TWI701679B - 核醫影像處理方法 - Google Patents

核醫影像處理方法 Download PDF

Info

Publication number
TWI701679B
TWI701679B TW108111998A TW108111998A TWI701679B TW I701679 B TWI701679 B TW I701679B TW 108111998 A TW108111998 A TW 108111998A TW 108111998 A TW108111998 A TW 108111998A TW I701679 B TWI701679 B TW I701679B
Authority
TW
Taiwan
Prior art keywords
image
nuclear medicine
template
voxel
processing method
Prior art date
Application number
TW108111998A
Other languages
English (en)
Other versions
TW202038252A (zh
Inventor
謝和諱
倪于晴
Original Assignee
行政院原子能委員會核能研究所
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 行政院原子能委員會核能研究所 filed Critical 行政院原子能委員會核能研究所
Priority to TW108111998A priority Critical patent/TWI701679B/zh
Priority to US16/428,510 priority patent/US11311261B2/en
Application granted granted Critical
Publication of TWI701679B publication Critical patent/TWI701679B/zh
Publication of TW202038252A publication Critical patent/TW202038252A/zh

Links

Images

Classifications

    • 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
    • A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/501—Clinical applications involving diagnosis of head, e.g. neuroimaging, craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • 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
    • A61B5/0035—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 acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Abstract

本發明揭露一種核醫影像處理方法，其包含以下步驟：輸入對位處理後核醫影像；選取對位處理後核醫影像之體素，並提取複數個鄰近體素數值形成體素數值組；進行資料擴增演算法以產生體素函數；計算分布關係當中之期望值，並計算大於期望值部分之第一標準差及小於期望值部分之第二標準差；以及重複上述步驟計算複數個必要體素對應之期望值、第一標準差及第二標準差，形成包含期望值樣板、第一標準差樣板一第二標準差樣板之影像標準化樣板組。

