DE112016005184T5 - Medizinisches Instrument zur Analyse von Gehirnverletzungen der weißen Substanz - Google Patents

Medizinisches Instrument zur Analyse von Gehirnverletzungen der weißen Substanz Download PDF

Info

Publication number
DE112016005184T5
DE112016005184T5 DE112016005184.0T DE112016005184T DE112016005184T5 DE 112016005184 T5 DE112016005184 T5 DE 112016005184T5 DE 112016005184 T DE112016005184 T DE 112016005184T DE 112016005184 T5 DE112016005184 T5 DE 112016005184T5
Authority
DE
Germany
Prior art keywords
image
fibers
anatomical
examination area
injuries
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
DE112016005184.0T
Other languages
English (en)
Inventor
Carsten Meyer
Fabian Wenzel
Martin Bergtholdt
Thomas Heiko Stehle
Lyubomir ZAGORCHEV
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of DE112016005184T5 publication Critical patent/DE112016005184T5/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
    • A61B5/7485—Automatic selection of region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B2090/364—Correlation of different images or relation of image positions in respect to the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Psychology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Optics & Photonics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

Die vorliegende Erfindung betriff ein medizinisches Instrument zum automatischen Erkennen betroffener Regionen in einem Untersuchungsbereich eines Individuums, umfassend: einen Arbeitsspeicher, der maschinenausführbare Anweisungen enthält; und einen Prozessor zum Steuern des medizinischen Instruments, wobei die Ausführung der maschinenausführbaren Anweisungen den Prozessor dazu veranlasst, das Instrument so zu steuern, dass es: ein erstes anatomisches Bild des Untersuchungsbereichs und ein erstes Bild von Fasern des Untersuchungsbereichs erhält, wobei ein erster Parameter und ein zweiter Parameter jeweils Eigenschaften des ersten anatomischen Bilds bzw. des ersten Bilds von Fasern beschreiben; das erste anatomische Bild in eine Vielzahl von Segmenten aufteilt, die jeweils Gewebe und/oder Strukturen im Untersuchungsbereich aufzeigen; erste Verletzungen im segmentierten ersten anatomischen Bild identifiziert; Werte des ersten und/oder des zweiten Parameters verwendet, um in den identifizierten ersten Verletzungen Startpunkte für einen Verfolgungsalgorithmus zum Verfolgen erster Fasern im ersten Bild von Fasern zu bestimmen.

