TWI542328B - 偵測與量化腦梗塞區域的方法 - Google Patents
偵測與量化腦梗塞區域的方法 Download PDFInfo
- Publication number
- TWI542328B TWI542328B TW103126232A TW103126232A TWI542328B TW I542328 B TWI542328 B TW I542328B TW 103126232 A TW103126232 A TW 103126232A TW 103126232 A TW103126232 A TW 103126232A TW I542328 B TWI542328 B TW I542328B
- Authority
- TW
- Taiwan
- Prior art keywords
- voxel
- adc
- pixel intensity
- cerebral infarction
- normalized
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Description
本發明是有關於一種偵測與量化腦梗塞區域的方法,特別是有關於一種自動化偵測與量化腦梗塞區域的方法。
近年來國人腦中風發生率與死亡率居高不下,一直高居國人十大死因前三位,顯示腦中風為國人健康的重大威脅。腦中風是由於腦部因供血受阻或出血而迅速發展的腦功能損失,主要分為:由血栓或栓塞所造成的缺血性中風,以及由出血所造成的出血性中風。臨床上,大多數腦中風患者為缺血性中風,且普遍具有腦部血管梗塞。
醫療上通常用來偵測腦梗塞的方法可分為二類:腦部電腦斷層掃描(Computed tomography,CT)與核磁共振(Magnetic resonance imaging,MRI),其中又以MRI的運用較為廣泛。MRI的訊號係來自於腦中水分子內氫原子核的共振,因此當腦梗塞引起缺血時,腦組織水分產生變化,MRI即可偵測出訊號強度的改變,藉以用於腦梗塞的偵測
與治療。隨著MRI相關技術的進步,除了可了解組織解剖結構的傳統影像(如T1加權像,T1-weighted images),藉由擴散權重影像(Diffusion-weighted imaging,DWI),可進一步得知組織的細微構造以及其功能組成。
目前醫院使用軟體輔助之半自動分割法,用以偵測急性腦梗塞區域,其處理與分析耗時過久,且容易產生不同量測者(醫生)判斷之偏差。過去亦有研究提出自動分割法,例如:Li et al.“Robust unsupervised segmentation of infarct lesion from diffusion tensor MR images using multiscale statistical classification and partial volume voxel reclassification.”Neuroimage.2004 Dec;23(4):1507-18、Prakash et al.“Identification,segmentation,and image property study of acute infarcts in diffusion-weighted images by using a probabilistic neural network and adaptive gaussian mixture model.”Acad Radiol.2006 Dec;13(12):1474-84以及Shen et al.“Detection of infarct lesions from single MRI modality using inconsistency between voxel intensity and spatial location--a 3-D automatic approach.”IEEE Trans Inf Technol Biomed.2008 Jul;12(4):532-40等,但由於雜訊、訊號重疊、部分容積效應(Partial volume effect,PVE)及因磁場的不均勻性產生之人為誤差的關係,而難以準確的偵測腦梗塞區域。
因此,目前需要一種偵測腦梗塞區域的方法,其可減少判斷之偏差,並可快速且準確的偵測腦梗塞區域,尤
其以急性腦梗塞更是需要快速、即時及準確之偵測方法。
本發明之一態樣係提供一種偵測腦梗塞區域的方法,可自動化偵測腦梗塞區域,包含:自核磁共振儀接收受試者腦部之影像,其中影像具有複數個立體像素(voxel),且每一立體像素具有像素強度;對像素強度進行標準化,使像素強度分散於標準範圍內,其中該些標準化像素強度具有一分佈峰值,且該分佈峰值之標準化像素強度為I peak;決定門檻值,其中門檻值為I peak+數值,且數值為0.1~0.31;以及選擇標準化像素強度大於門檻值之立體像素,其中被選擇之立體像素即為腦梗塞區域。
根據本發明一實施例,自核磁共振儀接收受試者腦部之影像包含決定影像中之受試者之腦遮罩。腦遮罩可包含受試者之內、外頭骨表面。
根據本發明一實施例,其中影像為擴散權重影像(Diffusion-weighted imaging,DWI)。
根據本發明一實施例,其中該標準範圍為(0,1)。
根據本發明一實施例,更包含將立體像素形成一具有I peak之標準化像素強度直方圖;以及對標準化像素強度直方圖以一濾波器進行濾波。
根據本發明一實施例,數值為0.1~0.31,較佳地,數值為0.2。
根據本發明一實施例,偵測腦梗塞區域的方法更包
含:對立體像素進行預篩選,其中預篩選為除去標準化像素強度小於等於I peak之立體像素;以及對經過預篩選之立體像素進行模糊分群,以形成複數個立體像素群,其中每一立體像素群具有第一平均標準化像素強度。
根據本發明一實施例,選擇標準化像素強度大於門檻值之立體像素包含:選擇第一平均標準化像素強度大於門檻值之立體像素群,以產生候選立體像素群;對候選立體像素群進一步分群,以形成至少一立體像素標記,其中每一立體像素標記具有第二平均標準化像素強度;以及選擇第二平均標準化像素強度大於門檻值之立體像素標記,以產生候選立體像素標記,其中候選立體像素標記即為腦梗塞區域。
