ITMO20130326A1 - Metodo di analisi - Google Patents

Metodo di analisi

Info

Publication number
ITMO20130326A1
ITMO20130326A1 IT000326A ITMO20130326A ITMO20130326A1 IT MO20130326 A1 ITMO20130326 A1 IT MO20130326A1 IT 000326 A IT000326 A IT 000326A IT MO20130326 A ITMO20130326 A IT MO20130326A IT MO20130326 A1 ITMO20130326 A1 IT MO20130326A1
Authority
IT
Italy
Prior art keywords
treatment
wash
slope
interest
maximum signal
Prior art date
Application number
IT000326A
Other languages
English (en)
Inventor
Roberta Fusco
Antonella Petrillo
Original Assignee
Istituto Naz Tumori Fondazi One G Pascale
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Istituto Naz Tumori Fondazi One G Pascale filed Critical Istituto Naz Tumori Fondazi One G Pascale
Priority to IT000326A priority Critical patent/ITMO20130326A1/it
Priority to JP2016555934A priority patent/JP6528977B2/ja
Priority to US15/100,311 priority patent/US10373310B2/en
Priority to NO14828504A priority patent/NO3074950T3/no
Priority to EP14828504.2A priority patent/EP3074950B1/en
Priority to PCT/IB2014/002592 priority patent/WO2015079311A1/en
Publication of ITMO20130326A1 publication Critical patent/ITMO20130326A1/it

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00Arrangements or instruments for measuring magnetic variables
    • G01R33/20Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48NMR imaging systems
    • G01R33/54Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5601Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution involving use of a contrast agent for contrast manipulation, e.g. a paramagnetic, super-paramagnetic, ferromagnetic or hyperpolarised contrast agent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30028Colon; Small intestine
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30096Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
  • Image Processing (AREA)

