DE112007002535T5

DE112007002535T5 - Computerdiagnose von Malignitäten und falschen Positivresultaten

Info

Publication number: DE112007002535T5
Application number: DE112007002535T
Authority: DE
Inventors: Eliahu Ratner; Philippe Nathan Bamberger
Original assignee: Siemens Computer Aided Diagnosis Ltd
Current assignee: Siemens Computer Aided Diagnosis Ltd
Priority date: 2006-10-25
Filing date: 2007-10-24
Publication date: 2009-09-24
Also published as: WO2008050332A2; US8238637B2; WO2008050332A3; US20080107323A1

Abstract

Verfahren zum Diagnostizieren der Malignität von verdächtigen Regionen in einer 2D-Bildgebungs-Projektion eines Körperorgans eines Subjekts, welches die folgenden Schritte umfasst:
Normalisieren der Bildprojektion, um Regionen davon auf eine Standardform abzubilden;
Extrahieren der Lage von auf der Standardform abgebildeten Regionen und
Verwenden der normalisierten Position einer verdächtigen Region zur Einschätzung der Wahrscheinlichkeit, ob diese bösartig ist.

Description

QUERVERWEIS AUF VERWANDTE ANMELDUNG
Die vorliegende Patentanmeldung beansprucht Prioritätsrechte aus der vorläufigen U.S.-Patentanmeldung 60/854,096, die am 25. Oktober 2006 eingereicht wurde, und der U.S.-Patentanmeldung Nr. 11/876,851, die am 23. Oktober 2007 eingereicht wurde.
GEBIET DER ERFINDUNG
Die vorliegende Erfindung richtet sich auf ein Verfahren zum Diagnostizieren von Malignitäten und falschen Positivresultaten und auf Kartierungen, bzw. Abbildungen von diesen.
HINTERGRUND
Mehr als 10% der Frauen in der westlichen Welt erkranken an Brustkrebs, und der Erfolg und die Leichtigkeit einer Behandlung hängen in hohem Maße von einer frühen Diagnose ab. Mammographie beinhaltet die Verwendung einer niedrigen Dosis von Röntgenstrahlen zur Abbildung des Gewebes innerhalb der Brust. Die Technik wird angewandt, um nach Brustkrebs zu screenen und ihn zu diagnostizieren, indem Tumoren oder andere Veränderungen im Brustgewebe nachgewiesen werden, und hilft bei der frühen Entdeckung maligner Tumoren, was die Wahrscheinlichkeit einer erfolgreichen Behandlung verbessert. Sie kann Abnormitäten identifizieren, bevor ein Knoten ertastet werden kann, und liefert das einzige zuverlässige Verfahren zur Lokalisierung von abnormalem Wachstum in den Milchgängen. Somit kann sie das Aufspüren vermuteter Tumoren vor einer Biopsie oder einem chirurgischen Eingriff erleichtern.
In Folge der Gefahren des Brustkrebses und des Erfolgs der Mammographie empfehlen die Richtlinien, die vom U.S.-Department of Health und Human Services (HHS), der American Cancer Society (ACS), der American Medical Association (AMA) und dem American College of Radiology (ACR) vorgegeben wurden, dass Screening-Mammogramme für alle Frauen mit einem Alter über 40 bei gutem Gesundheitszustand jährlich durchgeführt werden sollten, wobei jährliche Mammogramme bei früherem Alter für Frauen, die eine familiäre Vorgeschichte von Brustkrebs aufweisen oder die frühere Brustbiopsien hatten, angeraten werden.
In einer Mammographie wird die Brust zwischen zwei Platten zusammen gedrückt und Röntgenstrahlen ausgesetzt. Im Allgemeinen werden zwei Bilder von jeder Brust während eines Screening-Mammogramms aufgenommen, wobei manchmal Extra-Bilder aus anderen Winkeln bei Frauen mit Brustimplantaten notwendig sind. Da derartig zahlreiche Scans einer Analyse bedürfen, ist es unentbehrlich, die Analyse so weit wie möglich zu automatisieren und die Untersuchung der medizinischen Bilder zu optimieren, und zwar sowohl durch eine erhöhte Genauigkeit der Analyse als auch durch schnellere Verarbeitungszeiten.
Allerdings ist die Größe und Form der Brust unter den Frauen in hohem Maße variabel, und die Dicke der abzubildenden, zusammengedrückten Gewebe unterscheidet sich zwischen Subjekten bedeutend. Die Gewebezusammensetzung der Brust ist ebenfalls in hohem Maße variabel, und daher variiert die durchschnittliche Absorption von Röntgenstrahlen durch das Brustgewebe zwischen einzelnen Frauen signifikant.
Die herkömmliche Vorgehensweise zur automatisierten Analyse von Brust-Röntgenbildern besteht in der Segmentierung, um den Umriss der Brust zu ermitteln, gefolgt von der Analyse von verdächtigen Regionen, die innerhalb des Umrisses gezeigt wurden, um festzustellen, ob diese gut- oder bösartig sind. Die Dichte, Größe und Textur von Brüsten sind so sehr variabel, dass die Bestimmung der Grenzlinie der Brust auf Röntgenbildern nicht einfach ist. Die Kategorisierung verdächtiger Regionen als Tumoren und Kennzeichnung dieser als gutartige, bösartige, unsichere oder falsche Objekte oder Artefakte ist keineswegs trivial. Die Form und Größe der Tumoren variiert beträchtlich. Asymmetrie und undeutliche Grenzen an einem Rand der verdächtigten Region sind kennzeichnend für eine Malignität. Eine frühe Diagnose ist sehr wichtig, da die Chancen für eine Heilung in hohem Maße von einer frühzeitigen Behandlung abhängen.
Digitale Mammographie ist gegenüber herkömmlichem Film dahingehend zu bevorzugen, dass ein besserer Kontrast erhalten werden kann. Digitale Mammogramm-Aufnahmen werden als Digitalbilder gespeichert, welche für eine Fern-Konsultation leicht übertragen werden können.
Im Vergleich zu anderen anatomischen Regionen besitzt die Brust einen sehr geringen physikalischen Kontrast, weil sie vollständig aus Weichgeweben aufgebaut ist. Im Allgemeinen besteht die Brust aus einem Hintergrund von Fett, welches die geringfügig dichteren Drüsenstrukturen und pathologische Gewebe oder Zysten, sofern diese vorhanden sind, umgibt.
Typische Brust-Verkalkungen sind sehr klein und dünn und erzeugen einen geringen physikalischen Kontrast, obwohl Calcium etwas dichter ist und eine höhere Ordnungszahl aufweist als die Elemente von Weichgeweben.
Mammographie wird im Allgemeinen mit einem Spektrum, das Photonen innerhalb eines relativ engen Energiebereichs (19 keV–21 keV) enthält, durchgeführt, und zwar im Bestreben, einen hohen Kontrast bei minimaler Dosierung zu erhalten. Das Spektrum wird unter Anwendung der charakteristischen Strahlung aus einer Molybdän-Anoden-Röntgenröhre produziert und entweder durch einen Molybdän- oder einen Rhodium-Filter gefiltert.
Das System aus Molybdän-Anode und Molybdän-Filter ist für generelle Mammographie dahingehend ziemlich gut geeignet, dass es ein Spektrum bereitstellt, das es dem optimalen Spektrum für kleinere und weniger dichte Brüste sehr nahe kommt. Viele Mammographie-Geräte geben dem Bediener die Möglichkeit, zwischen Molybdän- und Rhodium-Filtern auszuwählen, wobei die letztgenannten bei der Abbildung von dichteren Brüsten nützlich sind Einige Systeme haben Zweispur-Anoden (dual track), so dass entweder Molybdän oder Rhodium als das Anodenmaterial ausgewählt werden kann. Wegen seiner höheren Ordnungszahl (Z) erzeugt Rhodium eine charakteristische Röntgenstrahlung mit höheren Energien als Molybdän. Wenn die Rhodiumanode ausgewählt wird, ist die Strahlpenetration erhöht. Im Allgemeinen ergibt dies bessere Ergebnisse bei der Abbildung von dichten Brüsten. Da die physikalischen Parameter von für die Mammographie verwendeten Röntgenquellen zwischen verschiedenen Systemen variieren, wird eine hohe Variabilität zwischen Mammographie-Bildern eingeführt, welche ein Artefakt der Bilderzeugungs-Parameter und nicht ein Ergebnis verschiedener Physiologien ist.
Obwohl Vergrößerung, Helligkeit, Kontrast und Orientierung in digitalen Röntgenbildern verändert werden können, um das Brustgewebe deutlicher darzustellen, ist es erforderlich, dass derartige Bildverbesserungstechniken durch einfache Prozeduren umfassend automatisiert sind, um eine rasche und exakte Diagnose zu ermöglichen.
Um Radiologen bei der Diagnose von Brustkrebs aus Mammographiebildern zu unterstützen, wurde die ”Computer Aided Detection” (CAD) von verdächtigen Regionen eingeführt und kommt in einer zunehmenden Anzahl von klinischen Einrichtungen zur Anwendung.
CAD-Systeme für die Mammographie, und faktisch auch für die Ermittlung von Lungenkrebs, basieren im Wesentlichen auf fünf grundlegenden Verarbeitungsschritten:

