專利名稱：用于醫(yī)學(xué)診斷的跨時(shí)檢查方法
技術(shù)領(lǐng)域：
本發(fā)明涉及用于圖像分析的數(shù)字圖像處理/計(jì)算機(jī)視覺方法，尤其涉及醫(yī)學(xué)圖像中性能不同的組織的作為時(shí)間函數(shù)的跨時(shí)檢查(跨時(shí)圖像序列)。

背景技術(shù)：
醫(yī)學(xué)領(lǐng)域中的數(shù)字成像技術(shù)在二十世紀(jì)七十年代實(shí)施，且首次臨床使用并接受了計(jì)算機(jī)斷層掃描或CT掃描儀。隨后，在過去的三十年里，將x光成像(CT)的廣泛應(yīng)用與數(shù)字計(jì)算機(jī)以及如超聲和磁共振成像(MRI)的新成像模態(tài)的出現(xiàn)結(jié)合起來，產(chǎn)生了診斷成像技術(shù)的急速發(fā)展。
使用數(shù)字醫(yī)學(xué)成像技術(shù)為衛(wèi)生保健領(lǐng)域帶來了好處。例如，用于查看大腦、腎臟、四肢和心臟中的血管的血管造影方法均已受益于數(shù)字醫(yī)學(xué)成像和圖像處理技術(shù)的采用。
利用數(shù)字圖像可進(jìn)行計(jì)算機(jī)化多維(如空間和時(shí)間)圖像分析。多維圖像分析可用在諸如人體器官的系列圖像體掃描中的變化(解剖或功能)的自動(dòng)量化、異物定位、一致診斷重建等的應(yīng)用中。
而且，不同的醫(yī)學(xué)成像模態(tài)產(chǎn)生提供人體功能和解剖學(xué)的不同視圖的圖像，借助于正確的醫(yī)學(xué)圖像處理軟件和可視化工具，其具有極大地增強(qiáng)診斷精度的可能性。例如，X光計(jì)算機(jī)斷層掃描(CT)和磁共振成像(MRI)展示出大腦解剖，但幾乎不提供功能信息。正電子發(fā)射斷層掃描(PET)和單光子發(fā)射計(jì)算機(jī)斷層(SPECT)掃描顯示大腦功能示象并允許代謝測(cè)量，但很少描繪解剖學(xué)。而且，CT和MRI圖像描述互補(bǔ)形態(tài)特征。例如，在CT圖像上可最佳地看到骨骼和鈣化，而MRI能更好地區(qū)分軟組織結(jié)構(gòu)。如MRI和CT這樣的模態(tài)通常提供某些人體器官的圖像棧。
已知從不同維度(空間和時(shí)間)或模態(tài)獲得的信息通常具有差分或互補(bǔ)性質(zhì)。在目前的臨床設(shè)置中，這種差分或互補(bǔ)圖像信息是臨床診斷設(shè)置中的多種應(yīng)用的一種組成部分，并且也是外科和放射治療程序的計(jì)劃和評(píng)價(jià)領(lǐng)域中的一種組成部分。
為了有效地使用這種差分或互補(bǔ)信息，來自不同維度或不同模態(tài)的圖像特征必須已由醫(yī)生利用視覺對(duì)準(zhǔn)系統(tǒng)相互疊加。令人遺憾的是，多圖像的相互之間的這種配位極其困難，甚至是經(jīng)過高級(jí)培訓(xùn)的醫(yī)務(wù)人員如經(jīng)驗(yàn)豐富的放射醫(yī)師也難以一致而正確地解釋一系列的醫(yī)學(xué)圖像，以制定最適合于患者目前的醫(yī)療條件的治療方案。
醫(yī)務(wù)人員目前所面臨的另一個(gè)問題是從目前的醫(yī)學(xué)成像器件獲得的大量數(shù)據(jù)和大量圖像。從標(biāo)準(zhǔn)掃描收集的圖像的數(shù)量可超過100個(gè)，且通?？沙^幾百。為了使醫(yī)務(wù)人員正確地進(jìn)行檢查，每個(gè)圖像花費(fèi)大量的時(shí)間，且對(duì)于目前的醫(yī)療技術(shù)所提供的許多圖像而言，要求大量的時(shí)間來對(duì)所有的數(shù)據(jù)進(jìn)行徹底研究。
因此，需要一種有效的方法，這種方法使用圖像處理/計(jì)算機(jī)視覺技術(shù)自動(dòng)檢測(cè)/診斷疾病。
美國公布No.2004/0064037(Smith)針對(duì)一種應(yīng)用預(yù)編程規(guī)則的技術(shù)，這些預(yù)編程的規(guī)則明確說明了將醫(yī)學(xué)圖像分類或以其它方式進(jìn)行處理的方式，該公布通過參考結(jié)合在本發(fā)明中。
美國公布No.2003/0095147(Daw)涉及一種醫(yī)學(xué)圖像處理和可視化的計(jì)算機(jī)化方法，該公布通過參考結(jié)合在本發(fā)明中。
