DE112022003914T5

DE112022003914T5 - Heterogenitätsanalyse in der 3d-röntgendunkelfeldbildgebung

Info

Publication number: DE112022003914T5
Application number: DE112022003914.0T
Authority: DE
Inventors: Andre Braunagel; Thomas Koehler
Original assignee: Koninklijke Philips NV
Current assignee: Koninklijke Philips NV
Priority date: 2021-08-09
Filing date: 2022-07-25
Publication date: 2024-05-29
Also published as: WO2023016784A1; EP4134907A1

Abstract

Neben Signaländerungen in der dreidimensionalen Röntgendunkelfeld (3D-DAX)-Bildgebung kann auch eine signifikante Signalheterogenität erkannt werden. Es werden ein Verfahren und eine Einrichtung zur Heterogenitätsanalyse in der 3D-Röntgendunkelfeldbildgebung bereitgestellt, um die Erzeugung von Parametern für eine objektive Quantifizierung und Bewertung der Signalheterogenität bei 3D-DAX-Bilddaten eines Subjekts zu ermöglichen. Zusätzlich werden ein System für 3D-Röntgenbildgebung, umfassend die Einrichtung, ein Computerprogrammelement zum Ausführen des Verfahrens und/oder Steuern der Einrichtung und/oder des Systems und ein computerlesbares Medium, auf dem das Programmelement gespeichert ist, bereitgestellt.

