-
Einleitung:
-
Es gibt in der Lehre einen Bedarf für eine effektive Technik zum Prozessieren eines ersten Bildes eines ersten Typs, um aus dem ersten Bild automatisch ein abgeleitetes Bild eines zweiten Typs abzuleiten. Beispielsweise ist es hoch wünschenswert, ein neues Patientenbild, bei dem der Bildtyp/die Modalität Magnetresonanz (MR) ist, in ein entsprechendes abgeleitetes Bild zu transformieren, wo der Bildtyp/die Modalität Computertomographie (CT) ist. Eine solche Transformation kann als eine „Pseudo-CT-Erzeugung” charakterisiert werden. Weil die in den Datenpunkten eines CT-Bilds enthaltenen CT-Daten für andere Patientencharakteristika als die in den Datenpunkten eines MR-Bilds enthaltenen MR-Daten indikativ sind, ist es für medizinisches Personal oft nützlich, sowohl die MR-Charakteristika als auch die CT-Charakteristika einer interessierenden Region in einem Patienten zu bewerten, um über eine optimale Behandlung oder Diagnose zu entscheiden. Das abgeleitete CT-Bild kann auch verwendet werden, um eine Patientendosis-Berechnung bei der Strahlentherapiebehandlungsplanung zu erleichtern. Durch genaues Erzeugen eines Pseudo-CT-Bilds aus einem MR-Bild kann dem Patienten zusätzliche Bestrahlungsexposition erspart werden, die bei der CT-Bildgebung auftritt, wie auch Zeit und Ausgaben, eine zusätzliche CT-Bildgebung zu durchlaufen.
-
Um eine solche Ableitung zu erleichtern, können Atlasbilder eingesetzt werden. Ein Atlasbild ist ein vorexistierendes Bild, das als eine Referenz verwendet wird, um zu erleichtern, wie das neue Bild zu übersetzen ist, um das abgeleitete Bild zu erzeugen. Beispielsweise kann im Pseudo-CT-Erzeugungskontext ein Atlas-MR-Bild und ein Atlas-CT-Bild als Referenzen zum Erzeugen eines abgeleiteten CT-Bilds aus dem neuen Patienten MR-Bild verwendet werden. Es ist üblich, dass die Atlasbilder zuvor erzeugte Bilder derselben interessierenden Region für denselben Patienten sind, der Gegenstand des neuen MR-Bilds ist, wobei diese Atlasbilder bereits analysiert worden sind, um interessierende Strukturen zu identifizieren. Beispielsweise muss in vielen Behandlungs- oder diagnostischen Situationen der Patient einer Bildgebung zu mehreren verschiedenen Zeiten über den Verlauf der Behandlung/Diagnose unterworfen werden. Jedoch muss dies nicht der Fall sein – beispielsweise müssen die Atlasbilder nicht Bilder derselben Person sein.
-
Das Atlas-MR-Bild und das Atlas-CT-Bild werden vorzugsweise miteinander über eine Registrierungstechnik ausgerichtet (man sagt von einem solchen Atlas-MR-Bild und Atlas-CT-Bild, dass sie „registriert” sind oder in „Registrierung” sind). Mit einer solchen Registrierung wird ein gegebener Punkt im Atlas-MR-Bild für einen bestimmten Ort des Objektes auf einen gegebenen Punkt im Atlas-CT-Bild für denselben bestimmten Ort kartiert/abgebildet (und umgekehrt). Jedoch versteht es sich, dass erwartet wird, dass ein gewisser Fehlerbetrag in dieser Registrierung vorliegt. Als solcher wird die Registrierung zwischen dem Atlas-MR-Bild und dem Atlas-CT-Bild nicht perfekt sein.
-
Beispielsweise würde in einer idealisierten hypothetischen Situation, wo keine Fehler in der Atlas-MR-Bild zu Atlas-CT-Bild-Registrierung existieren und wo das neue Patienten-MR-Bild perfekt mit dem Atlas-MR-Bild registriert werden könnte, dann folgen, dass man einfach das Patienten-CT-Bild aus dem Patienten-MR-Bild ableiten könnte, durch Kartieren jedes Punkts im Patienten-MR-Bild auf einen entsprechenden Punkt im registrierten Atlas-MR-Bild, dann Abbilden dieses Punktes im Atlas-MR-Bild auf seinen korrespondierenden Punkt im registrierten Atlas-CT-Bild. Die Beziehung zwischen der CT-Information für diesen abgebildeten Datenpunkt im Atlas-CT-Bild und im MR-Bild für den abgebildeten Datenpunkt im Atlas-MR-Bild kann dann in Kombination mit der MR-Information für den Datenpunkt im Patienten-MR-Bild verwendet werden, um einen Datenpunkt für das abgeleitete CT-Bild zu berechnen. Jedoch, weil eine solche vereinfachte Transformationstechnik keine Fehlertoleranzen berücksichtigt, die in Bezug auf Bildregistrierung existieren (sowohl in der Patienten zu Atlasregistrierung als auch der Atlas zur Atlasregistrierung), glaubt der Erfinder, dass es Raum für Verbesserung des Stands der Technik gibt.
-
Dazu offenbart der Erfindung ein Verfahren zum Umwandeln eines ersten Bildes eines ersten Typs in ein abgeleitetes Bild eines zweiten Typs, basierend auf einem zweiten Bild und einem dritten Bild, wobei das zweite Bild vom ersten Typ ist, das dritte Bild vom zweiten Typ ist, die zweiten und dritten Bilder in Registrierung zueinander sind, das erste Bild eine Mehrzahl von Datenpunkten umfasst, wobei jeder erste Bilddatenpunkt erste Typdaten für das erste Bild umfasst, das zweite Bild eine Mehrzahl von Datenpunkten umfasst, wobei jeder zweite Bilddatenpunkt erste Typdaten für das zweite Bild umfasst, das dritte Bild eine Mehrzahl von Datenpunkten umfasst, wobei jeder dritte Bilddatenpunkt zweite Typdaten für das dritte Bild umfasst, wobei das Verfahren umfasst: (1) Durchführen einer Mehrzahl von Vergleichen zwischen einem Patch (Flecken bzw. Bereich) des ersten Bildes und einer Mehrzahl von Patches des zweiten Bildes, um eine Mehrzahl von Ähnlichkeitsindikatoren zu erzeugen, wobei die Ähnlichkeitsindikatoren für Ähnlichkeiten wie zwischen dem ersten Bilddatenpunkt und eine Mehrzahl von zweiten Bilddatenpunkten indikativ ist, (2) Berechnen einer Mehrzahl von Gewichtungsfaktoren, basierend auf den Ähnlichkeitsindikatoren, wobei die berechneten Gewichtungsfaktoren mit einer Mehrzahl von dritten Bilddatenpunkten assoziiert sind, (3) Berechnen eines abgeleiteten Bilddatenpunkts entsprechend dem ersten Bilddatenpunkt als eine gewichtete Kombination der dritten Bilddatenpunkte, welche mit den berechneten Gewichtungsfaktoren assoziiert sind, wobei die gewichtete Kombination gemäß den berechneten Gewichtungsfaktoren durchgeführt wird und, (4) Wiederholen des Vergleichsdurchführungsschritts, des Gewichtungsfaktor-Berechnungsschritts und des abgeleiteten Bilddatenpunkt-Berechnungsschritts für eine Mehrzahl unterschiedlicher erster Bilddatenpunkte, um dadurch das abgeleitete Bild aus der Mehrzahl von berechneten abgeleiteten Bilddatenpunkten zu erzeugen, und wobei die Verfahrensschritte durch einen Prozessor durchgeführt werden.