Description

核醫影像處理方法
本發明是關於一種核醫影像處理方法，特別是關於一種利用資料擴增演算法產生影像標準化樣板組，並對患者影像進行修正及強化以產生跨越醫院及跨越不同廠牌檢測儀器的標準化核醫影像的處理方法。
核子醫學是利用放射性同位素及其所標記藥物(統稱核醫藥物)對人類疾病做診斷、治療與研究的醫學專科，在這當中，核子醫學造影檢查是將極微量核醫藥物經由靜脈注射、口服或吸入等方式送入受檢者體內後，再以核醫造影儀器偵測藥物在全身或特定器官組織之吸收、代謝與分佈，並經過電腦處理後得到所需影像，最後由核子醫學專科醫師判讀報告，提供臨床醫師作為診斷、治療與處置計畫之參考依據。舉例來說，針對腦部的核醫影像檢查，是對於失智症診斷流程當中具有鑑別力的重要參考指標，對於腦部血液循環障礙、頭部外傷引起腦循環障礙、老年癡呆症、腦中風、腦缺血、腦瘤、癲癇等疾病，也可提供早期診斷。
然而，由於檢查流程與造影儀器上的限制，例如核醫藥物的用量、不同廠牌儀器的成像品質差異等影響，核醫影像的檢查在判讀上仍具有許多問題。同一患者在不同醫院、不同廠牌儀器的檢查下，可能產生不同的影像， 且產生影像的品質可能不足以提供醫師判讀，因而造成最終判讀結果不一致的情況。再者，目前判讀仍多仰賴核子醫學專科醫師進行人工判讀，其主觀經驗對於判讀結果影響程度過高，出現誤判或漏判的可能性也相對的提高。若欲結合人工智慧的技術由機器進行影像判讀，在上述影像品質無法一致的情況下，提供機器學習的影像數據也難以標準化，使得判讀結果的準確率無法達到要求的水準。因此，目前現有的核子醫學造影檢查，仍無法以簡化且準確的方式，利用機器學習來完成核醫影像的判讀。
有鑑於此，如何建立一種核醫影像處理方法，使其能讀取原始檢測影像，進行轉換形成符合標準的強化影像，並提供有利於機器學習的資料數據，經過有效率的訓練來提升判讀結果的準確性，將是相關核子醫學專科所希望達成之目標。因此，本發明之發明人思索並設計一種核醫影像處理方法，針對現有技術之缺失加以改善，進而增進產業上之實施利用。
有鑑於上述習知技藝之問題，本發明之目的就是在提供一種核醫影像處理方法，以解決習知之核醫影像品質不佳、校正錯誤及影像無法標準化來建立自動判讀機制之問題。
根據本發明之一目的，提出一種核醫影像處理方法，其包含下列步驟：通過輸入裝置輸入對位處理後核醫影像，將對位處理後核醫影像儲存於儲存裝置；藉由處理器選取對位處理後核醫影像之體素，並提取體素之複數個鄰近體素數值形成體素數值組；藉由處理器進行資料擴增演算法，將體素數值組之數據擴增後產生體素函數；藉由處理器計算體素函數之分布關係當中之期 望值，並計算分布關係當中大於期望值部分之第一標準差及小於期望值部分之第二標準差；以及藉由處理器重複上述步驟計算複數個必要體素對應之期望值、第一標準差及第二標準差，分別填入對位處理後核醫影像而產生期望值樣板、第一標準差樣板及第二標準差樣板，形成影像標準化樣板組儲存於儲存裝置。
較佳地，對位處理後核醫影像可藉由核醫檢查儀器拍攝原始影像，經由腦區空間分布及藥物濃度對影像數值量化的轉換而形成。
較佳地，核醫影像處理方法可進一步包含以下步驟：通過核醫檢查儀器拍攝患者影像，經由腦區空間分布及藥物濃度對影像數值量化的轉換形成患者對位處理後核醫影像；通過輸入裝置輸入患者對位處理後核醫影像，儲存於儲存裝置；藉由處理器提取對應核醫檢查儀器之影像標準化樣板組，計算患者對位處理後核醫影像與期望值樣板之差值；藉由處理器提取目標影像標準化樣板，計算影像標準化樣板組與目標影像標準化樣板之樣板偏差值；以及藉由處理器將差值依據第一標準差樣板、第二標準差樣板及樣板偏差值進行修正，產生影像異常分數。
較佳地，影像異常分數可依據數值範圍於患者對位處理後核醫影像進行標記，產生異常強化影像。
較佳地，影像異常分數及異常強化影像可儲存於儲存裝置，並藉由輸出裝置提供醫檢人員判讀。
較佳地，影像異常分數、異常強化影像及醫檢人員之判讀結果可儲存於核醫影像資料庫，通過機器學習之訓練程序，建立影像分類與判讀機制。
較佳地，原始影像及患者影像可包含單光子電腦斷層掃描(SPECT)影像或正子斷層掃描(PET)影像。
較佳地，差值大於零的部分可依據第一標準差樣板修正產生異常衰退影像，差值小於零的部分可依據第二標準差樣板修正產生異常活躍影像，異常衰退影像與異常活躍影像結合形成異常強化影像。
