TWI743693B - 良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體 - Google Patents

良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體 Download PDF

Info

Publication number
TWI743693B
TWI743693B TW109106437A TW109106437A TWI743693B TW I743693 B TWI743693 B TW I743693B TW 109106437 A TW109106437 A TW 109106437A TW 109106437 A TW109106437 A TW 109106437A TW I743693 B TWI743693 B TW I743693B
Authority
TW
Taiwan
Prior art keywords
image
tumor
module
feature
development trend
Prior art date
Application number
TW109106437A
Other languages
English (en)
Other versions
TW202133112A (zh
Inventor
李政家
楊懷哲
鍾文裕
吳智君
郭萬祐
李唯愷
黃梓軒
林駿亦
盧家鋒
吳育德
Original Assignee
國立陽明交通大學
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 國立陽明交通大學 filed Critical 國立陽明交通大學
Priority to TW109106437A priority Critical patent/TWI743693B/zh
Priority to US16/939,881 priority patent/US11475563B2/en
Priority to CN202110199633.XA priority patent/CN113313667A/zh
Priority to EP21159384.3A priority patent/EP3872758A1/en
Priority to JP2021029127A priority patent/JP7198300B2/ja
Publication of TW202133112A publication Critical patent/TW202133112A/zh
Application granted granted Critical
Publication of TWI743693B publication Critical patent/TWI743693B/zh
Priority to US17/590,514 priority patent/US20220157472A1/en

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/693—Acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Radiation-Therapy Devices (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

良性腫瘤發展趨勢評估系統包括影像輸出裝置及伺服計算機裝置。影像輸出裝置輸出在良性腫瘤的同一位置所擷取之第一及第二影像。伺服計算機裝置包括：影像接收模組接收第一及第二影像；影像前置處理模組對第一及第二影像進行影像前置處理，得到第一及第二局部影像；目標物抽出模組對第一及第二局部影像進行自動偵測並圈選出腫瘤位置，得到第一及第二感興趣區域影像；特徵抽出模組對第一及第二感興趣區域影像進行自動識別，得到至少一第一及至少一第二特徵；趨勢分析模組將至少一第一及至少一第二特徵進行分析，得到腫瘤發展趨勢分析結果。

