TWI835768B - 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法 - Google Patents
用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法 Download PDFInfo
- Publication number
- TWI835768B TWI835768B TW108100563A TW108100563A TWI835768B TW I835768 B TWI835768 B TW I835768B TW 108100563 A TW108100563 A TW 108100563A TW 108100563 A TW108100563 A TW 108100563A TW I835768 B TWI835768 B TW I835768B
- Authority
- TW
- Taiwan
- Prior art keywords
- individual
- image
- volume
- anatomical
- processor
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 264
- 239000012217 radiopharmaceutical Substances 0.000 title claims abstract description 91
- 229940121896 radiopharmaceutical Drugs 0.000 title claims abstract description 91
- 230000002799 radiopharmaceutical effect Effects 0.000 title claims abstract description 91
- 238000003709 image segmentation Methods 0.000 title description 26
- 238000013528 artificial neural network Methods 0.000 title description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 82
- 210000001519 tissue Anatomy 0.000 claims description 336
- 210000002307 prostate Anatomy 0.000 claims description 314
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 192
- 238000013527 convolutional neural network Methods 0.000 claims description 168
- 238000003384 imaging method Methods 0.000 claims description 150
- 230000011218 segmentation Effects 0.000 claims description 142
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims description 107
- 206010060862 Prostate cancer Diseases 0.000 claims description 106
- 210000003205 muscle Anatomy 0.000 claims description 73
- 101000892862 Homo sapiens Glutamate carboxypeptidase 2 Proteins 0.000 claims description 71
- 102100041003 Glutamate carboxypeptidase 2 Human genes 0.000 claims description 70
- 210000004197 pelvis Anatomy 0.000 claims description 67
- 210000003484 anatomy Anatomy 0.000 claims description 56
- 210000003049 pelvic bone Anatomy 0.000 claims description 55
- 239000011230 binding agent Substances 0.000 claims description 54
- 230000015654 memory Effects 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 52
- 238000003908 quality control method Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 37
- 230000005855 radiation Effects 0.000 claims description 29
- 238000012552 review Methods 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 28
- 238000009206 nuclear medicine Methods 0.000 claims description 26
- 238000002600 positron emission tomography Methods 0.000 claims description 26
- 210000000664 rectum Anatomy 0.000 claims description 26
- 206010028980 Neoplasm Diseases 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 19
- 230000002452 interceptive effect Effects 0.000 claims description 17
- 238000009877 rendering Methods 0.000 claims description 13
- OLWVRJUNLXQDSP-RYUDHWBXSA-N (2s)-2-[[(1s)-1-carboxy-5-[(6-fluoropyridine-3-carbonyl)amino]pentyl]carbamoylamino]pentanedioic acid Chemical compound OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CCCCNC(=O)C1=CC=C(F)N=C1 OLWVRJUNLXQDSP-RYUDHWBXSA-N 0.000 claims description 8
- 239000013066 combination product Substances 0.000 claims description 8
- 229940127555 combination product Drugs 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 229920001481 poly(stearyl methacrylate) Polymers 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims 3
- 238000004195 computer-aided diagnosis Methods 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 35
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 35
- 210000000056 organ Anatomy 0.000 abstract description 25
- 238000004393 prognosis Methods 0.000 abstract description 6
- 238000011277 treatment modality Methods 0.000 abstract 1
- 238000002591 computed tomography Methods 0.000 description 263
- 230000000875 corresponding effect Effects 0.000 description 176
- 238000010801 machine learning Methods 0.000 description 76
- 238000012549 training Methods 0.000 description 56
- 230000002285 radioactive effect Effects 0.000 description 40
- 238000013473 artificial intelligence Methods 0.000 description 36
- 210000000988 bone and bone Anatomy 0.000 description 36
- 230000004807 localization Effects 0.000 description 31
- 230000035945 sensitivity Effects 0.000 description 31
- 210000001981 hip bone Anatomy 0.000 description 28
- 238000005259 measurement Methods 0.000 description 27
- 238000004891 communication Methods 0.000 description 24
- 239000012216 imaging agent Substances 0.000 description 24
- 238000010586 diagram Methods 0.000 description 23
- 238000007781 pre-processing Methods 0.000 description 23
- 210000001624 hip Anatomy 0.000 description 21
- 150000003839 salts Chemical class 0.000 description 21
- 238000013170 computed tomography imaging Methods 0.000 description 20
- 238000011156 evaluation Methods 0.000 description 20
- 238000010191 image analysis Methods 0.000 description 19
- 239000010949 copper Substances 0.000 description 17
- 238000013459 approach Methods 0.000 description 16
- 238000010200 validation analysis Methods 0.000 description 15
- 210000004872 soft tissue Anatomy 0.000 description 14
- 238000011282 treatment Methods 0.000 description 14
- 229910052751 metal Inorganic materials 0.000 description 13
- 239000002184 metal Substances 0.000 description 13
- 230000003993 interaction Effects 0.000 description 12
- FIHVIDKDARACGD-VABKMULXSA-N (2s)-2-[[(1s)-4-[[(1s)-5-[bis[[1-[2-[bis(carboxymethyl)amino]-2-oxoethyl]imidazol-2-yl]methyl]amino]-1-carboxypentyl]amino]-1-carboxy-4-oxobutyl]carbamoylamino]pentanedioic acid Chemical compound N=1C=CN(CC(=O)N(CC(O)=O)CC(O)=O)C=1CN(CCCC[C@H](NC(=O)CC[C@H](NC(=O)N[C@@H](CCC(=O)O)C(O)=O)C(O)=O)C(O)=O)CC1=NC=CN1CC(=O)N(CC(O)=O)CC(O)=O FIHVIDKDARACGD-VABKMULXSA-N 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 11
- 238000011472 radical prostatectomy Methods 0.000 description 11
- 238000012879 PET imaging Methods 0.000 description 10
- 201000011510 cancer Diseases 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 10
- 230000001629 suppression Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000001574 biopsy Methods 0.000 description 8
- 238000003703 image analysis method Methods 0.000 description 8
- 230000005764 inhibitory process Effects 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 8
- 210000003932 urinary bladder Anatomy 0.000 description 8
- 150000001875 compounds Chemical class 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000011002 quantification Methods 0.000 description 7
- 210000000115 thoracic cavity Anatomy 0.000 description 7
- 238000002604 ultrasonography Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 241000489861 Maximus Species 0.000 description 6
- 238000011511 automated evaluation Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 210000001165 lymph node Anatomy 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000007170 pathology Effects 0.000 description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 5
- GYHNNYVSQQEPJS-UHFFFAOYSA-N Gallium Chemical compound [Ga] GYHNNYVSQQEPJS-UHFFFAOYSA-N 0.000 description 5
- 229910052802 copper Inorganic materials 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 229910052733 gallium Inorganic materials 0.000 description 5
- 229910052738 indium Inorganic materials 0.000 description 5
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 5
- 102000005962 receptors Human genes 0.000 description 5
- 108020003175 receptors Proteins 0.000 description 5
- 150000003384 small molecules Chemical class 0.000 description 5
- 229910052727 yttrium Inorganic materials 0.000 description 5
- VWQVUPCCIRVNHF-UHFFFAOYSA-N yttrium atom Chemical compound [Y] VWQVUPCCIRVNHF-UHFFFAOYSA-N 0.000 description 5
- 108010037516 PSMA-617 Proteins 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 206010061289 metastatic neoplasm Diseases 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 239000010948 rhodium Substances 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- JBHPLHATEXGMQR-LFWIOBPJSA-N vipivotide tetraxetan Chemical compound OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](CC1=CC=C2C=CC=CC2=C1)NC(=O)[C@H]1CC[C@H](CNC(=O)CN2CCN(CC(O)=O)CCN(CC(O)=O)CCN(CC(O)=O)CC2)CC1)C(O)=O)C(O)=O JBHPLHATEXGMQR-LFWIOBPJSA-N 0.000 description 4
- 206010061728 Bone lesion Diseases 0.000 description 3
- 108010083158 PSMA-1007 Proteins 0.000 description 3
- 239000000427 antigen Substances 0.000 description 3
- 102000036639 antigens Human genes 0.000 description 3
- 108091007433 antigens Proteins 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 208000010658 metastatic prostate carcinoma Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229910052703 rhodium Inorganic materials 0.000 description 3
- MHOVAHRLVXNVSD-UHFFFAOYSA-N rhodium atom Chemical compound [Rh] MHOVAHRLVXNVSD-UHFFFAOYSA-N 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 229910052715 tantalum Inorganic materials 0.000 description 3
- GUVRBAGPIYLISA-UHFFFAOYSA-N tantalum atom Chemical compound [Ta] GUVRBAGPIYLISA-UHFFFAOYSA-N 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- IDTMSHGCAZPVLC-STUNTBJNSA-N (2s)-2-[[(1r)-1-carboxy-2-[(4-fluoranylphenyl)methylsulfanyl]ethyl]carbamoylamino]pentanedioic acid Chemical compound OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CSCC1=CC=C([18F])C=C1 IDTMSHGCAZPVLC-STUNTBJNSA-N 0.000 description 2
- XOJYSFPEJAILJZ-LCERUKBVSA-M (2s)-2-[[(1s)-4-[[(1s)-5-[bis[[1-[2-[bis(carboxymethyl)amino]-2-oxoethyl]imidazol-2-yl]methyl]amino]-1-carboxypentyl]amino]-1-carboxy-4-oxobutyl]carbamoylamino]pentanedioic acid;methanone;technetium-99(4+);chloride Chemical compound [Cl-].[99Tc+4].O=[CH-].O=[CH-].O=[CH-].N=1C=CN(CC(=O)N(CC(O)=O)CC(O)=O)C=1CN(CCCC[C@H](NC(=O)CC[C@H](NC(=O)N[C@@H](CCC(=O)O)C(O)=O)C(O)=O)C(O)=O)CC1=NC=CN1CC(=O)N(CC(O)=O)CC(O)=O XOJYSFPEJAILJZ-LCERUKBVSA-M 0.000 description 2
- WUAPFZMCVAUBPE-NJFSPNSNSA-N 188Re Chemical compound [188Re] WUAPFZMCVAUBPE-NJFSPNSNSA-N 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 2
- 239000003570 air Substances 0.000 description 2
- 230000007321 biological mechanism Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 210000001217 buttock Anatomy 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002255 enzymatic effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- AEBYHKKMCWUMKX-LNTZDJBBSA-K gallium (68Ga) gozetotide Chemical compound [68Ga+3].OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CCCCNC(=O)CCCCCNC(=O)CCC1=CC=C(O)C(CN(CCN(CC([O-])=O)CC=2C(=CC=C(CCC([O-])=O)C=2)O)CC([O-])=O)=C1 AEBYHKKMCWUMKX-LNTZDJBBSA-K 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001394 metastastic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 229910052702 rhenium Inorganic materials 0.000 description 2
- WUAPFZMCVAUBPE-UHFFFAOYSA-N rhenium atom Chemical compound [Re] WUAPFZMCVAUBPE-UHFFFAOYSA-N 0.000 description 2
- WUAPFZMCVAUBPE-IGMARMGPSA-N rhenium-186 Chemical compound [186Re] WUAPFZMCVAUBPE-IGMARMGPSA-N 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- RSTDSVVLNYFDHY-IOCOTODDSA-K 2-[4-[2-[[4-[[(2S)-1-[[(5S)-5-carboxy-5-[[(1S)-1,3-dicarboxypropyl]carbamoylamino]pentyl]amino]-3-naphthalen-2-yl-1-oxopropan-2-yl]carbamoyl]cyclohexyl]methylamino]-2-oxoethyl]-7,10-bis(carboxylatomethyl)-1,4,7,10-tetrazacyclododec-1-yl]acetate lutetium-177(3+) Chemical compound [177Lu+3].OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](Cc1ccc2ccccc2c1)NC(=O)C1CCC(CNC(=O)CN2CCN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC2)CC1)C(O)=O)C(O)=O RSTDSVVLNYFDHY-IOCOTODDSA-K 0.000 description 1
- 102100030310 5,6-dihydroxyindole-2-carboxylic acid oxidase Human genes 0.000 description 1
- 101710163881 5,6-dihydroxyindole-2-carboxylic acid oxidase Proteins 0.000 description 1
- 206010005033 Bladder dilatation Diseases 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 241000699800 Cricetinae Species 0.000 description 1
- 101150029707 ERBB2 gene Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 241000283086 Equidae Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 102000018697 Membrane Proteins Human genes 0.000 description 1
- 108010052285 Membrane Proteins Proteins 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- HWZUDASOMGNLSM-UHFFFAOYSA-N O=P1OCOP(=O)O1 Chemical compound O=P1OCOP(=O)O1 HWZUDASOMGNLSM-UHFFFAOYSA-N 0.000 description 1
- RFFFFGRYVZESLB-CXODGJKXSA-N OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](Cc1ccc2ccccc2c1)NC(=O)c1ccc(CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)c2ccc([18F])nc2)cc1)C(O)=O)C(O)=O Chemical compound OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](Cc1ccc2ccccc2c1)NC(=O)c1ccc(CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)c2ccc([18F])nc2)cc1)C(O)=O)C(O)=O RFFFFGRYVZESLB-CXODGJKXSA-N 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 241000288906 Primates Species 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 241000283984 Rodentia Species 0.000 description 1
- 101710173693 Short transient receptor potential channel 1 Proteins 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- LVTKHGUGBGNBPL-UHFFFAOYSA-N Trp-P-1 Chemical compound N1C2=CC=CC=C2C2=C1C(C)=C(N)N=C2C LVTKHGUGBGNBPL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 238000007469 bone scintigraphy Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- OEYIOHPDSNJKLS-UHFFFAOYSA-N choline Chemical compound C[N+](C)(C)CCO OEYIOHPDSNJKLS-UHFFFAOYSA-N 0.000 description 1
- 229960001231 choline Drugs 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000005574 cross-species transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 102000046689 human FOLH1 Human genes 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000001361 intraarterial administration Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 201000001441 melanoma Diseases 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 208000037819 metastatic cancer Diseases 0.000 description 1
- 208000011575 metastatic malignant neoplasm Diseases 0.000 description 1
- 229940102859 methylene diphosphonate Drugs 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000011164 ossification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 210000004129 prosencephalon Anatomy 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000016691 refractory malignant neoplasm Diseases 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- PUZPDOWCWNUUKD-UHFFFAOYSA-M sodium fluoride Chemical compound [F-].[Na+] PUZPDOWCWNUUKD-UHFFFAOYSA-M 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Abstract
本文提供用於自動化分析個體之三維(3D)醫學影像以自動地鑑別該等3D影像內對應於具體器官及/或組織之具體3D體積的系統及方法。在某些實施例中，一或多個該等體積之準確鑑別可用於測定量測特定器官及/或組織區域中放射性藥品之攝取的量化度量。該等攝取度量可用於評價個體之疾病狀態、測定個體之預後及/或測定治療方式之效能。
Description
本發明概言之係關於用於自動化分析及/或呈現醫學影像資料之方法、系統及架構。更具體而言，在某些實施例中，本發明係關於個體之影像內所關注之一或多個特定區域(例如對應於具體器官或組織)的自動化鑑別，以及該(等)區域內放射性藥品之攝取的測定，例如用於對疾病(例如前列腺癌)進行鑑別及/或分期。
靶向影像分析涉及使用放射標記之小分子，其結合至體內在疾病進化期間改變之具體受體、酶及蛋白質。在投與患者之後，該等分子在血液中循環直至找到其預期目標。結合之放射性藥品保留在疾病部位，而藥劑之其餘部分自身體清除。分子之放射性部分用作信標，使得可使用發現於世界各地之大多數醫院之通常可用之核醫學照相機(稱為單光子發射電腦化斷層攝影(SPECT)或正電子發射斷層攝影術(PET)照相機)來獲得繪示疾病位置及濃度的影像。然後醫師可使用此資訊來確定患者中疾病之存在及程度。醫師可使用此資訊以向患者提供推薦之療程並跟蹤疾病之進展。