較佳地，資料擴增演算法可包含引導聚積演算法及機率抽樣演算法。
較佳地，期望值可包含中位數或平均值。
承上所述，依本發明之核醫影像處理方法，其可具有一或多個下述優點：
(1)此核醫影像處理方法能利用引導聚積演算法對不同醫院、不同廠牌的核醫檢查儀器建立影像標準化樣板，其僅需提取少量健康人之影像數據即可取得，有效建立標準化的影像處理機制，提升核醫影像分析效率。
(2)此核醫影像處理方法能夠透過改良的標準分數演算法，將跨院、跨廠牌的影像轉換成具有一致性標準的核醫強化影像，不但有助於提供醫師判讀的影像品質，也進一步確保判讀成果的準確性。
(3)此核醫影像處理方法能透過建立標準化樣板及改良異常影像強化的處理步驟，提供適合進行機器學習的影像數據，使得相關核醫影像數據的資料庫能更為完善，同時降低機器學習所需成本，並進一步使得核醫影像的自動判讀具有更高的可靠度。
10、11、12:對位處理後核醫影像
100、101、102:體素
200:鄰近體素
201、202:體素數值組
30:患者對位處理後核醫影像
31:腦功能異常衰退影像
32:腦功能異常活躍影像
33:腦功能異常強化影像
M:機率矩陣
m:中位數
p、q:變異數
S01~S05、S11~S15:步驟
第1圖係為本發明實施例之核醫影像處理方法之流程圖。
第2圖係為本發明實施例之標準化核醫影像之體素之示意圖。
第3圖係為本發明實施例之機率矩陣之示意圖。
第4圖係為本發明實施例之體素函數分布關係之示意圖。
第5圖係為本發明實施例之核醫影像強化方法之流程圖。
第6圖係為本發明實施例之核醫影像強化前後之示意圖。
為利貴審查委員瞭解本發明之技術特徵、內容與優點及其所能達成之功效，茲將本發明配合附圖，並以實施例之表達形式詳細說明如下，而其中所使用之圖式，其主旨僅為示意及輔助說明書之用，未必為本發明實施後之真實比例與精準配置，故不應就所附之圖式的比例與配置關係解讀、侷限本發明於實際實施上的權利範圍，合先敘明。
請參閱第1圖，其係為本發明實施例之核醫影像處理方法之流程圖。如圖所示，核醫影像處理方法包含以下步驟(S01~S05)：
步驟S01：輸入對位處理後核醫影像。首先，對位處理後核醫影像的取得可透過核醫檢查儀器拍攝健康人的原始影像，例如利用單光子電腦斷層掃描儀(SPECT)或正子斷層掃描儀(PET)，以核醫藥物產生之加馬射線來進行偵測及造影，形成單光子電腦斷層掃描(SPECT)影像或正子斷層掃描(PET)影像，在本實施例中，以腦血流斷層掃描的Tc-99m-ECD腦部單光子電腦斷層掃描影像為例，但本揭露不侷限於此，其他斷層掃描或平面的核醫影像也適用於本揭露之處理方法。如同先前技術所述，核醫檢查儀器在不同廠牌及不同檢驗流 程下會產生不同的造影效果，因此，由核醫檢查儀器拍攝的原始影像，會經由軟體程式進行腦區空間分布對位(Spatial normalization)及藥物濃度對影像數值量化(Count normalization)的轉換。腦區空間分布對位是指將每個腦影像根據標準定義之解剖學位置重新定位，亦即將原始影像轉換成標準腦影像(brain mapping)，並依據使用藥物劑量調整影像像素值，形成對位處理後核醫影像。在取得對位處理後核醫影像後，可通過輸入裝置輸入對位處理後核醫影像，並將其儲存在儲存裝置當中。此處的輸入裝置可為電腦裝置，通過電腦介面或網路介面傳送及接收對位處理後核醫影像的檔案，並將其儲存於儲存裝置，儲存裝置包含電腦的記憶體、儲存媒體等或者伺服器的資料庫。此外，輸入裝置也可直接連接核醫檢查儀器，接收原始影像，經由電腦軟體執行影像對位及量化之轉換後，將產生的對位處理後核醫影像儲存於儲存裝置。