(1) Segmentierung des zu analysierenden Organs;
(2) Lokalisierung von Läsionskandidaten;
(3) Extraktion, bzw. Herleitung der Grenzen von Läsionskandidaten;
(4) Extraktion von Merkmalsparametern von Läsionskandidaten, und
(5) Unterscheidung zwischen Läsionen und falschen Kandidaten unter Anwendung von Merkmals-basierenden Klassifikatoren.

In den frühen Stufen des CAD-Prozesses werden viele Läsionskandidaten erzeugt. Damit der CAD-Prozess eine hohes Leistungsniveau (Empfindlichkeit und Spezifität) erreicht, muss die Wahrscheinlichkeit der Malignität für jeden Läsionskandidaten so genau wie möglich ausgewertet werden. Diese Bewertung wird durch Verwendung einer großen Anzahl an quantitativen Merkmalen erzielt, welche im Allgemeinen aus Pixelwerten in der Fläche des Kandidaten in dem Bild extrahiert werden. Unter Anwendung verschiedener statistischer Methoden werden die extrahierten Merkmale durch einen Klassifikator kombiniert, und jeder Läsionskandidat wird dann entweder bestätigt oder ausgesondert, bzw. verworfen.
Die kontinuierlichen Bestrebungen zur Verbesserung der Leistung der CAD-Algorithmen für Mammographie, Lungenkrebs-Diagnose und andere Anwendungen konzentrieren sich im Allgemeinen auf das Extrahieren neuer Merkmale und Modifizieren der Art, auf welche die Merkmale derzeitig extrahiert werden, um ihre statistische Signifikanz zu erhöhen. Die Leistung der CAD-Algorithmen kann auch durch eine effektivere Kombination der extrahierten Merkmale, bzw. Kennzeichen im Klassifikator verbessert werden. Auch andere Gewebe und Organe können kanzerös werden, und bei den Diagnosen von Tumoren darin kommt es zu mehr oder weniger analogen Problemen.
Es ist bekannt, dass maligne Läsionen dazu neigen, in bestimmten Regionen der Brust häufiger aufzutreten. Diese Tatsache wird von Radiologen beim Analysieren von Mammogrammen genutzt. Es besteht ein Bedarf danach, die Effizienz, d. h. sowohl den Durchsatz als auch die Genauigkeit, der CAD-Analyse für die Zwecke der medizinischen Diagnostik zu verbessern, insbesondere die Analyse von Mammogrammen weiter zu automatisieren, um Durchsatz und Genauigkeit der Diagnose zu verbessern, und die vorliegende Erfindung richtet sich auf diese Anforderungen.
ZUSAMMENFASSUNG DER ERFINDUNG
Es ist ein Ziel von Ausführungsformen der Erfindung, bei der Automatisierung der Diagnose von Malignitäten in Bildern von Körpergewebe zu helfen.
Es ist ein besonderes Ziel, Bilder von ungleich geformten und bemessenen Organen zu standardisieren, um die quantitative Analyse von verdächtigen Regionen zu ermöglichen, die wegen ihrer Position innerhalb des Organs als Läsionen verdächtigt werden, um bei der Diagnose von Läsionskandidaten als bösartige oder falsche positive Resultate in Bezug auf ihre Position innerhalb des Organs zu helfen.
Ein Aspekt der Erfindung richtet sich auf ein Verfahren zum Diagnostizieren der Malignität von verdächtigen Regionen in einer 2D-Bildgebungs-Projektion eines Körperorgans eines Subjekts, welches die folgenden Schritte umfasst:
Normalisieren der Bildprojektion, um Regionen davon auf eine Standardform abzubilden; Extrahieren der Lage von auf der Standardform abgebildeten Regionen und Verwenden der normalisierten Position einer verdächtigen Region zur Einschätzung der Wahrscheinlichkeit, ob diese bösartig ist.
Wahlfrei und typischerweise werden zwei Bilder des Körperorgans aus verschiedenen Winkeln aufgenommen, um die Extraktion von 3-dimensionalen Daten für das Lokalisieren der Position einer verdächtigen Region in einem normalisierten 3D-Raum zu ermöglichen.
In einer Anwendung ist das Körperorgan eine Milchdrüse.
Typischerweise wird die verdächtigte Region als krebsartig verdächtigt.
Wahlfrei ist die 2D-Bildgebungs-Projektion ein digitales Röntgenbild.
Wahlfrei umfasst die Einschätzung der Wahrscheinlichkeit der Malignität einer Region das Vergleichen der Lage der vermutlichen Malignität mit statistischen Daten, welche einen Probensatz einer Population repräsentieren.
Wahlfrei umfassen die statistischen Daten eine im Voraus bestehende Wahrscheinlichkeitskartierung, bzw. -abbildung von vermuteten Malignitäten, die auf die standardisierte Form projiziert ist.
In einer spezifischen Ausführungsform wird die Malignitäts-Wahrscheinlichkeitskartierung durch ein Verfahren erstellt, das aus den folgenden Schritten besteht: Bereitstellen eines Trainings-Sets von digitalen Bildern mit Regionen von bekanntem Malignitätsstatus; Bestimmen der normalisierten Koordinaten jeder Region im Trainings-Set von digitalen Bildern; Unterteilen jedes normalisierten Digitalbildes in eine im voraus festgelegte Anzahl von Zellen; Berechnen der Auftretenshäufigkeit von Malignität für jede Zelle; und Erzeugen einer Malignitäts-Wahrscheinlichkeitskarte basierend auf der Auftretenshäufigkeit in jeder Zelle.
Falls das Organ, wie es häufig der Fall ist, eines von einem Paar ist, und die Digitalbilder Bilder der linken und rechten Organe von in Paaren vorkommenden Organen umfassen, umfasst die Wahrscheinlichkeitskartierung das laterale Spiegeln von Bildern, um Daten von beiden Seiten des Körpers zu vereinigen.
In der Regel umfassen die statistischen Daten eine Wahrscheinlichkeits-Abbildung, bzw. -Kartierung von falschen Positivresultaten auf die standardisierte Form.
Gegebenenfalls wird die Wahrscheinlichkeitskartierung der falschen Positivresultate durch das Verfahren erstellt, das die folgenden Schritte umfasst: Bereitstellen eines Trainings-Sets von digitalen Bildern, welche nachgewiesene falsche Positivresultate zeigen; Bestimmen der normalisierten Koordinaten von jedem falschen Positivresultat in jedem Digitalbild innerhalb des Trainings-Sets; Unterteilen jedes der Digitalbilder in eine im voraus festgelegte Anzahl von Zellen, und, basierend auf den normalisierten Koordinaten von allen falschen Kandidataten in dem Set von Bildern, Berechnen der Auftretenshäufigkeit von falschen Objekten für jede Zelle; und Erzeugen einer Wahrscheinlichkeitskarte für falsche Positivresultate basierend auf der Auftretenshäufigkeit von falschen Positivresultaten in jeder Zelle.
Wahlweise wird der Proben-Set ausgewählt aus der Liste, welche folgendes umfasst: eine große Zufallspopulation, eine große Population gleichen Geschlechts, eine Population innerhalb eines spezifischen Altersbereichs, eine Population, die genetische Ähnlichkeiten gemeinsam hat, und eine ethnische Population.
Wahlweise ist der Proben-Set ein Set von Eins, bzw. einem Einzelfall, und das Verfahren umfasst das Vergleichen des normalisierten Bildes des Körperorgans, das auf ein einzelnes normalisiertes Referenzbild abgebildet wird.
Wahlweise ist das Referenzbild ein zuvor erhaltenes Bild des gleichen Organs.
Alternativ dazu ist das Organ eines von einem Paar, und das normalisierte Bild des Körperorgans wird mit einem normalisierten Bild des paarigen Organs verglichen.
