NL1037077C2 - SYSTEM FOR DETERMINING THE OPPORTUNITY FOR A POSSIBLE RESULT OF A MEDICAL TREATMENT. - Google Patents
SYSTEM FOR DETERMINING THE OPPORTUNITY FOR A POSSIBLE RESULT OF A MEDICAL TREATMENT. Download PDFInfo
- Publication number
- NL1037077C2 NL1037077C2 NL1037077A NL1037077A NL1037077C2 NL 1037077 C2 NL1037077 C2 NL 1037077C2 NL 1037077 A NL1037077 A NL 1037077A NL 1037077 A NL1037077 A NL 1037077A NL 1037077 C2 NL1037077 C2 NL 1037077C2
- Authority
- NL
- Netherlands
- Prior art keywords
- tumor
- group
- patient
- image
- higher image
- Prior art date
Links
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Description
Systeem voor het bepalen van de kans op een mogelijk resultaat van een medische behandeling 5 De uitvinding heeft betrekking op een systeem voor het voorspellen van de kans op een mogelijk resultaat van een medische behandeling, welk systeem omvat: - een ingangseenheid voor het invoeren van een of meerdere patiëntkarakteristieken van een onder beschouwing zijnde patiënt - een geheugeneenheid die een voorspellingsmodel bevat dat is gebaseerd op een of 10 meerdere uit medisch onderzoek bekende verbanden tussen patiëntkarakteristieken en de uitkomst van een of meerdere medische behandelingen - een processoreenheid voor het relateren van de een of meerdere patiëntkarakteristieken van de onder beschouwing zijnde patiënt aan het voorspellingsmodel en het bepalen van de kans op een mogelijke resultaat van een te overwegen medische behandeling op basis 15 daarvan - een weergave-eenheid die een door de processoreenheid bepaalde kans op het mogelijke resultaat van de medische behandeling weergeeftThe invention relates to a system for predicting the probability of a possible result of a medical treatment, which system comprises: an input unit for entering a medical treatment or multiple patient characteristics of a patient under consideration - a memory unit containing a prediction model based on one or more relationships between patient characteristics known from medical research and the outcome of one or more medical treatments - a processor unit for relating the one or more multiple patient characteristics of the patient under consideration to the prediction model and determining the probability of a possible result of a medical treatment to be considered on the basis thereof - a display unit that has a probability of the possible outcome of the medical outcome determined by the processor unit treatment we gives
Dergelijke systemen zijn in gebruik voor vele medische behandelingen. Voor artsen is 20 het van groot belang om de uitkomst van een medische behandeling zo goed mogelijk te kunnen inschatten. Om een weloverwogen keuze voor een bepaalde behandeling te kunnen maken moeten arts en patiënt de voor- en nadelen van verschillende behandelingen goed tegen elkaar kunnen afwegen. De kans op overleven, op complicaties, op herstel, op bijwerkingen en de benodigde investering van moeite en 25 pijn moeten goed ingeschat kunnen worden. Daartoe zijn modellen ontwikkeld waarmee deze kansen kunnen worden bepaald. Een systeem voor het bepalen van'de kans op een mogelijk resultaat van een behandeling is bijvoorbeeld beschreven in het Amerikaanse octrooischrift US 2008/0033894.Such systems are in use for many medical treatments. It is of great importance for doctors to be able to estimate the outcome of medical treatment as well as possible. In order to be able to make a well-considered choice for a specific treatment, the doctor and patient must be able to weigh up the pros and cons of different treatments. The chance of survival, of complications, of recovery, of side effects and the required investment of effort and pain must be properly assessed. To this end, models have been developed with which these opportunities can be determined. A system for determining the probability of a possible result of a treatment is described, for example, in U.S. Pat. No. 2008/0033894.
30 Een dergelijk systeem maakt gebruik van beschikbare gegevens van medische behandelingen uit het verleden. Dergelijke gegevens zijn te vinden in patiëntendossiers. Het betreft bijvoorbeeld persoonskenmerken, de aard en omvang van de aandoening, 1037077 2 verrichte behandelingen en het verloop van de ziekte. Uit de gegevens van vele patiënten samen kunnen statistische verbanden bepaald worden tussen bepaalde parameters en het verloop van de ziekte, in het bijzonder in relatie tot de toegepaste behandelingen. Met deze gegevens kan een statistisch model verkregen worden waarin 5 de relatie tussen de verschillende patiëntkarakteristieken, een behandeling en het resultaat van deze behandeling is vastgelegd. Bij een nieuwe patiënt kan met behulp van dit model bijvoorbeeld bepaald worden hoe groot de kans op overleven en de kans op bepaalde complicaties bij de behandeling zijn. Deze informatie wordt gebruikt bij de beslissing over het inzetten van bepaalde behandelmethoden.30 Such a system uses available data from past medical treatments. Such data can be found in patient records. This concerns, for example, personal characteristics, the nature and extent of the disorder, treatments performed and the course of the disease. From the data of many patients together, statistical relationships can be determined between certain parameters and the course of the disease, in particular in relation to the treatments applied. With this data a statistical model can be obtained in which the relation between the different patient characteristics, a treatment and the result of this treatment is recorded. With a new patient, for example, this model can be used to determine the likelihood of survival and the likelihood of certain complications during treatment. This information is used when deciding on the use of certain treatment methods.