-
Es versteht sich, dass der Ausdruck „Patch” in Bezug auf ein Bild, wie hierin verwendet, sich auf einen Untersatz der Datenpunkte für dieses Bild bezieht. Somit wird durch Vergleichen von Patches des ersten Bilds mit Patches des zweiten Bildes ein größerer Pool von Datenpunkten berücksichtigt, um zu bewerten, wie gut ein gegebener Datenpunkt des ersten Bildes sich auf einen gegebenen Punkt des zweiten Bildes abbildet. Die Leistung einer solchen vergleichsbasierten gewichteten Kombination ist, dass sie die Existenz eines Fehlers bei der Bildregistrierung besser unterbringt. Das heißt, dass erwartet wird, dass eine Patchvergleichsbasierte gewichtete Kombination gegenüber Bildregistrierungsfehlern robust ist, weil sie das Poolen von Information aus einem größeren Bereich der Bilder gestattet.
-
Der Erfinder offenbart weiter eine Vorrichtung zum Umwandeln eines ersten Bildes eines ersten Typs zu einem abgeleiteten Bild eines zweiten Typs, basierend auf einem zweiten Bild und einem dritten Bild, wobei das zweite Bild vom ersten Typ ist, das dritte Bild vom zweiten Typ ist, die zweiten und dritten Bilder in Registrierung zu einander sind, das erste Bild eine Mehrzahl von Datenpunkten umfasst, wobei jeder erste Bilddatenpunkt erste Typdaten für das erste Bild umfassen, das zweite Bild eine Mehrzahl von Datenpunkten umfasst, wobei jeder zweite Bilddatenpunkt erste Typdaten für das zweite Bild umfasst, das dritte Bild eine Mehrzahl von Datenpunkten umfasst, wobei jeder dritte Bilddatenpunkt zweite Typdaten für das dritte Bild umfasst, die Vorrichtung einen Prozessor umfasst, der konfiguriert ist, um (1) eine Mehrzahl von Vergleichen zwischen einem Patch des ersten Bilds und einer Mehrzahl von Patches des zweiten Bildes durchzuführen, um eine Mehrzahl von Ähnlichkeitsindikatoren zu erzeugen, wobei die Ähnlichkeitsindikatoren für Ähnlichkeiten wie zwischen einem ersten Bilddatenpunkt und einer Mehrzahl von zweiten Bilddatenpunkten indikativ ist, (2) eine Mehrzahl von Gewichtungsfaktoren zu berechnen, basierend auf den Ähnlichkeitsfaktoren, wobei die berechneten Gewichtungsfaktoren mit einer Mehrzahl von dritten Bilddatenpunkten assoziiert sind, (3) einen abgeleiteten Bilddatenpunkt entsprechend dem ersten Bilddatenpunkt als eine gewichtete Kombination der dritten Bilddatenpunkte zu berechnen, die mit dem berechneten Gewichtungsfaktoren assoziiert sind, wobei die gewichtete Kombination gemäß den berechneten Gewichtungsfaktoren ist, (4) die Vergleichsoperation, die Gewichtungsfaktoren-Berechnungsoperation und die abgeleitete Bilddatenpunkt-Berechnungsoperation für eine Mehrzahl unterschiedlicher erster Bilddatenpunkte zu wiederholen, um dadurch das abgeleitete Bild aus der Mehrzahl von berechneten abgeleiteten Bilddatenpunkten zu erzeugen.
-
Noch weiter wird hierin ein Computerprogrammprodukt zum Umwandeln eines ersten Bildes eines ersten Typs in ein abgeleitetes Bild eines zweiten Typs, basierend auf einem zweiten Bild und einem dritten Bild offenbart, wobei das zweite Bild vom ersten Typ ist, das dritte Bild vom zweiten Typ ist, die zweiten und dritten Bilder in Registrierung zueinander sind, das erste Bild eine Mehrzahl von Datenpunkten umfasst, wobei jeder erste Bilddatenpunkt erste Typdaten für das erste Bild umfasst, das zweite Bild eine Mehrzahl von Datenpunkten umfasst, wobei jeder zweite Bilddatenpunkt erste Typdaten für das zweite Bild umfasst, das dritte Bilde eine Mehrzahl von Datenpunkten umfasst, wobei jeder dritte Bilddatenpunkt zweite Typdaten für das dritte Bild umfasst, das Computerprogrammprodukt eine Mehrzahl von Anweisungen umfasst, die auf einem nicht-transitorischen Computer-lesbaren Speichermedium resident sind und durch einen Prozessor ausführbar sind, um (1) eine Mehrzahl von Vergleichen zwischen einem Patch des ersten Bildes und einer Mehrzahl von Patches des zweiten Bildes durchzuführen, um eine Mehrzahl von Ähnlichkeitsindikatoren zu erzeugen, wobei die Ähnlichkeitsindikatoren für Ähnlichkeiten wie zwischen dem ersten Bilddatenpunkt und einer Mehrzahl von zweiten Bilddatenpunkten indikativ sind, (2) eine Mehrzahl von Gewichtungsfaktoren zu berechnen, basierend auf den Ähnlichkeitsindikatoren, wobei die berechneten Gewichtungsfaktoren mit einer Mehrzahl von dritten Bilddatenpunkten assoziiert sind, (3) einen abgeleiteten Bilddatenpunkt entsprechend dem ersten Bilddatenpunkt als eine gewichtete Kombination der dritten Bilddatenpunkte zu berechnen, die mit den berechneten Gewichtungsfaktoren assoziiert sind, wobei die gewichtete Kombination gemäß den berechneten Gewichtungsfaktoren ist, (4) die Vergleichsoperation, die Gewichtungsfaktoren-Berechnungsoperation und die abgeleitete Bilddatenpunkt-Berechnungsoperation für eine Mehrzahl unterschiedlicher erster Bilddatenpunkte zu wiederholen, um dadurch das abgeleitete Bild aus der Mehrzahl berechneter abgeleiteter Bilddatenpunkte zu erzeugen.
-
Gemäß einer anderen Ausführungsform offenbart der Erfinder eine Technik zum Übersetzen eines ersten Bildes eines ersten Typs zu einem abgeleiteten Bild eines zweiten Typs, wodurch eine Mehrzahl von Ähnlichkeitsindikatoren wie zwischen einer Mehrzahl von Patch eines ersten Bildes und einer Mehrzahl von Patch eines ersten Atlasbildes berechnet werden, wobei das erste Atlasbild vom ersten Typ ist. Gewichtungsfaktoren können dann berechnet werden, basierend auf den berechneten Ähnlichkeitsindikatoren. Diese Gewichtungsfaktoren können auf eine Mehrzahl von Datenpunkten eines zweiten Atlasbildes angewendet werden, um eine Mehrzahl von Datenpunkten für das abgeleitete Bild zu berechnen, so dass jeder zumindest einer Mehrzahl der Datenpunkte für das abgeleitete Bild eine Funktion einer Mehrzahl der Datenpunkte des zweiten Atlasbildes ist. Eine solche Technik kann zur Pseudo-CT-Erzeugung aus einem MR-Bild verwendet werden.