Typischerweise wird in einem derartigen Szenario eines der normalisierten Bilder lateral gespiegelt, um den Effekt der Asymmetrie des Organs aufzuheben.
Wieder alternativ dazu ist das Referenzbild ein Bild eines äquivalenten Organs für ein verwandtes Subjekt.
Typischerweise umfasst der Schritt des Normalisierens das Identifizieren der Positionen von Regionen in Polarkoordinaten.
Wahlweise umfasst das Verfahren ferner das Umwandeln der Polarkoordinaten in kartesische Koordinaten.
Wahlweise umfasst der Schritt des Normalisierens der Koordinaten in Polarkoordinaten ferner die folgenden Schritte: Segmentieren des Projektionsbildes des Körperorgans von seinem Hintergrund; Definieren eines Einheitsvektors von einem Ursprungspunkt in dem Digitalbild zu jedwedem Gewebekonturpunkt, der aus der Segmentierung resultiert, und Bestimmen des Ursprungspunkts in dem Digitalbild und eines Extrempunkts darin, wodurch ein Nullwinkel-Vektor gebildet wird; Normalisieren der Vektoren aller verdächtigen Regionen als Polarwinkel basierend auf dem Nullwinkel-Vektor und auf dem Einheitsvektor, der jede verdächtige Region kreuzt.
Wahlweise schließt das Verfahren ferner den Schritt des Glättens der Wahrscheinlichkeitskarten ein.
In einem zweiten Aspekt richtet sich die vorliegende Erfindung auf die Bereitstellung einer Malignitäts-Wahrscheinlichkeitskartierung eines Projektionsbildes eines Körperorgans, vorgesehen durch das Verfahren, welches die folgenden Schritte umfasst: Bereitstellen eines Trainings-Sets von digitalen Projektionsbildern von Körperorganen, welche verdächtigte Regionen mit bekanntem Malignitätsstatus einschließen; Bestimmen der normalisierten Koordinaten von jeder verdächtigen Region in dem Trainings-Set von digitalen Projektionsbildern; Unterteilen jedes normalisierten digitalen Projektionsbildes in eine im voraus festgelegte Anzahl von Zellen; Berechnen der Auftretenshäufigkeit von Malignität für jede Zelle; und Erzeugen einer Malignitäts-Wahrscheinlichkeitskarte basierend auf der Auftretenshäufigkeit in jeder Zelle.
Typischerweise umfasst der Schritt des Bestimmens der normalisierten Koordinaten das Segmentieren des Projektionsbildes des Körperorgans aus seinem Hintergrund; das Definieren eines Einheitsvektors von einem Ursprungspunkt im Digitalbild zu jedwedem Gewebekonturpunkt, der aus der Segmentierung resultiert, und das Bestimmen des Ursprungspunkts in dem Digitalbild und eines Extrempunkts darin, wodurch ein Nullwinkel-Vektor gebildet wird; das Normalisieren der Vektoren aller verdächtigen Regionen als Polarwinkel basierend auf dem Nullwinkel-Vektor und auf dem Einheitsvektor, der jede verdächtige Region kreuzt.
In einem dritten Aspekt richtet sich die vorliegende Erfindung auf eine Wahrscheinlichkeitskartierung für falsche Positivresultate eines durch das Verfahren erzeugten Projektionsbildes eines Körperorgans, welches die folgenden Schritte umfasst: Bereitstellen eines Trainings-Sets von digitalen Projektionsbildern von Körperorganen, welche als falsche Positivresultate erkannte verdächtige Regionen enthalten; Bestimmen der normalisierten Koordinaten von jedem falschen Positivresultat im Trainings-Set von digitalen Projektionsbildern; Unterteilen jedes normalisierten digitalen Projektionsbildes in eine im voraus festgelegte Anzahl von Zellen; Berechnen der Häufigkeit von falschen Positivresultaten für jede Zelle; und Erzeugen einer Wahrscheinlichkeitskarte für falsche Positivresultate basierend auf der Auftretenshäufigkeit in jeder Zelle.
Typischerweise umfasst der Schritt des Bestimmens der normalisierten Koordinaten das Segmentieren des Projektionsbildes des Körperorgans aus seinem Hintergrund; das Definieren eines Einheitsvektors von einem Ursprungspunkt im Digitalbild zu jedwedem Gewebekonturpunkt, der aus der Segmentierung resultiert, und das Bestimmen des Ursprungspunkts in dem Digitalbild und eines Extrempunkts darin, wodurch ein Nullwinkel-Vektor gebildet wird; das Normalisieren der Vektoren aller falschen Positivresultate als Polarwinkel basierend auf dem Nullwinkel-Vektor und auf dem Einheitsvektor, der jedes falsche Positivresultat kreuzt.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
Für ein besseres Verständnis der Erfindung und um zu zeigen, wie diese verwirklicht werden kann, wird nun lediglich beispielhaft Bezug auf die begleitenden Figuren genommen, bei denen zu betonen ist, dass die gezeigten Einzelheiten nur als Beispiel und zu Zwecken der veranschaulichenden Erörterung der bevorzugten Ausführungsformen der vorliegenden Erfindung aufgeführt sind, und aus dem Grunde der Bereitstellung der Form dargestellt sind, von der angenommen wird, die nützlichste und am besten verständliche Beschreibung der Prinzipien und konzeptuellen Aspekte der Erfindung zu sein.
Die 1 und 2 zeigen Flussdiagramme, welche das Verfahren zur Erstellung einer Wahrscheinlichkeitskarte für kraniokaudale (CC), bzw. mediolateral-schräge (MLO) Ansichten gemäß einer Ausführungsform der vorliegenden Erfindung zeigen; und
3 zeigt ein Flussdiagramm zur Anwendung der Wahrscheinlichkeitskarten, die durch die Flussdiagramme von 1 und 2 erzeugt wurden.
BESCHREIBUNG VON BEVORZUGTEN AUSFÜHRUNGSFORMEN
Die vorliegende Erfindung betrifft ein Verfahren zur Verarbeitung, bzw. Berechnung von lageabhängigen Merkmalen, welche zur Effektivität der ”Computer Aided Diagnosis” (CAD) beitragen können. Die vorliegende Beschreibung betrifft die spezifische Anwendung der automatisierten Analyse von Röntgenbildern der Brust zum Diagnostizieren von Brustkrebs, d. h. Mammographie. Es ist jedoch davon auszugehen, dass mit einfachen Modifikationen, wie sie dem Fachmann offensichtlich sein werden, die grundlegenden Konzepte und Verfahren, die hierin nachstehend beschrieben sind, auf andere Körperorgane, wie zum Beispiel die Lunge, angewandt werden können.
Einige Ausführungsformen der Erfindung betreffen das Extrahieren von lageabhängigen Wahrscheinlichkeiten für Malignität und falsche Kennzeichnung für vermutete Tumoren. Diese Wahrscheinlichkeiten sind Funktionen der Verteilung in Mammographiebildern von echten malignen Läsionen, bzw. falschen Positivresultaten, d. h. Kandidatenobjekten in der betrachteten Stufe im CAD-Prozess. Beide Verteilungen können unter Einsatz eines genügend großen Trainings-Sets an Mammogrammen erlernt, bzw. eingeübt werden.
Eine auf der Lage innerhalb der Brust basierende Diagnose ist auf Grund der breiten Variation in der Größe, Form, Dichte und anderen Charakteristika der Brust inhärent kompliziert. Eine neue Vorgehensweise wird hierin beschrieben, worin die große Variation in Brustgröße, -form und -textur durch Transformieren des Brustbildes behandelt wird, um das Bild auf eine Standardgröße und -form abzubilden.
In einer ersten Stufe werden deshalb zwei Typen von Referenzkarten erzeugt:

i. Malignitäts-Wahrscheinlichkeitskarten (MPM)
ii. Falsch-Objekt-Wahrscheinlichkeitskarten (FOPM)

Die MPM und FOPM werden dann verwendet, um Wahrscheinlichkeiten für jeden Kandidatentumor basierend auf seiner Position innerhalb der Brust zuzuordnen.
Vermutliche Tumoren oder Läsionen, welche durch die Kartierungs-Transformation identifiziert wurden, können markiert und dann automatisch lokalisiert und manuell oder automatisch im ursprünglichen Röntgenbild untersucht werden, worin deren Form und Größe besser eingeschätzt werden können als in dem transformierten Bild.
Es ist davon auszugehen, dass die hier oben stehend beschriebene Transformationstechnik ein Werkzeug ist, das in Verbindung mit anderen, sowohl automatisierten als auch manuellen, diagnostischen Methoden zur Anwendung kommen kann und weitergehende als die früher erhältlichen Informationen liefert und somit diese Informationen ergänzt. Sie ersetzt nicht notwendigerweise andere diagnostische Techniken, CAD oder manuell, wie diejenigen, die beispielsweise auf der Form und Größe basieren.
Erstellen von Wahrscheinlichkeitskarten
Alle Mammographieansichten (CC und MLO) werden separat auf eine Standardform und -größe durch eine hierin nachstehend beschriebene Transformation normalisiert. Da, als eine erste Approximation, bzw. Näherung, die linke und rechte Brust Spiegelbilder voneinander sind, kann durch Spiegeln des Bildes der rechten Brust um eine vertikale Achse das gespiegelte rechte Brustbild direkt mit dem Bild der linken Brust verglichen werden. Wahrscheinlichkeitskarten können für beide, die linke als auch rechte Brust, durch eine solche Spiegelung erstellt werden, gefolgt von Vereinigen (Pooling), wodurch sich die zweifache Probengröße und daher exaktere Daten ergeben. Zum Beispiel werden die Bilder der rechten Brust gespiegelt. Es ist davon auszugehen, dass ebenso gut die Bilder der linken Brust gespiegelt und auf Bilder der rechten Brust überlagert werden könnten.
Die Normalisierung wird durch Extrahieren von Polarkoordinaten des Organs und Projizieren auf eine Standardform gemäß den folgenden Regeln ausgeführt.