已知惡性乳腺腫塊一旦達(dá)到某種尺寸就開始生長(zhǎng)其自身的血液供應(yīng)網(wǎng)絡(luò)，這是腫瘤能夠繼續(xù)生長(zhǎng)的方式。在乳腺M(fèi)RI掃描中，注入血流中的造影劑可提供向乳腺組織的血液供應(yīng)的信息，這種造影劑通過突出腫瘤的血管網(wǎng)絡(luò)將腫瘤“點(diǎn)亮”。通常進(jìn)行幾次掃描在將造影劑注入之前進(jìn)行一次并在將造影劑注入之后至少進(jìn)行一次。將對(duì)比前的圖像和對(duì)比后的圖像進(jìn)行對(duì)比并突出差分。應(yīng)認(rèn)識(shí)到，若患者在這兩次掃描之間更輕微地移動(dòng)，可將圖像的形狀或尺寸扭曲，從而造成信息的大量損失。
用于MRI的造影劑是釓或釓雙胺，并提供大腦和身體中的正常組織與異常組織之間的對(duì)比。
釓看上去像水一樣清澈且沒有放射性。在注入靜脈之后，釓累積在可能正在影響身體或頭部的異常組織中。釓使這些異常區(qū)域在這種MRI上變得明亮(增強(qiáng))。這就使這些區(qū)域容易地被看到。然后，釓由腎臟從身體清除出去。釓允許MRI限定異常組織并具有更大的清晰度。腫瘤在供給釓之后得到增強(qiáng)。腫瘤的精確尺寸和位置對(duì)于治療計(jì)劃和后續(xù)措施是重要的。釓還可通過使小型腫瘤明亮并易于看到而有助于發(fā)現(xiàn)這些小型腫瘤。
動(dòng)態(tài)對(duì)比增強(qiáng)的MRI用于乳腺腫瘤成像，尤其用于具有基于x光乳房X光照相的非決定性診斷的情形。MRI研究涉及在緊接著獲得具有約為一分鐘的瞬時(shí)清晰度的T1加權(quán)的MR體積集合之前的造影劑(通常為釓噴酸葡胺)的靜脈注射。造影劑在成像三維像素內(nèi)的存在導(dǎo)致增加的信號(hào)，在這種試驗(yàn)的時(shí)間進(jìn)程期間可觀察到這種信號(hào)。
由于不同組織類型的差分對(duì)比吸收性能，所以這些信號(hào)時(shí)間曲線的研究允許這些組織類型的識(shí)別，如圖1所示。腫瘤組織通常由于“漏的”血管生成的微脈管的增殖的原因而展示出高而快的吸收，而正常且含脂肪的組織展示出極少的吸收。通常已利用一種藥物動(dòng)力學(xué)模式配備了這些吸收(動(dòng)態(tài))曲線，以給出這些曲線的與生理學(xué)有關(guān)的參數(shù)表示(參看P.S.Tofts、B.Berkowitz和M.Schnall所著的“Quantitativeanalysis of dynamic Gd-DTPA enhancement in breast tumours using apermeability model”一文，Magn Reson Med 33，第564至568頁，1995年)。
美國專利No.6,353,803(Degani，Hadassa)針對(duì)用于監(jiān)測(cè)一種系統(tǒng)的設(shè)備和方法，在這種系統(tǒng)中，流體流動(dòng)且這種系統(tǒng)的特征在于這種系統(tǒng)中的空間隨著時(shí)間的變化。對(duì)這種系統(tǒng)中預(yù)先選擇的位置進(jìn)行監(jiān)測(cè)以在與系統(tǒng)事件相互關(guān)聯(lián)的兩個(gè)或更多的時(shí)間點(diǎn)收集數(shù)據(jù)。這種數(shù)據(jù)表明作為至少兩個(gè)變量的函數(shù)的隨著時(shí)間變化的系統(tǒng)參數(shù)，該至少兩個(gè)變量與系統(tǒng)灌注和清除(wash-in和wash-out)行為有關(guān)。
這些曲線/參數(shù)的研究以在臨床上用于識(shí)別腫瘤并將腫瘤辨別為惡性或良性類別，但結(jié)果一般隨著總體上良好的靈敏度但往往非常差的特異性而變化(參看S.C.Rankin所著的“MRI of the breast”一文，Br.J.Radiol 73，第806至818頁，2000年)。
雖然這些系統(tǒng)在其特定用途中已取得了某些程度的成功，但仍需要用于醫(yī)學(xué)圖像分析的改進(jìn)的數(shù)字圖像處理方法，這種方法克服前面列舉的問題并解決前面列出的實(shí)用需求。
本發(fā)明提供一種用于圖像分析的方法，尤其是用于作為一種時(shí)間函數(shù)的醫(yī)學(xué)圖像中不同性能組織的跨時(shí)檢查的方法。