1010
Een bekend nadeel van de gebruikelijke systemen is dat de inschatting nog niet voldoende is. Om de voorspellende waarde te verhogen moeten normaliter extra onderzoeken verricht worden naar nieuwe patiëntkarakteristieken, hetgeen voor de patiënt belastend kan zijn. De huidige uitvinding heeft tot doel om een systeem te 15 verschaffen waarvan de voorspellende waarde verhoogd is, zonder extra belasting voor de patiënt. Daartoe heeft het systeem volgens de uitvinding het kenmerk dat een in te voeren patiëntkarakteristiek van de te beschouwen patiënt afleidbaar is uit een onderzoeksresultaat van een onderzoek dat gebruikelijk is in de standaard medische praktijk. Verrassenderwijs is gebleken dat verschillende grootheden aanwezig in 20 onderzoeksresultaten uit de gewone medische praktijk geschikt zijn voor het beter voorspellen van het resultaat van medische behandelingen. Deze grootheden kunnen worden verkregen uit de dossiers van vroegere patiënten en uit dat van de onder beschouwing zijnde patiënt. Het betreft dan zowel het papieren dossier als electronische zaken zoals beelvorming van onderzoeken.A known disadvantage of the usual systems is that the estimate is not yet sufficient. In order to increase the predictive value, additional investigations should normally be conducted into new patient characteristics, which can be burdensome for the patient. The present invention has for its object to provide a system whose predictive value is increased without additional burden for the patient. To this end, the system according to the invention is characterized in that a patient characteristic to be entered can be derived from the patient to be considered from an examination result of an examination that is customary in standard medical practice. Surprisingly, it has been found that different quantities present in research results from ordinary medical practice are suitable for better predicting the result of medical treatments. These quantities can be obtained from the records of former patients and from the patient under consideration. This concerns both the paper file and electronic matters such as the formation of investigations.
2525
Volgens een voorkeursuitvoering betreft het onderzoeksresultaat een CT scan. Een dergelijke scan behoort tot de gebruikelijke medische praktijk en is voor de meeste patiënten beschikbaar.According to a preferred embodiment, the test result is a CT scan. Such a scan is part of the usual medical practice and is available for most patients.
30 Volgens een andere uitvoeringsvorm betreft het onderzoeksresultaat een PET scan. Ook deze is voor de meeste patiënten reeds beschikbaar in het patiëntendossier.According to another embodiment, the test result relates to a PET scan. This is also available for most patients in the patient file.
33
Volgens een andere uitvoeringsvorm betreft het onderzoeksresultaat een MRI scan. Ook deze is voor de meeste patiënten reeds beschikbaar in het patiëntendossier.According to another embodiment, the test result is an MRI scan. This is also available for most patients in the patient file.
Volgens een voorkeursuitvoeringsvorm is de onder beschouwing zijnde patiënt een aan 5 een tumor (kanker) lijdende patiënt en de medische behandeling gericht is op het bestrijden van de tumor. Met name kankerpatiënten hebben al vele onderzoeken achter de rug en weer nieuwe onderzoeken kunnen voor hen een zware belasting zijn. Verder is het zo dat door de grote risico’s van de ziekte, iedere extra informatie een significant resultaat geeft. Dit geldt in het bijzonder voor agressieve vormen van kanker zoals 10 NSCLC (non-small cell lung cancer) en melanoom.According to a preferred embodiment, the subject under consideration is a patient suffering from a tumor (cancer) and the medical treatment is aimed at controlling the tumor. Cancer patients in particular have already undergone many examinations and new examinations can be a heavy burden for them. Furthermore, due to the high risks of the disease, every extra information gives a significant result. This applies in particular to aggressive forms of cancer such as NSCLC (non-small cell lung cancer) and melanoma.
