TW201915508A - 磁共振影像的分析方法及評估放射治療風險的方法 - Google Patents

磁共振影像的分析方法及評估放射治療風險的方法 Download PDF

Info

Publication number
TW201915508A
TW201915508A TW106132128A TW106132128A TW201915508A TW 201915508 A TW201915508 A TW 201915508A TW 106132128 A TW106132128 A TW 106132128A TW 106132128 A TW106132128 A TW 106132128A TW 201915508 A TW201915508 A TW 201915508A
Authority
TW
Taiwan
Prior art keywords
magnetic resonance
image
resonance image
radiation
dose
Prior art date
Application number
TW106132128A
Other languages
English (en)
Other versions
TWI637187B (zh
Inventor
彭徐鈞
李政家
楊懷哲
Original Assignee
臺北榮民總醫院
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 臺北榮民總醫院 filed Critical 臺北榮民總醫院
Priority to TW106132128A priority Critical patent/TWI637187B/zh
Priority to US15/861,691 priority patent/US10346719B2/en
Application granted granted Critical
Publication of TWI637187B publication Critical patent/TWI637187B/zh
Publication of TW201915508A publication Critical patent/TW201915508A/zh

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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0036—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room including treatment, e.g., using an implantable medical device, ablating, ventilating
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/168—Segmentation; Edge detection involving transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • 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
    • G06T7/38—Registration of image sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1071—Monitoring, verifying, controlling systems and methods for verifying the dose delivered by the treatment plan
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1077—Beam delivery systems
    • A61N5/1084—Beam delivery systems for delivering multiple intersecting beams at the same time, e.g. gamma knives
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56341—Diffusion imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/5635—Angiography, e.g. contrast-enhanced angiography [CE-MRA] or time-of-flight angiography [TOF-MRA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)

Abstract

本揭示內容提供一種磁共振影像分析方法，用於分析接受立體定位放射治療之病患的磁共振影像，此方法包含以下步驟：接收病患之磁共振影像，和放射治療計畫之劑量圖；將劑量圖的劑量強度分布轉換至磁共振影像上之相對空間位置；選定一放射線劑量，以及等於或大於此放射劑量之放射線照射區域；以此放射線照射區域決定磁共振影像的感興趣區域；於感興趣區域內，將磁共振影像的體素，根據體素的灰度參數值，分群為不同的群聚；以及計算於感興趣區域內，這些不同群聚之體積或比例。本揭示內容亦提供一種評估放射治療風險的方法。