-
Gemäß noch einer anderen Ausführungsform offenbart der Erfinder eine Technik zum Übersetzen eines ersten Atlasbildes eines ersten Typs zu einem abgeleiteten Atlasbild eines zweiten Typs, wodurch eine Mehrzahl von Ähnlichkeitsindikatoren wie zwischen einer Mehrzahl von Patch eines ersten Atlasbildes und einer Mehrzahl von Patch eines zweiten Atlasbildes berechnet werden, wobei das erste Atlasbild vom ersten Typ ist und das zweite Atlasbild vom zweiten Typ ist. Gewichtungsfaktoren können dann berechnet werden, basierend auf den berechneten Ähnlichkeitsindikatoren. Diese Gewichtungsfaktoren können auf eine Mehrzahl von Datenpunkten eines zweiten Atlasbildes angewendet werden, um eine Mehrzahl von Datenpunkten für das abgeleitete Atlasbild so zu berechnen, dass jeder einer Mehrzahl von Datenpunkten für das abgeleitete Atlasbild eine Funktion einer Mehrzahl von Datenpunkten des zweiten Atlasbildes ist.
-
Diese und andere Faktoren und Vorteile der vorliegenden Erfindung werden Durchschnitts-Fachleuten auf dem Gebiet bei Betrachtung der Lehren in der nachfolgenden Beschreibung und den Zeichnungen ersichtlich.
-
Kurze Beschreibung der Zeichnungen:
-
1 stellt eine beispielhafte Ausführungsform der Erfindung dar.
-
2 stellt einen beispielhaften Prozessfluss zum Ausführen durch einen Prozessor gemäß einer beispielhaften Ausführungsform dar.
-
3 stellt eine beispielhafte Pseudo-CT-Erzeugungsausführungsform dar.
-
4 stellt eine beispielhafte Ausführungsform für den Prozessfluss von 2 dar.
-
5 stellt einen beispielhaften Patch für ein Patienten-MR-Bild dar.
-
6(a)–(i) stellen Beispiele dazu dar, wie der beispielhafte Patienten-MR-Bild-Patch mit verschiedenen beispielhaften Patch eines Atlas-MR-Bilds verglichen werden kann.
-
7 stellt eine beispielhafte Datenstruktur dar, die zeigt, wie Ähnlichkeitsbewertungen aus den Patchvergleichen für einen gegebenen Punkt Xi eines Patienten-MR-Bilds mit Punkten eines Atlas-MR-Bilds und eines Atlas-CT-Bilds assoziiert werden können.
-
8 stellt die beispielhafte Datenstruktur von 7 dar, verbessert durch berechnete Gewichtungsfaktoren für die verschiedenen Atlasbildpunkte.
-
9 identifiziert, wie ein abgeleiteter CT-Wert für den Punkt Xi des Patienten-MR-Bilds aus der Datenstruktur von 8 berechnet werden kann.
-
10(a) stellt eine beispielhafte Ausführungsform dar, wo mehrere Atlas-MR-CT-Bild-Paare verwendet werden, um das CT-Bild aus dem Patienten-MR-Bild abzuleiten.
-
10(b) stellt eine beispielhafte Datenstruktur dar, die zeigt, wie Ähnlichkeitsränge aus den Patchvergleichen für einen gegebenen Punkt Xi eines Patienten-MR-Bilds mit Punkten der mehreren Atlanten von 10(a) assoziiert werden können.
-
11 stellt eine beispielhafte Ausführungsform dar, bei der eine Untermenge der Ähnlichkeitsränge verwendet werden kann, um die Gewichtungsfaktoren zu berechnen.
-
12 stellt eine beispielhafte Ausführungsform dar, bei der eine Patchvergleichs-Gewichtungs-Kombinationstechnik verwendet wird, um ein abgeleitetes Atlas-CT-Bild bei der Registrierung mit dem Atlas-MR-Bild zu erzeugen, und bei der das abgeleitete Atlas-CT-Bild verwendet wird, um das Patienten-CT-Bild abzuleiten.
-
13 stellt einen beispielhaften Prozessfluss zum Ausführen zum Implementieren der Ausführungsform von 12 dar.
-
14 stellt eine beispielhafte Ausführungsform des Prozessflusses von 13 in Bezug auf das Erzeugen des abgeleiteten Atlas-CT-Bilds dar.
-
15 stellt einen beispielhaften Patch für ein Atlas-MR-Bild dar.
-
16 stellt ein Beispiel dazu dar, wie der beispielhafte Atlas-MR-Bildpatch aus 15 mit einem Patch des Atlas-CT-Bilds verglichen werden kann, als Teil des Prozessflusses in 14.
-
17 stellt eine beispielhafte Patchvergleichstechnik dar, basierend auf Merkmalsvektoren der zu vergleichenden Patches.
-
18 stellt eine beispielhafte Anordnung zum Berechnen eines Merkmalsvektors in Bezug auf einen Patch dar.
-
Detaillierte Beschreibung:
-
1 stellt eine beispielhafte Ausführungsform der Erfindung dar. Wie in 1 gezeigt, kann ein Prozessor 100 konfiguriert sein, eine Verarbeitungslogik 104 zu implementieren, wodurch ein erstes Bild 110 eines ersten Typs (Typ 1) in ein abgeleitetes Bild 112 eines zweiten Typs (Typ 2) unter Verwendung eines Atlasbilds 106 (Typ 1) und eines Atlasbilds 108 (Typ 2) umgewandelt wird. Es versteht sich, dass die Bilder entweder zwei-dimensionale (2D) Bilder oder drei-dimensionale (3D) Bilder sein können. Bei einem 2D-Bild können die Bilddatenpunkte als Pixel bezeichnet werden. Bei einem 3D-Bild können die Bilddatenpunkte als Voxel bezeichnet werden.
-
Der Prozessor 100 kann jeglicher Prozessor mit ausreichenden Rechenfähigkeiten sein, die hierin beschriebenen Merkmale zu implementieren. Es versteht sich, dass der Prozessor 100 mehrere Prozessoren umfassen kann, welche optional über ein Netzwerk verteilt sind. Die Programmanweisungen zum Implementieren der Verarbeitungslogik 104 können in einem nicht-transitorischen computerlesbaren Speichermedium (z. B. Speicher 102) resident sein, zum Zugriff und Ausführung durch den Prozessor 100. Es versteht sich, dass der Speicher 102 mehrere Speichervorrichtungen umfassen kann, optional mehrere verteilte Speichervorrichtungen und/oder Speichervorrichtungen unterschiedlicher Typen.
-
2 stellt einen beispielhaften Verarbeitungsfluss für die Verarbeitungslogik 104 dar. Im Schritt 200 vergleicht der Prozessor Patches des neuen Bilds 110 mit Patches des Typ 1 Atlasbilds 106. Im Schritt 202 berechnet der Prozessor eine Mehrzahl von Ähnlichkeitsindikatoren, basierend auf diesen Patchvergleichen. Jeder Ähnlichkeitsindikator kann indikativ dafür sein, wie ähnlich ein gegebener Patch eines neuen Bildes 110 in Bezug auf einen gegebenen Patch des Typ 1 Atlasbilds 106 ist. Aus diesen Ähnlichkeitsindikatoren kann der Prozessor Gewichtungsfaktoren berechnen (Schritt 204). Diese Gewichtungsfaktoren können bestimmen, wieviel Einfluss ein gegebener Datenpunkt des Typ 2 Atlasbildes auf die Berechnung eines neuen Datenpunktes für das abgeleitete Typ 2 Bild 112 aufweisen wird. Im Schritt 206 berechnet der Prozessor die abgeleitete Typ 2 Bild 112 Daten, basierend auf den Gewichtungsfaktoren in Kombination mit Daten aus dem Atlas Typ 2 Bild 108.