(a) Eine Brust-Segmentierungs-Prozedur wird verwendet, um die Kontur der Brust bereitzustellen.
(b) Ein Ursprungspunkt wird in der Mitte der Thoraxwandgrenze der Brust definiert. Für MLO-Ansichten muss zuerst die Muskelfläche identifiziert werden. Dann wird der Ursprungspunkt an einer fixierten Höhenproportion (z. B. 60% der Höhe) der Thoraxwandgrenze der Brust, unterhalb des Muskels, definiert.
(c) Die Brustwarzen-Extremität wird definiert, und der Nullwinkel-Vektor wird als der Vektor definiert, der vom Ursprungspunkt zur Brustwarzen-Extremität läuft.
(d) Jeder Vektor, der am Ursprungspunkt beginnt und die Brustgrenze erreicht, wird als die Länge l aufweisend, d. h. ein Einheitsvektor, betrachtet.

Mit anderen Worten wird die Gestalt der Brust als eine Halbkugel normalisiert, die auf einem willkürlichen Ursprung zentriert ist und einen Nullwinkelvektor, d. h. eine Hauptachse, durch die Brustwarze aufweist.
Es wird richtig eingeschätzt werden, dass, obgleich die Normierung der Form der weiblichen Brust als Halbkugel um eine Achse durch die Brustwarze eine inhärente Logik besitzt, das Normalisierungskonzept lediglich eine abstrahierende Transformation ist, die ermöglichen kann, dass physiologisch ähnliche Objekte, die in variierenden Formen und Größen auftreten, aufeinander abgebildet werden können. Somit können Brüste auf andere Gestalten oder andere Organe auf Halbkugeln normalisiert werden, und die oben ausführlich dargestellte Technik kann generalisiert und für andere Organe, mit anderen Bildgebungs-Techniken und/oder mit einer Transformation auf andere Standards angewandt werden.
Wahrscheinlichkeitskarten
Das Konzept einer Wahrscheinlichkeitskarte besteht darin, dass die normalisierten Brustbilder einander überlagert werden können, und Regionen, die als bösartig, gutartig oder falsche Positivergebnisse identifiziert wurden, in Bezug auf die Gesamtpopulation Wolken derartiger Regionen, deren Position und Dichte ergeben werden. Auf diese Weise kann eine Region von Interesse, die im Brustgewebe auftritt, identifiziert und hinsichtlich ihrer normalisierten Position analysiert werden, und eine Wahrscheinlichkeit, ob sie bösartig oder gutartig ist, kann zugeordnet werden. Die Koordinaten des Zentrums jeder Region von Interesse, d. h. der Datensatz aus Bibliotheksbildern, werden in einem normalisierten Polarkoordinatensystem berechnet und dann in kartesische Koordinaten umgewandelt. Diese normalisierten kartesischen Koordinaten werden zur relevanten Liste von Objektzentrums-Koordinaten hinzugefügt, d. h. der Liste für maligne Objekte oder der Liste für falsche Objekte.
Sobald alle Bibliotheksbilder verarbeitet worden sind, kann die Dichte von Regionen von Interesse, ob maligne oder benigne Tumoren, für jede Stelle des normalisierten Brustbildes berechnet werden, wobei die Koordinatenlisten zur Anwendung kommen. Wegen der begrenzten Anzahl von Bibliotheksbildern, welche typischerweise zum Schulen von Mammographie-Personal verwendete Trainings-Sets von Bildern sind, muss jedoch das normalisierte Bild, welches selbstverständlich eine zweidimensionale Projektion der dreidimensionalen Brust ist, in eine vernünftige Anzahl von Zellen unterteilt werden, um eine günstige räumliche Auflösung vorzusehen, während Probenhintergrundrauschen vermieden wird. Es wurde herausgefunden, dass ein 10×10- Rasternetz von Zellen eine angemessene Leistung zeigt. Basierend auf dieser Unterteilung in Zellen können separate Tabellen der Auftretenshäufigkeit für maligne und falsche Objekte erzeugt werden. Die Anzahl von Objektzentren aus der relevanten Liste, die an Stellen innerhalb spezifischer Zellen gefunden werden, wird in jeder Zelle der Tabellen erscheinen. Um große Variationen von Zelle zu Zelle, die auf die begrenzte verfügbare Zahl an Objekten, d. h. die Probengröße zurückzuführen sind, abzuschwächen, können End-MPM und -FOPM durch Glätten der Tabellen der Auftretenshäufigkeit beispielsweise durch eine ebene 3×3-Faltung erhalten werden.
Separate Karten müssen für die zwei Standard-Projektionstypen, die in der Mammographie eingesetzt werden, erstellt werden. Unter Bezug auf die 1 wird ein exemplarisches Verfahren 100 zur Erzeugung einer Wahrscheinlichkeitskarte für ein kraniokaudales (CC) Bild gezeigt. Zuerst wird eine Datenbank von Trainings-Bildern, welche die Zentren von Tumoren und nachgewiesenen falschen Objekten zeigt, erhalten 110. Dies ist typischerweise eine Reihe von Bibliotheksbildern, die zum Training von Mammographie-Personal verwendet wird.