Description

磁共振影像的分析方法及評估放射治療風險的方法
本揭示內容係關於磁共振影像的分析方法，特別是關於分析受放射治療之病患的磁共振影像的分析方法。
磁共振造影(Magnetic Resonance Imaging，簡稱MRI)近年來已成為醫學放射線診斷上一個重要的工具。這個技術除了不需要侵入人體即可得人體的剖面圖之外，最重要的是它提供了軟組織任意截面的結構，及其它眾多的物理參數訊息，而且不會有游離輻射及相關的危害。
立體定位放射線手術係以電腦斷層和磁共振造影等影像技術，使放射線精確地定位於病灶處(nidus)內，達到治療效果；同時避免病灶周圍組織受到損傷。以腦部的病灶處為例，立體定位放射線手術可以避免或減少傳統開顱手術造成之出血、感染或神經功能損傷，無開刀傷痕，出血量極少，恢復快，病患可較快恢復日常生活作息或上班工作。因此近年來立體定位放射線手術在許多疾病的治療效果已獲得肯定，特別 是在神經外科手術中越來越受重視。
立體定位放射線手術治療雖然安全性較高，但依文獻統計，放射治療後，一些病患會發生併發症，例如：組織壞死，水腫，或神經損傷之症狀等。以腦部放射線手術為例，目前已知有少數病患會在腦部永久形成海綿竇血管病變、或腦部囊腫導致慢性腦出血病變，嚴重可能導致病患永久神經功能缺損、或甚至死亡。造成這些放射線手術後長期的併發症的原因目前仍不清楚，其中一原因可能是由於受放射治療的病灶處範圍包含不同比例的正常組織，因而可能對病患們產生不同程度的輻射傷害。然而，過去沒有很好的工具可以分析接受放射治療的病灶處中的組織類型。
因此，需要提供一種可以分析接受放射治療區域之組織的方法，以解決先前技術所存在的問題。
本揭露內容之一目的在於利用接受放射治療之病患的磁共振影像，分析受放射線照射區域中的組織類型。
鑑於本揭露內容之目的，本揭露內容提供一種磁共振影像的分析方法，用於分析接受立體定位放射治療計畫之病患的磁共振影像，此方法包含：接收病患之磁共振影像，和放射治療計畫之劑量圖；將放射治療計畫之劑量圖的劑量強度分布轉換至磁共振影像上之相對空間位置。選定一放射線劑量，和等於或大於此放射線劑量之放射線照射區域；以此放射線區域決定磁共振影像的感興趣區域；將磁共振影像的感興趣區域內之體素，根據這些體素的灰度值，分群為不同的群聚；以及 計算於感興趣區域內，這些不同群聚之體積或比例。
本揭露內容亦提供一種評估放射治療風險的方法，此方法包含以下步驟：獲得病患的磁共振影像的放射線照射區域中，不同群聚之體積或比例；追蹤這些病患之治療後的症狀；以及建立這些病患之放射線照射區域中不同群聚之體積或比例，與這些治療後之症狀的關聯性。
藉由本揭露內容，可分析並定量接受放射線照射區域中的組織類型。
10‧‧‧區域
100‧‧‧方法
102、104、106、108、110、112‧‧‧步驟
20‧‧‧區域
200‧‧‧操作
210、220、230、240、250、260、270、280‧‧‧步驟
300‧‧‧操作
310、320、330、340、350、352、354、360、370、380‧‧‧步驟
400‧‧‧操作
410、420、430、440、460、470、480‧‧‧步驟
502、504、506‧‧‧線
第1圖係一腦部磁共振T2權重影像。
第2圖係根據本揭示內容之一實施方式，影像分析方法之流程圖。
第3圖係根據一些實施例，影像分析之操作流程圖。
第4A圖係根據一實施例，腦部T2權重影像。
第4B圖係根據一實施例，放射治療計畫的劑量強度分布圖譜。
第4C圖係根據一實施例，腦部T2權重影像空間上的劑量強度分布圖譜。
第4D圖係根據一實施例，腦部T2權重影像空間上的劑量強度分布圖。
第4E圖係根據一實施例，放射線劑量強度分布的二值化影像。
第4F圖係根據一實施例之大腦遮罩影像。
第4G圖係根據一實施例，顯示腦部磁共振影像中的感興趣區域。
第4H圖係根據一實施例，腦部磁共振影像中，感趣興區域的影像分割結果。
第5圖係根據一些實施例，影像分析之操作流程圖。
第6A圖係根據一實施例之飛躍時間影像。
第6B圖係根據一實施例之對位後的飛躍時間影像。
第6C圖係根據一實施例之大腦遮罩影像。
第7A圖係根據一實施例之腦部T2權重影像。
第7B圖係根據一實施例之大腦遮罩影像。
第7C圖係根據一實施例之飛躍時間影像。
第7D圖係根據一實施例之大腦遮罩影像。
第8圖係根據一些實施例，影像分析之操作流程圖。
第9A圖至第9E圖係根據一實施例，感興趣區域中的影像分割結果。
第10A圖係根據一比較例，手動分割影像的結果。
第10B圖係第10A圖中不同群聚的灰度分布圖。
第11A圖至第11I圖係根據一實施例，不同截面的磁共振影像圖。
第12A圖至12I圖係根據一實施例，分別對第11A圖至第11I圖各不同截面的影像，自動分割影像的結果。
第13A圖至13I圖係根據一比較例，分別對第11A圖至第11I圖各不同截面的影像，手動分割影像的結果。
第14A圖係根據一實施例之腦部T2權重影像。
第14B圖係第14A圖的自動分割影像的結果。
第15A圖至第15I圖係根據一實施例，不同截面的磁共振影像圖。
第16A圖至16I圖係根據一實施例，分別對第15A圖至第15I圖各不同截面的影像，自動分割影像的結果。
為了使本揭示內容的敘述更加詳盡與完備，下文將參照附隨圖式來描述本發明之實施方式與具體實施例；但這並非實施或運用本揭示內容具體實施例的唯一形式。以下所揭示的各實施例，在有益的情形下可相互組合或取代，也可在一實施例中附加其他的實施例，而無須進一步的記載或說明。
為了較為清楚地顯示磁共振影像圖，本揭露內容中部分的磁共振影像，係經過灰階度反轉，將原圖中較深色的部分轉換為較淺色，較淺色部分轉換為較深色。
在一些實施方式中，立體定位放射線手術可例如：光子刀(X knife)，電腦刀(Cyber knife)，伽馬刀(Gamma knife)，銳速刀(Rapid arc)，螺旋刀(TomoTherapy)，或質子刀(Proton knife)。