發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種用于作為時(shí)間函數(shù)的醫(yī)學(xué)圖像中不同性能(例如，異常組織和正常組織)組織的跨時(shí)檢查(跨時(shí)圖像序列)的方法。
所提供的任何目的僅通過例證性示例給出，且這些目的可以是本發(fā)明的一個(gè)或多個(gè)實(shí)施例的示范。本領(lǐng)域中熟練的技術(shù)人員可想到或明白所公開的本發(fā)明所固有地實(shí)現(xiàn)的其它理想目標(biāo)和優(yōu)點(diǎn)。本發(fā)明由所附的權(quán)利要求書限定。
本發(fā)明提供一種利用其它物理或非物理因數(shù)增大的對(duì)比增強(qiáng)的MRI圖像的不同性能組織的跨時(shí)檢查的圖案識(shí)別方法。這種方法包括以下步驟獲得多個(gè)醫(yī)學(xué)圖像(如對(duì)比增強(qiáng)劑的注入之前和之后的MRI圖像)跨時(shí)序列；關(guān)于空間坐標(biāo)進(jìn)行多個(gè)醫(yī)學(xué)圖像跨時(shí)序列的內(nèi)配準(zhǔn)；關(guān)于空間坐標(biāo)進(jìn)行多個(gè)醫(yī)學(xué)圖像跨時(shí)序列的相互配準(zhǔn)；對(duì)用于已配準(zhǔn)的多個(gè)醫(yī)學(xué)圖像跨時(shí)序列的不同性能的組織進(jìn)行分類；以及呈現(xiàn)這些分類結(jié)果以用于跨時(shí)檢查。
根據(jù)本發(fā)明的一個(gè)方面，提供一種利用其它物理或非物理因數(shù)增大的對(duì)比增強(qiáng)的MRI圖像的自動(dòng)異常組織檢測(cè)和分化方法。這種方法包括以下步驟獲得多個(gè)MRI乳腺圖像集合；將多個(gè)MRI乳腺圖像關(guān)于空間坐標(biāo)對(duì)準(zhǔn)；差分多個(gè)MRI乳腺圖像集合與參考MRI圖像集合，從而產(chǎn)生多個(gè)差分圖像集合；將多個(gè)差分圖像集合分割，從而產(chǎn)生具有分割的強(qiáng)度像素的多個(gè)MRI乳腺圖像；將動(dòng)態(tài)系統(tǒng)識(shí)別應(yīng)用于分割的強(qiáng)度像素，從而產(chǎn)生多個(gè)動(dòng)態(tài)系統(tǒng)參數(shù)；以及將用其它物理或非物理因數(shù)增大的多個(gè)系統(tǒng)參數(shù)分成不同的類別。
根據(jù)本發(fā)明的另一個(gè)方面，提供一種自動(dòng)材料分類的方法。這種方法包括以下步驟以時(shí)間次序獲得對(duì)象的多個(gè)圖像集合；將多個(gè)圖像集合關(guān)于空間坐標(biāo)對(duì)準(zhǔn)；差分多個(gè)圖像集合與參考圖像集合以產(chǎn)生多個(gè)差分圖像集合；將多個(gè)差分圖像集合分割以產(chǎn)生具有分割的強(qiáng)度像素的多個(gè)圖像；將動(dòng)態(tài)系統(tǒng)識(shí)別應(yīng)用于多個(gè)圖像的分割的強(qiáng)度像素，以產(chǎn)生多個(gè)動(dòng)態(tài)系統(tǒng)參數(shù)；以及將多個(gè)系統(tǒng)參數(shù)分成不同的類別。
根據(jù)本發(fā)明的再一個(gè)方面，提供一種利用對(duì)比增強(qiáng)的MRI圖像的異常組織檢測(cè)的方法。這種方法包括以下步驟以時(shí)間次序獲得多個(gè)MRI乳腺圖像集合；將多個(gè)MRI圖像集合關(guān)于空間坐標(biāo)對(duì)準(zhǔn)；差分多個(gè)MRI乳腺圖像集合與參考MRI圖像集合以產(chǎn)生多個(gè)差分圖像集合；將多個(gè)差分圖像集合分割以產(chǎn)生具有分割的強(qiáng)度像素的多個(gè)MRI乳腺圖像；將動(dòng)態(tài)系統(tǒng)識(shí)別應(yīng)用于多個(gè)MRI乳腺圖像集合的分割的強(qiáng)度像素，以產(chǎn)生多個(gè)動(dòng)態(tài)系統(tǒng)參數(shù)；以及將多個(gè)系統(tǒng)參數(shù)分成不同的類別以檢測(cè)異常組織。



從下面的示于附圖中的本發(fā)明的實(shí)施例的更詳細(xì)描述就會(huì)明白本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)。圖中的要素并不一定按相互之間的比例繪制。