Description

良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體
本發明是關於一種良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體，特別關於一種用於在放射線處理良性腫瘤前、或放射線處理良性腫瘤後進行其發展趨勢評估的系統、伺服計算機裝置及計算機可讀取的儲存媒體。
良性腫瘤雖然僅侷限於發生部位，不會轉移擴散，但仍會增生變大，進而壓迫周圍組織，且依據發生部位，對於患者有不同影響。舉例來說，神經系統的良性腫瘤例如前庭神經鞘瘤(vestibular schwannoma，VS，又稱為「聽神經瘤」)，起源於前庭耳蝸神經的許旺細胞，是最常見的神經鞘瘤。儘管VS是良性腫瘤，但仍可能導致前庭神經功能受損，並可能因腫瘤的進展或治療的副作用而產生聽力受損、耳鳴、暈眩、面部神經麻痺等風險。
目前已有許多不同的放射處理方法可用於治療良性腫瘤，例如伽瑪刀放射手術(Gamma Knife radiosurgery，GKRS)。雖然GKRS是一種治療VS的有效方法，長期腫瘤控制率超過90%，且產生併發症的風險較低，但對於部分患者仍可能有一些問題產生。其一是部分患者可能發生治療失敗的風險；其二是部分患者在進行GKRS後腫瘤腫脹而導致短暫性的腫瘤生長，即假性進展。前述暫時性的假性進展目前只能透過時間間隔與實際腫瘤進展區分。腫瘤的假性進展通常發生在放射處理後的6至18個月內，而實際的腫瘤進展則可在放射處理後的至少2年內確診。上述兩個問題目前僅能在進行放射處理後才能觀察到，故容易造成患者及醫護人員的心理壓力，且目前無法依據不同的患者提供不同的臨床建議，以提高治療的效果。
另外，一般來說，在進行GKRS以前，要先由有經驗的外科醫生針對腫瘤的影像，進行反覆手動圈選腫瘤區域的輪廓，來辨識腫瘤位置，以進行腫瘤體積測量，進而確定治療區域和治療劑量。此方式不僅較主觀且較耗時。
綜上所述，目前習知的良性腫瘤處理方法，在進行放射處理之前，需先由外科醫師對腫瘤的影像進行手動圈選，來確認治療區域與劑量，此方式不僅較主觀且較耗時，更無法預先得知患者對於放射處理的反應，以針對不同患者提供除了放射處理以外的臨床處理建議。若能在患者進行良性腫瘤放射處理前，事先自動針對其腫瘤影像，評估其腫瘤針對放射處理的反應，再依據評估結果建議患者進行放射處理或其他處理(例如開刀處理)，將對良性腫瘤的治療帶來極大的幫助。
因此，現仍亟需提供一種可自動依據腫瘤影像來評估患者未來的腫瘤發展趨勢的評估系統，可依據評估結果提供醫護人員不同的建議，以針對不同的患者分別提供較佳的處理方法，進而提高處理的效果，以避免因處理結果不佳而使患者產生疑慮並造成醫護人員的心理壓力。
本發明的目的為提供一種自動依據腫瘤影像來評估患者未來的腫瘤發展趨勢的評估系統，其係可依據評估結果提供醫護人員不同的建議，以針對不同的患者分別提供較佳的處理方法，進而提高良性腫瘤的處理效果。另外，其亦可用來預測該患者是否可能出現腫瘤假性進展，以提早告知患者，有助於減少患者的疑慮及醫護人員的壓力。
為達上述目的，本發明提供一種良性腫瘤發展趨勢評估系統，包括一影像輸出裝置以及一伺服計算機裝置。影像輸出裝置用以輸出在良性腫瘤的同一位置所擷取之一第一影像及一第二影像。伺服計算機裝置包括一影像接收模組、一影像前置處理模組、一目標物抽出模組、一特徵抽出模組及一趨勢分析模組。影像接收模組接收第一影像及第二影像。影像前置處理模組分別對第一影像及第二影像進行影像前置處理，以分別得到一第一局部影像及一第二局部影像。目標物抽出模組分別對第一局部影像及第二局部影像進行自動偵測 並圈選出良性腫瘤的位置，以分別得到一第一感興趣區域(ROI)影像及一第二感興趣區域影像。特徵抽出模組分別對第一感興趣區域影像及第二感興趣區域影像進行自動識別，以分別得到至少一第一特徵及至少一第二特徵。趨勢分析模組將至少一第一特徵及至少一第二特徵進行分析，以得到一腫瘤發展趨勢分析結果，以供判斷腫瘤發展趨勢。
在一實施例中，影像前置處理模組包括一影像調整單元、一影像校正單元以及一局部影像擷取單元。影像調整單元分別對第一影像及第二影像的亮度、清晰度進行調整並去除背景，以得到一第一調整影像及一第二調整影像。影像校正單元以第一調整影像校正第二調整影像的位置，以得到一第一校正影像及一第二校正影像。局部影像擷取單元分別對第一校正影像及第二校正影像進行局部影像擷取，以得到第一局部影像及第二局部影像，其中，第一局部影像及第二局部影像涵蓋良性腫瘤及良性腫瘤附近組織的影像。
在一實施例中，第一影像及第二影像為治療前的影像或治療後的影像，當第一影像及第二影像為治療前的影像時，腫瘤發展趨勢分析結果為預測良性腫瘤對放射處理無反應、或預測良性腫瘤對放射處理有反應；當第一影像及第二影像為治療後的影像時，腫瘤發展趨勢分析結果為判斷良性腫瘤對放射處理無反應、或判斷良性腫瘤對放射處理有反應。
在一實施例中，當腫瘤發展趨勢分析結果為良性腫瘤對放射處理有反應時，係為良性腫瘤對放射處理有反應但有假性進展、或良性腫瘤對放射處理有反應且無假性進展。
在一實施例中，伺服計算機裝置更包括一判斷模組，依據腫瘤發展趨勢分析結果產生一判斷結果。
在一實施例中，當第一影像及第二影像為治療前的影像，且腫瘤發展趨勢分析結果為預測良性腫瘤對放射處理無反應時，判斷結果為進行其他處理；當第一影像及第二影像為治療前的影像，且腫瘤發展趨勢分析結果為預測良性腫瘤對放射處理有反應時，判斷結果為建議進行放射處理；當第一影像及第二影像為治療後的影像，且腫瘤發展趨勢分析結果為判斷良性腫瘤對放射處理無反應時，判斷結果為建議進行其他處理；以及當第一影像及第二影像為 治療後的影像，且腫瘤發展趨勢分析結果為判斷良性腫瘤對放射處理有反應時，判斷結果為建議持續追蹤。
在一實施例中，趨勢分析模組係儲存有複數個趨勢路徑，趨勢分析模組係藉由至少一第一特徵及至少一第二特徵與該些趨勢路徑進行分析，其中該些趨勢路徑係透過趨勢分析模組對複數個參考影像進行分析所獲得。
在一實施例中，伺服計算機裝置更包括一判斷結果輸出模組，輸出判斷結果。
在一實施例中，伺服計算機裝置更包括一處理器，處理器執行影像接收模組、影像前置處理模組、目標物抽出模組、特徵抽出模組、趨勢分析模組、判斷模組及判斷結果輸出模組。
在一實施例中，良性腫瘤發展趨勢評估系統更包括一使用者計算機裝置，用以接收伺服計算機裝置輸出的判斷結果。
在一實施例中，第一影像與第二影像的對比度不同，至少一第一特徵係包含紋路特徵、或灰階特徵，至少一第二特徵係包含紋路特徵、或灰階特徵。
在一實施例中，良性腫瘤係為聽神經瘤、腦膜瘤、腦下垂體腫瘤、神經細胞瘤、或顱咽管瘤。
為達上述目的，本發明另提供一種伺服計算機裝置，係應用於一良性腫瘤發展趨勢評估系統。良性腫瘤發展趨勢評估系統包括一影像輸出裝置以及伺服計算機裝置。伺服計算機裝置包括一影像接收模組、一影像前置處理模組、一目標物抽出模組、一特徵抽出模組以及一趨勢分析模組。影像接收模組接收在良性腫瘤的同一位置所擷取之一第一影像及一第二影像。影像前置處理模組分別對第一影像及第二影像進行影像前置處理，以分別得到一第一局部影像及一第二局部影像。目標物抽出模組分別對第一局部影像及第二局部影像進行自動偵測並圈選出良性腫瘤的位置，以分別得到一第一感興趣區域影像及一第二感興趣區域影像。特徵抽出模組分別對第一感興趣區域影像及第二感興趣區域影像進行自動識別，以分別得到至少一第一特徵及至少一第二特徵。趨勢分析模組將至少一第一特徵及至少一第二特徵進行分析，以得到一腫瘤發展 趨勢分析結果，以供判斷腫瘤發展趨勢。
在一實施例中，伺服計算機裝置更包括一判斷模組，依據腫瘤發展趨勢分析結果產生一判斷結果。
在一實施例中，影像前置處理模組包括一影像調整單元、一影像校正單元以及一局部影像擷取單元。影像調整單元分別對第一影像及第二影像的亮度、清晰度進行調整並去除背景，以得到一第一調整影像及一第二調整影像。影像校正單元以第一調整影像校正第二調整影像的位置，以得到一第一校正影像及一第二校正影像。局部影像擷取單元分別對第一校正影像及第二校正影像進行局部影像擷取，以得到第一局部影像及第二局部影像，其中，第一局部影像及第二局部影像涵蓋良性腫瘤及良性腫瘤附近組織的影像。