在一些實施例中，採用立體定位放射線手術治療之病灶包括：血管疾病，如動靜脈畸形、動靜脈廔管、海綿竇血管異常等；良性腦瘤：如聽神經瘤，腦膜瘤，顱咽管瘤、腦下體瘤等；惡性腦瘤：如轉移性腦瘤，或膠質細胞瘤等。另外， 一些功能性手術：例如治療三叉神經痛及運動障礙之震顫症狀，放射線照射區域之組織分析亦可應用本揭示內之方法。
請參看第1圖，其係示例一腦部磁共振T2權重影像(T2 weighted image)，為了顯示的清楚起見，此影像經過灰階度的反轉處理。區域10為一以人工圈選之腦部動靜脈畸形(Arterio-Venous Malformation，AVM)病灶處。區域10內之各體素，可依影像強度值(灰度值)區分為不同的腦部組織，例如，區域10中的白色部分為病變血管，灰色部分為腦組織，黑色部分為腦脊髓液。
由於以人工方式圈選病灶處，所檢視的區域不完全等於腦部治療時實際受到放射線照射的區域。因此本揭示內容提供了電腦軟體輔助的自動識別方法，於磁共振影像中圈選的感興趣區域，為病患接受放射治療時之照射區域。
本揭示內容之一些實施方式，可使用MATLAB程式(The MathWorks,Inc.,Natick,MA,US)執行。
請參看第2圖，為根據本揭示內容之一實施方式，影像分析之流程。方法100起始於步驟102，接收磁共振影像，以及步驟104，接收放射治療計畫的劑量圖。
在一實施方式中，係利用病患接受放射治療前之定位攝影所照射的磁共振影像，或是治療中的所照射的磁共振影像，進行分析。磁共振影像的類型可為：T1權重影像，T2權重影像，弛散加權圖像，血管造影影像，各向異性分數圖，平均弛散系數圖像，徑向擴散率和軸向擴散率圖像，血氧水平依賴圖，T1和T2參數圖，T2*參數圖，或磁敏感參數圖。
由於不同組織在不同類型的磁共振影像中有不同的訊號表現，因此各個不同組織會在影像中呈現不同的灰度值。可選擇以較佳的對比性呈現欲檢視組織的影像類型，進行分析。
放射治療計畫的劑量圖為醫生根據手術前的定位攝影，重建三維影像後，再依其中的病灶的部位、大小、形狀、性質等制定出最佳的治療計劃，其中包含放射線劑量強度及照射區域之三維座標參數。
方法100之後進行至步驟106，將放射治療計畫之劑量圖的劑量強度分布轉換至磁共振影像上之相對空間位置。
在一實施方式中，磁共振影像與放射治療計畫的劑量圖具有相同的空間座標系。為了得出磁共振影像中的各體素所對應的空間位置處的放射劑量，因此將放射治療計畫之劑量圖中每一空間座標處之劑量強度，輸入至磁共振影像之對應的空間座標處。因此，之後可得知磁共振影像中的各體素之放射線劑量的資訊。因此有利於之後於磁共振影像中，以體素為單位，並根據放射線劑量強度，決定感興趣區域。
根據一實施方式，步驟106包含提取磁共振影像和放射治療計畫之劑量圖中的醫療數位影像傳輸協定(Digital Imaging and Communications in Medicine，DICOM)之標頭檔(Header information)的標籤(Tag)，和劑量圖中的劑量網格尺度(Dose Grid Scaling)。之後將磁共振影像中的各體素位置之放射線劑量乘上劑量圖的劑量網格尺度，因此獲得以單位為毫格雷(cGy)的磁共振影像空間上的劑量強度分布圖譜。以 下以一病患之T2權重影像及放射治療計畫之劑量圖為例，運算過程詳述如下。
提取放射治療計畫之劑量圖的DICOM之標頭檔的影像位置，體素間距，網格框架偏移向量(Grid Frame Offset Vector)，行數，和列數。其中，影像位置指示劑量圖影像左上角第一個體素的空間座標，顯示為(x_dose ，y_dose ，z_dose )。體素間距表示每一張劑量圖DICOM的x與y方向之體素間距。
接著如下分別建立劑量圖之x _dose ，y _dose ，與z _dose 向量。x _dose 向量的建立法為從[劑量圖影像位置之x_dose 座標]到[劑量圖影像位置之x_dose 座標+劑量圖行數*x方向之劑量圖體素間距-1]，間距為[x方向之劑量圖體素間距]；因此建立一單位為毫米的劑量圖之x _dose 向量。y _dose 向量的建立法為從[劑量圖影像位置之y_dose 座標]到[劑量圖影像位置之y_dose 座標+劑量圖列數*y方向之劑量圖體素間距-1]，間距為[y方向之劑量圖體素間距]；因此建立一單位為毫米的劑量圖y _dose 向量。z _dose 向量的建立法為劑量圖位置之z_dose 座標加上網格框架偏移向量，即可建立一單位為毫米的劑量圖z _dose 向量。
之後將劑量圖x _dose ，y _dose ，與z _dose 向量定義的區域轉換成矩陣X _dose ，Y _dose ，與Z _dose ，建立放射治療強度分布的三維網格矩陣。
提取T2權重(T2w)影像的DICOM之標頭檔的影像位置，體素間距，網格框架偏移向量，行數，和列數。其中，影像位置指示T2權重影像左上角第一個體素的空間座標，顯示 為(x_T2 ，y_T2 ，z_T2 )。體素間距表示每一張T2權重影像DICOM的x與y方向之體素間距。
接著如下分別建立T2權重影像空間上之x _T2 ，y _T2 ，與z _T2 向量。x _T2 向量的建立法為從[T2w影像位置之x_T2 座標]到[T2w影像位置之x_T2 座標+T2w影像之行數*x方向之T2w影像之體素間距-1]，間距為[x方向之T2權重影像之體素間距]；因此建立一單位為毫米的T2w影像之x _T2 向量。y _T2 向量的建立法為從[T2w影像位置之y_T2 座標]到[T2w影像位置之y_T2 座標+T2W影像之列數*y方向之T2w影像之體素間距-1]，間距為[y方向之T2w影像之體素間距]；因此建立一單位為毫米的T2w影像之y _T2 向量。z _T2 向量的建立法為在T2w影像位置之z_T2 座標加上網格框架偏移向量，即可建立一單位為毫米的T2w影像之z _T2 向量。
之後將T2權重影像空間上之x _T2 ，y _T2 ，與z _T2 向量定義的區域轉換成三維網格矩陣X _T2 ，Y _T2 ，與Z _T2 。