In het systeem kan bijvoorbeeld bepaald worden wat de invloed is van de omvang en plaats van'de tumor. Op die wijze kan vastgesteld worden of bij een bepaalde om vang bijvoorbeeld chirurgie, bestraling, chemokuur of een combinatie daarvan het meest 15 effectief is. Meer specifiek kan vastgesteld worden wat de kans op overleven is en die op complicaties van een bepaalde therapie. Indien een nieuwe patiënt onder behandeling wordt genomen is het systeem in staat om door het combineren van diens persoonsgegevens, de kenmerken van diens tumor en deze resultaten uit het verleden aan te geven wat de kansen op mogelijke uitkomsten van een behandeling zijn. Zo 20 kunnen arts en patiënt samen overwegen of de last van een behandeling opweegt tegen het te verwachten resultaat en een behandeling in gang zetten die de beste overlevingskansen biedt met een acceptabel belastingsniveau voor de patiënt.The system can, for example, determine the influence of the size and location of the tumor. In this way it can be determined whether, for example, surgery, radiation, chemotherapy or a combination thereof is most effective at a certain circumference. More specifically, it can be determined what the chance of survival is and that of complications from a certain therapy. If a new patient is taken into treatment, the system is able to indicate the chances of possible outcomes of treatment by combining his personal data, the characteristics of his tumor and these past results. Thus, doctor and patient can together consider whether the burden of a treatment outweighs the expected result and initiate a treatment that offers the best chances of survival with an acceptable level of burden on the patient.
Volgens een uitvoeringsvorm is een patiëntkarakteristiek een hoger beeldkenmerk van 25 een tumorbeeld. Een tumorbeeld kan bijvoorbeeld een tumorhistogram zijn of een 3-D beeld van de tumor. Het is verrassenderwijs gebleken dat deze beeldkenmerken uit een dergelijk onderzoeksresultaat voorspellende waarde hebben voor de uitkomst van de behandeling. Normaliter wordt enkel gekeken naar de plaats en omvang van een tumor. Bij onderzoek is echter gebleken dat door hogere beeldkenmerken van het tumorbeeld 30 bij de modelvorming te betrekken een betere voorspelling kan worden verkregen. Omdat het tumorbeeld wordt gemaakt in de standaard medische praktijk kan eenvoudig extra zekerheid verkregen worden zonder extra onderzoeken.According to an embodiment, a patient characteristic is a higher image characteristic of a tumor image. For example, a tumor image can be a tumor histogram or a 3-D image of the tumor. It has surprisingly been found that these image characteristics from such an investigation result have predictive value for the outcome of the treatment. Normally, only the location and size of a tumor is considered. However, research has shown that by involving higher image characteristics of the tumor image 30 in the model formation, a better prediction can be obtained. Because the tumor image is made in standard medical practice, extra certainty can easily be obtained without additional examinations.
44
Dergelijke hogere beeldkenmerken kunnen dus worden afgeleid uit een uit de CT, PET en/of MRI data gevormd tumorbeeld, zoals een histogram. Een dergelijk beeld kan afgedrukt worden of zichtbaar gemaakt worden op een monitor. Het beeld is daarbij enkel een grafische weergave van de onderliggende beelddata. De beelddata bestaan uit 5 pixel-matrices met behulp waarvan de intensiteit van de pixels voor elke locatie kan worden gegeven.Such higher image characteristics can thus be derived from a tumor image, such as a histogram, formed from the CT, PET and / or MRI data. Such an image can be printed or made visible on a monitor. The image is merely a graphical representation of the underlying image data. The image data consists of 5 pixel matrices with the aid of which the intensity of the pixels can be given for each location.
Volgens een andere uitvoeringsvorm is het hogere beeldkenmerk de gradiënt van het tumorbeeld. De gradiënt van het beeld duidt aan hoe scherp de overgangen binnen de 10 tumor zijn. Ook deze blijkt zeer voorspellend te zijn.In another embodiment, the higher image characteristic is the gradient of the tumor image. The gradient of the image indicates how sharp the transitions are within the tumor. This too appears to be very predictive.
Volgens weer een andere uitvoeringsvorm is het hogere beeldkenmerk de distributie van het tumorbeeld. Het is gebleken dat ook de distributie van het tumorbeeld een extra bruikbare voorspellende waarde heeft voor het resultaat van de behandeling van een 15 tumor.According to yet another embodiment, the higher image characteristic is the distribution of the tumor image. It has been found that also the distribution of the tumor image has an extra useful predictive value for the result of the treatment of a tumor.