Description

  • TECHNISCHES GEBIET DER ERFINDUNG
  • Die Erfindung betrifft Magnetresonanztomographiesysteme, insbesondere ein Verfahren zum automatischen Identifizieren von Verletzungen in einem Untersuchungsbereich.
  • ALLGEMEINER STAND DER TECHNIK
  • Verletzungen der weißen Substanz sind besonders bei älteren Patienten häufig zu beobachten und sind mit kognitiven und psychomotorischen Beeinträchtigungen verbunden. Die kognitive Wirkung einer Veränderung der weißen Substanz kann von ihrer Lage abhängen, wobei beispielsweise periventrikuläre Verletzungen der weißen Substanz die kognitiven Funktionen eher beeinträchtigen können als tiefe Verletzungen der weißen Substanz. Dadurch gewinnt die Bewertung des Schweregrads, der Lage und des Fortschreitens von Verletzungen der weißen Substanz an Bedeutung. Zudem ist die regionale Auswertung und statistische Analyse von Verletzungen der weißen Substanz sowie die Visualisierung der von den Verletzungen der weißen Substanz betroffenen Bahnen der weißen Substanz und des entsprechenden Zielbereichs an der Großhirnrinde wichtig für die Diagnose und Prognose der Patienten. Derzeit erfordert eine derartige Analyse jedoch erhebliche Interaktionen, z. B. zum Konfigurieren eines Faserverfolgungsalgorithmus.
  • M. Caligiuri et al., Neuroinformatics 13:261-276 (2015) überprüft den Stand der Technik der automatischen Erkennung von Hyperintensitäten oder Verletzungen der weißen Substanz bei gesundem Altern und bei pathologischem Befund unter Verwendung von Magnetresonanztomographie.
  • KURZDARSTELLUNG DER ERFINDUNG
  • Verschiedene Ausführungsformen stellen ein medizinisches Instrument, ein Computerprogrammprodukt und ein Verfahren bereit, wie sie durch den Gegenstand der unabhängigen Ansprüche beschrieben werden. Vorteilhafte Ausführungsformen werden in den abhängigen Ansprüchen beschrieben. Ausführungsformen der vorliegenden Erfindung können frei miteinander kombiniert werden, wenn sie sich nicht gegenseitig ausschließen.
  • Verschiedene Ausführungsformen stellen ein medizinisches Instrument zum automatischen Erkennen betroffener Regionen in einem Untersuchungsbereich eines Individuums bereit.
  • Beispielsweise kann das medizinische Instrument betroffene Regionen der grauen Substanz an der Oberfläche der Großhirnrinde erkennen. Das medizinische Instrument umfasst Folgendes: einen Arbeitsspeicher, der maschinenausführbare Anweisungen enthält; und einen Prozessor zum Steuern des medizinischen Instruments, wobei die Ausführung der maschinenausführbaren Anweisungen den Prozessor dazu veranlasst, das Instrument so zu steuern, dass es:
    1. a) ein erstes anatomisches Bild des Untersuchungsbereichs und ein erstes Bild von Fasern des Untersuchungsbereich erhält, wobei ein erster Parameter und ein zweiter Parameter jeweils Eigenschaften des ersten anatomischen Bilds bzw. des ersten Bilds von Fasern beschreiben;
    2. b) das erste anatomische Bild in eine Vielzahl von Segmenten aufteilt, die jeweils Gewebe und/oder Strukturen im Untersuchungsbereich aufzeigen;
    3. c) erste Verletzungen im segmentierten ersten anatomischen Bild identifiziert;
    4. d) Werte des ersten und/oder des zweiten Parameters verwendet, um in den identifizierten ersten Verletzungen Startpunkte für einen Verfolgungsalgorithmus zum Verfolgen erster Fasern im ersten Bild von Fasern zu bestimmen. Beispielsweise kann Schritt d) insbesondere das Bestimmen von Werten des ersten und des zweiten Parameters umfassen.
  • Beispielsweise können die Startpunkte zunächst unter Verwendung von Werten des ersten Parameters in den identifizierten ersten Verletzungen platziert werden, z. B. unter Verwendung der hier beschriebenen Verfahren zum Bestimmen von Startpunkten, wie etwa dem Schwerpunktverfahren. Beispielsweise kann jeder Startpunkt in einer jeweiligen ersten Verletzung platziert werden. Sobald die Startpunkte platziert sind, können die Werte des zweiten Parameters mit den jeweiligen platzierten Startpunkten abgeglichen (oder für diese überprüft) werden und dann wird auf Grundlage der Überprüfung entschieden, ob der Startpunkt zum Verfolgen von Fasern verwendet werden soll oder nicht.
  • Der Ausdruck „anatomisches Bild“ bezeichnet im hier verwendeten Sinne ein medizinisches Bild, das mittels Verfahren mit aufgelösten anatomischen Merkmalen, wie etwa durch Röntgen, Computertomographie (CT), Magnetresonanztomographie (MRT) und Ultraschall (US) erhalten wird. Die verfolgten ersten Fasern beginnen bei oder verlaufen durch erste Verletzungen bis zu betroffenen ersten Bereichen der Großhirnrinde. Das erste anatomische Bild und das erste Bild von Fasern werden registriert.
  • Das erste anatomische Bild und das erste Bild von Fasern können automatisch gleichzeitig oder simultan gescannt werden, um die Eigenschaften des ersten anatomischen Bilds und des ersten Bilds von Fasern derart zu verwenden, dass der Startpunkt zunächst in einer bestimmten Verletzung der identifizierten ersten Verletzungen positioniert oder platziert wird und eine Entscheidung darüber, den platzierten Startpunkt als Anfangspunkt für den Verfolgungsalgorithmus zu verwenden oder nicht, auf Grundlage des Vergleichs (oder der Überprüfung des zweiten Parameters) getroffen wird. Der Vergleich kann beispielsweise das Platzieren des Startpunkts und das Vergleichen der Werte des zweiten Parameters für den Startpunkt mit einem Schwellenwert umfassen.
  • Das erste Bild von Fasern kann beispielsweise unter Verwendung der Diffusions-Tensor-Bildgebung, der diffusionsgewichteten Bildgebung oder der Diffusions-Tensor-Traktographie-Technik erhalten werden.
  • Der Ausdruck „Verletzung“ bezeichnet im hier verwendeten Sinne eine Anomalie im Gewebe eines Organismus, wie etwa eines Körpers eines Patienten, die üblicherweise durch eine Erkrankung oder ein Trauma hervorgerufen wird. Verletzungen können im Körper auftreten, der aus Weichgewebe (Fettgewebe, Muskeln, Haut, Nerven, Blutgefäßen, Bandscheiben usw.) oder Knochensubstanz (Wirbelsäule, Schädel, Hüfte, Rippen usw.) oder Organen (Lunge, Prostata, Schilddrüse, Niere, Bauchspeicheldrüse, Leber, Brust, Gebärmutter usw.) besteht, wie etwa im Mund, in der Haut und im Gehirn oder an einer beliebigen Stelle, an der ein Tumor auftreten kann. Der Ausdruck „Verletzung“ kann zudem Anomalien bezeichnen, die durch Krebserkrankungen, wie Oropharynx-, Nebennieren-, Hoden-, Gebärmutterhals-, Rückenmarks- oder Eierstocktumoren sowie Tumoren oder Karzinomen an der Haut (Melanom) und in der Lunge, Prostata, Schilddrüse, Niere, Bauchspeicheldrüse, Leber, Brust, Gebärmutter usw., hervorgerufen werden.
  • Der Ausdruck „Faser“ bezeichnet im hier verwendeten Sinne eine Faserstrecke durch eine Probe, die von Voxel zu Voxel eines Bilds von Fasern, z. B. des ersten Bilds von Fasern, nachverfolgt werden kann. Die Faser kann beispielsweise eine Nervenfaser oder eine Muskelfaser oder ein Bündel derartiger Fasern umfassen. Der Ausdruck „Faser“ kann sich auf eine einzelne Faser oder ein Bündel von Fasern beziehen. Faserverfolgung (z. B. Traktographie) kann auf einer Vielzahl von Verfolgungsalgorithmen beruhen. Beispielsweise können die Faserbewegungslinien auf Hauptachsenrichtungen beruhen, die auf Grundlage des Diffusionstensors in einer lokalen Umgebung mit den Startpunkten als Ausgangspunkten in drei Dimensionen von Voxel zu Voxel verfolgt werden. Die Faserrichtung wird aufgezeichnet, indem Hauptachsenrichtungen und Veränderungen an Voxelkanten nachverfolgt werden, wenn sich Hauptachsenrichtungen ändern. Eine Vielzahl von Verfolgungsverfahren kann ebenfalls verwendet werden, einschließlich Verfolgungsverfahren auf Unter-Voxel-Basis, des Verfahrens der Faserverfolgung mit hoher Auflösung (High Definition Fiber Tracking - HDFT), wahrscheinlichkeitstheoretischer Verfahren und Verfahren, die mit der Auswahl geeigneter Kontrollvoxel verbunden sind, an denen die Faserverfolgung beginnen soll.
  • Der Untersuchungsbereich kann beispielsweise das Gehirn eines Patienten umfassen. Die Verletzung kann beispielsweise eine Verletzung der weißen Substanz umfassen.
  • Bei einem Beispiel kann das vorliegende Verfahren angewendet werden, wenn Chirurgen sich bemühen, Bahnen zu schützen, die Bewegung oder Sprache beeinflussen. In derartigen Fällen ist es wichtig, (bei der Planung vor einem Eingriff) konkrete Bahnen zu identifizieren und zu visualisieren, um diese während des Eingriffs zu schützen.
  • Die vorstehenden Merkmale können den Vorteil aufweisen, dass sie eine automatische Verfolgung von Fasern (z. B. Fasern der weißen Substanz) ohne manuelles Eingreifen ermöglichen. Dadurch kann der mühsame Prozess manueller Eingriffe besonders für den Fall, dass eine erhebliche Anzahl von Verletzungen (z. B. Verletzungen der weißen Substanz) vorliegt, vermieden werden. Insbesondere kann es geradezu unmöglich erscheinen, alle Verletzungen der weißen Substanz in einer anatomischen Region von Interesse manuell zu bearbeiten.
  • Ein weiterer Vorteil kann darin bestehen, dass das vorliegende Verfahren den Prozess der Faserverfolgung im Vergleich zum manuellen Verfahren beschleunigen kann und genaue und zuverlässige Ergebnisse bereitstellen kann.
  • Gemäß einer Ausführungsform umfasst der erste Parameter mindestens eins von Größe, Voxelintensität, Anzahl, Volumenanteil der identifizierten Verletzungen. Beispielsweise kann eine jeweilige erste Verletzung der identifizierten ersten Verletzungen jeweils eine Anzahl von Voxeln im ersten anatomischen Bild abdecken, wobei jedes Voxel der Anzahl von Voxeln eine Voxelintensität aufweist. Der zweite Parameter umfasst eines der Diffusionsrichtung und des Ausmaßes der Diffusion im ersten Bild von Fasern. Das erste Bild von Fasern kann ein diffusionsgewichtetes Bild umfassen.
  • Die Startpunkte werden nicht nur anhand der identifizierten ersten Verletzungen bestimmt, sondern zudem unter Verwendung des ersten Bilds von Fasern. Beispielsweise kann ein Startpunkt zunächst in einer bestimmten identifizierten ersten Verletzung platziert werden (z. B. einem Voxel der die bestimmte identifizierte erste Verletzung wiedergebenden Voxel, das die höchste oder niedrigste Intensität aufweist) und bevor der Startpunkt zur Verfolgung verwendet wird, können Werte des zweiten Parameters überprüft werden. Beispielsweise kann auf Grundlage der Diffusionsrichtungen im ersten Bild von Fasern entschieden werden, ob der Startpunkt zumindest mit einer dieser Diffusionsrichtungen übereinstimmt. In diesem Fall wird der Startpunkt nur dann zum Verfolgen verwendet, wenn eine Übereinstimmung vorliegt. Dies kann den technischen Vorteil aufweisen, dass betroffene Regionen (z. B. betroffene Regionen der grauen Substanz) in einem Untersuchungsbereich automatisch in einer genauen Weise erkannt werden.
  • Verschiedene Ausführungsformen stellen ein medizinisches Instrument bereit, das Folgendes umfasst: einen Arbeitsspeicher, der maschinenausführbare Anweisungen enthält; und einen Prozessor zum Steuern des medizinischen Instruments, wobei die Ausführung der maschinenausführbaren Anweisungen den Prozessor dazu veranlasst, das Instrument so zu steuern, dass es:
    1. a) ein erstes anatomisches Bild eines Untersuchungsbereichs eines Individuums und ein erstes Bild von Fasern des Untersuchungsbereichs erhält;
    2. b) das erste anatomische Bild in eine Vielzahl von Segmenten aufteilt, die jeweils Gewebe und/oder Strukturen im Untersuchungsbereich aufzeigen;
    3. c) erste Verletzungen im segmentierten ersten anatomischen Bild identifiziert;
    4. d) die identifizierten ersten Verletzungen als Startpunkte für einen Verfolgungsalgorithmus zum Verfolgen der ersten Fasern im ersten Bild von Fasern verwendet. Gemäß einer Ausführungsform veranlasst die Ausführung der maschinenausführbaren Anweisungen den Prozessor ferner dazu, das Instrument so zu steuern, dass es:
    5. e) ein zweites anatomisches Bild des Untersuchungsbereichs und ein zweites Bild von Fasern des Untersuchungsbereichs erhält;
    6. f) das zweite anatomische Bild in eine Vielzahl von Segmenten aufteilt, die jeweils Gewebe und/oder Strukturen im Untersuchungsbereich aufzeigen;
    7. g) zweite Verletzungen im segmentierten zweiten MR-Bild identifiziert;
    8. h) die identifizierten zweiten Verletzungen als Startpunkte für den Verfolgungsalgorithmus zum Verfolgen von zweiten Fasern im zweiten Bild von Fasern verwendet;
    9. i) zumindest die ersten und die zweiten Verletzungen vergleicht;
    10. j) Daten bereitstellt, welche die Differenz zwischen den abgebildeten ersten und zweiten Verletzungen aufzeigen, und die Schritte e)-j) wiederholt, bis ein vordefiniertes Konvergenzkriterium erfüllt ist.
  • Beispielsweise kann Schritt i) ferner das Vergleichen der ersten verfolgten Fasern und der zweiten verfolgten Fasern umfassen. Bei einem anderen Beispiel kann Schritt i) ferner das Vergleichen des betroffenen ersten und zweiten Bereichs der Großhirnrinde im Untersuchungsbereich umfassen, für den Fall, dass der Untersuchungsbereich das Gehirn umfasst.
  • Beispielsweise kann Schritt j) ferner das Bereitstellen von Daten umfassen, welche die Differenz zwischen ersten und zweiten Verletzungen, zwischen betroffenen ersten und zweiten Fasern und/oder zwischen dem betroffenen ersten und zweiten Bereich der Großhirnrinde aufzeigen. Wenn beispielsweise eine erste Verletzung der ersten Verletzungen während des Zeitraums zwischen der Bilderfassung des ersten und des zweiten anatomischen Bilds wächst und dieses Wachstum in der Richtung der betroffenen ersten Fasern erfolgt, kann die Auswirkung des Verletzungswachstums auf den betroffenen ersten Bereich der Großhirnrinde gering sein. Wenn dagegen das Verletzungswachstum hauptsächlich in der Richtung senkrecht zu den betroffenen ersten Fasern erfolgt, kann das Verletzungswachstum zusätzliche Fasern beeinträchtigen und dadurch kann der betroffene erste Bereich der Großhirnrinde ebenfalls wachsen.
