KR102227713B1 - 환자-간 두뇌 등록 - Google Patents
환자-간 두뇌 등록 Download PDFInfo
- Publication number
- KR102227713B1 KR102227713B1 KR1020197013242A KR20197013242A KR102227713B1 KR 102227713 B1 KR102227713 B1 KR 102227713B1 KR 1020197013242 A KR1020197013242 A KR 1020197013242A KR 20197013242 A KR20197013242 A KR 20197013242A KR 102227713 B1 KR102227713 B1 KR 102227713B1
- Authority
- KR
- South Korea
- Prior art keywords
- registration
- daemons
- tumor
- depheomorphic
- deformable registration
- Prior art date
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 56
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 47
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 27
- 230000003287 optical effect Effects 0.000 claims description 14
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 16
- 238000000265 homogenisation Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 208000003174 Brain Neoplasms Diseases 0.000 description 2
- 230000005821 brain abnormality Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
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
-
- G06T3/0006—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
데이터 정규화를 위한 환자-간 두뇌 등록 방법은 심지어는 종양이 존재하는 서로 다른 환자들로부터 얻은 두 개의 두뇌 이미지를 변형가능하게 정렬시킨다.
Description
본 발명은 이미징 분석(imaging analysis)에 관한 것이다. 보다 구체적으로, 본 발명은 종양 이미징 분석(tumor imaging analysis)에 관한 것이다.
병렬 컴퓨팅 기술들을 통해 컴퓨터들은 개체군 분석(population analysis)에 의한 두뇌 이상들(brain abnormalities)을 발견할 수 있다. 동일한 좌표 공간에 환자 이미지들을 띄우는 데이터 정규화(data normalization)는 개체군 분석의 성공을 위한 핵심이 된다. 그러나, 두뇌 개체군 분석을 위해 현재 이용가능한 정규화 기술들은 여전히 매우 초보적이다. 두뇌 정규화는 현재 연조직(soft tissue) 변형 및 종양 존재의 불일치에 관계없이, 선형 변환들을 사용하여 소스 이미지를 타겟 이미지에 매핑하는 아핀 등록(affine registration)을 기반으로 하고 있다.
데이터 정규화를 위한 환자-간 두뇌 등록 방법은 심지어는 종양이 존재하는 서로 다른 환자들로부터 얻은 두 개의 두뇌 이미지를 변형가능하게 정렬시키는 것이다.
일 양태에서, 디바이스의 비 일시적 메모리에 프로그래밍되는 방법은 소스 이미지 및 타겟 이미지를 동일한 좌표 공간에 대략적으로 위치시키도록 아핀 등록을 수행하는 단계 - 상기 소스 이미지 및 타겟 이미지 각각은 두뇌 구조들을 포함함 -; 및, 상기 두뇌 구조들의 경계들을 정제(refine)하기 위해 종양 적응성 메트릭들(tumor-adaptive metrics)을 사용하여 디페오모픽 데몬스 변형가능 등록(diffeomorphic demons deformable registration)을 구현하는 단계를 포함한다. 아핀 등록은 포인트들, 직선들 및 평면들을 보존(preserving)함으로써 이미지들을 정렬하는 단계를 포함한다. 디페오모픽 데몬스 변형가능 등록은 벡터 필드들 및 크기들(vector fields and magnitudes)을 이용한다. 디페오모픽 데몬스 변형가능 등록은 광학 흐름 유도 변형력(optical flow-derived deformation force)과 제어가능한 균일화(controllable regularization)를 이용한다. 디페오모픽 데몬스 변형가능 등록은 변형 필드(deformation field)에 걸쳐 이미지 강도의 매칭 오차(matching error)를 최소화하는 단계를 포함한다. 종양 적응성 메트릭들은 종양 영역의 오차 기여분(error contribution)을 배제한다. 디페오모픽 데몬스 변형가능 등록은 등록 시간에 걸쳐 스무스 변형 궤적(smooth deformation trajectory)을 사용하는 단계를 포함한다.
다른 양태에서, 장치는 애플리케이션을 저장하기 위한 비 일시적 메모리, 및 상기 메모리에 연결된 프로세싱 컴포넌트를 포함하고, 상기 애플리케이션은: 소스 이미지 및 타겟 이미지를 동일한 좌표 공간에 대략적으로 위치시키도록 아핀 등록을 수행하고 - 상기 소스 이미지 및 타겟 이미지 각각은 두뇌 구조들을 포함함 -; 그리고, 상기 두뇌 구조들의 경계들을 정제하기 위해 종양 적응성 메트릭들을 사용하여 디페오모픽 데몬스 변형가능 등록을 구현하는 것이며, 상기 프로세싱 컴포넌트는 상기 애플리케이션을 처리하도록 구성된다. 아핀 등록은 포인트들, 직선들 및 평면들을 보존함으로써 이미지들을 정렬하는 것을 포함한다. 디페오모픽 데몬스 변형가능 등록은 벡터 필드들 및 크기들을 이용한다. 디페오모픽 데몬스 변형가능 등록은 광학 흐름 유도 변형력과 제어가능한 균일화를 이용한다. 디페오모픽 데몬스 변형가능 등록은 변형 필드에 걸쳐 이미지 강도의 매칭 오차를 최소화하는 것을 포함한다. 종양 적응성 메트릭들은 종양 영역의 오차 기여분을 배제한다. 디페오모픽 데몬스 변형가능 등록은 등록 시간에 걸쳐 스무스 변형 궤적을 사용하는 것을 포함한다.