Een vorm van analyse is het extraheren van de beeldkenmerken uit beelddata met behulp van grijswaarden-statistiek. Deze techniek maakt gebruik van de grijswaarden van de pixels, waarbij de grijswaarde representatief is voor de intensiteit van de pixel. 20 Er is geen sprake van een continue schaal zodat het aantal mogelijke grijswaarden gedefinieerd is. Er zijn verschillende soorten grijswaarden statistiek mogelijk. Met de eerste-orde grijswaarden statistiek (first-order gray level statistics) kunnen statistische grootheden als minimum, maximum, bereik (range), gemiddelde waarde, variantie, standaard deviatie, scheefheid (skewness), platheid (kurtosis) alsook de entropie worden 25 bepaald. Deze grootheden zijn representatief voor de hoedanigheid van het tumorbeeld. Zo is bijvoorbeeld de variantie een maat voor de spreiding van de verdeling van de data, waarbij een grotere variantie een grotere afwijking ten opzichte van de gemiddelde waarde representeert, de scheefheid een maat voor de asymmetrie van de data ten opzichte van de gemiddelde waarde en de platheid een maat voor de piekvorming in de 30 data, waarbij een hoge kurtosis op een verdeling met een sterke piek wijst. Deze grootheden kunnen in de groep eerste-orde grijswaarden statistische grootheden van het tumorbeeld worden onderverdeeld.A form of analysis is the extraction of the image characteristics from image data with the help of gray value statistics. This technique uses the gray values of the pixels, the gray value being representative of the intensity of the pixel. There is no continuous scale, so the number of possible gray values is defined. Different types of gray scale statistics are possible. With the first-order gray level statistics, statistical quantities such as minimum, maximum, range (range), average value, variance, standard deviation, skewness, flatness (kurtosis) as well as the entropy can be 25 determined. These quantities are representative of the quality of the tumor image. For example, the variance is a measure of the distribution of the distribution of the data, with a larger variance representing a larger deviation from the average value, the skewness a measure of the asymmetry of the data relative to the average value and the flatness a measure of the peak formation in the data, with a high kurtosis indicating a distribution with a strong peak. These quantities can be subdivided into the group of first-order grayscale statistical quantities of the tumor image.
55
Volgens een uitvoeringvorm is het hogere beeldkenmerk gekozen uit de groep van eerste-orde grijswaarden statistische grootheden van het tumorbeeld. Bij voorkeur is het uit de groep van eerste-orde grijswaarden statistische grootheden gekozen hogere beeldkenmerk entropie van het tumorbeeld. Met name het hogere beeldkenmerk 5 entropie blijkt een zeer goede extra voorspellende waarde voor het resultaat van een behandeling te leveren. Deze is tevens een maat voor de wanorde in de data.According to an embodiment, the higher image characteristic is selected from the group of first-order gray-value statistical quantities of the tumor image. Preferably, the higher image characteristic entropy of the tumor image is selected from the group of first-order gray-value statistical variables. The higher entropy image characteristic, in particular, appears to provide a very good extra predictive value for the result of a treatment. This is also a measure of the disorder in the data.
De bovenvermelde grootheden, afgeleid uit de eerste-orde grijswaarden statistiek verschaffen weliswaar informatie over de verdeling van de grijswaarden van de pixels 10 in het beeld, maar niet over de onderlinge relatie van de pixels ten opzichte van elkaar. Daarvoor extraheert men uit de voorliggende pixel-matrices andere matrices waarbij de pixels in paren worden beschouwd. Hierbij worden steeds twee pixels met een bepaalde afstand van elkaar in een bepaalde richting, namelijk horizontaal, vertikaal, diagonaal of anti-diagonaal, van de pixel-matrix bekeken. Het resultaat is een zogenaamde co-15 occurrence matrix waarbij de matrixelementen de ruimtelijke distributie van de grijswaarden ten opzichte van elkaar en afhankelijk van afstand en richting weergeven.The above-mentioned quantities, derived from the first-order gray value statistics, indeed provide information about the distribution of the gray values of the pixels 10 in the image, but not about the mutual relationship of the pixels with respect to each other. For this purpose, other matrices are extracted from the preceding pixel matrices, the pixels being considered in pairs. In this case, two pixels with a certain distance from each other in a certain direction, namely horizontal, vertical, diagonal or anti-diagonal, are viewed from the pixel matrix. The result is a so-called co-15 occurrence matrix in which the matrix elements represent the spatial distribution of the gray values relative to each other and depending on distance and direction.
Met behulp van deze zogenaamde tweede-orde grijswaarden statistiek kan men weer een aantal statistische grootheden bepalen, zoals contrast, correlatie, energie, 20 homogeniteit, inverse difference momentum, somgemiddelde, somvariantie en som-entropie. Deze grootheden kunnen in de groep tweede-orde grijswaarden statistische grootheden van het tumorbeeld worden onderverdeeld.With the help of this so-called second-order gray value statistic, a number of statistical variables can again be determined, such as contrast, correlation, energy, homogeneity, inverse difference momentum, sum average, sum variance and sum entropy. These variables can be subdivided into the second-order gray value group of statistical variables of the tumor image.