建立好放射治療強度分布的三維網格矩陣X _dose ，Y _dose ，與Z _dose ，和T2權重影像三維網格矩陣X _T2 ，Y _T2 與Z _T2 之後，以三維線性內插法，產生在T2權重影像空間上三維網格矩陣X _T2 ，Y _T2 與Z _T2 的劑量強度分布圖譜。
請仍參看第2圖，方法100進行至步驟108，選定一放射線劑量(單位：毫格雷，cGy)，以及等於或大於此放射線劑量之放射線照射區域。在一實施方式中，所選的劑量強度為放射治療計畫的100%劑量強度。
在一實施方式中，由步驟106可得知磁共振影像 空間上的放射線劑量強度分布，可選擇一劑量強度，並顯示此劑量強度之等劑量曲線所包圍的區域，此區域為病人接受治療時的此劑量強度以上之照射區域。
之後方法100進行至步驟110，以此放射線照射區域決定磁共振影像的感興趣區域。
在一實施方式中，可合併磁共振影像空間的劑量分布圖，與磁共振影像。劑量圖中的放射線照射區域所對應的區域，即為磁共振影像的感興趣區域。
在一實施方式中，可選擇性地採用遮罩影像，使感興趣區域也位於此遮罩影像所定義的遮罩之範圍中。由於一些病人接受放射線治療時，等劑量曲線所包圍的區域，可能涵蓋了磁共振影像中不欲檢視的區域。例如，在腦部磁共振影像中，病灶處位在較靠近頭骨處，此時等劑量曲線所包圍的區域包含了頭骨及頭骨以外的區域。因此，可利用遮罩影像，與磁共振影像合併後，所決定的感興趣區域須位於遮罩所對應的相對空間範圍中，因此排除遮罩範圍以外的區域。
在一實施方式中，遮罩影像的提取，可用相同的磁共振影像，或是定位攝影或治療時所照攝的另一個磁共振影像。此另一個磁共振影像，須先經對位至欲分析的磁共振影像。對位的方式為以欲分析的磁共振影像為參考，調整磁共振影像與另一個磁共振影像的位置，使二影像之各體素位置具有位置對應關係。在一些實施例中，另一個磁共振影像可以採用病人的血管造影(Magnetic Resonance Angiography，MRA)提取遮罩影像。血管造影之影像可為飛躍時間(Time of flight，TOF)影像，或相位對比(Phase-Contrast，PC)影像。
請仍參看第2圖，方法100進行至步驟112，將感興趣區域內之體素，根據體素的灰度值，分群為不同的群聚。不同的群聚包含接受放射治療處之器官的正常組織，或病變組織。
在一些實施方式中，利用不同的演算法，將感興趣區域中的各體素分群。例如，設定不同的組織之影像灰度值的閾值，或是利用模糊分群方式，將各體素分群為不同的組織。其中，模糊分群為一種非監督式分群技術，其分群的原理為依照資料的分布特性，將特徵相似的資料分成若干族群，再針對不同的族群資料加以分析。
在一些實施方式中，採用模糊C均質分群(Fuzzy C-means)的方式進行分群。模糊C均質分群的原理為加入模糊概念的分群，每一資料點允許歸屬於不同的族群，只是隸屬度不同。換言之，資料點將不再絕對地屬於任何族群，而是以一個介於0~1之間的數字來表示資料點隸屬於某個族群的程度。之後，可考察隸屬度矩陣中每一資料點對應各類別的隸屬度值，選取最大的值所在類別作為該資料點的所屬類別。
在一些實施例中，以模糊C均質分群的方式，對於腦部T2權重影像中的感興趣區域中的體素分群。並基於T2權重影像上血管、腦組織、與腦脊髓液的體素灰度值差異，分群為血管、腦組織與腦脊髓液三個群聚。詳細的作法如下所示，其中的資料以介於0-1數字表示各體素隸屬於某個群聚的 程度，目前預期分群數目為N=3(血管，腦組織，腦脊髓液)，T2權重影像空間上顱內放射治療範圍包含D個體素(x 1，x 2，…，x D )，各個體素具有各自的影像灰度值，以一個N×D的矩陣U來表示每個體素隸屬於每個群聚的程度。舉例而言，T2權重影像空間上顱內放射治療範圍其中一點x i 而言，其隸屬於各個群聚的程度總和等於1。
根據矩陣U定義目標函數：
m 為控制模糊重疊程度的模糊分區矩陣指數。
c j 第j個群聚的中心。
u ij 已知一x i 資料點，隸屬第j個群聚的程度。之後執行下列步驟進行模糊分群。
步驟1：隨機初始化群聚u ij 。
步驟2：計算各群聚(血管，腦組織，與腦脊髓液)中心。
步驟3：根據下式更新u ij 。
步驟4：計算目標函數J m 。
步驟5：疊代步驟2-4直到J m 改善小於指定的門檻值或經過指定的最大疊代次數。例如，J m 改善小於1e-5；或指定的最大疊代次數為100。
請仍參看第2圖，方法100進行至步驟114，計算感興趣區域內，不同群聚的體積或比例。藉由分配至不同的群聚的體素的數目，可得知各不同群聚的體積，以及在感興趣區域中的相對比例。因此可量化放射線照射區域之組織類型。
請仍參看第2圖，方法100可選擇性地，包含步驟116，依據分群的群聚，分割感興趣區域的影像。影像分割為將相同群聚的體素，分配標籤，之後以相同的灰階或色碼呈現。因此，將感興趣區域劃分為若干個互不交疊的區域，以呈現感興趣區域中，各個群聚的空間分布特性。
請參看第3圖，為根據一些實施例，接受伽馬刀放射治療之腦部動靜脈畸形病患的影像分析操作流程。操作200開始於步驟210，接收病患的腦部T2權重影像。請參看第4A圖，係為一病患定位時所拍攝的腦部T2權重影像。操作200並包含步驟220，接收放射治療計畫之放射劑量分布圖譜。請參看第4B圖，係為此病患的放射治療計畫之劑量圖譜。
請仍參看第3圖，之後進行至步驟230，建立T2空間上的放射線劑量分布圖。以如前述方法100之步驟106的方式，將放射線劑量強度分布轉至T2權重影像空間上的相對位置。如第4C圖所示，為此病患之腦部T2權重影像空間上的放射線劑量分布圖譜。第4D圖為第4C圖中的一截面影像，顯示腦部T2權重影像空間上的劑量強度分布圖。
請仍參看第3圖，之後操作200進行至步驟240，選擇一門檻值，產生二值化影像。在此實施方式中，選擇放射治療計畫的100%劑量強度為門檻值。如第4E圖所示，為放射線劑量強度分布的二值化影像，其中等於或大於此門檻值的區域以黑色顯示，其餘以白色顯示。