存在多種基於軟體之分析技術可用於分析及增強可由放射師或醫師使用之PET及SPECT影像。亦存在多種放射性藥品可用於使特定種類之癌症成像。舉例而言，小分子診斷1404靶向前列腺特異性膜抗原(PSMA)之細胞外結構域，該PSMA係在＞95%之前列腺癌細胞表面上擴增之蛋白質且係用於檢測原發性及轉移性前列腺癌之驗證標靶。1404經鍀-99m標記，該鍀-99m係廣泛可用、相對便宜、有利於有效製備且具有對核醫學成像應用有吸引力之光譜特徵的γ-發射體同位素。
放射性藥品之另一實例係PyL™ (亦稱為[18
F]DCFPyL)，其係用於前列腺癌之臨床階段之氟化PSMA靶向之PET成像劑。公開在Journal of Molecular Imaging and Biology之2015年4月期刊上之概念驗證研究展現，利用PyL™之PET成像在推定之轉移疾病及原發性腫瘤之部位顯示高程度之PyL™攝取，此表明檢測前列腺癌具有高靈敏度及特異性之潛能。
腫瘤學家可使用來自患者之靶向PET或SPECT研究之影像作為其關於患者是否具有特定疾病(例如，前列腺癌)、疾病之哪個階段係明顯的、推薦的是什麼療程(若存在)、是否指示手術介入及可能預後之評價的輸入。腫瘤科醫生可在此評價中使用放射師報告。放射師報告係由放射師為請求成像研究之醫師準備之PET或SPECT影像之技術評估，且包括(例如)所實施之研究類型、病史、影像之間之比較、用於實施研究之技術、放射師之觀察及發現，以及放射師可能基於成像研究結果之所具有之總體印象及建議。簽署之放射師報告發送給排定研究之醫師用於醫生之審查，然後醫師與患者之間關於治療結果及建議進行討論。
因此，該過程涉及讓放射師對患者實施成像研究、分析所獲得之影像、創建放射師報告、將報告轉發給請求醫師、讓醫師制定評價及治療建議並讓醫師向患者傳達結果、建議及風險。該過程亦可涉及由於不確定之結果而重複成像研究、或基於初始結果排定進一步之測試。
若成像研究顯示患者具有特定疾病或病況(例如癌症)，則醫師討論各種治療選擇，包括手術，以及什麼都不做或採取觀察等待或主動監督方法而不進行手術之風險。
自醫師之角度及自患者之角度來看，存在與此過程相關之限制。儘管放射師之報告肯定係有幫助的，但醫師最終必須依靠其在為患者制定評價及建議方面之經驗。此外，患者必須給予其醫師極大信任。醫師可向患者顯示其PET/SPECT影像且可告訴患者與各種治療選擇相關之數字風險或特定預後之可能性，但患者可能很難理解此資訊。此外，患者之家人可能會有疑問，特別是若確診癌症但患者選擇不做手術。患者及/或其家庭成員可能在線搜索補充資訊，且可能關於診斷病況之風險被誤傳。困難的折磨可能會變得更具創傷性。
因此，仍然需要用於醫學成像研究之改良分析以及對患者之彼等結果、診斷、預後、治療建議及相關風險之傳達的系統及方法。
本文提供用於自動化分析個體之三維(3D)醫學影像以自動地鑑別該等3D影像內對應於具體器官及/或組織之具體3D體積的系統及方法。在某些實施例中，一或多個該等體積之準確鑑別用於自動地測定表示特定器官及/或組織區域中放射性藥品之攝取的量化度量。該等攝取度量可用於評價個體之疾病狀態、測定個體之預後及/或測定治療方式之效能。
值得注意的是，藉由鑑別醫學影像中之3D體積並以自動化方式測定攝取度量，本文所述之系統及方法為流線型醫學影像分析工作流程打開了大門，同時改良了結果之準確度、一致性及再現性。舉例而言，本文所述之影像分析技術之實施例可用於對患者之癌症狀態實施初始完全自動化評價。然後可由醫師審查完全自動化分析，醫師可(i)接受自動化評價或(ii)選擇在影像分析系統之指導下以半自動化方式調整參數。與不實施自動化3D分段或初始狀態評價之習用方法相比，此方法減少了醫師及/或支持技術人員準備及審查影像以最終作出診斷所需之努力。相反，在該等習用方法中，醫師及/或技術人員必須費力地逐片滾動3D影像，以人工鑑別所關注之兩個二維區域。除了耗時之外，該等習用方法很大程度上基於影像審查者(例如醫師及/或技術人員)之主觀判斷，且因此易於讀取器間或讀取器內可變性。相反，基於本文所述之影像分析工作流程、系統及方法之結果可以完全或半自動化方式獲得，其完全消除主觀可變性或顯著地減少主觀可變性。
舉例而言，本文所述之系統及方法可用於醫學影像之自動化分析以測定攝取度量，其提供個體之前列腺內放射性藥品(例如放射性核種標記之PSMA結合劑(例如99m
Tc-MIP-1404，例如[18
F]DCFPyL))之攝取的量化量測。該等攝取度量與評估個體內前列腺癌及/或前列腺癌嚴重程度/階段之患者風險相關。舉例而言，已發現，對於臨床上顯著之前列腺癌與臨床上不顯著之前列腺癌之自動化分類，可實現高靈敏度及特異性。
在某些實施例中，本文所述之影像分析方法利用針對個體獲得之3D解剖學及功能影像之組合。解剖影像(例如x射線電腦斷層攝影(CT)影像)提供詳細的解剖學/結構資訊。功能影像傳達與具體器官及組織內之生理活動(例如代謝、血流、區域化學組成及/或吸收)有關之資訊。尤其相關的是核醫學影像，例如單光子發射電腦斷層攝影(SPECT)及/或正電子發射斷層攝影術(PET)影像，其係藉由檢測自個體發射之輻射獲得且可用於推斷個體內投與之放射性藥品之空間分佈。
舉例而言，SPECT成像可用於評估放射性藥品9m
Tc-MIP-1404(其為經99m
Tc標記之1404)之攝取。在某些實施例中，為了評估個體之前列腺中之99m
Tc-MIP-1404攝取，獲得個體之CT影像及相應SPECT影像，使得CT影像之解剖學/結構資訊可與相應SPECT影像之功能資訊相關聯。通常使用單一多模態成像系統經由兩次單獨之掃描(例如，CT影像之第一次掃描及SPECT影像之第二次掃描)獲取CT及SPECT影像，使得個體在兩次掃描之持續時間內處於實質上固定之位置。以此方式，確立CT影像之體素與SPECT影像之體素之間之映射，且在CT影像內鑑別為對應於具體器官及/或組織區域之體積可用於鑑別SPECT影像中對應於彼等具體器官/及或組織區域之彼等體素。
因此，在某些實施例中，本文所述之影像分析方法利用卷積神經網路(CNN)來準確地鑑別CT影像內對應於個體之前列腺之前列腺體積。經鑑別之前列腺體積可用於鑑別SPECT影像中亦對應於個體之前列腺之彼等體素。因此，可使用對應於個體之前列腺之SPECT影像體素之強度來計算提供前列腺中成像劑(例如經標記之PSMA結合劑，例如99m
Tc-MIP-1404或[18
F]DCFPyL)之攝取之量測的攝取度量。然後，可將攝取度量轉化為個體是否具有前列腺癌之鑑別及/或個體具有前列腺癌之風險之量化、及/或疾病之分期(例如作為隨時間追蹤之疾病之一部分)，例如，其可由開業醫師用於建議治療選擇及/或監測所投與療法之效能。
本文闡述經由此多影像方法(即，3D解剖影像與3D功能影像之組合之分析)改良前列腺(或更廣泛地，所關注之特定器官或組織區域)中攝取度量之自動化量測的性能之各種進步。該等進步包括(例如) 3D解剖影像中定界框之自動化鑑別(例如，使用第一卷積神經網路，CNN)來鑑別前列腺所在之骨盆區域。
舉例而言，一組具有經鑑別之生理學(例如經鑑別之骨盆區域)之3D解剖影像用於訓練表示骨盆區域之邊界之點(例如立方形定界框之頂點)上之第一CNN，使得第一個CNN可用於在個體之3D解剖影像中自動鑑別骨盆區域。此提供了欲隨後處理(例如經由第二CNN)之3D解剖影像之更標準大小之初始體積區域用於初始體積區域內所關注區域的詳細分段-例如，其中定界框定界影像中對應於個體之前列腺及/或膀胱及/或直腸及/或臀肌肉之區域。然後，可自3D功能影像中映射至3D解剖影像之一或多個鑑別區域之部分測定成像劑攝取度量。注意，如本文所用「定界框」不一定是立方形，而是可具有其他形狀。在某些實施例中，定界框係立方形。
經由第一CNN對定界框之測定可使用比用於由第二CNN之定界框內前列腺及/或其他器官之分段明顯更不密集之解析度作為輸入。舉例而言，可經由第一CNN處理具有第一數量之體素(例如81 x 68 x 96體素)之全身3D解剖影像以找到定界框，然後第二CNN可處理對應於定界框區域但具有比第一數量之體素更密集之解析度(例如更多之體素(例如94 x 138 x 253體素))的影像。
例如在應用第二CNN (用於詳細分段)之前鑑別與手頭分析相關之3D解剖影像之一或多個部分之「定界框」方法藉由在更加計算密集之後續處理之前移除初始3D解剖影像之大部分提高了計算效率。此方法比在整個初始3D解剖影像上實施詳細之分段更有效，此乃因(例如)骨盆區域(例如，立方體定界框之頂點)之鑑別比前列腺、膀胱及/或所關注之其他組織之詳細分段更簡單。此方法不僅更計算有效，而且亦可導致更準確之後續處理，例如，第二CNN提供之更詳細之分段。此乃因(例如)在不同醫療機構使用不同機器獲得之3D解剖影像的大小可變(例如，其中可變大小意味著影像之體素數不同，及/或影像中表示之患者組織之體積不同)，且使用具有更標準化之影像體積大小並且所關注之器官及其他組織區域位於其中之3D解剖訓練影像的部分訓練第二CNN用於前列腺之自動化詳細分段產生更穩健、準確之分段。
本文所述經由此多影像方法(即，3D解剖影像與3D功能影像之組合之分析)改善前列腺(或更廣泛地，所關注之特定器官或組織區域)中攝取度量之自動化量測之性能的另一進步係準確鑑別除了前列腺之外之一或多個組織區域，且在測定(i)前列腺中之攝取度量及/或(ii)前列腺癌之鑑別及/或分期中，慮及彼等區域中之成像劑攝取。包含PSMA結合劑之某些成像劑在某些器官中具有高攝取，此可影響患病組織(例如前列腺癌)之鑑別。舉例而言，放射性核種標記之PSMA結合劑由膀胱攝取可導致3D功能影像散射，且可降低位於膀胱附近之前列腺中量測之成像劑強度的準確度。藉由訓練第二CNN用於詳細分段個體之前列腺及膀胱，可準確地自動說明瞭「洩放」或「串擾」效應及/或由膀胱攝取成像劑引起之其他效應。此外，藉由訓練第二CNN用於鑑別3D解剖影像中之參考區域(例如，臀肌肉)，可更準確地衡量/正規化成像劑強度量測並改良個體之前列腺中攝取量測的準確度及診斷值。
因此，在某些實施例中，本文所述之系統及方法利用兩個CNN模組之獨特組合，其中第一CNN模組鑑別CT影像內初始所關注體積(VOI)且第二CNN模組接收VOI作為輸入且鑑別其中之前列腺體積。如本文所述，此方法允許第二CNN模組在較小之輸入大小(例如VOI而非完全CT影像)上操作。可分配藉由以此方式減小輸入大小之計算資源(例如記憶體；例如，處理時間)的節省，以提高第二CNN模組之準確度及/或用於提高影像處理方法之速度。
在某些實施例中，本文所述之系統及方法與前列腺一起鑑別CT影像內之各種額外組織體積。舉例而言，除了前列腺外，可鑑別對應於個體之骨盆骨、膀胱、直腸及臀肌肉之額外組織體積。如本文所述，該等額外組織體積之鑑別可用於多種功能且賦予優於其他方法(例如二元分類方法)之優點，其中CT影像之體素鑑別為對應於前列腺或不對應於前列腺。具體而言，額外組織體積之鑑別可(例如) (i)改良CNN模組鑑別CT影像內前列腺體積之準確度，(ii)提供可用於計算攝取度量計算之正規化值之參考區域的鑑別，以及(iii)允許針對由(例如)放射性藥品在膀胱中之累積中產生之串擾校正對應於前列腺之SPECT影像體素之強度。
某些實施例中，本文所述之影像分析方法可用於分析各種解剖學及功能影像，且不限於CT及SPECT影像。舉例而言，正電子發射斷層攝影術(PET)係提供關於放射性藥品在個體內分佈之資訊的另一功能成像方式。與SPECT影像一樣，PET影像可與CT影像組合使用，以測定所關注之各種器官及組織區域之攝取度量。本文所述之方法亦可應用於各種所關注之器官及/或組織區域，例如骨、淋巴結、肝及肺。
因此，藉由快速且準確鑑別醫學影像之具體器官及組織區域，本文所述之系統及方法提供了攝取度量之準確且自動化測定，其提供個體內各種器官及組織區域內放射性藥品之攝取的量化量測。以此自動化方式測定之攝取度量為評價患者內之疾病風險、狀態及進展以及治療效能提供了有價值之工具。
在一態樣中，本發明係關於自動處理3D影像以鑑別3D影像內對應於個體之前列腺之3D體積並測定一或多個指示其中(即，前列腺中)之放射性藥品之攝取的攝取度量之方法，該方法包含：(a)由計算裝置之處理器接收使用解剖成像方式[例如，x射線電腦斷層攝影(CT) (例如全身CT影像；例如，身體局部CT影像)；例如，磁共振成像(MRI)；例如，3D超音波]獲得之個體之3D解剖影像，其中3D解剖影像包含個體內之組織(例如軟組織及/或骨)之圖形表示，其至少一部分對應於個體之骨盆區域；(b)由處理器接收使用功能成像方式[例如，單光子發射電腦斷層掃描攝影術(SPECT)；例如，正電子發射斷層攝影術(PET)]獲得之個體之3D功能影像，其中3D功能影像包含複數個體素，其各自表示個體內之特定物理體積且具有表示自特定物理體積發射之檢測輻射的強度值，其中3D功能影像之複數個體素之至少一部分表示個體之骨盆區域內之物理體積；(c)由處理器使用第一模組(例如第一機器學習模組)測定3D解剖影像內之初始關注體積(VOI)(例如平行六面體，例如，立方體)，初始VOI對應於個體之骨盆區域內之組織且排除個體之骨盆區域以外之組織(例如，其中VOI所排除之3D解剖影像之體素多於其所包括之體素；例如，其中VOI包括小於25%之3D解剖影像之體素；例如，其中VOI內之大多數體素表示個體之骨盆區域內之物理體積)；(d)由處理器使用第二模組(例如第二機器學習模組)鑑別初始VOI內對應於個體之前列腺之前列腺體積；及(e)由處理器使用3D功能影像及在3D解剖影像之初始VOI內經鑑別之前列腺體積測定(例如，並展示)一或多個攝取度量[例如，基於對應於3D解剖影像之初始VOI內經鑑別之前列腺體積的3D功能影像之體素的強度值計算個體之前列腺中放射性藥品的數量；例如，計算表示由個體之前列腺佔據之物理體積的3D功能影像之體素之強度的總和(加權總和)、平均值及/或最大值] [例如，其中一或多個攝取度量包含腫瘤對背景比率(TBR)值及/或其中該方法包含至少部分基於TBR值確定(例如，並展示)(i)臨床上顯著或(ii)臨床上不顯著之前列腺癌分類狀態]。
在某些實施例中，第一模組接收3D解剖影像作為輸入並輸出複數個表示3D解剖影像內之矩形體積的相對角之座標值(例如，表示矩形體積之相對角的兩組座標值)。
在某些實施例中，步驟(c)包含使用第一模組測定3D骨盆骨遮罩，其鑑別3D解剖學影像內對應於個體之骨盆骨(例如，骶骨、尾骨、左髖骨及右髖骨中之一或多者(高達全部))之體積。
在某些實施例中，第一模組係卷積神經網路(CNN)模組(例如利用一或多個卷積層之神經網路模組)。
在某些實施例中，步驟(d)包含使用第二模組來鑑別3D解剖影像內之一或多個額外組織體積，每一體積對應於個體內之具體組織區域，其中一或多個額外組織體積對應於選自由以下組成之群之一或多個具體組織區域：骨盆骨(例如，骶骨；例如，尾骨；例如，左髖骨；例如，右髖骨)；個體之膀胱；個體之直腸；及個體之臀肌肉(例如左臀肌肉；例如，右臀肌肉)。
在某些實施例中，步驟(d)包含使用第二模組以將初始VOI內之每一體素分類為對應個體內一組(預定)不同組織區域之特定組織區域{例如，該組包含前列腺及視情況一或多個額外組織區域[例如，個體之骨盆骨(例如骶骨；例如，尾骨；例如，左髖骨；例如，右髖骨)；個體之膀胱；個體之直腸；及臀肌肉(例如左臀肌肉；例如，右臀肌肉]}。在某些實施例中，對初始VOI內之每一體素進行分類包含：經由第二模組測定初始VOI內之複數個體素中之每一者的一組可能性值，其中該組可能性值包含組織區域組之一或多個組織區域中之每一者之相應可能性值，其表示體素表示組織區域內之物理體積的可能性(例如如藉由第二模組計算)；且對於初始VOI內之複數個體素中之每一者，基於針對體素測定之該組可能性值，將體素分類為對應於特定組織區域。第二模組接收初始VOI (例如整個初始VOI)作為輸入並輸出包含針對初始VOI內每一體素之如下(i)、(ii)及(iii)中之至少一者的複數個值：(i)對體素進行分類之值[例如，將體素分類為對應於具體組織區域，例如，選自預定組之不同組織區域之區域，例如，個體之前列腺；例如，個體之骨盆骨(例如骶骨；例如，尾骨；例如，左髖骨；例如，右髖骨)；個體之膀胱；個體之直腸；及個體之臀肌肉(例如左臀肌肉；例如，右臀肌肉)]；(ii)體素之一組可能性值[例如，體素對應於具體組織區域之可能性，例如選自預定組之不同組織區域之區域，例如，個體之前列腺；例如，個體之骨盆骨(例如骶骨；例如，尾骨；例如，左髖骨；例如，右髖骨)；個體之膀胱；個體之直腸；及個體之臀肌肉(例如左臀肌肉；例如，右臀肌肉)]；及(iii)將體素鑑別為不對應於(例如或可能不對應於，或將體素鑑別為不對應於之可能性)任何預定組之不同組織區域(例如將體素鑑別為對應於或可能對應於背景區域，或體素對應背景區域之可能性，例如，該背景區域不具有診斷意義)的值(例如使得第二模組在一輪中而非對每一體素一次一個地操作來分類及/或計算整個VOI之可能性值)。在某些實施例中，(預定)組之不同組織區域包含選自由以下組成之群之一或多個組織區域：個體之前列腺；個體之骨盆骨(例如骶骨；例如，尾骨；例如，左髖骨；例如，右髖骨)；個體之膀胱；個體之直腸；及個體之臀肌肉(例如左臀肌肉；例如，右臀肌肉)。
在某些實施例中，步驟(d)包含使用第二模組來鑑別一組一或多個基礎組織體積，一或多個基礎組織體積包含經鑑別之前列腺體積及一或多個額外組織體積，且其中該方法進一步包含：由處理器使用一或多個輔助模組(例如輔助機器學習模組)鑑別3D解剖影像內之一或多個輔助組織體積，每一輔助組織體積對應於{例如，表示相同具體組織區域[例如，個體之前列腺；例如，個體之骨盆骨(例如骶骨；例如，尾骨；例如，左髖骨；例如，右髖骨)；個體之膀胱；個體之直腸；及個體之臀肌肉(例如左臀肌肉；例如，右臀肌肉)]為}藉由第二模組鑑別之基礎組織體積；及由處理器合併每一輔助組織體積與藉由第二模組鑑別之相應基礎組織體積(例如藉由納入初始基礎組織體積中不包括之相應輔助組織體積的部分添加至相應基礎組織體積)。
在某些實施例中，該方法包含：由處理器(例如使用第二模組)鑑別3D解剖影像內(例如初始VOI內)之參考體積，參考體積對應於個體內之參考組織區域(例如臀肌肉)；在步驟(e)中，使用3D功能影像及3D解剖影像內經鑑別之參考體積來測定一或多個攝取度量中之至少一者(例如，3D功能影像中對應於3D解剖影像內經鑑別之參考體積的體素之強度值計算正規化值)。在某些實施例中，使用3D功能影像及參考體積測定之一或多個攝取度量中之至少一者包含腫瘤對背景比率(TBR)值，其中測定TBR值包含：使用3D功能影像中對應於3D解剖影像之初始VOI內經鑑別之前列腺體積的一或多個體素的強度值測定靶強度值(例如其中靶強度值係3D功能影像中對應於前列腺體積之體素之強度的最大值)；使用3D功能影像中對應於3D解剖影像內經鑑別之參考體積的一或多個體素之強度值測定背景強度值[例如，其中背景強度值係3D功能影像中對應於經鑑別之參考體積的複數種(例如全部)體素的平均強度]；及將靶強度值對背景強度值之比率測定為TBR值。在某些實施例中，該方法包含基於TBR值與一或多個臨限值(例如預定臨限值)比較測定個體之前列腺癌狀態。在某些實施例中，使用複數個參考TBR值測定一或多個臨限值[例如，每一參考TBR值係自相應組之參考影像(例如參考3D解剖影像及參考3D功能影像；例如，CT/SPECT影像組)測定]，每一參考TBR值與特定分類前列腺癌狀態(例如由開業醫師分配)相關[例如，測定參考TBR值所測定之同一個體的格裡森(Gleason)等級(例如基於根治性前列腺切除術之組織病理學)。在某些實施例中，使用接收者操作特徵(ROC)曲線[例如，使用曲線下面積(AUC)分析；例如，以提供具體靈敏度值及/或具體特異性值]測定一或多個臨限值。在某些實施例中，一或多個臨限值包含複數個臨限值，使得將TBR值與複數個臨限值進行比較以在非二元量表上確定前列腺癌狀態為之程度[例如，該量表具有三個或更多個程度(例如明確負的、可能負的、可能正的、明確正的)](例如其中每一臨限值與平均格裡森評分相關)。在某些實施例中，該方法包含將個體之前列腺癌狀態確定為(i)若TBR值高於截止臨限值，則臨床上顯著；或(ii)若TBR值低於截止臨限值，則臨床上不顯著。
在某些實施例中，該方法包含由處理器(例如使用第二模組)鑑別3D解剖影像內(例如初始VOI內)對應於個體之膀胱的膀胱體積；及在步驟(e)中，使用3D功能影像中對應於3D解剖影像內經鑑別之膀胱體積的體素的強度校正膀胱之串擾(例如散射及/或部分體積效應，經由其，膀胱中之放射性藥品之攝取影響3D功能影像中表示前列腺內之物理體積的體素之強度值) [例如，藉由基於其與經鑑別之膀胱體積及/或膀胱攝取之接近度調整3D功能影像中對應於前列腺體積之體素的強度(例如，基於3D功能影像中對應於膀胱體積之體素的強度測定)；例如，藉由使用3D功能影像之體素的強度以確立膀胱之輻射散射模型及基於該模型調整3D功能影像之體素的強度]。在某些實施例中，校正來自膀胱之串擾包含：測定一或多個膀胱強度洩放函數，該等函數對來自個體之膀胱內之放射性藥品之強度對3D功能影像之一或多個體素的強度的貢獻進行建模，該一或多個體素對應於在經鑑別之膀胱體積之外之3D解剖影像之一或多個區域，其中一或多個膀胱強度洩放函數將該貢獻模型化為距經鑑別之膀胱體積之距離的函數[例如，其中一或多個膀胱強度洩放函數中之每一者對沿著特定方向之強度洩放進行建模且係藉由將模板函數(例如，n次多項式)擬合至對應於3D解剖影像內經鑑別之膀胱體積之3D功能影像的體素之強度並沿特定方向橫放來獲得]；及對於對應於3D解剖影像內經鑑別之前列腺體積之3D功能影像的一或多個體素中之每一者，使用一或多個膀胱強度洩放函數針對膀胱串擾調整體素之強度[例如，藉由評估一或多個膀胱強度洩放函數來測定體素之膀胱強度洩放值並自體素之強度中減去膀胱強度洩放值以獲得校正之體素強度]。
在某些實施例中，該方法包含：由處理器(例如使用第二模組)鑑別3D解剖影像內(例如初始VOI)內對應於個體之膀胱之膀胱體積；由處理器藉由對經鑑別之膀胱體積施加形態擴張操作測定擴張之膀胱體積；及在步驟(e)中，使用3D功能影像之體素之強度值測定一或多個攝取度量，該等體素之強度值(i) 對應於3D解剖影像之VOI內經鑑別之前列腺體積，但(ii) 不對應於擴張之膀胱體積內3D解剖影像之區域(例如藉此自一或多個攝取度量之計算省略3D功能影像中對應於距經鑑別之膀胱體積預定距離內之3D解剖影像中的位置的彼等體素；例如且因此，過度接近經鑑別之膀胱體積)。
在某些實施例中，3D功能影像係在向個體投與放射性藥品後個體之核醫學影像(例如單光子發射電腦化斷層攝影(SPECT)掃描；例如，正電子發射斷層攝影術(PET)掃描)。在某些實施例中，放射性藥品包含PSMA結合劑(例如99m
Tc-MIP-1404；例如，[18
F]DCFPyL)。在某些實施例中，核醫學影像係在向個體投與放射性藥品後獲得之個體之單光子發射電腦化斷層攝影(SPECT)掃描。在某些實施例中，放射性藥品包含99m
Tc-MIP-1404。
在某些實施例中，該方法包含基於一或多個攝取度量之至少一部分測定個體之一或多個診斷或預後值[例如，提供個體之疾病狀態、進展、預期壽命(例如總體存活)、治療效能及諸如此類之量測的值(例如格裡森評分)]。在某些實施例中，測定一或多個診斷或預後值中之至少一者包含將攝取度量與一或多個臨限值進行比較。在某些實施例中，一或多個診斷或預後值中之至少一者估計個體中臨床上顯著之前列腺癌之風險。
在某些實施例中，該方法包含：(f)由處理器引起互動式圖形使用者介面(GUI)之展示，以向使用者呈現3D解剖影像及/或3D功能影像之視覺表示；及(g)由處理器在GUI內引起3D解剖影像及/或3D功能影像作為可選擇及可重疊之層的圖形重現，使得可選擇任一者用於展示(例如經由相應使用者可選之圖形控制元件(例如切換元件))並單獨重現，或選擇二者用於展示且藉由將3D解剖影像與3D功能影像疊加而一起重現。在某些實施例中，步驟(g)包含引起包含3D解剖影像內一或多個經鑑別之具體組織體積之可選擇及可重疊之分段層的圖形重現，其中在選擇分段層用於展示時，表示一或多個具體組織體積之圖形疊加在3D解剖影像及/或3D功能影像上(例如作為輪廓；例如，作為半透明顏色編碼之體積)。在某些實施例中，一或多個具體組織體積包含經鑑別之前列腺體積。在某些實施例中，該方法包含在步驟(g)，使3D解剖影像及/或3D功能影像之2D橫斷面圖在互動式2D觀看器內重現，使得2D橫斷面圖之位置可由使用者調整。在某些實施例中，該方法包含在步驟(g)，使得重現3D解剖影像及/或3D功能影像之互動式(例如可旋轉的；例如，可切片的) 3D視圖。在某些實施例中，該方法包含在GUI內展示圖形元件(例如十字準線、標靶、彩色標記等)，其指示對應於經鑑別之前列腺體積之體素的位置(例如該位置亦對應於與對應於經鑑別之前列腺體積之3D功能影像之其他體素相比具有最大強度(例如最大校正強度)的3D功能影像之體素)，藉此促進方法之使用者審查及/或品質控制(例如允許開業醫師檢驗對應於個體之前列腺之預計物理位置的鑑別位置)。在某些實施例中，該方法包含在GUI內展示表示步驟(e)中測定之一或多個攝取度量(例如及視情況自其測定之一或多個預後值)的文本及/或圖形，以及用於引導使用者經由品質控制及報告工作流程用於審查及/或更新一或多個攝取度量的品質控制圖形介面控件(例如其中品質控制圖形介面控件包含用於接收使用者輸入之可選擇圖形控制元件，該使用者輸入對應於(i) 由處理器自動核准如所測定之一或多個攝取度量，或(ii) 不核准一或多個攝取度量之自動化測定)。在某些實施例中，該方法包含：經由品質控制圖形介面控件接收使用者輸入，該使用者輸入對應於核准一或多個攝取度量(例如及自其測定之任何預後值)之自動化測定；且因應對應於核准一或多個攝取度量之自動化測定之使用者輸入的接收，由處理器生成針對個體之包含一或多個自動測定之攝取度量之表示的報告[例如，該報告包含：個體之鑑別(例如匿名患者ID號)；一或多個測定之攝取度量(例如及自其測定之任何預後值)的表示(例如文本)；及使用者核准自動化測定一或多個攝取度量(例如及自其測定之任何預後值)的表示(例如圖形及/或文本)]。
在某些實施例中，該方法包含：經由品質控制圖形介面控件接收對應於不核准一或多個攝取度量(例如及自其測定之任何預後值)之自動化測定的使用者輸入；因應對應於不核准一或多個攝取度量之自動化測定的使用者輸入的接收，由處理器展示體素選擇圖形元件(例如標；例如，可調整之十字準線)用於使用者選擇3D功能影像之一或多個體素(例如直接或間接，例如經由選擇3D解剖影像之體素及隨後測定3D功能影像之相應體素)用於測定一或多個攝取度量之更新值；經由體素選擇圖形元件接收3D功能影像之一或多個體素的使用者選擇用於測定一或多個攝取度量之更新值[例如，其中使用者選擇係一或多個校正之背景強度量測位置及/或一或多個校正之前列腺強度位置，例如，其中使用者優先於前列腺位置之自動化鑑別及/或其中使用者優先於背景區域(例如臀肌肉)之位置之自動化鑑別]；由處理器使用使用者選擇之體素更新一或多個攝取度量之值；及由處理器生成針對個體之包含一或多個更新之攝取度量之表示的報告[例如，該報告包含：個體之鑑別(例如匿名患者ID號)；一或多個測定之攝取度量(例如及自其測定之任何預後值)的表示(例如文本)；及使用使用者選擇之體素之使用者核准自動化測定一或多個攝取度量(例如及自其測定之任何預後值)的表示(例如圖形及/或文本)] (例如指示攝取度量係經由半自動化分析測定的文本，且自使用者人工選擇體素)]。
在某些實施例中，該方法包含：經由品質控制圖形介面控件接收對應於不核准一或多個攝取度量(例如及自其測定之任何預後值)之自動化測定的使用者輸入；經由品質控制圖形介面控件接收對應於拒絕品質控制(例如由於低影像品質)的使用者輸入；及由處理器生成針對個體之報告，其中該報告包含對拒絕品質控制之鑑別。
在某些實施例中，3D功能影像之體素經由已知關係與3D解剖影像之體素相關[例如，3D功能影像之每一體素與3D解剖影像之一或多個體素相關聯；例如，3D功能影像之一或多個體素之複數個組中的每一者與3D解剖影像之一組一或多個體素相關聯；例如，與3D功能影像之體素相關聯之座標經由已知函數關係(例如經由第一及第二成像方式之間之已知空間關係)與解剖學3D影像之體素相關聯之座標相關。
在某些實施例中，第一模組係第一CNN (卷積神經網路)模組且第二模組係第二CNN模組，其中第一CNN模組包含之卷積濾波器的數量比第二CNN模組大(例如多達至少1.5倍，例如多達至少兩倍，例如多達約兩倍，例如多達至少三倍，例如多達約三倍)。
在某些實施例中，該方法包含對於複數個3D解剖影像中之每一者實施步驟(a)及(c)，以測定複數個初始VOI，各自在複數個3D解剖影像中之一者內，其中初始VOI之大小可變性小於(例如實質上小於)3D解剖影像之大小可變性(例如其中「大小」之可變性意味著如下(i)及(ii)中之任一者或二者：(i) 影像中表示之解剖學體積之一或多個維度的可變性，例如，如以mm量測，及(ii) 沿著影像之一或多個維度中之每一者之影像中體素數量的可變性) (例如其中3D解剖影像(測定每一VOI之每一完全影像)之大小沿著一或多個維度中之每一者變化至少200 mm、及/或至少300 mm、及/或至少400 mm、及/或至少500 mm、及/或多達400 mm、及/或多達500 mm、及/或多達1000 mm、及/或多達1500 mm)；例如，其中3D解剖影像(測定每一VOI之每一完全影像)之大小沿著一或多個維度中之每一者變化至少25個體素、及/或至少50個體素、及/或至少100個體素、及/或至少250個體素、及/或至少300個體素、及/或多達250個體素、及/或多達300個體素、及/或多達500個體素)；例如，其中VOI之大小沿著一或多個維度中之每一者變化小於或等於200 mm (例如小於或等於100 mm；例如，小於或等於50 mm)；例如其中VOI之大小沿著一或多個維度中之每一者變化小於或等於250個體素(例如小於或等於200個體素；例如，小於或等於150個體素)]。
在某些實施例中，第一模組係接收具有第一解析度之3D解剖影像之降低取樣版本(例如3D解剖影像之低解析度版本)作為輸入並對其進行操作之CNN模組，且其中第二模組係接收裁剪至初始VOI並具有第二解析度的3D解剖影像之高解析度版本作為輸入並對其進行操作之CNN模組，第二解析度高於第一解析度(例如至少高2倍；例如，至少高4倍；例如，至少高8倍)。在某些實施例中，第一模組接收3D解剖影像之至少一部分作為輸入，且其中由第一模組之輸入表示之物理體積(i)為由初始VOI表示之物理體積的至少2倍(例如3倍；例如，8倍)及/或(ii)在至少一個維度上為由初始VOI表示之物理體積的2倍(例如4倍；例如，8倍)。
在某些實施例中，第一模組係經訓練以鑑別3D解剖影像內骨盆區域之圖形表示的CNN模組且其中第二模組係經訓練以鑑別3D解剖影像內前列腺組織之圖形表示的CNN模組。
在另一態樣中，本發明係關於如下方法：自動處理3D影像以鑑別3D影像內對應於個體之標靶組織區域之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量，該方法包含：(a)由計算裝置之處理器接收使用解剖學成像方式[例如，x射線電腦斷層攝影(CT)；例如，磁共振成像(MRI)；例如，超音]獲得之個體之3D解剖影像，其中3D解剖影像包含個體之特定解剖學區域(例如有關組織之特定組，例如骨盆區域、胸區域、頭及/或頸區域及諸如此類)內組織(例如軟組織及/或骨)的圖形表示，特定解剖學區域包含標靶組織區域；(b)由處理器接收使用功能成像方式[例如，單光子發射電腦斷層掃描攝影術(SPECT)；例如，正電子發射斷層攝影術(PET)]獲得之個體之3D功能影像，其中3D功能影像包含複數個體素，其各自表示個體內之特定物理體積且具有表示自特定物理體積發射之檢測輻射的強度值，其中3D功能影像之複數個體素之至少一部分表示個體之特定解剖學區域內之物理體積；(c)由處理器使用第一模組(例如第一機器學習模組)測定3D解剖影像內之初始關注體積(VOI) (例如矩形稜鏡)，初始VOI對應於包含標靶組織區域之特定解剖學區域(例如一組有關組織，例如骨盆區域、胸區域、頭及/或頸區域及諸如此類) (例如，其中VOI所排除之3D解剖影像之體素多於其所包括之體素；例如，其中VOI包括小於25%之3D解剖影像之體素；例如，其中VOI內之大多數體素表示特定解剖學區域內之物理體積；(d)由處理器使用第二模組(例如第二機器學習模組)鑑別初始VOI內對應於個體之標靶組織區域之靶體積；及(e)由處理器使用3D功能影像及在3D解剖影像之VOI內經鑑別之靶體積測定一或多個攝取度量[例如，基於對應於3D解剖影像之VOI內經鑑別之靶體積的3D功能影像之體素的強度值計算個體之標靶組織區域中放射性藥品的數量；例如，計算表示由個體之標靶組織區域佔據之物理體積的3D功能影像之體素之強度的總和(加權總和)、平均值及/或最大值]。
在某些實施例中，該方法具有段落[0026]-[0044]中明確表達之一或多個特徵。
在另一態樣中，本發明係關於自動分析3D功能影像[例如，核醫學影像(例如SPECT影像；例如，PET影像)]以針對來自放射性藥品攝取進入膀胱之串擾校正前列腺體素強度的方法，該方法包含：(a) 由計算裝置之處理器接收使用解剖學成像方式[例如，x射線電腦斷層攝影(CT)；例如，磁共振成像(MRI)；例如，3D超音]獲得之個體之3D解剖影像，其中3D解剖影像包含個體內組織(例如軟組織及/或骨)之圖形表示，其至少一部分對應於個體之膀胱及前列腺；(b) 由處理器接收個體之3D功能影像，其中3D功能影像包含複數個體素，其各自表示個體內之特定物理體積且具有表示自特定物理體積發射之檢測輻射的強度值，其中3D功能影像之複數個體素之至少一部分表示個體之膀胱及/或前列腺內之物理體積；(c) 由處理器在3D解剖影像內自動鑑別：(i) 對應於個體之前列腺之前列腺體積及(ii) 對應於個體之膀胱之膀胱體積；(d) 由處理器在3D功能影像內自動鑑別：(i) 對應於經鑑別之前列腺體積之複數個前列腺體素及(ii) 對應於經鑑別之膀胱體積之複數個膀胱體素；(e) 由處理器基於膀胱體素之一或多個量測之強度(例如對應於經鑑別之膀胱體積及/或對應於經鑑別之膀胱體積中之每一及/或累積複數個區域的強度之一或多個累積量測及/或峰量測及/或平均量測及/或中值量測)調整前列腺體素之一或多個量測之強度(例如對應於經鑑別之前列腺體積及/或對應於經鑑別之前列腺體積中之每一及/或累積複數個區域的強度之一或多個累積量測及/或峰量測及/或平均量測及/或中值量測)；及(f) 由處理器使用前列腺體素之調整強度測定指示個體之前列腺內放射性藥品之攝取的一或多個攝取度量。
在某些實施例中，該方法具有段落[0026]-[0044]中明確表達之一或多個特徵。
在另一態樣中，本發明係關於基於個體之一部分之3D功能影像(例如SPECT影像)的自動化分析檢測個體之前列腺癌狀態及/或量化前列腺癌風險的方法，該方法包含：(a) 在向個體投與包含PSMA結合劑之放射性藥品後獲取3D功能影像(例如SPECT影像)；(b) 由計算裝置之處理器鑑別3D功能影像內之3D靶體積，3D靶體積對應於個體之前列腺；(c) 由處理器使用3D靶體積之體素之強度測定標靶對背景比率(TBR)值；及(d) 由處理器引起表示測定之TBR值之文本及/或圖形的圖形呈現以在互動式圖形使用者介面(GUI)內展示[例如，其中該方法包含至少部分基於TBR值確定(例如，並展示)(i) 臨床上顯著(ii) 臨床上不顯著之前列腺癌分類狀態]。
在某些實施例中，該方法具有段落[0024]-[0044]中明確表達之一或多個特徵。