  • Beispielsweise kann das Wiederholen der Schritte e)-j) automatisch in regelmäßigen Abständen durchgeführt werden, z. B. jedes Jahr usw. Bei einem anderen Beispiel kann das Wiederholen der Schritte e)-j) durch einen Benutzer des medizinischen Instruments ausgelöst werden. Beispielsweise können die Schritte e)-j) für zwei Bildsätze durchgeführt werden, um eine Längsschnittanalyse durchzuführen. Der erste Bildsatz umfasst das erste anatomische Bild und das erste Bild von Fasern. Der zweite Bildsatz umfasst das zweite anatomische Bild und das zweite Bild von Fasern. Der erste Bildsatz wird zu einem ersten Zeitpunkt erhalten und erfasst und der zweite Bildsatz wird zu einem zweiten Zeitpunkt erhalten und erfasst. Der erste und der zweite Bildsatz können aus einem Pool von Bildsätzen ausgesucht oder ausgewählt werden. Der Pool von Bildsätzen kann beispielsweise mehr als zwei Bildsätze umfassen. Die Auswahl der zwei Bildsätze kann zufällig oder auf Grundlage von benutzerdefinierten Kriterien erfolgen. Die zwei Bildsätze können registriert werden, bevor die Längsschnittanalyse durchgeführt wird.
  • Bei jeder Wiederholung oder Iteration kann Schritt e) das Erhalten eines aktuellen anatomischen Bilds und eines aktuellen Bilds von Fasern des Untersuchungsbereich umfassen. Beispielsweise können beide der in Schritt e) verwendeten Bilder innerhalb eines vordefinierten maximalen Zeitraums vor dem Zeitpunkt, an dem die Ausführung von Schritt e) durchgeführt wird, angelegt, rekonstruiert oder erstellt werden.
  • Das Wiederholen der Schritte e)-j) kann für den gleichen oder einen anderen Patienten durchgeführt werden, wobei die zwei in Schritt e) verwendeten Bilder bei unterschiedlichen Patienten dem jeweiligen Patienten zugeordnet sein können. Die zwei Bilder jeder Iteration werden für den gleichen Untersuchungsbereich, z. B. das Gehirn, durchgeführt. Das Wiederholen der Schritte e)-j) für unterschiedliche Patienten kann für Testzwecke nützlich sein, wie etwa zum Vergleichen des Ausmaßes und/oder des Fortschreitens von Verletzungen zwischen zwei Patienten.
  • Das Bereitstellen von Daten, welche die Differenz zwischen abgebildeten ersten und zweiten Verletzungen aufzeigen, kann das Anzeigen von Daten, welche die Differenz aufzeigen, auf einer graphischen Benutzerschnittstelle auf einer Anzeigevorrichtung des medizinischen Instruments umfassen. Die Differenz kann, beispielsweise durch eine relative Differenz und/oder eine absolute Differenz zwischen den abgebildeten ersten und zweiten Verletzungen, quantifiziert werden. Die Differenz zwischen den abgebildeten ersten und zweiten Verletzungen bezieht sich auf die Differenz zwischen Werten eines Parameters, der Eigenschaften der ersten und zweiten Verletzungen beschreibt. Beispielsweise kann der Parameter das Volumen einer Verletzung, das Gesamtvolumen der identifizierten Verletzungen, die Anzahl der identifizierten Verletzungen und/oder ein Verhältnis eines Volumens einer Verletzung der weißen Substanz zum Bereich der Großhirnrinde (z. B. ein Verhältnis des Volumens der ersten Verletzung zum ersten Bereich der Großhirnrinde und/oder ein Verhältnis des Volumens der zweiten Verletzung zum zweiten Bereich der Großhirnrinde) umfassen, wobei ein Wert des Verhältnisses, der über einem vorher festgelegten Schwellenwert liegt, ein Verletzungswachstums entlang Fasern aufzeigt und ein Wert des Verhältnisses, der unterhalb des vorher festgelegten Schwellenwerts liegt, ein Regionswachstum über Fasern hinweg aufzeigen kann. Beispielsweise kann zusätzlich zur angezeigten Differenz ein regionsweises Profil erzeugt und auf der graphischen Benutzerschnittstelle angezeigt werden, das die Eigenschaften der Verletzungen (z. B. in einer Region von Interesse), wie etwa Größe, Anzahl, Volumenanteil usw., wiedergibt. Der Wert des Parameters kann, beispielsweise im Fall des Gehirns, erhalten werden, indem die identifizierten (ersten und zweiten) Verletzungen hinsichtlich ihrer Ausdehnung relativ zur Ausrichtung von Faserbündeln, die durch die Verletzung zur Region der Großhirnrinde des Gehirns verlaufen, analysiert werden. Die betroffenen Oberflächen oder Bereiche der Großhirnrinde können ebenfalls auf der graphischen Benutzerschnittstelle angezeigt werden. Die Werte des Parameters können auf der graphischen Benutzerschnittstelle angezeigt werden. Insbesondere kann diese Ausführungsform ein effizientes Verfahren zum Bestimmen des Fortschreitens der identifizierten Verletzungen im Laufe der Zeit in Bezug auf einen betroffenen Bereich der Großhirnrinde, z. B. für den gleichen Patienten, bereitstellen.
  • Ein weiterer Vorteil kann in der Tatsache liegen, dass das vorliegende Verfahren eine automatische Längsschnittanalyse ermöglichen kann, was den gesamten Prozess der Längsschnittanalyse im Vergleich zu herkömmlichen „Ad-hoc“-Verfahren beschleunigen kann.
  • Gemäß einer Ausführungsform umfasst das Konvergenzkriterium mindestens eines des Folgenden: die Differenz zwischen den abgebildeten ersten und zweiten Verletzungen liegt unterhalb eines vordefinierten Schwellenwerts; Empfangen eines Stoppsignals beim Durchführen von Schritt j); die Anzahl der zweiten Verletzungen stimmt mit der Anzahl der ersten Verletzungen überein. Das Stoppsignal kann beispielsweise durch den Benutzer des medizinischen Instruments ausgelöst werden. Der Benutzer kann ein Benutzerschnittstellenelement in der graphischen Benutzerschnittstelle auswählen, welches das Stoppsignal auslöst. Diese Ausführungsform kann die Längsschnittanalyse im Vergleich zu einem Fall, bei dem das Stoppen zufällig ausgelöst wird, was die Notwendigkeit zusätzlicher Versuche oder Wiederholungen nach sich ziehen kann, wenn sich herausstellt, dass das Stoppen voreilig war, weiter beschleunigen. Bei einem anderen Beispiel kann das Konvergenzkriterium vor dem Durchführen der Iterationen vordefiniert werden. Beispielsweise kann ein Erfassen von Bildgebungsdaten zu verschiedenen Zeitpunkten üblicherweise, wie durch einen Arzt definiert, zu einem ersten Zeitpunkt (Ausgangswert, t0) und dann zu einem zweiten Zeitpunkt (ein halbes Jahr oder Jahr später) und vermutlich zu einem dritten Zeitpunkt (wiederum ein halbes Jahr oder Jahr später) durchgeführt werden. In diesem Fall kann die Zahl der Wiederholungen der Bilderfassung auf 1 oder 2 begrenzt sein, wie durch den Arzt oder den Benutzer des medizinischen Instruments vordefiniert.
  • Gemäß einer Ausführungsform veranlasst das Ausführen der maschinenausführbaren Anweisungen den Prozessor dazu, das Instrument so zu steuern, dass es das Verfolgen in einer Region von Interesse des ersten anatomischen Bilds durchführt. Dies kann den Verfolgungsprozess beschleunigen und kann Verarbeitungsressourcen einsparen, die andernfalls benötigt würden, um das Verfolgen im gesamten ersten anatomischen Bild durchzuführen.
  • Beispielsweise kann das Verfolgen iterativ an mehreren Regionen von Interesse durchgeführt werden. Die mehreren Regionen von Interesse können auf Grundlage der anatomischen Struktur des ersten anatomischen Bilds oder auf Grundlage anderer Kriterien, z. B. benutzerdefinierter Kriterien, ausgesucht oder ausgewählt werden.
  • Gemäß einer Ausführungsform wird die Region von Interesse benutzerdefiniert oder automatisch ausgewählt. Die automatische Auswahl kann den Verfolgungsprozess weiter beschleunigen. Die benutzerdefinierte Region von Interesse kann Verarbeitungsressourcen einsparen, die andernfalls für mehrere (automatische) Versuche zum Definieren der richtigen Region von Interesse benötigt würden.
  • Gemäß einer Ausführungsform umfasst das erste anatomische Bild ein Magnetresonanz(MR)-Bild und das erste Bild von Fasern umfasst ein diffusionsgewichtetes Bild.
  • Gemäß einer Ausführungsform umfasst das medizinische Instrument ferner ein Magnetresonanztomographie(MRT)-System zum Erfassen von Magnetresonanzdaten des Individuums, wobei das Magnetresonanztomographiesystem einen Hauptmagneten zum Erzeugen eines B0-Magnetfelds innerhalb einer Bildgebungszone und den Arbeitsspeicher und den Prozessor, wobei das Ausführen der maschinenausführbaren Anweisungen den Prozessor ferner dazu veranlasst, das MRT-System so zu steuern, dass es das MR-Bild und das diffusionsgewichtete Bild in einem gleichen oder unterschiedlichen Scans erfasst.
  • Diese Ausführungsformen können den Vorteil aufweisen, dass sie das vorliegende Verfahren nahtlos in bestehende MRT-Systeme integrieren.
  • Gemäß einer Ausführungsform veranlasst das Ausführen der maschinenausführbaren Anweisungen den Prozessor ferner dazu, das MR-Bild und das diffusionsgewichtete Bild in unterschiedlichen Scans zu erfassen und das MR-Bild und das diffusionsgewichtete Bild zu registrieren, bevor die Schritte a)-d) durchgeführt werden. Dies kann eine verlässliche und genaue Identifizierung und Verfolgung von Fasern bereitstellen.
  • Gemäß einer Ausführungsform veranlasst das Ausführen der maschinenausführbaren Anweisungen den Prozessor ferner dazu, einen Schwerpunkt für jede (segmentierte) Verletzung der Verletzungen zu berechnen und die Schwerpunkte als die Startpunkte zu verwenden. Dies kann die Genauigkeit der Faserverfolgung des vorliegenden Verfahrens weiter erhöhen.
  • Gemäß einer Ausführungsform veranlasst die Ausführung der maschinenausführbaren Anweisungen den Prozessor ferner dazu, automatisch die Schritte a)-d) auszuführen.
  • Gemäß einer Ausführungsform umfassen die bereitgestellten Daten Eigenschaften der (ersten und zweiten) Verletzungen, wie etwa Größe, Anzahl, Volumenanteil der ersten und zweiten Verletzungen.
  • Gemäß einer Ausführungsform umfassen die ersten Verletzungen Verletzungen der weißen Substanz und der Untersuchungsbereich umfasst ein Gehirn.
  • Verschiedene Ausführungsformen stellen ein Computerprogrammprodukt zum automatischen Erkennen betroffener Regionen in einem Untersuchungsbereich eines Individuums bereit, wobei das Computerprogrammprodukt ein computerlesbares Speichermedium umfasst, das darin eingebettete Programmanweisungen aufweist, wobei die Programmanweisungen durch einen Prozessor ausgeführt werden können, um:
    1. a) ein erstes anatomisches Bild des Untersuchungsbereichs und ein erstes Bild von Fasern des Untersuchungsbereich zu erhalten, wobei ein erster Parameter und ein zweiter Parameter jeweils Eigenschaften des ersten anatomischen Bilds bzw. des ersten Bilds von Fasern beschreiben;
    2. b) das erste anatomische Bild in eine Vielzahl von Segmenten aufzuteilen, die jeweils Gewebe und/oder Strukturen im Untersuchungsbereich aufzeigen;
    3. c) erste Verletzungen im segmentierten ersten anatomischen Bild zu identifizieren;
    4. d) Werte des ersten und des zweiten Parameters zu verwenden, um in den identifizierten ersten Verletzungen Startpunkte für einen Verfolgungsalgorithmus zum Verfolgen erster Fasern im ersten Bild von Fasern zu bestimmen. Die Startpunkte können durch den Verfolgungsalgorithmus dazu verwendet werden, die ersten Fasern im ersten Bild von Fasern zu verfolgen.
  • Verschiedene Ausführungsformen stellen ein Verfahren bereit, das Folgendes umfasst:
    1. a) Erhalten eines ersten anatomischen Bilds eines Untersuchungsbereichs eines Individuums und eines ersten Bilds von Fasern des Untersuchungsbereichs;
    2. b) Aufteilen des ersten anatomischen Bilds in eine Vielzahl von Segmenten, die jeweils Gewebe und/oder Strukturen im Untersuchungsbereich aufzeigen;
    3. c) Identifizieren erster Verletzungen im segmentierten ersten anatomischen Bild;
    4. d) Verwenden von Werte des ersten und des zweiten Parameters, um in den identifizierten ersten Verletzungen Startpunkte für einen Verfolgungsalgorithmus zum Verfolgen erster Fasern im ersten Bild von Fasern zu bestimmen.
  • Es kann eine beliebige Kombination von einem oder mehreren computerlesbaren Medien genutzt werden. Bei dem computerlesbaren Medium kann es sich um ein computerlesbares Signalmedium oder ein computerlesbares Speichermedium handeln. Ein „computerlesbares Speichermedium“ umfasst im hier verwendeten Sinne ein beliebiges physisches Speichermedium, das Anweisungen speichern kann, die durch einen Prozessor einer Rechenvorrichtung ausgeführt werden können. Das computerlesbare Speichermedium kann als computerlesbares nichtflüchtiges Speichermedium bezeichnet werden. Das computerlesbare Speichermedium kann zudem als physisches computerlesbares Medium bezeichnet werden. Bei einigen Ausführungsformen kann ein computerlesbares Speichermedium zudem in der Lage sein, Daten zu speichern, auf die der Prozessor der Rechenvorrichtung zugreifen kann. Beispiele für computerlesbare Speichermedien beinhalten unter anderem Folgendes: eine Diskette, ein magnetisches Festplattenlaufwerk, eine Solid-State-Festplatte, Flashspeicher, einen USB-Stick, Direktzugriffsspeicher (Random Access Memory - RAM), Festwertspeicher (Read Only Memory - ROM), eine optische Platte, eine magneto-optische Platte und den Registerspeicher des Prozessors. Beispiele für optische Platten beinhalten Compact Disks (CD) und Digital Versatile Disks (DVD), beispielsweise CD-ROM-, CD-RW-, CD-R-, DVD-ROM-, DVD-RW- oder DVD-R-Platten. Der Ausdruck computerlesbares Speichermedium kann sich zudem auf verschiedene Arten von Aufzeichnungsmedien beziehen, auf welche die Rechenvorrichtung über ein Netzwerk oder eine Kommunikationsverbindung zugreifen kann. Beispielsweise können Daten über ein Modem, über das Internet oder über ein lokales Netzwerk abgerufen werden. Auf einem computerlesbaren Medium enthaltener computerausführbarer Code kann unter Verwendung eines beliebigen geeigneten Mediums, einschließlich unter anderem drahtlos, drahtgebunden, über ein optisches Faserkabel, HF usw. oder eine beliebige geeignete Kombination davon übertragen werden.