또 다른 양태에서, 시스템은 자기 공명 이미징 디바이스; 컴퓨팅 디바이스; 및 상기 메모리에 연결된 프로세싱 컴포넌트를 포함하며; 상기 컴퓨팅 디바이스는: 소스 이미지 및 타겟 이미지를 동일한 좌표 공간에 대략적으로 위치시키도록 아핀 등록을 수행하고 - 상기 소스 이미지 및 타겟 이미지 각각은 두뇌 구조들을 포함함 -; 그리고, 상기 두뇌 구조들의 경계들을 정제하기 위해 종양 적응성 메트릭들을 사용하여 디페오모픽 데몬스 변형가능 등록을 구현하도록 구성되며, 상기 프로세싱 컴포넌트는 상기 애플리케이션을 처리하도록 구성된다. 아핀 등록은 포인트들, 직선들 및 평면들을 보존함으로써 이미지들을 정렬하는 것을 포함한다. 디페오모픽 데몬스 변형가능 등록은 벡터 필드들 및 크기들을 이용한다. 디페오모픽 데몬스 변형가능 등록은 광학 흐름 유도 변형력과 제어가능한 균일화를 이용한다. 디페오모픽 데몬스 변형가능 등록은 변형 필드에 걸쳐 이미지 강도의 매칭 오차를 최소화하는 것을 포함한다. 종양 적응성 메트릭들은 종양 영역의 오차 기여분을 배제한다. 디페오모픽 데몬스 변형가능 등록은 등록 시간에 걸쳐 스무스 변형 궤적을 사용하는 것을 포함한다.
도 1은 일부 실시예들에 따른 환자-간 두뇌 등록 방법의 다이어그램을 도시한다.
도 2는 일부 실시예들에 따른 데몬스 변형가능 등록의 다이어그램을 도시한다.
도 3은 일부 실시예들에 따라 제1 이미지를 제2 이미지로 변형시키는 다이어그램을 도시한다.
도 4는 일부 실시예들에 따른 데몬스 변형 등록을 위한 종양 적응성 메트릭의 다이어그램을 도시한다.
도 5는 일부 실시예들에 따른 정상 SSD 메트릭과 적응성 SSD 메트릭 간의 차이의 다이어그램을 도시한다.
도 6은 일부 실시예들에 따른 디페오모픽 데몬스 등록의 다이어그램을 도시한다.
도 7 내지 도 9는 변형가능 등록 후 개선된 두뇌 표면 및 두뇌 구조 정렬의 예들을 도시한다.
도 10은 일부 실시예들에 따른 환자-간 두뇌 등록 방법을 구현하도록 구성된 예시적인 컴퓨팅 디바이스의 블록도를 도시한다.
도 11은 일부 실시예들에 따른 자기 공명 이미징(Magnetic Resonance Imaging)(MRI) 시스템의 다이어그램을 도시한다.
도 2는 일부 실시예들에 따른 데몬스 변형가능 등록의 다이어그램을 도시한다.
도 3은 일부 실시예들에 따라 제1 이미지를 제2 이미지로 변형시키는 다이어그램을 도시한다.
도 4는 일부 실시예들에 따른 데몬스 변형 등록을 위한 종양 적응성 메트릭의 다이어그램을 도시한다.
도 5는 일부 실시예들에 따른 정상 SSD 메트릭과 적응성 SSD 메트릭 간의 차이의 다이어그램을 도시한다.
도 6은 일부 실시예들에 따른 디페오모픽 데몬스 등록의 다이어그램을 도시한다.
도 7 내지 도 9는 변형가능 등록 후 개선된 두뇌 표면 및 두뇌 구조 정렬의 예들을 도시한다.
도 10은 일부 실시예들에 따른 환자-간 두뇌 등록 방법을 구현하도록 구성된 예시적인 컴퓨팅 디바이스의 블록도를 도시한다.
도 11은 일부 실시예들에 따른 자기 공명 이미징(Magnetic Resonance Imaging)(MRI) 시스템의 다이어그램을 도시한다.
환자-간 두뇌 등록 방법은 두 개의 이미지를 동일한 좌표 공간으로 대략적으로 가져 오는 아핀 등록으로 시작한다. 그런 다음, 이 방법은 두뇌 구조들의 경계들을 더욱 정제하는 새로운 종양 적응성 메트릭들과 함께 디페오모픽 데몬스 변형가능 등록을 사용한다. 종양 적응성 메트릭들은 자동화된 3D 두뇌 종양 분할 및 분류라는 명칭의 미국 특허 대리인 관리 번호 Sony-68500에 기술된 방법을 사용하여 분할된 종양 위치들 상에 시행되며, 이는 다목적용으로 그 전체가 본원에 참고로 포함된다.