在另一態樣中，本發明係關於用於自動處理3D影像以鑑別3D影像內對應於個體之前列腺之3D體積及測定一或多個指示其中(即，前列腺中)之放射性藥品之攝取之攝取度量的系統，該系統包含：處理器；及其上儲存有指令之記憶體(例如在處理器外部或嵌入其中)，其中該等指令在由處理器執行時引起處理器：(a) 接收使用解剖學成像方式[例如，x射線電腦斷層攝影(CT) (例如全身CT影像；例如，身體局部CT影像)；例如，磁共振成像(MRI)；例如，3D超音]獲得之個體之3D解剖影像，其中3D解剖影像包含個體內組織(例如軟組織及/或骨)之圖形表示，其至少一部分對應於個體之骨盆區域；(b) 接收使用功能成像方式[例如，單光子發射電腦斷層掃描攝影術(SPECT)；例如，正電子發射斷層攝影術(PET)]獲得之個體之3D功能影像，其中3D功能影像包含複數個體素，其各自表示個體內之特定物理體積且具有表示自特定物理體積發射之檢測之輻射的強度值，其中3D功能影像之複數個體素之至少一部分表示個體之骨盆區域內之物理體積；(c)使用第一模組(例如第一機器學習模組)測定3D解剖影像內之初始關注體積(VOI)(例如平行六面體，例如，立方形)，初始VOI對應於個體之骨盆區域內之組織且排除個體之骨盆區域以外之組織(例如，其中VOI所排除之3D解剖影像之體素多於其所包括之體素；例如，其中VOI包括小於25%之3D解剖影像之體素；例如，其中VOI內之大多數體素表示個體之骨盆區域內之物理體積；(d)使用第二模組(例如第二機器學習模組)鑑別初始VOI內對應於個體之前列腺之前列腺體積；及(e)使用3D功能影像及在3D解剖影像之初始VOI內經鑑別之前列腺體積測定(例如，並展示)一或多個攝取度量[例如，基於對應於3D解剖影像之初始VOI內經鑑別之前列腺體積的3D功能影像之體素的強度值計算個體之前列腺中放射性藥品的數量；例如，計算表示由個體之前列腺佔據之物理體積的3D功能影像之體素之強度的總和(加權總和)及/或平均值及/或最大值] [例如，其中一或多個攝取度量包含腫瘤對背景比率(TBR)值，且其中該等指令在由處理器執行時引起處理器確定(例如，並展示) (i)臨床上顯著或(ii)臨床上不顯著之前列腺癌分類狀態]。
在某些實施例中，該系統具有段落[0026]-[0044]中明確表達之一或多個特徵。
在另一態樣中，本發明係關於用於自動處理3D影像以鑑別3D影像內對應於個體之標靶組織區域之3D體積及測定一或多個指示其中(即，標靶組織區域中)之放射性藥品之攝取之攝取度量的系統，該系統包含：處理器；及其上儲存有指令之記憶體(例如在處理器外部或嵌入其中)，其中該等指令在由處理器執行時引起處理器：(a) 接收使用解剖學成像方式[例如，x射線電腦斷層攝影(CT)；例如，磁共振成像(MRI)；例如，3D超音]獲得之個體之3D解剖影像，其中3D解剖影像包含個體之特定解剖學區域(例如有關組織之特定組，例如骨盆區域、胸區域、頭及/或頸區域及諸如此類)內組織(例如軟組織及/或骨)的圖形表示，特定解剖學區域包含標靶組織區域；(b)接收使用功能成像方式[例如，單光子發射電腦斷層掃描攝影術(SPECT)；例如，正電子發射斷層攝影術(PET)]獲得之個體之3D功能影像，其中3D功能影像包含複數個體素，其各自表示個體內之特定物理體積且具有表示自特定物理體積發射之檢測輻射的強度值，其中3D功能影像之複數個體素之至少一部分表示個體之特定解剖學區域內之物理體積；(c)使用第一模組(例如第一機器學習模組)測定3D解剖影像內之初始關注體積(VOI) (例如矩形稜鏡)，初始VOI對應於包含標靶組織區域之特定解剖學區域(例如一組有關組織，例如骨盆區域、胸區域、頭及/或頸區域及諸如此類) (例如，其中VOI所排除之3D解剖影像之體素多於其所包括之體素；例如，其中VOI包括小於25%之3D解剖影像之體素；例如，其中VOI內之大多數體素表示特定解剖學區域內之物理體積；(d)使用第二模組(例如第二機器學習模組)鑑別初始VOI內對應於個體之標靶組織區域之靶體積；及(e)使用3D功能影像及在3D解剖影像之VOI內經鑑別之靶體積測定一或多個攝取度量[例如，基於對應於3D解剖影像之VOI內經鑑別之靶體積的3D功能影像之體素的強度值計算個體之標靶組織區域中放射性藥品的數量；例如，計算表示由個體之標靶組織區域佔據之物理體積的3D功能影像之體素之強度的總和(加權總共和)及/或平均值及/或最大值] [例如，其中一或多個攝取度量包含腫瘤對背景比率(TBR)值，且其中該等指令在由處理器執行時引起處理器至少部分基於TBR值確定(例如，並展示) (i)臨床上顯著或(ii)臨床上不顯著之癌症分類狀態]。
在某些實施例中，該系統具有段落[0026]-[0044]中明確表達之一或多個特徵。
在另一態樣中，本發明係關於基於個體之一部分之3D功能影像(例如SPECT影像)的自動化分析檢測個體之前列腺癌狀態及/或量化前列腺癌風險的系統，該系統包含：處理器；及其上儲存有指令之記憶體(例如在處理器外部或嵌入其中)，其中該等指令在由處理器執行時引起處理器：(a) 在向個體投與包含PSMA結合劑之放射性藥品後獲取個體之部分(例如任何或全部)之3D功能影像(例如SPECT影像)；(b) 鑑別3D功能影像內之3D靶體積，3D靶體積對應於個體之前列腺；(c) 使用3D靶體積之體素之強度測定標靶對背景比率(TBR)值；及(d) 引起表示測定之TBR值之文本及/或圖形的圖形重現用於在互動式圖形使用者介面(GUI)內展示[例如，其中該等指令在由處理器執行時引起處理器至少部分基於TBR值確定(例如且展示)前列腺癌分類狀態為(i)臨床上顯著或(ii)臨床上不顯著]。
在某些實施例中，該系統具有段落[0026]-[0044]中明確表達之一或多個特徵。
在某些實施例中，本發明係關於包含本文所述系統中之任一者之電腦輔助檢測(CADe)裝置。在某些實施例中，該等指令引起處理器鑑別個體分類為臨床上顯著之前列腺癌或臨床上不顯著之前列腺癌。
在某些實施例中，本發明係關於包含本文所述系統中之任一者之電腦輔助診斷(CADx)裝置。在某些實施例中，該等指令引起處理器鑑別個體分類為臨床上顯著之前列腺癌或臨床上不顯著之前列腺癌。
在某些實施例中，本發明係關於包含以下之組合產品：(a) 放射標記之PSMA結合劑(例如99m
Tc-MIP-1404；例如，[18
F]DCFPyL，例如，其他已知PSMA結合劑)；及(b) 包含本文所述系統中之任一者之電腦輔助檢測(CADe)裝置。在某些實施例中，組合產品包含指定放射標記之PSMA結合劑與電腦輔助檢測裝置之使用之標記。
在另一態樣中，本發明係關於自動處理3D影像以鑑別3D影像內對應於標靶組織區域(例如前列腺；例如，肺；例如，一或多個骨；例如，淋巴結；例如，腦)之3D體積的方法，該方法包含：(a)由計算裝置之處理器接收使用解剖學成像方式[例如，x射線電腦斷層攝影(CT)；例如，磁共振成像(MRI)；例如，超音]獲得之個體之3D解剖影像，其中3D解剖影像包含個體之組織(例如軟組織及/或骨)的圖形表示；(b)由處理器使用第一模組(例如第一機器學習模組)測定3D解剖影像內之初始關注體積(VOI) (例如矩形稜鏡)，初始VOI對應於包含標靶區域之特定解剖學區域(例如一組有關組織，例如骨盆區域、胸區域、頭及/或頸區域及諸如此類) (例如，其中VOI所排除之3D解剖影像之體素多於其所包括之體素；例如，其中VOI包括小於25%之3D解剖影像之體素；例如，其中VOI內之大多數體素表示特定解剖學區域內之物理體積；(c)由處理器使用第二模組(例如第二機器學習模組)鑑別初始VOI內對應於個體之標靶組織區域之靶體積；及(d) 由處理器將對應於經鑑別之靶體積的3D分段遮罩儲存及/或提供用於展示及/或進一步處理。
在某些實施例中，第一模組接收3D解剖影像作為輸入並輸出複數個表示3D解剖影像內之矩形體積的相對角之座標值(例如，表示矩形體積之相對角的兩組座標值)。
在某些實施例中，第一模組係卷積神經網路(CNN)模組(例如利用一或多個卷積層之神經網路模組)。
在某些實施例中，步驟(c)包含使用第二模組鑑別3D解剖影像內之一或多個額外組織體積，每一額外組織體積對應於個體內之具體組織區域。
在某些實施例中，步驟(c)包含使用第二模組以將初始VOI內之每一體素分類為對應個體之一組(預定)不同組織區域之特定組織區域{例如，該組包含標靶組織區域及視情況一或多個額外組織區域[例如，個體之骨盆骨(例如骶骨；例如，尾骨；例如，左髖骨；例如，右髖骨)；個體之膀胱；個體之直腸；及臀肌肉(例如左臀肌肉；例如，右臀肌肉]}。
在某些實施例中，對初始VOI內之每一體素進行分類包含：經由第二模組測定初始VOI內之複數個體素中之每一者的一組可能性值，其中該組可能性值包含組織區域組之一或多個組織區域中之每一者之相應可能性值，其表示體素表示組織區域內之物理體積的可能性(例如如藉由第二模組計算)；且對於初始VOI內之複數個體素中之每一者，基於針對體素測定之該組可能性值，將體素分類為對應於特定組織區域。
在某些實施例中，第二模組接收初始VOI (例如整個初始VOI)作為輸入並輸出包含針對初始VOI內每一體素之如下(i)、(ii)及(iii)中之至少一者的複數個值：(i)對體素進行分類之值[例如，將體素分類為對應於具體組織區域，例如，選自預定組之不同組織區域之區域，例如，預定組包含標靶組織區域，例如，個體之前列腺；例如，個體之骨盆骨(例如骶骨；例如，尾骨；例如，左髖骨；例如，右髖骨)；個體之膀胱；個體之直腸；及個體之臀肌肉(例如左臀肌肉；例如，右臀肌肉)]；(ii)體素之一組可能性值[例如，體素對應於具體組織區域之可能性，例如選自預定組之不同組織區域之區域，例如，個體之前列腺；例如，個體之骨盆骨(例如骶骨；例如，尾骨；例如，左髖骨；例如，右髖骨)；個體之膀胱；個體之直腸；及個體之臀肌肉(例如左臀肌肉；例如，右臀肌肉)]；及(iii)將體素鑑別為不對應於(例如或可能不對應於，或將體素鑑別為不對應於之可能性)任何預定組之不同組織區域(例如將體素鑑別為對應於或可能對應於背景區域，或體素對應背景區域之可能性，例如，該背景區域不具有診斷意義)的值(例如使得第二模組在一輪中而非對每一體素一次一個地操作來分類及/或計算整個VOI之可能性值)。
在某些實施例中，步驟(c)包含使用第二模組來鑑別一組一或多個基礎組織體積，一或多個基礎組織體積包含經鑑別之靶體積及一或多個額外組織體積，且其中該方法進一步包含：由處理器使用一或多個輔助模組(例如輔助機器學習模組)鑑別3D解剖影像內之一或多個輔助組織體積，每一輔助組織體積對應於{例如，表示相同具體組織區域[例如，個體之前列腺；例如，個體之骨盆骨(例如骶骨；例如，尾骨；例如，左髖骨；例如，右髖骨)；個體之膀胱；個體之直腸；及個體之臀肌肉(例如左臀肌肉；例如，右臀肌肉)]為}藉由第二模組鑑別之基礎組織體積；及由處理器合併每一輔助組織體積與藉由第二模組鑑別之相應基礎組織體積(例如藉由納入初始基礎組織體積中不包括之相應輔助組織體積的部分添加至相應基礎組織體積)。
在某些實施例中，該方法包含：(e)由處理器引起互動式圖形使用者介面(GUI)之展示，以向使用者呈現3D解剖影像之視覺表示；及(f)由處理器在GUI內引起3D解剖影像以及包含3D解剖影像內之一或多個經鑑別之具體組織體積之可選擇及可重疊分段層的圖形重現，其中在選擇分段層用於展示時，表示一或多個具體組織體積之圖形疊加在3D解剖影像上(例如作為輪廓；例如，作為半透明顏色編碼之體積)。
在某些實施例中，一或多個具體組織體積包含經鑑別之靶體積。
在某些實施例中，該方法包含在步驟(g)，使3D解剖影像之2D橫斷面圖在互動式2D觀看器內重現，使得2D橫斷面圖之位置可由使用者調整。
在某些實施例中，該方法包含在步驟(f)中，引起3D解剖影像之互動式(例如可旋轉的；例如，可切片的) 3D視圖重現。
在某些實施例中，第一模組係第一CNN (卷積神經網路)模組且第二模組係第二CNN模組，其中第一CNN模組包含之卷積濾波器的數量比第二CNN模組大(例如多達至少1.5倍，例如多達至少兩倍，例如多達約兩倍，例如多達至少三倍，例如多達約三倍)。
在某些實施例中，該方法包含對於複數個3D解剖影像中之每一者實施步驟(a)及(b)，以測定複數個初始VOI，各自在複數個3D解剖影像中之一者內，其中初始VOI之大小可變性小於(例如實質上小於)3D解剖影像之大小可變性(例如其中「大小」之可變性意味著如下(i)及(ii)中之任一者或二者：(i) 影像中表示之解剖學體積之一或多個維度的可變性，例如，如以mm量測，及(ii) 沿著影像之一或多個維度中之每一者之影像中體素數量的可變性) [例如其中3D解剖影像(測定每一VOI之每一完全影像)之大小沿著一或多個維度中之每一者變化至少200 mm、及/或至少300 mm、及/或至少400 mm、及/或至少500 mm、及/或多達400 mm、及/或多達500 mm、及/或多達1000 mm、及/或多達1500 mm)；例如，其中3D解剖影像(測定每一VOI之每一完全影像)之大小沿著一或多個維度中之每一者變化至少25個體素、及/或至少50個體素、及/或至少100個體素、及/或至少250個體素、及/或至少300個體素、及/或多達250個體素、及/或多達300個體素、及/或多達500個體素)；例如，其中VOI之大小沿著一或多個維度中之每一者變化小於或等於200 mm (例如小於或等於100 mm；例如，小於或等於50 mm)；例如其中VOI之大小沿著一或多個維度中之每一者變化小於或等於250個體素(例如小於或等於200個體素；例如，小於或等於150個體素)]。
在某些實施例中，第一模組係接收具有第一解析度之3D解剖影像之降低取樣版本(例如3D解剖影像之低解析度版本)作為輸入並對其進行操作之CNN模組，且其中第二模組係裁剪至初始VOI並具有第二解析度的3D解剖影像之高解析度版本作為輸入並對其進行操作之CNN模組，第二解析度高於第一解析度(例如至少高2倍；例如，至少高4倍；例如，至少高8倍)。
在某些實施例中，第一模組接收3D解剖影像之至少一部分作為輸入，且其中由第一模組之輸入表示之物理體積(i)為由初始VOI表示之物理體積的至少2倍(例如4倍；例如，8倍)及/或(ii)在至少一個維度上為由初始VOI表示之物理體積的2倍(例如4倍；例如，8倍)。
在某些實施例中，第一模組係經訓練以鑑別3D解剖影像內特定解剖學區域之圖形表示的CNN模組且其中第二模組係經訓練以鑑別3D解剖影像內標靶組織區域之圖形表示的CNN模組。
在某些實施例中，該方法進一步包含：由處理器接收使用功能成像方式[例如，單光子發射電腦斷層掃描攝影術(SPECT)；例如，正電子發射斷層攝影術(PET)]獲得之個體之3D功能影像，其中3D功能影像包含複數個體素，其各自表示個體內之特定物理體積且具有表示自特定物理體積發射之檢測輻射的強度值，其中3D功能影像之複數個體素之至少一部分表示個體之特定解剖學區域內之物理體積；及使用3D分段遮罩(例如藉由將3D分段遮罩映射至3D功能影像)鑑別3D功能影像內對應於經鑑別之靶體積的3D體積。
在某些實施例中，3D功能影像之體素經由已知關係與3D解剖影像之體素相關[例如，3D功能影像之每一體素與3D解剖影像之一或多個體素相關聯；例如，3D功能影像之一或多個體素之複數個組中的每一者與3D解剖影像之一組一或多個體素相關聯；例如，與3D功能影像之體素相關聯之座標經由已知函數關係(例如經由第一及第二成像方式之間之已知空間關係)與解剖學3D影像之體素相關聯之座標相關。
在另一態樣中，本發明係關於用於自動處理3D影像以鑑別3D影像內對應於標靶組織區域(例如前列腺；例如，肺；例如，一或多個骨；例如，淋巴結；例如，腦)之3D體積的系統，該系統包含：計算裝置之處理器；及 其上儲存有指令之記憶體，其中該等指令在由處理器執行時引起處理器：(a) 接收使用解剖學成像方式[例如，x射線電腦斷層攝影(CT)；例如，磁共振成像(MRI)；例如，3D超音]獲得之個體之3D解剖影像，其中3D解剖影像包含個體內組織(例如軟組織及/或骨)的圖形表示；(b)使用第一模組(例如第一機器學習模組)測定3D解剖影像內之初始關注體積(VOI) (例如矩形稜鏡)，初始VOI對應於包含標靶區域之特定解剖學區域(例如一組有關組織，例如骨盆區域、胸區域、頭及/或頸區域及諸如此類) (例如，其中VOI所排除之3D解剖影像之體素多於其所包括之體素；例如，其中VOI包括小於25%之3D解剖影像之體素；例如，其中VOI內之大多數體素表示特定解剖學區域內之物理體積；(c)使用第二模組(例如第二機器學習模組)鑑別初始VOI內對應於個體之標靶組織區域之靶體積；及(d)將對應於經鑑別之靶體積的3D分段遮罩儲存及/或提供用於展示及/或進一步處理。
在某些實施例中，該系統具有段落[0061]-[0078]中明確表達之一或多個特徵。
關於本發明之一個態樣闡述之實施例之特徵可應用於本發明之另一態樣。
相關申請案之交叉參考
本申請案主張於2018年1月8日提出申請之美國臨時申請案第62/614,935號、於2018年6月7日提出申請之美國專利申請案第16/003,006號及於2018年10月23日提出申請之美國臨時申請案第62/749,574號之優先權及益處，該等案件之每一者之內容以全文引用之方式併入本文中。
預期所主張之本發明之系統、架構、裝置、方法及過程涵蓋使用來自本文所述之實施例的資訊開發的變化及更改。本文所述系統、架構、裝置、方法及過程之更改及/或修改可如本說明所涵蓋來實施。
貫穿本說明，其中將物品、裝置、系統及架構闡述為具有、包括或包含特定組件，或其中將過程及方法闡述為具有、包括或包含特定步驟，另外預期存在基本上由所述組件組成或由所述組件組成的本發明之物品、裝置、系統及架構，且存在基本上由所述處理步驟組成或由所述處理步驟組成的根據本發明之過程及方法。
應理解，只要本發明保持可操作，各步驟之次序或實施特定動作之次序並不重要。此外，可同時進行兩個或更多個步驟或動作。
本文中所提及之(舉例而言)背景技術章節中之任何公開案並非承認該公開案充當關於本文中所提供之申請專利範圍中的任一者之先前技術。背景技術章節係出於清楚目的而提供且並不意指為對關於任一申請專利範圍之先前技術的說明。
如所述，文獻以引用方式併入本文中。若特定術語之含義存在任何差異，則以上述定義部分中提供之含義為準。
為了方便讀取器提供標題-標題之存在及/或放置並不意欲限制本文所述之標的物之範圍。
如本文所用之「放射性核種」係指包含至少一種元素之放射性同位素的部分。實例性適宜放射性核種包括(但不限於)本文所述之彼等放射性核種。在一些實施例中，放射性核種係用於正電子發射斷層攝影(PET)中者。在一些實施例中，放射性核種係用於單光子發射電腦斷層掃描攝影(SPECT)中者。在一些實施例中，放射性核種之非限制性清單包括99m
Tc、111
In、64
Cu、67
Ga、68
Ga、186
Re、188
Re、153
Sm、177
Lu、67
Cu、123
I、124
I、125
I、126
I、131
I 、11
C、13
N、15
O、18
F 、153
Sm、166
Ho、177
Lu、149
Pm、90
Y、213
Bi、103
Pd、109
Pd、159
Gd、140
La、198
Au、199
Au、169
Yb、175
Yb、165
Dy、166
Dy、105
Rh、111
Ag、89
Zr、225
Ac、82
Rb、75
Br、76
Br、77
Br、80
Br、80m
Br、82
Br、83
Br、211
At及192
Ir。
如本文所用術語「放射性藥品」係指包含放射性核種之化合物。在某些實施例中，放射性藥品用於診斷及/或治療目的。在某些實施例中，放射性藥品包括經一或多個放射性核種標記之小分子、經一或多個放射性核種標記之抗體及經一或多個放射性核種標記之抗體之抗原結合部分。
如本文中所用，在提及「影像」時「3D」或「三維」意指傳達關於三維之資訊。3D影像可再現為三維中之資料集及/或可顯示為二維表示或三維表示之集合。
如本文中所用，「影像」(舉例而言，個體之3D影像)包括任何視覺表示，例如照片、視頻幀、串流視頻以及照片、視頻幀或串流視頻之任何電子、數位或數學類似物。在某些實施例中，本文所述之任何設備包括用於顯示影像或由處理器產生之任何其他結果的顯示器。在某些實施例中，本文所述之任何方法包括顯示影像或經由該方法產生之任何其他結果的步驟。
如本文所用「個體」意指人類或其他哺乳動物(例如齧齒類動物(小鼠、大鼠、倉鼠)、豬、貓、狗、馬、靈長類動物、兔及諸如此類)。
如本文所用之「投與」藥劑意指向個體中引入物質(例如成像劑)。一般而言，可利用任何投與途徑，包括(例如)非經腸(例如靜脈內)、經口、局部、皮下、腹膜、動脈內、吸入、陰道、直腸、經鼻、引入腦脊髓液中或滴入身體隔室。
如本文所用術語「濾波器」及「過濾」(如在「過濾功能」或「濾波器」中)係指對資料(例如影像資料，例如由CNN層計算之值)之輸入陣列(例如多維陣列)之局部部分操作的功能，本文中稱作「子修補程式(subpatch)」，以對於給定子修補程式計算反應值。一般而言，跨陣列以滑動窗之方式應用濾波器以計算陣列之複數個反應值。具體而言，對於給定之多維陣列，陣列之子修補程式可為具有具體大小(例如具有與陣列相同之維數)之陣列之矩形區域。舉例而言，對於6 x 3 x 3陣列，給定之3 x 3 x 3子修補程式係指陣列之相鄰值(例如鄰域)之給定之3 x 3 x 3組，使得在6 x 3 x 3陣列中存在五個不同3 x 3 x 3子修補程式(每一修補程式沿第一維度移位一個位置)。
舉例而言，過濾功能可針對陣列之給定子修補程式使用子修補程式之值計算反應值。可跨陣列以滑動窗之方式應用過濾功能，從而針對陣列之複數個子修補程式中之每一者計算反應值。計算之反應值可儲存於輸出陣列中，使得維持反應值與輸入陣列之子修補程式之間之位置對應關係。
舉例而言，在第一步驟，以輸入陣列之角中之子修補程式開始，濾波器可計算第一反應值，並將第一反應值儲存於輸出陣列之對應角中。在某些實施例中，在第二步驟，然後濾波器計算第二子修補程式之第二反應值，其沿著輸入陣列之具體維度移位一個位置。第二反應值可儲存於輸出陣列之相應位置中 - 亦即沿著輸出陣列之相同維度移位一個位置。可沿著輸入陣列之每一維度針對整個輸入陣列重複以下步驟：子修補程式之移位位置、計算反應值以及將反應值儲存於輸出陣列之相應位置。在某些實施例中(例如跨步過濾方法)，濾波器計算反應值之子修補程式沿著給定維度一次移位一個以上位置，使得並不計算輸入陣列之每一可能之子修補程式的反應值。
如本文所用術語「卷積神經網路(CNN)」係指一種人工神經網路，其中至少一層實施一或多個過濾功能。如本文所用術語「卷積層」係指接收輸入陣列作為輸入且計算輸出陣列之CNN之層，其中藉由將一或多個濾波器應用於輸入陣列來計算輸出陣列之值。具體而言，在某些實施例中，卷積層接收具有n + 1個維度之輸入陣列作為輸入，並產生亦具有n + 1個維度之輸出陣列。藉由CNN之過濾層操作之輸入及輸出陣列之前n
個維在本文中稱為「空間維度」。輸入之第(n + 1)個維度在本文中稱為「輸入通道」維度。輸入通道維度之大小在本文中稱為「輸入通道之數量」。輸出之第(n + 1)個維度在本文中稱為「輸出通道」維度。輸入通道維度之大小在本文中稱為「輸出通道之數量」。
在某些實施例中，卷積層藉由應用濾波器來計算反應值，該濾波器對沿著空間維度小於輸入陣列、但在整個輸出通道維度上延伸之子修補程式進行操作。舉例而言，N
xM
xL
xK 0
大小之輸入陣列具有三個空間維度及K 0
輸出通道。卷積層之濾波器可對具有N f
xM f
xL f
xK 0
之大小之子修補程式進行操作，其中N f
≤N
，M f
≤M
且L f
≤L
。通常，卷積層之濾波器對其中N f
＜N
、M f
＜M
及/或L f
＜L
之大小之子修補程式進行操作。舉例而言，在某些實施例中，N f
＜＜N
，M f
＜＜M
及/或L f
＜＜L
。
因此，對於由卷積層應用之一或多個濾波器中之每一者，將由給定濾波器計算之反應值儲存於相應之輸出通道中。因此，接收具有n + 1個維度之輸入陣列之卷積層計算亦具有n + 1個維度之輸出陣列，其中第(n + 1)個維度表示輸出通道對應於由卷積層應用之一或多個濾波器。以此方式，由給定卷積層計算之輸出陣列可由後續卷積層接收作為輸入。
如本文所用術語「大小」在提及卷積層之濾波器時係指沿著濾波器操作之子修補程式之空間維度的大小(例如將沿著輸出信道維度之子修補程式大小視為輸出通道之全部數量)。如本文所述術語「大小」如在「卷積層之大小」中提及卷積層時係指卷積層之濾波器之大小(例如，具有相同大小之卷積層之每一濾波器)。在某些實施例中，卷積層之濾波器具有許多經由機器學習訓練過程測定之可變參數。在某些實施例中，給定濾波器之參數之數量等於給定濾波器操作之子修補程式中之值的數量。舉例而言，在具有K 0
輸出通道之輸入陣列上操作之大小為N f x M f x L f 之
濾波器具有N f
xM f
xL f
xK 0
個參數。在某些實施例中，濾波器被實現為陣列，且由濾波器針對給定子修補程式測定之反應值計算為濾波器與給定子修補程式之間之點積。
如本文所用術語「完全卷積神經網路(FCNN)」係指其中CNN之每一層係卷積層的CNN。
如本文所用術語「體積」如在提及CNN層之輸入或輸出中使用時係指接收之輸入陣列或由CNN層計算之輸出陣列。
如本文所用術語「CNN模組」係指電腦實現之過程，其實現具體CNN以便針對給定輸入(例如影像(例如2D影像；例如，3D影像))測定一或多個輸出值。舉例而言，CNN模組可接收個體之3D影像(例如CT影像；例如，MRI)作為輸入，且對於影像之每一體素，測定表示體素位於對應於個體之特定器官或組織之表示之3D影像之區域內的可能性之值。CNN模組可為軟體及/或硬體。舉例而言，CNN模組可完全實現為軟體，或CNN模組之某些功能可經由專用硬體(例如經由應用專用積體電路(ASIC))來實施。
如本文所用術語「組織」係指骨(骨組織)以及軟組織。
本文所述之系統及方法提供個體之醫學影像之自動化分析，以便自動鑑別對應於影像中表示之特定器官及/或組織的所關注區域。在某些實施例中，採用卷積神經網路(CNN)模組來準確地使影像分段。在某些實施例中，個體之影像中特定器官及/或組織的準確自動化鑑別允許測定量測特定器官中放射性藥品(例如放射標記之小分子；例如，放射標記之抗體；例如，放射標記之抗體之抗原結合部分)之攝取的量化度量。
在某些實施例中，本文所述之系統及方法有利於自動化鑑別對應於可存在腫瘤及/或腫瘤轉移之特定器官或組織的所關注區域。選擇性結合至具體腫瘤細胞表面蛋白之放射性核種標記之分子可與本文所述之使腫瘤成像之方法組合使用。舉例而言，分子1404特異性結合至前列腺特異性膜抗原(PSMA)，其在許多癌細胞上過表現。分子1404可經放射性核種(例如99m
Tc)標記用於單光子發射電腦斷層掃描攝影術(SPECT)成像。
在某些實施例中，放射性藥品之攝取度量與評價個體之疾病狀態及預後有關。A. 鑑別前列腺體積及測定攝取度量
圖1顯示用於自動處理3D影像以鑑別對應於個體之前列腺之3D體積及測定一或多個指示其中之放射性藥品之攝取之攝取度量的過程100
。
參考圖1 中之過程100 之步驟102 及104 ：
圖2之各個小圖圖解說明顯示骨及軟組織之CT影像(圖2A及圖2B)，且突出顯示骨盆骨(圖2C及2D中之綠色202及藍色206)及前列腺(圖2C及2D中之紫色204)。突出顯示之區域係由本文所述之系統及方法自動生成，且鑑別骨盆骨及前列腺。圖2E顯示疊加在CT影像上之SPECT影像(亮粉色及紫色區域252、254及256)。可看出，CT影像提供詳細之解剖學資訊，而SPECT影像中之解剖學結構/結構資訊則更為有限。因此，例如，可對CT影像進行分段，並使用CT影像之體素與SPECT影像之體素之間之映射來鑑別SPECT影像中對應於所關注之組織體積(例如前列腺、膀胱、直腸及臀肌肉)之特定體素。
參考圖1 中之過程100 之步驟106 及108 ：
鑑別CT影像中之前列腺體積之方法首先使用第一機器學習模組(例如CNN模組)來鑑別CT影像內之初始關注體積。此產生了對第二機器學習模組(例如第二CNN模組)之標準化輸入，其負責鑑別前列腺體積。第二CNN模組亦可鑑別其他組織體積，例如骨盆骨、臀肌肉、直腸及膀胱。第一及第二機器學習模組可組合並實現為單一模組及/或單一軟體應用。第一及第二機器學習模組亦可單獨實現為(例如)單獨之軟體應用。
在某些實施例中，如本文所述，由第一及第二機器學習模組實現之CNN之架構(例如，層之類型及佈置)係相同的，但兩個CNN之間之參數(例如，各個層中之濾波器之數量及輸入大小)可不同。另外，兩個CNN經訓練以實施不同功能。具體而言，第一CNN經訓練以在各種3D解剖影像中識別具有解剖學區域(例如，骨盆區域)之圖形表示。第二CNN經訓練以在更標準化之輸入(初始關注體積)中識別具體標靶組織(例如，前列腺)。以此方式不同地訓練兩個CNN產生了構成CNN之濾波器之不同權重及偏差，並允許其實施其不同功能。 i. 定界框生成 ( 定位機器 )
圖 3-5提供各種CT影像之處理之實例，其首先顯示初始關注體積(VOI)之鑑別(小圖A)且其次顯示前列腺及骨盆骨之分段(前列腺體積係由中間之藍綠體積表示)。如該等實例中所示，初始CT影像大小可實質上取決於所使用之成像系統、放射師所遵循之成像方案以及其他因素，但初始VOI大小係相當標準的。
舉例而言，初始3D解剖影像之大小範圍可為大至700mm x 700mm x 1870mm (深度 x 寬度 x 高度) (即全身掃描)或甚至更大至小至180mm x 240mm x 290 mm (覆蓋骨盆骨)或甚至更小。在本文所述之實例中，初始3D解剖影像之最小測試矩陣大小係256 x 256 x 76像素。本文所述之實例之定界框(例如由第一CNN鑑別)具有180-220mm x 240-320mm x 290-380mm之近似大小範圍。本文所述之實例之定界框的矩陣大小範圍為80-220 x 150-390 x 50-300像素。
在該實例中，用於訓練第一CNN以檢測骨盆區域定界框之3D解剖影像具有以下影像尺寸：訓練影像 (3D 解剖影像 ) ：
行數：247-512 (sp 1.37)，大小(mm)：340-700
列數：319-512 (sp 1.37)，大小(mm)：430-700
切片數：274-624 (sp 3.0)，大小(mm)：820-1870
在該實例中，用於驗證第一CNN用於檢測定界框之3D解剖影像具有以下影像尺寸，具有由第一CNN鑑別之定界框之尺寸之所得範圍：驗證影像 (3D 解剖影像 ) ：
行數：256-512，大小(mm)：500-600
列數：256-512，大小(mm)：500-600
切片數：76-427，大小(mm)：380-1070定界框：
行數：82-222，大小(mm)：180-220
列數：148-386，大小(mm)：240-320
切片數：50-295，大小(mm)：290-380
以下係用於自初始3D解剖影像自動生成骨盆區域之定界框(立方形)用於隨後處理以詳細鑑別前列腺的三個實例性方法。
在第一方法中，第一CNN接收灰度CT影像(單一輸入通道)作為輸入，並輸出定界框之相對角之座標。
在第二方法中，經由臨界化處理灰度CT影像以產生粗略鑑別骨盆區域之臨界化影像。在此第二方法中，第一CNN接收兩個輸入通道-一個係灰度CT影像且另一個係臨界化影像。第二CNN輸出定界框之相對角之座標。
在第三方法中，第一CNN基本上係第二CNN之粗略型式-亦即，第一CNN鑑別前列腺、骨盆骨及骶骨(及背景)。定界框係使用經鑑別之骨盆骨生成(例如藉由繪製適合骨盆骨骼之最小框，或可能添加一定緩衝距離)。此處區別在於，第一CNN之輸出不僅僅係立方形頂點之座標。在此方法中，針對影像之每一體素自動測定可能性值，其給出關於體素如何分類之可能性- 例如，體素係例如前列腺、左/右骨盆骨、骶骨或背景。
在此第三方法之一個闡釋性實施例中，定位及分段網路極為相似。定位網路在極為降低取樣之影像中使左及右骨盆骨、骶骨及背景(共4個類別)分段。基於骨盆骨之此粗略分段，創建定界框。分段網路然後在此定界框內以更高之解析度使骨盆骨、前列腺及背景分段。定位CNN及分段CNN具有相同之架構。不同之處在於其需要何種輸入形狀，其中定位網路將影像調整大小為大小(81、68、96)，且分段CNN將骨盆影像(作為自定位網路之輸出)調整大小為大小(94、138、253)。卷積濾波器之數量亦不同。分段網路在第一層中具有20個卷積濾波器，而定位網路僅具有8個。後續層之濾波器之大小及數量可縮放，如本文之流程圖中所示。為了在定位網路之後創建定界框，該方法發現第一分段之角並以邊距在其周圍繪製正方形。定位網路之輸入影像較小，此乃因其已經降低取樣至較低解析度，而分段處理初始解析度中之CT影像之裁剪版本。
圖6A顯示方法1之實例。圖6B及圖6C顯示方法1與方法3之間之比較。
圖7A-E顯示本文所述之第一CNN網路之實例性架構700。CNN模組架構(定位網路)用於鑑別個體之CT影像內對應於骨盆區域之所關注體積(例如VOI) (其中VOI隨後由第二機器學習模組(例如第二CNN模組)處理用於前列腺及/或骨盆區域內之其他組織之更詳細分段/鑑別)。 ii. 前列腺體積及額外組織體積測定 ( 單一分段機器 )
圖7F-J顯示本文所述之第二CNN網路之實例性架構750。如上所述，第二CNN對VOI進行操作以鑑別前列腺體積以及各種額外組織體積。額外組織體積可包括左/右骨盆骨、骶骨、膀胱、臀肌肉及直腸。與實施二元分類(例如，其中體素簡單鑑別為前列腺或背景)相反，鑑別多種組織體積提高了分類方法之準確度。
圖8A顯示2D中之左及右骨盆骨(藍色，806，及黃色，802)及骶骨(紅色，804)，且圖8B顯示3D中之左及右骨盆骨。
圖9A顯示左及右骨盆骨(紅色，902，及黃色，906)及前列腺(藍色，904)。
圖9B顯示左及右骨盆骨(兩個較淺綠色區域，952及956)、前列腺(深綠色，958)、膀胱(帶綠米色，960)、直腸(褐色，962)及臀肌肉(藍色，964，及紅色，966)之分段。
圖10顯示低品質之CT影像，其中分段仍然起作用。 iii. 分段模組架構 資料輸入及輸出
圖11顯示實例性架構1100，其中如本文所述之影像分段係由分段服務模組1104實施，該分段服務模組自面向用戶端之模組Pioneer網1102接收處理影像之請求(例如，如本文所述實施分段)。
圖11中所示之特定實例性架構1100用於本文所述之影像分段及分析系統及方法之實施例中，具體而言基於雲之軟體應用，稱為Pioneer。Pioneer係使用MIP-1404 SPECT/CT影像資料輔助前列腺腺體中前列腺癌之評價及表徵的軟體裝置。該軟體使用人工智能自動將影像資料分段成不同解剖學區域且然後分析所關注之體積區域(ROI)。Pioneer自ROI中提取量化資料以幫助確定臨床上顯著之前列腺癌之存在或不存在。
圖11中所示之架構及模組組織以及本文中關於Pioneer闡述之其他架構及模組組織可適用於其他成像方式及/或其他放射性藥品。舉例而言，在本文之下文M部分「成像劑」中闡述適用於SPECT成像之各種放射性藥品。各種3D功能成像方式亦可用於使個體中放射性藥品之攝取成像，且與3D解剖學成像方式(例如但不限於CT成像)組合，且經由本文所述之關於Pioneer之方法之適應型式進行分析。舉例而言，各種核醫學成像方式(例如PET成像)可用於使放射性藥品之攝取成像。與SPECT成像一樣，PET成像可與CT成像組合實施以獲得包含PET影像及CT影像之影像組–CT/PET影像。因此，本文闡述之關於Pioneer及CT/SPECT影像之方法亦可適用於CT/PET影像。在下文M部分「成像劑」中亦闡述適用於PET成像之各種放射性藥品。