Durch eine laterale Spiegelung können die gleichen Wahrscheinlichkeitskarten für das Analysieren von rechten oder linken Brüsten verwendet werden, und die Anzahl an Bibliotheks-Lehrbildern, welche zur Erzeugung der Wahrscheinlichkeitskarten zur Verfügung steht, kann durch eine derartige Spiegelung verdoppelt werden. Willkürlich wurde die linke Brust als die Standardorientierung gewählt, und die Bilder der rechten Brust müssen um eine vertikale Achse umgedreht werden. Wenn daher das Bild eine linke Brust repräsentiert 112, wird es dann segmentiert 114, um die Grenzlinie davon zu extrahieren. Wenn das Brustbild nicht ein solches einer linken Brust ist, d. h. eines von einer rechten Brust ist, wird das Bild um die vertikale Achse gedreht 116 und dann segmentiert 114, um die Grenzlinie zu extrahieren. Ein Ursprungspunkt wird definiert und seine Position wird extrahiert 118. Der Ursprungspunkt kann bei einer fixierten Höhenproportion definiert werden, wie etwa 60% der Höhe der Thoraxwandgrenze der Brust, unterhalb des Muskels. Selbstverständlich ist dies eigentlich einigermaßen willkürlich. Eine Hauptachse, d. h. ein 'Winkel-Null-Vektor' wird definiert. Aus naheliegenden Symmetriegründen wird die Achse durch die Brustwarzen-Extremität bevorzugt, und somit wird die Position der Brustwarzen-Extremität extrahiert 120, und dann wird die segmentierte Brust normalisiert 122 durch Definieren aller Punkte auf der Grenzlinie, die aus dem Segmentierungsprozess resultiert, als Einheitsvektoren und Umwandlung in Polarkoordinaten, wobei die Linie, welche den Ursprung und die Brustwarzen-Extremität verbindet, als der Winkel-Null-Vektor verwendet wird.
Es ist davon auszugehen, dass verschiedene Algorithmen für die automatisierte Identifikation von verdächtigen Läsionen und Tumoren in Software für CAD-Gerätschaften des Stands der Technik entwickelt worden sind. Für Mammographie-Anwendungen sind die Haupttypen von Läsionen Massen und Cluster von Mikro-Verkalkungen. In der Regel werden separate MPM und FOPM für die verschiedenen Läsionstypen erzeugt. 'Läsion' und 'GT' (Ground Truth) sollten demnach nachstehend als auf einen spezifischen Läsionstyp Bezug nehmend verstanden werden.
Die GT-Regionen, die in jedem der Trainings-Bilder 110 gezeigt sind, werden auf das normalisierte Bild aufgetragen, wobei die gesamte Linie vom Ursprung durch das Zentrum der GT-Region und weiter zur Grenze des segmentierten Bildes als ein Einheitsvektor angesehen wird. Auf diese Weise werden Polarkoordinaten extrahiert 122. Die Polarkoordinaten des Zentrums der Malignität werden dann in normalisierte kartesische Koordinaten umgewandelt 124, und die normalisierten kartesischen Koordinaten der Malignität (der GT-Region) werden zu einer Liste derartiger Regionen hinzugefügt 126. Wie hierin oben stehend erläutert, basiert die MPM-Karte hauptsächlich auf einem Trainings-Set von Mammogrammen, welche durch Biopsie bestätigte maligne Läsionen präsentieren.
In einer ähnlichen Weise kann die FOPM unter Heranziehung von Artefakten und gutartigen Regionen aus denselben malignen Bildern und/oder aus normalen/negativen Mammogrammen konstruiert werden. Die bevorzugte Gesamt-CAD-Strategie zielt darauf ab, die Anzahl an falschen Objekten zu reduzieren, entweder in den malignen Bildern oder in den nicht-malignen Bildern, wobei dies um so besser ist, je größer der verfügbare Datensatz ist.
Die als falsche Objekte identifizierten Flächen, die in jedem der Trainings-Bilder 110 gezeigt sind, werden auf das normalisierte Bild aufgetragen, wobei die gesamten Linie vom Ursprung durch das Zentrum der Region und weiter zur Grenze des segmentierten Bildes als ein Einheitsvektor angesehen wird. Auf diese Weise werden Polarkoordinaten extrahiert 128. Die Polarkoordinaten des Zentrums des falschen Objekts werden dann in normalisierte kartesische Koordinaten umgewandelt 130, und die normalisierten kartesischen Koordinaten des falschen Objekts werden zu einer Liste derartiger Merkmale hinzugefügt 132.
Das normalisierte Brustbild wird in ein Raster von Zellen unterteilt 134, und die Auftretenshäufigkeit von Malignität wird für jede Zelle berechnet 136, ebenso wie die Auftretenshäufigkeit falscher Objekte 138.
Das Rasternetz der Auftretenshäufigkeit von Malignität und das entsprechende Rasternetz der Auftretenshäufigkeit von falschen Objekten werden beide geglättet 140, 142, und auf diese Weise werden sowohl eine kraniokaudale (CC) Malignitäts-Wahrscheinlichkeitskarte 144 als auch eine Falsch-Objekt-Wahrscheinlichkeitskarte 146 erstellt.
Es wird richtig verstanden werden, dass das Verfahren zur Erstellung von CC- und MLO-Karten nahezu identisch ist. Die 2 zeigt das entsprechend angewandte Verfahren zur Erzeugung einer mediolateral-schrägen (MLO) Wahrscheinlichkeitskarte.
Anwendung der Wahrscheinlichkeitskarten
Unter Bezugnahme auf 3 wird ein Verfahren 300, das sehr ähnlich zu dem ist, das oben für die Erstellung der Wahrscheinlichkeitskarten selbst beschrieben wurde, angewandt, um die Wahrscheinlichkeit abzuschätzen, dass eine verdächtige Region, die in einem Mammogramm erscheint, eine Malignität oder ein falsches Objekt ist.