도 1은 일부 실시예들에 따른 환자-간 두뇌 등록 방법의 다이어그램을 도시한다. 단계(100)에서, 아핀 등록이 구현된다. 아핀 등록은 포인트들, 직선들 및 평면들을 보존함으로써 이미지들을 정렬하려고 시도한다. 예를 들어, 타겟 이미지 및 소스 이미지(때로는 동영상(moving image) 또는 움직이는 소스 이미지(moving source image)라고 함)는 아핀 등록을 사용하여 정렬된다. 단계(102)에서, 변형가능 등록(deformable registration)이 구현된다. 변형가능 등록은 등록 과정에서 벡터 필드들 및 크기들을 이용한다. 변형가능 등록은 또한 데몬스 등록, 종양 적응성 메트릭들 및 디페오모피즘(diffeomorphism)을 사용하여 이미지들의 핏(the fit of the images)을 개선시킨다. 변형가능 등록은 구조적 경계들 상에서 변형 정제(deformation refinement)를 가능하게 한다. 예를 들어, 타겟 이미지와 소스 이미지가 아핀 등록을 사용하여 정렬된 후에, 변형가능 등록은, 가령, 소스 이미지를 타겟 이미지로 또는 그 반대로 변형함으로써 그 정렬을 개선할 수 있다. 일부 실시예들에서, 더 적거나 또는 추가의 단계가 구현된다. 예를 들어, MRI 정보를 획득하는 단계 및/또는 등록된 이미지들을 표시하는 단계가 포함될 수 있다. 일부 실시예들에서, 단계들의 순서가 수정된다.
도 2는 일부 실시예들에 따른 데몬스 변형가능 등록의 다이어그램을 도시한다. 세트(200) 내의 이미지들은 아핀 등록 이후의 것들이고, 세트(202) 내의 이미지들은 변형가능 등록 이후의 것들이다. 세트(202) 내의 이미지들은 변형가능 등록을 사용하여 보다 양호하게 정렬된다.
도 3은 일부 실시예들에 따라 제1 이미지를 제2 이미지로 변형시키는 다이어그램을 도시한다. Imoving 이미지(300)(소스 이미지로 지칭되기도 함)는 본원에 기술되는 Itarget 이미지(302)로 변형된다.
데몬스 변형가능 등록은 광학 흐름 유도 변형력과 제어가능한 균일화를 이용한다. 광학 흐름 유도 변형력이 계산된다:
속도(velocity)는 공간 구배(spatial gradient)를 따르는 미스매칭(mismatch)의 강도에 비례한다.
제어가능한 균일화는 다음과 같다:
여기서, α는 균일화 우선 순위, 평활도 또는 데이터 매칭을 제어한다.
도 4는 일부 실시예들에 따른 데몬스 변형 등록을 위한 종양 적응성 메트릭의 다이어그램을 도시한다. 종양의 존재는 등록 최적화의 오차들에 기여하지만, 종양 영역에서의 오차 기여분을 배제하는 종양 적응성 오차 메트릭이 이 문제를 해결한다. 결과는 다음과 같다: . 즉, 종양으로 결정되는 영역을 제외한 이미지들에 대해 최소화가 수행된다. 종양은 임의의 방식으로, 가령, 이미지 비교(예를 들어, 종양이 없는 두뇌 이미지를 타겟 또는 소스 이미지와 비교하고, 임의의 중대한 차이들이 있는 경우, 해당 영역을 종양으로 표시함), 로컬 최소치 검출, 및/또는 이미지 내의 종양을 결정하기 위한 임의의 다른 이미지 처리 기술들에 의해 결정될 수 있다. Imoving 이미지(400)는 본원에 기술된 바와 같은 Itarget 이미지(402)로 변형된다.
도 5는 일부 실시예들에 따른 정상 SSD 메트릭과 적응성 SSD 메트릭 간의 차이의 다이어그램을 도시한다. 정상 SSD 메트릭(500)은 제한된 변형을 제공한다. 적응성 SSD 메트릭(502)은 종양 영역에서의 오차 기여분을 배제함으로써 보다 큰 변형을 허용한다.
도 6은 일부 실시예들에 따른 디페오모픽 데몬스 등록의 다이어그램을 도시한다. Imoving 이미지(600)는 본원에 기술된 바와 같이 등록 시간에 걸쳐 스무스 변형 궤적을 사용하여 Itarget 이미지(602)로 변형된다. 큰 환자-간 해부학적 변형은 큰 변형을 허용하는 등록을 사용하기 때문에, "디페오모픽"(역-일관성있고 부드러운) 변형을 계산함으로써 최종 변형 필드(탄성) 대신에 시간에 따라 변하는 속도 필드(유체 형태)를 평활화하여 변형 궤도를 매끄럽게 하는 것이 중요하다.