-
3 stellt eine beispielhafte Ausführungsform dar, wo die Verarbeitungslogik 104 konfiguriert ist, eine Pseudo-CT-Erzeugung durchzuführen. Somit kann in Bezug auf die beispielhafte Ausführungsform von 1 die Typ 1 Bildgebungsmodalität Magnetresonanz (MR) sein und kann die Typ 2 Bildgebungsmodalität Computertomographie (CT) sein. Somit ist bei der Ausführungsform der 3 das zu transformierende Bild ein Patienten-MR-Bild 304. Die Atlasbilder sind ein Atlas-MR-Bild 300 und ein Atlas-CT-Bild 302. Diese Atlasbilder 300 und 302 sind vorzugsweise zueinander registriert. In 3 arbeitet die Verarbeitungslogik 104 an diesen Bildern 300, 302 und 304, um das abgeleitete Patienten-CT-Bild 306 zu erzeugen. während hierin beschriebene Ausführungsformen Pseudo-CT-Erzeugung aus einem MR-Bild einsetzen, versteht es sich, dass andere Bildgebungstypen/Modalitäten eingesetzt werden können. Beispielsweise kann ein Ausübender hier beschriebene Techniken einsetzen, um ein Ultraschallbild aus einem MR- oder CT-Bild abzuleiten.
-
4 stellt einen beispielhaften Prozessfluss für die Verarbeitungslogik 104 von 3 dar. Im Schritt 400 wird das Patienten-MR-Bild 304 mit dem Atlas-MR-Bild 300 in Registrierung gebracht. Irgendeine Anzahl von Registrierungstechniken kann verwendet werden. Beispielsweise kann eine deformierbare Registrierung (OIR) eingesetzt werden. Zusätzliche Beispiele von Bildregistrierungstechniken, die eingesetzt werden können, sind durch Andersson et al. „Evaluation of 14 nonlinear deformation algorithms applied to human brain MRI registration”, Neuroimage 46: 786–802, 2009 beschrieben, deren Gesamtoffenbarung hier unter Bezugnahme inkorporiert sei. Als noch zusätzliche Beispiele können die durch Avants, et al., „Symmetric diffeomorphic image registration with cross-correlation: evaluating automated labeling of elderly and neurogenerative brain”, Med. Image Anal. 12, 26–41, 2008 und Liao et al., „Feature based nonrigid brain MR image registration with symmetric alpha stable filters”, IEEE Trans. Med. Imag. 29(1): 106–119, 2010 beschriebenen Bildregistrierungstechniken, deren Gesamtoffenbarungen hier unter Bezugnahme inkorporiert sind, eingesetzt werden. Als ein Ergebnis dieses Registrierungsprozesses weist jeder Datenpunkt Xi des Patienten-MR-Bilds 300 einen entsprechenden Datenpunkt X'i des Atlas-MR-Bilds auf.
-
Im Schritt 402 initialisiert der Prozessor die Variablen i und j. die Variable i wird verwendet, um die Datenpunkte des Patienten MR-Bilds 304 zu identifizieren. Die Variable j wird verwendet, um zu regeln, wie viele Patchvergleiche in Bezug auf einen gegebenen Punkt Xi des Patienten MR-Bilds 304 durchgeführt werden.
-
Im Schritt 404 wählt der Prozessor einen Patch des Patienten-MR-Bilds 304 in Bezug auf Datenpunkt Xi des Patienten MR-Bilds 304 aus. Der ausgewählte Patienten-MR-Bildpatch kann eine Nachbarschaft von Datenpunkten aus dem Patienten-MR-Bild 304 nahe Xi sein. Beispielsweise unter Bezugnahme auf das Beispiel von 5 kann für ein Patienten-MR-Bild 304, das eine Mehrzahl von Datenpunkten 500 umfasst, der ausgewählte Patienten-MR-Bildpatch 502 eine Mehrzahl von Datenpunkten N1, N2, .... die Xi umgeben, sein. Es versteht sich, dass Größe und Form des wie durch 5 gezeigten Patchs 502 nur beispielhaft ist. Ein Ausübender kann eine gewünschte Größe und/oder Form für den Patch 502 definieren. Beispielsweise kann, wenn die Patchgröße kleiner wird, die Zuverlässigkeit des Ähnlichkeitsvergleichs reduziert sein, da kleine Patchgrößen gegenüber Bildrauschen sensitiver werden. Im Gegensatz dazu, wenn die Patchgröße größer wird, kann die Zuverlässigkeit dann degradiert sein, weil der Ähnlichkeitsvergleich weniger sensitiv gegenüber Voxel- oder Pixeldifferenzen wird. Große Patchgrößen können auch Latenz negativ beeinträchtigen, da es länger dauern kann, Vergleiche zu berechnen. Somit sollte ein Ausübender eine angemessene Patchgröße für die Situation im Hinblick auf solche Erwägungen auswählen. Typischer Weise definiert die Patchform eine lokale Region, die am Voxel (oder Pixel), das betrachtet wird, zentriert ist. Bezüglich der Form ist eine Boxen- oder Sphärenform als eine effiziente Implementierungsentscheidung wünschenswert, (z. B. könnte die Box einfach durch ihre Seitenlänge spezifiziert sein, und könnte eine Sphäre einfach durch ihren Radius spezifiziert sein).
-
Im Schritt 406 wählt der Prozessor einen Patch im Atlas-MR-Bild 300 in Bezug auf den Datenpunkt X'i des Atlas-MR-Bilds 300 aus. Man rufe sich in Erinnerung, dass der Datenpunkt X'i der Atlas-MR-Bilddatenpunkt ist, der dem Datenpunkt Xi des Patienten-MR-Bilds als Ergebnis der Registrierung im Schritt 400 entspricht. Der ausgewählte Atlas-MR-Bildpatch kann eine Nachbarschaft von Datenpunkten aus dem Atlas-MR-Bild 300 nahe X 'i sein. Beispielsweise in Bezug auf das Beispiel von 6(a) kann für ein Atlas-MR-Bild 300, das eine Mehrzahl von Datenpunkten 600 umfasst, der ausgewählte Atlas-MR-Bildpatch 602 eine Mehrzahl von Datenpunkten N'1, N'2, ... sein, die X'i umgeben. Wie bei 5 versteht es sich, dass die Größe und Form des Patchs 602, wie durch 6 gezeigt, nur beispielhaft ist. Ein Ausübender kann eine gewünschte Größe und/oder Form für den Patch 602 definieren. Vorzugsweise passt Größe und Form des Patchs 602 zu derjenigen des Patchs 502.
-
Im Schritt 408 wird der ausgewählte Patienten-MR-Bildpatch (siehe Patch 502) mit dem ausgewählten Atlas-MR-Bildpatch (siehe Patch 602) verglichen. Dieser Vergleich führt zur Berechnung eines Ähnlichkeitsindikators, wie etwa eines Ähnlichkeitsrangs (Schritt 410); siehe auch 6(a). Irgendeine Anzahl von Techniken kann verwendet werden, um Patch 502 mit Patch 602 zu vergleichen, um Ähnlichkeit zu bewerten und quantifizieren.