圖1是示出了不同乳腺組織的動(dòng)態(tài)對(duì)比吸收性能的圖表(曲線圖)。
圖2是用在實(shí)施根據(jù)本發(fā)明的方法中的圖像處理系統(tǒng)的示意圖。
圖3是示出了根據(jù)本發(fā)明的自動(dòng)異常組織檢測(cè)方法的一個(gè)實(shí)施例的流程圖。
圖4是示出了惡性和良性腫瘤組織的動(dòng)態(tài)對(duì)比吸收性能的圖表(曲線圖)。
圖5是示出了階躍函數(shù)響應(yīng)概念和系統(tǒng)識(shí)別概念的示意圖。
圖6是示出了根據(jù)本發(fā)明的系統(tǒng)識(shí)別方法的流程圖。
圖7是示出了兩個(gè)跨時(shí)圖像序列的圖表。
圖8是示出了根據(jù)本發(fā)明的跨時(shí)組織性能檢查方法的一個(gè)實(shí)施例的流程圖。
圖9是示出了本發(fā)明的跨時(shí)組織性能檢查可視化顯示方法的圖表。
圖10是示出了根據(jù)本發(fā)明的圖像配準(zhǔn)方法的流程圖。
圖11是示出了圖像配準(zhǔn)概念的圖表。

具體實(shí)施例方式 下面是對(duì)本發(fā)明的優(yōu)選實(shí)施例的詳細(xì)描述并參考附圖，在這些圖中，相同的附圖標(biāo)記識(shí)別每個(gè)圖中的結(jié)構(gòu)相同的要素。
圖2示出了用在實(shí)施根據(jù)本發(fā)明的方法中的圖像處理系統(tǒng)10。系統(tǒng)10包括數(shù)字MRI圖像源100，如MRI掃描儀，數(shù)字圖像儲(chǔ)存器件(如光盤驅(qū)動(dòng)器)等。來自數(shù)字MRI圖像源100的數(shù)字圖像被提供給圖像處理器102或數(shù)字圖像處理工作站，圖像處理器102如一種可編程個(gè)人計(jì)算機(jī)，數(shù)字圖像處理工作站如一種Sun Sparc工作站。可將圖像處理器102連接到顯示器104(如CRT顯示器或其它監(jiān)視器)、操作員界面和鼠標(biāo)108或其它公知的輸入器件，這種操作員界面如鍵盤106。圖像處理器102還連接到計(jì)算機(jī)可讀儲(chǔ)存介質(zhì)107。圖像處理器102將經(jīng)過處理的數(shù)字圖像傳輸?shù)捷敵銎骷?09。輸出器件109可包括硬拷貝打印機(jī)、長(zhǎng)期圖像儲(chǔ)存器件、至另一個(gè)處理器的連接、連接到如互聯(lián)網(wǎng)等的圖像電信器件等等。
在下面的描述中將本發(fā)明的優(yōu)選實(shí)施例描述為一種方法。不過，在另一種優(yōu)選實(shí)施例中，本發(fā)明包括一種用于根據(jù)所描述的方法檢測(cè)數(shù)字MRI圖像中的異常組織的計(jì)算機(jī)程序產(chǎn)品。在對(duì)本發(fā)明進(jìn)行描述時(shí)，應(yīng)認(rèn)識(shí)到，可由任何公知的計(jì)算機(jī)系統(tǒng)使用本發(fā)明的計(jì)算機(jī)程序，公知的計(jì)算機(jī)系統(tǒng)如示于圖2中的類型的個(gè)人計(jì)算機(jī)。不過，其它類型的計(jì)算機(jī)系統(tǒng)也可用于執(zhí)行本發(fā)明的計(jì)算機(jī)程序。例如，可在含在數(shù)字MRI機(jī)械或PACS(影像存檔通信系統(tǒng))中的計(jì)算機(jī)中執(zhí)行本發(fā)明的方法。因此，下面將不對(duì)計(jì)算機(jī)系統(tǒng)進(jìn)行詳細(xì)描述。
還將認(rèn)識(shí)到，本發(fā)明的計(jì)算機(jī)程序產(chǎn)品可利用公知的圖像處理算法和過程。因此，本說明書特別針對(duì)這些算法和過程，這些算法和過程形成本發(fā)明的方法的一部分或更直接地與本發(fā)明的方法相配合。因此，將會(huì)理解，本發(fā)明的計(jì)算機(jī)程序產(chǎn)品實(shí)施例可體現(xiàn)并未在本說明書中明確示出或描述的有利于實(shí)施的算法和過程。這些算法和過程是常規(guī)算法和過程，并且在本領(lǐng)域的普通技術(shù)的范圍內(nèi)。
這些算法和系統(tǒng)的其它方面以及用于產(chǎn)生或以其它方式處理所涉及的圖像或與本發(fā)明的計(jì)算機(jī)程序產(chǎn)品配合的圖像的硬件和/或軟件并未在本說明書中明確示出或描述，并可選自本領(lǐng)域中所公知的算法、系統(tǒng)、硬件、元器件和元件。