步驟S02：選取對位處理後核醫影像之體素，形成體素數值組。在此步驟中，對核醫影像進行分析的電腦裝置藉由處理器執行一系列的操作指令，從對位處理後核醫影像當中選擇一個體素(voxel)，並提取體素之複數個鄰近體素數值形成體素數值組，並且在提取複數個對位處理後核醫影像後形成複數個體素數值組。這裡的處理器包含中央處理器、微處理器、多核心處理器、圖像處理器等。本實施例以對位處理後核醫影像之體素i為例進行說明，請參閱第2圖，其係為本發明實施例之對位處理後核醫影像之體素之示意圖。如圖所示，由對位處理後核醫影像10當中選取第i個體素100做為中心，提取體素100周圍的鄰近體素200數值，即以體素100為中心，包含於大小為3x3x3個體素內的周圍26個體素數值，形成第i個體素數值組201。接著，選擇第2張標準化核醫影像11之第i個體素101做為中心，重複上述步驟，形成第2個體素數值組202，再接續選擇 第3張標準化核醫影像12之第i個體素102，直到提供的對位處理後核醫影像中所有第i個體素都完成上述步驟，產生N個體素數值組。本實施例中是以立方體作為體素的範圍，但本揭露不侷限於此，以球體或其他形狀的範圍來提取體素，只要不超出影像範圍，均可適用於本揭露的操作步驟當中。
步驟S03：進行資料擴增演算法，產生體素函數。在產生N個體素數值組後，同樣經由處理器執行指令來進行資料擴增演算法，將N個體素數值組之數據進行擴增後，產生數據增量後之體素函數。本實施例中以引導聚積(Bootstrap bagging)演算法及機率抽樣演算法為例進行說明。其中，引導聚積演算法的步驟，其包含將每組體素數值組依其機率矩陣中之機率值抽樣，獲得第一體素函數，再次將每組體素數值組依其機率矩陣中之機率值抽樣，獲得第二體素函數，重複該程序W次，可獲得W個體素函數，依期望值方式整合該W個體素函數為新的體素函數。請參閱第3圖，其係為本發明實施例之機率矩陣之示意圖。如圖所示，機率矩陣M為3x3x3的矩陣，其27個矩陣位置分別代表提取的體素與周圍26個體素之位置，機率矩陣M當中的數值則代表提取的體素數值被抽樣的機率。
步驟S4：計算體素函數之分布關係當中之期望值，並計算分布關係當中大於期望值部分之第一標準差及小於期望值部分之第二標準差。請參閱第4圖，其係為本發明實施例之體素函數分布關係之示意圖。如圖所示，在本實施例當中，期望值是以中位數為例來進行說明，但本揭露不侷限於此，在其他實施例當中，亦可以平均值作為期望值來計算。在對應上述步驟所取得新的體素函數F的分布關係當中，其資料多為傾斜的分佈關係，並非為平均值為零的常態分佈關係，因此，本實施例計算分布關係當中之中位數m，以及在體素分布函 數之分布關係中大於中位數m部分的變異數p，及小於中位數m部分的變異數q。假設變異數p、q為兩個半常態分佈函數的變異數，分別轉換成常態分佈的第一標準差σp及第二標準差σq。
步驟S5：形成影像標準化樣板組。重複上述步驟計算複數個必要體素對應之期望值、第一標準差及第二標準差，分別填入對位處理後核醫影像而產生期望值樣板、第一標準差樣板及第二標準差樣板，形成影像標準化樣板組，並儲存於儲存裝置。接續上述實施例，在計算第i個體素所對應的中位數m、大於中位數m的第一標準差σp及小於中位數m的第二標準差σq之後，處理器進一步通過上述步驟取得其他必要體素的中位數及標準差，並將其依序填入原本的對位處理後核醫影像，產生中位數樣板M、第一標準差樣板Σp及第二標準差樣板Σq，並將三個樣板形成影像標準化樣板組(M、Σp、Σq)儲存於儲存裝置當中。 這裡的儲存裝置可與原來儲存對位處理後核醫影像之儲存裝置相同，也可獨立設計雲端的資料庫來儲存健康影像的影像標準化樣板組，當各地醫院進行核醫影像檢查後，可連線至雲端資料庫存取影像標準化樣板組，做為調整及強化影像的校正標準。其相關處理步驟於以下段落進一步描述。
請參閱第5圖，其係為本發明實施例之核醫影像強化方法之流程圖。如圖所示，核醫影像強化方法包含以下步驟(S11~S15)：
步驟S11：拍攝患者影像，經由轉換形成患者對位處理後核醫影像。當有患者進行核醫影像造影檢查，由核醫檢查儀器拍攝患者影像，此患者影像類似於步驟S01中所述之對於健康人所拍攝之原始影像，因此，同樣經過腦區空間分布對位及藥物濃度對影像數值量化的方式形成患者對位處理後核醫影像。
步驟S12：輸入患者對位處理後核醫影像，儲存於記憶體。前述步驟取得的患者對位處理後核醫影像可通過電腦之各種輸入裝置取得，並將其儲存於儲存裝置當中。