請仍參看第3圖，操作200中的步驟250，提取大腦遮罩。提取大腦遮罩係為利用此病患之腦部T2權重影像，利用FSL(FMRIB Software Library)軟體的腦部擷取工具組(Brain extraction toolbox)去除頭骨及其他非腦組織。如第4F圖所示，係為此病患以腦部T2權重影像提取的大腦遮罩影像。
請仍參看第3圖，操作200中的步驟260，建立合併影像，決定感興趣區域。將此病患之腦部T2權重影像，二值化影像，大腦遮罩影像做交集，產生一合併影像，感興趣區域為位於大腦遮罩內，且對應於二值化影像中的黑色區域。如第4G圖所示，為此病患之合併影像，其中，黑線所圍繞的區域為感興趣區域。
請仍參看第3圖，操作200中的步驟270，在感興趣區域進行模糊分群，將影像分割為血管、腦組織、和腦脊髓液。如第4H圖所示，在相應於第4G圖中的感興趣區域，影像分割為三種不同的組織，其中黑色代表血管，深灰色代表腦組織，白色代表腦脊髓液。
請仍參看第3圖，操作200中的步驟290，計算感興趣區域中的腦組織、血管、和腦脊髓液的體積或比例。
請參看第5圖，為根據一些實施例，接受伽馬刀放射治療之腦部動靜脈畸形病患的影像分析操作流程。操作300中的步驟310、320、330、340、360、370、和380，類似於操作200中的步驟210、220、230、240、260、270、和280。
操作300中的步驟350為接收腦部飛躍時間影像，如第6A圖所示，為病患之飛躍時間影像。之後步驟352將飛躍時間影像對位至腦部T2權重影像，如第6B圖所示，為此病患之對位後的飛躍時間影像。之後，步驟354為提取大腦遮罩影像。如第6C圖所示，為一病患之由對位後的飛躍時間影像提取的大腦遮罩影像。
操作200和操作300不同之處在於提取的遮罩影像來源不同。由於不同的影像類型對不同的組織有不同的對比度，所以可選擇不同的磁共振影像提取遮罩影像。例如第7A圖示例一個病患之T2權重影像，在腦部頭骨內的左側白色部分為腦部動靜脈畸形的病灶處。第7B圖為以第7A圖提取的大腦遮罩影像，可見在病變血管附近的腦部區域沒有在提取的遮罩範圍中。
第7C圖為與第7A圖相同的病患之飛躍時間影像，其中病變的血管呈現較深的灰色。第7D圖為以第7C圖提取的大腦遮罩影像。第7D圖顯示提取的遮罩涵蓋了病變血管附近的腦部區域。第7A圖為與第7C圖為相同病患之磁共振影像，但是不同磁共振影像所得到的遮罩影像有不同的遮罩範圍，如第7B圖與7D圖所示。因此，可依病灶處的位置選擇適合的磁共振影像提取遮罩影像。
第8圖為根據一些實施例，接受伽馬刀放射治療之腦部動靜脈畸形病患的影像分析操作流程。操作400中的步驟410、420、430、440、460、和480類似於操作200中的步驟210、220、230、240、260、和280。操作400與操作200的不同之處在於沒有使用遮罩影像，以及進行分群的演算方式不同。
在流程400中包含步驟470，設定各組織之灰度值的閾值，對感興趣區域的體素分群，將影像分割為腦組織、血管、和腦脊髓液。例如，如果一體素的影像灰度值小於40，則將此體素分類為血管；如果一體素的影像灰度值大於40但小於80，則將此體素分類為腦組織；如果一體素的影像灰度值大於80，則將此體素分類為腦脊髓液。因此各組織的影像灰度值之分群的閾值為血管<腦組織<腦脊髓液。須注意的是，在此實施方式中，這些閾值的數值設定可依個別病患的影像而決定。
第9A圖至第9E圖為一實施例，根據流程400所得之感興趣區域中的影像分割結果。第9A圖至第9E圖為此病灶處的不同截面。灰線所圍繞的區域為感興趣區域，其中黑色代表血管，灰色代表腦組織，白色代表腦脊髓液。計算後的結果顯示，於感興趣區域中，血管的百分比為51.5026%，腦組織的百分比為45.7998，腦脊髓液的百分比為2.6795%。
為了判斷本揭示內容之以模糊分群的方式自動分群的準確度及可靠性，以下提供病患的實驗例及比較例的結果。實驗例係根據操作200之流程，以電腦軟體自動分群之分割方法(自動分割法)分割影像，比較例係由神經專科醫師以手 動分割法分割影像。
第10A圖為一比較例之影像，其中區域20內包含一受放射線照射之區域，為應用前述方法100所得之感興趣區域，之後由一神經專科醫師辨識並手動描繪感興趣區域中血管、腦組織，和腦脊髓液的分布，其中黑色代表血管，深灰色代表腦組織，白色代表腦脊髓液。第10B圖顯示第10A圖的手動分割法分群的這3種組織的各體素的影像灰度值直方圖。線502為血管的體素灰度值直方圖，線504為腦組織的體素灰度值直方圖，線506為腦脊髓液的體素灰度值直方圖。第10B圖顯示這三種組織類型之體素的灰度值的範圍為部分重疊的。
為了判斷使用本揭示內容之自動分割法的準確度，以一神經專科醫師的手動分割法的方式為標準(gold standard)，與根據本揭示內容之操作200的方式之自動分割法相比較，以相似性指數(Similarity Index,SI)判斷使用比較例與實施例之方法的相似程度，並以敏感性(Sensitivity)與特異性(Specificity)判斷使用自動分割法的準確度。
以下表一顯示以自動分割法分析病患的感興趣區域中的三種腦部組織的比例。表一顯示5位病患之感興趣區域中的三種組織分別有不同的比例，特別是腦組織的比例最低為37.13%，最高為56.55%。因此，不同的病患，放射治療中被照射到的腦組織比例極為不同。
表二為比較自動分割法與手動分割法所得出之數值之間的相似性指數。顯示自動分割法與手動分割法分群所得出的各組織比例，二方法的結果之間具有高度的相關性。其中，血管、腦組織、與腦脊髓液SI平均值分別為0.741±0.168%、0.803±0.064%與0.802±0.095%。因此，本實施例之自動分割法具有良好的相似性。
表三為比較自動分割法與手動分割法所得出之數值之間敏感性和特異性。其中，血管、腦組織、與腦脊髓液的敏感性平均值分別為0.723±0.254%、0.889±0.051%與0.729±0.154%，特異性平均值分別為0.966±0.021%、0.728 ±0.146%與0.956±0.017%。因此，本實施例之自動分割法與手動分割法具有良好的相關程度。