可將用于實(shí)施本發(fā)明的方法的計(jì)算機(jī)程序儲(chǔ)存在一種計(jì)算機(jī)可讀儲(chǔ)存介質(zhì)中。這種介質(zhì)可包括如磁儲(chǔ)存介質(zhì)，如磁盤(如硬盤驅(qū)動(dòng)器或軟盤)或磁帶；光學(xué)儲(chǔ)存介質(zhì)，如光盤、光帶或可機(jī)讀條形碼；固態(tài)電子儲(chǔ)存器件，如隨機(jī)訪問存儲(chǔ)器(RAM)或只讀存儲(chǔ)器(ROM)；或用于儲(chǔ)存計(jì)算機(jī)程序的其它任何物理器件或介質(zhì)。還可將用于實(shí)施本發(fā)明的方法的計(jì)算機(jī)程序儲(chǔ)存在通過互聯(lián)網(wǎng)或其它通信介質(zhì)連接到這種圖像處理器的計(jì)算機(jī)可讀儲(chǔ)存介質(zhì)上。本領(lǐng)域中熟練的技術(shù)人員會(huì)容易地認(rèn)識(shí)到，也可以硬件構(gòu)造這種計(jì)算機(jī)程序產(chǎn)品的等同物。
參看圖8，將概述醫(yī)學(xué)圖像中作為時(shí)間函數(shù)的不同性能的組織的跨時(shí)檢查方法。圖8是示出了本發(fā)明的醫(yī)學(xué)圖像中不同性能組織的跨時(shí)檢查方法的一個(gè)實(shí)施例的流程圖。在示于圖8的實(shí)施例中，多個(gè)醫(yī)學(xué)圖像跨時(shí)序列經(jīng)歷一系列過程。這些過程中的每一個(gè)執(zhí)行特定功能，如序列內(nèi)配準(zhǔn)、序列間配準(zhǔn)、動(dòng)態(tài)曲線分類和可視化和診斷。
下面將介紹圖像配準(zhǔn)的概念。隨后對(duì)曲線分類的方法進(jìn)行討論。
參看圖10，圖中示出了一般圖像配準(zhǔn)過程方法的流程圖。圖像配準(zhǔn)的過程將確定一個(gè)空間(二維圖像)內(nèi)的坐標(biāo)與另一個(gè)空間(另一種二維圖像)內(nèi)的坐標(biāo)之間的映射，以使兩個(gè)空間內(nèi)對(duì)應(yīng)于對(duì)象的相同特征點(diǎn)的點(diǎn)相互映射。這種確定兩個(gè)圖像的坐標(biāo)之間的映射的過程提供這兩個(gè)圖像中的對(duì)應(yīng)點(diǎn)的水平位移映射和垂直位移映射。然后將找出的這些垂直和水平位移映射用于將所涉及的這些圖像中的一個(gè)變形，以減少這兩種映射之間的失準(zhǔn)。
就圖像配準(zhǔn)術(shù)語而言，將在配準(zhǔn)過程中所涉及的這兩個(gè)圖像稱為源圖像1020和參考圖像1022。用I(xt，yt，t)和I(xt+1，yt+1，t+1)分別表示源圖像和參考圖像。符號(hào)x和y是圖像坐標(biāo)系統(tǒng)的橫坐標(biāo)和縱坐標(biāo)，且t是圖像指數(shù)(圖像1、圖像2等)。在圖像平面的中心限定圖像坐標(biāo)系的原點(diǎn)(x＝0，y＝0)。應(yīng)指出，圖像坐標(biāo)x和y并不一定是整數(shù)。
為了便于實(shí)施，將這種圖像(或圖像像素)也標(biāo)記為I(i，j)，其中，i和j是精確整數(shù)，且為了簡(jiǎn)單起見，將參數(shù)t忽略不計(jì)。這種表示與在離散域中將矩陣加標(biāo)對(duì)準(zhǔn)。若這種圖像(矩陣)具有高度h和寬度w，則可將在位置(i，j)的對(duì)應(yīng)圖像平面坐標(biāo)x和y計(jì)算為x＝i-(w-1)/2.0，y＝(h-1)/2.0-j。列指數(shù)i在從0至w-1的范圍內(nèi)。行指數(shù)j在從0至h-1的范圍內(nèi)。
配準(zhǔn)過程通常用于找出最佳的變換函數(shù)Φt+1(xt，yt)(見步驟1002)，以使 [xt+1，yt+1，1]T＝Φt+1(xi，yi)[xt，yt，1]T (10-1) 等式(10-1)的變換函數(shù)是具有示于等式(10-2)中的元素的3×3矩陣。
實(shí)際上，這種變換矩陣包括兩個(gè)部分，旋轉(zhuǎn)子矩陣和平移向量 注意，變換函數(shù)Φ是全局函數(shù)或局部函數(shù)。全局函數(shù)Φ以相同的方式變換圖像中的每個(gè)像素。局部函數(shù)在像素的位置的基礎(chǔ)上不同地變換圖像中的每個(gè)像素。為了完成圖像配準(zhǔn)任務(wù)，變換函數(shù)Φ可以是全局函數(shù)或局部函數(shù)或這兩種函數(shù)的組合。