Description

“METODO DI ANALISI”.
DESCRIZIONE
La presente invenzione si riferisce ad un metodo per l’analisi dei dati fomiti dalla Risonanza Magnetica con somministrazione in dinamica di mezzo di contrasto (DCE-MRI) in pazienti con cancro del retto localmente avanzato, dopo radio-chemioterapia neoadiuvante. La DCE-MRI consiste nell’ acquisizione di un volume tumorale prima durante e dopo la somministrazione di un mezzo di contrasto e nella successiva valutazione delle curve Tempo-Intensità (TIC), ottenute come valore medio nel tempo del livello di grigio di una regione di interesse segmentata da un radiologo esperto.
Nonostante gli sforzi fatti per introdurre ed estendere programmi di screening il cancro del retto è spesso fatale perché diagnosticato in fase localmente avanzata della malattia.
La riduzione del tumore dopo radio-chemioterapia (CRT) neoadiuvante è stata considerata un importante fattore prognostico che interessa la probabilità di recidiva e la sopravvivenza libera da malattia.
Tuttavia, una risposta favorevole al trattamento radio-chemioterapico può non sempre essere associato ad una riduzione apprezzabile del volume tumorale, anche perché è spesso difficile distinguere tra fibrosi e residuo tumorale.
Pertanto, la Risonanza Magnetica morfologica è spesso non conclusiva nel discriminare tra soggetti che rispondono completamente alla CRT neoadiuvante, soggetti che rispondono parzialmente e soggetti che non rispondono.
Per questa ragione, attualmente, si tende ad utilizzare la DCE-MRI associata ad un approccio di tipo qualitativo delle curve Tempo-Intensità. In pratica, in questo tipo di approccio l’operatore valuta visivamente l’andamento della TIC ricavata dalle immagini fomite dalla DCE-MRI. Sebbene questa metodologia sia potenzialmente efficace nel rilevare residui tumorali post CRT, essa è per sua natura soggettiva, in quanto dipende dalle capacità e dalla preparazione individuale della persona che “legge” i dati fomiti dalla DCE-MRI.
Il compito principale della presente invenzione è di escogitare un metodo di analisi dei dati fomiti dalla DCE-MRI efettuata in persone con cancro del retto localmente avanzato che consenta di discriminare con grande efficacia i soggetti che rispondono completamente a CRT, quelli che rispondono parzialmente e quelli che non rispondono.
Altro scopo del presente trovato è quello di escogitare un metodo di analisi dei dati fomiti dalla DCE-MRI effettuata in persone affette da cancro del retto localmente avanzato sottoposte a CRT neoadiuvante che consenta di superare i menzionati inconvenienti della tecnica nota nell’ambito di una soluzione semplice, razionale, di facile ed efficace impiego e dal costo contenuto.
Gli scopi sopra esposti sono raggiunti dal presente metodo per anali si dei dati fomiti dalla Risonanza Magnetica con somministrazione in dinamica di mezzo di contrasto in pazienti con cancro del retto localmente avanzato, dopo radio-chemioterapia neoadiuvante secondo la rivendicazione 1.
Altre caratteristiche e vantaggi della presente invenzione risulteranno maggiormente evidenti dalla descrizione di una forma di esecuzione preferita, ma non esclusiva, di un metodo di analisi, illustrato a titolo indicativo, ma non limitativo, nell’unita tavola di disegno in cui la figura 1 è una grafico che mostra dati sperimentali che supportano l’efficacia del metodo del trovato, ove i soggetti rispondenti sono stati rappresentati con un cerchio e quelli non rispondenti con un triangolo.
Il metodo dell’invenzione è stato escogitato per condurre un’analisi dei dati fomiti dalla DCE-MRI eseguita in pazienti con cancro del retto localmente avanzato.
In dettaglio, l’invenzione è costituita da una metodologia di calcolo che è formalizzabile in un algoritmo ed implementabile in un programma per elaboratore.
Il metodo proposto permette all’operatore di eseguire un’analisi semiquantitativa dei dati di DCE-MRI, al fine di discriminare tra pazienti che rispondono completamente alla CRT neoadiuvante, pazienti che rispondono parzialmente e pazienti che non rispondono.
Chiaramente, la valutazione dell’operatore e la sua prognosi non costituiscono oggetto dell’invenzione.