根據本發明一實施例,立體像素群包含6~100個立體像素群,較佳為50個立體像素群。
根據本發明一實施例,其中對候選立體像素群進一步分群之分群方法是依據每一立體像素標記於影像之位置。
根據本發明一實施例,偵測腦梗塞區域的方法更包含決定每一立體像素標記於影像之邊緣,並除去不具有邊緣之立體像素標記,以產生候選立體像素標記。
根據本發明一實施例,偵測腦梗塞區域的方法更包含:自核磁共振儀接收受試者腦部之表觀擴散係數(Apparent diffusion coefficient,ADC)圖譜,其中ADC圖譜具有複數個ADC立體像素,且每一ADC立體像素具有ADC
像素強度;將ADC圖譜剛性配準於相對應之影像並進行校準;以及對該些ADC像素強度進行標準化,使該些ADC像素強度分散於標準範圍內,以形成標準化ADC像素強度直方圖。在一實施方式中,更包含:決定標準化ADC像素強度直方圖之峰值I peak,ADC以及該些候選立體像素標記之低半數之該些標準化ADC像素強度之平均值I lower mean,ADC;以及除去I lower mean,ADC /I peak,ADC≧0.5之立體像素標記,以產生候選立體像素標記。
本發明之另一態樣係提供一種量化腦梗塞區域的方法,包含:以前述之偵測腦梗塞區域的方法決定影像之腦梗塞區域;以及根據腦梗塞區域決定腦梗塞體積。
為使本發明之特徵、優點與實施例能更明顯易懂,所附圖式之說明如下:第1圖為本發明實施例之兩受試者的權重擴散影像(Diffusion-weighted imaging,DWI)及其標準化像素強度直方圖。
第2圖為本發明一實施方式之各步驟的影像。
第3圖為本發明一實施方式之各步驟使用的直方圖及分布圖。
第4圖為本發明一實施例與比較例之偵測結果關係圖。
第5圖為本發明一實施方式之模糊分群數與平均相似性指數的關係圖。
第6圖為本發明實施例之一受試者的模糊分群結果圖。
第7圖為本發明實施例之一受試者的DWI影像、表觀擴散係數(Apparent diffusion coefficient,ADC)圖譜、比較例之診斷結果影像以及實施例之診斷結果影像。
第8圖為本發明實施例之一受試者的平均標準化像素強度分布圖及以不同門檻值偵測之診斷結果影像。
第9圖為本發明一實施方式之一步驟的操作程序示意圖。
第10圖為本發明一實施方式之另一步驟的操作程序示意圖。
第11圖為本發明一實施方式之又一步驟的操作程序示意圖。
為了使本揭示內容的敘述更加詳盡與完備,下文將參照附隨圖式來描述本發明之實施態樣與具體實施例;但這並非實施或運用本發明具體實施例的唯一形式。以下所揭露的各實施例,在有益的情形下可相互組合或取代,也可在一實施例中附加其他的實施例,而無須進一步的記載或說明。
目前醫院使用軟體輔助之半自動分割腦梗塞區域,處理與分析耗時過久,且須透過受過額外影像分析訓練的專科醫師以電腦輔助,分割正常腦組織區域及腦梗塞區域,較容易產生不同量測者之間的偏差,故臨床運用時機受限,無法推廣協助急症醫師,嘉惠眾多急性中風病患。
本發明提出一種偵測與量化腦梗塞區域的方法,藉助模糊分群及使用擴散權重影像(Diffusion-weighted imaging,DWI)與表觀擴散係數(Apparent diffusion coefficient,ADC)圖譜之直方圖特性,發展新穎的分割腦梗塞區域的演算法。
DWI影像以水分子布朗運動之速率造影,藉由量測微組織結構中水分子的擴散,提供比一般MRI影像更佳的解析度。DWI影像的原理為施予一對雙極脈衝梯度場(bipolar pulsed gradient),水分子訊號會產生衰減,而靜止的水分子衰減較慢,所以腦梗塞區域在DWI影像上訊號較強。ADC圖譜與DWI影像類似,主要指出其他影響水分子流動方向的因素,並根據在不同梯度場下的訊號衰減的程度製成ADC圖譜。細胞密度越高的組織,ADC越低。腦梗塞區域的細胞因為缺氧而水腫膨脹(Cytotoxic edema),導致細胞間隙變窄,因此,腦梗塞區域的水分子布朗運動速率變小,在DWI影像呈強訊號,在ADC圖譜上呈弱訊號,故可運用DWI影像及ADC圖譜來診斷腦梗塞。
本發明採用之模糊分群(Fuzzy C-means clustering)為一種非監督式的分類方法,其依照資料的分布情況,將性質相似的資料分成若干族群,再針對不同的族群資料加以分析。模糊分群加入模糊概念的分群,每一資料點允許歸屬於不同的族群,只是隸屬度不同。換言之,資料點將不再絕對地屬於任何族群,而是以一個介於0~1之間的數字來表示資料點隸屬於某個族群的程度。
直方圖可看出數據分佈的情況。本發明提出受試者
之標準化DWI像素強度直方圖之峰值I peak(即大多數的DWI立體像素具有該標準化DWI像素強度)與神經科醫生診斷之腦梗塞區域的最小標準化DWI強度之間具有一數值,且所有受試者之數值位於一範圍內,故可用以作為區分正常腦組織區域與腦梗塞區域的基準。值得注意的是,數值可依據不同使用者及受試者做調整,故使用本方法前可先進行校正,以得到最佳之偵測效果。
本發明之自核磁共振儀接收的影像具有切片厚度,本發明之量化腦梗塞區域的方法可藉由將本發明之偵測腦梗塞區域的方法測得之腦梗塞區域的面積乘以影像之切片厚度,進而得到腦梗塞區域的體積。
本發明之方法係自核磁共振儀接收DWI影像及ADC圖譜,並透過電腦程式執行後續演算步驟,藉以實現快速、準確的自動化偵測與量化腦梗塞區域。有助於醫生於臨床上對腦中風患者的診斷與治療。
以下列舉數個實施例以更詳盡闡述本發明之方法,然其僅為例示說明之用,並非用以限定本發明,本發明之保護範圍當以後附之申請專利範圍所界定者為準。
實施例中所有的核磁共振影像係由型號為Signa HDxt 1.5T Optima Edition(GE Healthcare,Waukesha,WI,US)之核磁共振儀取得,其配有擴散權重影像掃描(DWI scan)(參數:TR/TE/偏折角度(Flip angle)=6000ms/82.8
