ES2733707T3 - Técnica de análisis de imagen médica nuclear - Google Patents

Técnica de análisis de imagen médica nuclear Download PDF

Info

Publication number
ES2733707T3
ES2733707T3 ES15881166T ES15881166T ES2733707T3 ES 2733707 T3 ES2733707 T3 ES 2733707T3 ES 15881166 T ES15881166 T ES 15881166T ES 15881166 T ES15881166 T ES 15881166T ES 2733707 T3 ES2733707 T3 ES 2733707T3
Authority
ES
Spain
Prior art keywords
tumor
image data
pixel
region
pixel value
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.)
Active
Application number
ES15881166T
Other languages
English (en)
Inventor
Kazuo Hamada
Hiromitsu Daisaki
Kazumasa Nishida
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.)
Nihon Medi Physics Co Ltd
Original Assignee
Nihon Medi Physics Co Ltd
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
Priority claimed from JP2015019832A external-priority patent/JP6442310B2/ja
Priority claimed from JP2015019831A external-priority patent/JP6442309B2/ja
Priority claimed from JP2015019833A external-priority patent/JP6442311B2/ja
Application filed by Nihon Medi Physics Co Ltd filed Critical Nihon Medi Physics Co Ltd
Application granted granted Critical
Publication of ES2733707T3 publication Critical patent/ES2733707T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/505—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 bone
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20168—Radial search
    • 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
    • G06T2207/30008—Bone
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pulmonology (AREA)
  • Nuclear Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

Un programa informático para extraer de forma automática un contorno de tumor para datos de imagen de medicina nuclear tridimensionales, el programa informático que comprende un primer grupo de instrucciones de programa que está configurado para provocar, cuando se ejecuta mediante medios de procesamiento de un sistema, que el sistema ejecute: establecer un punto de referencia en una región que incluye un tumor en los datos de imagen de medicina nuclear; escanear píxeles radialmente y de forma tridimensional a partir del punto de referencia, y crear un perfil de valor de Pixel en cada elección de escaneado; crear un perfil de intensidad del gradiente para el perfil de valor de píxel o para el perfil del valor de píxel al cual se ha aplicado un suavizado; establecer un rango de identificación de contorno en el perfil de valor de píxel o en el perfil de valor de píxel al cual se ha aplicado el suavizado; y determinar el punto de contorno de tumor del perfil de valor de píxel dentro del rango de identificación de contorno, basándose en el pico que tiene la curtosis más grande en el perfil de intensidad de gradiente correspondiente o en el perfil de intensidad de gradiente correspondiente al cual se ha aplicado el suavizado.