在實(shí)踐中，變換函數(shù)Φ生成兩個(gè)位移映射(步驟1004)X(i，j)和Y(i，j)，這兩個(gè)映射含有能夠?qū)⒃磮D像中的像素帶到新的位置的信息，這些新的位置與參考圖像中相應(yīng)的像素位置對(duì)準(zhǔn)。換言之，這種源圖像在步驟1008中被在空間上校正并變成配準(zhǔn)的源圖像1024。對(duì)于這兩個(gè)位移映射X(i，j)和Y(i，j)而言，列指數(shù)i在從0至w-1的范圍內(nèi)，且行指數(shù)j在從0至h-1的范圍內(nèi)。
失準(zhǔn)校正的示范性結(jié)果在圖11中示出。在圖11中，左邊是源圖像1102，右邊是參考圖像1106。顯然，在源圖像1102與參考圖像1106之間有變動(dòng)垂直失準(zhǔn)。通過將示于圖10中的步驟應(yīng)用于這兩個(gè)圖像獲得垂直失準(zhǔn)校正的源圖像(圖像1104)。
注意，用在計(jì)算圖像變換函數(shù)Φ中的配準(zhǔn)算法可以是剛性配準(zhǔn)算法、非剛性配準(zhǔn)算法或這兩種算法的組合。本領(lǐng)域中熟練的技術(shù)人員理解，有能夠執(zhí)行查找變換函數(shù)Φ的任務(wù)的多種配準(zhǔn)算法，這種變換函數(shù)Φ生成兩個(gè)相關(guān)圖像中失準(zhǔn)的校正所需的位移映射?？稍趆ttp://www.itk.org從Lydia Ng等人所著的“Medical Visualization withITK”一文中查找示范性算法。而且，本領(lǐng)域中熟練的技術(shù)人員理解，可通過利用任何適當(dāng)?shù)膱D像插值算法來實(shí)現(xiàn)從空間上校正具有位移映射的圖像(見Berthold Klaus Paul Horn所著的“Robot Vision”一文，The MIT Press Cambridge，馬塞諸塞州)。
對(duì)于本發(fā)明而言，可將前面所討論的圖像配準(zhǔn)過程視為具有輸入端A(1032)、輸入端B(1034)和輸出端D(1036)的黑箱子1000。箱子1000將用在下面的本發(fā)明的具有不同性能組織的跨時(shí)檢查的描述中。
參看圖8，將對(duì)序列內(nèi)和序列間配準(zhǔn)過程進(jìn)行描述。用于一種對(duì)象(如乳腺)的示范性MRI圖像序列在圖7中示出。MRI圖像序列704含有相同對(duì)象(乳腺)的MRI片段集合706、708和710的示范性匯集。每個(gè)MRI片段集合含有多個(gè)片段，這些片段是該對(duì)象(乳腺)的圖像(截面)。示范性片段是集合706的片段(圖像)712、集合708的片段(圖像)714和用于集合710的片段(圖像)716。特意在不同的時(shí)間獲取MRI片段集合以在使行對(duì)比增強(qiáng)劑時(shí)捕獲對(duì)象在時(shí)空中的功能性變化。這些MRI片段集合之間的示范性時(shí)隙可以是1分鐘、2分鐘等。
對(duì)于具有不同性能的組織的跨時(shí)檢查而言，除了序列704之外，還需相同對(duì)象(乳腺)的一個(gè)或多個(gè)MRI圖像序列。示范性MRI序列724就是這種序列。在不同的時(shí)間捕獲序列724。序列724與序列704之間的示范性時(shí)隙可以為幾個(gè)月。
類似地，序列724含有相同對(duì)象(乳腺)的MRI片段集合726、728和730的示范性匯集。每個(gè)MRI片段集合含有多個(gè)片段，這些片段是該對(duì)象(乳腺)的圖像(截面)。示范性片段是集合726的片段(圖像)732、集合728的片段(圖像)734和集合730的片段(圖像)736。特意在不同的時(shí)間獲取MRI片段集合以捕獲對(duì)象在時(shí)空中的功能性變化。這些MRI片段集合之間的示范性時(shí)隙可以是1分鐘、2分鐘等。
將序列內(nèi)配準(zhǔn)(804)限定為在MRI圖像集合內(nèi)的對(duì)象的相同截面的配準(zhǔn)片段(圖像)。示范性片段是序列704的片段(圖像)712、714和716以及序列724的片段(圖像)732、734和736。序列內(nèi)配準(zhǔn)的實(shí)施例在圖像集合的組織性能檢查方法的上下文中進(jìn)行討論，這種序列內(nèi)配準(zhǔn)起到獨(dú)立實(shí)體的作用并在圖3中示出。對(duì)序列內(nèi)配準(zhǔn)的需求源自在捕獲MRI圖像的過程期間，由于不可避免的對(duì)象(如乳腺)移動(dòng)的原因，該對(duì)象的相同截面的圖像(如712、714和716)出現(xiàn)失準(zhǔn)。這種失準(zhǔn)可引起組織性能檢查過程中的誤差。
如前所述，對(duì)于具有不同性能的組織的跨時(shí)檢查而言，對(duì)相同對(duì)象要求在不同時(shí)間獲得兩個(gè)或更多的圖像序列(如序列704和724)。不同序列中對(duì)應(yīng)的片段(如712和732)最有可能失準(zhǔn)并具有某種程度上不同的形狀。因此，需要序列間配準(zhǔn)(806)并限定為來自不同序列的對(duì)象的相同截面的配準(zhǔn)片段(圖像)。序列間配準(zhǔn)的一個(gè)實(shí)施例是成對(duì)(2D)配準(zhǔn)。進(jìn)行相互配準(zhǔn)的示范性片段對(duì)有712和732對(duì)、714和734對(duì)、以及716和736對(duì)。序列間配準(zhǔn)的另一個(gè)實(shí)施例是體積(3D)配準(zhǔn)。在體積(3D)配準(zhǔn)中，將序列內(nèi)配準(zhǔn)首先應(yīng)用于單個(gè)序列(如704和724)。然后將相互配準(zhǔn)的序列輸入到箱子1000。
參看圖3，將概述圖像集合的組織性能檢查方法(以及步驟808、動(dòng)態(tài)曲線分類)。圖3是示出了本發(fā)明的自動(dòng)異常組織檢測(cè)方法的一個(gè)實(shí)施例的流程圖。注意，示于圖3中的流程圖用作構(gòu)成獨(dú)立過程的獨(dú)立實(shí)體。因此，并不將示于圖3中的流程圖解釋為步驟808的延伸。而是利用示于圖3的流程圖中的步驟說明步驟808和步驟804。在示于圖3的實(shí)施例中，在造影劑的注入之前和之后獲得的多個(gè)MRI乳腺圖像集合經(jīng)歷一系列的過程。這些過程中的每一個(gè)執(zhí)行特定的功能，如對(duì)準(zhǔn)、減法、分割、系統(tǒng)識(shí)別和分類。在本發(fā)明中，通過動(dòng)態(tài)系統(tǒng)參數(shù)分類完成異常組織檢測(cè)任務(wù)。
在示于圖3的實(shí)施例中，將第一步驟202(以及步驟802)用于在造影劑的注入之前和之后同時(shí)獲得多個(gè)MRI乳腺圖像集合。對(duì)于跨時(shí)檢查而言，步驟202重復(fù)以在造影劑的另一次注入之前和之后獲得另外的多個(gè)MRI乳腺圖像集合。
用I0(x，y，z)表示乳腺M(fèi)RI圖像集合，具有在造影劑的注入之前多個(gè)以空間次序的圖像(片段)，其中，z∈[1，...S]是空間次序指數(shù)，S是該集合中圖像的數(shù)量，x和y分別是圖像的水平指數(shù)和垂直指數(shù)，其中，x∈[1，...X]，y∈[1，...Y]。在造影劑給藥之后，獲得多個(gè)MRI圖像集合，并具有用于以相同的空間次序z的每個(gè)集合的相同乳腺的相同數(shù)量(S)的圖像。用瞬時(shí)清晰度截取多個(gè)MRI圖像，這種瞬時(shí)清晰度如約1分鐘?？捎肨k(x，y，z)表示這種MRI圖像集合，其中，k是時(shí)間次序指數(shù)且k∈[1，...K]，K是集合的數(shù)量。示范性集合有706、708和710，(三個(gè)集合，K＝3)，或者726、708和730，(三個(gè)集合，K＝3)。集合706(序列704的第一集合，k＝1)的(在位置1)示范性片段Ik(x，y，1)是片段712。
造影劑在成像體素內(nèi)的存在導(dǎo)致增加的信號(hào)，在這種圖像獲取的時(shí)間進(jìn)程期間可觀察到這種信號(hào)。由于不同組織類型的差分對(duì)比吸收性能，所以這些信號(hào)時(shí)間曲線的研究使得能夠進(jìn)行這些組織類型的識(shí)別。為了異常組織的自動(dòng)檢測(cè)，在步驟204(以及步驟804序列內(nèi)配準(zhǔn))中，必須將在造影劑的注入之后獲得的MRI圖像Ik(x，y，z)的K集合關(guān)于空間坐標(biāo)x，y與MRI圖像的參考集合在空間上對(duì)準(zhǔn)(失準(zhǔn)校正)。MRI圖像的參考集合通常是在造影劑的注入之前獲得的MRI圖像I0(x，y，z)的集合。這種對(duì)準(zhǔn)過程確保屬于乳腺的相同組織區(qū)域的像素具有圖像的所有K集合中的相同的x，y坐標(biāo)。