Volgens een uitvoeringsvorm is het hogere beeldkenmerk gekozen uit de groep van 25 tweede-orde grijswaarden statistische grootheden van het tumorbeeld.According to an embodiment, the higher image characteristic is selected from the group of 25 second-order gray-value statistical quantities of the tumor image.
Volgens een voorkeursuitvoeringsvorm is het uit de groep van tweede-orde grijswaarden statistische grootheden gekozen hogere beeldkenmerk de energie van het tumorbeeld. De energie is de som van het kwadraat van alle matrixelementen en een maat voor egaliteit of vlakheid. Als alle pixels dezelfde grijswaarde hebben is de 30 energiewaarde gelijk is aan 1.According to a preferred embodiment, the higher image characteristic selected from the group of second-order gray-value statistical variables is the energy of the tumor image. The energy is the sum of the squares of all matrix elements and a measure of evenness or flatness. If all pixels have the same gray value, the energy value is equal to 1.
Volgens een verdere voorkeursuitvoeringsvorm is het uit de groep van tweede-orde grijswaarden statistische grootheden gekozen hogere beeldkenmerk de homogeniteit 6 van het tumorbeeld. Tevens blijken de hogere beeldkenmerk energie en homogeniteit een zeer goede extra voorspellende waarde voor het resultaat van een behandeling te verschaffen.According to a further preferred embodiment, the higher image characteristic selected from the group of second-order gray-value statistical variables is the homogeneity 6 of the tumor image. The higher image characteristic of energy and homogeneity also appears to provide a very good extra predictive value for the result of a treatment.
5 Indien de grootte en de vorm van de tumor aan de pixel-matrices toegevoegd worden, kunnen verdere hogere beeldkenmerken worden bepaald die dan in de groep morfometrische grootheden kunnen worden onderverdeeld. Deze grootheden zijn onder andere oppervlak, omtrek, grootte van de lengteas, volume, maximale diameter, ratio van het volume en oppervlak, de bolvormigheid (sphericity) en compactheid. Deze 10 grootheden duiden de verschillende eigenschappen van de tumor aan, waarbij een aantal dimensieloos alsook onafhankelijk van de oriëntatie van de tumor is. Zo is de bolvormigheid gedefinieerd als het oppervlakte van een overeenkomstige bol met hetzelfde tumorvolume gedeeld door het berekende tumoroppervlakte en is de compactheid afhankelijk van volume en oppervlak.If the size and shape of the tumor are added to the pixel matrices, further higher image characteristics can be determined which can then be subdivided into the group of morphometric quantities. These quantities include surface area, circumference, size of the longitudinal axis, volume, maximum diameter, ratio of volume and surface area, sphericity and compactness. These quantities indicate the different properties of the tumor, a number of which are dimensionless as well as independent of the orientation of the tumor. Thus, the sphericity is defined as the area of a corresponding sphere with the same tumor volume divided by the calculated tumor area and the compactness depends on volume and area.
1515
Volgens een uitvoeringsvorm is het hogere beeldkenmerk gekozen uit de groep van morfometrische grootheden van het tumorbeeld. Bij voorkeur is het uit de groep van morfometrische grootheden gekozen hogere beeldkenmerk de ratio van het volume en oppervlak van het tumorbeeld.According to an embodiment, the higher image characteristic is selected from the group of morphometric quantities of the tumor image. Preferably, the higher image characteristic selected from the group of morphometric quantities is the ratio of the volume and area of the tumor image.
2020
Uit de pixel-matrices kunnen ook de zogenaamde reekslengte matrices (RLM) worden afgeleid. Een grijswaarde reeks is een aantal opeenvolgende pixels met dezelfde grijswaarde, de reekslengte is daarbij het aantal keren dat deze grijswaarde worden herhaald. Middels wiskundige bewerkingen kan een aantal statistische grootheden 25 worden bepaald die dan in de groep reekslengte matrices grootheden van het tumorbeeld kunnen worden onderverdeeld. Deze grootheden zijn namelijk de short run emphasis (SRE), de long run emphasis (LRE), de grijswaarden non-uniformiteit en de run percentage.The so-called series length matrices (RLM) can also be derived from the pixel matrices. A gray value sequence is a number of consecutive pixels with the same gray value, the sequence length being the number of times this gray value is repeated. A number of statistical quantities can be determined by means of mathematical operations which can then be subdivided into the series of array length matrices quantities of the tumor image. These quantities are namely the short run emphasis (SRE), the long run emphasis (LRE), the greyscale non-uniformity and the run percentage.