ms/90°;視野(Field of view,FOV)=230mm;矩陣(matrix)=128×128;平面內分辨率(In-plane resolution)=1.79×1.79mm;24個軸向切片;切片厚度=5mm,切片間有1mm間距)以及表觀擴散係數圖譜(ADC map)(參數:b=1000s/mm2)。
實施例中除特別註明外,皆使用MATLAB程式(The MathWorks,Inc.,Natick,MA,US)執行。
本實施例之偵測腦梗塞區域的方法包含以下步驟:
1.配準及像素強度標準化:使用程式為Statistical Parametric Mapping 8(SPM8,Wellcome Department of Cognitive Neurology,London,UK)
a 自核磁共振儀接收一受試者之24個DWI影像及24個ADC圖譜,其中每一DWI影像具有複數個DWI立體像素(voxel),每一ADC圖譜具有複數個ADC立體像素(voxel),且每一DWI立體像素具有一DWI像素強度,每一ADC立體像素具有一ADC像素強度。
b 由於DWI影像及ADC圖譜為不同時間擷取,故將ADC圖譜各自剛性配準於相對應之DWI影像並以三線性插值法(Trilinear interpolation)進行校準,以除去因受試者頭部動作所造成之誤差。剛性配準包含平移(Translation)及旋轉(Rotation),可比較或融合針對同一對象在不同條件下獲取的圖像,從而達到信息融合的目的。
三線性插值是在三維離散採樣數據的張量積網格上進行線性插值的方法,常應用於圖像放大或圖像旋轉。
2.決定每一DWI影像中之受試者之腦遮罩,並選擇位於腦遮罩內之DWI立體像素進行後續步驟。使用之軟體為Brain Extraction Tool(BET,FMRIB Centre,University of Oxford,Oxford,UK),藉以判斷受試者之內、外頭骨表面。本實施例設定之分數強度門檻值(Fractional intensity threshold)為0.3,較預設值0.5小,故可得到較大之腦遮罩範圍,因而不會除去任何可能的腦梗塞範圍。此步驟之目的為除去DWI影像中非腦組織之立體像素(即背景),以利後續腦梗塞區域的偵測與量化。
3.對腦遮罩內之DWI像素強度及ADC像素強度進行標準化,使DWI像素強度及ADC像素強度分散於標準範圍(0,1)內,並形成標準化DWI像素強度直方圖及標準化ADC像素強度直方圖。
4.預篩選:
a 對標準化DWI像素強度直方圖以濾波器進行濾波。經濾波之標準化DWI像素強度直方圖具有一峰值I peak。本實施例使用之濾波器為三階移動平均濾波器(Third-order moving-average filter),目的在於使直方圖平滑。
b 由於標準化DWI像素強度小於等於I peak之DWI
立體像素不太可能為腦梗塞區域,故將其除去,以提高模糊分群之效率,並減少後續步驟之運算量,可提升偵測的準確性。
5.對經預篩選之DWI立體像素進行非監督式分類之模糊分群,以形成50個DWI立體像素群,其中每一DWI立體像素群具有第一平均標準化DWI像素強度。
6.產生候選DWI立體像素群:
a 決定門檻值,其中門檻值為I peak+數值。
b 選擇第一平均標準化DWI像素強度大於門檻值之DWI立體像素群,以產生候選DWI立體像素群。
7.除去像素強度不足之立體像素標記:
a 對候選DWI立體像素群進一步分群,以形成至少一個DWI立體像素標記,其中進一步分群之分群方法是依據每一立體像素標記於DWI影像之位置。每一DWI立體像素標記具有一第二平均標準化DWI像素強度。
b 選擇第二平均標準化DWI像素強度大於門檻值之DWI立體像素標記。偵測步驟6產生之候選DWI立體像素群,其隸屬之各個立體像素並非皆具有大於門檻值之像素強度,故需進一步分群,以將像素強度不足之立體像素除去。
8.決定DWI立體像素標記之邊緣,並除去具有微弱邊
緣之DWI立體像素標記。邊緣的微弱與否係透過Canny邊緣檢測算子(Canny edge detector)由標準化DWI決定,低門檻值和高門檻值設定為(0,0.3),且高斯濾波器(Gaussian filter)之標準偏差參數設定為1。通常腦梗塞區域具有明顯之邊緣,此步驟可除去因DWI像素強度較高而被誤診為腦梗塞區域之正常腦組織區域,以避免偽陽性(False positive)結果的產生。
9.除去因磁場的不均勻性而被選擇之DWI立體像素標記:
a 決定標準化ADC像素強度直方圖之峰值I peak,ADC以及候選DWI立體像素標記之低半數之標準化ADC強度之平均值I lower mean,ADC。
b I lower mean,ADC/I peak,ADC≧0.5之DWI立體像素標記被視為因磁場的不均勻性而產生之人為誤差(artifact),故將其除去。人為誤差產生的原因包含腦脊液結構與鄰近空氣之間的磁化率(Magnetic susceptibility),以及周圍軟組織之回波平面成像技術(Echo-planar imaging technique)。腦梗塞區域與人為誤差在DWI影像中,訊號強度相當,而難以區別。腦梗塞區域在ADC圖譜上呈弱訊號,較人為誤差暗淡,故可藉此除去DWI影像中難以分辨之人為誤差。
將每一DWI影像之候選DWI立體像素標記加總即為受
試者腦部之腦梗塞區域,而候選DWI立體像素標記為經上述步驟篩選之DWI立體像素標記,其中偵測步驟8及9可視實際之受試者的DWI影像決定是否進行。
本實施例之量化腦梗塞區域的方法包含以下步驟:
1.根據上述偵測腦梗塞區域方法的9個步驟決定腦梗塞區域。
2.腦梗塞的體積為將每一DWI影像偵測有腦梗塞區域之面積乘以DWI影像之切片厚度後的總合。在本實施例中,DWI影像之切片厚度為5mm。
比較例為專科醫師使用傳統之半自動分割法診斷22位受試者之總梗塞體積,藉由MRI儀輸出的影像,人為判斷腦梗塞區域。
實施例中使用之受試者資料如下表一,包括受試者的性別、年齡、比較例(半自動分割法)診斷之總梗塞體積、實施例(自動分割法)診斷之總梗塞體積,以及比較例與實施例之間的相關程度。值得注意的是,本實施例對每一受試者進行偵測及量化方法10次,並將10次結果的平均值顯示於表一。
