 2012-11-29 2017-12-06 東芝メディカルシステムズ株式会社 医用画像撮影装置および画像処理装置
CN103020466B (zh) * 2012-12-26 2016-09-07 海信集团有限公司 一种计算机诊断方法及电子设备
CN103919571B (zh) * 2013-01-11 2016-12-28 通用电气公司 超声图像分割
US9510806B2 (en) 2013-03-13 2016-12-06 Maui Imaging, Inc. Alignment of ultrasound transducer arrays and multiple aperture probe assembly
EP2982304B1 (de) * 2013-04-05 2018-04-25 Toshiba Medical Systems Corporation Vorrichtung zur verarbeitung medizinischer bilder und verfahren zur verarbeitung medizinischer bilder
WO2015013722A1 (en) 2013-07-26 2015-01-29 Li-Cor, Inc. Systems and methods for setting initial display settings
US9384538B2 (en) * 2013-07-26 2016-07-05 Li-Cor, Inc. Adaptive noise filter
US10395350B2 (en) 2013-07-26 2019-08-27 Li-Cor, Inc. Adaptive background detection and signal quantification systems and methods
KR101521959B1 (ko) 2013-08-20 2015-05-20 재단법인 아산사회복지재단 의료 영상의 정량화 방법
US9883848B2 (en) 2013-09-13 2018-02-06 Maui Imaging, Inc. Ultrasound imaging using apparent point-source transmit transducer
JP2015215740A (ja) * 2014-05-09 2015-12-03 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
KR102617888B1 (ko) 2014-08-18 2023-12-22 마우이 이미징, 인코포레이티드 네트워크-기반 초음파 이미징 시스템
CN104398272B (zh) * 2014-10-21 2017-09-19 无锡海斯凯尔医学技术有限公司 选择检测区域的方法及装置及弹性检测系统
GB2543029A (en) * 2015-09-23 2017-04-12 Pathxl Ltd Method and apparatus for tissue recognition
WO2017132517A1 (en) 2016-01-27 2017-08-03 Maui Imaging, Inc. Ultrasound imaging with sparse array probes
US10667778B2 (en) * 2016-09-14 2020-06-02 University Of Louisville Research Foundation, Inc. Accurate detection and assessment of radiation induced lung injury based on a computational model and computed tomography imaging
CN109788939B (zh) * 2016-09-29 2022-05-31 通用电气公司 用于通过自动检测b线和对超声扫描的图像进行评分来增强代表性超声图像的可视化和选择的方法和系统
CN108877922A (zh) * 2017-05-15 2018-11-23 沈渊瑶 病变程度判断系统及其方法
EP3437559B1 (de) * 2017-08-03 2020-06-24 Siemens Healthcare GmbH Ermitteln eines funktionsparameters betreffend eine lokale gewebefunktion für mehrere gewebebereiche
US11776115B2 (en) * 2018-01-19 2023-10-03 Biocellvia System and method for estimating a quantity of interest based on an image of a histological section
US10943701B2 (en) 2018-10-12 2021-03-09 Simbiosys, Inc. Three-dimensional modeling of patient-specific tumors using a lattice of elastic-material points to simulate metabolism, biochemical reactions, mechanical forces, and drug interactions in a patient
CN110148192B (zh) * 2019-04-18 2023-05-30 上海联影智能医疗科技有限公司 医学影像成像方法、装置、计算机设备和存储介质
DE102019212103A1 (de) * 2019-08-13 2021-02-18 Siemens Healthcare Gmbh Surrogatmarker basierend auf medizinischen Bilddaten
CN111261284A (zh) * 2020-02-05 2020-06-09 杭州依图医疗技术有限公司 一种基于医学影像的诊断信息处理方法、装置及存储介质
CN111261285A (zh) * 2020-02-07 2020-06-09 杭州依图医疗技术有限公司 诊断信息界面的显示方法、交互方法及存储介质
CN111598895A (zh) * 2020-04-14 2020-08-28 苏州复元医疗科技有限公司 一种基于诊断影像和机器学习的测量肺功能指标的方法
CN111583252B (zh) * 2020-05-15 2023-07-04 宁波威联生物科技有限公司 基于电场ct对肺部断层影像的分析评价装置和评价体系
US11263749B1 (en) 2021-06-04 2022-03-01 In-Med Prognostics Inc. Predictive prognosis based on multimodal analysis
JP2023060702A (ja) * 2021-10-18 2023-04-28 Hoya株式会社 プログラム、情報処理方法、情報処理装置及び診断支援システム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5437279A (en) * 1992-07-02 1995-08-01 Board Of Regents, The University Of Texas System Method of predicting carcinomic metastases
US5987094A (en) * 1996-10-30 1999-11-16 University Of South Florida Computer-assisted method and apparatus for the detection of lung nodules
US6466687B1 (en) 1997-02-12 2002-10-15 The University Of Iowa Research Foundation Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology
US6175755B1 (en) 1998-06-11 2001-01-16 The University Of British Columbia Method of lung surface area analysis using computed tomography