도 7 내지 도 9는 변형가능 등록 후 개선된 두뇌 표면 및 두뇌 구조 정렬의 예들을 도시한다.
도 10은 일부 실시예들에 따른 환자-간 두뇌 등록 방법을 구현하도록 구성된 예시적인 컴퓨팅 디바이스의 블록도를 도시한다. 컴퓨팅 디바이스(1000)는 이미지들 및 비디오들과 같은 정보를 획득, 저장, 계산, 처리, 전달 및/또는 표시하는 데 사용될 수 있다. 일반적으로, 컴퓨팅 디바이스(1000)를 구현하는 데 적합한 하드웨어 구조는 네트워크 인터페이스(1002), 메모리(1004), 프로세서(1006), I/O 디바이스(들)(1008), 버스(1010) 및 저장 디바이스(1012)를 포함한다. 충분한 속도를 가진 적합한 프로세서가 선택되는 한 프로세서의 선택은 중요하지 않다. 메모리(1004)는 본 기술 분야에서 공지된 임의의 종래의 컴퓨터 메모리일 수 있다. 저장 디바이스(1012)는 하드 드라이브, CDROM, CDRW, DVD, DVDRW, 고선명 디스크/드라이브, 울트라-HD 드라이브, 플래시 메모리 카드 또는 임의의 다른 저장 디바이스를 포함할 수 있다. 컴퓨팅 디바이스(1000)는 하나 이상의 네트워크 인터페이스들(1002)을 포함할 수 있다. 네트워크 인터페이스의 예는 이더넷 또는 다른 유형의 LAN에 접속된 네트워크 카드를 포함한다. I/O 디바이스(들)(1008)는 키보드, 마우스, 모니터, 스크린, 프린터, 모뎀, 터치스크린, 버튼 인터페이스 및 다른 디바이스들 중 하나 이상을 포함할 수 있다. 환자-간 두뇌 등록 방법을 수행하는 데 사용되는 환자-간 두뇌 등록 애플리케이션(들)(1030)은 저장 디바이스(1012) 및 메모리(1004)에 저장되고, 애플리케이션들이 일반적으로 처리될 때 처리될 가능성이 있다. 도 10에 도시된 더 많거나 적은 컴포넌트들이 컴퓨팅 디바이스(1000)에 포함될 수 있다. 일부 실시예들에서, 환자-간 두뇌 등록 방법 하드웨어(1020)가 포함된다. 도 10의 컴퓨팅 디바이스(1000)는 환자-간 두뇌 등록 방법을 위한 애플리케이션들(1030) 및 하드웨어(1020)를 포함하지만, 환자-간 두뇌 등록 방법은 하드웨어, 펌웨어, 소프트웨어 또는 이들의 임의의 조합으로 컴퓨팅 디바이스 상에 구현될 수 있다. 예를 들어, 일부 실시예들에서, 환자-간 두뇌 등록 방법 애플리케이션들(1030)은 메모리에 프로그래밍되고 프로세서를 사용하여 실행된다. 다른 예로서, 일부 실시예들에서, 환자-간 두뇌 등록 방법 하드웨어(1020)는 환자-간 두뇌 등록 방법을 구현하도록 특별히 설계된 게이트들을 포함하는 프로그래밍된 하드웨어 로직이다.
일부 실시예들에서, 환자-간 두뇌 등록 방법 애플리케이션(들)(1030)은 몇몇 애플리케이션들 및/또는 모듈들을 포함한다. 일부 실시예들에서, 모듈들은 또한 하나 이상의 서브 모듈들을 포함한다. 일부 실시예들에서, 더 적거나 또는 추가의 모듈들이 포함될 수 있다.
적합한 컴퓨팅 디바이스의 예는 퍼스널 컴퓨터, 랩탑 컴퓨터, 컴퓨터 워크스테이션, 서버, 메인프레임 컴퓨터, 핸드헬드 컴퓨터, 개인 휴대 정보 단말기, 셀룰러/모바일 전화기, 스마트 기기, 게임 콘솔, 디지털 카메라, 디지털 캠코더, 카메라폰, 스마트폰, 휴대용 뮤직 플레이어, 태블릿 컴퓨터, 모바일 디바이스, 비디오 플레이어, 비디오 디스크 라이터/플레이어(예를 들어, DVD 라이터/플레이어, 고선명 디스크 라이터/플레이어, 울트라 고선명 디스크 라이터/플레이어), 텔레비전, 홈 엔터테인먼트 시스템, 증강 현실 디바이스, 가상 현실 디바이스, 스마트 쥬얼리(예를 들어, 스마트 시계) 또는 임의의 다른 적합한 컴퓨팅 디바이스를 포함한다.