Description

GEBIET DER ERFINDUNG
Die Erfindung bezieht sich auf das Gebiet der 3D-Röntgendunkelfeldbildgebung. Die Erfindung bezieht sich auf ein Verfahren und eine Einrichtung für die Heterogenitätsanalyse in der 3D-Röntgendunkelfeldbildgebung, ein System für die 3D-Röntgenbildgebung, umfassend die Einrichtung, ein Computerprogrammelement und ein computerlesbares Medium.
HINTERGRUND DER ERFINDUNG
Die Phasenkontrast-Röntgenbildgebung (PCI) bietet eine größere Empfindlichkeit in Bezug auf die herkömmliche Röntgenbildgebung, wodurch die Bildgebung von Materialien mit niedriger Dichte zerstörungsfrei ermöglicht wird und somit bei klinischen Anwendungen wie Mammographie, Lungenbildgebung, Knochenbildgebung usw. ein Vorteil geboten wird.
Ein Einzelphasenkontrast-Röntgenbildgebungssystem, ungeachtet seiner Implementierung, bietet sowohl Phasenkontrast (PC)- als auch Dunkelfeld (DAX)-Informationen (zusätzlich zu Dämpfungs-/Übertragungsröntgeninformationen). Genauer gesagt ermöglicht der Vergleich eines Interferenzmusters mit und ohne ein Objekt im Röntgenstrahl das Extrahieren von perfekt registrierten (weil aus dem gleichen Datensatz stammend) herkömmlichen Röntgendämpfungs-, DAX- und PC-Signalen. Die perfekte räumliche Registrierung der Signale in der Projektionsdomäne führt direkt zu einer perfekten Registrierung in die Bilddomäne nach der tomografischen Rekonstruktion und impliziert die Möglichkeit einer Signalkombination für eine erhöhte Diagnosegenauigkeit.
Jüngste Studien zeigten, dass DAX verwendet werden kann, um Alveolaränderungen präzise darzustellen, und zwar früher, als dies mit herkömmlicher Röntgenbildgebung basierend auf der Dämpfung möglich war. Dies ist für eine verbesserte Diagnosegenauigkeit für die Diagnose und die Stadienbestimmung von zahlreichen Lungenkrankheiten wie Emphysem, chronisch obstruktive Lungenkrankheit (COPD), Lungenfibrose, Pneumonie und Lungenkrebs von Vorteil.
Messbare Indikatoren für den Schweregrad oder Krankheitszustand durch die DAX-Signalanalyse wären für eine objektive Messung des Krankheitsverlaufs, zur Bewertung von Therapien usw. nützlich. EP 3494885 A1 bezieht sich auf eine Einrichtung zur Darstellung von Dunkelfeld-Röntgenbildinformationen, zum Beispiel zur Bereitstellung von Informationen zur Röntgen-Dunkelfeld-Radiographie an einen Radiologen/Arzt. In dieser Offenbarung werden für einen interessierenden Bereich repräsentative Daten mit Gütezahlen für eine Vielzahl von Teilbereichen des interessierenden Bereichs ausgegeben. Mindestens ein quantitativer Wert wird für jede der Vielzahl von Teilbereichen aus dem Röntgendämpfungsbild des Teilbereichs und Daten abgeleitet, die aus dem Dunkelfeld-Bild des Teilbereichs abgeleitet werden. US 2018/0271465 A1 hat dazu beigetragen, Diagnoseinformationen bereitzustellen, indem eine Lungenzustandskarte basierend auf zweidimensionalen (2D) Röntgenbildern erzeugt wird. Die Erzeugung einer Lungenzustandskarte auf Basis von Projektionsbildern erfordert eine Schätzung der Tiefe der abgebildeten Lungentiefe durch Bildverarbeitung und eine Normalisierung des DAX-Signals mit räumlich entsprechenden Datenwerten der Lungentiefenkarte, sodass das DAX-Signal normalisiert zur Lungendicke herauskommt. Stattdessen sind die genannten Prozeduren bei dreidimensionalen (3D) Röntgenbildinformationen, wie durch Computertomographie, Röntgentomosynthese oder C-Bogen-Röntgenbildgebung bereitgestellt, nicht erforderlich und könnten daher möglicherweise eingesetzt werden für eine noch genauere Bewertung und Quantifizierung des Schweregrads einer Krankheit. Da auf die 2D-Röntgenbildgebung ausgerichtete Lösungen für den Einsatz in der 3D-Röntgenbildgebung ungeeignet sind und es keine definierten klinischen Biomarker für die Krankheitsdiagnose auf Basis der Analyse von 3D-DAX-Daten gibt, ist ein neues Verfahren wünschenswert.
KURZDARSTELLUNG DER ERFINDUNG
Es wäre von Vorteil, über eine verbesserte Technik zur Bereitstellung diagnostischer Informationen basierend auf 3D-Röntgenbilddaten zu verfügen.
Präklinische Daten führten zu der Erkenntnis der Erfinder, dass neben Signaländerungen in der dreidimensionalen Röntgendunkelfeldbildgebung (3D-DAX) auch erhebliche Signalinhomogenitäten der DAX-Bildgebungsdaten, d. h. Bilddaten mit uneinheitlichen Eigenschaften, die „Lückenhaftigkeit“ anzeigen, offengelegt werden können. Im Rahmen der vorliegend beanspruchten Erfindung wird diese Eigenschaft der DAX-Bildgebungsdaten, also der Heterogenität in den DAX-Bildgebungsdaten, auch als Signalheterogenität oder Bilddatenheterogenität bezeichnet und die Begriffe werden austauschbar verwendet. Die Erfinder haben erkannt, dass dies genutzt werden kann, um einen klinischen Parameter zu generieren, der als klinischer Biomarker dienen kann, um Ärzten bei ihren Beurteilungen zu helfen, z. B., um den Schweregrad der Erkrankung und/oder die Lokalisierung problematischer Bereiche zu bestimmen. Der Arzt kann diese Informationen dann berücksichtigen, um die beste Therapieoption auszuwählen. Zu diesem Zweck wird in einem ersten Gesichtspunkt der Erfindung ein Verfahren zur Heterogenitätsanalyse in der 3D-DAX-Bildgebung bereitgestellt.
Das Verfahren für die Heterogenitätsanalyse umfasst: Empfangen von 3D-Röntgendunkelfeldfeld (DAX)-Bilddaten und/oder 3D-Röntgendämpfungsbilddaten eines Subjekts; Segmentieren der Röntgendämpfungsbilddaten und/oder der DAX-Bilddaten, um einen interessierenden Bereich (ROI) in den DAX-Bilddaten zu identifizieren; Analysieren der ROI-Bilddatenheterogenität durch Durchführen einer statistischen Analyse des ROI in den DAX-Bilddaten basierend auf dem Teilen des ROI in den DAX-Bilddaten in eine Anzahl N von Teilbereichen mit einer zugehörigen Teilbereichsgröße (SR_meas) und Quantifizieren eines entsprechenden Maßes der Bilddatenheterogenität (D_meas); und Bereitstellen eines Indikators für Bilddatenheterogenität.