Zuerst wird das zu analysierende Bild erhalten, wobei die Zentren von Tumoren und nachgewiesenen falschen Objekten gezeigt sind 310. Wenn das Bild eine linke Brust 312 repräsentiert, wird es dann segmentiert 314, um die Grenzlinie derselben zu extrahieren. Wenn das Bild der Brust nicht das einer linken Brust ist, d. h. das einer rechten Brust ist, wird das Bild um die vertikale Achse gedreht 316 und dann segmentiert 314, um die Grenzlinie zu extrahieren. Ein Ursprungspunkt wird definiert und seine Position wird extrahiert 318. Es wird der gleiche Ursprungspunkt, wie derjenige, der für die Bibliotheksbilder verwendet wurde 318, gewählt (z. B. bei 60% der Höhe der Thoraxwandgrenze der Brust, unterhalb des Muskels). Die Position der Brustwarzen-Extremität wird extrahiert 320, und dann wird die segmentierte Brust normalisiert 322 durch Definieren aller Punkte auf der Grenzlinie, die aus dem Segmentierungsprozess resultiert, als Einheitsvektoren und Umwandlung in Polarkoordinaten, wobei die Linie, welche den Ursprung und die Brustwarzen-Extremität verbindet, in entsprechender Weise als der Winkel-Null-Vektor verwendet wird.
Um die Malignitäts-Wahrscheinlichkeit aus einem MPM und die Falsch-Objekt-Wahrscheinlichkeit aus einem FOPM zu extrahieren, wird das Bild zuerst in Polarkoordinaten normalisiert 324, und dann werden die normalisierten kartesischen Koordinaten der Zentren der Kandidaten-Läsionen berechnet 326. Unter Verwendung dieser Koordinaten werden die entsprechenden Zellen der relevanten MPM & FOPM identifiziert 328, und die Wahrscheinlichkeiten, dass jeder in Betracht gezogene Läsionskandidat bösartig ist 330, einerseits, oder aber ein falsches Objekt, wie etwa eine Benignität, ist 332, werden ausgelesen.
Die Wahrscheinlichkeiten für Malignität und falsche Objekte 330, 332 können 'wie beschaffen' durch einen Klassifikations/Filtrations-Algorithmus verwendet werden. Allerdings kann eine Einschätzung der verdächtigen Region durch Definieren neuer Estimatoren unter Verwendung der zwei Wahrscheinlichkeits-Zahlen vorgenommen werden. Zum Beispiel kann ein derartiger Estimator wie folgend sein: [MP(Kandidat) – FOP(Kandidat)]/[MP(Kandidat) + FOP(Kandidat)].
Die vorliegende Erfindung kann leicht ausgedehnt werden, um ”True Object Probability Maps” (TOPM, Wahrscheinlichkeitskarten für echte Objekte) und ”False Object Probability Maps” (FOPM, Wahrscheinlichkeitskarten für falsche Objekte) zur Unterstützung beim Nachweis oder der Klassifikation von Objekten in allen medizinischen Abbildungsmodalitäten, einschließlich 3D-Modalitäten, zu erzeugen. Die Erfindung kann ebenfalls für jede beliebige Detektions- oder Klassifizierungsaufgabe in der nichtmedizinischen Bildgebung angewandt werden. Sie kann außerdem für die medizinische Abbildung von anderen Organen als der Brust, wie etwa Lunge, Kolon oder Leber, zur Anwendung kommen.
Obwohl es oben unter Bezug auf eine Bibliothek von Schulungs-Mammogrammen, wodurch Wahrscheinlichkeitskarten für die (weibliche) Population insgesamt erzeugt werden, beschrieben wurde, ist davon auszugehen, dass das System selbstlernend sein kann, wobei es Daten, die es erzeugt, für die Selbstoptimierung verwendet. Es ist möglich, Proben-Sets zum Beispiel für bestimmte ethnische Gruppen zu erstellen oder Mammogramme hinsichtlich verschiedener Familienmitglieder zu vergleichen, wie etwa wenn ein Brustkrebsgen vermutet oder identifiziert wird. Darüber hinaus sind die Brüste mancher Frauen asymmetrisch. Jede Brustgröße und -form ändert sich über die Lebensdauer der Frau hinweg, während sich ihr Körper entwickelt, reift und schließlich altert, wobei Pubertät, Menopause, Schwangerschaft, Stillzeit und Einhalten einer Diät allesamt eine Auswirkung auf die Gestalt und Größe der Brust haben. Da das oben geschilderte Verfahren eine Brust-Normalisierung gestattet, liefert es einen zweckmäßigen Weg zum Vergleichen von Mammogrammen über eine Zeitperiode hinweg.
Daher ist der Umfang der vorliegenden Erfindung von den beigefügten Ansprüchen definiert und schließt sowohl Kombinationen und Subkombinationen der verschiedenen, hier oben stehend beschriebenen Merkmale als auch Variationen und Modifikationen davon ein, welche dem Fachmann auf dem Gebiet bei der Lektüre der vorangehenden Beschreibung offensichtlich sein werden.
In den Ansprüchen zeigt das Wort ”umfassen” und Variationen davon, wie etwa ”umfasst”, ”umfassend” und dergleichen, dass die aufgelisteten Komponenten eingeschlossen sind, bedeutet jedoch nicht den Ausschluss anderer Komponenten.
Zusammenfassung:
Verfahren zum Diagnostizieren der Malignität von verdächtigen Regionen in einer 2D-Bildgebungs-Projektion eines Körperorgans eines Subjekts, welches die folgenden Schritte umfasst: Normalisieren der Bildprojektion, um Regionen davon auf eine Standardform abzubilden; Extrahieren der Lage von auf der Standardform abgebildeten Regionen und Verwenden der normalisierten Position einer verdächtigen Region zur Einschätzung der Wahrscheinlichkeit, ob diese bösartig ist.