請同時參看第11A圖至第11I圖，第12A圖至第12I圖，第13A圖至第13I圖。第11A圖至第11I圖為一病患之磁共振影像的不同截面影像，其中黑線區域的範圍為接受放射治療之病灶區域，為用操作200之流程所得之感興趣區域。第12A圖至第12I圖為分別對於第11A圖至第11I圖之感興趣區域，以自動分割法所得出之三種組織的分布圖。第13A圖至第13I圖為分別對於第11A圖至第11I圖之感興趣區域，以手動分割法所得出之三種組織的分布圖。第12A圖至第12I圖，和第13A圖至第13I圖的感興趣區域中，黑色代表血管，深灰色代表腦組織，白色代表腦脊髓液。
將第12A圖至第12I圖分別地比較第13A圖至13I圖，顯示這三種組織的分布及相對位置，具有高度的一致性。因此，以上圖式顯示由自動分割法與由手動分割法所區分之不 同的組織的位置，具有高度的一致性。
請參看第14A圖，為根據一實施例之腦部T2權重影像，其中黑線所圍繞的區域為根據操作300之流程所得之感興趣區域。由於第14A圖之病人的病灶處位在頭骨的邊緣，為了使感興趣區域不會涵蓋頭骨及頭骨以外的區域，因此利用此病人之對位後的飛躍時間影像，提取大腦遮罩影像，並使感興趣區域位於遮罩的範圍中。請參看第14B圖，為根據操作300之流程，以電腦軟體自動分割方法，對第14A圖之感興趣區域作影像分割之結果，其中黑色代表血管，深灰色代表腦組織，白色代表腦脊髓液。
請同時參看第15A圖至第15I圖，第16A圖至第16I圖，為第14A圖和第14B圖之病灶處的局部影像。第15A圖至第15I圖為病灶處的不同截面影像，其中黑線區域的範圍為感興趣區域。第16A圖至第16I圖分別為第15A圖至第15I圖之感興趣區域中，三種腦部組織的分布圖，其中黑色代表血管，深灰色代表腦組織，白色代表腦脊髓液。計算後的結果顯示，於感興趣區域中，血管所佔的百分比為48.4%，腦組織所佔的百分比為39.4%，腦脊髓液所佔的百分比為12.2%。
根據本揭示內容之一些實施方式，磁共振影像之全自動分析之演算法包含：將放射治療計畫之放射治療強度分布使用線性內插法轉換至T2權重影像之三維空間上的相對位置，之後選定一放射劑量的等劑量區域，以決定感興趣區域。之後於感興趣區域內的體素以模糊分群的方式，並基於體素的影像灰度值差異分群為不同的組織，並且計算不同的組織於感 興趣區域中的體積或比例。
本揭示內容提供了利用磁共振影像，分析病患接受放射治療區域的組織類型。關於磁共振影像的形態計量，臨床上一般由有經驗的醫生根據解剖知識，於磁共振影像上以手工勾畫分割不同的組織區域。但是，手動分割法雖然精度高，體積上較小的差異處可能被忽略，並且手動分割法的主觀性很强，不同的醫生對同一病患的磁共振影像會有不同的判斷结果，同一個醫生在不同的時期對同一病患的影像判斷结果也存在差異；而且醫學影像成像過程中很容易因為雜訊、場偏移效應、組織運動、和局部體積效應的影響，造成影像本身存在模糊、灰度不均匀等現象。因此相對於自動分割法，手動分割法的速度較慢、即時性較差、可重複性較差，因此較難以勝任大量影像數據的分割處理工作。
本揭示內容之實施方式提供影像自動分析的演算方法，利用模糊分群與磁共振影像上不同的組織(諸如：血管、腦組織，與腦脊髓液)於影像灰度值上的分布特性。並且與臨床醫師手動分割法相比，具有良好的相似性指數，並可快速、即時及準確地量化受放射治療區域之不同組織的比例。
在臨床應用中，精確選取磁共振影像中的感興趣區域以及分割感興趣區域中的影像，有利於辨識、定量受放射治療區域內之實際受到照射的組織類型。本揭示內容之實施方式可應用於接受放射線手術之病患，例如：血管疾病，神經疾病，或腫瘤。
例如，本揭示內容之實施方式可應用於評估腦部 動靜脈畸形(Arterio-Venous Malformation，AVM)病患，接受立體定位放射線手術治療後的併發症風險。腦部動靜脈畸形是一種先天性腦部血管的發育異常，有可能造成病患產生包括腦部出血、癲癇、頭痛等症狀。目前在腦部動靜脈畸形的治療選擇上包括外科手術，血管內導管栓塞，和立體定位放射線手術(如：電腦刀，伽馬刀)。其中立體定位放射線手術是侵入性最低且急性副作用程度最低的治療，因此現多以此方式治療腦部動靜脈畸形，特別是較深處的動靜脈畸形，較大的動靜脈畸形，或位在重要的區域(eloquent area)的動靜脈畸形。放射線會導致腦部動靜脈畸形的血管病灶處，在兩三年內逐漸萎縮；但同時放射線也可能會傷害病灶處中的腦組織，造成腦組織局部水腫甚至壞死。大部分放射線手術引起的腦部輻射水腫都是暫時性的，但少數病患(約3%)會在腦部永久形成海綿竇血管病變、或腦部囊腫導致慢性腦出血病變，嚴重可能導致病患永久神經功能缺損、或甚至死亡。造成這些長期放射線手術後併發症的原因很可能是因為不同的腦部動靜脈畸形其病灶處所包含的腦組織比例的不同，因而產生不同程度的放射線傷害。
由於一些腦部動靜脈畸形的病灶處的病變血管是緊密的，而有些病灶處的病變血管的分布是較為擴散的，因此不同的病灶態樣包含了不同比例的腦組織。應用本揭示內容之影像分析方法，可自動分析腦部動靜脈畸形的病患所接受放射治療的區域，有多少比例的正常腦組織。並且可以經由後續追蹤這些病患放射治療後的併發症，以了解這些不同比例的受放 射線影響的正常腦組織是否與日後病患發生永久性腦部輻射傷害有關聯。
在一實施方式中，追蹤接受放射治療病患之治療後的臨床反應，藉由蒐集這些紀錄，與這些病患之放射線照射區域之各組織的體積或比例，可建立病患治療後症狀與手術時受放射線照射區域之各組織的體積或比例的關聯性，因此可用於預測或評估病患接受放射治療之併發症的風險。例如，應用於腦部動靜脈畸形病患，接受伽馬刀治療的風險。
在腫瘤的放射治療計畫中，臨床上為考慮病人每次擺位可能的誤差以及呼吸造成內部器官移動的因素，醫師有時需要保守性的增加腫瘤治療的安全範圍，因而造成較多的正常組織的照射。運用本揭示內容提供之影像分析方法，可用於建立放射線照射區域之正常組織的體積或比例，與之後併發症的關聯性，因此可用於預測或評估癌症病患接受放射治療之併發症的風險。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