도 11은 일부 실시예들에 따른 자기 공명 이미징(MRI) 시스템의 다이어그램을 도시한다. MRI 디바이스(1100)는 두뇌 스캔들과 같은 MRI 이미지들을 획득하는 데 사용된다. 컴퓨팅 디바이스(1000)는 MRI 디바이스(1200)로부터 (예를 들어, 클라우드에서 다운로드하거나 액세스함으로써) MRI 정보를 수신하고, 컴퓨팅 디바이스(1100)는 환자-간 두뇌 등록 방법을 수행한다.
본원에 기술된 환자-간 두뇌 등록 방법을 이용하기 위해, MRI 정보는 환자-간 두뇌 등록 방법을 사용하여 분석된다. 이러한 분석에 기반하여, 두뇌 이상들이 식별될 수 있다. 식별된 이상들에 기반하여, 외과 의사들은 적절한 조치들을 취할 수 있다.
작동 중, 환자-간 두뇌 등록 방법은 종양 적응성 메트릭들과 함께 아핀 등록 및 변형가능 등록에 기초한 두뇌 정규화를 사용하는 개체군 분석에 의한 두뇌 이상들을 발견하기 위해 병렬 컴퓨팅을 이용할 수 있다. 이러한 개선은, 단순히 아핀 등록을 사용하는 것보다 더 우수한 두뇌 구조 정렬을 가능하게 한다.
환자-간 두뇌 등록 방법은 본원에서 뇌종양들과 관련하여 기재되었지만, 환자-간 두뇌 등록 방법은 임의의 다른 종양들 또는 질환들에 적용될 수 있다.
환자-간 두뇌 등록의 일부 실시예들
실시예 1: 디바이스의 비 일시적 메모리에 프로그래밍되는 방법으로서,
소스 이미지 및 타겟 이미지가 동일한 좌표 공간에 대략적으로 위치하도록 아핀 등록(affine registration)을 수행하는 단계 - 상기 소스 이미지 및 상기 타겟 이미지는 각각 두뇌 구조들을 포함함 -; 및
상기 두뇌 구조들의 경계들을 정제하기 위해 종양 적응성 메트릭들(tumor-adaptive metrics)을 사용하여 디페오모픽 데몬스 변형가능 등록(diffeomorphic demons deformable registration)을 구현하는 단계를 포함하는 방법.
실시예 2: 실시예 1에 있어서, 상기 아핀 등록은 포인트들, 직선들 및 평면들을 보존함으로써 이미지들을 정렬하는 단계를 포함하는 방법.
실시예 3: 실시예 1에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 벡터 필드들 및 크기들을 이용하는 방법.
실시예 4: 실시예 1에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 광학 흐름 유도 변형력과 제어가능한 균일화를 이용하는 방법.
실시예 5: 실시예 1에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 변형 필드에 걸쳐 이미지 강도의 매칭 오차를 최소화하는 단계를 포함하는 방법.
실시예 6: 실시예 1항에 있어서, 상기 종양 적응성 메트릭들은 종양 영역의 오차 기여분을 배제하는 방법.
실시예 7: 실시예 1항에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 등록 시간에 걸쳐 스무스 변형 궤적을 사용하는 단계를 포함하는 방법.
실시예 8: 장치로서,
애플리케이션을 저장하는 비 일시적 메모리 - 상기 애플리케이션은:
소스 이미지 및 타겟 이미지가 동일한 좌표 공간에 대략적으로 위치하도록 아핀 등록을 수행하고 - 상기 소스 이미지 및 상기 타겟 이미지는 각각 두뇌 구조들을 포함함 -; 그리고
상기 두뇌 구조들의 경계들을 정제하기 위해 종양 적응성 메트릭들을 사용하여 디페오모픽 데몬스 변형가능 등록을 구현하는 것임 -; 및
상기 메모리에 연결되고, 상기 애플리케이션을 처리하도록 구성된 프로세싱 컴포넌트
를 포함하는 장치.
실시예 9: 실시예 8에 있어서, 상기 아핀 등록은 포인트들, 직선들 및 평면들을 보존함으로써 이미지들을 정렬하는 것을 포함하는 장치.
실시예 10: 실시예 8에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 벡터 필드들 및 크기들을 이용하는 장치.
실시예 11: 실시예 8에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 광학 흐름 유도 변형력과 제어가능한 균일화를 이용하는 장치.
실시예 12: 실시예 8에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 변형 필드에 걸쳐 이미지 강도의 매칭 오차를 최소화하는 것을 포함하는 장치.
실시예 13: 실시예 8에 있어서, 상기 종양 적응성 메트릭들은 종양 영역의 오차 기여분을 배제하는 장치.
실시예 14: 실시예 8에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 등록 시간에 걸쳐 스무스 변형 궤적을 사용하는 것을 포함하는 장치.
실시예 15: 시스템으로서,
자기 공명 이미징 디바이스;
컴퓨팅 디바이스 - 상기 컴퓨팅 디바이스는
소스 이미지 및 타겟 이미지가 동일한 좌표 공간에 대략적으로 위치하도록 아핀 등록을 수행하고 - 상기 소스 이미지 및 상기 타겟 이미지는 각각 두뇌 구조들을 포함함 -; 그리고
상기 두뇌 구조들의 경계들을 정제하기 위해 종양 적응성 메트릭들을 사용하여 디페오모픽 데몬스 변형가능 등록을 구현하도록 구성됨 -; 및
상기 메모리에 연결되고, 상기 애플리케이션을 처리하도록 구성된 프로세싱 컴포넌트
를 포함하는 시스템.