30 Volgens een andere uitvoeringsvorm is het hogere beeldkenmerk gekozen uit de groep van reekslengte matrices grootheden van het tumorbeeld.According to another embodiment, the higher image characteristic is selected from the group of series length matrices quantities of the tumor image.
77
Volgens een voorkeursuitvoeringsvorm is het uit de groep van reekslengte matrices grootheden gekozen hogere beeldkenmerk de zogenaamde short run emphasis van het tumorbeeld.According to a preferred embodiment, the higher image characteristic selected from the group of series length matrices variables is the so-called short run emphasis of the tumor image.
Volgens een verdere voorkeursuitvoeringsvorm is het uit de groep van reekslengte 5 matrices grootheden gekozen hogere beeldkenmerk de zogenaamde lang run emphasis van het tumorbeeld. De zogenaamde SRE en LRE geven aan of het beeld fijn of grof is, waarbij voor fijne oftewel scherpe beelden de SRE groot en voor groffe oftewel onscherpe beelden de LRE groot is.According to a further preferred embodiment, the higher image characteristic selected from the group of series length matrices quantities is the so-called long-run emphasis of the tumor image. The so-called SRE and LRE indicate whether the image is fine or coarse, whereby for fine or sharp images the SRE is large and for coarse or blurred images the LRE is large.
10 Volgens weer een verdere voorkeursuitvoeringsvorm is het uit de groep van reekslengte matrices grootheden gekozen hogere beeldkenmerk de grijswaarden non-uniformiteit van het tumorbeeld. De grijswaarden non-uniformiteit is klein als de reekslengten uniforme verdeeld zijn voor de grijswaarden.According to yet another preferred embodiment, the higher image characteristic selected from the group of series length matrices variables is the gray value non-uniformity of the tumor image. The gray value non-uniformity is small if the series lengths are uniformly distributed for the gray values.
15 Volgens nog een verdere voorkeursuitvoeringsvorm is het uit de groep van reekslengte matrices grootheden gekozen hogere beeldkenmerk de reeks percentage van het tumorbeeld. Deze is klein voor fijne beelden en groot voor groffe beelden.According to yet a further preferred embodiment, the higher image characteristic selected from the group of series length matrices variables is the series percentage of the tumor image. This is small for fine images and large for coarse images.
Al deze grootheden representeren hogere beeldkenmerken van het beeld en zijn afgeleid 20 uit bestaande of nieuwe tumorbeelden. Deze kunnen als bijkomende patiëntkarakteristieken dienen in het voorspellingsmodel.All these quantities represent higher image characteristics of the image and are derived from existing or new tumor images. These can serve as additional patient characteristics in the prediction model.
De uitvinding zal thans worden toegelicht aan de hand van de volgende figuur: 25 FIG. 1 Schematische weergave van een systeem voor het bepalen van de kans op een mogelijk resultaat van een medische behandeling, volgens de uitvinding.The invention will now be explained with reference to the following figure: FIG. 1 Schematic representation of a system for determining the probability of a possible result of a medical treatment, according to the invention.
In FIG. 1 is schematisch een mogelijke uitvoeringsvorm weergegeven van een systeem 30 voor het bepalen van de kans op een mogelijk resultaat van een medische behandeling. Weergegeven zijn vier kaders, waarvan het kader van Data van eerdere patiënten de geheugeneenheid en het kader van Voorspellingsmodel de processoreenheid voorstelt.In FIG. 1 schematically shows a possible embodiment of a system 30 for determining the chance of a possible result of a medical treatment. Four frames are shown, of which the frame of Data from previous patients represents the memory unit and the frame of Prediction Model the processor unit.