Il metodo prevede innanzitutto di rendere disponibili immagini digitali pretrattamento, relative a diversi istanti prima, durante e dopo la somministrazione del mezzo di contrasto, prodotte tramite DCE-MRI condotta sul paziente prima di sottoporlo a CRT. Il mezzo di contrasto utilizzato è un contrasto paramagnetico a base di gadolinio.
In queste immagini pretrattamento sono individuate una o più regioni di interesse, che definiscono i contorni del tumore.
I contorni possono essere tracciati “manualmente” dall’operatore impiegando programmi di elaborazione grafica o simili.
Inoltre, si rendono disponibili ulteriori immagini digitali post-trattamento, prodotte tramite DCE-MRI, questa volta effettuata sul paziente dopo che questi è stato sottoposto a CRT, nelle quali sono individuate una o più regioni di interesse post-trattamento che definiscono i contorni del tumore. In pratica, le regioni di interesse pre- e post- trattamento identificate individuano il volume tumorale del paziente prima della CRT e il residuo tumorale e/o necrosi/fibrosi dopo CRT. Il metodo prevede, a questo punto, di suddividere le regioni di interesse pre- e post-trattamento identificate in una pluralità di porzioni, quali ad esempio i pixel delle relative immagini, per ciascuna delle quali viene calcolata una prima curva tempo-intensità di pre-trattamento ed una seconda curva tempo-intensità post-trattamento. Con il termine “intensità” qui utilizzato in riferimento alle curve calcolate, si intende il livello di intensità del colore (generalmente grigio) di ciascuna porzione identificata, ad esempio il livello di intensità di ciascun pixel, il quale è correlato all’ assorbimento del mezzo di contrasto nella corrispondente area tissutale e, quindi, alla vascolarizzazione tumorale. H metodo oggetto del presente trovato prevede quindi ottenimento di una pluralità di prime curve, relative alle porzioni in cui è stata suddivisa la regione di interesse pre-trattamento, e di una pluralità di seconde curve, relative alle porzioni in cui è stata suddivisa la regione di interesse posttrattamento.
Per ciascuna delle curve così ottenute si calcolano due particolari descrittori di forma che sono, rispettivamente, la massima differenza di segnale e la pendenza del tratto di wash-out, quest’ultimo essendo notoriamente il tratto di curva che rappresenta la fase di escrezione del mezzo di contrasto e che corrisponde alla porzione che parte dal punto in cui si ha la massima intensità di segnale. Si ottengono quindi una prima pluralità di valori relativi alla massima differenza di segnale ed alla pendenza del tratto di wash-out, corrispondente al numero di prime curve calcolate, ed una seconda pluralità di valori relativi alla massima differenza di segnale ed alla pendenza del tratto di wash-out, corrispondenti al numero delle seconde curve calcolate.
Dopodiché, si determina il valore mediano della massima differenza di segnale e della pendenza del tratto di wash-out calcolati per le prime curve ed il valore mediano dei medesimi descrittori di forma calcolati per le seconde curve. In tal modo si ottiene un primo valore mediano della massima differenza di segnale e della pendenza del tratto di wash-out relativi alla regione di pre-trattamento, ed un secondo valore mediano della massima differenza di segnale e della pendenza del tratto di wash-out relativi alla regione di post-trattamento.
Successivamente, si determina la variazione percentuale tra i valori mediani così calcolati, ovvero la variazione percentuale tra il valore mediano della massima differenza di segnale e della pendenza del tratto di wash-out calcolati per le prime curve e, rispettivamente, il valore mediano della massima differenza di segnale e della pendenza del tratto di wash-out calcolati per le seconde curve.
Tali variazioni percentuali, ovvero la variazione percentuale della massima differenza di segnale e la variazione percentuale della pendenza del tratto di wash-out, sono combinate linearmente a definire un indice di classificazione lineare a due parametri.