실시예 16: 실시예 15항에 있어서, 상기 아핀 등록은 포인트들, 직선들 및 평면들을 보존함으로써 이미지들을 정렬하는 것을 포함하는 시스템.
실시예 17: 실시예 15항에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 벡터 필드들 및 크기들을 이용하는 시스템.
실시예 18: 실시예 15에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 광학 흐름 유도 변형력과 제어가능한 균일화를 이용하는 시스템.
실시예 19: 실시예 15에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 변형 필드에 걸쳐 이미지 강도의 매칭 오차를 최소화하는 것을 포함하는 시스템.
실시예 20: 실시예 15에 있어서, 상기 종양 적응성 메트릭들은 종양 영역의 오차 기여분을 배제하는 시스템.
실시예 21: 실시예 15에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 등록 시간에 걸쳐 스무스 변형 궤적을 사용하는 것을 포함하는 시스템.
본 발명은 본 발명의 구성 및 동작의 원리들을 이해하는 것을 가능하게 하는 상세한 설명들을 포함하는 특정 실시예들의 관점에서 설명되었다. 본원의 특정 실시예들 및 세부 사항들에 대한 이러한 본원의 언급은 본원에 첨부된 특허청구범위를 제한하려는 것이 아니다. 청구범위에 의해 정의된 바와 같은 본 발명의 사상 및 범위를 벗어나지 않고 설명을 위해 선택된 실시예에서 다른 다양한 수정이 이루어질 수 있음은 분 기술 분야의 기술자에게는 자명할 것이다.
Claims (21)
- 디바이스의 비 일시적 메모리에 프로그래밍되는 방법으로서,
소스 이미지 및 타겟 이미지가 동일한 좌표 공간에 대략적으로 위치하도록 아핀 등록(affine registration)을 수행하는 단계 - 상기 소스 이미지 및 상기 타겟 이미지는 각각 두뇌 구조들을 포함함 -; 및
상기 두뇌 구조들의 경계들을 정제하기 위해 종양 적응성 메트릭들(tumor-adaptive metrics)을 사용하여 디페오모픽 데몬스 변형가능 등록(diffeomorphic demons deformable registration)을 구현하는 단계 - 상기 디페오모픽 데몬스 변형가능 등록은 광학 흐름 유도 변형력 및 제어가능한 균일화를 이용하고, 상기 제어 가능한 균일화는 평활도 또는 데이터 매칭 중 하나를 선택함으로써 평활도 또는 데이터 매칭에 기초하여 우선 순위 결정되고, 상기 광학 흐름 유도 변형력은 공간 구배(spatial gradient)를 따르는 미스매칭(mismatch)의 강도에 비례하는 속도(velocity)를 사용하여 계산됨 -;
를 포함하는 방법. - 제1항에 있어서, 상기 아핀 등록은 포인트들, 직선들 및 평면들을 보존함으로써 이미지들을 정렬하는 단계를 포함하는 방법.
- 제1항에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 벡터 필드들 및 크기들을 이용하는 방법.
- 삭제
- 제1항에 있어서,
상기 디페오모픽 데몬스 변형가능 등록은 변형 필드에 걸쳐 이미지 강도의 매칭 오차를 최소화하는 단계를 포함하는 방법. - 제1항에 있어서, 상기 종양 적응성 메트릭들은 종양 영역의 오차 기여분을 배제하는 방법.
- 제1항에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 등록 시간에 걸쳐 스무스 변형 궤적을 사용하는 단계를 포함하는 방법.
- 장치로서,
애플리케이션을 저장하는 비 일시적 메모리 - 상기 애플리케이션은:
소스 이미지 및 타겟 이미지가 동일한 좌표 공간에 대략적으로 위치하도록 아핀 등록을 수행하고 - 상기 소스 이미지 및 상기 타겟 이미지는 각각 두뇌 구조들을 포함함 -;
상기 두뇌 구조들의 경계들을 정제하기 위해 종양 적응성 메트릭들을 사용하여 디페오모픽 데몬스 변형가능 등록을 구현하는 것임 -; 및
상기 메모리에 연결되고, 상기 애플리케이션을 처리하도록 구성된 프로세싱 컴포넌트
를 포함하고,
상기 디페오모픽 데몬스 변형가능 등록은 광학 흐름 유도 변형력 및 제어가능한 균일화를 이용하고, 상기 제어 가능한 균일화는 평활도 또는 데이터 매칭 중 하나를 선택함으로써 평활도 또는 데이터 매칭에 기초하여 우선 순위 결정되고, 상기 광학 흐름 유도 변형력은 공간 구배를 따르는 미스매칭의 강도에 비례하는 속도를 사용하여 계산되는, 장치. - 제8항에 있어서, 상기 아핀 등록은 포인트들, 직선들 및 평면들을 보존함으로써 이미지들을 정렬하는 것을 포함하는 장치.