Auf diese Weise wird die Heterogenität bei 3D-DAX-Bildgebung analysiert und stellt somit das Mittel bereit, um ein objektives Maß (z. B. einen klinischen Parameter) der Signalheterogenität in einem ROI zu erzeugen, der weiter beurteilt werden kann. Ein objektives Maß stellt eine zuverlässigere Quelle von Informationen dar, die dem Benutzer zur Verfügung steht, und ermöglicht einen zuverlässigeren Vergleich zwischen Messungen, die zu unterschiedlichen Zeiten, von unterschiedlichen Patienten und/oder auf unterschiedlichen 3D-DAX-Bildgebungsvorrichtungen vorgenommen werden.
In einigen Ausführungsformen umfasst die Quantifizierung des Maßes der Bilddatenheterogenität das Erhalten eines Maßes der zentralen Tendenz der DAX-Bilddaten pro Teilbereich N und ein Maß der statistischen Streuung basierend auf der Kombination von Maßen der zentralen Tendenz der DAX-Bilddaten pro Teilbereich N.
Durch Erhalten eines Maßes für die zentrale Tendenz innerhalb jedes Teilbereichs wird sichergestellt, dass die statistische Streuungsanalyse auf der richtigen Längenskala durchgeführt wird, die durch die Teilbereichsgröße (SR_meas) definiert ist.
In einigen Ausführungsformen umfasst der Indikator der Bilddatenheterogenität das Maß für die Bilddatenheterogenität (D_meas) und/oder der entsprechenden Teilbereichsgröße (SR_meas). Diese Parameter stellen eine objektive Art und Weise bereit, die Heterogenität eines ROI zu kennzeichnen.
In einer Ausführungsform kann der ROI eine Kombination von ROIs (ROI_i, i=[1, n]) sein, wobei jede ROI durch ein Maß für die Bilddatenheterogenität für eine Teilbereichsgröße gekennzeichnet ist, und wobei der Indikator der Bilddatenheterogenität eine Kombination von Maßen der Bilddatenheterogenität (D_meas,i, i=[1,n]) und/oder eine Kombination von Teilbereichsgrößen (SR_meas,i, i=[1,n]) ist. Zusätzlich können die Elemente der Kombination von Indikatoren der Bilddatenheterogenität auf ihren entsprechenden ROI abgebildet und grafisch dargestellt werden. Durch Anwenden des Verfahrens für die Heterogenitätsanalyse auf jeden Teil (oder eine Vielzahl von Teilen) eines untersuchten Bereichs, zum Beispiel, eines Organs, kann eine umfassende oder vollständigere Übersicht über den Zustand des gesamten Bereichs erhalten werden, und die einzelnen Maße der Bilddatenheterogenität, die bereitgestellt werden, können grafisch dargestellt werden, um einen visuellen Einblick in den Zustand bereitzustellen und zum Beispiel eine verbesserte Lokalisierung von möglicherweise problematischen Bereichen zu ermöglichen.
Vorgeschlagene Ausführungsformen können auch den Einblick nutzen, dass die Heterogenitätsanalyse nicht nur zu einer Quantifizierung der Heterogenität führen kann, sondern auch ein Werkzeug sein kann, um einen Zustand eines ROI basierend auf einem gegebenen Referenzmaß der Bilddatenheterogenität zu schätzen. Diese Ausführungsformen haben gemeinsam, dass der Schritt des Analysierens der ROI-Bilddatenheterogenität ferner das Empfangen eines Referenzmaßes der Bilddatenheterogenität (D_ref) umfassen kann.
Um einen Zustand basierend auf einem gegebenen Referenzmaß der Bilddatenheterogenität (D_ref) zu schätzen, kann in einigen Ausführungsformen der Schritt des Analysierens der ROI-Bilddatenheterogenität ferner das Bestimmen aus einer Kombination von ROI-Teilbereichsgrößen mit entsprechenden Maßen der Bilddatenheterogenität, der ROI-Teilbereichsgröße (SR_max), deren Maß für die Heterogenität der Bilddaten maximal ist (D_max), und dann den Indikator für die Heterogenität der Bilddaten basierend auf einem Vergleich der Werte von D_max und D_ref bestimmen. Durch Vergleichen dieser Werte kann der Status eines ROI-Zustands beurteilt werden. Wenn zum Beispiel D_max kleiner ist als D_ref, kann dies nahelegen, dass sich der untersuchte Teil in einem „regulären Zustand“ befindet (z. B. einem gesunden Zustand oder einem Zustand, der unverändert bleibt oder sich seit einer vorherigen Bewertung gebessert hat). Währenddessen kann, wenn D_max größer oder gleich D_ref ist, dies einen „irregulären Zustand“ (z. B. einen ungesunden oder verschlechterten Zustand seit einer vorherigen Bewertung) nahelegen.
In einigen Ausführungsformen kann der Schritt des Analysierens der ROI-Bilddatenheterogenität ferner das Schätzen einer ROI-Teilbereichsgröße der DAX-Bilddaten (SR_meas,i) umfassen, deren Maß für die Bilddatenheterogenität (D_meas,i) ungefähr gleich D_ref ist. Der Indikator für die Bilddatenheterogenität ist der geschätzte SR_meas,i. Auf diese Weise kann die Größe des Teilbereichs (SR_meas,i), für den der erwähnte Zustand erfüllt ist, Einblicke in den Status oder die Schwere des Zustands des zu analysierenden Teils bereitstellen.
In einigen Ausführungsformen kann der Schritt des Analysierens der ROI-Bilddatenheterogenität ferner das Bestimmen einer Kombination der ROI-Teilbereichsgrößen der DAX-Bilddaten (SR_meas,i, i=[1,n]) umfassen, deren Maß der Bilddatenheterogenität (D_meas,i,i=[1,n]) größer als D_ref ist. Der Indikator der Bilddatenheterogenität ist die Kombination von geschätzten ROI-Teilbereichsgrößen (SR_meas,i, i=[1,n]) und/oder entsprechenden Maßen der Bilddatenheterogenität (D_meas,i, i=[1,n]). Dies ist eine alternative Möglichkeit, einen Einblick in den Status des Zustands eines ROI und möglicherweise dessen Ausmaß bereitzustellen, indem die Größe der Teilbereiche und entsprechende Maße der Bilddatenheterogenität bestimmt werden, die über einer bestimmten Referenz liegen.
Gemäß einem zweiten Gesichtspunkt der Erfindung wird eine Einrichtung für die Heterogenitätsanalyse in 3D-DAX bereitgestellt, umfassend eine Verarbeitungseinheit, die einschließt:

- eine Eingabeeinheit, die konfiguriert ist zum Empfangen von 3D-Röntgendunkelfeld (DAX)-Bilddaten und/oder 3D-Röntgendämpfungsbilddaten eines Subjekts;
- eine Segmentierungseinheit, die konfiguriert ist zum:
- Segmentieren der Röntgendämpfungsbilddaten und/oder der DAX-Bilddaten, um einen interessierenden Bereich (ROI) in den DAX-Bilddaten zu identifizieren;
- eine Heterogenitätsanalyseeinheit, die konfiguriert ist zum Analysieren der Bilddatenheterogenität durch Durchführen einer statistischen Analyse des ROI in den DAX-Bilddaten basierend auf dem Teilen des ROI in den DAX-Bilddaten in eine Anzahl N von Teilbereichen mit einer zugehörigen Teilbereichsgröße (SR_meas) und Quantifizieren eines entsprechenden Maßes der Bilddatenheterogenität (D_meas); und
- eine Ausgabeeinheit, die konfiguriert ist zum Bereitstellen eines Indikators der Bilddatenheterogenität.

Somit ist die Einrichtung in der Lage, alle zuvor erörterten Schritte durchzuführen, und kann es dem Benutzer ermöglichen, die Vorteile des Verfahrens gemäß dem ersten Gesichtspunkt der Erfindung zu haben.
Gemäß einem dritten Gesichtspunkt der Erfindung wird ein System für 3D-Röntgenbildgebung bereitgestellt, umfassend eine 3D-Röntgenerfassungsausrüstung, die konfiguriert ist zum Erfassen und zum Bereitstellen von 3D-DAX-Bilddaten und 3D-Röntgendämpfungsbilddaten eines Subjekts; und eine Einrichtung gemäß dem zweiten Gesichtspunkt der Erfindung. Auf diese Weise kann das System auch Mittel bereitstellen, um einen Benutzer bei der Analyse von Heterogenität bei 3D-DAX-Bilddaten eines Subjekts zu unterstützen.
In einigen Ausführungsformen kann die 3D-Röntgenerfassungsausrüstung ein Computertomografie-, Röntgentomosynthese- oder C-Bogen-Röntgenbildgebungssystem sein. Dies sind die am häufigsten verwendeten 3D-Röntgenerfassungsvorrichtungen und stehen in vielen Krankenhäusern oder anderen Bildgebungsorten zur Verfügung.
Gemäß einem vierten Gesichtspunkt der Erfindung wird ein Computerprogrammelement bereitgestellt, das, wenn es von mindestens einer Verarbeitungseinheit ausgeführt wird, dazu ausgelegt ist, die Verarbeitungseinheit zu veranlassen, die Schritte des Verfahrens durchzuführen und/oder die Einrichtung gemäß dem zweiten Gesichtspunkt der Erfindung und/oder das System gemäß dem dritten Gesichtspunkt der Erfindung zu steuern.
Gemäß einem fünften Gesichtspunkt der Erfindung wird ein computerlesbares Medium bereitgestellt, auf dem das Programmelement gespeichert ist.
Es wird darauf hingewiesen, dass „Subjekt“ im Kontext der Erfindung einen toten oder lebenden menschlichen oder tierischen Körper oder eine Pflanze oder einen Abschnitt einer Pflanze bezeichnen kann. Es kann jedoch auch für ein künstliches Teil wie ein Maschinenteil oder eine Baugruppe aus Teilen stehen, wobei diese Teile aus einem oder mehreren Materialien wie Metall, Keramik oder Kunststoffmaterialien hergestellt sein können, die bei der Phasenkontrastabbildung Signalheterogenität aufzeigen.
Diese und andere Gesichtspunkte der vorliegenden Erfindung werden aus den nachstehend beschriebenen Ausführungsformen ersichtlich und unter Bezugnahme darauf erläutert.
KURZBESCHREIBUNG DER ZEICHNUNGEN
In den folgenden Zeichnungen:

1 zeigt ein Flussdiagramm oder ein Verfahren für die Heterogenitätsanalyse in 3D-DAX-Bildgebung, wie in Verbindung mit der vorliegend beanspruchten Erfindung beschrieben.
2 zeigt eine schematische Darstellung eines Brustkorbs eines Subjekts. 2A zeigt ein Dämpfungsbild des Brustkorbs des Subjekts. 2B zeigt eine Scheibe eines 3D-DAX-Bildes des Brustkorbs des Subjekts mit einem interessierenden Bereich, der in Teilbereiche unterteilt ist. 2C zeigt eine Scheibe eines 3D-DAX-Bildes des Brustkorbs des Subjekts, das zwei interessierende Bereiche (ROI₁ und ROI₂) darstellt.
3 zeigt ein Blockdiagramm, das ein System zur 3D-Röntgenbildgebung darstellt, das eine Einrichtung für die Heterogenitätsanalyse in der 3D-DAX-Bildgebung umfasst, wie in Verbindung mit der vorliegend beanspruchten Erfindung beschrieben.

Die Erfindung kann in verschiedenen Komponenten und Anordnungen von Komponenten sowie in verschiedenen Prozessvorgängen und Anordnungen von Prozessvorgängen Gestalt annehmen. Die Zeichnungen dienen nur dem Veranschaulichungszweck der bevorzugten Ausführungsformen und sind nicht als Einschränkung der Erfindung auszulegen. Zur besseren Visualisierung sind bestimmte Merkmale möglicherweise weggelassen oder sind Abmessungen möglicherweise nicht maßstäblich. Gleiche oder ähnliche Komponenten haben in unterschiedlichen Figuren die gleichen Bezugszeichen.
DETAILLIERTE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
In dieser detaillierten Beschreibung werden verschiedene spezifische Details vorgestellt. Ausführungsformen der vorliegenden Erfindung können ohne diese spezifischen Details durchgeführt werden. Darüber hinaus werden bekannte Merkmale, Elemente und/oder Schritte aus Gründen der Klarheit und Kürze der vorliegenden Offenbarung nicht notwendigerweise im Detail beschrieben.
Implementierungen gemäß der vorliegenden Offenbarung beziehen sich auf verschiedene Techniken, Verfahren, Schemata und/oder Lösungen, die zum Analysieren der Signalheterogenität in der dreidimensionalen Röntgendunkelfeld (3D-DAX)-Bildgebung gehören. Die Erfinder haben erkannt, dass eine solche Analyse genutzt werden kann, um einen klinischen Parameter zu generieren, der als klinischer Biomarker dienen kann, um Ärzten bei ihren Beurteilungen zu helfen, z. B. um den Schweregrad der Erkrankung und/oder die Lokalisierung problematischer Bereiche zu bestimmen. Gemäß vorgeschlagenen Konzepten kann daher eine Anzahl möglicher Lösungen separat oder gemeinsam implementiert werden. Das heißt, obwohl diese möglichen Lösungen im Folgenden separat beschrieben sein können, können zwei oder mehr dieser möglichen Lösungen in einer Kombination oder einer anderen implementiert werden.
In einem ersten Gesichtspunkt der Erfindung wird ein Verfahren für die Heterogenitätsanalyse in 3D-DAX-Bilddaten bereitgestellt und in 1 in seinen grundlegenden Schritten dargestellt.
In Schritt 110, auch als Schritt (a) bezeichnet, werden Röntgendunkelfeld (DAX)-Bilddaten und/oder Röntgendämpfungsbilddaten eines Subjekts empfangen. Die DAX- und Röntgendämpfungsbilddaten sind 3D-Bildgebungsdaten, die eine Vielzahl von Voxeln einschließen, und jedes Voxel bezieht sich auf einen DAX-Wert (manchmal als Diffusion bezeichnet) bzw. Dämpfungswert. Das DAX-Bild und das Dämpfungsbild werden in der Regel perfekt registriert, wenn beide Bilder gleichzeitig und in demselben Datensatz erfasst werden. Die perfekte Registrierung bedeutet auch, dass Voxel des DAX-Bildes auf Voxel des Dämpfungsbildes abgebildet werden können. Die Bilddaten können direkt aus der Phasenkontrast-Bildgebung des Subjekts erfasst werden oder können aus einer Datenbank erhalten werden.
In Schritt 120, auch als Schritt (b) bezeichnet, werden die Röntgendämpfungsbilddaten und/oder die DAX-Bilddaten segmentiert, um einen interessierenden Bereich (ROI) in den DAX-Bilddaten zu identifizieren. Segmentierungstechniken für Dämpfungsbilddaten sind dem Fachmann gut bekannt und werden nicht weiter erörtert. Es ist für Fachleute offensichtlich, dass die bestehenden Konzepte auf DAX-Bilddaten angepasst werden können. 2 zeigt beispielhaft eine schematische Darstellung eines Brustkorbs eines Subjekts, in diesem Beispiel einer Maus; die Darstellung wurde angepasst von A. Velroyen et al., „Grating-based X-ray dark-field computed tomography ofliving mice", EBioMedicine 2, 10 (2015). In 2A ist ein Dämpfungsbild 121 des Brustkorbs des Patienten gezeigt. 2B und 2C zeigen eine Scheibe eines 3D-DAX-Bildes 122 des Brustkorbs des Subjekts, die ungleichmäßige Eigenschaften zeigt, was die Heterogenität veranschaulicht, die bei der DAX-Bildgebung offengelegt werden kann. Die Segmentierungskontur 123 begrenzt den ROI 124, der in diesem Beispiel eine Lunge ist. Der ROI 124 kann jedes Organ (oder ein Teil davon) oder eine Struktur des Subjekts sein, das unter Verwendung von DAX-Bildgebung abgebildet werden kann und die Signalheterogenität aufzeigt.
In Schritt 130, auch als Schritt (c) bezeichnet, wird die Heterogenität der ROI-Bilddaten analysiert, indem eine statistische Analyse des ROI 124 in den DAX-Bilddaten durchgeführt wird.
Die Analyse basiert, wie in 2B veranschaulicht, auf Teilen des ROI 124 in den DAX-Bilddaten durch eine Anzahl N der Teilbereiche 125. Die Teilbereiche 125, die auch als Kernels 125 bezeichnet werden können, weisen eine zugeordnete Teilbereichsgröße (SR_meas) auf. Daher ist die Anzahl N durch die Bildgröße geteilt durch den Teilbereich 125 oder die Größe des Kernels 125 gegeben. Die Größe des Teilbereichs 125 kann in Voxeleinheiten oder in physischen Längenparametern (z. B. Millimeter) ausgedrückt werden. Ferner kann der Teilbereich 125 eine beliebige Form aufweisen, wie die eines beliebigen polygonalen Prismas, einer kugelförmigen oder ellipsoiden Form, und die Teilbereiche 125 können sich auch überlappen. 2B zeigt eine schematische Darstellung des ROI 124, der in eine Anzahl N der Teilbereiche 125 mit kubischer Form unterteilt ist.
Außerdem kann, um sicherzustellen, dass Nicht-ROI-Voxel von der Analyse ausgeschlossen sind, eine Maske, die den ROI 124 abdeckt, zuerst so bestimmt werden, dass die Teilbereiche 125 (z. B. ein definierter Teilbereich, der eine Kugel mit 10 Pixeln Durchmesser ist), die in der Grenze des ROI 124 liegen, mit der Maske abgeschnitten werden.
Unter Fortsetzung der Analyse wird, sobald der ROI 124 in den DAX-Bilddaten in Teilbereiche 125 unterteilt ist, ein entsprechendes ROI-Maß der Bilddatenheterogenität (D_meas) quantifiziert.
In einer Ausführungsform umfasst das Maß der Bilddatenheterogenität (D_meas) das Erhalten eines Maßes der zentralen Tendenz pro Teilbereich N der DAX-Bilddaten und anschließend eines Maßes der statistischen Streuung basierend auf der Kombination von Maßen der zentralen Tendenz der DAX-Bilddaten pro Teilbereich N. Der Begriff „zentrale Tendenz“ ist ein Standardausdruck in der Statistik, der den Modus, den Median oder Mittelwert und der angeben kann, dass ein Maß der statistischen Streuung die Varianz, Standardabweichung oder jeden anderen zugehörigen Parameter der Quantifizierung der Variation einschließen kann. In einem Ausführungsbeispiel kann das mittlere Dunkelfeldsignal pro Teilbereich N berechnet werden und dann die Varianz oder die Standardabweichung basierend auf der zuvor berechneten Kombination von Mittelwerten pro Teilbereich berechnet werden, um ein Maß für die Bilddatenheterogenität (D_meas) zu erhalten.
Durch Erhalten eines Maßes der zentralen Tendenz innerhalb jedes Teilbereichs 125 wird sichergestellt, dass die statistische Streuungsanalyse auf der korrekten Längenskala durchgeführt wird, wie durch die Unterbereichsgröße (SR_meas) definiert. Daher kann der ROI durch ein Maß für die Bilddatenheterogenität (D_meas) für eine gegebene Teilbereichsgröße (SR_meas) gekennzeichnet werden.
Als zusätzlicher Teil der Analyse kann ein Filtervorgang (z. B. ein Tiefpassfilter, ein Gauß'scher Filter) auf den ROI 124 vor dem Erhalten des Maßes der statistischen Streuung angewendet werden. Das Maß der zentralen Tendenz könnte in diesem Fall als ein spezieller Tiefpass-Filtervorgang mit statistischer Motivation betrachtet werden. Andere Filtervorgänge können jedoch angewendet werden, um zum Beispiel gewisse Strukturen in dem ROI 124 auszuschließen, beispielsweise Bronchien oder größere Gefäße in der Lunge, und führen somit zu noch genaueren und/oder schärferen Ergebnissen.
Zurückkehrend zu den Verfahrensschritten wird in Schritt 140, auch als Schritt (d) bezeichnet, ein Indikator für die Bilddatenheterogenität bereitgestellt. In einigen Ausführungsformen umfasst der Indikator der Bilddatenheterogenität das Maß für die Bilddatenheterogenität (D_meas) und/oder die entsprechende Teilbereichsgröße (SR_meas).
Wie zuvor erwähnt, kann der ROI 124 eine beliebige Struktur, ein Organ (oder ein Teil davon) des Subjekts, das eine Signalheterogenität aufzeigt, sein. Zum Beispiel kann der ROI die gesamte Lunge sein, aber auch nur die linke oder rechte Lunge oder sogar ein einzelner Lungenlappen. Die ROIs 124 können sich auch überlappen. 2C veranschaulicht schematisch zwei ROIs, die eine rechte und eine linke Lunge darstellen, die als ROI₁ und ROI₂ bezeichnet sind. Daher ist der ROI in einer Ausführungsform eine Kombination von ROIs (ROI_i, i=[1,n]), wobei jeder ROI 124 durch ein Maß für die Bilddatenheterogenität (D_meas) für eine Bereichsgröße (SR_meas) gekennzeichnet ist. Somit ist der Indikator der Bilddatenheterogenität eine Kombination der Maße der Bilddatenheterogenität (D_meas,i, i=[1,n]) und/oder eine Kombination von Teilbereichsgrößen (SR_meas,i, i=[1,n]), sodass jeder ROI_i mit seinem entsprechenden Maß der Bilddatenheterogenität (D_meas,i) und seiner entsprechenden Teilbereichsgröße (SR_meas,i) in Beziehung steht. Mit anderen Worten gibt es eine Abbildung zwischen den Elementen der Kombination von Indikatoren der Bilddatenheterogenität mit ihrem entsprechenden ROI. In einer Ausführungsform umfasst Schritt 140 ferner diese , die unter Verwendung einer grafischen Darstellung wie einer Wärmekarte dargestellt werden kann. Die Abbildung kann in einem Anzeigebildschirm oder in Hardcopy-Format visualisiert 150 werden. Zusätzlich oder alternativ kann die als Datensatz in Form einer Tabelle oder eines anderen geeigneten Formats zur weiteren Verarbeitung bereitgestellt werden. Zum Beispiel können die Maße der Bilddatenheterogenität (D_meas,i, i=[1,n]) als Wärmekarte visualisiert werden, wenn sie über ihren entsprechenden ROI (ROI_i, i=[1,n]) gelegt werden. Durch Anwenden des Verfahrens für die zuvor beschriebene Heterogenitätsanalyse auf jeden Teil (oder eine Vielzahl von Teilen) des untersuchten Organs kann eine umfassende oder vollständigere Übersicht über den Organzustand erhalten werden, und die einzelnen Maße der Bilddatenheterogenität können grafisch dargestellt werden, um einen visuellen Einblick in den Zustand bereitzustellen und zum Beispiel eine verbesserte Lokalisierung von möglicherweise problematischen Bereichen zu ermöglichen. Zur grafischen Darstellung könnte die Kombination von ROI für jedes Voxel im Organ einen ROI enthalten, der um das Voxel zentriert ist.
Ein weiterer Gesichtspunkt der zuvor beschriebenen Analyse besteht darin, einen Einblick über den Zustand eines ROI in Bezug auf ein Referenzmaß der Bilddatenheterogenität (D_ref) zu erhalten. Zu diesem Zweck umfasst in einigen Ausführungsformen Schritt 130, auch als Schritt (c) bezeichnet, ferner Schritt 131, auch als Schritt (c1) bezeichnet, und Schritt 132, auch als Schritt (c2) bezeichnet.
In Schritt 131 wird ein Referenzmaß der Bilddatenheterogenität (D_ref) empfangen. Das Referenzmaß der Bilddatenheterogenität kann von vorherigen Studien des gleichen ROI des untersuchten Subjekts empfangen werden, oder sie kann ein allgemeines Referenzmaß für einen ROI sein, sie kann auch von einer Datenbank empfangen oder als Teil einer Test- oder Kalibrierungsprozedur usw. empfangen werden.
In einer Ausführungsform wird in Schritt 132 die Teilbereichsgröße (SR_max), deren Maß für die Bilddatenheterogenität maximal ist (D_max), aus einer Kombination von ROI-Teilbereichsgrößen (SR_meas,i, i=[1,n]) mit entsprechenden Maßen der Bilddatenheterogenität (D_meas,i, i=[1,n]) bestimmt. Dann basiert der Indikator der Bilddatenheterogenität von Schritt 140 auf einem Vergleich der Werte D_max und D_ref. Zum Beispiel kann ein Zustandsindikator bereitgestellt werden, wobei, wenn D_max kleiner ist als D_ref, dies nahelegen kann, dass sich das untersuchte Organ oder der untersuchte Teil in einem „regulären Zustand“ befindet (z. B. einem gesunden Zustand oder einem Zustand, der unverändert bleibt oder sich seit einer vorherigen Bewertung gebessert hat). Währenddessen kann, wenn D_max größer oder gleich D_ref ist, dies einen „irregulären Zustand“ (z. B. einen ungesunden oder verschlechterten Zustand seit einer vorherigen Bewertung) nahelegen, was weiter untersucht werden könnte.
In einer alternativen Ausführungsform wird bei Schritt 132 eine ROI-Teilbereichsgröße der DAX-Bilddaten (SR_meas,i), deren Maß für die Bilddatenheterogenität (D_meas,i) ungefähr gleich D_ref ist, geschätzt. Hier bedeutet der Begriff „ungefähr“ innerhalb eines Bereichs von 10 % über oder unterhalb des angegebenen Werts, vorzugsweise innerhalb eines Bereichs von 5 % über oder unterhalb des angegebenen Werts und mehr bevorzugt innerhalb eines Bereichs von 1 % über oder unterhalb des angegebenen Werts. Dann ist der Indikator der Bilddatenheterogenität von Schritt 140 die geschätzte Teilbereichsgröße (SR_meas,i), für die der angegebene Zustand erfüllt ist. Auf diese Weise kann die Größe des Teilbereichs (SR_meas,i) für den der erwähnte Zustand erfüllt ist, Einblicke in den Status des Zustands des analysierten ROI bereitstellen (z. B. Schweregrad, ob sich der Zustand bessert oder sich zurückentwickelt, usw.).
In einer anderen Ausführungsform wird in Schritt 132 eine Kombination von ROI-Teilbereichsgrößen der DAX-Bilddaten (SR_{meas,i,i - [1,n]}), deren Maß für die Bilddatenheterogenität (D_{meas,i,i - [1,n]}) größer ist als D_ref, geschätzt. Dann ist der Indikator der Bilddatenheterogenität von Schritt 140 die Kombination von geschätzten ROI-Teilbereichsgrößen (SR_{meas,i, i=[1,n]}) und/oder entsprechenden Maßen der Bilddatenheterogenität (D_{meas,i, i=[1,n]}). Durch Bestimmen der Teilbereichsgrößen und entsprechender Maße der Bilddatenheterogenität, die über einer gegebenen Referenz (D_ref) liegen, können eine Schätzung und ein Ausmaß des Zustands des ROI (z. B. Größenordnung des Zustands, Wachstumsrate des Zustands usw.) geschätzt werden.
Natürlich kann die Implementierung jeder der Variationen von Schritt 132 manuell, halbautomatisch oder automatisch durch jede Art von Algorithmus durchgeführt werden, einschließlich computergestützter oder auf künstlicher Intelligenz basierender Algorithmen. Darüber hinaus können die entsprechenden Ausführungsformen auf eine Kombination von ROIs für eine tiefere Analyse angewendet werden. Es ist auch offensichtlich, dass die zu vergleichenden Parameter (z. B. D_ref versus D_max oder D_meas,i) in einem Format (d. h. Einheiten) vorliegen, in dem sie direkt verglichen werden können, oder alternativ, wie dem Fachmann auf dem Gebiet bekannt ist, wie man sie zum Vergleich in ein kompatibles Format umwandelt.