In pratica, indice si calcola impiegando la formula seguente: aAMSD+ βΑWOS, dove AMSDcorrisponde alla variazione percentuale della massima differenza di segnale, Awoscorrisponde alla variazione percentuale della pendenza del tratto di wash-out, mentre a e β sono numeri reali (i cui valori preferenziali sono sotto discussi).
Si noti che l’invenzione fornisce un indice che è la combinazione di due parametri che sono entrambi atti ad essere impiegati dall’operatore per discriminare la responsività dei pazienti al trattamento CRT.
Nel dettaglio, entrambi i parametri percentuali si basano su descrittori di forma delle curve tempo-intensità che riflettono il grado di angiogenesi delle regioni di interesse considerate, il che è notoriamente un indicatore estremamente afidabile della formazione di tessuto neoplastico o, come in questo caso, della sua remissione.
H Richiedente ha scelto, quali parametri della combinazione lineare, la variazione della massima differenza di segnale e la variazione di pendenza del tratto di wash-out a seguito di studi clinici in cui i pazienti considerati sono stati sottoposti a CRT ed a successiva resezione mesorettale per la verifica isto-patologica della presenza di tumore.
La verifica è stata effettuata valutando i margini di resezione dei campioni prelevati, secondo modalità note ed assodate in letteratura, ed i risultati sono stati classificati in base al grado di regressione tumorale (TRG).
Durante lo studio, sono state prese in considerazione anche le variazioni di altri descrittori di forma.
Tenendo conto dei risultati della verifica della presenza dei tumori, si è svolta un’analisi statistica che ha comportato anche il calcolo delle curve ROC (Receiver Operating Characteristic) delle possibili combinazioni lineari delle variazioni dei diversi descrittori e, per ciascuna curva, se n’è calcolata l’area della superficie sottesa o AUROC (area under ROC).
La combinazione lineare tra le variazioni percentuali della differenza di segnale e della pendenza del tratto di wash-out è quella caratterizzata dal AUROC di ampiezza maggiore ed è stata pertanto ritenuta la più efficace per essere impiegata come indice di discriminazione tra pazienti rispondenti e non.
Si noti che la combinazione dei due parametri è risultata sorprendentemente sinergica, in quanto è pur vero che ciascuno di essi, preso singolarmente, potrebbe essere un indice di discriminazione plausibile, ma è stato verificato che, in questo caso, vi sarebbe una sovrapposizione statistica tra i soggetti classificati come rispondenti e quelli classificati come non rispondenti, portando a potenziali falsi positivi o negativi.
La combinazione lineare dei due parametri invece ha ottimizzato la sensitività, la sensibilità e quindi l’accuratezza.
In generale, α e β possono essere compresi tra 0,5 ed 1.
Di preferenza, a è scelto pari a 0,778 e β è scelto pari a 0,6157 perché la combinazione lineare così definita porta ad un indice che massimizza e che in questo caso può essere chiamato Indice di Forma Standardizzato o Standardized Index of Shape (SIS) (si veda la figura 1). Un primo valore di cut-off dell’Indice di Forma Standardizzato, al di sotto del quale i pazienti verranno considerati non responsivi, è preferibilmente compreso tra - 2% e - 4%. Più in particolare, il primo valore di cut-off è pari a - 3%. I pazienti che presentano un valore di SIS superiore al - 3% saranno ritenuti responsivi alla terapia.
Un secondo valore di cut-off del SIS, oltre al quale i pazienti saranno ritenuti completamente responsivi alla terapia, è compreso tra 40% e 60%. Preferibilmente, il secondo valore di cut-off del SIS è pari a 50%.
Ad ogni buon conto, le valutazioni cliniche dell’operatore esulano dall’oggetto del presente brevetto.
Nella figura 1, si vede in modo chiaro come i soggetti rispondenti che hanno partecipato alla sperimentazione abbiano valori elevati del SIS.
Si è in pratica constatato come l’invenzione descritta raggiunga gli scopi proposti ed in particolare si sottolinea il fatto che indice di classificazione lineare ottenuto con il metodo oggetto del presente trovato consente di valutare in modo efficace la risposta dei pazienti sottoposti a CRT.