為了判斷比較例與實施例之間的相關程度及實施例之準確度,神經科醫生對實施例之診斷結果以比較例之診斷結果為依據,給予每一受試者四個參數,包含:真陽性(True positive,TP)、真陰性(True negative,TN)、偽陽性
(False positive,FP)及偽陰性(False negative,FN)。
本實施例以相似性指數(Similarity index,SI)判斷使用比較例與實施例之方法偵測腦梗塞區域的相關程度,並以敏感性(Sensitivity)、特異性(Specificity)、陽性預測率(Positive predictive value,PPV)及陰性預測率(Negative predictive value,NPV)判斷使用本實施例之方法偵測腦梗塞區域的準確度。
表一中各指數代表意義如下:
SI:使用本實施例之方法診斷的結果與神經科醫生實際診斷的結果之間的相關程度。
敏感性:在患病的受試者中,檢查呈陽性的比例。
特異性:在未患病的受試者中,檢查呈陰性的比例。
PPV:在所有呈陽性的檢查結果中,確實為陽性的比例。
NPV:在所有呈陰性的檢查結果中,確實為陰性的比例。
根據表一中22位受試者的結果,數值位於0.1~0.31之間,且22位受試者的平均數值為0.2。此外,由表一中△體積、SI、敏感性、特異性、PPV及NPV可知,實施例之自動分割法具有良好的準確性,且與比較例之半自動分割法之間具有良好的相關性。
值得注意的是,受試者13之門檻值設為I peak+0.31,其數值較平均值高,代表被偵測為腦梗塞的區域較少,相較於其餘受試者具有不佳的SI(79.722%)。另,受試者14之門檻值設為I peak+0.14,其數值較平均值低,代表被偵測為腦梗塞的區域較多,相較於其餘受試者具有不佳的SI(74.359%)和敏感性(59.444%)。此目的在於論證目前醫院使用之半自動分割法,會由於神經科醫生人為判斷不一致,而導致無法準確地診斷腦梗塞區域。
第1圖為本發明實施例兩受試者的相關圖式,A及C部分分別為受試者20及受試者3之一DWI影像、B及D部分分別為將受試者20及受試者3之神經科醫生診斷的腦梗塞區域以紅色標記於A及C部分之DWI影像上,以及E及F部分分別為受試者20及受試者3之DWI標準化像素強度直方圖,其中實線的部分請參照左側縱座標軸,虛線的部分請參照右側縱座標軸。由E及F部分可知,受試者20之數值為0.24,且受試者3之數值為0.21。第1圖主要是呈現具有較大及較小腦梗塞區域之實施例。
第2圖為本發明一實施方式之各步驟的影像,其係以受試者9於各個偵測方法步驟之影像作為示例性的說
明。A部分為自MRI儀接收之原始的DWI影像;B部分為腦遮罩(偵測方法步驟2);C部分為經預篩選之立體像素(偵測方法步驟4);D部分為經模糊分群之50個DWI立體像素群(偵測方法步驟5);E部分為Canny邊緣檢測圖譜(偵測方法步驟8);F部分為本實施例偵測到之腦梗塞區域;G部分將本實施例偵測到之腦梗塞區域標示於原始的DWI影像(以綠色標記);H部分為ADC圖譜;以及I部分為神經科醫生使用半自動分割法診斷之腦梗塞區域(以紅色標記)。值得注意的是,依據受試者9此DWI影像判斷,並未進行偵測方法步驟8及步驟9,故第2圖F部分為依據偵測方法步驟1~7決定之腦梗塞區域。
第3圖為本發明一實施方式之各步驟使用的直方圖及分布圖,其係以受試者9之像素強度直方圖及平均像素強度分布圖用以說明本偵測方法的篩選方式。A部分為經濾波之腦遮罩內的標準化DWI像素強度直方圖,具有一峰值I peak,在偵測方法步驟4中,除去標準化DWI像素強度小於等於I peak之DWI立體像素;B部分為立體像素群之平均標準化像素強度分布圖,其顯示經偵測方法步驟5之模糊分群後,50個DWI立體像素群之第一平均標準化DWI像素強度,並依大小順序排列,且根據偵測方法步驟6,僅編號1的立體像素群被視為候選DWI立體像素群;C部分為立體像素標記之平均標準化像素強度分布圖,其顯示依照偵測方法步驟7,將編號1的立體像素群近一歩分群,形成之28個立體像素標記,依第二平均標準化DWI像素
強度的大小順序排列,並除去第二平均標準化DWI像素強度小於等於I peak+0.2之立體像素標記;以及D部分為標準化ADC像素強度直方圖,其用於偵測方法步驟9之區別因磁場的不均勻性而產生之人為誤差。
第4圖為本發明一實施例與比較例之偵測結果關係圖,用以比較實施例使用之自動分割法與比較例使用之半自動分割法所診斷的總梗塞體積,並使用組內相關係數(Intraclass correlation coefficient,ICC)衡量實施例與比較例之間的相關程度。由第4圖可知,實施例與比較例具有良好的相關性,其組內相關係數為0.991。值得注意的是,受試者22之總梗塞體積遠大於其餘受試者,為一離群值(outlier),故第4圖中及組內相關係數並不包括受試者22之數據。若涵蓋受試者22之數據,組內相關係數為0.993。ICC是評估兩個或多個群組之間信度係數(reliability coefficient)的指標之一,而信度代表測量結果的一致性、穩定性及可靠性。ICC的值介於0~1之間,0代表不可信,1代表完全可信。一般認為ICC低於0.4表示信度較差,大於0.75表示信度良好。
第5圖為本發明一實施方式之模糊分群數與平均相似性指數的關係圖。由第5圖可知,模糊分群的數目與平均相似性指數有關。根據本發明一實施例,立體像素群包含6~100個立體像素群,較佳為50個立體像素群時,具有良好的平均相似性指數。值得注意的是,此處的相似性指數由僅進行偵測方法步驟1~7所選擇之立體像素標記來
計算。
第6圖為本發明實施例之受試者9的15張模糊分群結果圖(偵測方法步驟5),其中以不同顏色代表不同的50個立體像素群。
第7圖為本發明實施例之受試者9的部分影像,第1~4列分別為DWI影像、ADC圖譜、比較例(神經科醫生使用之半自動分割法)之診斷結果影像以及實施例(本發明之自動分割法)之診斷結果影像。第7圖主要是比較使用半自動分割法診斷之腦梗塞區域(以紅色標記)以及使用自動分割法診斷之腦梗塞區域(以綠色標記),結果顯示,實施例與比較例診斷之腦梗塞區域具有良好的相似度。