Darüber hinaus weiß der Fachmann im Allgemeinen, dass die Größe des Teilbereichs von einer Reihe von Faktoren abhängen kann, wie der Pixelgröße des Detektors, der Röntgenquelle und dem Ort des Objekts, weshalb der Fachmann auch weiß, wie er die Randbedingungen bestimmt, um zum Beispiel eine Kombination von zu analysierenden Teilbereichsgrößen zu definieren. Des Weiteren wird bestätigt, dass die bereitgestellten Maße kein absoluter Indikator für einen ROI-Zustand sind, da sie zum Beispiel durch Rauschen im Signal beeinflusst werden können.
3 zeigt ein vereinfachtes Blockdiagramm 200 einer Einrichtung für die Heterogenitätsanalyse in der 3D-DAX-Bildgebung.
Die Einrichtung umfasst eine Verarbeitungseinheit 210, die eine Eingabeeinheit 220 einschließt, die konfiguriert ist, um 3D-DAX-Bilddaten und/oder 3D-Röntgendämpfungsbilddaten eines Subjekts zu empfangen. Die Bilddaten können von einer Datenbank empfangen oder direkt von einem Phasenkontrast-Röntgenbildgebungssystem erfasst werden. Zum Beispiel können die Bilddaten von einer 3D-Röntgenerfassungsausrüstung empfangen werden, die konfiguriert ist, um Röntgen-DAX-Bilddaten und Röntgendämpfungsbilddaten eines Subjekts zu erfassen und bereitzustellen.
Ferner schließt die Verarbeitungseinheit 210 eine Segmentierungseinheit 230, eine Heterogenitätsanalyseeinheit 240 und eine Ausgabeeinheit 250 ein. Die Segmentierungseinheit 230 ist konfiguriert, um die Röntgendämpfungsbilddaten und/oder die DAX-Bilddaten zu segmentieren, um einen ROI 124 in den DAX-Bilddaten zu identifizieren. Die Heterogenitätsanalyseeinheit 240 ist konfiguriert zum Analysieren der Bilddatenheterogenität durch Durchführen einer statistischen Analyse des ROI 124 in den DAX-Bilddaten basierend auf dem Teilen des ROI 124 in den DAX-Bilddaten in eine Anzahl N von Teilbereichen 125 mit einer zugehörigen Teilbereichsgröße (SR_meas) und Quantifizieren eines entsprechenden Maßes des Bildes der Bilddatenheterogenität (D_meas). Die Ausgabeeinheit 250 ist konfiguriert zum Bereitstellen eines Indikators der Bilddatenheterogenität.
Daher kann die Einrichtung, deren vereinfachtes Blockdiagramm in 3 dargestellt ist, in der Lage sein, alle zuvor beschriebenen Ausführungsformen durchzuführen, und daher kann die Einrichtung weiterhin eine Visualisierungseinheit 260 umfassen, die konfiguriert ist, um die analysierten Daten zum Beispiel in einer grafische Darstellung anzuzeigen.
Darüber hinaus zeigt 3 ein vereinfachtes Blockdiagramm 300 eines Systems zur 3D-Röntgenbildgebung, umfassend eine 3D-Röntgenerfassungsausrüstung 310 und eine Einrichtung 200, wie zuvor beschrieben. Die 3D-Röntgenerfassungseinrichtung 310 ist zum Erfassen und Bereitstellen von 3D-DAX-Bilddaten und 3D-Röntgendämpfungsbilddaten eines Subjekts konfiguriert und kann ein Computertomographie-, Röntgentomosynthese- oder C-Bogen-Röntgenbildgebungssystem sein, das durch eine Phasenkontrast-Röntgenbildgebungsimplementierung erweitert wurde.
Auf diese Weise können die Einrichtung 200 und das System 300 Mittel bereitstellen, um einen Benutzer bei der Analyse von Heterogenität in 3D-DAX-Bilddaten eines Subjekts zu unterstützen.
In einer anderen Ausführungsform der vorliegenden Erfindung wird ein Computerprogramm bereitgestellt, das, wenn es von mindestens einer Verarbeitungseinheit ausgeführt wird, ausgelegt ist, die Verarbeitungseinheit zu veranlassen, die Schritte des Verfahrens 100 durchzuführen und/oder die Einrichtung 200 und/oder das zuvor beschriebene System 300 zu steuern.
Gemäß einer weiteren Ausführungsform der vorliegenden Erfindung wird ein computerlesbares Medium präsentiert, wobei auf dem computerlesbaren Medium ein Computerprogrammelement gespeichert ist, wobei das Computerprogrammelement durch den vorstehenden Abschnitt beschrieben ist.
Die Anweisungen können auf einem Computerprogrammprodukt gespeichert sein. Das Computerprogrammprodukt kann sowohl durch dedizierte Hardware als auch durch Hardware bereitgestellt werden, die in der Lage ist, Software in Verbindung mit geeigneter Software auszuführen. Wenn sie von einem Prozessor bereitgestellt werden, können die Funktionen von einem einzelnen dedizierten Prozessor, von einem einzelnen gemeinsam genutzten Prozessor oder von eine Vielzahl von individuellen Prozessoren bereitgestellt werden, von denen einige gemeinsam genutzt werden können.
Für die Zwecke dieser Beschreibung kann ein computerverwendbares oder computerlesbares Speichermedium eine beliebige Vorrichtung sein, die das Programm zur Verwendung durch oder in Verbindung mit dem Befehlsausführungssystem einschließen, speichern, kommunizieren, verbreiten oder transportieren kann. Das Medium kann ein elektronisches, magnetisches, optisches, elektromagnetisches, Infrarot- oder Halbleitersystem oder ein Apparat oder eine Vorrichtung oder ein Ausbreitungsmedium sein. Beispiele für ein computerlesbares Medium schließen einen Halbleiter- oder Festkörperspeicher, ein Magnetband, eine entfernbare Computerdiskette, einen Direktzugriffsspeicher „RAM“, einen Nur-Lese-Speicher „ROM“, eine starre Magnetplatte und eine optische Platte ein. Gegenwärtige Beispiele für optische Platten schließen Compact Disc - Read Only Memory „CD-ROM“, Compact Disc - Read/Write „CD-R/W“, Blu-Ray™ und DVD ein. Beispiele für ein Ausbreitungsmedium sind das Internet oder andere drahtgebundene oder drahtlose Telekommunikationssysteme.
Zwar wurde die Erfindung im Detail in den Zeichnungen und der vorstehenden Beschreibung veranschaulicht und beschrieben, eine derartige Darstellung und Beschreibung sind jedoch als veranschaulichend oder beispielhaft und nicht als einschränkend zu betrachten; die Erfindung ist nicht auf die offenbarten Ausführungsformen beschränkt.
Variationen der offenbarten Ausführungsformen können vom Fachmann, der die beanspruchte Erfindung umsetzt, aus einem Studium der Zeichnungen, der Offenbarung und der beiliegenden Ansprüche verstanden und bewirkt werden. Es wird darauf hingewiesen, dass die verschiedenen Ausführungsformen kombiniert werden können, um weitere vorteilhafte Wirkungen zu erzielen.
In den Ansprüchen schließt das Wort „umfassen“ andere Elemente oder Schritte nicht aus, und der unbestimmte Artikel „ein“, „eine“ oder „eines“ schließt eine Vielzahl nicht aus.
Eine einzelne Einheit oder Vorrichtung kann die Funktionen mehrerer in den Ansprüchen genannter Elemente erfüllen. Die bloße Tatsache, dass gewisse Maße in voneinander unterschiedlichen abhängigen Ansprüchen angegeben sind, gibt nicht an, dass eine Kombination dieser Maße nicht vorteilhaft verwendet werden kann.
Jegliche Bezugszeichen in den Ansprüchen sind nicht als Einschränkungen des Schutzumfangs auszulegen.
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 Patentliteratur