Claims (8)

  1. RIVENDICAZIONI 1) Metodo per l’analisi dei dati fomiti dalla Risonanza Magnetica con somministrazione in dinamica di un mezzo di contrasto, detta DCE-MRI, eseguita in pazienti affetti da cancro del retto localmente avanzato, dopo trattamento radio-chemioterapico neoadiuvante, comprendente le fasi di: - rendere disponibili immagini digitali pre-trattamento ottenute mediante detta DCE-MRI eseguita sul paziente prima di sottoporlo al trattamento radio-chemioterapico, nelle quali sono individuate una o più regioni di interesse pre-trattamento, che individuano i contorni del tumore; rendere disponibili immagini digitali post-trattamento ottenute mediante detta DCE-MRJ eseguita sul paziente dopo averlo sottoposta al trattamento radio-chemioterapico, nelle quali sono individuate una o più regioni di interesse post-trattamento, che individuano i contorni del tumore residuo; suddividere dette regioni di interesse pre- e post-trattamento in una pluralità di porzioni; calcolare una prima curva tempo-intensità per ciascuna di dette porzioni delle regioni di interesse pre-trattamento ed una seconda curva tempo-intensità per ciascuna di dette porzioni delle regioni di interesse post-trattamento; calcolare la massima differenza di segnale e la pendenza del tratto di wash-out per ciascuna di dette prime e di dette seconde curve così calcolate; calcolare il valore mediano della massima differenza di segnale e della pendenza del tratto di wash-out calcolati per dette prime e per dette seconde curve; - calcolare la variazione percentuale tra i valori mediani della massima diferenza di segnale e della pendenza del tratto di wash-out calcolati per dette prime curve ed i valori mediani della massima diferenza di segnale e della pendenza del tratto di wash out calcolati per dette seconde curve; combinare linearmente detta variazione percentuale della massima diferenza di segnale e detta variazione percentuale della pendenza del tratto di wash-out, a definire un relativo indice di classificazione lineare.
  2. 2) Metodo secondo la rivendicazione 1, caratterizzato dal fatto che detto indice è calcolato con la formula seguente αΔMSD+ βΔWOS, dove ΔMSDcorrisponde a detta variazione percentuale della massima di differenza di segnale, Awoscorrisponde a detta variazione percentuale della pendenza del tratto di wash-out, a è un numero tra 0,5 ed 1 e β è un numero tra 0,5 ed 1.
  3. 3) Metodo secondo la rivendicazione 2, caratterizzato dal fatto che a è pari a 0,778.
  4. 4) Metodo secondo la rivendicazione 2 o la rivendicazione 3, caratterizzato dal fatto che β è 0,6157.Metodo secondo una o più delle rivendicazioni precedenti, caratterizzato dal fatto che un primo valore di cut-off di detto indice è compreso tra -2% e -4%.
  5. 5) Metodo secondo la rivendicazione 5, caratterizzato dal fatto che detto primo valore di cut-off è pari a - 3%.
  6. 6) Metodo secondo una o più delle rivendicazioni precedenti, caratterizzato dal fatto che un secondo valore di cut-off di detto indice è compreso tra 40% e 60%.
  7. 7) Metodo secondo la rivendicazione 7, caratterizzato dal fatto che secondo valore di cut-off è pari a 50%.
  8. 8) Metodo secondo una o più delle rivendicazioni precedenti, caratterizzato dal fatto che dette porzioni delle regioni di interesse pre- e post-trattamento corrispondono a ciascun pixel delle regioni stesse.
IT000326A 2013-11-29 2013-11-29 Metodo di analisi ITMO20130326A1 (it)

Priority Applications (6)

Application Number Priority Date Filing Date Title
IT000326A ITMO20130326A1 (it) 2013-11-29 2013-11-29 Metodo di analisi
JP2016555934A JP6528977B2 (ja) 2013-11-29 2014-11-28 造影剤を動的に投与した磁気共鳴画像により提供されたデータを分析する方法
US15/100,311 US10373310B2 (en) 2013-11-29 2014-11-28 Method for analyzing data provided by magnetic resonance imaging with dynamic administration of contrast medium
NO14828504A NO3074950T3 (it) 2013-11-29 2014-11-28
EP14828504.2A EP3074950B1 (en) 2013-11-29 2014-11-28 Method for analyzing data provided by magnetic resonance imaging with dynamic administration of contrast medium
PCT/IB2014/002592 WO2015079311A1 (en) 2013-11-29 2014-11-28 Method for analyzing data provided by magnetic resonance imaging with dynamic administration of contrast medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
IT000326A ITMO20130326A1 (it) 2013-11-29 2013-11-29 Metodo di analisi

Publications (1)

Publication Number Publication Date
ITMO20130326A1 true ITMO20130326A1 (it) 2015-05-30

Family

ID=50033652

Family Applications (1)

Application Number Title Priority Date Filing Date
IT000326A ITMO20130326A1 (it) 2013-11-29 2013-11-29 Metodo di analisi

Country Status (6)

Country Link
US (1) US10373310B2 (it)
EP (1) EP3074950B1 (it)
JP (1) JP6528977B2 (it)
IT (1) ITMO20130326A1 (it)
NO (1) NO3074950T3 (it)
WO (1) WO2015079311A1 (it)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITMO20130326A1 (it) 2013-11-29 2015-05-30 Istituto Naz Tumori Fondazi One G Pascale Metodo di analisi