gg
Het kader invoer geeft de ingangseenheid weer en bevat twee subkaders, namelijk Karakteristieken van de te beschouwen patiënt en Beeldbewerking welke subkaders de beoogde invoer van het voorspellingmodel voorstellen. Het kader Data van eerdere patiënten bevat een database waarin karakteristieken kunnen worden opgeslagen en het 5 kader Voorspellingsmodel bevat ten minste een processor waarmee statistische verbanden kunnen worden bepaald. In het voorspellingsmodel zijn data van eerdere patiënten en die van de onder beschouwing zijnde patiënt invoerbaar. De data wan eerdere patiënten bestaan uit verschillende patiëntkarakteristieken zoals leeftijd, geslacht, aard van de aandoening, omvang van de aandoening alsmede het resultaat van 10 uitgevoerde behandelingen zoals het optreden van complicaties. Indien de patiënt overleden is, is ook de datum van overlijden in het systeem bekend zodat bepaalbaar is of en in hoevere de overlevingskansen van de patiënt verhoogd zijn door de uitgevoerde behandeling(en). Andere data zijn bijvoorbeeld beelden van onderzoeken, zoals tumorbeelden. In het rechterkader, Voorspelling kans op een resultaat, is de weergave-15 eenheid te zien met de beoogde uitvoer van het voorspellingsmodel weergegeven, zijnde de voorspelling van de kans op een resultaat.The frame input represents the input unit and contains two sub-frames, namely Characteristics of the patient to be considered and Image processing which sub-frames represent the intended input of the prediction model. The Data frame of previous patients contains a database in which characteristics can be stored and the Prediction model frame contains at least one processor with which statistical relationships can be determined. Data from previous patients and those of the patient under consideration can be entered in the prediction model. The data of previous patients consists of different patient characteristics such as age, gender, nature of the disorder, extent of the disorder as well as the result of treatments performed such as the occurrence of complications. If the patient has died, the date of death is also known in the system so that it is possible to determine whether and to what extent the patient's chances of survival have been increased by the treatment (s) performed. Other data are, for example, images of investigations, such as tumor images. In the right-hand box, Prediction of a result, the display unit is shown with the intended output of the prediction model, being the prediction of the probability of a result.
Binnen het kader invoer bestaan er twee subkaders namelijk, Karakteristieken van de te beschouwen patiënt en Beeldbewerking, waarmee de karakteristieken, die behoren tot 20 de gebruikelijke medische praktijk van een te beschouwen patiënt, bijvoorbeeld een kanker patiënt, rechtstreeks of nadat deze in het subkader Beeldbewerking zijn bewerkt verder worden ingevoerd aan het voorspellingsmodel. Het subkader Beeldbewerking heeft als invoer een of meer data uit het subkader Karakteristieken van de te beschouwen patiënt en als uitvoer een of meer hogere beeldkenmerken die dan verder 25 dienen als invoer voor het kader Voorspellingsmodel. Hierbij maakt het kader Beeldbewerking gebruik van data die dikwijls reeds beschikbaar zijn in het patiëntendossier, namelijk CT, PET en/of MRI scan en leidt daaruit de hogere beeldkenmerken, zoals morfometrische gootheden, eerste- en/of tweede-orde grijswaarden statistische grootheden af.Within the input box there are two sub-frames namely, Characteristics of the patient to be considered and Image processing, with which the characteristics that belong to the usual medical practice of a patient to be considered, for example a cancer patient, directly or after being included in the Image processing sub-frame have been edited further to the prediction model. The Image processing sub-frame has as input one or more data from the Characteristics of the patient to be considered and as output one or more higher image characteristics which then further serve as input for the Prediction model frame. Here, the Image processing framework uses data that is often already available in the patient file, namely CT, PET and / or MRI scan, and derives therefrom the higher image characteristics, such as morphometric gutters, first- and / or second-order greyscale statistical quantities.
Het is verrassenderwijs gebleken dat deze beeldkenmerken uit een dergelijk onderzoeksresultaat voorspellende waarde hebben voor de uitkomst van de behandeling.It has surprisingly been found that these image characteristics from such an investigation result have predictive value for the outcome of the treatment.
30 99
Hoewel in het voorgaande de uitvinding is toegelicht aan de hand van de tekening, dient te worden vastgesteld dat de uitvinding geenszins tot de in de tekening getoonde uitvoeringsvorm is beperkt. De uitvinding strekt zich mede uit tot alle van de in de tekening getoonde uitvoeringsvorm afwijkende uitvoeringsvormen binnen het door de 5 conclusies gedefinieerde kader.Although in the foregoing the invention has been elucidated with reference to the drawing, it should be noted that the invention is by no means limited to the embodiment shown in the drawing. The invention also extends to all embodiments deviating from the embodiment shown in the drawing within the framework defined by the claims.