  • Ein computerlesbares Signalmedium kann ein sich verbreitendes Datensignal mit darin enthaltenem computerausführbaren Code beinhalten, beispielsweise in einem Basisband oder als Teil einer Trägerwelle. Ein derartiges sich verbreitendes Signal kann eine beliebige einer Vielzahl von Formen annehmen, einschließlich unter anderem elektromagnetisch, optisch oder eine beliebige geeignete Kombination davon. Ein computerlesbares Signalmedium kann ein beliebiges computerlesbares Medium sein, das kein computerlesbares Speichermedium ist und das ein Programm zur Verwendung durch oder in Verbindung mit einem/einer Anweisungsausführungssystem, -gerät oder -vorrichtung kommunizieren, verbreiten oder transportieren kann.
  • „Computerarbeitsspeicher“ oder „Arbeitsspeicher“ ist ein Beispiel für ein computerlesbares Speichermedium. Computerarbeitsspeicher ist ein beliebiger Arbeitsspeicher, auf den ein Prozessor direkt zugreifen kann. „Computerspeicher“ oder „Speicher“ ist ein weiteres Beispiel für ein computerlesbares Speichermedium. Computerspeicher ist ein beliebiges nichtflüchtiges computerlesbares Speichermedium. Bei einigen Ausführungsformen kann der Computerspeicher auch Computerarbeitsspeicher sein und umgekehrt.
  • Eine „Benutzerschnittstelle“ ist im hier verwendeten Sinne eine Schnittstelle, die es einem Benutzer oder Bediener ermöglicht, mit einem Computer oder Computersystem zu interagieren. Eine „Benutzerschnittstelle“ kann auch als „Mensch-Schnittstellen-Vorrichtung“ bezeichnet werden. Eine Benutzerschnittstelle kann Informationen oder Daten an den Bediener bereitstellen und/oder Informationen oder Daten vom Bediener empfangen. Eine Benutzerschnittstelle kann ermöglichen, dass Eingaben von einem Bediener durch den Computer empfangen werden, und kann Ausgaben vom Computer an den Benutzer bereitstellen. Anders ausgedrückt, kann die Benutzerschnittstelle es einem Bediener ermöglichen, einen Computer zu steuern oder zu bedienen und die Schnittstelle kann es dem Computer ermöglichen die Auswirkungen der Steuerung oder Bedienung des Bedieners aufzuzeigen. Das Anzeigen von Daten oder Informationen auf einer Anzeige oder einer graphischen Benutzerschnittstelle ist ein Beispiel für das Bereitstellen von Informationen an den Bediener. Die Anzeige kann beispielsweise eine berührungsempfindliche Anzeigevorrichtung umfassen.
  • Eine „Hardwareschnittstelle“ umfasst im hier verwendeten Sinne eine Schnittstelle, die es dem Prozessor eines Computersystems ermöglicht, mit einer externen Rechenvorrichtung und/oder einem externen Rechengerät zu interagieren und/oder diese/s zu steuern. Eine Hardwareschnittstelle kann es einem Prozessor ermöglichen, Steuersignale oder Anweisungen an ein/e externe/s Rechenvorrichtung und/oder -gerät zu senden. Eine Hardwareschnittstelle kann es einem Prozessor zudem ermöglichen, Daten mit einer/einem externen Rechenvorrichtung und/oder -gerät auszutauschen. Beispiele für eine Hardwareschnittstelle beinhalten unter anderem Folgendes: einen Universal Serial Bus, IEEE 1394-Anschluss, Parallelanschluss, IEEE 1284-Anschluss, seriellen Anschluss, RS-232-Anschluss, IEEE-488-Anschluss, eine Bluetooth-Verbindung, WLAN-Verbindung, TCP/IP-Verbindung, Ethernetverbindung, Steuerspannungsschnittstelle, MIDI-Schnittstelle, Analogeingangsschnittstelle und Digitalschnittstelle.
  • Ein „Prozessor“ umfasst im hier verwendeten Sinne eine elektronische Komponente, die in der Lage ist, ein Programm oder eine maschinenausführbare Anweisung auszuführen. Bezüge auf die „einen Prozessor“ umfassende Rechenvorrichtung sollten so ausgelegt werden, dass sie unter Umständen mehr als einen Prozessor oder Prozessorkern enthält. Der Prozessor kann beispielsweise ein Mehrkernprozessor sein. Ein Prozessor kann sich zudem auf eine Ansammlung von Prozessoren in einem einzelnen Computersystem oder verteilt auf mehrere Computersysteme beziehen. Auch der Ausdruck Rechenvorrichtung sollte so ausgelegt werden, dass er unter Umständen eine Ansammlung oder ein Netzwerk von Rechenvorrichtungen bezeichnet, die jeweils einen Prozessor oder Prozessoren umfassen. Viele Programme weisen Anweisungen auf, die durch mehrere Prozessoren, die sich in derselben Rechenvorrichtung befinden oder sogar über mehrere Rechenvorrichtung verteilt sein können, durchgeführt werden.
  • Magnetresonanztomographiedaten werden hier als die während eines Magnetresonanztomographiescans durch die Antenne eines Magnetresonanzgeräts aufgezeichneten Messwerte von Hochfrequenzsignalen, die durch die Atomspins des Individuums/Gegenstands ausgestrahlt werden, definiert. Ein Magnetresonanztomographie(MRT)-Bild wird hier als die rekonstruierte zwei- oder dreidimensionale Visualisierung von in den Magnetresonanztomographiedaten enthaltenen anatomischen Daten definiert. Diese Visualisierung kann unter Verwendung eines Computers durchgeführt werden.
  • Es versteht sich, dass eine oder mehrere der vorstehend erwähnten Ausführungsformen der Erfindung kombiniert werden können, solange sich die kombinierten Ausführungsformen nicht gegenseitig ausschließen.
  • Figurenliste
  • Im Folgenden werden bevorzugte Ausführungsformen der Erfindung lediglich als Beispiele und unter Bezugnahme auf die beigefügten Zeichnungen beschrieben, in denen Folgendes gilt:
    • 1 veranschaulicht ein Magnetresonanztomographiesystem,
    • 2 ist ein Ablaufdiagramm eines Verfahrens zum automatischen Identifizieren von Verletzungen in einem Untersuchungsbereich,
    • 3 ein Ablaufdiagramm eines beispielhaften Verfahrens zum Durchführen einer Längsschnittanalyse,
    • 4 bildet ein funktionelles Blockdiagramm ab, das ein medizinisches Instrument veranschaulicht,
    • 5 bildet eine schematische Visualisierung von Fasern der weißen Substanz ab, die von Verletzungen der weißen Substanz betroffen sind.
  • DETAILLIERTE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
  • Im Folgenden sind Elemente in den Figuren mit gleichen Bezugszeichen entweder ähnliche Elemente oder führen vergleichbare Funktionen durch. Elemente, die zuvor beschrieben wurden, werden in späteren Figuren nicht unbedingt beschrieben, wenn die Funktion vergleichbar ist.
  • Verschiedene Strukturen, Systeme und Geräte sind in den Figuren einzig zu Erläuterungszecken abgebildet und so, dass sie die vorliegende Erfindung nicht mit Details verdecken, die einem Fachmann wohlbekannt sind. Dennoch sind die beigefügten Figuren enthalten, um veranschaulichende Beispiele für den offenbarten Gegenstand zu beschreiben und zu erläutern.
  • Die vorliegende Offenbarung kann einen fortgeschrittenen Ansatz zur Analyse von Verletzungen der weißen Substanz betreffen, z. B. von Diffüsions-Tensor-Bildgebungs-MRT-(DTI-MRT)-Bildern. Eine Längsschnittanalyse kann auf Grundlage einer Segmentierung in einem aktuellen DTI-MR-Bild von Verletzungen in der weißen Substanz auf Grundlage einer entsprechenden identifizierten Verletzung in einem früheren DTI-MR-Bild durchgeführt werden. Darüber hinaus wird das Fortschreiten der identifizierten Verletzung analysiert, z. B. hinsichtlich ihrer Ausdehnung relativ zur Ausrichtung von Faserbündeln, die durch die Verletzung zur Region der Großhirnrinde verlaufen. Ein weiterer Aspekt der vorliegenden Offenbarung betrifft das Erstellen eines regionsweisen Profils, das Eigenschaften der Verletzungen in der Region von Interesse, wie etwa Größe, Anzahl, Volumenanteil usw., wiedergibt. Dieses regionsweise Profil wird zudem von Zeit zu Zeit auf Grundlage aktualisierter Bilder aktualisiert. Die vorliegende Offenbarung kann in der Praxis auf Grundlage einer Registrierung des Gewebes der Großhirnrinde ermöglicht werden, die schneller sein kann als eine volumetrische Registrierung.
  • 1 veranschaulicht ein Magnetresonanztomographiesystem 100. Das Magnetresonanztomographiesystem 100 umfasst einen Magneten 104. Der Magnet 104 ist ein supraleitfähiger zylinderartiger Magnet 100 mit einer Bohrung 106 darin. Die Verwendung anderer Arten von Magneten ist ebenfalls möglich, beispielsweise ist es ebenfalls möglich, sowohl einen geteilten zylindrischen Magneten als auch einen sogenannten offenen Magneten zu verwenden. Ein geteilter zylindrischer Magnet ähnelt einem standardmäßigen zylindrischen Magneten, mit der Ausnahme, dass das Kryostat in zwei Abschnitte geteilt wurde, um Zugang zur Isoebene des Magneten zu ermöglichen. Derartige Magnete können beispielsweise in Verbindung mit Strahltherapie mit geladenen Teilchen verwendet werden. Ein offener Magnet weist zwei Magnetabschnitte auf, einen über dem anderen mit einem Raum dazwischen, der groß genug ist, um ein Individuum 118 aufzunehmen, das abgebildet werden soll, wobei die Anordnung der zwei Abschnittsbereiche der einer Helmholtz-Spule ähnelt. Offene Magneten sind beliebt, da das Individuum weniger eingeschränkt ist. Im Inneren des Kryostats des zylindrischen Magneten befindet sich eine Ansammlung supraleitfähiger Spulen. Innerhalb der Bohrung 106 des zylindrischen Magneten 104 befindet sich eine Bildgebungszone 108, in der das Magnetfeld stark und einheitlich genug ist, um die Magnetresonanztomographie durchzuführen.
  • Innerhalb der Bohrung 106 des Magneten befindet sich zudem eine Reihe von Magnetfeld-Gradientenspulen 110, die während des Erfassens von Magnetresonanzdaten verwendet wird, um magnetische Spins eines Zielvolumens innerhalb der Bildgebungszone 108 des Magneten 104 räumlich zu codieren. Die Magnetfeld-Gradientenspulen 110 sind mit einer Leistungszufuhr 112 für die Magnetfeld-Gradientenspulen verbunden. Die Magnetfeld-Gradientenspulen 110 sollen der Veranschaulichung dienen. Typischerweise enthalten Magnetfeld-Gradientenspulen 110 drei getrennte Spulreihen für das Codieren in drei orthogonalen räumlichen Richtungen. Eine Magnetfeld-Gradienten-Leistungszufuhr liefert Strom an die Magnetfeld-Gradientenspulen. Der an die Magnetfeld-Gradientenspulen 110 gelieferte Strom wird als Funktion der Zeit gesteuert und kann stufenartig gesteigert oder gepulst werden.
  • Das MRT-System 100 kann ferner eine HF-Spule 114 am Individuum 118 und benachbart zur Bildgebungszone 108 zum Erzeugen von HF-Anregungsimpulsen umfassen. Die HF-Spule 114 kann beispielsweise eine Reihe von Oberflächenspulen oder anderen HF-Spezialspulen beinhalten. Die HF-Spule 114 kann alternativ zur Übertragung von HF-Impulsen sowie zum Empfangen von Magnetresonanzsignalen verwendet werden, z. B. kann die HF-Spule 114 als Übertragungsarray-Spule umgesetzt sein, die eine Vielzahl von HF-Übertragungsspulen umfasst. Die HF-Spule 114 ist mit einem oder mehreren HF-Verstärkern 115 verbunden.
  • Die Leistungszufuhr 112 für die Magnetfeld-Gradientenspulen und der HF-Verstärker 115 sind mit einer Hardwareschnittstelle 128 eines Computersystems 126 verbunden. Das Computersystem 126 umfasst ferner einen Prozessor 130. Der Prozessor 130 ist mit der Hardwareschnittstelle 128, einer Benutzerschnittstelle 132, einem Computerspeicher 134 und einem Computerarbeitsspeicher 136 verbunden.
  • Der Computerarbeitsspeicher 136 enthält laut Darstellung ein Steuermodul 160. Das Steuermodul 160 enthält computerausführbaren Code, der es dem Prozessor 130 ermöglicht, die Bedienung und Funktion des Magnetresonanztomographiesystems 100 zu steuern. Zudem ermöglicht es die Basisfunktionen des Magnetresonanztomographiesystems 100, wie etwa die Erfassung von Magnetresonanzdaten und/oder diffusionsgewichteten Daten.
  • Das MRT-System 100 kann dazu konfiguriert sein, Bildgebungsdaten vom Patienten 118 in Kalibrierungs- und/oder physischen Scans zu erfassen.
  • Der Computerarbeitsspeicher 136 ist dazu konfiguriert, eine Verletzungserkennungsanwendung 119 zu speichern, die Anweisungen umfasst, die, wenn sie durch den Prozessor 130 ausgeführt werden, den Prozessor dazu veranlassen, zumindest einen Teil des Verfahrens aus 2 und 3 durchzuführen.
  • 2 ist ein Ablaufdiagramm eines Verfahrens zum automatischen Erkennen betroffener Regionen in einem Untersuchungsbereich eines Individuums, z. B. 118.
  • In Schritt 201 können ein erstes anatomisches Bild des Untersuchungsbereichs und ein erstes Bild von Fasern des Untersuchungsbereichs erhalten werden. Das erste anatomische Bild kann beispielsweise ein T1-gewichtetes oder T2-gewichtetes MR-Bild oder ein protonendichtegewichtetes (PD-) oder ein Fluid-Attenuated-Inversion-Recovery(FLAIR)-MR-Bild umfassen. Das erste Bild von Fasern umfasst ein diffusionsgewichtetes Bild oder dergleichen.
  • Das Erhalten des ersten anatomischen Bilds und des ersten Bilds von Fasern kann das Empfangen des ersten anatomischen Bilds und des ersten Bilds von Fasern von einem Benutzer umfassen. Der Ausdruck „Benutzer“ kann sich im hier verwendeten Sinne auf eine Einheit, z. B. eine Person, einen Computer oder eine auf einem Computer ausgeführte Anwendung, beziehen, die Anforderungen zum Verarbeiten des ersten anatomischen Bilds und des ersten Bilds von Fasern ein- oder ausgibt.
  • Das Empfangen des ersten anatomischen Bilds und des ersten Bilds von Fasern kann als Reaktion auf das Senden einer Anforderung an den Benutzer erfolgen. Bei einem anderen Beispiel kann das Empfangen des ersten anatomischen Bilds und des ersten Bilds von Fasern automatisch erfolgen, da der Benutzer das empfangene erste anatomische Bild und erste Bild von Fasern periodisch oder regelmäßig senden kann.
  • Bei einem anderen Beispiel kann das Erhalten des ersten anatomischen Bilds und des ersten Bilds von Fasern das Lesen des ersten anatomischen Bilds und des ersten Bilds von Fasern aus einer Speichervorrichtung umfassen.
  • Bei einem anderen Beispiel kann das Erhalten des ersten anatomischen Bilds und des ersten Bilds von Fasern das Steuern des MRT-Systems 100 zum Erfassen von MR-Daten und diffusionsgewichteten Daten des Untersuchungsbereichs und jeweils zum Rekonstruieren des MR-Bilds bzw. des diffusionsgewichteten Bilds daraus im gleichen oder in unterschiedlichen Scans umfassen, wobei das erste anatomische Bild das MR-Bild umfasst und das erste Bild von Fasern das diffusionsgewichtete Bild umfasst. Für den Fall, dass das MR-Bild und das diffusionsgewichtete Bild unter Verwendung unterschiedlicher Scans erfasst werden, kann das Erhalten in Schritt 201 ferner das Steuern des MRT-Systems 100 zum Registrieren des MR-Bilds und des diffusionsgewichteten Bilds umfassen.
  • In Schritt 203 kann das erste anatomische Bild 209 in eine Vielzahl von Segmenten 211 aufgeteilt werden, die jeweils Gewebe und/oder Strukturen im Untersuchungsbereich aufzeigen (Gewebe können verwendet werden, um aufzuzeigen, wo sich Verletzungen befinden; Strukturen können verwendet werden, um aufzuzeigen, wo sich die anatomische Lage der Verletzung (in Bezug auf Organstrukturen) befindet). Für den Fall, dass der Untersuchungsbereich das Gehirn umfasst, kann es sich bei den Geweben des segmentierten ersten anatomischen Bilds um mindestens eines von weißer Substanz, grauer Substanz, Zerebrospinalflüssigkeit (Cerebrospinal Fluid - CSF), Ödem- und Tumorgewebe handeln.
  • Das Segmentieren kann das Aufteilen des ersten anatomischen Bilds in einen Flickenteppich von Regionen oder Segmenten umfassen, die jeweils homogen sind, z. B. hinsichtlich Intensität und/oder Textur. Beispielsweise kann das Segmentieren das Zuweisen einer Gewebeklasse, die das Gewebe aufzeigt, zu dem das einzelne Element gehört, zu jedem einzelnen Element des ersten anatomischen Bilds umfassen. Das einzelne Element kann ein Voxel umfassen. Die Gewebeklasse kann dem einzelnen Element zugewiesen werden, indem beispielsweise ein Wert, z. B. eine Nummer speziell für diese Gewebeklasse, zugewiesen wird. Beispielsweise kann jedes einzelne Element des ersten anatomischen Bilds gemäß der Wahrscheinlichkeit, mit der es ein Element oder Teil einer bestimmten Gewebeklasse ist, klassifiziert werden. Beispielsweise kann die Struktur- und Gewebesegmentierung durch den gleichen oder unterschiedliche Algorithmen erzielt werden. Beispielsweise können die formbeschränkten verformbaren Modelle für die Segmentierung verwendet werden. Bei einem anderen Beispiel kann die Segmentierung durch ein Schmalbandbezugspegelverfahren oder ein Musterklassifizierungsverfahren auf Grundlage eines Maximum-a-postiori(MAP)-Wahrscheinlichkeitsrahmens durchgeführt werden.
  • In Schritt 205 können erste Verletzungen im segmentierten ersten anatomischen Bild identifiziert werden. Die ersten Verletzungen können Verletzungen 213 der weißen Substanz umfassen. Die Identifizierung der ersten Verletzungen kann beispielsweise durch Vergleichen des segmentierten ersten anatomischen Bilds mit einem Bezugsbild des gleichen Individuums 118 und des gleichen Untersuchungsbereichs, das z. B. keine Verletzungen aufweist, durchgeführt werden. Die Differenzen zwischen den zwei Bildern können die ersten Verletzungen aufzeigen. Andere Techniken zum Identifizieren der Verletzungen können verwendet werden. Diese Techniken können a) vorherige räumliche Informationen, z. B. in Form eines anhand einer Patientendatenbank erstellten Atlas, verwenden, b) die Grauwertverteilung in lokalen Bereichen um mutmaßliche Verletzungen analysieren, wobei diese tatsächliche Verteilung mit der Verteilung in nichtbetroffenen Regionen verglichen wird, und c) eine gewisse Nachbearbeitung durchführen, z. B. eine Konnektivitätsanalyse, wobei Verletzungen entfernt werden, die zu klein sind.
  • Beispielsweise kann jeder identifizierten Verletzung eine einzigartige Kennung und eine Markierung, die ihrer anatomischen Region entspricht, zugeordnet werden, wobei die anatomische Region durch das Ergebnis der (automatischen) Segmentierung in Schritt 203 identifiziert wird.
  • Bei einem Beispiel können die Schritte 203 und 205 jeweils an unterschiedlichen ersten anatomischen Bildern des Untersuchungsbereichs durchgeführt werden. Beispielsweise kann Schritt 203 Bild 1 segmentieren und Schritt 205 kann Bild 2 verwenden. In diesem Fall müssen die zwei Bilder 1 und 2 registriert werden, bevor Schritt 205 durchgeführt wird. Dafür können die zwei Bilder 1 und 2 (z. B. in Schritt 203), z. B. unter Verwendung der Technik der formbeschränkten verformbaren Modelle, segmentiert werden, wodurch eine Netzdarstellung der Oberfläche anatomischer Strukturen in den zwei Bildern entsteht. Dann kann auf Grundlage der Netzscheitelpunkte der Strukturen, die in beiden Bildern enthalten sind, eine (z. B. feste oder affine) Transformation berechnet werden, wobei das segmentierte Netz eines Bilds am segmentierten Netz des anderen Bilds registriert wird. Diese Transformation kann dann angewendet werden, um das eine Bild am anderen Bild zu registrieren. Diese Netzregistrierung kann bei anderen Beispielen verwendet werden, z. B. wenn erste anatomische Bilder zu zwei Zeitpunkten vorliegen und registriert werden müssen oder wenn multimodale Segmentierung mit mehr als einer anatomischen Modalität, z. B. T1 und T2 oder FLAIR, durchgeführt wird.
  • In Schritt 207 können die identifizierten ersten Verletzungen als Startpunkte für einen Verfolgungsalgorithmus zum Verfolgen erster Fasern im ersten Bild von Fasern verwendet werden. Beispielsweise kann ein Schwerpunkt für jede Verletzung der identifizierten ersten Verletzungen berechnet werden. Die entstandenen Schwerpunkte können als Startpunkt für die jeweilige Verletzung verwendet werden. Bei einem anderen Beispiel kann ein Voxel in der jeweiligen Verletzung, das (in Abhängigkeit von der Bildgebungsmodalität) die höchste oder die niedrigste Intensität aufweist, als Startpunkt für die jeweilige Verletzung verwendet werden. Bei einem Beispiel kann Schritt 207 beispielsweise unter Verwendung von Werten eines ersten Parameters und eines zweiten Parameters durchgeführt werden, die jeweils Eigenschaften des ersten anatomischen Bilds bzw. des ersten Bilds von Fasern beschreiben. Beispielsweise können das erste anatomische Bild und das erste Bild von Fasern automatisch gleichzeitig oder simultan gescannt werden, um einen Startpunkt in einer bestimmten ersten Verletzung zu platzieren und einen Vergleich zwischen den Eigenschaften des ersten anatomischen Bilds und des ersten Bilds von Fasern durchzuführen, wobei zunächst der Startpunkt in der bestimmten ersten Verletzung der identifizierten ersten Verletzungen platziert wird. Auf Grundlage des Vergleichs kann der platzierte Startpunkt für das Verfolgen von Fasern verwendet werden oder nicht.
  • Gehen wir beispielsweise von einem bestimmten Startpunkt in einem Bereichskandidaten (z. B. einer der identifizierten ersten Verletzungen des ersten anatomischen Bilds) aus. Der bestimmte Startpunkt kann ein oder mehrere Voxel, z. B. ein Voxel Vx abdecken. Der zweite Parameter kann für ein entsprechendes Voxel von Vx im ersten Bild von Fasern überprüft werden oder er kann für eine Region um das entsprechende Voxel von Vx (ebenfalls als Vx bezeichnet) im ersten Bild von Fasern überprüft werden. Das erste Bild von Fasern kann beispielsweise unter Verwendung eines Diffusions-Tensor-Bildgebungsverfahren erhalten werden. Der zweite Parameter kann beispielsweise die Richtung der Diffusion, die Durchschnittsdiffusionsfähigkeit, den scheinbaren Diffusionskoeffizienten, Eigenwerte des Tensors im Voxel Vx im ersten Bild von Fasern usw. umfassen. Wenn beispielsweise die Durchschnittsdiffusionsfähigkeit des Voxels Vx im ersten Bild von Fasern über einem vordefinierten Schwellenwert liegt (z. B. würde eine schnellste Diffusion die Gesamtausrichtung der Fasern aufzeigen), wird der bestimmte Startpunkt akzeptiert und der bestimmte Startpunkt kann als Eingabe für den Verfolgungsalgorithmus zum Verfolgen der Fasern mit dem bestimmten Startpunkt als Ausgangspunkt verwendet werden. Bei einem anderen Beispiel wird die Reihe von Eigenwerten des Diffusionstensors für Voxel Vx im ersten Bild von Fasern durch eine potentiell nichtlineare Funktion zur realen Achse aufgezeichnet und der bestimmte Startpunkt kann akzeptiert werden, wenn der entstandene Wert über einem vordefinierten Schwellenwert liegt.
  • Der Verfolgungsalgorithmus kann beispielsweise DTI-Traktographie oder FiberTrak umfassen, welches das Visualisieren von Fasern der weißen Substanz im Gehirn ermöglicht und subtile Veränderungen der weißen Substanz aufzeichnen kann, die mit Erkrankungen, wie etwa multipler Sklerose und Epilepsie, verbunden sind oder Erkrankungen ermittelt, bei denen die Vernetzung des Gehirns anomal ist, wie etwa Schizophrenie.
  • Das Verfolgen kann beispielsweise in einer Region von Interesse des ersten anatomischen Bilds durchgeführt werden. Die Region von Interesse kann benutzerdefiniert oder automatisch ausgewählt sein. Die automatische Auswahl kann beispielsweise unter Verwendung der den identifizierten ersten Verletzungen zugewiesenen Kennungen und Markierungen durchgeführt werden.
  • Beispielsweise kann der Benutzer oder die automatische Auswahl Zugang zu allen Verletzungen der weißen Substanz in Basalganglien anfordern, wobei z. B. die Region von Interesse die Basalganglien umfasst.
  • Bei einem anderen Beispiel kann das Verfolgen in der gesamten Region des ersten anatomischen Bilds durchgeführt werden.
  • Bei einem Beispiel kann Schritt 207 ferner das Anzeigen der verfolgten Fasern und/oder Verletzungen in einer graphischen Benutzerschnittstelle umfassen, wie beispielsweise unter Bezugnahme auf 5 gezeigt.
  • Die Verletzungserkennungsanwendung 119 kann Anweisungen umfassen, die bei Ausführung automatisch die Schritte 201-207 durchführen.
  • 3 ist ein Ablaufdiagramm eines beispielhaften Verfahrens zum Durchführen einer Längsschnittanalyse. Die Schritte 201-207 aus Figur 2 können unter Verwendung eines zweiten anatomischen Bilds des gleichen Untersuchungsbereichs und eines zweiten Bilds von Fasern des gleichen Untersuchungsbereichs des gleichen Individuums wiederholt werden. Daraus können sich identifizierte zweite Verletzungen und verfolgte zweite Fasern ergeben und ein zweiter betroffener Bereich der Großhirnrinde für den Fall, dass der Untersuchungsbereich das Gehirn umfasst.
  • In Schritt 301 können die ersten und zweiten Verletzungen miteinander verglichen werden und die ersten verfolgten Fasern und die zweiten verfolgten Fasern. Für den Fall, dass der Untersuchungsbereich das Gehirn umfasst, kann Schritt 301 ferner das Vergleichen des betroffenen ersten und zweiten Bereichs der Großhirnrinde umfassen. Schritt 301 kann beispielsweise durch Berechnen eines Differenzbilds, d. h. Subtrahieren der Voxelintensitäten des zweiten Faserbilds von den Voxelintensitäten des (registrierten und entsprechend normalisierten) ersten Faserbilds, erzielt werden. Darüber hinaus können statistische Indizes (z. B. das Gesamtvolumen betroffener Fasern) zusammen mit ihrer Differenz berechnet und angezeigt werden.
  • In Schritt 303 können Daten bereitgestellt werden, welche die Differenz zwischen den abgebildeten ersten und zweiten Verletzungen aufzeigen und/oder zwischen den ersten und zweiten verfolgten Fasern. Diese Differenz kann beispielsweise auf der graphischen Benutzerschnittstelle angezeigt werden. Beispielsweise kann die Variation des Gesamtvolumens zwischen der aktuellen Iteration und der vorherigen angezeigt werden, wie unter Bezugnahme auf 4 gezeigt. Für den Fall, dass der Untersuchungsbereich das Gehirn umfasst, kann Schritt 303 ferner das Anzeigen des betroffenen ersten und zweiten Bereichs der Großhirnrinde umfassen. Das Anzeigen des ersten und des zweiten betroffenen Bereichs der Großhirnrinde kann in einem halbtransparenten Anzeigemodus durchgeführt werden, während die Überschneidung des ersten und des zweiten betroffenen Bereichs der Großhirnrinde in einem nicht transparenten Anzeigemodus angezeigt werden kann. Dies kann dabei helfen, Veränderungen in den betroffenen Bereichen der Großhirnrinde zu verfolgen.
  • Die Schritte 201-303 können wiederholt werden, bis ein vordefiniertes Konvergenzkriterium erfüllt ist (Frage 305). Das Anzeigen der Differenz kann beispielsweise ferner den Benutzer auffordern, eine „Weiter“- oder eine „Stopp“-Taste an der graphischen Benutzerschnittstelle auszuwählen. Die Auswahl der „Weiter“-Taste kann die Wiederholung der Schritte 201-303 auslösen. Bei einem anderen Beispiel kann die Wiederholung nach einem vordefinierten Anzeigezeitraum automatisch ausgelöst werden, z. B. kann, wenn der Benutzer nicht innerhalb des vordefinierten Anzeigezeitraums reagiert (z. B. eine der „Weiter“- und „Stopp“-Tasten auswählt), das Verfahren wiederholt werden. Für jede Iteration oder Wiederholung kann jeweils ein anatomisches Bild und ein Bild von Fasern des gleichen Untersuchungsbereichs des gleichen Patienten oder Individuums verwendet werden. Jede Iteration oder Wiederholung kann jeweils eine identifizierte Verletzung und verfolgte Fasern ergeben.
  • Das Konvergenzkriterium kann das Empfangen eines Stoppsignals bei Durchführen des Schritts 303 umfassen. Beispielsweise kann der Benutzer die „Stopp“-Taste auswählen. Bei einem anderen Beispiel kann die Wiederholung gestoppt werden, wenn die Differenz zwischen den abgebildeten Verletzungen der aktuellen Iteration und den abgebildeten Verletzungen der unmittelbar vorhergehenden Iteration unterhalb eines vordefinierten Schwellenwerts liegt. Das Stoppen der Wiederholung kann automatisch durchgeführt werden, indem die Differenz mit dem vordefinierten Schwellenwert verglichen wird.
  • Bei einem weiteren Beispiel kann für den Fall, dass die Anzahl der zweiten Verletzungen mit der ersten Anzahl von Verletzungen übereinstimmt, die Wiederholung der Schritte 201-303 gestoppt werden.
  • 4 bildet ein funktionelles Blockdiagramm ab, das ein medizinisches Instrument 400 gemäß der vorliegenden Offenbarung veranschaulicht.
  • Das medizinische Instrument 400 kann ein Bildverarbeitungssystem 401 umfassen. Die Komponenten des Bildverarbeitungssystems 401 können unter anderem einen oder mehrere Prozessoren oder Verarbeitungseinheiten 403, ein Speichersystem 411, eine Arbeitsspeichereinheit 405 und einen Bus 407, der verschiedene Systemkomponenten, einschließlich der Arbeitsspeichereinheit 405, mit dem Prozessor 403 koppelt, beinhalten. Das Speichersystem 411 kann ein Festplattenlaufwerk (Hard Disk Drive - HDD) beinhalten. Die Arbeitsspeichereinheit 405 kann durch das Computersystem lesbare Medien in Form von flüchtigem Speicher, wie etwa einem Direktzugriffsspeicher (RAM) und/oder Cache-Speicher, beinhalten.
  • Das Bildverarbeitungssystem 401 beinhaltet typischerweise eine Vielzahl von durch das Computersystem lesbaren Medien. Bei derartigen Medien kann es sich um beliebige verfügbare Medien handeln, auf die durch das Bildverarbeitungssystem 401 zugegriffen werden kann, und sie beinhalten sowohl flüchtige als auch nichtflüchtige Medien, sowohl entfernbare als auch nicht-entfernbare Medien.
  • Das Bildverarbeitungssystem 401 kann zudem mit einer oder mehreren externen Vorrichtungen, wie etwa einer Tastatur, einer Zeigevorrichtung, einer Anzeige 413 usw.; einer oder mehreren Vorrichtungen, die es einem Benutzer ermöglichen mit dem Bildverarbeitungssystem 401 zu interagieren; und/oder beliebigen Vorrichtungen (z. B. Netzwerkkarte, Modem usw.), die es dem Bildverarbeitungssystem 401 ermöglichen, mit einer oder mehreren anderen Rechenvorrichtung zu kommunizieren kommunizieren. Eine derartige Kommunikation kann über (eine) E/A-Schnittstelle(n) 419 erfolgen. Noch ferner kann das Bildverarbeitungssystem 401 über einen Netzwerkadapter 409 mit einem oder mehreren Netzwerken, wie etwa einem lokalen Netzwerk (Local Area Network - LAN), einem allgemeinen Weitverkehrsnetzwerk (Wide Area Network - WAN) und/oder einem öffentlichen Netzwerk (z. B. dem Internet) kommunizieren. Wie abgebildet, kommuniziert der Netzwerkadapter 409 über den Bus 407 mit den anderen Komponenten des Bildverarbeitungssystems 401.
  • Die Arbeitsspeichereinheit 405 ist dazu konfiguriert, Anwendungen zu speichern, die auf dem Prozessor 403 ausgeführt werden können. Das Arbeitsspeichersystem 405 kann beispielsweise ein Betriebssystem sowie Anwendungsprogramme umfassen. Die Anwendungsprogramme umfassen beispielsweise die Verletzungserkennungsanwendung 419. Die Verletzungserkennungsanwendung 119 umfasst Anweisungen, bei deren Ausführung die Verletzungserkennungsanwendung 119 zwei bestehende Bilder als Eingabe empfangen oder auf diese zugreifen kann, die gemäß der vorliegenden Offenbarung (z. B. wie unter Bezugnahme auf 2 und 3 beschrieben) verarbeitet werden sollen. Die Ausführung der Anweisungen kann ferner den Prozessor 403 dazu veranlassen, eine graphische Benutzerschnittstelle auf der Anzeige 413 anzuzeigen.
  • 5 bildet eine schematische Visualisierung von Fasern 503 der weißen Substanz, die von Verletzungen der weißen Substanz betroffen sind, in einem benutzerdefinierten anatomischen Bereich 501 und eine Anzeige 505 der Ergebnisse einer statistischen Analyse der ausgewählten Verletzungen der weißen Substanz ab.
  • Die statistische Analyse kann an den identifizierten Verletzungen der weißen Substanz (z. B. in der Region von Interesse) durchgeführt werden und die Fasern der weißen Substanz, die von den Verletzungen der weißen Substanz betroffen sind, werden extrahiert. Die Ergebnisse werden in einem geeigneten Format visualisiert. Beispielsweise können die ausgewählten Verletzungen der weißen Substanz über die betroffenen Faserbahnen gelegt werden. Zusätzlich kann die Anatomie des Patienten in einer halbtransparenten Weise darüber gelegt werden. Alternativ kann die Oberfläche des ausgewählten Bereichs von Interesse (extrahiert anhand des Algorithmus für die automatische Segmentierung) in einer halbtransparenten Weise darüber gelegt werden. Die statistische Auswertung der Verletzungen der weißen Substanz in der ausgewählten Region von Interesse kann z. B. die Anzahl der Verletzungen der weißen Substanz, ihr Gesamtvolumen, ihren Volumenanteil (Gesamtvolumen der Verletzungen der weißen Substanz dividiert durch das Gesamtvolumen der Region), einen Vergleich der statistischen Indizes mit Referenzdatenbanken und/oder mit einem vorherigen Scan des Patienten usw. umfassen. Die Ergebnisse der statistischen Auswertung werden in einer geeigneten Weise in Grafik- oder Textform visualisiert (505). Als ein Beispiel für eine graphische Darstellung könnten Volumenanteile in Form von „Wärmebildern“, Gesamtvolumen als Balkendiagramme usw. visualisiert werden.
  • Im Folgenden wird ein weiteres beispielhaftes Verfahren zum Identifizieren von Verletzungen der weißen Substanz und betroffener Fasern beschrieben. Dieses Verfahren kann den Vorteil aufweisen, dass es alle Verletzungen der weißen Substanz in einer anatomischen Region von Interesse in einer effizienten Weise bearbeitet. Dieses Verfahren kann eine automatische regionale oder globale Analyse statistischer Indizes von Verletzungen der weißen Substanz, wie Größe, Anzahl, Bewertungen, Volumenanteile, prozentuale Abweichungen zu Referenzdatenbank oder vorherigem Scan usw., bereitstellen („regional“ bezieht sich auf anatomische Regionen von Interesse, wie Basalganglien). Außerdem wird die Visualisierung einer einzelnen (oder aller) Verletzungen der weißen Substanz zusammen mit den zugehörigen (betroffenen) Fasern und der Gesamtanatomie in einer geeigneten und effizienten Weise bereitgestellt, indem anatomische Regionen von Interesse für die Auswertung der Verletzungen der weißen Substanz und die Visualisierung betroffener Fasern ausgewählt werden.
  • Dieses Verfahren kann aus einer automatischen Startpunktplatzierung in Verletzungen der weißen Substanz in einer anatomischen Region von Interesse (z. B. anhand eines MR-T1-Bilds) zur automatischen Faserverfolgung in einem koregistrierten MR-DTI-Bild bestehen. Das vorliegende Verfahren kann ferner eine Auswahl und Visualisierung der in der benutzerausgewählten Region von Interesse enthaltenen Verletzungen der weißen Substanz; eine Visualisierung der entsprechenden (d. h. betroffenen) Bahnen der weißen Substanz der zugrundeliegenden Anatomie (halbtransparent) umfassen. Zusätzlich oder alternativ kann eine Visualisierung der Oberfläche des ausgewählten (subkortikalen) Bereichs bereitgestellt werden. Das vorliegende Verfahren kann ferner eine automatische Erstellung eines regionsweisen Profils der Verletzungen der weißen Substanz, z. B. Bestimmen der Größe, der Anzahl, des Volumenanteils (Volumen der Verletzungen der weißen Substanz innerhalb der ausgewählten Region dividiert durch das Volumen der Region), der prozentualen Abweichung zu Referenzdatenbank oder vorherigem Scan usw.; eine Visualisierung/Anzeige der Ergebnisse in einer geeigneten Benutzerschnittstelle in verschiedenen Formen (z. B. in Text- oder Grafikform), die der Benutzer individuell anpasst, umfassen.
  • Das Verfahren kann die folgenden Schritte umfassen:
    • - Ein Algorithmus für automatische Segmentierung, umfassend die relevanten anatomischen Strukturen und Regionen, kann auf ein anatomisches Bild, z. B. ein MR-T1-Bild, z. B. des Gehirns eines Patienten angewendet werden.
    • - Automatisches Beschriften der Verletzungen der weißen Substanz unter Verwendung eines ausgewählten herkömmlichen Algorithmus. Jeder beschrifteten Verletzung der weißen Substanz kann eine ihrer anatomischen Region entsprechende einzigartige Kennung und Markierung zugewiesen werden, wobei die anatomische Region durch das Ergebnis der automatischen Segmentierung identifiziert wird (wenn die Verletzungen der weißen Substanz und die automatische Segmentierung in unterschiedlichen Bildern bestimmt werden, müssen die zwei Bilder unter Verwendung von Registrierungsalgorithmen nach dem Stand der Technik registriert werden).
    • - Für jede beschriftete Verletzung der weißen Substanz (identifiziert z. B. durch eine Analyse verbundener Komponenten) wird der Schwerpunkt berechnet (alternativ kann, z. B. für längere Verletzungen der weißen Substanz, ein dichter Punktesatz bestimmt werden, der den Umfang der Verletzung der weißen Substanz abdeckt). Diese Punkte werden nacheinander als Startpunkte für einen auf das MR-DTI-Bild angewendeten Faserverfolgungsalgorithmus verwendet, die unter Verwendung eines Registrierungsalgorithmus im anatomischen Bild registriert werden. Auf diese Weise werden die Bahnen der weißen Substanz, die durch jeweils eine einzelne Verletzung der weißen Substanz verlaufen, automatisch bestimmt. Darüber hinaus wird den bestimmten Bahnen der weißen Substanz eine Markierung zugewiesen, welche die anatomische Region der entsprechenden Verletzung der weißen Substanz aufzeigt.
    • - Der Benutzer kann dann in einer geeigneten Benutzerschnittstelle (der vorstehend beschriebenen graphischen Benutzerschnittstelle) eine anatomische Region von Interesse auswählen - was durch den Segmentierungsalgorithmus unterstützt werden kann. Beispielsweise kann der Benutzer einzelne subkortikale Strukturen von Interesse (z. B. den Globus pallidus) oder Regionen (z. B. Basalganglien) auswählen.
    • - Die ausgewählte Region wird daraufhin verwendet, um diejenigen Verletzungen der weißen Substanz herauszufiltern, welche in dieser konkreten Region enthalten sind (d. h. welche die entsprechende anatomische Markierung aufweisen). Dann wird eine statistische Analyse an der Teilmenge der Verletzungen der weißen Substanz durchgeführt und die Fasern der weißen Substanz, die von den ausgewählten Verletzungen der weißen Substanz betroffen sind, werden extrahiert (über die zugehörige anatomische Markierung). Die Ergebnisse werden dann in einem geeigneten Format visualisiert, siehe 5. Beispielsweise können die ausgewählten Verletzungen der weißen Substanz über die betroffenen Faserbahnen gelegt werden. Zusätzlich kann die Anatomie des Patienten in einer halbtransparenten Weise darüber gelegt werden. Alternativ kann die Oberfläche des ausgewählten Bereichs von Interesse (extrahiert anhand des Algorithmus für die automatische Segmentierung) in einer halbtransparenten Weise darüber gelegt werden.
    • - Die statistische Auswertung der Verletzungen der weißen Substanz in der ausgewählten Region von Interesse kann z. B. die Anzahl der Verletzungen der weißen Substanz, ihr Gesamtvolumen, ihren Volumenanteil (Gesamtvolumen der Verletzungen der weißen Substanz dividiert durch das Gesamtvolumen der Region), einen Vergleich der statistischen Indizes mit Referenzdatenbanken und/oder mit einem vorherigen Scan des Patienten usw. umfassen. Die Ergebnisse der statistischen Auswertung werden in einer geeigneten Weise in Grafik- oder Textform visualisiert (505). Als ein Beispiel für eine graphische Darstellung könnten Volumenanteile in Form von „Wärmebildern“, Gesamtvolumen als Balkendiagramme usw. visualisiert werden.
  • Bezugszeichenliste
    • 100
    Magnetresonanztomographiesystem
    104
    Magnet
    106
    Magnetbohrung
    108
    Bildgebungszone
    110
    Magnetfeld-Gradientenspulen
    112
    Leistungszufuhr der Magnetfeld-Gradientenspulen
    114
    Hochfrequenzspule
    115
    HF-Verstärker
    118
    Individuum
    119
    Verletzungserkennungsanwendung
    126
    Computersystem
    128
    Hardwareschnittstelle
    130
    Prozessor
    132
    Benutzerschnittstelle
    134
    Computerspeicher
    136
    Computerarbeitsspeicher
    160
    Steuermodul
    201-207
    Schritte
    209
    anatomisches Bild
    211
    Segmente
    213
    Verletzungen der weißen Substanz
    400
    medizinisches Instrument
    401
    Bildverarbeitungssystem
    403
    Prozessor
    405
    Arbeitsspeicher
    407
    Bus
    409
    Netzwerkadapter
    411
    Speichersystem
    413
    Anzeige
    419
    E/A-Schnittstelle
    501
    benutzerdefinierter anatomischer Bereich
    503
    Fasern
    505
    Ergebnisanzeige
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Nicht-Patentliteratur
    • M. Caligiuri et al., Neuroinformatics 13:261-276 (2015) [0003]

Claims (14)

  1. Medizinisches Instrument (100, 400) zum automatischen Erkennen betroffener Regionen in einem Untersuchungsbereich eines Individuums, umfassend: einen Arbeitsspeicher (136, 405), der maschinenausführbare Anweisungen enthält; und einen Prozessor (130, 403) zum Steuern des medizinischen Instruments, wobei das Ausführen der maschinenausführbaren Anweisungen den Prozessor (130, 403) dazu veranlasst, das Instrument so zu steuern, dass es: a) ein erstes anatomisches Bild (209) des Untersuchungsbereichs und ein erstes Bild von Fasern des Untersuchungsbereich erhält, wobei ein erster Parameter und ein zweiter Parameter jeweils Eigenschaften des ersten anatomischen Bilds bzw. des ersten Bilds von Fasern beschreiben; b) das erste anatomische Bild (209) in eine Vielzahl von Segmenten aufteilt, die jeweils Gewebe und/oder Strukturen im Untersuchungsbereich aufzeigen; c) erste Verletzungen (213) im segmentierten ersten anatomischen Bild identifiziert; d) Werte des ersten und/oder des zweiten Parameters verwendet, um in den identifizierten ersten Verletzungen Startpunkte für einen Verfolgungsalgorithmus zum Verfolgen erster Fasern (503) im ersten Bild von Fasern zu bestimmen.
  2. Medizinisches Instrument nach Anspruch 1, wobei die Ausführung der maschinenausführbaren Anweisungen den Prozessor (130, 403) ferner dazu veranlasst, das Instrument so zu steuern, dass es: e) ein zweites anatomisches Bild des Untersuchungsbereichs und ein zweites Bild von Fasern des Untersuchungsbereichs erhält; f) das zweite anatomische Bild in eine Vielzahl von Segmenten aufteilt, die jeweils Gewebe und/oder Strukturen im Untersuchungsbereich aufzeigen; g) zweite Verletzungen im segmentierten zweiten MR-Bild identifiziert; h) die identifizierten zweiten Verletzungen als Startpunkte für den Verfolgungsalgorithmus zum Verfolgen von zweiten Fasern im zweiten Bild von Fasern verwendet; i) zumindest die ersten und die zweiten Verletzungen vergleicht; j) Daten bereitstellt, welche die Differenz zwischen den abgebildeten ersten und zweiten Verletzungen aufzeigen und die Schritte e)-j) wiederholt, bis ein vordefiniertes Konvergenzkriterium erfüllt ist.
  3. Medizinisches Instrument nach Anspruch 2, wobei das Konvergenzkriterium mindestens eines des Folgenden umfasst: - die Differenz zwischen den abgebildeten ersten und zweiten Verletzungen liegt unterhalb eines vordefinierten Schwellenwerts; - Empfangen eines Stoppsignals beim Durchführen von Schritt j); - die Anzahl der zweiten Verletzungen stimmt mit der Anzahl der ersten Verletzungen überein.
  4. Medizinisches Instrument nach einem der vorhergehenden Ansprüche, wobei das Ausführen der maschinenausführbaren Anweisungen den Prozessor dazu veranlasst, das Instrument so zu steuern, dass es das Verfolgen in einer Region von Interesse des ersten anatomischen Bilds durchführt.
  5. Medizinisches Instrument nach Anspruch 4, wobei die Region von Interesse automatisch ausgewählt wird.
  6. Medizinisches Instrument nach einem der vorhergehenden Ansprüche, wobei das erste anatomische Bild ein Magnetresonanz(MR)-Bild umfasst und das erste Bild von Fasern ein diffusionsgewichtetes Bild umfasst.
  7. Medizinisches Instrument nach Anspruch 6, ferner umfassend ein Magnetresonanztomographie(MRT)-System zum Erfassen von Magnetresonanzdaten des Individuums, wobei das Magnetresonanztomographiesystem einen Hauptmagneten zum Erzeugen eines B0-Magnetfelds in einer Bildgebungszone und den Arbeitsspeicher und den Prozessor umfasst, wobei die Ausführung der maschinenausführbaren Anweisungen den Prozessor ferner dazu veranlasst, das MRT-System so zu steuern, dass es das MR-Bild und das diffusionsgewichtete Bild im gleichen oder in unterschiedlichen Scans erfasst.
  8. Medizinisches Instrument nach Anspruch 7, wobei die Ausführung der maschinenausführbaren Anweisungen den Prozessor ferner dazu veranlasst, das MR-Bild und das diffusionsgewichtete Bild in unterschiedlichen Scans zu erfassen und das MR-Bild und das diffusionsgewichtete Bild zu registrieren, bevor die Schritte a)-d) durchgeführt werden.
  9. Medizinisches Instrument nach einem der vorhergehenden Ansprüche, wobei die Ausführung der maschinenausführbaren Anweisungen den Prozessor ferner dazu veranlasst, einen Schwerpunkt für jede Verletzung der Verletzungen zu berechnen und die Schwerpunkte als die Startpunkte zu verwenden.
  10. Medizinisches System nach einem der vorhergehenden Ansprüche, wobei der erste Parameter mindestens eines von Größe, Anzahl, Voxelintensität, Volumenanteil der identifizierten Verletzungen umfasst, wobei der zweite Parameter mindestens eines von Diffusionsrichtung und Ausmaß der Diffusion umfasst.
  11. Medizinisches Instrument nach Anspruch 2, wobei die bereitgestellten Daten Eigenschaften der Verletzungen, wie etwa Größe, Anzahl, Volumenanteil der Verletzungen, umfassen.
  12. Medizinisches Instrument nach einem der vorhergehenden Ansprüche, wobei die ersten Verletzungen Verletzungen der weißen Substanz umfassen und der Untersuchungsbereich ein Gehirn umfasst.
  13. Computerprogrammprodukt zum automatischen Erkennen betroffener Regionen in einem Untersuchungsbereich eines Individuums, wobei das Computerprogrammprodukt ein computerlesbares Speichermedium umfasst, das darin eingebettete Programmanweisungen aufweist, wobei die Programmanweisungen durch einen Prozessor ausgeführt werden können, um: a) ein erstes anatomisches Bild des Untersuchungsbereichs und ein erstes Bild von Fasern des Untersuchungsbereich zu erhalten, wobei ein erster Parameter und ein zweiter Parameter jeweils Eigenschaften des ersten anatomischen Bilds bzw. des ersten Bilds von Fasern beschreiben; b) das erste anatomische Bild in eine Vielzahl von Segmenten aufzuteilen, die jeweils Gewebe und/oder Strukturen im Untersuchungsbereich aufzeigen; c) erste Verletzungen im segmentierten ersten anatomischen Bild zu identifizieren; d) Werte des ersten und/oder des zweiten Parameters zu verwenden, um in den identifizierten ersten Verletzungen Startpunkte für einen Verfolgungsalgorithmus zum Verfolgen erster Fasern im ersten Bild von Fasern zu bestimmen.
  14. Verfahren, umfassend: a) Erhalten eines ersten anatomischen Bilds des Untersuchungsbereichs eines Individuums und eines ersten Bilds von Fasern des Untersuchungsbereich, wobei ein erster Parameter und ein zweiter Parameter jeweils Eigenschaften des ersten anatomischen Bilds bzw. des ersten Bilds von Fasern beschreiben; b) Aufteilen des ersten anatomischen Bilds in eine Vielzahl von Segmenten, die jeweils Gewebe und/oder Strukturen im Untersuchungsbereich aufzeigen; c) Identifizieren erster Verletzungen im segmentierten ersten anatomischen Bild; d) Verwenden von Werten des ersten und/oder des zweiten Parameters, um in den identifizierten ersten Verletzungen Startpunkte für einen Verfolgungsalgorithmus zum Verfolgen erster Fasern im ersten Bild von Fasern zu bestimmen.
DE112016005184.0T 2015-11-12 2016-11-11 Medizinisches Instrument zur Analyse von Gehirnverletzungen der weißen Substanz Withdrawn DE112016005184T5 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562254236P 2015-11-12 2015-11-12
US62/254,236 2015-11-12
PCT/EP2016/077507 WO2017081302A1 (en) 2015-11-12 2016-11-11 Medical instrument for analysis of white matter brain lesions

Publications (1)

Publication Number Publication Date
DE112016005184T5 true DE112016005184T5 (de) 2018-07-26

Family

ID=57391950

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112016005184.0T Withdrawn DE112016005184T5 (de) 2015-11-12 2016-11-11 Medizinisches Instrument zur Analyse von Gehirnverletzungen der weißen Substanz

Country Status (5)

Country Link
US (1) US20180344161A1 (de)
JP (1) JP7019568B2 (de)
CN (1) CN108289612A (de)
DE (1) DE112016005184T5 (de)
WO (1) WO2017081302A1 (de)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018175227A (ja) * 2017-04-10 2018-11-15 富士フイルム株式会社 医用画像表示装置、方法およびプログラム
CN109620407B (zh) 2017-10-06 2024-02-06 皇家飞利浦有限公司 治疗轨迹引导系统
US11288803B2 (en) * 2017-10-09 2022-03-29 Koninklijke Philips N.V. Ablation result validation system
US10575753B2 (en) 2018-05-31 2020-03-03 Boston Medical Center Corporation White matter fibrography by synthetic magnetic resonance imaging
DE112019004765T5 (de) * 2018-09-24 2021-07-08 Koninklijke Philips N.V. Klassifikator für mesiale temporallappenepilepsie basierend auf volumen und form subkortikaler hirnregionen
CN110244249B (zh) * 2019-03-28 2022-08-23 上海联影医疗科技股份有限公司 磁共振扫描方法、装置、医学扫描设备和存储介质
CN110415228B (zh) * 2019-07-24 2022-11-04 上海联影医疗科技股份有限公司 神经纤维追踪方法、磁共振系统及存储介质
US11145119B2 (en) 2019-10-18 2021-10-12 Omniscient Neurotechnology Pty Limited Differential brain network analysis
FI20195977A1 (en) * 2019-11-15 2021-05-16 Disior Oy System and method for creating enhanced two-dimensional image data
CN111242169B (zh) * 2019-12-31 2024-03-26 浙江工业大学 一种基于图片相似度计算的脑纤维视角自动选择方法
GB202000634D0 (en) * 2020-01-15 2020-02-26 Nat Institute Of Mental Health Diagnostic method
CN116542997B (zh) * 2023-07-04 2023-11-17 首都医科大学附属北京朝阳医院 磁共振图像的处理方法、装置以及计算机设备

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8170644B2 (en) * 2006-04-18 2012-05-01 The Regents Of The University Of Colorado Method for fast multi-slice mapping of myelin water fraction
WO2008014340A2 (en) * 2006-07-25 2008-01-31 University Of Rochester Prediction and treatment of brain tumor spread using mri and external beam radiation
EP1992957B1 (de) * 2007-05-16 2013-01-02 BrainLAB AG Verfahren zur Kalkulation der physiologischen Parameter eines Ödems infolge einer Flüssigkeitsinfusion mit einem intraparenchymalen Katheter
US8340376B2 (en) * 2008-03-12 2012-12-25 Medtronic Navigation, Inc. Diffusion tensor imaging confidence analysis
JP2010279591A (ja) * 2009-06-05 2010-12-16 Toshiba Corp 医用画像表示装置、医用画像診断装置及びプログラム
JP5699936B2 (ja) * 2009-09-29 2015-04-15 大日本印刷株式会社 医用画像処理装置の作動方法、装置およびプログラム
JP5479115B2 (ja) * 2010-01-07 2014-04-23 株式会社東芝 画像処理装置及び磁気共鳴イメージング装置
US9336590B2 (en) * 2010-09-28 2016-05-10 Brainlab Ag Advanced fiber tracking and medical navigation in a brain
US9921283B2 (en) * 2011-01-28 2018-03-20 The Board Of Trustees Of The Leland Stanford Junior University Methods for detecting abnormalities and degenerative processes in soft tissue using magnetic resonance imaging
CN103049901A (zh) * 2012-08-03 2013-04-17 上海理工大学 磁共振弥散张量成像纤维束追踪装置
KR101540946B1 (ko) * 2013-07-17 2015-07-31 삼성전자주식회사 뇌 신경 섬유를 추적하기 위한 시드 영역 선택 방법 및 장치
CN103489198A (zh) * 2013-10-21 2014-01-01 钟映春 从序列mr图像中自动分割脑干区域的方法
CN103970929A (zh) * 2013-12-23 2014-08-06 浙江工业大学 用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法
WO2015164882A1 (en) * 2014-04-25 2015-10-29 The Regents Of The University Of California Quantitating disease progression from the mri images of multiple sclerosis patients
CN103996196B (zh) * 2014-05-28 2017-06-30 西安电子科技大学 一种基于多变量的dti图像分析方法
CN104346530A (zh) * 2014-10-29 2015-02-11 中国科学院深圳先进技术研究院 大脑异常参数的提取方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
M. Caligiuri et al., Neuroinformatics 13:261-276 (2015)

Also Published As

Publication number Publication date
JP7019568B2 (ja) 2022-02-15
CN108289612A (zh) 2018-07-17
WO2017081302A1 (en) 2017-05-18
US20180344161A1 (en) 2018-12-06
JP2018535008A (ja) 2018-11-29

Similar Documents

Publication Publication Date Title
DE112016005184T5 (de) Medizinisches Instrument zur Analyse von Gehirnverletzungen der weißen Substanz
US10481233B2 (en) Edema invariant tractography
DE102006012015A1 (de) Verfahren und Systeme zur Überwachung einer Tumorbelastung
DE112016004907T5 (de) Virtuelle CT-Bilder aus Magnetresonanzbildern
DE102004055767A1 (de) Verfahren und Vorrichtung zum Verarbeiten von Bilddaten, um die Erfassung einer Erkrankung zu untersützen
DE102016202254B4 (de) Modellfreies Ermitteln von Bildbereichen mit anomaler Diffusion anhand von diffusionsgewichteten Magnetresonanzbilddaten
DE102009022834A1 (de) Verfahren zur automatischen Analyse von Bilddaten einer Struktur
DE102011053044A1 (de) System und Verfahren zur Analyse und sichtbaren Darstellung lokaler klinischer Merkmale
DE102008032996B4 (de) Verfahren zur Bestimmung einer Schwächungskarte
CN102905622B (zh) 用于经改进的示踪成像处理的系统和方法
CN101410869A (zh) 医学成像中感兴趣区域的识别和可视化
DE102015213730B4 (de) Qualitätskontrolle einer Bestrahlungsplanung durch Vergleich erster und zweiter MR-basierter Dosisverteilungen im Planungsvolumen
Trope et al. The role of automatic computer-aided surgical trajectory planning in improving the expected safety of stereotactic neurosurgery
DE112014007064T5 (de) System und Verfahren für die Konnektivitätszuordnung
DE102014224656A1 (de) Verfahren und Vorrichtung zum Segmentieren eines medizinischen Untersuchungsobjekts mit quantitativen MR-Bildgebungsmethoden
DE102015220078B4 (de) Erstellung von reduzierten Signalverläufen für eine Magnetresonanz-Fingerprinting-Untersuchung eines Untersuchungsobjekts
DE102017221924B3 (de) Verfahren zur Fusionierung eines Analysedatensatzes mit einem Bilddatensatz, Positionierungseinrichtung und Computerprogramm
Li et al. Diffusion tensor-based fast marching for modeling human brain connectivity network
DE112020001823T5 (de) ENTFERNUNG VON FALSCH-POSITIVEN AUS WEIßE-SUBSTANZ-FASERTRAKTEN
DE102013218047B3 (de) Verfahren zur automatischen Anzeige und/oder Messung von Knochenveränderungen in medizinischen Bilddaten, sowie medizinisches Bildgebungsgerät und elektronisch lesbarer Datenträger
Prčkovska et al. Contextual diffusion image post-processing aids clinical applications
DE112020003284T5 (de) Tiefes lernen einer tomographie elektrischer eigenschaften
DE102014219376A1 (de) Verfahren zu einer Erfassung eines hochaufgelösten Magnetresonanzbilddatensatzes zumindest eines begrenzten Körperbereichs mit zumindest einer anatomischen Struktur eines Patienten
Demir et al. A macro-structural dispersion characteristic of brain white matter and its application to bipolar disorder
DE112019005801T5 (de) Diffusions-magnetresonanz-bildgebung unter verwendung sphärischer neuronaler netze

Legal Events

Date Code Title Description
R005 Application deemed withdrawn due to failure to request examination