在一實施例中，伺服計算機裝置更包括一處理器，處理器執行影像接收模組、影像前置處理模組、目標物抽出模組、特徵抽出模組、趨勢分析模組及判斷模組。
為達上述目的，本發明又提供一種計算機可讀取的儲存媒體，應用於前述良性腫瘤發展趨勢評估系統，儲存媒體儲存一如前所述的模組，該些模組可供一計算機裝置的一處理器執行。
綜上所述，本發明的腫瘤發展趨勢評估系統可自動依據腫瘤影像來評估患者未來的腫瘤發展趨勢，其係可依據評估結果提供醫護人員不同的建議，以針對不同的患者分別提供較佳的處理方法，進而提高良性腫瘤的處理效果。另外，其亦可用於評估該患者是否可能出現腫瘤假性進展，以提早告知患者，更有助於減少患者的疑慮及醫護人員的壓力。
100:良性腫瘤發展趨勢評估系統
1:影像輸出裝置
2:伺服計算機裝置
21:影像接收模組
22:影像前置處理模組
221:影像調整單元
222:影像校正單元
223:局部影像擷取單元
23:目標物抽出模組
24:特徵抽出模組
25:趨勢分析模組
26:判斷模組
27:判斷結果輸出模組
3:使用者計算機裝置
I11:第一影像
I12:第一調整影像
I13:第一校正影像
I14:第一局部影像
I15:第一感興趣區域影像
I21:第二影像
I22:第二調整影像
I23:第二校正影像
I24:第二局部影像
I25:第二感興趣區域影像
S1:處理器
S2:計算機可讀取的儲存媒體
S3:通訊元件
S4:顯示元件
S5:輸入元件
圖1A為本發明良性腫瘤發展趨勢評估系統之較佳實施例的示意圖。
圖1B為圖1A所示的影像前置處理模組的示意圖。
圖2為本發明良性腫瘤發展趨勢評估系統之伺服計算機裝置的示意圖。
圖3為本發明良性腫瘤發展趨勢評估系統之實施流程示意圖。
圖4A至圖4E為本發明良性腫瘤發展趨勢評估系統所處理的腫瘤影像的示意圖。圖4A顯示第一影像及第二影像的示意圖；圖4B顯示第一調整影像及第二調整影像的示意圖；圖4C顯示第一校正影像及第二校正影像的示意圖；圖4D顯示第一局部影像及第二局部影像的示意圖；圖4E顯示第一感興趣區域影像及第二感興趣區域影像的示意圖。
圖5A至圖5C為本發明良性腫瘤發展趨勢評估系統利用腫瘤特徵以得到腫瘤發展趨勢分析結果的示意圖，其中該腫瘤發展趨勢分析結果為腫瘤對放射處理無反應、或腫瘤對放射處理有反應。圖5A顯示複數個參考影像的腫瘤特徵的3D分布圖；圖5B是由圖5A的腫瘤特徵分布轉換的預測模型得分圖；圖5C是用於評估腫瘤對放射處理無反應、或腫瘤對放射處理有反應的接收者操作特徵曲線圖。
圖6A至圖6C為本發明良性腫瘤發展趨勢評估系統利用腫瘤特徵以得到腫瘤發展趨勢分析結果的示意圖，其中該腫瘤發展趨勢分析結果為腫瘤對放射處理有反應但有假性進展、或腫瘤對放射處理有反應且無假性進展。圖6A顯示複數個參考影像的腫瘤特徵的3D分布圖；圖6B是由圖6A的腫瘤特徵分布轉換的預測模型得分圖；圖6C是用於評估腫瘤對放射處理有反應但有假性進展、或腫瘤對放射處理有反應且無假性進展的接收者操作特徵曲線圖。
以下將參照相關圖式，說明依據本發明良性腫瘤發展趨勢評估系統、伺服計算機裝置及計算機可讀取的儲存媒體的較佳實施例，其中相同的元件將以相同的參照符號加以說明。
本發明的腫瘤發展趨勢評估系統可自動依據腫瘤影像來評估患者未來的腫瘤發展趨勢，其係可依據評估結果提供醫護人員不同的建議，以針對不同的患者分別提供較佳的處理方法，進而提高良性腫瘤的處理效果。另外，其亦可用於評估該患者是否可能出現腫瘤假性進展，以提早告知患者，更有助於減少患者的疑慮及醫護人員的壓力。
除非另外定義，否則本文使用的所有技術和科學術語具有與本發明所屬技術領域的通常知識者理解的相同的含義。儘管在本發明的測試實驗中可以使用與本文描述的那些相似或等同的任何方法和材料，但是本文描述了優 選的材料和方法。在描述和要求保護本發明時，將使用以下術語。應該理解的是，這裡使用的術語的目的僅用於描述特定實施例，而非對本發明的限制。
術語「良性腫瘤」是指侷限於發生部位，不會轉移或擴散的腫瘤，例如但不限於聽神經瘤、腦膜瘤、腦下垂體腫瘤、神經細胞瘤、或顱咽管瘤，於本文中，術語「良性腫瘤」亦可簡稱為「腫瘤」。
術語「腫瘤進展」是指腫瘤持續生長而變大(持續變大)。
術語「假性進展」是指在進行治療或處理後腫瘤會先腫大而導致短暫性的腫瘤生長，之後腫瘤會漸漸萎縮而變小(變大再變小)，與腫瘤進展(持續變大)不同。
在本文中，術語「放射處理」是指以放射線進行放射手術，例如但不限於伽瑪刀放射手術、電腦刀(Cyber Knife)放射手術、光子刀(Photon Knife)放射手術、或是其他本領域技術人員習知可用於治療良性腫瘤的放射處理方法。
術語「U-Net神經網路」又稱為「3D U-Net神經網路」或「3D單路徑U-Net神經網路」是指一種由卷積神經網路(CNN)衍伸出的一種神經網路，特別用於醫療影像的分析，U-Net神經網路用於分析醫療影像的實例請參照如Wang G等人，於Automatic Segmentation of Vestibular Schwannoma from T2-Weighted MRI by Deep Spatial Attention with Hardness-Weighted Loss.arXiv preprint arXiv：190603906.2019的文獻及Ronneberger O等人，於Convolutional networks for biomedical image segmentation.International Conference on Medical image computing and computer-assisted intervention：Springer；2015.p.234-41的文獻中所述內容，U-Net神經網路由23層卷積組成，並池化4次。在U-Net神經網路中，在同一個卷積層中，僅使用同一大小的內核(kernel)進行醫療影像的分割，例如但不限於3 X 3 X 3。
術語「3D雙路徑U-Net神經網路」是指將「U-Net神經網路」改良後的神經網路，在本實施例中，是由10層卷積組成，並池化2次。在3D雙路徑U-Net神經網路，在同一個卷積層中，分別使用兩個不同大小的內核進行醫療影像的分割，例如但不限於3 X 3 X 1及1 X1 X 3，可透過3 X 3 X 1分析影像的平面部分(沿著影像的x-y軸)、同時透過1 X 1 X 3分析影像的立體 部分(沿著影像的z軸)。因此相較於「U-Net神經網路」，對於醫療影像的分析能更精確。
術語「第一」、「第二」於本文僅用於描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術特徵的數量。
請參照圖1A，圖1A為本發明良性腫瘤發展趨勢評估系統之較佳實施例的示意圖。在本實施例中，良性腫瘤發展趨勢評估系統100包括一影像輸出裝置1以及一伺服計算機裝置2。
請同時參照圖1A及圖4A，圖4A至圖4E為本發明良性腫瘤發展趨勢評估系統所處理的腫瘤影像的示意圖。圖4A顯示第一影像及第二影像的示意圖。影像輸出裝置1用以輸出在良性腫瘤的同一位置所擷取之一第一影像I11及一第二影像I21。舉例來說，良性腫瘤例如但不限於為聽神經瘤、腦膜瘤、腦下垂體腫瘤、神經細胞瘤、或顱咽管瘤。第一影像I11及第二影像I21為核磁共振造影(Magnetic Resonance Imaging，MRI)影像，且第一影像I11與第二影像I21的對比度不同。換言之，第一影像I11及第二影像I21是在良性腫瘤的同一位置，用核磁共振造影儀器以不同參數進行造影所得到的影像，例如但不限於T1-加權(T1-weighted，T1W)、T2-加權(T2-weighted，T2W)、或T1-加權對比增強(T1-weighted gadolinium contrast enhanced，T1W+C)的影像。舉例來說，第一影像I11及第二影像I21可以是T1W影像、T2W影像、或T1W+C影像，但兩者不同。也就是說，當第一影像I11是T1W影像時，第二影像I21可以是T1W+C影像或T2W影像；當第一影像I11是T2W影像時，第二影像I21可以是T1W影像或T1W+C影像；當第一影像I11是T1W+C影像時，第二影像I21可以是T1W影像或T2W影像。較佳的，第一影像I11是T1W+C影像，第二影像I21是T2W影像。