第8圖為本發明實施例之受試者的平均標準化像素強度分布圖及以不同門檻值偵測之診斷結果影像,其係探討門檻值與偵測腦梗塞區域的關係。A部分為受試者的立體像素群之平均標準化像素強度分布圖,並設定門檻值為I peak+0.15、I peak+0.2及I peak+0.25,其測得之腦梗塞區域分別顯示於C、D及E部分,並以綠色標記;B部分為原始之DWI影像。當門檻值為I peak+0.15、I peak+0.2及I peak+0.25時,其SI分別為88.4%、93.3%及99.2%,且敏感性分別為100.0%、99.9%及98.4%。因此,當門檻值為I peak+0.2時,可同時具有較佳的SI與敏感性。
第9圖為本發明一實施方式之一步驟的操作程序示意圖,以實施例一受試者之影像為例,說明偵測步驟7之除去像素強度不足之立體像素標記的操作程序。在此步
驟中,偵測步驟6產生之候選DWI立體像素群被進一步分群,形成63個立體像素標記。A部分顯示63個立體像素標記之第二平均標準化像素強度分布圖,並依大小順序排列,門檻值設定為I peak+0.2;B部分顯示一真陽性之立體像素標記(以箭頭標示),其第二平均標準化像素強度大於門檻值,並於DWI影像中呈白色,B部分之立體像素標記被視為腦梗塞區,並於C部分以綠色標記;D部分顯示四個偽陽性之立體像素標記(以箭頭標示),其第二平均標準化像素強度小於門檻值,並於DWI影像中顯示暗淡,D部分之立體像素標記被視為非腦梗塞區,並於E部分以紅色標記。
第10圖為本發明一實施方式之另一步驟的操作程序示意圖,以實施例一受試者之影像為例,說明偵測步驟8之除去具有微弱邊緣之立體像素標記的操作程序。A及B部分分別於DWI影像中以箭頭標示偵測步驟7中選擇之立體像素標記;C部分為A部分之Canny邊緣檢測圖譜,且A部分以箭頭標示之立體像素標記於C部分中並不具有相對應之邊緣,其為非腦梗塞區,並於E部分以紅色標記;D部分為B部分之Canny邊緣檢測圖譜,且B部分以箭頭標示之立體像素標記於D部分中具有相對應之邊緣,其為腦梗塞區,並於F部分以綠色標記。
第11圖為本發明一實施方式之又一步驟的操作程序示意圖,以實施例一受試者之影像為例,說明偵測步驟9之除去因磁場的不均勻性而被選擇之立體像素標記的操
作程序。A部分為受試者之DWI影像,並以箭頭標示兩個具有同等DWI像素強度之立體像素標記;B部分為受試者之ADC圖譜,並於相對應的位置以箭頭標示A部分之立體像素標記,兩個立體像素標記於ADC圖譜中具有不同的ADC像素強度;C部分顯示因ADC像素強度而區別出腦梗塞區(以綠色標記)與因磁場的不均勻性而產生之人為誤差(以藍色標記)。本發明採用ADC圖譜藉以除去因磁場的不均勻性而產生之人為誤差,可提升偵測腦梗塞區域的準確性及與醫生診斷結果之間的相似性指數。
本發明之方法可於數分鐘內完成。完整執行實施例之偵測步驟1~8大約需要5分鐘,若目前偵測步驟1使用之程式SPM8及偵測步驟2使用之軟體BET,其功能可併入MATLAB程式中,將會加快本方法之偵測速度,使其可於90秒內完成。
本發明之方法,相較於過去提出之自動分割法,可更準確地偵測出腦梗塞區域,且與醫生使用之半自動分割法間具有良好的相似性指數(實施例中SI平均值為89.933%),其關鍵在於:
1.於模糊分群前進行預篩選:此步驟除去像素強度小於等於I peak之立體像素,以提高模糊分群之效率,並減少後續步驟之運算量,可提升偵測的準確性。
2.模糊分群的數目:如第5圖所示,模糊分群的數目會影響SI。
3.門檻值:如第8圖所示,使用不同的門檻值作為判
斷標準會影響最終之SI。合適的門檻值可透過對訓練集統計分析產生,使其可適用於所有情形。
4.除去候選立體像素群之偽陽性立體像素標記:進行偵測步驟7前之候選立體像素群可能包含偽陽性之區域,故偵測步驟7藉由以位置進一步分群成立體像素標記,可除去具有低像素強度之立體像素標記,使偽陽性變為真陰性(如第9圖)。
5.除去具有微弱邊緣之立體像素標記:偵測步驟7之結果可能仍然包含一些偽陽性立體像素標記,即有些非腦梗塞區域具有足夠像素強度可通過前面偵測步驟6與7的篩選。通常偽陽性立體像素標記具有較腦梗塞區域微弱之邊緣,故偵測步驟8利用此特性除去偽陽性立體像素標記(如第10圖)。
6.除去因磁場不均勻性而而產生之人為誤差:偵測步驟8之結果可能仍然包含一些偽陽性立體像素標記,其為因磁場不均勻性而而產生之人為誤差。偵測步驟9中,配合ADC圖譜可除去DWI影像中難以分辨之人為誤差(如第11圖)。
本發明之偵測腦梗塞區域的方法利用模糊分群及DWI影像與ADC圖譜之像素強度直方圖的特性,具有良好的SI,可快速快速、即時及準確地偵測腦中風患者之腦梗塞區域。
雖然本發明已以實施方式揭露如上,然其並非用以限定本發明,任何熟習此技藝者,在不脫離本發明之精
神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (17)
- 一種偵測腦梗塞區域的方法,包含:自一核磁共振儀接收一受試者腦部之一影像,其中該影像具有複數個立體像素(voxel),且每一該立體像素具有一像素強度;對該些像素強度進行標準化,使該些像素強度分散於一標準範圍內,其中該些標準化像素強度具有一分佈峰值,且該分佈峰值之標準化像素強度為I peak;決定一門檻值,其中該門檻值為該I peak+一數值,且該數值為使用一半自動分割法診斷之該受試者之該腦梗塞區域之最小標準化像素強度與該I peak之間的差值;以及選擇該標準化像素強度大於該門檻值之立體像素,其中該被選擇之立體像素即為該腦梗塞區域。
- 如請求項1所述之方法,其中自該核磁共振儀接收該受試者腦部之該影像包含決定該影像中之該受試者之一腦遮罩。
- 如請求項2所述之方法,其中該腦遮罩包含該受試者之內、外頭骨表面。
- 如請求項1所述之方法,其中該影像為擴散權重影像(Diffusion-weighted imaging,DWI)。
- 如請求項1所述之方法,其中該標準範圍為(0,1)。
- 如請求項1所述之方法,更包含:將該些立體像素形成一具有該I peak之標準化像素強度直方圖;以及對該標準化像素強度直方圖以一濾波器進行濾波。
- 如請求項1所述之方法,其中該數值為0.1~0.31。
- 如請求項7所述之方法,其中該數值為0.2。