Description

DESCRIPCIÓN
Técnica de análisis de imagen médica nuclear
Campo
La invención divulgada en la presente solicitud se refiere en general a una técnica para analizar imágenes de medicina nuclear. En algunos modos de realización, la presente invención se refiere de forma específica a una técnica para extraer una región de tumor en una imagen de medicina nuclear. En algunos modos de realización, la presente invención se refiere de forma específica a una técnica para extraer un contorno de tumor en una imagen de medicina nuclear.
Antecedentes
Un agente 99mTc-HMDP de tomografía computarizada por emisión de fotón único (SPECT) y un agente 18F-NaF de tomografía de emisión de positrones (PET) se considera que se absorben químicamente principalmente en cristales de hidroxiapatita, que es la composición básica de los minerales óseos. Por tanto, una gran cantidad de dichos agentes es absorbida en partes osteoblásticas con un retorno óseo aumentado, permitiendo la visualización de metástasis ósea de tumores malignos o lugares inflamatorios tales como fracturas, como áreas de alta acumulación de los agentes.
El agente 99mTc-HMDP de SPECT es distribuido inmediatamente a los tejidos óseos en todo el cuerpo después de que es administrado de forma intravenosa, y produce centellografías óseas de alta calidad una o dos horas después de la administración.
El agente 18F-NaF de PET supuestamente ha producido centellografías óseas estables en 30 minutos después de la administración. La PET permite una corrección precisa de una disminución o dispersión de los agentes dentro del cuerpo, lo que permite la progresión de imágenes altamente cuantitativas.
Una técnica para determinar características de los límites del tumor es divulgada en el documento US20014/148679 A1.
Resumen
Las centellografías permiten una detección cualitativa (visual) de lesiones patológicas; sin embargo, pueden provocar la acumulación en los riñones y en la vejiga, que son rutas de excreción, lo que dificulta el análisis.
Con el fin de resolver dicho problema, los inventores de la presente solicitud divulgan la invención que incluye el siguiente aspecto que se refiere a una técnica para analizar datos de imagen de medicina nuclear. Este aspecto de la invención se caracteriza porque incluye:
- extraer una región ósea a partir de datos imagen de tomografía computarizada (CT) que se han alineado con los datos de imagen de medicina nuclear;
- mostrar, de entre los datos de imagen de medicina nuclear, datos de una región que solapa a la región ósea extraída; y
- no mostrar, de entre los datos de imagen de medicina nuclear, datos de una región que no solapa a la región ósea extraída.
Por ejemplo, cuando el análisis de las centellografía óseas emplean un método de extracción convencional, como una lesión, una región que tiene valores iguales o mayores que un cierto umbral, los pulmones y la vejiga, que están sujetos a una acumulación fisiológica, también son mostrados y extraídos como lugares de acumulación alta. En contraste, el aspecto anterior de la invención no muestra datos de una región que no solapa a una región de entre los datos de imagen de medicina nuclear. Esta configuración permite la observación y análisis de datos de imagen de medicina nuclear con el efecto de acumulación debido a razones fisiológicas normales excluidas.
En la descripción y las reivindicaciones de la presente solicitud, el término “datos de imagen de medicina nuclear” indica un concepto que incluye datos de imagen de medicina nuclear bidimensionales y datos de imagen de medicina nuclear tridimensionales. El aspecto anterior de la invención se puede aplicar tanto a datos de imagen de medicina nuclear bidimensionales como datos de imagen de medición nuclear tridimensionales.
Para observar un tumor con centellografías óseas, una región que se corresponde al tumor puede necesitar ser extraída de los datos de imagen de medicina nuclear. Técnicas convencionales para esta extracción incluyen un método para mostrar datos de imagen de medicina nuclear en una pantalla y trazar el contorno del tumor con un ratón u otros medios para extraer el tumor, y un método de establecimiento de un umbral de píxel apropiado y una determinación de una región que tiene valores de píxel iguales o más grandes que el umbral para ser un tumor.
En el caso del método primero, sin embargo, el tamaño del tumor extraído varía dependiendo de la habilidad o referencia de un operario. En el caso del método último, el umbral óptimo puede necesitar variar dependiendo de las condiciones del paciente tal como la dosis de un agente y la presencia de acumulación fisiológica, las condiciones de la toma de imagen, y los aparatos de toma de imagen. Por consiguiente, los tumores extraídos por estos dos métodos pueden variar en tamaño.
Con el fin de resolver dicho problema, los inventores de la presente solicitud divulgan la invención que incluye los siguientes aspectos relacionados con una técnica para extraer de forma automática un tumor a partir de datos de imagen de medicina nuclear. Este aspecto de la invención se caracteriza porque incluye:
- adquirir un grupo de píxeles de una región correspondiente a un hueso de un grupo de píxeles incluido en los datos de imagen de medicina nuclear;
- obtener una desviación estándar basada en los valores de píxel de al menos una parte del grupo de píxeles adquirido; y
- extraer un grupo de píxeles de tumor óseo basándose en la desviación estándar.
El aspecto anterior de la invención extrae de forma estadística un grupo de píxeles de tumor óseo. Esta configuración reduce la variación en los resultados de extracción realizados por diferentes operarios, permitiendo una extracción subjetiva de tumores.
El aspecto anterior de la invención también se puede aplicar tanto a datos de imagen de medicina nuclear bidimensionales como datos de imagen de medicina nuclear tridimensionales.
Para observar un tumor con centellografías óseas tridimensionales, el contorno del tumor puede necesitar ser extraído de forma tridimensional. Técnicas convencionales para esta extracción incluyen un método de mostrar datos imagen de medicina nuclear en una visualización y trazar el contorno del tumor con un ratón u otros medios para extraer el contorno del tumor, y un método de especificación de un rango que incluye el tumor por adelantado, estableciendo un umbral de pixel apropiado, y determinando, para hacer el contorno del tumor, la frontera donde los valores de píxel exceden el umbral.
En el caso del método primero, sin embargo, la forma del tumor extraído varía dependiendo de la habilidad o preferencia de un operario. Además, extraer de forma tridimensional un contorno manualmente es una tarea compleja, que requiere esfuerzo de un operario. La forma del contorno varía dependiendo del operario. En el caso del método último, el contorno de tumor detectado puede cambiar dependiendo del umbral establecido.
Con el fin de resolver dicho problema, los inventores de la presente solicitud divulgan la invención que incluye los siguientes aspectos relacionados con una técnica para extraer de forma automática el contorno de un tumor a partir de datos de imagen de medicina nuclear. Este aspecto de la invención se caracteriza porque incluye:
- establecer un punto de referencia en una región que incluye un tumor en los datos de imagen de medicina nuclear;
- escanear píxeles radialmente y de forma tridimensional a partir del punto de referencia, y crear un perfil de valor de píxel en cada dirección de escaneado;
- crear un perfil de intensidad de gradiente para el perfil de valor de píxel o para el perfil de valor de píxel al cual se ha aplicado un suavizado;
- establecer un rango de identificación de contorno en el perfil de valor de píxel o en el perfil de valor de píxel al cual se ha aplicado un suavizado; y
- determinar un punto de contorno de tumor en el perfil de valor de píxel dentro del rango de identificación de contorno, basándose en un pico que tiene la curtosis más grande en el perfil de intensidad el gradiente correspondiente o en el perfil de intensidad de gradiente correspondiente al cual se ha aplicado el suavizado.
El aspecto anterior de la invención extrae de forma automática el contorno de un tumor. Esta configuración reduce la variación en los resultados de extracción realizados por operarios diferentes, permitiendo una extracción subjetiva de contornos de tumor. Adicionalmente, la extracción automática de los contornos reduce de forma significativa el esfuerzo de los operarios.
Un ejemplo de modos de realización preferidos de la invención divulgados en la descripción de la presente solicitud se caracteriza porque incluye:
- extraer una región ósea a partir de datos de imagen de CT que han sido alineados con datos de imagen de medicina nuclear;
mostrar, de entre los datos de imagen de medicina nuclear, datos de una región que solapa a la región ósea extraída; y
no mostrar, de entre los datos de imagen de medicina nuclear, datos de una región que no solapan a la región ósea extraída.
Otro ejemplo de modos de realización preferidos de la invención divulgado en la descripción de la presente solicitud se caracteriza porque incluye:
- adquirir un grupo de píxeles de una región correspondiente a un hueso a partir de un grupo de píxeles incluido en los datos de imagen de medicina nuclear;
- obtener una desviación estándar basándose en los valores de píxel y al menos una parte del grupo de píxeles adquirido; y
- extraer un grupo de píxeles de tumor óseo basándose en la desviación estándar.
Otro ejemplo de modos de realización preferidos de la presente invención se caracteriza porque incluye:
- establecer un punto de referencia en una región que incluye un tumor en los datos de imagen de medicina nuclear; - escanear píxeles radialmente y de forma tridimensional a partir del punto de referencia, y crear un perfil de valor de píxel en cada dirección de escaneado;
- crear un perfil de intensidad de gradiente para el perfil de valor de píxel o el perfil de valor de píxel al cual se ha aplicado un suavizado;
- establecer un rango de identificación de contorno en el perfil de valor de píxel o en el perfil de valor de píxel al cual se ha aplicado el suavizado; y
- determinar un punto de contorno de tumor en el perfil de valor de píxel dentro del rango de identificación de contorno, basándose en un pico que tiene la curtosis más grande en el perfil de intensidad de gradiente correspondiente o en el perfil de intensidad de gradiente correspondiente al cual se ha aplicado el suavizado.
La invención de la presente solicitud, que es definida por las características de las reivindicaciones adjuntas, se puede implementar como, por ejemplo, un sistema que incluye medios para implementar al menos una de las características anteriores, un programa informático que hace que, cuando se ejecute por medios de procesamiento, el sistema realice al menos una de las características anteriores, un método para implementar al menos una de las características anteriores, o cualquier otra forma.
Descripción de los dibujos
La figura 1 es un diagrama que ilustra una configuración principal de un sistema 100, que es un hardware de ejemplo capaz de ejecutar varios procesos divulgados en la presente descripción.
La figura 2 es un diagrama de flujo que ilustra un proceso 200 novedoso para extraer una región ósea a partir de datos 130 de imagen de medicina nuclear.
La figura 3A es un diagrama que ejemplifica una imagen ósea creada utilizando los píxeles extraídos simplemente utilizando un umbral en la etapa 2 l0.
La figura 3B es un diagrama que ejemplifica una imagen obtenida por la realización de forma adicional de un procesamiento próximo en la imagen de la figura 3A.
La figura 4A es un diagrama que ejemplifica una visualización realizada en la etapa 214. La figura 4B es un diagrama que ejemplifica una visualización realizada en la etapa 214. La figura 5 es un diagrama de flujo que ilustra un proceso 500 novedoso para extraer de forma automática un tumor a partir de datos de imagen de medicina nuclear.
La figura 6 es un diagrama que ejemplifica una visualización de un grupo de píxeles de tumor óseo extraído en la etapa 518.
La figura 7A es un diagrama de flujo que ilustra un proceso 700 novedoso para extraer de forma automática el contorno de un tumor a partir de datos de imagen de medicina nuclear.
La figura 7B es un diagrama de flujo que ejemplifica un proceso que se puede realizar en la etapa 720.
La figura 8A es un diagrama que ejemplifica una visualización realizada en la etapa 708. La figura 8B es un diagrama que ejemplifica un punto de referencia establecido en la etapa 710.
La figura 8C es un diagrama que ilustra un escaneado realizado en la etapa 712.
La figura 8D es un ejemplo de perfiles de píxel creados en la etapa 712.
La figura 8E es un diagrama que ejemplifica un suavizado realizado en la etapa 714.
La figura 8F es un ejemplo de perfiles de intensidad de gradiente creados en la etapa 716.
La figura 9 es un diagrama que ejemplifica un proceso realizado en la etapa 720 para determinar un rango en el cual es identificado un punto de contorno de tumor.
La figura 10A es un diagrama que ejemplifica un proceso realizado en la etapa 722 para determinar un punto de contorno de tumor.
La figura 10B es un diagrama que ejemplifica un proceso realizado en la etapa 722 para determinar un punto de contorno de tumor.
La figura 11 es un diagrama que ejemplifica una visualización de puntos de contorno extraídos realizados en la etapa 724.
La figura 12 es un diagrama de flujo que ilustra un ejemplo 1200 de aplicación del proceso 200 descrito con referencia al diagrama de flujo en la figura 2.
La figura 13A y la figura 13B son diagramas que ejemplifican un efecto del proceso 1200.
Descripción de modos de realización