- 제8항에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 벡터 필드들 및 크기들을 이용하는 장치.
- 삭제
- 제8항에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 변형 필드에 걸쳐 이미지 강도의 매칭 오차를 최소화하는 것을 포함하는 장치.
- 제8항에 있어서, 상기 종양 적응성 메트릭들은 종양 영역의 오차 기여분을 배제하는 장치.
- 제8항에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 등록 시간에 걸쳐 스무스 변형 궤적을 사용하는 것을 포함하는 장치.
- 시스템으로서,
자기 공명 이미징 디바이스;
컴퓨팅 디바이스 - 상기 컴퓨팅 디바이스는
소스 이미지 및 타겟 이미지가 동일한 좌표 공간에 대략적으로 위치하도록 아핀 등록을 수행하고 - 상기 소스 이미지 및 상기 타겟 이미지는 각각 두뇌 구조들을 포함함 -;
상기 두뇌 구조들의 경계들을 정제하기 위해 종양 적응성 메트릭들을 사용하여 디페오모픽 데몬스 변형가능 등록을 구현하도록 구성됨 -; 및
메모리에 연결되고, 애플리케이션을 처리하도록 구성된 프로세싱 컴포넌트
를 포함하고,
상기 디페오모픽 데몬스 변형가능 등록은 광학 흐름 유도 변형력 및 제어가능한 균일화를 이용하고, 상기 제어 가능한 균일화는 평활도 또는 데이터 매칭 중 하나를 선택함으로써 평활도 또는 데이터 매칭에 기초하여 우선 순위 결정되고, 상기 광학 흐름 유도 변형력은 공간 구배를 따르는 미스매칭의 강도에 비례하는 속도를 사용하여 계산되는, 시스템. - 제15항에 있어서, 상기 아핀 등록은 포인트들, 직선들 및 평면들을 보존함으로써 이미지들을 정렬하는 것을 포함하는 시스템.
- 제15항에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 벡터 필드들 및 크기들을 이용하는 시스템.
- 삭제
- 제15항에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 변형 필드에 걸쳐 이미지 강도의 매칭 오차를 최소화하는 것을 포함하는 시스템.
- 제15항에 있어서, 상기 종양 적응성 메트릭들은 종양 영역의 오차 기여분을 배제하는 시스템.
- 제15항에 있어서, 상기 디페오모픽 데몬스 변형가능 등록은 등록 시간에 걸쳐 스무스 변형 궤적을 사용하는 것을 포함하는 시스템.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/353,679 | 2016-11-16 | ||
US15/353,679 US10176570B2 (en) | 2016-11-16 | 2016-11-16 | Inter-patient brain registration |
PCT/US2017/046974 WO2018093430A1 (en) | 2016-11-16 | 2017-08-15 | Inter-patient brain registration |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190057396A KR20190057396A (ko) | 2019-05-28 |
KR102227713B1 true KR102227713B1 (ko) | 2021-03-15 |
Family
ID=59791128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020197013242A KR102227713B1 (ko) | 2016-11-16 | 2017-08-15 | 환자-간 두뇌 등록 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10176570B2 (ko) |
EP (1) | EP3526769A1 (ko) |
JP (1) | JP6781417B2 (ko) |
KR (1) | KR102227713B1 (ko) |
CN (1) | CN109952597B (ko) |
WO (1) | WO2018093430A1 (ko) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019107952B4 (de) * | 2019-03-27 | 2023-08-10 | Volume Graphics Gmbh | Computer-implementiertes Verfahren zur Analyse von Messdaten eines Objekts |
CN112419377B (zh) * | 2020-11-20 | 2021-10-08 | 推想医疗科技股份有限公司 | 配准图像确定方法及配准图像确定装置 |
CN115005802B (zh) * | 2022-07-21 | 2023-04-28 | 首都医科大学宣武医院 | 脑网络疾病发作起始部位定位方法、系统及装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1222608A1 (en) * | 1999-09-22 | 2002-07-17 | Michael I. Miller | Method and apparatus for image registration using large deformation diffeomorphisms on a sphere |
US8571278B2 (en) | 2005-06-24 | 2013-10-29 | The University Of Iowa Research Foundation | System and methods for multi-object multi-surface segmentation |
US7876938B2 (en) | 2005-10-06 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for whole body landmark detection, segmentation and change quantification in digital images |
US20070116381A1 (en) * | 2005-10-19 | 2007-05-24 | Ali Khamene | Method for deformable registration of images |
WO2008063494A2 (en) | 2006-11-16 | 2008-05-29 | Vanderbilt University | Apparatus and methods of compensating for organ deformation, registration of internal structures to images, and applications of same |
EP2369551B1 (en) | 2010-03-25 | 2019-10-30 | Emory University | Imaging system and method |
US9129382B2 (en) | 2010-06-25 | 2015-09-08 | Institute Of Automation, Chinese Academy Of Sciences | Method and system for brain tumor segmentation in multi-parameter 3D MR images via robust statistic information propagation |
WO2013091186A1 (zh) | 2011-12-21 | 2013-06-27 | 中国科学院自动化研究所 | 多参数三维磁共振图像脑肿瘤分割方法 |
CN102722890B (zh) * | 2012-06-07 | 2014-09-10 | 内蒙古科技大学 | 基于光流场模型的非刚性心脏图像分级配准方法 |
CN103854276B (zh) * | 2012-12-04 | 2018-02-09 | 东芝医疗系统株式会社 | 图像配准及分割装置和方法,以及医学图像设备 |