步驟S13：提取對應核醫檢查儀器之影像標準化樣板組，計算患者對位處理後核醫影像與期望值樣板之差值。由於不同醫院及不同廠牌之核醫檢查儀器在造影的特性上都有所差異，因此在影像校正的時候，需要以預先儲存的影像標準化樣板來進行校正，不同核醫檢查儀器都可依據前述實施例的方式，以健康人的核醫影像產生對應各台儀器的影像標準化樣板組，例如前述實施例之影像標準化樣板組(M、Σp、Σq)。在具備對應核醫檢查儀器的樣板標準後，可通過電腦裝置的處理器計算患者對位處理後核醫影像I與中位數樣板M之差值△I=(M-I)。
步驟S14：提取目標影像標準化樣板，計算影像標準化樣板組與目標影像標準化樣板之樣板偏差值。除了依據實際進行檢查儀器之影像標準化樣板組來檢驗患者對位處理後核醫影像I的差異外，為了讓跨院、跨機台的核醫影像能夠找到一致性的判斷標準，也提升進行機器學習的數據品質，進一步提取目標影像標準化樣板。這裡指的目標影像標準化樣板可為醫學中心或核醫影像分析中心等建立的標準，其符合核醫影像成像的建議規範，且提供其他醫院或其他核醫檢測機台作為校正的標準。在本實施例中，電腦裝置能連接到雲端的目標影像資料庫，提取儲存在資料庫中的目標影像標準化樣板，藉由檢查儀器對應之影像標準化樣板組當中的中位數樣板M與目標影像標準化樣板的中位數樣板Mc之間的差異，計算樣板偏差值bias=(M-Mc)。亦即利用目標影像標準化樣板之中位數樣板Mc來對患者影像進行校正。
步驟S15：將差值依據第一標準差樣板、第二標準差樣板及樣板偏差值進行修正，產生影像異常分數。在本實施例中，處理器執行運算指令，將差值△I分為大於零及小於零的兩個部分，並依據第一標準差樣板Σp、第二標準差樣板Σq及樣板偏差值bias進行修正。其中，在差值△I大於零的部分，其差值利用第一標準差樣板Σp及樣板偏差值bias進行修正，產生異常衰退影像Idec=(M-bias-I)/Σp；相對地，在差值△I小於零的部分，其差值利用第二標準差樣板Σq及樣板偏差值bias進行修正，產生異常活躍影像Iinc=(M-bias-I)/Σq。上述影像數值可作為影像異常分數，分別提供醫師判讀異常衰退及異常活躍的部分。
上述影像異常分數，可以依據數值的範圍對患者對位處理後核醫影像進行標記。請參閱第6圖，其係為本發明實施例之核醫影像強化前後之示意圖。如圖所示，患者腦部的患者對位處理後核醫影像30經由上述步驟計算後，可藉由異常衰退影像Idec數值以顏色進行標記，形成腦功能異常衰退影像31，而另一方面，產生異常活躍影像Iinc也同樣進行顏色標記，形成腦功能異常活躍影像32。更進一步，異常衰退影像Idec與異常活躍影像Iinc可進一步合併形成改良後的異常標準分數Z=merge(Idec、Iinc)。對應的分數也能合併形成腦功能異常強化影像33。上述的影像異常分數、或加入顏色標記的異常強化影像，均能儲存於儲存裝置當中，也可藉由電腦、顯示器、手機等輸出裝置將上述資訊傳送給醫師，協助醫師進行核醫影像的判讀。
在本實施例中，患者腦部血流的核醫斷層掃描影像，可以依據核醫檢查儀器的樣板及作為標準目標樣板進行修正，依據上述處理步驟產生的異常強化影像，不但在數據與影像品質上都能有所提升，更重要的是這些異常強化影像是由相同的模板進行修正，在判讀上能有一致的標準。因此，在取得異 常強化影像及醫師對於影像的判讀結果後，可進一步將這些資訊儲存在核醫影像資料庫中，亦即蒐集標準化的數據來對電腦裝置進行機器學習之訓練，待建立了影像分類與判讀的機制後，對於後續患者的核醫檢查影像，都可透過人工智慧的方式進行自動判讀，增加判讀的一致性也降低人工判讀產生的主觀性誤差。另一方面，由於機器學習所需的資料已經由本揭露的處理方式轉換成標準化的常態分佈關係，在機器學習過程中，不但能提升學習效率也能提升判斷的準確率。
舉例來說，標準化的核醫影像能利用卷積神經網路進行特徵萃取，但本揭露不侷限於此，其他機器學習的方法也應適用於本揭露所界定的核醫影像處理方法。卷積神經網路可包含一或多個卷積層(convolution layer)、池化層(pooling layer)及啟動層(inception layer)的組合及運算，取得核醫影像的影像特徵，再配合實際診斷結果分類來進行訓練，使得整個深度學習網路能適用於核醫影像的分析及判讀。
以上所述僅為舉例性，而非為限制性者。任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應包含於後附之申請專利範圍中。
S01~S05:步驟