10370771037077
Claims (20)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| NL1037077A NL1037077C2 (en) | 2009-06-26 | 2009-06-26 | SYSTEM FOR DETERMINING THE OPPORTUNITY FOR A POSSIBLE RESULT OF A MEDICAL TREATMENT. |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| NL1037077A NL1037077C2 (en) | 2009-06-26 | 2009-06-26 | SYSTEM FOR DETERMINING THE OPPORTUNITY FOR A POSSIBLE RESULT OF A MEDICAL TREATMENT. |
| NL1037077 | 2009-06-26 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| NL1037077C2 true NL1037077C2 (en) | 2010-12-28 |
Family
ID=42103878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| NL1037077A NL1037077C2 (en) | 2009-06-26 | 2009-06-26 | SYSTEM FOR DETERMINING THE OPPORTUNITY FOR A POSSIBLE RESULT OF A MEDICAL TREATMENT. |
Country Status (1)
| Country | Link |
|---|---|
| NL (1) | NL1037077C2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9811904B2 (en) | 2013-04-19 | 2017-11-07 | Stichting Maastricht Radiation Oncology “Maastro-Clinic” | Method and system for determining a phenotype of a neoplasm in a human or animal body |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000057775A1 (en) * | 1999-03-26 | 2000-10-05 | Biosignia, Inc. | System and method for predicting disease onset |
| WO2004061742A2 (en) * | 2002-12-18 | 2004-07-22 | Ge Medical Systems Global Technology Company, Llc | Medical data analysis method and apparatus incorporating in vitro test data |
| WO2005001740A2 (en) * | 2003-06-25 | 2005-01-06 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for breast imaging |
-
2009
- 2009-06-26 NL NL1037077A patent/NL1037077C2/en not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000057775A1 (en) * | 1999-03-26 | 2000-10-05 | Biosignia, Inc. | System and method for predicting disease onset |
| WO2004061742A2 (en) * | 2002-12-18 | 2004-07-22 | Ge Medical Systems Global Technology Company, Llc | Medical data analysis method and apparatus incorporating in vitro test data |
| WO2005001740A2 (en) * | 2003-06-25 | 2005-01-06 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for breast imaging |
Non-Patent Citations (1)
| Title |
|---|
| RANGAYYAN ET AL: "A review of computer-aided diagnosis of breast cancer: Toward the detection of subtle signs", JOURNAL OF THE FRANKLIN INSTITUTE, PERGAMON PRESS, ELMSFOR, NY, US LNKD- DOI:10.1016/J.JFRANKLIN.2006.09.003, vol. 344, no. 3-4, 27 March 2007 (2007-03-27), pages 312 - 348, XP022002811, ISSN: 0016-0032 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9811904B2 (en) | 2013-04-19 | 2017-11-07 | Stichting Maastricht Radiation Oncology “Maastro-Clinic” | Method and system for determining a phenotype of a neoplasm in a human or animal body |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | An image feature approach for computer-aided detection of ischemic stroke | |
| Xu et al. | Computer-aided classification of interstitial lung diseases via MDCT: 3D adaptive multiple feature method (3D AMFM) | |
| EP3207521B1 (en) | Image analysis method supporting illness development prediction for a neoplasm in a human or animal body | |
| Raja'S et al. | Labeling of lumbar discs using both pixel-and object-level features with a two-level probabilistic model | |
| US10902596B2 (en) | Tomographic data analysis | |
| Yabu et al. | Using artificial intelligence to diagnose fresh osteoporotic vertebral fractures on magnetic resonance images | |
| US8452067B2 (en) | Method for generating bone mask | |
| US20070053560A1 (en) | Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure | |
| US9607392B2 (en) | System and method of automatically detecting tissue abnormalities | |
| EP2987114B1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
| Wallner et al. | Computed tomography data collection of the complete human mandible and valid clinical ground truth models | |
| Xiao et al. | Prediction of trabecular bone architectural features by deep learning models using simulated DXA images | |
| Egger et al. | Vertebral body segmentation with GrowCut: Initial experience, workflow and practical application | |
| Hess et al. | Deep learning for multi-tissue segmentation and fully automatic personalized biomechanical models from BACPAC clinical lumbar spine MRI | |
| Rusak et al. | Quantifiable brain atrophy synthesis for benchmarking of cortical thickness estimation methods | |
| Liu et al. | Generalized regional disorder-sensitive-weighting scheme for 3D neuroimaging retrieval | |
| US11967070B2 (en) | Systems and methods for automated image analysis | |
| NL1037077C2 (en) | SYSTEM FOR DETERMINING THE OPPORTUNITY FOR A POSSIBLE RESULT OF A MEDICAL TREATMENT. | |
| Roberts et al. | Imaging evaluation of a proposed 3D generative model for MRI to CT translation in the lumbar spine | |
| Giannoglou et al. | Review of advances in Cobb angle calculation and image-based modelling techniques for spinal deformities | |
| Dular et al. | BASE: brain age standardized evaluation | |
| Koh et al. | Lumbar spinal stenosis CAD from clinical MRM and MRI based on inter-and intra-context features with a two-level classifier | |
| Wang et al. | Semi-automatic segmentation of the fetal brain from magnetic resonance imaging | |
| Antico et al. | Deep Learning-based automatic segmentation for reconstructing vertebral anatomy of Healthy Adolescents and Patients with Adolescent Idiopathic Scoliosis (AIS) Using MRI Data | |
| Shah et al. | Villus packing density and lacunarity: Markers of placental efficiency? |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| V1 | Lapsed because of non-payment of the annual fee |
Effective date: 20130101 |