US9747421B2 (en) | 2014-02-10 | 2017-08-29 | Picofemto LLC | Multi-factor brain analysis via medical imaging decision support systems and methods |
CN104091337B (zh) * | 2014-07-11 | 2017-07-14 | 北京工业大学 | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 |
-
2016
- 2016-11-16 US US15/353,679 patent/US10176570B2/en active Active
-
2017
- 2017-08-15 CN CN201780070638.4A patent/CN109952597B/zh active Active
- 2017-08-15 WO PCT/US2017/046974 patent/WO2018093430A1/en unknown
- 2017-08-15 EP EP17761952.5A patent/EP3526769A1/en active Pending
- 2017-08-15 KR KR1020197013242A patent/KR102227713B1/ko active IP Right Grant
- 2017-08-15 JP JP2019547070A patent/JP6781417B2/ja active Active
Non-Patent Citations (4)
Title |
---|
A fast diffeomorphic image registration algorithm",NeuroImage,Elsevier, 2007.10.* |
Diffeomorphic demons: Efficient non-parametric image registration, NeuroImage Elsevier, 2009.02.* |
Image matching as a diffusion process: an analogy with Maxwwell's demons,Medical Image Analysis,Elsevier, 1998.01.* |
PREDICTING THE LOCATION OF GLIOMA RECURRENCE AFTER A RESECTION SURGERY,SPATIO-TEMPORAL IMAGE ANALYSIS FOR LONGITUDINAL AND TIME-SERIES IMAGE DATA, 2012.10.* |
Also Published As
Publication number | Publication date |
---|---|
JP6781417B2 (ja) | 2020-11-04 |
US10176570B2 (en) | 2019-01-08 |
CN109952597A (zh) | 2019-06-28 |
EP3526769A1 (en) | 2019-08-21 |
US20180137617A1 (en) | 2018-05-17 |
WO2018093430A1 (en) | 2018-05-24 |
CN109952597B (zh) | 2023-03-31 |
JP2019535472A (ja) | 2019-12-12 |
KR20190057396A (ko) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10846853B2 (en) | Medical image processing apparatus, medical image processing method, and medical image processing program | |
US9747699B2 (en) | Plane detection and tracking for structure from motion | |
US20200214619A1 (en) | Automated co-registration of prostate mri data | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
US9083945B2 (en) | Keyframe selection for robust video-based structure from motion | |
US10102626B2 (en) | Automatic 3D brain tumor segmentation and classification | |
KR102227713B1 (ko) | 환자-간 두뇌 등록 | |
JP2009520558A (ja) | ポイント・ベースの適応的弾性画像登録 | |
CN104508703B (zh) | 用于配准图像序列的系统和方法 | |
Saha et al. | A two-step approach for longitudinal registration of retinal images | |
US20160275357A1 (en) | Method and system for tracking a region in a video image | |
GB2497384A (en) | Method And Apparatus For Aligning Sets Of Medical Imaging Data | |
Zheng | Cross-modality medical image detection and segmentation by transfer learning of shapel priors | |
Beache et al. | Fully automated framework for the analysis of myocardial first‐pass perfusion MR images | |
Baum et al. | Meta-learning initializations for interactive medical image registration | |
Liew et al. | Gradual Self‐Training via Confidence and Volume Based Domain Adaptation for Multi Dataset Deep Learning‐Based Brain Metastases Detection Using Nonlocal Networks on MRI Images | |
JP2005354201A (ja) | 画像処理装置及び画像処理方法 | |
Marinelli et al. | Registration of myocardial PET and SPECT for viability assessment using mutual information | |
JP2014102805A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN110992400A (zh) | 基于边缘的动态投影映射对象跟踪方法和装置 | |
Uzunova et al. | Evaluation of Image Processing Methods for Clinical Applications: Mimicking Clinical Data Using Conditional GANs | |
Chen et al. | Learning robust features for planar object tracking | |
KR101627974B1 (ko) | 영상 블러에 강인한 영상 특징 기술자 생성 방법 및 장치 | |
US20230073940A1 (en) | Body Pose Tracking of Players from Sports Broadcast Video Feed | |
US20220292712A1 (en) | Systems and methods for determining environment dimensions based on landmark detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |