JP2015510408A

JP2015510408A - バイオイメージンググリッド

Info

Publication number: JP2015510408A
Application number: JP2014550542A
Authority: JP
Inventors: モリ、ススム; ミラー、マイケル、アイ．
Original assignee: ザ・ジョンズ・ホプキンス・ユニバーシティー
Priority date: 2011-12-30
Filing date: 2012-12-31
Publication date: 2015-04-09
Also published as: EP2798608A4; US9646138B2; US20150302171A1; WO2013102215A1; EP2798608A1

Abstract

【解決手段】根拠に基づいた統計的診断支援のための、方法、システム、および媒体である。例示的な方法は、入力画像を標準化して、標準化入力画像を生成する段階と、標準化入力画像を構造化して、複数の解剖学的性質で特徴付けする段階と、複数の解剖学的性質を用いて、入力画像を複数の参照症例のうちの１または複数の参照症例にマッピングする段階であって、このときこの１または複数の参照症例が第１非画像臨床情報に関連付けられている段階と、１または複数の参照症例と第１非画像臨床情報とに基づいて、入力画像に関する第２非画像臨床情報を決定する段階とを含み得る。

Description

［関連出願］
本出願は、参照することにより本書に組み込まれる、「イメージグリッド（ＩｍａｇｅＧｒｉｄ）」と題する同時係属の米国仮特許出願第６１／５８１，７４０号の優先権を主張する。

本発明は、国立衛生研究所（ＮａｔｉｏｎａｌＩｎｓｔｉｔｕｔｅｓｏｆＨｅａｌｔｈ／ＤＨＨＳ）により授与された、ＧｒａｎｔＮｏ．ＲＯ１ＡＧ０２００１２およびＰ４１ＥＢ０１５９０９の政府支援でなされたものである。米国政府は本発明に特定の権利を有する。

種々の実施形態は、一般に、定量的画像解析に関し得る。いくつかの実施形態は、特に、定量的画像解析のための方法、システム、および媒体に関し得る。

組織分割と画像マッチングに基づく定量的解析は、脳研究でうまく利用されてきたが、この定量的解析は日々の臨床診断や予後診断に日常的には用いられていない。その基本的な理由の１つは、母集団の平均化や単一アトラスに基づく解剖学的特性評価といった概念は、解剖学的変動が本質的に極めて大きい臨床診断に適合しないことだと考えられる。このことから、「母集団の代表的アトラス」という考え方はあまり意味がなくなり、また単一アトラスに基づいた画像マッチングの精度は損なわれている。マルチアトラスの手法は、位置合わせ精度の観点で、よりしっかりしたものである可能性がある。しかしこの技術は、多くの事前に区分された画像を必要とする画像の区分化（ｐａｒｃｅｌｌａｔｉｏｎ）で、より優れた精度を達成するべく開発されたものである。ターゲット母集団、この場合は臨床群の、解剖学的変動が大きい場合、事前に区分されるアトラスの数も多くする必要があり、このため、手動での抽出を必要とすることが多い正確に事前に区分化されたアトラスを、いかにしてそれほど多く生成するかといった、実際の問題がもたらされることになる。

分割／区分化および画像マッピングの全手法で、より基本的な問題になるのは、最終結果が、臨床的に意味のある情報を直接提供するものではない、解剖学的構造の単なる定量的な特性評価であるということであり、例えば、海馬自体の体積は臨床的に有用ではない。あらゆる人の海馬体積は様々である。海馬体積で、たった５パーセンタイルの位置に、海馬体積が小さい機能的に健康な高齢者が存在し、一方アルツハイマー病の患者の海馬体積が２０パーセンタイルのこともあり得る。

種々の実施形態は、一般に、根拠に基づいた統計的診断支援に関する。

一実施の形態は、根拠に基づいた統計的診断支援の方法を含み、この方法は、入力画像を標準化して、標準化入力画像を生成する段階と、標準化入力画像を構造化して、複数の解剖学的性質で特徴付けする段階と、複数の解剖学的性質を用いて、入力画像を複数の参照症例のうちの１または複数の参照症例にマッピングする段階であって、このときこの１または複数の参照症例が第１非画像臨床情報に関連付けられている段階と、１または複数の参照症例と第１非画像臨床情報とに基づいて、入力画像に関する第２非画像臨床情報を決定する段階とを備える。

一実施の形態は、根拠に基づいた統計的診断支援のためのシステムを含み、このシステムは、メモリと、メモリに接続されたプロセッサであって、入力画像を標準化して、標準化入力画像を生成し、標準化入力画像を構造化して、複数の解剖学的性質で特徴付けし、複数の解剖学的性質を用いて、入力画像を複数の参照症例のうちの１または複数の参照症例にマッピングし、このときこの１または複数の参照症例は第１非画像臨床情報に関連付けられており、さらに、１または複数の参照症例と第１非画像臨床情報とに基づいて、入力画像に関する第２非画像臨床情報を決定する、ように構成されたプロセッサとを備える。

一実施の形態は、根拠に基づいた統計的診断支援のためのコンピューター可読記憶媒体を含み、このコンピューター可読記憶媒体は、実行された場合コンピューティングシステムが、複数の臨床画像を標準化して複数の標準化臨床画像を生成し、複数の標準化臨床画像を構造化して、複数の標準化臨床画像の各画像に対して複数の解剖学的性質で特徴付けし、複数の解剖学的性質を用いて、第１非画像臨床情報に関連付けられている複数の参照症例を生成し、さらにこの複数の参照症例をデータベースに保存することができる、命令を含む。

一実施の形態は、対象患者の解剖学的特徴を画像ベースの臨床データベース内の母集団データに対してマッピングする方法を含み、この方法は、構造化解剖学的情報または変換行列を用いて教師なし解析を実行する段階と、画像ベースの臨床データベース内の臨床情報を取り入れた、教師付き解析を実行する段階とを備える。

一実施の形態は、臨床データベース内に保存された画像データ内で、クラスタリングする、または階層を生成する方法を含み、この方法は、データベース内のデータ対間で画像マッピングを実行する段階と、画像−ベクトル変換方法または画像−行列変換方法を用いて画像の構造化を実行し、画像特徴ベクトルまたは画像特徴行列を生成する段階と、画像特徴ベクトルまたは画像特徴行列に基づき、画像特徴ベクトル間または画像特徴行列間の類似性に基づいて複数のクラスタを算出する段階とを備える。

一実施の形態は、反復手法を用いて脳マッピングおよび画像区分化を実行する方法を含み、この方法は、単一参照のマッピングを用いて最初のマッピングまたは区分化を実行する段階と、変換行列または構造化解剖学的特徴行列を用いて類似参照を検索する段階と、クラスタの代表的症例を用いて参照検索の効率をさらに高める段階と、単一参照または複数参照の、画像マッピングまたは区分化を実行して、マッピングまたは区分化の精度を高め、向上したマッピング情報または区分化情報を生成する段階と、向上したマッピング情報または区分化情報を用いて参照を検索する段階と、必要であれば、適当なクラスタ内をさらに検索して、類似の解剖学的特徴を有する単一または複数の参照を得る段階と、クラスタの階層を下りることによって反復して検索し、マッピングおよび区分化の精度を向上させる段階とを備える。

これらおよび他の特徴および利点は、以下の詳細な説明および関連図面の説明を読むことで明らかになるであろう。前述の一般的な説明および以下の詳細な説明は、説明のためのみのものであって、請求される態様を制限するものではないことを理解されたい。

ここで実施形態を、図面に関連して説明する。

１または複数の実施形態による例示的なアトラスを示す図である。１または複数の実施形態による例示的なアトラスを示す図である。１または複数の実施形態による例示的なアトラスを示す図である。１または複数の実施形態による例示的なアトラスを示す図である。

１または複数の実施形態による例示的な生物学的イメージンググリッドを示す図である。

１または複数の実施形態による例示的なデータベース登録事項を示す図である。

１または複数の実施形態による例示的なＮ次元の解剖学的空間を示す図である。

１または複数の実施形態による例示的な解剖学的類似性のマッピングを示す図である。

１または複数の実施形態による例示的なワークフローのブロック図である。

１または複数の実施形態による例示的な方法のブロック図である。

１または複数の実施形態によるコンピューティング装置を実施するための例示的なアーキテクチャを示す図である。

例示的な実施形態を以下で詳細に論じる。特定の例示的な実施形態を論じるが、これは説明の目的のみのためになされることを理解されたい。例示的な実施形態の記述および説明には、明確にするべく特定の用語を採用する。しかしながら実施形態は、その選択された特定の用語に限定されるよう意図されていない。関連技術の当業者は、実施形態の精神および範囲から離れずに、他の構成要素および構成を使用し得ることを認めるであろう。各特定の要素は、類似した形で動作して類似の目的を果たす、技術的に同等な全てのものを含むことを理解されたい。本書で説明する例および実施形態は、非限定的な例である。

生物学的イメージンググリッド（ＢｉｏｌｏｇｉｃａｌＩｍａｇｉｎｇＧｒｉｄ：ＢＩＧ）の概念は、解剖学的表現型を、定量的にかつより臨床的に意義のある形で評価する、全く新しい構想を提供する。

臨床的に有用な情報を提供する画像解析にとって、画像の定量化（分割、区分化、およびボクセルベースの解析など）は、患者の病状をより体系的に解釈するのを助けて診断の精度、確度、および／または効率を最終的には向上させるであろう、単なる情報の中間の形であることを認識する必要がある。生物学的イメージンググリッドでは、放射線医が視覚的な解剖学的手掛かりを診断に直接どのように結びつけるかを、過去の経験や（例えば、内部画像データベースを使用するなどして）、ある理論的枠組みの画像類似性検索を取り入れることによって模倣する。

図２は、１または複数の実施形態による例示的な生物学的イメージンググリッドを描いたものである。生物学的イメージンググリッドは、構造化臨床データベース２０３、母集団マッピング技術２０１および画像マッピング技術２０２などの２種類のマッピング技術、並びに診断支援エンジン２０４を含み得る。

図３は、１または複数の実施形態による例示的なデータベース登録事項を描いたものである。例示的なデータベース登録事項は、構造化臨床データベース２０３に保存してもよい。構造化臨床データベースは、１または複数の患者または被験者に対し、１または複数の登録事項を保存することができる。データベース登録事項は、患者の画像データおよび臨床情報のための、２つのフィールドを含み得る。画像データは、ＭＲＩ、ＣＴ、およびＰＥＴなどのスキャナからの原画像データ３０１を含む。これらの原画像を、その位置および向き並びにサイズを１または複数の基準座標系に位置合わせするように変更して、位置／サイズ標準化画像３０２として保存してもよい。これにより、データベース内の全ての画像データが確実に、類似した解剖学的位置となる。この画像をさらに処理して構造化データに変換し、解剖学的特徴ベクトル／行列と称され得る解剖学的特徴を捉えたベクトルまたは行列などの、構造化画像特徴３０３として保存してもよい。登録事項は、人口統計学的データ３０４と、さらに構造化臨床情報３０５または自由テキスト記述などの非構造化臨床情報３０６とを含有する、テキストフィールドを含み得る。

画像の構造化画像特徴３０３への変換は、例えば種々の構造に分割することによって達成することができ、これにより画像データは、分割された構造の名称と、その体積および信号強度とから成る行列に変換される。例えば、脳の３ＤＭＲＩの寸法を、２５６×２５６×１００であると仮定する。Ｔ１強調画像およびＴ２強調画像などのマルチコントラストが存在している場合、データ全体で２×２５６×２５６×１００となる。３Ｄ体積データ内で１００の構造が画定される場合、２５６×２５６×１００のデータ寸法を有する３Ｄデータは１００まで減少されることになり、全データ量は２×２００となる。これらの変換された（２×２５６×２５６×１００→２×１００）データは、被験者間の直接の比較が可能であることから「構造化」されたものであり、すなわちこれらは定量的でありかつ標準化されている。このような分割は、単一アトラスまたはマルチアトラスの区分化によって達成することができる。構造化データは、参照アトラスまたはマルチアトラスからの、あるいはこれらのアトラスへの、変換行列でもよい。変換行列は、単純な４×４の線形変換行列でもよいし、あるいは各座標が２画像間の対応するボクセルを示すベクトルを含有している、ベクトル場（例えば、３×２５６×２５６×１００）でもよい。

画像マッピング２０２は、対象患者の画像を、原画像データ３０１、位置／サイズ標準化画像３０２、および構造化画像特徴３０３などの、データベース内の既存画像にマッピングすることを含み得る。このマッピングは、画像変換ツールを用いた画像から画像へのボクセルベースのマッピングでもよい。あるいは、患者画像を分割して解剖学的特徴行列に変換し、その後行列と行列との比較を行ってもよい。画像から画像へのボクセルベースのマッピングの後、構造化画像特徴３０３として保存された臨床データベース内の構造定義を患者画像に転写して、アトラスベースの区分化が達成され得る。上述したように、臨床データベース内の既存データの解剖学的構造が対象患者のものに類似している場合、区分化（構造定義）の精度がより優れていると予想することができる。すなわち、異なる度合いの区分化の精度が予想される。精度のレベルは、脳マッピングに使用されたマッピングの残存している誤差（ｒｅｓｉｄｕａｌｍａｐｐｉｎｇｅｒｒｏｒｓ）（または費用関数の値）をモニタリングすることによって推定することができる。このプロセスを高速化するべく、対象患者の最初の画像区分化を、図１Ａに描かれている共通アトラスを用いた単一アトラスベースの区分化で実行して、患者の原画像を解剖学的特徴行列に変換してもよく、さらに類似の解剖学的表現型を共有する臨床データベース内の既存症例を迅速に検索し、検索された症例を用いて、類似の解剖学的構造でマルチアトラスの区分化を実行することができる。

対象患者から臨床データベース２０３内の既存症例への画像マッピング２０２が完了すると、母集団マッピング２０１を実行してもよい。図４は、１または複数の実施形態による、例示的なＮ次元の解剖学的空間を描いたものである。図４において空間は、画像３０１および３０２と構造化データ３０３とによって定量的に表現することができる、解剖学的差異を表す。例えば、概念的に最も容易な解釈の１つは、全脳体積（Ｘ軸）と脳室体積（Ｙ軸）とを用いて、患者の解剖学的構造を２次元空間にプロットしたものである。実際には、解剖学的次元は大幅に大きいこともあり得る。例えば、脳がＮ個の構造に分割される場合、解剖学的空間はＮ次元規模になる。この次元は、例えば、Ｎ次元の解剖学的空間内の独立した成分を抽出しようとする、主成分分析（ＰＣＡ）によって減少させることができる。Ｍ個の被験者の解剖学的変動をＮ次元の解剖学的空間内にプロットした後、臨床情報を解剖学的空間と関連付けてもよい。臨床情報は、患者の年齢や、あるいはその診断情報のような単純なものでもよい。対象患者に対し、臨床データベース２０３内の既存の患者データの１つ、２以上、または全てに対する母集団マッピング２０１を行ってもよい。（画像区分化を含めた）画像マッピングの結果に基づいて、対象患者と全患者との間の解剖学的類似性を推定することができる。図５は、１または複数の実施形態による、解剖学的類似性の例示的なマッピングを描いたものである。図５において、患者データはＰＣＡ空間内の距離に基づいて母集団データに関連付けられる。

母集団マッピング２０１が完了すると、最終段階において、患者の解剖学的構造が母集団ベースの臨床情報に関連付けられる。図４および５では、類似の解剖学的特徴を共有する既存の患者データに基づいて、診断の蓋然性を推定する。図５の実際の例ではＰＣＡ空間内での距離を使用したが、解剖学的空間を、臨床情報を取り入れて臨床データベース内の解剖学的特徴を分類する線形判別分析など、他の種類の機械学習アルゴリズムを使用して生成してもよい。

図４および５の解剖学的空間を、図６に示したようにさらに詳しく表すことができる。上の例では、何万もの画像になる可能性もある臨床データベース内の全データと対象患者との間で、母集団マッピング２０１を用いて画像マッチングを行なった。このプロセスの速さは、解剖学的空間を事前設定することによって高めることができる。対象患者と、著しく異なる解剖学的特徴を有する臨床データベース内の患者との間のイメージングマッピングは必要ないという事実によって効率を上げる。臨床データベース内の患者データの画像特徴行列に基づいて、この患者データをクラスタリングしかつ解剖学的階層を確立することができ、局所的解剖学的空間を代表する代表的症例をここから選択する。画像マッチングおよび解剖学的特徴行列の精度は、局所クラスタ内でマルチアトラスの区分化を実行することによって向上させることができる。新たな対象患者の解剖学的構造を解析する場合、最初の画像マッピングは患者と局所代表症例との間のみで実行される（図６の１次観察点）。この１または複数の観察点は、画像マッピングと解剖学的類似性解析とに基づいて選択される。その後、詳細な母集団マッピングを、その局所位置内のみで実行してもよい。

図７は、１または複数の実施形態に係る例示的なワークフローのブロック図を描いたものである。ＭＲＩ、ＰＥＴ、およびＣＴなどの大量の臨床データが、ブロック７０１において臨床データベースの一部として使用され得る。画像は最初にブロック７０２で、その位置、向き、そして必要であればサイズに関して、標準化される。次いで画像を、解剖学的特徴を標準化されかつ定量的なやり方で捉えた解剖学的特徴行列に変換し、これをブロック７０３で「構造化」と呼ぶ。性別、年齢、機能的状態、および診断などの非画像臨床データが、ブロック７０４で臨床データベースに取り入れられる。例えば、解剖学的データ（画像）を独立変数と考え、かつ非画像臨床データを従属変数と考えてもよい。

ブロック７０６の患者画像は、ブロック７０７で標準化してもよいし、および／またはブロック７０８で構造化してもよい。患者画像をその後、ブロック７０９でデータベース内の画像にマッピングする。図５の例を使用し、構造化された解剖学的情報（Ｎ次元の解剖学的空間）に基づいて、患者とデータベース内の全データとの解剖学的類似性（すなわち図５での距離）の測定結果をマッピングで使用してもよい。効率を促進するべく、臨床データベース内の画像データを事前にクラスタリングしてもよく、かつマッピングを、患者画像とクラスタの代表的症例との間で実行してもよい。画像区分化に基づく構造化は、代表的アトラスを、事前に区分化されているマルチアトラスとして用いて実行してもよい。

画像マッピングの結果に基づいて、各患者の解剖学的特徴をブロック７１０で臨床データベース内の母集団データにマッピングする。つまり、その患者に類似した解剖学的特徴を有する過去の症例を識別する。この手順は、類似した解剖学的特徴を有する過去の症例を識別する「画像検索」と考えることもできる。これは、解剖学的距離が「短い」過去の症例を識別することによって実行することができ、一方解剖学的空間を、Ｎ次元の解剖学的特徴に基づいて主成分分析または線形判別分析のような方法で生成してもよい。その後、臨床情報のレポートをブロック７１１で生成してもよい。レポートは、例えば、類似の解剖学的特徴を有する過去の症例のうち７０％がアルツハイマー病として診断された、その患者の脳の解剖学的構造が８０％の確率でハンチントン病に共通の解剖学的特徴を有している、あるいは、その患者の特定の解剖学的特徴を有している患者らのうち６５％が３年以内に言語障害を発症している、といったものでもよい。ＢＩＧの最終結果は、この種の臨床的に意義のある情報であって、定量的画像解析は、臨床的に重要な解剖学的特徴を共有する過去の臨床症例を見つけることを目的とした中間プロセスである。

図８は、１または複数の実施形態による例示的な方法のブロック図を描いたものである。ブロック８１０で、入力画像を標準化して、標準化入力画像を生成してもよい。ブロック８２０で、標準化入力画像を構造化して、複数の解剖学的性質で特徴付けをしてもよい。ブロック８３０で、複数の解剖学的性質を用いて、入力画像を複数の参照症例のうちの１または複数の参照症例にマッピングしてもよく、このときこの１または複数の参照症例は、第１非画像臨床情報に関連付けられている。ブロック８４０で、１または複数の参照症例と第１非画像臨床情報とに基づいて、入力画像に関する第２非画像臨床情報を決定してもよい。方法の段階のいずれも、プロセッサ、コンピューティング装置、コンピューティング装置の一部、またはこれらの任意の組み合わせにより、これらを用いて、またはこれらと共に、実行することができる。

いくつかの実施形態では、複数の参照症例のうちの１または複数の参照症例が１次観察および２次観察のうちの少なくとも１つをさらに含み得、かつ複数の参照症例のうちの１または複数の参照症例に対する、複数の解剖学的性質を用いた入力画像のマッピングは、１次観察および２次観察のうちの少なくとも１つに入力画像をマッピングするものをさらに含み得る。

いくつかの実施形態では、複数の参照症例のうちの１または複数の参照症例と入力画像とは、同一の身体セグメントに対応したものでもよい。

いくつかの実施形態において、１または複数の参照症例と第１非画像臨床情報とに基づいて入力画像に関する第２非画像臨床情報を決定する段階は、複数の参照症例のうちの１または複数の参照症例に対応する第１非画像臨床情報を識別する段階と、第２非画像臨床情報の量が閾値を超えた場合に第１非画像臨床情報から第２非画像臨床情報を選択する段階とをさらに含み得る。

いくつかの実施形態において、解剖学的性質は、１または複数のベクトル、または、１または複数の行列を用いて表され得る。

いくつかの実施形態において、第１非画像臨床情報は、人口統計学的情報と、１または複数の臨床症状と、１または複数の機能テスト結果と、１または複数の診断と、１または複数の予後診断とのうちの少なくとも１つを含む。

いくつかの実施形態において、第２非画像臨床情報を、レポートとして示してもよいし、あるいは受信者に送信してもよい。

いくつかの実施形態において、解剖学的マッピングは、微分同相写像の画像変換に基づいたものでもよい。

いくつかの実施形態において、根拠に基づいた統計的診断支援のためのシステムは、メモリと、メモリに接続されたプロセッサであって、入力画像を標準化して標準化入力画像を生成し、標準化入力画像を構造化して複数の解剖学的性質で特徴付けし、複数の解剖学的性質を用いて入力画像を複数の参照症例のうちの１または複数の参照症例にマッピングし、このときこの１または複数の参照症例は第１非画像臨床情報に関連付けられており、さらに、１または複数の参照症例と第１非画像臨床情報とに基づいて入力画像に関する第２非画像臨床情報を決定する、ように構成された、プロセッサとを備え得る。

いくつかの実施形態では、複数の参照症例のうちの１または複数の参照症例が１次観察および２次観察のうちの少なくとも１つをさらに含み、かつプロセッサは、入力画像を１次観察および２次観察のうちの少なくとも１つにマッピングするようにさらに構成されている。

いくつかの実施形態では、複数の参照症例のうちの１または複数の参照症例と入力画像とは、同一の身体セグメントに対応する。

いくつかの実施形態において、プロセッサは、複数の参照症例のうちの１または複数の参照症例に対応する第１非画像臨床情報を識別し、かつ、第２非画像臨床情報の量が閾値を超えた場合に第１非画像臨床情報から第２非画像臨床情報を選択するように、さらに構成されている。

いくつかの実施形態において、解剖学的性質は、１または複数のベクトル、または、１または複数の行列を用いて表される。

いくつかの実施形態において、プロセッサは、第２非画像臨床情報をレポートとして示すように、あるいは第２非画像臨床情報を受信者に送信するように、さらに構成されている。

いくつかの実施形態において、根拠に基づいた統計的診断支援のためのコンピューター可読記憶媒体は、実行された場合コンピューティングシステムが、複数の臨床画像を標準化して複数の標準化臨床画像を生成し、複数の標準化臨床画像を構造化して、複数の標準化臨床画像の各画像に対して複数の解剖学的性質で特徴付けし、複数の解剖学的性質を用いて、第１非画像臨床情報に関連付けられている複数の参照症例を生成し、さらにこの複数の参照症例をデータベースに保存することができる、命令を含み得る。

いくつかの実施形態において、コンピューター可読記憶媒体は、実行された場合コンピューティングシステムが、入力画像を標準化して標準化入力画像を生成し、標準化入力画像を構造化して第２の複数の解剖学的性質で特徴付けし、第２の複数の解剖学的性質を用いて、入力画像を複数の参照症例のうちの１または複数の参照症例にマッピングし、さらに１または複数の参照症例と第１非画像臨床情報とに基づいて入力画像に関する第２非画像臨床情報を決定することができる、命令をさらに含み得る。

いくつかの実施形態では、複数の参照症例のうちの１または複数の参照症例が１次観察および２次観察のうちの少なくとも１つをさらに含み、かつ第２の複数の解剖学的性質を用いて入力画像を複数の参照症例のうちの１または複数の参照症例にマッピングする手順は、実行された場合コンピューティングシステムが入力画像を１次観察および２次観察のうちの少なくとも１つにマッピングすることができる、命令をさらに含む。

いくつかの実施形態において、１または複数の参照症例と第１非画像臨床情報とに基づいて入力画像に関する第２非画像臨床情報を決定する手順は、実行された場合コンピューティングシステムが、複数の参照症例のうちの１または複数の参照症例に対応する非画像臨床情報を識別し、さらに第２非画像臨床情報の量が閾値を超えた場合に第１非画像臨床情報から第２非画像臨床情報を選択することができる、命令をさらに含む。

いくつかの実施形態において、非画像臨床情報は、人口統計学的情報と、１または複数の臨床症状と、１または複数の機能テスト結果と、１または複数の診断と、１または複数の予後診断とのうちの少なくとも１つを含む。

いくつかの実施形態において、コンピューター可読記憶媒体は、実行された場合コンピューティングシステムが、第２非画像臨床情報をレポートとして示す、または第２非画像臨床情報を受信者に送信する、あるいはこれらを任意に組み合わせることができる、命令をさらに含んでもよい。

いくつかの実施形態において、対象患者の解剖学的特徴を画像ベースの臨床データベース内の母集団データに対してマッピングする方法は、構造化解剖学的情報または変換行列を用いて教師なし解析を実行する段階と、画像ベースの臨床データベース内の臨床情報を取り入れた、教師付き解析を実行する段階とを備え得る。いくつかの実施形態では、患者の解剖学的構造を、解剖学的類似性、または臨床的に意味のある解剖学的特徴における類似性、に基づき、類似度指数を用いて母集団内でマッピングする。

いくつかの実施形態において、臨床データベース内に保存された画像データ内で、クラスタリングする、または階層を生成する方法は、データベース内のデータ対間で画像マッピングを実行する段階と、画像−ベクトル変換方法または画像−行列変換方法を用いて画像の構造化を実行し、画像特徴ベクトルまたは画像特徴行列を生成する段階と、画像特徴ベクトルまたは画像特徴行列に基づき、画像特徴ベクトル間または画像特徴行列間の類似性に基づいて複数のクラスタを算出する段階とを備え得る。いくつかの実施形態において、各クラスタに関する代表的症例は、クラスタ内で無作為に選択される、または、線形または非線形画像変換に基づき母集団平均化ツールを使用して算出される。

いくつかの実施形態において、反復手法を用いて脳マッピングおよび画像区分化を実行する方法は、単一参照のマッピングを用いて最初のマッピングまたは区分化を実行する段階と、変換行列または構造化解剖学的特徴行列を用いて類似参照を検索する段階と、クラスタの代表的症例を用いて参照検索の効率をさらに高める段階と、単一参照または複数参照の、画像マッピングまたは区分化を実行して、マッピングまたは区分化の精度を高め、向上したマッピング情報または区分化情報を生成する段階と、向上したマッピング情報または区分化情報を用いて参照を検索する段階と、必要であれば、適当なクラスタ内をさらに検索して、類似の解剖学的特徴を有する単一または複数の参照を得る段階と、クラスタの階層を下りることによって反復して検索し、マッピングおよび区分化の精度を向上させる段階とを備え得る。いくつかの実施形態では、クラスタの階層を反復して下りることで、類似の解剖学的特徴を識別することによる母集団マッピングの精度の向上を達成する。

いくつかの実施形態では、画像ベースの臨床データベースが生成され、これによりユーザは患者の解剖学的特徴に基づいて臨床的に意義のある情報を抽出することができるようになる。画像ベースの臨床データベースは、関心臓器の位置、向き、および／またはサイズを標準化し、画像内の解剖学的情報を１または複数のベクトルまたは行列に変換することによって画像データを構造化し、さらに、構造化または非構造化非画像臨床情報を画像データに関連付けることによって、生成することができる。画像の構造化は、ボクセルからボクセルへの画像マッピング、画像分割、および単一アトラスまたはマルチアトラスベースの画像区分化、の後の変換場を含み得る。画像の構造化は、関心臓器の範囲内で複数の構造単位を、さらに各単位の体積および画素強度などの測定特性を、画定することによる、画像の、１または複数のベクトルまたは行列への変換を含み得る。単一アトラスまたはマルチアトラスは、画像ベースの臨床データベース内の画像でもよい。非画像臨床情報は、人口統計学的情報、臨床症状、機能テスト結果、診断、および予後診断などの情報を含んでもよい

いくつかの実施形態では、患者画像データを、画像ベースの臨床データベース内のデータとの比較を促進するよう処理してもよい。患者画像データを、関心臓器の位置、向き、および／またはサイズを標準化し、さらに、画像内の解剖学的情報を１または複数のベクトルまたは行列に変換して画像データを構造化することによって、処理してもよい。画像の構造化は、ボクセルからボクセルへの画像マッピング、画像分割、および単一アトラスまたはマルチアトラスベースの画像区分化、の後の変換場を含み得る。画像の構造化は、関心臓器の範囲内で複数の構造単位を、さらに各単位の体積および画素強度などの測定特性を、画定することによる、画像の、１または複数のベクトルまたは行列への変換を含み得る。こういったベクトルおよび行列のフォーマットは臨床データベース内のものと一致し得、比較の効率と精度を確保することができる。単一アトラスまたはマルチアトラスは、画像ベースの臨床データベース内の画像でもよい。区分化の精度は、画像ベースの臨床データベース内で適切な既存症例をアトラスとして選択することによって最大にすることができる。この適切なアトラスは、対象患者とデータベース内の症例との間の解剖学的類似性によって選択してもよい。

いくつかの実施形態では、患者画像データを、画像ベースの臨床データベース内の既存データにマッピングしてもよい。患者画像データは、患者画像を画像ベースの臨床データベース内の既存データに変換し、あるいは逆に既存データを患者画像に変換し、さらに、対象患者からの構造化画像データと既存データとを比較することによって、マッピングしてもよい。解剖学的類似性または差異は、ボクセルからボクセルへの画像マッピング後に変換行列を算出する段階と、構造化された情報に基づいて類似性基準を算出する段階とを含み得る、標準化されかつ定量的なやり方で特徴付けすることができる。アトラスベースの画像分割および区分化の精度の他、画像の構造化の精度は、既存データベース内の、類似の解剖学的特徴を共有する１または複数の画像を選択することによって向上させることができ、この選択は、限定するものではないが、強度の差異または相関関係に基づいて類似性を測定する段階と、画像マッピングのために必要な変換の量を測定する段階と、画像マッピングの前後に残存している（ｒｅｓｉｄｕａｌ）費用関数値を測定する段階とを含み得る。

いくつかの実施形態では、画像ベースの臨床データベース内の母集団データに対して対象患者の解剖学的特徴をマッピングしてもよい。マッピングは、構造化解剖学的情報の主成分分析または変換行列などの教師なし解析を実行する段階と、臨床データベース内の臨床情報を取り入れた線形判別分析などの教師付き解析を実行する段階とを含み得る。患者の解剖学的構造を、解剖学的類似性または臨床的に意味のある解剖学的特徴における類似性に基づき、解剖学的領域内の距離などの類似度指数を用いて母集団内でマッピングしてもよい。

いくつかの実施形態では、臨床データベース内に保存された臨床的に意義のある情報をレポートしてもよく、これは、類似の解剖学的特徴または臨床的に重要な解剖学的特徴を共有する、過去の症例を識別する段階と、類似の解剖学的特徴または臨床的に重要な解剖学的特徴を共有する症例の、構造化または非構造化テキストフィールド内の臨床情報を要約する段階と、自然言語処理方法を用いて、類似の解剖学的特徴または臨床的に重要な解剖学的特徴を共有する症例の、構造化または非構造化テキストフィールドの意義のある臨床情報を抽出および要約する段階とを含み得る。

いくつかの実施形態では、臨床データベース内に保存された画像データ内で、クラスタおよび／または階層を生成してもよく、これは、データベース内の全てのデータ対間でボクセルベースの画像変換などの画像マッピングを実行する段階と、画像分割および区分化などの画像−ベクトル変換方法または画像−行列変換方法を用いて画像の構造化を実行する段階とを含み得る。ボクセルベースの画像変換は、データベース内の症例間の解剖学的差異および類似性を表現する、画像変換行列を生成し得る。ベクトルおよび行列などの構造化データを使用して、解剖学的類似性を表現する指数を算出することができる。非画像臨床情報を画像ベースの情報に追加して、データベース内の症例間の類似性を算出してもよい。

クラスタは、データベース内の症例間の解剖学的差異および類似性を表現する画像変換行列の結果、解剖学的類似性を表現する指数の結果、およびデータベース内の症例間の算出された類似性の結果に基づいて、生成してもよい。代表的症例は、各クラスタに対して選択または生成され得る。各クラスタに関する代表的症例を、線形または非線形画像変換に基づき母集団平均化ツールを使用して算出してもよい。複数レベルのクラスタを、クラスタリングの結果に基づいて生成してもよい。クラスタの各レベルに対して、代表的症例を選択または算出してもよい。

いくつかの実施形態では、適切なクラスタまたは代表的症例を選択して画像マッピングおよび母集団マッピングを実行し、その効率および精度を高めてもよい。

いくつかの実施形態では、脳マッピングおよび画像区分化を反復手法を用いて実行してもよく、これは、単一アトラスのマッピングおよび／またはＣＰＵに負担を掛けない画像変換を用いて、最初の大まかなマッピングまたは区分化を実行する段階と、変換行列または構造化解剖学的特徴行列を用いて、既存の臨床データベース内の適切な症例（アトラス）を検索する段階と、クラスタの代表的症例を用いて画像検索の効率をさらに高める段階と、単一アトラスのまたはマルチアトラスの、画像マッピングまたは区分化を実行して、マッピングまたは区分化の精度を高める段階と、向上したマッピング情報または区分化情報を用いて、既存の臨床データベース内の症例（アトラス）を検索する段階と、必要であれば、適当なクラスタ内のさらなる検索を実行して、類似の解剖学的特徴を有する単一アトラスまたはマルチアトラスを得る段階とを含み得、このとき反復した検索で、クラスタの階層を徐々に下りて、マッピングおよび区分化の精度を向上させることができる。階層を反復して下りると、類似の解剖学的特徴を有する過去の症例を識別する、母集団マッピングの精度の向上を達成することができる。

図９は、生物学的イメージンググリッドの実施に使用することができる、１または複数の実施形態によるコンピューティング装置９００を実施するための例示的なアーキテクチャ、または、任意の他のコンピュータシステムまたはそのコンピューティング装置の構成要素を描いたものである。当然のことながら、クライアントまたはサーバなどのコンピューティング装置９００と共に使用することができる他の装置が、同様に構成され得る。図９に示されているように、コンピューティング装置９００は、バス９１０、プロセッサ９２０、メモリ９３０、リードオンリーメモリ（ＲＯＭ）９４０、記憶装置９５０、入力装置９６０、出力装置９７０、および通信インターフェース９８０を含み得る。

バス９１０は、コンピューティング装置９００の構成要素間の通信を可能にする、１または複数の相互接続を含み得る。プロセッサ９２０は、命令を解釈および実行することが可能な、任意の種類のプロセッサ、マイクロプロセッサ、または処理ロジックを含み得る（フィールドプログラマブルゲートアレイ（ＦＰＧＡ）など）。プロセッサ９２０は、単一の装置（例えば、シングルコア）および／または装置群（例えば、マルチコア）を含み得る。メモリ９３０は、情報と、プロセッサ９２０で実行するための命令とを保存することが可能な、ランダムアクセスメモリ（ＲＡＭ）または別の種類の動的記憶装置を含み得る。メモリ９３０は、プロセッサ９２０による命令の実行中に一時変数または他の中間情報を保存するのに使用することもできる。

ＲＯＭ９４０は、静的情報とプロセッサ９２０のための命令とを保存することが可能な、ＲＯＭ装置および／または別の種類の静的記憶装置を含み得る。記憶装置９５０は、情報および／または命令を保存するための、磁気ディスクおよび／または光ディスクとその対応するドライブとを含み得る。記憶装置９５０は、単一の記憶装置、または、並列で動作する複数の記憶装置などの複数の記憶装置を含み得る。さらに記憶装置９５０は、局所的にコンピューティング装置９００に存在しているものでもよいし、および／または、ネットワークおよび／または専用のリンクまたはチャネルなどの別の種類の接続を介してサーバに接続された、サーバに対して遠隔のものでもよい。

入力装置９６０は、オペレータがコンピューティング装置９００に情報を入力することができる、キーボード、マウス、タッチセンサ式ディスプレイ装置、マイクロホン、ペンを用いたポインティングデバイス、および／または、音声認識装置および／または指紋スキャン装置などの生体認証式の入力装置など、任意の機構または機構を組み合わせたものを含み得る。出力装置９７０は、ディスプレイ、プリンタ、スピーカなどを含む、オペレータに情報を出力する任意の機構または機構を組み合わせたものを含み得る。

通信インターフェース９８０は、コンピューティング装置９００が、クライアント、サーバ、ライセンスマネージャ、ベンダなどの他の装置および／またはシステムと通信することができる、任意のトランシーバのような機構を含み得る。例えば、通信インターフェース９８０は、ネットワークに連結された第１インターフェース、および／またはライセンスマネージャに連結された第２インターフェースなど、１または複数のインターフェースを含み得る。あるいは、通信インターフェース９８０は、ワイヤレスネットワークなどのネットワークを介して通信するための他の機構（例えば、ワイヤレスインターフェース）を含んでもよい。ある実装において、通信インターフェース９８０は、ターゲット装置などの送信先装置にコードを送るロジックを含み得、このターゲット装置としては、汎用ハードウェア（例えば、パーソナルコンピュータのフォームファクタ）、専用ハードウェア（例えば、あるモデルまたはあるモデルの一部のコンパイルバージョンを実行するように適合されたデジタル信号処理（ＤＳＰ）装置）などを挙げることができる。

コンピューティング装置９００は、メモリ９３０などのコンピュータ可読媒体に含まれているソフトウェアの命令をプロセッサ９２０が実行するのに応えて、特定の機能を実行することができる。代わりの実施形態では、ハードワイヤード回路をソフトウェアの命令の代わりに、またはソフトウェアの命令と組み合わせて、使用して、本開示の原理に一致する特徴を実施することができる。すなわち、本発明の原理に一致する実装は、ハードウェア回路およびソフトウェアの、任意の特定の組合せに限定されない。

例示的な実施形態は、ソフトウェアコンポーネントとして多くの異なるやり方で具現化することができる。例えばこれは、独立したソフトウェアパッケージでもよいし、またはソフトウェアパッケージを組み合わせたものでもよいし、あるいはより大きいソフトウェア製品に「ツール」として組み込まれたソフトウェアパッケージでもよい。また、ネットワーク、例えばウェブサイトから、独立した製品として、または既存のソフトウェアアプリケーションにインストールするためのアドインパッケージとして、ダウンロード可能なものでもよい。さらに、クライアント・サーバソフトウェアアプリケーションとして、またはウェブ対応のソフトウェアアプリケーションとして得られるものでもよい。このソフトウェアコンポーネントは、ハードウェア装置にインストールされたソフトウェアパッケージとして具現化することもできる。

実施形態の完全な理解を提供するべく、多くの具体的な詳細を明記した。しかしながら、これらの具体的な詳細を含まずに、実施形態を実施し得ることを理解されたい。また、周知の動作、構成要素、および回路は、実施形態を不明瞭にしないよう詳細に説明しなかった。特定の構造および機能の詳細は代表的なものであって、必ずしも本実施形態の範囲を限定するものではないことは明らかであろう。

特筆すべきは、「一実施の形態」または「実施形態」に言及したときには、その実施形態に関連して説明された特定の特徴、構造、または特性が、少なくとも１つの実施形態に含まれることを意味するということである。明細書内に「一実施の形態で」といった表現が現れた場合、必ずしも全てが、同一の実施形態を参照しているわけではない。

いくつかの実施形態は、種々の動作を実行する例示的な機能的構成要素またはモジュールを含むように図示および説明され得るが、このような構成要素またはモジュールは、１または複数の、ハードウェア構成要素、ソフトウェア構成要素、および／またはこれらを組み合わせたものによって、実施され得ることは明らかであろう。機能的構成要素および／またはモジュールは、例えば、ロジックデバイス（プロセッサなど）によって実行されるロジック（例えば、命令、データ、および／またはコード）によって実施され得る。このロジックは、１または複数種類のコンピュータ可読記憶媒体のロジックデバイスの、内部または外部に保存され得る。

いくつかの実施形態は、製造物品を含み得る。製造物品は、ロジックを保存するための記憶媒体を含み得る。記憶媒体の例としては、揮発性または不揮発性メモリ、着脱式または非着脱式メモリ、消去可能または消去不可能なメモリ、および書込み可能または書換え可能なメモリなどを含む、電子データの保存が可能な１または複数種類のコンピュータ可読記憶媒体を挙げることができる。記憶媒体の例としては、ハードドライブ、ディスクドライブ、ソリッドステートドライブ、および任意の他の有形記憶媒体が挙げられる。

説明した実施形態は例示的な実装を示したものであり、また機能的構成要素および／またはモジュールは、説明した実施形態に一致する種々の他のやり方で実施し得ることも明らかであろう。さらに、このような構成要素またはモジュールで実行される動作を、所与の実装のために組み合わせたり、および／または分離させたりしてもよく、またより多いまたはより少ない数の構成要素またはモジュールで実行してもよい。

図のいくつかは、フロー図を含み得る。これらの図は特定のロジックフローを含み得るが、このロジックフローは単に一般的な機能性の例示的な実装を提供していることは明らかであろう。さらに、他に明示されていなければ、ロジックフローは必ずしも示されている順に実行する必要はない。さらにロジックフローを、ハードウェア要素、プロセッサで実行されるソフトウェア要素、またはこれらを任意に組み合わせたものによって実施してもよい。

種々の例示的な実施形態を上述したが、これらは単なる例として示されたものであって、限定するものではないことを理解されたい。すなわち、本発明の広がりおよび範囲は、いかなる上述の例示的な実施形態によっても限定されるべきではなく、代わりに以下の請求項およびその同等物によってのみ画定されるべきである。

Claims

根拠に基づいた統計的診断支援の方法であって、
入力画像を標準化して、標準化入力画像を生成する段階と、
前記標準化入力画像を構造化して、複数の解剖学的性質で特徴付けする段階と、
前記複数の解剖学的性質を用いて、前記入力画像を複数の参照症例のうちの１または複数の参照症例にマッピングする段階であって、このとき前記１または複数の参照症例が第１非画像臨床情報に関連付けられている段階と、
前記１または複数の参照症例と前記第１非画像臨床情報とに基づいて、前記入力画像に関する第２非画像臨床情報を決定する段階と
を備える方法。
前記複数の参照症例のうちの前記１または複数の参照症例が、複数レベルのクラスタをさらに含み、かつ、
前記複数の解剖学的性質を用いて前記入力画像を前記複数の参照症例のうちの前記１または複数の参照症例にマッピングする段階が、
前記入力画像を前記複数レベルのクラスタのうちの少なくとも１つにマッピングする段階をさらに有する
請求項１に記載の方法。
前記１または複数の参照症例にマッピングする段階が、マッピングの効率を上げるべく、１または複数のクラスタを代表する１または複数の参照に対してのみ行われる請求項２に記載の方法。
前記複数の参照症例のうちの前記１または複数の参照症例と前記入力画像とが、同一の身体セグメントに対応している請求項１から３の何れか１項に記載の方法。
前記１または複数の参照症例と前記第１非画像臨床情報とに基づいて前記入力画像に関する第２非画像臨床情報を決定する段階が、
前記複数の参照症例のうちの前記１または複数の参照症例に対応する第１非画像臨床情報を識別する段階と、
前記第２非画像臨床情報の量が閾値を超えた場合に、前記第１非画像臨床情報から前記第２非画像臨床情報を選択する段階と
をさらに含む請求項１から４の何れか１項に記載の方法。
前記複数の解剖学的性質が、１または複数のベクトル、または、１または複数の行列を用いて表される、請求項１から５の何れか１項に記載の方法。
前記第１非画像臨床情報が、人口統計学的情報と、１または複数の臨床症状と、１または複数の機能テスト結果と、１または複数の診断と、１または複数の予後診断とのうちの少なくとも１つを含む請求項１から６の何れか１項に記載の方法。
前記第２非画像臨床情報をレポートとして示す段階、または、
前記第２非画像臨床情報を受信者に送信する段階、
をさらに含む請求項１から７の何れか１項に記載の方法。
マッピングの精度を上げるべく、解剖学的類似性のレベルがより高い前記１または複数の参照症例を選択する段階をさらに備える、請求項１から８の何れか１項に記載の方法。
解剖学的な前記マッピングが、微分同相写像の画像変換に基づいたものである請求項１から９の何れか１項に記載の方法。
根拠に基づいた統計的診断支援のためのシステムであって、
メモリと、
前記メモリに接続されたプロセッサとを備え、前記プロセッサは、
入力画像を標準化して、標準化入力画像を生成し、
前記標準化入力画像を構造化して、複数の解剖学的性質で特徴付けし、
前記複数の解剖学的性質を用いて、前記入力画像を複数の参照症例のうちの１または複数の参照症例にマッピングし、このとき前記１または複数の参照症例は第１非画像臨床情報に関連付けられており、さらに、
前記１または複数の参照症例と前記第１非画像臨床情報とに基づいて、前記入力画像に関する第２非画像臨床情報を決定する、システム。
前記複数の参照症例のうちの前記１または複数の参照症例が複数レベルのクラスタをさらに含み、かつ、
前記プロセッサが、さらに、
前記入力画像を前記複数レベルのクラスタのうちの少なくとも１つにマッピングする
請求項１１に記載のシステム。
前記複数の参照症例のうちの前記１または複数の参照症例と前記入力画像とが、同一の身体セグメントに対応している請求項１１または１２に記載のシステム。
前記プロセッサが、さらに、
前記複数の参照症例のうちの前記１または複数の参照症例に対応する第１非画像臨床情報を識別し、かつ、
前記第２非画像臨床情報の量が閾値を超えた場合に、前記第１非画像臨床情報から前記第２非画像臨床情報を選択する、
請求項１１から１３の何れか１項に記載のシステム。
前記複数の解剖学的性質が、１または複数のベクトル、または、１または複数の行列を用いて表される、請求項１１から１４の何れか１項に記載のシステム。
前記第１非画像臨床情報が、人口統計学的情報と、１または複数の臨床症状と、１または複数の機能テスト結果と、１または複数の診断と、１または複数の予後診断とのうちの少なくとも１つを含む請求項１１から１５の何れか１項に記載のシステム。
前記プロセッサがさらに、
前記第２非画像臨床情報をレポートとして示す、または、
前記第２非画像臨床情報を受信者に送信する、
請求項１１から１６の何れか１項に記載のシステム。
根拠に基づいた統計的診断支援のために、コンピューターに、
複数の臨床画像を標準化して複数の標準化臨床画像を生成する手順と、
前記複数の標準化臨床画像を構造化して、該複数の標準化臨床画像の各画像に対して複数の解剖学的性質で特徴付けする手順と、
前記複数の解剖学的性質を用いて、第１非画像臨床情報に関連付けられている複数の参照症例を生成する手順と、
前記複数の参照症例をデータベースに保存する手順と
を実行させるプログラム。
前記コンピュータにさらに、
入力画像を標準化して、標準化入力画像を生成する手順と、
前記標準化入力画像を構造化して、第２の複数の解剖学的性質で特徴付けする手順と、
前記第２の複数の解剖学的性質を用いて、前記入力画像を前記複数の参照症例のうちの１または複数の参照症例にマッピングする手順と、
前記１または複数の参照症例と前記第１非画像臨床情報とに基づいて、前記入力画像に関する第２非画像臨床情報を決定する手順と
を実行させる請求項１８に記載のプログラム。
前記複数の参照症例のうちの前記１または複数の参照症例が、複数レベルのクラスタをさらに含み、かつ、
前記第２の複数の解剖学的性質を用いて前記入力画像を前記複数の参照症例のうちの前記１または複数の参照症例にマッピングする手順が、
前記入力画像を前記複数レベルのクラスタのうちの少なくとも１つにマッピングする手順をさらに有する
請求項１９に記載のプログラム。
前記複数の参照症例のうちの前記１または複数の参照症例と前記入力画像とが、同一の身体セグメントに対応している請求項１９または２０に記載のプログラム。
前記１または複数の参照症例と前記第１非画像臨床情報とに基づいて前記入力画像に関する前記第２非画像臨床情報を決定する手順が、
前記複数の参照症例のうちの前記１または複数の参照症例に対応する非画像臨床情報を識別する手順と、
前記第２非画像臨床情報の量が閾値を超えた場合に、前記第１非画像臨床情報から前記第２非画像臨床情報を選択する手順と
をさらに有する請求項１９から２１の何れか１項に記載のプログラム。
前記複数の解剖学的性質が、１または複数のベクトル、または、１または複数の行列を用いて表される、請求項１８から２２の何れか１項に記載のプログラム。
非画像臨床情報が、人口統計学的情報と、１または複数の臨床症状と、１または複数の機能テスト結果と、１または複数の診断と、１または複数の予後診断とのうちの少なくとも１つを含む請求項１８から２３の何れか１項に記載のプログラム。
前記コンピュータにさらに、
前記第２非画像臨床情報をレポートとして示す手順、または、
前記第２非画像臨床情報を受信者に送信する手順、
を実行させる請求項１８に記載のプログラム。
対象患者の解剖学的特徴を画像ベースの臨床データベース内の母集団データに対してマッピングする方法であって、
構造化解剖学的情報または変換行列を用いて、教師なし解析を実行する段階と、
前記画像ベースの臨床データベース内の臨床情報を取り入れた、教師付き解析を実行する段階と
を備える方法。
前記患者の解剖学的構造を、解剖学的類似性、または臨床的に意味のある解剖学的特徴における類似性に基づき、類似度指数を用いて母集団内でマッピングする請求項２６に記載の方法。
臨床データベース内に保存された画像データ内で、クラスタリングする、または階層を生成する方法であって、
前記データベース内のデータ対間で画像マッピングを実行する段階と、
画像−ベクトル変換方法または画像−行列変換方法を用いて、画像の構造化を実行し、画像特徴ベクトルまたは画像特徴行列を生成する段階と、
前記画像特徴ベクトルまたは前記画像特徴行列に基づき、該画像特徴ベクトル間または該画像特徴行列間の類似性に基づいて複数のクラスタを算出する段階と
を備える方法。
各クラスタに関する代表的症例が、前記クラスタ内で無作為に選択される、または、線形または非線形画像変換に基づき母集団平均化ツールを使用して算出される、請求項２８に記載の方法。
反復手法を用いて脳マッピングおよび画像区分化を実行する方法であって、
単一参照のマッピングを用いて、最初のマッピングまたは区分化を実行する段階と、
変換行列または複数の構造化解剖学的特徴行列を用いて、複数の類似参照を検索する段階と、
複数の、クラスタの代表的症例を用いて、前記参照検索の効率をさらに高める段階と、
単一参照または複数参照の、画像マッピングまたは区分化を実行して、マッピングまたは区分化の精度を高め、向上したマッピング情報または区分化情報を生成する段階と、
前記向上したマッピング情報または区分化情報を用いて、複数の参照を検索する段階と、
必要であれば、適当な複数の前記クラスタ内をさらに検索して、類似の複数の解剖学的特徴を有する単一または複数の参照を得る段階と、
前記クラスタの階層を下りることによって反復して検索し、前記マッピングおよび区分化の精度を向上させる段階と
を備える方法。
前記クラスタの階層を反復して下りることで、類似の複数の解剖学的特徴を識別することによる前記母集団マッピングの精度の向上を達成する、請求項３０に記載の方法。