-
Beispielsweise können die Patch
502 und
602 direkt unter Verwendung verschiedener Techniken verglichen werden. Als Beispiel kann eine Summe von Quadratintensitätsdifferenzen(SSO)-Technik auf die Intensitätsdaten angewendet werden, die in den Datenpunkten von Patch
502 und
602 vorliegen, um ihre Ähnlichkeit zu quantifizieren. Jedoch hat der Erfinder herausgefunden, dass eine nützlichere direkte Vergleichstechnik eine Lokalkorrelationskoeffizienten(Lee)-Vergleichstechnik ist. Die Lee-Vergleichstechnik kann einen Ähnlichkeitsrang (LeC) gemäß der nachfolgenden Formel berechnen:
-
In dieser Formel:
- • bezeichnet S das Patienten-MR-Bild
- • bezeichnet Ai das Atlas-MR-Bild
- • bezeichnet x diesen Punkt Xi unter Erwägung
- • bezeichnet B(x) den Patch von am Punkt Xi zentrierten Punkten. Dieselbe Patchgröße und -form wird für das Patienten-MR-Bild bzw. das Atlas-MR-Bild verwendet.
- • bezeichnet S das lokale Mittel von S innerhalb B(x) wobei S berechnet werden kann als:
- • At bezeichnet den lokalen Durchschnitt von Ai innerhalb von 8ex), wobei At berechnet werden kann als:
-
Der LCC-Rang in einer solchen Ausführungsform zeigt Werte im Bereich von [–1, 1]. Weiterhin versteht es sich, dass #8(x) Notation sich auf die Anzahl von Punkten in B bezieht.
-
Als anderes Beispiel können die Patches 502 und 602 indirekt unter Verwendung von Merkmalsvektordaten verglichen werden, die aus den Patches 502 und 602 abgeleitet sind, von denen Beispiele unten mit 10 Referenz auf 17 und 18 erklärt sind.
-
Noch weiter kann ein Patch-Vergleich durchgeführt werden, indem eine zufällige Projektionstechnik verwendet wird. Zufallsprojektion ist ein Verfahren zur Dimensionalitätsreduktion. Die Motivation zur Verwendung von Zufallsprojektionen zum Implementieren von Patch-Vergleichen besteht darin, die Berechnungsgeschwindigkeit zu verbessern. Die Patches sind Signale und das Berechnen ihrer Ähnlichkeit (oder äquivalent das Berechnen der Distanz zwischen ihnen, wobei große Distanz niedrige Ähnlichkeit bedeutet) ist niedrig, falls die Dimension oder Länge des Signals groß ist (d. h., falls die Patch-Größe groß ist). Wie im Papier Bingham, et al., „Random projection in dimensionality reduction: applications to image and text data”, Knowledge Discovery and Data Mining, Seiten 245–250, 2001 (deren Gesamtoffenbarung hier unter Bezugnahme inkorporiert ist) beschrieben, sind Zufallsprojektionen als leistungsfähiges Verfahren zur Dimensionalitätsreduktion erschienen. In Zufalls 20 Projektion (RP), werden die originalen, hochdimensionalen Daten auf einen niedriger dimensionalen Unterraum projiziert, wobei eine Zufallsmatrix verwendet werden, deren Spalten Einheitslängen aufweisen. RP ist als rechenmäßig effizientes, dabei jedoch ausreichend genaues Verfahren zur Dimensionalitätsreduktion von hochdimensionalen Datenmengen gefunden worden. Somit, wenn RP auf Patch-Vergleiche angewendet wird, können die Patches auf einen niederdimensionalen Unterraum projiziert werden, und kann die Ähnlichkeitsbewertung dann in solch einem Unterraum durchgeführt werden.
-
Somit wird die Schlussfolgerung von Schritt 410 einen Ähnlichkeitsrang ergeben, der für die Ähnlichkeit zwischen Patch 502 und Patch 602 indikativ ist.
-
Im Schritt 412 prüft der Prozessor, ob j gleich M ist. M ist ein Parameter, der durch einen Ausübender ausgewählt ist, um zu definieren, wie viele verschiedene Patch-Vergleiche im Bezug auf Patch 502 durchgeführt werden. In einem Extremfall kann M 1 sein, obwohl dies gegenüber dem Weiterreichen eines Registrierungsfehlers, wie zwischen dem Atlas-MR-Bild und dem Atlas-CT-Bild anfälliger wäre. Als solches wird es bevorzugt, dass ein größerer Wert für M verwendet wird, um die Berücksichtigung von mehr Datenpunkten zusammenzuführen. Der Wert für M kann durch die Größe einer Suchregion bestimmt werden. Ähnlich zu den Patches kann die Suchregion als eine Box oder eines Sphäre definiert werden, die um einen interessierenden Punkt zentriert ist (typischer Weise wird dies der Punkt des Atlas-MR-Bildes sein, der mit dem bewertet werdenden Punkt im Patienten-MR-Bild registriert ist), und falls M größer als 1 ist, wird die Größe dieser Suchregion größer als die Patch-Größe sein. Die Wahl dafür, wie groß eine zu wählende Suchfunktion ist, kann eine Funktion davon sein, wie zuverlässig ein Ausüber annimmt, dass die Bildregistrierungen sind. Falls beispielsweise die Registrierung zwischen dem Patienten-MR-Bild und dem Atlas-MR-Bild als ein betrachtlicher Betrag eines Registrierungsfehlers beinhaltend angenommen wird, würde dies anzeigen, dass eine größere Suchregion verwendet werden sollte. Als Extrem kann am anderen Ende M ein Wert sein, der groß genug ist, dass der Patch 502 effektiv mit Patches verglichen wird, welche das gesamte Atlas-MR-Bild umfassen. Jedoch wird angenommen, dass ein solch großer Wert für M weniger wünschenswert als ein Wert zwischen den Extremen ist, weil, falls der Wert für M zu groß ist, nicht nur die Rechenzeit verlangsamt wird, sondern auch die Wahrscheinlichkeit des Auffindens falsch positiver Ähnlichkeiten erwartungsgemäß ansteigt. Falls j nicht gleich groß M ist, schaltet der Prozessfluss zu Schritt 414 fort.
-
Im Schritt 414 inkrementiert der Prozessor j, was wirksam ist, sich zum nächsten Patch in dem Atlas-MR-Bild zu verschieben. Dieser nächste Patch ist ein Patch des Atlas-MR-Bilds 300 um einen anderen Atlas-MR-Bilddatenpunkt herum Beispielsweise zeigt 6(b) ein Beispiel, bei dem der nächste Patch im Atlas-MR-Bild Patch 604 ist, der um den Punkt N'i zentriert ist. Der Punkt N'2 kann dann als der Datenpunkt vom Atlas-MR-Bild charakterisiert werden, der dem Patch 604 entspricht. Wie zu sehen ist, umgreift der Patch 604 einen unterschiedlichen Satz von Datenpunkt 600 des Atlas-MR-Bild 300, das nahe Punkt X'i ist. Um vom Atlas-Patch zu Atlas-Patch zu verschieben, kann der Prozessfluss verschiedene Punkte in der Suchregion als den Punkt auswählen, um welchen der Atlas-Patch zentriert ist. Es wird bevorzugt, dass alle Punkte in der Suchregion als die Zentrumspunkte für ein Atlas-Patch verwendet werden können, obwohl dies nicht der Fall sein muss.
-
Aus Schritt 414 kehrt der Prozessor zu den Schritten 408 und 410 zurück, wo in diesem Moment der Patch 502 es ist, der mit dem Patch 604 verglichen wird. Der Betrieb von Schritt 410 in dieser zweiten Iteration ergibt somit einen Ähnlichkeitsrang, der für die Ähnlichkeit zwischen Patch 502 und Patch 602 indikativ ist. Der Prozessor setzt den Lauf durch diese Schleife fort, bis j = M. Somit, in einem einfachen Beispiel, bei dem M = 9:
- • Die dritte Iteration führt zu einem Patch-Vergleich zwischen Patch S52 und Patch S606 gezeigt in 6(c).
- • Die vierte Iteration führt zu einem Patch-Vergleich zwischen Patch 502 und Patch 608 gezeigt in 6(d).
- • Die fünfte Iteration führt zu einem Patch-Vergleich zwischen Patch 502 und Patch 610 gezeigt in 6(e).
- • Die sechste Iteration führt zu einem Patch-Vergleich zwischen Patch 502 und Patch 612 gezeigt in 6(f).
- • Die siebte Iteration führt zu einem Patch-Vergleich zwischen Patch 502 und Patch 614 gezeigt in 6(g).
- • Die achte Iteration führt zu einem Patch-Vergleich zwischen Patch 502 und Patch 616 gezeigt in 6(h).
- • Die neunte Iteration führt zu einem Patch-Vergleich zwischen Patch 502 und Patch 618 gezeigt in 6(i).
-
Somit, wenn einmal j = M mit einer Ergebnisdatenstruktur etwa die durch die 7 gezeigte, verschiedene Ähnlichkeitsränge identifizieren, die im Bezug auf den Patch 502 und die verschiedenen Patche 602 bis 618 berechnet sind. Jeder Rang wird mit einem Atlas-MR-Bilddatenpunkt assoziiert, der dem Atlas-MR-Bild-Patch entspricht, für welches dieser Ähnlichkeitsrang berechnet wurde (siehe Spalte 700). Weiterhin ist es zu bemerken, dass aufgrund der Registrierung zwischen dem Atlas-MR-Bild 300 und dem Atlas-CT-Bild 302 jedes Ranges entsprechender Atlas-MR-Bilddatenpunkt auf einen entsprechenden Atlas-CT-Bilddatenpunkt abgebildet werden kann (siehe Spalte 702). Somit ist der Atlas-CT-Bilddatenpunkt Y'(X'i) der Atlas-CT-Bilddatenpunkt in Registrierung mit dem Atlas-MR-Bilddatenpunkt X'i. Wie aus 7 zu sehen, kann jeder Ähnlichkeitsrang somit mit einem Datenpunkt des Atlas-CT-Bildes 302 assoziiert sein.
-
Im Schritt
416 kann der Prozessor eine Mehrzahl von Gewichtungsfaktoren berechnen, basierend auf den in der Datenstruktur von
7 gezeigten Ähnlichkeitsrängen. Die Gewichtungen können proportional zu den Ähnlichkeitsneigungen gewählt werden, das heißt ein Atlaspunkt mit einem höheren Ähnlichkeitsrang sollte einer höheren Gewichtung zugewiesen sein. Falls S
j verwendet wird, um den Ähnlichkeitsrang für einen Punkt j des Atlasbildes zu bezeichnen, kann dann eine beispielhafte Formel, die verwendet werden kann, um den Gewichtungsfaktor zu berechnen, sein:
wobei h ein Skalier-Parameter ist, der durch den Ausübenden gewählt werden kann. Falls h groß ist (relativ zu den Ähnlichkeitsrängen), werden dann alle Ränge durch grob gleiche Gewichtungen umgewandelt. Falls h klein ist (relativ zu den Ähnlichkeitsrängen), wenn dann die Gewichtungen mehr verbreitert. Falls die Ähnlichkeitsränge unter Verwendung der oben diskutierten LCC-Technik berechnet werden, kann ein geeigneter Wert für h berechnet werden als:
h = minj(1 – Sj)
-
Es ist auch möglich, direkt die Ähnlichkeitsränge als den Gewichtungsfaktor zu verwenden, das heißt Wj = Sj – minjSj, wobei die Subtraktion des Minimalwertes dazu dient, sicherzustellen, dass alle Gewichtungen nicht negativ sind.
-
Schritt 416 resultiert somit in der Berechnung eines Gewichtungsfaktors für einen gegebenen Ähnlichkeitsrang (siehe Spalte 800 von 8). Weil jeder Ähnlichkeitsrang mit einem entsprechenden Atlas-CT-Bilddatenpunkt assoziiert ist (siehe Spalte 702), bedeutet dies, dass jeder Gewichtungsfaktor in Spalte 800 auch mit einem entsprechenden Atlas-CT-Bilddatenpunkt in Spalte 702 assoziiert ist. Durch die Berechnung in Schritt 416 kann all die Ähnlichkeitsränge berücksichtigen, die für den Punkt Xi erzeugt wurden. Jedoch, wie in Verbindung mit 11 erläutert, muss dies nicht der Fall sein. Falls gewünscht, kann ein Ausübender Schritt 416 so konfigurieren, dass die Gewichtungsfaktoren nur aus einem Untersatz der Ähnlichkeitsränge berechnet werden.
-
Im Schritt 418 berechnet der Prozessor einen abgeleiteten CT-Wert für Punkt Xi, basierend auf den berechneten Gewichtungsfaktoren und den entsprechenden Atlas-CT-Bilddatentpunkten, welche mit den berechneten Gewichtungsfaktoren assoziiert sind (siehe 9). Ein Beispiel der gewichteten Kombinationsfunktion zum Berechnen eines abgeleiteten CT-Datenpunktes im Schritt 418 ist: Wobei Z(Xi) der abgeleitete CT-Wert für den Punkt Xi ist, wobei Y'(X'i) die durch 7 und 8 exemplifizierten Atlas-CT-Werte sind, und wobei Wj die Gewichtung für jeden Atlaspunkt ist. Somit arbeitet Schritt 418 um einen abgeleiteten CT-Wert für Xi zu berechnen, der als Z(Xi) bezeichnet werden kann.
-
Im Schritt 420 prüft der Prozessor, ob i gleich N, N ist ein Parameter, der durch einen Ausübenden gewählt ist, um zu definieren, wie viele Punkte des Patienten-MR-Bildes zu einem abgeleiteten CT-Bilddatenpunkt zu übersetzen sind. N kann so gewählt werden, dass es alle Datenpunkte des Patienten-MR-Bilds beinhaltet. Jedoch muss dies nicht der Fall sein. Beispielsweise kann ein Ausübender es wünschen, eine kleinere Region des Patientenbildes (wie etwa eine Region, die ein bestimmtes Organ umgibt) umzuwandeln. In solch einem Fall kann N die Anzahl von Punkten in dieser interessierenden ausgewählten Region sein. Falls i nicht gleich N, schreitet der Prozessfluss zu Schritt 422 fort.
-
Im Schritt 422 wird der Wert für i inkrementiert, um zum nächsten Datenpunkt des Patienten-MR-Bilds zu gehen (Xi+1), und kehrt der Prozessfluss zu Schritt 404 zurück. Vom Schritt 404 ab wird der Patch-Vergleichsprozess für einen neuen Patienten-MR-Bild-Patch (dieses Mal um Xi+1 herum) wiederholt, und der Prozessfluss schreitet fort, um einen abgeleiteten CT-Wert für Xi+1 zu berechnen, der als Z(Xi+1) bezeichnet werden kann. Nachdem N erreicht worden ist, wird der Prozessfluss gearbeitet haben, um ein abgeleitetes CT-Bild aus dem Patienten-MR-Bild zu erzeugen. Das abgeleitete CT-Bild umfasst die berechneten abgeleiteten CT-Werte für die Punkte X1 bis XN (Z(Xi) bis Z(XN)).
-
Medizinisches Personal kann dann dieses abgeleitete CT-Bild verwenden, um das Patienten-MR-Bild zu unterstützen. Beispielsweise kann das abgeleitete CT-Bild auf einem Bildschirm angezeigt werden, um Aspekte einer interessierenden Region für den Patienten zu illustrieren, welche durch das Patienten-MR-Bild nicht dargestellt sind.
-
Es sollte verstanden werden, dass Schritt 400 von 4 nach Bedarf durch einen Ausübenden weggelassen werden kann. Falls das Patienten-MR-Bild nicht mit dem Atlas registriert worden ist, bedeutet dies, dass es kein a priori Wissen für den Schritt 406 zum Identifizieren eines Datenpunktes X'i gibt, des Atlas-MR-Bilds 300, das in Registrierung mit dem Punkt Xi steht. Somit, falls das Patienten-MR-Bild nicht beim Atlas registriert ist, können die Patch-Vergleiche arbeiten, um den ausgewählten MR-Bild-Patch für Xi mit allen möglichen Patches im Atlas-MR-Bild zu vergleichen (d. h., wo die Atlas-MR-Bild-Patches im Aggregat alle möglichen Patches innerhalb des Atlas-MR-Bildes beinhalten). Eine solche Anordnung würde die durch den Prozess erzeugte Datenmenge expandieren und mehr Rechenressourcen verbrauchen (was wahrscheinlich zu einer längeren Latenz in Bezug darauf führt, wie lange es braucht, um das abgeleitete CT-Bild aus dem Patienten-MR-Bild zu berechnen). Jedoch kann dies ein akzeptabler Nachteil für einen Ausübenden sein.
-
Weiterhin, weil eine Patch-vergleichsbasierte gewichtete Kombination wie hierin beschrieben, Bildregistrierungsfehlereffekte mitigiert, in Situationen, bei denen Schritt 400 implementiert wird, sind Ausübende frei, eine Bildregistrierungstechnik zu wählen, die Erwägungen verwendet, bei denen Genauigkeit nicht notwendiger Weise der kritische Faktor ist. Beispielsweise kann, um Geschwindigkeit zu gewinnen, im Schritt 400 eine schnelle Bildregistrierungstechnik verwendet werden, selbst falls sie wahrscheinlich einen größeren Registrierungsfehler erzeugt als eine langsamere Registrierungstechnik. Eine lineare Registrierung ist typischer Weise viel schneller als nicht-lineare Registrierung. Eine lineare Registrierung beschäftigt sich nur mit der globalen Position, Orientierung und Größendifferenzen zwischen zwei Bildern, während die nicht-lineare Registrierung im Allgemeinen genauer ist, um auch lokale anatomische Formdifferenzen wiederherzustellen (z. B. Registrieren eines Bildes eines dünnen Patienten auf das Bild eines übergewichtigen Patienten). Für Online- oder Interventionsanwendungen ist typischer Weise eine schnellere Registrierung nötig (d. h., Situationen, wo ein abgeleitetes Bild berechnet werden muss, kurz nachdem das Patientenbild aufgenommen worden ist). In solchen Situationen wird angenommen, dass die Fähigkeit beispielhafter Ausführungsformen zur Aufnahme eines Registrierungsfehlers sehr vorteilhaft ist, weil die Verwendung in Kombination mit weniger genauen Registrierungstechniken verbessert wird.
-
Auch illustriert das Beispiel von 3 und 4 einen einfachen Fall, bei dem ein einzelnes Atlas-MR-Bild Atlas-CT-Bildpaar verwendet wird, um die CT-Datenableitung für das Patienten-MR-Bild zu ermöglichen. In anderen beispielhaften Ausführungsformen können mehrere Atlas-MR-CT-Paare verwendet werden, um die CT-Daten aus dem Patienten-MR-Bild abzuleiten. Ein Beispiel einer solchen Ausführungsform ist in 10(a) gezeigt. In 10(a) werden mehrere Paare von koregistrierten Atlas-MR-Bildern 300i und Atlas-CT-Bildern 302i eingesetzt. Bei dieser Ausführungsform kann die Verarbeitungslogik 104 so konfiguriert sein, dass Schritte 406 bis 414 arbeiten, um jeden Patienten-MR-Bild-Patch mit dem gewünschten Satz von Patches für jedes Atlas-MR-Bild 300i zu vergleichen. Dies bedeutet, dass die resultierenden Ähnlichkeitsränge die mehreren Atlas-Patches reflektieren, wie in 10(b) gezeigt, wenn es M Ähnlichkeitsränge in Bezug auf jedes Atlas-MR-Bild gibt. Indem eine größere Anzahl von Atlanten berücksichtigt wird, wird angenommen, dass die Genauigkeit der resultierenden CT-Datenableitung weiter verbessert werden kann.
-
11 zeigt ein Beispiel, bei dem nur eine Untermenge von Ähnlichkeitsrängen verwendet wird, um die Gewichtungsfaktoren zu berechnen. Diese Beschränkung kann in Fällen wünschenswert sein, bei denen eine große Anzahl von Ähnlichkeitsrängen in Bezug auf einen gegebenen Punkt Xi vorliegen können (siehe beispielsweise die 10(b) Ausführungsform). Beispielsweise kann der Prozessor konfiguriert sein, um die Ähnlichkeitsränge einzustufen (z. B. wo Ähnlichkeitsränge, die für höhere Ähnlichkeit indikativ sind, höher eingestuft werden als Ähnlichkeitsränge, die für niedrigere Ähnlichkeit indikativ sind). Der Prozessor kann dann die oberen k-Ähnlichkeitsränge auswählen, wie die Gewichtungsfaktoren aus diesen oberen k-Ähnlichkeitsrängen berechnet werden (siehe 11).
-
Eine Patch-vergleichsbasierte gewichtete Kombination kann auch auf die Atlasbilder angewendet werden, um die Effekte von Registrierungsfehler wie zwischen einem Atlas-MR-Bild 300 und einem Atlas-CT-Bild zu mäßigen. Im Beispiel von 12 führt der Prozessor die Verarbeitungslogik 1200 aus, um ein abgeleitetes Atlas-CT-Bild 302' aus dem Atlas-MR-Bild 300 und Atlas-CT-Bild 302 zu erzeugen. Dann wiederum kann das abgeleitete Patienten-CT-Bild aus dem Patienten-MR-Bild berechnet werden, indem das Atlas-MR-Bild 300 und das abgeleitete Atlas-CT-Bild 306' verwendet werden. Es versteht sich leicht, dass diese Anordnung auch auf die Mehr-Atlanten-Ausführungsform von 10(a) erweitert werden kann.