如圖1A所示，在本實施例中，伺服計算機裝置2包括一影像接收模組21、一影像前置處理模組22、一目標物抽出模組23、一特徵抽出模組24及一趨勢分析模組25。
請同時參照圖1A及圖4A至圖4E，用以解釋各個模組的作用。圖4B顯示第一調整影像及第二調整影像的示意圖；圖4C顯示第一校正影像及 第二校正影像的示意圖；圖4D顯示第一局部影像及第二局部影像的示意圖；圖4E顯示第一感興趣區域影像及第二感興趣區域影像的示意圖。
如圖1A及圖4A所示，影像接收模組21用以接收影像輸出裝置1所輸出的第一影像I11及第二影像I21。
如圖1A、圖1B、圖4A至圖4D所示，圖1B為圖1A所示的影像前置處理模組的示意圖。影像前置處理模組22分別對第一影像I11及第二影像I21進行影像前置處理，以分別得到一第一局部影像I14及一第二局部影像I24。詳細而言，請同時參照圖1A及圖1B，影像前置處理模組22可包括一影像調整單元221、一影像校正單元222以及一局部影像擷取單元223。影像調整單元221分別對第一影像I11及第二影像I21的亮度、清晰度進行調整並去除背景，以得到一第一調整影像I12及一第二調整影像I22。影像校正單元222以第一調整影像I12校正第二調整影像I22的位置，以得到一第一校正影像I13及一第二校正影像I23。局部影像擷取單元223分別對第一校正影像I13及第二校正影像I23進行局部影像擷取，以得到第一局部影像I14及第二局部影像I24。也就是說，影像前置處理模組22對第一影像I11及第二影像I21進行亮度、清晰度的調整之後，再將背景(例如定位點、遮罩(mask))去除後，再以其中一個影像的位置校正另一個影像的位置，使兩者的亮度、清晰度、位置都校正完成之後，再擷取良性腫瘤(包括良性腫瘤附近組織)的局部影像，以得到第一局部影像I14及第二局部影像I24。
如圖1A、圖4D至圖4E所示，目標物抽出模組23分別對第一局部影像I14及第二局部影像I24進行自動偵測並圈選出良性腫瘤的位置，以分別得到一第一感興趣區域(ROI)影像I15及一第二感興趣區域影像I25。舉例來說，目標物抽出模組23可以是透過卷積神經網路(Convolutional Neural Network，CNN)分別對第一局部影像I14及第二局部影像I24進行自動偵測並圈選出良性腫瘤的位置。較佳的，目標物抽出模組23可以是透過其他能在影像中自動偵測並圈選出良性腫瘤的位置的卷積神經網路分別對第一局部影像I14及第二局部影像I24進行自動偵測並圈選出良性腫瘤的位置，例如但不限於U-Net神經網路(3D單路徑U-Net神經網路)、或3D雙路徑U-Net神經網路； 較佳的，目標物抽出模組23是透過3D雙路徑U-Net神經網路分別對第一局部影像I14及第二局部影像I24進行自動偵測並圈選出良性腫瘤的位置。
特徵抽出模組24分別對第一感興趣區域影像I15及第二感興趣區域影像I25進行自動識別，以分別得到至少一第一特徵及至少一第二特徵。舉例而言，至少一第一特徵例如但不限於紋路特徵、或灰階特徵、或紋路特徵加灰階特徵，至少一第二特徵例如但不限於紋路特徵、或灰階特徵、或紋路特徵加灰階特徵。紋路特徵及灰階特徵包括但不限於第一感興趣區域影像及第二感興趣區域影像的局部二值模式平均值(Mean of Local binary patterns，Mean of LBP)、長程低灰階優勢(Long Run Low Gray-Level Emphasis，LRLGLE)、偏度(Skewness)、標準差(Standard deviation)、均方根(Root mean square)，其中局部二值模式平均值是利用局部二值模式濾波器對第一感興趣區域影像或第二感興趣區域影像進行分析而得；長程低灰階優勢是利用灰階長度矩陣(gray-level run-length matrix，GLRLM)濾波器對第一感興趣區域影像或第二感興趣區域影像進行分析而得；偏度(Skewness)、標準差(Standard deviation)、及均方根(Root mean square)是利用直方圖(Histogram)濾波器對第一感興趣區域影像或第二感興趣區域影像進行分析而得。舉例來說，特徵抽出模組24可以是透過卷積神經網路(CNN)分別利用不同濾波器對第一感興趣區域影像I15及第二感興趣區域影像I25進行自動識別，以分別得到至少一第一特徵及至少一第二特徵。較佳的，特徵抽出模組24可以是透過其他能在影像中自動識別腫瘤特徵的卷積神經網路分別利用不同濾波器對第一感興趣區域影像I15及第二感興趣區域影像I25進行分析，例如但不限於3D單路徑U-Net神經網路、或3D雙路徑U-Net神經網路；較佳的，特徵抽出模組24是透過3D雙路徑U-Net神經網路分別利用不同濾波器對第一感興趣區域影像I15及第二感興趣區域影像I25進行分析。
趨勢分析模組25將至少一第一特徵及至少一第二特徵進行分析，以得到一腫瘤發展趨勢分析結果，以供判斷腫瘤發展趨勢。第一影像及第二影像可以為治療前的影像或治療後的影像。當第一影像及第二影像為治療前的影像時，腫瘤發展趨勢分析結果可以係為預測良性腫瘤對放射處理無反應、 或預測良性腫瘤對放射處理有反應；當第一影像及第二影像為治療後的影像時，腫瘤發展趨勢分析結果可以係為判斷良性腫瘤對放射處理無反應、或判斷良性腫瘤對放射處理有反應。當腫瘤發展趨勢分析結果為良性腫瘤對放射處理有反應時，可以係為良性腫瘤對放射處理有反應但有假性進展、或良性腫瘤對放射處理有反應且無假性進展。於此，良性腫瘤對放射處理無反應、或良性腫瘤對放射處理有反應係指用於預測/判斷對良性腫瘤進行放射處理後，良性腫瘤是否有變化，有變化(包括變大或變小)即為良性腫瘤對放射處理有反應，無變化即為良性腫瘤對放射處理無反應。當腫瘤發展趨勢分析結果為良性腫瘤對放射處理有反應(包括腫瘤變大或腫瘤變小)時，可以係為良性腫瘤對放射處理有反應但有假性進展(腫瘤先變大再變小)、或良性腫瘤對放射處理有反應且無假性進展(腫瘤變小)。舉例來說，趨勢分析模組25可以是透過例如但不限於支持向量機(support vector machine，SVM)、手動、或差距分析(Gap analysis)將至少一第一特徵及至少一第二特徵進行分析，以得到一腫瘤發展趨勢分析結果。較佳的，趨勢分析模組25是透過支持向量機對至少一第一特徵及至少一第二特徵進行分析。在本實施例中，趨勢分析模組25可儲存有複數個趨勢路徑，趨勢分析模組25藉由至少一第一特徵及至少一第二特徵與該些趨勢路徑進行分析。該些趨勢路徑係透過趨勢分析模組25對複數個參考影像進行分析所獲得。詳細而言，良性腫瘤發展趨勢評估系統100可具有複數個參考影像，該些參考影像可以儲存於資料庫或是趨勢分析模組25中，趨勢分析模組25透過例如但不限於支持向量機對該些參考影像進行分析後可獲得複數個趨勢路徑，並將該些趨勢路徑儲存於趨勢分析模組25中。當趨勢分析模組25透過例如但不限於支持向量機對至少一第一特徵及至少一第二特徵進行分析時，是藉由至少一第一特徵及至少一第二特徵與該些趨勢路徑進行分析，以分析該至少一第一特徵及該至少一第二特徵較符合哪一個趨勢路徑，詳細的過程描述於後，於此不重複贅述。
請再參照圖1A及圖4A，在本實施例中，伺服計算機裝置2可更包括一判斷模組26，依據腫瘤發展趨勢分析結果產生一判斷結果。在另一實施例中，伺服計算機裝置2可更包括一判斷結果輸出模組27，用於輸出判斷結 果。詳細而言，第一影像I11及第二影像I21可以是治療前、或治療後的影像，當第一影像I11及第二影像I21為治療前的影像，且腫瘤發展趨勢分析結果為預測良性腫瘤對放射處理無反應時，判斷結果為建議進行其他處理；當第一影像I11及第二影像I21為治療前的影像，且腫瘤發展趨勢分析結果為預測良性腫瘤對放射處理有反應(包括良性腫瘤對放射處理有反應但有假性進展、或良性腫瘤對放射處理有反應且無假性進展)時，判斷結果為建議進行放射處理；當第一影像I11及第二影像I21為治療後的影像，且腫瘤發展趨勢分析結果為判斷良性腫瘤對放射處理無反應時，判斷結果為建議進行其他處理；當第一影像I11及第二影像I21為治療後的影像，且腫瘤發展趨勢分析結果為判斷良性腫瘤對放射處理有反應(包括良性腫瘤對放射處理有反應但有假性進展、或良性腫瘤對放射處理有反應且無假性進展)時，判斷結果為建議持續追蹤。
請再參照圖1A，在本實施例中，伺服計算機裝置2可更包括一處理器S1，處理器S1執行如前所述的影像接收模組21、影像前置處理模組22、目標物抽出模組23、特徵抽出模組24、趨勢分析模組25、判斷模組26及判斷結果輸出模組27，以進行如前所述的處理流程。
請再參照圖1A，在本實施例中，良性腫瘤發展趨勢評估系統100可更包括一使用者計算機裝置3，用以接收伺服計算機裝置2輸出的判斷結果。
請參照圖2並同時參照圖1A，圖2為本發明良性腫瘤發展趨勢評估系統之伺服計算機裝置的示意圖。伺服計算機裝置2係應用於一良性腫瘤發展趨勢評估系統100。良性腫瘤發展趨勢評估系統100包括一影像輸出裝置1以及伺服計算機裝置2。伺服計算機裝置2可包括如前所述的模組，各模組執行的處理程序及功能已詳細描述於前，於此不再重複贅述。
如圖2所示，伺服計算機裝置2可更包括一計算機可讀取的儲存媒體S2、一通訊元件S3、一顯示元件S4、一輸入元件S5、以及一殼體(圖未示)，伺服計算機裝置2可以例如是伺服器、手機、平板、筆記型電腦、桌上型電腦或其他計算機裝置。伺服器、手機、平板、筆記型電腦、桌上型電腦包括殼體來容置處理器S1、計算機可讀取的儲存媒體S2、及通訊元件S3；手機、平板、筆記型電腦的顯示元件S4及輸入元件S5是安裝在殼體上，伺服器、桌上型電腦連 接主機以外的顯示元件S4及輸入元件S5。
處理器S1耦接計算機可讀取的儲存媒體S2、通訊元件S3、顯示元件S4、及輸入元件S5，配置來執行如前所述的影像接收模組21、影像前置處理模組22、目標物抽出模組23、特徵抽出模組24、趨勢分析模組25、判斷模組26及判斷結果輸出模組27。處理器S1例如是能執行模組(例如模組、程式碼或指令)的處理器S1，伺服計算機裝置2可包括一或多個處理器S1，處理器S1可包括一或多個核心。計算機可讀取的儲存媒體S2包括隨機記憶體或非揮發式計算機可讀取的儲存媒體等，非揮發式計算機可讀取的儲存媒體例如是硬碟、固態硬碟(SSD)、快閃記憶體等，其儲存處理器S1可執行的模組(例如模組、程式碼或指令)，處理器S1可以將模組(例如模組、程式碼或指令)從非揮發式計算機可讀取的儲存媒體載入至隨機記憶體並加以執行。通訊元件S3例如是網路卡、網路晶片、數據機等能提供網路連線的裝置。顯示元件S4包括顯示卡、顯示晶片、顯示器等，輸入元件S5例如是鍵盤、滑鼠或觸控螢幕等。
在上述實施例中，是將影像接收模組21、影像前置處理模組22、目標物抽出模組23、特徵抽出模組24、趨勢分析模組25、判斷模組26及判斷結果輸出模組27以軟體(Software)形式存取在計算機可讀取的儲存媒體S2中且可供計算機裝置的處理器S1執行為例，然而，影像接收模組21、影像前置處理模組22、目標物抽出模組23、特徵抽出模組24、趨勢分析模組25、判斷模組26及判斷結果輸出模組27亦可以軟體(Software)形式存取在處理器S1的隨機記憶體中(圖未示)；或者，影像接收模組21、影像前置處理模組22、目標物抽出模組23、特徵抽出模組24、趨勢分析模組25、判斷模組26及判斷結果輸出模組27可以是硬體(Hardware)形式(例如但不限於特殊應用積體電路，ASIC)，與處理器S1耦接(圖未示)以執行其功能；或者，影像接收模組21、影像前置處理模組22、目標物抽出模組23、特徵抽出模組24、趨勢分析模組25、判斷模組26及判斷結果輸出模組27可以是韌體(Firmware)形式，例如嵌入特殊應用積體電路的軟體(圖未示)，本發明並無限制。
另外，使用者計算機裝置3也可包括一處理器、一計算機可讀取的儲存媒體、一通訊元件、一顯示元件、一輸入元件、以及一殼體(圖未示)， 使用者計算機裝置3可以例如是手機、平板、筆記型電腦、桌上型電腦或其他計算機裝置。手機、平板、筆記型電腦、桌上型電腦包括殼體來容置處理器、計算機可讀取的儲存媒體、及通訊元件；手機、平板、筆記型電腦的顯示元件及輸入元件是安裝在殼體上，桌上型電腦連接主機以外的顯示元件及輸入元件。使用者計算機裝置3透過例如但不限於網路與伺服計算機裝置2通訊連接，用以接收伺服計算機裝置2輸出的判斷結果。
請參照圖3並同時參照圖1A、圖1B、圖4A至圖4E，用以說明本發明良性腫瘤發展趨勢評估系統100的運作方式。圖3為本發明良性腫瘤發展趨勢評估系統之實施流程示意圖。如圖所示，首先，透過影像輸出裝置1將在良性腫瘤的同一位置所擷取第一影像I11及第二影像I21輸出至伺服計算機裝置2。接著，伺服計算機裝置2透過影像接收模組21接收影像輸出裝置1所輸出的第一影像I11及第二影像I21。伺服計算機裝置2再透過影像前置處理模組22分別對第一影像I11及第二影像I21進行影像前置處理，以分別得到一第一局部影像I14及一第二局部影像I24，其中，影像前置處理包括透過影像調整單元221分別對第一影像I11及第二影像I21的亮度、清晰度進行調整並去除背景，以得到第一調整影像I12及第二調整影像I22；透過影像校正單元222以第一調整影像I12校正第二調整影像I22的位置，以得到第一校正影像I13及第二校正影像I23；透過局部影像擷取單元223分別對第一校正影像I13及第二校正影像I23進行局部影像擷取，以得到第一局部影像I14及第二局部影像I24。接下來，伺服計算機裝置2再透過目標物抽出模組23分別對第一局部影像I14及第二局部影像I24進行自動偵測並圈選出良性腫瘤的位置，以分別得到第一感興趣區域影像I15及第二感興趣區域影像I25。接著，伺服計算機裝置2再透過特徵抽出模組24分別對第一感興趣區域影像I15及第二感興趣區域影像I25進行自動識別，以分別得到至少一第一特徵及至少一第二特徵。接下來，伺服計算機裝置2再透過趨勢分析模組25將至少一第一特徵及至少一第二特徵進行分析，以得到腫瘤發展趨勢分析結果。然後，伺服計算機裝置2再透過判斷模組26，依據腫瘤發展趨勢分析結果產生判斷結果後，透過判斷結果輸出模組27，輸出該判斷結果至使用者計算機裝置3。最後，使用者計算機裝置3接收伺服計算機裝置2輸 出的判斷結果。簡言之，影像輸出裝置1輸出在良性腫瘤的同一位置所擷取第一影像I11及第二影像I21至伺服計算機裝置2，伺服計算機裝置2透過各種模組對該第一影像I11及該第二影像I21進行自動處理後，得到判斷結果，並將該判斷結果輸出至使用者計算機裝置3。於此，影像輸出裝置1例如但不限於通用序列匯流排(Universal Serial Bus，USB)埠、光碟片、磁碟片、計算機裝置、或核磁共振造影儀器等可儲存並輸出影像的裝置。伺服計算機裝置2、使用者計算機裝置3的實例已詳細描述於前，於此不再重複贅述。
實驗例
參考影像資料庫
參考影像來自台北榮民總醫院於1993年至2019年所治療的336例患者，該些患者患有聽神經瘤，沒有進行開顱手術以切除腫瘤，並且在放射外科手術後至少進行了24個月的追蹤(追蹤中位數為65.1個月)。進行本研究的患者都已簽署經該院的研究作業倫理規範審議小組(Institutional Review Board，IRB)批准的書面知情同意書。參考影像是透過使用1.5-T MR掃描儀(Signa Horizon LX2，GE Medical System)在患者接受放射處理前、放射處理後及追蹤時所獲得的MRI影像，包括T1W+C影像、T2W影像及T1W影像，於此，放射處理是指GKRS。隨後由經驗豐富的神經放射科醫生對放射處理前、放射處理後及追蹤時的MRI影像對腫瘤體積進行縱向測量(以cm3為單位)。根據VS對放射處理(GKRS)的反應，將患者進一步分為三組，包括腫瘤有反應且無假性進展(130例)，腫瘤有反應但有假性進展(135例)和腫瘤無反應(71例)。表1列出了前述三組患者的臨床特徵。
Figure 109106437-A0305-02-0017-1
Figure 109106437-A0305-02-0018-2
如表1所示，表1列出了336名VS患者的臨床資料。三個組別之間的患者年齡、性別、GKRS規定劑量和GKRS最大劑量無顯著差異。腫瘤無反應組的腫瘤總體積顯著小於腫瘤有反應且無假性進展的組別(p<0.001)。關於GKRS處理後腫瘤體積的變化，有反應且無假性進展組別在六個月至最終追蹤之間，腫瘤體積從-13.1±17.4%逐漸降低至-66.0±20.6%。有反應但有假性進展的組別則不同，其在六個月追蹤的影像中顯示腫瘤體積顯著增加(37.2±32.6%)，然後逐漸減少至-48.3±22.4%，直至最終追蹤。對於腫瘤無反應組別，腫瘤體積從六個月追蹤時的29.4±35.1%增加到最終追蹤時的48.9±93.7%。
影像前處理
對336例患者的MRI影像進行前處理，以減少影像參數的差異並提高影像圖譜學(Radiomics)分析的可靠性。首先執行影像清晰度(解析度)的調整，以將所有像素大小重新採樣為0.50 x 0.50 x 3.00mm3，並讓每個MR成像的連續切片之間沒有間隙。接著，使用六參數剛體轉換和相互資訊(mutual information)演算法將同一個患者同時間拍攝的T2W影像和T1W影像以T1W+C影像進行位置校正。隨後，擷取良性腫瘤(包括良性腫瘤附近組織)的局部影像並圈選出良性腫瘤的位置，以得到感興趣區域影像。
趨勢路徑的建立
接著，對感興趣區域影像進行影像圖譜學的分析，以計算其灰階 特徵及紋路特徵，並對這些特徵進行統計比對，以分析3組患者之間具有顯著差異的特徵，用於建立趨勢路徑。
良性腫瘤對放射處理有反應組、或良性腫瘤對放射處理無反應組之間有顯著差異的特徵：在良性腫瘤對放射處理有反應(以下簡稱「腫瘤有反應」、或「有反應」)和良性腫瘤對放射處理無反應(以下簡稱「腫瘤無反應」、或「無反應」)組別之間，有3種特徵表現出顯著差異(p<3.65x10-5)，記錄於下表2。分別為從T2W影像中利用直方圖濾波器所獲得的灰階特徵，包括標準差及均方根，以及從T1W+C影像中利用局部二值模式濾波器獲得的紋路特徵，該紋路特徵為局部二值模式平均值，前述3種特徵用於表示腫瘤狀態為囊性或鬆散的組織。
Figure 109106437-A0305-02-0019-4
良性腫瘤對放射處理有反應且無假性進展組、或良性腫瘤對放射處理有反應但有假性進展組之間有顯著差異的特徵：在良性腫瘤對放射處理有反應且無假性進展組(以下簡稱「腫瘤有反應且無假性進展」、或「有反應且無假性進展」)和良性腫瘤對放射處理有反應但有假性進展(以下簡稱「腫瘤有反應但有假性進展」、或「有反應但有假性進展」)組別之間，有3個特徵具有顯著差異(p<3.65x10-5)，記錄於下表3。分別為從T1W+C影像中利用灰階長度矩陣濾波器所獲得的紋路特徵， 該紋路特徵為長程低灰階優勢、及利用直方圖濾波器所獲得的灰階特徵，該灰階特徵為偏度；以及從T2W影像中利用直方圖濾波器所獲得的灰階特徵，該灰階特徵為標準差。值得注意的是，T2W影像所得到的標準差特徵可用於區分腫瘤對於放射處理有反應、或無反應，當腫瘤對於放射處理有反應時，更可進一步用於區分腫瘤有反應且無假性進展、或有反應但有假性進展。
Figure 109106437-A0305-02-0020-5
將上述336名VS患者的MRI影像所獲得的上述特徵，分別進行分析，將表2的特徵用於第一次評估，將表3的特徵用於第二次評估，其中，第一次評估用於建立能夠區分良性腫瘤對於放射處理有反應、或無反應的趨勢路徑，第二次評估用於建立能夠區分良性腫瘤對於放射處理有反應但有假性進展、或有反應且無假性進展的趨勢路徑。
用於預測/判斷良性腫瘤對於放射處理有反應、或無反應
請參照圖5A至圖5C，用於說明第一次評估所建立的趨勢路徑，圖5A至圖5C為本發明良性腫瘤發展趨勢評估系統利用腫瘤特徵以得到腫瘤發展趨勢分析結果的示意圖，其中該腫瘤發展趨勢分析結果為腫瘤對放射處理無反應、或腫瘤對放射處理有反應。如圖5A所示，圖5A顯示複數個參考影像的腫瘤特徵的3D分布圖，腫瘤無反應組別為空心圓點、腫瘤有反應組別為實心圓點，兩個組別的局部二值模式平均值、標準差、均方根特徵的3D分布可大致區分開來。在兩個組別之間形成有一灰色表面，分別建立出不同的趨勢路徑。當新的腫瘤影像依據前述方法得到此3種特徵時，透過分析可得知其特徵落在灰色表面靠近實心圓點的一側、或灰色表面靠近空心圓點的一側，即可得知該新 的腫瘤影像的腫瘤對於放射處理為無反應、或有反應。如圖5B所示，圖5B是由圖5A的腫瘤特徵分布轉換的預測模型得分圖，兩個組別的預測模型得分可由虛線區分開來，當新的腫瘤影像依據前述方法得到此3種特徵時，透過將其特徵3D分布圖轉換為得分，並分析該得分落在虛線以上或以下，即可得知該新的腫瘤影像的腫瘤對於放射處理為無反應、或有反應。如圖5C所示，圖5C是用於評估腫瘤對放射處理無反應、或腫瘤對放射處理有反應的接收者操作特徵曲線圖。當將前述3種特徵用於預測/判斷腫瘤對於放射處理為無反應、或有反應時，其平均曲線下面積(Area under the curve，AUC)=0.877(靈敏度=86.4%，專一性=90.5%，準確度=88.4%)。前述3種特徵值可透過例如但不限於利用手動、支持向量機、差距分析等不同方式來獲得圖5A至圖5C的結果。
當預測/判斷結果為有反應時，進一步預測/判斷對於放射處理為有反應但有假性進展、或有反應且無假性進展
請參照圖6A至圖6C，用於說明第二次評估所建立的趨勢路徑，圖6A至圖6C為本發明良性腫瘤發展趨勢評估系統利用腫瘤特徵以得到腫瘤發展趨勢分析結果的示意圖，其中該腫瘤發展趨勢分析結果為腫瘤對放射處理有反應但有假性進展、或腫瘤對放射處理有反應且無假性進展。如圖6A所示，圖6A顯示複數個參考影像的腫瘤特徵的3D分布圖，腫瘤有反應但有假性進展組別為空心圓點、腫瘤有反應且無假性進展組別為實心圓點，兩個組別的長程低灰階優勢、標準差、偏度特徵的3D分布可大致區分開來。在兩個組別之間形成有一灰色表面，分別建立出不同的趨勢路徑。當新的腫瘤影像依據前述方法得到此3種特徵時，透過分析可得知其特徵落在灰色表面靠近實心圓點的一側、或灰色表面靠近空心圓點的一側，即可得知該新的腫瘤影像的腫瘤對於放射處理為有反應且無假性進展、或有反應但有假性進展。如圖6B所示，圖6B是由圖6A的腫瘤特徵分布轉換的預測模型得分圖，兩個組別的預測模型得分可由虛線區分開來，當新的腫瘤影像依據前述方法得到此3種特徵時，透過將其特徵3D分布圖轉換為得分，並分析該得分落在虛線以上或以下，即可得知該新的腫瘤影像的腫瘤對於放射處理為有反應且無假性進展、或有反應但有假性進展。如圖6C所示，圖6C是用於評估腫瘤對放射處理有反應但有假性進展、或腫瘤 對放射處理有反應且無假性進展的接收者操作特徵曲線圖。當將前述3種特徵用於預測/判斷腫瘤對於放射處理為有反應且無假性進展、或有反應但有假性進展時，其AUC=0.816(靈敏度=79.5%，專一性=84.6%，準確度=82.1%)。前述3種特徵值可例如但不限於利用手動、支持向量機、差距分析等方法以獲得圖6A至圖6C的結果。
綜上所述，本發明的腫瘤發展趨勢評估系統可自動依據腫瘤影像來評估患者未來的腫瘤發展趨勢，其係可依據評估結果提供醫護人員不同的建議，以針對不同的患者分別提供較佳的處理方法，進而提高良性腫瘤的處理效果。另外，其亦可用於評估該患者是否可能出現腫瘤假性進展，以提早告知患者，更有助於減少患者的疑慮及醫護人員的壓力。
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。
100:良性腫瘤發展趨勢評估系統
1:影像輸出裝置
2:伺服計算機裝置
21:影像接收模組
22:影像前置處理模組
23:目標物抽出模組
24:特徵抽出模組
25:趨勢分析模組
26:判斷模組
27:判斷結果輸出模組
3:使用者計算機裝置
S1:處理器
S2:計算機可讀取的儲存媒體