Also Published As

Publication number Publication date
US20040101176A1 (en) 2004-05-27
CN100387196C (zh) 2008-05-14
US7283652B2 (en) 2007-10-16
NL1024869A1 (nl) 2004-05-28
CN1502310A (zh) 2004-06-09
JP4469594B2 (ja) 2010-05-26
NL1024869C2 (nl) 2006-02-14
JP2004174254A (ja) 2004-06-24

Similar Documents

Publication Publication Date Title
DE10353883A1 (de) Verfahren und Einrichtung zum Messen Krankheits-relevanter Gewebeveränderungen
JP4652023B2 (ja) 病気の発見に役立つ画像データの処理方法及び装置
DE10355382A1 (de) Verfahren und System zur Vermessung von Luftwegen
DE102005036412B4 (de) Verbesserte GGN-Segmentierung in Lungenaufnahmen für Genauigkeit und Konsistenz
DE102009022834A1 (de) Verfahren zur automatischen Analyse von Bilddaten einer Struktur
DE102006062465A1 (de) Computer unterstütztes Detektionssystem unter Verwendung einer zeitlichen Analyse als Vorläufer einer räumlichen Analyse
DE102006012015A1 (de) Verfahren und Systeme zur Überwachung einer Tumorbelastung
DE102006041309A1 (de) System und Verfahren zur 3D-CAD unter Verwendung von Projektionsbildern
DE102004056783A1 (de) Verfahren und Vorrichtung zum Segmentieren von Strukturen in einer CT-Angiographie
CN1452089A (zh) Pet肿瘤图像的半自动分割算法
DE102005046385A1 (de) Verfahren und Vorrichtung zur Nachbearbeitung eines 3D-Bilddatensatzes, insbesondere für die virtuelle Kolonographie
DE102007046250A1 (de) Verfahren und Vorrichtung zur Identifizierung von Bereichen in einem Bild
DE10130851A1 (de) Computergestütztes Diagnoseverfahren zur Unterstützung der Diagnose von dreidimensionalen digitalen Bilddaten
DE102006043347A1 (de) System und Verfahren zur Visualisierung von Atemwegen für eine Bewertung
DE102006033383A1 (de) Verfahren zum Bestimmen einer Eigenschaftskarte für einen Gegenstand, insbesondere für ein Lebewesen, basierend auf zumindest einem ersten Bild, insbesondere Kernspinresonanzbild
EP3287914A1 (de) Ermittlung von ergebnisdaten auf basis von medizinischen messdaten aus verschiedenen messungen
DE112012002671T5 (de) Anzeigen einer Vielzahl von registrierten Bildern
DE102005032963A1 (de) Verfahren zur Darstellung wenigstens eines Untersuchungsbereichs eines Untersuchungsobjekts sowie wenigsten einer auf den intrakorporalen Einfluss eines Mittels bezogenen Information
DE112011104887B4 (de) Nichtflüchtiges computerlesbares Speichermedium zur Darstellung von Markierungen der computergestützten Detektion bei der computertomographischen Diagnose des Dickdarms
DE112004001691T5 (de) Verfahren und System zur automatischen Ausrichtung von lokalen Visualisierungstechniken für vaskuläre Strukturen
DE102014201321A1 (de) Bestimmung von Läsionen in Bilddaten eines Untersuchungsobjekts
DE102005022156A1 (de) Verfahren und Vorrichtung zum Einstufen von Pixeln in medizinischer Bildgebung
DE102015200850B4 (de) Verfahren zur Auswertung von medizinischen Bilddaten
DE102013218047B3 (de) Verfahren zur automatischen Anzeige und/oder Messung von Knochenveränderungen in medizinischen Bilddaten, sowie medizinisches Bildgebungsgerät und elektronisch lesbarer Datenträger
Dovganich et al. Automatic quality control in lung X-ray imaging with deep learning

Legal Events

Date Code Title Description
8110 Request for examination paragraph 44
R016 Response to examination communication
R002 Refusal decision in examination/registration proceedings
R003 Refusal decision now final

Effective date: 20140517