-
13 beschreibt einen beispielhaften, allgemeinen Prozessfluss für die Prozesslogik 1200. Im Schritt 1300 vergleicht der Prozessor Patches des Typ 1 Atlasbild mit Patches des Typ 2 Atlasbild. Im Schritt 1302 berechnet der Prozessor Ähnlichkeitsindikatoren zwischen den Typ 1 Atlas-Patchen und den Typ 2 Atlas-Patchen. Eine Technik zum Vergleichen von Patches oder Bildern aus unterschiedlichen Bildtypen/Modalitäten ist es, die wechselseitige Information (MI, Mutual-information) metric zu verwenden (siehe Pluim, „Mutual-information-based registration of medical images: a survey”, IEEE Trans. Med. Imag., 22(8): 986–1004, 2003, deren Gesamtoffenbarung hier unter Bezugnahme inkorporiert wird. Für zwei Patches von zwei Bildern A und B kann MI definiert sein als: MI(A, B) = H(B) – H(B|A)
-
Wobei H(B) die Shannon-Entropie des Patch-Bilds B ist, berechnet auf der Wahrscheinlichkeitsverteilung seiner Intensitätswerte. H(B|A) bezeichnet die konditionale Entropie, die auf den konditionalen Wahrscheinlichkeiten p(b|a), basiert, die Chance von Intensitätswert B in Patch B, gegeben, dass das entsprechende Voxel in A den Intensitätswert A aufweist. Dann berechnet im Schritt 1304 der Prozessor die Gewichtungsfaktoren aus den Ähnlichkeitsfaktoren, wie in Verbindung mit Schritt 416 beschrieben. Dann berechnet im Schritt 1306 der Prozessor das abgeleitete Typ 2 Atlas-Bild aus den Gewichtungsfaktoren und den ursprünglichen Typ 2 Atlas-Bilddaten (siehe Schritt 418). Das abgeleitete Typ 2 Atlas-Bild wird dann anstelle des ursprünglichen Typ 2 Atlas-Bildes durch Verarbeitungslogik 104 verwendet (Schritt 1308).
-
14 stellt ein Beispiel dieses Prozessflusses bereit, wo das abgeleitete Atlas-CT-Bild aus einem Atlas-MR-Bild-Atlas-CT-Bild-Paar erzeugt wird. Im Schritt 1400 ist das Atlas-MR-Bild mit dem ursprünglichen Atlas-CT-Bild registriert. Wieder einmal ist der Ausübende frei, eine Registrierungstechnik zu wählen, welche Geschwindigkeit und Genauigkeit in gewünschter Weise balanciert. Schritt 1402 schreitet dann wie oben in Bezug auf Schritt 402 beschrieben, fort. Schritt 1404 ist ähnlich Schritt 404, außer dass der Patch für das Atlas-MR-Bild um Punkt Xi herum ausgewählt wird (in dieser Ausführungsform wird Xi verwendet, um auf einen Punkt in dem Atlas-MR-Bild 300 zu weisen). 15 stellt einen beispielhaften Atlas-MR-Bild-Patch 1503 dar, der im Schritt 1404 ausgewählt werden kann. Schritt 1406 ähnelt Schritt 406, außer dass der Patch für das Original Atlas-CT-Bild um Punkt Y'i herum ausgewählt wird. 16 zeigt einen beispielhaften CT-Bild-Patch 1602, der aus den ursprünglichen Atlas-CT-Bilddatenpunkten 1600 im Schritt 1406 ausgewählt werden kann.
-
Im Schritt 1408 wird ein Patch-Vergleich durchgeführt, um einen Ähnlichkeitsrang zu berechnen (Schritt 1410). Weil dies ein Vergleich zwischen MR-Daten und CT-Daten ist, wird eine andere Vergleichstechnik verwendet als diejenige, die für Schritte 408 und 410 verwendet wurde. Die auf MI basierende Vergleichstechnik kann im Schritt 410 verwendet 15 werden, wie oben beschrieben. Eine zusätzliche Quermodalitätsvergleichsmetrik, die eingesetzt werden kann, beinhaltet ein Korrelationsverhältnis wie durch Roche et al, „The correlation ratio as a new Similarity measure for multimodal image registration”, Proc. Of MICCAI 98, Band 1496 von LNCS, Seiten 1115–1124, 1998, deren Gesamtoffenbarung hier unter Bezugnahme inkorporiert ist, beschrieben.
-
Schritte 1412–1422 können dann in ähnlicher Weise zu derjenigen für Schritt 412 bis 422 fortschreiten. Das Endergebnis des Prozessflusses von 14 ist eine Menge abgeleiteter Atlas-CT-Bilddatenpunkte für ein abgeleitetes Atlas-CT-Bild 302' (Y'').
-
17 stellt eine Technik für Patch-Vergleich dar, wo Patches indirekt über Merkmalzwecktoren verglichen werden, die aus jedem Pfad abgeleitet werden. Patches 1700 und 1702 können durch die Verarbeitungslogik 1704 prozessiert werden, um Merkmalzwecktoren 1706 und 1708 für Patches 1700 bzw. 1702 zu erzeugen. Beispiele von Merkmalen, welche für Patche berechnet werden können, beinhalten einen Durchschnitt, eine Varianz, Momente oder eine beliebige Projektion (z. B. Projektion eines N-mal-N-Musters in einem M-dimensionalen Vektor unter Verwendung von Zufallsprojektion). Dann kann in Schritt 1710 der Ähnlichkeitsrang basierend auf Vektoren dieser Merkmale berechnet werden. Die Patch-Vergleichsausführungsform von 17 kann vorteilhaft sein, weil die Abmessungen des Merkmalsvektors für einen Patch viel kleiner als der Original-Patch sein können, was zur Verbesserung bei der Berechnungs- und Speichereffizienz beiträgt.
-
18 stellt dar, wie ein 25-Punkte-Patch 1700 oder 1702 die durch seine Prozesslogik 1704 durchgeführte Merkmalsextraktion aufweisen kann, um einen Merkmalsvektor 1706 oder 1708 zu erzeugen. Beispielsweise:
- • Kann ein Durchschnittsmerkmal berechnet werden als: Durchschnitt: X = 1 / NΣ N / i=1Xi
- • Ein Varianzmerkmal kann berechnet werden als: Varianz: σ 2 / x = 1 / NΣ N / i=1(Xi – X)2
- • Ein Momentenmerkmal kann berechnet werden als: Momente der Reihenfolge k(k >= 1):m k / x = 1 / NΣ N / i=1X k / i
- • Ein beliebiges Projektionsmerkmal kann berechnet werden als:
Zufällige Projektion Y = P X: P ist eine zufällige M-mal-N-Matrix. X ist der Ursprungspatch mit Abmessung N, Y ist ein Vektor kleinerer Abmessung M (M << N). Da M << N, ist das Vergleichen von Y schneller als das direkte Vergleichen von X.
-
Der Merkmalsvektor 1706/1708 kann dann jegliche Kombination dieser oder anderer Merkmale Yi verwenden (z. B., wenn Y1 der Durchschnitt ist, Y2 die Varianz, etc.).
-
Während die vorliegende Erfindung wie oben in Bezug auf die bevorzugte Ausführungsform beschrieben worden ist, können verschiedene Modifikationen daran gemacht werden, die noch immer in den Schutzumfang der Erfindung fallen. Solche Modifikationen für die Erfindung werden bei Durchsicht der Lehren hier drin erkennbar werden. Entsprechend ist der volle Schutzumfang der vorliegenden Erfindung einzig durch die anhängigen Ansprüche und ihre legalen Äquivalente zu definieren.