- 如請求項1所述之方法,更包含:對該些立體像素進行一預篩選,其中該預篩選為除去該標準化像素強度小於等於該I peak之立體像素;以及對經過該預篩選之該些立體像素進行模糊分群,以形成複數個立體像素群,其中每一該立體像素群具有一第一平均標準化像素強度。
- 如請求項9所述之方法,其中選擇該標準化像素強度大於該門檻值之立體像素包含:選擇該第一平均標準化像素強度大於該門檻值之立體像素群,以產生一候選立體像素群;對該候選立體像素群進一步分群,以形成至少一立體 像素標記,其中每一該立體像素標記具有一第二平均標準化像素強度;以及選擇該第二平均標準化像素強度大於該門檻值之立體像素標記,以產生一候選立體像素標記,其中該候選立體像素標記即為該腦梗塞區域。
- 如請求項10所述之方法,其中該些立體像素群包含6~100個立體像素群。
- 如請求項11所述之方法,其中該些立體像素群包含50個立體像素群。
- 如請求項10所述之方法,其中對該候選立體像素群進一步分群之分群方法是依據每一該立體像素標記於該影像之位置。
- 如請求項10所述之方法,更包含決定每一該立體像素標記於該影像之邊緣,並除去不具有邊緣之立體像素標記,以產生該候選立體像素標記。
- 如請求項1所述之方法,更包含:自該核磁共振儀接收該受試者腦部之一表觀擴散係數(Apparent diffusion coefficient,ADC)圖譜,其中該ADC圖譜具有複數個ADC立體像素,且每一該ADC立體像素具 有一ADC像素強度;將該ADC圖譜剛性配準於相對應之該影像並進行校準;以及對該些ADC像素強度進行標準化,使該些ADC像素強度分散於一標準範圍內,以形成一標準化ADC像素強度直方圖。
- 如請求項15所述之方法,更包含:決定該標準化ADC像素強度直方圖之一峰值I peak,ADC以及該些候選立體像素標記之低半數之該些標準化ADC像素強度之一平均值I lower mean,ADC;以及除去I lower mean,ADC /I peak,ADC≧0.5之立體像素標記,以產生該候選立體像素標記。
- 一種量化腦梗塞區域的方法,包含:如請求項1~16項任一項之偵測腦梗塞區域的方法決定一影像之一腦梗塞區域;以及根據該腦梗塞區域決定一腦梗塞體積。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103126232A TWI542328B (zh) | 2014-07-31 | 2014-07-31 | 偵測與量化腦梗塞區域的方法 |
US14/642,761 US9412163B2 (en) | 2014-07-31 | 2015-03-10 | Method for detecting and quantifying cerebral infarct |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103126232A TWI542328B (zh) | 2014-07-31 | 2014-07-31 | 偵測與量化腦梗塞區域的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201603781A TW201603781A (zh) | 2016-02-01 |
TWI542328B true TWI542328B (zh) | 2016-07-21 |
Family
ID=55180553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103126232A TWI542328B (zh) | 2014-07-31 | 2014-07-31 | 偵測與量化腦梗塞區域的方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9412163B2 (zh) |
TW (1) | TWI542328B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI639830B (zh) * | 2017-03-17 | 2018-11-01 | 長庚大學 | Method for identifying neurological diseases using magnetic resonance imaging images |
TWI679968B (zh) * | 2017-07-28 | 2019-12-21 | 臺北醫學大學 | 確定腦區域之缺血狀態或評估缺血狀態發生時間的方法 |
TWI697686B (zh) * | 2019-06-20 | 2020-07-01 | 臺北榮民總醫院 | 基於磁振造影分析腦組織成分的系統與方法 |
US11042983B1 (en) | 2020-04-09 | 2021-06-22 | National Central University | Automatic brain infarction detection system on magnetic resonance imaging and operation method thereof |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019535424A (ja) | 2016-11-22 | 2019-12-12 | ハイパーファイン リサーチ,インコーポレイテッド | 磁気共鳴画像における自動検出のためのシステムおよび方法 |
US10627464B2 (en) | 2016-11-22 | 2020-04-21 | Hyperfine Research, Inc. | Low-field magnetic resonance imaging methods and apparatus |
TWI638335B (zh) * | 2017-01-11 | 2018-10-11 | 國立臺灣大學 | 一種矯正具有假影之擴散影像的方法 |
TWI651688B (zh) * | 2017-03-17 | 2019-02-21 | 長庚大學 | 利用磁振造影影像預測神經疾病的臨床嚴重度的方法 |