Claims (10)

  1. 一種核醫影像處理方法，其包含下列步驟：通過一輸入裝置輸入一對位處理後核醫影像，將該對位處理後核醫影像儲存於一儲存裝置；藉由一處理器選取該對位處理後核醫影像之一體素，並提取該體素之複數個鄰近體素數值形成一體素數值組；藉由該處理器進行一資料擴增演算法，將該體素數值組之數據擴增後產生一體素函數；藉由該處理器計算該體素函數之分布關係當中之一期望值，並計算該分布關係當中大於該期望值部分之一第一標準差及小於該期望值部分之一第二標準差；藉由該處理器重複計算複數個必要體素對應之該期望值、該第一標準差及該第二標準差，分別填入該對位處理後核醫影像而產生一期望值樣板、一第一標準差樣板及一第二標準差樣板，形成一影像標準化樣板組儲存於該儲存裝置；藉由該處理器提取之該影像標準化樣板組，計算該對位處理後核醫影像與該期望值樣板之一差值；藉由該處理器提取一目標影像標準化樣板，計算該影像標準化樣板組與該目標影像標準化樣板之一樣板偏差值；藉由該處理器將該差值依據該第一標準差樣板、該第二標準差樣板及該樣板偏差值進行修正，產生一影像異常分數。
  2. 如申請專利範圍第1項所述之核醫影像處理方法，其中該對位處理後核醫影像係藉由一核醫檢查儀器拍攝一原始影像，經由一腦 區空間分布對位及一藥物濃度對影像數值量化的轉換而形成。
  3. 如申請專利範圍第2項所述之核醫影像處理方法，進一步包含以下步驟：通過該核醫檢查儀器拍攝一患者影像，經由該腦區空間分布對位及該藥物濃度對影像數值量化的轉換形成一患者對位處理後核醫影像；通過該輸入裝置輸入該患者對位處理後核醫影像，儲存於該儲存裝置；藉由該處理器提取對應該核醫檢查儀器之該影像標準化樣板組，計算該患者對位處理後核醫影像與該期望值樣板之該差值。
  4. 如申請專利範圍第1項所述之核醫影像處理方法，其中該影像異常分數依據數值範圍於該患者對位處理後核醫影像進行標記，產生一異常強化影像。
  5. 如申請專利範圍第4項所述之核醫影像處理方法，其中該影像異常分數及該異常強化影像儲存於該儲存裝置，並藉由一輸出裝置提供一醫檢人員判讀。
  6. 如申請專利範圍第5項所述之核醫影像處理方法，其中該影像異常分數、該異常強化影像及該醫檢人員之判讀結果儲存於一核醫影像資料庫，通過機器學習之訓練程序，建立一影像分類與判讀機制。
  7. 如申請專利範圍第3項所述之核醫影像處理方法，其中該原始影像及該患者影像包含單光子電腦斷層掃描(SPECT)影像或正子斷層掃描(PET)影像。
  8. 如申請專利範圍第4項所述之核醫影像處理方法，其中該差值大於零的部分依據該第一標準差樣板修正產生一異常衰退影像，該 差值小於零的部分依據該第二標準差樣板修正產生一異常活躍影像，該異常衰退影像與該異常活躍影像結合形成該異常強化影像。
  9. 如申請專利範圍第1項所述之核醫影像處理方法，其中該資料擴增演算法包含一引導聚積演算法及一機率抽樣演算法。
  10. 如申請專利範圍第1項所述之核醫影像處理方法，其中該期望值包含一中位數或一平均值。
TW108111998A 2019-04-03 2019-04-03 核醫影像處理方法 TWI701679B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW108111998A TWI701679B (zh) 2019-04-03 2019-04-03 核醫影像處理方法
US16/428,510 US11311261B2 (en) 2019-04-03 2019-05-31 Nuclear image processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108111998A TWI701679B (zh) 2019-04-03 2019-04-03 核醫影像處理方法