Claims (19)

  1. 一種磁共振影像的分析方法，用於分析接受立體定位放射治療之病患的磁共振影像，包含：(a)接收該病患之第一磁共振影像，和放射治療計畫之一劑量圖；(b)將該劑量圖的一放射線劑量強度分布轉換至該第一磁共振影像上之相對空間位置；(c)選定一放射線劑量，以及等於或大於該放射線劑量之一放射線照射區域；(d)以該放射線區域決定該第一磁共振影像的一感興趣區域；(e)將該感興趣區域內之體素，根據該些體素的灰度值，分群為不同的群聚；以及(f)計算於該感興趣區域內，該些不同群聚之體積或比例。
  2. 如請求項1所述之磁共振影像的分析方法，其中該第一磁共振影像為T1權重影像，T2權重影像，弛散加權圖像，血管造影影像，各向異性分數圖，平均弛散系數圖像，徑向擴散率和軸向擴散率圖像，血氧水平依賴圖，T1和T2參數圖，或T2*參數圖，或磁敏感參數圖。
  3. 如請求項1所述之磁共振影像的分析方法，其中該立體定位放射治療為光子刀，電腦刀，伽馬刀，銳速刀，螺旋刀，或質子刀。
  4. 如請求項1所述之磁共振影像的分析方法，其中於步驟(b)中，利用線性內插法，將該劑量圖的該放射線劑量強度分布轉換至該第一磁共振影像上之該相對空間位置。
  5. 如請求項1所述之磁共振影像的分析方法，其中於步驟(b)中，得到該第一磁共振影像的各體素之位置的放射線劑量。
  6. 如請求項1所述之磁共振影像的分析方法，其中於步驟(c)中，該放射線劑量為放射治療計畫的100%劑量強度。
  7. 如請求項1所述之磁共振影像的分析方法，其中於步驟(d)中，更包含提取該病患之一遮罩影像，且該感興趣區域位在該遮罩影像之遮罩的相對空間範圍中。
  8. 如請求項7所述之磁共振影像的分析方法，其中提取該病患之該遮罩影像係利用該第一磁共振影像。
  9. 如請求項7所述之磁共振影像的分析方法，其中提取該病患之該遮罩影像係利用該病患之第二磁共振影像，且該第二磁共振影像對位至該第一磁共振影像。
  10. 如請求項7所述之磁共振影像的分析方法，其中提取該病患之該遮罩影像，係用該病患之一血管造影之影像，且該血管造影之影像對位至該第一磁共振影像。
  11. 如請求項1所述之磁共振影像的分析方法，其中於步驟(e)中，設定該些不同群聚之灰度值的閾值，根據該些閾值將該些體素分群為該些不同群組。
  12. 如請求項1所述之磁共振影像的分析方法，其中於步驟(e)中，利用模糊分群的方法將該感興趣區域內之該些體素分群為該些不同的群聚。
  13. 如請求項1所述之磁共振影像的分析方法，其中該些不同群聚包含接受該放射治療處之器官的正常組織，或病變組織。
  14. 如請求項1所述之磁共振影像的分析方法，其中該些不同群聚包含血管，腦組織，或腦脊髓液。
  15. 如請求項1所述之磁共振影像的分析方法，更包含，於步驟(e)後，根據所分群的群聚，做影像分割處理。
  16. 如請求項15所述之磁共振影像的分析方法，其中該影像分割處理為以電腦程式執行之自動分割法。
  17. 如請求項1所述之磁共振影像的分析方法，其中該第一磁共振影像為腦部T2權重影像，且該感興趣區域的該些群聚包含血管，腦組織，或腦脊髓液。
  18. 一種評估放射治療風險的方法，包含：根據請求項1至請求項17任一項所述之磁共振影像的分析方法，所得出的病患的感興趣區域中，不同群聚之體積或比例；追蹤該些病患之治療後的症狀；以及建立該些病患之該些不同群聚或比例，與該些症狀的關聯性。
  19. 如請求項18所述之評估放射治療風險的方法，其中該些病患為腦部動靜脈畸形之病患，該些群聚包含血管，腦組織，或腦脊髓液。
TW106132128A 2017-09-19 2017-09-19 磁共振影像的分析方法及評估放射治療風險的方法 TWI637187B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW106132128A TWI637187B (zh) 2017-09-19 2017-09-19 磁共振影像的分析方法及評估放射治療風險的方法
US15/861,691 US10346719B2 (en) 2017-09-19 2018-01-04 Magnetic resonance image analysis method and method for evaluating the risks of radiotherapy

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106132128A TWI637187B (zh) 2017-09-19 2017-09-19 磁共振影像的分析方法及評估放射治療風險的方法

Publications (2)

Publication Number Publication Date
TWI637187B TWI637187B (zh) 2018-10-01
TW201915508A true TW201915508A (zh) 2019-04-16

Family

ID=64802727

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106132128A TWI637187B (zh) 2017-09-19 2017-09-19 磁共振影像的分析方法及評估放射治療風險的方法

Country Status (2)

Country Link
US (1) US10346719B2 (zh)
TW (1) TWI637187B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI679652B (zh) * 2019-01-14 2019-12-11 國立陽明大學 個人化大腦影像評估之方法、非暫時性電腦可讀媒體及設備
CN110288604B (zh) * 2019-06-12 2022-03-22 三峡大学 基于K-means的图像分割方法和装置
TWI697686B (zh) * 2019-06-20 2020-07-01 臺北榮民總醫院 基於磁振造影分析腦組織成分的系統與方法
CN110604550B (zh) * 2019-09-24 2022-06-21 广州医科大学附属肿瘤医院 一种肿瘤放疗后正常组织器官并发症预测模型的建立方法
CN110889848B (zh) * 2019-12-11 2022-09-16 上海联影医疗科技股份有限公司 对感兴趣区域的重叠区域进行处理的系统及装置
TWI755084B (zh) 2020-09-30 2022-02-11 臺北醫學大學 磁振造影之自動分析系統及其運作方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8333685B2 (en) * 2008-03-11 2012-12-18 Hologic, Inc. System and method for image-guided therapy planning and procedure
JP5243865B2 (ja) 2008-07-07 2013-07-24 浜松ホトニクス株式会社 脳疾患診断システム
EP2444934A1 (en) * 2010-10-19 2012-04-25 Koninklijke Philips Electronics N.V. Medical imaging system, computer-implemented method, and computer program product for identifying a treated region in a medical image
JP5976203B2 (ja) * 2013-04-19 2016-08-23 三菱電機株式会社 粒子線治療システム
CN103345753B (zh) 2013-07-10 2016-04-13 深圳先进技术研究院 脑部图像处理方法和系统
CN103549953B (zh) * 2013-10-25 2015-04-15 天津大学 一种基于医学核磁共振影像提取微波检测乳房模型的方法
US10169685B2 (en) 2014-07-07 2019-01-01 The Regents Of The University Of California Automatic segmentation and quantitative parameterization of brain tumors in MRI
TWI542328B (zh) * 2014-07-31 2016-07-21 國立中央大學 偵測與量化腦梗塞區域的方法
TWI536969B (zh) * 2015-01-05 2016-06-11 國立中央大學 磁共振造影之白質病變區域識別方法及系統
DE102015213730B4 (de) * 2015-07-21 2017-03-23 Siemens Healthcare Gmbh Qualitätskontrolle einer Bestrahlungsplanung durch Vergleich erster und zweiter MR-basierter Dosisverteilungen im Planungsvolumen
US10102451B2 (en) * 2015-10-13 2018-10-16 Elekta, Inc. Pseudo-CT generation from MR data using tissue parameter estimation
JP6444534B2 (ja) * 2015-11-17 2018-12-26 株式会社日立製作所 治療計画装置および放射線治療システム
CN105816192A (zh) 2016-03-03 2016-08-03 王雪原 个体化人脑多模态医学影像的三维配准及提取脑组织方法
US9870614B1 (en) * 2016-07-25 2018-01-16 Sony Corporation Automatic 3D brain tumor segmentation and classification

Also Published As

Publication number Publication date
TWI637187B (zh) 2018-10-01
US10346719B2 (en) 2019-07-09
US20190087688A1 (en) 2019-03-21

Similar Documents

Publication Publication Date Title
TWI637187B (zh) 磁共振影像的分析方法及評估放射治療風險的方法
Charron et al. Automatic detection and segmentation of brain metastases on multimodal MR images with a deep convolutional neural network
Wang et al. Learning‐based automatic segmentation of arteriovenous malformations on contrast CT images in brain stereotactic radiosurgery
US10939874B2 (en) Deep-learning-based cancer classification using a hierarchical classification framework
US20220249869A1 (en) Method to select radiation dosage for tumor treatment based on cellular imaging
Muschelli et al. PItcHPERFeCT: primary intracranial hemorrhage probability estimation using random forests on CT
Dai et al. Segmentation of the prostatic gland and the intraprostatic lesions on multiparametic magnetic resonance imaging using mask region-based convolutional neural networks
Fu et al. Image segmentation by EM-based adaptive pulse coupled neural networks in brain magnetic resonance imaging
US20050113651A1 (en) Apparatus and method for surgical planning and treatment monitoring
JP2017520305A (ja) 急性脳虚血患者における組織領域の区分法及び予測法
Peng et al. Fully automated tissue segmentation of the prescription isodose region delineated through the Gamma knife plan for cerebral arteriovenous malformation (AVM) using fuzzy C-means (FCM) clustering
WO2011151752A1 (en) Automated quantification of intravascular embolization success
Qi et al. Computer-aided diagnosis and regional segmentation of nasopharyngeal carcinoma based on multi-modality medical images
Vaugier et al. Radiomics for radiation oncologists: are we ready to go?
US20150206300A1 (en) Method and apparatus for extraction and quantification of hematoma from a brain scan such as computed tomography data
US9058651B2 (en) System and methods for functional analysis of soft organ segments in SPECT-CT images
EP4150569A1 (en) Functional imaging features from computed tomography images
Hasan et al. A classification model of breast masses in DCE-MRI using kinetic curves features with quantum-Raina’s polynomial based fusion
Du et al. Cerebrovascular segmentation and planning of depth electrode insertion for epilepsy surgery
Aubert-Broche et al. Detection of inter-hemispheric asymmetries of brain perfusion in SPECT
EP4354451A1 (en) Brain functional area localization and lateralization method and apparatus, device, and storage medium
CN111971751A (zh) 用于评估动态数据的系统和方法
Hsu et al. Automatically tracking brain metastases after stereotactic radiosurgery
Lee et al. Lesion delineation framework for vestibular schwannoma, meningioma and brain metastasis for gamma knife radiosurgery using stereotactic magnetic resonance images
Guo et al. The Preventive Effect of Computed Tomography Image–Guided Electroacupuncture Combined with Continuous Femoral Nerve Block on Deep Vein Thrombosis After Total Knee Arthroplasty Based on an Adaptive Algorithm