EP 3494885 A1 [0005]
US 20180271465 A1 [0005]

Zitierte Nicht-Patentliteratur

A. Velroyen et al., „Grating-based X-ray dark-field computed tomography ofliving mice“, EBioMedicine 2, 10 (2015) [0032]

Claims

Computerimplementiertes Verfahren (100) zur Heterogenitätsanalyse in der 3D-Röntgendunkelfeldbildgebung, wobei 3D-Röntgendunkelfeld (DAX)-Bilddaten und 3D-Röntgendämpfungsbilddaten gleichzeitig erfasst werden, umfassend: (a) Empfangen (110) der DAX-Bilddaten und/oder der 3D-Röntgendämpfungsbilddaten eines Subjekts; (b) Segmentieren (120) der Röntgendämpfungsbilddaten und/oder der DAX-Bilddaten, um einen interessierenden Bereich (ROI) in den DAX-Bilddaten zu identifizieren; (c) Analysieren (130) der ROI (124)-Bilddatenheterogenität durch Durchführen einer statistischen Analyse des ROI in den DAX-Bilddaten basierend auf dem Teilen des ROI in den DAX-Bilddaten in eine Anzahl N von Teilbereichen (125) mit einer zugehörigen Teilbereichsgröße (SR_meas) und Quantifizieren eines entsprechenden Maßes der Bilddatenheterogenität (D_meas); und (d) Bereitstellen (140) eines Indikators der Bilddatenheterogenität.
Computerimplementiertes Verfahren nach Anspruch 1, wobei das Quantifizieren des Maßes der Bilddatenheterogenität das Erhalten eines Maßes der zentralen Tendenz der DAX-Bilddaten pro Teilbereich N und eines Maßes für statistische Streuung basierend auf der Kombination von Maßen der zentralen Tendenz der DAX-Bilddaten pro Teilbereich N umfasst.
Computerimplementiertes Verfahren nach einem der Ansprüche 1 bis 2, wobei der Indikator der Bilddatenheterogenität die Maße der Bilddatenheterogenität (D_meas) und/oder der entsprechenden Teilbereichsgröße (SR_meas) umfasst.
Computerimplementiertes Verfahren nach einem der Ansprüche 1 bis 3, wobei der interessierende Bereich (ROI) eine Kombination von ROIs (ROI_i, i=[1,n]) ist, wobei jeder ROI durch ein Maß der Bilddatenheterogenität für eine Teilbereichsgröße gekennzeichnet ist, und wobei der Indikator der Bilddatenheterogenität eine Kombination von Maßen der Bilddatenheterogenität (D_meas,i, i=[1,n]) und/oder eine Kombination von Teilbereichsgrößen (SR_meas,i, i=[1,n]) ist, und wobei Schritt (d) (140) ferner das Abbilden (141) der Elemente der Kombination von Indikatoren der Bilddatenheterogenität auf ihren entsprechenden ROI umfasst.
Computerimplementiertes Verfahren nach einem der Ansprüche 1 bis 2, wobei Schritt (c) (130) umfasst: (c1) Empfangen (131) eines Referenzmaßes der Bilddatenheterogenität (D_ref); (c2) Bestimmen (132) aus einer Kombination von ROI-Teilbereichsgrößen mit entsprechenden Maßen der Bilddatenheterogenität, der ROI-Teilbereichsgröße (SR_max), deren Maß für die Bilddatenheterogenität maximal ist (D_max); und wobei der Indikator der Bilddatenheterogenität auf einem Vergleich der Werte D_max und D_ref. basiert.
Computerimplementiertes Verfahren nach einem der Ansprüche 1 bis 2, wobei Schritt (c) (130) umfasst: (c1) Empfangen (131) eines Referenzmaßes der Bilddatenheterogenität (D_ref); (c2) Schätzen (132) einer ROI-Teilbereichsgröße der DAX-Bilddaten (SR_meas,i), deren Maß der Bilddatenheterogenität (D_meas,i) ungefähr gleich D_ref ist; und wobei der Indikator der Bilddatenheterogenität die geschätzte SR_meas,i ist.
Computerimplementiertes Verfahren nach einem der Ansprüche 1 bis 2, wobei Schritt (c) (130) umfasst: (c1) Empfangen (131) eines Referenzmaßes der Bilddatenheterogenität (D_ref); (c2) Bestimmen (132) einer Kombination von ROI-Teilbereichsgrößen der DAX-Bilddaten (SR_meas,i, i=[1,n]), deren Maß für die Bilddatenheterogenität (D_meas,i, i=[1,n]) größer als D_ref ist; und wobei der Indikator der Bilddatenheterogenität die Kombination von geschätzten ROI-Teilbereichsgrößen (SR_meas,i, i=[1,n]) und/oder entsprechende Maße der Bilddatenheterogenität (D_meas,i, i=[1,n]) ist.
Einrichtung (200) für die Heterogenitätsanalyse in der 3D-Röntgendunkelfeldbildgebung, wobei 3D-Röntgendunkelfeld (DAX)-Bilddaten und 3D-Röntgendämpfungsbilddaten gleichzeitig erfasst werden, umfassend: eine Verarbeitungseinheit (210), die einschließt: - eine Eingabeeinheit (220), die konfiguriert ist zum Empfangen der DAX-Bilddaten und/oder der 3D-Röntgendämpfungsbilddaten eines Subjekts; - eine Segmentierungseinheit (230), die konfiguriert ist zum: Segmentieren (123) der Röntgendämpfungsbilddaten und/oder der DAX-Bilddaten, um einen interessierenden Bereich (ROI) in den DAX-Bilddaten zu identifizieren; - eine Heterogenitätsanalyseeinheit (240), die konfiguriert ist zum Analysieren der Bilddatenheterogenität durch Durchführen einer statistischen Analyse des ROI (124) in den DAX-Bilddaten basierend auf dem Teilen des ROI in den DAX-Bilddaten in eine Anzahl N von Teilbereichen (125) mit einer zugehörigen Teilbereichsgröße (SR_meas) und Quantifizieren eines entsprechenden Maßes der Bilddatenheterogenität (D_meas); und - eine Ausgabeeinheit (250), die konfiguriert ist zum Bereitstellen eines Indikators der Bilddatenheterogenität.
Einrichtung nach Anspruch 8, wobei das Quantifizieren des Maßes der ROI-Bilddatenheterogenität das Erhalten eines Maßes der zentralen Tendenz der DAX-Bilddaten pro Teilbereich N und eines Maßes für statistische Streuung basierend auf der Kombination von Maßen der zentralen Tendenz der DAX-Bilddaten pro Teilbereich N umfasst.
Einrichtung nach einem der Ansprüche 8 bis 9, wobei der Indikator der Bilddatenheterogenität das Maß der Bilddatenheterogenität (D_meas) und/oder der entsprechenden Teilbereichsgröße (SR_meas) umfasst.
Einrichtung nach einem der Ansprüche 8 bis 10, wobei der interessierende Bereich (ROI) eine Kombination von ROIs (ROI_i, i=[1,n]) ist, wobei jeder ROI durch ein Maß der Bilddatenheterogenität für eine Teilbereichsgröße gekennzeichnet ist, und wobei der Indikator der Bilddatenheterogenität eine Kombination von Maßen der ROI-Bilddatenheterogenität (D_meas,i, i=[1,n]) und/oder eine Kombination von Teilbereichsgrößen (SR_meas,i, i=[1,nJ) ist, und wobei die Ausgabeeinheit ferner konfiguriert ist zum Abbilden der Elemente der Kombination von Indikatoren der Bilddatenheterogenität auf ihren entsprechenden ROI.
System (300) zur 3D-Röntgenbildgebung, umfassend: - eine 3D-Röntgenerfassungsausrüstung (310), die konfiguriert ist zum Erfassen und Bereitstellen von 3D-Röntgen-Dunkelfeld (DAX)-Bilddaten und 3D-Röntgendämpfungsbilddaten eines Subjekts; und - eine Einrichtung (200), umfassend eine Verarbeitungseinheit (210), die einschließt: - eine Eingabeeinheit (220), die konfiguriert ist zum Empfangen der DAX-Bilddaten und/oder der 3D-Röntgendämpfungsbilddaten des Subjekts; - eine Segmentierungseinheit (230), die konfiguriert ist zum: Segmentieren der Röntgendämpfungsbilddaten und/oder der DAX-Bilddaten, um einen interessierenden Bereich (ROI) in den DAX-Bilddaten zu identifizieren; - eine Heterogenitätsanalyseeinheit (240), die konfiguriert ist zum Analysieren der ROI-Bilddatenheterogenität durch Durchführen einer statistischen Analyse des ROI in den DAX-Bilddaten basierend auf dem Teilen des ROI in den DAX-Bilddaten in eine Anzahl N von Teilbereichen mit einer zugehörigen Teilbereichsgröße (SR_meas) und Quantifizieren eines entsprechenden Maßes der Bilddatenheterogenität (D_meas); und - eine Ausgabeeinheit (250), die konfiguriert ist zum Bereitstellen eines Indikators der Bilddatenheterogenität.
System nach Anspruch 12, wobei die 3D-Röntgenerfassungsausrüstung ein Computertomografie-, ein Röntgentomosynthese- oder C-Bogen-Röntgenbildgebungssystem ist.
Computerprogrammelement, das, wenn es von mindestens einer Verarbeitungseinheit ausgeführt wird, angepasst ist, um die Verarbeitungseinheit zu veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 7 durchzuführen und/oder die Einrichtung nach Anspruch 8 bis 11 und/oder das System nach Anspruch 12 bis 13 zu steuern.
Computerlesbares Medium, auf dem das Programmelement nach Anspruch 14 gespeichert ist.