Publications (2)

Publication Number Publication Date
TWI701679B true TWI701679B (zh) 2020-08-11
TW202038252A TW202038252A (zh) 2020-10-16

Family

ID=72662722

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108111998A TWI701679B (zh) 2019-04-03 2019-04-03 核醫影像處理方法

Country Status (2)

Country Link
US (1) US11311261B2 (zh)
TW (1) TWI701679B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101228551A (zh) * 2005-07-22 2008-07-23 卡尔斯特里姆保健公司 医学图像中的异常检测
CN105118066A (zh) * 2015-09-16 2015-12-02 东南大学 一种基于三维区别性特征表示的低剂量ct图像分解方法
US9662083B2 (en) * 2014-04-10 2017-05-30 Toshiba Medical Systems Corporation Medical image display apparatus and medical image display system
TWI636773B (zh) * 2016-06-15 2018-10-01 安克生醫股份有限公司 呼吸中止症評估方法及其系統

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8674315B2 (en) * 2010-11-12 2014-03-18 Siemens Medical Solutions Usa, Inc. Method and apparatus for using image cumulative distribution function for tomographic reconstruction quality control
US10255696B2 (en) * 2015-12-11 2019-04-09 Shanghai United Imaging Healthcare Co., Ltd. System and method for image reconstruction

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101228551A (zh) * 2005-07-22 2008-07-23 卡尔斯特里姆保健公司 医学图像中的异常检测
US9662083B2 (en) * 2014-04-10 2017-05-30 Toshiba Medical Systems Corporation Medical image display apparatus and medical image display system
CN105118066A (zh) * 2015-09-16 2015-12-02 东南大学 一种基于三维区别性特征表示的低剂量ct图像分解方法
TWI636773B (zh) * 2016-06-15 2018-10-01 安克生醫股份有限公司 呼吸中止症評估方法及其系統

Also Published As

Publication number Publication date
TW202038252A (zh) 2020-10-16
US11311261B2 (en) 2022-04-26
US20200315563A1 (en) 2020-10-08

Similar Documents

Publication Publication Date Title
Torosdagli et al. Deep geodesic learning for segmentation and anatomical landmarking
CN105051784B (zh) 对模拟准确度和性能的图像质量评估
JP5789080B2 (ja) 学習機械を使用したアクティブ電子カルテベースのサポートシステム
US20100142774A1 (en) method, a system, and an apparatus for using and processing multidimensional data
US20110105881A1 (en) Brain disease diagnosis system
BRPI0806785A2 (pt) ferramentas para auxiliar no diagnóstico de doenças neurodegenerativas
CN108367161A (zh) 放疗系统、数据处理方法及存储介质
CA3145797A1 (en) Computational simulations of anatomical structures and body surface electrode positioning
Slomka et al. Automated three-dimensional quantification of myocardial perfusion and brain SPECT
JP4025524B2 (ja) 異条件下における脳機能画像の画像間差補正法
JP6785976B2 (ja) 脳画像正規化装置、方法およびプログラム
JP2017202311A (ja) 医用画像診断装置及び管理装置
US8009886B2 (en) System and method for image registration
TWI701679B (zh) 核醫影像處理方法
JP2006158791A (ja) 頭蓋内容積および局所脳構造物解析プログラム、記録媒体および頭蓋内容積および局所脳構造物解析方法
US20230095242A1 (en) Method and system for multi-modality joint analysis of vascular images
JP2004239782A (ja) 脳画像データ処理システム、方法、プログラムおよび記録媒体
TW201625181A (zh) 頭部核醫學圖像的評價法
Hu et al. Comparative study of the quantitative accuracy of oncological PET imaging based on deep learning methods
Ramon et al. Personalized models for injected activity levels in SPECT myocardial perfusion imaging
WO2019044090A1 (ja) 情報出力装置、方法及びプログラム
Jassim et al. The geometric and dosimetric accuracy of kilovoltage cone beam computed tomography images for adaptive treatment: a systematic review
JP7381600B2 (ja) 医療行為のオーダー管理方法及びプログラム、オーダー管理システム
US11369268B2 (en) Brain-function image data augmentation method
Vizza et al. Medical image fusion: a proposed methodology for treatment evaluation