再次參見圖11，如圖11中所示，Pioneer被實現為使用Amazon Web Services之基於雲之服務，其中使用簡單通知服務(Simple Notification Service，SNS)及簡單佇列服務(Simple Queue Service，SQS)通信來處理請求。分段服務1104傾聽專用SQS佇列上之請求。在Pioneer網1102中發生之事件被公開至專用SNS課題「Pioneer事件」 1106。為了允許平行異步處理，可使用扇出模式，使得將SNS訊息發送至課題且然後複製並推送至多個Amazon SQS佇列1108a、1108b，其中分段服務係消費者。
分段服務1104可自由請求者(例如Pioneer網1102)提供且鏈接至本地檔案系統中之資料集的來源Uniform Resource Locators (URL)下載輸入資料(例如影像資料)。在某些實施例中，輸入資料包含預處理之3D解剖影像，例如CT影像及3D功能影像，例如SPECT掃描。與3D解剖學及功能影像一起，亦可包括影像後設資料。
在某些實施例中，CT及SPECT影像具有滿足針對系統確立之特定要求之解析度。舉例而言，可使用解析度範圍在x及y方向上為1.0至2.2 mm且在z (切片)方向上介於1.0與5.0 mm之間的CT影像。在某些實施例中，使用在所有方向上解析度範圍為2.9至4.8 mm之SPECT影像。
一旦分段服務1104已如本文所述實施影像分段以鑑別特定CT影像中之前列腺體積及任何額外組織體積，則分段服務1104提供鑑別特定CT影像內之前列腺體積的分段輸出資料用於儲存及/或進一步處理(例如在GUI中顯示；例如，攝取度量之計算)。在某些實施例中，向分段服務1104提交之請求包括指定分段輸出資料之儲存位置之標靶URL。因此，分段服務1104可將分段輸出資料上載至請求中包括之標靶URL。
分段輸出資料可包括諸如分段遮罩組等資料，其將3D解剖影像(例如CT影像)之每一體素鑑別為對應於特定組織區域或背景，如由本文闡述之第二機器學習模組所測定。分段遮罩組可包括或用於針對每一特定組織區域測定相應分段遮罩，其鑑別分類為屬該特定組織區域之CT影像之體素。舉例而言，分段遮罩組可以.tiled.png格式儲存，且體素經鑑別不同特定組織區域或背景之不同數字標記來標記。下文顯示各種組織區域之標記之實例組，其中鑑別為背景之體素標記為0：
在某些實施例中，分段遮罩組鑑別前列腺體積及參考體積(例如左臀肌肉)且將所有其他體素標記為背景。
在某些實施例中，分段遮罩後設資料亦包括於分段輸出資料中。分段遮罩後設資料可用於儲存關於所處理之特定影像之資訊，例如每一方向上之多個體素(例如行數、列數及切片數)及其間距。
在某些實施例中，分段服務1104亦使用分段之結果(例如經鑑別之前列腺及參考體積及3D功能影像(例如SPECT影像)之體素之強度)實施量化。此量化在本文中(例如)下文標題為「攝取度量」之分部中更詳細地討論。舉例而言，為用於計算如本文所述個體之標靶對背景比率(TBR)值，分段服務1104可與背景值一起鑑別前列腺最大強度體素。前列腺最大強度體素係鑑別為在3D功能影像之一組體素內具有對應於經鑑別之前列腺體積之最大強度的體素。在某些實施例中，如本文所述，針對來自個體之膀胱之串擾(亦稱為洩放)校正3D功能影像中對應於經鑑別之前列腺體積之體素，且在對膀胱串擾進行校正後，鑑別前列腺最大強度體素。用於測定TBR值之背景值係對應於3D解剖影像內之參考體積(例如對應於個體之左臀肌肉之體積)的3D功能影像之複數個體素之強度的平均值。如本文所述，對應於經鑑別之參考體積之所有體素通常用於計算背景值。
對應於由分段服務1104實施之量化的資料可包括於分段輸出資料中。舉例而言，量化結果可包括於如下文之.json格式實例中所示之量化結果辭典中：
上述實例中之量化結果辭典之關鍵字如下：「prostate_max」儲存前列腺最大強度體素之強度；「prostate_max_pos」儲存SPECT影像中前列腺最大強度體素之位置；且「background」儲存背景值。包括 CNN 模組組織及相互作用之實例性分段服務架構
圖12顯示用於實施如本文所述之基於CNN之影像分段之模組的實例性架構1200。實例性架構1200包括用於鑑別初始VOI之第一機器學習模組(在圖12中稱為「定位機器」) 1204，以及用於鑑別本文所述之前列腺體積、額外組織體積及參考體積之第二機器學習模組(在圖12中稱為「單分段機器(基礎)」)，簡稱為「基礎單分段機器」) 1208。亦顯示第一及第二機器學習模組之輸入及輸出，以及若干額外模組，包括輔助機器學習模組(在圖12中稱為單分段機器(aux)，簡稱為「輔助單分段機器」) 1212及模組1214，該模組用於合併第二機器學習模組(基礎單分段機器)及任何輔助機器學習模組(輔助單分段機器)之輸出並實施後處理。由圖12中所示之模組組織生成之輸出包括鑑別3D解剖影像(例如CT影像)中之各種組織體積的分段遮罩組1216以及分段後設資料1218。
如本文所述，第一機器學習模組1204接收CT影像1202作為輸入，並產生鑑別對應於個體之骨盆區域之初始VOI的定界框。第二機器學習模組1208接收初始VOI以及CT影像1202作為輸入。第二機器學習模組1208可向初始VOI添加裁剪邊距(例如在初始定界框周圍添加邊距以擴展定界框)並提供裁剪終點以輔助機器學習模組。如本文所述，第二機器學習模組1208鑑別初始VOI內之前列腺體積。第二機器學習模組1208亦可鑑別對應於個體之額外組織區域(例如左臀肌肉、膀胱及左及右髖骨)之額外組織體積。如本文所述，對應於個體之左臀肌肉之組織體積可用作參考體積以(例如)計算測定個體之TBR值中的背景值。對應於個體之膀胱之組織體積可用於針對膀胱串擾校正SPECT影像之體素之強度值，例如如本文在B部分「校正膀胱強度滲背」中所述。對應於個體之左及右髖骨之經鑑別之組織體積可用於後處理。
在某些實施例中，如本文所述，藉由使用除了第二機器學習模組1208之外之一或多個輔助機器學習模組1212來改良性能，該等輔助機器學習模組1212以與第二機器學習模組類似之方式實施影像分段，鑑別前列腺體積及額外組織體積(如圖12中所示，1208及1212)。由輔助機器學習模組鑑別之該等輔助組織體積可經由模組1214與使用第二機器學習模組1208鑑別之基礎組織體積(前列腺體積及任何額外組織體積)合併。
在某些實施例中，第一及第二機器學習模組以及任何輔助機器學習模組實現為經訓練之CNN模組。每一經訓練之CNN模組可表示(例如經由電腦代碼)為包含具有模型結構及重量之相關之訓練之神經網路的目錄。神經網路庫(例如Keras)可用於以此方式表示經訓練之CNN模組。表示特定CNN模組之辭典亦可包括後設資料，其闡述在將影像作為輸入饋送至特定CNN模組之前欲對影像實施之任何預處理。亦可包括闡述神經網路模型如何構建及訓練之後設資料。
因此，特定CNN模組可實施如下步驟，例如(1)鑒於影像檔案名及影像後設資料，加載及預處理影像；(2)經由相關之訓練之神經網路(例如，如表示特定CNN模組之目錄中所包括)來饋送預處理之影像，以獲得原始預測輸出(例如，對於CT影像之一或多個體素中之每一者，包括體素屬如由經訓練之神經網路確定之特定類別的可能性(例如機率)的圖)；(3)後處理原始預測輸出。如本文所述，第一機器學習模組1204可對由其相關之經訓練之神經網路產生之原始預測輸出進行後處理，以確定對應於初始VOI之定界框的裁剪終點。第二機器學習模組1208可對由其相關之經訓練之神經網路產生之原始預測輸出進行後處理，以確定標記具有如下值(例如數值)之CT影像之體素的分段遮罩組：指示其對應之特定組織體積或將體素鑑別為背景，如由第二機器學習模組所測定。
第一機器學習模組(圖12中之定位機器) 1204之CNN模組實現之實例性模型結構示於圖13中。第二機器學習模組(圖12中之單分段機器) 1208之CNN模組實現之實例性模型結構示於圖14中。實例性第一機器學習模組 ( 定位機器 ) 實現
如本文所述，第一機器學習模組鑑別初始VOI – 例如，鑑別CT影像中對應於個體之骨盆區域(其包括個體之骨盆骨)之區域以及組織區域(例如前列腺、膀胱、直腸、及左及右臀肌肉)的「定界框」。向第二機器學習模組以及任何輔助機器學習模組提供定界框(例如裁剪終點)之鑑別，從而允許其將其處理限制至CT影像之小的、具體標靶區域，而非必須對整個CT影像進行操作及處理。此減少了由實施計算密集精細分段之該等機器學習模組處理之資料量，藉此改善其性能及效率。
在根據如本文所述之方法3之第一機器學習模組之實例性實現中，圖12中之定位機器1204自由其相關經訓練之神經網路(CNN)(稱為定位CNN)實施之CT影像的粗分段中提取定界框(以鑑別初始VOI)。
在某些實施例中，CT影像經預處理以藉由定位CNN準備分段。構形檔案可用於指定預處理步驟及參數。預處理可包括如下步驟：例如裁剪CT影像以去除一或多個對應於周圍空氣之區域，正規化CT影像中之體素之強度，及調整CT影像之大小(例如以產生符合定位CNN預期之固定輸入大小之大小調整之CT影像)。強度正規化預處理步驟調整CT影像之體素強度，以產生CT影像之所有體素的強度之特定平均值及標準偏差。舉例而言，CT影像之體素強度可藉由減去第一固定值且然後除以第二固定值而正規化，以產生其中所有體素之平均強度係具體平均值(例如0)且所有體素之強度之標準偏差係具體標準偏差值(例如1)的CT影像。可藉由對CT影像進行取樣來實施調整大小之步驟。
定位CNN接收預處理之CT影像作為輸入並使其通過一系列層，如圖13中所示。定位CNN之輸出係例如經由將預處理之CT影像之體素分類為屬四個類別中之一者的第一分段遮罩組表示的粗分段，三個類別表示特定組織區域：(i) 骶骨及尾骨，(ii) 左髖骨，(iii) 右髖骨，及第四類別表示(iv) 背景(例如其他一切)。此粗分段係自由定位CNN生成之原始預測圖獲得。原始預測圖具有相同之形狀 - 與作為輸入接收之預處理之CT影像具有相同之體素組，但具有四個通道。每一通道對應於特定分類類別 - (i)骶骨及尾骨，(ii)左髖骨，(iii)右髖骨，以及(iv)背景。每一通道表示其對應之分類類別之機率圖。亦即，對於預處理之CT影像之每一體素，對應於特定分類類別之每一特定通道包括表示體素屬該特定類別之機率(例如表示該類別表示之組織區域內之物理體積，或表示背景)的可能性值。因此，對於每一體素，每一通道中該體素之可能性值之總和為1。
為了確定將每一體素分類為屬特定類別之第一分段遮罩組，將預處理之CT影像之每一體素分配至具有該體素之最大可能性值(例如機率)之類別(例如組織區域或背景)。所確定之第一分段遮罩組具有與預處理之CT影像相同之形狀，且用鑑別其分類屬之類別的值標記每一體素。舉例而言，特定體素可用數值(例如1、2或3對應於如上文所述之類別(i)、(ii)及(iii)，或若其分類為背景體素，則值為0)標記。
鑑別初始VOI之定界框可自作為最小盒(例如矩形體積)之第一分段遮罩組測定，其包含標記為屬類別(i) – (iii)之所有體素。測定鑑別定界框之座標(例如對應於定界框之矩形體積之對角的座標)並輸出作為裁剪終點。在某些實施例(其中輸入至定位CNN之預處理之CT影像係初始CT影像之調整大小之版本)中，鑑別定界框之座標轉變為初始CT影像之座標系統且輸出作為裁剪終點。實例性第二機器學習模組 ( 分段機器 ) 實現
在圖12之實例性架構中，第二機器學習模組(亦稱為基礎單分段機器1208 (圖12中之單分段機器(基礎))實施CT影像之高解析度分段以鑑別對應於個體之前列腺之前列腺體積，以及對應於具體組織區域(例如左及右臀肌肉、直腸、膀胱、骶骨及尾骨及左及右髖骨)之額外組織體積。
在某些實施例中，CT影像經預處理以藉由第二機器學習模組準備分段。與定位機器1204一樣，構形檔案可用於指定預處理步驟及參數。類似於上文關於定位機器1204闡述之方法，預處理步驟可包括CT影像之強度之正規化。CT影像亦可使用鑑別初始VOI (定界框)之裁剪終點裁剪且由定位機器1204輸出，以產生減小之固定大小之預處理CT影像輸入用於作為輸入提供至與單分段機器1208相關聯且在其中實現之經訓練之神經網路(經訓練之CNN)。預處理亦可包括調整大小之步驟。
類似於定位機器之定位CNN，單分段機器實現訓練之CNN，稱為分段CNN，其接收預處理之CT影像作為輸入。分段CNN使預處理之CT影像通常一系列層，並輸出第二原始預測圖。類似於由定位CNN產生之原始預測圖，第二原始預測圖包括多個通道，其各自對應於輸入CT影像之每一體素將分類成之不同特定類別。每一通道表示其所對應之分類類別之機率圖，且對於預處理之CT影像之每一體素，包括對應於體素屬該類別之機率(由分段CNN確定)之可能性值。
如上所述，由分段CNN輸出之第二原始預測圖包含對應於個體之前列腺之通道。第二原始預測圖可包括對應於各種其他組織區域(例如左臀肌肉、右臀肌肉、直腸、膀胱、骶骨及尾骨、左髖骨及右髖骨)之其他通道。第二原始預測圖亦可包括背景信道。
高解析度CNN之某些變體自網路之多個級別給出預測，從而每個類別產生多個機率圖。該等多個機率圖稱為輔助預測。圖13中所示之CNN模型結構對應於不產生輔助預測之模型結構，且圖14中所示之CNN模型結構係針對產生輔助預測之模型。在某些實施例中，儘管頂層中之多個濾波器(例如圖13中之20個濾波器及圖14中之28個濾波器)可變化，但後續較低層中之多個濾波器使每一層向下翻倍。在某些實施例中，分段CNN產生單一機率圖，且不產生任何輔助預測。在某些實施例中，分段CNN產生輔助預測。
在某些實施例中，當分段CNN產生輔助預測圖時，如第二原始預測圖及每一輔助機率圖中所包括之每一類別之可能性值一起平均化，使得對於特定體素，測定每一類別之單一可能性值。
在某些實施例中，為了確定將每一體素分類為屬特定類別之第二精細分段遮罩組，將預處理之CT影像之每一體素分配至最高機率值。在某些實施例中，精細分段遮罩組中之一些標記減少，使得精細分段遮罩組中僅包括某些組織體積(前列腺體積及參考體積(例如左臀肌肉體積))。輔助單分段機器
在某些實施例中，一或多個輔助機器學習模組用於產生類似於由第二機器學習模組生成之精細分段遮罩組的輔助精細分段遮罩組。該等輔助精細分段遮罩組鑑別與由第二機器學習模組生成之精細分段遮罩組相同組之組織體積。以此方式，第二機器學習模組生成基礎精細分段遮罩組，且一或多個輔助機器學習模組各自生成輔助精細分段遮罩組，藉此提供用於CT影像之體素的平行組之分類。
在某些實施例中，對於表示特定組織區域之每一類別，合併基礎精細分段遮罩組之或使用其測定之相應基礎精細分段遮罩(例如CT影像中經由基礎單分段機器測定為對應於特定組織區域之體積)及一或多個相應之輔助精細分段遮罩(例如，其各自鑑別經由輔助單分段機器測定為對應於相同特定組織區域之CT影像的體積)，以產生合併之精細分段遮罩。舉例而言，對於特定類別，一或多個輔助精細分段遮罩中之某些體素可鑑別(例如標記)為屬特定類別，但不屬鑑別為屬特定類別之基礎精細分段遮罩中的一組體素。可將該等體素添加(例如藉由將其如此標記)至鑑別為屬基礎精細分段遮罩中之特定類別的一組體素以產生最終合併之精細分段遮罩。舉例而言，在圖12中所示之架構中，基礎單分段機器1208產生基礎精細分段遮罩，且一或多個輔助單分段機器1212各自產生輔助分段遮罩。藉由模組1214合併由基礎單分段機器1208產生之基礎精細分段遮罩與由輔助單分段機器1212產生之一或多個輔助精細分段遮罩，以產生包含每一類別之最終精細分段遮罩之最終精細分段遮罩組1216。
在某些實施例中，對一或多個最終精細分段遮罩進行過濾，使得僅保留最大之連接部分。在某些實施例中，當實施過濾以僅保留前列腺分段遮罩之最大之連接組件(例如，鑑別對應於個體之前列腺之CT影像之體積的最終精細分段遮罩)時，考慮前列腺分段遮罩之連接之組件之亞組。該亞組僅包含以下組件：(i)在軸向平面(x方向)之左-右方向上具有位於髖骨之質量中心之間的質量中心，且(ii)位於所定義之定界框內，使得僅含有左及右髖骨。 iv. 攝取度量
參考圖1 中之過程100 之步驟110
，測定一或多個攝取度量，自其可通知或自動地呈現病況(例如前列腺癌)之診斷或分期。使用3D功能影像及3D解剖影像之VOI內經鑑別之前列腺體積測定一或多個攝取度量。舉例而言，可基於對應於3D解剖影像之VOI內經鑑別之前列腺體積的3D功能影像之體素的強度值計算個體之前列腺中放射性藥品的量。此可涉及計算表示由個體之前列腺佔據之物理體積之3D功能影像的體素之強度的總和(例如加權總和)、平均值及/或最大值。在某些實施例中，此涉及基於對應於3D解剖影像內經鑑別之參考體積之3D功能影像的體素之強度值計算正規化值。舉例而言，前列腺中經鑑別之強度之正規化值可使用對應於臀肌肉之一或多個體素之強度值或VOI內之另一參考體積(或在某些實施例中，在3D解剖影像內之別處)來正規化。然後，可將攝取度量轉化鑑別個體是否患有前列腺癌及/或量化個體患有前列腺癌之風險、及/或對疾病進行分期(例如隨時間追蹤作為疾病之一部分)，例如，其可由開業醫師用於建議治療選擇及/或監測所投與療法之效能。標靶對背景比率
在某些實施例中，測定之一或多個攝取度量包括個體之標靶對背景比率(TBR)值。測定TBR值包含(i) 使用對應於3D解剖影像(例如CT影像)之初始VOI內經鑑別之前列腺體積的3D功能影像(例如PET或SPECT影像)之一或多個體素的強度值測定靶強度值，及(ii) 使用對應於經鑑別之參考體積之3D功能影像的一或多個體素之強度值測定背景強度值。TBR值計算為標靶強度值對背景強度值之比率。
具體而言，在某些實施例中，靶強度值係對應於經鑑別之前列腺體積之3D功能影像(例如PET或SPECT影像)的體素之強度的最大值。如上文所述，前列腺最大強度體素對應於鑑別為具有對應於經鑑別之前列腺體積之3D功能影像的一組體素內之最大強度的體素。然後可將標靶值視為前列腺最大強度體素之強度。背景強度值可計算為對應於經鑑別之參考體積之3D功能影像的複數個體素之強度的平均值。如本文所述，臀肌肉(例如左臀肌肉)或其一部分可用作鑑別之參考體積。
舉例而言，TBR值可自在向個體投與放射性藥品(例如1404)後記錄之個體之SPECT/CT影像來計算。SPECT影像對應於3D功能影像且CT影像對應於解剖影像。本文所述之影像分段方法可用於鑑別CT影像內之前列腺體積以及對應於個體之左臀肌肉之參考體積。前列腺分段遮罩及左臀肌肉分段遮罩分別可用於鑑別前列腺體積及左臀參考體積。
前列腺體積分段遮罩鑑別CT影像之體素，基於本文所述之機器學習分段方法將其分類為屬個體之前列腺。在某些實施例中，為了鑑別對應於CT影像內之鑑別之前列腺體積的SPECT影像之體素，將前列腺分段遮罩之體素映射至SPECT影像之相應體素。由於前列腺分段遮罩鑑別CT影像中之體素，故其可具有與SPECT影像不同之解析度(例如由於SPECT及CT影像可具有不同解析度)。內插(例如雙線性內插)及/或取樣可用於使前列腺分段遮罩之解析度與SPECT影像之解析度匹配，使得前列腺分段遮罩之每一體素映射至SPECT影像之特定相應體素。以此方式，獲得SPECT前列腺遮罩，其鑑別對應於CT影像內經鑑別之前列腺體積的SPECT影像中之體素。可以類似方式獲得SPECT左臀肌肉遮罩，其鑑別對應於CT影像中鑑別之左臀肌肉參考體積之SPECT影像中的彼等體素。
SPECT左臀肌肉遮罩可用於測定背景強度值。具體而言，提取SPECT影像中由SPECT左臀肌肉遮罩鑑別之體素之強度並分割成四分位數。背景值計算為落在第一及第三四分位數內之提取之左臀肌肉體素強度的平均值。亦可使用用於計算背景值、例如計算所有提取之左臀肌肉體素強度之總體平均值或中值的其他方法。發現上述將提取之左臀肌肉體素強度分割成四分位數之方法針對離群值比計算總體平均值更穩定且比計算中值更精確(例如，因為強度離散化且其中許多皆具有相同值)。可輸出測定之背景強度值並將其儲存於結果辭典中例如關鍵字「background」下。
可使用SPECT前列腺遮罩計算靶強度值。前列腺最大強度體素可鑑別為SPECT前列腺遮罩之體素且具有最大SPECT影像強度。靶強度值測定為前列腺最大強度體素之強度。可儲存靶值強度值及前列腺最大強度體素之位置。舉例而言，結果辭典可將靶強度值及前列腺最大強度體素位置分別儲存於例如「prostate_max」及「prostate_max_position」等關鍵字下。在某些實施例中，在測定靶強度值之前，如下文部分B中所述針對膀胱「串擾」或「洩放」校正SPECT影像中對應於經鑑別之前列腺體積之體素的強度，使得例如所儲存之最大強度係最大校正強度且前列腺最大強度體素係具有最大校正之強度之SPECT前列腺遮罩的體素。
在某些實施例中，可藉由比較個體之測定之TBR值與一或多個臨限值來確定個體之前列腺癌狀態。具體而言，可比較測定之TBR值與特定臨限值(例如截止臨限值)以區分患有臨床上顯著之前列腺癌(例如分配為臨床上顯著之狀態)之患者與不患有臨床上顯著之前列腺癌(例如分配為臨床上不顯著之狀態)之彼等患者。下文實例4顯示用於基於自參考影像計算之TBR值來測定TBR臨限值以獲得期望之靈敏度及特異性的實例性方法。B. 校正膀胱強度滲背
圖15係圖解說明自個體之膀胱至前列腺之成像劑強度之串擾的示意圖。在該圖中，參考1502係膀胱，1506係自膀胱洩放之串擾/強度，且1504係前列腺。包含PSMA結合劑之某些成像劑在膀胱中具有高攝取，此可能影響患病組織(例如前列腺癌)之鑑別。舉例而言，放射性核種標記之PSMA結合劑由膀胱的攝取可導致3D功能影像散射，且可降低位於膀胱附近之前列腺中量測之成像劑強度的準確度。藉由訓練第二CNN用於詳細分段個體之前列腺及膀胱，可準確地自動地說明瞭「洩放」或「串擾」效應及/或由膀胱攝取成像劑引起之其他效應。此外，藉由訓練第二CNN用於鑑別3D解剖影像中之參考區域(例如，臀肌肉)，可更準確地衡量/正規化成像劑強度量測並改良個體之前列腺中攝取量測的準確度及診斷值。 i. 膀胱擴張
在某些實施例中，膀胱串擾校正包括其中以兩次迭代擴張(例如經由形態學擴張)鑑別之膀胱體積的步驟。此擴張可用於禁止非常接近於分段之膀胱之高強度用於在計算TBR值(例如選擇為最大強度)時測定靶強度值，且亦用於穩定下文所述之膀胱抑制方法。 ii. 膀胱抑制計算
在某些實施例中，使用膀胱抑制方法來去除自膀胱至功能影像之其他區域之強度洩放。抑制之量、亦即自功能影像之特定體素去除之強度洩放取決於該體素至對應於具有高強度體素之膀胱之區域的核心膀胱區域之距離。
在某些實施例中，若鑑別為對應於膀胱(例如對應於3D解剖影像內經鑑別之膀胱體積；例如如經由膀胱遮罩所鑑別)之功能影像之體積內的最大功能影像強度大於具體乘數值乘以經測定背景強度值，則產生膀胱抑制。如本文所述，可基於對應於3D解剖影像內經鑑別之參考體積(例如臀肌肉體積)的3D功能影像之體素的強度測定背景強度值。舉例而言，若區域內對應於經鑑別之膀胱體積之最大功能影像強度係測定之背景值之15倍(例如，膀胱對背景比率應為至少15)，則可實施膀胱抑制。
在某些實施例中，膀胱抑制係自3D功能影像之一部分計算並應用於3D功能影像之一部分，該3D功能影像之一部分位於在鑑別之膀胱體積周圍具有具體大小之膀胱抑制定界框內。舉例而言，可確定膀胱抑制定界框，其含有在特定方向上具有預定大小之邊距(例如在垂直方向上為40 mm)之膀胱且在其他方向上具有相同數量之體素。
舉例而言，在遮蔽對應於前列腺之3D功能影像之區域之後，可將核心膀胱區域確定為在膀胱抑制定界框內之3D功能影像之區域，該膀胱抑制定界框包含具有定界框內之最大強度之特定分率內之強度的體素(例如不包括遮蔽之前列腺區域之體素)。舉例而言，核心膀胱區域可確定為包含具有強度大於或等於膀胱抑制定界框內之最大強度之50%之體素的區域。核心膀胱區域可包括未包括於原始膀胱遮罩中之高強度區域。
在某些實施例中，測定一或多個膀胱強度洩放函數以實施膀胱抑制，且藉此針對膀胱串擾校正3D功能影像之體素強度。舉例而言，可使用膀胱抑制定界框裁剪3D功能影像，且在裁剪之影像區域內自體素之強度減去測定之背景強度值。然後收集樣品強度以確定隨著遠離膀胱移動，膀胱強度(例如來自個體之膀胱內之放射性藥品之攝取的強度)如何降低。在核心膀胱區域之極頂部、極前部、極右側及極左側開始收集樣品，且然後分別直接向上、向前、向右或向左移動，一次一個體素。若遇到裁剪之影像區域之邊緣，則可使用外推之強度作為樣品，例如自前兩個或更多個樣品之線性外推。
強度樣品提供自膀胱核心減少之強度之四個曲線(例如，採樣之強度資料點之集合)，模板函數可擬合至其中之每一者以確立四個膀胱強度洩放函數，該等函數模擬隨著距核心區域之距離變化的膀胱強度。在進一步分析(例如擬合)之前，可實施離群值去除，例如以去除離其他曲線最遠之曲線。將諸如n次多項式(例如，5次多項式)等模板函數擬合至其餘三個曲線中之資料點，從而產生將洩放隨著距核心膀胱之距離變化之膀胱強度建模。此膀胱強度洩放函數闡述了應該自原始強度中減去多少以獲得校正之強度，此取決於至核心膀胱區域之距離。
在某些實施例中，為了降低膀胱強度洩放函數低估在膀胱方向上洩放之風險(洩放可能在不同方向之間有一定程度之變化)，在擬合至取樣之強度資料點之前，將距離乘以擴大因子(例如，範圍為1至2；例如，1.2)，使得伸展擬合膀胱強度洩放函數。藉由將取樣之強度資料點乘以比例因子，亦可降低低估膀胱強度洩放之風險。縮放因子可為具有取決於膀胱對背景強度比率之值的可變比例因子。舉例而言，可使用當膀胱對背景比率足夠高時具有特定值且隨著膀胱對背景比率降低而增加(例如線性地)的比例因子。舉例而言，當膀胱對背景比率足夠高時，樣品強度可乘以1.2之因子，且對於較低之膀胱對背景比率，自針對15之膀胱對背景比率之0線性增加。取樣之強度資料點與縮放因子相乘之此方法亦改良膀胱抑制方法之穩健性。
在某些實施例中，膀胱抑制之範圍、亦即距應用其之膀胱之最遠距離係基於函數之衰減率足夠小之地方。若衰減率永遠不會變得足夠小，則選擇距離作為強度樣品載體之長度。在某些實施例中，確保在所有距離之膀胱抑制係非負的。
一旦確定，可在3D功能影像之各種體素之位置、例如在對應於個體之前列腺內之位置之體素位置評估膀胱強度洩放函數，以測定每一特定體素位置之膀胱強度洩放值。因此，可藉由自特定體素之強度中減去特定體素位置之測定之膀胱強度洩放值來針對膀胱串擾校正特定體素之強度。可以此方式針對膀胱串擾校正在3D功能影像內之各個位置、例如在對應於經鑑別之前列腺體積(例如，在3D解剖影像中之鑑別)之位置的體素強度。 iii. 校正之前列腺最大強度及位置
在某些實施例中，本文所述之膀胱抑制方法用於校正對應於3D解剖影像內經鑑別之前列腺體積的3D功能影像之體素之強度值，且攝取度量，例如TBR值，使用校正之強度值測定諸如TBR值等攝取度量。C. 可視化影像資料及計算之攝取度量
圖16A顯示GUI介面之窗，其中列出了兩個個體(患者)。使用者可選擇期望個體來處理並觀看其影像資料。
圖16B顯示具有用於處理及操縱個體資料之圖形控制元件之實例性GUI，其在使用者選擇個體「John Doe」之後出現。使用者點擊可選擇之按鈕元件以完成所選個體之影像資料之處理。
在圖16C中，在所選個體之影像資料之處理完成之後，使用者點擊另一可選按鈕以觀看處理之影像資料及計算之攝取度量。
在圖17A-17E中，顯示2D觀看器。圖17A-17E顯示與SPECT影像以及表示鑑別之組織體積(具體地，前列腺及骨盆骨)之圖形之CT影像疊加資料的一組2D橫斷面圖。使用者可掃描橫斷面切片，如圖中所示。
使CT影像及SPECT影像重現為可切換打開及關閉之可選擇層。亦使表示鑑別之組織體積之圖形重現為可選擇分段層。在圖18A中，使用者切換關閉SPECT影像層之顯示，使得僅顯示CT影像及分段層。在圖18B-18F中，使用者掃描橫斷面。
在圖19A中，使用者切換SPECT影像層之顯示打開，且分段層關閉。圖19B-19D顯示使用者再次掃描橫斷面圖，此次僅顯示CT影像及SPECT影像層。
圖20A-20C顯示用於觀看CT影像且與SPECT影像資料之可旋轉且可切片的3D觀看器疊加，其中CT影像包含軟組織之圖形表示。
圖21A-21B亦顯示可旋轉且可切片的3D觀看器，此次僅顯示CT影像中之骨之圖形表示。
圖22A-22F顯示使用者如何使用3D觀看器來檢查前列腺及其他額外組織區域之影像資料及自動化鑑別。使用者向下切片以聚焦在圖22B中之骨盆區域且打開分段層以顯示表示作為彩色區域疊加在CT影像上之鑑別之前列腺體積及骨盆骨體積的圖形。使用者可切片且旋轉影像以觀看前列腺區域(紫色體積)中之SPECT影像強度之亮點。
圖23A及23B顯示觀看器，但具有黑色背景以改良對比度並模擬放射師掃描。
圖24顯示具有各種攝取度量之報告(例如，自動生成之報告)。D. 使用者介面 、品質控制及報告
在某些實施例中，本文所述之系統及方法實現為基於GUI之工作流程之一部分，該工作流程允許使用者(例如開業醫師(例如放射師、技師))上載患者(個體)之影像、根據本文所述之方法啟動自動化分析，其中前列腺體積係在3D解剖影像中鑑別並用於使用3D功能影像之相應體素來測定攝取度量。然後，使用者可觀看自動化分析之結果，包括所測定之攝取度量及及自其測定之任何預後值。可經由品質控制工作流程引導使用者，其中使用者選擇核准或不核准自動化分析之結果，且若核准結果，則為患者生成報告。品質控制工作流程亦可允許使用者人工調整及更新自動化分析之結果，例如經由與GUI之相互作用，並基於人工更新之結果生成報告。
圖25顯示在某些實施例中用於分析SPECT/CT影像之實例性工作流程2500。如圖25中所示，使用者可上載符合具體接受之標準格式2502、具體而言圖25之實例中之DICOM標準的2504 SPECT/CT影像。圖26A顯示基於網之入口網站之實例性GUI窗2600a，其允許使用者上載2504影像。圖26B顯示圖26A中所示之GUI窗之更新視圖2600b，其中已經選擇若干影像用於上載，並檢查是否符合DICOM標準。一個影像鑑別為不符合DICOM標準，並指示無法上載2602b。
參見圖25，在另一步驟2506中，使用者可觀看已經上載了影像之患者清單。圖27A顯示藉由匿名數字標識符列出患者之GUI窗之視圖2700a。圖27B顯示圖27A中所示之GUI窗之另一視圖2700b，其中突出顯示對應於具體患者的患者清單之一行用於選擇。圖27C顯示GUI之另一視圖2700c，其中在選擇對應於具體患者之行後，顯示針對具體患者實施之列出研究的菜單，包括允許使用者審查用於研究之影像資料並生成報告之可選按鈕。
在某些實施例中，影像資料之使用者審查以及使用影像資料實施之任何自動化分析結果係用於生成報告之先決條件。可能需要影像資料之使用者審查及自動化分析來驗證影像分段之準確度。舉例而言，如圖25中所示，在觀看患者清單2506及選擇患者之後，在下一步驟2508中，使用者審查患者之影像資料及如本文所述之自動化處理之結果。
具體而言，在圖25中所示之工作流程2500之審查步驟2508中，使用者使用基於GUI之觀看器檢查所選擇之患者之SPECT/CT影像資料。使用者可選擇觀看及檢查SPECT/CT影像資料作為一組2D切片或3D重現。圖28A顯示GUI觀看器2800之視圖，其中SPECT/CT影像資料顯示為一組2D切片2802a。圖28B顯示基於GUI之觀看器2800之視圖，其中SPECT/CT影像資料顯示為3D重現2802b。
如圖28A及圖28B中所示，GUI觀看器2800將SPECT影像及CT影像顯示為彼此重疊之可選擇層。使用者可一次選擇一個層，以觀看單獨SPECT及/或CT影像，或者可選擇CT層及SPECT層兩者以觀看疊加在CT影像上之SPECT影像。使用者可調整SPECT影像之不透明度，例如，以強調或不再強調疊加在CT影像上之SPECT影像特徵。使用者亦可觀看分段層，該分段層顯示經由第二機器學習模組在CT影像內經鑑別之各種組織區域之位置，如本文所述。以此方式，使用者可例如經由CT影像層及分段層之目視檢查來驗證由第二機器學習模組實施之影像分割。
使用者亦可觀看及驗證經由本文闡述之自動化影像分析方法測定之一或多個攝取度量。舉例而言，圖29A顯示GUI視圖2900，其中GUI之小組2902顯示患者之自動測定之TBR值2904。該小組亦顯示測定之基於TBR之分類2906，其指示TBR值與臨床上顯著之前列腺癌相關。
在某些實施例中，為了幫助測定之攝取度量之使用者驗證，在GUI內顯示圖形元件以指示鑑別之前列腺體積之體素的位置。舉例而言，如本文所述，當TBR值計算為靶強度值對背景強度值之比率時，鑑別SPECT影像中對應於經鑑別之前列腺體積之體素的最大強度。因此，GUI可顯示圖形元件，該圖形元件指示對應於經鑑別之前列腺體積且與SPECT影像中對應於經鑑別之前列腺體積之其他體素相比具有最大強度的SPECT影像之體素之位置。以此方式，向使用者顯示對應於前列腺體積內之位置的最大SPECT強度體素之位置。然後，使用者可例如藉由檢查與CT影像相比之圖形元件之關係來可視地檢驗此最大SPECT強度體素確實位於個體之前列腺內。舉例而言，如圖29A中所示，一組十字形圖形元件2950、2952及2954鑑別最大SPECT強度體素之位置疊加在影像觀看器中所示之2D切片上。
參見圖25，在另一步驟2510中，使用者可選擇生成概述使用上載之SPECT/CT影像針對患者實施之分析之報告，且經由品質控制工作流程被引導。舉例而言，如圖29A中所示，使用者可選擇(例如點擊) GUI之生成報告按鈕2908。在使用者選擇生成報告按鈕2908時，顯示品質控制圖形介面控件2910，如圖29B中所示。品質控制圖形介面控件2910可引導使用者檢查是否滿足各種驗收準則。舉例而言，品質控制圖形介面控件2910引導使用者檢查是否滿足影像要求，且如用於測定TBR值之標靶值及背景值係正確的。使用者可經由選擇按鈕2912來核准自動化分析結果，或可經由選擇按鈕2914來不核准自動化分析結果。
如圖25中所示，在使用者核准品質控制檢查2512之後，自動化評價結果2514用於生成患者之報告2532。如圖29C中所示，在生成報告之前，可向使用者呈現介面控件2916，該介面控件請求使用者確認品質控制之核准。圖29D顯示實例性報告2900d。該報告可包括鑑別品質控制準則2918，以及鑑別核准該品質控制並簽署報告之使用者2920。
如圖25中所示，若使用者不核准2516攝取度量(例如TBR)之自動化測定，則品質控制介面控件可開始引導之評價2518工作流程。在引導之評價工作流程中，使用者可經由與GUI之人工相互作用來人工更新用於測定一或多個攝取度量之值。使用者亦可提供指示患者之影像不能用於準確測定攝取度量之輸入，亦可經由品質控制介面控件(widget)接收該輸入。舉例而言，在對應於不核准品質控制之使用者輸入之後，可向使用者呈現諸如圖29E中所示之GUI元件。圖29E中所示之GUI元件2900e允許使用者經由選擇按鈕2922來選擇是否不能測定患者之TBR值，或者其是否想要經由選擇按鈕2924人工更新用於TBR值計算之標靶及背景強度值。
舉例而言，若使用者確定(例如經由影像之目視檢查)影像之品質太差而不能用於準確測定TBR值，則使用者可選擇GUI元件2900e中之按鈕2922以將該情形鑑別為不可評價。如圖25中所示，在接收情形之使用者鑑別為不可評價2520之後，該情形標記為不可評價2530，且產生報告2532，其將品質控制鑑別為拒絕。圖29F顯示圖形及文本2900f之實例，其可包括於該報告中以將品質控制鑑別為被拒絕。