CN108962380A (zh) * | 2017-05-27 | 2018-12-07 | 周仁海 | 判读脑部影像的装置和方法及提供脑部状态信息的装置 |
US10573087B2 (en) | 2017-08-16 | 2020-02-25 | Synaptive Medical (Barbados) Inc. | Method, system and apparatus for rendering medical image data |
TWI637187B (zh) | 2017-09-19 | 2018-10-01 | 臺北榮民總醫院 | 磁共振影像的分析方法及評估放射治療風險的方法 |
TWI665906B (zh) * | 2018-07-04 | 2019-07-11 | 中華精測科技股份有限公司 | 立體影像之檢測及處理方法 |
US11545266B2 (en) | 2019-09-30 | 2023-01-03 | GE Precision Healthcare LLC | Medical imaging stroke model |
US11331056B2 (en) * | 2019-09-30 | 2022-05-17 | GE Precision Healthcare LLC | Computed tomography medical imaging stroke model |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6366797B1 (en) | 1998-08-25 | 2002-04-02 | The Cleveland Clinic Foundation | Method and system for brain volume analysis |
CN1270005A (zh) | 2000-03-21 | 2000-10-18 | 上海医科大学 | 一种脑梗塞面积及体积的自动测量方法 |
US8125223B2 (en) | 2006-10-03 | 2012-02-28 | Singapore Agency For Science, Technology And Research Act | Segmenting infarct in diffusion-weighted imaging volume |
US20100290689A1 (en) | 2008-01-10 | 2010-11-18 | Varsha Gupta | Discriminating infarcts from artifacts in mri scan data |
-
2014
- 2014-07-31 TW TW103126232A patent/TWI542328B/zh active
-
2015
- 2015-03-10 US US14/642,761 patent/US9412163B2/en active Active
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI639830B (zh) * | 2017-03-17 | 2018-11-01 | 長庚大學 | Method for identifying neurological diseases using magnetic resonance imaging images |
TWI679968B (zh) * | 2017-07-28 | 2019-12-21 | 臺北醫學大學 | 確定腦區域之缺血狀態或評估缺血狀態發生時間的方法 |
TWI697686B (zh) * | 2019-06-20 | 2020-07-01 | 臺北榮民總醫院 | 基於磁振造影分析腦組織成分的系統與方法 |
US11172822B2 (en) | 2019-06-20 | 2021-11-16 | Taipei Veterans General Hospital | System and method for analyzing brain tissue components based on magnetic resonance image |
US11042983B1 (en) | 2020-04-09 | 2021-06-22 | National Central University | Automatic brain infarction detection system on magnetic resonance imaging and operation method thereof |
Also Published As
Publication number | Publication date |
---|---|
US20160035085A1 (en) | 2016-02-04 |
US9412163B2 (en) | 2016-08-09 |
TW201603781A (zh) | 2016-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI542328B (zh) | 偵測與量化腦梗塞區域的方法 | |
Wen et al. | The topography of white matter hyperintensities on brain MRI in healthy 60-to 64-year-old individuals | |
Somasundaram et al. | Fully automatic brain extraction algorithm for axial T2-weighted magnetic resonance images | |
Antel et al. | Automated detection of focal cortical dysplasia lesions using computational models of their MRI characteristics and texture analysis | |