La figura 1 es un diagrama que ilustra una configuración principal del sistema 100, que es un hardware de ejemplo capaz de ejecutar varios procesos divulgados en la presente descripción. Tal y como se ilustra en la figura 1, el sistema 100 es similar a un ordenador de propósito general en términos de hardware, y puede incluir una unidad de procesamiento central (CPU) 102, una memoria 104 principal, una unidad 106 de almacenamiento de gran capacidad, una interfaz 107 de visualización, una interfaz 108 de dispositivo periférico, y una interfaz 109 de red, por ejemplo. De forma similar a un ordenador de propósito general, se puede utilizar una memoria de acceso aleatorio (RAM) de alta velocidad como la memoria 104 principal, y se pueden utilizar un disco duro de gran capacidad barato o un disco de estado sólido (SSD) domo la unidad 106 de almacenamiento de gran capacidad. Al sistema 100, puede estar conectada una visualización para mostrar información a través de la interfaz 107 de visualización. También al sistema 100, puede conectarse una interfaz de usuario tal como un teclado, un ratón, o un panel táctil a través de la interfaz 108 de dispositivo periférico. La interfaz 109 de red se puede utilizar para conectar el sistema 100 a otro ordenador o a Internet a través de una red.
La unidad 106 de almacenamiento de gran capacidad puede almacenar en la misma, por ejemplo, un sistema operativo (SO) 110 y un programa 120 de análisis de imagen de medicina nuclear para proporcionar procesos característicos divulgados en la presente descripción. Las funciones más básicas del sistema 100 son proporcionadas cuando la CPU 102 ejecuta el So 110. Adicionalmente, los procesos característicos divulgados en la presente descripción son proporcionados cuando la CPU 102 ejecuta al menos una parte de un grupo de instrucciones de programa contenido en el programa 120 de análisis de imagen de medicina nuclear. Los procesos característicos divulgados en la presente descripción pueden clasificarse aproximadamente en los siguientes tres tipos: un proceso para retirar lugares de acumulación fisiológica, un proceso para extraer de forma automática una región de tumor, y un proceso para extraer de forma automática un contorno de tumor. El programa 120 de análisis de imagen de medicina nuclear puede incluir grupos de instrucciones de programa o módulos 122, 124 y 126 de programa para ejecutar respectivamente los tres tipos de procesos. En algunos modos de realización, cada uno de estos grupos de instrucciones de programa o módulos de programa se puede almacenar, copiar, descargar o vender de forma separada de otros grupos de instrucciones de programa o módulos de programa. En algunos modos de realización, estos grupos de instrucciones de programa o módulos de programa pueden integrarse de forma inseparable para formar un programa 120 de análisis de imagen de medicina nuclear único. Tal y como es bien conocido, modos de realización de un programa informático incluyen varias formas, y todas estas formas están incluidas en el alcance de la invención divulgada en la presente solicitud.
La unidad 106 de almacenamiento de gran capacidad puede además almacenar de la misma, por ejemplo, datos 130 de imagen de medicina nuclear sujetos a un análisis por el programa 120 de análisis de imagen de medicina nuclear, datos 132 de imagen de tomografía computarizada (CT) correspondientes a los datos 130 de imagen de medicina nuclear, y otras porciones de datos 134, 136 y 138.
Además de los componentes ilustrados en la figura 1, el sistema 100 puede incluir las mismas unidades que las de un sistema informático general, tal como una fuente de alimentación y una unidad de refrigeración. Varios modos de realización del sistema informático que emplean varias técnicas han sido conocidos, tal como unidades de almacenamiento distribuidas, redundantes o virtuales izadas, el uso de múltiples CPU, la virtualización de CPU, el uso de un procesador especializado para un proceso específico tal como un procesamiento de señal digital (DSP) y la implementación de un proceso específico como hardware para ser utilizado con una CPU. La invención divulgada en la presente solicitud se puede implementar en cualquier sistema informático. La forma de un sistema informático no limita el alcance de la invención. Las ideas técnicas divulgadas en la descripción pueden en general ser implementadas como: (1) un programa informático que contiene una instrucción configurada para provocar, cuando se ejecuta por medios de procesamiento, un aparato o sistema que incluye los medios de procesamiento para ejecutar varios procesos descritos en la presente descripción; (2) un método para hacer funcionar el aparato o el sistema, el método que es realizado cuando los medios de procesamiento ejecutan el programa informático; y (3) el aparato o el sistema que incluye el programa informático y los medios de procesamiento configurados para ejecutar el programa informático. Tal y como se describió anteriormente, parte del procesamiento de software se puede implementar con un hardware.
Se ha de señalar que las porciones de datos 130 a 138 no se almacenan en la unidad 106 de almacenamiento de gran capacidad en muchos casos en el momento de fabricación, venta, y puesta en marcha inicial del sistema 100. Estas porciones de datos pueden transferirse desde un aparato externo al sistema 100 a través de la interfaz 108 de dispositivo periférico o de la interfaz 109 de red, por ejemplo. En algunos modos de realización, las porciones de datos 134 y 138 pueden generarse cuando la CPU 102 ejecuta el programa 120 informático u otros programas informáticos. En algunos modos de realización del programa 120 informático o del SO 110, las porciones de datos 134 y 138 son almacenadas sólo en la memoria 104 principal en lugar de ser almacenadas en la unidad 106 de almacenamiento de gran capacidad. Se ha de señalar que el alcance de la invención divulgada en la presente solicitud no está limitado por la existencia de las porciones de datos 130 a 138.
Lo siguiente describe los datos 130 de imagen de medicina nuclear sujetos al procesamiento en ejemplos divulgados en la presente descripción. Los datos 130 de imagen de medicina nuclear pueden ser datos de imagen bidimensionales o datos de imagen tridimensionales adquiridos mediante, por ejemplo, un examen SPECT realizado para la evaluación de metástasis óseas de tumores u otros propósitos. Específicamente, por ejemplo, los datos 130 de imagen de medicina nuclear pueden ser datos de imagen bidimensionales o datos de imagen tridimensionales generados basándose en valores de recuento de radiación adquiridos mediante la administración intravenosa de 99mTc-HMDP como un radiofármaco a un sujeto, y detectando la radiación emitida desde dentro del cuerpo del sujeto con un aparato SPECT. En general, cada píxel que compone dicha imagen tiene un valor correspondiente a un valor de recuento de radiactividad; es decir, cada valor de píxel indica la intensidad de radiactividad.
Se ha de señalar que los datos que se pueden analizar en los ejemplos divulgados en la presente descripción no están limitados a datos de imagen de SPECT. Se pueden analizar varios tipos de datos en los ejemplos. Por ejemplo, también se pueden analizar datos de imagen de PET adquiridos utilizando 18F-NaF como un radiofármaco.
Los datos 132 de imagen de CT pueden ser datos de imagen tridimensionales tomados utilizando una CT de rayos X en el mismo sujeto que para el que se han creado los datos 130 de imagen de medicina nuclear. Los aparatos que integran SPECT y CT se han desarrollado recientemente, por lo tanto, permitiendo una toma de imágenes de imágenes de CT con la ejecución de un examen SPECT. Estas porciones de datos 130 y 132 de imagen se pueden tomar juntas por dicho aparato.
Lo siguiente describe los procesos característicos divulgados en la presente descripción con referencia la figura 2 y los diagramas siguientes.
La figura 2 es un diagrama de flujo que ilustra un proceso 200 para extraer una región ósea, divulgado en la presente descripción. El proceso descrito en el diagrama de flujo puede realizarse por el sistema 100 cuando la CPU 102 ejecuta, por ejemplo, el módulo 122 de programa de extracción de región ósea del programa 120 de análisis de imagen de medicina nuclear.
La etapa 202 indica el inicio del procesamiento. En la etapa 204, son leídos los datos 130 de imagen de medicina nuclear tridimensionales sujetos a procesamiento en el presente ejemplos. Por ejemplo, de acuerdo con una instrucción del grupo de instrucciones de programa contenido en el programa 120 de análisis de imagen de medicina nuclear, la CPU 102 copia al menos parte de los datos 130 de imagen desde la unidad 106 de almacenamiento de alta capacidad a la memoria 104 principal.
En un ejemplo, los datos 130 de imagen de medicina nuclear que han sido almacenados en un medio de almacenamiento pueden ser leídos con un aparato de lectura dedicado y capturados en el sistema 100 a través de la interfaz 108 del dispositivo periférico. En otro aspecto, los datos 130 de imagen de medicina nuclear pueden ser capturados a través de la interfaz 109 de red como señales de datos superpuestas en ondas portadoras. En otro ejemplo, los datos 130 de imagen de medicina nuclear capturados pueden ser almacenados en la unidad 106 de almacenamiento de alta capacidad una vez que se han copiado a la memoria 104 principal, o pueden ser almacenados directamente en la memoria 104 principal y procesados tal como están.
En la etapa 206, son leídos los datos 132 de imagen de CT.
En la etapa 208, se realiza un corregistro de los datos 130 de imagen de medicina nuclear y de los datos 132 de imagen de CT. En otras palabras, las orientaciones, tamaños y posiciones del grupo son alineados de forma tridimensional entre los datos 130 de imagen de medicina nuclear y los datos 132 de imagen de CT. Este proceso permite la comparación entre los datos 130 e de imagen de medicina nuclear y los datos 132 de imagen de CT. Este proceso puede simplemente llamarse registro. Las funciones de corregistro han sido incluidas en varios programas de análisis de datos de imagen de medicina nuclear disponibles en el mercado. Una técnica conocida implementada en dichos programas de análisis u otros métodos conocidos de forma pública se puede utilizar para realizar el corregistro en el presente ejemplo. El corregistro se puede realizar de forma manual, es decir, mostrando los datos de imagen de medicina nuclear y los datos de imagen de CT juntos como imágenes, y moviendo una imagen en paralelo con la otra imagen o rotando una imagen para alinear una imagen con la otra imagen.
En algunos modos de realización, el corregistro de las porciones de datos 130 y 132 de imagen puede haber sido completado. Por ejemplo, en el caso en el que las porciones de datos 130 y 132 de imagen son tomadas juntas mediante un aparato que integra SPECT o PET con CT, el corregistro de los datos 130 de imagen de medicina nuclear y de los datos 132 la imagen de CT puede haber sido completado en el momento en el que las porciones de datos son emitidas desde el aparato. En este caso, el proceso en la etapa 208 es innecesario.
En la etapa 210, una región ósea es extraída tridimensionalmente utilizando los datos 132 de imagen de CT. En algunos modos de realización, este proceso puede extraer simplemente, a partir de una imagen de CT, una región que tiene valores de píxel iguales a o mayores que un umbral, como una región ósea. Realizando de forma simple la extracción utilizando un umbral, sin embargo, puede dejar fuera el interior del hueso o generar ruido. Por tanto, en algunos modos de realización, el procesamiento próximo mediante un método públicamente conocidos se puede realizar en los datos de imagen construidos con píxeles que tienen valores de píxel iguales o mayores que un umbral, y los píxeles restantes son establecidos para ser una región ósea. Se pueden utilizar otros métodos de retirada de ruido, tal como un método de retirada de un volumen que incluye vóxeles cuyo número es igual a o más pequeño que un cierto umbral, y un método para retirar de forma manual un ruido especificado.
Un umbral utilizado para extraer una región ósea puede ser un valor generalmente conocido para el experto en el campo como un valor Hounsfield que indica una región ósea. El presente ejemplo utiliza 152.
La figura 3A ejemplifica una imagen ósea creada utilizando píxeles extraídos simplemente utilizando un umbral. La figura 3B ejemplifica una imagen obtenida realizando adicionalmente un procesamiento próximo en la imagen en la figura 3A. Tal y como se ilustra en la figura 3A, algunas partes internas de los huesos son mostradas en negro, lo que indica que algunas partes no son extraídas como regiones óseas. En contraste, la imagen en la figura 3B muestra partes internas de los huesos y partes entre vértebras en blanco, lo que indica que las regiones óseas son extraídas de forma más preferible a las de la figura 3A. Por tanto, el presente ejemplo utiliza, como regiones óseas extraídas, datos obtenidos realizando adicionalmente un procesamiento próximo en datos de imagen extraídos utilizando un umbral, es decir, datos que se pueden mostrar tal y como se ejemplifica en la figura 3B, para un procesamiento posterior. Se ha de señalar que el presente ejemplo establece que el número de veces de procesamiento cerrado es de tres. Los datos de región ósea extraídos pueden ser, por ejemplo, datos de imagen que contienen un valor de píxel de uno o más grande para cada píxel extraído como región ósea, y un valor de píxel asignado con cero o código nulo para cada píxel extraído como región ósea. Los datos de región ósea extraídos pueden ser almacenados, por ejemplo, en la memoria 104 principal, y/o, como los datos 134 u otros datos, en la unidad 106 de almacenamiento de gran capacidad (etapa 212).
En la etapa 210, es preferible que un umbral utilizado para extraer una región ósea o el número de procesos cerrados se pueda ajustar de forma opcional por un uso. El programa 120 de análisis de imagen de medicina nuclear (o el módulo 122 del programa de extracción de región ósea) está configurado de forma preferible para permitir dicho establecimiento opcional.