Claims

Verfahren zum Diagnostizieren der Malignität von verdächtigen Regionen in einer 2D-Bildgebungs-Projektion eines Körperorgans eines Subjekts, welches die folgenden Schritte umfasst: Normalisieren der Bildprojektion, um Regionen davon auf eine Standardform abzubilden; Extrahieren der Lage von auf der Standardform abgebildeten Regionen und Verwenden der normalisierten Position einer verdächtigen Region zur Einschätzung der Wahrscheinlichkeit, ob diese bösartig ist.
Verfahren von Anspruch 1, worin zwei Bilder des Körperorgans aus verschiedenen Winkeln aufgenommen werden, um die Extraktion von 3-dimensionalen Daten für das Lokalisieren der Position einer verdächtigen Region in einem normalisierten 3D-Raum zu ermöglichen.
Verfahren von Anspruch 1, worin das Körperorgan eine Milchdrüse ist.
Verfahren von Anspruch 1, worin die verdächtigte Region als krebsartig verdächtigt wird.
Verfahren von Anspruch 1, worin die 2D-Bildgebungs-Projektion ein digitales Röntgenbild ist.
Verfahren von Anspruch 1, worin die Einschätzung der Wahrscheinlichkeit der Malignität einer Region das Vergleichen der Lage der vermutlichen Malignität mit statistischen Daten, welche einen Probensatz einer Population repräsentieren, umfasst.
Verfahren von Anspruch 6, wobei die statistischen Daten eine im Voraus angelegte Wahrscheinlichkeitskartierung von vermuteten Malignitäten, die auf die standardisierte Form projiziert wird, umfassen.
Verfahren von Anspruch 7, worin die Malignitäts-Wahrscheinlichkeitskartierung durch ein Verfahren erstellt wird, das aus den folgenden Schritten besteht: Bereitstellen eines Trainings-Sets von digitalen Bildern mit Regionen von bekanntem Malignitätsstatus; Bestimmen der normalisierten Koordinaten jeder Region im Trainings-Set von digitalen Bildern; Unterteilen jedes normalisierten Digitalbildes in eine im voraus festgelegte Anzahl von Zellen; Berechnen der Auftretenshäufigkeit von Malignität für jede Zelle; und Erzeugen einer Malignitäts-Wahrscheinlichkeitskarte basierend auf der Auftretenshäufigkeit in jeder Zelle.
Verfahren von Anspruch 8, wobei das Organ im allgemeinen eines von einem Paar ist, und die Digitalbilder Bilder der linken und rechten Organe von in Paaren vorkommenden Organen umfassen, und die Wahrscheinlichkeitskartierung das laterale Spiegeln von Bildern umfasst, um Daten von beiden Seiten des Körpers zu vereinigen.
Verfahren von Anspruch 6, wobei die statistischen Daten eine Wahrscheinlichkeitskartierung von falschen Positivresultaten auf die standardisierte Form umfassen.
Verfahren von Anspruch 10, wobei die Wahrscheinlichkeitskartierung von falschen Positivresultaten durch das Verfahren erzeugt wird, das die folgenden Schritte umfasst: Bereitstellen eines Trainings-Sets von digitalen Bildern, welche nachgewiesene falsche Positivresultate zeigen; Bestimmen der normalisierten Koordinaten von jedem falschen Positivresultat in jedem Digitalbild innerhalb des Trainings-Sets; Unterteilen jedes der Digitalbilder in eine im voraus festgelegte Anzahl von Zellen, und, basierend auf den normalisierten Koordinaten von allen falschen Kandidataten in dem Set von Bildern, Berechnen der Auftretenshäufigkeit von falschen Objekten für jede Zelle; und Erzeugen einer Wahrscheinlichkeitskarte für falsche Positivresultate basierend auf der Auftretenshäufigkeit von falschen Positivresultaten in jeder Zelle.
Verfahren von Anspruch 6, wobei der Proben-Set ausgewählt wird aus der Liste, welche folgendes umfasst: eine große Zufallspopulation, eine große Population gleichen Geschlechts, eine Population innerhalb eines spezifischen Altersbereichs, eine Population, die genetische Ähnlichkeiten gemeinsam hat, und eine ethnische Population.
Verfahren von Anspruch 6, wobei der Proben-Set ein Set von Eins ist, und das Verfahren das Vergleichen des normalisierten Bildes des Körperorgans, das auf ein einzelnes normalisiertes Referenzbild abgebildet bzw. kartiert wird, umfasst.
Verfahren von Anspruch 13, wobei das Referenzbild ein zuvor erhaltenes Bild des gleichen Organs ist.
Verfahren von Anspruch 13, wobei das Organ eines von einem Paar ist, und das normalisierte Bild des Körperorgans mit einem normalisierten Bild des paarigen Organs verglichen wird.
Verfahren von Anspruch 13, wobei eines der normalisierten Bilder lateral gespiegelt wird, um den Effekt der Asymmetrie des Organs aufzuheben.
Verfahren von Anspruch 13, wobei das Referenzbild ein Bild eines äquivalenten Organs für ein verwandtes Subjekt ist.
Verfahren von Anspruch 1, wobei der Schritt des Normalisierens das Identifizieren der Positionen einer verdächtigen Region in Polarkoordinaten umfasst.
Verfahren von Anspruch 18, ferner umfassend das Umwandeln der Polarkoordinaten in kartesische Koordinaten.
Verfahren von Anspruch 18, wobei der Schritt des Normalisierens der Koordinaten in Polarkoordinaten ferner die folgenden Schritte umfasst: Segmentieren des Projektionsbildes des Körperorgans von seinem Hintergrund; Definieren eines Einheitsvektors von einem Ursprungspunkt in dem Digitalbild zu jedwedem Gewebekonturpunkt, der aus der Segmentierung resultiert, und Bestimmen des Ursprungspunkts in dem Digitalbild und eines Extrempunkts darin, wodurch ein Nullwinkel-Vektor gebildet wird; Normalisieren der Vektoren aller verdächtigen Regionen als Polarwinkel basierend auf dem Nullwinkel-Vektor und auf dem Einheitsvektor, der jede verdächtige Region kreuzt.
Verfahren von Anspruch 20, das ferner den Schritt des Glättens der Wahrscheinlichkeitskarten einschließt.
Malignitäts-Wahrscheinlichkeitskartierung eines durch das Verfahren erzeugten Projektionsbildes eines Körperorgans, welches die folgenden Schritte umfasst: Bereitstellen eines Trainings-Sets von digitalen Projektionsbildern von Körperorganen, welche verdächtige Regionen mit bekanntem Malignitätsstatus einschließen; Bestimmen normalisierter Koordinaten von jeder verdächtigen Region in dem Trainings-Set von digitalen Projektionsbildern; Unterteilen jedes normalisierten digitalen Projektionsbildes in eine im voraus festgelegte Anzahl von Zellen; Berechnen der Auftretenshäufigkeit von Malignität für jede Zelle; und Erzeugen einer Malignitäts-Wahrscheinlichkeitskarte basierend auf der Auftretenshäufigkeit in jeder Zelle.
Verfahren von Anspruch 22, wobei der Schritt des Bestimmens der normalisierten Koordinaten das Segmentieren des Projektionsbildes des Körperorgans aus seinem Hintergrund; das Definieren eines Einheitsvektors von einem Ursprungspunkt im Digitalbild zu jedwedem Gewebekonturpunkt, der aus der Segmentierung resultiert, und das Bestimmen des Ursprungspunkts in dem Digitalbild und eines Extrempunkts darin, wodurch ein Nullwinkel-Vektor gebildet wird; das Normalisieren der Vektoren aller verdächtigen Regionen als Polarwinkel basierend auf dem Nullwinkel-Vektor und auf dem Einheitsvektor, der jede verdächtige Region kreuzt, umfasst.
Wahrscheinlichkeitskartierung für falsche Positivresultate eines durch das Verfahren erstellten Projektionsbildes eines Körperorgans, welches die folgenden Schritte umfasst: Bereitstellen eines Trainings-Sets von digitalen Projektionsbildern von Körperorganen, welche als falsche Positivresultate erkannte verdächtige Regionen enthalten; Bestimmen der normalisierten Koordinaten von jedem falschen Positivresultat im Trainings-Set von digitalen Projektionsbildern; Unterteilen jedes normalisierten digitalen Projektionsbildes in eine im voraus festgelegte Anzahl von Zellen; Berechnen der Häufigkeit von falschen Positivresultaten für jede Zelle; und Erzeugen einer Wahrscheinlichkeitskarte für falsche Positivresultate basierend auf der Auftretenshäufigkeit in jeder Zelle.
Verfahren von Anspruch 22, wobei der Schritt des Bestimmens der normalisierten Koordinaten das Segmentieren des Projektionsbildes des Körperorgans aus seinem Hintergrund; das Definieren eines Einheitsvektors von einem Ursprungspunkt im Digitalbild zu jedwedem Gewebekonturpunkt, der aus der Segmentierung resultiert, und das Bestimmen des Ursprungspunkts in dem Digitalbild und eines Extrempunkts darin, wodurch ein Nullwinkel-Vektor gebildet wird; das Normalisieren der Vektoren aller falschen Positivresultate als Polarwinkel basierend auf dem Nullwinkel-Vektor und auf dem Einheitsvektor, der jedes falsche Positivresultat kreuzt, umfasst.