Nakamura et al. | Segmentation of brain magnetic resonance images for measurement of gray matter atrophy in multiple sclerosis patients | |
Wilke et al. | Automated detection of gray matter malformations using optimized voxel-based morphometry: a systematic approach | |
Klifa et al. | Quantification of breast tissue index from MR data using fuzzy clustering | |
Maillard et al. | An automated procedure for the assessment of white matter hyperintensities by multispectral (T1, T2, PD) MRI and an evaluation of its between-centre reproducibility based on two large community databases | |
US10638995B2 (en) | Imaging-based biomarker for characterizing the structure or function of human or animal brain tissue and related uses and methods | |
CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
US10524686B2 (en) | Diffusion reproducibility evaluation and measurement (DREAM)-MRI imaging methods | |
JP2017520305A (ja) | 急性脳虚血患者における組織領域の区分法及び予測法 | |
Squarcina et al. | A robust method for investigating thalamic white matter tracts after traumatic brain injury | |
EP3248543B1 (en) | Apparatus and method for visualizing tissue macro- and microstructure for pathology evaluation in magnetic resonance imaging | |
Wang et al. | Voxel-based automated detection of focal cortical dysplasia lesions using diffusion tensor imaging and T2-weighted MRI data | |
Tadayon et al. | A novel method for automatic classification of multiple sclerosis lesion subtypes using diffusion tensor MR images | |
Ellingson et al. | Gray and white matter delineation in the human spinal cord using diffusion tensor imaging and fuzzy logic | |
Cárdenes et al. | Analysis of the pyramidal tract in tumor patients using diffusion tensor imaging | |
US10849546B2 (en) | Diagnosis of normal pressure hydrocephalus by automated processing of MRI images | |
Tuan et al. | Adaptive region growing for skull, brain, and scalp segmentation from 3D MRI | |
Qu et al. | Positive unanimous voting algorithm for focal cortical dysplasia detection on magnetic resonance image | |
US20230053434A1 (en) | Impeded diffusion fraction for quantitative imaging diagnostic assay | |
US20230320610A1 (en) | Method and system for estimating brain tissue damage within white matter tracts from a quantitative map | |
US20240013379A1 (en) | Computer-implemented method and system for determining the fetus ventricular volume from diffusion-weighted magnetic resonance imaging, and related nmr ventricle volume assessment method | |
Veronese et al. | Automatic segmentation of gray matter multiple sclerosis lesions on DIR images |