En la etapa 214, los datos de región ósea obtenidos en la etapa 210 son utilizados para mostrar los datos 130 de imagen de medicina nuclear. El procesamiento de visualización realizado en esta etapa está caracterizado porque, de entre los píxeles contenidos en los datos 130 de imagen de medicina nuclear, se muestran los píxeles que solapan a la región ósea extraída en la etapa 210, y no se muestran los píxeles que no solapan a la región ósea. Por ejemplo, con respecto a cada píxel en los datos 130 de imagen de medicina nuclear, el píxel correspondiente en los datos 134 de región ósea obtenidos en la etapa 210 se pueden comprobar para la presencia de un valor de píxel efectivo, que no es cero o un código nulo, y sólo si está presente un valor efectivo, se puede mostrar el píxel en los datos 130 de imagen de medicina nuclear correspondiente al píxel que tiene el valor efectivo en los datos 134 de región ósea (es decir, los píxeles que no están contenidos en los datos 134 de región ósea no son mostrados). En otro aspecto, cada píxel en los datos 130 de imagen de medicina nuclear, que excluye los píxeles correspondientes a los datos 134 de región ósea obtenidos en la etapa 210, se les puede asignar un cero o un código nulo.
Lo siguiente ejemplifica cómo se ve la visualización en la etapa 214 con referencia a la figura 4A y a la figura 4B. La figura 4A es una imagen de un corte en sección apropiada de los datos 132 de imagen de CT, a los cuales se ha superpuesto el mismo corte de sección de los datos 130 de imagen de medicina nuclear. La acumulación de radiactividad se puede observar en las ubicaciones marcadas por los símbolos 402 y 404. (La ubicación marcada por el símbolo 404 puede ser difícil de reconocer debido a la limitación de que las imágenes en documentos de solicitud de patente necesitan ser en blanco y negro). La ubicación marcada por el símbolo 402, es, sin embargo, la vejiga. Es decir, la razón para la acumulación de radiactividad en un proceso excretor, y no la presencia de una lesión. En contraste, la acumulación observada en la ubicación marcada por el símbolo 404 es probablemente debida a la presencia de una lesión.
La figura 4B ilustra la misma imagen de CT utilizada en la figura 4A, en la que se ha superpuesto la sección correspondiente de los datos 130 de imagen de medicina nuclear. Los píxeles mostrados en los datos de imagen de medicina nuclear, sin embargo, son sólo los píxeles que solapan a la región ósea extraída en la etapa 210. Como es obvio a partir del dibujo, ninguna acumulación de radiactividad es mostrada en la región de los riñones o la vejiga. En contraste, la acumulación observada en la ubicación marcada por el símbolo 404 todavía permanece. Esto significa que, en la figura 4B, una acumulación debida a una razón fisiológica aparece difícilmente en la imagen de medicina nuclear mostrada, mientras que una acumulación debida a una lesión aparece claramente en la imagen de medicina nuclear mostrada. Por tanto, el proceso anterior permite la observación y análisis de datos de imagen de medicina nuclear con el efecto de acumulación debida a razones fisiológicas normales excluidas.
Con respecto al proceso anterior, la Literatura distinta de Patente 1 descrita posteriormente divulga una técnica para detectar lugar anormal a partir de una imagen de CT basándose en un modelo normal construido con una pluralidad de imágenes de CT. Sin embargo, no se ha divulgado ninguna técnica que extraiga una región ósea a partir de datos de imagen de medicina nuclear para detectar un lugar de tumor con precisión. Además, no se ha divulgado nunca ningún método para retirar de forma efectiva lugares de acumulación fisiológica.
Literatura distinta de Patente 1: Xiangrong ZHOU, Hiroshi FUJITA, "Anatomical Structure Recognition of Normal Torso Region in Non-contrast CT Images (reconocimiento de estructura anatómica de región de torso normal en imágenes de CT sin contraste) ", MEDICAL IMAGING TECHNOLOGY, Vol. 24, No. 3, mayo de 2006, pags.167-172.
La diferencia entre la figura 4A y la figura 4B es subrayada adicionalmente cuando se muestra en color, permitiendo una observación altamente clara de información de medicina nuclear solo en regiones óseas. (Aunque la figura 4A y la figura 4B son realmente imágenes en color, son mostradas en blanco y negro debido a la limitación en el número de colores que se pueden utilizar en los dibujos para solicitudes de patente). Se ha de señalar que la figura 4A, la figura 4B, la figura 3A y la figura 3B son cada una, una imagen creada por una sección de datos de imagen tridimensionales. Los datos 130 e de imagen de medicina nuclear y los datos 132 de imagen de CT son datos de imagen tridimensionales.
Los datos de imagen pueden ser mostrados trasmitiendo, a través de la interfaz 107 de visualización, señales digitales o analógicas para mostrar los datos de imagen con un dispositivo de visualización conectado a la interfaz 107 de visualización. Por tanto, debería señalarse que la palabra “mostrar” utilizada en la descripción de las reivindicaciones de la presente solicitud incluye no sólo mostrar realmente sobre un dispositivo de visualización sino también generar señales digitales o analógicas para mostrar una imagen en el dispositivo de visualización.
Los datos de imagen de medicina nuclear superpuestos a la imagen de CT en la figura 4B son datos de imagen en los cuales sólo los píxeles que solapan las regiones óseas cada uno tiene un valor de píxel efectivo (no cero o código nulo, por ejemplo) y los píxeles que no solapan las regiones óseas cada uno está asignado a un valor de píxel al como cero o código nulo. En algunos modos de realización, dichos datos de imagen pueden ser almacenados, como los datos 136 de imagen de medicina nuclear de región ósea por ejemplo, en una unidad 106 de almacenamiento de alta capacidad por ejemplo (etapa 216).
La etapa 218 indica el final del procesamiento.
Lo siguiente describe un proceso novedoso para extraer de forma automática un tumor a partir de datos de imagen de medicina nuclear con referencia la figura 5.
La figura 5 es un diagrama de flujo que ilustra un proceso 500 para extraer un tumor a partir de datos 130 de imagen de medicina nuclear divulgado en la presente descripción. El proceso descrito en este diagrama de flujo se puede realizar por el sistema 100 cuando la CPU 102 ejecuta, por ejemplo, el módulo 124 de programa de extracción de tumor del programa 120 de análisis de imagen de medicina nuclear.
La etapa 502 indica el comienzo del procesamiento. En la etapa 504, son leídos los datos 130 de imagen de medicina nuclear tridimensionales sujetos al proceso 500. En la etapa 506, un grupo de píxeles de una región correspondiente a un hueso es adquirido a partir de los datos 130 de imagen de medicina nuclear. En algunos modos de realización, este proceso puede ser el propio proceso 200 descrito con referencia a la figura 2. Por tanto, en algunos modos de realización, la etapa 506 puede consistir en leer los datos 136 de imagen de medicina nuclear de región ósea almacenados en la etapa 216 del proceso 200, desde los medios de almacenamiento (la unidad 106 de almacenamiento de gran capacidad, por ejemplo).
En la etapa 508, se crea un histograma basándose en los valores de píxel del grupo de píxeles adquirido en la etapa 506. En algunos modos de realización, se puede crear un histograma de valores de píxel tal y como son. Los valores de píxel de los píxeles en los datos 130 de imagen, sin embargo, en general indican valores de recuento de radiación. Dichos valores de píxel están sujetos a cambio dependiendo del peso de un sujeto o una dosis de radiactividad administrada, y por tanto varían entre medidas. En un modo de realización preferido de esta etapa, es preferible que los valores de píxel sean convertidos a valores normalizados tales como valores de captación estandarizados (SUV), y después se crea un histograma de los SUV u otros valores. Esto es debido a que el SUV es un valor normalizado, que toma sustancialmente el mismo valor con respecto a tejidos similares independientemente de condiciones de medida. El SUV es, como es bien conocido en el campo de la presente solicitud, un valor definido como sigue:
SUV = {cantidad de radiactividad de atenuación corregida en la región de interés (kBq) div. volumen de región de interés (ml)/{dosis de radiactividad administrada (MBq) div. Peso del cuerpo del sujeto (kg)}
Por tanto, el SUV es un valor obtenido por la normalización de la concentración de radiactividad en una región de interés con la dosis de radiactividad administrada por kg de peso corporal. El SUV puede ser un indicador que refleja la captación de radiactividad o un radiofármaco.
En la etapa 510, el valor pico es determinado en el histograma creado. Es decir, se determina la frecuencia más grande. En la etapa 512, se determina un valor de clase que tiene una frecuencia de un cierto porcentaje del valor de pico en el histograma creado. Por ejemplo, se determina un valor de clase que tiene una frecuencia de un 5% del valor de pico. Es decir, se determinan dos valores de clase que tienen una frecuencia de un 5% del valor de pico, uno está ubicado antes y el otro está ubicado después del valor de clase que presenta el valor de pico. En la etapa 512, el intervalo definido por los dos valores de clase es determinado para ser el intervalo en el cual se calcula la desviación estándar en la siguiente etapa.
En la etapa 514, se calcula la desviación estándar de los valores de clase incluidos en el intervalo determinado en la etapa 512.
En la etapa 516, se determina un umbral utilizado para extraer un grupo de pixel de tumor. Un umbral T calculado en la etapa 516 se puede representar por la siguiente fórmula:
T = ValorBase a . SD,
donde ValorBase es el mayor de los dos valores de clase calculados en la etapa 512, SD es la desviación estándar en la etapa 514, y a es una constante. Un a grande disminuye el número de píxeles extraídos como píxeles de tumor, mientras que un a pequeño aumenta el número de píxeles extraídos. Por tanto, es preferible que el valor de a sea ajustable de acuerdo con la diferencia en los aparatos de examen de medicina nuclear y las preferencias de los doctores. Es preferible que el programa 120 de análisis de imagen de medicina nuclear (o el módulo 124 de programa de extracción de tumor) esté configurado para permitir el establecimiento opcional de a. Sin embargo, los estudios realizados por los inventores de la presente solicitud han revelado que estableciendo a a 0,5 se produce un resultado apropiado en muchos casos.
En la etapa 518, los píxeles que tienen valores de píxel o los SUV, que han sido calculados basándose en los valores de píxel respectivos, iguales o mayores que el umbral determinado en la etapa 516, son extraídos como un grupo de píxeles (un grupo de píxeles de tumor óseo) de una región en la cual puede estar posiblemente presente el tumor óseo.
En la etapa 520, es mostrado el grupo de píxeles de tumor óseo extraído en la etapa 518. La figura 6 ilustra un ejemplo de la visualización. La figura 6 es una imagen de un corte en sección apropiado de los datos 130 de imagen de medicina nuclear tridimensionales en la cual se superponen grupos de píxel de tumor óseo ubicados en la sección.
En la figura 6, las ubicaciones marcadas por los símbolos T y mostradas en un color oscuro son los grupos de píxel de tumor óseo extraídos. Aunque la ubicación señalada por el símbolo B es también mostrada en un color oscuro, es el grupo de Pixel correspondiente a la vejiga, que es mostrado oscuro debido a la acumulación fisiológica de radiactividad. Los grupos de píxel correspondientes a lugares de acumulación fisiológica en los riñones, la vejiga y otros sitios nos incluyen en los grupos de píxel de región ósea extraídos en la etapa 506, y por tanto no son extraídos como tumores en la etapa 518. En un modo de realización utilizado realmente, los grupos T de píxeles de tumor óseo son mostrados de forma preferible en un color claramente diferente del grupo B de píxel de acumulación fisiológica de manera que los grupos de píxel de tumor óseo se pueden identificar de forma clara. La figura 6 fue creada originalmente como una imagen en color. La sección de los datos 130 de imagen de medicina nuclear que incluyen el grupo B de píxeles de acumulación fisiológica se muestran en escala de grises, y los grupos T de píxel de tumor óseo se muestran en rojo. La figura 6 ha sido convertida a una imagen en blanco y negro debido a la limitación en el número de colores que se pueden utilizar en los dibujos para una solicitud de patente.
El proceso anterior extrae de forma estadística un grupo de píxeles de tumor óseo utilizando un histograma y la desviación estándar. La configuración reduce la variación en los resultados de extracción realizada por diferentes operarios, permitiendo una estación subjetiva de tumores. Adicionalmente, el establecimiento opcional de a permite un establecimiento flexible de acuerdo con los requerimientos de los operarios.
Se ha de señalar que, en el presente ejemplo, el procesamiento en la etapa 506 a la etapa 518 se realiza de forma tridimensional. En otras palabras, el grupo de píxeles de región o se ha extraído en la etapa 506 se extiende de forma tridimensional. La desviación estándar calculada en la etapa 514 es la desviación estándar de valores de píxel del grupo de píxeles de región ósea que se extiende de forma tridimensional. El grupo de píxeles de tumor óseo extraído en la etapa 518 también se extiende de forma tridimensional. La vista en sección ilustrada en la figura 6 representa meramente una sección de la extensión tridimensional.
En algunos modos de realización, sin embargo, el procesamiento en la etapa 506 a la etapa 518 se puede realizar de forma bidimensional utilizando datos de una sección específica de los datos 130 de imagen de medicina nuclear tridimensionales.
En algunos modos de realización, un umbral establecido en la etapa 516 puede ser dado por la siguiente fórmula:
Umbral = Media p . Desviación Estándar