在某些實施例中，使用者可選擇經由與GUI之人工相互作用來更新用於測定TBR值之標靶及/或背景強度值。一旦接收到指示使用者希望更新標靶及/或背景強度值之使用者輸入2522，則引導其人工設置標靶值2524及/或背景值2526。圖29G顯示顯示給使用者之人工輸入圖形介面控件的視圖2900g，以允許其設置標靶及/或背景值。使用者可點擊按鈕2926以經由與GUI相互作用來人工設置標靶強度值。在選擇按鈕2926時，向使用者呈現體素選擇圖形元件，其允許使用者選擇SPECT影像之體素以用作計算TBR值之最大強度體素。舉例而言，可向使用者提供可移動之十字準線，其允許使用者定位SPECT及CT影像中之位置，例如圖29A中所示之十字準線。使用者可移動十字準線及/或點擊觀看器內之位置以選擇特定體素以用作最大強度體素。如圖29H中所示，人工輸入圖形介面控件之更新視圖2900h可顯示所選擇之最大強度體素之強度值2930，其將用作用於計算更新之TBR值之更新之標靶強度值。
使用者亦可選擇按鈕2928以設置背景值用於計算TBR值。在選擇按鈕2928時，可向使用者呈現體素選擇元件並引導其選擇鑑別(例如基於CT影像層及/或分段層之目視檢查)屬左臀肌肉的多個體素。由於用於計算TBR之背景強度值係對應於左臀肌肉內之物理位置之SPECT影像之多個體素之強度的平均值，因此可引導使用者選擇足夠數量之體素以確保測定準確背景強度值。舉例而言，如圖29H中所示之人工輸入圖形介面控件之視圖2900h中所示，當使用者選擇體素用於測定更新背景強度值時，可顯示多個樣品以及背景強度之更新值2932。在某些實施例中，需要使用者選擇至少預定數量之樣品(例如100)，且顯示之背景強度值及樣品數量2932包括視覺指示(例如顏色變化)以一旦選擇足夠數量之樣品即讓使用者知道。
參見圖25，一旦使用者完成更新之標靶值及/或更新之背景強度值之人工輸入，則使用更新值計算更新之TBR值並將其儲存為半自動評價2528。然後可使用半自動評價結果生成報告2532。E. 實例性基於雲之架構及服務組織
在某些實施例中，本文闡述之系統及方法實現為基於雲之應用。基於雲之應用可使用多個模組(例如面向用戶端之模組，其提供用於接收來自使用者之輸入之介面並向其呈現影像資料及結果)來實現各種功能。面向用戶端之模組又可與其他模組(例如分段服務模組，其實施自動化影像分段以鑑別前列腺體積並計算如本文所述之攝取度量)界接。
圖30顯示用於實現本文闡述為基於雲之應用之系統及方法之實例性微服務網路架構3000。如本所述，特定實例性微服務網路用於稱為Pioneer之實例性基於雲之應用中。在圖30之實例性微服務網路架構3000中，微服務Pioneer網3016係面向用戶端之模組，其服務用戶端3026以向其提供介面(例如藉由服務代碼指令，例如javascript及HTML)，用於與儲存之影像及分析結果相互作用。Pioneer網3016亦與其他微服務通信，如圖30中所示。核查服務3014記錄事件並將事件日誌保存在日誌檔案儲存資料庫3012中。Cognito 3020儲存並認證使用者。核查服務3022追蹤使用者組及消費者產品註冊。註冊服務3024係允許例如使用基於雲之系統註冊使用者之前端服務。切片盒3004以標準化DICOM格式儲存影像檔案，包括諸如CT影像等3D解剖影像及諸如SPECT及PET影像等3D功能影像。影像儲存於影像儲存資料庫3002中。影像服務3006讀取影像(例如DICOM檔案)並將影像及影像後設資料儲存於具體(例如方便；例如，標準化)格式中。分段服務3010實施如本文所述之自動化影像分段及攝取度量測定。分段服務3010自資料儲存資料庫3008讀取由影像服務3006準備之影像資料，實施影像分段及攝取度量測定，並將結果儲存於資料儲存資料庫3008中。
圖30中所示之架構可用於在各種資料中心(包括可公開獲得之資料中心)上實現本文所述之應用及平臺。資料中心以伺服器及網路之形式提供基礎結構，並為例如網路連接、通信，認證、日誌記錄及儲存提供服務。用於該應用之架構3000使用一系列具有有限範圍之功能單元，稱為微服務。每一微服務處理一組獨立之任務，例如影像儲存、風險指數之計算、醫學影像類型之鑑別及其他任務。服務(例如微服務)可使用諸如超文本傳輸協議(HTTP)等標準協議彼此通信。如圖30之架構3000中所示，將應用組織至微服務之網路中允許平臺之各部分個別地縮放以滿足高需求並確保最小之停機時間。在某些實施例中，該架構允許改良或替換組件而不影響應用之其他部分，或者包括該應用程序之平臺以及其他部分。
圖31係顯示用於使用諸如圖30中所示之微服務網路實施CT/SPECT影像之自動化分段及分析的實例性資料流3100之方框流程圖。由使用者上載之影像儲存於切片盒3110中。使用者可啟動對研究(例如，患者之影像)之處理以例如經由用戶端3102a經由與Pioneer網3104a之相互作用而啟動自動化影像分段及分析。研究之處理亦可自動開始(例如，在上載影像之後；例如，以規則之時間間隔)。如圖31中所示，一旦啟動研究處理，Pioneer網3104a與影像服務3106相互作用，以啟動影像資料之準備(例如預處理；例如，格式化)用於自動化分段及分析。影像服務3106將預處理之影像保存於資料庫S3 3112中。Pioneer網3104a藉由分段服務(例如藉由發送SQS訊息)啟動影像分段及分析。分段服務3108自S3 3112讀取包含3D解剖影像及3D功能影像(例如CT/SPECT影像)之影像資料。分段服務3108實施影像分段以鑑別3D解剖影像內之組織體積(包括前列腺體積)，並使用鑑別之組織體積及3D功能影像來計算如本文所述之一或多個攝取度量。自動化影像分段及攝取度量測定之結果保存於S3 3112中。分段服務向Pioneer網3104a發回回叫，指示結果是否成功獲得或是否發生誤差/異常。在接收到回叫時，Pioneer網3104a在通道Pubsub 3118上發佈研究之更新狀態。多個Pioneer網服務3104a及3104b可接收研究之狀態更新並將狀態更新通知與其相互作用之用戶端3102a及3102b。
圖32顯示微服務之間之資料流3200，其顯示用戶端如何請求研究狀態且以與上文所述之方式類似之方式參考圖31通知研究狀態更新。如圖32中所示，用戶端3202可將研究id發送至Pioneer網服務實例3204，其經由Pub/Sub通道3212接收狀態更新。完成之計算(例如如本文所述之完成之影像分段及攝取度量分析)之回叫可自任何分段服務3208進入Pioneer網。研究之完成之計算之狀態可保存於資料庫3210中，且研究之更新狀態被發送至Pub/Sub通道3212。所有Pioneer網實例(例如3204及3206)訂閱狀態更新且可向其相互作用之用戶端3202提供狀態更新(例如，研究之完成之計算之通知)。
在某些實施例中，例如如上文關於圖30及圖31所述，本文闡述之系統及方法之實現可包括影像服務模組，其實施影像資料預處理及格式化，以例如將適當格式化之影像資料提供給實施自動化影像分段及攝取度量測定之分段服務。
影像服務模組可自各種方式預處理不同影像，包括3D功能及3D解剖影像，以標準化及格式化影像。舉例而言，3D功能影像(例如核醫學影像，例如SPECT影像)之預處理可包括實施基本順應性檢查及解釋如以標準格式(例如DICOM PS3 NM影像IOD)所指定之體素強度值。3D功能影像之框可以對應於沿著個體之方向的特定順序(例如頭至腳之次序)佈置。可調整位置以表示第一體素之外角。亦可提取在進一步處理中可能需要之來自3D功能影像之屬性。
3D解剖影像(例如CT影像)之預處理亦可包括實施基本順應性檢查及解釋如以標準格式(例如DICOM PS3 NM影像IOD)所指定之體素強度值。3D解剖影像之切片可以對應於沿著個體之方向的特定順序(例如頭至腳之次序)佈置。亦可確定裁剪邊界以去除3D解剖影像之一或多個區域，其對應於成像患者周圍之空氣。可調整位置以表示第一體素之外角。亦可提取在進一步處理中可能需要之來自3D解剖影像之屬性。
圖33顯示架構3300，其說明實現本文所述之影像分段及分析方法之基於雲之應用可如何與用於實施其他類型之影像分析之其他系統組合，以提供用戶端/使用者可用於多個影像分析應用的基於雲之平臺。圖33中所示之架構3300包括在兩個或更多個應用之間共用之微服務組3320。左圖3310及右圖3330顯示兩個應用中之微服務。微服務網路3330實現如本文所述之Pioneer基於雲之應用之版本，並提供CT/SPECT影像之自動化分析、攝取度量(例如TBR)之計算以及報告之生成。左圖中所示之微服務網路3310實現基於網之應用，稱為aBSI，其分析用γ照相機獲得之全身掃描，並計算自動化骨掃描指數(BSI)。關於aBSI及自動化BSI測定之其他詳情提供於2017年10月10日提出申請之美國專利申請案第15/794,220號中，其內容之全文以引用方式併入本文中。F. 鑑別所關注之其他靶體積及計算攝取度量
關於圖34，本文闡述之方法可用於鑑別其他靶體積，例如肺、淋巴結、骨、肝。可使用其他影像類型。各種放射性藥品可用於生成3D功能影像。舉例而言，在某些實施例中，1404係用於SPECT影像之成像劑，且在某些實施例中，PyL係用於PET影像之成像劑。在一個實施例中，在組織中(例如，在淋巴結中)對個體之整個身體實施成像以檢測疾病(例如腫瘤)。使用本文所述之方法自動測定腫瘤之總數及/或大小及/或與患病組織(例如癌症)之擴散及/或數量相關之另一度量。舉例而言，在過程3400中，在步驟3402及3404，分別接收3D解剖影像及相應3D功能影像。第一CNN可用於有效地鑑別3406初始3D解剖影像之一或多個子區域用於由第二CNN更詳細地分段3408，且在鑑別之一或多個子區域內分析相應3D功能影像以量化總體成像劑攝取及/或提供指示個體中疾病之水準及/或程度的計算之度量3410。G. 實例 1 ：來自 SPECT/CT 成像之前列腺 PSMA 攝取的自動化檢測及量化
在此實例中，99mTc MIP-1404 (即前列腺特異性膜抗原(PSMA)之小分子抑制劑)用於檢測前列腺癌中之臨床上顯著之疾病。此實例之目的係為SPECT/CT影像中前列腺MIP-1404攝取之自動檢測及量化研發深度學習模型。
基於卷積神經網路研發深度學習算法用於自CT影像自動地分段前列腺及骨盆骨。該算法經設計以處理高劑量及低劑量CT影像以及全身及部分身體視野，而無需人工相互作用。訓練材料由具有完整且不同之分段之針對相關解剖學區域人工實施的100個診斷性CT影像(全部為男性)組成。在包括102名高風險前列腺癌患者之MIP-1404 II期研究上驗證該算法，該等患者在根治性前列腺切除術皆經歷PSMA成像。使用OsiriX醫學影像觀看器(Pixmeo SARL)藉由量測切片中放置於前列腺內部之圓形ROI中之最大攝取人工量化所有驗證掃描，且視覺上確定具有最高攝取值之區域。自動算法使用其體積分段來量測前列腺中每一體素之攝取，且暫存最大攝取。皮爾森(Pearson)相關係數用於評價前列腺攝取之人工及自動化量化之間之一致性。
基於訓練材料之算法具有270萬個參數，且使用Adam (梯度下降之變體)經最佳化。在測試組中，由於過多之CT偽影、不完整之資料及/或資料格式問題，排除了34例患者(33%；34/102)之1404影像。可評估之患者(N=68)在商品硬體上之計算時間為13秒(每個病例)。自動化最大攝取值與前列腺中人工獲得之值顯著相關(r=0.95，95% CI=[0.91,0.97]；斜率=0.89，95%CI=[0.80,0.98]；p＜0.0001)。算法係完全自動化及確定的，導致100%之可重複性。
此實例證實前列腺中MIP-1404攝取之客觀及自動化量測的可行性。H. 實例 2 ： 自動化分段及攝取度量測定之技術及臨床性能
實例2顯示經由稱為Pioneer之實例性基於雲之應用實現之本文所述自動化影像分段及攝取度量測定方法的實施例之技術及臨床性能的評估。為了確立Pioneer之假設生成算法，使用來自兩項臨床研究之MIP-1404 SPECT/CT影像資料，包括健康志願者(1期研究：MIP-1404-1301)及患有前列腺癌且具有在根治性前列腺切除術後可獲得之組織病理學資料的患者(2期研究：MIP-1404-201)。資料比較接收者操作特徵曲線(ROC)、靈敏度、特異性、由Pioneer產生之正負預測值與傳統人工讀數獲得之彼等的資料顯示Pioneer可成為在MIP-1404影像解釋中輔助放射師之有用工具；藉此促進患有前列腺癌之患者之評估。 i. 技術性能
分別如OTHA-2262及OTHA-2263中詳述，前瞻性地定義算法之分段及量化性能準則及動機之分析檢驗。使用總共61個1404 SPECT/CT影像及核醫學醫師之護理標準讀數作為用以評估分析性能之基準。所有人工讀取皆獨立且盲目地根據技術性能接受準則完成。
前列腺分段性能測試展現平均dice為0.77且標準偏差為0.012。單側95%信賴區間之較低終點為0.75，高於OTHA-2262中預定義之臨限值(0.70)。背景(左臀大肌)分段性能測試展現平均dice為0.94且標準偏差為0.002。單側95%信賴區間之較低終點為0.94，高於OTHA-2262中預定義之臨限值(0.80)。
由自動化Pioneer軟體預測之總共61個(6.6%)標靶位置中僅四個由人類專家(核醫學讀取器)分類為有缺陷。結果優於OTHA-2263中指定之結果(10%拒絕)。 ii. 臨床性能
在臨床性能之回溯性特定分析中，將14名健康志願者(1期研究MIP-1404-1301)及105名前列腺癌個體(2期研究MIP-1404-201)組合在單一同類群組中用於利用Pioneer進行分析。排除MIP-1404-201中接受前列腺癌之先前療法之個體。
亦排除具有CT偽影或不能重構用於自動化分析之影像。自61名前列腺癌患者及14名正常志願者評估總共75個影像。
針對在MIP-1404 SPECT/CT成像後已診斷患有前列腺癌且已經歷根治性前列腺切除術之彼等的組織病理學真實標準，評估Pioneer之自動化評價。對於健康志願者而言，假設其在研究時基於其正常PSA及骨盆MRI無前列腺癌。斯皮爾曼(Spearman)之rho用於評估與格裡森評分之相關性。接受者操作特徵(ROC)曲線下之面積用於確定檢測前列腺腺體中之前列腺癌的算法之性能。自ROC曲線之最佳臨限值/截止值測定靈敏度及特異性。
1404影像之自動化量化評價與格裡森評分相關(rho：0.54；p＜0.0001)。ROC曲線展現AUC為0.80 (95% CI：67-94)。區分臨床上顯著之前列腺癌與臨床上不顯著之癌症或正常前列腺之基於二元TBR之結果的最佳臨限值經測定為25。使用此臨限值，Pioneer使用來自MIP-1404-1301及MIP-1404-201研究之1404 SPECT/CT影像區分臨床上顯著之前列腺癌與臨床上不顯著之前列腺癌或正常前列腺，靈敏度為75%且特異性為80%。
因此，Pioneer藉由(i)在所有診斷終點上提供更客觀及可再現之讀取性能，以及(ii)提供關鍵診斷性能參數(例如靈敏度、特異性)之點估計值，其使用組織病理學作為真實標準顯示一致性＞70%。I. 實例 3 ： 用於 1404 CT/SPECT 影像之自動化及半自動化分析的實例性基於雲之軟體
實例3係基於雲之軟體平臺之實例，稱為Pioneer，其實現本文闡述之自動化影像分析方法之實施例。Pioneer係根據規定及資料安全性標準實現之基於雲之軟體平臺，其中使用者可上載1404 SPECT/CT影像資料，使用二維及三維醫學影像觀看器觀看，經由使用者之普通網絡網路瀏覽器評價，並審查及導出TBR值。該軟體亦提供品質控制工作流程，其中使用者可利用選項拒絕及/或調整自動化分析來評價分析之品質。
因此，在使用者之監督下，軟體採用人工智能算法以自動鑑別並分析所關注區域(ROI)。Pioneer自ROI提取影像資料以提供基於前列腺及背景中之攝取的客觀分析-標靶對背景(TBR)。由於前腦腺中之信號經常被來自膀胱之信號所掩蓋(MIP-1404在尿液中排泄)，因此在軟體中亦建立了分段膀胱及抑制膀胱相關信號之能力，從而使能夠更準確地量測前列腺信號。
Pioneer之非臨床性能資料包括檢驗及驗證(V＆V)評價，包括測試方法之定義。預先測定之驗收準則經設計以最小程度地確保與最先進等效之性能(人工評價)。檢驗包括具有所有軟體要求之功能測試之軟體單元測試、整合測試及軟體系統測試。實施驗證過程以確保系統滿足使用者要求之說明書。V＆V測試結果顯示，Pioneer滿足其預期用途、使用者及軟體要求。J. 實例 4 ：臨床上顯著之發現之 TBR 臨限值的選擇
實例4係顯示如何測定用於將患者前列腺癌病理學劃分為臨床顯著性及臨床上不顯著性分類之TBR臨限值的實例。
組合SPECT/CT影像之兩個資料集以選擇適當臨限值。第一資料集包含取自1404藥物之I期研究之健康個體之影像。此資料集最初含有14個影像。根據本文所述之方法實施影像內前列腺之分段，並排除前列腺分段明顯失敗之兩個影像，導致剩餘12個影像。第二資料集包含源自1404藥物之II期研究的患有前列腺癌之個體之影像。基於關於來自根治性前列腺切除術之組織病理學的個體之格裡森等級對影像進行分割。總格裡森評分為7分或以上被認為臨床上顯著，且總格裡森評分為6分或以下被認為臨床上不顯著。此資料集最初含有65個影像(63臨床上顯著，2個臨床上不顯著)，在排除影像未覆蓋整個骨盆區域之一個影像及前列腺分段明顯失敗之一個影像後，剩餘63個(61個臨床上顯著，2個臨床上不顯著)。
總之，使用無臨床上顯著之病理學之14個影像及具有臨床上顯著之病理學之61個影像。
實現本文所述之自動化影像分段及攝取度量測定方法之實施例的軟體包(ctseg包裝版本1.0.0rcIII)用於計算影像之TBR值。
圖35A顯示臨床上不顯著(在x軸上＜= 6)及臨床上顯著之影像(在x軸上＞ = 7)之群集圖。臨限值為25指示，對測試資料之靈敏度為0.77(Jeffreys單側95%信賴區間之較低終點為0.67)，且特異性為0.71(Jeffreys單側95%信賴區間之較低終點為0.50)。圖35B顯示基於改變TBR臨限值之ROC曲線。TBR臨限值25之點標記為3502(紅色圓形標記)。
如圖35A及35B中所示，臨限值25提供了用於區分具有臨床上顯著之前列腺癌之患者及不具有臨床上顯著之前列腺癌之患者的值。然而，由於幾乎沒有與臨限值非常接近之資料點，因此對於資料之小的隨機變化，靈敏度及特異性之估計不穩健。為了得到更穩健之估計，R包裝「scdensity」用於估計分別臨床上不顯著及顯著之影像的log TBR值分佈之平滑單峰密度。由此，針對不同TBR臨限值計算靈敏度及特異性之估計值，參見表1。
表1. 針對不同TBR臨限值之靈敏度及特異性的穩健估計值.
因此，基於此實例中闡述之分析，基於期望特異性及靈敏度選擇25之TBR臨限值。該等基於1期及2期資料之初步研究顯示，與人工讀數相比，使用自動化方法改良了MIP-1404 SPECT/CT之診斷準確度。K. 實例 5 ：利用 AI 分析來自 3 期研究之影像
此實例展現在3期多中心、多讀取器、開放標記研究之背景下使用本文所述之基於人工智能(AI)之影像分析系統及方法的實施例。具體而言，此實例闡述經由研究MIP-1404-3302(下文稱為「3302研究」)獲得之結果，該研究標題為「評估99m
TC-MIP-1404 SPECT/CT成像之安全性及效能之3期研究」及PIONEER作為組合產品以檢測具有生檢證實之低級前列腺癌(proSPECT-A1)之男性的臨床上顯著的前列腺癌。在3302研究中，基於雲之實現本文所述之影像分析技術(稱為「PIONEER」)用於輔助醫師基於使用99m
TC-MIP-1404作為成像劑(用於SPECT成像)獲得之SPECT/CT影像的分析及解釋鑑別具有及無臨床上顯著之前列腺癌之個體。如本文所用，片語「1404 SPECT/CT影像」及「1404 SPECT/CT成像」分別係指使用99m
TC-MIP-1404作為SPECT之成像劑獲得之SPECT/CT影像，或用於獲得該等影像之成像過程。
3302研究建立於3期研究MIP-1404-3301(下文稱為「3301研究」)之基礎上，該研究之標題為「評估1404 SPECT/CT成像之安全性及效能之3期研究以檢測具有生檢證實之低級前列腺癌之作為主動監督之候選者之男性的臨床上顯著的前列腺癌。3301研究亦評估使用1404 SPECT/CT成像來鑑別具有及無臨床上顯著之前列腺癌的個體。然而，在3301研究中，診斷係由醫師使用習用人工讀取方法(本文中進一步詳細闡述)實施，而無PIONEER之輔助。
此實例概述經由兩種方法獲得之結果，並將3302研究中實施之AI輔助之診斷的結果與3301研究之習用人工讀取診斷進行比較。
簡言之，3301及3302研究利用自亦可獲得組織病理學結果之個體獲得之1404 SPECT/CT影像之共同資料集。在3301及3302研究二者中，分析每一個體之SPECT/CT影像以將前列腺癌狀態分配為臨床顯著或臨床上不顯著，即呈臨床上顯著之前列腺癌陽性或陰性。將自1404 SPECT/CT影像分析獲得之結果與基礎真實組織病理學結果進行比較，以評定1404 SPECT/CT成像對鑑別臨床上顯著之前列腺癌之靈敏度及特異性。
在3301研究中，經由習用人工讀取方法分析1404 SPECT/CT影像，其中醫師使用標準成像觀看軟體滾動二維CT及SPECT影像切片、人工定位標記以鑑別所關注區域，並計算TBR值。相反，在3302研究中，醫師使用本文所述之系統及方法之實施例實施AI輔助之審查。具體而言，在3302研究之人工智能AI輔助之方法中，使用類似於圖25所示之工作流程，其中醫師在PIONEER軟體之幫助下實施其影像分析。對於每一影像，PIONEER軟體實施前列腺之3D分段，計算初始TBR值，且基於初始TBR值與預定義臨限值之比較，以完全自動化方式將個體分配為初始前列腺癌狀態。經由關於由PIONEER軟體實現之圖26A-29H之上文所述之GUI的略微修改版本，向醫師提供此自動化分析之結果以供審查。醫師可接受完全自動化分析之結果，或拒絕該等結果並使用GUI來更新標靶及/或背景值，並以半自動化方式重新計算TBR。
如下文詳細闡述，發現3302研究中使用之AI輔助方法之結果比3301研究之習用人工讀取方法更準確。此外，藉由減少或實質上消除對主觀人類判斷之依賴，3302研究之AI輔助之方法提供了高度一致且可重現之結果，其係以快速方式獲得，而在大多數情況下醫師僅僅核准全自動化分析。 i. 3301 研究、研究群體、成像及人工讀取方案 .
3301研究係一項多中心、多讀取器、開放標記研究。3301研究於2015年12月開始。3301研究於2017年12月完成入選及隨訪。結果之分析包括於本文中。
3301研究之目的係評價1404 CT/SPECT成像以檢測男性的臨床上顯著之前列腺癌，該等男性具有組織病理學發現為總格裡森評分小於或等於3 + 4的診斷反直腸超音波(TRUS)引導之生檢，及/或係主動監督之候選者。
兩個同類群組之個體入選。第一同類群組(稱為「同類群組A」)係生檢證實低至中等等級前列腺癌之男性(即，其生檢分配為總格裡森評分為3 + 3或3 + 4 )，其係主動監督之候選者，但選擇進行根治性前列腺切除術(RP)。第二同類群組(稱為「同類群組B」)係生檢證實風險極低之前列腺癌且經排定以經歷作為常規主動監督之一部分的常規重新生檢的患者。
研究目的係評估(1)1404 SPECT/CT成像對鑑別無臨床顯著之前列腺癌(例如總格裡森評分為小於或等於3 + 4)之個體的特異性，以及(2)1404 SPECT/CT成像鑑別具有臨床上顯著之前列腺癌(例如總格裡森評分大於3 + 4)之個體的靈敏度。
實施1404 SPECT/CT成像，其中所有入選個體皆接受單劑量之20 ± 3 mCi (740 ± 111 MBq)99m
TC-MIP-1404注射，之後在注射後3-6小時內進行SPECT/CT及全身平面成像。根據標準護理程序，個體在研究藥物給藥後42天內經歷自願RP手術(同類群組A)或前列腺生檢(同類群組B)，之後對樣本進行組織學評價。對前列腺標本(同類群組A)或生檢(同類群組B)實施組織病理學以確立每一患者之基礎真實前列腺癌狀態。中心病理學家對所有臨床資料(包括成像結果)皆係盲化的。
使用習用人工讀取方法分析影像。以此方式實施之影像分析及診斷在下文中亦稱為「無輔助」。使用如在大多數醫院中通常發現之習用SPECT/CT成像工作站軟體(例如在此情形下MIM軟體公司之MIMvista)實施無輔助分析。圖38A顯示如在習用無輔助工作流程中使用之MIMvista GUI之截屏。在無輔助工作流程中，影像讀取器(例如醫師或技術專家)觀看呈2D切片形式之CT及SPECT影像。如圖38A中所示，顯示一組CT切片3802a、3802b及3802c以及相應SPECT影像切片3804a、3804b及3804c。讀取器在CT影像切片(例如3802a)中定位前列腺(例如人工)。然後，讀取器人工滾動切片以鑑別SPECT影像中其中讀取器感知最大攝取之最大攝取切片。一旦讀取器鑑別此最大攝取切片，讀取器(人工)將固定大小之圓形標記3806放置於CT影像中之相應切片中以鑑別所關注區域，如圖38B中所示。然後記錄所關注區域中之最大攝取(即，在圓圈內)(諸如MIMvista等習用軟體僅顯示此數字，以及諸如平均攝取等其他值)。
參見圖38C，讀取器實施類似之程序以測定背景值。讀取器在前列腺附近之閉孔肌中放置圓形標記以鑑別所關注區域3808，並記錄該區域中之平均攝取作為背景值。然後將TBR計算為最大攝取值對背景值之比率。值得注意的是，在此習用方法中，未實施自動化3D分段。相反，讀取器逐片檢查SPECT/CT影像之切片，以最終在CT影像切片內經鑑別所關注之兩個區域。另外，與使用臀肌肉作為用於測定背景值之參考組織(如使用PIONEER系統所做之那樣)相反，將閉孔肌用作參考組織區域。
在3301研究中，三名獨立之盲化醫師讀取器分析1404 SPECT/CT影像，以基於所測定之TBR值分配每一個體為臨床上顯著或臨床上不顯著之前列腺癌狀態。中心組織病理學評估用作評價1404 SPECT/CT成像之診斷性能的基礎事實，基於影像之分析結果與組織病理學結果進行比較。 ii. 3302 研究
3302研究建立於3301研究之基礎上，使用相同之患者群體及影像資料，但評估本文所述之AI輔助影像分析方法之性能以檢測臨床上顯著之前列腺癌。具體而言，3302研究係基於自3301研究獲得之資料集之分析(SPECT/CT影像及組織病理學)的前瞻性定義之回溯性研究。. 如在3301研究中及本文所述，中心組織病理學評估用作評價性能之基礎事實。3302研究之兩個主要終點如下：
• 與根治性前列腺切除術(同類群組A)或前列腺生檢(同類群組B)後之組織病理學相比，99m
Tc-MIP-1404之特異性及PIONEER作為組合產品以檢測臨床上顯著之前列腺癌；及
• 與根治性前列腺切除術(同類群組A)或前列腺生檢(同類群組B)後之組織病理學相比，99m
Tc-MIP-1404之靈敏度及PIONEER作為組合產品以檢測臨床上顯著之前列腺癌。
本文闡述使用之工作流程、分析方案及將3302研究之AI輔助方法之性能與3301研究之無輔助人工方法進行比較之結果。 iii. AI 輔助之影像分析工作流程
使用本文所述之品質控制及報告工作流程之型式(例如關於圖25)，在3302研究中在PIONEER輔助下實施影像分析。圖39顯示3302研究中使用之特定工作流程3900之方塊流程圖。如所示，技術人員實施一組步驟3902以藉由PIONEER軟體上載及啟動初始自動化分析，之後醫師審查分析並在品質控制及報告工作流程3904中實施步驟。
技術人員負責上載1404 SPECT/CT影像資料並確保滿足成像要求。然後啟動自動化分析，導致三個結果之一，其經由如圖40A – C中所示之分析GUI之窗呈現。圖40A顯示分析GUI之窗之截屏，其用於指示自動化分析成功完成且影像準備好進行審查(例如由醫師)。圖40B顯示分析GUI之窗之截屏，其指示由於分析誤差而未完成自動化分析，在此情形下，由醫師實施之人工引導用於完成分析(該等情況亦被視為準備好進行審查)。圖40C顯示分析GUI之窗之截屏，其用於指示，由於不完整之資料而未完成自動化分析，且需要由技術人員校正成像問題及/或重新上載資料。
為了審查影像，醫師使用類似於本文所述之GUI遵循圖39之工作流程。圖41-44顯示醫師用於分析影像並實施診斷之GUI之各種窗的截屏。圖41顯示截屏，該截屏顯示欲由醫師審查之患者清單。醫師讀取器選擇特定患者來檢查其資料並分配前列腺癌狀態。
在選擇患者後，醫師讀取器審查自動化分析之結果。圖42A-E顯示醫師用於審查藉由PIONEER軟體實施之自動化分析之結果的分析GUI之截屏。3302研究中使用之PIONEER軟體中實現之分析GUI類似於本文關於圖29A – H所示及所述之分析GUI。圖42A係醫師所呈遞之分析GUI之視圖的截屏。圖42A中之截屏類似於圖29A中所示之視圖，且顯示具有疊加在CT影像資料上之SPECT影像資料之2D切片及鑑別前列腺之分段遮罩。與圖29A一樣，圖42A中之GUI視圖亦基於TBR值與如本文所述之臨限值之比較，顯示自動測定之TBR值及前列腺癌狀態之分配(例如分配為「臨床上顯著」)。圖42B顯示圖42A中所示之觀看器之另一截屏，其中醫師切換至SPECT/CT影像資料及分段遮罩之3D體積視圖。
如圖42A中所示，且在圖42C中進一步詳細顯示，3302研究中使用之分析GUI亦包括將個體之結果分配為四個臨床上顯著之類別的可能性嚴重程度等級。具體而言，除了臨床上顯著或臨床上不顯著之二元分類外，基於計算之TBR值三個臨限值之比較，將個體之前列腺癌狀態分配為四個類別中之一者。在可能性嚴重程度量表中，對於TBR值低於第一臨限值分配「非常不可能」之狀態，對於TBR值大於或等於第一臨限值且低於第二臨限值分配「不可能」，對於TBR值範圍為第二臨限值至第三臨限值分配「可能」，且對於值大於第三臨限值分配「非常可能」之。
使用實例4中闡述之ROC分析，參考圖35A及35B，測定用於將個體分配為可能性嚴重程度量表上之類別的三個TBR臨限值。選擇三個臨限值中之每一者以產生特定靈敏度及特異性值對。下表2顯示與表1中相同之資料，但擴展至顯示額外TBR臨限值之特異性及靈敏度資料。圖45A及45B重新繪製圖35A及35B中所示之資料，但具有三個TBR臨限值用於將個體分配為所指示之可能性嚴重程度量表上之類別。如表2及圖45A及45B中所示，選擇臨限值為12作為第一個較低之臨限值以提供0.95之標靶靈敏度；選擇臨限值為25作為第二個中間臨限值以提供0.75之靈敏度及特異性(對於二者)，並選擇臨限值為45作為第三個上限臨限值以提供0.9之特異性。下表3顯示該三個臨限值中每一者之Jeffreys單側95%信賴區間(CI)的較低終點。
表2.不同TBR臨限值之靈敏度及特異性的穩健估計值
表3. 三個TBR臨限值之靈敏度及特異性之直接估計值以及Jeffreys單側95%信賴區間之較低終點
圖45C及45D顯示該等臨限值以及可能性嚴重程度量表上之相應類別如何與用於測定臨限值之I期及II期研究群體中之個體的總格裡森評分(範圍為2至10)相關。圖45C及45D中所示之結果顯示具有所指示之四類別標記方案之可能性嚴重程度量表，其隨後被更新為圖42A及42C中所示之四個等效類別。「確定陰性」(在圖42C中所示之量表中稱為「非常不可能」)類別4501對應於低於12之TBR值。「可能陰性」(在圖42C中所示之量表中稱為「不可能」)類別4502對應於範圍為12至25之TBR值。如圖45A及45B中所示，基於TBR值分配為「確定陰性」4501及「可能陰性」4502類別之患者的總格裡森評分低於7。「可能陽性」(在圖42C中所示之量表中稱為「可能」)類別4503對應於範圍為25至45之TBR值，且捕獲7及8之格裡森評分。TBR值高於45之患者被分配為「確定陽性」(在圖42C中所示之量表中稱為「非常可能」)類別4504，且通常將具有9或10之總格裡森評分。
如本文先前所述，給予醫師核准自動化評價或廢除完全自動化評價並更新用於計算TBR之標靶(最大攝取)值及背景值的選項。圖42D顯示由醫師用於更新用於計算TBR之標靶及背景值之GUI視圖的截屏。亦給予醫師更新如圖42E中所示之臨床上顯著之分類的選項。
如圖39中所示，一旦醫師完成了品質控制工作流程，則生成報告3903。圖43A顯示經由完全自動化評價生成之報告，其中醫師僅僅核准了TBR計算及臨床上顯著之狀態，如經由PIONEER軟體之自動化分析所測定。圖43B顯示經由半自動化分析生成之報告，其中醫師由軟體輔助，但更新標靶及背景值。圖44顯示不可評價之情形所生成之報告。 iv. 3302 研究結果
3302研究使用三個獨立讀取器(新讀取器，不同於在3301研究中實施資料分析之讀取器)以經由本文所述之工作流程分析1404 SPECT/CT影像，且鑑別患者是否具有臨床上顯著之前列腺癌狀態。在3301研究中之464例中，13例由於缺失病理(3例)或技術問題(10例)而被排除，而在3302研究中留下總共451例用於分析。第一讀取器(稱為「AI讀取器1」)分析451例，第二讀取器(稱為「AI讀取器2」)分析450例，且第三讀取器(稱為「AI讀取器3」)分析441例。
如圖46中所示，本文所述之AI輔助分析方法允許醫師在很大程度上基於PIONEER軟體產生之完全自動化評價，對每一患者之前列腺癌之臨床顯著性及嚴重程度做出快速評價。圖46中之直方圖顯示每一讀取器在特定時間內能夠處理之病例數。在3302研究中使用PIONEER軟體實施例之讀取器每病例花費平均3.5分鐘。相反，在3301研究之人工讀取方法中，對於每一病例，技術人員花費大約5至10分鐘人工將所關注之區域放置於前列腺及背景(閉孔器)中，如上所述，放射師隨後花費額外5至10分鐘來評估且然後填寫一份病例報告表。因此，AI輔助方法提供顯著的效率改良，每一病例花費之時間自單一病例之20分鐘減少至每個病例平均3.5分鐘。
此外，如圖47中所示，經由3302研究之AI輔助方法實施影像分析及前列腺癌狀態診斷，可獲得高度一致且可重現之結果。結果之一致性係指不同讀取器之間結果之相似性。再現性係指讀取器內部之變異性，亦即單一讀取器重複分析所產生之結果之間之相似程度。
圖47中之圖集展現經由3302研究之AI輔助方法獲得之結果之一致性及再現性。值得注意的是，如該圖之直方圖4702中所示，大多數介於69%與85%之間)之病例係以完全自動化方式處理，且醫師讀取器僅僅核准由PIONEER系統實施之二元分類。其餘之病例係以半自動化方式處理，且醫師介入以更新最大攝取標靶值。
讀取器介入以選擇標靶值之新的最大強度影像體素之主要原因係由於膀胱強度溢出至SPECT影像中之前列腺區域中。據信此主要係由於康普頓(Compton)散射引起的。PIONEER系統包括如本文所述之膀胱溢出校正特徵。然而，在某些病例下(特別是在3301及3302研究中檢查之低等級疾病群體中，其中前列腺攝影很小)，讀取器不同意(例如認為標靶體素之自動化選擇不準確)自動化分析，並在PIONEER系統之幫助下更新標靶體素選擇。
接受完全自動化結果之高速率係顯著的，此乃因完全自動化診斷消除讀取器內及讀取器間之可變性(允許完全一致及可再現之結果)。
圖右側之散佈圖4710a、4710b及4710c (統稱為4710)以及4720a、4720b及4720c (統稱為4720)顯示讀取器之間之可變性。每個圖比較經由特定AI輔助讀取器獲得之TBR結果與藉由內部參考讀取器(其亦使用PIONEER軟體並遵循與3302研究之三個讀取器相同之方案)獲得之彼等結果。每個點代表一病例，其中y軸值給出由內部讀取器計算之TBR值，且x軸值給出由特定讀取器計算之TBR值。散佈圖4700顯示經由完全自動化評價實施之病例，正如完全(r = 1)相關係數所證明，其消除了讀取器間之可變性並允許完全一致之結果。以本文所述之半自動化方式分析之病例示於圖4720中。散佈圖及高相關係數(優於r = 0.95)顯示，即使當讀取器介入以更新標靶體素選擇時，亦獲得高度一致之結果。因此，即使此標靶體素之放置係主觀的，PIONEER系統之幫助亦可獲得高度一致之結果。
顯示在3302研究中分析影像之三個AI輔助讀取器之性能以及來自圖48A及圖48B中之3301研究之三個人工讀取器之性能。圖48A顯示3302研究之三個AI輔助讀取器及3301研究之三個人工讀取器中之每一者之接收器操作特徵(ROC)曲線。ROC曲線顯示靈敏度及特異性如何隨著用於將患者二元分類為呈臨床上顯著之前列腺癌陽性或陰性之TBR臨限值變化而變化。如本文所述，在3301及3302研究二者中，組織病理學用作靈敏度及特異性分析之基礎事實。下表4顯示1404 SPECT/CT成像結果如何與組織病理學進行比較，以確定每一特定情況下成像結果係真陽性(TP)、真陰性(TN)、偽陽性(FP)抑或偽陰性(FN)。
表4.藉由組織病理學對99mTc-MIP-1404及PIONEER成像結果進行分類
陽性前列腺組織病理學結果定義為在MIP-1404 SPECT/CT成像後，在電子病例報告表上報告之以下中之臨床顯著疾病：(i)在至少一個前列腺葉中(對於同類群組A)或(ii)在前列腺生檢中(同類群組B)。對於同類群組A，臨床上顯著之疾病之中心組織病理學實驗室評價得到以下發現中之至少一者之支持：
•前列腺內任何格裡森等級疾病等級大於3 + 4；
•前列腺內任何格裡森等級疾病3 + 4，其中大於或等於10%為等級4；及
•前列腺內之任何大於或等於階段T3 (pT3，根據前列腺癌階段分級系統)之疾病。
在同類群組B中之個體隨後經歷RP之情況下，然後將自前列腺樣本獲得之組織病理學結果用作參考標準，其中同類群組B中其餘個體用於亞組分析。
陽性成像評價指示根據成像讀取器之決定存在前列腺癌(即，基於1404 SPECT/CT成像資料之評估)。
特異性定義為組織病理學定義之非臨床上顯著之前列腺癌個體(即，具有小於或等於3 + 4之總格裡森評分)中真陰性(TN)之比例。特異性如下計算：
特異性 = TN/(FP + TN)。
靈敏度係組織病理學定義之臨床上顯著之前列腺癌個體(即，具有大於3 + 4之總格裡森評分)中之真陽性(TP)之比例。靈敏度如下計算：
靈敏度 = TP/(TP + FN)。
改變TBR臨限值給出不同之TP、FP、FN及TN之比率，並因此給出不同之靈敏度及特異性。對於每個讀取器，圖48A中所示之ROC曲線繪製在TBR臨限值變化時靈敏度及特異性之此所得變化。如該圖中所示，所有AI輔助讀取器曲線皆位於人工讀取器之曲線之上，指示AI輔助方法之性能得以改良。此外，如圖48B中所示，計算每一讀取器之曲線下面積(AUC)值，且與人工讀取器之性能相比，AI輔助讀取器之性能得以改良。
圖49A-C比較內部參考讀取器(圖47中與其比較3302研究之三個AI輔助讀取器)之性能與3301研究之人工讀取器中之每一者之性能。如由圖47中所示之資料所展現，內部參考讀取器之性能與3302研究之三個AI輔助讀取器高度相關並代表3302研究之三個AI輔助讀取器。圖49A-C比較AI輔助內部參考讀取器(在該圖中稱為「PIONEER讀取」)與3301研究之每一人工讀取器之間之二元分類(基於TBR值與臨限值之比較分類為呈臨床上顯著之疾病陽性或陰性)的個別ROC模型。在每一情況下，與人工讀取器相比，AI輔助讀取器之AUC度量之改良係統計學顯著的(p值為0.01、0.02及0.045)。
如圖49A - C中所示，AI輔助內部參考讀取器之AUC為0.66 (95% CI：0.61-0.71)。邏輯式回歸指示最佳TBR臨限值為14.4，靈敏度為65% (95% CI：61%-70%)且特異性為62% (95% CI：58%-67%)。自動化性能明顯優於人工讀取器1 (AUC 0.63；p = 0.0445)、人工讀取器2 (AUC 0.62；p = 0.0201)及人工讀取器3 (AUC 0.62；p = 0.0122)。另外，當使用包括基線共變量(考慮患者年齡、體重及PSA評分)之多變量模型時，將3302研究之AI輔助方法之性能與3301研究之人工讀取方法進行比較。對於多變量模型，AI輔助內部參考讀取器展現比人工讀取方法(AUC 0.77)更高之預測臨床上顯著之疾病之準確度(AUC 0.80)，p = 0.0014。
因此，此實例展現，利用1404成像資料之醫師輔助PIONEER評價組合表示，相對於人工讀取器，評價前列腺癌之臨床顯著性的特異性及靈敏度顯著改良。另外，PIONEER輔助醫師在分析成像資料時非常有效且產生高度可重現之結果，以及關於診斷之臨床嚴重程度之有用資訊。L. 實例 6 ：由第一機器學習模組 ( 本地化機器 ) 及第二機器學習模組 ( 分段機器 ) 實現之卷積神經網路之訓練及驗證
實例6係顯示根據本文所述之態樣及實施例用於將CT影像分段以鑑別各種組織體積(包括前列腺體積)之CNN模組之訓練及驗證的實例。在此實例中，使用具有Tensorflow後端之Keras框架來定義及訓練神經網路。 i. 訓練及驗證資料
訓練及驗證資料包括與由放射師校正之半自動化分段耦合之CT影像，其描繪以下全部或一些身體部位：(i)前列腺；(ii)膀胱；(iii)直腸；(iv)左臀大肌；(v)右臀大肌；(vi)左臀骨；(vii)右髖骨；及(viii)骶骨及尾骨。
為了訓練定位CNN，使用90個高品質CT影像來對上述所有身體部分進行分段。對於訓練左臀大肌之高解析度分段之分段CNN，使用該等及10相同類型之個影像。對於訓練前列腺之高解析度分段之分段CNN，使用73個低品質影像之額外資料集，其具有前列腺及膀胱之更多解剖學變化(由於疾病)。該等額外影像僅與前列腺及膀胱之分段匹配。對於該73影像，產生直腸、左及右髖骨以及骶骨及尾骨之偽標記。偽標記係使用先前訓練之網路(在100個高品質CT影像上訓練之網路)生成之預測標記。在訓練之前，偽標記與人工標記合併。 ii. 訓練構形
每一訓練運行由命名為config.json之構形檔案定義。構形檔案包括以下參數：(i)使用哪個資料集；(ii)資料預處理；(iii)將資料劃分為訓練及驗證集；(iv)模型結構；及(v)訓練超參數。
當訓練之模型用於推斷時，使用此構形檔案，以確保在訓練期間在推斷期間完成相同之影像預處理。 iii. 預處理
構形檔案定義在訓練期間施加哪些預處理步驟。包括若干預處理步驟。實施裁剪預處理步驟以去除周圍空氣以進行定位訓練，並裁剪出用於分段之骨盆骨、膀胱、直腸及前列腺定義之定界框。藉由減去固定值且然後除以另一固定值來實施固定之強度正規化步驟，其中選擇該等值使得影像中體素之強度平均具有平均強度0及標準偏差1。亦藉由重新取樣使影像重新定形為固定大小。對於定位，對於在每一方向上具有中值大小之影像，每一方向上之解析度降低4倍。對於高解析度分段，對於在每一維度上具有中值大小之影像，解析度不會改變。其他預處理步驟包括分段標記之獨熱編碼(one-hot-encoding)，分段標記如部分iv中所定義重新加權。「最佳化」，下文，及資料增加，如部分iv中所定義。「最佳化」，下文。
離線實施一些預處理步驟以便加速訓練，從而產生預處理之資料集。屬訓練之config.json僅定義在線完成之彼等預處理步驟。
對於定位訓練，用於離線預處理之預處理步驟儲存於訓練之CNN目錄中之單獨檔案meta_data/prep_config.json中。 iv. 最佳化
用於訓練之損失函數係逐體素分類交叉熵，經加權使得屬一類(在真實標記中)之所有體素一起具有與屬任何其他類別之所有體素相同之權重(當標記頻率等於資料集中之中值頻率時)。此方法平衡類別，且對於前列腺分段係重要的，此乃因前列腺與(例如)背景相比非常小。
使用小批量梯度下降利用Adam最佳化器將損失最佳化約2000-3000個世代。批大小等於1。批大小為1意味著批量正規化變為實例正規化(此乃因批料係僅一個樣品)。為了提高性能，在推斷期間亦實施實例正規化。
藉由對於前幾個時期具有非常低之學習速率(例如1×10-5
)的學習速率時間表測定學習速率，然後在步驟中自高學習速率(例如1×10-2
)下降。在250個時期之後，學習速率減半，然後再500個時期之後再次減半，然後再1000個時期之後再次減半。為了減少過度擬合，使用丟棄。對於不同之網路，丟棄率在0.2及0.5之間變化(但在所有應用於給定網路之地方之該比例相同，例如，如圖13及圖14中所示)。適當丟棄率係基於多重訓練之經驗以及其如何影響訓練及驗證集之性能差異。
使用訓練影像資料藉由添加隨機失真來增加之訓練方法，以防止神經網路集中於影像中之精細細節。以此方式訓練神經網路(例如定位CNN及分段CNN)允許其處理具有在訓練資料中不存在或不常見之影像偽影的影像(例如對其實施有效定位及/或分段)。
為增加訓練資料而添加之隨機失真包括加性或乘性噪音及添加之平滑鹽噪音。該等隨機失真以一定之概率獨立應用。該等隨機失真經排定以不用於前幾百個時期，以便網路首先學會處理無偽影之影像，然後逐漸增加噪音程度。強度失真僅適用於100個高品質CT影像，而不適用於73個低品質影像，此乃因其已具有偽影。
定位CNN經訓練以處理(例如接收作為輸入)全身影像以及不同之部分身體影像。為此，使用影像之隨機裁剪之增加(始終保持整個骨盆定界框)。 v. 計算資源
定位訓練係在Nvidia GeForce GTX 1050上完成，其中訓練需要幾個小時。
高解析度分段訓練係在Nvidia GeForce GTX 1080 Ti上完成，其中訓練需要2-3天。 vi. 模型選擇
為了最佳化神經網路結構並選擇超參數用於訓練，必須具有度量量測性能。評估訓練進展之主要度量係Sørensen-Dice評分(以下稱為「Dice評分」)：加權評分(上文部分iv.「最佳化」中所述之加權)或個體身體部分(前列腺或左臀大肌)之評分。
當在多個影像上增加結果時，最常使用評估之Dice評分的平均值(例如作為度量)。在某些情況下，使用具有低於某一值之Dice評分之影像的頻率。
對於每一定位訓練運行，選擇具有訓練影像之最佳平均加權Dice評分之模型。對於用於訓練分段神經網路以分段前列腺之分段訓練，前列腺之Dice評分用作選擇之基礎。對於用於訓練分段神經網路以分段左臀大肌之分段訓練，左臀大肌之Dice評分係選擇之基礎。對於具有輔助預測之分段訓練，Dice評分係基於來自主輸出之預測 – 亦即在無輔助預測時亦存在之輸出。
當訓練定位CNN時，90個CT影像中之30%被保留用於驗證，使得可使用未經訓練之影像來評估定位CNN之性能。為了訓練分段CNN用於高解析度前列腺分段，留出23個低品質CT影像用於驗證，使得僅50個低品質影像用於訓練(導致總共150個CT影像用於訓練)。
當在不同定位訓練之間進行選擇時，使用對應於裁剪中之精密度的度量。基於若干度量/態樣評估裁剪精密度。具體而言，一個度量係90個訓練及驗證影像之儘可能少之影像應需要0.1以上之裁剪邊距來涵蓋整個骨盆骨。另一度量係至定界框壁之距離誤差應儘可能小(藉由觀看誤差框圖來評估)。另一度量係在102個低品質CT影像(無可用之基礎真實分段)上，粗分段與最終定界框重疊之其2D投影應在分段與解剖學之間顯示良好一致性，尤其是覆蓋適當之區域。
當在不同之高解析度分段訓練之間進行選擇時，考慮以下度量/態樣：(i)訓練及驗證資料之Dice評分；(ii)精密度及召回前列腺之訓練及驗證資料；(iii)基礎真實膀胱與預測前列腺之間之重疊；及(iv)CT影像觀看器中疊加在CT影像上之分段的實例，其中可在矢狀、軸向及冠狀平面中滾動切片。
因此，此實例提供可用於訓練本文所述定位機器學習模組(第一機器學習模組)及分段機器學習模組(第二機器學習模組及任何輔助分段機器學習模組)中所用之神經網路模型的方法之實例。M. 成像劑
在某些實施例中，3D功能影像係使用包含放射性藥品之成像劑的核醫學影像。核醫學影像係在向患者投與放射性藥品後獲得，並提供關於患者中放射性藥品之分佈的資訊。放射性藥品係包含放射性核種之化合物。
核醫學影像(例如PET掃描；例如，SPECT掃描；例如，全身掃描；例如複合PET-CT影像；例如，複合SPECT-CT影像)檢測自放射性藥品之放射性核種發射之輻射以形成影像。特定放射性藥品在患者內之分佈可藉由生物機制(例如血流或灌注)以及藉由特異性酶促或受體結合相互作用來測定。不同之放射性藥品可經設計以利用不同之生物學機制及/或特定特異性酶促或受體結合相互作用，且因此，當投與患者時，在患者內之特定類型之組織及/或區域內選擇性濃縮。自具有較高濃度之放射性藥品之患者內的區域所發射之輻射的量大於其他區域，使得該等區域在核醫學影像中看起來更亮。因此，核醫學影像中之強度變化可用於映射患者內放射性藥品之分佈。放射性藥品在患者內之此映射分佈可用於(例如)推斷在患者身體之各個區域內癌組織之存在。
舉例而言，在投與患者時，鍀99m亞甲基二膦酸酯(99m
Tc MDP)選擇性地在患者之骨骼區域內、特別是在與惡性骨病灶相關之異常成骨之位點累積。放射性藥品在該等位點之選擇性濃縮產生可鑑別之熱點 - 核醫學影像中高強度之局部區域。因此，可藉由鑑別患者之全身掃描內之該等熱點來推斷與轉移性前列腺癌相關之惡性骨病灶的存在。與患者總體存活率相關之風險指數及指示疾病狀態、進展、治療效能及其如此類之其他預後度量可基於在向患者投與99m
Tc MDP後獲得之全身掃描中之強度變化之自動化分析來計算。在某些實施例中，其他放射性藥品亦可以類似於99m
Tc MDP之方式使用。
在某些實施例中，所使用之特定放射性藥品取決於所使用之特定核醫學成像方式。例如，18
F氟化鈉(NaF)亦在骨病灶中累積，類似於99m
Tc MDP，但可與PET成像一起使用。在某些實施例中，PET成像亦可利用維生素膽鹼之放射性形式，其容易被前列腺癌細胞吸收。
在某些實施例中，可使用選擇性結合至特定蛋白質或所關注之受體(特定而言在癌組織中表現增加之彼等)的放射性藥品。該等蛋白質或所關注之受體包括(但不限於)腫瘤抗原，例如CEA，其在結腸直腸癌中表現；Her2/neu，其在多種癌症中表現；BRCA 1及BRCA 2，其在乳癌及卵巢癌中表現；及TRP-1及-2，其在黑色素瘤中表現。
舉例而言，人類前列腺特異性膜抗原(PSMA)在前列腺癌(包括轉移疾病)中上調。PSMA由幾乎所有前列腺癌表現，且其表現在分化不良、轉移及激素抵抗性癌中進一步增加。因此，對應於經一或多種放射性核種標記之PSMA結合劑(例如對PSMA具有高親和力之化合物)的放射性藥品可用於獲得患者之核醫學影像，自其可評價患者之各種區域(例如包括但不限於骨骼區域)內之前列腺癌之狀況及/或狀態。在某些實施例中，當疾病處於局部狀態時，使用PSMA結合劑獲得之核醫學影像用於鑑別前列腺內癌組織之存在。在某些實施例中，使用包含PSMA結合劑之放射性藥品獲得之核醫學影像用於鑑別在不僅包括前列腺且亦包括其他器官及組織區域(例如肺、淋巴結及骨)之各種區域中癌組織的存在，如當疾病係轉移性時所相關。
具體而言，在投與患者時，放射性核種標記之PSMA結合劑基於其對PSMA之親和力在癌組織中之選擇性累積。以與上述關於99m
Tc MDP之方式類似之方式，放射性核種標記之PSMA結合劑在患者內之特定位點之選擇性濃縮在核醫學影像中產生可檢測之熱點。隨著PSMA結合劑在體內表現PSMA之各種癌組織及區域內濃縮，可檢測並評估患者之前列腺內之局部癌症及/或患者身體各個區域中之轉移癌症。如以下中所述，與患者總體存活率相關之風險指數及指示疾病狀態、進展、治療效能及其如此類之其他預後度量可基於在向患者投與PSMA結合劑放射性藥品後獲得之核醫學影像中之強度變化之自動化分析來計算。
各種放射性核種標記之PSMA結合劑可用作核醫學成像之放射性藥品成像劑以檢測及評估前列腺癌。在某些實施例中，所用之特定放射性核種標記之PSMA結合劑取決於諸如特定成像方式(例如PET；例如，SPECT)及患者之欲成像之特定區域(例如器官)等因素。舉例而言，某些放射性核種標記之PSMA結合劑適用於PET成像，而其他適用於SPECT成像。舉例而言，某些放射性核種標記之PSMA結合劑有利於使患者之前列腺成像，且主要用於疾病定位時，而其他有利於在整個患者身體中之器官及區域成像，且可用於評估轉移性前列腺癌。
各種PSMA結合劑及其放射性核種標記之型式闡述於美國專利第8,778,305號、第8,211,401號及第8,962,799號，其各自全文以引用方式併入本文中。 i. PET 成像放射性核種標記之 PSMA 結合劑
在某些實施例中，放射性核種標記之PSMA結合劑係適用於PET成像之放射性核種標記之PSMA結合劑。
在某些實施例中，放射性核種標記之PSMA結合劑包含[18F]DCFPyL (亦稱為PyLTM
；亦稱為DCFPyL-18F)：
[18F]DCFPyL，
或其醫藥上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含[18F]DCFBC：
[18F]DCFBC，
或其醫藥上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含68
Ga-PSMA-HBED-CC (亦稱為68
Ga-PSMA-11)： 68
Ga-PSMA-HBED-CC，
或其醫藥上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含PSMA-617：
PSMA-617，
或其醫藥上可接受之鹽。在某些實施例中，放射性核種標記之PSMA結合劑包含68
Ga-PSMA-617 (其係經68
Ga標記之PSMA-617)或其醫藥上可接受之鹽。在某些實施例中，放射性核種標記之PSMA結合劑包含177
Lu-PSMA-617 (其係經177
Lu標記之PSMA-617)或其醫藥上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含PSMA-I&T：
PSMA-I&T，
或其醫藥上可接受之鹽。在某些實施例中，放射性核種標記之PSMA結合劑包含68
Ga-PSMA-I&T (其係經68
Ga標記之PSMA-I&T)或其醫藥上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含PSMA-1007：
PSMA-1007，
或其醫藥上可接受之鹽。在某些實施例中，放射性核種標記之PSMA結合劑包含18
F-PSMA-1007 (其係經18
F標記之PSMA-1007)或其醫藥上可接受之鹽。 ii. SPECT 成像放射性核種標記之 PSMA 結合劑
在某些實施例中，放射性核種標記之PSMA結合劑係適於SPECT成像之放射性核種標記之PSMA結合劑。
在某些實施例中，放射性核種標記之PSMA結合劑包含1404 (亦稱為MIP-1404)：
或其醫藥上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含1405 (亦稱為MIP-1405)：
或其醫藥上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含1427 (亦稱為MIP-1427)：
或其醫藥上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含1428 (亦稱為MIP-1428)：
或其醫藥上可接受之鹽。
在某些實施例中，藉由將放射性核種與金屬之放射性同位素[例如鍀(Tc)之放射性同位素(例如鍀-99m (99m
Tc))；例如錸(Re)之放射性同位素(例如錸-188 (188
Re)；例如錸-186 (186
Re))；例如釔(Y)之放射性同位素(例如90
Y)；例如鎦(Lu)之放射性同位素(例如177
Lu)；例如鎵(Ga)之放射性同位素(例如68
Ga；例如,67
Ga)；例如銦之放射性同位素(例如111
In)；例如銅(Cu)之放射性同位素(例如67
Cu)]螯合用放射性核種標記PSMA結合劑。
在某些實施例中，1404經放射性核種標記(例如與金屬之放射性同位素螯合)。在某些實施例中，放射性核種標記之PSMA結合劑包含99m
Tc-MIP-1404，其係經99m
Tc標記(例如與其螯合)之1404：
或其醫藥上可接受之鹽。在某些實施例中，1404可與其他金屬放射性同位素[例如錸(Re)之放射性同位素(例如錸-188 (188
Re)；例如錸-186 (186
Re))；例如釔(Y)之放射性同位素(例如90
Y)；例如鎦(Lu)之放射性同位素(例如177
Lu)；例如鎵(Ga)之放射性同位素(例如68
Ga；例如67
Ga)；例如銦之放射性同位素(例如111
In)；例如銅(Cu)之放射性同位素(例如67
Cu)]螯合，以形成具有類似於上文針對99m
Tc-MIP-1404所示之結構之結構的化合物，其中用其他金屬放射性同位素取代99m
Tc。
在某些實施例中，1405經放射性核種標記(例如與金屬之放射性同位素螯合)。在某些實施例中，放射性核種標記之PSMA結合劑包含99m
Tc-MIP-1405，其係經99m
Tc標記(例如與其螯合)之1405：
或其醫藥上可接受之鹽。在某些實施例中，1405可與其他金屬放射性同位素[例如錸(Re)之放射性同位素(例如錸-188 (188
Re)；例如錸-186 (186
Re))；例如釔(Y)之放射性同位素(例如90
Y)；例如鎦(Lu)之放射性同位素(例如177
Lu)；例如鎵(Ga)之放射性同位素(例如68
Ga；例如67
Ga)；例如銦之放射性同位素(例如111
In)；例如銅(Cu)之放射性同位素(例如67
Cu)]螯合，以形成具有類似於上文針對99m
Tc-MIP-1405所示之結構之結構的化合物，其中用其他金屬放射性同位素取代99m
Tc。
在某些實施例中，1427經金屬之放射性同位素標記(例如與其螯合)，以形成根據下式之化合物：
與金屬螯合之1427，
或其醫藥上可接受之鹽，其中M係金屬放射性同位素[例如鍀(Tc)之放射性同位素(例如鍀-99m (99m
Tc))；例如錸(Re)之放射性同位素(例如錸-188 (188
Re)；例如錸-186 (186
Re))；例如釔(Y)之放射性同位素(例如90
Y)；例如鎦(Lu)之放射性同位素(例如177
Lu)；例如鎵(Ga)之放射性同位素(例如68
Ga；例如67
Ga)；例如銦之放射性同位素(例如111
In)；例如銅(Cu)之放射性同位素(例如67
Cu)]，用其標記1427。
在某些實施例中，1428經金屬之放射性同位素標記(例如與其螯合)，以形成根據下式之化合物：
與金屬螯合之1428，
或其醫藥上可接受之鹽，其中M係金屬放射性同位素[例如鍀(Tc)之放射性同位素(例如鍀-99m (99m
Tc))；例如錸(Re)之放射性同位素(例如錸-188 (188
Re)；例如錸-186 (186
Re))；例如釔(Y)之放射性同位素(例如90
Y)；例如鎦(Lu)之放射性同位素(例如177
Lu)；例如鎵(Ga)之放射性同位素(例如68
Ga；例如,67
Ga)；例如銦之放射性同位素(例如111
In)；例如銅(Cu)之放射性同位素(例如67
Cu)]，用其標記1428。
在某些實施例中，放射性核種標記之PSMA結合劑包含PSMA I&S：
PSMA I&S，
或其醫藥上可接受之鹽。在某些實施例中，放射性核種標記之PSMA結合劑包含99m
Tc-PSMA I&S (其係經99m
Tc標記之PSMA I&S)或其醫藥上可接受之鹽。N. 電腦系統及網路架構
如圖36中所示，顯示且闡述用於提供本文所述系統、方法及架構之網路環境3600之實現。簡要概括而言，現在參考圖36，顯示且闡述實例性雲計算環境3600之框圖。雲計算環境3600可包括一或多個資源提供者3602a、3602b、3602c (統稱為3602)。每一資源提供者3602可包括計算資源。在一些實施方案中，計算資源可包括用於處理資料之任何硬體及/或軟體。舉例而言，計算資源可包括能夠執行算法、電腦程序及/或電腦應用程序之硬體及/或軟體。在一些實施方案中，實例性計算資源可包括具有儲存及檢索能力之應用程序服務器及/或資料庫。每一資源提供者3602可連接至雲計算環境3600中之任何其他資源提供者3602。在一些實施方案中，資源提供者3602可經由電腦網路3608而連接。每一資源提供者3602可經由電腦網路3608連接至一或多個計算裝置3604a、3604b、3604c (統稱為3604)。
雲計算環境3600可包括資源管理者3606。資源管理者3606可經由電腦網路3602連接至資源提供者3604及計算裝置3608。在一些實施方案中，資源管理者3606可促進計算資源由一或多個資源提供者3602至一或多個計算裝置3604之配設。資源管理者3606可自特定計算裝置3604接收對計算資源之請求。資源管理者3606可鑑別能夠提供由計算裝置3602請求之計算資源的一或多個資源提供者3604。資源管理者3606可選擇用以提供計算資源之資源提供者3602。資源管理者3606可促進資源提供者3602與特定計算裝置3604之間之連接。在一些實施方案中，資源管理者3606可確立特定資源提供者3602與特定計算裝置3604之間之連接。在一些實施方案中，資源管理者3606可以所請求計算資源將特定計算裝置3604重導向至特定資源提供者3602。
圖37顯示可用於實現本發明中所述之技術的計算裝置3700及移動計算裝置3750之實例。計算裝置3700意欲表示各種形式之數位電腦，例如膝上型電腦、桌上型電腦、工作站、個人數位助理、服務器、刀片式服務器、大型電腦及其他適當電腦。移動計算裝置3750意欲表示各種形式之移動裝置，例如個人數位助理、蜂窩式電話、智能電話及其他類似計算裝置。此處顯示之組件、其連接及關係及其功能意味著僅為實例且並不意味著具限制性。
計算裝置3700包括處理器3702、記憶體3704、儲存裝置3706、連接至記憶體3708及多個高速擴展端口3704之高速介面3710以及連接至低速擴展端口3712及儲存裝置3714之低速介面3706。處理器3702、記憶體3704、儲存裝置3706、高速介面3708、高速擴展端口3710及低速介面3712中之每一者使用各種總線互連且可安裝於共同母板上或以其他方式適當地安裝。處理器3702可處理供在計算裝置3700內執行之指令，包括儲存於記憶體3704中或儲存裝置3706上以在外部輸入/輸出裝置(例如耦合至高速介面3708之顯示器3716)上顯示用於GUI之圖形資訊的指令。在其他實施方案中，多個處理器及/或多個總線可適當地連同多個記憶體及若干類型之記憶體一起使用。此外，可連接多個計算裝置，其中每一裝置提供必要操作之若干部分(例如，作為服務器組、刀片式服務器組或多處理器系統)。因此，如本文所用之術語，若複數個功能闡述為由「處理器」實施，則此涵蓋其中複數個功能由任一數量之計算裝置(一或多個)之任何數量之處理器(一或多個)實施的實施例。此外，若功能闡述為由「處理器」實施，則此涵蓋其中功能由任一數量之計算裝置(一或多個) (例如在分佈之計算系統中)之任何數量之處理器(一或多個)實施的實施例。
記憶體3704將資訊儲存於計算裝置3700內。在一些實施方案中，記憶體3704係一或多個易失性記憶體單元。在一些實施方案中，記憶體3704係一或多個非易失性記憶體單元。記憶體3704亦可為另一形式之電腦可讀媒體，例如磁盤或光盤。
儲存裝置3706能夠提供用於計算裝置3700之大容量儲存裝置。在一些實施方案中，儲存裝置3706可為或含有電腦可讀媒體，例如軟盤裝置、硬盤裝置、光盤裝置或磁帶裝置、快閃記憶體或其他類似固態記憶體裝置或裝置陣列，包括儲存區網路或其他構形中之裝置。指令可儲存於資訊載體中。指令在由一或多個處理裝置(舉例而言，處理器3702)執行時實施一或多種方法，例如上文所述之彼等方法。指令亦可由一或多個儲存裝置(例如電腦或機器可讀媒體(舉例而言，記憶體3704、儲存裝置3706或處理器3702上的記憶體))儲存。
高速介面3708管理計算裝置3700之帶寬密集型操作，而低速介面3712管理較低帶寬密集型操作。此功能分配僅係實例的。在一些實施方案中，高速介面3708耦合至記憶體3704、顯示器3716 (例如，經由圖形處理器或加速器)且耦合至可接受各種擴展卡(未顯示)之高速擴展端口3710。在實施方案中，低速介面3712耦合至儲存裝置3706及低速擴展端口3714。可包括各種通信端口(例如，USB、Bluetooth®、以太網、無線以太網)之低速擴展端口3714可(例如)經由網路適配器耦合至一或多個輸入/輸出裝置，例如鍵盤、指向裝置、掃描儀或網路連接裝置(例如交換機或路由器)。
如圖中所示，可以若干種不同形式來實現計算裝置3700。舉例而言，可將其實現為標準服務器3720或在此類服務器之組中多次實現。另外，其可實施於個人電腦(例如膝上型電腦3722)中。其亦可實施為機架式服務器系統3724之一部分。或者，來自計算裝置3700之組件可與移動裝置(未顯示) (例如移動計算裝置3750)中之其他組件組合。該等裝置中之每一者可含有計算裝置3700及移動計算裝置3750中之一或多者，且整個系統可由彼此通信之多個計算裝置構成。
除其他組件外，移動計算裝置3750亦包括處理器3752、記憶體3764、輸入/輸出裝置(例如顯示器3754)、通信介面3766及收發器3768。移動計算裝置3750亦可提供有儲存裝置(例如微型驅動器或其他裝置)以提供額外儲存。處理器3752、記憶體3764、顯示器3754、通信介面3766及收發器3768中之每一者使用各種總線而互連，且若干組件可安裝於共同母板上或以其他方式適當地安裝。
處理器3752可執行移動計算裝置3750內之指令，包括儲存於記憶體3764中之指令。處理器3752可實現為包括單獨及多個模擬及數位處理器之晶片的晶片集。舉例而言，處理器3752可提供移動計算裝置3750之其他組件的協調，例如使用者介面之控制件、由移動計算裝置3750運行之應用程序及由移動計算裝置3750進行之無線通信。
處理器3752可經由耦合至顯示器3754之控制介面3758及顯示介面3756與使用者通信。舉例而言，顯示器3754可為TFT (薄膜電晶體液晶顯示器)顯示器或OLED (有機發光二極體)顯示器或其他適當顯示技術。顯示介面3756可包含用於驅動顯示器3754以向使用者呈現圖形及其他資訊之適當電路。控制介面3758可自使用者接收命令並轉換其以供提交至處理器3752。另外，外部介面3762可提供與處理器3752之通信，以實現移動計算裝置3750與其他裝置之近區通信。舉例而言，外部介面3762可在一些實施方案中提供有線通信或在其他實施方案中提供無線通信，且亦可使用多個介面。
記憶體3764將資訊儲存於移動計算裝置3750內。記憶體3764可實現為一或多個電腦可讀媒體、一或多個易失性記憶體單元或者一或多個非易失性記憶體單元中之一或多者。擴展記憶體3774亦可經由擴展介面3772提供及連接至移動計算裝置3750，舉例而言，擴展介面可包括SIMM (單列直插式記憶體模組)卡介面。擴展記憶體3774可為移動計算裝置3750提供額外儲存空間或亦可儲存用於移動計算裝置3750之應用程序或其他資訊。具體而言，擴展記憶體3774可包括用以實施或補充上述過程之指令，且亦可包括安全資訊。因此，舉例而言，擴充記憶體3774可提供為用於移動計算裝置3750之安全模組且可以准許移動計算裝置3750之安全使用的指令進行編程。另外，安全應用程序可連同額外資訊一起經由SIMM卡而提供，例如以非黑客方式將鑑別資訊放置於SIMM卡上。
舉例而言，記憶體可包括快閃記憶體及/或NVRAM記憶體(非易失性隨機存取記憶體)，如下文所論述。在一些實施方案中，指令儲存於資訊載體中。該等指令在由一或多個處理裝置(舉例而言，處理器3752)執行時實施一或多種方法，例如上文所述之彼等方法。指令亦可由一或多個儲存裝置儲存，例如一或多個電腦或機器可讀媒體(舉例而言，記憶體3764、擴展記憶體3774或處理器3752上之記憶體)。在一些實施方案中，指令可(舉例而言)經由收發器3768或外部介面3762以所傳播信號形式接收。
移動計算裝置3750可經由通信介面3766無線地通信，該通信介面若需要可包括數位信號處理電路。通信介面3766可提供在各種模式或協議下之通信，例如GSM語音呼叫(全球移動通信系統)、SMS (短訊息服務)、EMS (增強型通訊服務)或MMS通訊(多媒體通訊服務)、CDMA (碼分多址)、TDMA (時分多址)、PDC (個人數位蜂窩系統)、WCDMA (寬帶碼分多址)、CDMA2000或GPRS (通用包無線電服務)以及其他模式或協議。舉例而言，此通信可使用射頻經由收發器3768而發生。另外，短程通信可(例如)使用Bluetooth®、Wi-Fi™或其他此類收發器(未顯示)而發生。另外，GPS (全球定位系統)接收器模組3770可將額外導航及位置相關無線資料提供至移動計算裝置3750，該移動計算裝置適當地可由移動計算裝置3750上運行之應用程序使用。
移動計算裝置3750亦可使用音頻編解碼器3760以音頻方式通信，該音頻編解碼器可自使用者接收所說資訊並將其轉換為可用數位資訊。音頻編解碼器3760同樣地可(例如)在移動計算裝置3750之手機中(例如)經由揚聲器向使用者產生可聽聲音。此聲音可包括來自語音電話呼叫之聲音，可包括所記錄聲音(例如，語音訊息、音樂檔案等)且亦可包括由在移動計算裝置3750上操作之應用程序產生的聲音。
如圖中所示，可以若干種不同形式來實現移動計算裝置3750。舉例而言，其可實現為蜂窩式電話3780。其亦可實現為智能電話3782、個人數位助理或其他類似移動裝置之部分。
本文所述之系統及技術的各種實施方案可以數位電子電路、積體電路、專門設計之ASIC (專用積體電路)、電腦硬體、固件、軟體及/或其組合而實現。該等各種實施方案可包括可在可編程系統上執行及/或解譯之一或多個電腦程序中的實施方案，該可編程系統包括可為專用或通用目的之至少一個可編程處理器(其經耦合以自儲存系統接收資料及指令且將資料及指令傳輸至儲存系統)、至少一個輸入裝置及至少一個輸出裝置。
該等電腦程序(亦稱為程序、軟體、軟體應用程序或代碼)包括用於可編程處理器之機器指令且可以高級程序及/或面向對象之編程語言及/或以彙編/機器語言實現。如本文中所用術語機器可讀媒體及電腦可讀媒體係指用於將機器指令及/或資料提供至可編程處理器之任何電腦程序產品、設備及/或裝置(例如，磁盤、光盤、記憶體、可編程邏輯裝置(PLD))，該可編程處理器包括接收機器指令作為機器可讀信號之機器可讀媒體。術語機器可讀信號係指用於將機器指令及/或資料提供至可編程處理器之任何信號。
為提供與使用者之相互作用，本文所述系統及技術可在具有用於向使用者顯示資訊之顯示裝置(例如，CRT (陰極射線管)或LCD (液晶顯示器)監視器)及使用者可藉由其將輸入提供至電腦之鍵盤及指向裝置(例如，鼠標或軌跡球)的電腦上實現。亦可使用其他種類之裝置來提供與使用者之相互作用；舉例而言，提供給使用者之反饋可為任何形式之感觀反饋(例如，視覺反饋、聽覺反饋或觸覺反饋)；且來自使用者之輸入可以任何形式(包括聲音、話音或觸覺輸入)而接收。
本文所述之系統及技術可在計算系統中實現，該計算系統包括後端組件(例如，作為資料服務器)；或包括中間件組件(例如，應用程序服務器)；或包括前端組件(例如，具有使用者可經由其來與本文所述之系統及技術之實施方案相互作用的圖形使用者介面或Web瀏覽器的用戶端電腦))或此類後端、中間件或前端組件之任一組合。系統之組件可藉由任何數位資料通信形式或媒體(例如，通信網路)互連。通信網路之實例包括局域網(LAN)、廣域網(WAN)及網絡網路。
計算系統可包括用戶端及服務器。用戶端與服務器通常彼此遠離且通常經由通信網路相互作用。用戶端與服務器之關係係藉助於在各別電腦上運行且彼此之間具有用戶端-服務器關係之電腦程序而產生。
在一些實施方案中，本文所述之各種模組可分離、組合或納入至單一或組合模組中。該圖中繪示之模組並不意欲將本文所述之系統限於其中顯示之軟體架構。
本文所述之不同實施方案之要素可組合以形成上文未明確闡述之其他實施方案。本文所述之過程、計算機程式、資料庫等中可不考慮要素而不會不利地影響其操作。另外，圖中所繪示之邏輯流程未必需要所示之特定次序或順序次序來實現期望結果。各種單獨要素可組合成一或多個個別要素以實施本文所述之功能。
貫穿本說明，其中設備及系統闡述為具有、包括或包含特定組件，或其中過程及方法闡述為具有、包括或包含特定步驟，另外預期存在基本上由所述組件組成或由所述組件組成之本發明之設備及系統，且存在基本上由所述處理步驟組成或由所述處理步驟組成之根據本發明的過程及方法。
應理解，只要本發明保持可操作，各步驟之次序或實施特定動作之次序並不重要。此外，可同時進行兩個或更多個步驟或動作。
儘管已參考特定較佳實施例特別地顯示及闡述了本發明，但熟習此項技術者應理解，在不背離如由所附申請專利範圍限定之本發明之精神及範圍的情況下，可在其中做出形式及細節上之各種改變。
202‧‧‧骨盆骨
204‧‧‧前列腺
206‧‧‧骨盆骨
252‧‧‧亮粉色及紫色區域
254‧‧‧亮粉色及紫色區域
256‧‧‧亮粉色及紫色區域
802‧‧‧左骨盆骨
804‧‧‧骶骨
806‧‧‧右骨盆骨
902‧‧‧左骨盆骨
904‧‧‧前列腺
906‧‧‧右骨盆骨
952‧‧‧左及右骨盆骨
956‧‧‧左及右骨盆骨
958‧‧‧前列腺
960‧‧‧膀胱
962‧‧‧直腸
964‧‧‧臀肌肉
966‧‧‧臀肌肉
1102‧‧‧Pioneer網
1104‧‧‧分段服務模組
1106‧‧‧Pioneer事件
1108a‧‧‧Amazon SQS佇列
1108b‧‧‧Amazon SQS佇列
1202‧‧‧CT影像
1204‧‧‧第一機器學習模組
1206‧‧‧定界框
1208‧‧‧第二機器學習模組
1210‧‧‧裁剪終點
1212‧‧‧輔助機器學習模組
1214‧‧‧模組
1216‧‧‧分段遮罩組
1218‧‧‧分段後設資料
1502‧‧‧膀胱
1504‧‧‧前列腺
1506‧‧‧串擾/強度
2600a‧‧‧實例性GUI窗
2600b‧‧‧GUI窗之更新視圖
2700a‧‧‧視圖
2700b‧‧‧視圖
2700c‧‧‧視圖
2800‧‧‧GUI觀看器
2802a‧‧‧一組2D切片
2802b‧‧‧3D重現
2900‧‧‧GUI視圖
2900d‧‧‧實例性報告
2900e‧‧‧GUI元件
2900f‧‧‧圖形及文本
2900g‧‧‧視圖
2900h‧‧‧更新視圖
2902‧‧‧GUI之小組
2904‧‧‧自動測定之TBR值
2906‧‧‧測定之基於TBR之分類
2908‧‧‧生成報告按鈕
2910‧‧‧品質控制圖形介面控件
2912‧‧‧按鈕
2914‧‧‧按鈕
2916‧‧‧介面控件
2918‧‧‧品質控制準則
2922‧‧‧按鈕
2926‧‧‧按鈕
2928‧‧‧按鈕
2930‧‧‧強度值
2932‧‧‧背景強度之更新值
2950‧‧‧十字形圖形元件
2952‧‧‧十字形圖形元件
2954‧‧‧十字形圖形元件
3000‧‧‧實例性微服務網路架構
3002‧‧‧影像儲存資料庫
3004‧‧‧切片盒
3006‧‧‧影像服務
3008‧‧‧資料儲存資料庫
3010‧‧‧分段服務
3012‧‧‧日誌檔案儲存資料庫
3014‧‧‧核查服務
3016‧‧‧微服務Pioneer網
3018‧‧‧使用者儲存
3020‧‧‧Cognito
3022‧‧‧核查服務
3024‧‧‧註冊服務
3026‧‧‧用戶端
3100‧‧‧實例性資料流
3102a‧‧‧用戶端
3102b‧‧‧用戶端
3104a‧‧‧Pioneer網服務
3104b‧‧‧Pioneer網服務
3106‧‧‧影像服務
3108‧‧‧分段服務
3110‧‧‧切片盒
3112‧‧‧資料庫S3
3118‧‧‧通道Pubsub
3200‧‧‧資料流
3202‧‧‧用戶端
3204‧‧‧Pioneer網服務
3206‧‧‧Pioneer網服務
3208‧‧‧分段服務
3210‧‧‧資料庫
3212‧‧‧Pub/Sub通道
3300‧‧‧架構
3310‧‧‧微服務網路
3320‧‧‧兩個或更多個應用之間共用之微服務組
3330‧‧‧微服務網路
3600‧‧‧網路環境
3602a‧‧‧資源提供者
3602b‧‧‧資源提供者
3602c‧‧‧資源提供者
3604a‧‧‧計算裝置
3604b‧‧‧計算裝置
3604c‧‧‧計算裝置
3606‧‧‧資源管理者
3608‧‧‧電腦網路
3700‧‧‧計算裝置
3702‧‧‧處理器
3704‧‧‧記憶體
3706‧‧‧儲存裝置
3708‧‧‧高速介面
3710‧‧‧高速擴展端口
3712‧‧‧低速介面
3714‧‧‧低速擴展端口
3716‧‧‧顯示器
3720‧‧‧標準服務器
3722‧‧‧膝上型電腦
3724‧‧‧機架式服務器系統
3750‧‧‧移動計算裝置
3752‧‧‧處理器
3754‧‧‧顯示器
3756‧‧‧顯示介面
3758‧‧‧控制介面
3760‧‧‧音頻編解碼器
3762‧‧‧外部介面
3764‧‧‧記憶體
3766‧‧‧通信介面
3768‧‧‧收發器
3770‧‧‧接收器模組
3772‧‧‧擴展介面
3774‧‧‧擴展記憶體
3782‧‧‧智能電話
3802a‧‧‧CT切片
3802b‧‧‧CT切片
3802c‧‧‧CT切片
3804a‧‧‧SPECT影像切片
3804b‧‧‧SPECT影像切片
3804c‧‧‧SPECT影像切片
3806‧‧‧固定大小之圓形標記
3808‧‧‧所關注區域
3900‧‧‧工作流程
3902‧‧‧一組步驟
3903‧‧‧報告
3904‧‧‧品質控制及報告工作流程
4702‧‧‧直方圖
4710a‧‧‧散佈圖
4710b‧‧‧散佈圖
4710c‧‧‧散佈圖
4720a‧‧‧散佈圖
4720b‧‧‧散佈圖
4720c‧‧‧散佈圖
本專利或申請案檔案含有至少一個有色繪製之圖式。在要求並支付必要費用之後專利事務局可提供本專利或專利申請公開案帶彩圖之複本。
連同附圖一起參考以下說明將更明瞭及更好地理解本發明之前述及其他目標、態樣、特徵及優點，附圖中：
圖1係根據闡釋性實施例顯示自動鑑別3D影像內對應於個體之前列腺之3D體積及測定指示其中之放射性藥品之攝取的攝取度量之方法的方塊圖。
圖2A係根據闡釋性實施例顯示包含軟組織之圖形表示的CT影像之3D視圖的影像。
圖2B係根據闡釋性實施例顯示包含骨之圖形表示的CT影像之3D視圖的影像。
圖2C係根據闡釋性實施例顯示包含骨之圖形表示之CT影像之3D視圖的影像，該CT影像與SPECT影像及表示對應於個體之骨盆骨內之前列腺器官的經鑑別組織體積的圖形疊加。
圖2D係根據闡釋性實施例顯示包含骨之圖形表示之CT影像之3D視圖的影像，該CT影像與SPECT影像及表示對應於個體之骨盆骨內之前列腺器官的經鑑別之組織體積的圖形疊加。
圖2E係根據闡釋性實施例顯示包含骨之圖形表示的CT影像之3D視圖的影像，該CT影像與SPECT影像疊加。
圖3A係根據闡釋性實施例之一組影像，每一影像顯示3D CT影像之2D橫斷面圖，該3D CT影像與表示3D CT影像內經鑑別之初始關注體積(VOI)的圖形疊加。
圖3B係根據闡釋性實施例之一組影像，每一影像顯示3D CT影像之2D橫斷面圖，該3D CT影像與表示3D CT影像內經鑑別之初始關注體積(VOI)的圖形疊加。
圖4A係根據闡釋性實施例顯示個體之CT影像及鑑別為CT影像內之初始關注體積之立方形區域的2D橫斷面圖之一組影像。
圖4B係顯示個體之CT影像以及對應於個體之骨盆骨及前列腺之經鑑別之組織體積的2D橫斷面圖之一組影像。
圖5A係根據闡釋性實施例顯示個體之CT影像及鑑別為CT影像內之初始關注體積之立方形區域的2D橫斷面圖之一組影像。
圖5B係顯示個體之CT影像以及對應於個體之骨盆骨及前列腺之經鑑別之組織體積的2D橫斷面圖之一組影像。
圖6A係根據闡釋性實施例顯示個體之CT影像及鑑別為CT影像內之初始關注體積之立方形區域的2D橫斷面圖之一組影像。
圖6B係根據闡釋性實施例之一組影像，每一影像顯示3D CT影像之2D橫斷面圖，該3D CT影像與表示3D CT影像內經鑑別之初始關注體積(VOI)的圖形疊加。
圖6C係根據闡釋性實施例之一組影像，每一影像顯示3D CT影像之2D橫斷面圖，該3D CT影像與表示3D CT影像內經鑑別之初始關注體積(VOI)的圖形疊加。
圖 7A-7E提供根據闡釋性實施例用於鑑別對應於個體之CT影像內之骨盆區域的所關注體積(例如VOI)之CNN模組架構(局域化網路)的方塊圖(其中VOI隨後藉由第二CNN模組處理用於骨盆區域內前列腺及/或其他組織之更詳細分段/鑑別)。
圖 7F-7J提供根據闡釋性實施例用於處理先前經鑑別之VOI用於骨盆區域內前列腺及/或其他組織之精確分段的CNN模組架構(分段網路)之方塊圖。
圖8A係根據闡釋性實施例之一組影像，其各自顯示3D CT影像之2D橫斷面圖，該3D CT影像與表示對應於三種不同骨盆骨(左及右髖骨及骶骨)之經鑑別之組織體積的圖形疊加。
圖8B係根據闡釋性實施例顯示3D CT影像之3D視圖的影像，該3D CT影像與表示對應於三種不同骨盆骨(左及右髖骨及骶骨)之經鑑別之組織體積的圖形疊加。
圖9A係根據闡釋性實施例顯示3D CT影像之2D橫斷面圖的影像，該3D CT影像與表示對應於個體之骨盆骨(左及右髖骨)及前列腺之經鑑別之組織體積的圖形疊加。
圖9B係根據闡釋性實施例顯示3D CT影像之不同2D橫斷面圖的一組影像，該3D CT影像與表示對應於對應於個體之骨盆骨、臀肌肉、直腸、前列腺及膀胱之經鑑別之組織體積的圖形疊加。
圖10係根據闡釋性實施例顯示低品質3D CT影像之2D橫斷面圖的影像，該3D CT影像與表示對應於個體之骨盆骨及前列腺之經鑑別之組織體積的圖形。
圖11係根據闡釋性實施例顯示實例性架構的示意圖，其中藉由專用模組實施用於鑑別如本文所述之前列腺體積的影像分段。
圖12係根據闡釋性實施例顯示用於實施基於CNN之影像分段的模組之實例性架構的方塊流程圖。
圖13係根據闡釋性實施例顯示CNN之結構的方塊流程圖。
圖14係根據闡釋性實施例顯示實施輔助預測之CNN的結構之方塊流程圖。
圖15係根據闡釋性實施例圖解說明個體之膀胱與前列腺之間之串擾的示意圖。
圖16A係根據闡釋性實施例用於審查患者影像資料之圖形使用者介面(GUI)之截屏，其顯示用於選擇欲分析及/或審查資料之個體之窗。
圖16B係根據闡釋性實施例用於審查患者影像資料之圖形使用者介面(GUI)之截屏，其顯示用於選擇欲分析及/或審查資料之個體之窗以及用於起始患者影像資料之處理及審查患者影像資料的圖形控制元件。
圖16C係根據闡釋性實施例用於審查患者影像資料之圖形使用者介面(GUI)之截屏，其顯示用於選擇欲分析及/或審查資料之個體之窗以及用於起始患者影像資料之處理及審查患者影像資料的圖形控制元件。
圖17A係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與個體之SPECT影像及表示經鑑別之組織體積之圖形疊加。
圖17B係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與個體之SPECT影像及表示經鑑別之組織體積之圖形疊加。
圖17C係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與個體之SPECT影像及表示經鑑別之組織體積之圖形疊加。
圖17D係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與個體之SPECT影像及表示經鑑別之組織體積之圖形疊加。
圖17E係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與個體之SPECT影像及表示經鑑別之組織體積之圖形疊加。
圖18A係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含用於切換展示可選擇層之圖形控制元件的窗並圖解說明使用者關閉SPECT影像層。
圖18B係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與表示經鑑別之組織體積之圖形疊加。
圖18C係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與表示經鑑別之組織體積之圖形疊加。
圖18D係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與表示經鑑別之組織體積之圖形疊加。
圖18E係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與表示經鑑別之組織體積之圖形疊加。
圖18F係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與表示經鑑別之組織體積之圖形疊加。
圖19A係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含用於切換展示可選擇層之圖形控制元件的窗並圖解說明分別使用者關閉SPECT影像層及分段層。
圖19B係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與個體之SPECT影像疊加。
圖19C係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與個體之SPECT影像疊加。
圖19D係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含各自顯示個體之CT影像之不同2D橫斷面圖的一組影像之窗，該CT影像與個體之SPECT影像疊加。
圖20A係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含軟組織之圖形表示之CT影像與個體之SPECT影像疊加之3D視圖。
圖20B係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含軟組織之圖形表示之CT影像與個體之SPECT影像疊加之3D視圖。
圖20C係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含軟組織之圖形表示之CT影像且與個體之SPECT影像疊加之3D視圖。
圖21A係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含骨之圖形表示之CT影像且與個體之SPECT影像疊加之3D視圖。
圖21B係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含骨之圖形表示之CT影像且與個體之SPECT影像疊加之3D視圖。
圖22A係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含骨之圖形表示之CT影像且與個體之SPECT影像疊加之3D視圖。
圖22B係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含顯示影像的窗，該影像個體之包含骨之圖形表示之CT影像且與個體之SPECT影像疊加之3D視圖。
圖22C係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含骨之圖形表示之CT影像且與個體之SPECT影像及表示經鑑別之組織體積之圖形疊加之3D視圖。
圖22D係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含顯示影像的窗，該影像個體之包含骨之圖形表示之CT影像且與個體之SPECT影像及表示經鑑別之組織體積之圖形疊加之3D視圖。
圖22E係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示影像的窗，該影像包含顯示個體之包含骨之圖形表示之CT影像且與個體之SPECT影像及表示經鑑別之組織體積之圖形疊加之3D視圖。
圖22F係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含骨之圖形表示之CT影像且與個體之SPECT影像及表示經鑑別之組織體積之圖形疊加之3D視圖。
圖23A係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含骨之圖形表示之CT影像且與個體之SPECT影像疊加之3D視圖。
圖23B係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含骨之圖形表示之CT影像且與個體之SPECT影像疊加之3D視圖。
圖24係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含個體之生成報告之窗。
圖25係根據闡釋性實施例顯示與GUI之使用者相互作用之工作流程的方塊流程圖，其中使用者審查影像、分段結果及攝取度量且生成報告。
圖26A係根據闡釋性實施例之GUI窗之截屏，該GUI窗允許使用者上載影像。
圖26B係根據闡釋性實施例之GUI窗之視圖之截屏，其顯示由使用者上載之影像之清單。
圖27A係根據闡釋性實施例之顯示患者之清單之GUI窗之視圖的截屏。
圖27B係根據闡釋性實施例之顯示患者之清單之GUI窗之視圖的截屏。
圖27C係根據闡釋性實施例之GUI窗之視圖之截屏，其顯示所選患者及為使用者提供審查研究資料及生成報告之選擇之菜單。
圖28A係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含骨之圖形表示之CT影像且與個體之SPECT影像及表示經鑑別之組織體積之圖形疊加之3D視圖。
圖28B係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示包含影像的窗，該影像顯示個體之包含骨之圖形表示之CT影像且與個體之SPECT影像疊加之3D視圖。
圖29A係根據闡釋性實施例用於審查患者影像資料之GUI之截屏，其顯示用於審查測定之攝取度量的窗。
圖29B係根據闡釋性實施例與用於審查患者影像資料之GUI之截屏，其顯示品質控制圖形介面控件。
圖29C係根據闡釋性實施例允許使用者簽署所生成報告之品質控制圖形介面控件的視圖之截屏。
圖29D係根據闡釋性實施例顯示所生成報告(例如自動生成報告)之截屏。
圖29E係根據闡釋性實施例因應不核准攝取度量之自動化測定之使用者輸入展示的品質控制圖形介面控件之視圖的截屏。
圖29F係根據闡釋性實施例顯示拒絕品質控制之圖形指示的生成報告之一部分之截屏。
圖29G係根據闡釋性實施例允許使用者人工更新用於測定攝取度量之一或多個值的品質控制圖形介面控件之截屏。
圖29H係根據闡釋性實施例允許使用者人工更新用於測定攝取度量之一或多個值的品質控制圖形介面控件之截屏。
圖30係根據闡釋性實施例顯示用於實施影像分段以鑑別影像內之前列腺體積、測定攝取度量且向用戶端提供結果的微服務網路架構之方塊圖。
圖31係根據闡釋性實施例顯示基於雲之應用之微服務之間的資料流以藉由實施影像分段及測定攝取度量處理研究的方塊流程圖。
圖32係根據闡釋性實施例顯示基於雲之應用之微服務與用戶端之間的通信之方塊流程圖。
圖33係根據闡釋性實施例用於執行包含基於雲之應用的基於雲之平臺用於根據本文所述系統及方法實施影像分段及計算攝取度量的實例性架構之方塊圖。
圖34係根據闡釋性實施例顯示用於自動鑑別3D影像內之3D靶體積及測定指示其中之放射性藥品之攝取之攝取度量的過程之方塊圖。
圖35A係臨床上不顯著及臨床上顯著之影像之群集圖。
圖35B係基於改變根據本文所述系統及方法計算之TBR臨限值測定的ROC曲線。
圖36係某些實施例中所用之實例性雲計算環境之方塊圖。
圖37係某些實施例中所用之實例性計算裝置及實例性移動計算裝置的方塊圖。
圖38A係習用二維基於切片之影像分析軟體包中所用之GUI的截屏。
圖38B係習用二維基於切片之影像分析軟體包中所用之GUI之一部分的截屏，其顯示CT影像切片。
圖38C係習用二維基於切片之影像分析軟體包中所用之GUI之一部分的截屏，其顯示CT影像切片。
圖39係根據闡釋性實施例顯示AI輔助之影像分析工作流程的方塊流程圖。
圖40A係根據闡釋性實施例在上載SPECT/CT影像後指示自動化分析完成的GUI窗的截屏。
圖40B係根據闡釋性實施例之GUI窗之截屏，其指示在上載SPECT/CT影像後自動化分析之潛在誤差且需要醫師審查。
圖40C係根據闡釋性實施例指示由於不完全資料組而不能完成自動化分析之GUI窗的截屏。
圖41係根據闡釋性實施例顯示患者之清單之影像分析GUI窗的截屏。
圖42A係根據闡釋性實施例用於審查患者資料之影像分析GUI之截屏，其顯示個體之包含骨及組織之圖形表示之CT影像與SPECT影像資料疊加及個體之前列腺之分段疊加之2D切片圖。
圖42B係根據闡釋性實施例用於審查患者資料之GUI的截屏，其顯示包含組織及骨之圖形表示之CT影像與SPECT影像資料及個體之前列腺之分段疊加之3D視圖。
圖42C係用於審查患者資料之GUI之一部分的截屏，其顯示某些實施例中GUI內展示之可能性嚴重程度量表。
圖42D係根據闡釋性實施例用於審查患者資料且允許讀取器以半自動化、引導方式更新TBR計算中所用之值的GUI之截屏。
圖42E係根據闡釋性實施例用於審查患者資料之GUI的截屏，其顯示讀取器輸入後之更新評價結果以更新TBR計算中所用之值。
圖43A係根據闡釋性實施例顯示包含以完全自動化方式測定之結果之生成報告的截屏。
圖43B係顯示包含以半自動化方式測定之結果之生成報告的截屏。
圖44係根據闡釋性實施例顯示不可評價情形之生成報告的截屏。
圖45A係疊加有三個TBR臨限值之臨床上不顯著及臨床上顯著影像的群集圖。
圖45B係基於改變根據本文所述系統及方法計算之TBR臨限值測定的ROC曲線，鑑別三個不同TBR臨限值。
圖45C係顯示若干患者之總格裡森評分及計算之TBR值的圖。
圖45D係顯示根據TBR值分類之病例之格裡森評分與若干預定臨限值相比較之表。
圖46係顯示評估來自臨床試驗之患者資料所花費之時間的三個獨立性AI輔助之讀取器的三個直方圖之組。
圖47係展現使用本文所述影像分析方法之實施例來分析臨床實驗資料而獲得之結果的一致性及再現性的一組圖。
圖48A係比較使用單個獨立AI輔助之讀取器與三個獨立人工讀取器獲得之結果的ROC曲線之圖。
圖48B係顯示三個獨立人工讀取器及三個獨立AI輔助之讀取器之AUC值的一組直方圖。
圖49A顯示比較第一人工讀取器之結果與AI輔助之讀取器之彼等結果的資料。
圖49B顯示比較第二人工讀取器之結果與AI輔助之讀取器之彼等結果的資料。
圖49C顯示比較第三人工讀取器之結果與AI輔助之讀取器之彼等結果的資料。
當連同圖式一起時，依據下文所陳述之詳細說明將更明瞭本發明之特徵及優點，其中在通篇中相似參考字符識別相應元件。在圖式中，相似數字符號通常指示相同、功能上類似及/或結構上類似的數字。
1202‧‧‧CT影像
1204‧‧‧第一機器學習模組
1206‧‧‧定界框
1208‧‧‧第二機器學習模組
1210‧‧‧裁剪終點
1212‧‧‧輔助機器學習模組
1214‧‧‧模組
1216‧‧‧分段遮罩組
1218‧‧‧分段後設資料
Claims (84)
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體之前列腺之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的方法，該方法包含：(a)由計算裝置之處理器接收使用解剖成像方式(modality)獲得之該個體之3D解剖影像，其中該3D解剖影像包含個體內之組織之圖形表示，其至少一部分對應於該個體之骨盆區域；(b)由該處理器接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該骨盆區域內之物理體積；(c)由該處理器使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於該個體之該骨盆區域內之組織且排除該個體之該骨盆區域以外之組織；(d)由該處理器使用第二模組鑑別對應於該個體之該前列腺之該初始VOI內之前列腺體積；及(e)由該處理器使用該3D功能影像及該3D解剖影像之該初始VOI內經鑑別之該前列腺體積測定該一或多個攝取度量，以及其中該方法進一步包含：由該處理器鑑別該3D解剖影像內之參考體積，該參考體積對應於該個體內之參考組織區域；及 在步驟(e)，使用該3D功能影像及該3D解剖影像內經鑑別之該參考體積測定該一或多個攝取度量中之至少一者。
- 如請求項1之方法，其中該第一模組接收該3D解剖影像作為輸入且輸出複數個表示該3D解剖影像內之矩形體積的相對角之座標值。
- 如請求項1或2之方法，其中步驟(c)包含使用該第一模組測定鑑別該3D解剖影像內對應於該個體之骨盆骨之體積的3D骨盆骨遮罩。
- 如請求項1或2之方法，其中該第一模組係卷積神經網路(CNN)模組。
- 如請求項1或2之方法，其中步驟(d)包含使用該第二模組來鑑別該3D解剖影像內之一或多個額外組織體積，每一體積對應於該個體內之具體組織區域，其中該一或多個額外組織體積對應於選自由以下組成之群之一或多個具體組織區域：該個體之盆骨；該個體之膀胱；該個體之直腸；及該個體之臀肌。
- 如請求項1或2之方法，其中步驟(d)包含使用該第二模組以將該初始VOI內之每一體素分類為對應於該個體內之一組(預定)不同組織區域之特 定組織區域。
- 如請求項6之方法，其中對該初始VOI內之每一體素進行分類包含：經由該第二模組測定該初始VOI內之複數個體素中之每一者的一組可能性值，其中該組可能性值包含該組織區域組之一或多個組織區域中之每一者之相應可能性值，其表示該體素表示該組織區域內之物理體積的可能性；及對於該初始VOI內之該複數個體素中之每一者，基於針對該體素測定之該組可能性值，將該體素分類為對應於該特定組織區域。
- 如請求項6之方法，其中該第二模組接收該初始VOI作為輸入並輸出包含針對該初始VOI內每一體素之如下(i)、(ii)及(iii)中之至少一者的複數個值：(i)對該體素進行分類之值；(ii)針對該體素之一組可能性值；及(iii)將該體素鑑別為不對應於任何預定組之不同組織區域的值。
- 如請求項6之方法，其中該(預定)組之不同組織區域包含選自由以下組成之群之一或多個組織區域：該個體之該前列腺；該個體之盆骨；該個體之膀胱；該個體之直腸；及 該個體之臀肌。
- 如請求項5之方法，其中步驟(d)包含使用該第二模組來鑑別一組一或多個基礎組織體積，該一或多個基礎組織體積包含該經鑑別之前列腺體積及該一或多個額外組織體積，且其中該方法進一步包含：由該處理器使用一或多個輔助模組鑑別該3D解剖影像內之一或多個輔助組織體積，每一輔助組織體積對應於由該第二模組鑑別之基礎組織體積；及由該處理器合併每一輔助組織體積與藉由該第二模組鑑別之相應基礎組織體積。
- 如請求項1之方法，其中使用該3D功能影像及該參考體積測定之該一或多個攝取度量中之該至少一者包含腫瘤對背景比率(TBR)值，且其中測定該TBR值包含：使用該3D功能影像中對應於該3D解剖影像之該初始VOI內經鑑別之該前列腺體積的一或多個體素的強度值測定靶強度值；使用該3D功能影像中對應於該3D解剖影像內經鑑別之該參考體積的一或多個體素之強度值測定背景強度值；及將該靶強度值對該背景強度值之比率測定為該TBR值。
- 如請求項11之方法，其包含基於該TBR值與一或多個臨限值比較測定該個體之前列腺癌狀態。
- 如請求項12之方法，其中使用複數個參考TBR值測定該一或多個臨限值。
- 如請求項12之方法，其中使用接收者操作特徵(ROC)曲線測定該一或多個臨限值。
- 如請求項12之方法，其中該一或多個臨限值包含複數個臨限值，使得將該TBR值與該複數個臨限值進行比較以在非二元量表上確定該前列腺癌狀態之程度。
- 如請求項12之方法，其包含將該個體之該前列腺癌狀態確定為(i)若該TBR值高於截止臨限值，則臨床上顯著；或(ii)若該TBR值低於截止臨限值，則臨床上不顯著。
- 如請求項1或2之方法，該方法包含：由該處理器鑑別該3D解剖影像內對應於該個體之膀胱的膀胱體積；及在步驟(e)，使用該3D功能影像中對應於該3D解剖影像內該經鑑別之膀胱體積的體素之強度校正來自該膀胱之串擾(cross-talk)。
- 如請求項17之方法，其中校正來自該膀胱之串擾包含：測定一或多個膀胱強度洩放函數，該等函數對來自該個體之該膀胱內之放射性藥品之強度對該3D功能影像之一或多個體素的強度的貢獻進 行建模，該一或多個體素對應於在該經鑑別之膀胱體積之外之該3D解剖影像的一或多個區域，其中該一或多個膀胱強度洩放函數將該貢獻模型化為距該經鑑別之膀胱體積之距離的函數；及對於對應於該3D解剖影像內該經鑑別之前列腺體積之該3D功能影像的一或多個體素中之每一者，使用該一或多個膀胱強度洩放函數針對膀胱串擾調整該體素之強度。
- 如請求項1或2之方法，其包含：由該處理器鑑別該3D解剖影像內對應於該個體之膀胱的膀胱體積；由該處理器藉由對該經鑑別之膀胱體積施加形態擴張操作測定擴張之膀胱體積；及在步驟(e)，使用該3D功能影像之體素之強度值測定該一或多個攝取度量，該等體素之強度值(i)對應於該3D解剖影像之該VOI內經鑑別之該前列腺體積，但(ii)不對應於該擴張之膀胱體積內該3D解剖影像之區域。
- 如請求項1或2之方法，其中該3D功能影像係在向該個體投與該放射性藥品後該個體之核醫學影像。
- 如請求項20之方法，其中該放射性藥品包含PSMA結合劑。
- 如請求項20之方法，其中該核醫學影像係在向該個體投與該放射性藥品後獲得之該個體之單光子發射電腦化斷層攝影(SPECT)掃描。
- 如請求項20之方法，其中該放射性藥品包含99mTc-MIP-1404。
- 如請求項20之方法，其中該核醫學影像係在向個體投與放射性藥品後獲得之該個體之正電子發射斷層攝影術(PET)掃描。
- 如請求項20之方法，其中該放射性藥品包含[18F]DCFPyL。
- 如請求項1或2之方法，該方法包含基於該一或多個攝取度量之至少一部分測定該個體之一或多個診斷或預後值。
- 如請求項26之方法，其中測定該一或多個診斷或預後值中之至少一者包含將攝取度量與一或多個臨限值進行比較。
- 如請求項26之方法，其中該一或多個診斷或預後值中之至少一者估計該個體中臨床上顯著之前列腺癌之風險。
- 如請求項1或2之方法，該方法包含：(f)由該處理器引起互動式圖形使用者介面(GUI)之展示，以向該使用者呈現3D解剖影像及/或3D功能影像之視覺表示；及(g)由該處理器在該GUI內引起該3D解剖影像及/或該3D功能影像作為可選擇及可重疊之層的圖形重現，使得可選擇任一者用於展示並單獨重現，或選擇二者用於展示且藉由將該3D解剖影像與該3D功能影像疊加而一起重現。
- 如請求項29之方法，其中步驟(g)包含引起包含該3D解剖影像內一或多個經鑑別之具體組織體積之可選擇及可重疊之分段層的圖形重現，其中在選擇該分段層用於展示時，將表示該一或多個具體組織體積之圖形疊加在該3D解剖影像及/或該3D功能影像上。
- 如請求項30之方法，其中該一或多個具體組織體積包含該經鑑別之前列腺體積。
- 如請求項29之方法，該方法包含在步驟(g)，使該3D解剖影像及/或該3D功能影像之2D橫斷面圖在互動式2D觀看器內重現，使得該2D橫斷面圖之位置可由該使用者調整。
- 如請求項29之方法，該方法包含在步驟(g)，使得重現該3D解剖影像及/或該3D功能影像之互動式3D視圖。
- 如請求項29之方法，其包含在該GUI內展示圖形元件，其指示對應於該經鑑別之前列腺體積之體素的位置，藉此促進該方法之使用者審查及/或品質控制。
- 如請求項29之方法，其包含在該GUI內展示表示步驟(e)中測定之該一或多個攝取度量的文本及/或圖形，以及用於引導該使用者經由品質控制及報告工作流程用於審查及/或更新該一或多個攝取度量的品質控制圖 形介面控件。
- 如請求項35之方法，其包含：經由該品質控制圖形介面控件接收使用者輸入，該使用者輸入對應於核准一或多個攝取度量之自動化測定；及因應對應於核准該一或多個攝取度量之該自動化測定之該使用者輸入的該接收，由該處理器生成針對該個體之包含該一或多個自動測定之攝取度量之表示的報告。
- 如請求項35之方法，其包含：經由該品質控制圖形介面控件接收使用者輸入，該使用者輸入對應於不核准一或多個攝取度量之自動化測定；因應對應於不核准該一或多個攝取度量之該自動化測定的該使用者輸入的接收，由該處理器使得展示體素選擇圖形元件用於使用者選擇該3D功能影像之一或多個體素用於測定該一或多個攝取度量之更新值；經由該體素選擇圖形元件接收該3D功能影像之一或多個體素的該使用者選擇用於測定該一或多個攝取度量之更新值；由該處理器使用該等使用者選擇之體素更新該一或多個攝取度量之值；及由該處理器生成針對該個體之包含該一或多個更新之攝取度量之表示的報告。
- 如請求項35之方法，其包含： 經由該品質控制圖形介面控件接收使用者輸入，該使用者輸入對應於不核准一或多個攝取度量之自動化測定；經由該品質控制圖形介面控件接收對應於拒絕品質控制之使用者輸入；及由該處理器生成該個體之報告，其中該報告包含對拒絕品質控制之鑑別。
- 如請求項1或2之方法，其中該3D功能影像之體素經由已知關係與該3D解剖影像之體素相關。
- 如請求項1或2之方法，其包含對於複數個3D解剖影像中之每一者實施步驟(a)及(c)，以測定複數個初始VOI，各自在該複數個3D解剖影像中之一者內，其中該等初始VOI之大小可變性小於該等3D解剖影像之大小可變性。
- 如請求項1或2之方法，其中該第一模組係接收具有第一解析度之該3D解剖影像之降低取樣版本作為輸入並對其進行操作之CNN模組，且其中該第二模組係接收裁剪至該初始VOI並具有第二解析度的該3D解剖影像之高解析度版本作為輸入並對其進行操作之CNN模組，該第二解析度高於該第一解析度。
- 如請求項1或2之方法，其中該第一模組接收該3D解剖影像之至少一部分作為輸入，且其中由該第一模組之該輸入表示之物理體積(i)為由該初 始VOI表示之物理體積的至少2倍及/或(ii)在至少一個維度上為由該初始VOI表示之物理體積的2倍。
- 如請求項1或2之方法，其中該第一模組係經訓練以鑑別3D解剖影像內骨盆區域之圖形表示的CNN模組且其中該第二模組係經訓練以鑑別3D解剖影像內前列腺組織之圖形表示的CNN模組。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體內之標靶組織區域之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的方法，該方法包含：(a)由計算裝置之處理器接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含該個體之特定解剖學區域內組織的圖形表示，該特定解剖學區域包含該標靶組織區域；(b)由該處理器接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該特定解剖學區域內之物理體積；(c)由該處理器使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於包含該標靶組織區域之該特定解剖學區域；(d)由該處理器使用第二模組鑑別對應於該個體之該標靶組織區域之該初始VOI內之靶體積；及(e)由該處理器使用該3D功能影像及該3D解剖影像之該VOI內經 鑑別之該靶體積測定該一或多個攝取度量，以及其中該方法進一步包含：由該處理器鑑別該3D解剖影像內之參考體積，該參考體積對應於該個體內之參考組織區域；及在步驟(e)，使用該3D功能影像及該3D解剖影像內經鑑別之該參考體積測定該一或多個攝取度量中之至少一者。