Claims (15)

  1. 一種良性腫瘤發展趨勢評估系統，包括：一影像輸出裝置，用以輸出在良性腫瘤的同一位置所擷取之一第一影像及一第二影像；以及一伺服計算機裝置，包括：一影像接收模組，接收該第一影像及該第二影像；一影像前置處理模組，分別對該第一影像及該第二影像進行影像前置處理，以分別得到一第一局部影像及一第二局部影像；一目標物抽出模組，分別對該第一局部影像及該第二局部影像進行自動偵測並圈選出該良性腫瘤的位置，以分別得到一第一感興趣區域(ROI)影像及一第二感興趣區域影像；一特徵抽出模組，分別對該第一感興趣區域影像及該第二感興趣區域影像進行自動識別，以分別得到至少一第一特徵及至少一第二特徵；及一趨勢分析模組，將該至少一第一特徵及該至少一第二特徵進行分析，以得到一腫瘤發展趨勢分析結果，以供判斷腫瘤發展趨勢，其中該第一影像與該第二影像的對比度不同，該第一影像及該第二影像為治療前的影像或治療後的影像，當該第一影像及該第二影像為治療前的影像時，該腫瘤發展趨勢分析結果為預測該良性腫瘤對放射處理無反應、或預測該良性腫瘤對放射處理有反應；當該第一影像及該第二影像為治療後的影像時，該腫瘤發展趨勢分析結果為判斷該良性腫瘤對放射處理無反應、或判斷該良性腫瘤對放射處理有反應，其中當該腫瘤發展趨勢分析結果為該良性腫瘤對放射處理有反應時，係為該良性腫瘤對放射處理有反應但有假性進展、或該良性腫瘤對放射處理有反應且無假性進展。
  2. 如請求項1所述的系統，其中該影像前置處理模組包括：一影像調整單元，分別對該第一影像及該第二影像的亮度、清晰度進行調整並去除背景，以得到一第一調整影像及一第二調整影像； 一影像校正單元，以該第一調整影像校正該第二調整影像的位置，以得到一第一校正影像及一第二校正影像；以及一局部影像擷取單元，分別對該第一校正影像及該第二校正影像進行局部影像擷取，以得到該第一局部影像及該第二局部影像，其中，該第一局部影像及該第二局部影像涵蓋該良性腫瘤及該良性腫瘤附近組織的影像。
  3. 如請求項1所述的系統，其中該伺服計算機裝置更包括：一判斷模組，依據該腫瘤發展趨勢分析結果產生一判斷結果。
  4. 如請求項3所述的系統，其中當該第一影像及該第二影像為治療前的影像，且該腫瘤發展趨勢分析結果為預測該良性腫瘤對放射處理無反應時，該判斷結果為進行其他處理；當該第一影像及該第二影像為治療前的影像，且該腫瘤發展趨勢分析結果為預測該良性腫瘤對放射處理有反應時，該判斷結果為建議進行放射處理；當該第一影像及該第二影像為治療後的影像，且該腫瘤發展趨勢分析結果為判斷該良性腫瘤對放射處理無反應時，該判斷結果為建議進行其他處理；以及當該第一影像及該第二影像為治療後的影像，且該腫瘤發展趨勢分析結果為判斷該良性腫瘤對放射處理有反應時，該判斷結果為建議持續追蹤。
  5. 如請求項1所述的系統，其中該趨勢分析模組係儲存有複數個趨勢路徑，該趨勢分析模組係藉由該至少一第一特徵及該至少一第二特徵與該些趨勢路徑進行分析，其中該些趨勢路徑係透過該趨勢分析模組對複數個參考影像進行分析所獲得。
  6. 如請求項3所述的系統，其中該伺服計算機裝置更包括一判斷結果輸出模組，輸出該判斷結果。
  7. 如請求項6所述的系統，其中該伺服計算機裝置更包括一處理器，該處理器執行該影像接收模組、該影像前置處理模組、該目標物抽出模組、該特徵抽出模組、該趨勢分析模組、該判斷模組及該判斷結果輸出模組。
  8. 如請求項6所述的系統，更包括一使用者計算機裝置，用以接收該伺服計算機裝置輸出的該判斷結果。
  9. 如請求項1所述的系統，其中該至少一第一特徵係包含紋路特徵、或灰階特徵，該至少一第二特徵係包含紋路特徵、或灰階特徵。
  10. 如請求項1所述的系統，其中該良性腫瘤係為聽神經瘤、腦膜瘤、腦下垂體腫瘤、神經細胞瘤、或顱咽管瘤。
  11. 一種伺服計算機裝置，係應用於一良性腫瘤發展趨勢評估系統，該良性腫瘤發展趨勢評估系統包括一影像輸出裝置以及該伺服計算機裝置，該伺服計算機裝置包括：一影像接收模組，接收在良性腫瘤的同一位置所擷取之一第一影像及一第二影像；一影像前置處理模組，分別對該第一影像及該第二影像進行影像前置處理，以分別得到一第一局部影像及一第二局部影像；一目標物抽出模組，分別對該第一局部影像及該第二局部影像進行自動偵測並圈選出該良性腫瘤的位置，以分別得到一第一感興趣區域影像及一第二感興趣區域影像；一特徵抽出模組，分別對該第一感興趣區域影像及該第二感興趣區域影像進行自動識別，以分別得到至少一第一特徵及至少一第二特徵；以及一趨勢分析模組，將該至少一第一特徵及該至少一第二特徵進行分析，以得到一腫瘤發展趨勢分析結果，以供判斷腫瘤發展趨勢，其中該第一影像與該第二影像的對比度不同，該第一影像及該第二影像為治療前的影像或治療後的影像，當該第一影像及該第二影像為治療前的影像時，該腫瘤發展趨勢分析結果為預測該良性腫瘤對放射處理無反應、或預測該良性腫瘤對放射處理有反應；當該第一影像及該第二影像為治療後的影像時，該腫瘤發展趨勢分析結果為判斷該良性腫瘤對放射處理無反應、或判斷該良性腫瘤對放射處理有反應，其中當該腫瘤發展趨勢分析結果為該良性腫瘤對放射處理有反應時，係為該良性腫瘤對放射處理有反應但有假性進展、或該良性腫瘤對放射處理有反應且無假性進展。
  12. 如請求項11所述的伺服計算機裝置，更包括一判斷模組，依據該腫瘤發展趨勢分析結果產生一判斷結果。
  13. 如請求項11所述的伺服計算機裝置，其中該影像前置處理模組包括：一影像調整單元，分別對該第一影像及該第二影像的亮度、清晰度進行調整並去除背景，以得到一第一調整影像及一第二調整影像；一影像校正單元，以該第一調整影像校正該第二調整影像的位置，以得到一第一校正影像及一第二校正影像；以及一局部影像擷取單元，分別對該第一校正影像及該第二校正影像進行局部影像擷取，以得到該第一局部影像及該第二局部影像，其中，該第一局部影像及該第二局部影像涵蓋該良性腫瘤及該良性腫瘤附近組織的影像。
  14. 如請求項12所述的伺服計算機裝置，更包括一處理器，該處理器執行該影像接收模組、該影像前置處理模組、該目標物抽出模組、該特徵抽出模組、該趨勢分析模組及該判斷模組。
  15. 一種計算機可讀取的儲存媒體，應用於一良性腫瘤發展趨勢評估系統，該儲存媒體儲存一如請求項1至10任一項所述的模組，該些模組可供一計算機裝置的一處理器執行。
TW109106437A 2020-02-27 2020-02-27 良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體 TWI743693B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
TW109106437A TWI743693B (zh) 2020-02-27 2020-02-27 良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體
US16/939,881 US11475563B2 (en) 2020-02-27 2020-07-27 Benign tumor development trend assessment system, server computing device thereof and computer readable storage medium
CN202110199633.XA CN113313667A (zh) 2020-02-27 2021-02-23 良性肿瘤发展趋势评估系统、计算机装置及储存介质
EP21159384.3A EP3872758A1 (en) 2020-02-27 2021-02-25 Benign tumor development trend assessment system, server computing device thereof and computer readable storage medium
JP2021029127A JP7198300B2 (ja) 2020-02-27 2021-02-25 良性腫瘍の進行傾向評価システム、そのサーバコンピュータ装置及びコンピュータ読み取り可能な記憶媒体
US17/590,514 US20220157472A1 (en) 2020-02-27 2022-02-01 Method for enhancing an accuracy of a benign tumor development trend assessment system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109106437A TWI743693B (zh) 2020-02-27 2020-02-27 良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體