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001035339A2 (en) * 1999-10-29 2001-05-17 Cnr Consiglio Nazionale Delle Ricerche Automatic analysis of anatomical images time sequence
WO2011146475A1 (en) * 2010-05-17 2011-11-24 Children's Hospital Los Angeles Method and system for quantitative renal assessment

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6553327B2 (en) * 1998-09-16 2003-04-22 Yeda Research & Development Co., Ltd. Apparatus for monitoring a system with time in space and method therefor
US7024024B1 (en) * 2000-11-14 2006-04-04 Axle International System for contrast echo analysis
US6496560B1 (en) * 2001-11-21 2002-12-17 Koninklijke Philips Electronics, N.V. Motion correction for perfusion measurements
JP2006198225A (ja) * 2005-01-21 2006-08-03 Hitachi Medical Corp 磁気共鳴イメージング装置
US8014576B2 (en) * 2005-11-23 2011-09-06 The Medipattern Corporation Method and system of computer-aided quantitative and qualitative analysis of medical images
US10130342B2 (en) * 2007-12-28 2018-11-20 Bracco Suisse Sa Initialization of fitting parameters for perfusion assessment based on bolus administration
US8406860B2 (en) * 2008-01-25 2013-03-26 Novadaq Technologies Inc. Method for evaluating blush in myocardial tissue
JP2011512963A (ja) * 2008-02-29 2011-04-28 ザ リージェンツ オブ ザ ユニバーシティ オブ ミシガン 組織における変化を撮像するためのシステムおよび方法
US8194963B2 (en) * 2008-03-10 2012-06-05 Siemens Medical Solutions Usa, Inc. Efficient estimator of pharmacokinetic parameters in breast MRI
EP2321664A1 (en) * 2008-07-29 2011-05-18 Board of Trustees of Michigan State University System and method for differentiating benign from malignant contrast-enhanced lesions
EP2189112A1 (en) * 2008-11-24 2010-05-26 Bracco Research S.A. Real-time perfusion imaging and quantification
JP5642398B2 (ja) * 2009-04-24 2014-12-17 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 血流動態解析装置、磁気共鳴イメージング装置、およびプログラム
NO20101638A1 (no) * 2010-11-22 2012-05-23 Sunnmore Mr Klinikk As Fremgangsmate ved ex vivo distingvering mellom maligne og benigne tumorer ved anvendelse av kontrastmiddelbasert MR-skanning
US20140163403A1 (en) * 2012-12-12 2014-06-12 The Texas A&M University System Automated determination of arterial input function areas in perfusion analysis
ITMO20130326A1 (it) 2013-11-29 2015-05-30 Istituto Naz Tumori Fondazi One G Pascale Metodo di analisi

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001035339A2 (en) * 1999-10-29 2001-05-17 Cnr Consiglio Nazionale Delle Ricerche Automatic analysis of anatomical images time sequence
WO2011146475A1 (en) * 2010-05-17 2011-11-24 Children's Hospital Los Angeles Method and system for quantitative renal assessment

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PICKLES M D ET AL: "Prognostic value of pre-treatment DCE-MRI parameters in predicting disease free and overall survival for breast cancer patients undergoing neoadjuvant chemotherapy", EUROPEAN JOURNAL OF RADIOLOGY, ELSEVIER SCIENCE, NL, vol. 71, no. 3, 1 September 2009 (2009-09-01), pages 498 - 505, XP026586694, ISSN: 0720-048X, [retrieved on 20080624], DOI: 10.1016/J.EJRAD.2008.05.007 *
R. FUSCO ET AL: "Use of Tracer Kinetic Models for Selection of Semi-Quantitative Features for DCE-MRI Data Classification", APPLIED MAGNETIC RESONANCE, vol. 44, no. 11, 1 November 2013 (2013-11-01), pages 1311 - 1324, XP055131485, ISSN: 0937-9347, DOI: 10.1007/s00723-013-0481-7 *
SANSONE M ET AL: "A study on reference based time intensity curves quantification in DCE-MRI monitoring of rectal cancer", WORLD CONGRESS ON MEDICAL PHYSICS AND BIOMEDICAL ENGINEERING, SEPTEMBER 7 - 12, 2009, MUNICH, GERMANY (IFMBE PROCEEDINGS),, vol. 25/2, 7 September 2009 (2009-09-07), pages 38 - 41, XP009179368 *