donde la desviación estándar es el valor calculado en la etapa 514 y la media es el valor medio calculado de forma inevitable en el cálculo de la desviación estándar. En algunos modos de realización, el umbral se puede establecer basándose en la media y la desviación estándar descritas anteriormente calculadas utilizando todos los grupos de píxel extraídos en la etapa 506. Además, en algunos modos de realización, el umbral se puede establecer basándose en la media y la desviación estándar descritas anteriormente calculadas utilizando valores de píxel originales que no han sido convertidos a los SUV. Los inventores de la presente solicitud han encontrado que un grupo de píxeles de tumor puede de forma preferible ser extraído con un umbral establecido con cualquiera de los métodos descritos anteriormente. Se ha de señalar que p es un número positivo que se puede establecer de forma opcional por un usuario. Los inventores de la presente solicitud han encontrado que un grupo de píxeles de tumor puede preferiblemente ser extraído estableciendo p a 1 en muchos casos.
En algunos modos de realización, se pueden almacenar los datos del grupo de píxeles de tumor óseo extraídos en la etapa 518. Dichos datos pueden ser almacenados, como los datos 138 del grupo de píxeles de tumor óseo por ejemplo, en la unidad 106 de almacenamiento de gran capacidad por ejemplo (etapa 522). La etapa 524 indica el final del procesamiento.
Lo siguiente describe un proceso novedoso para extraer de forma automática el contorno de un tumor a partir de datos de imagen de medicina nuclear, con referencia a la figura 7A.
La figura 7A es un diagrama de flujo que ilustra un proceso 700 para extraer un contorno de tumor a partir de datos 130 de imagen de medicina nuclear divulgados en la presente descripción. El proceso descrito en este diagrama de flujo puede ser realizado por el sistema 100 cuando la CPU 102 ejecuta, por ejemplo, el módulo una dosis126 de programa de extracción de contorno de tumor del programa 120 de análisis de imagen de medicina nuclear.
La etapa 702 indica el inicio del procesamiento. En la etapa 704, se leen los datos 130 de imagen de medicina nuclear sujetos al proceso 700. En la etapa 706, se corta una imagen en sección apropiada de los datos 130 de imagen de medicina nuclear y se muestra en un dispositivo de visualización.
En la etapa 708, una región que incluye un tumor es subrayada en la imagen en sección mostrada en la etapa 706. Con el fin de realizar este procesamiento, la región que incluye el tumor necesita ser extraída de los datos 130 de imagen de medicina nuclear. Este procesamiento de extracción se puede realizar por varios métodos. Uno de los métodos puede ser el propio proceso 500 descrito con referencia la figura 5. Por tanto, en algunos modos de realización, los datos 138 del grupo de píxeles de tumor óseo almacenado en la etapa 522 del proceso 500 pueden ser leídos desde los medios de almacenamiento (la unidad 106 de almacenamiento de gran capacidad, por ejemplo) en la etapa 706. Posteriormente, un grupo de píxeles en los datos 138 de grupo de píxeles de tumor óseo, que está ubicado en la sección mostrada en la etapa 706, se puede mostrar de forma identificada (en un color diferente del de la imagen en sección mostrada en la etapa 706, por ejemplo).
Otro ejemplo de los métodos para la extracción de una región que incluye un tumor de datos 130 de imagen de medicina nuclear, que debería realizarse en la etapa 708, es extraer, como una región que incluye un tumor, un grupo de píxeles que tiene valores de píxel iguales o mayores que un cierto umbral a partir de los datos 130 de imagen de medicina nuclear. Otro ejemplo más de métodos es que un operario identifica de forma visual una región que incluye un tumor y especifica la región mediante una operación tal como rodear la región con un ratón. Cualquiera de los métodos descritos anteriormente se puede implementar de acuerdo con un modo de realización para extraer una región que incluye un tumor a partir de los datos 130 de imagen de medicina nuclear. De forma alternativa, se puede utilizar un método diferente a los tres métodos para extraer una región de tumor. En cualquiera de los métodos, la región de tumor extraída se muestra de forma preferible sobre una visualización en una forma fácilmente identificable para un operario.
La figura 8A ejemplifica una visualización revisada en la etapa 708. Tal y como se ilustra en la figura 8A, se muestra una región en un color oscuro sobre una imagen en sección de los datos 130 de imagen de medicina nuclear. La región mostrada en un color oscuro marcada por el símbolo 802 es la región de tumor. La figura 8A debería ser de forma preferible una imagen a color. El color utilizado para la región de tumor es de forma preferible un color claramente diferente del color utilizado para la imagen en sección de los datos 130 de imagen de medicina nuclear. (La figura 8A es originalmente una imagen a color y la región marcada por el símbolo 802 está pintada en rojo). La región de tumor ejemplificada en la figura 8A en la región extraída por el modo de realización del proceso 500 descrito con referencia la figura 5. (Lugares de acumulación fisiológica o radiofármacos también han sido retirados por el modo de realización del proceso 200 descrito con referencia la figura 2. Esto explica la razón de que no se observe acumulación en el lugar correspondiente a la vejiga).
La imagen en sección mostrada en la etapa 706 puede ser una imagen en sección que incluye una región de tumor extraída de forma automática por el sistema 100. El método para extraer de forma automática una región de tumor puede ser, por ejemplo, uno de los métodos descritos en relación a la etapa 708. En algunos modos de realización, el procesamiento realizado en la etapa 706 y el procesamiento realizado en la etapa 708 pueden ser realizados en un orden parcialmente invertido (al orden indicado en la figura 7A) o realizado íntegramente. El sistema 100 puede estar configurado para seleccionar de forma automática, como una sección a mostrar en la etapa 706, una sección que incluye las coordenadas centrales de una región de tumor extraída de forma automática o una sección que incluye píxeles cada uno que tiene el valor de píxel más grande en la región de tumor, por ejemplo. El sistema 100 puede también estar configurado para, cuando una pluralidad de regiones de tumor ha sido extraída de forma automática, seleccionar de forma automática una sección que incluye un tumor que tiene el volumen más grande, como una sección para mostrar en la etapa 706. El sistema 100 también puede estar configurado para, cuando una pluralidad de regiones de tumor ha sido extraída de forma automática, mostrar una lista de las regiones de tumor para permitir al usuario seleccionar una región de tumor. De acuerdo con la selección por el usuario, el sistema 100 puede mostrar una sección que incluye la región de tumor seleccionada. El sistema 100 puede también estar configurado para permitir a un usuario seleccionar o cambiar una imagen en sección para mostrar en la etapa 706. Por ejemplo, se puede utilizar un elemento de interfaz de usuario tal como una barra de desplazamiento para permitir al usuario realizar de forma opcional una selección o cambio.
En la etapa 710, se establece un punto de referencia en la región de tumor mostrada. El punto de referencia es un punto de referencia para que se realice un escaneado de píxel en la siguiente etapa. Se puede establecer un punto de referencia con varios métodos dependiendo de los modos de realización. Uno de los métodos es establecer un punto de referencia basándose en la operación de selección realizada por un operario. Por ejemplo, cuando un operario hace clic con un ratón en cualquier punto en la región de tumor mostrada en la etapa 708, en un dispositivo de visualización, el sistema 100 puede establecer el píxel en los datos 130 de imagen de medicina nuclear correspondientes a la posición que se ha clicado para ser el punto de referencia. Está claro que es posible un procesamiento similar con otros medios de entrada distintos de un ratón.
En algunos modos de realización, el sistema 100 puede estar configurado para establecer de forma automática el punto de referencia. Por ejemplo, las coordenadas centrales de una región de tumor o de un píxel que tenga el valor de píxel más grande en una región de tumor se establece para ser el punto de referencia.
En un modo de realización, se realiza el siguiente proceso para establecer el punto de referencia de forma automática.
(1) se copian los datos 130 de imagen.
(2) se extrae de forma automática una región de tumor de los datos de imagen copiados, y todos los valores de píxel que excluyen aquellos de la región de tumor extraída se establecen a cero en los datos de imagen copiada. El método para extraer una región de tumor puede ser, por ejemplo, uno de los métodos descritos en relación a la etapa 708.
(3) Se corta una sección que incluye un píxel que tiene el valor de píxel más grande en la región de tumor extraída de forma automática.
(4) Se establecen dos puntos extremos en la región de tumor incluida en la sección. El primer punto extremo es un píxel que tiene el valor de coordenada más pequeño en un eje (eje x, por ejemplo). El segundo punto extremo es un píxel que tiene el valor de coordenada más grande en el mismo eje.
(5) se establece un píxel ubicado en el punto medio entre el primer punto extremo y el segundo punto extremo para ser un punto de referencia candidato.
(6) si el valor de píxel del píxel establecido para hacer el punto de referencia candidato no es nulo, se determina que el píxel va ser el punto de referencia final.
(7) si el valor del píxel del píxel que se establece para ser el punto de referencia candidato es nulo, el proceso retorna (4) y cambia el primer punto extremo o el segundo punto extremo una cierta cantidad (por un píxel, por ejemplo) en la región de tumor, y procede a (5) y las siguientes etapas de nuevo.
En el proceso 700, dónde establecer un punto de referencia no afecta de forma significativa a la calidad del resultado final de un contorno de tumor extraído. El punto de referencia es, sin embargo, de forma preferible establecido dentro de una región de tumor.
Cuando se presenta una pluralidad de regiones de tumor en la imagen en sección mostrada, se establece una pluralidad de puntos de referencia para las regiones de tumor respectivas.
La figura 8B ejemplifica un punto de referencia establecido en la etapa 710. La región de color oscuro marcada por el símbolo 802 es la misma región que la región de tumor en la figura 8A. En este ejemplo, se establece un punto de referencia en la posición del punto negro marcado por el símbolo 804.
En la etapa 712, los datos 130 de imagen de medicina nuclear son escaneados radialmente y de forma tridimensional comenzando desde el punto de referencia, y el cambio en los valores de píxel en cada dirección de escaneado es comprobado para crear un perfil de valores de píxel. La figura 8C ilustra este proceso. Cada una de las cuatro flechas 806 dibujadas desde el punto 804 de referencia indica una dirección de escaneado. Aunque sólo se ilustran cuatro direcciones de escaneado en la figura 8C, el escaneado se debería realizar radialmente y de forma tridimensional en todas las direcciones en la práctica. En un ejemplo de extracción de contorno que se va a describir posteriormente, el escaneado en el mismo plano es realizado por 1° en todas las direcciones para 360° alrededor del punto de referencia. El plano que se va a escanear es rotado 1° para 180° alrededor de un eje que pasa a través del punto de referencia, cada plano que se escaneado en todas las direcciones, para extraer un contorno. Por tanto, el proceso anterior crea 360 x 180 = 64.800 perfiles de valor de píxel en total. Ni que decir tiene que estos valores son meramente ejemplos y que las unidades de grado pueden diferir de los valores descritos anteriormente.
El círculo marcado por el símbolo 810 indica un rango de escaneado en un plano específico. Es decir, se cambian valores de píxel escaneados en cada dirección en el plano dentro del rango del punto de referencia al círculo 810. Limitando el rango de escaneado, tal como se describió anteriormente se evita el gasto de recursos informáticos debido al escaneado de rangos innecesarios. En este ejemplo, los valores de píxel son mostrados en 26 puntos desde el punto de referencia al círculo 810 en cada dirección de escaneado. Se establece de forma preferible un rango de escaneado para incluir una región de tumor completa. El número de muestras descrito anteriormente es meramente un ejemplo.
La figura 8D ejemplifica un perfil de valor de píxel creado en una de las direcciones de escaneado. Los valores en el eje de abscisa se corresponden a las posiciones de los puntos de muestreo. Tal y como se describió anteriormente, se han muestreado 26 puntos en este ejemplo, y por tanto se han dibujado 26 puntos en la figura 8D. Los valores en el eje de ordenadas son los valores de píxel.
En la etapa 714, cada uno de los perfiles de valor de píxel creados en la etapa previa es procesado mediante suavizado. Se puede utilizar cualquier método de suavizado. Por ejemplo, se puede utilizar el método bien conocido de promedio de tres puntos en movimiento para suavizar. En otras palabras, se puede realizar el suavizado remplazando un valor de píxel en un punto de muestreo con el valor promedio entre los valores de píxel en tres puntos, en particular, el punto de muestreo, y los puntos previo y siguiente al punto de muestreo. Se pueden aplicar varios otros métodos dependiendo del modo de realización. La figura 8E ilustra el perfil de valor de píxel ilustrado en la figura 8D que ha sido suavizado por el método de promedio de tres puntos móviles descrito anteriormente (en la figura 8E, los valores de ambos extremos son dejados como sus datos originales debido a que el promedio de tres puntos no está disponible para los valores extremos).
