TW202001804A - 用精細解析進行資料管理和機器學習的方法 - Google Patents
用精細解析進行資料管理和機器學習的方法 Download PDFInfo
- Publication number
- TW202001804A TW202001804A TW108113914A TW108113914A TW202001804A TW 202001804 A TW202001804 A TW 202001804A TW 108113914 A TW108113914 A TW 108113914A TW 108113914 A TW108113914 A TW 108113914A TW 202001804 A TW202001804 A TW 202001804A
- Authority
- TW
- Taiwan
- Prior art keywords
- calculated
- probability
- moving window
- voxel
- value
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 244
- 238000010801 machine learning Methods 0.000 title description 19
- 238000013523 data management Methods 0.000 title description 3
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 596
- 238000003384 imaging method Methods 0.000 claims description 493
- 238000004364 calculation method Methods 0.000 claims description 390
- 238000001574 biopsy Methods 0.000 claims description 245
- 206010028980 Neoplasm Diseases 0.000 claims description 91
- 238000012937 correction Methods 0.000 claims description 91
- 238000002591 computed tomography Methods 0.000 claims description 81
- 201000011510 cancer Diseases 0.000 claims description 67
- 238000002604 ultrasonography Methods 0.000 claims description 31
- 238000010521 absorption reaction Methods 0.000 claims description 16
- 210000001747 pupil Anatomy 0.000 claims 2
- 210000001519 tissue Anatomy 0.000 description 252
- 230000000875 corresponding effect Effects 0.000 description 107
- 238000004422 calculation algorithm Methods 0.000 description 97
- 238000011282 treatment Methods 0.000 description 88
- 239000011159 matrix material Substances 0.000 description 85
- 238000005259 measurement Methods 0.000 description 84
- 238000006073 displacement reaction Methods 0.000 description 82
- 238000002600 positron emission tomography Methods 0.000 description 80
- 230000008859 change Effects 0.000 description 71
- 239000000203 mixture Substances 0.000 description 69
- 238000002603 single-photon emission computed tomography Methods 0.000 description 68
- 210000002307 prostate Anatomy 0.000 description 61
- 210000000481 breast Anatomy 0.000 description 55
- 238000001069 Raman spectroscopy Methods 0.000 description 45
- 238000010586 diagram Methods 0.000 description 45
- 206010060862 Prostate cancer Diseases 0.000 description 43
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 43
- 239000003814 drug Substances 0.000 description 39
- 238000001959 radiotherapy Methods 0.000 description 37
- 230000014509 gene expression Effects 0.000 description 36
- 208000026310 Breast neoplasm Diseases 0.000 description 33
- 238000004458 analytical method Methods 0.000 description 32
- 229940079593 drug Drugs 0.000 description 32
- 206010006187 Breast cancer Diseases 0.000 description 30
- 230000003287 optical effect Effects 0.000 description 28
- 210000000056 organ Anatomy 0.000 description 25
- 230000029918 bioluminescence Effects 0.000 description 24
- 238000005415 bioluminescence Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 24
- 210000004027 cell Anatomy 0.000 description 22
- 238000003745 diagnosis Methods 0.000 description 21
- 230000000694 effects Effects 0.000 description 18
- 238000012935 Averaging Methods 0.000 description 17
- 239000000090 biomarker Substances 0.000 description 17
- 238000001514 detection method Methods 0.000 description 17
- 238000012285 ultrasound imaging Methods 0.000 description 16
- 239000013598 vector Substances 0.000 description 16
- 210000003484 anatomy Anatomy 0.000 description 14
- 238000011227 neoadjuvant chemotherapy Methods 0.000 description 14
- 230000005855 radiation Effects 0.000 description 14
- 230000003595 spectral effect Effects 0.000 description 14
- 238000002560 therapeutic procedure Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 12
- 230000000149 penetrating effect Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000001575 pathological effect Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 239000011521 glass Substances 0.000 description 9
- 238000012636 positron electron tomography Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 102100029203 F-box only protein 8 Human genes 0.000 description 8
- 238000010317 ablation therapy Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 206010027476 Metastases Diseases 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 7
- 238000003332 Raman imaging Methods 0.000 description 7
- 238000001990 intravenous administration Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 108020004999 messenger RNA Proteins 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- 230000017074 necrotic cell death Effects 0.000 description 6
- 238000007481 next generation sequencing Methods 0.000 description 6
- 229910052698 phosphorus Inorganic materials 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000011269 treatment regimen Methods 0.000 description 5
- 101001053401 Arabidopsis thaliana Acid beta-fructofuranosidase 3, vacuolar Proteins 0.000 description 4
- 102000007066 Prostate-Specific Antigen Human genes 0.000 description 4
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 4
- 206010039491 Sarcoma Diseases 0.000 description 4
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 101150102995 dlk-1 gene Proteins 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 4
- 210000001165 lymph node Anatomy 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 206010021143 Hypoxia Diseases 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000007954 hypoxia Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009401 metastasis Effects 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 3
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 102000005962 receptors Human genes 0.000 description 3
- 108020003175 receptors Proteins 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- 230000036561 sun exposure Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- WVWOOAYQYLJEFD-UHFFFAOYSA-N 1-(2-nitroimidazol-1-yl)-3-piperidin-1-ylpropan-2-ol Chemical compound C1=CN=C([N+]([O-])=O)N1CC(O)CN1CCCCC1 WVWOOAYQYLJEFD-UHFFFAOYSA-N 0.000 description 2
- 101001053395 Arabidopsis thaliana Acid beta-fructofuranosidase 4, vacuolar Proteins 0.000 description 2
- 206010004446 Benign prostatic hyperplasia Diseases 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 2
- 108091007417 HOX transcript antisense RNA Proteins 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 238000012879 PET imaging Methods 0.000 description 2
- RJKFOVLPORLFTN-LEKSSAKUSA-N Progesterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H](C(=O)C)[C@@]1(C)CC2 RJKFOVLPORLFTN-LEKSSAKUSA-N 0.000 description 2
- 208000004403 Prostatic Hyperplasia Diseases 0.000 description 2
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 2
- 208000015634 Rectal Neoplasms Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 210000003679 cervix uteri Anatomy 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000000799 fluorescence microscopy Methods 0.000 description 2
- 238000002594 fluoroscopy Methods 0.000 description 2
- 238000003364 immunohistochemistry Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 201000007270 liver cancer Diseases 0.000 description 2
- 208000014018 liver neoplasm Diseases 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000013188 needle biopsy Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 229950010456 pimonidazole Drugs 0.000 description 2
- 238000011249 preoperative chemoradiotherapy Methods 0.000 description 2
- 206010038038 rectal cancer Diseases 0.000 description 2
- 201000001275 rectum cancer Diseases 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 206010001233 Adenoma benign Diseases 0.000 description 1
- 206010003694 Atrophy Diseases 0.000 description 1
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 206010011732 Cyst Diseases 0.000 description 1
- 108020004414 DNA Proteins 0.000 description 1
- 101150029707 ERBB2 gene Proteins 0.000 description 1
- 102100038595 Estrogen receptor Human genes 0.000 description 1
- 208000007659 Fibroadenoma Diseases 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 108060003951 Immunoglobulin Proteins 0.000 description 1
- 102100025803 Progesterone receptor Human genes 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000011226 adjuvant chemotherapy Methods 0.000 description 1
- 238000010171 animal model Methods 0.000 description 1
- 210000001557 animal structure Anatomy 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 201000003149 breast fibroadenoma Diseases 0.000 description 1
- 230000030833 cell death Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002598 diffusion tensor imaging Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 229940011871 estrogen Drugs 0.000 description 1
- 239000000262 estrogen Substances 0.000 description 1
- 108010038795 estrogen receptors Proteins 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 108091008039 hormone receptors Proteins 0.000 description 1
- 102000018358 immunoglobulin Human genes 0.000 description 1
- 238000007386 incisional biopsy Methods 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012317 liver biopsy Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 208000003580 polydactyly Diseases 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 239000000186 progesterone Substances 0.000 description 1
- 229960003387 progesterone Drugs 0.000 description 1
- 108090000468 progesterone receptors Proteins 0.000 description 1
- 208000021046 prostate intraepithelial neoplasia Diseases 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0041—Detection of breast cancer
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
- A61B5/0091—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes for mammography
-
- 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
- A61B5/72—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- 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
-
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Software Systems (AREA)
- Oncology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pulmonology (AREA)
- Vascular Medicine (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Spectroscopy & Molecular Physics (AREA)
Abstract
一種獲取三維機率圖中機率的方法，包括：為三維移動窗口的每個停止點獲取至少一個參數的至少一個數值，其中第一、第二、第三和第四個停止點部分重疊，第一和第二停止點彼此偏移，其偏移等於一計算體素的一第一尺寸的距離，第一和第三停止點彼此偏移，其偏移等於計算體素的一第二尺寸的距離，並且第一和第四停止點彼此偏移，其偏移等於計算體素的一第三尺寸的距離；將所述至少一個數值與分類器匹配，以獲得3D移動窗口的每個停止點的第一機率；並且依據與第一到第四停止點的第一機率相關聯的訊息，以計算出計算體素的第二機率。
Description
本申請案主張於2018年4月20日所申請之美國暫時申請案案號62/660271，U.S. Pat. No. 9,922,433.申請案名稱”用於具有精細解析度之資料管理及機器學習的方法”，且引用參考美國專利號US9,922,433的全部內容。
本發明揭露有關用於具有精細解析度之資料管理及機器學習的方法，更具體的說明，依據由檢測或分析儀器所得到原始 (original set)影像組、資料組或資訊組，以形成更精細解析度的一新的影像組、資料組或資訊組，此檢測或分析儀器例如是相機、顯微鏡、檢測器或光譜儀機器或系統(可見光，螢光，紅外線(IR)，紫外線(UV)或X射線），超聲波機器或系統，磁共振成像（MRI），計算機斷層掃描（CT），正電子發射斷層掃描（PET）機器或系統，單光子發射計算機斷層掃描（SPECT)機器或系統、拉曼光譜儀或系統，及/或生物發光光學（BLO）機器或系統，或用於獲得分子或結構成像數據的其他機器。
大數據代表著例如一大量、高速及多種類為特色的資訊資產，並且需要用特定技術及分析方法轉成價值，大數據被用來描述一廣泛的概念，例如是：從儲存、匯總及處理資料的技術能力，至入侵產業及社會上的文化轉變，二者都淹沒在過載訊息之中，精準醫學是一種醫學模式，其倡導醫療保健的個人制的醫療決策、執行及/或產品，精準醫學是針對個人病患量身訂制的。在該精準醫學模型中，通常依據患者的遺傳內容或其他分子或細胞分析的背景進行診斷測試，以選擇適當和最佳的療法。
本發明揭露一種成像系統，此系統係使用依據分子及/或結構影像資料而形成一計算圖的方法，例如是對一第一個受試者(例如是個人病患)利用核磁共振成像(Nuclear Magnetic Resonance Imaging, MRI)所取得的參數、電腦斷層(CT)所取得的參數、正子斷層掃描(PET)所取得的參數、單光子放射/電腦斷層掃描(SPECT)所取得的參數、微型正子斷層掃描(micro-PET)所取得的參數、微型單光子放射/電腦斷層掃描(micro-SPECT)所取得的參數、拉曼光譜 (Raman)掃描所取得的參數、紅外線光譜(IR)掃描所取得的參數、螢光掃描所取得的參數及/或生物發光光學(bioluminescence optical (BLO))所取得的參數或是其它結構成像之資料。本發明揭露一種依據光學反射或透射（波長范圍從IR、可見光、UV及X射線的電磁波）而形成用於物體光學成像或影像成像(例如是由照像機偵測之影像照片或視頻電影)之一計算圖形。此成像系統可包括一偵測系統/裝置及/或一計算/分析系統/裝置，例如，該成像系統可以是包括偵測及計算/分析二功能的一台MRI機器，又例如，該成像系統可以是包括具有偵測功能的一MRI機器及具有計算/分析功能的一電腦或分析器，其中該電腦或分析器可是在MRI機器附近或是在網路雲端上的一資料中心內。本發明提供之方法可建構一大數據的資料庫或資料集而用於多個第二受試者及用於第二受試者的分子及/或結構成像數據相關的活體組織之活體組織(為主體)的資料。一分類器(classifier)或生物標記庫(biomarker library)可從該大數據資料的資料庫或資料集中建構或建立。本發明揭露一計算方法，此方法包括用於產生特定組織或腫瘤特徵的體素級(voxelwise)及像素級(pixelwise)一概率圖的演算法，此方法用於第一受試者，從第一受試者的記錄(/註冊)的成像資料集(包括第一受試者的分子及/或結構成像數據)，該計算方法包括匹配該第一受試者所記錄(/註冊)的其中之一分子及/或結構成像數據以從所建立或建構的分類器或生物標記庫產生一資料集，該分類器或生物標記庫是依據從第二受試者的分子及/或結構成像資料之人口基礎訊息(population-based information)及有關第二受試者的分子及/或結構成像資料之其它資料(例如是臨床和人口統計學數據或活組織檢查組織資料)所建立或構成。本發明所揭露之方法，提供直接的切片檢查組織證據(亦即是大量切片檢查組織資料在大數據的資料集或資料庫內)，用於該第一受試者的組織或器官之醫療或生物性測試或診斷，並且聚焦在單一腫瘤異質性(heterogeneity)上具有高靈敏度和特異性。
本發明也揭露依據第一受試者治療前後的成像資料形成的一概率改變圖的方法，該第一受試者的成像資料可包括(1)分子及/或結構的成像資料，例如是MRI參數資料、CT參數資料、PET參數資料、SPECT參數資料、微型PET參數資料、、微型SPECT參數資料、拉曼光譜參數資料及/或生物發光光學(BLO)參數資料，及/或(2)其它結構的成像資料，例如是從CT及/或超音波影像得到的資料。該法方可建立包括分子及/或結構成像(及/或其它結構的成像)資料大數據的資料集或資料庫，用於多個第二受試者及與第二受試者相關分子及/或結構成像資料之切片檢查組織檢查資料。分類器或生物標記庫可從大數據的資料集或資料庫建構或建立。本發明提供包括用於產生第一受試者的特定組織或腫瘤特徵一概率改變圖之計算方法，該計算方法包括一演算法，該概率改變圖係由第一受試者治療前後的分子及/或結構的成像(及/或其它結構的成像)資料產生。該計算方法包括匹配該第一受試者所所記錄/註冊(多參數)影像資料集內，該第一受試者接受治療前後所記錄(註冊)的其中之一分子及/或結構的影像(及/或其它結構影像)資料，以建立或建構分類器或生物標記庫。此方法匹配該第一受試者的分子及/或結構的影像(及/或其它結構影像)資料以從直接切片檢查組織證據(亦即是在大數據內資料集或資料庫中大量的切片檢查組織資料)檢查建立或建構分類器或生物標記庫，以獲得治療的反應和/或進展的概率改變值，及以高靈敏度和特異性顯示單一腫瘤焦點內的反應和/或進展的異質性的概率改變值。本發明提供一種有效和及時評估醫學治療效果的方法，如乳腺癌新輔助化療或前列腺癌放射治療。
本發明也揭露一種收集用於癌症圖像-組織-臨床資料庫之資料的方法。
本發明揭露一種利用一大數據的技術從多參數分子及/或結構的影像資料中建立一概率圖，其資料包括MRI參數資料、PET參數資料、SPECT參數資料、微型PET參數資料、微型SPECT參數資料、拉曼參數資料及或BLO參數資料，及/或從其它成像資料(包括從CT及/或超音波影像資料)建立概率圖，本發明提供一種非侵入性的方法(例如取得分子及/或結構成像的方法，例如是MRI、拉曼成像、CT成像)以更好的解析度及更高信賴度診斷特定的組織特徵，例如乳腺癌細胞或前列腺癌細胞，其解析度大小係比現有解析度能力小50%或小25%，大數據的資料集或資料庫隨著資料的累積，該信賴度(例如是準確診斷特定的癌細胞的百分比)可大於90%或95%，最終大於99%。
本發明也揭露利用一大數據的技術從治療前後的成像資料建立一概率改變圖，該成像資料可包括：(1)分子及結構成像資料，包括MRI參數資料、CT參數資料、PET參數資料、SPECT參數資料、微型PET參數資料、微型SPECT參數資料、拉曼參數資料及/或BLO參數資料，及/或(2)其它結構的成像資料，包括從CT及/或超音波影像得到的資料，本發明提供了有效率及即時評估一種治療的效果，例如是乳腺癌的新輔助化療或前列腺癌的放射治療。
為了達成上述發明的目的，本發明可提供由具有相同尺寸或體積的多個計算像素組成的一概率圖之形成方法，此方法可包括以下步驟，首先第一步驟係建立具有複數資料集的一大數據資料庫，在該大數據資料庫內的每一資料集可包括一第一組資訊資料，此第一組資訊資料可經由一非侵入式方法或一微創方法(less-invasive method)輕易獲得(與用於獲得以下第二組訊息資料的方法相比較)，或是經由非侵入式方法所獲得用於具有空間體積覆蓋的受試者的器官(例如是乳房或攝護腺)之特定組織的資訊，或是進行切片檢查組織檢查或通過侵入式方法所獲得用於具有空間體積覆蓋的受試者的器官(例如是乳房或攝護腺)之特定組織的資訊，受試者的器官空間體積覆蓋率例如是小於10%或甚至小於1%。該受試者的器官例如是病人的攝護腺或是乳房，該第一組資訊資料可包括從受試者的器官進行切片檢查組織檢查(例如是前列腺或乳)的特定檢體的一數量及位置上所測量的分子及/或結構參數之成像測量值，例如是MRI參數及/或CT參數的測量值，及/或其它結構的成像參數值，例如從CT及/或超音波影像，其中“其他結構成像參數”可能在下文件未被提及。用於特定組織的每一分子及/或結構的成像參數的數值(value)係根據測量值的一平均值計算得來，該些測量值係從相對應記錄(登錄)區域、部分、位置或是感興趣的多個分子及/或結構的影像的值而來，例如是MRI切片影像、PET切片影像或SPECT影像，其中該些測量值會登錄(registered)(/或記錄)或對齊至待切片檢查之特定組織相對應感興趣的區域、部分、位置或體積(volumes)上。該感興趣的分子及/或結構的影像之登錄區域、部分、位置或體積的組合具有一總值覆蓋(covering)及大致上等於待切片檢查之該特定組織的總體積。在大數據資料庫內的每一資料組更可包括該第二組資訊資料，其資料係由侵入性的(invasive)方法或是更侵入性及可難獲得的方法(與上述獲得該第一組資料的方法相比較下)獲得，或由受試者器官經由切片組織檢查或通過侵入性方法所獲得該特定組織所提供的資訊(資料)。第二組資訊資料提供具有決定性的結論性結果的資訊資料，以便做出更好的判斷或決策。例如，第二組資訊資料可包括該特定組織切片之切片結果、資料或資料(亦即是病理學家診斷，例如癌症或沒有癌症)，在大數據資料庫內的每一組資料也可包括：(1)有關分子及/或結構的成像尺寸參數，例如是一MRI切片的厚度及MRI切片的MRI像數的尺寸，此MRI像數的尺寸包括MRI像數的寬度及MRI像數的厚度或高度(其可與MRI切片的厚度T相同)；(2)與特定組織切片及/或受試者相關的臨床資料(例如是病人的年齡及性別)；及(3)與受試者相關的癌症風險因子(例如是抽煙的歷史、日晒時間、癌前病變及/或基因病變)，例如，假設該特定組織切片係經由針頭而取得，該特定組織切片係圓柱形式的特定組織切片(或稱為感興趣的體積(VOI)，即是π×Rn^2×tT)，並可轉換成其它形狀，以容易或有意義進行計算用於醫療儀器或用於更清晰或更精密的將最終資料呈現。例如，圓柱形的該特定組織切片(具有半徑Rn及高度tT)可被轉換成一平面圓柱體(具有半徑Rw，其半徑Rn乘以待切片檢查的特定組織MRI切片數量的平方根)以匹配該MRI切片的厚度T，該平面圓柱體的半徑Rw的資訊，其具有與活檢特定組織的值(也就是VOI值)相同，並具有MRI切片厚度T的一高度，此高度係用來在計算一病患(例如是人)的一機率圖/概率圖時定義一移動窗口(moving window)的尺寸(size)，例如是半徑。本發明打算將每一資料組中幾乎與活檢特定組織的數值相等的移動窗口的數值用來算機率圖，換言之，該移動窗口尺寸定義之該活檢特定組織的數值(也就是VOI值)可用來計算機率圖。產生/獲得該移動窗口之特徵尺寸(例如是半徑)的概念用在計算用於如上述之MRI切片之機率圖。統計上，該移動窗口可基於與來自大數據數據庫的子集數據相關聯的半徑Rw（從VOI計算）的統計分佈或平均值判斷/測定半徑Rw(即是特徵尺寸)、移動窗口的厚度。接著，根據與來自大數據資料庫的事件相關聯的子集資料，創建用於事件的一分類器，例如活檢診斷的特定癌細胞的組織特徵或前列腺癌或乳腺癌的發生事件。可以從與特定事件相關聯的所有資料獲得子集資料，例如透過統計相關之方法取得，使用大數據方法和/或學習和訓練方法來構建或獲得產生該分類器或生物標記庫。
在大數據資料庫及分類器創建或架構後，經由一裝置或系統(例如是MRI系統)所產生病人之一影像資料(例如是MRI切片分子影像資料)或其它適合的影像資料，另外，依據在大數據資料庫中子集資料中產生該移動窗口的特徵尺寸(例如是半徑Rw)，一計算像素的尺寸被定義出來並可變成機率圖的基本單元。假如該移動窗口是圓形時，內接在該移動窗口中該最大方形被定義出，接著，該最大方形被切割成具有一寬度Wsq的 n2個小型方形，其中n為整數，例如是2, 3, 4, 5, 6或大於6，該些切割方形可定義出在機率圖中些計算像素的尺寸及形狀而用於病患影像中，該移動窗口可以一固定/規則步驟或固定距離(例如係幾乎與該計算像素的寬度Wsq相等)移動越過該病患的影像，或者是，該最大方形可切割成具有寬度Wrec 及長度Lrec 的n個長方形，其中n為整數，例如是2, 3, 4, 5, 6, 7, 8或大於8，該些分割的長方形可義出在機率圖中些計算像素的尺寸及形狀而用於病患影像中，該移動窗口可以一固定/規則步驟或固定距離(例如係幾乎與該計算像素的寬度Wrec相等)以x軸方向移動越過該病患的影像及以一固定/規則步驟或固定距離(例如係幾乎與該計算像素的長度Lrec相等)以y軸方向移動越過該病患的影像，該移動窗口的停止點(終止點)與該移動窗口相鄰的停止點重疊，另一實施例，每一該移動窗口的停止點之寬度、長或或直徑係小於在病患影像中像素的邊長(例如是寬度或長度)，例如是經由MRI系統解析度定義的像素邊長。
在計算像素的尺寸及形狀產生或定義後，該移動窗口的步進/步伐(stepping)及位在移動窗口的二相鄰停止點/終止點的重疊處可被測定或確定，用於該移動窗口的每一停止點之特定成像參數的測量值可從病人的分子和/或結構成像資料或圖像中產生/獲得，該特定成像參數可包括分子及/或結構成像參數，例如為MRI參數、PET參數、SPECT參數、微型PET參數、微型SPECT參數、拉曼參數及/或BLO參數及/或其它成像參數，例如是CT參數及/或超音波成像參數。用於該移動窗口的每一停止點之每一特定成像參數可具有依據原始測量值之平均值所計算的值，可用於該病患的影像的原始像素內該移動窗口的每一停止點的每一該特定成像參數。該病患之影像的某些像數可僅部分位在該移動窗口的每一停止點內。該平均值例如可從在該移動窗口的每一停止點的測量值獲得，每一該測量值由該原始像素的一面積之面積比例加權至該移動窗口的每一停止點的面積上。用於患的己註冊(多參數)之影像資料庫可被創建，該影像資料庫包括在限定時間點(例如特定日期)或在一時間範圍內(例如在治療後的5天內)從數種設備、機器或裝置中獲得/取得之複數成像參數，例如分子參數及/或其它成像參數。在該病患的註冊(多參數)影像資料庫中的每一影像參數需要對齊(校淮)或定位，該對齊(校淮)或定位可例如經由使用獨特的解剖標記、結構、切片、幾何、形狀或使用數學演算法及電腦模式識別(computer pattern recognition)完成。
接著，用於該移動窗口的每一終止點之該特定成像參數可被縮減使用，例如以子集選擇、聚合(aggregation)及維度減少的方式獲得用於該移動窗口的每一停止點的一參數組，換句話說，該參數組包括用於獨立成像參數的測定值，在該參數組中被選擇的該成像參數具有數種型式，例如二種型式或多於二種、三種或四種以上之型式(統計上)，且彼此相互獨立，或是只具有單一種型式。例如，在該參數組中被選擇的該成像參數可包括：(a)MRI參數及PET參數；(b)MRI參數及SPET參數；(c)MRI參數及CT參數；(d)MRI參數及超音波成像參數；(e)拉曼成像參數及CT參數；(f)拉曼成像參數及超音波成像參數；(g)MRI參數、PET參數及超音波成像參數；或(h)MRI參數、PET參數及CT參數。
接著，用於該移動窗口的每一停止點之該參數組與該分類器相匹配產生/獲得用於該移動窗口的每一停止點之該事件的機率PW或CLm-n，本發明揭露一演算法以計算出用於每一該計算像素Pk-l之該事件的一機率dlk-l，其中此計算方式係從用於該移動窗口覆蓋每一計算像素之該停止點的該事件之機率PWs或CLm-n計算得來，如以下接續說明的步驟ST1-ST11，在步驟ST1，每一該計算像素Pk-l的一第一或初始機率PV1或dlk-l可依據對於該移動窗口的該停止點Wm-n重疊每一該計算像素Pk-l之該事件之機率PWs或CLm-n平均值計算或假設得來。在步驟ST2，用於該移動窗口的每一停止點Wm-n一第一機率猜測值PG1經由該移動窗口的每一停止點Wm-n內全部的計算像素Pk-l之第一或初始機率PV1s或dlk-l (由步驟ST1中產生)平均計算得來。在步驟ST3中，該移動窗口的每一停止點之該第一機率猜測值PG1與該移動窗口的每一停止點Wm-n之該事件的機率值PW或CLm-n進行比較，其比較係經由每一該停止點Wm-n的第一機率猜測值PG1減去該事件的機率PW或CLm-n，以獲得第一機率猜測值PG1與該移動窗口的每一停止點Wm-n之該事件的機率PW或CLm-n之間的第一差值DW1 (DW1=PG1-PW)。在步驟ST4，執行一第一比較步驟，以確定該移動窗口的每一停止點Wm-n之第一差值DW1的絕對值小於或等於一預設門檻誤差值(preset threshold error)，假如全部的第一差值DW1中的任一個絕對值係大於該預設門檻誤差值時，則繼續該步驟ST5，假如全部的第一差值DW1中的任一個絕對值係小於或等於該預設門檻誤差值時，則繼續該步驟ST11。在步驟ST5，每一該計算像素Pk-l之一第一誤差更正因子(error correction factor, (ECF1)經由將來自於移動窗口的該停止點Wm-n重疊每一該計算像素Pk-l的誤差校正貢獻值(error correction contribution)總合計算得來，例如，假設該移動窗口有四個停止點Wm-n重疊其中一個計算像素Pk-l，從每一該停止點Wm-n至其中一該計算像素Pk-l之該誤差更正貢獻值可經由計算得來，其計算方式為其中之一該計算像素Pk-l與每一該停止點Wm-n之間重疊面積與在每一該停止點Wm-n中最大的正方形內切面積的一面積比值，然後將每一該停止點Wm-n的第一差值DW1乘以該面積比值。在步驟ST6，每一該計算像素Pk-l的一第二機率PV2(意即是更新後的dlk-l)經由將每一該計算像素Pk-l之第一或初始機率PV1或dlk-l減去每一該計算像素Pk-l的第一誤差更正因子ECF1而獲得，也就是(PV2=PV1-ECF1)，在步驟ST7，該移動窗口的每一停止點Wm-n之一第二機率猜測值PG2係經由該移動窗口的每一停止點Wm-n內的全部像素Pk-l之該第二機率PV2s(意即是更新後的dlk-l，在步驟ST6中所獲得)之平均而計算得來。在步驟ST8，該移動窗口的每一該停止點Wm-n之第二機率猜測值PG2與該移動窗口的每一停止點Wm-n之該事件的機率PW或CLm-n進行比較，其比較方式係經由將該移動窗口的每一停止點Wm-n的該第二機率猜測值PG2減去該事件的該機率PW或CLm-n，而產生/獲得該移動窗口的每一停止點Wm-n一的該第二機率猜測值PG2與該事件的機率PW或CLm-n之間的一第二差值DW2, (DW2=PG2-PW)。在步驟ST9，執行一第二次比較以確定移動窗口的每一停止點的該第二差值DW2之絕對值是否小於或等於該預設門檻誤差值，假設全部的該第二差值DW2s的任一絕對值是大於該預設門檻誤差值時，則繼續步驟ST10，假設全部的該第二差值DW2s的絕對值小於或等於該預設門檻誤差值時，則繼續執行步驟ST11，在步驟ST10，使用第nth個之機率猜測值PGn與該移動窗口的每一停止點Wm-n之該事件之機率PW或CLm-n之間的第nth個差值DWn，重復該步驟ST5-步驟ST9在第(n+1)th個重複步驟，直到該移動窗口的每一停止點Wm-n之第(n+1)th個差值DW(n+1)的絕對值是等於或小於該預設門檻誤差值(註：PV1、PG1及DW1可用於第一次重復步驟，ECF1、 PV2、PG2及DW2用於第二次重復步驟，PVn、PGn及DWn用於第nth次重復步驟)，在步驟ST11，使用該第一次重覆步驟中的該第一或初始機率PV1s(意即是步驟ST1-ST4)、第二次重覆步驟中的該第二機率PV2(意即是步驟ST5-ST9)或該(n+1)th次重覆步驟(意即是步驟ST10)以形成該機率圖(probability map)。使用上述方法、程序或演算法並據該移動窗口的重疊停止點Wm-n所獲得之該比較像素Pk-l之該事件之該機率dlk-l，以形成用於該病患之影像(e.g.病患的MRI切片)之該事件的機率圖，該機率圖具有影像資訊(e.g. 分子及/或結構成像資訊)，如之前所述在x-y方向上使用移動窗口的程序可創建一二維(two-dimensional. 2D)機率圖。為了獲得一三維(three-dimensional, 3D)機率圖，用於該病患之全部的MRI切片之前述的程序可在x-y方向上新增一z方向上執行。
在取得該機率圖之後，該病患可進行活組織檢查以從機率圖中之一可疑區域取得來自於病患之器官組織切片樣本(即，在病患者的影像上顯示的位置上的切片)。該切片樣品送去進行病理學檢查，依據該切片樣品的病理學診斷，可確認該機率圖上之可疑區域的機率是否精確，在本發明中，該機率圖可提供用於該病患一部分或全部器官之資訊，此資訊可大於器官的空間體積80%，甚至大於90%以上的空間體積，且大於該切片樣品的空間體積(該切片樣品的空間體積可小於10%或甚至小於1%的該器官的空間體積)，及/或大於在該大數據資料庫的第一組及第二組資訊資料中所提供用該特定組織的空間體積。
為了進一步實現上述目標，本發明提供形成上述一治療事件的一機率改變圖的方法，此方法如以下所揭露之步驟：(1)依據上述揭露之方法及程序，取得/獲得用於一病患在治療前及治療後的影像(e.g., MRI切片影像)上的該移動窗口個別停止點Wm-n之該事件的機率CLm-n，其中用於病患治療前之影像上的移動窗口的每一停止點Wm-n之該事件的機率CLm-n可以依據用於治療之前所取得的分子和/或結構成像參數(及/或其他成像參數) Cm-n值產生；同樣地，該病患治療後影像上用於該移動窗口的每一停止點Wm-n之該事件之該機率CLm-n可依據治療後所照射取得分子及/或結構的成像參數Cm-n值而產生/取得。在治療前從用於該預先治療影像之己註冊/己登錄影像資料庫中取得用於該分子及/或結構成像參數(或其它成像參數)之全部的Cm-n值，且在治療後從用於該治療後影像之己註冊/己登錄影像資料庫中取得用於該分子及/或結構成像參數(或其它成像參數)之全部的Cm-n值；(2)計算該事件前的機率與在治療後該移動窗口的每一停止點Wm-n之間的一機率改變值PMC或CCLm-n；及(3)使用上述用於計算每一計算像素Pk-l的機率改變值PVC或cdlk-l之方法或程序，從該移動窗口的停止點Wm-n的機率改變值PMCs或CCLm-n依據上述演算法算出可取代該機率改變值PMCs或CCLm-n並用於該移動窗口的該停止點Wm-n的機率值PMs或CLm-n，其中可依據用於該移動窗口的該停止點Wm-n之機率改變值PMCs或CCLm-n計算出與治療相關的每一計算像素Pk-l的機率改變值PVC或cdlk-l，所產生/獲得用於計算像素Pk-l的機率改變值，之後可組成用於治療的事件的機率改變圖，對Z方向上的所有影像(例如是MRI切片影像)執行上述程序，可以獲得用於治療之事件的一3D機率改變圖。
本發明之一目的是提供用於形成或生成一可判斷/決策資料圖(e.g., 一機率圖)的方法、系統(包括例如是硬體、裝置、電腦、處理器、軟體及/或工具)、裝置、工具、軟體或硬體，依據來自於第一對象(例如人或動物)的一第一型式的第一資料(例如是MRI參數的第一測量值)。該方法、系統、裝置、工具、軟體或硬體可包括建構一大數據資料庫，其包括從第二對象的一人口(/群體)取得該第一型式之第二資料(e.g., 該MRI參數的第二測定值)及從第二對象之人口所取得第二型式的第三資料，該第二型式的第三資料所提供的資料資訊具有更好的判斷或決策的決定性結論(例如，病患是否患有特定癌症等資訊)，從該人口中的每一第二對象所取得第一型式及第二型式的第二及第三資料，例如可從在該人口中每一第二對象的共同部分產生/取得，相關於一決策制定特徵(decision-making characteristic)的分類器(e.g., 前列腺癌或乳腺癌的發生)可從該大數據之資料庫建立或建構。該方法、系統、裝置、工具、軟體或硬體可提供一計算方法，其包括用於產生具有與對於第一對象的決策制定特徵相關聯的更精細的計算體素(voxels)或像素的決策/判斷資料圖一演算法，經由匹配該第一型的第一資料以建立或建構該分類器。該方法、系統、裝置、工具、軟體或硬體提供依據第一型式的第一資料(沒有任一來自該第一對象的第二型的資料)的一更好判斷或決策(依據決定性和結論性結果之證據)，該第一型的第二資料例如可經由非侵入性方或微創方法(與用於獲得第二型的第三資料的方法相比較下)更容易的取得(與用於獲得第二型的第三資料的方法相比較下)，該第一型的第二資料可提供經由例如非侵入性方法取得用於空間體積(spatial volume)的每一第二對象的器官進行活檢或通過侵入性方法取得特定組織的訊息，例如覆蓋該每一第二對象的器官的空間體積小於10%或甚至小於1%。該第一型的第二資料包括分子成像(及/或其它成像)參數的測量值或資料，例如是MRI參數或CT資料的測量值。該第二型的第三資料例如可經由侵入性的方法、更具侵入性的方法或更難取得之方法(與用於取得第一型的第二資料的方法相比較下)獲得/取得，該第二型的第三資料可提供用於每一第二對象的器官之特定組織的資訊，其係經由活檢組織或通過侵入性之方法獲得。該第二型的第三資料可包括用於該人口/群體中第二對象的該活檢特定組織的活檢組織結構、資料或訊息。該決策例如可能會與第一對象是否患有癌細胞之(決定)有相關。本發明提供對於第一對象可做更好之決定、判斷或結論的方法，此方法係依據該第一型的第一資料，而不需要來自第一對象的任何第二型資料。本發明提供使用MRI成像資料的方法，可不對第一對象進行活組織檢查，而是可直接診斷第一對象的器官或組織(例如乳房或前列腺)是否具有癌細胞。本發明提供了一種做出決定性結論的方法，此方法具有90％或超過90％的準確度（或信任水平），或具有95％或超過95％的準確度（或信任水平），或最終具有99％ 或超過99％的準確度（或信任水平）。另外，本發明經由現今可用的方法，提供了一種機率圖，其具計算體素或像素的空間解析度在一維（1D）中為75％，50％或25％，其小於機器定義的原始體素或創建的成像的像素的空間解析度。例如，機器定義的原始體素或成像的像素可以是原始體素或MRI成像的像素。
本發明提出了一種用於為三維成像生成一三維計算圖形的方法。該方法包括：(1)將三維之移動窗口應用在三維物體，以獲得三維移動窗口的每一個停止點的第一值，其中第一個和第二個停止點位於第一平面中，且彼此部分重疊，第一個和第三個停止點位於第二平面中並且彼此部分重疊，其中第一個和第二個平面彼此垂直；(2) 依據與每一個覆蓋計算體素的第一個、第二個及第三個停止點的第一值相關聯的訊息計算三維計算圖形的計算體素的第二值，其中計算體素具有之體積小於三維移動窗口的體積。
根據上述最後一段中的方法，三維物體可以由多個醫學圖像切片構成，例如，沿著相同方向切割器官組織的核磁共振成像(MRI)圖像。三維計算圖像的一個計算體素的尺寸可以大致上等於或小於醫學圖像的多個由機器所定義的原始體素之一的尺寸。第一和第二停止點是相鄰的兩個，它們彼此偏移的距離大致上等於第一平面中的一個計算體素的第一邊界長度；第一和第三停止點是相鄰的兩個彼此偏移的距離大致上等於所述一個計算體素的第二平面中的第二邊界長度，其中第二邊界長度基本垂直於第一邊界長度邊長。所計算出之各個計算體素的第二數值包括依據與覆蓋各個計算體素的停止點的第一數值相關聯的訊息，以計算出各個計算體素的多個假設值。為了更詳細說明，所計算出之第二數值包括：依據與每一個覆蓋計算體素的停止點的第一數值相關聯的訊息，以計算出計算體素的假設值，依據該計算體素計算出每個覆蓋計算體素的各個停止點的多個猜測值，其與計算體素的假設值相關聯的訊息，計算出其中一個猜測值與每個覆蓋計算體素的該移動窗口的一個停止點的第一個數值之間的差異，並依據與每一個覆蓋計算體素的停止點的差異相關聯的訊息更新計算體素的假設值。
本申請提出了另一種用於生成三維物體的三維計算圖像的方法。另一種方法包括：(1)將三維移動窗口應用在三維物體，以獲得三維移動窗口的每個停止點的多個數值，其中第一和第二停止點位於第一平面中，彼此部分重疊，第一和第三停止點位於第二平面中並且彼此部分重疊，其中第一和第二平面彼此垂直；(2)依據與每一該停止點的數值相關聯的訊息，計算出每一該停止點的第一事件之第一機率； (3)依據與每一個覆蓋計算體素的第一、第二和第三個停止點的第一機率相關聯的訊息，計算出三維計算圖像的計算體素的第一事件之第二機率，其中，計算體素的體積小於三維移動窗口的體積。
根據最後一段中的另一方法，所計算出之每一該停止點的第一事件之第一機率包括將每一該停止點的數值與第一事件之分類器匹配，第一個事件與癌症的發生有關。三維物體由多個醫學圖像切片構成，例如，核磁共振成像(MRI)圖像，沿器官組織的相同方向切割。三維計算圖像的一個計算體素的尺寸大致上等於或小於醫學圖像的多個由機器所定義的原始體素之一的尺寸。第一和第二停止點是相鄰的兩個，且二者彼此偏移的距離大致上等於第一平面中的一個計算體素的第一邊界長度；第一和第三停止點是相鄰的兩個彼此偏移的距離大致上等於所述一個計算體素的第二平面中的第二邊界長度，其中第二邊界長度基本垂直於第一邊界長度邊長。最後一段中的另一方法可以進一步包括依據與每一該停止點的數值相關聯的訊息，以計算出每一該停止點的第二事件之第三機率，並且計算出該三個的計算體素的第二事件之第四機率。依據與第一、第二和第三停止點的第三機率相關聯的訊息的三維計算圖。第一事件與癌症的發生相關，第二事件與格里森(Gleason)評分的發生或一系列格里森(Gleason)評分的發生相關。所計算出之第二機率包括：依據與每一個覆蓋計算體素的停止點的第一機率相關聯的訊息，以計算出計算體素的假設機率，依據與之相關聯的訊息，以計算出各自覆蓋計算體素的各個停止點的多個機率猜測值。假設計算體素的機率，計算其中之一機率猜測值與每個覆蓋計算體素的該移動窗口的一個停止點的第一機率之間的差異，並依據與每一覆蓋計算體素的停止點的差異相關聯的訊息，更新計算體素的假設機率。
本發明的另一方面提供一種依據2D移動窗口之停止點的資料集(包括一個(或多個)參數)進行大數據工程學習的方法，其中2D移動窗口之停止點的資料集經由依據2D原始圖像的原始像素的資料集(包括一個(或多個)測量參數，例如T1、T2、KTrans，tau或其他MRI參數)的捲積(convolution)方法獲得。基於移動窗口之停止點的資料集，例如基於貝葉斯分類器，執行工程學習過程，以獲得學習的結果參數，例如癌症發生的機率。經由依據2D移動窗口之停止點的學習結果參數並以捲積(convolution)方法獲得2D計算圖像的計算像素的學習結果參數。本發明提供了一種用於更好地分辨2D計算圖像的方法。舉列如下，當前MRI技術可以在3mm尺寸下提供具有高信任度(例如，大於99％信任度)的解析度；而在1mm尺寸下具有低信任度(例如小於90％信任度)的解析度。在本發明中可以使用尺寸為2D原始圖像的1mm×1mm的原始像素。本發明可以提供一種用於將計算像素的學習結果參數從小於90％提高到大於99％的方法，其中2D計算圖像的尺寸為1mm×1mm。本發明還可以提供一種用於提高計算像素的學習結果參數的解析度的方法，其尺寸為2D計算圖像的0.5mm乘0.5mm。本發明提供了一種使用標準尺寸或幾個標準特定尺寸的移動窗口的方法，以減少大數據工程學習中所需的原始圖像的原始像素的資料或訊息量，其中資料或原始圖像的原始像素的訊息可以通過例如以侵入性方法獲得活體組織檢查樣本上取得的。
本發明的另一方面提供了一種基於3D移動窗口之停止點的資料集(包括一個(或多個)參數)進行大數據工程學習的方法，其中3D移動窗口之停止點的資料集經由依據3D原始圖像的原始體素的資料集(一個(或多個)測量參數，例如T1、T2、KTrans，tau或其他MRI參數)的捲積(convolution)方法獲得。基於移動窗口之停止點的資料集，例如基於貝葉斯分類器，執行工程學習過程，以獲得學習的結果參數，例如癌症發生的機率。經由依據3D移動窗口之停止點的學習結果參數並以捲積(convolution)方法獲得3D計算圖像的計算體素的學習結果參數。本發明提供了一種用於更好地分辨3D計算圖像的方法。舉列如下，當前MRI技術可以在3mm尺寸下提供具有高信任度(例如，大於99％信任度)的解析度；而在1mm尺寸下具有低信任度(例如小於90％信任度)的解析度。在本發明中可以使用尺寸為1mm×1mm-1mm的3D原始圖像的原始體素。本發明可以提供一種方法，用於針對3D計算圖像的尺寸為1mm×1mm-1mm的計算體素的學習結果參數將信任度從小於90％提高到大於99％。本發明還可以提供一種用於提高計算體素的學習結果參數的解析度的方法，其尺寸為3D計算圖像的0.5mm乘0.5mm-0.5mm。本發明提供了一種使用標準尺寸或幾個標準特定尺寸的移動窗口的方法，以減少大數據工程學習中所需的原始圖像的原始體素的資料或訊息量，其中資料或原始圖像的原始體素的訊息可例如經由侵入性方法獲得活體組織檢查樣本上取得。
本發明的另一方面經由依據資料集(一個(或多個)測量值)獲得2D移動窗口之停止點的資料集(包括一個(或多個)參數)，並依據捲積(convolution)方法為2D資料圖像提供更好的解析度。2D原始圖像的原始像素的參數，例如T1、T2、KTrans，tau或其他MRI參數。經由依據2D移動窗口之停止點的資料集並以捲積(convolution)方法獲得2D計算圖像的計算像素的資料集。本發明提供了一種用於更好地分辨2D計算圖像的方法。舉列如下，當前MRI技術可以在3mm尺寸下提供具有高信任度(例如，大於99％信任度)的解析度；而在1mm尺寸下具有低信任度(例如小於90％信任度)的解析度。在本發明中可使用尺寸為2D原始圖像的1mm×1mm的原始像素下進行。本發明可以提供一種方法，用於將計算像素的參數從小於90％提高到大於99％，其中2D計算圖像的尺寸為1mm×1mm，具有與原始像素相同的尺寸原始圖像。本發明還可以提供一種用於改進計算像素的參數的解析度的方法，其2D計算圖像的尺寸在0.5mm×0.5mm尺寸下。
本發明的另一方面經由依據資料集(一個(或多個)測量值)獲得3D移動窗口之停止點的資料集(包括一個(或多個)參數)，並依據捲積(convolution)方法為3D資料圖像提供更好的解析度。3D原始圖像的原始像素的參數，例如T1、T2、KTrans，tau或其他MRI參數。經由依據3D移動窗口之停止點的資料集並以捲積(convolution)方法獲得3D計算圖像的計算像素的資料集。本發明提供了一種用於更好地分辨3D計算圖像的方法。舉列如下，當前MRI技術可以在3mm尺寸下提供具有高信任度(例如，大於99％信任度)的解析度；而在1mm尺寸下具有低信任度(例如小於90％信任度)的解析度。在本發明中可以使用尺寸為3D原始圖像的1mm×1mm×1mm的原始體素進行。本發明可以提供一種方法，用於將尺寸為3D計算圖像的1mm×1mm×1mm的計算體素的參數從小於90％提高到大於99％，具有相同的尺寸原始圖像的原始體素。本發明還可以提供一種用於改進計算體素的參數的解析度的方法，其3D計算圖像的尺寸為0.5mm×0.5mm×0.5mm。
本發明的另一方面提供了一種用於在2D計算圖像中搜索或辨識均勻區域的方法，其中用於2D計算圖像中的計算像素的學習的結果參數是均勻的(在特定的規範內)。
本發明的另一方面提供了一種用於在3D計算圖像中搜索或辨識均勻區域(uniform region)的方法，其中用於3D計算圖像中的計算體素的學習結果參數是均勻的(在特定的規範內)。
本發明的另一方面提供了一種用於在2D計算圖像中搜索或辨識均勻區域的方法，其中用於2D計算圖像中的計算像素的資料集是均勻的(在特定的規範內)。
本發明的另一方面提供了一種用於在3D計算圖像中搜索或辨識均勻區域的方法，其中用於3D計算圖像中的計算體素的資料集是均勻的(在特定的規範內)。
本發明的另一方面經由重疊(overlapping)採樣方法提供移動窗口之停止點的測量資料集。
將經由對說明性實施例、隨附圖式及申請專利範圍之以下詳細描述的評述，使本發明之此等以及其他組件、步驟、特徵、效益及優勢變得明朗。
當以下描述連同隨附圖式一起閱讀時，可更充分地理解本發明之配置，該等隨附圖式之性質應視為說明性而非限制性的。該等圖式未必按比例繪製，而是強調本發明之原理。
圖式揭示本發明之說明性應用電路、晶片結構及封裝結構。其並未闡述所有應用電路、晶片結構及封裝結構。可另外或替代使用其他應用電路、晶片結構及封裝結構。為節省空間或更有效地說明，可省略顯而易見或不必要之細節。相反，可實施一些應用電路而不揭示所有細節。當相同數字出現在不同圖式中時，其係指相同或類似組件或步驟。
第一方面：E演算法可經由大數據工程學習程序取得二維區域中事件更佳的解析度之機率
I-1.
從二維原始圖像的原始像素的測量數值導出的機率圖
第22A圖揭露本發明實施例中使用E演算法來獲得二維區域中事件之更好解析度機率的程序。請參閱第5圖、第6A圖和第22A圖所示，在用於捲積(convolution)運算(Ec)的步驟S22-1中，將二維移動窗口2應用在彼此相互對齊或對準的一個(或多個)二維原始圖，其中該二維原始圖具有一特定的一個成像參數之複數原始測量值，例如用於獲得的MRI參數或參數的T1、T2、Ktrans或tau的參數，或是來自於相機所取得的光學圖像，其每個光學圖像用於排列在二維陣列中的原始像素pi-j
中的一個，其中一個(或每個)二維原始圖己被對位(registered)且與用於一生物結構上覆蓋一目標區域11相關聯，以產生一或多個成像參數的一組數值Cm-n
，例如是用於MRI的T1、T2和Ktrans的參數。用於MRI的T1、T2和tau的參數或經由一個(或多個)相機捕獲的光學圖像所取得的參數，可用於二維移動窗口2的每個停止點Wm-n
。在這種情況下，用於多個二維原始圖像的一個或每一個之對應原始像素pi-j
之原始測量值可與MRI參數相關聯；多個二維原始圖像的一個或每一個可與一MRI切片或多個己對位(registered)、己與目標區域11對齊/對準的MRI切片組合相關聯。二維移動窗口2的每一停止點Wm-n
的特定一個(或多個)成像參數之數值Cm-n
的一個(或每個)計算出或獲得，其係依據一(或多個)二維原始圖像的各自的一(或多個)原始像素pi-j
之一(或多個)成像參數之特定的一個的一(或多個)原始測量值進行計算，其中二維原始圖像的各自的一(或多個)原始像素pi-j
係覆蓋在或與二維移動窗口2的每一停止點Wm-n
相關聯。該二維移動窗口2的每一停止點Wm-n
的區域比多個二維原始圖中的相對應的(一個(或多個))原始像素pi-j
中的每一個的區域更大。在x方向上的每相鄰的兩個停止點Wm-n
可以彼此部分地重疊，其位移等於二維計算圖12的計算像素Pk -l
的x方向寬度Xfp
。每相鄰的兩個停止點在y方向上的Wm-n
可以彼此部分地重疊，其位移等於二維計算圖12的計算像素Pk -l
的y方向寬度Yfp
。
接著，在用於大數據工程學習的步驟S22-2中，用於每一停止點的Wm-n
學習結果的參數，也就是一事件的機率CLm-n
，其可經由一分類器(例如是貝葉斯分類器)匹配一個(或多個)成像參數的一或該組數值Cm-n
計算或產生，該二維移動窗口2的每個停止點Wm-n
的事件之機率CLm -n
獨立於每一該停止點Wm-n
的一區域。
接著，在解捲積(deconvolution)運算(Ed
)的步驟S22-3中，重復地更新或計算二維計算圖12的每個計算像素Pk -l
的事件之機率dlk -l
，如在第一方面的說明中的步驟ST1-ST11中所示，依據每個覆蓋每一該計算像素Pk -l
的一個(或多個)相對應之停止點Wm-n
的事件之機率CLm-n
(中的一個或多個)，其中每一該計算像素Pk -l
的面積小於二維移動窗口2的每一相對應的一個(或多個)停止點Wm-n
之面積。每個計算像素Pk -l
的事件之機率dlk -l
獨立於每一該計算像素Pk -l
的面積。
本發明一方面提供了一種演算法、方法或運算式，用於在相對應的位置xi-j
處對與原始或初始像素(pi-j
)相關的資料，在同一2D區域的相關位置Xk -l
上進行一2D區域資料轉換，而變成最終或計算像素(Pk -l
)中之一新的資料、資料集(組)或訊息，其中i、j、k、l是正整數，i為1、2、...至I； j從1、2、......到J；k從1、2、...到K； l從1、2、...到L，此變換產生了一組新的資料、資料集(組)或最終或計算像素的訊息，與原始像素或初始像素相比下具有更好的解析度和更低的雜訊。 K可以與I不同，L可以與J不同。為了更好的解析度和更低的雜訊(noise)，每個最終或計算像素的面積小於原始或初始像素的面積；也就是K> I，而L> J，或者，當I = K且J = L時，Xk -l
可以與xi-j
相同，其中由於資料、資料集(組)或原始或初始像素的訊息中的測量變幻(fluctuation)所引起的雜訊可被消除。 2D區域可包括原始或初始像素的網格中的IxJ個像素，其中像素的尺寸和數量可以由取得與原始或初始像素相關資料、資料集(組)或訊息的某些檢測器或傳感器測定。該2D區域也可包括最終或計算像素的網格中的KxL像素，其中像素的尺寸和數量以用於分析、診斷或特定應用的期望解析度(desired resolution)。與原始或初始像素相關的資料、資料集(組)或訊息可以是從某個檢測器或傳感器獲得的特定類型、屬性、類別或項目(例如，MRI參數)。與最終或計算像素相關的資料、資料集(組)或訊息可以是從變換或計算獲得的相同類型、屬性、類別或項目(例如，原始或初始像素的MRI參數)。或者，與原始或初始像素相關的資料、資料集(組)或訊息可以是例如特定波長範圍的紅外光(IR)吸收圖像、特定範圍的波長的拉曼散射(Raman scattering images)圖像、特定的螢光圖像波長範圍或人體器官的超音波圖像。原始像素或初始像素在一個方向(例如，x方向) xop
上具有一尺寸，在垂直方向上具有一尺寸(例如，y方向)yop
；而最終像素在一個方向(例如，x方向)上具有尺寸Xfp
，並且在垂直方向上具有尺寸(例如，y方向)Yfp
。最終像素可以具有與原始像素相同的尺寸(尺寸)；或者每個像素的尺寸大於或小於原始或初始像素的尺寸，而兩者都在相同的2D區域中。原始或初始像素(pi-j)
中的每一個的資料、資料集(組)或訊息可以是數字、多個數字、實數、多個實數、數位化數字(例如負整數)、0或正整數、多個數位化數字、0或1、多個0或1、標量(scalars) 、多個標量、向量(vectors)、多個向量或度數為0, 1, 2...t的張量，其中t是整數。
本發明所揭露的演算法或運算子包括以下兩個運算式：捲積(convolution)運算(Ec)和解捲積(deconvolution)運算(Ed)。Ec和Ed可以單獨或一起操作。將這兩個操作組合在一起時即成為一工程操作器(E操作器)，E = Ed Ec。 E演算法以及Ec和Ed運算式如下說明描述：
特定2D區域中的原始資料或初始像素中的原始資料、資料集(組)或訊息被轉換為移動窗口之停止點中的資料、資料集(組)或訊息，其中相同類型的資料、資料集(組)或訊息、屬性、類別或項目(例如，MRI參數)作為原始資料、資料集(組)或原始或初始像素中的訊息(例如，MRI參數)。移動窗口在E演算法或E運算式中起關鍵作用。此E演算法或E運算式定義一些物理、計算、分析或統計項目(/目的)，以獲得更好的解析度和更低的雜訊。移動窗口的尺寸、形狀、參數或格式可以在收集、存儲、計算(統計)分析資料或訊息、或工程學習或機器學習時變為默認或標準的尺寸、形狀、參數或格式。通常，選擇移動窗口的尺寸、形狀、參數或格式以包圍(包括)至少幾個原始或初始像素以及至少包圍幾個最終或計算像素。例如，移動窗口尺寸和形狀可以在2D MRI切片中定義，其總體積(移動窗口面積乘以MRI切片的厚度或高度)等於活檢樣本的體積；其中活體組織檢查樣品的體積可以經由使用具有常規或標準尺寸的針頭在標準活體組織檢查程序中採集的活檢樣品的平均體積來定義。該移動窗口區域被定義為2D區域中移動窗口的尺寸、形狀、參數或格式。移動窗口可以為圓形、橢圓形、正方形或矩形。當移動的窗口為圓形時，最大內切方塊可以包含pxp原始像素或初始像素；或者PxP最終或計算像素，其中p和P是正整數並且大於或等於1，在某些情況下，P被選擇為正整數並且大於或等於2。移動窗口的形狀為橢圓形時，最大內切矩形可能包含pxq原始像素或初始像素；或者PxQ個最終或計算像素，其中p、q、P和Q是正整數並且大於或等於1，在某些情況下，P和Q被選擇為正整數並且大於或等於2，當移動的移動窗口具有正方形形狀時，正方形可以包含pxp原始像素或初始像素；或者PxP最終或計算像素，其中p和P是正整數並且大於或等於1，在某些情況下，P被選擇為正整數並且大於或等於2。移動移動窗口有一個矩形的形狀，矩形可能包含pxq原始像素或初始像素；或者PxQ個最終或計算像素，其中p、q、P和Q是正整數並且大於或等於1，在某些情況下，P和Q被選擇為正整數並且大於或等於2，移動的移動窗口同一2D區域上以Xfp
距離在x方向上步進/移動距離(step)移動並且Yfp
距離在y方向上步進/移動距離(step)(或移動)，以產生密集且重疊的停止點之一矩陣。每個停止點分別與在x和y方向上與Xfp
或Yfp
步伐(step)或位移的且最近的相鄰停止點重疊。該2D區域中的每個停止點可包括多個、全部的或部分的原始像素。通過對停止點所包圍的所有像素計算出平均值來獲得每個停止點的資料、資料集(組)或訊息。對於一些部分封閉的像素，可以通過依封閉區域之面積比例來完成對該些像素計算該平均值。平均值可以通過線性平均、高斯平均或Lorentian平均等方式計算。在線性平均中，我們假設移動窗口的每個停止點中的資料、資料集(組)或訊息是均勻的。上述方法將原始或初始像素中的資料、資料集(組)或訊息轉換為移動窗口之停止點中的資料、資料集(組)或訊息，其中此轉換可以稱為捲積(convolution)。在位置Xm-n
處的移動窗口的停止點被定義為Wm-n
，其中m = 1,2,3,4,...M和n = 1,2,3,4,...N。移動窗口(Wm-n
)的每個停止點中或與之相關的資料、資料集(組)或訊息可以是數字、多個數字、實數、多個實數、數位化數字(例如，負整數、0或正整數)，多個數位化數字、0或1、多個0或1、標量(scalar)、多個標量、向量(vector)、多個向量或度數為0,1,2,...t的張量(tensor)，其中t為整數。由於移動窗口以最終或計算像素的尺寸步進/移動距離(step)/移動，因此在最終或計算像素的矩陣中停止點的數量可被計算/計數。假設移動窗口的每個停止點包括PxQ計算像素，原始矩陣Mop
包括IxJ個像素並且具有IxJ集、資料、資料集(組)或訊息的成份或組成。捲積(convolution)矩陣Mcw
包括移動窗口的(K-P+1)×(L-Q+1)個停止點，並且具有(K-P+1)×(L-Q+1)個料、資料集(組)或訊息的成份或組成。 Ec
運算式將原始矩陣Mop
(包括IxJ集(組)或資料的成份/組成、資料集(組)或訊息(例如，MRI參數)中所描述或表示為特定2D區域中的每個原始像素)轉換為捲積(convolution)矩陣Mcw
(其中包括IxJ集(組)或資料的成份/組成、資料集(組)或訊息(例如，MRI參數)中所描述或表示為特定2D區域中的每個原始像素)，其可表示為以下運算式：
Ec
(Mop
, WPQ
) = Mcw
其中Mop
具有尺寸或大小: IxJ、移動窗口WPQ
具有尺寸或大小: PxQ、以及Mcw
具有尺寸或大小: (K-P+1)x(L-Q +1)。 Mcw
包含與Mop
相同類型、屬性、類別或項目的資料、資料集(組)或訊息的成份/組成。 例如，Mcw
和Mop
中的成份/組成是與MRI參數相關的資料、資料集(組)或訊息。 或者，Mcw
和Mop
中的成份/組成是與IR吸收、拉曼散射、螢光或超音波成像相關的資料、資料集(組)或訊息。
在這方面，使用與移動窗口有關的資料、資料集(組)或訊息，或使用移動窗口的標準尺寸、形狀、參數或格式或尺寸來執行工程學習或機器學習。與捲積(convolution)運算式有關的步驟、過程和方法的描述和說明與上面相同。如上所述和所述，捲積(convolution)算子Ec
將原始矩陣Mop
(包括描述或表示之特定2D區域中的每個原始或初始像素的資料、資料集(組)或訊息(例如，MRI參數))變換為捲積(convolution)矩陣Mcw
(包括平均資料、資料集(組)或訊息(例如，MRI參數)中所描述或表示之特定2D區域中移動窗口的每個停止點)。通過工程學習、機器學習或相關之技術，可以將Mcw
成份/組成的資料、資料集(組)或訊息轉換為資料、資料集(組)或不同類型，屬性，項目或類別的訊息。例如，依據大數據(相關臨床活檢分析數據的累積資料和病患的測量MRI的參數)和使用貝葉斯推理(例如)，可以將Mop
(MRI參數的成份/組成)轉換或構建成矩陣學習窗口MLw
包括癌症發生機率的成份/組成。由於2D移動窗口係以最終或計算像素的尺寸步進/移動距離(step)/移動，因此可在最終或計算像素的2D陣列中計算停止點的數量。 2D移動窗口的每個停止點包括PxQ個最終或計算像素。原始矩陣Mop包括IxJ個像素並且具有IxJ集(組)或成份或資料、資料集(組)或訊息的組件。捲積(convolution)矩陣Mcw
和學習矩陣MLw
都包括2D移動窗口的(K-P +1)×(L-Q +1)個停止點，並且具有(K-P+1)×(L-Q+1)個集合或資料、資料集(組)或訊息的成份或組成部分。Ec
運算式將原始矩陣Mop
(包括IxJ集(組)或資料的成份/組成、資料集(組)或訊息(例如，MRI參數)中所描述或表示之特定2D區域中的每個原始像素)轉換為捲積(convolution)矩陣Mcw
(包括(K-P+1)x(L-Q+1)設置或描述或表示之特定2D區域中的2D移動窗口的每個停止點的平均資料、資料集(組)或訊息(例如，MRI參數)的成份/組成。 El
運算式變換捲積(convolution)矩陣Mcw
(包括(K-P +1)x(L-Q +1)組或平均資料的成份/組成、資料集(組)或訊息(例如，MRI參數)，其係描述或表示特定2D區域中的2D移動窗口之每個停止點)變成學習矩陣MLw
(包括(K-P+1)x(L-Q+1)集(組)或學習資料、資料集(組)或訊息的成份/組成(例如，癌症發生的機率)，其係描述或表示之特定2D區域中的2D移動窗口的每個停止點)。工程學習運算式(或機器學習運算式)El
可表示為：
El
(Mcw
, WPQ
) = MLw
其中，2D移動窗口包括PxQ個最終或計算像素，其分別在x和y方向上分別具有P個和Q個，並且在停止點Wm-n
處在具有特定的m和n最終或計算像素，其中m = 1,2,3...M和n = 1,2,3......N。對於於特定2D區域中的停止點Wm-n
之學習矩陣MLw
中的每個成份相關或描述的資料、資料集(組)或訊息中與用於同一特定2D區域中每一停止點的Wm-n
相關或者描述捲積(convolution)矩陣Mcw的每個成份(例如是MRI參數)具有不同類型、屬性、類別或項目(例如，癌症發生的機率)可進行比較。但對於在特定2D區域中停止點Wm-n
的捲積(convolution)矩陣Mcw
的每個成份中或與之相關或描述的資料、資料集(組)或訊息與在相同的特定2D區域中的原始或初始像素的原始矩陣Mop
的每個成份中或與之相關或描述的(例如，MRI參數)也可在具有相同的類型、屬性、類別或項目(例如，MRI參數)之情況下相比較。或者，與原始或初始像素相關的資料、資料集(組)或訊息可以是例如特定波長範圍的IR吸收圖像、特定範圍的波長的拉曼散射圖像、特定的螢光圖像波長範圍或人體器官的超音波圖像。如上所述之移動窗口在工程學習運算式或算法(E運算式)中起關鍵作用。此E演算法或E運算式定義一些物理、計算、分析或統計項目(/目的)。此外，移動窗口的尺寸、形狀、參數或格式用於工程學習或機器學習。移動窗口的尺寸、形狀、參數或格式可以在收集、存儲、計算(統計)分析資料或訊息、或工程學習或機器學習時成為默認或標準大小或格式。對於將Mcw
轉換為MLw
的工程學習或機器學習的方法、算法或過程可以例如是，使用(i)以統計(statistics)方式，例如，貝葉斯(Baysian)推理，(ii)以連接或關聯方式，例如，神經計算方式，( iii) 以符號法則(Symbolism)方式，例如，歸納或解釋，(iv)以類比(analog)方式，例如，相似性，(v)以進化(evolution)方式，例如自然過程。
類似於上面描述和指定的Mcw
的解捲積(deconvolution)，學習矩陣MLw
也可以被解捲積(deconvolution)以獲得最終或計算矩陣MLdp
。最終或計算像素的尺寸、形狀、參數或格式如上所述描述及說明。解捲積(deconvolution)矩陣MLdp
包括特定2D區域中的每個最終或計算像素的最終或計算資料、資料集(組)或訊息。特定2D區域中的最終或計算像素的每個像素Pk-1
中或與之相關或描述的資料、資料集(組)或訊息具有相同的類型、屬性、類別或項目(例如，癌症發生的機率)作為移動窗口的停止點Wm-n
的學習資料、資料集(組)或MLw
中成份/組成的訊息(例如，癌症發生的機率)。特定2D區域中的最終或計算像素的每個像素Pk-1
中或與之相關或描述的資料、資料集(組)或訊息具有不同的類型、屬性、類別或項目(例如，癌症發生的機率)作為移動窗口的停止點Wm-n
的資料、資料集(組)或Mcw
中成份/組成的訊息(例如，MRI參數)。特定2D區域中的最終或計算像素的每個像素Pk-1
中或與之相關或描述的資料、資料集(組)或訊息具有不同的類型、屬性、類別或項目(例如，癌症發生的機率)作為原始或初始像素xi-j
的資料、資料集(組)或Mop
中成份/組成的訊息(例如，MRI參數)。或者，例如，依據大數據(相關臨床活檢分析結果或數據的累積資料和測量的IR吸收、拉曼散射數據、螢光燈或來自病患的相對應的活體組織檢查樣品的超音波成像)並使用例如貝葉斯推理，Mop
(IR吸收、拉曼散射數據、螢光強度或超音波成像)可以被轉換或構建成包括癌症發生機率的成份/組成的學習窗口MLw
的矩陣。
最終或計算像素的每個像素Pk-1
中或與之相關或描述的資料、資料集(組)或訊息可以是數字、多個數字、實數、多個實數、數位化數字(例如，負整數，0或正整數)、多個數位化數字、0或1、多個0或1、標量、多個標量、向量、多個向量或度數為0,1,2 ...t的張量(tensor)，其中t是整數。 E演算法的解捲積(deconvolution)Ed
通過一組線性方程式計算解出移動窗口之停止點的未知計算像素數據(dlk-1
的)和已知資料(CLm-n
的)來獲得每個最終或計算像素的資料、資料集(組)或訊息。線性方程可以通過與每一移動窗口停止點Wm-n
相同之資料、資料集(組)或訊息建立，以將被移動窗口(Wm-n
), dlk -l.
包圍的全部所有最終或計算像素上的資料、資料集(組)或訊息進行平均。
… (6)
其中dlk-1
是由移動窗口Wm-n
的停止點所包圍或在其內的最終或計算像素的資料、資料集(組)或訊息，其中k是從k1
到k1
+P-1，並且l來自 l1
至l1
+Q-1，m = 1,2,3... K-P+1； 並且n = 1,2,3...... L-Q+1。
該 (K-P +1)x(L-Q +1)方程式具有已知數(CLm-n
)(個)和KxL未知數(個)。未知數的數量大於方程式(6)的數量：(PL+KQ-PQ-K-L+P+Q-1)個。下面將通過以下方式描述增加已知數之數量和減少未知數之數量的方法：(1)在感興趣一個(或多個)的2D區域內均勻或近似均勻的一個(或多個)區域中找到最終或計算像素的均勻或恆定資料、資料集(組)或訊息；和/或(2)從靠近或沿著感興趣之2D區域的邊界延伸處的均勻或近似均勻的一個(或多個)區域中找到最終或計算像素的均勻或恆定資料、資料集(組)或訊息。上述方法(1)可以提供多個已知數(計算像素的已知資料)等於或大於(PL+KQ-PQ-K-L+P+Q-1)的數量，使得該數量(K-P+1)x(L-Q+1)可以經由方程式(6)求出解答。如果移動窗口包括3乘3的計算像素，則上述方法(2)可以提供等於或大於[(K+2)(L+2)-(K-P+3)x(L-Q+3)]的數量的已知數(計算像素的已知資料)，使得數量(K-P+3)×(L-Q+3)可由方程式(6)解出。該組線性方程可以通過計算機、設備、機器、處理器、系統或工具重復地計算求解(/解答算出)。通過對覆蓋或包圍像素的所有停止點進行平均來獲得每個未知數(資料、資料集(組)或最終或計算像素的訊息)dlk-10
的初始猜測值。每個封閉停止點的貢獻由重疊區域(A'm-n
)與該停止點區域(Am-n)的面積比計算，可以使用Am-n
, A’m-n
and CLm-n
以獲得dlk-l0
：
其中，該停止點Wm-n
覆蓋或包圍具有從m1
到m2
的停止點指數m及從n1到n2的停止點指數n之最終或計算像素Pk-1
。在第一次迭代(iteration)中，我們可以經由使用方程式(2)中的初始猜測dlk-l0
來計算並獲得移動窗口CLm-n1
的每個停止點的第一資料、資料集(組)或訊息。 當該組計算像素資料或訊息與具有小於或等於同一2D區域中的指定值或數量的誤差或差異之該組學習窗口資料或訊息匹配時，迭代可產生一個結果值MLdp
(KxL)。該Ed
運算式可表示為：
Ed
(MLw
, WPQ
) = MLdp
在本發明的另一方面，可以依次執行捲積(convolution)運算式Ec
、學習運算式E1
和解捲積(deconvolution)運算式Ed
以獲得完整的E演算法。 E演算法將原始矩陣Mop
(包括IxJ原始或初始像素的資料的成份/組成、資料集(組)或訊息及具有IxJ集(組)、資料或訊息的成份/組成或組件)在同一特定2D區域經由捲積(convolution)窗口矩陣Mcw
(包括該捲積(convolution)窗口停止點之資料或資訊的(K-P+1)x(L-Q+1)組、或成份/組成或元件)以及經由學習窗口矩陣MLw
(包括該學習窗口停止點之資料或資訊的(K-P+1)x(L-Q+1)組、或成份/組成或元件)，轉換為解捲積(deconvolution)矩陣Mdp
(包括KxL像素的資料的成份/組成、資料集(組)或訊息及具有KxL集(組)、資料或訊息的成份/組成或組件)。E演算法可以表示為
E(Mop
(IxJ)) = Ed
(MLw
((K-P+1)x(L-Q+1))) = Ed
El
(Mcw
((K-P+1)x(L-Q+1))) = Ed
El
Ec
(Mop
(IxJ)) = MLdp
(KxL)
在本發明的另一方面，本發明公開了線性代數中的E演算法。該線性運算例如係加法(+)、減法(-)、乘以一數量/標量(d)或除以一數量/標量(/)，使用移動窗口的每個停止點的資料或訊息來執行(即使用捲積(convolution)矩陣Mcw中的成份/組成或學習矩陣MLw
中的成份/組成)，而不是使用原始或初始像素的資料或訊息(也就是不使用捲積(convolution)矩陣Mop
中的成份/組成)。該移動窗口用作為默認或標準尺寸、配置或格式，用於包含和提供用於分析、比較、計算、工程學習或機器學習的資料、資料集(組)或訊息。
其中Ms
或M是捲積(convolution)矩陣Mcw
或學習矩陣MLw
的矩陣，並且Cs是實數，s是從1,2,3......S的正整數。
使用MRI檢測和診斷作為例子，如以下執行第一方面中描述的方法。在第一方面中的演算法的使用係經由通過工程學習E運算式，以將2D移動窗口的各個停止點Wm-n
中具有數種MRI參數值的數值組(集合) Cm-n
轉換計算像素資料dlk -l
，也就是用於各個計算像素Pk -l
之一事件的機率值。
或者，電腦斷層掃描(CT)參數、正電子發射斷層掃描(PET)參數、單光子發射電腦斷層掃描(SPECT)參數、微PET參數、微SPECT參數、拉曼參數和/或生物發光光學的每種組合(BLO)參數、超音波掃描參數、紅外吸收參數、攝像機圖像參數和/或可見光圖像參數也可以用於在第一方面中2D移動窗口的一個停止點Wm-n
中的一個該組數值Cm-n
。第一方面中，2D移動窗口之停止點Wm-n
的資料、資料集(組)或訊息Cm-n
可以從檢測或分析儀器獲得，檢測或分析儀器例如係照相機、顯微鏡(光學或電子)、內窺鏡、檢測器或光譜儀(可見光，螢光燈，IR，UV或X射線)、超音波掃描機器或系統、核磁共振成像(MRI)機器或系統、電腦斷層掃描(CT)機器或系統、正電子發射斷層掃描(PET)機器或系統、單-光子發射電腦斷層掃描(SPECT)機器或系統、微型PET機器或系統、微型SPECT機器或系統、拉曼光譜儀或系統、和/或生物發光光學(BLO)機器或系統、或用於獲分數子或其他的機器結構成像數據。
為了進一步詳細說明，以下以MRI檢測作為舉例說明，如下所述：
本發明中描述的計算方法可依據一對位(registered) (多參數)影像資料集的影像，在任何類型的圖像上執行，例如分子和結構圖像(例如，MRI圖像、CT圖像、PET圖像、SPECT圖像、微PET、微SPECT、拉曼圖像或生物發光光學(BLO)圖像)，結構圖像(例如，CT圖像或超音波圖像)、透視圖像、結構/組織圖像、光學圖像、紅外圖像、X射線圖像或這些類型的任何組合。對位的(registered)影像資料集可包括從一種(或多種)模式/情況下獲得的多個成像資料或參數，例如MRI、PET、SPECT、CT、螢光透視、超音波成像、BLO成像、微PET、微SPECT、拉曼成像、結構/組織成像、光學成像、紅外成像和/或X射線成像。對於病患，可以通過在空間中對位(registering)過程，從不同時間或從各種機器獲得的所有參數來創建己對位(registered)(多參數)影像資料集。可以依據對位的(registered)影像資料集在MRI圖像上執行本發明的第一、第二和第三實施例中的方法，包括例如用於MRI圖像之MRI參數和/或PET參數。
請參閱第1A圖所示，創建大數據資料庫70以包括多個資料集，每個資料集可包括：(1)用於來自諸如人或動物的受試者的活檢組織(例如，前列腺或乳房)的數量和位置的第一組訊息資料，其可以通過非侵入性方法或者通過微創方法(與用於獲得以下第二組訊息資料的方法相比)取得，其中第一組數據訊息可包括多個成像參數的測量值，包括例如分子和結構成像參數(例如MRI參數、CT參數、PET參數、SPECT參數、微PET參數、微SPECT參數、拉曼參數和/或BLO參數)和/或其他結構成像數據(例如來自CT和/或超音波圖像)，(2)特定一些成像參數的組合，(3)與成像參數相關的尺寸(例如分子和結構成像參數)，例如MRI切片的厚度T和MRI切片的MRI原始像素的尺寸，包括MRI原始像素的寬度或邊長以及MRI原始像素的厚度或高度(其可大致上與MRI切片的厚度T相等)，(4)通過侵入性方法或更具侵入性的方法(與用於獲得第一組訊息資料的方法相比)獲得的第二組訊息資料，其中第二組訊息資料可包括來自對受試者的活體組織檢查的組織-基本(tissue-based)的訊息，(5)與和/或受試者之活檢組織相關的臨床數據(例如，受試者的年齡和性別和/或前列腺癌的格里森(Gleason)評分)，和(6)與受試者相關的癌症的風險因子。
用於創建大數據資料庫70的一些或所有受試者可能已經由諸如新輔助化療或(術前)放射療法的治療。或者，用於創建大數據資料庫70的一些或所有受試者不進行諸如新輔助化療或(術前)放射療法的治療。大數據資料庫70的每個資料集(或組)中的成像參數可以從不同的模式/情況下獲得，其包括下列的兩個(或更多個)：MRI、PET、SPECT、CT、螢光透視、超音波成像、BLO成像、微PET、微SPECT和拉曼成像。因此，大數據資料庫70的每個資料集(或組)中的成像參數可包括第17A圖至第17H圖中描繪的四種(或更多種)類型的MRI參數。第17I圖中描繪的一種(或多種)類型的PET參數，第17J圖中描繪的一種(或多種)類型的異質性特徵，以及第17K圖中描繪的其他參數。或者，第一組訊息資料可以僅包括一種類型的成像參數(例如T1圖譜參數)。用於每一該成像參數，在大數據資料庫70的每個資料集(或組)中，對於要被活檢的組織的每個成像參數(諸如T1圖譜參數)可以具有依據測量值的平均值所計算的數值，對於多個對位(registered)影像(例如MRI切片)的多個區域、部分、位置或感興趣體積(volumes)對位(registered)到或與要被活檢的組織的相對應的區域、部分、位置或體積對齊，其中對位(registered)影像的所有感興趣之區域、部分、位置或體積可以具有覆蓋且大致上等於待活檢組織的體積的總體積，待活體組織檢查的組織的對位(registered )之影像的數量可以大於或等於2,5或10。
用於容易或有意義的計算目的、用於醫療儀器目的或用於更清晰的最終數據呈現目的前提下，經由針頭取樣獲得的活檢組織的情況下，活檢組織可以是長圓柱形的，其具有半徑Rn，且大致上等於針的內半徑，並且高度tT規範為MRI切片的厚度T。在本發明中，長圓柱形活體檢查組織的體積可以轉換成另一種形狀，其體積可以與長圓柱形活檢組織的體積(或感興趣之體積(Volume of Interest, VOI，其可以是
)相同或大致相同。例如，具有半徑Rn和高度tT的活檢組織的長圓柱體可以被變換為平面圓柱體以匹配MRI切片厚度T，例如，平面圓柱體可以具有等於MRI切片厚度T的高度。半徑Rw等於半徑Rn乘以對位(registered )之影像的數量的平方根，並且體積與活檢組織的體積相同或大致相同，亦即VOI。平面中之圓柱體(planner cylinder)的半徑Rw用於在計算病患(例如，人)的一機率圖時定義移動窗口MW的尺寸(例如，半徑Rm)。在本發明中，例如，每個資料集的活檢組織的體積(亦即VOI)，可以大致上等於用於計算機率圖的移動窗口MW的體積。換句話說，活檢組織的體積，亦即VOI，定義了用於計算機率圖的移動窗口MW的尺寸。統計上而言，該移動窗口可依據與來自大數據資料庫70的子集資料（例如，之後接續的子集資料DB-1或DB-2）相關聯的半徑Rw（從多個VOI計算出）的統計分佈或平均值來定義/確定垂直於該移動窗口MW之厚度的半徑Rm。
大數據資料庫70的每個資料集(或組)中的組織-基本(tissue-based)的訊息可包括(1)活檢組織之活檢結果、資料、訊息(即，病理學家診斷，例如癌症或沒有癌症)；(2)mRNA資料或表達模式，(3)DNA資料或突變模式(包括從次世代定序獲得的)；(4)本體(ontologies)；(5)活檢相關的特徵大小或體積(包括活體檢查組織的半徑Rn活檢組織的體積(即VOI)，和/或活體檢查組織的高度tT)，以及(6)其他組織學和生物標誌(biomarker)之發現、如壞死、細胞凋亡、癌症百分比、缺氧增加(increased hypoxia)、血管重組(vascular reorganization)和受體表現水平(receptor expression levels)，例如雌激素、孕酮、HER2和EPGR之受體。例如，關於大數據資料庫70的組織-基本(tissue-based)的訊息，每個資料集可包括來自次世代定序的特異性長鏈mRNA生物標誌(biomarker)，其可預測無轉移存活期(metastasis-free survival)，例如HOTAIR, RP11-278 L15.2-001, LINC00511-009, AC004231.2-001。大數據資料庫70的每個資料集(或組)中的臨床數據可包括治療時間、人口統計資料(例如，年齡、性別、種族、體重、家庭類型和受試者的居住地)以及腫瘤節點轉移(tumor-node-metastasis, TNM)分期，例如第17N圖和第17O圖，或第17P圖、第17Q圖及第17R圖中的描述。大數據資料庫70的每個資料集可以進一步包括關於新輔助化療的訊息和/或關於(術前)放射療法的訊息。另外，成像協議(Imaging protocol)之細節，例如MRI磁體強度、脈衝序列參數、PET劑量、PET成像時間等該些資料也可放在大數據資料庫70中。關於(術前)放射治療的訊息可包括輻射類型、強度輻射、輻射的總劑量、分數的數量(取決於所治療的癌症的類型) 、從開始到結束的分數的持續時間，分數的劑量、從開始到術前的放射治療的持續時間完成以及用於術前放射治療的機器類型。關於新輔助化療的訊息可包括特定的藥物、循環次數(即從開始到結束的新輔助化療的持續時間) 、從開始到結束的循環持續時間以及循環的頻率。
從大數據資料庫70中選擇感興趣的資料而產生一子集，而用於構建分類器CF，選擇來自大數據資料庫70的子集可以針對特定應用，例如前列腺癌、乳腺癌、新輔助化療後的乳腺癌或放射後的前列腺癌。對於前列腺癌選擇的子集的情況下，子集可包括組織-基本或活體組織檢查-基本的子集資料DB-1中的資料。對於乳腺癌選擇的子集的情況下，子集可包括組織-基本或活體組織檢查-基本的子集資料DB-2中的資料。使用合適的方法，例如是統計學相關方法、大數據方法和/或學習和訓練方法，可以依據在子集中與具有第一資料類型或特徵(例如，前列腺癌)相關聯的第一組資料、與子集中的第二資料類型或特徵(例如，非前列腺癌或非乳腺癌)相關聯的第二組資料，以及在子集中與第一組和第二組關聯的所有變量來構建或創建分類器CF。因此，可以依據與來自大數據資料庫70的事件相關聯的子集來創建事件之分類器CF，諸如第一資料類型或特徵。事件可以是活檢診斷的組織特徵，例如具有特定的癌細胞，或發生前列腺癌或乳腺癌的事件。
在創建或構建資料庫70和分類器CF之後，生成或建構由具有相同大小的多個計算像素組成的機率圖，用於通過下述步驟以評估或判斷病患(例如人體)的健康狀態、病患體內器官或其他結構的身體狀況或病患的進展和治療效果。首先，通過諸如MRI系統的設備或系統獲得病患的圖像。例如，病患的圖像可以是分子圖像(例如，MRI圖像、PET圖像、SPECT圖像、微PET圖像、微SPECT圖像、拉曼圖像或BLO圖像)或其他合適的圖像(例如，CT圖像或超音波圖像)。另外，依據從子集獲得的移動窗口MW的半徑Rm，例如在大數據資料庫70中的子集資料DB-1或DB-2取得計算像素的尺寸，以使其成為機率圖的基本單元。
如果移動窗口MW是圓形的，則定義在移動窗口MW中內接的最大方形。 接著，在移動窗口MW中刻出的最大正方形被劃分為n2
個小正方形，亦即立方體，每個正方形具有寬度Wsq，其中n是整數，例如2,3,4,5,6或大於6，所分割的正方形定義了病患之影像資料的機率圖中的計算像素的尺寸和形狀。 例如，機率圖的每個計算像素可以被定義為正方形，亦即立方體，其寬度Wsq和體積與每個分割的正方形的寬度相同或大約相同。 移動窗口MW可以固定距離的規則步伐(step)或間隔移動穿過病患的圖像，例如，在x和y方向上基本上以等於寬度Wsq(即，計算像素的寬度)移動，其中移動窗口MW的停止點與移動窗口MW的相鄰停止點重疊。
或者，可以將移動窗口MW中內接的最大正方形劃分為n個矩形，每個矩形具有寬度Wrec和長度Lrec，其中n是整數，例如2, 3, 4, 5, 6, 8個或大於8個。該分割的矩形定義了病患之影像資料的機率圖中的計算像素的尺寸和形狀。例如，機率圖的每個計算像素可以是具有寬度Wrec，長度Lrec的矩形，以及與每個分割的矩形的寬度相同或大致相同的體積。移動窗口MW可以以固定距離的規則步伐(step)或間隔移動穿過病患的分子圖像，例如，大致上等於寬度Wrec(即，計算像素的寬度)，在x方向上以規則的步伐(step)或固定距離的間隔移動，或是例如以大致上等於y方向上的長度Lrec(即，計算像素的長度)以規則的步伐(step)或固定距離的間隔移動。移動窗口MW的停止點與移動窗口MW的相鄰停止點重疊。在替代實施例中，移動窗口MW的每個停止點的寬度，長度或直徑可小於病患之影像資料中機器定義的原始像素的邊長(例如，寬度或長度)。
在獲得或定義計算像素的尺寸和形狀之後，然後移動窗口MW步伐(step)和移動窗口MW的兩個相鄰停止點之間的重疊可以確定(判定)，可以從病患的圖像和/或不同的參數圖(例如MRI參數圖、PET參數圖和/或CT參數圖)獲得移動窗口MW的每個停止點的特定成像參數的多個數值以對位(registered)至病患的圖像。特定成像參數可包括下列的兩個(或更多個)：MRI參數、PET參數、SPECT參數、微PET參數、微SPECT參數、拉曼參數、BLO參數、CT參數和超音波成像參數。移動窗口MW的每個停止點內的特定成像參數具有依據測量值的平均值所計算的數值，該測量值例如係移動窗口MW的每個停止點中，具有用於每一該特定成像參數、用於病患之影像資料的機器定義的原始像素。在病患之影像資料的一些機器定義的原始像素僅部分地位於移動窗口MW的停止點內的情況下，可以通過面積比例來對平均值進行加權。可以從對位(registered)之影像集(或對位(registered)之資料集(組)或參數圖)獲得不同模式/情況下的特定成像參數，並且可以使用剛性(rigid)和非剛性(non-rigid)標準對位技術將每個解剖部分置入在每一該對位(多參數)圖像資料集的相同精確坐標位置。
病患之對位的(registered)影像資料集可被創建，其包括從各種設備、機器或設備或從定義的時間點(例如，特定日期)或時間範圍(例如，在治療之後的五天內)所得到的多個對位(registered)影像(包括下列的兩個(或更多個)：MRI切片圖像、PET圖像、SPECT圖像、微PET圖像、微SPECT圖像、拉曼圖像、BLO圖像、CT圖像和超音波圖像)和/或相對應的成像參數(包括以下兩項或更多項：MRI參數、PET參數、SPECT參數、微PET參數、微SPECT、拉曼參數，BLO參數，CT參數和/或超音波成像參數)，獲得的參數)。在病患的對位(多參數)之影像資料集(或組)中的每個成像參數需要對齊或對位/對準。對位(registration)可以通過例如使用獨特的解剖標記、結構、組織、幾何形狀和/或形狀或使用數學算法和計算機模式辨識來完成。例如，可以從病患的對位的(registered)影像資料集獲得移動窗口MW的每個停止點的特定成像參數的數值。
接著，可以使用，例如子集選擇、聚合和尺寸減少等方式，將移動窗口MW的每個停止點的特定成像參數減少到該移動窗口MW的每一該停止點的一參數集中。換句話說，參數集包括獨立成像參數的數值。參數集之中所使用的成像參數可以具有多種類型，例如兩種類型、大於兩種類型、大於三種類型或大於四種類型，且相互彼此獨立或，或者可以只具有單一類型。例如，參數集之中所使用的成像參數可包括(a)MRI參數和PET參數、(b)MRI參數和SPET參數、(c)MRI參數和CT參數、(d)MRI參數和超音波成像參數、(e)拉曼成像參數和CT參數、(f)拉曼成像參數和超音波成像參數、(g)MRI參數、PET參數和超音波成像參數、或(h)MRI參數、PET參數和CT參數。
接著，移動窗口MW的每個停止點參數集集與分類器CF進行匹配，以獲得移動窗口MW的每一該停止點的事件之機率值PW或CLm-n
。在獲得用於移動窗口MW的每一停止點的事件之機率值PW或CLm-n
之後，依據移動窗口MW的停止點的事件之機率值PW或CLm-n
來執行運算法，以計算出計算像素的事件之機率，如以下步驟ST1-ST11中所述，在步驟ST1中，例如，可以依據移動窗口MW的停止點重疊或覆蓋每一該計算像素的事件之機率值PW或CLm-n
的平均值來計算或假設出(例如是)用於每個計算像素的第一或初始機率值PV1。在步驟ST2中，通過對移動窗口MW的每一該停止點內的所有計算像素的第一或初始機率值PV1s(在步驟ST1中獲得)計算出平均值，以計算移動窗口MW的每個停止點的第一機率猜測值PG1。在步驟ST3中，將移動窗口MW的每個停止點的第一機率猜測值PG1與移動窗口MW的每一該停止點的事件之機率值PW或CLm-n進行比較，例如，減去來自第一機率猜測值PG1的事件之機率值PW或CLm-n
值，使得第一機率猜測值PG1與用於該移動窗口MW的每個停止點的事件之機率值PW或CLm-n
之間的第一差值DW1 (DW1=PG1-PW)被取得/被計算出。在步驟ST4中，執行第一比較以確定(判定)移動窗口MW的每個停止點的第一差值DW1的絕對值是否小於或等於預設門檻誤差值(preset threshold error)。如果所有第一差值DW1s的絕對值中的任一個大於預設門檻誤差值(preset threshold error)，則繼續步驟ST5。如果所有第一差值DW1s的絕對值小於或等於預設門檻誤差值(preset threshold error)，則繼續步驟ST11。在步驟ST5中，通過例如對來自移動窗口MW的停止點重疊或覆蓋每一該計算像素的誤差校正貢獻(error correction contributions)總和/求和(summing)，來計算出每個計算像素的第一誤差校正因子(first error correction factor, ECF1)。例如，如果移動窗口MW的四個停止重疊或覆蓋其中之一個計算像素時，則通過獲得該個計算像素與四個停止點中相對應的一個之間的重疊區域的面積比來計算出該個計算像素的每個誤差校正貢獻值(error correction contributions)，並達到計算出在四個停止點中相對應的一個中刻有最大正方形的區域的誤差校正貢獻值，然後將四個停止點中相對應的一個的第一差值DW1乘以面積比。在步驟ST6中，通過從每一該計算像素的第一或初始機率值PV1減去每一該計算像素的第一誤差校正因子ECF1來計算出每個計算像素的第二機率值PV2(PV2=PV1-ECF1)。在步驟ST7中，通過對移動窗口MW的每一該停止點內的所有計算像素的第二機率值PV2s(在步驟ST6中獲得)計算出平均值來計算移動窗口MW的每個停止點的第二機率猜測值PG2。在步驟ST8中，將移動窗口MW的每個停止點的第二機率猜測值PG2與移動窗口MW的每一該停止點的事件之機率值PW或CLm-n
進行比較，例如減去來自第二機率猜測值PG2的事件之機率值PW或CLm-n
，使得第二機率猜測值PG2與用於該移動窗口MW的每個停止點的事件之機率值PW或CLm-n
之間的第二差值DW2 (DW2=PG2-PW)被取得/計算出。在步驟S9中，執行第二比較以確定(判定)移動窗口MW的每個停止點的第二差值DW2的絕對值是否小於或等於預設門檻誤差值(preset threshold error)，如果所有第二差值DW2s的絕對值中的任一個大於預設門檻誤差值(preset threshold error)，則繼續步驟ST10。如果所有第二差值DW2s的絕對值小於或等於預設門檻誤差值(preset threshold error)，則繼續步驟ST11。在步驟ST10中，使用新獲得第nth
個機率猜測值PGn與移動窗口MW的每個停止點之事件之機率值PW或CLm-n
之間的第nth
個差值DWn，重覆(或迭代)執行步驟ST5-ST9，用於第(n+1)th
次迭代中，直到移動窗口MW的每個停止點的第(n+1)th
差值DW(n+1)的絕對值等於或小於預設門檻誤差值(preset threshold error)(注意：第一次迭代的值為PV1、PG1和DW1，第二次迭代的值為ECF1、PV2、PG2和DW2，以及第nth
次迭代的ECF(n-1)、PVn、PGn和DWn)。在步驟ST11中，第一次迭代中的第一或初始機率值PV1s，亦即步驟ST1-ST4，第二次迭代中的第二機率值PV2s，亦即步驟ST5-ST9，或第(n+1)th
次迭代中的第(n+1)th
次機率PV(n+1)，亦即步驟ST10，以用於形成機率圖。依據該移動窗口MW的重疊停止點，並使用上述方法、過程或算法以獲得用於計算像素的事件之機率，以形成具有成像訊息(例如，分子成像訊息)用於病患圖像(例如，病患的MRI切片)的事件之機率圖(probability map)。執行上述過程/程序產生/形成移動窗口MW，在x和y方向上穿過圖像/影像，以創建二維(2D)機率圖。另外，可將上述過程/程序應用在/使用在與x和y方向所垂直的z方向上之病患的所有的每一圖像，以獲得三維(3D)機率圖。
子集資料DB-1的描述：
如第1B圖至第1G圖所示，來自大數據資料庫70的組織-基本或活體組織檢查-基本的子集資料DB-1包括多個資料集，每個資料集排列在第2行到第N行所相對應的一行之中，其中資料集的數量可大於超過100、1000或10000個。子集資料DB-1中的每個資料集可包括：(1)與從受試者(例如，人)獲得的前列腺活體檢查組織(即，前列腺的活體組織檢查樣本)相關聯的MRI參數的測量值，如圖中欄位A至欄位O(columns)中所示； (2)與前列腺活體檢查組織相關的處理參數的測量值，如欄位P和欄位Q列所示；(3) 前列腺活檢組織診斷結果或病理學報告，如前列腺癌、正常組織或良性病症，如列R所示； (4)與前列腺活體檢查組織相關聯的樣本特徵(characters)，如欄位S至欄位X中所示；(5)與MRI切片對位之所相對應前列腺活體檢查組織的各個區域、部分、位置或體積上相關聯的MRI特徵，如欄位Y、欄位Z及欄位AA中所示；(6)與前列腺活體檢查組織或受試者相關的臨床或病理學參數，如欄位AB至欄位AN中所示；(7)與受試者相關的個人訊息，如欄位AO至欄位AR中所示。用於獲得前列腺活體檢查組織的取樣針頭可具有相同的橫截面形狀(例如，圓形或方形)和相同的內徑或寬度，例如等於或大於0.1毫米(mm)至等於或等於或者小於5毫米，最佳尺寸是等於或大於1毫米，或者等於或小於3毫米。
子集資料DB-1的欄位A至欄位O中的MRI參數是T1圖譜參數、T2原始信號、T2圖譜參數、ΔKtrans(ΔKtrans) 、tau、Dt IVIM、fp IVIM、ADC(high b-values)、nADC(高b值) 、R*、來自Tofts Model(TM)的Ktrans、來自Extended Tofts Model(ETM)的Ktrans、來自Shutterspeed Model(SSM)的Ktrans、來自TM的Ve和來自SSM的Ve。 關於子集資料DB-1中的MRI參數的更多訊息，請參閱第17A圖至第17H圖所示。 子集資料DB-1的欄位P中的處理參數是平均Ve，其係通過對來自TM的Ve和來自SSM的Ve計算出平均值而獲得。子集資料DB-1的欄位Q中的處理參數是平均Ktrans，其係通過對來自TM的Ktrans、來自ETM的Ktrans和來自SSM的Ktrans計算出平均值而獲得。所有資料都可以具有標準化值，例如是z分數(數值)。
子集資料DB-1的各個欄位T、欄位U和欄位V中的測量值是格里森評分(Gleason scores)，其與各個前列腺活檢組織為相對應主要和次要格里森等級(與格里森評分相關聯)有關；第17L圖簡要解釋了格里森等級、主要格里森等級和次要格里森等級。子集資料DB-1的欄位W中的測量值可以是前列腺活檢組織的直徑，並且每個前列腺活檢組織的寬度，其寬度可大致上等於圓柱針的內徑，通過該圓柱針的內徑或圓孔通道用於接收取樣每一該前列腺活體檢查組織。或者，子集資料DB-1的欄位W中的測量值可以是前列腺活體檢查組織的直徑，其每個前列腺活檢組織的直徑可以大致上等於取樣針頭的內部寬度，並且經由方形或矩形孔洞用通過檢查組織，以接收每一該前列腺活體檢查組織。子集資料DB-1的欄位AB-AN中的臨床或病理學參數是前列腺特異性抗原(PSA)、PSA速率、游離PSA百分比、組織學亞型、特定的腺體解剖結構內的位置、腫瘤大小、PRADS、病理診斷(如Atypia、良性前列腺肥大(BPH)、前列腺上皮內瘤變(PIN)或萎縮)、哌莫硝唑免疫球蛋白(缺氧標記物)、哌莫硝唑基因評分(缺氧標記物)、原發腫瘤(T)、區域淋巴結(N) )和遠處轉移(M)。關於子集資料DB-1中的臨床或病理學參數的更多訊息，請參閱第17M圖至第17O圖。可以將大數據資料庫70中的其它資料或訊息添加到子集資料DB-1，例如，子集資料DB-1中的每個資料集可以進一步包括與受試者相關的癌症的風險因子，例如吸煙史、陽光暴露、癌前病變、基因訊息或數據等。每個資料集在子集資料DB-1中還可包括成像協議細節，例如MRI磁體強度和脈衝序列參數，和/或關於(術前)放射治療的訊息，包括輻射類型，輻射強度，總劑量輻射，分數的數量(取決於所治療的癌症的類型)，從開始到結束的分數的持續時間，分數的劑量，從開始到結束的術前放射治療的持續時間，以及機器用於術前放射治療。治療後資料或前列腺癌的訊息也可包括在子集資料DB-1中。例如，關於消融微創技術(ablative minimally invasive techniques)或放射治療(早期前列腺癌或手術後之護理)，治療後的成像資料或訊息以及治療後的活體組織檢查結果的資料皆可包括在子集資料DB-1中。
如第1D圖和第1E圖所示，在子集資料DB-1的欄位W中的資料是各種直徑資料；在子集資料DB-1的欄位X中的資料是各種長度資料；在子集資料DB-1的欄位Y中的資料是對位至前列腺活體檢查組織的各個區域、部分、位置或體積的各種數目的MRI切片資料；在子集資料DB-1的欄位Z中的資料是各種MRI區域之解析度資料；在子集資料DB-1的欄位AA中的資料是各種MRI切片厚度資料。 或者，在子集資料DB-1的欄位W中所有前列腺活體檢查組織的直徑資料可以相同的；在子集資料DB-1的欄位X中的所有前列腺活體檢查組織的長度資料可以相同；在子集資料DB-1的欄位Y中的所有資料可以是相同的；在子集資料DB-1的欄位Z中的所有資料可以相同；在子集資料DB-1的欄位AA中的所有資料可以是相同的。
子集資料DB-2的說明描述：
在第1H圖至第1M圖中，來自大數據資料庫70的組織-基本或活體組織檢查-基本的子集資料DB-2包括多個資料集，每個資料集排列在相對應的第2列2至第N列中，其中資料集的數量可超過100、1000或10000。子集資料DB-2中的每個資料集可包括：(1)與從受試者(例如，人或動物模型)獲得的乳房活檢組織(即，乳房的活檢樣本)相關聯的MRI參數的測量值。如欄位A至欄位O、欄位R和欄位S所示；(2)與乳房活體組織檢查相關的處理參數的數值，如欄位P和欄位Q所示；(3)與乳房活檢組織相關的乳腺腫瘤的特徵，如欄位T至欄位Z所示；(4)乳房活檢組織的結果或病理學家診斷，如乳腺癌，正常組織或良性病症，如欄位AA所示；(5)與乳房活檢組織相關的樣品特徵，如欄位AB至欄位AD示；(6)與MRI切片對位至相對應乳房活體檢查組織的各個區域、部分、位置或體積上的相關聯的MRI特徵，如欄位AE至欄位AG所示；(7)與乳房活檢組織或受試者相關的PET參數(例如，第17I圖中所示的最大標準攝取值(SUVmax))，如欄位AH所示； (8)與乳房活檢組織或受試者相關的臨床或病理學參數，如欄位AI至欄位AT所示；(9)與受試者相關的個人訊息，如欄位AU至欄位AX所示。用於獲得乳房活檢組織的針頭可具有相同的橫截面形狀(例如，圓形或方形)和相同的內徑或寬度，例如，等於或大於0.1毫米(mm)至等於或等於或者小於5mm，較佳的尺寸為等於或大於1毫米、等於或小於3毫米。或者，可以通過手術進行術中切口活體檢查組織取樣以獲得乳房活體組織檢查。術中核磁共振成像(iMRI)也可用於獲得在手術期間要進行活體組織檢查的乳房活檢組織的特定定位。
子集資料DB-2的欄位A0、欄位R和欄位S中的MRI參數是T1圖譜參數、T2原始信號(raw signal)、T2圖譜參數、ΔKtrans(ΔKtrans)、tau、Dt IVIM、fp IVIM、來自Tofts Model(TM)的ADC(high b-values)、R*、Ktrans、來自擴展Tofts模型(ETM)的Ktrans、來自Shutterspeed模型(SSM)的Ktrans、來自TM的Ve、來自SSM的Ve、來自Tofts Model(TM)的kep、來自Shutterspeed Model(SSM)的kep和來自擴散張量成像(DTI)的平均擴散率(MD)。 關於子集資料DB-2中的MRI參數的更多訊息，請參閱第17A圖至第17H圖所示，子集資料DB-2的欄位P中的處理參數是平均Ve，通過對來自TM的Ve和來自SSM的Ve計算出平均值而獲得。子集資料DB-2的欄位Q中的處理參數是平均Ktrans，其通過對來自TM的Ktrans、來自ETM的Ktrans和來自SSM的Ktrans計算出平均值而獲得。可以使用動態對比度增強(DCE)MR圖像從乳腺腫瘤中提取乳腺腫瘤的特徵。
子集資料DB-2的欄位AC中的多個數值可以是乳房活檢組織的直徑，並且每個乳房活檢組織的直徑可以大致上等於取樣針頭的圓柱體之內徑，通過該針穿過圓形或圓形孔以接收每一該乳房活檢組織。或者，子集資料DB-2的欄位AC中的數值可以是乳房活檢組織的寬度，並且每個乳房活檢組織的寬度可以大致上等於取樣針頭的內部寬度，通過該方形或矩形的孔洞以接收每一該乳房活檢組織。子集資料DB-2的欄位AI至欄位AT中的臨床或病理參數是雌激素受體陽性(ER+)、孕激素受體陽性(PR +)、HER2/neu激素受體陽性(HER2/neu +)、免疫組化亞型(immunohistochemistry subtype) 、路徑/途徑、BIRADS、Oncotype DX評分、原發腫瘤(T) 、區域淋巴結(N) 、遠處轉移(M) 、腫瘤大小和位置。關於子集資料DB-2中的臨床或病理參數的更多訊息，請參閱第17P圖至第17R圖所示，可以將大數據資料庫70中的其它資料或訊息添加到子集資料DB-2。例如，子集資料DB-2中的每個資料集可以進一步包括預測無轉移存活來自次世代定序的特異性長鏈mRNA生物標誌(biomarker)，如HOTAIR、RP11-278 L15.2-001、LINC00511-009和AC004231.2-001。子集資料DB-2中的每個資料集還可包括與受試者相關的癌症的風險因子，例如吸煙史、陽光暴露、癌前病變、基因訊息或數據等。子集中的每個資料集數據DB-2還可包括成像協議細節，例如MRI磁體強度、脈衝序列參數、PET劑量、PET成像時間等。
參考第1K圖所示，子集資料DB-2的欄位AC中的資料是各種直徑資料；子集資料DB-2的欄位AD中的資料是各種長度資料；子集資料DB-2的欄位AE中的資料是對位到乳房活體檢查組織的各個區域、部分、位置或體積的各種數量的MRI切片數目；子集資料DB-2的欄位AF中的資料是各種MRI區域解析度資料；子集資料DB-2的欄位AG中的資料是各種MRI切片厚度資料。或者，子集資料DB-2的欄位AC中的所有乳房活體檢查組織的直徑可以相同；子集資料DB-2的欄位AD中的所有乳房活體檢查組織的長度可以相同；子集資料DB-2的欄位AE中的所有資料可以是相同的；數據DB-2的欄位AF中的所有資料可以相同；子集資料DB-2的欄位AG中的所有資料可以是相同的。
可以從大數據資料庫70建立類似子集資料DB-1或DB-2的類似子集資料，用於產生/或生成腦癌、肝癌、肺癌、直腸癌、肉瘤、宮頸的機率圖、或癌症轉移到任何器官，如肝臟、骨骼和大腦。在這種情況下，子集資料可包括多個資料集，每個資料集可包括：(1)與以下相關聯的MRI參數(例如，子集資料DB-2的欄位A0、欄位R和欄位S中的那些)的測量值。從受試者(例如人)獲得的活體檢查組織(例如，活體組織檢查的腦部切片樣本、活檢肝臟切片樣本、活檢肺部切片樣本、活檢直腸切片樣本、活檢肉瘤切片樣本或活檢子宮頸切片樣本)；(2)與活體檢查組織相關的處理參數(例如，子集資料DB-2的欄位P和Q中的參數)；(3)活檢組織的結果或病理學家診斷，例如癌症、正常組織或良性病症； (4)與活體檢查組織相關的樣本性質(characters)(例如，子集資料DB-1的欄位S至欄位X中的那些性質)；(5)與對位到活體檢查組織的所相對應各個區域、部分、位置或體積的MRI切片相關聯的MRI特徵(例如，子集資料DB-1的欄位Y、欄位Z和欄位AA中的那些特徵)； (6)與活檢組織或受試者相關的PET參數(例如，第17I圖中所示的SUVmax)；(7)與活體檢查組織或受試者相關的CT參數(例如HU和Hetwave)；(8)與活檢組織或受試者相關的臨床或病理學參數(例如，子集資料DB-1的欄位AB至欄位AN或子集資料DB-2的欄位AI-AT中的那些參數資料)；(9)與受試者相關的個人訊息(例如，子集資料DB-1的欄位AO至欄位AR中的個人訊息)。
活體檢查組織、MRI切片對位(registered
)至活體檢查組織以及活體檢查組織的MRI參數的說明描述：
請參閱第2A圖所示，活檢組織或樣品90，例如為大數據資料庫70中由病理學家診斷後所提供的活檢組織中的任何一個切片樣品，在子集資料DB-1中由病理學家診斷後所提供的任何一種前列腺活檢組織，或者為在子集資料DB-2中由病理學家診斷後所提供的任何一個乳房活檢組織，其組織可通過核心針頭穿刺受試者(例如，人)之組織(活檢組織)而獲得，例如是MRI引導的穿刺活檢組織。或者，可以從受試者在通過手術進行中，從活體組織檢查之組織中切除或取樣以獲得活檢組織90。且可在手術期間放置可以在隨後的成像中看到的一個(或多個)基準標記(fiducial markers)，以匹配組織或辨識器官的各個部分相對應於一個(或多個)基準標記的位置。基準標記是放置在成像系統的視野中的物體，其出現在所產生的圖像中可用作參考點。
核心針頭活體組織檢查是用於確定器官(例如，前列腺或乳房)的異常或可疑區域是癌症、正常組織還是良性病症或確定任何其他疾病的程序。 組織特徵如mRNA表現、受體狀態和分子組織特徵。 關於MRI引導的針頭活體組織檢查，可以使用磁共振(MR)成像來引導圓柱針到異常或可疑區域，從而從異常中移除取樣一塊組織(在針頭內)，例如是活體檢查組織90，通過圓柱針頭在可疑區域取樣，然後將取樣的組織送去病理學檢查。
在核心針頭中之活體組織檢查期間或之前(例如，MRI引導的針吸活體組織檢查)，可在對位至組織90的多個相對應的區域、部分、位置或體積獲得平行MRI切片SI1
至SIN
。 己對位(registered)的MRI切片SI1
-SIN
的數量可以在等於或大於2以上，等於或小於10以內。所對位的MRI切片SI1
-SIN
可以具有相同的切片厚度T，例如，範圍從等於或大於1毫米以上，等於或小於10毫米，較佳的尺寸為等於或大於3毫米以上或等於或小於5毫米。
如第2A圖和2E所示，通過圓柱針頭從受試者獲得的活檢組織90可以是長圓柱形的，其高度tT標準化為切片厚度T並且具有垂直於其軸向AD的圓形橫截面，且活體檢查組織90具有圓形橫截面的直徑D1，該圓形橫截面垂直於其沿軸向AD延伸的高度tT，該高度tT範圍等於或大於0.5mm以上或等於或小於4mm。活體檢查組織90的直徑D1可以大致上等於圓柱形針頭的內徑，圓形孔穿過待活體組織檢查的組織90，其針頭內徑接收活體檢查組織90，進行活組織檢查之組織90的軸向方向AD是平行於每一MRI切片SI1
-SIN
的切片厚度方向，如第2B圖所示，每個MRI切片SI1
-SIN
可具有垂直於待活檢的組織90的軸向AD的成像平面92，其中成像平面92的面積是邊長W1乘以另一邊長W2。 MRI切片SI1
-SIN
可以具有相同的面積解析度，其面積解析度係由MRI切片SI1
-SIN
之其中之一(即，其成像平面92的面積)的視場(FOV)除以機器在成像平面92中定義原始像素的數量取得。
各個MRI切片SI1
-SIN
感興趣的區域(ROI)94，亦即是部分、位置或體積，對位至及對齊至活檢組織90的相對應的區域、部分、位置或體積，以確定或計算用於活檢組織90的區域、部分、位置或體積的MRI參數，該MRI切片SI1
-SIN
的ROIs 94可具有相同的直徑，其大致上等於活檢組織90的直徑D1，亦即取得活檢組織90的針頭內徑。並且可以具有覆蓋並且大致上等於活檢組織90的體積的總體積。如第2C圖所示，每個MRI切片SI1
-SIN
的ROI 94可以覆蓋或者重疊多個由機器所定義的原始像素，例如，可以通過在每個MRI切片SI1
-SIN
中對機器定義的原始像素pi-j
(意即是96a至96f)佔據每一該MRI切片SI1
-SIN
的ROI 94的MRI參數的數值總和/求和(summing)來計算或獲得每個MRI切片SI1
-SIN
的ROI 94的一MRI參數Cm-n
, (e.g., T1 光譜參數)，其中計算係將每個MRI切片中SI1
-SIN
加權(weighed)或乘以區域A1、A2、A3、A4、A5和A6的相對應百分比，該些區域係與每個MRI切片SI1
-SIN
的ROI 94中的相對應機器所定義的原始像素96a-96f重疊之區域。因此，可以通過將MRI切片SI1
-SIN
的ROI 94的MRI參數的數值之和除以MRI切片SI1
-SIN
的數量來計算或獲得整個活檢組織90的MRI參數的數值。通過這種方式，獲得整個活體檢查組織90的其它MRI參數(例如，在子集資料DB-1的欄位B至欄位O中的那些參數或在子集資料DB-2的欄位B至欄位O、欄位R和欄位S中的那些參數)。用於每個MRI切片SI1
-SIN
的ROI 94的各種MRI參數(例如，T1圖譜參數、T2原始信號、T2參數等)的數值可以從對位到相對應的活檢組織90的區域、部分、位置或體積的不同參數圖像導出。在另一實施例中，每個MRI切片SI1
-SIN
的ROI 94的一些MRI參數的數值可以從對位至相對應的活檢組織90的區域、部分、位置或體積的不同參數圖導出，且其它的數值可從對位至活體檢查組織90相對應區域、部分、位置或體積相同參數圖像導出，上述用於測量整個活檢組織90的MRI參數的方法可應用在大數據資料庫70和子集資料DB-1和DB-2中的每個MRI參數。
以T1圖譜參數為例，在(1)四個MRI切片SI1
-SI4
具有對位至活檢組織90各自的四分之一相對應的區域、部分、位置或體積，及(2)每一MRI切片SI1
-SI4
的ROI 94覆蓋或重疊六個機器定義的原始像素96a-96f、在每一MRI切片SI1
-SI4
中的機器定義的原始像素96a-96f的T1圖譜參數值和佔據每個MRI切片SI1
-SI4
的ROI 94的區域A1- A6之百分比如第2D圖中所示，可以通過將(1)機器定義的原始像素96a的數值(即1010)乘以區域A1的百分比(意即是6%)、與在MRI切片SI1
的ROI 94機器定義的原始像素96a重疊之百分比、佔據MRI切片SI1
的ROI 94之百分比；(2)機器定義的原始像素96b的數值(即1000)乘以區域A2的百分比(意即是38%)、與在MRI切片SI1
的ROI 94機器定義的原始像素96b重疊之百分比、佔據MRI切片SI1
的ROI 94之百分比；(3)機器定義的原始像素96c的數值(即1005)乘以區域A3的百分比(意即是6%)、與在MRI切片SI1
的ROI 94機器定義的原始像素96c重疊之百分比、佔據MRI切片SI1
的ROI 94之百分比；(4) 機器定義的原始像素96d的數值(即1020)乘以區域A4的百分比(意即是6%)、與在MRI切片SI1
的ROI 94機器定義的原始像素96d重疊之百分比、佔據MRI切片SI1
的ROI 94之百分比；(5)機器定義的原始像素96e的數值(即1019)乘以區域A5的百分比(意即是38%)、與在MRI切片SI1
的ROI 94機器定義的原始像素96e重疊之百分比、佔據MRI切片SI1
的ROI 94之百分比；及(6) 機器定義的原始像素96f的數值(即1022)乘以區域A6的百分比(意即是6%)、與在MRI切片SI1
的ROI 94機器定義的原始像素96f重疊之百分比、佔據MRI切片SI1
的ROI 94之百分比；的總合以獲得或計算出MRI切片SI1
的ROI 94的T1圖譜參數的數值(意即是1010.64)。通過這種方式，獲得MRI切片SI2
、SI3
和SI4
的ROI 94的T1圖譜參數，亦即1006.94、1022和1015.4。因此，通過將MRI切片SI1
-SI4
的ROI 94的T1圖譜參數的總和(即4054.98)除以MRI切片SI1
-SI4
的數量(即數字4)來獲得或計算出整個活檢組織90的T1圖譜參數，亦即1013.745。
以簡單或有意義的計算、用於醫療儀器、或用於更清晰的最終資料表示目的之下，長圓柱形活體檢查組織90的體積可以轉換成另一種形狀，其體積可以與長圓柱形活檢組織90(或感興趣體積(VOI))的體積相同或大致相同，其體積為π×Rn ^ 2×tT，其中Rn是活檢組織90的半徑，並且tT是活檢組織90的高度。例如，請參閱第2E圖所示，具有半徑Rn和高度tT的活檢組織90的長圓柱體可以被變換成平面圓柱體98以匹配切片厚度T，該平面圓柱體98(例如與活體檢查組織90的VOI相同或大致相同的體積)可以通過以下公式定義：
其中Rn是活體檢查組織90的半徑(其大致上等於用於取樣活檢組織90之針頭的內半徑)，M是MRI切片SI1
-SIN
的數量，St是MRI切片SI1
-SIN
切片之厚度T，其中Rw是平面圓柱體98的半徑，並且pT是垂直於平面圓柱體98的半徑Rw的平面圓柱體98的高度或厚度，活檢組織90的高度tT可以是等於切片厚度T乘以MRI切片SI1
-SIN
的數量。在本發明中，平面圓柱體98的高度pT例如大致上等於切片厚度T。因此，平面圓柱體98可以具有高度pT等於切片厚度T，及其半徑Rw等於半徑Rn的乘以對位的MRI切片SI1
-SIN
的數量的平方根。平面圓筒98的半徑Rw可使用病患在計算機率圖(第一至第六實施例中所示的機率圖)中移動窗口MW的半徑Rm來定義，每一活檢組織90、平面圓筒98和移動窗口MW中的每一個可以具有比MRI切片SI1
-SIN
的每個機器定義的原始像素的體積大至少2、3、5、10或15倍的體積，以及大於從在第4圖的步驟S1中描繪的來自受試者(例如，病患)的一MRI圖像10的每個機器定義的原始像素的資料。另外，因為平面圓柱體98從活檢組織90轉換，所以可以將整個活體檢查組織90的MRI參數視為平面圓柱體98的MRI參數。
此外，在大數據資料庫70的子集資料(例如，DB-1或DB-2)中為病理學家診斷提供的每個活檢組織可以具有其半徑為Rw的相對應的平面圓柱體98，以及用於大數據資料庫70的子集資料(例如DB-1或DB-2)中的每個活檢組織的資料(例如病理學家診斷和成像參數的數值)可以被認為是對應的平面圓柱的資料。統計上，依據從活檢組織的體積轉換的平面圓柱體98的半徑Rw的統計分佈或平均值，可以確定(判定)移動窗口MW，其半徑Rm係垂直於移動窗口MW的厚度，且該活檢組織的體積係由在大數據資料庫70的子集資料(例如DB-1或DB-2)中由病理學家提供診斷的。在本發明中，在大數據資料庫70的子集資料(例如DB-1或DB-2)中由病理學家提供診斷的每一活檢組織，例如具有體積(亦即是VOI)大致上等於該移動窗口MW的體積以其使用在計算一個(或多個)機率圖，換句話說，活體檢查組織的體積(亦即VOI)定義了用來計算一個(或多個)機率圖的移動窗口MW的尺寸(例如，半徑Rm)。
在子集資料DB-1中病理學家診斷所提供的每個前列腺活檢組織可參考活體檢查組織90的圖示，在子集資料DB-1的欄位W中，每個前列腺活體檢查組織的尺寸可以參考活體檢查組織90的直徑D1的尺寸，對位至在子集資料DB-1中病理學家診斷所提供的每個前列腺活檢組織的相對應的區域、部分、位置或體積之MRI切片可參考對位到活體檢查組織90的相對應的區域、部分、位置或體積的MRI切片SI1
-SIN
的圖示。在子列數據DB-1的相對應的欄位A至欄位O中每個前列腺活檢組織的MRI參數的數值，亦即是對於每個相對應的平面圓柱體98，可以計算為整個活體檢查組織90的MRI參數的數值，亦即是從活體檢查組織90的體積轉換為平面圓柱體98。在子集資料DB-1的欄位Z中，對位到每個前列腺活體檢查組織的相對應的區域、部分、位置或體積的MRI切片可以具有相同的區域解析度，其可參考作為對位至活體檢查組織90的相對應的區域、部分、位置或體積的MRI切片SI1
-SIN
區域解析度的圖示，在子集資料DB-1的欄位AA中，對位到相對應的區域、部分、位置或每個前列腺活體檢查組織的體積MRI切片可具有相同的切片厚度，其可參考MRI切片SI1
-SIN
的切片厚度T的圖示。
在子集資料DB-1的欄位S中，在每一個所有或一些資料集(或組)中，前列腺活體檢查組織的整個體積的癌症百分比可以被部分體積之前列腺活檢組織的癌症百分比替換；MRI切片被成像並對位至前列腺活組織檢查組織的部分體積中。在這種情況下，在該每一所有或一些資料集中所揭露MRI參數(在子集資料DB-1的欄位A-O中的值)，顯示對位至前列腺活體組織檢查的部分體積中的MRI切片的ROI值，MRI切片的ROI覆蓋或重疊MRI切片中的多個由機器所定義的原始像素，及用於MRI切片的ROI值之每一MRI參數可通過對機器定義原始像素的每一MRI參數的測量值求和，並將其求和數值加權或乘以佔據MRI切片的ROI的區域的相應百分比(與MRI切片的ROI中的相應機器定義的原始像素重疊之比例)計算出，可從對位到前列腺活體檢查組織的部分體積之同參數圖導出MRI切片的ROI的MRI參數的多個數值，在替代示例中，MRI切片的ROI的一些MRI參數的數值可從對位至前列腺活體檢查組織的部分體積的不同參數圖導出，並且可從對位至前列腺活體檢查組織的部分體積的相同參數圖中導出其他的數值。
在子集資料DB-12中病理學家診斷所提供的每個前列腺乳房活檢組織可參考活體檢查組織90的圖示，在子集資料DB-12的欄位WAC中，每個前列腺乳房活體檢查組織的尺寸可以參考活體檢查組織90的直徑D1的尺寸，對位至在子集資料DB-12中病理學家診斷所提供的每個前列腺乳房活檢組織的相對應的區域、部分、位置或體積之MRI切片可參考對位到活體檢查組織90的相對應的區域、部分、位置或體積的MRI切片SI1-SIN的圖示。在子列數據DB-12的相對應的欄位A至欄位O, 欄位R及欄位S中每個前列腺乳房活檢組織的MRI參數的數值，亦即是對於每個相對應的平面圓柱體98，可以計算為整個活體檢查組織90的MRI參數的數值，亦即是從活體檢查組織90的體積轉換為平面圓柱體98。在子集資料DB-12的欄位ZAF中，對位到每個前列腺乳房活體檢查組織的相對應的區域、部分、位置或體積的MRI切片可以具有相同的區域解析度，其可參考作為對位至活體檢查組織90的相對應的區域、部分、位置或體積的MRI切片SI1-SIN區域解析度的圖示，在子集資料DB-12的欄位AAG中，對位到相對應的區域、部分、位置或每個前列腺乳房活體檢查組織的體積MRI切片可具有相同的切片厚度，其可參考MRI切片SI1-SIN的切片厚度T的圖示。
在子集資料DB-2的欄位S中，在每一個所有或一些資料集(或組)中，乳房活體檢查組織的整個體積的癌症百分比可以被部分體積之乳房活檢組織的癌症百分比替換；MRI切片被成像並對位至乳房活組織檢查組織的部分體積中。在這種情況下，在該每一所有或一些資料集中所揭露MRI參數(在子集資料DB-2的欄位A-O、欄位R及欄位S中的值)，顯示對位至乳房活體組織檢查的部分體積中的MRI切片的ROI值，MRI切片的ROI覆蓋或重疊MRI切片中的多個由機器所定義的原始像素，及用於MRI切片的ROI值之每一MRI參數可通過對機器定義原始像素的每一MRI參數的測量值求和，並將其求和數值加權或乘以佔據MRI切片的ROI的區域的相應百分比(與MRI切片的ROI中的相應機器定義的原始像素重疊之比例)計算出，可從對位到乳房活體檢查組織的部分體積之同參數圖導出MRI切片的ROI的MRI參數的多個數值，在替代示例中，MRI切片的ROI的一些MRI參數的數值可從對位至乳房活體檢查組織的部分體積的不同參數圖導出，並且可從對位至乳房活體檢查組織的部分體積的相同參數圖中導出其他的數值。
在替代實例中，活檢組織90可以通過具有方形通孔的針頭取樣獲得。在這種情況下，活體檢查組織90可具有縱向形狀，其具有一正方形橫截面，該正方形橫截面具有寬度Wb(其大致等於針的內部寬度，亦即是針頭的方形通孔的寬度)和高度Ht(其大致上等於例如切片厚度T乘以MRI切片SI1
-SIN
的數量)。活檢組織90的體積可以轉變成具有寬度Wf和厚度或高度fT的扁平正方形FS。具有與活檢組織90的體積(或感興趣體積(VOI)(此體積為高度Ht乘以寬度Wb的平方)相同或大致相同的體積的扁平正方形FS，其可以通過以下公式定義：
，其中Wb是活體檢查組織90的寬度，M是MRI切片SI1
-SIN
的數量，St是MRI切片SI1
-SIN
的切片厚度T，Wf是扁平方形FS的寬度，並且fT是扁平正方形FS的高度或厚度，此高度或厚度fT係垂直於扁平方形FS的寬度Wf。在本發明中，例如，扁平方形FS的高度或厚度fT大致上等於切片厚度T，因此，扁平方形FS可以具有等於切片厚度T的高度或厚度fT，並且寬度Wf等於寬度Wb乘以對位的MRI切片SI1
-SIN
的數量的平方根。在具有方形形狀的移動窗口MW的情況下，扁平方形FS的寬度Wf可用於在計算機率圖中定義移動窗口MW的寬度。每一活檢組織90、扁平方形FS和方形移動窗口MW中的體積比MRI切片SI1
-SIN
的每個機器定義的原始像素的體積大至少2,3,5,10或15倍，並且比在第4圖的步驟S1中所描繪從受試者(例如，病患)之MRI圖像(例如10)的每個機器所定義的原始像素的體積大至少2,3,5,10或15倍，進一步地，此外，在大數據資料庫70的子集資料中的病理學家診斷提供的每個活檢組織具有寬度為Wf的相對應的扁平方形FS，並且大數據資料庫70的子集資料中的每一該活檢組織的資料(例如病理學家診斷和成像參數的測量值)可以被認為是那些相對應的扁平方FS。
單個MRI切片由機器所定義的原始像素及面積解析度的描述：
在本發明中，單個MRI切片的區域解析度，例如第5圖或16中所示的單切片MRI圖像10，是單個MRI切片的視野(FOV)除以數量的 單個MRI切片的FOV中的所有機器定義的原始像素。 單個MRI切片的每個體素可以具有垂直於單個MRI切片的切片厚度方向的像素(或像素平面)，具有具有相同四個邊長的正方形區域。
移動窗口和機率圖的描述：
本發明中的任何機率圖可以由具有相同大小的多個計算像素所組成，這些計算像素機率圖的基本單元，用於構成機率圖的計算像素的尺寸可以依據移動窗口MW的尺寸來定義，移動窗口MW的尺寸是依據與在大數據資料庫70的子集資料(亦即是DB-1或DB-2)中為病理學家診斷所提供的活檢組織相關聯的訊息資料來確定或定義的，例如，訊息資料可包括從活檢組織的體積所轉換的平面圓柱體98的半徑Rw。 另外，機率圖的每個計算像素的體積或大小可以等於、大於或小於第4圖中的步驟S1-S6中所說明描繪之單個MRI切片中由任何機器定義的原始像素的體積或大小，例如第5圖或第16圖中所示的MRI圖像10。 或者，如第4圖的步驟S1-S6所示。
移動窗口MW可以具有各種形狀，例如圓形、方形、矩形、六邊形或八邊形。在本發明中，請參閱第3A圖所示，移動窗口MW是例如半徑為Rm的圓形移動窗口2。可以依據從與大數據資料庫70的子集資料(例如，DB-1或DB-2)相關聯的活體檢查組織獲得的平面圓柱體98的半徑Rw的統計分佈或平均值來計算、確定或定義出圓形移動窗口2的半徑Rm。例如，在本發明的第一實施例中，可以依據從與子集資料DB-1相關聯的前列腺活體檢查組織獲得的圓柱體98的平面的半徑Rw的統計分佈或平均值來計算、確定或定義出圓形移動窗口2的半徑Rm，可以應用從活體檢查組織90獲得平面圓柱體98的半徑Rw的方法，以從與子集資料DB-1相關聯的前列腺活體檢查組織獲得平面圓柱體98的半徑Rw。在本發明的第三實施例中，可以依據從與子集資料DB-2相關聯的乳房活檢組織獲得的平面圓柱體98的半徑Rw的統計分佈或平均值來計算、確定或定義出圓形移動窗口2的半徑Rm；可以應用從活體檢查組織90獲得平面圓柱體98的半徑Rw的方法，以從與子集資料DB-2相關聯的乳房活檢組織獲得平面圓柱體98的半徑Rw。
請參閱第3A圖、第3B圖或第3C圖所示，將位在位於圓形移動窗口2上且具有四個頂點的正方形4(即，內接在圓形移動窗口2中的最大正方形4)定義並劃分為多個小單元或方塊6，此小方塊6可以是n2
個小方塊，且每個小方塊具有寬度Wsq，其中n是整數，例如2,3,4,5,6或大於6，依據分割的方塊6之尺寸( 例如，寬度Wsq)及形狀，可用於構成機率圖的計算像素的尺寸和形狀。 換句話說，例如，用於構成機率圖的每個計算像素係定義成為寬度為Wsq的正方形，及依據圓形移動窗口2之半徑Rm，定義每一該方塊6具有相同或大致相同的體積，及依據在圓形移動窗口2內方塊6的寬度Wsq來定義出在圓形移動窗口2中方塊6的數量。
第3A圖中的圓形移動窗口2在正方形4中顯示2×2的正方形陣列，每個方塊6具有相同的面積(即，正方形4的四分之一)。在第3A圖中，四個非重疊方塊6具有相同的寬度Wsq，此寬度等於圓形移動窗口2的半徑Rm除以
，在具有半徑Rm為毫米的圓形移動窗口2的情況下，每個方塊6可以具有1mm乘1mm的面積，亦即，每個方塊6具有1mm的寬度Wsq。
在替代示例中，請參閱第3B圖，正方形4可以具有3×3的正方形陣列，每個方塊6具有相同的面積(即，9個正方形4)，9個非重疊方塊6具有相同的寬度Wsq，此寬度Wsq等於圓形移動窗口2的半徑Rm除以
，在另一個例子中，請參閱第3C圖，正方形4可以有一個4×4的正方形陣列，每個方塊6具有相同的面積(即正方形4的十六分之一)，16個非重疊方塊6具有相同的寬度Wsq，寬度Wsq等於圓形移動窗口2的半徑Rm除以
。
因此，移動窗口MW(例如，圓形移動窗口2)可以被定義為相同方形形狀、相同尺寸或面積(例如，1mm乘1mm)的四個(或更多個)非重疊方塊6及相同的寬度Wsq，例如，等於、大於或小於單個MRI切片中由機器所定義的原始像素的任何邊長，例如第5圖或第16圖中所示的MRI圖像10且在第4圖中所描述說明的步驟S1-S3，每個方塊6的面積例如可以小於移動窗口MW的25％，並且等於、大於或小於每個由機器定義的單個MRI切片的原始像素面積，例如，每個方塊6可以具有等於、大於或小於單個MRI切片的每個機器定義的原始像素的體積的體積，在移動窗口MW被定義為包括具有寬度Wsq的4個(或更多個)非重疊方塊6的情況下，移動窗口MW可以寬度Wsq的固定距離的規則步伐(step)或間隔在單個MRI切片上進行x和y方向上的移動，以便定義機率圖的計算像素。移動窗口MW的停止點與移動窗口MW的相鄰停止點重疊。
或者，方塊6可以是n個矩形，每個矩形具有寬度Wrec和長度Lrec，其中n是整數，例如2,3,4,5,6,7,8或大於8個，依據分割的矩形矩形6之尺寸(例如，寬度Wrec和長度Lrec)和形狀，用於建構該機率圖的該計算像素的尺寸及形狀可被定義。換句話說，例如，用於構成機率圖的每個計算像素可以被定義為寬度為Wrec且長度為Lrec的矩形，並且依據圓形移動窗口2的半徑Rm及在圓形移動窗口2內的矩形方塊6的數量(亦即是在圓形移動窗口2內寬度Wrec及長度Lrec的矩形方塊6)，每個該矩形方塊6的體積相同或大致相同。因此，移動窗口MW(例如，圓形移動窗口2)可以被定義為相同方形形狀、相同尺寸或面積的四個(或更多個)非重疊方塊6及相同的寬度Wrec，寬度Wrec例如等於、大於或小於單個MRI切片中由機器所定義的原始像素的任何邊長，例如第5圖或第16圖中所示的MRI圖像10且在第4圖中所描述說明的步驟S1-S3，以及該長度Lrec等於、大於或小於單個MRI切片中由機器所定義的原始像素的任何邊長，每個矩形方塊6的面積例如可以小於移動窗口MW的25％，並且等於、大於或小於每個由機器定義的單個MRI切片的原始像素面積，例如，每個矩形方塊6可以具有等於、大於或小於單個MRI切片的每個機器定義的原始像素的體積的體積，在移動窗口MW被定義為包括具有寬度Wrec及長度Lrec的4個(或更多個)非重疊矩形方塊6的情況下，移動窗口MW可以寬度Wrec的固定距離的規則步伐(step)或間隔在單個MRI切片上進行x方向上的移動，或是以長度Lrec的固定距離的規則步伐(step)或間隔在單個MRI切片上進行y方向上的移動，以便定義機率圖的計算像素。移動窗口MW的停止點與移動窗口MW的相鄰停止點重疊。
在具有方形形狀的移動窗口MW的情況下，可以依據從與大數據資料庫70的一子集資料相關聯之活檢組織所獲得的扁平方形FS的寬度Wf的統計分佈或平均值來確定方形移動窗口MW的寬度Wsm。方形移動窗口MW可以被劃分為上述小方塊6，在這種情況下，例如，機率圖的每個計算像素可以被定義為具有寬度Wsq之正方形，且依據方形移動窗口MW的寬度Wsm及在方形移動窗口MW內的方塊6的數量(亦即是在方形移動窗口MW內方塊6的寬度Wsq)，每個方塊6的體積相同或大致相同。或者，機率圖的每個計算像素可以被定義為具有寬度Wrec、長度Lrec的矩形，且依據方形移動窗口MW的寬度Wsm及在方形移動窗口MW內的方塊6的數量(亦即是在方形移動窗口MW內方塊6的寬度Wrec及長度Lrec)，每個矩形方塊6的體積相同或大致相同。
分類器
CF
的說明揭露：
可以依據從該大數據資料庫70所產生獲得的一子集(例如，子集資料DB-1或DB-2或是上述子集資料被建立用於生成腦癌，肝癌，肺癌，直腸癌，肉瘤，宮頸癌或癌症轉移的體素或像素概率圖到任何器官，如肝臟，骨骼和腦)來創建或建立用於事件之分類器CF，例如活檢診斷的組織或腫瘤特徵，例如是特定癌細胞或前列腺癌或乳腺癌的發生事件。該子集可以具有與來自大數據資料庫70的特定事件相關聯的所有資料。分類器CF可以是貝葉斯分類器，其可以通過執行以下步驟來創建：構建資料庫、預處理參數、排序參數、辨識訓練資料集以及確定測試資料的後驗機率(posterior probabilities)。
在建構資料庫的步驟中，可以從該大數據資料庫70之己確認的一第一組及一第二組資料或是選自該大數據資料庫70之組織-基本或活體組織檢查-基本的子集資料進行建構，例如是上述子集資料，例如DB-1或DB-2，以及從基本組織或基本活組織檢查的子集資料所獲得與第一組和第二組中的每一個相關聯的各種變量/變數(variables)進行建構，該變量可以是子集資料DB-1的欄位A-O或是子集資料DB-2的欄位A-O、欄位R和欄位S中的MRI參數，或者，變量可以是T1圖譜參數、T2原始信號、T2圖譜參數、ΔKtrans、tau、Dt IVIM、fp IVIM、ADC(高b值) 、R*、來自TM的Ktrans、來自ETM的Ktrans、來自SSM的Ktrans、來自TM的Ve、來自ETM的Ve、來自SSM的Ve和標準PET。
例如，第一組可以與子集資料DB-1或DB-2的特定欄位中的第一資料類型或特徵相關聯，並且第二組可以與子集資料DB-1或DB-2的特定欄位中的第二資料類型或特徵相關聯，其中子集資料DB-1或DB-2的特定欄位可以是子集資料DB-1的欄位R-AR之一或者子集資料DB-2的欄位AA-AX之一。在第一示例中，第一資料類型與子集資料DB-1的欄位R中的前列腺癌相關聯，並且第二資料類型與子集資料DB-1的欄位R中的非前列腺癌(例如，正常組織和良性病症)相關聯。在第二示例中，第一資料類型與子集資料DB-2的欄位AA中的乳腺癌相關聯，並且第二資料類型與子集資料DB-2的欄位AA中的非乳腺癌(例如，正常組織和良性狀況)相關聯。在第一組與一癌症類型(例如，前列腺癌或乳腺癌)相關聯且第二組與非癌症類型(例如，非前列腺癌或非乳腺癌)相關聯的情況下，癌症類型可包括用於單個參數的感興趣資料，例如惡性腫瘤、mRNA表現等，而非癌症類型可包括正常組織和良性病症。該良性條件可能因組織而異，例如，乳房組織的良性條件可能包括纖維腺瘤、囊腫等。
在第三示例中，第一資料類型與子集資料DB-1的欄位T中的格里森分數0到10中的一個相關聯，例如格里森分數5，並且第二資料類型是在子集資料DB-1的欄位T中與格里森分數0到10的其它分數相關聯，例如格里森分數0到4和6到10。在第四示例中，第一資料類型與子集資料DB-1的欄位T中的格里森分數0到10中的兩個(或更多個)相關聯，例如格里森分數大於7，並且第二資料類型是在子集資料DB-1的欄位T中與格里森分數0到10的其它分數相關聯，例如格里森分數等於且小於7。在第五示例中，第一資料類型與子集資料DB-1的欄位S中的從第一個百分比(例如，91％)到第二個百分比(例如，100％)的特定範圍中的癌症的百分比相關聯，第二資料類型與子集資料DB-1的欄位S中超出特定範圍的癌症百分比相關聯。在第六示例中，第一資料類型與子集資料DB-1的欄位AE中的一小型細胞子類型相關聯，並且第二資料類型與子集資料DB-1的欄位AE中的非小型細胞子類型相關聯。本發明中描述的任何事件可以是上述第一資料類型或特徵、前列腺癌的發生、乳腺癌的發生、或例如特定癌細胞的活體組織檢查診斷的組織或腫瘤特徵。
在完成構建資料庫的步驟之後，執行預處理參數的步驟以確定哪些變量是有條件地獨立，降維(dimensionality reduction)的技術可以允許減少一些變量，其此”減少”是有條件地附屬在單一個變量之下。使用資料之降維預處理可以最佳地使用資料集(或組)中的所有有價值訊息，減少維數的最簡單方法可以是簡單的聚合和資料集的平均。在一個示例中，聚集可以用於動態對比度增強MRI (DCE-MRI)資料集中， 來自各種不同藥物代謝動力學模組(pharmacokinetic modeling)技術的Ktrans和Ve測量值可以被平均以減少誤差並優化對組織變化的敏感性。
對於變量，也可以使用平均和減法來合併測量變量。 因此，可以從變量中選擇或獲得五種(或更多種)類型的參數，所選擇的五個(或更多)參數是條件地獨立，並且可包括該子集資料DB-1或DB-2中欄位A、欄位C-G、欄位J、欄位P及欄位Q中的T1圖譜參數、T2圖像、ΔKtrans(通過從“來自Tatsts模型的Ktrans值”減去“來自Shutterspeed 模型的Ktrans值”獲得)、tau、Dt IVIM、fp IVIM、R*、平均值Ve和平均值Ktrans。或者，五個(或更多個)所選參數可包括T1圖譜參數、T2圖像、ΔKtrans、tau、fp IVIM、R*、平均Ve、平均Ktrans、標準PET以及通過平均Dt IVIM和ADC(high b-values)所獲得的參數D，其中參數D是有條件地獨立於每個其他所選參數。
在完成預處理參數的步驟之後，執行對參數進行排序的步驟以在分類的五個(或更多個)所選參數中找出/或確認最佳參數，例如，以找到最有可能提供最高後驗概率的最佳參數，進而獲得五個(或更多個)所選參數的等級列表。諸如t-測試(t
-test)的過濾方法可針對五個(或更多個)所選參數中的每一個，在第一組(由GR1指示)和第二組(由GR2指示)之間尋找出最佳距離，如第21圖所示，第21圖揭露了具有二個特定的不同參數組(即，第一組GR1和第二組GR2)的兩條高斯曲線，在第21圖中，X軸是特定參數的數值，Y軸是組織活檢的數量。
用四個不同的標準/准則(criteria)計算以對五個(或更多個)所選參數進行排名，第一個標準(criteria)是p
值(p
-value)來自假設的t-測試，其中該假設是來自具有相等均值的分佈所對應於第一組和第二組的兩個特徵集，第二個標準是為第一和第二組中的每一個之間計算的相互訊息(MI)，最後兩個標準來自於最小冗餘最大相關性(minimum redundancymaximum relevance, mRMR)選擇方法。
在辨識訓練資料集的步驟中，在對參數進行排序的步驟之後，依據排名列表辨識第一組和第二組的訓練資料集，進而可創建貝葉斯分類器。在確定測試資料的後驗機率的步驟中，可以使用貝葉斯分類器確定測試資料的後驗機率。 一旦創建了貝葉斯分類器，就可以應用測試資料來預測高解析度機率圖的後驗機率。
在替代示例中，分類器CF可以是神經網絡(例如，機率神經網絡(probabilistic neural network)、單層前饋神經網絡(single-layer feed forward neural network)、多層感知神經網絡(multi-layer perception neural network)或徑向基函數神經網絡(radial basis function neural network))、判別分析、決策樹(例如，分類和回歸樹(classification and regression tree)、快速無偏和有效統計樹、Chi-square自動交互檢測器(Chi-square automatic interaction detector)、C5.0或隨機森林決策樹(random forest decision tree)) 、自適應增強、K近鄰算法、或支持向量機。在這種情況下，可以依據與對位到子集資料DB-1或DB-2中描繪的每個活體檢查組織的MRI切片SI1
-SIN
的ROIs 94的各種MRI參數相關聯的訊息來創建分類器CF.
第一實施例：
在創建或構造大數據資料庫70和分類器CF之後，由具有相同尺寸的多個計算像素組成的(體素或像素)機率圖(即，決策資料圖像)用於可以生成或構建事件(即，決策特徵)，用於例如評估或判斷受試者之健康狀態，例如病患或個體的健康狀態，受試者體內器官的物理狀況或其他結構的物理狀況，或者依序通過執行第4圖所示的六個步驟S1至S6，評估或判斷受試者的進展和治療效果。該步驟S1-S6可以依據具有適合形狀的移動窗口MW來進行，例如圓形、方形、矩形、六邊形或八邊形。該選擇移動窗口MW選擇使用圓形，亦即圓形移動窗口2，以執行如以下段落中提到的步驟S1-S6。請參閱第4圖，在步驟S1中，通過MRI設備或系統從受試者上獲得第5圖中所示的MRI圖像10(單個切片)。MRI圖像10(即，分子圖像)由在其視場(FOV)中的多個由機器所定義的原始像素組成，以顯示出受試者的解剖區域，例如前列腺。在替代實施例中，MRI圖像10可以顯示受試者的另一個解剖區域，例如乳房、腦、肝、肺、子宮頸、骨、肉瘤、轉移性病變或部位、前列腺周圍的囊腫(capsule around the prostate)、前列腺周圍的盆腔淋巴結(pelvic lymph nodes around the prostate)或淋巴結。
在步驟S2中，在MRI圖像10上所確定期望或預期的區域11，亦即目標區域，並且在MRI圖像10的期望或預期的區域11(亦即目標區域)中設置用於機率圖的計算區域12，並且依據移動窗口2的尺寸(例如，半徑Rm)和移動窗口2中的小方塊6的尺寸和形狀定義計算像素，例如該小方塊6的寬度Wsq或是小矩形方塊6的寬度Wrec及長度Lrec。在x方向上該計算像素12的邊界長度例如可經由在x方向上所獲得之期望或預期的區域11(亦即目標區域)的一邊界長度的一第一最大正整數除以移動窗口2中的小方塊6的寬度Wsq並將寬度Wsq乘以第一最大正整數而計算得到，在y方向上該計算像素12的邊界長度例如可經由在y方向上所獲得之期望或預期的區域11(亦即目標區域)的一邊界長度的一第二最大正整數除以移動窗口2中的小方塊6的寬度Wsq並將寬度Wsq乘以第二最大正整數而計算得到。或者，在x方向上該計算像素12的邊界長度例如可經由在x方向上所獲得之期望或預期的區域11(亦即目標區域)的一邊界長度的一第一最大正整數除以移動窗口2中的小矩形方塊6的寬度Wrec並將寬度W Wrec sq乘以第一最大正整數而計算得到，在y方向上該計算像素12的邊界長度例如可經由在y方向上所獲得之期望或預期的區域11(亦即目標區域)的一邊界長度的一第二最大正整數除以移動窗口2中的小矩形方塊6的長度Lrec並將長度Lrec乘以第二最大正整數而計算得到。計算區域12可以覆蓋MRI圖像10的FOV的至少10％、25％、50％、80％、90％或95％，其可包括受試者的解剖區域。例如，計算區域12可以形成為平行四邊形，例如正方形或矩形。
例如，可以依據移動窗口2的半徑Rm來用於建構該機率圖，例如可依據該移動窗口2的半徑Rm來定義，其中半徑Rm係例如依據從為子集資料DB-1中描述的病理學家診斷提供的前列腺活檢組織的體積轉換而來之平面圓柱體98的半徑Rw的統計分佈或平均值來計算得出，如上述“移動窗口和機率圖的描述”部分所示。 例如，每個計算像素可以被定義為在移動窗口2被限定為包括每個都具有寬度Wsq的小方塊6的情況下。 或者，在移動窗口2的情況下，每個計算像素可以被定義為具有寬度Wrec和長度Lrec的矩形方塊6。
可以在步驟S1和S2之間執行縮略搜索功能(abbreviated search functions)的步驟(諸如尋找擴散信號高於特定信號值的MRI圖像10的一個(或多個)特定區域)，並且計算區域12可以覆蓋MRI圖像10的一個(或多個)特定區域。為了清楚地說明以下步驟，第6A圖和第6B圖揭露了在沒有MRI圖像10情況下的計算區域12，請參閱第6A圖，在第4圖的步驟S3中，在計算區域12和機率圖的計算像素的尺寸和形狀被定義之後或者確定後，確定(判定)移動窗口2步伐(step)/移動和移動窗口2的兩個相鄰停止點之間的重疊。在步驟S3中，例如第3A圖、第3B圖或第3C圖所示的移動窗口2在x和y方向上以固定距離的規則步伐(step)或間隔在計算區域12上移動，並且用於計算區域12的移動窗口2的每個停止點的特定MRI參數的數值(例如，每一參數的數值可以是加權值)可以從MRI圖像10或包括例如MRI的己對位的成像資料集導出或獲得。在替代示例中，可以從對位到MRI圖像10的不同MRI參數圖導出用於移動窗口2的每個停止點的一些特定MRI參數的數值，並且其他的數值可以從對位到MRI圖像10的相同參數圖中導出。在計算像素被定義為正方形方塊的情況下，此方塊在x方向上的固定距離可以大致上等於寬度Wsq，或是在計算像素被定義為具有寬度Wrec和長度Lrec的矩形小方塊的情況下，該方塊在x方向上的固定距離可以大致上等於寬度Wrec，在計算像素被定義為正方形方塊的情況下，此方塊在y方向上的固定距離可以大致上等於寬度Wsq，或是在計算像素被定義為具有寬度Wrec和長度Lrec的矩形小方塊的情況下，該方塊在y方向上的固定距離可以大致上等於長度Lrec。
為了更詳細說明， 如第6A圖和6B所示，移動窗口2可以在計算區域12的角落Cx處開始。在移動窗口2越過計算區域12的開始，內接在移動窗口2中的正方形4可以具有對齊計算區域12的角落Cx的角落Gx，換句話說，內接在移動窗口2中的正方形4具有與計算區域12的上側121對齊的上側401和與計算區域12的左側122對齊的左側402，移動窗口2的兩個相鄰停止點經由一固定距離在在x或y方向上彼此偏移時，移動窗口2的兩個相鄰停止點可以彼此部分地重疊，且移動窗口2的兩個相鄰停止點的重疊的比值可以是相互重疊，其重疊的比值可等於或大於50％至等於或小於99％的範圍內。
移動窗口2的每個停止點的特定MRI參數可包括T1圖譜參數、T2原始信號、T2圖譜參數、ΔKtrans、tau、Dt IVIM、fp IVIM，ADC(高b值)、nADC、來自TM、ETM和SSM的(高b值)、R*、來自TM 、ETM和SSM的Ktrans、來自於TM及SSM的Ve，其可以分別參考子集資料DB-1的欄位A-O中的MRI參數的類型。或者，移動窗口2的每個停止點的特定MRI參數可包括下列的四個(或更多個)：T1圖譜參數、T2原始信號、T2參數，來自TM、ETM和SSM的Ktrans、來自TM和SSM的Ve、delta Ktrans、tau、ADC(高b值)、nADC(高b值)、Dt IVIM、fp IVIM和R*。可以從對位的(registered)影像集(或對位的(registered)影像資料集(或組)中的MRI參數圖)獲得不同模式/情況下的特定MRI參數，並且可以使用剛性和非剛性標準對位技術來將每個解剖結構部分置入每個對位的(registered)影像集(或每個MRI參數圖)上的相同精確坐標位置。
請參閱第7A圖，每個停止點處的移動窗口2可以覆蓋或重疊MRI圖像10的計算區域12中的多個由機器所定義的原始像素pi-j
，例如14a-14f中所示，用於移動窗口2的每一停止點的Wm-n
MRI參數Cm-n
(例如是T1圖譜)可以通過對機器定義的原始像素pi-j
，例如14a-14f中所示的MRI參數的數值總和/求和(summing)，加權或乘以各自的區域B1、B2、B3、B4、B5和B6之百分比計算得到，其中此百分比為佔據移動窗口2之各自的區域B1、B2、B3、B4、B5和B6與相對應機器定義的原始像素pi-j
(例如14a-14f所示)重疊的百分比，經由此方法，計算出移動窗口2的每個停止點Wm-n
的MRI參數Cm-n
(例如，子集資料DB-1的欄位B-O中的那些數值)。以T1圖譜參數為例，在移動窗口2處於特定停止點的情況下，由機器所定義的原始像素pi-j
(例如14a-14f所示)的T1圖譜參數值和佔據移動窗口2的區域B1-B6的百分比的假設如第7B圖所示。可以以下方式通過對總和/求和(summing)來獲得或計算移動窗口2的停止點Wm-n
的T1圖譜參數的數值Cm-n
，亦即1010.64，(1)機器定義的原始像素14a的T1圖譜參數的數值(即1010)乘以與佔據移動窗口2的機器定義的原始像素14a重疊之區域B1的百分比，亦即6％，(2) 機器定義的原始像素14b的T1圖譜參數的數值(即1000)乘以與佔據移動窗口2的中的機器定義的原始像素14b重疊之區域B2的百分比，亦即38％，(3) 機器定義的原始像素14c的T1圖譜參數的數值(即1005)乘以與佔據移動窗口2的中的機器定義的原始像素14d重疊之區域B3的百分比，亦即6％，(4) 機器定義的原始像素14d的T1圖譜參數的數值(即1020)乘以與佔據移動窗口2的中的機器定義的原始像素14d重疊之區域B4的百分比，亦即6％，(5) 機器定義的原始像素14e的T1圖譜參數的數值(即1019)乘以與佔據移動窗口2的中的機器定義的原始像素14e重疊之區域B5的百分比，亦即38％，(6) 機器定義的原始像素14f的T1圖譜參數的數值(即1022)乘以與佔據移動窗口2的中的機器定義的原始像素14f重疊之區域B6的百分比，亦即6％，在上面的描述中，移動窗口2的每個停止點的每個特定MRI參數的測量值是與該移動窗口2的每一停止點重疊之MRI影像10的那些像素(例如14a-14f)的算術加權平均值(對於每一該特定MRI參數)，也就是說，對於每一該特定MRI參數的測量值，該MRI影像10的該些像素(例如14a-14f)是均勻的(在每一像素內)。或者，對於與該移動窗口2的每一停止點Wm-n
重疊且由機器定義的MRI影像10之原始像素pi-j
(例如14a-14f)，對於每一該特定MRI參數，移動窗口2的每個停止點Wm-n
的每個特定MRI參數的數值Cm-n
可以是測量值的高斯加權平均值(Gaussian weighted average)。即，對於像素的每個特定MRI參數的測量值，該MRI影像10之該些像素(例如14a-14f)的每一個像素內為高斯分佈(Gaussian distributed)。
可以針對受試者創建己對位的成像資料集，包括例如多個己對位的MRI切片圖像(包括例如MRI圖像10)和/或從各種設備、機器或設備獲得的相對應的MRI參數，或從定義的時間點(例如，特定日期)或時間範圍(例如，在治療後的五天內)取得的MRI參數。在受試者己對位的成像資料集(或組)中的每個MRI參數都需要對准或配準。 對位(registration)可以通過例如使用獨特的解剖標記、結構、組織、幾何形狀和/或形狀或使用數學算法和計算機模式辨識來完成。 例如，可以從對位的受試者的成像資料集獲得移動窗口2的每個停止點Wm-n
的特定成像參數的數值Cm-n
。
請參閱第4圖，在步驟S4(選擇性的操作)中，可以使用/執行例如子集選擇、聚合和降維來使MRI參數的減少，從而獲得為移動窗口2的每個停止點的參數集(組)，該移動窗口2的每個停止點Wm-n
參數集可包括來自步驟S3的一些特定MRI參數(例如，T1圖譜參數、T2圖像、ΔKtrans、tau、Dt IVIM、fp IVIM和R *)和平均Ktrans的數值(通過平均來自TM的Ktrans、來自ETM的Ktrans和來自SSM的Ktrans所獲得)及平均Ve(通過來自TM平均的Ve和來自SSM的Ve所獲得)。T2原始信號、ADC(高b值)和nADC(高b值)未被選擇到參數集中，因為三個MRI參數未被確定為條件獨立的。 T1圖譜參數、T2圖像、ΔKtrans、tau、Dt IVIM、fp IVIM和R*被選擇到參數集中，因為確定七個MRI參數是條件獨立的。執行步驟S4可以減少參數雜訊、創建新參數，並確保步驟S5中描述的(貝葉斯)分類所需的條件獨立性。數值集/組可包括在參數集中的各種參數的數值。
在步驟S5中，在學習操作(El
)中，從步驟S4的移動窗口2的每個停止點Wm-n
的數值集Cm-n
(或者從步驟S3之該移動窗口2的每一停止點Wm-n
之某些或全部的特定MRI參數的的數值Cm-n
)以匹配至從資料子集DB-1中依據與該事件相關聯所建構一事件的生物標記庫或分類器CF(例如在分類器CF的描述”的部分中描述的第一種資料類型或特徵，或是活檢診斷的組織特徵，例如特定癌細胞或前列腺癌或乳腺癌的發生)
。因此，獲得移動窗口2的每個停止點Wm-n的事件之機率值PW或CLm-n。換句話說，可以依據包含某些值Cm-n的數值集Cm-n(來自步驟S4)獲得移動窗口2的每個停止點Wm-n
的事件之機率值PW或CLm-n
。或者，用於該移動窗口2的每一該停止點Wm-n
的事件之機率值PW或CLm-n
可依據包括用於該移動窗口2的每一停止點Wm-n
的一些或全部的特定MRI參數(來自步驟S3)之數據集Cm-n
(來自步驟S4)匹配至由生物標記庫或分類器CF所建立或建構的匹配資料集而產生獲得，該生物標記庫或分類器CF例如可包括MRI成像數據的群體-基本的訊息及該事件之臨床和人口統計資料的其它訊息。在本發明中，假設移動窗口2的每個停止點Wm-n的事件之機率值PW或CLm-n
是針對移動窗口2的所述每個停止點Wm-n
中內接的正方形4的機率值PW或CLm-n
。
在步驟S6中，依據移動窗口2的停止點Wm-n
的事件之機率值PWs或CLm-n
來執行包括第8圖中所示的步驟S11至S16的演算法，以計算出各個計算像素的事件機率值PVs或dlk -l
，以及計算出各個計算像素Pk -l
的事件之機率值PVs或dlk
-l以形成機率圖，可在獲得MRI切片10之後的一短暫時間(例如10分鐘或1小時)內獲得機率圖。為了說明該算法，移動窗口2可以被定義為包括至少四個方塊6，如第3A圖、第3B圖或第3C圖所示。例如，移動窗口2內的每個方塊6可以具有小於移動窗口2的面積的25％的面積。例如，移動窗口2的兩個相鄰的停止點Wm-n
可以具有重疊區域，此重疊區域具有一面積A’m-n
在移動窗口2的兩個相鄰停止點中的任何一個停止點的面積Am-n的20％至99％範圍內，並且在移動窗口2之兩個相鄰停止點Wm-n
中的每一個內的一些方塊6可以在移動窗口2的兩個相鄰的停止點Wm-n
的重疊區域內。或者，移動窗口2的兩個相鄰的停止點Wm-n
可以具有重疊區域，此重疊區域具有一面積A’m-n
在移動窗口2的兩個相鄰停止點中的任何一個停止點的面積Am-n的1％至20％範圍內。請參閱第8圖，在步驟S11中，假設每個計算像素Pk -l
的事件之機率值PV或dlk -l
，例如，該移動窗口2的某些停止點Wm-n
之事件的機率值PWs或CLm-n
平均值，其中此假設是經由方塊6其中之一重疊或覆蓋所述每個計算像素Pk -l
而來，其中平均可以是算術平均、高斯加權平均或線性回歸。在算術平均中，假設用於移動窗口2的停止點之事件機率PWs或CLm-n
重疊或覆蓋每一該計算體素(computation voxels)是均勻的。在高斯加權平均中，假設用於移動窗口2的停止點之事件機率PWs或CLm-n
重疊或覆蓋每一該計算體素在移動窗口2的停止點內為高斯分佈。在線性回歸方法中，假設用於移動窗口2的停止點之事件機率PWs或CLm-n
重疊或覆蓋每一該計算體素是使用2D線性回歸計算獲得每一該計算體素的機率。
在步驟S12中，例如經由對在移動窗口2的每一停止點Wm-n
內每一該中的所有計算像素Pk -l
的事件之機率值PVs計算出平均值來計算移動窗口2的每個停止點Wm-n
的機率猜測值PG。在步驟S13中，例如通過從移動窗口2的每一停止點Wm-n
的機率猜測值PG減去移動窗口2的每個停止點Wm-n
的事件之機率值PW之間的差值DW，以計算出機率猜測值PG與移動窗口2的每個停止點Wm-n
的事件之機率值PW之間的差值DW。
在步驟S14中，將機率猜測值PG與移動窗口2的每個停止點Wm-n
的事件之機率值PW之間的差值DW的絕對值與預設門檻誤差值(preset threshold error)或值(例如，0.001或0.0001)進行比較，以判定或確定機率猜測值PG與移動窗口2的每個停止點Wm-n
的事件之機率值PW之間的差值DW的絕對值是小於或等於該預設的閾值誤差或值，如果在步驟S14中確定(判定)，用於該移動窗口2的每個停止點Wm-n
的差值DW的絕對值是小於或等於該預設的閾值誤差或值時，則繼續執行該步驟S16，在步驟S16中，計算像素Pk -l
的事件之機率值PVs或dlk -l
被確定為最佳時，在下文中被稱為最佳機率，並且以個別的計算像素Pk -l
的最佳機率dlk -l
形成受試者(具有成像資訊)之MRI影像10的的事件之機率圖。在步驟S16中獲得各個計算像素Pk -l
的最佳機率dlk -l
之後，完成此演算法。
如果在步驟S14中確定(判定)移動窗口2的所有停止點Wm-n
的差值DWs的絕對值中的任何一個大於預設門檻誤差值(preset threshold error)或值時，則繼續步驟S15。在步驟S15中，通過例如從每一該計算像素Pk -l
的事件之機率值PV或dlk -l
減去每一該計算像素Pk -l
的誤差校正因子ECF來更新或調整每個計算像素Pk -l
的事件之機率值PV或dlk -l
。例如經由對對來自移動窗口2的停止點Wm-n
的誤差校正貢獻(error correction contributions)總和/求和(summing)來計算出每個計算像素Pk -l
的誤差校正因子ECF，其中每一該移動窗口2具有其中之一方塊6覆蓋或重疊每一該計算像素Pk -l
；例如，可通過將針對移動窗口2的中的對應一個的停止點Wm-n
中的一個的差值DW乘以每一計算像素Pk -l
與該移動窗口2中所對應的其中之一停止點Wm-n
之間重疊面積的一面積比值，以計算出每個誤差校正對所述每個計算像素Pk -l
的貢獻，其中該移動窗口2中所對應的其中之一停止點Wm-n
係內接在移動窗口2的相對應的一個停止點Wm-n
中的正方形4的區域。或者，每個計算像素Pk -l
的誤差校正因子ECF可通過例如將移動窗口2的重疊的停止點Wm-n
的差值DW的總和除以在該移動窗口2內全部方塊6的數量計算出，其中每一該停止點Wm-n
具有其中之一方塊6覆蓋或重疊每一該計算像素Pk -l
，在更新計算像素Pk -l
的事件之機率值PVs或dlk -l
之後，依據在步驟S15中計算像素Pk -l
的事件之更新機率值PVs或dlk -l
重複執行步驟S12-S15，直到在步驟S14中確定(判定)移動窗口2的每個停止點Wm-n
的事件之機率猜測值PG與機率值PW或CLm-n
之間的差值DW的絕對值小於或等於預設門檻誤差值(preset threshold error)或值為止。
第8圖中描繪的步驟S12-S14可以執行N次，其中N是正整數，例如，N大於2,5或10，在第一次，步驟S12-S14是被認定為個別執行上述步驟ST2-ST4；在這種情況下，可認為步驟S11為執行上述步驟ST1。在第二次，認為步驟S12-S14分別執行上述步驟ST7-ST9；在這種情況下，步驟S15可認為執行上述步驟ST5和ST6。在第三次至第N次中，步驟S12-S14以及步驟S15可被認為執行上述步驟ST10。 另外，可認為步驟S16為執行上述步驟ST11。
對於步驟S11-S16的詳細描述，將內接在移動窗口2(其半徑為Rm)中的正方形4劃分例如為9個小方塊6，每個小方塊6具有如第3B圖所示的寬度Wsq，在步驟S2中，例如36個計算像素Pk -l
，亦即P1-1
-P6-6
，依據移動窗口2中的的九個小方塊6的寬度Wsq定義機率圖的計算區域12，如第9圖所示。用於構成機率圖的36個計算像素Pk -l
(即P1-1
-P6-6
)中的每一個計算像素Pk -l
被定義為寬度為Wsq的正方形。接著，參考第10B圖、第10D圖、第10F圖、第10H圖、第11B圖、第11D圖、第11F圖、第11H圖、第12B圖、第12D圖、第12F圖、第12H圖、第13B圖、第13D圖、第13F圖和第13H圖中，移動窗口2以規則的步伐(step)或間隔Xfp
及Yfp
在計算區域12上x和y方向上移動，以及可從MRI圖像10或對位的成像資料集獲得該移動窗口2的的16個停止點Wm-n
，亦即是W1-1
, W2-1
, W3-1
, W4-1
, W1-2
, W2-2
, W3-2
, W4-2
, W1-3
, W2-3
, W3-3
, W4-3
, W1-4
, W2-4
, W3-4
及W4-4
之特定MRI參數的數值Cm-n，亦即C1-1
, C2-1
, C3-1
, C4-1
, C1-2
, C2-2
, C3-2
, C4-2
, C1-3
, C2-3
, C3-3
, C4-3
, C1-4
, C2-4
, C3-4
,及C4-4
，在該示例中，固定距離Xfp
和Yfp
大致上等於寬度Wsq。
如第10A圖和第10B圖所示，在移動窗口2的停止點W1-1
中內接的正方形4內的九個小正方形W1至W9，亦即九個方塊6分別地重疊或覆蓋9個計算像素P1-1
, P2-1
, P3-1
, P1-2
, P2-2
, P3-2
, P1-3
, P2-3
及P3-3
，並且每個方塊W1-W9的面積可小於移動窗口2的停止點W1-1
的面積的10％。關於方塊W1-W9的細節，請參閱第3B圖中所示的方塊6。參見第10C圖和第10D圖所示，在移動窗口2的停止點W2-1
中內接的正方形4內的九個小正方形方塊6，亦即是W10至W18分別地重疊或覆蓋九個計算像素P2-1
, P3-1
, P4-1
, P2-2
, P3-2
, P4-2
, P2-3
, P3-3
及P4-3
，每個方塊W10-W18的面積可小於移動窗口2的停止點W2-1
的10％。關於方塊W10-W18的細節，請參閱第3B圖中所示的方塊6。參見第10E圖和第10F圖中，在移動窗口2的停止點W3-1中內接的正方形4內的九個小正方形W19至W27，亦即九個方塊6分別地重疊或覆蓋九個計算像素P3-1
, P4-1
, P5-1
, P3-2
, P4-2
, P5-2
, P3-3
, P4-3
及P5-3
，並且每個方塊W19-W27的面積可小於移動窗口2的停止點W3-1
的面積的10％。關於方塊W19-W27的細節，請參閱第3B圖中所示的方塊6。參見第10G圖和第10H圖中，在移動窗口2的停止點W4-1
中內接的正方形4內的九個小正方形W28到W36，亦即九個方塊6分別地重疊或覆蓋九個計算像素P4-1
, P5-1
, P6-1
, P4-2
, P5-2
, P6-2
, P4-3
, P5-3
及P6-3
，並且每個方塊W28-W36的面積可小於移動窗口2的停止點W4-1
的面積的10％，於方塊W28-W36的細節，請參閱第3B圖中所示的方塊6。
如第11A圖和第11B圖所示，在移動窗口2的停止點W1-2
中內接的正方形4內的九個小正方形W37至W45，亦即九個方塊6分別地重疊或覆蓋九個計算像素P P1-2
, P2-2
, P3-2
, P1-3
, P2-3
, P3-3
, P1-4
, P2-4
及P3-4
，每個方塊W37-W45的面積可小於移動窗口2的停止點W1-2
的面積的10％。關於方塊W37-W45的細節，請參閱第3B圖中所示的方塊6。參見第11C圖和第11D圖所示，在移動窗口2的停止點W2-2
中內接的正方形4內的九個小正方形W46至W54，亦即九個方塊6分別地重疊或覆蓋九個計算像素P2-2
, P3-2
, P4-2
, P2-3
, P3-3
, P4-3
, P2-4
, P3-4
及P4-4
，每個方塊W46-W54的面積可小於移動窗口2的停止點W2-2
的面積的10％。關於方塊W46-W54的細節，請參閱第3B圖中所示的方塊6。參見第11E圖和第11F圖所示，在移動窗口2的停止點W3-2
中內接的正方形4內的九個小方塊W55至W63，亦即九個方塊6分別地重疊或覆蓋九個計算像素P3-2
, P4-2
, P5-2
, P3-3
, P4-3
, P5-3
, P3-4
, P4-4
及P5-
，每個方塊W55-W63的面積可小於移動窗口2的停止點W3-2
的面積的10％。關於方塊W55-W63的細節，請參閱第3B圖中所示的方塊6。參見第11G圖和第11H圖所示，在移動窗口2的停止點W4-2
中內接的正方形4內的九個小方塊W64到W72，亦即九個方塊6分別地重疊或覆蓋九個計算像素P4-2
, P5-2
, P6-2
, P4-3
, P5-3
, P6-3
, P4-4
, P5-4
及P6-4
，每個方塊W64-W72的面積可小於移動窗口2的停止點W4-2
的10％，關於正方形W64-W72的細節，請參閱第3B圖中所示的方塊6。
如第12A圖和第12B圖所示，在移動窗口2的停止點W1-3
中內接的正方形4內的九個小正方形W73至W81，亦即九個方塊6分別重疊或覆蓋九個計算像素P1-3
, P2-3
, P3-3
, P1-4
, P2-4
, P3-4
, P1-5
, P2-5
及P3-5
，每個方塊W73-W81的面積可小於移動窗口2的停止點W1-3
的面積的10％。關於方塊W73-W81的細節，請參閱第3B圖中所示的方塊6。參見第12C圖和第12D圖所示，在移動窗口2的停止點W2-3
中內接的正方形4內的九個小正方形W82至W90，亦即九個方塊6重疊或覆蓋九個計算像素P2-3
, P3-3
, P4-3
, P2-4
, P3-4
, P4-4
, P2-5
, P3-5
及P4-5
，每個方塊W82-W90的面積可小於移動窗口2的停止點W2-3
的10％。關於方塊W82-W90的細節，請參閱第3B圖中所示的方塊6。參見第12E圖和第12F圖所示，在移動窗口2的停止點W3-3
中內接的正方形4內的九個小正方形W91至W99，亦即九個方塊6分別地重疊或覆蓋九個計算像素P3-3
, P4-3
, P5-3
, P3-4
, P4-4
, P5-4
, P3-5
, P4-5
及P5-5
，每個方塊W91-W99的面積可小於移動窗口2的停止點W3-3
的面積的10％。關於方塊W91-W99的細節，請參閱第3B圖中所示的方塊6。參見第12G圖和第12H圖所示，在移動窗口2的停止點W4-3
中內接的正方形4內的九個小正方形W100到W108，亦即九個方塊6分別重疊或覆蓋九個計算像素P4-3
, P5-3
, P6-3
, P4-4
, P5-4
, P6-4
, P4-5
, P5-5
及P6-5
，每個方塊W100-W108的面積可小於移動窗口2的停止點W4-3
面積的10％。關於方塊W100-W108的細節，請參閱第3B圖中所示的方塊6。
如第13A圖和第13B圖所示，在移動窗口2的停止點W1-4
中內接的正方形4內的九個小正方形W109至W117，亦即九個方塊6分別地重疊或覆蓋九個計算像素P1-4
, P2-4
, P3-4
, P1-5
, P2-5
, P3-5
, P1-6
, P2-6
及P3-6
，每個方塊W109-W117的面積可小於移動窗口2的停止點W1-4
的10％。關於方塊W109-W117的細節，請參閱第3B圖中所示的方塊6。參見第13C圖和第13D圖所示，在移動窗口2的停止點W2-4
中內接的正方形4內的九個小正方形W118至W126，亦即九個方塊6分別地重疊或覆蓋九個計算像素P2-4
, P3-4
, P4-4
, P2-5
, P3-5
, P4-5
, P2-6
, P3-6
及P4-6
，每個方塊W118-W126的面積可小於移動窗口2的停止點W2-4
的面積的10％。關於方塊W118-W126的細節，請參閱第3B圖中所示的方塊6。參見第13E圖和第13F圖所示，在移動窗口2的停止點W3-4
中內接的正方形4內的九個小正方形W127至W135，亦即九個方塊6分別重疊或覆蓋九個計算像素P3-4
, P4-4
, P5-4
, P3-5
, P4-5
, P5-5
, P3-6
, P4-6
及P5-6
，每個方塊W127-W135的面積可小於移動窗口2的停止點W3-4
面積的10％。關於方塊W127-W135的細節，請參閱第3B圖中所示的方塊6。參見第13G圖和第16H圖所示，在移動窗口2的停止點W4-4
中內接的正方形4內的九個小正方形W136至W144，亦即九個方塊6分別地重疊或覆蓋九個計算像素P4-4
, P5-4
, P6-4
, P4-5
, P5-5
, P6-5
, P4-6
, P5-6
及P6-6
，每個正方形W136-W144的面積可小於移動窗口2的停止點W4-4
面積的10％。關於正方形W136-W144的細節，請參閱第3B圖中所示的方塊6。
在獲得移動窗口2的16個停止點Wm-n
(即W1-1
-W4-4
)的特定MRI參數的數值Cm-n
(即C1-1
-C4-4
)之後，執行步驟S5，用於工程學習或機器學習，以獲得移動窗口2的各個停止點Wm-n
的事件之機率值PWs或CLm-n
，亦即CL1-1
-CL4-4
，該移動窗口2的16個停止點W1-1
, W2-1
, W3-1
, W4-1
, W1-2
, W2-2
, W3-2
, W4-2
, W1-3
, W2-3
, W3-3
, W4-3
, W1-4
, W2-4
, W3-4
,及W4-4
的事件之機率值PWs或CLm-n
，亦即CL1-1
, CL2-1
, CL3-1
, CL4-1
, CL1-2
, CL2-2
, CL3-2
, CL4-2
, CL1-3
, CL2-3
, CL3-3
, CL4-3
, CL1-4
, CL2-4
, CL3-4
,及CL4-4
，例如可分別假設為0.6055, 0.5628, 0.5366, 0.4361, 0.4982, 0.5534, 0.5521, 0.4227, 0.4618, 0.5132, 0.6214, 0.5810, 0.4371, 0.4698, 0.5774,及0.5613，在該示例中，移動窗口2的16個停止點Wm-n
(即W1-1
-W4-4
)的事件之16個機率值PWs or CLm-n
，亦即CL1-1
-CL4-4
，是假設為內接在該移動窗口2的個別的停止點Wm-n
(即W1-1
-W4-4
)的那些16個方塊4，換句話說，在移動窗口2的16個停止點Wm-n
(即W1-1
-W4-4
)中內接的16個方塊4的事件之16個機率分別是0.6055, 0.5628, 0.5366, 0.4361, 0.4982, 0.5534, 0.5521, 0.4227, 0.4618, 0.5132, 0.6214, 0.5810, 0.4371, 0.4698, 0.5774及0.5613。
接著，依據移動窗口2的16個停止點Wm-n
的事件之機率值PWs或CLm-n
，亦即CL1-1
-CL4-4
，執行第8圖中描繪的演算法，以獲得或計算用於計算像素Pk-1
(亦即是P1-1
-P6-6
)的事件之佳機率值PVs或dlk -l
, (亦即是 -1
-dk6-6
)，如以下說明書中所述。首先，如第14A圖所示，計算像素Pk-1
(亦即是P1-1
-P6-6
)的事件之佳機率值PVs或dlk -l
, (亦即是 -1
-dk6-6
)，是由步驟S11假設。在步驟S11中，請參閱第10A-10H圖、第11A-11H圖、第12A-12H圖、第13A-13H圖和第14A圖中，因為移動窗口2的唯一停止點W1-1
具有與計算像素P1-1
重疊的方形W1，所以計算像素P1-1
的事件之機率值PV，亦即dl1-1
，假設該移動窗口2的的停止點W1-1
的事件之機率值PW(亦即CL1-1
)等於0.6055，計算像素P6-1
、P1-6
and P6-6
的事件之機率值PV，亦即dl6-1
, dl1-6
及dl6-6
，假設該移動窗口2的的停止點W4-1
, W1-4
及W4-4
的事件之機率值PWs(亦即CL6-1
, CL1-6
及CL6-6
)分別等於0.4361, 0.4371及0.5613。
因為移動窗口2的僅兩個停止點W1-1
和W2-1
具有與計算像素P2-1
重疊的正方形W2和W10，所以對於計算像素P2-1
的事件之機率值PV(亦即dl2-1
)可假設為兩個機率值PWs(亦即是CL1-1
及CL2-1
分別等於0.6055及0.5628)的平均值，亦即0.5841。類似地，假設計算像素P5-1
的事件之機率值PV(即d15-1
)是該移動窗口2的該停止點W3-1
及W4-1
之機率值PWs(亦即是CL3-1
及CL4-1
分別等於0.5366及0.4361)的平均值，亦即0.4863。假設計算像素P1-2
的事件之機率值PV(即dl1-2
)是該移動窗口2的該停止點W1-1
及W1-2
之機率值PWs(亦即是CL1-1
及CL1-2
分別等於0.6055及0.4982)的平均值，亦即0.5519。假設計算像素P6-2
的事件之機率值PV(即dl6-2
)是該移動窗口2的該停止點W4-1
及W4-2
之機率值PWs(亦即是CL4-1
及CL4-2
分別等於0.4361及0.4227)的平均值，亦即0.4294。假設計算像素P1-5
的事件之機率值PV(即dl1-5
)是該移動窗口2的該停止點W1-3
及W1-4
之機率值PWs(亦即是CL1-3
及CL1-4
分別等於0.4618及0.4371)的平均值，亦即0.4495。假設計算像素P6-5
的事件之機率值PV(即dl6-5
)是該移動窗口2的該停止點W1-3
及W1-4
之機率值PWs(亦即是CL4-3
及CL4-4
分別等於0.5810及0.5613)的平均值，亦即0.5711。假設計算像素P2-6
的事件之機率值PV(即dl2-6
)是該移動窗口2的該停止點W1-4
及W2-4
之機率值PWs(亦即是CL1-4
及CL2-4
分別等於0.4371及0.4698)的平均值，亦即0.4535。假設計算像素P5-6
的事件之機率值PV(即dl5-6
)是該移動窗口2的該停止點W3-4
及W3-4
之機率值PWs(亦即是CL3-4
及CL3-4
分別等於0.5774及0.5613)的平均值，亦即0.5693。
因為移動窗口2的僅有三個停止點W1-1
、W2-1
和W3-1
具有與計算像素P3-1
重疊的正方形W3、W11和W19，所以該計算像素P3-1
的事件機率值PV(亦即dl3-1
)假設為該移動窗口2的3個停止點W1-1
, W2-1
及W3-1
之三個機率值PWs的平均值, 亦即為CL1-1
, CL2-1
及CL3-1
的平均值，且分別等於0.6055, 0.5628及0.5366的平均值，亦即為0.5683。類似地，該計算像素P4-1
的事件機率值PV(亦即dl4-1
)假設為該移動窗口2的3個停止點W2-1
, W3-1
及W4-1
之三個機率值PWs的平均值, 亦即為CL2-1
, CL3-1
及CL4-1
的平均值，亦即為0.5118。該計算像素P1-3
的事件機率值PV(亦即dl1-3
)假設為該移動窗口2的3個停止點W1-1
, W1-2
及W1-3
之三個機率值PWs的平均值, 亦即為CL1-1
, CL1-2
及CL1-3
的平均值，亦即為0.5219。該計算像素P6-3
的事件機率值PV(亦即dl6-3
)假設為該移動窗口2的3個停止點W4-1
, W4-2
及W4-3
之三個機率值PWs的平均值, 亦即為CL4-1
, CL4-2
及CL4-3
的平均值，亦即為0.4799。該計算像素P1-4
的事件機率值PV(亦即dl1-4
)假設為該移動窗口2的3個停止點W1-2
, W1-3
及W1-4
之三個機率值PWs的平均值, 亦即為CL1-2
, CL1-3
及CL1-4
的平均值，亦即為0.4657。該計算像素P6-4
的事件機率值PV(亦即dl6-4
)假設為該移動窗口2的3個停止點W4-2
, W4-3
及W4-4
之三個機率值PWs的平均值, 亦即為CL4-2
, CL4-3
及CL4-4
的平均值，亦即為0.5216。該計算像素P3-6
的事件機率值PV(亦即dl3-6
)假設為該移動窗口2的3個停止點W1-4
, W2-4
及W3-4
之三個機率值PWs的平均值, 亦即為CL1-4
, CL2-4
及CL3-4
的平均值，亦即為0.4948。該計算像素P4-6
的事件機率值PV(亦即dl4-6
)假設為該移動窗口2的3個停止點W2-4
, W3-4
及W4-4
之三個機率值PWs的平均值, 亦即為CL2-4
, CL3-4
及CL4-4
的平均值，亦即為0.5362。
因為移動窗口2的僅有4個停止點W1-1
, W2-1
, W1-2
和W2-2
具有與計算像素P2-2
重疊的正方形W5, W13, W38和W46，所以該計算像素P2-2
的事件機率值PV(亦即dl2-2
)假設為該移動窗口2的4個停止點W1-1
, W2-1
, W1-2
及W2-2
之4個機率值PWs的平均值, 亦即為CL1-1
, CL2-1
CL1-2
及CL2-2
的平均值，且分別等於0.6055, 0.5628, 0.4982及0.5534的平均值，亦即為0.5550。類似地，該計算像素P5-2
的事件機率值PV(亦即dl5-2
)假設為該移動窗口2的4個停止點W3-1
, W4-1
, W3-2
及W4-2
之4個機率值PWs的平均值, 亦即為CL3-1
, CL4-1
CL3-2
及CL4-2
的平均值，亦即為0.4869。該計算像素P2-5
的事件機率值PV(亦即dl2-5
)假設為該移動窗口2的4個停止點W1-3
, W2-3
, W1-4
及W2-4
之4個機率值PWs的平均值, 亦即為CL1-3
, CL2-3
CL1-4
及CL2-4
的平均值，亦即為0.4705。該計算像素P5-5
的事件機率值PV(亦即dl5-5
)假設為該移動窗口2的4個停止點W3-3
, W4-3
, W3-4
及W4-4
之4個機率值PWs的平均值, 亦即為CL3-3
, CL4-3
CL3-4
及CL4-4
的平均值，亦即為0.5852。
因為移動窗口2的僅有6個停止點W1-1
, W2-1
, W3-1
, W1-2
, W2-2
和W3-2
具有與計算像素P3-2
重疊的正方形W6, W14, W22, W39, W47和W55，所以該計算像素P3-2
的事件機率值PV(亦即dl3-2
)假設為該移動窗口2的6個停止點W1-1
, W2-1
, W3-1
, W1-2
, W2-2
及W3-2
之6個機率值PWs的平均值, 亦即為CL1-1
, CL2-1
, CL3-1
, CL1-2
, CL2-2
及CL3-2
的平均值，且分別等於0.6055, 0.5628, 0.5366, 0.4982, 0.5534及0.5521的平均值，亦即為0.5514。類似地，該計算像素P4-2
的事件機率值PV(亦即dl4-2
)假設為該移動窗口2的6個停止點W2-1
, W3-1
, W4-1
, W2-2
, W3-2
及W4-2
之6個機率值PWs的平均值, 亦即為CL2-1
, CL3-1
, CL4-1
, CL2-2
, CL3-2
及CL4-2
的平均值，亦即為0.5106。該計算像素P2-3
的事件機率值PV(亦即dl2-3
)假設為該移動窗口2的6個停止點W1-1
, W2-1
, W1-2
, W2-2
, W1-3
及W2-3
之6個機率值PWs的平均值, 亦即為CL1-1
, CL2-1
, CL1-2
, CL2-2
, CL1-3
及CL2-3
的平均值，亦即為0.5325。該計算像素P5-3
的事件機率值PV(亦即dl5-3
)假設為該移動窗口2的6個停止點W3-1
, W4-1
, W3-2
, W4-2
, W3-3
及W4-3
之6個機率值PWs的平均值, 亦即為CL3-1
, CL4-1
, CL3-2
, CL4-2
, CL3-3
及CL4-3
的平均值，亦即為0.5250。該計算像素P2-4
的事件機率值PV(亦即dl2-4
)假設為該移動窗口2的6個停止點W1-2
, W2-2
, P1-3
, W2-3
, W1-4
及W2-4
之6個機率值PWs的平均值, 亦即為CL1-2
, CL2-2
, CL1-3
, CL2-3
, CL1-4
及CL2-4
的平均值，亦即為0.4889。該計算像素P5-4
的事件機率值PV(亦即dl5-4
)假設為該移動窗口2的6個停止點W3-2
, W4-2
, W3-3
, W4-3
, W3-4
及W4-4
之6個機率值PWs的平均值, 亦即為CL3-2
, CL4-2
, CL3-3
, CL4-3
, CL3-4
及CL4-4
的平均值，亦即為0.5526。該計算像素P3-5
的事件機率值PV(亦即dl3-5
)假設為該移動窗口2的6個停止點W1-3
, W2-3
, W3-3
, W1-4
, W2-4
及W3-4
之6個機率值PWs的平均值, 亦即為CL1-3
, CL2-3
, CL3-3
, CL1-4
, CL2-4
及CL3-4
的平均值，亦即為0.5134。該計算像素P4-5
的事件機率值PV(亦即dl4-5
)假設為該移動窗口2的6個停止點W2-3
, W3-3
, W4-3
, W2-4
, W3-4
及W4-4
之6個機率值PWs的平均值, 亦即為CL2-3
, CL3-3
, CL4-3
, CL2-4
, CL3-4
及CL4-4
的平均值，亦即為0.5540。
因為移動窗口2的僅有9個停止點W1-1
, W2-1
, W3-1
, W1-2
, W2-2
, W3-2
, W1-3
, W2-3
和W3-3
具有與計算像素P3-3
重疊的正方形W9, W17, W25, W42, W50, W58, W75, W83和W91，所以該計算像素P3-3
的事件機率值PV(亦即dl3-3
)假設為該移動窗口2的9個停止點W1-1
, W2-1
, W3-1
, W1-2
, W2-2
, W3-2
, W1-3
, W2-3
及W3-3
之9個機率值PWs的平均值, 亦即為CL1-1
, CL2-1
, CL3-1
, CL1-2
, CL2-2
, CL3-2
, CL1-3
, CL2-3
及CL3-3
的平均值，且分別等於0.6055, 0.5628, 0.5366, 0.4982, 0.5534, 0.5521, 0.4618, 0.5132及0.6214的平均值，亦即為0.5450。類似地，該計算像素P4-3
的事件機率值PV(亦即dl4-3
)假設為該移動窗口2的9個停止點W2-1
, W3-1
, W4-1
, W2-2
, W3-2
, W4-2
, W2-3
, W3-3
及W4-3
之9個機率值PWs的平均值, 亦即為CL2-1
, CL3-1
, CL4-1
, CL2-2
, CL3-2
, CL4-2
, CL2-3
, CL3-3
及CL4-3
的平均值，亦即為0.5310。該計算像素P3-4
的事件機率值PV(亦即dl3-4
)假設為該移動窗口2的9個停止點W1-2
, W2-2
, W3-2
, W1-3
, W2-3
, W3-3
, W1-4
, W2-4
及W3-4
之9個機率值PWs的平均值, 亦即為CL1-2
, CL2-2
, CL3-2
, CL1-3
, CL2-3
, CL3-3
, CL1-4
, CL2-4
及CL3-4
的平均值，亦即為0.5205。該計算像素P4-4
的事件機率值PV(亦即dl4-4
)假設為該移動窗口2的9個停止點W2-2
, W3-2
, W4-2
, W2-3
, W3-3
, W4-3
, W2-4
, W3-4
及W4-4
之9個機率值PWs的平均值, 亦即為CL2-2
, CL3-2
, CL4-2
, CL2-3
, CL3-3
, CL4-3
, CL2-4
, CL3-4
及CL4-4
的平均值，亦即為0.5391。
在假設各個計算像素Pk -l
(即P1-1
-P6-6
)的事件之機率值PVs或dlk -l
(亦即dl1-1
-dl6-6
)之後，執行步驟S12而得到移動窗口2的各個停止點Wm-n
(亦即為W1-1
, W2-1
, W3-1
, W4-1
, W1-2
, W2-2
, W3-2
, W4-2
, W1-3
, W2-3
, W3-3
, W4-3
, W1-4
, W2-4
, W3-4
,及W4-4
)的16個機率猜測值PG。移動窗口2的16個停止點Wm-
n(亦即是W1-1-W4-4)之每個的機率猜測值PG，通過將個別9個計算像素Pk -l
(即P1-1
-P6-6
)的事件之9個機率值PVs或dlk -l
(亦即dl1-1
-dl6-6
)求取平均值計算出，其中該個別9個計算像素Pk -l
係重疊或覆蓋在內接至該移動窗口2之16個停止點W1-1
-W4-4
中正方形4的9個小型方塊6。例如，，因為在移動窗口2的停止點W1-1
中內接的正方形4內的9個小正方形W1-W9重疊或覆蓋相對應的計算像素P1-1
, P2-1
, P3-1
, P1-2
, P2-2
, P3-2
, P1-3
, P2-3
和P3-3
中，通過對內接在移動窗口2之停止點W1-1
中的計算像素(P1-1
, P2-1
, P3-1
, P1-2
, P2-2
, P3-2
, P1-3
, P2-3
及P3-3
)之事件的9個機率PVs(亦即是dl1-1
, dl2-1
, dl3-1
, dl1-2
, dl2-2
, dl3-2
, dl1-3
, dl2-3
及dl3-3
，其分別等於0.6055, 0.5841, 0.5683, 0.5519, 0.5550, 0.5514, 0.5219, 0.5325及0.5450)求取平均值計算出移動窗口2的停止點W1-1
的機率猜測值PG，因此該移動窗口2之停止點Wm-n
(亦即是W1-1
, W2-1
, W3-1
, W4-1
, W1-2
, W2-2
, W3-2
, W4-2
, W1-3
, W2-3
, W3-3
, W4-3
, W1-4
, W2-4
, W3-4
及W4-4
)的機率猜測值PG分別為0.5573, 0.5433, 0.5240, 0.4886, 0.5259, 0.5305, 0.5291, 0.5085, 0.5009, 0.5217, 0.5407, 0.5400, 0.4771, 0.5079, 0.5406及0.5545。
在獲得或計算16個機率猜測值PG之後，執行步驟S13以獲得移動窗口2的16個停止點Wm-n
(即W1-1
-W4-4
)的16個差值DW。通過例如從該移動窗口2的16個停止點Wm-n
(即W1-1
-W4-4
)對應的其中之一的機率猜測值PG減去移動窗口2的16個停止點Wm-n
(即W1-1
-W4-4
)對應的其中之一的事件的機率值PW或CLm-n
(亦即CL1-1
-CL4-4
)以計算出16個差值DW，例如，對於移動窗口2的停止點W1-1
差值DW，通過從移動窗口2的停止點W1-1
的機率猜測值PG(亦即是0.5573)減去移動窗口2的停止點W1-1
之事件的機率值PW (即CL1-1
等於0.6055)，因此，移動窗口2之停止點Wm-n
(亦即是W1-1
, W2-1
, W3-1
, W4-1
, W1-2
, W2-2
, W3-2
, W4-2
, W1-3
, W2-3
, W3-3
, W4-3
, W1-4
, W2-4
, W3-4
,及W4-4
)的差值DW分別為-0.0482, -0.0194, -0.0126, 0.0525, 0.0276, -0.0230, -0.0230, 0.0858, 0.0391, 0.0085, -0.0807, -0.0410, 0.0400, 0.0380, -0.0368及-0.0068。
在獲得或計算16個差值DW之後，執行步驟S14以確定/判定16個差值DW的絕對值是否小於或等於預設閾值0.0001。因為16個差值DW的絕對值大於預設閾值時，將繼續步驟S15，其中計算像素Pk -l
(亦即是P1-1
-P6-6
)的事件之機率值PVs或dlk -l
(亦即dl1-1
-dl6-6
)係更新後的值，如第14B圖所示。
在步驟S15中，對於每個計算像素Pk -l
(亦即是P1-1
-P6-6
)的事件之更新後的機率值PV或dlk -l
(亦即更新後的dl1-1
-dl6-6
)，可經由從該每個計算像素Pk -l
(亦即是P1-1
-P6-6
)的事件之現有機率值PV或dlk -l
(亦即現在的dl1-1
-dl6-6
)減去每一計算像素Pk -l
(亦即是P1-1
-P6-6
)的誤差校正因子ECF來計算出，該移動窗口2的其中之一其方塊6覆蓋或重疊4個計算像素P1-1
, P6-1
, P1-6
和P6-6
中的每一個，例如，因為移動窗口2的唯一停止點W1-1
具有覆蓋或重疊計算像素P1-1
的小方形W1，所以可僅經由計算移動窗口2的停止點W1-1
之計算誤差校正貢獻(error correction contributions)以獲得該計算像素P1-1
的誤差校正因子ECF，亦即-0.0054。通過從該移動窗口2的停止點W1-1
中，移動窗口2的停止點W1-1
與計算像素P1-1
之間的面積與內接在該移動窗口2之停止點W1-1
的正方形4的面積之間的比值(亦即是1/9)乘以移動窗口2的停止點W1-1
差值DW(亦即是-0.0482)計算得到計算像素P1-1
的誤差校正貢獻(error correction contributions)。因此，經由將計算像素P1-1
的事件的現有機率值PV(亦即是現有的dl1-1
等於0.6055)減去該計算像素P1-1
的誤差校正因子(亦即是-0.0054)，而計算得到計算像素P1-1
的事件的更新機率值PV(亦即是更新後的dl1-1
)。
32個計算像素P2-1
-P5-1
, P1-2
-P6-2
, P1-3
-P6-3
, P1-4
-P6-4
, P1-5
-P6-5
及P2-6
-P5-6
中的每一個的誤差校正因子ECF經由從重疊該移動窗口2的停止點Wm-n
(W1-1
-W4-4
)其中之一的誤差校正貢獻(error correction contributions)總和/求和(summing)，其中每一該停止點Wm-n
具有其方塊6的其中之一覆蓋或重疊32個計算像素P2-1
-P5-1
, P1-2
-P6-2
, P1-3
-P6-3
, P1-4
-P6-4
, P1-5
-P6-5
及P2-6
-P5-6
的每一個；對該32個計算像素P2-1
-P5-1
, P1-2
-P6-2
, P1-3
-P6-3
, P1-4
-P6-4
, P1-5
-P6-5
及P2-6
-P5-6
的每一個的所述誤差校正貢獻(error correction contributions)可經由乘以該移動窗口2的停止點Wm-n
(亦即是W1-1
-W4-4
)中相對應且重疊的一個差值DW計算出，此差值DW為與32個計算像素P2-1
-P5-1
, P1-2
-P6-2
, P1-3
-P6-3
, P1-4
-P6-4
, P1-5
-P6-5
及P2-6
-P5-6
的每一個與該移動窗口2相對應且重疊的一個之間的重疊面積，與內接在該移動窗口2之停止點Wm-n
(亦即是W1-1
-W4-4
)的正方形4的面積之間的比值。例如，因為該移動窗口2。例如，因為只有九個停止點W1-1
, W2-1
, W3-1
, W1-2
, W2-2
, W3-2
, W1-3
, W2-3
,及W3-3
具有正方形W9, W17, W25, W42, W50, W58, W75, W83及W91覆蓋或重疊計算像素P3-3
，對於計算像素P3-3
的誤差修正係數ECF，亦即-0.0146，通過對來自移動窗口2之各個停止點W1-1
, W2-1
, W3-1
, W1-2
, W2-2
, W3-2
, W1-3
, W2-3
,及W3-3
的誤差校正貢獻(error correction contributions)總和/求和(summing)而獲得產生，，得到從移動窗口2的停止點W1-1到計算像素P3-3的誤差校正貢獻(error correction contributions)，亦即-0.0053，通過乘以差值DW來計算，亦即-0.0482。從移動窗口2的停止點W1-1
至的計算像素P3-3
的誤差校正貢獻(亦即-0.0053)可經由乘以移動窗口2之停止點W1-1
的差值DW (亦即是-0.0482)而計算得出，該差值DW係為計算像素P3-3
和該移動窗口2之停止點W1-1
之間的重疊區域的面積與內接在該移動窗口2之停止點W1-1
的正方形4的面積之比值(亦即是即1/9)，從移動窗口2的停止點W2-1
至的計算像素P3-3
的誤差校正貢獻(亦即-0.0021)可經由乘以移動窗口2之停止點W2-1
的差值DW (亦即是-0.0194)而計算得出，該差值DW係為計算像素P3-3
和該移動窗口2之停止點W2-1
之間的重疊區域的面積與內接在該移動窗口2之停止點W2-1
的正方形4的面積之比值(亦即是即1/9)，從移動窗口2的停止點W3-1
至的計算像素P3-3
的誤差校正貢獻(亦即-0.0014)可經由乘以移動窗口2之停止點W3-1
的差值DW (亦即是-0.0126)而計算得出，該差值DW係為計算像素P3-3
和該移動窗口2之停止點W3-1
之間的重疊區域的面積與內接在該移動窗口2之停止點W3-1
的正方形4的面積之比值(亦即是即1/9)，從移動窗口2的停止點W1-2
至的計算像素P3-3
的誤差校正貢獻(亦即0.0031)可經由乘以移動窗口2之停止點W3-1
的差值DW (亦即是0.0276)而計算得出，該差值DW係為計算像素P3-3
和該移動窗口2之停止點W1-2
之間的重疊區域的面積與內接在該移動窗口2之停止點W1-2
的正方形4的面積之比值(亦即是即1/9)，從移動窗口2的停止點W2-2
至的計算像素P3-3
的誤差校正貢獻(亦即-0.0026)可經由乘以移動窗口2之停止點W3-1
的差值DW (亦即是-0.0230)而計算得出，該差值DW係為計算像素P3-3
和該移動窗口2之停止點W2-2
之間的重疊區域的面積與內接在該移動窗口2之停止點W2-2
的正方形4的面積之比值(亦即是即1/9)，從移動窗口2的停止點W3-2
至的計算像素P3-3
的誤差校正貢獻(亦即-0.0026)可經由乘以移動窗口2之停止點W3-2
的差值DW (亦即是-0.0230)而計算得出，該差值DW係為計算像素P3-3
和該移動窗口2之停止點W3-2
之間的重疊區域的面積與內接在該移動窗口2之停止點W3-2
的正方形4的面積之比值(亦即是即1/9)，從移動窗口2的停止點W1-3
至的計算像素P3-3
的誤差校正貢獻(亦即0.0043)可經由乘以移動窗口2之停止點W1-3
的差值DW (亦即是0.0391)而計算得出，該差值DW係為計算像素P3-3
和該移動窗口2之停止點W1-3
之間的重疊區域的面積與內接在該移動窗口2之停止點W1-3
的正方形4的面積之比值(亦即是即1/9)，從移動窗口2的停止點W2-3
至的計算像素P3-3
的誤差校正貢獻(亦即0.0009)可經由乘以移動窗口2之停止點W2-3
的差值DW (亦即是0.0085)而計算得出，該差值DW係為計算像素P3-3
和該移動窗口2之停止點W2-3
之間的重疊區域的面積與內接在該移動窗口2之停止點W2-3
的正方形4的面積之比值(亦即是即1/9)，從移動窗口2的停止點W3-3
至的計算像素P3-3
的誤差校正貢獻(亦即-0.0089)可經由乘以移動窗口2之停止點W3-3
的差值DW (亦即是-0.0807)而計算得出，該差值DW係為計算像素P3-3
和該移動窗口2之停止點W3-3
之間的重疊區域的面積與內接在該移動窗口2之停止點W3-3
的正方形4的面積之比值(亦即是即1/9)，因此，通過減去誤差校正因子ECF(亦即-0.0146)，計算出用於計算像素P3-3
的事件之更新機率值PV(亦即更新後的dl3-3
)，從當前機率值PV(亦即為當前的dl3-3
)來的計算像素P3-3
等於計算像素P3-3
的事件的值0.5450。
在獲得或計算用於計算像素Pk-1
(即，P1-1
-P6-6
)的事件之更新機率值PVs或dlk-1
(即，更新後的dl1-1
-d16-6
)之後， 基於在步驟S15中計算像素Pk-1
的事件之更新機率值PVs或dlk-1
，亦即更新後的dl1-1
-d16-6
，重複執行步驟S12-S15，直到移動窗口2的16個停止點Wm-n
(即W1-1
-W4-4
)的16個差值DW的絕對值小於或等於預設閾值。 因此，如第14C圖所示，可獲得計算像素Pk-1
(亦即P1-1
-P6-6
)的事件之最佳機率值PVs或dlk-1
(亦即最佳dl1-1
-d16-6
)以形成事件之機率圖。
執行包括步驟S1-S6的上述過程以沿著x和y方向在MRI切片10的計算區域12上生成移動窗口2以創建二維(2D)機率圖。 為了獲得三維(3D)機率圖，包括步驟S1-S6的上述過程可沿著與垂直於x和y方向的z方向上排列受試者的所有MRI切片(包括MRI切片10)中的每一個。
本發明提供一種計算方法，亦即步驟S1-S6，以獲得MRI圖像10的多個大區域或體積的特定MRI參數的數值(即，移動窗口2的停止點) )，每個大區域或體積覆蓋MRI圖像10的多個由機器所定義的原始像素pi-j
，並且依據大區域或體積(亦即是移動窗口Wm-n
)之特定MRI參數的數值Cm-n
獲得具有極小準確度機率dlk-1
的小區域(即，計算像素Pk-1)的機率圖。MRI圖像10的重疊的大區域或體積(即，移動窗口Wm-n)的特定MRI參數。由於MRI圖像10之大區域或體積(即，移動窗口Wm-n
)機率CLm-n
之計算，不同參數的對位(registered )之影像集(或對位的參數圖)之間的對位或對準誤差可被補償。
在第8圖中描繪的演算法中，例如，可以在一個(或多個)MRI機器上執行步驟S11-S16中的一些步驟。在第4圖所示的計算方法中，例如，步驟S1-S6可以在MRI系統上執行，該MRI系統可包括一個(或多個)MRI機器以執行步驟S11-S16中的一些或全部。 例如，可以通過MRI系統形成前列腺癌發生的機率圖以執行步驟S1-S6並且顯示前列腺的一小部分的癌症機率。
通過針對各種事件(例如前列腺癌的發生、小細胞亞型的發生和格里森(Gleason)評分的發生大於7)重複步驟S1-S6或步驟S5和S6，獲得或形成各種事件之多個機率圖。機率圖例如包括第15A圖中所示的前列腺癌機率圖、第15B圖中所示的小細胞亞型機率圖以及第15C圖中所示的格里森分數大於7的機率圖。 可以選擇一些或所有機率圖以組合成複合機率圖像或圖，以提供解釋放射科醫師和腫瘤學家的最有用訊息。 合成機率圖像或地圖也可以顯示感興趣的區域。 例如，複合機率圖像或圖顯示具有高癌症機率(> 98％)、小細胞亞型的高機率和格里森(Gleason)評分> 7的高機率的區域，如第15D圖所示。
在替代實施例中，子集資料DB-1還可包括PET參數(例如，SUVmax)和SPECT參數的測量值。在這種情況下，可以依據與事件和特定變量相關聯的資料來創建用於事件(例如，前列腺癌的發生)的分類器CF，例如貝葉斯分類器，包括例如PET參數、SPECT參數，在子集資料DB-1中的“分類器CF的描述”部分中描述的一些或所有MRI參數以及平均Ve和平均Ktrans的處理參數。 接著，經由使用第4圖中描繪的計算方法，可以依據移動窗口2的每個停止點的特定變量的數值來生成或形成事件之機率圖。
在本發明中，例如，第4圖中描繪的計算方法(即，步驟S1-S6)可以在軟體、設備或包括例如硬體的系統上執行，以獲得上述事件之機率圖和/或上述複合機率圖像或圖，其系統可包括一個(或多個)計算設備、計算機、處理器、軟體和/或工具， 因此，醫生可向軟體、設備或系統詢問關於圖像的可疑區域，例如MRI切片圖像，並且由後者(軟體、設備或系統)提供事件之機率圖(例如，前列腺癌的發生)和/或癌症的可能性測量結果(例如，惡性腫瘤)作為答案。
在從受試者(例如，人類病患)已被給予治療(例如新輔助化學療法或(術前)放射療法，或已經服用或註射了一種(或多種)藥物對於治療，例如新輔助化療)後並獲得的MRI圖像10的情況下，可以通過分析第一實施例中描述的事件之機率圖和/或評估及/或第一實施例中描述的合成機率影像或圖像，以評估、辨識或確定治療或藥物對受試者的影響。因此，評估、辨識或判斷治療或藥物對受試者的影響的方法可包括以下步驟：(a)向受試者施用治療或藥物，(b)在步驟(a)之後通過MRI系統從受試者獲得MRI圖像10，(c)在步驟(b)之後，執行步驟S2-S6以獲得第一實施例中描述的事件之機率圖和/或者獲得第一實施例中描述的合成機率影像或圖像，以及(d)在步驟(c)之後，分析事件和/或合成機率影像或圖像的機率圖。
步驟S1-S6可用於產生乳腺癌的機率圖。在這種情況下，在步驟S1和S2中，MRI圖像10示出如第16圖所示的受試者的乳房解剖結構，以及定義MRI圖像10之期望或預期區域11(即，目標區域)中的計算區域12，此所定義之計算區域12具有計算像素Pk-1
及覆蓋MRI圖像10的FOV的至少10％、25％、50％、80％、90％或95％面積，且計算區域12包括乳房解剖結構。
然後順序執行步驟S3和S4。接著，在步驟S5中，可以通過從步驟S4(或者步驟S4)匹配移動窗口2的每一該停止點Wm-n
的參數集Cm-n
來獲得移動窗口2的每個停止點的乳腺癌機率。對於從步驟S3)到為乳腺癌創建的分類器CF的該移動窗口2的每個停止點Wm-n
的一些或所有特定MRI參數的數值Cm-n
。在步驟S6中，依據乳房癌的機率CLm-n
對移動窗口2的停止點Wm-n
執行包括第8圖所示的步驟S11-S16的演算法，以計算各個計算像素Pk-1
乳腺癌的機率dlk-1
。以及計算各個計算像素Pk-1
的乳腺癌機率dlk-1
以形成乳腺癌的機率圖。
第18圖是評估、辨識或確定治療(例如新輔助化療或(術前)放射療法或用於治療受試者(例如人或動物)的藥物的效果的流程圖。請參閱第18圖，在步驟S21中，通過MRI設備或系統從受試者獲得第一個MRI切片圖像。 第一個MRI切片圖像由其視場(FOV)中的多個由機器所定義的原始像素pi-j
組成，以示出受試者的解剖區域，例如前列腺或乳房。在步驟S22中，對第一個MRI切片圖像執行步驟S2-S6以生成第一機率圖。
在執行步驟S21或S22之後，執行步驟S23。在步驟S23中，對受試者進行治療，例如靜脈內或口服給藥。對於某些癌症，如前列腺癌，治療可能是(術前)放射治療(或稱為放射治療)、質子束治療、微創治療(如消融或放射治療)、或消融治療，如高強度治療聚焦超聲治療。用於前列腺癌的(術前)放射療法可以通過諸如Truebeam或CyberKnife的放射治療設備來執行，並且可以使用高能輻射(例如，伽馬射線)來縮小腫瘤並殺死癌細胞。
在步驟S24中，在受試者獲得或接受諸如口服或靜脈內藥物的治療之後，通過MRI設備或系統從受試者獲得第二個MRI切片圖像。第二個MRI切片圖像在其FOV中由多個由機器所定義的原始像素pi-j
組成，以顯示與第一個MRI切片圖像所示相同的受試者的解剖區域。在步驟S25中，對第二個MRI切片圖像執行步驟S2-S6以生成第二機率圖。可以針對事件或資料類型生成第一和第二機率圖，例如前列腺癌、乳腺癌、格里森評分0到10分之其中之一、格里森評分0到10中的兩個(或更多)(例如，格里森評分大於7)、組織壞死或癌症的百分比在特定範圍內，從第一個百分比(例如，91％)到第二個百分比(例如，100％)。接著，在步驟S26中，通過比較第一和第二機率圖，可以辨識、確定或評估治療或治療中使用的藥物對受試者的有效或無效的結果。依據步驟S26的結果，醫生可以決定或判斷是否應該調整或改變治療或藥物。步驟S21-S26中描繪的方法可以在少於一周或兩週內檢測治療或藥物後的反應或進展，從而允許更早地調整治療方案。
第19圖是評估、辨識或判斷治療(例如新輔助化療或(術前)放射療法或用於治療受試者(例如人或動物)的藥物的效果的流程圖。請參閱第19圖，在步驟S31中，通過MRI設備或系統從受試者獲得第一個MRI切片圖像。第一個MRI切片圖像由其視場(FOV)中的多個由機器所定義的原始像素pi-j
組成，以示出受試者的解剖區域，例如前列腺或乳房。在步驟S32中，對第一個MRI切片圖像執行步驟S2-S5，以獲得第一個MRI切片圖像的計算區域12的移動窗口2的停止點Wm-n
的事件或資料類型的第一機率CLm-n
。換句話說，依據特定的數值Cm-n
獲得用於治療前的受試者的第一個MRI切片圖像上的移動窗口2的停止點Wm-n
的事件或資料類型的第一機率CLm-n
。第一個MRI切片圖像上的移動窗口2的停止點Wm-n
的MRI參數與來自建立的分類器CF或生物標記庫的匹配資料集匹配。例如，第一個MRI切片圖像上的移動窗口2的停止點Wm-n
的特定MRI參數的數值Cm-n
可以從包括例如第一個MRI影像資料集的對位的(registered)影像資料集獲得。 MRI切片圖像和/或對位(registered)到第一個MRI切片的不同參數圖。例如，事件或資料類型可能是前列腺癌、乳腺癌、格里森評分0到10分之其中之一、格里森評分0到10中的兩個(或更多)(例如，格里森評分大於7)，組織壞死或百分比癌症的特定範圍從第一個百分比(例如，91％)到第二個百分比(例如，100％)。
在執行步驟S31或S32之後，執行步驟S33。在步驟S33中，對受試者進行治療，例如靜脈內或口服給藥。 對於某些癌症，如前列腺癌，治療可能是(術前)放射治療(或稱為放射治療)、質子束治療、微創治療(如消融或放射治療)、或消融治療，如高強度治療聚焦超聲治療。用於前列腺癌的(術前)放射療法可以通過諸如Truebeam或CyberKnife的放射治療設備來執行，並且可以使用高能輻射(例如，伽馬射線)來縮小腫瘤並殺死癌細胞。
在步驟S34中，在受試者獲得或接受諸如口服或靜脈內藥物的治療之後，通過MRI設備或系統從受試者獲得第二個MRI切片圖像。第二個MRI切片圖像在其FOV中由多個由機器所定義的原始像素pi-j
組成，以顯示與第一個MRI切片圖像所示相同的受試者的解剖區域。在步驟S35中，對第二個MRI切片圖像執行步驟S2-S5，以獲得用於第二個MRI的計算區域12的移動窗口2的停止點Wm-n的事件或資料類型的第二機率CLm-n
。切片圖像。換句話說，依據特定值Cm-n獲得處理後的受試者的第二個MRI切片圖像上的移動窗口2的停止點Wm-n
的事件或資料類型的第二機率CLm-n
。第二個MRI切片圖像上的移動窗口2的停止點Wm-n
的MRI參數與來自建立的分類器CF或生物標記庫的匹配資料集匹配。例如，第二個MRI切片圖像上的移動窗口2的停止點Wm-n
的特定MRI參數的數值Cm-n
可以從例如第二個MRI影像資料集的對位的(registered)影像資料集獲得，及/或從MRI切片圖像和/或對位(registered)到第二個MRI切片的不同參數圖中獲得。
用於第一個MRI切片的計算區域12的移動窗口2的停止點Wm-n
可以基本上對應於或可以與第二個MRI切片的計算區域12之移動窗口2的停止點Wm-n
基本對齊或對準， 用於第一個MRI切片的計算區域12的移動窗口2的每個停止點Wm-n
和用於第二個MRI切片的計算區域12的移動窗口2的停止或對準的一個停止點Wm-n
可以基本上覆蓋受試者的相同解剖區域。
接著，在步驟S36中，對於第一和第二個MRI上的移動窗口2的每個對齊或對位的一對停止點Wm-n
的事件或資料類型的第一和第二機率CLm-n
。在第一和第二個MRI切片圖像上，對於每一該對齊或對位的移動窗口2的停止點Wm-n
對，將切片圖像彼此相減成相對應的機率變化值PMC或CCLm-n
。 例如，對於第一和第二個MRI切片圖像上的移動窗口2的每個對齊或對位的一對停止點Wm-n
，可以通過減去從事件或資料類型的第二機率而來的事件或資料類型的第一機率來獲得機率改變PMC。
在步驟S37中，依據在該第一個及第二個MRI切片影像中之移動窗口2的停止點Wm-n
的對齊或對位(成對的)機率變化值PMC或CCLm-n
，執行包括步驟S6中所示的步驟S11-S16的演算法，以計算出各自的計算像素Pk-1
的機率變化值PVC或cdlk-1
，以用於構成事件或資料類型的機率變化圖(如下所述)，請參閱第8圖，在步驟S11中，通過在第一和第二個MRI切片圖像上的移動窗口2的停止點Wm-n
中對齊或對位的(成對的)機率變化值PMC或CCLm-n
的平均來假設每個計算像素Pk-1
的機率變化值PVC或cdlk-1
。，每個具有(它們的)對齊或對準的方塊6，重疊或覆蓋每一該計算像素Pk-1
。在步驟S12中，通過例如在第一和第二個MRI切片圖像上的移動窗口2的每個對齊或對位的停止點Wm-n
內全部計算像素Pk -l
之機率變化值PVCs或cdlk-l
計算出平均值，來計算出第一和第二個MRI切片圖像上的移動窗口2的每個對齊或對位的停止點Wm-n
的機率變化猜測值PG。
在步驟S13中，經由從所述第一和第二個MRI切片圖像上的所述每個對齊或對位(成對的)的移動窗口2的停止點Wm-n
的機率改變猜測值PG減去在第一和第二個MRI切片圖像上的所述每個對齊或對位(成對的)的移動窗口2的停止點Wm-n
的機率改變值PMC or CCLm-n
，以計算出在第一和第二個MRI切片圖像上的所述每個對齊或對位(成對的)的移動窗口2的停止點Wm-n
的機率改變猜測值PG與機率改變值PMC or CCLm-n
之間的差值DW。在步驟S14中，將第一和第二個MRI切片圖像上的所述每個對齊或對位(成對的)的移動窗口2的停止點Wm-n
的差值DW之絕對值與預設閾值誤差或值進行比較，亦即是比較第一和第二個MRI切片圖像上的所述每個對齊或對位(成對的)的移動窗口2的停止點Wm-n
的差值DW之絕對值是否小於或等於預設閾值誤差或值。如果在步驟S14中確定第一和第二個MRI切片圖像上的所述每個對齊或對位(成對的)的移動窗口2的停止點Wm-n
的差值DW之絕對值小於或等於預設閾值誤差或值時，則繼續步驟S16。在步驟S16中，計算像素Pk-1
的機率變化值PVC或cdlk-1
被確定為最佳，其在下文中被稱為最佳機率變化值cdlk-1
，並且以最佳機率變化計算像素Pk-1
的最佳機率變化值cdlk-1
形成事件或數據類型的機率變化圖像，在步驟S16中獲得計算像素Pk-1
的最佳機率變化值cdlk-1
後，完成此演算法。
如果在步驟S14中確定第一和第二個MRI切片圖像上的所述每個對齊或對位(成對的)的移動窗口2的停止點Wm-n
的差值DW之絕對值的任何一個大於預設門檻誤差值(preset threshold error)或值時，則繼續步驟S15。在步驟S15中，通過例如從每一計算像素Pk-1
的機率變化值PVC，亦即更新後的cdlk-1
減去每一該計算像素Pk-1
的誤差校正因子ECF來更新或調整每個計算像素Pk-1
的機率變化值PVC，亦即更新後的cdlk-1
。每個計算像素Pk-1
的誤差校正因子ECF通過例如對第一和第二個MRI切片圖像上的所述每個對齊或對位(成對的)的移動窗口2的誤差校正貢獻(error correction contributions)總和/求和(summing)計算得到，其中每一個停止點Wm-n
具有對齊或對準的方塊6覆蓋或重疊每一該計算像素Pk-1
；例如，對於每一該計算像素Pk-1
的每個誤差校正貢獻(error correction contributions)，可經由乘以在第一和第二個MRI切片圖像所對齊或對位(成對的)的移動窗口2中所相對應的之一個的差值DW計算得到，此差值DW為在第一和第二個MRI切片圖像上對齊或對位(成對的)的移動窗口2的的停止點Wm-n
與每一計算像素Pk-1
之間相重疊的面積，與內接在第一和第二個MRI切片圖像所對齊或對位(成對的)的移動窗口2中所相對應的一個中的正方形4的共同面積之比值。在計算像素Pk-1
的機率變化值PVC，亦即更新後的cdlk-1
更新後，依據在步驟S15中，該計算像素Pk-1
的更新後的機率變化值PVC，亦即更新後的cdlk-1
，重複執行步驟S12-S15，直到在步驟S14中確定第一和第二個MRI切片圖像所對齊或對位(成對的)的移動窗口2中所相對應的之差值DWs的絕對值小於或等於到預設的閾值誤差或值。
上述過程在x和y方向上使用移動窗口2來創建2D機率變化圖。 另外，上述過程可以應用在垂直於x和y方向在z方向上對位的受試者的多個MRI切片，以形成3D機率變化圖。
在步驟S38中，通過分析機率變化圖，可以將治療或治療中使用的藥物對受試者的影響辨識、確定或評估為有效或無效。 依據步驟S38的結果，醫生可以決定或判斷是否應該調整或改變治療或藥物。 步驟S31-S38中描繪的方法可以在不到一周或兩週內檢測治療或藥物後的反應或進展，從而允許對治療方案進行更早的調整。
第20圖是評估、辨識或確定治療，例如新輔助化療或(術前)放射療法或治療中使用的藥物對受試者(例如， 人或動物)的影響的流程圖。請參閱第20圖，在步驟S41中，通過MRI設備或系統從受試者獲得第一個MRI切片圖像。 第一個MRI切片圖像由其視場(FOV)中的多個由機器所定義的原始像素pi-j
組成，以示出受試者的解剖區域，例如前列腺或乳房。在步驟S42中，對第一個MRI切片圖像執行步驟S2-S6，以產生由第一計算像素Pk-1
組成的第一機率圖。
在執行步驟S41或S42之後，執行步驟S43。在步驟S43中，對受試者進行諸如口服或靜脈內藥物的治療。 對於某些癌症，例如前列腺癌，治療可以是(術前)放射療法(或稱為放射療法)、質子束療法或消融療法(例如高強度聚焦超聲治療)。用於前列腺癌的(術前)放射療法可以通過諸如Truebeam或CyberKnife的放射治療設備來執行，並且可以使用高能輻射(例如，伽馬射線)來縮小腫瘤並殺死癌細胞。
在步驟S44中，在受試者獲得或接受諸如口服或靜脈內藥物的治療之後，通過MRI設備或系統從受試者獲得第二個MRI切片圖像。第二個MRI切片圖像在其FOV中由多個由機器所定義的原始像素pi-j
組成，以顯示與第一個MRI切片圖像所示相同的受試者的解剖區域。在步驟S45中，對第二個MRI切片圖像執行步驟S2-S6，以產生由第二計算像素Pk-1
組成的第二機率圖。每一個第二計算像素Pk-1
可大致上對應於或可對齊或對準其中之一個第一計算像素Pk-1
。對一事件或資料型式的該第一及第二機率圖可被產生，例如是前列腺癌、乳腺癌、格里森評分0到10分之其中之一、格里森評分0到10中的兩個(或更多個)(例如，格里森評分大於7)、組織壞死、或從第一個百分比(例如，91％)到第二個百分比(例如，100％)的特定範圍內的癌症百分比。
在步驟S46中，通過從第二計算像素Pk-1
所對應的己對位(registered)或對齊的一個的機率dlk-1
中減去每個第一計算像素Pk-1
的機率dlk-1
，以獲得或計算出相對應的機率變化值cdlk-1
。 因此，依據機率變化值cdlk-1
形成或生成機率變化圖。接著，在步驟S47中，通過分析機率變化圖，可以辨識、確定或評估治療中使用的治療或藥物對受試者的效果有效或無效。 依據步驟S47的結果，醫生可以決定或判斷是否應該調整或改變治療或藥物。 步驟S41-S47中描述的方法可以在少於一周或兩週內檢測治療或藥物後的反應或進展，從而允許對治療方案進行更早的調整。
I-2
。
從二維移動窗口的停止點測量值得出的機率圖
或者，第22B圖揭露本發明實施例中使用E演算法來獲得二維區域中事件之更好解析度機率的另一程序。請參閱第5圖、第6A圖和第22B圖，在步驟S22-4中，將二維移動窗口應用/使用在二維結構(例如是生物結構或活體檢查組織)上，並通過逐步地(step by step)在目標區域11上移動，此移動距離係等於二維計算圖像12的計算像素Pk -l
之x-方向寬度Xfp
，及以逐行(row by row)地在目標區域11上移動，此移動距離係等於二維計算圖像12的計算像素Pk -l
之y-方向寬度Yfp
，以從二維移動窗口2的每一停止點Wm-n
中由一個(或多個)相機捕獲的一個(或多個)光學圖像測量出一個(或多個)成像參數的一個(或一組)數值Cm-n
，例如用於MRI的T1、T2和Ktrans的參數、T1的參數、T2的參數及MRI參數的tau，在x方向上每相鄰的兩個停止點Wm-n
可彼此部分重疊，其重疊係為每一二維計算圖像12的該計算像素Pk -l
之x-方向寬度Xfp
位移，而在y方向上每相鄰的兩個停止點Wm-n
可彼此部分重疊，其重疊係為每一二維計算圖像12的該計算像素Pk -l
之y-方向寬度Yfp
位移。
可以針對二維移動窗口的每個停止點Wm-n
的一個(或一組)數值Cm-n
進行以下測量，如一(或多個)電腦斷層攝影(CT)參數、正電子發射斷層攝影(PET)參數、單光子發射電腦斷層攝影(SPECT)參數、微PET參數、微SPECT參數、拉曼參數和中的一個(或多個)/或生物發光光學(BLO)參數、超音波掃描參數、相機圖像參數和/或可見光圖像參數。可從檢測或分析工具中測量二維移動窗口的每個停止點Wm-n
的一或多個成像參數之一個(或一組)數值Cm-n
，例如是照相機、顯微鏡(光學或電子)、內窺鏡、探測器或光譜儀(可見光，螢光燈，IR，UV或X射線)、超音波掃描機器或系統、核磁共振成像(MRI)機器或系統、電腦斷層掃描(CT)機器或系統、正電子發射斷層掃描( PET)機器或系統、單光子發射電腦斷層攝影(SPECT)機器或系統、微型PET機器或系統、微型SPECT機器或系統、拉曼光譜儀或系統、和/或生物發光光學(BLO)機器或系統、或用於獲分數子或結構成像數據的其它機器。
接著，請參閱第22B圖，繼續如第22A圖所示的第一方面的步驟S22-2和S22-3。 因此，該演算法可用於將二維移動窗口的每一該停止點Wm-n
的一個(或多個)成像參數的一個(或一組)數值Cm-n
變換為更好解析度二維移動窗口的每一計算像素Pk-1的之該計算的機率dlk-1
。
第二方面：二維區域中更佳解析度的測量值的E演算法
II-1.
從二維原始圖像的原始像素的測量數值導出的計算圖
或者，如第22A圖至第22B圖中所示的步驟S22-2可以省略。第23A圖揭露本發明實施例中使用E演算法來獲得二維區域中的更好解析度之測量值的程序。請參閱第23A圖，在用於捲積(convolution)運算(Ec
)的步驟S23-1中，將二維移動窗口2應用在二維原始圖像，該二維原始圖像具有多個原始測量值，每個原始測量值用於在二維陣列排列中其原始像素之一pi- j
，其中二維原始圖像對位並與生物結構的目標區域11相關聯，以獲得成像參數的數值Cm-n
，例如T1的參數對於MRI參數或從由相機捕獲的光學圖像獲得的參數，對於二維移動窗口2的每個停止點Wm-n
、T2、Ktrans或tau。在這種情況下，各個原始像素的原始測量值二維原始圖像的pi-j
可以與MRI參數相關聯；二維原始圖像可以與對位到目標區域11或與目標區域11對齊的MRI切片相關聯。可依據獲得的二維原始圖像的原始像素pi-j
的相對應的一個(或多個)的成像參數的一個(或多個)原始測量值，獲得/計算出二維移動窗口2的每一該停止點Wm-n
的成像參數的數值Cm-n
，其中二維原始圖像的原始像素pi-j
係二維移動窗口2之每一該停止點Wm-n
覆蓋或關聯，所述二維移動窗口2的每個停止點Wm-n
的面積大於二維原始圖像的一個(或多個)原始像素pi-j
之面積。在x方向上的每相鄰的兩個停止點Wm-n
可以彼此部分地重疊，其位移等於二維計算圖12的計算像素Pk-1
的x方向寬度Xfp
。每相鄰的兩個停止點在y方向上的Wm-n
可以彼此部分地重疊，其位移等於二維計算圖12的計算像素Pk-1
的y方向寬度Yfp
。
接著，請參閱第23A圖，在解捲積(deconvolution)運算(Ed
)的步驟S23-2中，針對二維計算圖像的每個計算像素Pk-1
的成像參數的數值dk-1
。如在第二方面的說明中的步驟DC1-DC10中所示，依據每個覆蓋的相對應的一個(或多個)停止點Wm-n
的成像參數的數值Cm-n
，重復地更新或計算圖12中的一個(或多個)。 每一該計算像素Pk-1
，其中每一該計算像素Pk-1
的面積小於二維移動窗口2的相對應的一個(或多個)停止點Wm-n
之面積。
為了更詳細說明，可以對第一方面中所示的捲積(convolution)矩陣Mcw
進行解捲積(deconvolution)以獲得最終或計算矩陣Mdp
。解捲積(deconvolution)矩陣Mdp
包括特定2D區域中的每個最終或計算像素的最終或計算資料、資料集(組)或訊息。特定2D區域中的最終或計算像素的每個像素Pk-1
中或與之相關或描述的資料、資料集(組)或訊息具有與之相同的類型、屬性、類別或項目(例如，MRI參數)(例如，原始數據的MRI參數)，移動窗口之停止點中的資料集(組)或訊息。在最終或計算像素的每個像素Pk-1
中或與之相關或描述的資料、資料集(組)或訊息可以是數字、多個數字、實數、多個實數、數位化數字(例如，負整數， 0，或正整數)、多個數位化數字、0或1、多個0或1、標量、多個標量、向量、多個向量，或度數為0,1,2......t的張量，其中t是整數。 E演算法的解捲積(deconvolution)Ed
通過計算解出具有未知計算像素數據(dk-1
)和已知捲積(convolution)窗口數據(Cm-n
)的一組線性方程來獲得每個最終或計算像素的資料、資料集(組)或訊息。線性方程可以通過將每個捲積(convolution)窗口停止點Wm-n
的資料、資料集(組)或訊息等於由捲積(convolution)窗口(Wm-n
)及dk -l
包圍的所有最終或計算像素上的資料、資料集(組)或訊息來建立，該平均值可以通過線性平均、高斯平均或dk -l
的Lorentian平均來完成。
其中dk-1
是由移動窗口Wm-n
的停止點所包圍或在其內的最終或計算像素的資料、資料集(組)或訊息，其中k是從k1
到k1
+P-1，並且l來自 l1
至l1+
Q-1，m = 1,2,3......K-P+1； 並且n = 1,2,3，......，L-Q+1。
存在具有已知數(Cm-n
)和KxL未知數(dk-1
)的(K-P+1)x(L-Q+1)方程式。通過(PL+ KQ-PQ-K-L+P+Q-1)使未知數的數量大於方程式(5)的數量。下面將通過(1)在一個(或多個)區域中找到均勻或近似均勻的區域中的最終或計算像素的均勻或恆定資料、資料集(組)或訊息來描述增加已知數之數量和減少未知數之數量的方法。 (2)在從2D或感興趣區域的邊界延伸出的均勻性或近似均勻性的區域中找到最終或計算像素的均勻或恆定資料、資料集(組)或訊息。上述方法(1)可以提供多個已知數(計算像素的已知資料)等於或大於(PL+KQ-PQ-K-L+P+Q-1)的數量，使得該方程式(5)的數量可以被解出。如果移動窗口包括3乘3的計算像素，則上述方法(2)可以提供已知數(計算像素的已知資料) 等於或大於[(K+2)(L+2)-(K-P+3)x(L-Q+3)]的數量，使得該方程式(5)的(K-P+3)x(L-Q+3)的數量可被解出，
。該組線性方程可以通過計算機、設備、機器、處理器、系統或工具重復地求解。每個未知數(資料、資料集(組)或最終或計算像素的訊息) 的初始猜測值dk -l0
是經由覆蓋或包圍像素的所有停止點進行平均而獲得的，從每個封閉停止點的貢獻值係由重疊區域(A'm-n
)與該停止點區域(Am-n
)的面積相比之比值。可以使用Am-n
, A'm-n
和Cm-n
獲得dk -l0
：
其中，停止點Wm-n
覆蓋或包圍最終或計算像素Pk-1
具有從m1
到m2
的停止點指數m，並且n從n1
到n2
。在第一次迭代中，我們可以經由使用方程式(1)中的初始猜測dk -l0
來計算並獲得移動窗口的每個停止點Cm-n1
的第一資料、資料集(組)或訊息。當該組計算像素資料或訊息與具有誤差或差值的該組捲積(convolution)窗口資料或資訊匹配時在解法中的迭代結果小於同一2D區域中的指定值或數量，Ed
運算式可表示為：
Ed
(Mcw
, WPQ
) = Mdp
本發明的另一方面，可以依序執行捲積(convolution)運算式Ec
和解捲積(deconvolution)運算式Ed
以獲得完整的E演算法。 E演算法將原始矩陣Mop
(包括資料的成份/組成、資料集(組)或IxJ原始或初始像素的訊息，並具有IxJ集(組)或資料或訊息的成份/組成或組件)轉換為解捲積(deconvolution)矩陣Mdp
(包括資料的成份/組成、資料集(組)或通過捲積(convolution)窗口矩陣Mcw
(包括(K-P+1)x(L-Q+1)集合或相同的特定2D區域中的KxL像素的訊息並具有KxL集(組)或成份或資料或訊息的分量) 捲積(convolution)窗口中的資料或訊息的成份/組成或組件停止點)。 E演算法可以表示為：
E(Mop
(IxJ)) = Ed
(Mcw
((K-P+1)x(L-Q+1))) = Ed
Ec
(Mop
(IxJ)) = Mdp
(KxL)
在本發明的另一方面公開了線性代數中的E演算法。線性運算，例如加法(+)、減法(-)、乘標量(d)或除以標量(/)，使用移動窗口的每個停止點的資料或訊息來執行(即使用捲積(convolution)矩陣Mcw
)中的成份/組成，而不是使用原始或初始像素的資料或訊息(即代替使用捲積(convolution)矩陣Mop
中的成份/組成)。 移動窗口用作默認或標準尺寸、形狀、參數、配置或格式，用於包含和提供用於分析、比較、計算或工程的資料、資料集(組)或訊息。
其中Ms
或M是捲積(convolution)Mcw
的矩陣，並且Cs
是實數，s是1,2,3......S的整數，其中S是正整數。
在第二方面中描述和指定的捲積(convolution)運算(Ec
)類似於使用MRI檢測和診斷舉列如下在第一方面中描述的捲積(convolution)運算(Ec
)。可以請參閱第二方面中的捲積(convolution)運算(Ec
)，如第一方面所示。 如第一方面所示的MRI參數可以用於第二方面中的2D移動窗口之停止點Wm-n
的數值Cm-n
。 如第一個方面，可以將2D移動窗口應用在2D對象(例如，2D圖像10)，以獲得例如對於2D移動窗口的每個停止點Wm-n的MRI參數的數值Cm-n
之一。
為了更詳細說明，關於圖22中的步驟S23-2中的解捲積(deconvolution)運算(Ed
)，在步驟DC1中，每個計算像素Pk-l
的初始值dk-l
之一。可以首先依據與每一該計算像素Pk-l
重疊的移動窗口之停止點Wm-n
的數值Cm-n
的平均值來計算或假設。接著，在步驟DC2中，可以通過對每一該移動窗口的停止點Wm-n
中的計算像素Pk-l
的初始值dk-l
(從步驟DC1獲得)計算出平均值來計算對移動窗口的每個停止點Wm-n
的猜測值。接著，在步驟DC3中，可以將針對移動窗口的每個停止點Wm-n
的一個猜測(從步驟DC2獲得)與用於每一該停止點Wm-n
的數值Cm-n
之一進行比較。通過從每一該停止點Wm-n
的所述一個猜測(從步驟DC2獲得)中減去每一該停止點Wm-n
的所述值Cm-n
中的所述一個來獲得移動窗口，以獲得它們之間的差異所述值Cm-n
中的一個和所述一個猜測(從步驟DC2獲得)。接著，在步驟DC4中，可以執行確定步驟以確定差值的絕對值(從步驟DC3獲得)是否小於或等於預設門檻誤差值(preset threshold error)。如果對於各個停止點Wm-n
的差值的絕對值(從步驟DC3獲得)中的任何絕對值大於預設門檻誤差值(preset threshold error)，則繼續步驟DC5。如果對於每個停止點Wm-n的差值的絕對值(從步驟DC3獲得)小於或等於預設門檻誤差值(preset threshold error)，則繼續步驟DC10。
在步驟DC5中，通過對來自於該移動窗口的停止點Wm-n
與每一該計算像素Pk-l
重疊誤差校正貢獻(error correction contributions)總和/求和(summing)來計算出每個計算像素Pk-1
的誤差校正因子(ECF)，對於一般示例，如果移動窗口具有2乘2計算像素的尺寸，則移動窗口的相鄰四個停止點Wm-n
可能與計算像素Pk-1
中的一個重疊。從所述相鄰的四個停止點Wm-n
中的每一個到所計算出之像素Pk-1
之一的誤差校正貢獻(error correction contributions)可以通過將所述相鄰四個停止點中的每一個的差值(從步驟DC3獲得)乘以一空間比(space ratio)而計算出，該空間比係由計算像素Pk-1
與所述相鄰的八個停止點Wm-n
中的每一個之間的重疊空間與移動窗口的空間之比值。接著，在步驟DC6中，可以通過從每一該計算像素Pk-l
的初始值dk-l
減去誤差校正因子(ECF)(從步驟DC5獲得)來更新每個計算像素Pk-1
的初始值dk-1
之一。接著，在步驟DC7中，可以通過對每一該內部的計算像素Pk-1
的更新值dk-1
(從步驟DC6獲得)計算出平均值來更新對移動窗口的每個停止點Wm-n
的猜測值。移動窗口的停止點Wm-n
。接著，在步驟DC8中，可以將移動窗口的每個停止點Wm-n
的更新猜測之一(從步驟DC7獲得)與每一該停止點Wm-n
的數值Cm-n
中的一個進行比較，其比較係從每一該停止點Wm-n
的所述一個更新後的猜測(從步驟DC7獲得)中減去每一該停止點Wm-n
的數值Cm-n
中的一個來獲得該數值Cm-n的其中之一與更新後的猜測值的其中之一更新後的差值。接著，在步驟DC9中，可以執行確定步驟以確定更新後的差值的絕對值(從步驟DC8獲得)是否小於或等於預設門檻誤差值(preset threshold error)。如果針對各個停止點Wm-n
的更新後差值的任何絕對值(從步驟DC8獲得)大於預設門檻誤差值(preset threshold error)，則繼續步驟DC5-DC9進行另一次迭代。如果針對每個停止點Wm-n
的更新後差值的絕對值(從步驟DC8獲得)小於預設門檻誤差值(preset threshold error)，則繼續步驟DC10。
在另一次迭代中的步驟DC5中，可以通過將來自於移動窗口之停止點Wm-n
的更新後的誤差校正貢獻與每一該計算像素Pk-l
重疊來更新每個計算像素Pk-1
的誤差校正因子(ECF)。對於上面的一般示例，從相鄰的八個停止點Wm-n
至其中之一個計算像素Pk-1
的更新後的誤差校正貢獻，可以通過將空間比乘以相鄰的八個停止點Wm-n
的每一更新後的差值(從步驟DC8中獲得)來計算出。接著，在另一次迭代的步驟DC6中，可以通過將來自於每一計算像素Pk-1
的其中之一最新更新後的數值dk-l
(從當前迭代中的步驟DC6獲得)，減去每一計算像素Pk-1
之更新後的誤差校正因子(ECF) (從當前迭代中的步驟DC5獲得)，而更新每一計算像素Pk-1
的其中一個數值dk-l
。接著，在另一次迭代中的步驟DC7中，可以通過對更新值dk-1
(從步驟DC6中獲得)進行平均來更新對移動窗口的每個停止點W1-1-1
-WN-N-N
的猜測值。當前迭代)用於該移動窗口的每個停止點Wm-n
內的計算像素Pk-1
。接著，在另一次迭代的步驟DC8中，可以將移動窗口的每個停止點Wm-n
的更新後的猜測之一(從當前迭代中的步驟DC7獲得)與移動窗口的每個停止點Wm-n
的數值Cm-n
中的一個進行比較。該數值Cm-n
係經由從每一停止點Wm-n
的更新後的猜測(從當前迭代中的步驟DC7獲得)中減去每一該停止點Wm-n
的所述值Cm-n
之其一，而獲得其中之一數值Cm-n
與更新後的猜測之一(從當前迭代中的步驟DC7獲得)之間的更新的差值。接著，在另一次迭代中的步驟DC9中，可以執行確定步驟以確定更新後的差值的絕對值(從當前迭代中的DC8獲得)是否小於或等於預設門檻誤差值(preset threshold error)。如果針對各個停止點Wm-n
的更新後差值的任何絕對值(從當前迭代中的DC8獲得)大於預設門檻誤差值(preset threshold error)，則繼續上述步驟DC5-DC9多次迭代，直到絕對值每個停止點Wm-n
的更新差異(從當前迭代中的DC8獲得)小於預設門檻誤差值(preset threshold error)。如果針對每個停止點Wm-n
的更新後差值的絕對值(從當前迭代中的DC8獲得)小於或等於預設門檻誤差值(preset threshold error)，則繼續步驟DC10。
在步驟DC10中，可以將每個計算像素Pk-1
的更新值dk-1
之一確定為每一該計算像素Pk-1
的最佳值，其可以被建構2D計算圖。在MRI參數的示例中，計算像素Pk-1
在x和y方向上的寬度Xfp
和Yfp
中的每一個可以在0.1到10毫米的範圍內，並且最佳地在0.5到3毫米的範圍內。 或者，在紅外吸收參數的示例中，計算像素Pk-1
在x和y方向上的寬度Xfp
和Yfp
中的每一個可以在1至20微米的範圍內，並且最佳地在1至5微米的範圍內。
II-2
。
從二維移動窗口的測量數值導出的計算圖
或者，第23B圖揭露本發明實施例中使用E演算法來獲得二維區域中的更好解析度之測量值的另一程序。請參閱第5圖、第6A圖和第23B圖，在步驟S23-3中，通過在目標區域11中逐步(step by step)移動二維移動窗口2，其位移等於二維計算圖像的計算像素Pk-1
的x方向寬度Xfp
，並且在目標區域11上逐行(row by row)移動，其位移等於y方向寬度Yfp
測量出成像參數的一數值Cm-n ，
以將二維移動窗口2應用在二維結構的目標區域11上，二維結構例如係生物結構或活體檢查組織。其中該成像參數的數值Cm-n
例如係用於MRI參數的參數T1、T2，Ktrans或tau，或者從由相機捕獲的光學圖像獲得的參數，在x方向上的每相鄰的兩個停止點Wm-n
可以彼此部分地重疊，其位移等於二維計算圖12之計算像素Pk -l
的x方向寬度Xfp
。每相鄰的兩個停止點Wm-n
在y方向上的位移可以彼此部分地重疊，其位移等於二維計算圖12的計算像素Pk-1
的y方向寬度Yfp
。
電腦斷層攝影(CT)參數、正電子發射斷層攝影(PET)參數、單光子發射電腦斷層攝影(SPECT)參數、微PET參數、微SPECT參數、拉曼參數和中的一個(或多個)/或生物發光光學(BLO)參數、超音波掃描參數、相機圖像參數和/或可見光圖像參數可以針對二維移動窗口的每一該停止點Wm-n
的數值Cm-n
進行測量。用於該二維移動窗口的每個停止點Wm-n
的成像參數的數值Cm-n
可以從檢測或分析儀器測量，例如照相機、顯微鏡(光學或電子)、內窺鏡、檢測器或光譜儀(可見)光，螢光燈，IR，UV或X射線)、超音波掃描機器或系統、核磁共振成像(MRI)機器或系統、電腦斷層掃描(CT)機器或系統、正電子發射斷層掃描(PET)機器或系統、單-光子發射電腦斷層掃描(SPECT)機器或系統、微型PET機器或系統、微型SPECT機器或系統、拉曼光譜儀或系統、和/或生物發光光學(BLO)機器或系統、或用於獲分數子或結構的其它機器成像數據。
在一個實例中，活體檢查組織可以固定在載玻片上，並且活體檢查組織的2D圖像可以通過照相機或顯微鏡捕獲。 紅外(IR)檢測器可以產生二維移動窗口以應用在二維目標區域，例如活體檢查組織，例如測量特定光譜下的IR吸光度參數的二維移動窗口的每個停止點Wm-n
數值Cm-n
。
接著，繼續如第23A圖所示的第二方面的步驟S23-2。 因此，可以採用第二方面的演算法將用於2D移動窗口的停止點Wm-n
的成像參數的數值Cm-n
變換為計算像素Pk-1
的成像參數的數值dk-1
。該成像參數的數值dk-1
可由上述第二方面提到的那樣計算方式計算得出。
第三方面：在三維空間(3D)中具有更好解析度的測量值的E演算法
III-1.
從三維原始圖像的原始體素的測量數值導出的計算圖
第24圖揭露了顯示根據本申請的三維物體的三維(3D)圖像之示意圖。第25圖揭露本發明實施例之三維(3D)移動窗口之示意圖。圖第26A圖至第26C圖為本發明實施例中將三維移動窗口應用在三維圖像，並在3D圖像中獲得更好解析度的程序之示意圖。如第23A圖、第24圖、第25圖和第26A圖至第26C圖所示，在用於捲積(convolution)運算(Ec)的步驟S23-1中，將三維移動窗口102應用在具有多個成像參數的原始測量值的三維原始圖像，例如，參數T1、T2、Ktrans和/或tau用於MRI參數或從波導穿透裝置獲得的參數，該波穿透裝置被配置為產生穿透目標空間100的波，每個波導裝置被佈置在其中的一個原始體素(voxels)pi-j-g
中。三維陣列，其中三維原始圖像被對位並與生物結構相關聯並覆蓋目標空間100，以獲得三個的每個停止點Wm-n-u
的成像參數的數值Cm-n-u-
在這種情況下，三維原始圖像的各個原始體素pi-j-g
的原始測量值可以與MRI參數相關聯；三維原始圖像可以與對位到目標空間100或與目標空間100對齊的多個MRI切片的組合相關聯。用於三維移動窗口102的每一該停止點Wm-n-u
的成像參數的數值Cm-n-u
。可以依據三維原始圖像的相對應的一個(或多個)原始體素pi-j-g
的成像參數的一個(或多個)原始測量值來計算或獲得所述原始測量值，所述原始測量值被每一該停止點Wm-n-u
覆蓋或關聯。所述三維移動窗口102的每一該停止點Wm-n-u
具有比所述三個移動窗口102中的相對應的一個(或多個)原始體素pi-j-g
中的每一個的體積更大的體積。尺寸原始圖像。在x方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素Pk-1-h
的x方向寬度Xfp
。 y方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素Pk-1-h
的y方向寬度Yfp
。 z方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素Pk-1-h
的z方向寬度Zfp
。
接著，請參閱第23A圖，在解捲積(deconvolution)運算(Ed
)的步驟S23-2中，針對三維計算圖像的每個計算體素Pk-l-h
的成像參數的數值dk-l-h
。依據用於各自覆蓋每一該計算體素Pk-l-h
的一個(或多個)停止點Wm-n-u
的成像參數的數值Cm-n-u
中的一個(或多個)，重復地更新或計算，如第三方面中的步驟DC1-DC10所示，其中每一該計算體素Pk-l-h
的體積小於三維移動窗口102的相對應的一個(或多個)停止點Wm-n-u
中的每一個的體積。
本發明的另一方面提供了一種演算法、方法或運算式，用於在3D空間的各個位置xi-j-g
處將與原始或初始體素(pi-j-g
)相關的資料、資料集(組)或訊息變換為資料、資料集(組)或訊息在相同位置Xk-l-h
的最終或計算體素(Pk-l-h
)中，相同的3D空間，其中i，j，g，k，l，h是正整數，i 是從1,2,......至I；j是從1,2,......至J；g是從1,22,......至G；k是從1,2,......至K；l是從1,2......到L；及h是從1,2......到H, 與原始或初始體素相比，在一組新的資料、資料集(組)或最終或計算體素的訊息中的轉換結果，具有更好的解析度和更低的雜訊。 K可以與I不同、L可以與J不同，H可以與G不同。為了有更好的解析度和更低的雜訊，每個最終或計算體素的體積小於原始或初始體素的體積，即K> I，L> j和H> G。或者，當I = K、J = L且H = G時，Xk-l-h
可與xi-j-h
相同，其中由於資料、資料集(組)或原始或初始體素的訊息中的測量波動所引起的雜訊可被模糊消除。3D空間可包括原始或初始體素網格中的IxJxG體素，其中體素的尺寸和數量可以由用於獲得與原始或初始體素相關的資料、資料集(組)或訊息的某個檢測器或傳感器測定，其中原始或初始體素與使用某個檢測器或傳感器的檢測中的測量體素相同。或者，可以選擇體素的尺寸和數量以形成3D空間或矩陣，其中可以依據使用檢測中的測量體素的資料、資料集(組)或訊息來獲得原始或初始體素的資料、資料集(組)或訊息。某個探測器或傳感器。例如，原始或初始體素的資料、資料集(組)或訊息可以通過對原始或初始體素(全部或部分)重疊的測量體素的資料、資料集(組)或訊息的體積平均來計算。 3D空間也可包括最終或計算體素的網格中的KxLxH體素，其中可以生成體素的尺寸和數量以用於分析，診斷或特定應用的期望解析度。與原始或初始體素相關的資料、資料集(組)或訊息可以是從某個檢測器或傳感器獲得的特定類型、屬性、類別或項目(例如，MRI參數)。與最終或計算體素相關的資料、資料集(組)或訊息可以是從變換或計算獲得的相同類型、屬性、類別或項目(例如，原始或初始體素的MRI參數)。或者，與原始或初始體素相關的資料、資料集(組)或訊息可以是例如特定波長範圍的IR吸收圖像、特定範圍的波長的拉曼散射圖像，特定的螢光圖像波長範圍，或人體器官的超音波圖像。原始或初始體素在一個方向(例如，x方向)上具有尺寸xop
，在垂直於x方向(例如，y方向)yop
的方向上的尺寸和在垂直於xy平面的方向上的尺寸(例如，z方向)zop
；而最終體素在一個方向(例如，x方向)Xfp
上具有尺寸，在垂直於x方向(例如，y方向)Yfp
的方向上具有尺寸，並且在垂直於xy平面的方向上具有尺寸(例如，z方向)Zfp
。最終體素可以具有與原始體素相同的尺寸(尺寸)；或者每個體素的尺寸大於或小於原始或初始體素的尺寸，而兩者都在相同的3D空間中。原始體系或初始體素(pi-j-g
)中的或與之相關或描述的資料、資料集(組)或訊息可以是數字、多個數字、實數、多個實數、數位化數字(例如，負數、0或正整數)、多個數位化數字、0或1、多個0或1、標量、多個標量、向量、多個向量或度數為0,1,2,...至t的張量，其中t是整數。
本發明所揭露的演算法或運算子包括以下兩個運算式，捲積(convolution)運算(Ec
)和解捲積(deconvolution)運算(Ed
)。 Ec
和Ed
可以單獨或一起操作。 將這兩個操作組合在一起時，它是工程運算式(E運算式)，E = Ed
Ec
。 E演算法以及Ec
和Ed
運算式將被描述並指定如下。
特定3D空間中原始或初始體素中的原始資料、資料集(組)或訊息被轉換為3D移動窗口之停止點中的資料、資料集(組)或訊息，具有相同類型、屬性、類別的資料、資料集(組)或訊息或者項目(例如，MRI參數)作為原始資料、資料集(組)或原始或初始體素中的訊息(例如，MRI參數)。3D移動窗口在E演算法或E運算式中起關鍵作用。此E演算法或E運算式定義一些物理、計算、分析或統計項目(/目的)，以獲得更好的解析度和更低的雜訊。3D移動窗口的尺寸、體積、形狀、參數或格式可以成為收集，存儲，計算，(統計)分析資料或訊息，或工程學習或機器的默認或標準尺寸、體積、形狀、參數或格式學習。通常，選擇3D移動窗口的尺寸、體積、形狀、參數或格式以包圍至少幾個原始或初始體素，以及至少幾個最終或計算體素。例如，3D移動窗口大小、體積和形狀可以定義為體積(3D移動窗口的x尺寸乘以3D移動窗口的y尺寸乘以3D移動窗口的z尺寸)等於體積活檢樣本；其中活體組織檢查樣品的體積可以經由使用具有常規或標準尺寸的針頭在標準活體組織檢查程序中採集的活檢樣品的平均體積來定義。上述3D移動窗口體積被定義為3D空間中3D移動窗口的尺寸、體積、形狀、參數或格式。 3D移動窗口可以具有球形、橢圓形、立方體或長方體的形狀。當3D移動窗口具有球形時，最大內切立方體可包含pxpxp原始或初始體素；或者PxPxP最終或計算體素：其中p和P是正整數並且大於或等於1，在某些情況下，P被選擇為正整數並且大於或等於2，當3D時移動移動窗口具有橢圓形狀時，最大內切長方體可包含pxqxr原始或初始體素；或者PxQxR最終或計算體素：其中p、q、r、P、Q和R是正整數並且大於或等於1，在某些情況下，P、Q和R被選擇為正整數並且當3D移動窗口具有立方體形狀時，立方體可能包含pxpxp原始體素或初始體素；或者PxPxP最終或計算體素：其中p和P是正整數並且大於或等於1，在某些情況下，P被選擇為正整數並且大於或等於2。 3D移動移動窗口具有長方體形狀，長方體可包含pxqxr原始或初始體素；或者PxQxR最終或計算體素：其中p、q、r、P、Q和R是正整數並且大於或等於1，在某些情況下，P、Q和R被選擇為正整數並且大於或等於2。3D移動窗口在x方向上步進/移動距離(step)Xfp
，在y方向上步進/移動距離(step)Yfp
，在z方向上步進/移動距離(step)Zfp
，步進/移動距離(step)相同的3D空間，產生一個人口稠密和重疊的陣列(3D)停止點。每個停止點分別在x、y和z方向上與Xfp
、Yfp
或Zfp
步伐(step)或位移重疊其最近的相鄰停止點。 3D空間中的每個停止點包括多個原始體素，全部或部分。每個停止點的資料、資料集(組)或訊息是通過對停止點所包圍的所有體素進行平均而獲得的。對於一些部分封閉的體素，可以通過按比例稱量封閉體積來完成對這些體素的平均計算。平均可以通過線性平均、高斯平均或Lorentian平均來完成。在線性平均中，可假設3D移動窗口的每個停止點中的資料、資料集(組)或訊息是均勻的。上述方法將原始或初始體素中的資料、資料集(組)或訊息轉換為3D移動窗口的資料、資料集(組)或訊息；其中變換可以稱為捲積(convolution)。位置Xm-n-u
處的3D移動窗口的停止點被定義為Wm-n-u
，其中m = 1,2,3,4,...M，n = 1,2,3,4 ...... N，和u = 1,2,3,4......U，3D移動窗口的每個停止點(Wm-n-u
)中或與之相關的資料、資料集(組)或訊息可以是數字、多個數字、實數、多個實數、數位化數字(例如負整數，0或正整數)、多個數位化數字、0或1、多個0或1、標量、多個標量、向量、多個向量或張量階數為0,1,2......t的程度，其中t是整數。由於3D移動窗口係以最終或計算體素的尺寸步進/移動距離(step)/移動，因此在最終或計算體素的3D陣列中計算停止點的數量。移動窗口的每個停止點包括PxQxR最終或計算體素。原始矩陣Mop
包括IxJxG體素並具有IxJxG集(組)或成份或資料、資料集(組)或訊息的組件。捲積(convolution)矩陣Mcw
包括移動窗口的(K-P+1)x(L-Q+1)x(H-R+1)個停止點，並且具有(K-P+1)x(L-Q+1) x(H-R+1)組/集(set)的、資料集(組)或訊息的成份/組成或組件。Ec
運算式將原始矩陣Mop
(包括IxJxG集(組)或資料的成份/組成、資料集(組)或訊息(例如，MRI參數)中所描述或表示之特定3D空間中的每個原始體素)轉換為捲積(convolution)矩陣Mcw
(包括(K-P +) 1)x(L-Q+1)x(H-R+1)設置或描述或表示之特定3D空間中3D移動窗口的每個停止點的平均資料、資料集(組)或訊息(例如，MRI參數)的成份/組成)可表示為：
Ec
(Mop
, WPQR
) = Mcw
其中Mop
具有尺寸或大小IxJxG，3D移動窗口WPQR
具有尺寸或大小PxQxR，並且Mcw
具有尺寸或大小((K-P+1)x(L-Q+1)x(H-R+1)。 Mcw
包含與Mop
相同類型、屬性、類別或項目的資料、資料集(組)或訊息元素。例如，Mcw
和Mop
中的成份/組成是與MRI參數相關的資料、資料集(組)或訊息。 Mcw
和Mop
中的成份/組成是與IR吸收、拉曼散射、螢光或超音波成像相關的資料、資料集(組)或訊息。
在本發明的另一方面，可以對捲積(convolution)矩陣Mcw
進行解捲積(deconvolution)以獲得最終或計算矩陣Mdp
。解捲積(deconvolution)矩陣Mdp
包括特定3D空間中的每個最終或計算體素的最終或計算資料、資料集(組)或訊息。特定3D空間中的最終或計算體素的每個體素Pk-l-h
中或與之相關或描述的資料、資料集(組)或訊息具有與之相同的類型、屬性、類別或項目(例如，MRI參數)(例如，原始數據的MRI參數)，3D移動窗口之停止點中的資料集(組)或訊息。最終或計算體素的每個體素Pk-l-h
中或與之相關或描述的資料、資料集(組)或訊息可以是數字、多個數字、實數、多個實數、數位化數字(例如，負整數， 0，或正整數)、多個數位化數字、0或1、多個0或1、標量、多個標量、向量、多個向量，或度數為0,1,2......t的張量，其中t是整數。 E演算法的解捲積(deconvolution)Ed通過計算解出具有未知計算像素數據(dk-l-h
's)和已知捲積(convolution)窗口數據(Cm-n-u
's)的一組線性方程，獲得每個最終或計算體素的資料、資料集(組)或訊息。線性方程可以通過將每個捲積(convolution)窗口停止點Wm-n-u
的資料、資料集(組)或訊息等於在捲積(convolution)窗口(Wm-n-u
), dk -l
-h
所包圍的所有最終或計算體素上平均的資料、資料集(組)或訊息來建立，該平均之計算可以通過線性平均、高斯平均或dk -l-h
的Lorentian平均來完成。
其中dk-1-h
是由3D移動窗口的停止點Wm-n-u
包圍或在其內的最終或計算體素的資料、資料集(組)或訊息，其中k是從k1
到k1
+P-1，l
為l 1
至l1
+Q-1，h為h1
至h1
+R-1，m = 1,2,3...... K-P+1； n = 1,2,3，...... , L-Q+1，u = 1,2,3，...... ., H-R+1。
存在具有已知數(Cm-n-u
)和KxLxH未知數(dk -l-h
)的(K-P+1)x(L-Q+1)x(H-R+1)方程式。未知數的數量大於方程式的數量。下面將通過以下方式描述增加已知數之數量和減少未知數之數量的方法：(1)在感興趣的3D空間中均勻的區域、近似均勻的區域中找到均勻或恆定的資料、資料集(組)或用於最終或計算體素的訊息。及/或(2)在所述區域是從感興趣的3D空間的邊界延伸出的一個(或多個)均勻區域或大致均勻的區域中找到均勻或恆定的資料、資料集(組)或訊息。該組線性方程可以通過計算機、設備、機器、處理器、系統或工具重復地求解。每個未知數(資料、資料集(組)或最終或計算像素的訊息)dk-1-h0
的初始猜測值是通過對覆蓋或包圍體素的所有停止點進行平均而獲得的。每個封閉停止點的貢獻由重疊體積(V'm-n-u
)的體積比與該停止體積(Vm-n-u
)計算。使用Vm-n-u
、V'm-n-u
和Cm-n-u
可以得到dk-l-h0
：
其中，停止點Wm-n-u
覆蓋或包圍最終或計算體素Pk-1-h
的停止點指數m從m1到m2、n從n1到n2、u從u1到u2。例如，如果移動窗口包括8個計算體素(2×2×2)，則特定的計算體素將與8(23
)個窗口停止重疊；如果移動窗口包括27個計算體素(3×3×3)，則特定的計算體素將被27(33
)個窗口停止重疊；如果移動窗口包括24個計算體素(2×3×4)，則特定的計算體素將與24(2×3×4)個窗口停止重疊。在第一次迭代中，我們可以經由使用方程式(3)中的初始猜測xk-1-h0
來計算並獲得3D移動窗口的每個停止點的第一資料、資料集(組)或訊息，Cm-n-u
。當該組計算體素資料或訊息與捲積(convolution)窗口資料集合或具有小於或等於同一3D空間中的指定值或數量的誤差或差值的訊息匹配時，迭代產生解Mdp
(KxLxH)。 Ed
運算式可表示為：
Ed
(Mcw
, WPQR
) = Mdp
在本發明的另一方面，可以依次執行捲積(convolution)運算式Ec
和解捲積(deconvolution)運算式Ed
以獲得完整的E演算法。 E演算法將原始矩陣Mop
(包括IxJxG原始或初始體素的資料、資料集(組)或訊息的成份/組成，並具有IxJxG集(組)或資料或訊息的成份/組成或組件)經由捲積(convolution)窗口矩陣Mcw
(包括在捲積(convolution)窗口停止點中(K-P+1)x(L-Q+1)x(H-R+1)組資料的成份/組成、資料集(組)或資訊)，轉換為在同一特定3D空間中解捲積(deconvolution)矩陣Mdp
(包括用於KxLxH體素之資料的成份/組成、資料集(組)或資訊及具有KxLxH組、資料的成份/組成、資料集(組)或資訊)，E演算法可以表示為
E(Mop
(IxJxK)) = Ed
(Mcw
((K-P+1)x(L-Q+1)x(H-R+1))) = Ed
Ec
(Mop
(IxJxK)) = Mdp
(KxLxH)
在本發明的另一方面，本發明公開了線性代數中的E演算法。 線性運算，例如加法(+)、減法(-)、乘標量(d)或除以標量(/)，使用3D移動窗口的每個停止點的資料或訊息來執行(使用捲積(convolution)矩陣(Mcw
)中的成份/組成，而不是使用原始或初始體素的資料或訊息(但不是使用捲積(convolution)矩陣Mop
中的成份/組成)。 3D移動窗口用作默認或標準尺寸、體積、形狀、參數、配置或格式，用於包含和提供用於分析、比較、計算或工程的資料、資料集(組)或訊息。
其中Ms
或M是捲積(convolution)Mcw
的矩陣，並且Cs
是實數，s是1,2,3......S的整數，其中S是正整數。
參閱第24圖，三維物體可以是人或動物的器官，例如腦、肝、肺、腎、乳腺或前列腺。 3D圖像100可以由沿z方向步進/移動距離(step)的MRI機器所創建，以形成沿z方向佈置的多個MRI切片10。
如第一方面所示的MRI參數可以用於第三方面中3D移動窗口之停止點Wm-n-u
的數值Cm-n-u
。
或者，電腦斷層掃描(CT)參數、正電子發射斷層掃描(PET)參數、單光子發射電腦斷層掃描(SPECT)參數、微PET參數、微SPECT參數、拉曼參數中的一個(或多個)和/或生物發光光學(BLO)參數、超音波掃描參數、紅外吸收參數、相機圖像參數和/或可見光圖像參數也可以針對每一該停止點Wm-n-u
的數值Cm-n-u
進行測量。第三方面的三維移動窗口。第三方面中的三維移動窗口之停止點Wm-n-u
的資料、資料集(組)或訊息Cm-n-u
可以從檢測或分析儀器獲得，例如照相機、顯微鏡(光學或電子)、內窺鏡、檢測器或光譜儀(可見光，螢光燈，IR，UV或X射線)、超音波掃描機器或系統、核磁共振成像(MRI)機器或系統、電腦斷層掃描(CT)機器或系統、正電子發射斷層掃描(PET)機器或系統、單光子發射電腦斷層掃描(SPECT)機器或系統、微型PET機器或系統、微型SPECT機器或系統、拉曼光譜儀或系統、和/或生物發光光學(BLO)機器或系統、或用於獲得的其它機器分子或結構成像數據。
可以採用第三方面的演算法將3D移動窗口的停止點Wm-n-u
的資料、資料集(組)或訊息Cm-n-u
變換為用於計算體素Pk-l-h的資料、資料集(組)或訊息dk-l-h
。可以如上面在第三方面中提到的那樣計算資料、資料集(組)或訊息dk-1-h
。
為了更詳細說明，提到如下的示例：
請參閱第25圖，移動窗口MV可以是具有2×2×2立方體的立方體形狀的三維(3D)移動窗口102。三維(3D)移動窗口102可以被劃分為多個小單元或立方體106，3D移動窗口102中的小立方體106的數量可以等於n3
，其中n等於整數，例如每個小立方體106可以在x方向上具有寬度Xfp
，在y方向上具有寬度Yfp
，在z方向上具有寬度Zfp
。寬度Xfp
可以大致上等於大致上等於Zfp
的寬度Yfp
。基於立方體6的尺寸(例如，寬度Xfp
、Yfp
和Zfp
)和形狀，可以定義用於構成3D計算圖像的計算體素Pk-1-h
的尺寸和形狀。換句話說，例如，用於構成計算圖像的每個計算體素Pk-l-h
可以被定義為在x方向上具有寬度Xfp
，在y方向上具有寬度Yfp
並且在z方向上具有寬度Zfp
的立方體，其體積與每個立方體106的體積基本相同。
請參閱第25圖，每個立方體106可以具有1毫米乘1毫米乘1毫米的體積，也就是說，立方體106中的每個可以具有1毫米(mm)的寬度Xfp
、Yfp
和Zfp
。寬度Xfp
、Yfp
和Zfp
中的每一個可以在1微米至10毫米的範圍內，並且寬度Xfp
、Yfp
和Zfp
可以相同。 或者，寬度Xfp
、Yfp
和Zfp
中的任何兩個可以相同，但寬度Xfp
、Yfp
和Zfp
中的另一個可以與寬度Xfp
、Yfp
和Zfp
中的任何兩個不同。 或者，寬度Xfp
、Yfp
和Zfp
中的每兩個可以彼此不同。在MRI參數的示例中，計算體素Pk-1-h
在x、y和z方向上的寬度Xfp
、Yfp
和Zfp
中的每一個可以在0.1到10毫米的範圍內，並且最佳地在0.5到3毫米的範圍內。
如第22A圖、第24圖、第25圖和第26A圖至第26C圖所示，在用於捲積(convolution)運算(Ec)的步驟S23-1中，三維移動窗口102可以應用在3D圖像100中所示的三維對象，在第24圖中，為了獲得3D移動窗口102的每個停止點Wm-n-u
的數值Cm-n-u
之其一，其中x、y或z方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分重疊。 3D移動窗口102可以執行以下步驟：
(1)從左側逐步移動距離等於立方體106在x方向上的寬度Xfp
(等於x方向上的計算體素Pk-l-h
的寬度) 將3D圖像100連續到3D圖像100的右側，以獲得行中的3D移動窗口102的每個停止點Wm-n-u
的數值Cm-n-u
之一； 例如，3D移動窗口102可以在用於3D圖像100的z方向上排列的最前面的兩個MRI切片10中逐步移動，其距離等於x中的立方體106的寬度Xfp
。 從3D圖像100的左側到最上面的行中的3D圖像100的右側的方向(等於在x方向上的計算體素Pk-l-h
的寬度)以獲得數值C1-1-1
-CN-1-1
中的一個 如第26A圖所示，3D移動窗102的每個停止點W1-1-1
-WN-1-1
的C1-1-1
-CN-1-1
；
(2)移動到3D圖像100的下一行，其距離等於立方體106在y方向上的寬度Yfp
(等於在y方向上的計算體素Pk-l-h
的寬度)到重複步驟(1)以獲得下一個底行中3D移動窗口102的每個停止點Wm-n-u
的數值Cm-n-u
之其一，其中步驟(1)和(2)重複，如圖所示直到3D移動窗口102移動到3D圖像100的最下面的行以重複步驟(1)以獲得在平面上之3D移動窗口102的每個停止點Wm-n-u
的數值Cm-n-u
之其一；例如，3D移動窗口102可以移動到第二最頂行，其距離等於立方體106在y方向上的寬度Yfp
(等於在y方向上的計算體素Pk-l-h
的寬度)。最前面的兩個MRI切片10在z方向上排列，以使3D圖像100重複步驟(1)，以獲得3D移動窗口102的每個停止點W1-2-1
-WN-2-1
的數值C1-2-1
-CN-2-1
；如第26A圖所示，3D移動窗口102可以在用於3D圖像100的z方向上排列的最前面的兩個MRI切片10中逐行重複步驟(1)，直到3D移動窗口102移動到3D圖像100的最下面的行為止，以獲得3D移動窗口102的每個停止點W1-1-1
-WN-N-1
的數值C1-1-1
-CN-N-1
之其一；
(3)移動到在z方向上對齊3D圖像100的MRI切片10的下一組合，其距離等於立方體106在z方向上的寬度Zfp
(等於在z方向上的計算體素Pk-l-h
寬度)重複步驟(1)和(2)以獲得3D移動窗口102的每個停止點Wm-n-u
的數值Cm-n-u
之其一，其中步驟(1)、(2)和(3)重複，直到3D移動窗口102移動到在z方向上排列在3D圖像100並對齊z方向之MRI切片10的最後面的組合，步驟(1)及(2)重複，在在3D圖像100並對齊z方向之MRI切片10的最後面的組合；例如，3D移動窗口102可以逐行地重複步驟(1)和(2)，其距離等於立方體106在z方向上的寬度Zfp
(等於計算體素Pk-l-h
的寬度)。從z方向上排列的MRI切片10的最前面的兩個MRI切片10到z方向上，在第26A圖至第26C圖中在z方向上排列的最後兩個MRI切片10用於3D圖像100以獲得其中一個數值對於3D移動窗口102的每個停止點W1-1-1
-WN-N-N
的C1-1-1
-CN-N-N
之其一。
為了進一步詳細說明，計算體素Pk-1-h
中的一個可以在3D移動窗口102的多個停止點Wm-n-u
中彼此部分地彼此重疊。在該示例中，3D移動窗口102可以具有2×2×2立方體。計算體素Pk-1-h
中的一個可以在3D移動窗口102的八個停止點Wm-n-u
中彼此部分重疊，第26D圖至第26J圖是揭露了以各種方式部分地彼此重疊的3D移動窗口的兩個停止點之示意圖，其中一個計算體素在3D移動窗口的所述兩個停止點內。參照第26D圖，計算體素Pk-l-h
可以在3D移動窗口的兩個重疊的停止點Wm-n-u
和W(m+1)-n-u
內在x方向上彼此偏移，其中數量m可以是如果是從1到(N-1)的整數範圍，則數n可以是從1到N的整數範圍，並且數u可以是從1到N的整數範圍。參考第26E圖，計算體素Pk-l-h
可以在3D移動窗口的兩個重疊的停止點Wm-n-u
和Wm-(n+1)-u
內在y方向上彼此偏移，其中數量m可以是從1到N的整數範圍，數字n可以是從1到(N-1)的整數範圍，並且數字u可以是從1到N的整數範圍。參考第26F圖，計算體素Pk-l-h
可以在兩個重疊的停止點Wm-n-u
及Wm-n-(u+1)
內在z方向上彼此偏移，其中，數量m可以是從1到N的整數範圍，數量n可以是從1到1的整數範圍。 N和數字u可以是從1到(N-1)的整數範圍。參考第26G圖，計算體素Pk-l-h
可以在x及y方向上移動中的3D移動窗口彼此偏移的兩個重疊的停止點Wm-n-u
和W(m+1)-(n+1)-u
內，其中數m可以是從1到(N-1)的整數範圍，數n可以是從1到(N-1)的整數範圍，並且數u可以是從1到N的整數範圍，參考第26H圖，計算體素Pk-l-h
可以在x移動窗口的兩個重疊的停止點Wm-n-
u和W(m+1)-n-(u+1)
內在x和z方向中彼此位移，其中數m可以是從1到(N-1)的整數範圍，數n可以是1到N的整數範圍，數u可以是從1到(N-1)的整數範圍)。參考第26I圖，計算體素Pk-l-h
可以在三維移動窗口的兩個重疊的停止點Wm-n-u
和Wm-(n+1)-(u+1)
內在y和z方向中彼此偏移，其中數量m可以是從1到N的整數範圍，數量n可以是從1到(N-1)的整數範圍，並且數量u可以是從1到(N-1)的整數範圍。參考第26J圖，計算體素Pk-l-h
可以在3D移動窗口彼此偏移的兩個重疊的停止點Wm-n-u
和W(m+1)-(n+1)-(u+1)
內。在x、y和z方向上，其中數m可以是從1到(N-1)的整數範圍，數n可以是從1到(N-1)的整數範圍，並且數u可以是整數範圍從1到(N-1)。
接著，在第22A圖、第24圖、第25圖和第26A圖至第26C圖中，在解捲積(deconvolution)運算(Ed)的步驟S23-2中，每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的數值d1-1-1
-d(N+1)-(N+1)-(N+1)
中的一個，可以依據數值Cm-n-u
計算，亦即C1-1-1
-CN-N-N
，用於各自的停止點Wm-n-u
，亦即W1-1-1
-WN-N-N
，每個都覆蓋每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
，其中每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的體積小於三維移動窗口的體積102。
關於更詳細說明，關於解捲積(deconvolution)運算(Ed)，在步驟DC1中，可以首先依據移動窗口102的停止點W1-1-1
-WN-N-N
之數值C1-1-1
-CN-N-N
的平均值來計算或假設用於每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的初始值d1-1-1
-d(N+1)-(N+1)-(N+1)
中的一個，接著在步驟DC2中，可以通過對初始值d1-1-1
-d(N+1)-(N+1)-(N+1)
(從步驟DC1獲得)計算出移動窗口102的停止點W1-1-1
-WN-N-N
之猜測值。接著，在步驟DC3中，將移動窗口102的每一停止點W1-1-1
-WN-N-N
之猜測值(從步驟DC2獲得)其中之一與移動窗口102的每一停止點W1-1-1
-WN-N-N
之的數值C1-1-1
-CN-N-N
其中之一進行比較，其比較係經由從每一停止點W1-1-1
-WN-N-N
之猜測值(從步驟DC2獲得)其中之一減去每一停止點W1-1-1
-WN-N-N
之的數值C1-1-1
-CN-N-N
其中之一所獲得猜測值(從步驟DC2獲得)其中之一與數值C1-1-1
-CN-N-N
其中之一之間的差值，接著，在步驟DC4中，可以執行確定步驟，以確定差值的絕對值(從步驟DC3獲得)是否小於或等於預設門檻誤差值(preset threshold error)。如果對於各個停止點W1-1-1
-WN-N-N
的差值的任何絕對值(從步驟DC3獲得)大於預設門檻誤差值(preset threshold error)，則繼續步驟DC5。如果對於每個停止點W1-1-1
-WN-N-N
的差值的絕對值(從步驟DC3獲得)小於或等於預設門檻誤差值(preset threshold error)，則繼續步驟DC10。
在步驟DC5中，計算出每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的誤差校正因子(ECF)。通過對來自移動窗口102的停止點W1-1-1
-WN-N-N
的誤差校正貢獻(error correction contributions)總和/求和(summing)，重疊每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
。對於一般示例，如果移動窗口102具有2乘2乘2計算體素的尺寸，則移動窗口102的相鄰八個停止點W1-1-1
-WN-N-N
可能重疊一個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
。從所述相鄰的八個停止點W1-1-1
-WN-N-N
中的每一個到所計算出之體素P1-1-1
-P(N+1)-(N+1)-(N+1)
之一的誤差校正貢獻(error correction contributions)可以通過乘以該相鄰的八個停止點W1-1-1
-WN-N-N
中的每一個的差值(從步驟DC3獲得)計算得出，該差值係為計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
之其一與每一相鄰的八個停止點W1-1-1
-WN-N-N
之重疊空間與該移動空間的空間體積之比值，接著，在步驟DC6中，對於每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的初始值d1-1-1
-d(N+1)-(N+1)-(N+1)
之其一，可通過從每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的初始值d1-1-1
-d(N+1)-(N+1)-(N+1)
減去每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的誤差校正因子(ECF)(從步驟DC5獲得)來更新。接著，在步驟DC7中，可以通過對移動窗口102的每個停止點W1-1-1
-WN-N-N
之計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
之更新值d1-1-1
-d(N+1)-(N+1)-(N+1)
(從步驟DC6獲得)計算出平均值來更新移動窗口102的每個停止點W1-1-1
-WN-N-N
的猜測值。接著，在步驟DC8中，將每個停止點W1-1-1
-WN-N-N
的更新猜測之一(從步驟DC7獲得)與移動窗口102的每個停止點W1-1-1
-WN-N-N
之數值C1-1-1
-CN-N-N
進行比較，其比較係經由從每個停止點W1-1-1
-WN-N-N
的更新猜測值之其一(從步驟DC7獲得)減去每個停止點W1-1-1
-WN-N-N
的數值C1-1-1
-CN-N-N
之其一，以產生數值C1-1-1
-CN-N-N
之其一與更新猜測值之其一之間的差值。接著，在步驟DC9中，可以執行確定步驟以確定更新後的差值的絕對值(從步驟DC8獲得)是否小於或等於預設門檻誤差值(preset threshold error)。如果針對各個停止點W1-1-1
-WN-N-N
的更新後差值的任何絕對值(從步驟DC8獲得)大於預設門檻誤差值(preset threshold error)時，則繼續步驟DC5-DC9進行另一次迭代。如果針對每個停止點W1-1-1
-WN-N-N
的更新後差值的絕對值(從步驟DC8獲得)小於預設門檻誤差值(preset threshold error)，則繼續步驟DC10。
在另一次迭代中的步驟DC5中，每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的誤差校正因子(ECF)可以通過將來自於移動窗口102的停止點W1-1-1
-WN-N-N
與每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
重疊之更新後的誤差校正貢獻總合(summing)進行更新，對於上述一般示例，從所述相鄰的八個停止點W1-1-1
-WN-N-N
中的每一個到計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
之一的更新後的誤差校正貢獻可以通過將所述相鄰的八個停止點W1-1-1
-WN-N-N
中的每一個更新後之差值(從最後一次迭代中的步驟DC8獲得)乘以空間比值來計算出。接著，在另一次迭代的步驟DC6中，對於每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的數值d1-1-1
-d(N+1)-(N+1)-(N+1)
之其一，可以通過從每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
中最新更新的數值d1-1-1
-d(N+1)-(N+1)-(N+1)
(從最後一次迭代中的步驟DC6獲得)減去每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的更新後的糾錯因子(ECF)(從當前迭代中的步驟DC5獲得)來更新每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的數值d1-1-1
-d(N+1)-(N+1)-(N+1)
之其一。接著，在另一次迭代中的步驟DC7中，可以通過對移動窗口102的每個停止點W1-1-1
-WN-N-N
內計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
更新後數值d1-1-1
-d(N+1)-(N+1)-(N+1)
(從當前迭代中的步驟DC6獲得)來更新移動窗口102的每個停止點W1-1-1
-WN-N-N
的猜測值。接著，在另一次迭代的步驟DC8中，將移動窗口102的每個停止點W1-1-1
-WN-N-N
更新後的猜測值之一(從當前迭代中的步驟DC7獲得)與移動窗口102的每個停止點W1-1-1
-WN-N-N
與數值C1-1-1
-CN-N-N
中的一個進行比較，其比較係經由從每個停止點W1-1-1
-WN-N-N
更新後的猜測值之一(從當前迭代中的步驟DC7獲得)減去每個停止點W1-1-1
-WN-N-N
與數值C1-1-1
-CN-N-N
中的一個以獲得更新後的猜測值之一(從當前迭代中的步驟DC7獲得)與數值C1-1-1
-CN-N-N
中的一個之間的差值。接著，在另一次迭代中的步驟DC9中，可以執行確定步驟以確定更新後的差值的絕對值(從當前迭代中的DC8獲得)是否小於或等於預設門檻誤差值(preset threshold error)。 如果相對應的停止點W1-1-1
-WN-N-N
的更新後差值的任何絕對值(從當前迭代中的DC8獲得)大於預設門檻誤差值(preset threshold error)，則上述步驟DC5-DC9繼續迭代 多次，直到每個停止點W1-1-1
-WN-N-N
的更新後差值的絕對值(從當前迭代中的DC8獲得)小於預設門檻誤差值(preset threshold error)。如果針對每個停止點W1-1-1
-WN-N-N
的更新後差值的絕對值(從當前迭代中的DC8獲得)小於或等於預設門檻誤差值(preset threshold error)，則繼續步驟DC10。
在步驟DC10中，對於每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
之更新值d1-1-1
-d(N+1)-(N+1)-(N+1)
之一可確定為每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的最佳值，其可以用於建構用於3D計算圖。
III-2.
從三維移動窗口的停止點之測量值所導出的計算圖
或者，如第23B圖、第24圖、第25圖和第26A圖至第26C圖所示，在步驟S23-3中，可以通過逐步(step by step)移動步驟在具有移動距離在三維計算圖像的計算體素Pk -l-h
之x方向寬度Xfp
，及通過逐行(row by row)移動步驟在具有移動距離在三維計算圖像的計算體素Pk -l-h
之y方向寬度Yfp
及通過逐面(plane by plane) 移動步驟在具有移動距離在三維計算圖像的計算體素Pk -l-h
之z方向寬度Zfp
，如第26A圖至第26C圖所示，將三維移動窗口102應用在三維結構的目標空間100(例如生物結構或活體檢查組織)，以測量三維移動窗口102的每個停止點Wm-n-u
的成像參數的數值Cm-n-u
，例如從用來為產生穿透目標空間100的波的穿透裝置獲得的MRI參數或參數T1、T2、Ktrans或tau的參數，在x方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖之計算體素Pk -l-h
的x方向寬度Xfp
。y方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素Pk-1-h
的y方向寬度Yfp
。 z方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素Pk-1-h
的z方向寬度Zfp
。
電腦斷層攝影(CT)參數、正電子發射斷層攝影(PET)參數、單光子發射電腦斷層攝影(SPECT)參數、微PET參數、微SPECT參數、拉曼參數和中的一個(或多個)/或生物發光光學(BLO)參數、超音波掃描參數、相機圖像參數和/或可見光圖像參數可以針對三維移動窗口的每一該停止點Wm-n-u
的數值Cm-n-u
進行測量。用於該三維移動窗口的每個停止點Wm-n-u
的成像參數的數值Cm-n-u
可以從檢測或分析儀器測量，例如照相機、顯微鏡(光學或電子)、內窺鏡、檢測器或光譜儀(可見)光，螢光燈，IR，UV或X射線)、超音波掃描機器或系統、核磁共振成像(MRI)機器或系統、電腦斷層掃描(CT)機器或系統、正電子發射斷層掃描(PET)機器或系統、單-光子發射電腦斷層掃描(SPECT)機器或系統、微型PET機器或系統、微型SPECT機器或系統、拉曼光譜儀或系統、和/或生物發光光學(BLO)機器或系統、或用於獲分數子或結構的其它機器成像數據。
接著，繼續如第23A圖所示的第三方面的步驟S23-2。 因此，可以採用第二方面的演算法將三維移動窗口的停止點Wm-n-u
的成像參數的數值Cm-n-u
變換為計算體素Pk -l-h
的成像參數的數值dk -l-h
。可以如上面在第三方面中提到的方式或步驟計算成像參數的數值dk -l-h
。
III-3. 第三方面的總結
請參閱第23A圖和23B，用於獲得三維結構的三維計算圖像中的數值的方法包括：(1)通過成像系統提供第一計算體素，例如，如第26D圖-第26F圖所示第一計算體素Pk-l
-h
，其係三維計算圖像的三維單元，其具有在第一方向(例如，X方向)上具有第一尺寸Xfp
，第二方向(例如，Y方向)上的第二尺寸Yfp
和第三方向(例如，Z方向)上的第三尺寸Zfp
； (2)對於步驟S23-1或S23-3，由成像系統獲得3D移動窗口102之每一停止點(例如是在第26A圖至第26C圖中W1-1-1
-WN-N-N
)第一數值(例如，C1-1-1
to CN-N-N
)，每個停止點的成像參數，例如，圖1和2中的W1-1-1-WN-N-N。如第26A圖至第26C圖所示，其中如3D移動窗口102的全部停止點(在第26A圖至第26C圖中W1-1-1
-WN-N-N
)之第一停止點(如第26D圖中的Wm-n-u
)、及第二停止點(如第26D圖中的W(m+1)-n-u
)部分重疊並且在第一方向(例如X方向)上以距離大致上等於第一計算體素(e.g. 第26A圖至第26C圖中 Pk-l
-h
)之第一尺寸Xfp
偏移，如3D移動窗口102的全部停止點(在第26A圖至第26C圖中W1-1-1
-WN-N-N
)之第一停止點(如第26E圖中的Wm-n-u
)、及第四停止點(如第26E圖中的Wm-n-(u+1)
)部分重疊並且在第二方向(例如Y方向)上以距離大致上等於第一計算體素(e.g. 第26D圖至第26F圖中 Pk-l
-h
)之第二尺寸Yfp
偏移，如3D移動窗口102的全部停止點(在第26A圖至第26C圖中W1-1-1
-WN-N-N
)之第一停止點(如第26F圖中的Wm-n-u
)、及第三停止點(如第26E圖中的Wm-(n+1)-u
)部分重疊並且在第三方向(例如Z方向)上以距離大致上等於第一計算體素(e.g. 第26D圖至第26F圖中 Pk-l
-h
)之第三尺寸Zfp
偏移，(3)對於步驟S23-2，依據成像系統中3D移動窗口102的第一至第四停止點(亦即是在第26D圖至第26F圖中的Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
and Wm-n-(u+1)
)與第一數值相關連的資訊(例如Cm-n-u
, C(m+1)-n-u
, Cm-(n+1)-u
and Cm-n-(u+1)
)經由在第26D圖至第26F圖中第一計算像素(e.g. Pk-l
-h
)之成像參數之第二數值(e.g. dk-l
-h
)計算。
在該第三方面的概述中，對於步驟S23-2，在第26D圖至第26F圖中所計算出之第一個計算體素(例如Pk-l
-h
)的第二數值dk-l
-h
，包括：(1)由成像系統依據與3D移動窗口102之第一至第四停止點(例如在第26D圖至第26F圖之 Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
and Wm-n-(u+1)
)的第一數值(例如Cm-n-u
, C(m+1)-n-u
, Cm-(n+1)-u
and Cm-n-(u+1)
)相關聯的訊息，計算出第一計算體素(例如Pk-l
-h
)的成像參數的第一假設值； (2)通過成像系統計算除了在第26D圖至第26F圖中第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的每一個之第一計算體素(例如在第26D圖至第26F圖中的Pk-l
-h
)之外的其它計算體素的每個體素的成像參數的第二假設值，其中在第26D圖至第26F圖中所計算出之第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)中的每一個中的其它計算體素的第二假設值，其係依據與3D移動窗口102的每一停止點覆蓋其它計算體素的體素的第一數值相關連的資訊所計算出；(3)通過成像系統計算出3D移動窗口102的第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的每一個之成像參數的猜測值，其中係依據與第26D圖至第26F圖中第一計算體素(e.g. Pk-l
-h
)的第一假設值及與第26D圖至第26F圖中第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)之停止點中其它計算體素的第二假設值相關連之資訊計算出3D移動窗口102的第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的一個停止點之猜測值；(4)通過成像系統計算出3D移動窗口102的第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的每一個之第一數值(e.g., Cm-n-u
, C(m+1)-n-u
, Cm-(n+1)-u
或Cm-n-(u+1)
)與猜測值之間的差值；(5)通過成像系統依據3D移動窗口102的第一至第四停止點(e.g.,在第26D圖至第26F圖中Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的每一個之差值相關連的資訊，來更新在第26D圖至第26F圖中第一計算體素(例如Pk-l
-h
)之第一假設值。
在第三方面的該發明內容中，對於步驟S23-2，所述更新第一計算體素Pk-l
-h
的第一假設值(例如，第26D圖至第26F圖中的Pk-l
-h
)，更包括：(1)由成像系統，將來自3D移動窗口102第一到第四停止點(e.g.,在第26D圖至第26F圖中Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)至在第26D圖至第26F圖中該第一計算體素(e.g. Pk-l
-h
)的每個誤差校正貢獻(error correction contributions)計算出，其中計算方式係將3D移動窗口的第一到第四停止點(e.g.,在第26D圖至第26F圖中Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)每一個之差值乘以在第26D圖至第26F圖中第一計算體素(e.g. Pk-l
-h
)的體積與3D移動窗口102之體積之比值所計算出；(2)通過成像系統將第一計算體素(e.g.在第26D圖至第26F圖中的Pk-l
-h
)的誤差校正因子(ECF)總和/求和(summing)計算出；(3)通過成像系統從第一計算體素(e.g.在第26D圖至第26F圖中的Pk-l
-h
)的第一假設值減去第一計算體素(e.g.在第26D圖至第26F圖中的Pk-l
-h
)的誤差校正因子(ECF)計算出。
第四方面：經由大數據工程學習方式以解出在三維空間中事件機率之更佳解析度的E演算法
IV-1
。
從三維原始圖像的原始體素的測量數值導出的機率圖
如第22A圖、第24圖、第25圖和第26A圖至第26C圖所示，在步驟S22-1中的捲積(convolution)運算(Ec
)的，三維移動窗口102可以應用在彼此對位或對齊的一個(或多個)三維原始圖像，其中為多個三維原始圖中的一個(或每個)提供一個(或多個)成像參數中的特定一個中的多個原始測量值(例如T1、T2、Ktrans或tau的參數)，其中該些原始測量值係從波導穿透裝置(penetrating device)獲得的MRI參數或參數，波導穿透裝置被用來產生穿透目標空間100的波，每個原始體素pi-j-g
之其一排列在一個(或每個)三維原始圖像的係對位至且與生物結構的目標空間100相關聯並覆蓋目標空間100，以從波導穿透裝置產生移動窗口102的每一停止點Wm-n-u
之一個(或多個)成像參數的一個(或一組)數值Cm-n-u
，例如T1參數、T2和MRI的Ktrans參數、MRI參數的T2參數及tau參數。在這種情況下，各個原始體素的原始測量值pi-j-g多個三維原始圖中的一個(或每個)的三個原始圖可以與MRI參數相關聯；多個三維原始圖中的一個(或每個)可以與MRI切片或者與目標空間100配對或對準的多個MRI切片的組合相關聯。3D移動窗口102的每一停止點的Wm-n-u
之特定的一個(或多個)之成像參數的該組數值Cm-n-u
中的一個(或每個)係依據一個(或多個) 三維原始圖像的個別的一個(或多個) 之原始體素pi-j-g
之一個(或多個)成像參數中的特定一個(或多個)原始測量值而計算出或產生，其中原始體素pi-j-g
係被與3D移動窗口102的每一該停止點Wm-n-u
相關連或覆蓋，所述三維移動窗口102的每個停止點Wm-n-u
具有比所述多個三維原始圖中的一個(或每個)的相對應的一個(或每個)三維原始圖之一個(或多個)原始體素pi-j-g
中對應每一個的體積更大。在x方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素Pk-1-h
的x方向寬度Xfp
，y方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素Pk-1-h
的y方向寬度Yfp
。z方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素Pk-1-h
的z方向寬度Zfp
。
接著，請參閱第22A圖，在步驟S22-2中每一停止點Wm-n-u
之大數據工程學習，一事件的一學習的結果參數(一機率值CLm-n-u
)被計算或產生出，經由將三維移動窗口102的每一該停止點Wm-n-u
的一個(或多個)成像參數的一個(或一組)數值Cm-n-u
與諸如貝葉斯分類器的分類器相匹配來計算或獲得。 三維移動窗口102的每個停止點Wm-n-u
的事件之機率CLm-n-u
獨立於每一該停止點Wm-n-u
的體積。
接著，請參閱第22A圖，在步驟S22-3的解捲積(deconvolution)運算(Ed
)中，針對三維計算圖像的每個計算體素Pk-l-h
的事件之機率dlk-l-h
(如第四方面中的步驟DL1-DL10所示)，可依據每個覆蓋每一該計算體素Pk-的各個停止點Wm-n-u
的事件之機率CLm-n-u
(中的一個或多個)重復地更新或計算，其中每一該計算體素Pk -l
-h
的體積小於三維移動窗口的相對應的一個(或多個)停止點Wm-n-u
中的體積。 每個計算體素Pk-1-h
的事件之機率dlk-1-h
獨立於每一該計算體素Pk-1-h
的體積。
在這方面，使用與移動窗口有關的資料、資料集(組)或訊息，或使用移動窗口的標準尺寸、形狀、參數或格式或尺寸來執行工程學習或機器學習。與捲積(convolution)運算式有關的步驟、過程和方法的描述和說明與上面相同。如上所述和所述，捲積(convolution)算子Ec
將原始矩陣Mop
(包括描述或表示之特定3D區域中的每個原始或初始體素的資料、資料集(組)或訊息(例如，MRI參數))變換為捲積(convolution)矩陣Mcw
(包括平均資料、資料集(組)或訊息(例如，MRI參數)中所描述或表示之特定3D區域中移動窗口的每個停止點)。通過工程學習、機器學習或相關之技術，可以將Mcw
成份/組成的資料、資料集(組)或訊息轉換為資料、資料集(組)或不同類型，屬性，項目或類別的訊息。例如，依據大數據(相關臨床活檢分析數據的累積資料和病患的測量MRI的參數)和使用貝葉斯推理(例如)，可以將Mop
(MRI參數的成份/組成)轉換或構建成矩陣學習窗口MLw
包括癌症發生機率的成份/組成。由於3D移動窗口係以最終或計算體素的尺寸步進/移動距離(step)/移動，因此可在最終或計算體素的2D陣列中計算停止點的數量。 3D移動窗口的每個停止點包括PxQxR個最終或計算體素。原始矩陣Mop包括IxJxG個體素並且具有IxJxG集(組)或成份或資料、資料集(組)或訊息的組件。捲積(convolution)矩陣Mcw
和學習矩陣MLw
都包括3D移動窗口的(K-P +1)×(L-Q +1)個停止點，並且具有(K-P+1)x(L-Q+1)x(H-R+1)個集合或資料、資料集(組)或訊息的成份或組成部分。Ec
運算式將原始矩陣Mop
(包括IxJxG集(組)或資料的成份/組成、資料集(組)或訊息(例如，MRI參數)中所描述或表示之特定3D區域中的每個原始體素)轉換為捲積(convolution)矩陣Mcw
(包括(K-P+1)x(L-Q+1)x(H-R+1)設置或描述或表示之特定3D區域中的3D移動窗口的每個停止點的平均資料、資料集(組)或訊息(例如，MRI參數)的成份/組成。 El
運算式變換捲積(convolution)矩陣Mcw
(包括(K-P+1)x(L-Q+1)x(H-R+1)組或平均資料的成份/組成、資料集(組)或訊息(例如，MRI參數)，其係描述或表示特定3D區域中的3D移動窗口之每個停止點)變成學習矩陣MLw
(包括(K-P+1)x(L-Q+1)x(H-R+1)集(組)或學習資料、資料集(組)或訊息的成份/組成(例如，癌症發生的機率)，其係描述或表示之特定3D區域中的3D移動窗口的每個停止點)。工程學習運算式(或機器學習運算式)El
可表示為：
El
(Mcw
, WPQR
) = MLw
其中，3D移動窗口包括PxQxR個最終或計算體素，其分別在x、y及z方向上分別具有P個、Q個及R個，並且在停止點Wm-n-u
處在具有特定的m和n最終或計算體素，其中m = 1,2,3...M、n = 1,2,3......N及u = 1, 2, 3, …, U。對於於特定3D區域中的停止點Wm-n-u
之學習矩陣MLw
中的每個成份相關或描述的資料、資料集(組)或訊息中與用於同一特定3D區域中每一停止點的Wm-n-u
相關或者描述捲積(convolution)矩陣Mcw的每個成份(例如是MRI參數)具有不同類型、屬性、類別或項目(例如，癌症發生的機率)可進行比較。但對於在特定3D區域中停止點Wm-n-u
的捲積(convolution)矩陣Mcw
的每個成份中或與之相關或描述的資料、資料集(組)或訊息與在相同的特定3D區域中的原始或初始體素的原始矩陣Mop
的每個成份中或與之相關或描述的(例如，MRI參數)也可在具有相同的類型、屬性、類別或項目(例如，MRI參數)之情況下相比較。或者，與原始或初始體素相關的資料、資料集(組)或訊息可以是例如特定波長範圍的IR吸收圖像、特定範圍的波長的拉曼散射圖像、特定的螢光圖像波長範圍或人體器官的超音波圖像。如上所述之3D移動窗口在工程學習運算式或算法(E運算式)中起關鍵作用。此E演算法或E運算式定義一些物理、計算、分析或統計項目(/目的)。此外，3D移動窗口的尺寸、體積、形狀、參數或格式用於工程學習或機器學習。3D移動窗口的尺寸、體積、形狀、參數或格式可以在收集、存儲、計算(統計)分析資料或訊息、或工程學習或機器學習時成為默認或標準大小或格式。對於將Mcw
轉換為MLw
的工程學習或機器學習的方法、算法或過程可以例如是，使用(i)以統計(statistics)方式，例如，貝葉斯(Baysian)推理，(ii)以連接或關聯方式，例如，神經計算方式，( iii) 以符號法則(Symbolism)方式，例如，歸納或解釋，(iv)以類比(analog)方式，例如，相似性，(v)以進化(evolution)方式，例如自然過程。
類似於上面描述和指定的Mcw
的解捲積(deconvolution)，學習矩陣MLw
也可以被解捲積(deconvolution)以獲得最終或計算矩陣MLdp
。最終或計算體素的尺寸、體積、形狀、參數或格式如上所述描述及說明。解捲積(deconvolution)矩陣MLdp
包括特定3D區域中的每個最終或計算體素的最終或計算資料、資料集(組)或訊息。特定3D區域中的最終或計算體素的每個體素Pk-l-h
中或與之相關或描述的資料、資料集(組)或訊息具有相同的類型、屬性、類別或項目(例如，癌症發生的機率)作為移動窗口的停止點Wm-n-u
的學習資料、資料集(組)或MLw
中成份/組成的訊息(例如，癌症發生的機率)。特定3D區域中的最終或計算體素的每個體素Pk-l-h
中或與之相關或描述的資料、資料集(組)或訊息具有不同的類型、屬性、類別或項目(例如，癌症發生的機率)作為移動窗口的停止點Wm-n-u
的資料、資料集(組)或Mcw
中成份/組成的訊息(例如，MRI參數)。特定3D區域中的最終或計算體素的每個體素Pk-l-h
中或與之相關或描述的資料、資料集(組)或訊息具有不同的類型、屬性、類別或項目(例如，癌症發生的機率)作為原始或初始體xi-j-g
的資料、資料集(組)或Mop
中成份/組成的訊息(例如，MRI參數)。或者，例如，依據大數據(相關臨床活檢分析結果或數據的累積資料和測量的IR吸收、拉曼散射數據、螢光燈或來自病患的相對應的活體組織檢查樣品的超音波成像)並使用例如貝葉斯推理，Mop
(IR吸收、拉曼散射數據、螢光強度或超音波成像)可以被轉換或構建成包括癌症發生機率的成份/組成的學習窗口MLw
的矩陣。
最終或計算體素的每個體素Pk-1-h
中或與之相關或描述的資料、資料集(組)或訊息可以是數字、多個數字、實數、多個實數、數位化數字(例如，負整數，0或正整數)、多個數位化數字、0或1、多個0或1、標量、多個標量、向量、多個向量或度數為0,1,2 ...t的張量(tensor)，其中t是整數。 E演算法的解捲積(deconvolution)運算式Ed
通過一組線性方程式計算解出移動窗口之停止點的未知計算體素數據(dlk-1-h
的)和已知資料(CLm-n-u
的)來獲得每個最終或計算體素的資料、資料集(組)或訊息。線性方程可以通過與每一移動窗口停止點Wm-n-u
相同之資料、資料集(組)或訊息建立，以將被移動窗口(Wm-n-u
), dlk -l-h.
包圍的全部所有最終或計算體素上的資料、資料集(組)或訊息進行平均。
其中dlk-1-h
是由3D移動窗口的停止點Wm-n-u
包圍或在其內部的最終或計算體素的資料、資料集(組)或訊息，其中k是從k1到k1
+P-1，l
為l 1
至l 1
+Q-1，h為h1
至h1
+R-1； 並且m = 1,2,3......K-P+1，n = 1,2,3......L-Q+1，u = 1,2,3......H-R+1。
該 (K-P +1)x(L-Q +1) x(H-R+1)方程式具有已知數(CLm-n-u)(個)和KxLxH未知數(dlk -l-h
’s) (個)。未知數的數量大於方程式的數量。下面將通過以下方式描述增加已知數之數量和減少未知數之數量的方法：(1)在感興趣一個(或多個)的3D區域內均勻或近似均勻的一個(或多個)區域中找到最終或計算體素的均勻或恆定資料、資料集(組)或訊息；和/或(2)從靠近或沿著感興趣之3D區域的邊界延伸處的均勻或近似均勻的一個(或多個)區域中找到最終或計算體素的均勻或恆定資料、資料集(組)或訊息。該組線性方程可以通過計算機、設備、機器、處理器、系統或工具重復地計算求解(/解答算出)。通過對覆蓋或包圍體素的所有停止點進行平均來獲得每個未知數(資料、資料集(組)或最終或計算體素的訊息)dlk-1-h0的初始猜測值。每個封閉停止點的貢獻由重疊區域(A'm-n
)與該停止點區域(Vm-n-u
)的體積比計算，可以使用Vm-n-u
, V’m-n-u
及 CLm-n-u
以獲得dlk-l-h0
：
其中，該停止點Wm-n-u
覆蓋或包圍具有從m1
到m2
的停止點指數m、從n1到n2的停止點指數n及從u1到u2的停止點指數u之最終或計算體素Pk -l-h
。在第一次迭代(iteration)中，我們可以經由使用方程式(2)中的初始猜測dlk -l-h0
來計算並獲得移動窗口CLm-n-u1
的每個停止點的第一資料、資料集(組)或訊息。 當該組計算體素資料或訊息與具有小於或等於同一3D區域中的指定值或數量的誤差或差異之該組學習窗口資料或訊息匹配時，迭代可產生一個結果值MLdp
(KxLxH)。該Ed
運算式可表示為：
Ed
(MLw
, WPQR
) = MLdp
在本發明的另一方面，可以依次執行捲積(convolution)運算式Ec、學習運算式E1
和解捲積(deconvolution)運算式Ed
以獲得完整的E演算法。 E演算法將原始矩陣Mop
(包括IxJ原始或初始體素的資料的成份/組成、資料集(組)或訊息及具有IxJxG集(組)、資料或訊息的成份/組成或組件)在同一特定3D區域經由捲積(convolution)窗口矩陣Mcw(包括該捲積(convolution)窗口停止點之資料或資訊的(K-P+1)x(L-Q+1)x(H-R+1)組、或成份/組成或元件)以及經由學習窗口矩陣MLw
(包括該學習窗口停止點之資料或資訊的(K-P+1)x(L-Q+1)x(H-R+1)組、或成份/組成或元件)，轉換為解捲積(deconvolution)矩陣Mdp
(包括KxL體素的資料的成份/組成、資料集(組)或訊息及具有KxLxH集(組)、資料或訊息的成份/組成或組件)。E演算法可以表示為
E(Mop
(IxJxG))=Ed
(MLw
((K-P+1)x(L-Q+1)x(H-R+1)))= Ed
El
(Mcw
((K-P+1)x(L-Q+1)x(H-R+1))) = Ed
El
Ec
(Mop
(IxJxG)) = MLdp
(KxLxH)
在本發明的另一方面，本發明公開了線性代數中的E演算法。該線性運算例如係加法(+)、減法(-)、乘以一數量/標量(d)或除以一數量/標量(/)，使用移動窗口的每個停止點的資料或訊息來執行(即使用捲積(convolution)矩陣Mcw中的成份/組成或學習窗口MLw中的成份/組成)，而不是使用原始或初始體素的資料或訊息(也就是不使用捲積(convolution)矩陣Mop中的成份/組成)。該3D移動窗口用作為默認或標準尺寸、體積、配置或格式，用於包含和提供用於分析、比較、計算、工程學習或機器學習的資料、資料集(組)或訊息。
其中Ms
或M是捲積(convolution)矩陣Mcw
或學習矩陣MLw
的矩陣，並且Cs
是實數，s是1,2,3......S，其中S是正整數。
如第22A圖、第24圖、第25圖和第26A圖至第26C圖所示，在用於捲積(convolution)運算(Ec)的步驟S22-1中，三維移動窗口102可以應用在3D圖像100中所示的三維對象，在第24圖中，為了獲得3D移動窗口102的每個停止點Wm-n-u
的數值組/集Cm-n-u
之其一，其中每一數值組/集Cm-n-u
包括各種參數之複數個數值，每相鄰的兩個停止點Wm-n-u可以彼此部分重疊。 3D移動窗口102可以執行以下步驟：
(1)從左側逐步移動距離等於立方體106在x方向上的寬度Xfp
(等於x方向上的計算體素Pk-l-h
的寬度) 將3D圖像100連續到3D圖像100的右側，以獲得行中的3D移動窗口102的每個停止點Wm-n-u
的數值組Cm-n-u
之一； 例如，3D移動窗口102可以在用於3D圖像100的z方向上排列的最前面的兩個MRI切片10中逐步移動，其距離等於x中的立方體106的寬度Xfp
。 從3D圖像100的左側到最上面的行中的3D圖像100的右側的方向(等於在x方向上的計算體素Pk-l-h
的寬度)以獲得數值C1-1-1
-CN-1-1
中的一個 如第26A圖所示，3D移動窗102的每個停止點W1-1-1
-WN-1-1
的數值組C1-1-1
-CN-1-1
；
(2)移動到3D圖像100的下一行，其距離等於立方體106在y方向上的寬度Yfp
(等於在y方向上的計算體素Pk-l-h
的寬度)到重複步驟(1)以獲得下一個底行中3D移動窗口102的每個停止點Wm-n-u
的數值組Cm-n-u
之其一，其中步驟(1)和(2)重複，如圖所示直到3D移動窗口102移動到3D圖像100的最下面的行以重複步驟(1)以獲得在平面上之3D移動窗口102的每個停止點Wm-n-u
的數值組Cm-n-u
之其一；例如，3D移動窗口102可以移動到第二最頂行，其距離等於立方體106在y方向上的寬度Yfp
(等於在y方向上的計算體素Pk-l-h
的寬度)。最前面的兩個MRI切片10在z方向上排列，以使3D圖像100重複步驟(1)，以獲得3D移動窗口102的每個停止點W1-2-1
-WN-2-1
的數值組C1-2-1
-CN-2-1
；如第26A圖所示，3D移動窗口102可以在用於3D圖像100的z方向上排列的最前面的兩個MRI切片10中逐行重複步驟(1)，直到3D移動窗口102移動到3D圖像100的最下面的行為止，以獲得3D移動窗口102的每個停止點W1-1-1
-WN-N-1
的數值組C1-1-1
-CN-N-1
之其一；
(3)移動到在z方向上對齊3D圖像100的MRI切片10的下一組合，其距離等於立方體106在z方向上的寬度Zfp
(等於在z方向上的計算體素Pk-l-h
寬度)重複步驟(1)和(2)以獲得3D移動窗口102的每個停止點Wm-n-u
的數值組Cm-n-u
之其一，其中步驟(1)、(2)和(3)重複，直到3D移動窗口102移動到在z方向上排列在3D圖像100並對齊z方向之MRI切片10的最後面的組合，步驟(1)及(2)重複，在在3D圖像100並對齊z方向之MRI切片10的最後面的組合；例如，3D移動窗口102可以逐行地重複步驟(1)和(2)，其距離等於立方體106在z方向上的寬度Zfp
(等於計算體素Pk-l-h
的寬度)。從z方向上排列的MRI切片10的最前面的兩個MRI切片10到z方向上，在第26A圖至第26C圖中在z方向上排列的最後兩個MRI切片10用於3D圖像100以獲得其中一個數值對於3D移動窗口102的每個停止點W1-1-1
-WN-N-N
的C1-1-1
-CN-N-N
之其一。
數值集C1-1-1
-CN-N-N
中的每一個可以是用於各種參數的多個數值的組合。 每個數值集C1-1-1
-CN-N-N
具有用於3D移動窗口102的一個停止點W1-1-1
-WN-N-N
的各種參數的多個數值。在MRI參數的示例中，計算體素Pk-1-h
在x、y和z方向上的寬度Xfp
、Yfp
和Zfp
中的每一個可以在0.1到10毫米的範圍內，並且最佳地在0.5到3毫米的範圍內。
如第一方面所示的MRI參數可以用於第四方面中3D移動窗口之停止點Wm-n-u
的數值Cm-n-u
。
在第四方面中的演算法的使用係經由通過工程學習E運算式，以將3D移動窗口的各個停止點Wm-n-u
中具有數種MRI參數值的數值組(集合) Cm-n-u
轉換計算體素資料dlk -l-h
，也就是用於各個計算像素Pk -l-h
之一事件的機率值。
或者，電腦斷層掃描(CT)參數、正電子發射斷層掃描(PET)參數、單光子發射電腦斷層掃描(SPECT)參數、微PET參數、微SPECT參數、拉曼參數和/或生物發光光學的每種組合(BLO)參數、超音波掃描參數、紅外吸收參數、攝像機圖像參數和/或可見光圖像參數也可以用於在第四方面中3D移動窗口的一個停止點Wm-n-u
中的一個該組數值Cm-n-u
。第四方面中，3D移動窗口之停止點Wm-n-u
的資料、資料集(組)或訊息Cm-n-u
可以從檢測或分析儀器獲得，檢測或分析儀器例如係照相機、顯微鏡(光學或電子)、內窺鏡、檢測器或光譜儀(可見光，螢光燈，IR，UV或X射線)、超音波掃描機器或系統、核磁共振成像(MRI)機器或系統、電腦斷層掃描(CT)機器或系統、正電子發射斷層掃描(PET)機器或系統、單-光子發射電腦斷層掃描(SPECT)機器或系統、微型PET機器或系統、微型SPECT機器或系統、拉曼光譜儀或系統、和/或生物發光光學(BLO)機器或系統、或用於獲分數子或其他的機器結構成像數據。在第四方面中的演算法可以用於通過工程學習E將3D移動窗口的停止點Wm-n-u
的資料、資料集(組)或訊息Cm-n-u
轉換為對於計算體素Pk-l-h
之計算體素數據dlk-l-h
，亦即事件之機率。
接著，在第22A圖、第24圖、第25圖和第26A圖至第26C圖中，在用於工程學習的步驟S22-2中，在第26A圖至第26C圖中3D移動窗口102對於每個停止點W1-1-1
-WN-N-N
的事件之機率CL1-1-1
-CLN-N-N
的其中之一，可以通過將每一該停止點W1-1-1
-WN-N-N
的數值集C1-1-1
-CN-N-N
中的一個與諸如貝葉斯分類器的分類器進行匹配來計算出結果。
接著，第28圖、第29圖、第30A圖-第30C圖和第31圖，在步驟S22-3中的解捲積(deconvolution)運算式(Ed)中，每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的事件之機率值dl1-1-1
-dl(N+1)-(N+1)-(N+1)
的其中之一，可依據每一覆蓋該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的個別停止點W1-1-1
-WN-N-N
的事件之機率CL1-1-1
-CLN-N-N
計算出，其中每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的體積小於三維移動窗口102的體積。
關於更詳細說明，關於解捲積(deconvolution)運算(Ed)，在步驟DL1中，可以首先依據移動窗口102的停止點W1-1-1
-WN-N-N
之機率CL1-1-1
-CLN-N-N
的平均值來計算或假設用於每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的原始機率值d1-1-1
-d(N+1)-(N+1)-(N+1)
中的一個，接著在步驟DL2中，可以通過對原始機率值d1-1-1
-d(N+1)-(N+1)-(N+1)
(從步驟DL1獲得)計算出移動窗口102的停止點W1-1-1
-WN-N-N
之機率猜測值。接著，在步驟DL3中，將移動窗口102的每一停止點W1-1-1
-WN-N-N
之機率猜測值(從步驟DL2獲得)其中之一與移動窗口102的每一停止點W1-1-1
-WN-N-N
之的數值CL1-1-1
-CLN-N-N
其中之一進行比較，其比較係經由從每一停止點W1-1-1
-WN-N-N
之機率猜測值(從步驟DL2獲得)其中之一減去每一停止點W1-1-1
-WN-N-N
之的數值CL1-1-1
-CLN-N-N
其中之一所獲得機率猜測值(從步驟DL2獲得)其中之一與數值CL1-1-1
-CLN-N-N
其中之一之間的差值，接著，在步驟DL4中，可以執行確定步驟，以確定差值的絕對值(從步驟DL3獲得)是否小於或等於預設門檻誤差值(preset threshold error)。如果對於各個停止點W1-1-1
-WN-N-N
的差值的任何絕對值(從步驟DL3獲得)大於預設門檻誤差值(preset threshold error)，則繼續步驟DL5。如果對於每個停止點W1-1-1
-WN-N-N
的差值的絕對值(從步驟DL3獲得)小於或等於預設門檻誤差值(preset threshold error)，則繼續步驟DL10。
在步驟DL5中，計算出每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的誤差校正因子(ECF)。通過對來自移動窗口102的停止點W1-1-1
-WN-N-N
的誤差校正貢獻(error correction contributions)總和/求和(summing)，重疊每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
。對於一般示例，如果移動窗口102具有2乘2乘2計算體素的尺寸，則移動窗口102的相鄰八個停止點W1-1-1
-WN-N-N
可能重疊一個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
。從所述相鄰的八個停止點W1-1-1
-WN-N-N
中的每一個到所計算出之體素P1-1-1
-P(N+1)-(N+1)-(N+1)
之一的誤差校正貢獻(error correction contributions)可以通過乘以該相鄰的八個停止點W1-1-1
-WN-N-N
中的每一個的差值(從步驟DL3獲得)計算得出，該差值係為計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
之其一與每一相鄰的八個停止點W1-1-1
-WN-N-N
之重疊空間與該移動空間的空間體積之比值，接著，在步驟DL6中，對於每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的原始機率值dl1-1-1
-dl(N+1)-(N+1)-(N+1)
之其一，可通過從每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的原始機率值dl1-1-1
-dl(N+1)-(N+1)-(N+1)
減去每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的誤差校正因子(ECF)(從步驟DL5獲得)來更新。接著，在步驟DL7中，可以通過對移動窗口102的每個停止點W1-1-1
-WN-N-N
之計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
之更新值d1-1-1
-d(N+1)-(N+1)-(N+1)
(從步驟DL6獲得)計算出平均值來更新移動窗口102的每個停止點W1-1-1
-WN-N-N
的猜測值。接著，在步驟DL8中，將每個停止點W1-1-1
-WN-N-N
的更新猜測之一(從步驟DL7獲得)與移動窗口102的每個停止點W1-1-1
-WN-N-N
之數值CL1-1-1
-CLN-N-N
進行比較，其比較係經由從每個停止點W1-1-1
-WN-N-N
的更新猜測值之其一(從步驟DL7獲得)減去每個停止點W1-1-1
-WN-N-N
的數值CL1-1-1
-CLN-N-N
之其一，以產生數值CL1-1-1
-CLN-N-N
之其一與更新猜測值之其一之間的差值。接著，在步驟DL9中，可以執行確定步驟以確定更新後的差值的絕對值(從步驟DL8獲得)是否小於或等於預設門檻誤差值(preset threshold error)。如果針對各個停止點W1-1-1
-WN-N-N
的更新後差值的任何絕對值(從步驟DL8獲得)大於預設門檻誤差值(preset threshold error)時，則繼續步驟DL5-DL9進行另一次迭代。如果針對每個停止點W1-1-1
-WN-N-N
的更新後差值的絕對值(從步驟DL8獲得)小於預設門檻誤差值(preset threshold error)，則繼續步驟DL10。
在另一次迭代中的步驟DL5中，每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的誤差校正因子(ECF)可以通過將來自於移動窗口102的停止點W1-1-1
-WN-N-N
與每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
重疊之更新後的誤差校正貢獻總合(summing)進行更新，對於上述一般示例，從所述相鄰的八個停止點W1-1-1
-WN-N-N
中的每一個到計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
之一的更新後的誤差校正貢獻可以通過將所述相鄰的八個停止點W1-1-1
-WN-N-N
中的每一個更新後之差值(從最後一次迭代中的步驟DL8獲得)乘以空間比值來計算出。接著，在另一次迭代的步驟DL6中，對於每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的機率值d1-1-1
-d(N+1)-(N+1)-(N+1)
之其一，可以通過從每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
中最新更新的機率值dl1-1-1
-dl(N+1)-(N+1)-(N+1)
(從最後一次迭代中的步驟DL6獲得)減去每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的更新後的糾錯因子(ECF)(從當前迭代中的步驟DL5獲得)來更新每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的機率值d1-1-1
-d(N+1)-(N+1)-(N+1)
之其一。接著，在另一次迭代中的步驟DL7中，可以通過對移動窗口102的每個停止點W1-1-1
-WN-N-N
內計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
更新後機率值dl1-1-1
-dl(N+1)-(N+1)-(N+1)
(從當前迭代中的步驟DL6獲得)來更新移動窗口102的每個停止點W1-1-1
-WN-N-N
的猜測值。接著，在另一次迭代的步驟DL8中，將移動窗口102的每個停止點W1-1-1
-WN-N-N
更新後的猜測值之一(從當前迭代中的步驟DL7獲得)與移動窗口102的每個停止點W1-1-1
-WN-N-N
與機率值CL1-1-1
-CLN-N-N
中的一個進行比較，其比較係經由從每個停止點W1-1-1
-WN-N-N
更新後的猜測值之一(從當前迭代中的步驟DL7獲得)減去每個停止點W1-1-1
-WN-N-N
與機率值CL1-1-1
-CLN-N-N
中的一個以獲得更新後的猜測值之一(從當前迭代中的步驟DL7獲得)與機率值CL1-1-1
-CLN-N-N
中的一個之間的差值。接著，在另一次迭代中的步驟DL9中，可以執行確定步驟以確定更新後的差值的絕對值(從當前迭代中的DL8獲得)是否小於或等於預設門檻誤差值(preset threshold error)。 如果相對應的停止點W1-1-1
-WN-N-N
的更新後差值的任何絕對值(從當前迭代中的DL8獲得)大於預設門檻誤差值(preset threshold error)，則上述步驟DL5-DL9繼續迭代 多次，直到每個停止點W1-1-1
-WN-N-N
的更新後差值的絕對值(從當前迭代中的DL8獲得)小於預設門檻誤差值(preset threshold error)。如果針對每個停止點W1-1-1
-WN-N-N
的更新後差值的絕對值(從當前迭代中的DL8獲得)小於或等於預設門檻誤差值(preset threshold error)，則繼續步驟DL10。
在步驟DL10中，對於每個計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
更新後的機率dl1-1-1
-dl(N+1)-(N+1)-(N+1)
之一，可確定為每一該計算體素P1-1-1
-P(N+1)-(N+1)-(N+1)
的最佳機率，其可以被用於建構3D機率圖。
可以通過比較受試者在治療前後的兩個3D移動窗口機率來評估、辨識或判斷治療(例如新輔助化學療法或(術前)放射療法)或用於治療受試者(例如人或動物)的藥物的效果。請參閱第19圖，在步驟S31中，通過MRI設備或系統從受試者獲得如第24圖所示的第一個3D MRI切片圖像。第一個3D MRI切片圖像由其視野(FOV)中的多個由機器所定義的原始像素pi-j-g
組成，以顯示受試者的解剖學空間，例如前列腺或乳房。在步驟S32中，對第一個3D MRI切片圖像執行步驟S22-1至S22-3，以獲得用於計算的3D移動窗口102的停止點Wm-n-u
的事件或資料類型的第一機率CLm-n-u
。第一個3D MRI切片圖像的空間。換句話說，依據數值Cm-n-u
獲得用於治療前受試者的第一個3D MRI切片圖像上的3D移動窗口102的停止點Wm-n-u
的事件或資料類型的第一機率CLm-n-u
。用於第一個3D MRI切片圖像上的3D移動窗口102的停止點Wm-n-u
的特定MRI參數，以匹配來自所建立的分類器CF或生物標記庫的匹配資料集。例如，可以從對位的(registered)影像資料集獲得例如第一個3D MRI切片圖像上的3D移動窗口102的停止點Wm-n-u
的特定MRI參數的數值Cm-n-u
。第一個3D MRI切片圖像和/或對位(registered)到第一個3D MRI切片的不同3D參數圖。例如，事件或資料類型可能是前列腺癌、乳腺癌、格里森評分0到10分之其中之一、格里森評分0到10中的兩個(或更多)(例如，格里森評分大於7)，組織壞死或百分比癌症的特定範圍從第一個百分比(例如，91％)到第二個百分比(例如，100％)。
如第19圖所示，在執行步驟S31或S32之後，執行步驟S33。在該步驟S33中，對受試者進行治療，例如靜脈內或口服給藥。 對於某些癌症，如前列腺癌，治療可能是(術前)放射治療(或稱為放射治療)、質子束治療、微創治療(如消融或放射治療)、或消融治療，如高強度治療聚焦超聲治療。用於前列腺癌的(術前)放射療法可以通過諸如Truebeam或CyberKnife的放射治療設備來執行，並且可以使用高能輻射(例如，伽馬射線)來縮小腫瘤並殺死癌細胞。
請參閱第19圖所示，在步驟S34中，在受試者獲得或接受諸如口服或靜脈內藥物的治療之後，通過MRI設備或系統從受試者獲得第二個3D MRI切片圖像。第二個3D MRI切片圖像係大致上從受試者的第一個3D MRI切片影像上同一解剖空間獲得，該第一個3D MRI切片及第二個3D MRI切片可大致由在其FOV中由多個由機器所定義的原始像素pi-j-g
組成，。在步驟S35中，對第二個3D MRI切片圖像執行步驟S2-S5，以獲得用於第二個3D MRI的計算空間的移動窗口2的停止點Wm-n的事件或資料類型的第二機率CLm-n-u
。切片圖像。換句話說，依據特定值Cm-n-u
獲得處理後的受試者的第二個3D MRI切片圖像上的移動窗口2的停止點Wm-n
的事件或資料類型的第二機率CLm-n
。第二個3D MRI切片圖像上的移動窗口2的停止點Wm-n
的MRI參數與來自建立的分類器CF或生物標記庫的匹配資料集匹配。例如，第二個3D MRI切片圖像上的移動窗口2的停止點Wm-n
的特定MRI參數的數值Cm-n
可以從例如第二個3D MRI影像資料集的對位的(registered)影像資料集獲得，及/或從MRI切片圖像和/或對位(registered)到第二個3D MRI切片的不同參數圖中獲得。
用於第一個MRI切片的計算空間的3D移動窗口102的停止點Wm-n-u
可以基本上對應於或可以與第二個MRI切片的計算空間之3D移動窗口102的停止點Wm-n-u
基本對齊或對準， 用於第一個MRI切片的計算空間的3D移動窗口102的每個停止點Wm-n-u
和用於第二個MRI切片的計算空間的3D移動窗口102的停止或對準的一個停止點Wm-n-u
可以基本上覆蓋受試者的相同解剖區域。
接著，參閱第19圖所示，在步驟S36中，對於第一和第二個MRI上的3D移動窗口102的每個對齊或對位的一對停止點Wm-n-u
的事件或資料類型的第一和第二機率CLm-n-u
。在第一和第二個MRI切片圖像上，對於每一該對齊或對位的3D移動窗口102的停止點Wm-n-u
對，將切片圖像彼此相減成相對應的機率變化值PMC或CCLm-n-u
。 例如，對於第一和第二個MRI切片圖像上的3D移動窗口102的每個對齊或對位的一對停止點Wm-n-u
，可以通過減去從事件或資料類型的第二機率而來的事件或資料類型的第一機率來獲得機率改變PMC or CCLm-n-u
。
請參閱第19圖所示，在步驟S37中，依據在該第一個及第二個3D MRI切片影像中之3D移動窗口102的停止點Wm-n-u
的對齊或對位(成對的)機率變化值PMC或CCLm-n-u
，執行包括步驟S22-1至步驟S22-3中所示的步驟的演算法，以計算出各自的計算像素Pk -l-h
的機率變化值PVCs或cdlk -l-h
，該，各自的計算像素Pk -l-h
的機率變化值PVCs或cdlk -l-h
可用於構成事件或資料類型的機率變化圖(如下所述)
通過在第一和第二個3D MRI切片圖像上的3D 移動窗口102的停止點Wm-n-u
中對齊或對齊的(成對的)機率變化值PMC或CCLm-n-u
的平均來假設每個計算體素Pk -l-h
的機率變化值PVC或cdlk -l-h
。，每個具有(它們的)對齊或對準的方塊6，重疊或覆蓋每一該計算體素Pk -l-h
。在步驟S12中，通過例如在第一和第二個3D MRI切片圖像上的3D 移動窗口102的每個對齊或對位的停止點Wm-n-u
內全部計算體素Pk -l-h
之機率變化值PVCs或cdlk -l-h
計算出平均值，來計算出第一和第二個3D MRI切片圖像上的3D 移動窗口102的每個對齊或對位的停止點Wm-n-u
的機率變化猜測值PG。
在步驟S13中，經由從所述第一和第二個3D MRI切片圖像上的所述每個對齊或對位(成對的)的3D移動窗口102的停止點Wm-n-u
的機率改變猜測值PG減去在第一和第二個3D MRI切片圖像上的所述每個對齊或對位(成對的)的3D移動窗口102的停止點Wm-n-u
的機率改變值PMC or CCLm-n-u
，以計算出在第一和第二個3D MRI切片圖像上的所述每個對齊或對位(成對的)的3D移動窗口102的停止點Wm-n-u
的機率改變猜測值PG與機率改變值PMC or CCLm-n-u
之間的差值DW。在步驟S14中，將第一和第二個3D MRI切片圖像上的所述每個對齊或對位(成對的)的3D移動窗口102的停止點Wm-n-u
的差值DW之絕對值與預設閾值誤差或值進行比較，亦即是比較第一和第二個3D MRI切片圖像上的所述每個對齊或對位(成對的)的3D移動窗口102的停止點Wm-n-u
的差值DW之絕對值是否小於或等於預設閾值誤差或值。如果在步驟S14中確定第一和第二個3D MRI切片圖像上的所述每個對齊或對位(成對的)的3D移動窗口102的停止點Wm-n-u
的差值DW之絕對值小於或等於預設閾值誤差或值時，則繼續步驟S16。在步驟S16中，計算體素Pk -l-h
的機率變化值PVC或cdlk -l-h
被確定為最佳，其在下文中被稱為最佳機率變化值cdlk -l-h
，並且以最佳機率變化計算體素Pk -l-h
的最佳機率變化值cdlk -l-h
形成事件或數據類型的機率變化圖像，在步驟S16中獲得計算體素Pk -l-h
的最佳機率變化值cdlk -l-h
後，完成此演算法。
如果在步驟S14中確定第一和第二個3D MRI切片圖像上的所述每個對齊或對位(成對的)的3D移動窗口102的停止點Wm-n-u
的差值DW之絕對值的任何一個大於預設門檻誤差值(preset threshold error)或值時，則繼續步驟S15。在步驟S15中，通過例如從每一計算體素Pk -l-h
的機率變化值PVC，亦即更新後的cdlk -l-h
減去每一該計算體素Pk -l-h
的誤差校正因子ECF來更新或調整每個計算體素Pk -l-h
的機率變化值PVC，亦即更新後的cdlk -l-h
。每個計算體素Pk -l-h
的誤差校正因子ECF通過例如對第一和第二個3D MRI切片圖像上的所述每個對齊或對位(成對的)的3D移動窗口102的誤差校正貢獻(error correction contributions)總和/求和(summing)計算得到，其中每一個停止點Wm-n-u
覆蓋或重疊每一該計算體素Pk -l-h
；例如，對於每一該計算體素Pk -l-h
的每個誤差校正貢獻(error correction contributions)，可經由乘以在第一和第二個3D MRI切片圖像所對齊或對位(成對的)的3D移動窗口102中所相對應的之一個的差值DW計算得到，此差值DW為在第一和第二個3D MRI切片圖像上對齊或對位(成對的)的3D移動窗口102的的停止點Wm-n-u
與每一計算體素Pk -l-h
之間相重疊的空間，與內接在第一和第二個3D MRI切片圖像所對齊或對位(成對的)的3D移動窗口102中所相對應的共同空間之比值。在計算體素Pk -l-h
的機率變化值PVC，亦即更新後的cdlk -l-h
更新後，依據在步驟S15中，該計算體素Pk -l-h
的更新後的機率變化值PVC，亦即更新後的cdlk -l-h
，重複執行步驟S12-S15，直到在步驟S14中確定第一和第二個3D MRI切片圖像所對齊或對位(成對的)的3D移動窗口102中所相對應的之差值DWs的絕對值小於或等於到預設的閾值誤差或值。
上述過程在x，y和z方向上使用3D移動窗口102以創建3D機率變化圖。
在步驟S38中，通過分析機率變化圖，可以將治療或治療中使用的藥物對受試者的影響辨識、確定或評估為有效或無效。 依據步驟S38的結果，醫生可以決定或判斷是否應該調整或改變治療或藥物。 步驟S31-S38中描繪的方法可以在不到一周或兩週內檢測治療或藥物後的反應或進展，從而允許對治療方案進行更早的調整。
第20圖是新輔助化療或(術前)放射療法或治療中使用的藥物對受試者(例如， 人或動物)的影響可被另一方式評估、辨識或確定治療，例如第20圖所示。請參閱第20圖，在步驟S41中，通過MRI設備或系統從受試者獲得第一個3D MRI切片圖像。 第一個3D MRI切片圖像由其視場(FOV)中的多個由機器所定義的原始體素pi-j-g
組成，以示出受試者的解剖空間，例如前列腺或乳房。在步驟S42中，對第一個3D MRI切片圖像執行步驟S22-1- S22-3，以產生由第一計算體素Pk -l -h
組成的第一個3D機率圖。
在執行步驟S41或S42之後，執行步驟S43。在步驟S43中，對受試者進行諸如口服或靜脈內藥物的治療。 對於某些癌症，例如前列腺癌，治療可以是(術前)放射療法(或稱為放射療法)、質子束療法或消融療法(例如高強度聚焦超聲治療)。用於前列腺癌的(術前)放射療法可以通過諸如Truebeam或CyberKnife的放射治療設備來執行，並且可以使用高能輻射(例如，伽馬射線)來縮小腫瘤並殺死癌細胞。
在步驟S44中，在受試者獲得或接受諸如口服或靜脈內藥物的治療之後，通過MRI設備或系統從受試者獲得第二個3D MRI切片圖像。第二個3D MRI切片圖像在其FOV中由多個由機器所定義的原始體素pi-j-g
組成，以顯示與第一個3D MRI切片圖像所示相同的受試者的解剖空間。在步驟S45中，對第二個3D MRI切片圖像執行步驟S22-1- S22-3，以產生由第二計算體素Pk -l-h
組成的第二機率圖。每一個第二計算體素Pk -l-h
可大致上對應於或可對齊或對準其中之一個第一計算體素Pk -l-h
。對一事件或資料型式的該第一及第二機率圖可被產生，例如是前列腺癌、乳腺癌、格里森評分0到10分之其中之一、格里森評分0到10中的兩個(或更多個)(例如，格里森評分大於7)、組織壞死、或從第一個百分比(例如，91％)到第二個百分比(例如，100％)的特定範圍內的癌症百分比。
在步驟S46中，通過從第二計算體素Pk-1
所對應的己對位(registered)或對齊的一個的機率dlk -l-h
中減去每個第一計算體素Pk-1
的機率dlk -l-h
，以獲得或計算出相對應的機率變化值cdlk -l-h
。 因此，依據機率變化值cdlk -l-h
形成或生成3D機率變化圖。接著，在步驟S47中，通過分析3D機率變化圖，可以辨識、確定或評估治療中使用的治療或藥物對受試者的效果有效或無效。 依據步驟S47的結果，醫生可以決定或判斷是否應該調整或改變治療或藥物。 步驟S41-S47中描述的方法可以在少於一周或兩週內檢測治療或藥物後的反應或進展，從而允許對治療方案進行更早的調整。
IV-2.
從三維移動窗口的測量數值導出的機率圖
如第22B圖、第24圖、第25圖和第26A圖至第26C圖所示，在步驟S22-4中，可以通過逐步(step by step)移動步驟在具有移動距離在三維計算圖像的計算體素Pk -l-h
之x方向寬度Xfp
，及通過逐行(row by row)移動步驟在具有移動距離在三維計算圖像的計算體素Pk -l-h
之y方向寬度Yfp
及通過逐面(plane by plane) 移動步驟在具有移動距離在三維計算圖像的計算體素Pk -l-h
之z方向寬度Zfp
，將三維移動窗口102應用在三維結構的目標空間100(例如生物結構或活體檢查組織)，以測量一(或多個)成像參數的數值組Cm-n-u
，例如從穿透裝置獲得的MRI參數或T1參數、T2、MRI參數的Ktrans或MRI參數的tau及T2的參數，對於三維移動窗口102的每個停止點Wm-n-u
，在x方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖之計算體素Pk -l-h
的x方向寬度Xfp
。y方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素Pk-1-h
的y方向寬度Yfp
。 z方向上的每相鄰的兩個停止點Wm-n-u
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素Pk-1-h
的z方向寬度Zfp
。
電腦斷層攝影(CT)參數、正電子發射斷層攝影(PET)參數、單光子發射電腦斷層攝影(SPECT)參數、微PET參數、微SPECT參數、拉曼參數和中的一個(或多個)/或生物發光光學(BLO)參數、超音波掃描參數、相機圖像參數和/或可見光圖像參數可以針對三維移動窗口的每一該停止點Wm-n-u
的一個(或一組)數值Cm-n
進行測量。用於該三維移動窗口的每個停止點Wm-n-u
的一(或多個)成像參數的一個(或一組)數值Cm-n
可以從檢測或分析儀器測量，例如照相機、顯微鏡(光學或電子)、內窺鏡、檢測器或光譜儀(可見)光，螢光燈，IR，UV或X射線)、超音波掃描機器或系統、核磁共振成像(MRI)機器或系統、電腦斷層掃描(CT)機器或系統、正電子發射斷層掃描(PET)機器或系統、單-光子發射電腦斷層掃描(SPECT)機器或系統、微型PET機器或系統、微型SPECT機器或系統、拉曼光譜儀或系統、和/或生物發光光學(BLO)機器或系統、或用於獲分數子或結構的其它機器成像數據。
接著，繼續如第22A圖所示的第四方面的步驟S22-2和S22-3。 因此，該演算法可用於將三維移動窗口的每一該停止點Wm-n-u
的一個(或多個)成像參數的一個(或一組)數值Cm-n-u
變換為更好解析度三維移動窗口的每一計算體素Pk -l-h
的之該事件的計算的機率dlk -l-h
。
IV-3. 第四方面的總結
請參閱第22A圖和22B，用於獲得三維結構的三維機率圖像中的一事件的機率值的方法包括：(1)通過成像系統提供第一計算體素，例如，如第26D圖-第26F圖所示第一計算體素Pk-l
-h
，其係三維機率圖像的三維單元，其具有在第一方向(例如，X方向)上具有第一尺寸Xfp
，第二方向(例如，Y方向)上的第二尺寸Yfp
和第三方向(例如，Z方向)上的第三尺寸Zfp
； (2)對於步驟S22-1或S22-4，由成像系統獲得3D移動窗口102之每一停止點(例如是在第26A圖至第26C圖中W1-1-1
-WN-N-N
)至少一數值(例如，C1-1-1
to CN-N-N
)，每個停止點的至少一成像參數，例如，圖1和2中的W1-1-1-WN-N-N。如第26A圖至第26C圖所示，其中如3D移動窗口102的全部停止點(在第26A圖至第26C圖中W1-1-1
-WN-N-N
)之第一停止點(如第26D圖中的Wm-n-u
)、及第二停止點(如第26D圖中的W(m+1)-n-u
)部分重疊並且在第一方向(例如X方向)上以距離大致上等於第一計算體素(e.g. 第26A圖至第26C圖中 Pk-l
-h
)之第一尺寸Xfp
偏移，如3D移動窗口102的全部停止點(在第26A圖至第26C圖中W1-1-1
-WN-N-N
)之第一停止點(如第26E圖中的Wm-n-u
)、及第四停止點(如第26E圖中的Wm-n-(u+1)
)部分重疊並且在第二方向(例如Y方向)上以距離大致上等於第一計算體素(e.g. 第26D圖至第26F圖中 Pk-l
-h
)之第二尺寸Yfp
偏移，如3D移動窗口102的全部停止點(在第26A圖至第26C圖中W1-1-1
-WN-N-N
)之第一停止點(如第26F圖中的Wm-n-u
)、及第三停止點(如第26E圖中的Wm-(n+1)-u
)部分重疊並且在第三方向(例如Z方向)上以距離大致上等於第一計算體素(e.g. 第26D圖至第26F圖中 Pk-l
-h
)之第三尺寸Zfp
偏移，(3) 對於步驟S22-2，經由成像系統匹配該至少一成像參數中的至少一數值(e.g. C1-1-1
to CN-N-N
)至分類器(classifier)，以產生獲得該3D移動窗口102的每一停止點(e.g. 第26A圖至第26C圖中之W1-1-1
-WN-N-N
)一第一個機率值(e.g. CL1-1-1
to CLN-N-N
)；(4)對於步驟S23-2，依據成像系統中3D移動窗口102之事件的第一至第四停止點(亦即是在第26D圖至第26F圖中的Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
and Wm-n-(u+1)
)與第一機率值相關連的資訊(例如CLm-n-u
, CL(m+1)-n-u
, CLm-(n+1)-u
and CLm-n-(u+1)
)經由在第26D圖至第26F圖中第一計算像素(e.g. Pk-l
-h
)之事件之第二機率值(e.g. dlk-l
-h
)計算。對於步驟S23-2，依據成像系統中3D移動窗口102的第一至第四停止點(亦即是在第26D圖至第26F圖中的Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
and Wm-n-(u+1)
)與第一數值相關連的資訊(例如Cm-n-u
, C(m+1)-n-u
, Cm-(n+1)-u
and Cm-n-(u+1)
)經由在第26D圖至第26F圖中第一計算像素(e.g. Pk-l
-h
)之成像參數之第二數值(e.g. dk-l
-h
)計算。
在該第四方面的概述中，對於步驟S22-3，在第26D圖至第26F圖中所計算出之第一個計算體素(例如Pk-l
-h
)的第二機率值dlk-l
-h
，包括：(1)由成像系統依據與3D移動窗口102之第一至第四停止點(例如Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
and Wm-n-(u+1)
)的第一數值(例如Cm-n-u
, C(m+1)-n-u
, Cm-(n+1)-u
and Cm-n-(u+1)
)相關聯的訊息，計算出第一計算體素(例如Pk-l
-h
)的事件的第一假設機率值，例如，圖2中的Pk-1-h； (2)通過成像系統計算除了在第26D圖至第26F圖中第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的每一個之第一計算體素(例如在第26D圖至第26F圖中的Pk-l
-h
)之外的其它計算體素的每個體素之事件的第二假設機率值，其中在第26D圖至第26F圖中所計算出之第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)中的每一個中的其它計算體素之事件的第二假設機率值，其係依據與3D移動窗口102的每一停止點覆蓋其它計算體素的體素的第一數值相關連的資訊所計算出；(3)通過成像系統計算出3D移動窗口102的第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的每一個之事件的猜測機率值，其中係依據與第26D圖至第26F圖中第一計算體素(e.g. Pk-l
-h
) 之事件的第一假設機率值及與第26D圖至第26F圖中第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)之停止點中其它計算體素之事件的第二假設機率值相關連之資訊計算出3D移動窗口102的第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的一個停止點之事件的猜測機率值；(4)通過成像系統計算出3D移動窗口102的第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的每一個之第一數值(e.g., CLm-n-u
, CL(m+1)-n-u
, CLm-(n+1)-u
or CLm-n-(u+1)
)與猜測機率值之間的差值；(5)通過成像系統依據3D移動窗口102的第一至第四停止點(e.g.,在第26D圖至第26F圖中Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的每一個之差值相關連的資訊，來更新在第26D圖至第26F圖中第一計算體素(例如Pk-l
-h
) 之事件的第一假設機率值。
在第三方面的該發明內容中，對於步驟S22-3，所述更新第一計算體素Pk-l
-h
之事件的第一假設機率值(例如，第26D圖至第26F圖中的Pk-l
-h
)，更包括：(1)由成像系統，將來自3D移動窗口102第一到第四停止點(e.g.,在第26D圖至第26F圖中Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)至在第26D圖至第26F圖中該第一計算體素(e.g. Pk-l
-h
)的每個誤差校正貢獻(error correction contributions)計算出，其中計算方式係將3D移動窗口的第一到第四停止點(e.g.,在第26D圖至第26F圖中Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)每一個之差值乘以在第26D圖至第26F圖中第一計算體素(e.g. Pk-l
-h
)的體積與3D移動窗口102之體積之比值所計算出；(2)通過成像系統將第一計算體素(e.g.在第26D圖至第26F圖中的Pk-l
-h
)的誤差校正因子(ECF)總和/求和(summing)計算出；(3)通過成像系統從第一計算體素(e.g.在第26D圖至第26F圖中的Pk-l
-h
) 之事件的第一假設機率值減去第一計算體素(e.g.在第26D圖至第26F圖中的Pk-l
-h
)的誤差校正因子(ECF)計算出。
第五方面：用於二維或三維計算圖之邊界處的計算像素或體素的固定值或機率集
如上所述，在以下方程式中：
對於第一方面：
對於第二方面：
對於第三方面：
對於第四方面：
該些未知數(亦即dk-1，dk -l
, dlk -l
, dk -l-h
或dlk -l-h
)的數量可以大於方程式的數量。下面將通過(1) 在感興趣的2D或3D圖像內的、空間、區域、均勻或近似均勻的區域或空間中，找到最終或計算像素或體素的均勻或恆定資料、資料集(組)或訊息(亦即dk -l
, dlk -l
, dk -l-h
或dlk -l-h
)來描述上述增加已知數之數量和減少未知數之數量的方法。和/或(2)在從2D或3D的邊界延伸出的、空間、區域、均勻性或近似均勻性的區域或空間中，找到最終的統一或恆定的資料、資料集(組)或訊息或者計算像素或體素(亦即dk -l
, dlk -l
, dk -l-h
或dlk -l-h
)，其中邊界可以是用於活體組織檢查樣本的2D或3D圖像的邊界。在一個示例中，2D或3D圖像的邊界處的外部區域的資料或訊息可以是玻璃基板/玻片的資料或訊息，其是均勻且近似均勻的並且可以用作背景資料或訊息。
V-1.
從二維原始圖的原始像素的測量值得出的計算圖
第27A圖揭露本發明實施例中使用E演算法來獲得二維區域或三維空間中測量值之更好解析度機率的程序。第29A圖為本發明之實施例用在目標區域和外部區域之間移動的移動窗口的示意圖。第29B圖至第29D圖為本發明之實施例在二維計算圖的最右和最底角的移動窗口的示意圖。請參閱第27A圖和第29A圖所示，在用於捲積(convolution)運算(Ec)的步驟S27-1中，將二維移動窗口2可應用至一二維原始圖像中，其中該二維原始圖具有一成像參數之複數原始測量值，例如用於獲得的MRI參數或參數的T1、T2、Ktrans或tau的參數，或是來自於相機所取得的光學圖像，其每個光學圖像用於排列在二維陣列中的原始像素pi-j
中的一個，其中二維原始圖己被對位(registered)且與用於一生物結構上覆蓋一目標區域11相關聯，及一參考或預定結構(例如是圍繞在目標區域11之玻璃或金屬)的一外部區域103，以產生該移動窗口2的每一停止點(W1-1
-W(M+2)-(N+2)
)之成像參數的一數值C1-1
-C(M+2)-(N+2)
，其中該二維移動窗口2之一些停止點W(M+1)-1
-W(M+2)-(N+2)
及W1-(N+1)
-WM-(N+2)
部分地重疊至目標區域11及外部區域103。在這種情況下，用於多個二維原始圖像的對應原始像素pi-j
之原始測量值可與MRI參數相關聯；二維原始圖像可與一MRI切片或多個己對位(registered)、己與目標區域11對齊/對準的MRI切片相關聯。該二維移動窗口2的每一停止點W1-1
-W(M+2)-(N+2)
之成像參數的數值的C1-1
-C(M+2)-(N+2)
之其中之一可依據二維原始圖像的各自(一個或多個)原始像素pi-j
成像參數之一個(或多個)原始測量值計算出或獲得，其原始像素覆蓋或與二維移動窗口2的每一停止點W1-1
-W(M+2)-(N+2)
相關連，該二維移動窗口2的每一停止點W1-1
-W(M+2)-(N+2)
的區域比多個二維原始圖中的相對應的原始像素pi-j
中的每一個的區域更大。在x方向上的每相鄰的兩個停止點W1-1
-W(M+2)-(N+2)
可以彼此部分地重疊，其位移等於二維計算圖的計算像素P1-1
-P(K+2)-(L+2)
的x方向寬度Xfp
。每相鄰的兩個停止點在y方向上的W1-1
-W(M+2)-(N+2)
可以彼此部分地重疊，其位移等於二維計算圖的計算像素P1-1
-P(K+2)-(L+2)
的y方向寬度Yfp
。
如第27A圖和29A至第29D圖所示，在步驟S27-2中，由外部區域103是目標區域11之外的背景，因此成像參數的一恆定值(常數值(constant value))可分配或設定用於二維計算圖像之每個計算像素P(K+1)-1
-P(K+2)-(L+2)
及P1-(L+1)
-PK-(L+2)
(其計算像素位在外部區域103中)的成像參數之每一數值d(K+1)-1
-d(K+2)-(L+2)
及d1-(L+1)
-dK-(L+2)
，換言之，在外部區域103中各自的計算像素P(K+1)-1
-P(K+2)-(L+2)
及P1-(L+1)
-PK-(L+2)
之成像參數的數值d(K+1)-1
-d(K+2)-(L+2)
及d1-(L+1)
-dK-(L+2
變成己知。
在第27A圖和29A至第29D圖中，在解捲積(deconvolution)運算(Ed)的步驟S27-3中，如在第二方面中的步驟DC1-DC10中所示，依據每一覆蓋每一該計算像素P1-1
-PK-L
之個別的停止點W1-1
-W(M+2)-(N+2)
中的一個(或多個)之成像參數的一個(或多個)數值C1-1
-C(M+2)-(N+2
，及/或在外部區域103中個別之一個(或多個)計算像素P(K+1)-1
-P(K+2)-(L+2)
及P1-(L+1)
-PK-(L+2)
的成像參數之一個(或多個)數值d(K+1)-1
-d(K+2)-(L+2)
及d1-(L+1)
-dK-(L+2
，將2D計算圖像之每個計算像素P1-1
-PK-L
(其係在目標區域11內)的成像參數的數值d1-1
-dK-L
之其一重復地更新。每一該計算像素P1-1
-PK-L
的面積小於二維移動窗口2中的一個(或多個)停止點W1-1
-W(M+2)-(N+2)
之面積。目標區域11內的計算像素P1-1
-PK-L
的成像參數的數值d1-1
-dK-L
是未知的，但是外部區域103中的計算像素的成像參數P(K+1)-1
-P(K+2)-(L+2)
and P1-(L+1)
-P(K+2)-(L+2)
之數值d(K+1)-1
-d(K+2)-(L+2)
及d1-(L+1)
-dK-(L+2)
變為已知。因此，己知數值的數量(其包括在外部區域103內的計算像素P(K+1)-1
-P(K+2)-(L+2)
and P1-(L+1)
-PK-(L+2)
之成像參數的數值d(K+1)-1
-d(K+2)-(L+2)
及d1-(L+1)
-dK-(L+2)
及停止點W1-1
-W(M+2)-(N+2)
(i.e., W1-1
-WK-L
)之成像參數的數值C1-1
-C(M+2)-(N+2)
(i.e., C1-1
-CK-L
))與計算像素P1-1
-PK-L
的成像參數的未知值d1-1
-dK-L
未知數值的數量之比值增加，使在目標區域11內的計算像素P1-1
-PK-L
之成像參數的每個未知數值d1-1
-dK-L
可很快的經由如第二方面所述的計算機迭代計算方式更新為成像參數的最佳數值。例如，二維計算圖像(在該目標區域11內)的計算像素PK-L
之成像參數的數值dK-L
(在至少一個的停止點WM-N
-W(M+2)-(N+2)
)，可依據每一覆蓋計算像素PK-L
的個別停止點WM-N
-W(M+2)-(N+2)
之成像參數的數值CM-N
-C(M+2)-(N+2)
，及的外部區域103內個別的計算像素P(K+1)-(L-2)
, P(K+2)-(L-2)
, P(K+1)-(L-1)
, P(K+2)-(L-1)
, P(K+1)-L
, P(K+2)-L
, P(K-2)-(L+1)
, P(K-1)-(L+1)
, PK-(L+1)
, P(K+1)-(L+1)
, P(K+2)-(L+1)
, P(K-2)-(L+2)
, P(K-1)-(L+2)
, PK-(L+2)
, P(K+1)-(L+2)
及P(K+2)-(L+2)
的數值d(K+1)-(L-2)
, d(K+2)-(L-2)
, d(K+1)-(L-1)
, d(K+2)-(L-1)
, d(K+1)-L
, d(K+2)-L
, d(K-2)-(L+1)
, d(K-1)-(L+1)
, dK-(L+1)
, d(K+1)-(L+1)
, d(K+2)-(L+1)
, d(K-2)-(L+2)
, d(K-1)-(L+2)
, dK-(L+2)
, d(K+1)-(L+2)
及d(K+2)-(L+2)
反復更新或計算(如在第二方面中的步驟DC1-DC10)。
或者，如第29A圖和第30A圖至第30D圖所示，目標區域11內的每個計算像素P1-1
-PK-L
的成像參數的數值d1-1
-dK-L
之一可以從位在目標區域11之一角落的計算像素PK-L
的成像參數之數值dK-L
求出解答(如以下計算方式說明)，其中該角落係位在目標區域11右側邊界與底側邊界之間。首先，可以首先計算目標區域11的右側邊界和底側邊界之間的角落處的計算像素PK-L
的成像參數的數值dK-L
。接著，目標區域11中的計算像素P1-1
-P(K-1) -(L-1)
, PK-1
-PK -(L-1)
及P1-L
-P(K-1) -L
各個成像參數的數值d1-1
-d(K-1) -(L-1)
, dK-1
-dK -(L-1)
及d1-L
-d(K-1) -L
可以求出解答，經由向左方向以逐像素(pixel by pixel)從計算像素Pk-1
之其一的成像參數的數值dk -l
至另一計算像素P(k-1) -l
之其一的成像參數的數值d(k-1) -l
偏移，目標區域11中的計算像素P1-1
-P(K-1) -(L-1)
, PK-1
-PK -(L-1)
及P1-L
-P(K-1) -L
各個成像參數的數值d1-1
-d(K-1) -(L-1)
, dK-1
-dK -(L-1)
及d1-L
-d(K-1) -L
可以求出解答，經由向上方向以逐像素(pixel by pixel)從計算像素Pk-1
之其一的成像參數的數值dk -l
至另一計算像素Pk -(l-1)
之其一的成像參數的數值dk -(l-1)
偏移。
為了更詳細說明，參考第30B圖，可以依據移動窗口2的停止點W(M+2)-(N+2)
之成像參數的數值C(M+2)-(N+2)
及依據在停止點W(M+2)-(N+2)
內之個別像素P(K+1)-L
, P(K+2)-L
, PK-(L+1)
, P(K+1)-(L+1)
, P(K+2)-(L+1)
, PK-(L+2)
, P(K+1)-(L+2)
及P(K+2)-(L+2)
之成像參數的數值d(K+1)-L
, d(K+2)-L
, dK-(L+1)
, d(K+1)-(L+1)
, d(K+2)-(L+1)
, dK-(L+2)
, d(K+1)-(L+2)
及d(K+2)-(L+2)
求出該計算像素PK-L
之成像參數的數值dK-L
的解答。因此移動窗口2之的停止點W(M+2)-(N+2)
之成像參數的數值C(M+2)-(N+2)
及個別像素P(K+1)-L
, P(K+2)-L
, PK-(L+1)
, P(K+1)-(L+1)
, P(K+2)-(L+1)
, PK-(L+2)
, P(K+1)-(L+2)
及P(K+2)-(L+2)
之成像參數的數值d(K+1)-L
, d(K+2)-L
, dK-(L+1)
, d(K+1)-(L+1)
, d(K+2)-(L+1)
, dK-(L+2)
, d(K+1)-(L+2)
及d(K+2)-(L+2)
變成己知，該計算像素PK-L
之成像參數的未知數值dK-L
可被解出。
在解出計算像素PK-L
的成像參數的數值dK-L
之後，對於各個像素P(K-1)-L
和PK-(L-1)
成像參數的數值d(K-1)-L
及dK-(L-1)
。在其左側旁邊的和上側旁邊的計算像素PK-L
可被解出。參考第30C圖，可以依據移動窗口2的停止點W(M+1)-(N+2)
的成像參數和數值C(M+1)-(N+2)
及在停止點W(M+1)-(N+2)
內的各像素PK-L
, P(K+1)-L
, P(K-1)-(L+1)
, PK-(L+1)
, P(K+1)-(L+1)
, P(K-1)-(L+2)
, PK-(L+2)
及P(K+1)-(L+2)
之成像參數的數值dK-L
, d(K+1)-L
, d(K-1)-(L+1)
, dK-(L+1)
, d(K+1)-(L+1)
, d(K-1)-(L+2)
, dK-(L+2)
及d(K+1)-(L+2)
可解出計算像素P(K-1)-L
的成像參數的數值d(K-1)-L
。因此，各像素PK-L
, P(K+1)-L
, P(K-1)-(L+1)
, PK-(L+1)
, P(K+1)-(L+1)
, P(K-1)-(L+2)
, PK-(L+2)
及P(K+1)-(L+2)
之成像參數的數值dK-L
, d(K+1)-L
, d(K-1)-(L+1)
, dK-(L+1)
, d(K+1)-(L+1)
, d(K-1)-(L+2)
, dK-(L+2)
及d(K+1)-(L+2)
變成己知，計算像素P(K-1)-L
的成像參數的未知數值d(K-1)-L
可被解出。
參考第30D圖，可以依據移動窗口2的停止點W(M+2)-(N+1)
的成像參數之數值C(M+2)-(N+1)
及依據停止點W(M+2)-(N+1)
內各像素P(K+1)-(L-1)
, P(K+2)-(L-1)
, PK-L
, P(K+1)-L
, P(K+2)-L
, PK-(L+1)
, P(K+1)-(L+1)
及P(K+2)-(L+1)
的成像參數的數值d(K+1)-(L-1)
, d(K+2)-(L-1)
, dK-L
, d(K+1)-L
, d(K+2)-L
, dK-(L+1)
, d(K+1)-(L+1)
及d(K+2)-(L+1)
，將計算像素PK-(L-1)
的成像參數的數值dK-(L-1)
解出，因此，各像素P(K+1)-(L-1)
, P(K+2)-(L-1)
, PK-L
, P(K+1)-L
, P(K+2)-L
, PK-(L+1)
, P(K+1)-(L+1)
及P(K+2)-(L+1)
的成像參數的數值d(K+1)-(L-1)
, d(K+2)-(L-1)
, dK-L
, d(K+1)-L
, d(K+2)-L
, dK-(L+1)
, d(K+1)-(L+1)
及d(K+2)-(L+1)
變成己知，計算像素PK-(L-1)
的成像參數的未知的數值dK-(L-1)
可被解出。
在各個像素PK-L
、P(K-1)-L
及PK-(L-1)
的成像參數的數值dK-L
、d(K-1)-L
和dK-(L-1)
解出之後，在像素P(K-1)-L
或PK-(L-1)
旁邊各個像素P(K-2)-L
, P(K-1)-(L-1)
及PK-(L-2)
的成像參數的數值d(K-2)-L
, d(K-1)-(L-1)
及dK-(L-2)
可被解出。因此，在目標區域11中的計算像素Pk-1
的成像參數的未知值dk-1
可以在向左或向上方向上以逐像素方式求出解答，直到用於計算像素P1-1
的成像參數的數值d1-1
被解出。 因此，目標區域11內的計算像素P1-1
-PK-L
的成像參數的所有數值d1-1
-dK-L
可被解出。
V-2.
從二維移動窗口的停止點之測量數值導出的計算圖
或者，第27B圖說明根據本申請的另一實施例中使用E演算法來獲得二維或三維圖的像素或體素更好解析度數值的程序。除了用步驟S27-4代替步驟S27-1之外，第27B圖所示的處理與第27A圖所示的處理相同。如第27B圖和29A至第29D圖所示，在步驟S27-4中，可以通過逐步移動將二維移動窗口2應用在劃分為目標區域11和目標區域11周圍的外部區域103的二維區域上。在二維區域上，其位移等於二維計算圖像的計算像素P1-1
-P(K+2)-(L+2)
的x方向寬度Xfp
，並再以逐行移動二維區域，其位移等於二維計算圖像的計算像素P1-1
-P(K+2)-(L+2)
的y方向寬度Yfp
，以測量出2D移動窗口2的每個停止點W1-1
-W(M+2)-(N+2)
之成像參數(例如是從相機捕獲的光學圖像獲得的參數，例如是T1參數、T2參數、MRI參數的Ktrans或tau參數)的數值C1-1
-C(M+2)-(N+2)
，其中2D移動窗口2的一些停止點W(M+1)-1
-W(M+2)-(N+2)
和W1-(N+1)
-WM-(N+2)
部分地與目標區域10和外部區域103重疊。在x方向上的每二相鄰停止點W1-1
-W(M+2)-(N+2)
可彼此部分地重疊，其位移等於二維計算圖的計算像素P1-1
-P(K+2)-(L+2)
的x方向寬度Xfp
。在y方向上的每相鄰的兩個停止點W1-1
-W(M+2)-(N+2)
可以彼此部分地重疊，其位移等於二維計算圖之計算像素P1-1
-P(K+2)-(L+2)
的y方向寬度Yfp
。
電腦斷層攝影(CT)參數、正電子發射斷層攝影(PET)參數、單光子發射電腦斷層攝影(SPECT)參數、微PET參數、微SPECT參數、拉曼參數和中的一個(或多個)/或生物發光光學(BLO)參數、超音波掃描參數、相機圖像參數和/或可見光圖像參數可以針對二維移動窗口的每一該停止點W1-1
-W(M+2)-(N+2)
的成像參數之數值C1-1
-C(M+2)-(N+2)
進行測量。用於該二維移動窗口的每個停止點W1-1
-W(M+2)-(N+2)
的成像參數的數值C1-1
-C(M+2)-(N+2)
可以從檢測或分析儀器測量，例如照相機、顯微鏡(光學或電子)、內窺鏡、檢測器或光譜儀(可見)光，螢光燈，IR，UV或X射線)、超音波掃描機器或系統、核磁共振成像(MRI)機器或系統、電腦斷層掃描(CT)機器或系統、正電子發射斷層掃描(PET)機器或系統、單-光子發射電腦斷層掃描(SPECT)機器或系統、微型PET機器或系統、微型SPECT機器或系統、拉曼光譜儀或系統、和/或生物發光光學(BLO)機器或系統、或用於獲分數子或結構的其它機器成像數據。
在一個示例中， 如第27B圖和29A所示，活體檢查組織可以固定在載玻片104上。活體檢查組織可以在靶區域11上展開並且可以通過照相機或顯微鏡捕獲。 外部區域103可以由玻璃基板/玻片104的圍繞目標區域11中的活體檢查組織的一部分提供。二維移動窗口2可以等於二維計算圖之計算像素P1-1
-P(K+2)-(L+2)
在x方向寬度Xfp
的位移逐步移動，二維計算圖在目標和外部區域11和103上逐行移動，其位移等於計算像素P1-1
-P(K+2)-(L+2)
的y方向寬度Yfp
移動，以測量二維移動窗口2的每個停止點W1-1
-W(M+2)-(N+2)
在特定光譜處的紅外吸收參數之數值C1-1
-C(M+2)-(N+2)
。
接著，請繼續參閱第27B圖，如第27A圖及第29A圖至第29D圖所示的步驟S27-2和S27-3。
V-3. 從三維原始圖像的原始體素的測量數值導出的計算圖
或者，第30A圖和第30B圖揭露本發明實施例用於移動窗口在三維原始圖像的目標空間和外部空間之間移動。如第27A圖、第30A圖和第30B圖所示，在用於捲積(convolution)運算的步驟S27-1中，如第25圖所示的三維移動窗口102可以應用在具有成像參數之多個原始測量值的三維原始圖像。例如，用於MRI的T1、T2、Ktrans或tau的參數或者從波導穿透裝置獲得的參數，其中每個參數排列在一3D矩陣的原始體素pi-j-g
的其中一個，該波穿透裝置被用來產生穿透目標空間100的波，其中三維原始圖像被對位到並且與目標空間100相關聯，並且覆蓋在生物結構上的目標空間100，並且用於參考或預定結構之外部空間10，例如目標空間100周圍的玻璃或金屬，以獲得三維移動窗口102之每個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
的成像參數的數值C1-1-1
-C(N+1)-(N+1)-(N+1)
，其中三維移動窗口102之一些停止點W1-1-(N+1)
-W(N+1)-(N+1)-(N+1)
, W1-(N+1)-1
-W(N+1)-(N+1)-(N+1)
及W(N+1)-1-1
-W(N+1)-(N+1)-(N+1)
部分地與目標空間100及外部空間100重疊。在這種情況下，三維原始圖像的各個原始體素pi-j-g
的原始測量值可以與MRI參數相關聯；以及三維原始圖像可以與對位到目標空間100和外部空間103的組合或與目標空間100和外部空間103對齊的多個MRI切片的組合相關聯。三維移動窗口102的每個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
的成像參數之數值C1-1-1
-C(N+1)-(N+1)-(N+1)
中的一個，可以依據三維原始圖像的原始像素pi-j-g
的相對應的一個(或多個)的成像參數的一個(或多個)原始測量值來計算或獲得，其中所述原始像素被三維移動窗口102的每一該停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
覆蓋或關聯。三維移動窗口102的每一該停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
具有比三維原始圖像的相對應的一個(或多個)原始體素pi-j-g
中的每一個的體積更大，在x方向上的每相鄰的兩個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
可以以等於三維計算圖像的計算體素Pk-l-h
之寬度Xfp
偏移且彼此部分地重疊。在y方向上的每相鄰的兩個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
可以以等於三維計算圖像的計算體素Pk-l-h
之寬度Yfp
的位移彼此部分地重疊。在z方向上的每相鄰的兩個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
可以以等於三維計算圖像的計算體素Pk-l-h
的寬度Zfp
的位移彼此部分地重疊。步驟S27-1可以參考在第三方面中的第26A圖至第26C圖的步驟。
例如， 如第30A圖和第30B圖所示，移動窗口102可以在如下所述的路徑中移動，以獲得三維移動窗口102的各個停止點W(N+1)- (N+1)- (N+1)
的該成像參數的C1-1-1
-C(N+1)-(N+1)-(N+1)
。：
(1)逐步移動距離或位移等於立方體106的寬度Xfp
(亦即計算體素)在x方向上從三維原始圖像的左側連續移動至三維原始圖像的右側，並且穿過目標空間100和外部空間103，以獲得三維移動窗口102之在該行中的每個停止點Wm-n-u
的成像參數的數值Cm-n-u
之一。例如，三維移動窗口102可以在用於三維原始圖像的z方向上排列的最前面的兩個MRI切片10中逐步移動，其距離或位移等於該三維原始圖像的立方體106(亦即計算體素)之寬度Xfp
，從x方向上三維原始圖像的左側移動到最頂行中的三維原始圖像的右側的，以獲得三維移動窗口102中每個停止點W1-1-1
-WN-1-1
的成像參數的數值C1-1-1
-C(N+1)-1-1
中的一個，如第31A圖所示。；每個停止點W1-1-1
-WN-1-1
位在目標空間100內，但是停止點W(N+1)-1-1
之左側部分在目標空間100中並且右側部分在外面的空間103中。
(2)移動到三維原始圖像的下一行，其移動距離或位移等於立方體106(亦即計算體素)的寬度Yfp
，在y方向上重複該步驟(1)在三維原始圖像的一行中，獲得下一個底行(bottom row)中三維移動窗口102的每個停止點Wm-n-u
的成像參數的數值Cm-n-u
之其一，其中步驟(1)和(2)在三維原始圖像的平面中重複，直到三維移動窗口102移動到三維原始圖像的最下面的一行，並在三維原始圖最下面一行中重複步驟(1)，以獲得平面中三維移動窗102的每個停止點Wm-n-u
的成像參數的數值Cm-n-u
之一；例如，三維移動窗口102可移動到第二最頂行，其移動距離或位移等於立方體106(亦即計算體素)的寬度Yfp
，在最前面兩個MRI切片(在y方向上) 對齊在三維原始圖的z方向，以在三維原始圖像的一行中重複步驟(1)，以獲得三維移動窗口102的每個停止點W1-2-1
-W(N+1)-2-1
的成像參數的數值C1-2-1
-C(N+1)-2-1
中的一個數值；位於目標空間100中每個停止點W1-2-1
-WN-2-1
，但停止點W(N+1)-2-1
具有左側部分位在目標空間100內，而右側部分位在外面的空間103內；三維移動窗口102可在三維原始圖像的z方向上排列的最前面的兩個MRI切片10中逐行地重複步驟(1)，直到三維移動窗口102移動到最底部三維原始圖像的一行上，重複步驟(1)在三維原始圖像的最下面一行，以獲得三維移動窗口102的每個停止點W1-1-1
-W(N+1)-(N+1)-1
的成像參數的數值C1-1-1
-C(N+1)-(N+1)-1
中的一個，如第31A圖所示；每個停止點W1-1-1
-WN-N-1
位於目標空間100中，而每個停止點W(N+1)-1-1
-W(N+1)-N-1
具有左側部分在目標空間100內和右側部分位在外側空間103中，每個停止點W1-(N+1)-1
-WN-(N+1)-1
具有頂部在目標空間100內，並且其底部位在外部空間103中，並且停止點W(N+1)-(N+1)-1
具有左上部位在目標空間100內，且其具有左下部和右下部位在外部空間103中。
(3)移動到在z方向上對齊三維原始圖像的MRI切片10的下一組合，其距離或位移等於立方體106(亦即，計算體素)的寬度Zfp
，在z方向上重複步驟(1)和(2)在三維原始圖像的平面中，以獲得移動窗口102之每個停止點Wm-n-u
的成像參數的數值Cm-n-u
之一；在空間中重複步驟(1)、(2)和(3)，直到三維移動窗口102移動到三維原始圖像的MRI切片10的最後面的組合，以重複步驟(1)和(2)在三維原始圖像的(在z方向上排列的)MRI切片10的最後面的組合中；例如，三維移動窗口102可以逐行地重複步驟(1)和(2)，其中距離或位移等於立方體106的寬度Zfp
(在z方向上)，從MRI的最前面兩個對於三維原始圖，在z方向上對齊的切片10到在z方向上對齊的最後兩個MRI切片10，以獲得三維移動窗口102之每個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
的成像參數的的數值C1-1-1
-C(N+1)-(N+1)-(N+1)
，如第31B圖所示；每個停止點W1-1-1
-WN-N-N
在目標空間100內，而每個停止點W(N+1)-1-1
-W(N+1)-N-N
位在目標空間100內，而每個停止點W(N+1)-1-1
-W(N+1)-N-N
具有左側部分位在目標空間100內，而其右側部分位在外部空間103中。每個停止點W1-(N+1)-1
-WN-(N+1)-N
具有頂部位在目標空間100內，及其底部位在外部空間103中，每個停止點W1-1-(N+1)
-WN-N-(N+1)
具有前部位在目標空間100內，及其後部位在外部空間103中，每個都具有停止點W(N+1)-(N+1)-1
-W(N+1)-(N+1)-N
具有左上部分位在在目標空間100內，及其左下部分和右下部分位在外部空間103中，每個停止點W(N+1)-1-(N+1)
-W(N+1)-N-(N+1)
具有左前部位在在目標空間100內，而右前及右後部位位在外部空間103中，每個停止點W1-(N+1)-(N+1)
-WN-(N+1)-(N+1)
具有一上前部(top front portion)位在目標空間100內，而其底前部(bottom front)及底後部(bottom back)位在外部空間103中，並且停止點W(N+1)-(N+1)-(N+1)
具有左上前部(left-top front portion)位在目標空間100內，而其左底前部(left-bottom front)及底部位在外部空間103中。
如第27A圖、第30A圖和第30B圖所示，在步驟S27-2中，位在三維計算圖像中的外部空間103中之成像參數的一恆定值(常數值)可指定或設定成每個計算體素P1-1-(H+1)
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
及P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
的成像參數之每一數值d1-1-(H+1)
-d(K+1)-(L+1)-(H+1)
, d1-(L+1)-1
-d(K+1)-(L+1)-(H+1)
及d(K+1)-1-1
-d(K+1)-(L+1)-(H+1)
的背景值，其中在這種情況下，K = L = H = N+1，換句話說，在外部空間103中之各自的計算體素P1-1-(H+1)
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
及P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
的成像參數之數值d1-1-(H+1)
-d(K+1)-(L+1)-(H+1)
, d1-(L+1)-1
-d(K+1)-(L+1)-(H+1)
及d(K+1)-1-1
-d(K+1)-(L+1)-(H+1)
變成己知。
參閱第27A圖、第30A圖和第30B圖所示，在步驟S29-3之解捲積(deconvolution)運算(Ed
)中，三維計算圖像中之位在目標空間100內的每個計算體素P1-1-1
-PK-L-H
的成像參數的數值d1-1-1
-dK-L-H
之其一，可重復地更新或計算(如第三方面的步驟DC1-DC10)，其可依據每個覆蓋每一該計算體素P1-1-1
-PK-L-H
各自的一(或多個)停止點之W1-1-1
-W(N+1)-(N+1)-(N+1)
成像參數的數值C1-1-1
-C(N+1)-(N+1)-(N+1)
中的一個(或多個)，及依據位在外部空間103內\各自的一個(或多個)計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
之成像參數的數值d(K+1)-1-1
-d(K+1)-(L+1)-(H+1)
, d1-(L+1)-1
-d(K+1)-(L+1)-(H+1)
及d1-1-(H+1)
-d(K+1)-(L+1)-(H+1)
中的一個(或多個)，其中每一計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
位在至少一各自的一個(或多個)停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
中，在目標區域100內的計算體素P1-1-1
-PK-L-H
之成像參數的數值d1-1-1
-dK-L-H
係未知的，但是位在外部空間103中計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
及P1-1-(H+1)
-P(K+1)-(L+1)-(H+1)
之成像參數的數值d(K+1)-1-1
-d(K+1)-(L+1)-(H+1)
, d1-(L+1)-1
-d(K+1)-(L+1)-(H+1)
及d1-1-(H+1)
-d(K+1)-(L+1)-(H+1)
變成己知的，因此，己知數值的數目(其包括停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
之成像參數的數值C1-1-1
-C(N+1)-(N+1)-(N+1)
及在外部空間103中的計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
及P1-1-(H+1)
-P(K+1)-(L+1)-(H+1)
之成像參數的數值d(K+1)-1-1
-d(K+1)-(L+1)-(H+1)
, d1-(L+1)-1
-d(K+1)-(L+1)-(H+1)
及d1-1-(H+1)
-d(K+1)-(L+1)-(H+1)
)與計算體素P1-1-1
-PK-L-H
之成像參數的未知數值d1-1-1
-dK-L-H
的數目的比值增加，在目標空間100內之計算體素P1-1-1
-PK-L-H
的成像參數的己知數值d1-1-1
-dK-L-H
可快速地經由計算機迭代計算更新成一最佳值，如在第三個方面中所示。例如，在三維計算圖像中之位在目標區域100內的計算體素PK-L-H
之成像參數的數值dK-L-H
可重復地更新或計算(如第三方面的步驟DC1-DC10)，其係依據每個覆蓋每一該計算體素PK-L-H
各自的一(或多個)停止點之WN-N-N
-W(N+1)-(N+1)-(N+1)
成像參數的數值CN-N-N
-C(N+1)-(N+1)-(N+1)
中的一個(或多個)，及依據位在外部空間103內\各自的一個(或多個)計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
之成像參數的數值d(K+1)-(L-1)-(H-1)
-d(K+1)-(L+1)-(H+1),
d(K-1)-(L+1)-(H-1)
-d(K+1)-(L+1)-(H+1)
及d(K-1)-(L-1)-(H+1)
-d(K+1)-(L+1)-(H+1)
，其中每一計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
在至少一個停止點WN-N-N
-W(N+1)-(N+1)-(N+1)
中。
或者，目標空間100內的每個計算體素P1-1-1
-PK-L-H
的成像參數的數值d1-1-1
-dK-L-H
中的一個，可如下列所述之方法，從目標空間100的右側、底部和後側邊界中，且位在目標空間100角落的計算體素PK-L-H
之成像參數的數值dK-L-H
求出解答。首先，可以首先計算目標空間100的右側、底側和後側邊界中，且位在目標空間100的角落處的計算體素PK-L-H
的成像參數的數值dK-L-H
。接著，位在目標空間100的計算體素P1-1-1
-P(K-1)-L-H
, PK-1-1
-PK-(L-1)-H
及PK-L-1
-PK-L-(H-1)
的成像參數的數值d1-1-1
-d(K-1)-L-H
, dK-1-1
-dK-(L-1)-H
and dK-L-1
-dK-L-(H-1)
可逐一體素(voxel by voxel)的求出解答，其係從計算體素Pk-l-h
之一的成像參數的數值dk-l-h
之一偏移動到到另一個計算體素P(k-1) -l-h
的成像參數之數值d(k-1)-l-h
，其中係以計算體素Pk-l-h
之寬度Xfp
向左方的方向偏移動；從計算體素Pk-l-h
之一的成像參數的數值dk-l-h
之一偏移動到到另一個計算體素Pk -(l-1)-h
的成像參數之數值dk -(l-1)-h
，其中係以計算體素Pk-l-h
之寬度Yfp
向上的方向偏移動；從計算體素Pk-l-h
之一的成像參數的數值dk-l-h
之一偏移動到到另一個計算體素Pk -l-(h-1)
的成像參數之數值dk -l-(h-1)
，其中係以計算體素Pk-l-h
之寬度Zfp
向前方的方向偏移動。
V-4. 從三維移動窗口之停止點的測量數值導出的計算圖
或者，除了用步驟S27-4代替步驟S27-1之外，第27B圖所示的處理與第27A圖所示的處理相同。如第27B圖、第30A圖和第30B圖所示，在步驟S27-4中，可以將三維移動窗口102應用在被劃分為目標空間100和目標空間10周圍的外部空間103的三維空間中，以測量三維移動窗口102的成像參數之每個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
之數值C1-1-1
-C(N+1)-(N+1)-(N+1)
，例如從波穿透獲得的參數裝置產生之MRI參數的T1參數、T2參數、Ktrans或tau參數，其中三維移動窗口102的一些停止點W(N+1)-1-1
-W(N+1)-(N+1)-(N+1)
, W1-(N+1)-1
-W(N+1)-(N+1)-(N+1)
及W1-1-(N+1)
-W(N+1)-(N+1)-(N+1)
與目標空間100和外部空間103部分重疊。用於在穿過三維空間的路徑中移動三維移動窗口102的步驟S27-4可以參考步驟S27-1。在x方向上的每相鄰的兩個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
可以彼此部分地重疊，其移動位移等於三維計算圖像的計算體素P1-1-1
-P(K+1)-(L+1)-(H+1)
之 x方向寬度Xfp
。在y方向上的每相鄰的兩個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
可以彼此部分地重疊，其移動位移等於三維計算圖像的計算體素P1-1-1
-P(K+1)-(L+1)-(H+1)
之 y方向寬度Yfp
。在z方向上的每相鄰的兩個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
可以彼此部分地重疊，其移動位移等於三維計算圖像的計算體素P1-1-1
-P(K+1)-(L+1)-(H+1)
之 y方向寬度Zfp
。
電腦斷層攝影(CT)參數、正電子發射斷層攝影(PET)參數、單光子發射電腦斷層攝影(SPECT)參數、微PET參數、微SPECT參數、拉曼參數和中的一個(或多個)/或生物發光光學(BLO)參數、超音波掃描參數、相機圖像參數和/或可見光圖像參數可以針對三維移動窗口的每一該停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
的成像參數之數值C1-1-1
-C(N+1)-(N+1)-(N+1)
進行測量。用於該三維移動窗口的每個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
的成像參數的數值C1-1-1
-C(N+1)-(N+1)-(N+1)
可以從檢測或分析儀器測量，例如照相機、顯微鏡(光學或電子)、內窺鏡、檢測器或光譜儀(可見)光，螢光燈，IR，UV或X射線)、超音波掃描機器或系統、核磁共振成像(MRI)機器或系統、電腦斷層掃描(CT)機器或系統、正電子發射斷層掃描(PET)機器或系統、單-光子發射電腦斷層掃描(SPECT)機器或系統、微型PET機器或系統、微型SPECT機器或系統、拉曼光譜儀或系統、和/或生物發光光學(BLO)機器或系統、或用於獲分數子或結構的其它機器成像數據。
接著，請參閱第27B圖，繼續如第27A圖、第30A圖和第30B圖所示的步驟S27-2和S27-3。
V-5. 從二維原始圖像的原始像素的測量數值導出的機率圖
第28A圖揭露本發明實施例中使用E演算法來獲得二維區域或三維空間中事件之更好解析度機率的程序。請參閱第28A圖、第29A圖和第29D圖所示，在步驟S28-1之捲積(convolution)運算(Ec
)中，將二維移動窗口2可應用在彼此相互對齊或對準的一個(或多個)二維原始圖，其中該二維原始圖具有一特定的一個成像參數之複數原始測量值，例如用於獲得的MRI參數或參數的T1、T2、Ktrans或tau的參數，或是來自於相機所取得的光學圖像，其每個光學圖像用於排列在二維陣列中的原始像素pi-j
中的一個，其中一個(或每個)二維原始圖己被對位(registered)且與用於一生物結構上覆蓋一二維區域分割產生之一目標區域11及一參考或預定結構(例如是圍繞在目標區域11之玻璃或金屬)的一外部區域103相關聯，以產生一或多個成像參數的一組數值C1-1
-C(M+2)-(N+2)
，例如是用於MRI的T1、T2和Ktrans的參數。用於MRI的T1、T2和tau的參數或經由一個(或多個)相機捕獲的光學圖像所取得的參數，可用於二維移動窗口2的每個停止點W1-1
-W(M+2)-(N+2)
，其中二維移動窗口2的一些停止點W(M+1)-1
-W(M+2)-(N+2)
及W1-(N+1)
-WM-(N+2)
部分地與目標區域11及外部區域103重疊。在這種情況下，用於多個二維原始圖像的一個或每一個之對應原始像素pi-j
之原始測量值可與MRI參數相關聯；多個二維原始圖像的一個或每一個可與一MRI切片對位(registered)或與二維區域對齊/對準的MRI切片相關聯。二維移動窗口2的每一停止點W1-1
-W(M+2)-(N+2)
的特定一個(或多個)成像參數之數值C1-1
-C(M+2)-(N+2
的一個(或每個)計算出或獲得，其係依據一(或多個)二維原始圖像的各自的一(或多個)原始像素pi-j
之一(或多個)成像參數之特定的一個的一(或多個)原始測量值進行計算，其中二維原始圖像的各自的一(或多個)原始像素pi-j
係覆蓋在或與二維移動窗口2的每一停止點W1-1
-W(M+2)-(N+2)
相關聯。該二維移動窗口2的每一停止點W1-1
-W(M+2)-(N+2)
的區域比多個二維原始圖中的相對應的(一個(或多個))原始像素pi-j
中的每一個的區域更大。在x方向上的每相鄰的兩個停止點W1-1
-W(M+2)-(N+2)
可以彼此部分地重疊，其位移等於二維計算圖12的計算像素P1 -1
-P(K+2) -(L+2)
的x方向寬度Xfp
。每相鄰的兩個停止點在y方向上的W1-1
-W(M+2)-(N+2)
可以彼此部分地重疊，其位移等於二維計算圖12的計算像素P1 -1
-P(K+2) -(L+2)
的y方向寬度Yfp
。
接著，在第28A圖和第29A圖至第29D圖中，在用於大數據工程學習的步驟S28-2中，每個停止點W1-1
-W(M+2)-(N+2)
的事件之機率值CL1-1
-CL(M+2)-(N+2)
可以經由一分類器(例如第一方面中所揭示貝葉斯分類器)匹配所述二維移動窗口2的每一該停止點W1-1
-W(M+2)-(N+2)
的一個(或一組)數值C1-1
-C(M+2)-(N+2)
來計算出或獲得。
如第28A圖和29A至第29D圖所示，在步驟S31-3中，由於外部區域103是目標區域11之外的背景，二維計算圖像12的每一計算像素P(K+1)-1
-P(K+2)-(L+2)
及P1-(L+1)
-PK-(L+2)
(其係位在外部區域103中)的事件之每一機率值dl(K+1)-1
-d(K+2)-(L+2)
及dl1-(L+1)
-dK-(L+2)
可被指定或設定為事件的恆定機率(常數)，換言之，在外部區域103中各自的計算像素P(K+1)-1
-P(K+2)-(L+2)
及P1-(L+1)
-PK-(L+2)
之事件的數值dl(K+1)-1
-dl(K+2)-(L+2)
及dl1-(L+1)
-dlK-(L+2)
變成己知。
接著，在第28A圖和29A至第29D圖中，在解捲積(deconvolution)運算(Ed)的步驟S31-4中，如在第一方面中的步驟ST1-ST11中所示，依據每一覆蓋每一該計算像素P1-1-PK-L之個別的停止點W1-1-W(M+2)-(N+2)中的一個(或多個)之事件的一個(或多個)機率值CL1-1-CL(M+2)-(N+2)，及/或在外部區域103中個別之一個(或多個)計算像素P(K+1)-1-P(K+2)-(L+2) 及P1-(L+1)-PK-(L+2)的事件之一個(或多個)機率值dl(K+1)-1-dl(K+2)-(L+2)及dl1-(L+1)-dlK-(L+2)，將2D計算圖像12之每個計算像素P1-1-PK-L(其係在目標區域11內)的事件的機率值dl1-1-dlK-L之其一重復地更新。每一該計算像素P1-1-PK-L的面積小於二維移動窗口2中的一個(或多個)停止點W1-1-W(M+2)-(N+2)之面積。目標區域11內的計算像素P1-1-PK-L的事件的機率值dl1-1-dlK-L是未知的，但是外部區域103中的計算像素的事件P(K+1)-1-P(K+2)-(L+2) and P1-(L+1)-P(K+2)-(L+2)之機率值dl(K+1)-1-dl(K+2)-(L+2)及dl1-(L+1)-dlK-(L+2)變為已知。因此，己知數值的數量(其包括在外部區域103內的各計算像素P(K+1)-1-P(K+2)-(L+2)及 P1-(L+1)-PK-(L+2)之事件的機率值dl(K+1)-1-dl(K+2)-(L+2)及dl1-(L+1)-dlK-(L+2)及停止點W1-1-W(M+2)-(N+2)之事件的機率值CL1-1-CL(M+2)-(N+2)與計算像素P1-1-PK-L的事件的未知值dl1-1-dlK-L未知機率值的數量之比值增加，使在目標區域11內的計算像素P1-1-PK-L之事件的每個未知機率值dl1-1-dlK-L可很快的經由如第一方面所述的計算機迭代計算方式更新為事件的最佳機率值。例如，二維計算圖像(在該目標區域11內)的計算像素PK-L之事件的機率值dK-L(在至少一個的停止點WM-N-W(M+2)-(N+2))，可依據每一覆蓋計算像素PK-L的個別停止點WM-N-W(M+2)-(N+2)之事件的機率值CLM-N-CL(M+2)-(N+2)，及的外部區域103內個別的計算像素P(K+1)-(L-2), P(K+2)-(L-2), P(K+1)-(L-1), P(K+2)-(L-1), P(K+1)-L, P(K+2)-L, P(K-2)-(L+1), P(K-1)-(L+1), PK-(L+1), P(K+1)-(L+1), P(K+2)-(L+1), P(K-2)-(L+2), P(K-1)-(L+2), PK-(L+2), P(K+1)-(L+2) 及P(K+2)-(L+2)的機率值d(K+1)-(L-2), d(K+2)-(L-2), d(K+1)-(L-1), d(K+2)-(L-1), d(K+1)-L, d(K+2)-L, d(K-2)-(L+1), d(K-1)-(L+1), dK-(L+1), d(K+1)-(L+1), d(K+2)-(L+1), d(K-2)-(L+2), d(K-1)-(L+2), dK-(L+2), d(K+1)-(L+2) 及d(K+2)-(L+2)反復更新或計算(如在第一方面中的步驟ST1-ST11)。
或者，如第28A圖和第29A圖至第29D圖所示，目標區域11內的每個計算像素P1-1
-PK-L
的事件的機率值dl1-1
-dlK-L
之一可以從位在目標區域11之一角落的計算像素PK-L
的成像參數之數值dK-L
求出解答(如以下計算方式說明)，其中該角落係位在目標區域11右側邊界與底側邊界之間。首先，可以首先計算目標區域11的右側邊界和底側邊界之間的角落處的計算像素PK-L
的事件的機率值dlK-L
。接著，目標區域11中的計算像素P1-1
-P(K-1) -(L-1)
, PK-1
-PK -(L-1)
及P1-L
-P(K-1) -L
各個事件的機率值dl1-1
-dl(K-1) -(L-1)
, dlK-1
-dlK -(L-1)
及dl1-L
-dl(K-1) -L
可以求出解答，經由向左方向以逐像素(pixel by pixel)從計算像素Pk-1
之其一的事件的機率值dlk -l
至另一計算像素P(k-1) -l
之其一的事件的機率值dl(k-1) -l
偏移，目標區域11中的計算像素P1-1
-P(K-1) -(L-1)
, PK-1
-PK -(L-1)
及P1-L
-P(K-1) -L
各個事件的機率值dl1-1
-dl(K-1) -(L-1)
, dlK-1
-dlK -(L-1)
及 dl1-L
-dl(K-1) -L
可以求出解答，經由向上方向以逐像素(pixel by pixel)從計算像素Pk-1
之其一的事件的機率值dlk -l
至另一計算像素Pk -(l-1)
之其一的事件的機率值dlk -(l-1)
偏移。如上所述，事件的機率值dl1-1
-dlK -L
的計算可以參考如上所述第27A圖及第29A圖至第29D圖中的V-1段落中從成像參數的值dK -L
求出解答的成像參數的值d1-1
-dK -L
的計算。
V-6. 從二維移動窗口的停止點之測量數值導出的機率圖
或者，第28B圖揭露本發明實施例中使用E演算法來獲得二維區域中的更好解析度之事件的機率值的另一程序。請參閱第28B圖和第29A圖至第29D圖，在步驟S28-5中，以將二維移動窗口2應用在由一二維區域分割成的用於生物結構或活體檢查組織之一目標區域11及用於一參考或預定結構(例如是圍繞在目標區域11之玻璃或金屬)的一外部區域103，並經由在在二維區域中逐步(step by step)移動二維移動窗口2，其位移等於二維計算圖像12的計算像素P1 -1
-P(K+2) -(L+2)
的x方向寬度Xfp
，並且在在二維區域上逐行(row by row)移動，其位移等於二維計算圖像12的計算像素P1 -1
-P(K+2) -(L+2)
的y方向寬度Yfp
，以測量出二維窗口2的每一停止點W1 -1
-W(M+2) -(N+2)
之一(或多個)成像參數的一個(或一組)數值C1 -1
-C(M+2) -(N+2)
，該成像參數的數值C1 -1
-C(M+2) -(N+2)
例如係用於MRI參數的參數T1、T2，Ktrans或tau，或者從由相機捕獲的光學圖像獲得的參數，在x方向上的每相鄰的兩個停止點W1 -1
-W(M+2) -(N+2)
可以彼此部分地重疊，其位移等於二維計算圖12之計算像素P1 -1
-P(K+2) -(L+2)
的x方向寬度Xfp
。每相鄰的兩個停止點W1 -1
-W(M+2) -(N+2)
在y方向上的位移可以彼此部分地重疊，其位移等於二維計算圖12的計算像素P1 -1
-P(K+2) -(L+2)
的y方向寬度Yfp
。
電腦斷層攝影(CT)參數、正電子發射斷層攝影(PET)參數、單光子發射電腦斷層攝影(SPECT)參數、微PET參數、微SPECT參數、拉曼參數和中的一個(或多個)/或生物發光光學(BLO)參數、超音波掃描參數、相機圖像參數和/或可見光圖像參數可以針對二維移動窗口的每一該停止點W1 -1
-W(M+2) -(N+2)
的成像參數之一(或一組)數值C1 -1
-C(M+2) -(N+2)
進行測量。用於該二維移動窗口的每個停止點W1 -1
-W(M+2) -(N+2)
的成像參數的一(或一組)數值 C1 -1
-C(M+2) -(N+2)
可以從檢測或分析儀器測量，例如照相機、顯微鏡(光學或電子)、內窺鏡、檢測器或光譜儀(可見)光，螢光燈，IR，UV或X射線)、超音波掃描機器或系統、核磁共振成像(MRI)機器或系統、電腦斷層掃描(CT)機器或系統、正電子發射斷層掃描(PET)機器或系統、單-光子發射電腦斷層掃描(SPECT)機器或系統、微型PET機器或系統、微型SPECT機器或系統、拉曼光譜儀或系統、和/或生物發光光學(BLO)機器或系統、或用於獲分數子或結構的其它機器成像數據。
接著，請參閱第28B圖，繼續第五方面的第28A圖及第29A圖至第29D圖所示的步驟S28-2至S28-4。 因此，該算法可用於變換二維移動窗口的事件每一該停止點W1 -1
-W(M+2) -(N+2)
的一個(或多個)成像參數的一個(或一組)數值C1 -1
-C(M+2) -(N+2)
成為二維計算圖像的每一該計算像素P1 -1
-PK -L
的事件之機率dl1 -1
-dlK -L
，使其具有更好的解析度。
V-7. 從三維原始圖像的原始體素的測量數值導出的機率圖
或者，如第28A圖和第30A圖至第30B圖所示，在步驟S28-1中的捲積(convolution)運算(Ec
)的，如第25圖中之三維移動窗口102可以應用在彼此對位或對齊的一個(或多個)三維原始圖像，其中為多個三維原始圖中的一個(或每個)提供一個(或多個)成像參數中的特定一個中的多個原始測量值(例如T1、T2、Ktrans或tau的參數)，其中該些原始測量值係從波導穿透裝置(penetrating device)獲得的MRI參數或參數，波導穿透裝置被用來產生穿透目標空間100的波，每個原始體素pi-j-g
之其一排列在一個(或每個)三維原始圖像的係對位至且與生物結構的目標空間100相關聯並覆蓋目標空間100及一參考或預定結構(例如是圍繞在目標區域11之玻璃或金屬)的一外部區域103，以從波導穿透裝置產生移動窗口102的每一停止點 W1-1-1
-W(N+1)-(N+1)-(N+1)
之一個(或多個)成像參數的一個(或一組)數值 C1-1-1
-C(N+1)-(N+1)-(N+1)
，例如T1參數、T2和MRI的Ktrans參數、MRI參數的T2參數及tau參數，其中三維移動窗口102的一些停止點W1-1-(N+1)
-W(N+1)-(N+1)-(N+1)
, W1-(N+1)-1
-W(N+1)-(N+1)-(N+1)
及W(N+1)-1-1
-W(N+1)-(N+1)-(N+1)
部分地重疊在目標空間100及外部區域103。在這種情況下，各個原始體素的原始測量值pi-j-g
多個三維原始圖中的一個(或每個)的三個原始圖可以與MRI參數相關聯；多個三維原始圖中的一個(或每個)可以與MRI切片或者與目標空間100及外部空間103的組合配對或對準的多個MRI切片的組合相關聯。3D移動窗口102的每一停止點的W1-1-1
-W(N+1)-(N+1)-(N+1)
之特定的一個(或多個)之成像參數的該組數值C1-1-1
-C(N+1)-(N+1)-(N+1)
中的一個(或每個)係依據一個(或多個) 三維原始圖像的個別的一個(或多個) 之原始體素pi-j-g
之一個(或多個)成像參數中的特定一個(或多個)原始測量值而計算出或產生，其中原始體素pi-j-g
係被與3D移動窗口102的每一該停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
相關連或覆蓋，所述三維移動窗口102的每個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
具有比所述多個三維原始圖中的一個(或每個)的相對應的一個(或每個)三維原始圖之一個(或多個)原始體素pi-j-g
中對應每一個的體積更大。在x方向上的每相鄰的兩個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素P1-1-1
-P(K+1)-(L+1)-(H+1)
的x方向寬度Xfp
，y方向上的每相鄰的兩個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素P1-1-1
-P(K+1)-(L+1)-(H+1)
的y方向寬度Yfp
。z方向上的每相鄰的兩個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素P1-1-1
-P(K+1)-(L+1)-(H+1)
的z方向寬度Zfp
。可將用在目標空間和外部空間100和103的組合上的路徑中移動三維移動窗口102的步驟S28-1，可參考在第27A圖、第30A圖及第30B圖中的步驟S27-1所揭露的用於在目標空間和外部空間100和103的組合上的路徑中移動三維移動窗口102。
接著，在第28A圖中，在用於大數據工程學習的步驟S28-2中，每個停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
的事件之機率CL1-1-1
-CL(N+1)-(N+1)-(N+1)
可以經由一分類器(貝葉斯分類器)匹配所述三維移動窗口102的每一該停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
的一個(或一組)數值C1-1-1
-C(N+1)-(N+1)-(N+1)
獲得。
接著，請參閱第28A圖，在步驟S28-3中，由外部區域103是目標區域11之外的背景，因此可將每一計算體素P1-1-(H+1)
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
及P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
的事件每一機率值dl1-1-(H+1)
-dl(K+1)-(L+1)-(H+1)
, dl1-(L+1)-1
-dl(K+1)-(L+1)-(H+1)
及dl(K+1)-1-1
-dl(K+1)-(L+1)-(H+1)
指定或設定為事件的恆定機率(常數機率)，在這種情況下，K = L = H = N+1，換句話說，在外部空間103中之各自的計算體素P1-1-(H+1)
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
及P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
的成像參數之數值dl1-1-(H+1)
-dl(K+1)-(L+1)-(H+1)
, dl1-(L+1)-1
-dl(K+1)-(L+1)-(H+1)
及dl(K+1)-1-1
-dl(K+1)-(L+1)-(H+1)
變成己知。
參閱第28A圖、第30A圖和第30B圖所示，在步驟S28-4之解捲積(deconvolution)運算(Ed
)中，三維計算圖像中之位在目標空間100內的每個計算體素P1-1-1
-PK-L-H
的事件的機率值dl1-1-1
-dlK-L-H
之其一，可重復地更新或計算(如第四方面的步驟DL1-DL10)，其可依據每個覆蓋每一該計算體素P1-1-1
-PK-L-H
各自的一(或多個)停止點之W1-1-1
-W(N+1)-(N+1)-(N+1)
事件的機率值CL1-1-1
-CL(N+1)-(N+1)-(N+1)
中的一個(或多個)，及依據位在外部空間103內\各自的一個(或多個)計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
之事件的機率值dl(K+1)-1-1
-dl(K+1)-(L+1)-(H+1)
, dl1-(L+1)-1
-dl(K+1)-(L+1)-(H+1)
及dl1-1-(H+1)
-dl(K+1)-(L+1)-(H+1)
中的一個(或多個)，其中每一計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
位在至少一各自的一個(或多個)停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
中，在目標區域100內的計算體素P1-1-1
-PK-L-H
之事件的機率值dl1-1-1
-dlK-L-H
係未知的，但是位在外部空間103中計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
及P1-1-(H+1)
-P(K+1)-(L+1)-(H+1)
之事件的機率值dl(K+1)-1-1
-dl(K+1)-(L+1)-(H+1)
, dl1-(L+1)-1
-dl(K+1)-(L+1)-(H+1)
及dl1-1-(H+1)
-dl(K+1)-(L+1)-(H+1)
變成己知的，因此，己知數值的數目(其包括停止點W1-1-1
-W(N+1)-(N+1)-(N+1)
之事件的機率值CL1-1-1
-CL(N+1)-(N+1)-(N+1)
及在外部空間103中的計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
及P1-1-(H+1)
-P(K+1)-(L+1)-(H+1)
之事件的機率值dl(K+1)-1-1
-dl(K+1)-(L+1)-(H+1)
, dl1-(L+1)-1
-dl(K+1)-(L+1)-(H+1)
及dl1-1-(H+1)
-dl(K+1)-(L+1)-(H+1)
與計算體素P1-1-1
-PK-L-H
之成像參數的未知數值dl1-1-1
-dlK-L-H
的數目的比值增加，在目標空間100內之計算體素P1-1-1
-PK-L-H
的成像參數的己知數值dl1-1-1
-dlK-L-H
可快速地經由計算機迭代計算更新成一最佳值，如在第三個方面中所示。例如，在三維計算圖像中之位在目標區域100內的計算體素PK-L-H
之事件的機率值dlK-L-H
可重復地更新或計算(如第四方面的步驟DL1-DL10)，其係依據每個覆蓋每一該計算體素PK-L-H
各自的一(或多個)停止點之WN-N-N
-W(N+1)-(N+1)-(N+1)
事件的機率值CLN-N-N
-CL(N+1)-(N+1)-(N+1)
中的一個(或多個)，及依據位在外部空間103內\各自的一個(或多個)計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
之事件的機率值dl(K+1)-(L-1)-(H-1)
-dl(K+1)-(L+1)-(H+1),
dl(K-1)-(L+1)-(H-1)
-dl(K+1)-(L+1)-(H+1)
及dl(K-1)-(L-1)-(H+1)
-dl(K+1)-(L+1)-(H+1)
，其中每一計算體素P(K+1)-1-1
-P(K+1)-(L+1)-(H+1)
, P1-(L+1)-1
-P(K+1)-(L+1)-(H+1)
在至少一個停止點WN-N-N
-W(N+1)-(N+1)-(N+1)
中。
或者，目標空間100內的每個計算體素P1-1-1
-PK-L-H
的事件的機率值dl1-1-1
-dlK-L-H
中的一個，可如下列所述之方法，從目標空間100的右側、底部和後側邊界中，且位在目標空間100角落的計算體素PK-L-H
之事件的機率值dlK-L-H
求出解答。首先，可以首先計算目標空間100的右側、底側和後側邊界中，且位在目標空間100的角落處的計算體素PK-L-H
的事件的機率值dlK-L-H
。接著，位在目標空間100的計算體素P1-1-1
-P(K-1)-L-H
, PK-1-1
-PK-(L-1)-H
及PK-L-1
-PK-L-(H-1)
的事件的機率值dl1-1-1
-dl(K-1)-L-H
, dlK-1-1
-dlK-(L-1)-H
及dlK-L-1
-dlK-L-(H-1)
可逐一體素(voxel by voxel)的求出解答，其係從計算體素Pk-l-h
之一的事件的機率值dlk -l-h
之一偏移動到到另一個計算體素P(k-1) -l-h
的事件之數值dl(k-1) -l-h
，其中係以計算體素Pk-l-h
之寬度Xfp
向左方的方向偏移動；從計算體素Pk-l-h
之一的事件的機率值dlk-l-h
之一偏移動到到另一個計算體素Pk -(l-1)-h
的事件之數值dlk -(l-1)-h
，其中係以計算體素Pk-l-h
之寬度Yfp
向上的方向偏移動；從計算體素Pk-l-h
之一的事件的機率值dlk-l-h
之一偏移動到到另一個計算體素Pk -l-(h-1)
的事件之數值dlk -l-(h-1)
，其中係以計算體素Pk-l-h
之寬度Zfp
向前方的方向偏移動。
V-8.
從三維移動窗口的停止點的測量數值導出的機率圖
如第28B圖、第30A圖和第30B圖所示，在步驟S28-5中，如第25圖所示的三維移動窗口102可以應用在劃分為用於生物結構的目標空間100和用於目標空間100周圍的參考或預定結構之外部空間103(例如玻璃或金屬)的三維空間，經由在三維空間中逐步移動，其移動距離等於三維計算圖之計算體素P1 -1-1
-P(K+1) -(L+1)-(H+1)
的x方向寬度Xfp
，並在三維空間中逐行移動，其位移距離等於三維計算圖之計算體素P1 -1-1
-P(K+1) -(L+1)-(H+1)
的y方向寬度Yfp
和三維空間中的逐面(plane by plane)移動，其移動距離在三維計算圖像的計算體素P1 -1-1
-P(K+1) -(L+1)-(H+1)
之z方向寬度Zfp
，以測量三維移動窗口102的每個停止點W1 -1-1
-W(M+1) -(N+1)-(U+1)
的成像參數的數值C1 -1-1
-C(M+1) -(N+1)-(U+1)
，例如從用來為產生穿透目標空間100的波的穿透裝置獲得的MRI參數或參數T1、T2、Ktrans或tau的參數。可將用在目標空間和外部空間100和103的組合上的路徑中移動三維移動窗口102的步驟S28-1，可參考在第27A圖、第30A圖及第30B圖中及段落V-3的步驟S27-1所揭露的用於在目標空間和外部空間100和103的組合上的路徑中移動三維移動窗口102。在x方向上的每相鄰的兩個停止點W1 -1-1
-W(M+1) -(N+1)-(U+1)
可以彼此部分地重疊，其位移等於三維計算圖之計算體素P1 -1-1
-P(K+1) -(L+1)-(H+1)
的x方向寬度Xfp
。y方向上的每相鄰的兩個停止點W1 -1-1
-W(M+1) -(N+1)-(U+1)
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素P1 -1-1
-P(K+1) -(L+1)-(H+1)
的y方向寬度Yfp
。 z方向上的每相鄰的兩個停止點W1 -1-1
-W(M+1) -(N+1)-(U+1)
可以彼此部分地重疊，其位移等於三維計算圖像的計算體素P1 -1-1
-P(K+1) -(L+1)-(H+1)
的z方向寬度Zfp
。
電腦斷層攝影(CT)參數、正電子發射斷層攝影(PET)參數、單光子發射電腦斷層攝影(SPECT)參數、微PET參數、微SPECT參數、拉曼參數和中的一個(或多個)/或生物發光光學(BLO)參數、超音波掃描參數、相機圖像參數和/或可見光圖像參數可以針對三維移動窗口的每一該停止點W1 -1-1
-W(M+1) -(N+1)-(U+1)
之一個(或一組)數值C1 -1-1
-C(M+1) -(N+1)-(U+1)
進行測量。用於該三維移動窗口的每個停止點W1 -1-1
-W(M+1) -(N+1)-(U+1)
的一個(或一組)成像參數的數值C1 -1-1
-C(M+1) -(N+1)-(U+1)
可以從檢測或分析儀器測量，例如照相機、顯微鏡(光學或電子)、內窺鏡、檢測器或光譜儀(可見)光，螢光燈，IR，UV或X射線)、超音波掃描機器或系統、核磁共振成像(MRI)機器或系統、電腦斷層掃描(CT)機器或系統、正電子發射斷層掃描(PET)機器或系統、單-光子發射電腦斷層掃描(SPECT)機器或系統、微型PET機器或系統、微型SPECT機器或系統、拉曼光譜儀或系統、和/或生物發光光學(BLO)機器或系統、或用於獲分數子或結構的其它機器成像數據。
接著，繼續第五方面的第28A圖所示的步驟S28-2至S28-4。 因此，該算法可用於變換三維移動窗口的事件每一該停止點W1 -1-1
-W(M+1) -(N+1)-(U+1)
的一個(或多個)成像參數的一個(或一組)數值C1 -1-1
-C(M+1) -(N+1)-(U+1)
成為三維計算圖像的每一該計算像素P1 -1-1
-P(K+1) -(L+1)-(H+1)
的事件之機率dl1 -1-1
-dl(K+1) -(L+1)-(H+1)
，使其具有更好的解析度。
第六方面：用於二維或三維計算圖像的均勻區域或空間中的計算像素或體素的固定值或機率集
VI-1. 從二維原始圖像的原始像素的測量數值導出的計算圖
第31A圖揭露本發明實施例中使用E演算法來獲得二維區域或三維空間中的更好解析度之測量值的程序。 第33A圖揭露本發明實施例的在二維區域中測量的均勻區域之示意圖。
如第31A圖和33A所示，可以如第23A圖中的步驟S23-1所示，執行捲積(convolution)運算(Ec
)以獲得第二方面的移動窗口2之每個停止點Wm-n
的成像參數的數值Cm-n
，在一個例子中，如第31A圖和33A所示，二維移動窗口2可以成形為x方向寬度等於計算像素Pk-1
的x方向寬度Xfp
的兩倍，並且y方向寬度等於計算像素Pk-1
的y方向寬度Yfp
的兩倍的正方形。 二維移動窗口2的每個停止點Wm-n
可以重疊並且與以2×2陣列排列的四個計算像素Pk-1
相關聯。
第34A圖至第34H圖揭露本發明移動窗口的每個停止點之各種情況W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
與移動窗口的特定停止點Wm-n部分重疊。接著，請參閱第31A圖、第33A圖和第34A圖至第34H圖，執行步驟S31-1以計算出每個停止點Wm-n
的成像參數的數值Cm-n
與每一相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
與每一停止點Wm-n
部分重疊的數值C(m-1)-(n-1)
-C(m+1)-(n-1)
, C(m-1)-n
, C(m+1)-n
, C(m-1)-(n+1)
-C(m+1)-(n+1)
之一至每一停止點Wm-n
的成像參數的數值Cm-n
之間的差值，及計算每一相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
與每一停止點Wm-n
部分重疊的數值C(m-1)-(n-1)
-C(m+1)-(n-1)
, C(m-1)-n
, C(m+1)-n
, C(m-1)-(n+1)
-C(m+1)-(n+1)
與每個停止點Wm-n
的成像參數的數值Cm-n
之間差值與每個停止點Wm-n
的成像參數的數值Cm-n
之間的比值。
接著，請參閱第31A圖、第33A圖和第34A圖至第34H圖，可以執行步驟S31-2以確定每一相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
與每一停止點Wm-n
部分重疊的數值C(m-1)-(n-1)
-C(m+1)-(n-1)
, C(m-1)-n
, C(m+1)-n
, C(m-1)-(n+1)
-C(m+1)-(n+1)
與每個停止點Wm-n
的成像參數的數值Cm-n
之間差值與每個停止點Wm-n
的成像參數的數值Cm-n
之間的比值小於或等於預設的閾值，例如0.1、0.05或0.02。
如第31A圖、第33A圖和第34A圖至第34H圖所示，如果一特定停止點Wm-n
的成像參數的數值Cm-n
與每相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
與該特定停止點Wm-n
部分重疊的數值C(m-1)-(n-1)
-C(m+1)-(n-1)
, C(m-1)-n
, C(m+1)-n
, C(m-1)-(n+1)
-C(m+1)-(n+1)
之間差值與該特定停止點Wm-n
的成像參數的數值Cm-n
之間的比值小於或等於預設的閾值時，繼續步驟S31-3，以定義具有一均勻區域110的二維計算圖，均勻區域110具有由特定停止點Wm-n
和每個相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
部分重疊的特定停止點Wm-n
的組合所定義的輪廓，並將在均勻區域110的每一計算像素Pk -l
之成像參數的數值dk -l
指定或設定為成像參數之一恆定數值(常數值)，其中該成像參數的恆定數值與特定停止點Wm-n
的成像參數的數值Cm-n
及每相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
與該特定停止點Wm-n
部分重疊的數值C(m-1)-(n-1)
-C(m+1)-(n-1)
, C(m-1)-n
, C(m+1)-n
, C(m-1)-(n+1)
-C(m+1)-(n+1)
之一相關聯，例如是該成像參數的恆定數值與特定停止點Wm-n
的成像參數的數值Cm-n
及每相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
與該特定停止點Wm-n
部分重疊的數值C(m-1)-(n-1)
-C(m+1)-(n-1)
, C(m-1)-n
, C(m+1)-n
, C(m-1)-(n+1)
-C(m+1)-(n+1)
的平均值，例如在均勻區域110內每一該計算像素Pk -l
之成像參數的的數值dk -l
可計算出平均值乘以每一該計算像素Pk -l
的面積，因此在均勻區域110內每一該計算像素Pk -l
之成像參數的的數值dk -l
可變成己知。
接著， 請參閱第31A圖、第33A圖和第34A圖至第34H圖，執行步驟S31-4之解捲積(deconvolution)運算(Ed
)。在步驟S31-4中，重復地更新或計算每個在至少一個(或多個)停止點Wm-n
之二維計算圖像的均勻區域110外的每個計算像素Pk-1
的成像參數的數值dk -l
之其一，如第二方面中的步驟DC1-DC10所示，其係依據每個覆蓋每一該計算像素Pk-1
的一個(或多個)停止點Wm-n
的成像參數的數值Cm-n
中的一個(或多個)和/或二維計算圖像的均勻區域110中的一個(或多個)計算像素Pk-1
的成像參數的該公共常數值。 每一該計算像素Pk-1
的面積小於二維移動窗口2的相對應的一個(或多個)停止點Wm-n
之面積。均勻區域110外部的計算像素Pk-1
的成像參數的數值dk-1
是未知的，但是均勻區域110中的計算像素Pk-1
的成像參數的數值dk-1
變為已知。因此，已知數值(其包括每一停止點Wm-n
成像參數的數值Cm-n
及在均勻區域110中計算像素Pk-1
的成像參數的數值dk-1
)的數量與在均勻區域110之外的計算像素Pk-1
的成像參數的未知數值dk-1
的數量的比值增加，在均勻區域110之外的計算體素Pk -l
的成像參數的未知數值dk -l
可快速地經由計算機迭代計算更新成一最佳值，如在第二個方面中所示。例如，二維移動窗口2的每個停止點Wm-n
的成像參數的數值Cm-n
可以是每單位面積的數量單位，並且二維計算圖12的每個計算像素Pk-1
之的成像參數的數值dk-1
可以是每一該計算像素Pk-1
的面積中的總量。
如第31A圖、第33A圖和第34A圖至第34H圖所示，如果在步驟S31-2中在二維計算圖像中沒有找到均勻區域110，則執行步驟S31-5的解捲積(deconvolution)運算。在步驟S31-5中，重復地更新或計算二維計算圖像的每個計算像素Pk-1
的成像參數的數值dk-1
之其一，如第二方面中的步驟DC1-DC10所示，其係依據每個覆蓋每一該計算像素Pk-1
的一個(或多個)停止點Wm-n
的成像參數的數值Cm-n
中的一個(或多個)。例如，二維移動窗口2的每個停止點Wm-n
的成像參數的數值Cm-n
可以是每單位面積的數量單位，並且二維計算圖12的每個計算像素Pk-1
的成像參數之數值dk-1
可以是每一該計算像素Pk-1
的面積中的總量。
VI-2. 從二維移動窗口的停止點之測量數值導出的計算圖
或者，第31B圖揭露本發明另一個實施例中使用E演算法來獲得二維或三維圖像的像素或體素更好解析度數值的程序。 第31B圖所示的處理與第31A圖所示的處理相同，只是步驟S23-1被替換為步驟S23-3，如第23B圖所示的第二方面之說明。請參閱第31B圖，在步驟S23-3中，可以將二維移動窗口2應用在目標區域11中，以測量二維移動窗口2的每個停止點Wm-n
的成像參數的數值Cm-n
。
接著，請參閱第31B圖，如第31A圖所示的步驟S31-1至S31-4。繼續進行第31A圖和33A以及VI-1的段落，或者繼續如第31A圖及第33A圖所示的步驟S31-1、S31-2和S31-5及VI-1的段落。
VI-3. 從三維原始圖像的原始體素的測量數值導出的計算圖
或者，第33B圖揭露本發明實施例中在三維計算圖像中測定的均勻區域。如第31A圖和33B所示，可以如第23A圖中的步驟S23-1及第三方面的說明所示，執行捲積(convolution)運算(Ec
)以獲得移動窗口102之每個停止點Wm-n-u
的成像參數的數值Cm-n-u
，在一個例子中，如第31A圖和33B所示，三維移動窗口102可係具有x方向寬度等於計算像素Pk-1
的x方向寬度Xfp
的兩倍， y方向寬度等於計算像素Pk-1
的y方向寬度Yfp
的兩倍及並且z方向寬度等於計算像素Pk-1
的z方向寬度Zfp
的兩倍的正方形立方體，三維移動窗口102的每個停止點Wm-n-u
可以重疊並且與排列在2乘2乘2陣列中的八個計算體素Pk-1-h
相關聯。
接著，請參閱第31A圖和33B，可以執行步驟S31-1以計算出每個停止點Wm-n-u
的成像參數的數值Cm-n-u
與部分重疊每一停止點Wm-n-u
的每一相鄰停止點W(m-1)-(n-1)-(u-1)
-W(m+1)-(n+1)-(u-1)
, W(m-1)-(n-1)-u
-W(m-1)-(n+1)-u
, W(m+1)-(n-1)-u
-W(m+1)-(n+1)-u
, Wm-(n-1)-u
, Wm-(n+1)-u
, W(m-1)-(n+1)-(u+1)
-W(m+1)-(n+1)-(u+1)
之成像參數的數值C(m-1)-(n-1)-(u-1)
-C(m+1)-(n+1)-(u-1)
, C(m-1)-(n-1)-u
-C(m-1)-(n+1)-u
, C(m+1)-(n-1)-u
-C(m+1)-(n+1)-u
, Cm-(n-1)-u
, Cm-(n+1)-u
, C(m-1)-(n+1)-(u+1)
-C(m+1)-(n+1)-(u+1)
之一至每一停止點Wm-n-u
的成像參數的數值Cm-n-u
之間的差值，及計算每一相鄰停止點W(m-1)-(n-1)-(u-1)
-W(m+1)-(n+1)-(u-1)
, W(m-1)-(n-1)-u
-W(m-1)-(n+1)-u
, W(m+1)-(n-1)-u
-W(m+1)-(n+1)-u
, Wm-(n-1)-u
, Wm-(n+1)-u
, W(m-1)-(n+1)-(u+1)
-W(m+1)-(n+1)-(u+1)
與每一停止點Wm-n-u
部分重疊的數值C(m-1)-(n-1)-(u-1)
-C(m+1)-(n+1)-(u-1)
, C(m-1)-(n-1)-u
-C(m-1)-(n+1)-u
, C(m+1)-(n-1)-u
-C(m+1)-(n+1)-u
, Cm-(n-1)-u
, Cm-(n+1)-u
, C(m-1)-(n+1)-(u+1)
-C(m+1)-(n+1)-(u+1)
與每個停止點Wm-n-u
的成像參數的數值Cm-n-u
之間差值與每個停止點Wm-n-u
的成像參數的數值Cm-n-u
之間的比值。
接著，請參閱第31A圖和第33B圖，可以執行步驟S31-2以確定每一相鄰停止點W(m-1)-(n-1)-(u-1)
-W(m+1)-(n+1)-(u-1)
, W(m-1)-(n-1)-u
-W(m-1)-(n+1)-u
, W(m+1)-(n-1)-u
-W(m+1)-(n+1)-u
, Wm-(n-1)-u
, Wm-(n+1)-u
, W(m-1)-(n+1)-(u+1)
-W(m+1)-(n+1)-(u+1)
與每一停止點Wm-n
部分重疊的數值C(m-1)-(n-1)-(u-1)
-C(m+1)-(n+1)-(u-1)
, C(m-1)-(n-1)-u
-C(m-1)-(n+1)-u
, C(m+1)-(n-1)-u
-C(m+1)-(n+1)-u
, Cm-(n-1)-u
, Cm-(n+1)-u
, C(m-1)-(n+1)-(u+1)
-C(m+1)-(n+1)-(u+1)
與每個停止點Wm-n-u
的成像參數的數值Cm-n-u
之間差值與每個停止點Wm-n-u
的成像參數的數值Cm-n-u
之間的比值小於或等於預設的閾值，例如0.1、0.05或0.02。
如果一特定停止點Wm1-n1-u1
的成像參數的數值Cm1-n1-u1
與每相鄰停止點W(m1-1)-(n1-1)-(u1-1)
-W(m1+1)-(n1+1)-(u1-1)
, W(m1-1)-(n1-1)-u1
-W(m1-1)-(n1+1)-u1
, W(m1+1)-(n1-1)-u1
-W(m1+1)-(n1+1)-u1
, Wm1-(n1-1)-u1
, Wm1-(n1+1)-u1
, W(m1-1)-(n1+1)-(u1+1)
-W(m1+1)-(n1+1)-(u1+1)
與該特定停止點Wm1-n1-u1
部分重疊的數值C(m1-1)-(n1-1)-(u1-1)
-C(m1+1)-(n1+1)-(u1-1)
, C(m1-1)-(n1-1)-u1
-C(m1-1)-(n1+1)-u1
, C(m1+1)-(n1-1)-u1
-C(m1+1)-(n1+1)-u1
, Cm1-(n1-1)-u1
, Cm1-(n1+1)-u1
, C(m1-1)-(n1+1)-(u1+1)
-C(m1+1)-(n1+1)-(u1+1)
之間差值與該特定停止點Wm1-n1-u1
的成像參數的數值Cm1-n1-u1
之間的比值小於或等於預設的閾值時，繼續步驟S31-3，以定義具有一均勻空間110的三維計算圖，均勻空間110具有由特定停止點Wm1-n1-u1
和每個相鄰停止點W(m1-1)-(n1-1)-(u1-1)
-W(m1+1)-(n1+1)-(u1-1)
, W(m1-1)-(n1-1)-u1
-W(m1-1)-(n1+1)-u1
, W(m1+1)-(n1-1)-u1
-W(m1+1)-(n1+1)-u1
, Wm1-(n1-1)-u1
, Wm1-(n1+1)-u1
, W(m1-1)-(n1+1)-(u1+1)
-W(m1+1)-(n1+1)-(u1+1)
部分重疊的特定停止點Wm1-n1-u1
的組合所定義的輪廓，並將在均勻空間110的每一計算體素(e.g. Pk5 -l5-h5
)之成像參數的數值dk -l-h
指定或設定為成像參數之一恆定數值(常數值)，其中該成像參數的恆定數值與特定停止點Wm1-n1-u1
的成像參數的數值Cm1-n1-u1
及每相鄰停止點W(m1-1)-(n1-1)-(u1-1)
-W(m1+1)-(n1+1)-(u1-1)
, W(m1-1)-(n1-1)-u1
-W(m1-1)-(n1+1)-u1
, W(m1+1)-(n1-1)-u1
-W(m1+1)-(n1+1)-u1
, Wm1-(n1-1)-u1
, Wm1-(n1+1)-u1
, W(m1-1)-(n1+1)-(u1+1)
-W(m1+1)-(n1+1)-(u1+1)
與該特定停止點Wm1-n1-u1
部分重疊的數值C(m1-1)-(n1-1)-(u1-1)
-C(m1+1)-(n1+1)-(u1-1)
, C(m1-1)-(n1-1)-u1
-C(m1-1)-(n1+1)-u1
, C(m1+1)-(n1-1)-u1
-C(m1+1)-(n1+1)-u1
, Cm1-(n1-1)-u1
, Cm1-(n1+1)-u1
, C(m1-1)-(n1+1)-(u1+1)
-C(m1+1)-(n1+1)-(u1+1)
之一相關聯，例如是該成像參數的恆定數值與特定停止點Wm1-n1-u1
的成像參數的數值Cm1-n1-u1
及每相鄰停止點W(m1-1)-(n1-1)-(u1-1)
-W(m1+1)-(n1+1)-(u1-1)
, W(m1-1)-(n1-1)-u1
-W(m1-1)-(n1+1)-u1
, W(m1+1)-(n1-1)-u1
-W(m1+1)-(n1+1)-u1
, Wm1-(n1-1)-u1
, Wm1-(n1+1)-u1
, W(m1-1)-(n1+1)-(u1+1)
-W(m1+1)-(n1+1)-(u1+1)
與該特定停止點Wm1-n1-u1
部分重疊的數值C(m1-1)-(n1-1)-(u1-1)
-C(m1+1)-(n1+1)-(u1-1)
, C(m1-1)-(n1-1)-u1
-C(m1-1)-(n1+1)-u1
, C(m1+1)-(n1-1)-u1
-C(m1+1)-(n1+1)-u1
, Cm1-(n1-1)-u1
, Cm1-(n1+1)-u1
, C(m1-1)-(n1+1)-(u1+1)
-C(m1+1)-(n1+1)-(u1+1)
的平均值。
接著， 請參閱第31A圖和第33B圖，執行步驟S31-4之解捲積(deconvolution)運算(Ed
)。在步驟S31-4中，重復地更新或計算每個在至少一個(或多個)停止點Wm-n-u
之三維計算圖像的均勻空間110外的每個計算體素Pk -l-h
的成像參數的數值dk -l-h
之其一，如第三方面中的步驟DC1-DC10所示，其係依據每個覆蓋每一該計算體素Pk -l-h
的一個(或多個)停止點Wm-n-u
的成像參數的數值Cm-n-u
中的一個(或多個)和/或三維計算圖像的均勻空間110中的一個(或多個)計算體素Pk -l-h
的成像參數的該公共常數值。 每一該計算體素Pk -l-h
的面積小於三維移動窗口2的相對應的一個(或多個)停止點Wm-n-u
之面積。均勻空間110外部的計算體素Pk -l-h
的成像參數的數值dk -l-h
是未知的，但是均勻空間110中的計算體素(
e.g. Pk5 -l5-h5)
的成像參數的數值(e.g. dk5 -l5-h5
)變為已知。因此，已知數值(其包括每一停止點Wm-n-u
成像參數的數值Cm-n-u
及在均勻空間110中計算體素(e.g. Pk5 -l5-h5
)的成像參數的數值( e.g. dk5 -l5-h5
)的數量與在均勻空間110之外的計算體素Pk -l-h
的成像參數的未知數值dk -l-h
的數量的比值增加，在均勻空間110之外的計算體素Pk -l-h
的成像參數的未知數值dk -l-h
可快速地經由計算機迭代計算更新成一最佳值，如在第三個方面中所示。
如果在步驟S31-2中沒有在三維計算圖像中找到均勻區域110，則進行步驟S31-5執行用於解捲積(deconvolution)運算。在步驟S31-5中，重復地更新或計算出三維計算圖像的每個計算體素Pk-l-h
的成像參數的數值dk-l-h
之其一，如第三方面中的步驟DC1-DC10所示，其係依據每個覆蓋每一該計算體素Pk-l-h
的一個(或多個)停止點Wm-n-u
的成像參數的數值Cm-n-u
(中的一個或多個)。
VI-4. 從三維移動窗口的停止點之測量數值導出的計算圖
除了將步驟S23-1替換為步驟S23-3(如第23B圖所示的第三方面)之外，第31B圖所示的處理與第31A圖所示的處理相同。 請參閱第31B圖，在步驟S23-3中，可以將三維移動窗口102應用在目標空間100，以測量第三維移動窗口102的每個停止點Wm-n-u
的成像參數的數值Cm-n-u
。
接著，請參閱第31B圖，繼續如第31A圖及第33B圖中及在段落VI-3中所示的步驟S31-1至S31-4，或繼續如如第31A圖及第33B圖中及在段落VI-3中所示的步驟S31-1、S31-2和S31-5。
VI-5. 第VI-3和VI-4節摘要(Summary)
關於第三方面的摘要的段落III-3如下所示，如第31A圖和第31B圖所示，其方法更包括：(1)由成像系統提供覆蓋在一第二體素(例如在第33B圖之Pk1-l
1-h1
)的3D移動窗口102的複數停止點(例如在第26A圖至第26C圖及第33B圖之W1-1-1
-WN-N-N
)中第五停止點(e.g. 在第33B圖中之Wm1-n1-u1
)，其中第二計算體素(例如在第33B圖之Pk1-l
1-h1
)是三維計算圖像的另一個三維單元，其在第一方向(例如，X方向)上具有第一尺寸Xfp
，第二方向上(例如，Y方向)上具有第二尺寸Yfp
和第三方向(例如，Z方向)上具有第三尺寸Zfp
；(2)對於步驟S31-1，由成像系統計算在第五停止點(例如，第33B圖中的Wm1-n1-u1
)之第一數值(e.g. Cm1-n1-u1
)與其三維移動窗口102之所有相鄰的每一停止點(例如在第33B圖中W(m1-1)-(n1-1)-(u1-1)
)部分重疊三維移動窗口102之第五停止點(例如在第33B圖之Wm1-n1-u1
)的第一數值(e.g. C(m1-1)-(n1-1)-(u1-1)
)之間的差值；(3)對於步驟31-1，由成像系統計算出每一差值與3D移動窗口102之第五停止點(例如，第33B圖中的Wm1-n1-u1
)的之第一數值(e.g. Cm1-n1-u1
)的一比值；(4)對於步驟S31-2，由成像系統確定每個比值的絕對值是否小於或等於預設的閾值；(5)對於步驟S31-3，由成像系統定義由第五停止點(例如，第33B圖中的Wm1-n1-u1
)覆蓋的空間及作為均勻區域110之3D移動窗口102之第五停止點(例如，第33B圖中的Wm1-n1-u1
)部分重疊的所有相鄰的停止點(例如在第33B圖中W(m1-1)-(n1-1)-(u1-1)
)，其中第二計算體素(例如，在第33B圖之Pk1-l
1-h1
)位在均勻區域110中；(6)對於步驟S32-3，由成像系統指定或設定第二計算體素(例如，在第33B圖之Pk1-l
1-h1
)的成像參數的一恆定數值，其中恆定數值與第五停止點(例如，第33B圖中的Wm1-n1-u1
)的第一數值(e.g. Cm1-n1-u1
)相關聯，及與3D移動窗口102的第五停止點(例如，第33B圖中的Wm1-n1-u1
)的部分重疊之所有相鄰的停止點(e.g. W(m1-1)-(n1-1)-(u1-1)
)之第一數值(e.g. C(m1-1)-(n1-1)-(u1-1)
)相關聯；(7)對於步驟S32-3，由成像系統為每個其他計算體素(在第33B圖中P(k1-1)-(l
1-2)-(h1-1)
)指定或設定一分配恆定值(或常數值)，除了在均勻區域110中的第二計算體素(例如，在第33B圖之Pk1-l
1-h1
)之外。
此外，對於步驟S32-4，該方法包括所計算出之第一個計算體素(例如在第26D圖至第26F圖及第33C圖中的Pk-l
-h
)的第二數值(e.g. dk-l
-h
)，如在用於第四方面的概述的段落IV-3中所說明描述的，其係依據與3D移動窗口102的複數停止點(例如第26A圖至第26C圖中W1-1-1
-WN-N-N
)之第六停止點(例如第26G圖及第33C圖之W(m+1)-(n+1)-u
)部分地與均勻區域110重疊，其中3D移動窗口102的第六停止點(例如第26G圖及第33C圖之W(m+1)-(n+1)-u
)的第三數值可依據在均勻區域110及在第六個停止點(例如第26G圖及第33C圖之W(m+1)-(n+1)-u
)之每一計算體素(第33C圖之Pk5-l
5-h5
)相關聯的常數值，將3D移動窗口102的第六停止點(例如第26G圖及第33C圖之W(m+1)-(n+1)-u
)的第三數值計算得到。
另外，對於步驟S31-4，在第26D圖至第26F圖、第33C圖及第33D圖中所計算出之第一個計算體素(例如Pk-l
-h
)的第二數值dk-l
-h
，包括：(1)由成像系統依據與3D移動窗口102之第一至第四停止點(例如在第26D圖至第26F圖及第33D圖之Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
and Wm-n-(u+1)
)的第一數值(例如Cm-n-u
, C(m+1)-n-u
, Cm-(n+1)-u
and Cm-n-(u+1)
)相關聯的訊息，計算出第一計算體素(例如Pk-l
-h
)的成像參數的第一假設值；(2)通過成像系統計算除了在第26D圖至第26F圖中第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的每一個之第一計算體素之外的其它計算體素(例如在第33D圖之Pk2-l
2-h2
, Pk3-l
3-h3
及 Pk4-l4-h4
)的每個之成像參數的第二假設值，其中在第26D圖至第26F圖及第33D圖中所計算出之第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)中的每一個中的其它計算體素的第二假設值(例如在第33D圖之Pk2-l
2-h2
, Pk3-l
3-h3
or Pk4-l4-h4
)，其係依據與3D移動窗口102的每一停止點(例如第33D圖中Wm-n-u
and/or W(m+1)-n-u
)覆蓋其它計算體素(例如第33D圖之Pk2-l
2-h2
, Pk3-l
3-h3
or Pk4-l4-h4
)的體素的第一數值(例如Cm-n-u
and/or C(m+1)-n-u
,)相關連的資訊所計算出；(3)通過成像系統計算出3D移動窗口的第一至第四停止點的一中間停止點(例如在第26D圖及第33D圖之W(m+1)-n-u
)部分地與均勻空間110及均勻空間110之外的空間重疊之成像參數的一第一數值猜測值，其係根據第一計算體素(例如在第26D圖至第26F圖、第33C圖及第33D圖之Pk-l
-h
)之第一假設數值、在中間停止點(例如在第26D圖及第33D圖之W(m+1)-n-u
)的其它計算體素(例如第33D圖之Pk3-l
3-h3
)的每一個的第二假設數值，及位在均勻空間110內在中間停止點(例如在第26D圖及第33D圖之Wm-n-u
)之其它計算體素(例如第33D圖之Pk2-l
2-h2
)的常數值計算出；(4)通過成像系統計算出第一至第四停止點未重疊均勻空間110的其它停止點(例如在第26D圖及第33D圖之W(m+1)-n-u
)，亦即是中間停止點之外的停止點的成像參數之第二數值猜測值，其中計算第一至第四停止點未重疊均勻空間110的其它停止點(例如在第26D圖及第33D圖之W(m+1)-n-u
)，亦即是中間停止點之外的停止點的成像參數之第二數值猜測值係根據第一計算體素(例如在第26D圖至第26F圖、第33C圖及第33D圖之Pk-l
-h
)之該第一假設值及位在均勻空間110之外及在停止點(例如在第26D圖至第26F圖及第33D圖之Wm-n-u
)每一其它計算體素(例如第33D圖之Pk4-l
4-h4
)之第二假設值計算出；(5) 通過成像系統計算出第一數值猜測值與該中間停止點(例如在第26D圖及第33D圖中的W(m+1)-n-u
)第一數值(例如C(m+1)-n-u
)之間的第一差值；(6) 通過成像系統計算出第二數值猜測值與第一至第四停止點未重疊在該均勻空間110的其它停止點(例如第26D圖至第26F圖及第33D圖之Wm-n-u
)的每一個之第一數值(例如C(m+1)-n-u
)之間的第二差值；及(7)根據第一差值及3D移動窗口102之第一至第四停止點(例如第26D圖至第26F圖及第33D圖中Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的第二差值通過成像系統更新第一計算體素(例如第26D圖至第26F圖、第33C圖及第33D圖之Pk-l
-h
)之第一假設值。
VI-6. 從二維原始圖像的原始像素的測量數值導出的機率圖
第32A圖揭露本發明實施例中使用E演算法來獲得針對二維或三維機率圖的像素或體素的事件之更好解析度機率的程序。如第32A圖和33A所示，如第22A圖中且第一方面的步驟S22-1所示執行捲積(convolution)運算(Ec
)，以獲得二維移動窗口2每個停止點Wm-n
的一個(或多個)成像參數的一個(或一組)數值Cm-n
。在一個例子中，如第32A圖和33A所示，二維移動窗口2可為具有x方向寬度等於計算像素Pk-1
的x方向寬度Xfp
的兩倍，並且y方向寬度等於計算像素Pk-1
的y方向寬度Yfp
的兩倍的正方形。 二維移動窗口2的每個停止點Wm-n
可以重疊並且與以2×2陣列排列的四個計算像素Pk-1
相關聯。
接著， 如第32A圖和33A所示，可以如第22A圖所示且在第一方面之步驟S22-2中執行用於大數據工程學習，以經由類似貝葉斯分類器的分類器匹配2D移動窗口2的每個停止點Wm-n
之一個(或多個)成像參數的一個(一組)數值來計算出或獲得每個停止點Wm-n
的事件之機率CLm-n
。
接著，請參閱第32A圖、第33A圖和第34A圖至第34H圖，可以執行步驟S32-1以計算出每個停止點Wm-n
的事件之機率CLm-n
與每一相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
部分地重疊每一停止點Wm-n
之機率值CL(m-1)-(n-1)
-CL(m+1)-(n-1)
, CL(m-1)-n
, CL(m+1)-n
, CL(m-1)-(n+1)
-CL(m+1)-(n+1)
之一至每一停止點Wm-n
的事件之機率值CLm-n
之間的差值，及計算每個停止點Wm-n
的事件之機率CLm-n
與每一相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
部分地重疊每一停止點Wm-n
之機率值CL(m-1)-(n-1)
-CL(m+1)-(n-1)
, CL(m-1)-n
, CL(m+1)-n
, CL(m-1)-(n+1)
-CL(m+1)-(n+1)
之一與每一停止點Wm-n
的事件之機率值CLm-n
之間的比值。
接著，請參閱第32A圖、第33A圖和第34A圖至第34H圖，可以執行步驟S32-2以確定每個停止點Wm-n
的事件之機率CLm-n
與每一相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
部分地重疊每一停止點Wm-n
之機率值CL(m-1)-(n-1)
-CL(m+1)-(n-1)
, CL(m-1)-n
, CL(m+1)-n
, CL(m-1)-(n+1)
-CL(m+1)-(n+1)
之一與每一停止點Wm-n
的事件之機率值CLm-n
之間的比值的絕對值是否小於或等於預設的閾值，預設的閾值例如是0.1、0.05或0.02。
如第32A圖、第33A圖及第34A圖至第34H圖所示，如果一特定停止點Wm-n
的事件之機率值CLm-n
與每相鄰停止W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
與事件之該特定停止點Wm-n
部分重疊的機率值CL(m-1)-(n-1)
-CL(m+1)-(n-1)
, CL(m-1)-n
, CL(m+1)-n
, CL(m-1)-(n+1)
-CL(m+1)-(n+1)
之間差值與事件之該特定停止點Wm-n
的事件之機率值CLm-n
之間的比值小於或等於預設的閾值時，繼續步驟S32-3，以定義具有一均勻區域110的二維計算圖，均勻區域110具有由特定停止點Wm-n
和每個相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
部分重疊的特定停止點Wm-n
的組合所定義的輪廓，並將在均勻區域110的每一計算像素(e.g. Pk -l
)之事件的機率值dlk -l
指定或設定為事件的一恆定機率值(常數機率值)，其中該事件的恆定機率值與特定停止點Wm-n
的事件的機率值CLm-n
及每相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
與該特定停止點Wm-n
部分重疊的數值CL(m-1)-(n-1)
-CL(m+1)-(n-1)
, CL(m-1)-n
, CL(m+1)-n
, CL(m-1)-(n+1)
-CL(m+1)-(n+1)
之一相關聯，例如是該事件的恆定機率值與特定停止點Wm-n
的事件的機率值CLm-n
及每相鄰停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
與該特定停止點Wm-n
部分重疊的機率值CL(m-1)-(n-1)
-CL(m+1)-(n-1)
, CL(m-1)-n
, CL(m+1)-n
, CL(m-1)-(n+1)
-CL(m+1)-(n+1)
的平均值。
接著， 請參閱第32A圖、第33A圖和第34A圖至第34H圖，執行步驟S32-4之解捲積(deconvolution)運算(Ed
)。在步驟S32-3中，重復地更新或計算每個在至少一個(或多個)停止點Wm-n-u
之二維計算圖像的均勻區域110外的每個計算像素Pk -l
的事件的機率值dlk -l
之其一，如第三方面中的步驟DC1-DC10所示，其係依據每個覆蓋每一該計算像素Pk -l
的一個(或多個)停止點Wm-n-u
的事件的機率值CLm-n
中的一個(或多個)和/或二維計算圖像的均勻區域110中的一個(或多個)計算像素Pk -l
的成像參數的該公共常數值。 每一該計算像素Pk -l
的面積小於二維移動窗口2的相對應的一個(或多個)停止點Wm-n-u
之面積。均勻區域110外部的計算像素Pk -l
的事件的機率值dlk -l
是未知的，但是均勻區域110中的計算像素Pk -l
的事件的機率值dlk -l
變為已知。因此，已知數值(其包括每一停止點Wm-n-u
事件的機率值CLm-n
及在均勻區域110中計算像素Pk -l
的事件的機率值dlk -l
的數量與在均勻區域110之外的計算像素Pk -l
的成像參數的未知數值dlk -l
的數量的比值增加，在均勻區域110之外的計算像素Pk -l
的成像參數的未知數值dlk -l
可快速地經由計算機迭代計算更新成一最佳值，如在第一個方面中所示。
如第32A圖、第33A圖和第34A圖至第34H圖所示，如果在步驟S32-2中在二維計算圖像中沒有找到均勻區域110，則執行步驟S32-5的解捲積(deconvolution)運算。在步驟S32-5中，依據每個覆蓋每一該計算像素Pk-1的一個(或多個)停止點Wm-n
的事件之一個(或多個)機率CLm-n
，如第一方面中的步驟ST1-ST11所示，重復地更新或計算二維計算圖像的每個計算像素Pk-1
的事件之機率dlk-1
之其一。
VI-7. 從二維移動窗口的停止點之測量值得出的機率圖
或者，如第32B圖揭露了根據另一個實施例，使用E演算法來獲得更好解析度二維或三維機率圖的像素或體素之事件機率的程序。第32B圖所示的處理與第32A圖所示的處理相同，不同之處在於步驟S22-1被替換為步驟S22-4，如第22B圖所示的第一方面。請參閱第32B圖，在步驟S22-4中，可以將二維移動窗口2應用在目標區域11，以測量二維移動窗口2之每個停止點Wm-n
一個(或多個)成像參數中的一個(或一組)數值Cm-n
。
接著，請參閱第32B圖，繼續如第32A圖及第33A圖中及及VI-5的段落所示的步驟S22-2、步驟S32-1至步驟S32-4，或者繼續如第32A圖及第33A圖中及及VI-5的段落所示的步驟S22-2、步驟S32-1、步驟S32-2和步驟S32-5。
VI-8. 從三維原始圖像的原始體素的測量數值導出的機率圖
如第32A圖和33B所示，可以如第22A圖中的步驟S22-1及第四方面的說明所示，執行捲積(convolution)運算(Ec
)以獲得移動窗口102之每個停止點Wm-n-u
的一個(或一組)成像參數的一個(或一組)數值Cm-n-u
，在一個例子中，如第32A圖和33B所示，三維移動窗口102可係具有x方向寬度等於計算像素Pk-1
的x方向寬度Xfp
的兩倍， y方向寬度等於計算像素Pk-1
的y方向寬度Yfp
的兩倍及並且z方向寬度等於計算像素Pk-1
的z方向寬度Zfp
的兩倍的正方形立方體，三維移動窗口102的每個停止點Wm-n-u
可以重疊並且與排列在2乘2乘2陣列中的八個計算體素Pk-1-h
相關聯。
接著， 如第32A圖和33B所示，可以如第22A圖所示且在第四方面之步驟S22-2中執行用於大數據工程學習，以經由類似貝葉斯分類器的分類器匹配3D移動窗口102的每個停止點Wm-n-u
之一個(或多個)成像參數的一個(一組)數值來計算出或獲得每個停止點Wm-n-u
的事件之機率CLm-n-u
。
接著，請參閱第32A圖和第33B圖，可以執行步驟S32-1以計算出每個停止點Wm-n-u
的事件之機率CLm-n-u
與每一相鄰停止點W(m-1)-(n-1)-(u-1)
-W(m+1)-(n+1)-(u-1)
, W(m-1)-(n-1)-u
-W(m-1)-(n+1)-u
, W(m+1)-(n-1)-u
-W(m+1)-(n+1)-u
, Wm-(n-1)-u
, Wm-(n+1)-u
, W(m-1)-(n+1)-(u+1)
-W(m+1)-(n+1)-(u+1)
部分地重疊每一停止點Wm-n-u
之機率值CL(m-1)-(n-1)-(u-1)
-CL(m+1)-(n+1)-(u-1)
, CL(m-1)-(n-1)-u
-CL(m-1)-(n+1)-u
, CL(m+1)-(n-1)-u
-CL(m+1)-(n+1)-u
, CLm-(n-1)-u
, CLm-(n+1)-u
, CL(m-1)-(n+1)-(u+1)
-CL(m+1)-(n+1)-(u+1)
之一之間的差值，及計算每個停止點Wm-n-u
的事件之機率CLm-n-u
與每一相鄰停止點W(m-1)-(n-1)-(u-1)
-W(m+1)-(n+1)-(u-1)
, W(m-1)-(n-1)-u
-W(m-1)-(n+1)-u
, W(m+1)-(n-1)-u
-W(m+1)-(n+1)-u
, Wm-(n-1)-u
, Wm-(n+1)-u
, W(m-1)-(n+1)-(u+1)
-W(m+1)-(n+1)-(u+1)
部分地重疊每一停止點Wm-n-u
之機率值CL(m-1)-(n-1)-(u-1)
-CL(m+1)-(n+1)-(u-1)
, CL(m-1)-(n-1)-u
-CL(m-1)-(n+1)-u
, CL(m+1)-(n-1)-u
-CL(m+1)-(n+1)-u
, CLm-(n-1)-u
, CLm-(n+1)-u
, CL(m-1)-(n+1)-(u+1)
-CL(m+1)-(n+1)-(u+1)
之一與每一停止點Wm-n-u
的事件之機率值CLm-n-u
之間的比值。
接著，請參閱第32A圖和第33B圖，可以執行步驟S32-2以確定每個停止點Wm-n-u
的事件之機率CLm-n-u
與每一相鄰停止點W(m-1)-(n-1)-(u-1)
-W(m+1)-(n+1)-(u-1)
, W(m-1)-(n-1)-u
-W(m-1)-(n+1)-u
, W(m+1)-(n-1)-u
-W(m+1)-(n+1)-u
, Wm-(n-1)-u
, Wm-(n+1)-u
, W(m-1)-(n+1)-(u+1)
-W(m+1)-(n+1)-(u+1)
部分地重疊每一停止點Wm-n-u
之機率值CL(m-1)-(n-1)-(u-1)
-CL(m+1)-(n+1)-(u-1)
, CL(m-1)-(n-1)-u
-CL(m-1)-(n+1)-u
, CL(m+1)-(n-1)-u
-CL(m+1)-(n+1)-u
, CLm-(n-1)-u
, CLm-(n+1)-u
, CL(m-1)-(n+1)-(u+1)
-CL(m+1)-(n+1)-(u+1)
之一與每一停止點Wm-n-u
的事件之機率值CLm-n-u
之間的比值的絕對值是否小於或等於預設的閾值，預設的閾值例如是0.1、0.05或0.02。
如第32A圖及第33B圖所示，如果一特定停止點Wm1-n1-u1
的成像參數的數值CLm1-n1-u1
與每相鄰停止W(m1-1)-(n1-1)-(u1-1)
-W(m1+1)-(n1+1)-(u1-1)
, W(m1-1)-(n1-1)-u1
-W(m1-1)-(n1+1)-u1
, W(m1+1)-(n1-1)-u1
-W(m1+1)-(n1+1)-u1
, Wm1-(n1-1)-u1
, Wm1-(n1+1)-u1
, W(m1-1)-(n1+1)-(u1+1)
-W(m1+1)-(n1+1)-(u1+1)
與該特定停止點Wm1-n1-u1
部分重疊的數值CL(m1-1)-(n1-1)-(u1-1)
-CL(m1+1)-(n1+1)-(u1-1)
, CL(m1-1)-(n1-1)-u1
-CL(m1-1)-(n1+1)-u1
, CL(m1+1)-(n1-1)-u1
-CL(m1+1)-(n1+1)-u1
, CLm1-(n1-1)-u1
, CLm1-(n1+1)-u1
, CL(m1-1)-(n1+1)-(u1+1)
-CL(m1+1)-(n1+1)-(u1+1)
之間差值與該特定停止點Wm1-n1-u1
的成像參數的數值CLm1-n1-u1
之間的比值小於或等於預設的閾值時，繼續步驟S32-3，以定義具有一均勻空間110的三維計算圖，均勻空間110具有由特定停止點Wm1-n1-u1
和每個相鄰停止點W(m1-1)-(n1-1)-(u1-1)
-W(m1+1)-(n1+1)-(u1-1)
, W(m1-1)-(n1-1)-u1
-W(m1-1)-(n1+1)-u1
, W(m1+1)-(n1-1)-u1
-W(m1+1)-(n1+1)-u1
, Wm1-(n1-1)-u1
, Wm1-(n1+1)-u1
, W(m1-1)-(n1+1)-(u1+1)
-W(m1+1)-(n1+1)-(u1+1)
部分重疊的特定停止點Wm1-n1-u1
的組合所定義的輪廓，並將在均勻空間110的每一計算像素(e.g. Pk5 -l5-h5
)之事件的機率值(e.g. dlk5 -l5-h5
)指定或設定為事件的一恆定機率值(常數機率值)，其中該事件的恆定機率值與特定停止點Wm1-n1-u1
的事件的機率值CLm1-n1-u1
及每相鄰停止點W(m1-1)-(n1-1)-(u1-1)
-W(m1+1)-(n1+1)-(u1-1)
, W(m1-1)-(n1-1)-u1
-W(m1-1)-(n1+1)-u1
, W(m1+1)-(n1-1)-u1
-W(m1+1)-(n1+1)-u1
, Wm1-(n1-1)-u1
, Wm1-(n1+1)-u1
, W(m1-1)-(n1+1)-(u1+1)
-W(m1+1)-(n1+1)-(u1+1)
與該特定停止點Wm1-n1-u1
部分重疊的數值CL(m1-1)-(n1-1)-(u1-1)
-CL(m1+1)-(n1+1)-(u1-1)
, CL(m1-1)-(n1-1)-u1
-CL(m1-1)-(n1+1)-u1
, CL(m1+1)-(n1-1)-u1
-CL(m1+1)-(n1+1)-u1
, CLm1-(n1-1)-u1
, CLm1-(n1+1)-u1
, CL(m1-1)-(n1+1)-(u1+1)
-CL(m1+1)-(n1+1)-(u1+1)
之一相關聯，例如是該事件的恆定機率值與特定停止點Wm1-n1-u1
的事件的機率值CLm1-n1-u1
及每相鄰停止點W(m1-1)-(n1-1)-(u1-1)
-W(m1+1)-(n1+1)-(u1-1)
, W(m1-1)-(n1-1)-u1
-W(m1-1)-(n1+1)-u1
, W(m1+1)-(n1-1)-u1
-W(m1+1)-(n1+1)-u1
, Wm1-(n1-1)-u1
, Wm1-(n1+1)-u1
, W(m1-1)-(n1+1)-(u1+1)
-W(m1+1)-(n1+1)-(u1+1)
與該特定停止點Wm1-n1-u1
部分重疊的機率值W(m1-1)-(n1-1)-(u1-1)
-W(m1+1)-(n1+1)-(u1-1)
, W(m1-1)-(n1-1)-u1
-W(m1-1)-(n1+1)-u1
, W(m1+1)-(n1-1)-u1
-W(m1+1)-(n1+1)-u1
, Wm1-(n1-1)-u1
, Wm1-(n1+1)-u1
, W(m1-1)-(n1+1)-(u1+1)
-W(m1+1)-(n1+1)-(u1+1)
的平均值。
接著， 請參閱第32A圖和第33B圖，執行步驟S32-4之解捲積(deconvolution)運算(Ed
)。在步驟S32-4中，重復地更新或計算每個在至少一個(或多個)停止點Wm-n-u
之三維計算圖像的均勻空間110外的每個計算體素Pk -l-h
的事件的機率值dlk -l-h
之其一，如第四方面中的步驟DL1-DL10所示，其係依據每個覆蓋每一該計算體素Pk -l-h
的一個(或多個)停止點Wm-n-u
的事件的機率值CLm-n-u
中的一個(或多個)和/或三維計算圖像的均勻空間110中的一個(或多個)計算體素Pk -l-h
的成像參數的該公共常數值。 每一該計算體素Pk -l-h
的面積小於三維移動窗口2的相對應的一個(或多個)停止點Wm-n-u
之面積。均勻空間110外部的計算體素Pk -l-h
的事件的機率值dlk -l-h
是未知的，但是均勻空間110中的計算體素Pk -l-h
的事件的機率值dlk -l-h
變為已知。因此，已知數值(其包括每一停止點Wm-n-u
事件的機率值CLm-n-u
及在均勻空間110中計算體素(e.g. Pk5 -l5-h5
)的事件的機率值(e.g. dlk5 -l5-h5
)的數量與在均勻空間110之外的計算體素Pk -l-h
的成像參數的未知數值dlk -l-h
的數量的比值增加，在均勻空間110之外的計算體素Pk -l-h
的成像參數的未知數值dlk -l-h
可快速地經由計算機迭代計算更新成一最佳值。
如第32A圖和第33B圖所示，如果在步驟S32-2中在三維計算圖像中沒有找到均勻空間110，則執行步驟S32-5的解捲積(deconvolution)運算。在步驟S32-5中，依據每個覆蓋每一該計算體素Pk -l-h
的一個(或多個)停止點Wm-n-u
的事件之一個(或多個)機率dlk -l-h
，如第一方面中的步驟ST1-ST11所示，重復地更新或計算三維計算圖像的每個計算體素Pk -l-h
的事件之機率dlk -l-h
之其一。
VI-9. 從三維移動窗口的停止點之測量數值導出的機率圖
如第32B圖所示的程序與第32A圖所示的程序相同，除了步驟S22-1被替換為如第22B圖所示之第四方面的步驟S22-4。 請參閱第31B圖，在步驟S22-4中，可以將三維移動窗口102應用在目標空間100，以針對第三維移動窗口102每個停止點Wm-n-u
測量一個(或多個)成像參數的一個(或一組)數值Cm-n-u
。
接著，請參閱第32B圖，繼續如第32A圖和第33B圖以及VI-7的段落所示的步驟S22-2和步驟S32-1至步驟S32-4，或繼續如第32A圖和第33B圖以及VI-7的段落所示的步驟S22-2、步驟S32-1、步驟S32-2和步驟S32-5。
VI-10. 第VI-8和VI-9節摘要
關於第四方面的摘要的段落IV-3如下所示，如第32A圖和第32B圖所示，其方法更包括：(1)由成像系統提供覆蓋在一第二體素(例如在第33B圖之Pk1-l
1-h1
)的3D移動窗口102的複數停止點(例如在第26A圖至第26C圖及第33B圖之W1-1-1
-WN-N-N
)中第五停止點(e.g. 在第33B圖中之Wm1-n1-u1
)，其中第二計算體素(例如在第33B圖之Pk1-l
1-h1
)是三維機率圖像的另一個三維單元，其在第一方向(例如，X方向)上具有第一尺寸Xfp
，第二方向上(例如，Y方向)上具有第二尺寸Yfp
和第三方向(例如，Z方向)上具有第三尺寸Zfp
；(2)對於步驟S32-1，由成像系統計算在第五停止點(例如，第33B圖中的Wm1-n1-u1
)之第一事件的機率值(e.g. CLm1-n1-u1
)與其三維移動窗口102之所有相鄰的每一停止點(例如在第33B圖中W(m1-1)-(n1-1)-(u1-1)
)部分重疊三維移動窗口102之第五停止點(例如在第33B圖之Wm1-n1-u1
)的第一事件的機率值(e.g. C(m1-1)-(n1-1)-(u1-1)
)之間的差值；(3)對於步驟32-1，由成像系統計算出每一差值與3D移動窗口102之第五停止點(例如，第33B圖中的Wm1-n1-u1
)的之第一事件的機率值(e.g. CLm1-n1-u1
)的一比值；(4)對於步驟S31-2，由成像系統確定每個比值的絕對值是否小於或等於預設的閾值；(5)對於步驟S32-3，由成像系統定義由第五停止點(例如，第33B圖中的Wm1-n1-u1
)覆蓋的空間及作為均勻區域110之3D移動窗口102之第五停止點(例如，第33B圖中的Wm1-n1-u1
)部分重疊的所有相鄰的停止點(例如在第33B圖中W(m1-1)-(n1-1)-(u1-1)
)，其中第二計算體素(例如，在第33B圖之Pk1-l
1-h1
)位在均勻區域110中；(6)對於步驟S32-3，由成像系統指定或設定第二計算體素(例如，在第33B圖之Pk1-l
1-h1
)的成像參數的一事件的恆定機率值，其中事件的恆定機率值與第五停止點(例如，第33B圖中的Wm1-n1-u1
)的第一事件的機率值(e.g. CLm1-n1-u1
)相關聯，及與3D移動窗口102的第五停止點(例如，第33B圖中的Wm1-n1-u1
)的部分重疊之所有相鄰的停止點(e.g. W(m1-1)-(n1-1)-(u1-1)
)之第一事件的機率值(e.g. C(m1-1)-(n1-1)-(u1-1)
)相關聯；(7)對於步驟S32-3，由成像系統為每個其他計算體素(在第33B圖中P(k1-1)-(l
1-2)-(h1-1)
)指定或設定一分配恆定值(或常數值)，除了在均勻區域110中的第二計算體素(例如，在第33B圖之Pk1-l
1-h1
)之外。
此外，對於步驟S32-4，該方法包括所計算出之第一個計算體素(例如在第26D圖至第26F圖及第33C圖中的Pk-l
-h
)的第二事件之機率值(e.g. dlk-l
-h
)，如在用於第四方面的概述的段落IV-3中所說明描述的，其係依據與3D移動窗口102的複數停止點(例如第26A圖至第26C圖中W1-1-1
-WN-N-N
)之第六停止點(例如第26G圖及第33C圖之W(m+1)-(n+1)-u
)部分地與均勻區域110重疊，其中3D移動窗口102的第六停止點(例如第26G圖及第33C圖之W(m+1)-(n+1)-u
)的第三事件之機率值可依據在均勻區域110及在第六個停止點(例如第26G圖及第33C圖之W(m+1)-(n+1)-u
)之每一計算體素(第33C圖之Pk5-l
5-h5
)相關聯的事件之機率值，將3D移動窗口102的第六停止點(例如第26G圖及第33C圖之W(m+1)-(n+1)-u
)的第三事件之機率值計算得到。
另外，對於步驟S32-4，在第26D圖至第26F圖、第33C圖及第33D圖中所計算出之第一個計算體素(例如Pk-l
-h
)的第二事件之機率值dk-l
-h
，包括：(1)由成像系統依據與3D移動窗口102之第一至第四停止點(例如在第26D圖至第26F圖及第33D圖之Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
and Wm-n-(u+1)
)的第一事件之機率值(例如CLm-n-u
, CL(m+1)-n-u
, CLm-(n+1)-u
and CLm-n-(u+1)
)相關聯的訊息，計算出第一計算體素(例如Pk-l
-h
)的成像參數的第一假設值；(2)通過成像系統計算除了在第26D圖至第26F圖中第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的每一個之第一計算體素之外的其它計算體素(例如在第33D圖之Pk2-l
2-h2
, Pk3-l
3-h3
and Pk4-l4-h4
)的每個之成像參數的第二假設值，其中在第26D圖至第26F圖及第33D圖中所計算出之第一至第四停止點(e.g., Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)中的每一個中的其它計算體素的第二假設值(例如在第33D圖之Pk2-l
2-h2
, Pk3-l
3-h3
or Pk4-l4-h4
)，其係依據與3D移動窗口102的每一停止點(例如第33D圖中Wm-n-u
and/or W(m+1)-n-u
)覆蓋其它計算體素(例如第33D圖之Pk2-l
2-h2
, Pk3-l
3-h3
or Pk4-l4-h4
)的體素的第一事件之機率值(例如CLm-n-u
and/or C(m+1)-n-u
,)相關連的資訊所計算出；(3)通過成像系統計算出3D移動窗口的第一至第四停止點的一中間停止點(例如在第26D圖及第33D圖之W(m+1)-n-u
)部分地與均勻空間110及均勻空間110之外的空間重疊之成像參數的一第一事件之機率值猜測值，其係根據第一計算體素(例如在第26D圖至第26F圖、第33C圖及第33D圖之Pk-l
-h
)之第一假設事件之機率值、在中間停止點(例如在第26D圖及第33D圖之W(m+1)-n-u
)的其它計算體素(例如第33D圖之Pk3-l
3-h3
)的每一個的第二假設事件之機率值，及位在均勻空間110內在中間停止點(例如在第26D圖及第33D圖之Wm-n-u
)之其它計算體素(例如第33D圖之Pk2-l
2-h2
)的常事件之機率值計算出；(4)通過成像系統計算出第一至第四停止點未重疊均勻空間110的其它停止點(例如在第26D圖及第33D圖之W(m+1)-n-u
)，亦即是中間停止點之外的停止點的成像參數之第二事件之機率值猜測值，其中計算第一至第四停止點未重疊均勻空間110的其它停止點(例如在第26D圖及第33D圖之W(m+1)-n-u
)，亦即是中間停止點之外的停止點的成像參數之第二事件之機率值猜測值係根據第一計算體素(例如在第26D圖至第26F圖、第33C圖及第33D圖之Pk-l
-h
)之該第一假設值及位在均勻空間110之外及在停止點(例如在第26D圖至第26F圖及第33D圖之Wm-n-u
)每一其它計算體素(例如第33D圖之Pk4-l
4-h4
)之第二假設值計算出；(5) 通過成像系統計算出第一事件之機率值猜測值與該中間停止點(例如在第26D圖及第33D圖中的W(m+1)-n-u
)第一事件之機率值(例如C(m+1)-n-u
)之間的第一差值；(6) 通過成像系統計算出第二事件之機率值猜測值與第一至第四停止點未重疊在該均勻空間110的其它停止點(例如第26D圖至第26F圖及第33D圖之Wm-n-u
)的每一個之第一事件之機率值(例如C(m+1)-n-u
)之間的第二差值；及(7)根據第一差值及3D移動窗口102之第一至第四停止點(例如第26D圖至第26F圖及第33D圖中Wm-n-u
, W(m+1)-n-u
, Wm-(n+1)-u
及Wm-n-(u+1)
)的第二差值通過成像系統更新第一計算體素(例如第26D圖至第26F圖、第33C圖及第33D圖之Pk-l
-h
)之第一假設值。
第七方面：二維移動窗口的多個測量像素
或者，第35A圖為本發明實施例中具有以2×2陣列排列的四個測量像素的二維移動窗口之示意圖。第35B圖揭露本發明二維移動窗口的測量像素之示意圖，本發發之實施例提供之二維移動窗口具有由二維計算圖像中的九個計算像素的組合(以3×3陣列排列)的輪廓所定義的輪廓。請參閱第35A圖，二維移動窗口2可包括的多個測量像素20以Mmp-by-Nmp陣列排列，其中“Mmp”的數量可以是大於或等於1的整數，例如2、3或4，“Nmp”的數量可以是大於或等於1的整數，例如2、3或4。在這種情況下，如第35A圖中，“Mmp”的數量等於2並且Nmp”的數量也等於2。二維移動窗口2可使用第一、第二和第六方面中的步驟S22-4或步驟S23-3，以應用在目標區域11上，或者是使用第五方面中的步驟S27-4或S28-5在目標區域11和外部區域103的組合上，以測量每個停止點Wm-n
的一個(或多個)數值Cm-n
或二維移動窗口2的每個停止點的測量像素20之每個停止點Wm-n的數值C1-1
-C(M+2)-(N+2)
，因此，數值Cm-n
及數值C1-1
-C(M+2)-(N+2)
具有Mmp
-by-Nmp
的數量，以從二維移動窗口2的每一停止點中測量。
請參閱第35B圖，二維移動窗口2的每個停止點的測量像素20的每個停止點可以具有由二維計算圖像12之多個計算像素Pk-1
的組合的輪廓所定義之輪廓，且排列被佈置在mcp
-by-ncp
的陣列中，其中“mcp
”的數量可以是大於或等於1的整數，例如2、3或4，以及“ncp
”的數量，可以是大於或等於1的整數，例如2、3或4。在這種情況下，”mcp
“的數量等於3而數字”ncp
“也等於3，如第35B圖所示。
第35C圖至第35K圖為本發明二維移動窗口的路徑之示意圖。使用第一、第二和第六方面中的步驟S22-4或步驟S23-3在目標區域11上移動二維移動窗口2，或者使用第五方面中的步驟S27-4或步驟S28-5在目標區域11和外部區域103的組合上經由(mcp
-1)數量之的一個(或多個)步驟進行移動，一旦二維移動窗口2在x方向上逐步移動，其位移距離等於二維計算圖像12的計算像素Pk-l
的x方向寬度Xfp
，二維移動窗口2可以在x方向上跳躍，其位移距離等於x方向寬度Xfp
乘以(mcp
+1)的數量。一旦二維移動窗口2在y方向上逐行移動，其位移距離等於二維計算圖12的計算像素Pk-l
的y方向寬度Yfp
，其係經由(ncp
)數量之的一個(或多個)步驟進行移動，二維移動窗口2可以在y方向上跳躍，其位移距離等於y方向寬度Yfp
乘以ncp
的數量。
例如，如第35C圖至第35K圖所示，在這種情況下，二維移動窗口2可以由“Mmp
”的數量等於2，數量“Nmp
”也等於2的條件下定義，“mcp
”的數量是等於3並且數字“ncp
”也等於3，如第35A圖和35B所示，使用第一、第二和第六方面中的步驟S22-4或步驟S23-3，二維移動窗口2可從目標區域11的左上角移動，或是如第35C圖所示，使用第五方面中的步驟S27-4或步驟S28-5，在目標區域11及外部區域103上移動，以分別測量二維移動窗口2的停止點的測量像素20的四個各自停止點W1-1
, W4-1
, W1-4
及W4-4
之四個或四組數值C1-1
, C4-1
, C1-4
及C4-4
。接著，二維移動窗口2可以在x方向上逐步地向右移動(其位移距離等於二維計算圖12的計算像素Pk-1
的x方向寬度Xfp
)，如第35D圖及第35E圖所示，以測量第一步/階段(step)的2D移動窗口2之一第一停止點的測量像素20之四個對應的停止點W2-1
, W5-1
, W2-4
及W5-4
的四個或四組的數值C2-1
, C5-1
, C2-4
及C5-4
，及測量第二步/階段(step)的2D移動窗口2之一第二停止點的測量像素20之四個對應的停止點W3-1
, W6-1
, W3-4
及W6-4
的四個或四組的數值C3-1
, C6-1
, C3-4
及C6-4
。一旦二維移動窗口2在x方向上逐步向右移動，其位移距離等於與x方向寬度Xfp
相等的位移兩步，則二維移動窗口2可以在x方向上向右跳躍，其位移距離等於等於與x方向寬度Xfp
相等的位移的4倍，如第35F圖所示，以測量2D移動窗口2之停止點的測量像素20之四個對應的停止點W7-1
, W10-1
, W7-4
及W10-4
的四組或四組數值C7-1
, C10-1
, C7-4
及C10-4
。
因此，在步驟S35-1中，二維移動窗口2可以在x方向上逐步(step by step)向右移動，其位移距離等於x方向寬度Xfp
，以測量第一步/階段(step)的2D移動窗口2之一第一停止點的測量像素20之四個對應的停止點WFX1-TY1
, WFX2-TY2
, WFX3-TY3
及WFX4-TY4
的四個或四組的數值CFX1-TY1
, CFX2-TY2
, CFX3-TY3
及CFX4-TY4
，其中FX1=FX3=tx*Mmp
*mcp
+2, FX2=FX4=tx*Mmp
*mcp
+mcp
+2, TY1=TY2=ty*Nmp
*ncp
+1 and TY3=TY4=ty*Nmp
*ncp
+ncp
+1，其中tx是二維移動窗口2在x方向上的跳躍次數，ty是二維移動窗口2在y方向上的跳躍次數，以測量第二步/階段(step)的2D移動窗口2之一第二停止點的測量像素20之四個對應的停止點WSX1-TY1
, WSX2-TY2
, WSX3-TY3
及WSX4-TY4
的四個或四組的數值CSX1-TY1
, CSX2-TY2
, CSX3-TY3
及CSX4-TY4
，其中SX1=SX3= tx*Mmp
*mcp
+3 and SX2=SX4=tx*Mmp
*mcp
+mcp
+3，一旦二維移動窗口2在x方向上逐步向右移動，其位移距離等於與x方向寬度Xfp
相等的位移兩步，則二維移動窗口2可以在x方向上向右跳躍，位移距離等於與x方向寬度Xfp
相等的位移的4倍，以測量2D移動窗口2之停止點的測量像素20之四個對應的停止點WTX1-TY1
, WTX2-TY2
, WTX3-TY3
及WTX4-TY4
的四個或四組的數值CTX1-TY1
, CTX2-TY2
, CTX3-TY3
及CTX4-TY4
，其中TX1=TX3= tx*Mmp
*mcp
+1 and TX2=TX4=tx*Mmp
*mcp
+mcp
+1，上述步驟S35-1可以重複，直到二維移動窗口2的停止點具有一個測量像素20的停止點到達二維計算圖12的右側，如第35G圖所示。
如第35圖所示，在步驟S35-1中二維移動窗口2的停止點具有一個測量像素20的停止點到達二維計算圖12的右側之後繼續步驟S35-2，如第35H圖所示，其中二維移動窗口2可以在y方向上向下移動，其位移距離等於二維計算圖像12的計算像素Pk-1
的y方向寬度Yfp
，而移動到二維計算圖2的左側，以測量2D移動窗口2之停止點的測量像素20之四個對應的停止點W1-FY1
, W4-FY2
, W1-FY3
及W4-FY4
的四個或四組的數值C1-FY1
, C4-FY2
, C1-FY3
及C4-FY4
，其中FY1=FY2=ty*Nmp
*ncp
+2 and FY3=FY4=ty*Nmp
*ncp
+ncp
+2，接著在步驟S35-3中，該2D移動窗口2可在x方向上逐步向右移動，位移距離等於x方向寬度Xfp
，以測量第一步/階段(step)的2D移動窗口2之一第一停止點的測量像素20之四個對應的停止點WFX1-TY1
, WFX2-TY2
, WFX3-TY3
及WFX4-TY4
的四個或四組的數值CFX1-TY1
, CFX2-TY2
, CFX3-TY3
及CFX4-TY4
，及測量第二步/階段(step)的2D移動窗口2之一第二停止點的測量像素20之四個對應的停止點WSX1-TY1
, WSX2-TY2
, WSX3-TY3
及WSX4-TY4
的四個或四組的數值CSX1-TY1
, CSX2-TY2
, CSX3-TY3
及CSX4-TY4
，一旦二維移動窗口2在x方向上逐步向右移動，其位移距離等於與x方向寬度Xfp
相等的位移兩步，則二維移動窗口2可以在x方向上向右跳躍，位移距離等於與x方向寬度Xfp
相等的4倍，以測量2D移動窗口2之停止點的測量像素20之四個對應的停止點WTX1-FY1
, WTX2-FY2
, WTX3-FY3
及WTX4-FY4
的四個或四組的數值CTX1-FY1
, CTX2-FY2
, CTX3-FY3
及CTX4-FY4
。上述步驟S35-3可以重複，直到二維移動窗口2的停止點具有一個測量像素20的停止點到達二維計算圖12的右側。
如第35圖所示，在步驟S35-3中二維移動窗口2的停止點具有一個測量像素20的停止點到達二維計算圖12的右側之後繼續步驟S35-4，如第35I圖所示，其中二維移動窗口2可以在y方向上向下移動，其位移距離等於二維計算圖像12的計算像素Pk-1
的y方向寬度Yfp
，而移動到二維計算圖2的左側，以測量2D移動窗口2之停止點的測量像素20之四個對應的停止點W1-SY1
, W4-SY2
, W1-SY3
及W4-SY4
的四個或四組的數值C1-SY1
, C4-SY2
, C1-SY3
及C4-SY4
，其中SY1=SY2=ty*Nmp
*ncp
+3 and SY3=SY4=ty*Nmp
*ncp
+ncp
+3，接著在步驟S35-5中，該2D移動窗口2可在x方向上逐步向右移動，位移距離等於x方向寬度Xfp
，以測量第一步/階段(step)的2D移動窗口2之一第一停止點的測量像素20之四個對應的停止點WFX1-SY1
, WFX2-SY2
, WFX3-SY3
及WFX4-SY4
的四個或四組的數值CFX1-SY1
, CFX2-SY2
, CFX3-SY3
及CFX4-SY4
，及測量第二步/階段(step)的2D移動窗口2之一第二停止點的測量像素20之四個對應的停止點WSX1-SY1
, WSX2-SY2
, WSX3-SY3
及WSX4-SY4
的四個或四組的數值CSX1-SY1
, CSX2-SY2
, CSX3-SY3
及CSX4-SY4
，一旦二維移動窗口2在x方向上逐步向右移動，其位移距離等於與x方向寬度Xfp
相等的位移兩步，則二維移動窗口2可以在x方向上向右跳躍，位移距離等於與x方向寬度Xfp
相等的4倍，以測量2D移動窗口2之停止點的測量像素20之四個對應的停止點WTX1-SY1
, WTX2-SY2
, WTX3-SY3
及WTX4-SY4
的四個或四組的數值CTX1-SY1
, CTX2-SY2
, CTX3-SY3
及CTX4-SY4
。上述步驟S35-5可以重複，直到二維移動窗口2的停止點具有一個測量像素20的停止點到達二維計算圖12的右側。
一旦二維移動窗口2在y方向上逐行向下移動，其中位移距離等於y方向寬度Yfp
的3行，則繼續步驟S35-6，其中二維移動窗口2可以在y方向上向下跳躍，其位移距離等於y方向寬度Yfp的距離的3倍，如第35J圖所示，以測量2D移動窗口2之停止點的測量像素20之四個對應的停止點W1-TY1
, W4-TY2
, W1-TY3
及W4-TY4
的四個或四組的數值C1-TY1
, C4-TY2
, C1-TY3
及C4-TY4
。接著，重複循環步驟S35-1到步驟S35-1至S35-6，直到二維移動窗口2的停止點具有一個測量像素20的停止點到達二維計算圖12的底部和右側，如第35K圖所示。
除非另有述及，否則經敘述於本專利說明書中之所有度量值、數值、等級、位置、程度、大小及其他規格，包括在下文請求項中，係為近似或額定值，而未必精確；其係意欲具有合理範圍，其係與其有關聯之功能及與此項技藝中所習用與其相關者一致。
已被陳述或說明者之中全無意欲或應被解釋為會造成任何組件、步驟、特徵、目的、利益、優點或公開之相當事物之專用，而不管其是否被敘述於請求項中。
保護之範圍係僅被請求項所限制。當明白本專利說明書及下文之執行歷程加以解釋後，該範圍係意欲且應該被解釋為如與被使用於請求項中之語文之一般意義一致一樣寬廣，及涵蓋所有結構性與功能性相當事物。
2‧‧‧二維移動窗口11‧‧‧目標區域
12‧‧‧計算像素/區域70‧‧‧大數據資料庫
90‧‧‧活檢組織92‧‧‧成像平面
94‧‧‧感興趣的區域(ROI)96a-96f‧‧‧原始像素
98‧‧‧平面圓柱體4‧‧‧正方形
6‧‧‧單元或方塊10‧‧‧MRI圖像
11‧‧‧MRI圖像12‧‧‧計算像素/區域
402‧‧‧左側122‧‧‧左側
401‧‧‧上側121‧‧‧上側
14a-14f‧‧‧原始像素pi-j106‧‧‧立方體
102‧‧‧3D移動窗口100‧‧‧3D圖像
103‧‧‧外部區域104‧‧‧載玻片
110‧‧‧均勻區域20‧‧‧測量像素
圖式揭示本發明之說明性實施例。其並未闡述所有實施例。可另外或替代使用其他實施例。為節省空間或更有效地說明，可省略顯而易見或不必要之細節。相反，可實施一些實施例而不揭示所有細節。當相同數字出現在不同圖式中時，其係指相同或類似組件或步驟。
當以下描述連同隨附圖式一起閱讀時，可更充分地理解本發明之態樣，該等隨附圖式之性質應視為說明性而非限制性的。該等圖式未必按比例繪製，而是強調本發明之原理。
第1A圖為本發明的實施例創建“大數據”機率圖之示意圖；
第1B圖至第1G圖為本發明實施例的子集資料表，其中子集資料表中的資料是經由使用公開數據並應用一些個人經驗和判斷來生成的。 該資料用作為本發明一實施例之資料；
第1H圖至第1M圖為本發明實施例的子集資料表；
第2A圖為本發明的一實施例己對位(registered)之活體組織及複數MRI切片去做活體組織檢查之示意圖。
第2B圖為本發明之實施例MRI切片之示意圖；
第2C圖為本發明實施例之MRI切片上由感興趣區域(ROI)覆蓋MRI切片之多個由機器所定義的原始像素之示意圖；
第2D圖為本發明實施例的資料表；
第2E圖為本發明實施例從活檢組織的長圓柱形變換成平面圓柱體。
第3A圖為本發明實施例之圓形窗口和內接在圓形窗口中正方形內2×2網格陣列之示意圖。
第3B圖為本發明實施例之圓形窗口和內接在圓形窗口中正方形內3×3網格陣列之示意圖。
第3C圖為本發明實施例之圓形窗口和內接在圓形窗口中正方形內4×4網格柵陣列之示意圖。
第4圖為本發明實施例之生成或形成機率圖的計算方法之流程圖。
第5圖為本發明實施例的前列腺在MRI切片上的計算區域。
第6A圖為本發明實施例在MRI切片的計算區域上移動的圓形窗口之示意圖；
第6B圖為本發明實施例內切在圓形窗口中的正方形，其中該圓形窗口的角部與MRI切片的計算區域的角部對齊。
第7A圖為本發明實施例之由圓形窗口覆蓋在MRI切片上之多個由機器所定義的原始像素之示意圖；
第7B圖為本發明實施例的資料表；
第8圖為本發明實施例之用於生成機率圖的演算法之流程圖；
第9圖為本發明實施例用於機率圖的36個計算體素所定義的計算區域。
第10A圖、第10C圖、第10E圖、第10G圖、第11A圖、第11C圖、第11E圖、第11G圖、第12A圖、第12C圖、第12E圖、第12G圖、第13A圖、第13C圖、第13E圖和第13G圖揭露了具有16個停止點之圓形移動窗口，其中每個停止點包括九個非重疊的正方形；
第10B圖、第10D圖、第10F圖、第10H圖、第11B圖、第11D圖、第11F圖、第11H圖、第12B圖、第12D圖、第12F圖、第12H圖、第13B圖、第13D圖、第13F圖和第13H圖揭露了一圓形窗口移動穿過由36個計算體素所定義的一計算區域；
第14A圖、第14B圖和第14C圖分別為本發明實施例的計算體素的初始機率、計算體素的更新機率和計算體素的最佳機率；
第15A圖至第15C圖揭露了三個機率圖；
第15D圖揭露一複合機率影像或圖像；
第16圖為本發明實施例乳房的MRI切片上之計算區域。
第17A圖至第17R圖揭露了各種參數的說明(“參數圖表”和”生物標記”圖表可以用於解釋及說明在大數據資料庫中的許多項目，包括本體(ontologies)，mRNA，次世代定序（Next Generation Sequencing, NGS）等。 然後，”子集”資料庫中的精確資料可以更具體，使系統更容易生成資料；
第18圖揭露可評估、辨識或判斷治療(例如，新的輔助化療或前列腺癌的微創治療)或治療中使用的藥物的效果的方法之流程圖；
第19圖為本發明的一個實施方案評估、辨識或判斷治療中使用的治療或藥物對受試者的影響的方法之流程圖。
第20圖為本發明的一個實施方案評估、辨識或判斷治療中使用的治療或藥物對受試者的影響的方法之流程圖。
第21圖揭露有關於參數測量的兩個特定不同組的兩條高斯曲線的圖示；
第22A圖揭露本發明實施例中使用E演算法來獲得二維區域中事件之更好解析度機率的程序。
第22B圖揭露本發明實施例中使用E演算法來獲得二維區域中事件之更好解析度機率的另一程序。
第23A圖揭露本發明實施例中使用E演算法來獲得二維區域中的更好解析度之測量值的程序。
第23B圖揭露本發明實施例中使用E演算法來獲得二維區域中的更好解析度之測量值的另一程序。
第24圖揭露本發明實施例中三維物體的三維(3D)圖像之示意圖。
第25圖揭露本發明實施例之三維(3D)移動窗口之示意圖。
第26A圖至第26C圖為本發明實施例中將三維移動窗口應用在三維圖像，並在3D圖像中獲得更好解析度的程序之示意圖。
第26D圖至第26J圖為本發明實施例中，以各種方式彼此部分重疊的3D移動窗口的兩個停止點之示意圖。
第27A圖揭露本發明實施例中使用E演算法來獲得二維區域或三維空間中的更好解析度之測量值的程序。
第27B圖揭露本發明另一實施例中使用E演算法來獲得二維或三維圖像的像素或體素更好解析度數值的程序。
第28A圖揭露本發明實施例中使用E演算法來獲得二維區域或三維空間中的事件之更好解析度機率的程序。
第28B圖揭露本發明實施例中使用E演算法來獲得二維區域中事件之更好解析度機率的另一程序。
第29A圖揭露本發明實施例之用於移動窗口在目標區域和外部區域之間移動之示意圖。
第29B圖至第29D圖為本發明實施例的在二維計算圖像的最右側且最下側角落處的移動窗口之示意圖。
第30A圖和第30B圖揭露本發明實施例用於移動窗口在三維原始圖像的目標空間和外部空間之間移動。
第31A圖揭露本發明實施例中使用E演算法來獲得二維區域或三維空間中的更好解析度之測量值的程序。
第31B圖揭露本發明另一實施例中使用E演算法來獲得二維或三維圖像的像素或體素更好解析度數值的程序。
第32A圖揭露本發明實施例中使用E演算法來獲得針對二維或三維機率圖的像素或體素的事件之更好解析度機率的程序。
第32B圖揭露本發明另一實施例中使用E演算法來獲得針對二維或三維機率圖的像素或體素的事件之更好解析度機率的程序。
第33A圖揭露本發明實施例之在二維區域中測定的均勻區域之示意圖。
第33B圖揭露本發明實施例的在三維計算圖像中測定的均勻區域。
第33C圖和第33D圖揭露本發明實施例的三維移動窗口的停止點，其不與均勻區域重疊，但該三維移動窗口之另一停止點部分地與均勻區域重疊。
第34A圖至第34H圖揭露本發明每個停止點W(m-1)-(n-1)
-W(m+1)-(n-1)
, W(m-1)-n
, W(m+1)-n
, W(m-1)-(n+1)
-W(m+1)-(n+1)
與移動窗口的特定停止點Wm-n部分重疊的各種情況。
第35A圖為本發明實施例中具有以2×2陣列排列的四個測量像素的二維移動窗口之示意圖。
第35B圖揭露本發明二維移動窗口的測量像素之示意圖，經由二維計算圖之9個計算像素以3×3陣列排列所組合之輪廓/描繪。
第35C圖至第35K圖為本發明二維移動窗口的路徑之示意圖。
100‧‧‧目標空間
103‧‧‧外部區域
Claims (31)
- 一種用於在三維結構的三維機率圖中獲得事件機率的方法，包括： 通過成像系統提供第一計算體素，該第一計算體素是三維機率圖的三維單元，具有第一方向上的第一尺寸，第二方向上的第二尺寸和第三方向上的第三尺寸方向； 通過成像系統獲得三維移動窗口的每個停止點的至少一個成像參數的至少一個數值，其中三維移動窗口的第一和第二停止點部分重疊並位移在第一方向上彼此相距大致上等於第一計算體素的第一尺寸的距離，三維移動窗口的第一停止和第三停止部分地重疊並且在第二方向上彼此偏移大致上等於第一計算體素的第二尺寸的距離的方向，並且三維移動窗口的第一停止和第四停止部分地重疊並且在第三方向上彼此偏移基本距離等於第一計算體素的第三維； 該成像系統將該至少一個成像參數的至少一個數值與分類器匹配，以獲得該三維移動窗口的每個停止點的事件之第一機率；以及 通過成像系統，依據與三維移動窗口的第一到第四停止點的事件之第一機率相關聯的訊息，計算第一計算體素的事件之第二機率。
- 如申請專利範圍第1項所請求之方法，其中該三維結構包括生物結構。
- 如申請專利範圍第1項所請求之方法，其中該三維結構包括活檢樣本。
- 如申請專利範圍第1項所請求之方法，其中該三維結構包括活檢樣本。
- 如申請專利範圍第1項所請求之方法，其中該多個成像參數包括各種核磁共振成像(MRI)參數。
- 如申請專利範圍第1項所請求之方法，其中該多個成像參數包括T1參數，T2參數和tau參數。
- 如申請專利範圍第1項所請求之方法，其中該成像參數包括T1參數，T2參數和K-trans參數。
- 如申請專利範圍第1項所請求之方法，其中該多個成像參數包括T1參數，T2參數和K-trans參數。
- 如申請專利範圍第1項所請求之方法，其中該多個成像參數包括超音波掃描參數。
- 如申請專利範圍第1項所請求之方法，其中該事件包括癌症的發生。
- 如申請專利範圍第1項所請求之方法，其中所計算出之第一計算體素的事件之第二機率包括： 依據與三維移動窗口的第一到第四停止點的事件之第一機率相關聯的訊息，由成像系統計算第一計算體素的事件之第一假定機率； 通過成像系統計算第一至第四停止點中的每一個中除第一計算體素之外的每個其他計算體素的事件之第二假定機率，包括所計算出之該事件之第二假定機率的體素依據與覆蓋其他計算體素的體素的三維移動窗口的每個停止點的事件之第一機率相關聯的訊息，第一至第四停止點中的每一個中的其它I計算體素； 通過成像系統計算出三維移動窗口的第一到第四停止點的每個停止點的事件之機率猜測，包括所計算出之用於停止第一到第四停止點的事件之機率猜測值。依據與第一計算體素的事件之第一假定機率相關聯的訊息的三維移動窗口和第一至第四停止點之停止點中的其它I計算體素的事件之第二假定機率； 通過成像系統計算出三維移動窗口的第一至第四停止點中的每一個的事件之機率猜測與事件之第一機率之間的差異；以及 依據與三維移動窗口的第一至第四停止點中的每一個的差異相關聯的訊息，由成像系統更新第一計算體素的事件之第一假定機率。
- 如申請專利範圍第11項所請求之方法，其中，該為第一計算體素更新事件之第一假定機率還包括： 通過成像系統，通過將三維移動窗口的第一到第四停止點中的每一個的差乘以三維移動窗口的第一到第四停止點到第一計算體素的每個誤差校正貢獻(error correction contributions)， 第一計算體素的體積與三維移動窗口的體積的比值； 通過成像系統，通過對誤差校正貢獻(error correction contributions)總和/求和(summing)，計算第一計算體素的誤差校正因子(ECF)； 和 通過成像系統從第一計算體素的事件之第一假定機率中減去第一計算體素的誤差校正因子(ECF)。
- 如申請專利範圍第1項所請求之方法，還包括： 通過成像系統提供覆蓋第二計算體素的三維移動窗口的第五個停止點，其中第二計算體素是三維機率圖的另一個三維單元，其具有第一尺寸。第一方向，第二方向上的第二尺寸和第三方向上的第三尺寸； 通過成像系統計算第五次停止點的事件之第一機率與三次移動窗口的所有相鄰停止點中的每一個的事件之第一機率之間的差異，其部分地重疊三次移動窗口的第五次停止點。尺寸移動窗； 通過成像系統計算出三維移動窗口的第五次停止點的每個差異與事件之第一機率的比值； 通過成像系統確定比值的每個絕對值是否小於或等於閾值； 通過成像系統將第五停止點所覆蓋的空間及其所有相鄰停止點部分地重疊為三維移動窗口的第五停止點作為均勻區域，其中第二計算體素位於均勻區域中； 通過成像系統為第二計算體素分配事件之恆定機率，其中事件之恆定機率與第五次停止點的事件之第一機率和所有其鄰近的事件之第一機率相關聯。停止部分重疊三維移動窗口的第五個停止；以及 通過成像系統，在均勻區域中為除第二計算體素之外的每個其他計算體素分配事件之恆定機率。
- 如申請專利範圍第13項所請求之方法，包括：該依據與該事件之第三機率相關聯的進一步訊息計算出該第一計算體素的該事件之第二機率，該第三機率為該三維移動窗口的第六個停止部分重疊該均勻 空間，其中依據與均勻區域和第六停止點中的每個計算體素的事件之恆定機率相關聯的訊息來計算出三維移動窗口的第六停止點的事件之第三機率。
- 如申請專利範圍第13項所請求之方法，其中所計算出之第一計算體素的事件之第二機率包括： 依據與三維移動窗口的第一到第四停止點的事件之第一機率相關聯的訊息，由成像系統計算第一計算體素的事件之第一假定機率； 通過成像系統計算第一至第四停止點中的每一個中除第一計算體素之外的每個其他計算體素的事件之第二假定機率，包括所計算出之該事件之第二假定機率的體素依據與覆蓋其他計算體素的體素的三維移動窗口的每個停止點的事件之第一機率相關聯的訊息，第一至第四停止點中的每一個中的其它I計算體素； 通過成像系統，依據與第一假設事件之機率相關聯的訊息，計算出三維移動窗口的第一至第四停止點的特定停止點的第一機率猜測，其部分地重疊均勻區域。第一計算體素，對於特定停止和均勻區域外的每個其他計算體素的事件之第二假設機率，以及對於特定停止和均勻區域中的其它I計算體素的事件之恆定機率； 通過成像系統計算第一到第四停止點不與重均勻區域重疊的除了特定停止點之外的每個其他停止點的事件之第二機率猜測，包括所計算出之事件之第二機率猜測值。依據與第一計算體素的事件之第一假設機率相關聯的訊息以及對於第一計算體素之外的每個其他計算體素的事件之第二假設機率，停止第一至第四停止點的其它I停止而不與均勻區域重疊。均勻的空間和其他站點的停止； 通過成像系統計算事件之第一機率猜測與特定停止點的事件之第一機率之間的第一差異； 通過成像系統計算第一到第四停止點的每個其他停止點不與均勻區域重疊的事件之第二機率猜測與事件之第一機率之間的第二差異；以及 依據與三維移動窗口的第一至第四停止點的第一差異和第二差異相關聯的訊息，由成像系統更新第一計算體素的事件之第一假定機率。
- 如申請專利範圍第1項所請求之方法，其中，該分類器包括貝葉斯分類器。
- 如申請專利範圍第1項所請求之方法，其中該第一和第二方向基本上彼此垂直，該第一和第三方向基本上彼此垂直，並且該第二和第三方向基本上彼此垂直。
- 一種用於獲得三維結構的三維計算圖像中的數值的方法，包括： 通過成像系統提供第一計算體素，該第一計算體素是三維計算圖像的三維單元，具有第一方向上的第一尺寸，第二方向上的第二尺寸和第三方向上的第三尺寸方向； 通過成像系統獲得三維移動窗口的每個停止點的成像參數的第一數值，其中三維移動窗口的第一和第二停止點部分重疊並彼此偏移在第一方向上大致上等於第一計算體素的第一尺寸的距離，三維移動窗口的第一停止和第三停止部分地重疊並且在第二方向上彼此偏移一個距離大致上等於第一計算體素的第二尺寸，並且三維移動窗口的第一停止和第四停止部分地重疊並且在第三方向上彼此偏移大致上等於的距離。第一計算體素的第三維；以及 依據與三維移動窗口的第一至第四停止點的第一數值相關聯的訊息，由成像系統計算第一計算體素的成像參數的第二數值。
- 如申請專利範圍第18項所請求之方法，其中該三維結構包括生物結構。
- 如申請專利範圍第18項所請求之方法，其中該三維結構包括活體組織檢查樣品。
- 根據權利要求18項所請求之方法，其中，該三維移動窗口的體積大於或等於該第一計算體素的體積的兩倍。
- 根據權利要求18項所請求之方法，其中，該成像參數包括核磁共振成像(MRI)參數。
- 根據權利要求18項所請求之方法，其中，該成像參數包括X射線電腦斷層攝影參數。
- 如申請專利範圍第18項所請求之方法，其中，該成像參數包括超音波掃描參數。
- 如申請專利範圍第18項所請求之方法，其中該成像參數包括紅外吸收參數。
- 如申請專利範圍第18項所請求之方法，其中所計算出之第一計算體素的成像參數的第二數值包括： 依據與三維移動窗口的第一至第四停止點的第一數值相關聯的訊息，由成像系統計算第一計算體素的成像參數的第一假設值； 在第一至第四停止點的每一個中，由成像系統計算除第一計算體素之外的每個其他計算體素的成像參數的第二假設值，包括所計算出之該第二至第四光瞳的體素的第二假設值。依據與覆蓋其他計算體素的體素的三維移動窗口的每個停止點的第一數值相關聯的訊息，第一至第四停止點中的每一個中的其它I計算體素； 通過成像系統計算出三維移動窗口的第一到第四停止點中的每一個的成像參數的數值猜測，包括所計算出之三維的第一到第四停止點的停止點的數值猜測移動窗口依據與第一計算體素的第一假設值相關聯的訊息和第一至第四停止點之停止點中的其它I計算體素的第二假設值； 通過成像系統計算出三維移動窗口的第一至第四停止點中的每一個的數值猜測和第一數值之間的差值；以及 依據與三維移動窗口的第一至第四停止點中的每一個的差異相關聯的訊息，由成像系統更新第一計算體素的第一假設值。
- 如申請專利範圍第26項所請求之方法，其中，該更新第一計算體素的第一假設值還包括： 通過成像系統，通過將三維移動窗口的第一到第四停止點中的每一個的差乘以三維移動窗口的第一到第四停止點到第一計算體素的每個誤差校正貢獻(error correction contributions)， 第一計算體素的體積與三維移動窗口的體積的比值； 通過成像系統，通過對誤差校正貢獻(error correction contributions)總和/求和(summing)，計算第一計算體素的誤差校正因子(ECF)； 和 通過成像系統從第一計算體素的第一假設值中減去第一計算體素的誤差校正因子(ECF)。
- 如申請專利範圍第18項所請求之方法，還包括： 通過成像系統提供覆蓋第二計算體素的三維移動窗口的第五個停止點，其中第二計算體素是三維計算圖像的另一個三維單元，其具有第一尺寸。第一方向，第二方向上的第二尺寸和第三方向上的第三尺寸； 通過成像系統計算第五停止點的第一數值與第三光移動窗口的第五停止點的三維移動窗口的所有相鄰停止點中的每一個的第一數值之間的差值； 通過成像系統計算出三維移動窗口的第五次停止點的每個差值與第一數值的比值； 通過成像系統確定比值的每個絕對值是否小於或等於閾值； 通過成像系統將第五停止點所覆蓋的空間及其所有相鄰停止點部分地重疊為三維移動窗口的第五停止點作為均勻區域，其中第二計算體素位於均勻區域中； 通過成像系統為第二計算體素分配成像參數的恆定值，其中恆定值與第五停止點的第一數值相關聯，並且所有其相鄰停止點的第一數值與第五停止點的第五停止點部分重疊。三維移動窗；以及 通過成像系統為均勻區域中的除第二計算體素之外的每個其他計算體素分配常數值。
- 如申請專利範圍第28項所請求之方法，包括：所計算出之第一計算體素的第二數值，其依據與三維移動窗口的第六個部分重疊均勻區域的成像參數的第三數值相關聯的進一步訊息，其中，依據與均勻區域和第六停止點中的每個計算體素的常數值相關聯的訊息，計算出三維移動窗口的第六停止點的第三數值。
- 如申請專利範圍第28項所請求之方法，其中所計算出之第一計算體素的第二數值包括： 依據與三維移動窗口的第一至第四停止點的第一數值相關聯的訊息，由成像系統計算第一計算體素的成像參數的第一假設值； 在第一至第四停止點的每一個中，由成像系統計算除第一計算體素之外的每個其他計算體素的成像參數的第二假設值，包括所計算出之該第二至第四光瞳的體素的第二假設值。依據與覆蓋其他計算體素的體素的三維移動窗口的每個停止點的第一數值相關聯的訊息，第一至第四停止點中的每一個中的其它I計算體素； 由成像系統依據與第一計算的第一假設值相關聯的訊息，計算出三維移動窗口的第一至第四停止點的特定停止點的成像參數的第一數值猜測，其部分地重疊均勻區域體素，在一定停止點區域內和均勻區域外的每個其他計算體素的第二假設值，以及在特定停止點區域和均勻區域中的其它I計算體素的恆定值； 通過成像系統計算第一至第四停止點不與重均勻區域重疊的除了特定停止點之外的每個其他停止點的成像參數的第二數值猜測，包括所計算出之第二數值猜測的停止依據與第一計算體素的第一假設值相關聯的訊息，第一至第四停止點的其它I停止點不與均勻區域重疊，並且在均勻區域外和停止點中的每個其他計算體素的第二假設值。其他站點； 通過成像系統計算事件之第一數值猜測與特定停止點的第一數值之間的第一差值； 通過成像系統計算第一到第四停止點的每個其他停止點不與均勻區域重疊的第二數值猜測和第一數值之間的第二差值；以及 依據與三維移動窗口的第一至第四停止點的第一差異和第二差異相關聯的訊息，由成像系統更新第一計算體素的第一假設值。
- 根據權利要求18項所請求之方法，其中，該第一和第二方向基本上彼此垂直，該第一和第三方向基本上彼此垂直，並且該第二和第三方向基本上彼此垂直。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862660271P | 2018-04-20 | 2018-04-20 | |
| US62/660271 | 2018-04-20 | ||
| US16/388,933 US10872413B2 (en) | 2018-04-20 | 2019-04-19 | Method for data management and machine learning with fine resolution |
| US16388933 | 2019-04-19 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW202001804A true TW202001804A (zh) | 2020-01-01 |
Family
ID=68464934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108113914A TW202001804A (zh) | 2018-04-20 | 2019-04-19 | 用精細解析進行資料管理和機器學習的方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (2) | US10872413B2 (zh) |
| TW (1) | TW202001804A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111599464A (zh) * | 2020-05-13 | 2020-08-28 | 吉林大学第一医院 | 基于直肠癌影像组学研究的新型多模态融合辅助诊断方法 |
| TWI769661B (zh) * | 2021-01-12 | 2022-07-01 | 鴻海精密工業股份有限公司 | 圖像異常檢測方法、裝置、電腦裝置及儲存介質 |
| TWI797787B (zh) * | 2021-10-21 | 2023-04-01 | 炳碩生醫股份有限公司 | 用於控制拉曼光譜儀的裝置 |
| TWI824727B (zh) * | 2021-10-04 | 2023-12-01 | 國立高雄科技大學 | 用於深度學習的三維建模軟體之幾何模型資料預處理方法及系統 |
| CN117174273A (zh) * | 2023-11-01 | 2023-12-05 | 南京金域医学检验所有限公司 | 一种用于肾穿刺活检的免疫荧光数据处理方法 |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW202404049A (zh) | 2016-12-14 | 2024-01-16 | 成真股份有限公司 | 標準大宗商品化現場可編程邏輯閘陣列(fpga)積體電路晶片組成之邏輯驅動器 |
| US11625523B2 (en) | 2016-12-14 | 2023-04-11 | iCometrue Company Ltd. | Logic drive based on standard commodity FPGA IC chips |
| US10447274B2 (en) | 2017-07-11 | 2019-10-15 | iCometrue Company Ltd. | Logic drive based on standard commodity FPGA IC chips using non-volatile memory cells |
| US10957679B2 (en) | 2017-08-08 | 2021-03-23 | iCometrue Company Ltd. | Logic drive based on standardized commodity programmable logic semiconductor IC chips |
| US10630296B2 (en) | 2017-09-12 | 2020-04-21 | iCometrue Company Ltd. | Logic drive with brain-like elasticity and integrality based on standard commodity FPGA IC chips using non-volatile memory cells |
| US10608642B2 (en) | 2018-02-01 | 2020-03-31 | iCometrue Company Ltd. | Logic drive using standard commodity programmable logic IC chips comprising non-volatile radom access memory cells |
| US10623000B2 (en) | 2018-02-14 | 2020-04-14 | iCometrue Company Ltd. | Logic drive using standard commodity programmable logic IC chips |
| US10608638B2 (en) | 2018-05-24 | 2020-03-31 | iCometrue Company Ltd. | Logic drive using standard commodity programmable logic IC chips |
| US10892011B2 (en) | 2018-09-11 | 2021-01-12 | iCometrue Company Ltd. | Logic drive using standard commodity programmable logic IC chips comprising non-volatile random access memory cells |
| US11309334B2 (en) | 2018-09-11 | 2022-04-19 | iCometrue Company Ltd. | Logic drive using standard commodity programmable logic IC chips comprising non-volatile random access memory cells |
| US12013352B2 (en) * | 2018-09-26 | 2024-06-18 | Northwestern University | Space-time scattering network for inverse design and tomography |
| US10937762B2 (en) | 2018-10-04 | 2021-03-02 | iCometrue Company Ltd. | Logic drive based on multichip package using interconnection bridge |
| US11616046B2 (en) | 2018-11-02 | 2023-03-28 | iCometrue Company Ltd. | Logic drive based on chip scale package comprising standardized commodity programmable logic IC chip and memory IC chip |
| US11211334B2 (en) | 2018-11-18 | 2021-12-28 | iCometrue Company Ltd. | Logic drive based on chip scale package comprising standardized commodity programmable logic IC chip and memory IC chip |
| US10957043B2 (en) * | 2019-02-28 | 2021-03-23 | Endosoftllc | AI systems for detecting and sizing lesions |
| JP7391112B2 (ja) * | 2019-05-17 | 2023-12-04 | コーニンクレッカ フィリップス エヌ ヴェ | 磁気共鳴イメージングのための自動的な視野整列 |
| US10985154B2 (en) | 2019-07-02 | 2021-04-20 | iCometrue Company Ltd. | Logic drive based on multichip package comprising standard commodity FPGA IC chip with cryptography circuits |
| US11227838B2 (en) | 2019-07-02 | 2022-01-18 | iCometrue Company Ltd. | Logic drive based on multichip package comprising standard commodity FPGA IC chip with cooperating or supporting circuits |
| US11887930B2 (en) | 2019-08-05 | 2024-01-30 | iCometrue Company Ltd. | Vertical interconnect elevator based on through silicon vias |
| US11107100B2 (en) * | 2019-08-09 | 2021-08-31 | International Business Machines Corporation | Distributing computational workload according to tensor optimization |
| US11637056B2 (en) | 2019-09-20 | 2023-04-25 | iCometrue Company Ltd. | 3D chip package based on through-silicon-via interconnection elevator |
| US11600526B2 (en) | 2020-01-22 | 2023-03-07 | iCometrue Company Ltd. | Chip package based on through-silicon-via connector and silicon interconnection bridge |
| US11594192B2 (en) * | 2020-05-21 | 2023-02-28 | Dell Products, L.P. | Generating multi-monitor recommendations |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9830532B1 (en) * | 2014-08-22 | 2017-11-28 | Matrox Electronic Systems Ltd. | Object detection in images using distance maps |
| US9922433B2 (en) * | 2015-05-29 | 2018-03-20 | Moira F. Schieke | Method and system for identifying biomarkers using a probability map |
| WO2018006058A1 (en) * | 2016-07-01 | 2018-01-04 | Cubisme, Inc. | System and method for forming a super-resolution biomarker map image |
| WO2018222755A1 (en) * | 2017-05-30 | 2018-12-06 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
| WO2020092855A1 (en) * | 2018-10-31 | 2020-05-07 | Tempus Labs | User interface, system, and method for cohort analysis |
-
2019
- 2019-04-19 TW TW108113914A patent/TW202001804A/zh unknown
- 2019-04-19 US US16/388,933 patent/US10872413B2/en active Active
-
2020
- 2020-10-18 US US17/073,353 patent/US11232562B2/en active Active
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111599464A (zh) * | 2020-05-13 | 2020-08-28 | 吉林大学第一医院 | 基于直肠癌影像组学研究的新型多模态融合辅助诊断方法 |
| CN111599464B (zh) * | 2020-05-13 | 2023-12-15 | 吉林大学第一医院 | 基于直肠癌影像组学研究的新型多模态融合辅助诊断方法 |
| TWI769661B (zh) * | 2021-01-12 | 2022-07-01 | 鴻海精密工業股份有限公司 | 圖像異常檢測方法、裝置、電腦裝置及儲存介質 |
| TWI824727B (zh) * | 2021-10-04 | 2023-12-01 | 國立高雄科技大學 | 用於深度學習的三維建模軟體之幾何模型資料預處理方法及系統 |
| TWI797787B (zh) * | 2021-10-21 | 2023-04-01 | 炳碩生醫股份有限公司 | 用於控制拉曼光譜儀的裝置 |
| CN117174273A (zh) * | 2023-11-01 | 2023-12-05 | 南京金域医学检验所有限公司 | 一种用于肾穿刺活检的免疫荧光数据处理方法 |
| CN117174273B (zh) * | 2023-11-01 | 2024-02-23 | 南京金域医学检验所有限公司 | 一种用于肾穿刺活检的免疫荧光数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20190347790A1 (en) | 2019-11-14 |
| US10872413B2 (en) | 2020-12-22 |
| US20210035295A1 (en) | 2021-02-04 |
| US11232562B2 (en) | 2022-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW202001804A (zh) | 用精細解析進行資料管理和機器學習的方法 | |
| US11263793B2 (en) | Method and system for assessing images using biomarkers | |
| Ekici et al. | Breast cancer diagnosis using thermography and convolutional neural networks | |
| US11967072B2 (en) | Three-dimensional object segmentation of medical images localized with object detection | |
| Zhao et al. | Deep neural network for automatic characterization of lesions on 68 Ga-PSMA-11 PET/CT | |
| Cusumano et al. | Fractal-based radiomic approach to predict complete pathological response after chemo-radiotherapy in rectal cancer | |
| Alongi et al. | Radiomics analysis of 18F-Choline PET/CT in the prediction of disease outcome in high-risk prostate cancer: An explorative study on machine learning feature classification in 94 patients | |
| Zhao et al. | Deep learning shows good reliability for automatic segmentation and volume measurement of brain hemorrhage, intraventricular extension, and peripheral edema | |
| Lei et al. | MRI-based synthetic CT generation using deep convolutional neural network | |
| US11696701B2 (en) | Systems and methods for estimating histological features from medical images using a trained model | |
| US10360344B2 (en) | Diagnostic techniques for continuous storage and joint analysis of both image and non-image medical data | |
| Sun et al. | Predicting prostate tumour location from multiparametric MRI using Gaussian kernel support vector machines: a preliminary study | |
| Goya-Outi et al. | Computation of reliable textural indices from multimodal brain MRI: suggestions based on a study of patients with diffuse intrinsic pontine glioma | |
| Rusu et al. | Co-registration of pre-operative CT with ex vivo surgically excised ground glass nodules to define spatial extent of invasive adenocarcinoma on in vivo imaging: a proof-of-concept study | |
| Abbaspour et al. | Endorectal ultrasound radiomics in locally advanced rectal cancer patients: despeckling and radiotherapy response prediction using machine learning | |
| Fashandi et al. | An investigation of the effect of fat suppression and dimensionality on the accuracy of breast MRI segmentation using U‐nets | |
| Zhu et al. | Non‐invasive prediction of overall survival time for glioblastoma multiforme patients based on multimodal MRI radiomics | |
| TW201835800A (zh) | 用於確定/校正缺陷的方法和相關的裝置 | |
| Lin et al. | Prostate lesion delineation from multiparametric magnetic resonance imaging based on locality alignment discriminant analysis | |
| Narasimhan et al. | Accounting for intraoperative brain shift ascribable to cavity collapse during intracranial tumor resection | |
| CN118435235A (zh) | 用于对病变进行分类的系统和方法 | |
| JP4567318B2 (ja) | 生体組織部分内の領域の位置測定方法および装置 | |
| Sharma et al. | Cross-modality breast image translation with improved resolution using generative adversarial networks | |
| Peng et al. | Ultrasound Prostate Segmentation Using Adaptive Selection Principal Curve and Smooth Mathematical Model | |
| Tampu et al. | Deep learning-based detection and identification of brain tumor biomarkers in quantitative MR-images |