Publications (2)

Publication Number Publication Date
TW202133112A TW202133112A (zh) 2021-09-01
TWI743693B true TWI743693B (zh) 2021-10-21

Family

ID=74758701

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109106437A TWI743693B (zh) 2020-02-27 2020-02-27 良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體

Country Status (5)

Country Link
US (1) US11475563B2 (zh)
EP (1) EP3872758A1 (zh)
JP (1) JP7198300B2 (zh)
CN (1) CN113313667A (zh)
TW (1) TWI743693B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838071A (zh) * 2021-09-29 2021-12-24 杭州海心智医信息科技有限公司 一种肿瘤特征提取装置
CN114170221B (zh) * 2021-12-23 2023-04-07 深圳市铱硙医疗科技有限公司 一种基于图像确认脑部疾病方法与系统
CN116664563B (zh) * 2023-07-27 2023-11-24 浙江杜比医疗科技有限公司 新辅助化疗疗效评估系统、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105765629A (zh) * 2013-09-25 2016-07-13 西门子公司 病变的早期治疗反应评估
TWI667996B (zh) * 2018-03-23 2019-08-11 中國醫藥大學附設醫院 乳房腫瘤輔助檢測模型及乳房腫瘤輔助檢測系統

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
USRE47609E1 (en) * 2007-12-28 2019-09-17 Exini Diagnostics Ab System for detecting bone cancer metastases
US10013638B2 (en) * 2008-08-14 2018-07-03 Ping Zhang Cancer diagnostic method and system
US20120010528A1 (en) * 2010-04-26 2012-01-12 Aureon Biosciences, Inc. Systems and methods for predicting disease progression in patients treated with radiotherapy
WO2012016242A2 (en) * 2010-07-30 2012-02-02 Aureon Biosciences, Inc. Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions
EP2768386B1 (en) * 2011-10-19 2024-04-03 Tel HaShomer Medical Research Infrastructure and Services Ltd. Magnetic resonance maps for analyzing tissue
KR102154733B1 (ko) * 2013-01-16 2020-09-11 삼성전자주식회사 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
WO2015054597A2 (en) * 2013-10-12 2015-04-16 H. Lee Moffitt Cancer Center And Research Institute, Inc. Systems and methods for diagnosing tumors in a subject by performing a quantitative analysis of texture-based features of a tumor object in a radiological image
US9700738B2 (en) * 2014-06-17 2017-07-11 Intuitive Therapeutics Sa System and computer program product for radiation inverse treatment planning
SG10201405182WA (en) * 2014-08-25 2016-03-30 Univ Singapore Technology & Design Method and system
US10049770B2 (en) * 2015-12-30 2018-08-14 Case Western Reserve University Prediction of recurrence of non-small cell lung cancer
JP7114323B2 (ja) * 2017-05-09 2022-08-08 キヤノンメディカルシステムズ株式会社 医用情報処理システム及び医用情報処理装置
JP6824845B2 (ja) * 2017-08-09 2021-02-03 キヤノン株式会社 画像処理システム、装置、方法およびプログラム
EP3514756A1 (en) * 2018-01-18 2019-07-24 Koninklijke Philips N.V. Medical analysis method for predicting metastases in a test tissue sample
CN110163195A (zh) * 2018-02-14 2019-08-23 中国医药大学附设医院 肝癌分群预测模型、其预测系统以及肝癌分群判断方法
JP7167515B2 (ja) * 2018-07-17 2022-11-09 大日本印刷株式会社 特定装置、プログラム、特定方法、情報処理装置及び特定器
US11334994B2 (en) * 2019-05-24 2022-05-17 Lunit Inc. Method for discriminating suspicious lesion in medical image, method for interpreting medical image, and computing device implementing the methods

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105765629A (zh) * 2013-09-25 2016-07-13 西门子公司 病变的早期治疗反应评估
TWI667996B (zh) * 2018-03-23 2019-08-11 中國醫藥大學附設醫院 乳房腫瘤輔助檢測模型及乳房腫瘤輔助檢測系統

Also Published As

Publication number Publication date
TW202133112A (zh) 2021-09-01
JP2021133255A (ja) 2021-09-13
US20210272276A1 (en) 2021-09-02
JP7198300B2 (ja) 2022-12-28
US11475563B2 (en) 2022-10-18
CN113313667A (zh) 2021-08-27
EP3872758A1 (en) 2021-09-01

Similar Documents

Publication Publication Date Title
TWI743693B (zh) 良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體
US11727569B2 (en) Training a CNN with pseudo ground truth for CT artifact reduction
WO2018201632A1 (zh) 用于识别眼底图像病变的人工神经网络及系统
US10769477B2 (en) Method, apparatus, device and storage medium for extracting a cardiovisceral vessel from a CTA image
WO2020238043A1 (zh) 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质
WO2019201205A1 (zh) 一种确定肺结节密度的方法及装置
WO2021232320A1 (zh) 超声图像处理方法、系统及计算机可读存储介质
Gong et al. Retinamatch: Efficient template matching of retina images for teleophthalmology
JP2022164527A (ja) 医用画像による腫瘍検出及び診断装置
CN115115657A (zh) 病灶分割方法及装置、电子设备及存储介质
CN114332132A (zh) 图像分割方法、装置和计算机设备
US20220157472A1 (en) Method for enhancing an accuracy of a benign tumor development trend assessment system
Syed et al. A diagnosis model for detection and classification of diabetic retinopathy using deep learning
CN111938655A (zh) 基于关键点信息的眼眶软组织形态评价方法、系统及设备
Wen et al. Do noises bother human and neural networks in the same way? a medical image analysis perspective
WO2020198560A1 (en) Systems and methods for non-destructive de-identification of facial data in medical images
TWI830161B (zh) 腦部腫瘤種類自動判別系統、其伺服計算機裝置及計算機可讀取的儲存媒體
US12100140B2 (en) Information processing apparatus, information processing method, and information processing program
US20220245925A1 (en) Information processing apparatus, information processing method, and information processing program
US11055846B2 (en) Method for obtaining a fluorescent fundus image and a device thereof
US20220245797A1 (en) Information processing apparatus, information processing method, and information processing program
CN116385812B (zh) 图像分类方法及装置、电子设备及存储介质
Foeady et al. Diabetic Retinopathy: Identification and Classification using Different Kernel on Support Vector Machine
TWI825643B (zh) 醫療輔助資訊產生方法與醫療輔助資訊產生系統
US20220101983A1 (en) Image diagnosis supporting device and image processing method