- 一種自動分析3D功能影像以針對來自放射性藥品攝取進入膀胱之串擾校正前列腺體素強度的方法，該方法包含：(a)由計算裝置之處理器接收使用解剖成像方式獲得之個體之3D解剖影像，其中該3D解剖影像包含個體內組織之圖形表示，其至少一部分對應於該個體之膀胱及前列腺；(b)由該處理器接收該個體之該3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該膀胱及/或該前列腺內之物理體積；(c)由該處理器在該3D解剖影像內自動鑑別：(i)對應於該個體之前列腺之前列腺體積及(ii)對應於該個體之膀胱之膀胱體積；(d)由該處理器在該3D功能影像內自動鑑別：(i)對應於該經鑑別之前列腺體積之複數個前列腺體素及(ii)對應於該經鑑別之膀胱體積之複數個膀胱體素；(e)由該處理器基於該等膀胱體素之一或多個量測之強度調整該等前列腺體素之一或多個量測之強度；及 (f)由該處理器使用該等前列腺體素之該等調整之強度測定指示該個體之該前列腺內放射性藥品之攝取的一或多個攝取度量。
- 一種基於個體之一部分之3D功能影像的自動化分析檢測該個體之前列腺癌狀態及/或量化前列腺癌風險的方法，該方法包含：(a)在向該個體投與包含PSMA結合劑之放射性藥品後獲取該3D功能影像；(b)由計算裝置之處理器鑑別該3D功能影像內之3D靶體積，該3D靶體積對應於該個體之前列腺；(c)由該處理器使用該3D靶體積之體素之強度測定標靶對背景比率(TBR)值；及(d)由該處理器引起表示該測定之TBR值之文本及/或圖形的圖形重現用於在互動式圖形使用者介面(GUI)內展示。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體之前列腺之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的系統，該系統包含：處理器；及其上儲存有指令之記憶體，其中該等指令在由該處理器執行時引起該處理器：(a)接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含個體內組織之圖形表示，其至少一部分對應於該個體之骨盆區域； (b)接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該骨盆區域內之物理體積；(c)使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於該個體之該骨盆區域內之組織且排除該個體之該骨盆區域以外之組織；(d)使用第二模組鑑別對應於該個體之該前列腺之該初始VOI內之前列腺體積；及(e)使用該3D功能影像及該3D解剖影像之該初始VOI內經鑑別之該前列腺體積測定該一或多個攝取度量，以及其中該指令進一步引起該處理器：鑑別該3D解剖影像內之參考體積，該參考體積對應於該個體內之參考組織區域；及在步驟(e)，使用該3D功能影像及該3D解剖影像內經鑑別之該參考體積測定該一或多個攝取度量中之至少一者。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體內之標靶組織區域之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的系統，該系統包含：處理器；及其上儲存有指令之記憶體，其中該等指令在由該處理器執行時引 起該處理器：(a)接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含該個體之特定解剖學區域內組織的圖形表示，該特定解剖學區域包含該標靶組織區域；(b)接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該特定解剖學區域內之物理體積；(c)使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於包含該標靶組織區域之該特定解剖學區域；(d)使用第二模組鑑別對應於該個體之該標靶組織區域之該初始VOI內之靶體積；及(e)使用該3D功能影像及該3D解剖影像之該VOI內經鑑別之該靶體積測定該一或多個攝取度量，以及其中該指令進一步引起該處理器：鑑別該3D解剖影像內之參考體積，該參考體積對應於該個體內之參考組織區域；及在步驟(e)，使用該3D功能影像及該3D解剖影像內經鑑別之該參考體積測定該一或多個攝取度量中之至少一者。
- 一種基於個體之一部分之3D功能影像的自動化分析檢測該個體之前 列腺癌狀態及/或量化前列腺癌風險的系統，該系統包含：處理器；及其上儲存有指令之記憶體，其中該等指令在由該處理器執行時引起該處理器：(a)在向該個體投與包含PSMA結合劑之放射性藥品後，接收該個體之部分之該3D功能影像；(b)鑑別該3D功能影像內之3D靶體積，該3D靶體積對應於該個體之前列腺；(c)使用該3D靶體積之體素之強度測定標靶對背景比率(TBR)值；及(d)引起表示該測定之TBR值之文本及/或圖形的圖形重現用於在互動式圖形使用者介面(GUI)內展示。
- 一種電腦輔助檢測(CADe)裝置，其包含如請求項49之系統。
- 一種電腦輔助診斷(CADx)裝置，其包含如請求項49之系統。
- 如請求項50之CADe裝置，其中該等指令引起該處理器鑑別該個體之臨床上顯著之前列腺癌或臨床上不顯著之前列腺癌的分類。
- 如請求項51之CADx裝置，其中該等指令引起該處理器鑑別該個體之臨床上顯著之前列腺癌或臨床上不顯著之前列腺癌的分類。
- 一種組合產品，其包含：(a)放射標記之PSMA結合劑；及(b)電腦輔助檢測(CADe)裝置，其包含如請求項47至49中任一項之系統。
- 如請求項54之組合產品，其中該組合產品包含指定該放射標記之PSMA結合劑與該電腦輔助檢測裝置之使用之標記。
- 一種自動處理3D影像以鑑別該等3D影像內對應於標靶組織區域之3D體積的方法，該方法包含：(a)由計算裝置之處理器接收使用解剖成像方式獲得之該個體的3D解剖影像，其中該3D解剖影像包含該個體內組織之圖形表示；(b)由該處理器使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於包含該標靶區域之特定解剖學區域；(c)由該處理器使用第二模組鑑別對應於該個體之該標靶組織區域之該初始VOI內之靶體積；及(d)由該處理器將對應於該經鑑別之靶體積的3D分段遮罩儲存及/或提供用於展示及/或進一步處理，其中該第一模組係接收具有第一解析度之該3D解剖影像之降低取樣版本作為輸入並對其進行操作之CNN模組，且其中該第二模組係接收裁剪至該初始VOI並具有第二解析度的該3D解剖影像之高解析度版本作為輸入並對其進行操作之CNN模組，該第二解析度高於該第一解析度。
- 如請求項56之方法，其中該第一模組接收該3D解剖影像之降低取樣版本作為輸入且輸出複數個表示該3D解剖影像之降低取樣版本內之矩形體積的相對角之座標值。
- 如請求項56或57之方法，其中步驟(c)包含使用該第二模組鑑別該3D解剖影像之高解析度版本內之一或多個額外組織體積，每一額外組織體積對應於該個體內之具體組織區域。
- 如請求項56或57之方法，其中步驟(c)包含使用該第二模組以將該初始VOI內之每一體素分類為對應於該個體內之一組(預定)不同組織區域之特定組織區域。
- 如請求項59之方法，其中對該初始VOI內之每一體素進行分類包含：經由該第二模組測定該初始VOI內之複數個體素中之每一者的一組可能性值，其中該組可能性值包含該組織區域組之一或多個組織區域中之每一者之相應可能性值，其表示該體素表示該組織區域內之物理體積的可能性；及對於該初始VOI內之該複數個體素中之每一者，基於針對該體素測定之該組可能性值，將該體素分類為對應於該特定組織區域。
- 如請求項59之方法，其中該第二模組接收該初始VOI作為輸入並輸出包含針對該初始VOI內每一體素之如下(i)、(ii)及(iii)中之至少一者的複 數個值：(i)對該體素進行分類之值；(ii)針對該體素之一組可能性值；及(iii)將該體素鑑別為不對應於任何預定組之不同組織區域的值。
- 如請求項56或57之方法，其中步驟(c)包含使用該第二模組來鑑別一組一或多個基礎組織體積，該一或多個基礎組織體積包含該經鑑別之靶體積及該一或多個額外組織體積，且其中該方法進一步包含：由該處理器使用一或多個輔助模組鑑別該3D解剖影像內之一或多個輔助組織體積，每一輔助組織體積對應於由該第二模組鑑別之基礎組織體積；及由該處理器合併每一輔助組織體積與藉由該第二模組鑑別之相應基礎組織體積。
- 如請求項56或57之方法，該方法包含：(e)由該處理器引起互動式圖形使用者介面(GUI)之展示，以向該使用者呈現該3D解剖影像之視覺表示；及(f)由該處理器在該GUI內引起該3D解剖影像以及包含該3D解剖影像內之一或多個經鑑別之具體組織體積之可選擇及可重疊分段層的圖形重現，其中在選擇該分段層用於展示時，表示一或多個具體組織體積之圖形疊加在該3D解剖影像上。
- 如請求項63之方法，其中該一或多個具體組織體積包含該經鑑別之 靶體積。
- 如請求項63之方法，該方法包含在步驟(f)，使該3D解剖影像之2D橫斷面圖在互動式2D觀看器內重現，使得該2D橫斷面圖之位置可由該使用者調整。
- 如請求項63之方法，該方法包含在步驟(f)，使該3D解剖影像之互動式3D視圖重現。
- 如請求項56或57之方法，其包含對於複數個3D解剖影像中之每一者實施步驟(a)及(b)，以測定複數個初始VOI，各自在該複數個3D解剖影像中之一者內，其中該等初始VOI之大小可變性小於該等3D解剖影像之大小可變性。
- 如請求項56或57之方法，其中該第一模組接收該3D解剖影像之至少一部分作為輸入，且其中由該第一模組之該輸入表示之物理體積(i)為由該初始VOI表示之物理體積的至少2倍及/或(ii)在至少一個維度上為由該初始VOI表示之物理體積的2倍。
- 如請求項56或57之方法，其中該第一模組係經訓練以鑑別3D解剖影像內該特定解剖學區域之圖形表示的CNN模組且其中該第二模組係經訓練以鑑別3D解剖影像內該標靶組織區域之圖形表示的CNN模組。
- 如請求項56或57之方法，其進一步包含：由該處理器接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該特定解剖學區域內之物理體積；及在該3D功能影像內使用該3D分段遮罩鑑別對應於該經鑑別之靶體積的3D體積。
- 如請求項70之方法，其中該3D功能影像之體素經由已知關係與該3D解剖影像之體素相關。
- 一種自動處理3D影像以鑑別該等3D影像內對應於標靶組織區域之3D體積的系統，該系統包含：計算裝置之處理器；及其上儲存有指令之記憶體，其中該等指令在由該處理器執行時引起該處理器：(a)接收使用解剖成像方式獲得之該個體的3D解剖影像，其中該3D解剖影像包含該個體內組織之圖形表示；(b)使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於包含該標靶區域之特定解剖學區域；(c)使用第二模組鑑別對應於該個體之該標靶組織區域之該初始VOI內之靶體積；及 (d)將對應於該經鑑別之靶體積的3D分段遮罩儲存及/或提供用於展示及/或進一步處理，其中該第一模組係接收具有第一解析度之該3D解剖影像之降低取樣版本作為輸入並對其進行操作之卷積神經網路(CNN)模組，且其中該第二模組係接收裁剪至該初始VOI並具有第二解析度的該3D解剖影像之高解析度版本作為輸入並對其進行操作之CNN模組，該第二解析度高於該第一解析度。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體之前列腺之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的方法，該方法包含：(a)由計算裝置之處理器接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含個體內之組織之圖形表示，其至少一部分對應於該個體之骨盆區域；(b)由該處理器接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該骨盆區域內之物理體積；(c)由該處理器使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於該個體之該骨盆區域內之組織且排除該個體之該骨盆區域以外之組織；(d)由該處理器使用第二模組鑑別對應於該個體之該前列腺之該初 始VOI內之前列腺體積；及(e)由該處理器使用該3D功能影像及該3D解剖影像之該初始VOI內經鑑別之該前列腺體積測定該一或多個攝取度量，以及其中該方法進一步包含：由該處理器鑑別該3D解剖影像內對應於該個體之膀胱的膀胱體積；及在步驟(e)，使用該3D功能影像中對應於該3D解剖影像內該經鑑別之膀胱體積的體素之強度校正來自該膀胱之串擾。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體之前列腺之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的方法，該方法包含：(a)由計算裝置之處理器接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含個體內之組織之圖形表示，其至少一部分對應於該個體之骨盆區域；(b)由該處理器接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該骨盆區域內之物理體積；(c)由該處理器使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於該個體之該骨盆區域內之組織且排除該個體之該骨盆區域以外之組織； (d)由該處理器使用第二模組鑑別對應於該個體之該前列腺之該初始VOI內之前列腺體積；及(e)由該處理器使用該3D功能影像及該3D解剖影像之該初始VOI內經鑑別之該前列腺體積測定該一或多個攝取度量，以及其中該方法進一步包含：由該處理器鑑別該3D解剖影像內對應於該個體之膀胱的膀胱體積；由該處理器藉由對該經鑑別之膀胱體積施加形態擴張操作測定擴張之膀胱體積；及在步驟(e)，使用該3D功能影像之體素之強度值測定該一或多個攝取度量，該等體素之強度值(i)對應於該3D解剖影像之該VOI內經鑑別之該前列腺體積，但(ii)不對應於該擴張之膀胱體積內該3D解剖影像之區域。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體之前列腺之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的方法，該方法包含：(a)由計算裝置之處理器接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含個體內之組織之圖形表示，其至少一部分對應於該個體之骨盆區域；(b)由該處理器接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該骨盆區域內之物理體積； (c)由該處理器使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於該個體之該骨盆區域內之組織且排除該個體之該骨盆區域以外之組織；(d)由該處理器使用第二模組鑑別對應於該個體之該前列腺之該初始VOI內之前列腺體積；及(e)由該處理器使用該3D功能影像及該3D解剖影像之該初始VOI內經鑑別之該前列腺體積測定該一或多個攝取度量，以及其中該第一模組係接收具有第一解析度之該3D解剖影像之降低取樣版本作為輸入並對其進行操作之CNN模組，且其中該第二模組係接收裁剪至該初始VOI並具有第二解析度的該3D解剖影像之高解析度版本作為輸入並對其進行操作之CNN模組，該第二解析度高於該第一解析度。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體內之標靶組織區域之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的方法，該方法包含：(a)由計算裝置之處理器接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含該個體之特定解剖學區域內組織的圖形表示，該特定解剖學區域包含該標靶組織區域；(b)由該處理器接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該特定解剖學區 域內之物理體積；(c)由該處理器使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於包含該標靶組織區域之該特定解剖學區域；(d)由該處理器使用第二模組鑑別對應於該個體之該標靶組織區域之該初始VOI內之靶體積；及(e)由該處理器使用該3D功能影像及該3D解剖影像之該VOI內經鑑別之該靶體積測定該一或多個攝取度量，其中該方法進一步包含：由該處理器鑑別該3D解剖影像內對應於該個體之膀胱的膀胱體積；及在步驟(e)，使用該3D功能影像中對應於該3D解剖影像內該經鑑別之膀胱體積的體素之強度校正來自該膀胱之串擾。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體內之標靶組織區域之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的方法，該方法包含：(a)由計算裝置之處理器接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含該個體之特定解剖學區域內組織的圖形表示，該特定解剖學區域包含該標靶組織區域；(b)由該處理器接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該特定解剖學區 域內之物理體積；(c)由該處理器使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於包含該標靶組織區域之該特定解剖學區域；(d)由該處理器使用第二模組鑑別對應於該個體之該標靶組織區域之該初始VOI內之靶體積；及(e)由該處理器使用該3D功能影像及該3D解剖影像之該VOI內經鑑別之該靶體積測定該一或多個攝取度量，以及其中該方法進一步包含：由該處理器鑑別該3D解剖影像內對應於該個體之膀胱的膀胱體積；由該處理器藉由對該經鑑別之膀胱體積施加形態擴張操作測定擴張之膀胱體積；及在步驟(e)，使用該3D功能影像之體素之強度值測定該一或多個攝取度量，該等體素之強度值(i)對應於該3D解剖影像之該VOI內經鑑別之該前列腺體積，但(ii)不對應於該擴張之膀胱體積內該3D解剖影像之區域。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體內之標靶組織區域之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的方法，該方法包含：(a)由計算裝置之處理器接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含該個體之特定解剖學區域內組織的圖形表示，該特定解剖學區域包含該標靶組織區域；(b)由該處理器接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物 理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該特定解剖學區域內之物理體積；(c)由該處理器使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於包含該標靶組織區域之該特定解剖學區域；(d)由該處理器使用第二模組鑑別對應於該個體之該標靶組織區域之該初始VOI內之靶體積；及(e)由該處理器使用該3D功能影像及該3D解剖影像之該VOI內經鑑別之該靶體積測定該一或多個攝取度量，以及其中該第一模組係接收具有第一解析度之該3D解剖影像之降低取樣版本作為輸入並對其進行操作之CNN模組，且其中該第二模組係接收裁剪至該初始VOI並具有第二解析度的該3D解剖影像之高解析度版本作為輸入並對其進行操作之CNN模組，該第二解析度高於該第一解析度。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體之前列腺之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的系統，該系統包含：處理器；及其上儲存有指令之記憶體，其中該等指令在由該處理器執行時引起該處理器：(a)接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含個體內組織之圖形表示，其至少一部分對應於 該個體之骨盆區域；(b)接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該骨盆區域內之物理體積；(c)使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於該個體之該骨盆區域內之組織且排除該個體之該骨盆區域以外之組織；(d)使用第二模組鑑別對應於該個體之該前列腺之該初始VOI內之前列腺體積；及(e)使用該3D功能影像及該3D解剖影像之該初始VOI內經鑑別之該前列腺體積測定該一或多個攝取度量，以及其中該指令進一步引起該處理器：鑑別該3D解剖影像內對應於該個體之膀胱的膀胱體積；及在步驟(e)，使用該3D功能影像中對應於該3D解剖影像內該經鑑別之膀胱體積的體素之強度校正來自該膀胱之串擾。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體之前列腺之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的系統，該系統包含：處理器；及其上儲存有指令之記憶體，其中該等指令在由該處理器執行時引 起該處理器：(a)接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含個體內組織之圖形表示，其至少一部分對應於該個體之骨盆區域；(b)接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該骨盆區域內之物理體積；(c)使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於該個體之該骨盆區域內之組織且排除該個體之該骨盆區域以外之組織；(d)使用第二模組鑑別對應於該個體之該前列腺之該初始VOI內之前列腺體積；及(e)使用該3D功能影像及該3D解剖影像之該初始VOI內經鑑別之該前列腺體積測定該一或多個攝取度量，以及其中該指令進一步引起該處理器：鑑別該3D解剖影像內對應於該個體之膀胱的膀胱體積；藉由對該經鑑別之膀胱體積施加形態擴張操作測定擴張之膀胱體積；及在步驟(e)，使用該3D功能影像之體素之強度值測定該一或多個攝取度量，該等體素之強度值(i)對應於該3D解剖影像之該VOI內經鑑別之該前列腺體積，但(ii)不對應於該擴張之膀胱體積內該3D解剖 影像之區域。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體之前列腺之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的系統，該系統包含：處理器；及其上儲存有指令之記憶體，其中該等指令在由該處理器執行時引起該處理器：(a)接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含個體內組織之圖形表示，其至少一部分對應於該個體之骨盆區域；(b)接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該個體之該骨盆區域內之物理體積；(c)使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於該個體之該骨盆區域內之組織且排除該個體之該骨盆區域以外之組織；(d)使用第二模組鑑別對應於該個體之該前列腺之該初始VOI內之前列腺體積；及(e)使用該3D功能影像及該3D解剖影像之該初始VOI內經鑑別之該前列腺體積測定該一或多個攝取度量， 以及其中該第一模組係接收具有第一解析度之該3D解剖影像之降低取樣版本作為輸入並對其進行操作之CNN模組，且其中該第二模組係接收裁剪至該初始VOI並具有第二解析度的該3D解剖影像之高解析度版本作為輸入並對其進行操作之CNN模組，該第二解析度高於該第一解析度。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體內之標靶組織區域之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的系統，該系統包含：處理器；及其上儲存有指令之記憶體，其中該等指令在由該處理器執行時引起該處理器：(a)接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含該個體之特定解剖學區域內組織的圖形表示，該特定解剖學區域包含該標靶組織區域；(b)接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該特定解剖學區域內之物理體積；(c)使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於包含該標靶組織區域之該特定解剖學區域； (d)使用第二模組鑑別對應於該個體之該標靶組織區域之該初始VOI內之靶體積；及(e)使用該3D功能影像及該3D解剖影像之該VOI內經鑑別之該靶體積測定該一或多個攝取度量，以及其中該指令進一步引起該處理器：鑑別該3D解剖影像內對應於該個體之膀胱的膀胱體積；及在步驟(e)，使用該3D功能影像中對應於該3D解剖影像內該經鑑別之膀胱體積的體素之強度校正來自該膀胱之串擾。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體內之標靶組織區域之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的系統，該系統包含：處理器；及其上儲存有指令之記憶體，其中該等指令在由該處理器執行時引起該處理器：(a)接收使用解剖成像方式獲得之該個體之3D解剖影像，其中該3D解剖影像包含該個體之特定解剖學區域內組織的圖形表示，該特定解剖學區域包含該標靶組織區域；(b)接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該特定解剖學區域內之物理體積； (c)使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於包含該標靶組織區域之該特定解剖學區域；(d)使用第二模組鑑別對應於該個體之該標靶組織區域之該初始VOI內之靶體積；及(e)使用該3D功能影像及該3D解剖影像之該VOI內經鑑別之該靶體積測定該一或多個攝取度量，以及其中該指令進一步引起該處理器：鑑別該3D解剖影像內對應於該個體之膀胱的膀胱體積；藉由對該經鑑別之膀胱體積施加形態擴張操作測定擴張之膀胱體積；及在步驟(e)，使用該3D功能影像之體素之強度值測定該一或多個攝取度量，該等體素之強度值(i)對應於該3D解剖影像之該VOI內經鑑別之該前列腺體積，但(ii)不對應於該擴張之膀胱體積內該3D解剖影像之區域。
- 一種自動處理3D影像以鑑別該等3D影像內對應於個體內之標靶組織區域之3D體積及測定一或多個指示其中之放射性藥品之攝取的攝取度量的系統，該系統包含：處理器；及其上儲存有指令之記憶體，其中該等指令在由該處理器執行時引起該處理器：(a)接收使用解剖成像方式獲得之該個體之3D解剖影像，其中 該3D解剖影像包含該個體之特定解剖學區域內組織的圖形表示，該特定解剖學區域包含該標靶組織區域；(b)接收使用功能成像方式獲得之該個體之3D功能影像，其中該3D功能影像包含複數個體素，其各自表示該個體內之特定物理體積且具有表示自該特定物理體積發射之檢測輻射的強度值，其中該3D功能影像之該複數個體素之至少一部分表示該特定解剖學區域內之物理體積；(c)使用第一模組測定該3D解剖影像內之初始關注體積(VOI)，該初始VOI對應於包含該標靶組織區域之該特定解剖學區域；(d)使用第二模組鑑別對應於該個體之該標靶組織區域之該初始VOI內之靶體積；及(e)使用該3D功能影像及該3D解剖影像之該VOI內經鑑別之該靶體積測定該一或多個攝取度量，以及其中該第一模組係接收具有第一解析度之該3D解剖影像之降低取樣版本作為輸入並對其進行操作之CNN模組，且其中該第二模組係接收裁剪至該初始VOI並具有第二解析度的該3D解剖影像之高解析度版本作為輸入並對其進行操作之CNN模組，該第二解析度高於該第一解析度。
Applications Claiming Priority (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862614935P | 2018-01-08 | 2018-01-08 | |
| US62/614,935 | 2018-01-08 | ||
| US16/003,006 US10973486B2 (en) | 2018-01-08 | 2018-06-07 | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
| US16/003,006 | 2018-06-07 | ||
| US201862749574P | 2018-10-23 | 2018-10-23 | |
| US62/749,574 | 2018-10-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201941218A TW201941218A (zh) | 2019-10-16 |
| TWI835768B true TWI835768B (zh) | 2024-03-21 |
Family
ID=
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106558045A (zh) | 2016-10-20 | 2017-04-05 | 上海联影医疗科技有限公司 | 一种肺组织分割方法、装置，医学图像处理系统 |
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106558045A (zh) | 2016-10-20 | 2017-04-05 | 上海联影医疗科技有限公司 | 一种肺组织分割方法、装置，医学图像处理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 期刊 May Sadik, Eirini Polymeri, Reza Kaboteh, Olof Enqvist, Frida Fejne, Fredrik Kahl, Elin Tragardh, Mads Poulsen,Jane Simonsen, Poul Flemming Hoilund-Carlsen, Ã…se Johnsson and Lars Edenbrandt Automated 3D segmentation of the prostate gland in CTimages - a first step towards objective measurements ofprostate uptake in PET and SPECT images Journal of Nuclear Medicine 58 (supplement 1) 1074; May 20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10973486B2 (en) | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination | |
| JP7448476B2 (ja) | 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法 | |
| US20200342600A1 (en) | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination | |
| US11657508B2 (en) | Systems and methods for platform agnostic whole body image segmentation | |
| US11937962B2 (en) | Systems and methods for automated and interactive analysis of bone scan images for detection of metastases | |
| US20220005586A1 (en) | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions | |
| TW202207241A (zh) | 用於偵測及表徵化病變之基於人工智慧的影像分析系統與方法 | |
| US20230115732A1 (en) | Systems and methods for automated identification and classification of lesions in local lymph and distant metastases | |
| TWI835768B (zh) | 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法 | |
| US20230351586A1 (en) | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions | |
| US20240186010A1 (en) | Network for medical image analysis, decision support system, and related graphical user interface (gui) applications | |
| US20230410985A1 (en) | Systems and methods for assessing disease burden and progression |