En la etapa 716, se crea un perfil de intensidad de gradiente para el perfil de valor de píxel suavizado. La intensidad de gradiente entre un punto 1 (x1, y1) y un punto 2 (x2, y2) es definida por la raíz cuadrada de {(x2 - x1)2 (y2 - y1)2}. En esta etapa, la intensidad de gradiente es calculada entre cada punto en el perfil de valor de píxel suavizado en la etapa previa, y su punto adyacente. Por tanto, en este ejemplo, un perfil de intensidad de gradiente que incluye 25 valores de intensidad de gradiente es creado para cada perfil de valor de píxel que incluye 26 valores de píxel. La figura 8F ilustra un gráfico que ejemplifica un perfil de valor de píxel (suavizado) y el perfil de intensidad de gradiente correspondiente.
En la etapa 718, cada uno de los perfiles de intensidad de gradiente creados en la etapa previa es procesado por suavizado. De forma similar al caso en el que los perfiles de valor de píxel son procesados por suavizado, se puede utilizar cualquier método de suavizado. Por ejemplo, se puede utilizar el método bien conocido de promedio de tres puntos en movimiento para el suavizado. Este método es utilizado para suavizar los perfiles de intensidad de gradiente en este ejemplo también.
En la etapa 720, en cada perfil de valor de píxel, se determina un rango (rango de identificación de contorno) en el cual se identifica un punto de contorno. El rango de identificación de contorno es determinado basándose en puntos que toman extremos (puntos extremos) en el valor de perfil de píxel (o los perfiles de valor de píxel suavizados en la etapa 714). Los puntos extremos se pueden buscar para, por ejemplo, calcular las diferencias entre puntos adyacentes en el perfil de valor de píxel (o el perfil de valor de píxel suavizado en la etapa 714) y determinar un punto en el que la diferencia es cero o donde se invierten los signos positivo y negativo, para ser un punto extremo. El rango de identificación de contorno se puede determinar para ser un rango de, por ejemplo, el punto de inicio del perfil de valor de píxel (o el perfil de valor de píxel suavizado en la etapa 714) hasta el punto determinado para ser el valor mínimo.
Lo siguiente ejemplifica un proceso para determinar un rango de identificación de contorno que se puede realizar en la etapa 720, con referencia la figura 7B. La etapa 742 indica el inicio del procesamiento. En la etapa 744, los puntos que tomen los extremos (puntos extremos) son buscados en el perfil de valor de píxel suavizado en la etapa 714. En esta búsqueda, tal y como se describió anteriormente, es calculada la diferencia entre cada uno de los puntos que compone el perfil de valor de píxel suavizado y su punto adyacente, y se puede determinar un punto en el que la diferencia es cero o donde se invierten los signos positivo y negativo para ser el punto extremo.
En la etapa 746, la diferencia en el valor de píxel se calcula entre una pluralidad de puntos extremos detectados para determinar el valor máximo de la diferencia.
En la etapa 748, un punto de valor mínimo (es decir, un extremo que toma el valor mínimo) que satisface una cierta condición es buscado de entre los puntos extremos detectados en la etapa 744. El punto de valor mínimo buscado para este caso puede ser, por ejemplo, un valor mínimo que tiene una diferencia desde el punto de valor máximo inmediatamente previo (o punto de valor máximo) de igual o más de un 20% del valor máximo calculado en la etapa 746, y puede ser el punto de valor mínimo más cercano al punto de referencia (el punto establecido en la etapa 710) (es decir, el punto de valor mínimo que tiene el valor más pequeño en el eje de abscisa).
En la etapa 750, se determina un rango de identificación de contorno. El rango de identificación de contorno puede ser, por ejemplo, un rango del punto de inicio del perfil de valor de Pixel (es decir, el punto más cercano al punto de referencia) al punto de valor mínimo especificado en la etapa 748.
La figura 9 ejemplifica el rango de identificación de contorno determinado en la etapa 720.
Se ha de señalar que el proceso anterior para determinar un rango de identificación de contorno es un ejemplo. En algunos modos de realización, se puede determinar un rango de identificación de contorno por otro método. Por ejemplo, en algunos modos de realización, se puede determinar un rango de identificación de contorno definiendo el punto más cercano al punto de referencia para ser el punto de inicio, y un punto hacia el exterior lejos de la región de tumor extraída en la etapa 708 una cierta distancia (por ejemplo, un punto ubicado cinco píxeles lejos de la región de tumor hacia el exterior) para ser el punto final, y definir el rango entre el punto de inicio y el punto final para ser el rango de identificación de contorno.
En algunos modos de realización, por ejemplo, el punto de valor mínimo especificado en la etapa 748 puede ser un punto de valor mínimo que tiene la diferencia más grande entre puntos extremos (es decir, un punto de valor mínimo que da el valor máximo obtenido en la etapa 746).
En algunos modos de realización, por ejemplo, el punto de inicio de una nueva identificación de contorno es un punto de valor máximo más próximo al punto de referencia que el punto de valor mínimo especificado en la etapa 748, el punto de valor máximo que tiene una diferencia en el valor de píxel del punto de valor mínimo de, por ejemplo, igual o mayor de un 20% del valor máximo calculado en la etapa 746.
Se ha de señalar que el procesamiento específi
dependiendo del modo de realización. El valor de un 20% utilizado en la descripción anterior es meramente un ejemplo, y se pueden utilizar otros valores.
Volviendo de nuevo a la figura 7A, se continúa la descripción del proceso 700. En la etapa 722, en el perfil de valor de píxel en el cual se ha determinado el rango de identificación de contorno determinado en la etapa 720, se determina un punto de contorno de tumor utilizando el perfil de intensidad de gradiente suavizado creado en la etapa 718. Esta etapa puede proceder como sigue, por ejemplo.
(Subetapa 1) dentro del rango de identificación establecido en la etapa 720, se busca un pico del perfil de intensidad de gradiente suavizado. Es decir, se busca un punto extremo que da el valor máximo.
(Subetapa 2) si sólo se ha detectado un pico en la subetapa 1 se determina un punto en el perfil de valor de píxel correspondiente al pico para ser un punto de contorno de tumor.
(Subetapa 3) si se ha detectado una pluralidad de picos en la subetapa 1, se calcula la curtosis de cada pico, y un punto en el perfil de valor de píxel correspondiente al pico que tiene la curtosis más grande es determinado para ser un punto de contorno de tumor. En este caso, la curtosis es definida como el coseno (cos 0) del ángulo (0) entre dos vectores que se extienden desde el pico (punto de valor máximo) a los respectivos puntos de valor mínimos adyacentes (puntos extremos quedan valores mínimos). Es decir, la curtosis cos(0) puede definirse como sigue:
Figure imgf000013_0001
donde los vectores de dirección desde el pico a los puntos de valor mínimos adyacentes son definidos como sigue:
Figure imgf000013_0002
v2 = {x2,y2}
13
La figura 10A y la figura 10B, cada una, ilustra un proceso para determinar un punto de contorno. La figura 10A corresponde al caso de la subetapa 2 descrito anteriormente donde sólo se detecta un pico en el perfil de intensidad de gradiente dentro del rango de identificación. Por tanto, el punto del perfil de valor de píxel correspondiente al pico es extraído como el punto de contorno del tumor.
En contraste, la figura 10B se corresponde al caso de la subetapa 3 descrita anteriormente donde se detecta una pluralidad de picos en el perfil de intensidad de gradiente dentro del rango de identificación. En este caso, se calcula la curtosis de cada pico, y el pico que tenga la curtosis más grande (es decir, el pico que tiene el valor de cos 0 más grande) se extrae como el punto de contorno del tumor.
Se ha de notar que el procesamiento de la etapa 714 a la etapa 722 es realizado en cada uno de los perfiles de valor de píxel creados en la etapa 712. Por ejemplo, tal y como se describió anteriormente, se han creado en total 64.800 perfiles de valor de píxel en total, de manera que se crea el contorno extraído ejemplificado en la figura 11. Cada uno de todos los perfiles de valor de píxel es procesado de forma individual de la etapa 714 a la etapa 722.
En la etapa 724, se muestran los puntos de contorno extraídos. En algunos modos de realización, los puntos de contorno extraídos pueden estar conectados como una curva cerrada. La figura 11 ejemplifica una visualización de los puntos de contorno extraídos. La figura 11 ilustra los puntos 1102 de contorno y un contorno 1104 extraído de la región 802 de tumor ilustrada en la figura 8A y en la figura 8B. Un punto 1102 de contorno debería determinarse básicamente en cada uno de los perfiles de valor de píxel creados en la etapa 712 (puede que sea imposible obtener un punto de contorno debido a un error u otras causas). Aunque la figura 11 ilustra solo 13 puntos 1102 de contorno en total, se han determinado muchos más puntos 1102 de contorno realmente. La curva 1104 cerrada es creada conectando los puntos 1102 de contorno extraídos.
La etapa 726 indica el fin del procesamiento.
La etapa 700 extrae de forma automática el contorno de un tumor. Esta configuración reduce la variación en los resultados de extracción realizada por diferentes operadores, permitiendo una extracción subjetiva de contornos de tumor. En el presente ejemplo, el procesamiento completo, excepto la selección de un punto de referencia en la etapa 710, se realiza de forma automática para extraer un contorno, requiriendo un esfuerzo significativamente pequeño de un operario para extraer el contorno.
Modos de realización preferidos de ideas técnicas divulgadas en la presente descripción han sido descritos anteriormente; sin embargo, ni que decir tiene que los modos de realización de las ideas técnicas no están limitados aquellas descritas anteriormente. Los modos de realización anteriores son meramente ejemplos y se puede presentar varios otros modos de realización.
Por ejemplo, un uso del proceso 200, que puede haber sido descrito con referencia al diagrama de flujo en la figura 2, se ejemplifica con referencia la figura 12. Un proceso 1200 ilustrado en la figura 12 se refiere a un método para analizar y mostrar una imagen de medicina nuclear, y a un método para mostrar una acumulación debida a una lesión ósea de una manera identificable por un operario.
La etapa 1202 indica el inicio de procesamiento. En la etapa 1204, se leen los datos 130 de la imagen de medicina nuclear sujetos al proceso 1200. En la etapa 1206, se leen los datos 134 de región ósea almacenados en la etapa 212 del proceso 200 en la figura 2.
En la etapa 1208, se corta una sección apropiada de los datos 130 de imagen de medicina nuclear y se muestran como una imagen. Una sección a cortar debería ser, por ejemplo, una sección que incluye un píxel que tiene el valor de píxel más grande en la región ósea. En la etapa 1210, en la misma imagen en sección, se utiliza un umbral apropiado para distinguir acumulaciones debido a tumores u otras causas de manera que extrae píxeles que tienen valores de píxel iguales o mayores que el umbral.
En el bucle indicado desde la etapa 1212 a la etapa 1218, cada uno de los píxeles extraídos es comparado con los datos de región ósea leídos en la etapa 1206, y se determina si solapa a la región ósea (etapa 1214). Si se determina que el píxel va a solapar la región ósea, se muestra la ubicación correspondiente del píxel en la imagen mostrada en la etapa 1208, de una manera visualmente identificable por un operario. Por ejemplo, el píxel el mostrado en un color claramente distinguible, tal como rojo. En contraste, si se determina que el píxel no solapa a la región ósea, dicha visualización no es realizada y se realiza la determinación en el siguiente píxel.
Después de que se completa el proceso de determinación en la etapa 1214 en todos los píxeles extraídos en la etapa 1210, el proceso 1200 sale del bucle y finaliza el procesamiento (etapa 1220).
La visualización proporcionada por el proceso 1200 es descrita tomando la figura 13 como un ejemplo. La figura 13A ilustra una imagen en sección de los datos 130 de imagen de medicina nuclear en los cuales los píxeles que tienen valores de píxel igual esa o mayores que el mismo umbral utilizado en la etapa 1210 se muestran en blanco. Las ubicaciones marcadas por los símbolos 1302 y 1304 indican que están presentes los píxeles que tienen los valores de píxel iguales a o mayor es que el umbral. Sin embargo, los valores de píxel grandes en la ubicación marcada por el símbolo 1304 están provocados por la acumulación fisiológica y no por la acumulación debida a tumores u otras causas. En contraste, la figura 13B ilustra una visualización creada por el proceso 1200 que visualiza de forma identificada sólo la región que tiene valores de píxel iguales o mayores que un cierto umbral y que solapa a la región ósea, y no muestra de forma identificada la región que tiene valores de píxel iguales a o mayores que el cierto umbral pero que no solapan a la región ósea. En comparación con la figura 13A, la acumulación 1302 observada en la región ósea es subrayada como en la figura 13A, pero la acumulación 1304 fisiológica no es subrayada. Es decir, el proceso 1200 elimina el efecto de la acumulación fisiológica para permitir una observación clara de sólo la acumulación debida a una lesión ósea.
En la figura 13, el subrayado es hecho en blanco; sin embargo, no es apropiado debido a que el blanco es usado para representar otras regiones también. En la práctica, este subrayado se hace de forma preferible en color. La figura 13 y otros dibujos en la presente solicitud no utilizan colores sólo debido a la limitación de que los dibujos de una solicitud de patente no se permitne que utilicen colores.
Lista de signos de referencia
100 sistema
102 CPU
104 memoria principal
106 unidad de almacenamiento de alta capacidad
107 interfaz de visualización
108 interfaz de dispositivo periférico
109 interfaz de red
110 sistema operativo
120 programa de análisis de imagen de medicina nuclear
130 -138 datos