Also Published As

Publication number Publication date
NO3074950T3 (it) 2018-08-04
EP3074950B1 (en) 2018-03-07
WO2015079311A1 (en) 2015-06-04
JP2017504445A (ja) 2017-02-09
EP3074950A1 (en) 2016-10-05
US20160300344A1 (en) 2016-10-13
US10373310B2 (en) 2019-08-06
JP6528977B2 (ja) 2019-06-12

Similar Documents

Publication Publication Date Title
Quang et al. A tablet-interfaced high-resolution microendoscope with automated image interpretation for real-time evaluation of esophageal squamous cell neoplasia
Miwa et al. FDG uptake heterogeneity evaluated by fractal analysis improves the differential diagnosis of pulmonary nodules
Zhao et al. Prostate cancer identification: quantitative analysis of T2-weighted MR images based on a back propagation artificial neural network model
Wang et al. Contrast-enhanced spectral mammography-based radiomics nomogram for the prediction of neoadjuvant chemotherapy-insensitive breast cancers
Jansen et al. Characterizing early contrast uptake of ductal carcinoma in situ with high temporal resolution dynamic contrast-enhanced MRI of the breast: a pilot study
TWI624807B (zh) 醫學影像之迭代式分析法
Peng et al. Prediction of unenhanced lesion evolution in multiple sclerosis using radiomics-based models: a machine learning approach
Zhang et al. Diagnostic accuracy of semiautomatic lesion detection plus quantitative susceptibility mapping in the identification of new and enhancing multiple sclerosis lesions
Seidenari et al. High magnification digital dermoscopy of basal cell carcinoma: a single-centre study on 400 cases.
Kaaouana et al. Improved cerebral microbleeds detection using their magnetic signature on T2*-phase-contrast: a comparison study in a clinical setting
ITMO20130326A1 (it) Metodo di analisi
Sokolović et al. The prognostic value of SUVmax of 18F-FDG PET/CT in patients with metastatic colorectal cancer.
Yu et al. Clinical value of tumour specific growth factor (TSGF) and carbohydrate antigen-125 (CA-125) in carcinoma of the endometrium
JP2023073399A (ja) 評価方法及び評価システム
RU2013152250A (ru) Диагностическая визуализация головного мозга
Ding et al. Three-dimensional vessel segmentation using a novel combinatory filter framework
KR20150059931A (ko) 다파장 영상구현 및 영상분석을 통한 흑색종판별방법 및 흑색종판별시스템
East et al. 1080b: Narrow Band Imaging (NBI) for Adenoma Detection in High Risk Patients: A Randomised, Controlled Trial
Hill et al. Contrast-enhanced digital mammography lesion morphology and a phantom for performance evaluation
Nowicki et al. Clinical value of colonoscopy and positron emission tomography with computed tomography for colorectal cancer diagnosis
Weaver et al. Association of sarcopenia with dose-limiting toxicties and survival in oesophageal adenocarcinoma treated with neoadjuvant chemotherapy
CN113425266B (zh) 一种基于红外成像的皮肤癌筛查系统
Putcha et al. Interception versus prevention in cancer screening: Results from the CRC-MAPS model
Kim et al. An easy method for the evaluation of visual tumor 18 heterogeneity of F-FDG PET/CT using 10-step color scale: A correlative study in patients with lung cancer
Al-Jifree et al. Effect of Age on Survival in Patients with Cervical Cancer: Age and Survival in Cervical Cancer