Claims (11)

REIVINDICACIONES
1. Un programa informático para extraer de forma automática un contorno de tumor para datos de imagen de medicina nuclear tridimensionales, el programa informático que comprende un primer grupo de instrucciones de programa que está configurado para provocar, cuando se ejecuta mediante medios de procesamiento de un sistema, que el sistema ejecute:
establecer un punto de referencia en una región que incluye un tumor en los datos de imagen de medicina nuclear; escanear píxeles radialmente y de forma tridimensional a partir del punto de referencia, y crear un perfil de valor de Pixel en cada elección de escaneado;
crear un perfil de intensidad del gradiente para el perfil de valor de píxel o para el perfil del valor de píxel al cual se ha aplicado un suavizado;
establecer un rango de identificación de contorno en el perfil de valor de píxel o en el perfil de valor de píxel al cual se ha aplicado el suavizado; y
determinar el punto de contorno de tumor del perfil de valor de píxel dentro del rango de identificación de contorno, basándose en el pico que tiene la curtosis más grande en el perfil de intensidad de gradiente correspondiente o en el perfil de intensidad de gradiente correspondiente al cual se ha aplicado el suavizado.
2. El programa informático de acuerdo con la reivindicación 1, en donde el ajuste del rango de identificación de contorno se realiza basándose en un punto extremo en el perfil de valor de píxel o en el perfil de valor de píxel al cual se ha aplicado el suavizado.
3. El programa informático de acuerdo con las reivindicaciones 1 o 2, en donde la curtosis es un coseno de un ángulo entre dos vectores que se extienden desde un punto extremo que da un valor máximo a puntos extremos adyacentes respectivos que dan valores mínimos, en el perfil de intensidad de gradiente o en el perfil de intensidad de gradiente al cual se ha aplicado el suavizado.
4. El programa informático de acuerdo con cualquiera de las reivindicaciones 1 a 3, en donde la región que incluye unos tumores una región determinada para ser una región que tiene valores de píxel iguales a o mayores que un cierto umbral, en los datos de imagen de medicina nuclear.
5. El programa informático de acuerdo con cualquiera de las reivindicaciones 1 a 4, que además comprende un segundo grupo de instrucciones de programa que está configurado para provocar, cuando se ejecuta mediante los medios de procesamiento, que el sistema ejecute:
adquirir un grupo de píxeles de una región correspondiente a un hueso a partir de un grupo de píxeles incluido en los datos de imagen de medicina nuclear;
obtener una desviación estándar basándose en valores de píxel de al menos una parte del grupo de píxeles adquiridos; y
extraer un grupo de píxeles de tumor óseo basándose en la desviación estándar,
el primer grupo de instrucciones de programa que está además configurado para provocar, cuando se ejecuta mediante los medios de procesamiento del sistema, que el sistema establezca el grupo de píxeles de tumor óseo extraído a la región que incluye un tumor.
6. El programa informático de acuerdo con la reivindicación 5, además configurado para provocar que el sistema ejecute:
crear un histograma basándose en los valores de píxel del grupo de píxeles adquiridos;
determinar un valor pico en el histograma; y
determinar dos valores de clase que tengan frecuencias respectivas de un cierto porcentaje del valor de pico en el histograma,
la al menos una parte del grupo de píxeles adquirido que es un grupo de píxeles que tiene valores de píxel incluidos en un intervalo definido por los dos valores de clase.
7. El programa informático de acuerdo con la reivindicación 6, en donde la estación del grupo de píxeles de tumor óseo basada en la desviación estándar comprende extraer un grupo de píxeles de tumor óseo basándose en la desviación estándar y el mayor de los dos valores de clase.
8. El programa informático de acuerdo con la reivindicación 5, en donde la extracción del grupo de píxeles de tumor óseo basada en la desviación estándar comprende extraer un grupo de píxeles de tumor óseo basándose en la desviación estándar y el valor promedio calculado basándose en los valores de píxel de al menos una parte del grupo de píxeles adquirido.
9. Programa informático de acuerdo con la reivindicación 8, en donde la adquisición del grupo de píxeles de una región correspondiente a un hueso comprende:
extraer una región ósea de datos de imagen de CT que se han alineado con los datos de imagen de medicina nuclear; y
extraer, de los datos de imagen de medicina nuclear, un grupo de píxeles de una región que solapa a la región ósea extraída.
10. Un sistema que comprende:
medios de procesamiento; y
medios de almacenamiento que almacenan en los mismos el programa informático de acuerdo con cualquiera de las reivindicaciones 1 a 9.
11. Un método para extraer de forma automática un contorno de tumor de datos de imagen de medicina nuclear tridimensionales, el método que es ejecutado mediante el sistema cuando se ejecuta una instrucción de programa mediante medios de procesamiento del sistema, el método que comprende:
establecer un punto de referencia en una región que incluye un tumor en los datos de imagen de medicina nuclear; escanear píxeles radialmente y de forma tridimensional a partir del punto de referencia, y crear un perfil de valor de píxel en cada dirección de escaneado;
crear un perfil de intensidad de gradiente para el perfil de valor de píxel o para el perfil de valor de píxel al cual se ha aplicado un suavizado;
establecer un rango de identificación de contorno en el perfil de valor de píxel o en el perfil de valor de píxel al cual se ha aplicado el suavizado; y
determinar un punto de contorno de tumor en el perfil de valor de píxel dentro del rango de identificación de contorno, basándose en un pico que tiene la curtosis más grande en el perfil de intensidad de gradiente correspondiente o en el perfil de intensidad de gradiente correspondiente al cual se ha aplicado el suavizado.
ES15881166T 2015-02-04 2015-10-29 Técnica de análisis de imagen médica nuclear Active ES2733707T3 (es)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2015019832A JP6442310B2 (ja) 2015-02-04 2015-02-04 核医学画像中の腫瘍領域を抽出する技術
JP2015019831A JP6442309B2 (ja) 2015-02-04 2015-02-04 核医学画像解析技術
JP2015019833A JP6442311B2 (ja) 2015-02-04 2015-02-04 核医学画像中の腫瘍輪郭を抽出する技術
PCT/JP2015/080508 WO2016125349A1 (ja) 2015-02-04 2015-10-29 核医学画像解析技術

Publications (1)

Publication Number Publication Date
ES2733707T3 true ES2733707T3 (es) 2019-12-02

Family

ID=56563708

Family Applications (1)

Application Number Title Priority Date Filing Date
ES15881166T Active ES2733707T3 (es) 2015-02-04 2015-10-29 Técnica de análisis de imagen médica nuclear

Country Status (7)

Country Link
US (1) US10395364B2 (es)
EP (2) EP3176609B1 (es)
KR (1) KR20170109519A (es)
CN (1) CN107076857B (es)
ES (1) ES2733707T3 (es)
TW (1) TW201629522A (es)
WO (1) WO2016125349A1 (es)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280835A (zh) * 2018-01-23 2018-07-13 研靖信息科技（上海）有限公司 一种基于显像剂浓度确定病灶性质的方法与设备
EP3843038B1 (en) * 2019-12-23 2023-09-20 HTC Corporation Image processing method and system
CN118172366B (zh) * 2024-05-15 2024-07-30 江西省肿瘤医院(江西省第二人民医院、江西省癌症中心) 一种基于图形识别的肿瘤ct图像处理方法及系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4267598B2 (ja) 2005-07-11 2009-05-27 ザイオソフト株式会社 画像融合処理方法、画像融合処理プログラム、画像融合処理装置
US8199981B2 (en) * 2006-05-18 2012-06-12 Elekta Ltd. Methods and systems for segmentation using boundary reparameterization
US8355552B2 (en) * 2007-06-20 2013-01-15 The Trustees Of Columbia University In The City Of New York Automated determination of lymph nodes in scanned images
JP2010004940A (ja) * 2008-06-24 2010-01-14 Toshiba Corp 医用画像処理装置及び医用画像診断装置
JP2010029481A (ja) * 2008-07-29 2010-02-12 Univ Of Tsukuba 腫瘍の経過観察レポート自動作成診断支援システム
US20100032575A1 (en) * 2008-08-08 2010-02-11 Andrei Iagaru Methods and systems for pet/ct scanning for evaluation of malignancy
JP5806448B2 (ja) * 2009-05-13 2015-11-10 株式会社東芝 核医学イメージング装置、画像処理装置および画像処理方法
US8374892B2 (en) * 2010-01-25 2013-02-12 Amcad Biomed Corporation Method for retrieving a tumor contour of an image processing system
GB201117805D0 (en) * 2011-10-14 2011-11-30 Siemens Medical Solutions System and methods for efficient multimodal rib lesion readings
JP5742660B2 (ja) * 2011-10-21 2015-07-01 株式会社島津製作所 医療用データ処理装置およびそれを備えた放射線断層撮影装置
US9370328B2 (en) 2012-11-29 2016-06-21 University Of Washington Through Its Center For Commercialization Methods and systems for determining tumor boundary characteristics
JP6185262B2 (ja) * 2013-03-07 2017-08-23 日本メジフィジックス株式会社 核医学骨画像解析技術
WO2015023732A1 (en) * 2013-08-13 2015-02-19 H. Lee Moffitt Cancer Center And Research Institute, Inc. Systems, methods and devices for analyzing quantitative information obtained from radiological images
CN104306011B (zh) * 2014-10-11 2018-10-16 方纬 Spect显像肿瘤摄取定量分析技术及在肿瘤评估中的用途

Also Published As

Publication number Publication date
EP3176609B1 (en) 2019-05-08
EP3525012A1 (en) 2019-08-14
EP3176609A4 (en) 2018-03-14
CN107076857B (zh) 2019-08-13
TW201629522A (zh) 2016-08-16
CN107076857A (zh) 2017-08-18
US20180232877A1 (en) 2018-08-16
WO2016125349A1 (ja) 2016-08-11
KR20170109519A (ko) 2017-09-29
US10395364B2 (en) 2019-08-27
EP3176609A1 (en) 2017-06-07

Similar Documents

Publication Publication Date Title
CN109741284B (zh) 用于校正pet成像中由呼吸运动引起的失配的系统和方法
EP2572332B1 (en) Visualization of medical image data with localized enhancement
JP6442311B2 (ja) 核医学画像中の腫瘍輪郭を抽出する技術
US8897532B2 (en) Systems and methods for performing image type recognition
US8774485B2 (en) Systems and methods for performing segmentation and visualization of multivariate medical images
US20130120443A1 (en) Systems and methods for performing image background selection
JP6185262B2 (ja) 核医学骨画像解析技術
ES2733707T3 (es) Técnica de análisis de imagen médica nuclear
JP6442309B2 (ja) 核医学画像解析技術
ES2739425T3 (es) Método y aparato para analizar una imagen de medicina nuclear del miocardio
JP2013223620A (ja) 医用画像のレジストレーション処理装置、方法およびプログラム
ES2941115T3 (es) Método y aparato para formación de imágenes de un órgano
EP4026102B1 (en) Confidence map for neural network based limited angle artifact reduction in cone beam ct
JP6442310B2 (ja) 核医学画像中の腫瘍領域を抽出する技術
JP2013116293A (ja) 骨粗鬆症診断支援装置、骨粗鬆症診断支援プログラム、及び骨密度変化部位特定方法
JP2007248121A (ja) 断層画像の輪郭抽出方法、プログラム、および装置
JP6285304B2 (ja) コンピュータプログラム、画像処理装置及び方法
JP6386629B2 (ja) 核医学骨画像解析技術
US11963670B2 (en) Systems and methods for identifying biopsy location coordinates
US11210848B1 (en) Machine learning model for analysis of 2D images depicting a 3D object
Darvish et al. Presentation and evaluation of gated-SPECT myocardial perfusion images: Radial Slices-data reduction without loss of information