這種對(duì)準(zhǔn)過程執(zhí)行如下步驟 對(duì)于k＝1K 對(duì)于 z＝1S 對(duì)準(zhǔn)Ik(x，y，z)，I0(x，y，z) 結(jié)束 結(jié)束 利用黑箱子1000，將Ik(x，y，z)輸入到終端A(1032)，將I0(x，y，z)輸入到終端B(1034)，且在輸出端D(1036)獲得配準(zhǔn)的圖像Ik(x，y，z)。可用于實(shí)現(xiàn)對(duì)準(zhǔn)功能align(A，B)的示范性方法是一種將A與B對(duì)準(zhǔn)并廣泛用在醫(yī)學(xué)成像和遙感領(lǐng)域中的非剛性配準(zhǔn)。已在前面對(duì)這種配準(zhǔn)過程(失準(zhǔn)校正)進(jìn)行了討論。本領(lǐng)域中熟練的技術(shù)人員會(huì)認(rèn)識(shí)到也可使用其它配準(zhǔn)方法。
正如在圖1中所示出的那樣，在造影劑的注入之后，對(duì)于不同的乳腺組織而言，圖像像素強(qiáng)度不同地增加。這種現(xiàn)象表明，將在造影劑的注入之前獲得的圖像從在造影劑的注入之后獲得的圖像減去，會(huì)向放射醫(yī)生提供這種圖像中的異常組織的位置的更清晰信息。這種信息還可用于從原始MRI乳腺圖像提取區(qū)域以進(jìn)行自動(dòng)異常組織檢測(cè)和分化。在示于圖3中的步驟206中獲得這種信息，該步驟206執(zhí)行用參考MRI圖像集合將多個(gè)MRI乳腺圖像集合Ik(x，y，z)，k∈[1，...K]差分，以產(chǎn)生多個(gè)差分圖像集合δIk(x，y，z)，k∈[1，...K]。將MRI圖像集合I0(x，y，z)選擇為強(qiáng)度參考圖像。將這種差分過程執(zhí)行為如下過程 對(duì)于k＝1K 對(duì)于 z＝1SδIk(x，y，z)＝subtraction(Ik(x，y，z)，I0(x，y，z)) 結(jié)束 結(jié)束 其中，函數(shù)subtraction(A，B)表示將B從A減去。
在圖3中，在步驟208，差分圖像δIk(x，y，z)經(jīng)過分割過程，該分割過程首先對(duì)多個(gè)差分圖像集合δIk(x，y，z)進(jìn)行評(píng)估，然后產(chǎn)生多個(gè)掩模像集合Mk(x，y，z)，通過執(zhí)行以下過程獲得Mk(x，y，z)，k∈[1，...K] 對(duì)于k＝1K 對(duì)于z＝1:S對(duì)于x＝1:X對(duì)于y＝1:Y 若δIk(x，y，z)>TMk(x，y，z)＝1 結(jié)束 結(jié)束結(jié)束 結(jié)束 結(jié)束 其中，用零將掩模像集合Mk(x，y，z)，k∈[1，...K]初始化，T是統(tǒng)計(jì)強(qiáng)度閾值。T的示范值為經(jīng)驗(yàn)值10。
步驟208中的分割過程根據(jù)掩模像Mk(x，y，z)中的非零像素分割多個(gè)MRI乳腺圖像集合Ik(x，y，z)中的圖像，以獲得多個(gè)MRI乳腺圖像集合的圖像中的分割的強(qiáng)度像素。用Sk(x，y，z)，k∈[1，...K]表示合成圖像，可將這種分割操作表示為 對(duì)于k＝1:K 對(duì)于z＝1:S 對(duì)于x＝1:X 對(duì)于y＝1:Y 若Mk(x，y，z)＝1 Sk(x，y，z)＝Ik(x，y，z)結(jié)束 結(jié)束 結(jié)束 結(jié)束 結(jié)束 其中，將圖像Sk(x，y，z)初始化為零。本領(lǐng)域中熟練的技術(shù)人員會(huì)認(rèn)識(shí)到，在實(shí)際實(shí)施時(shí)，可將生成掩模像的階段省略，且可通過執(zhí)行如下過程實(shí)現(xiàn)這種分割過程 對(duì)于k＝1:K 對(duì)于z＝1:S對(duì)于x＝1:X對(duì)于y＝1:Y 若δIk(x，y，z)>T Sk(x，y，z)＝Ik(x，y，z) 結(jié)束 結(jié)束 結(jié)束 結(jié)束 結(jié)束 其中，將圖像Sk(x，y，z)初始化為零。
參看圖4，圖中示出了一種圖表，除了圖4包括插入的階躍函數(shù)f(t)和曲線302以及除去正態(tài)曲線和組織曲線之外，示于圖4中的圖表與示于圖1中的圖表相同。
本發(fā)明旨在檢測(cè)異常組織且更重要的是區(qū)分惡性組織和良性組織。(注意將階躍函數(shù)f(t)定義為f(t<0)＝0；f(t≥0)＝|λ|；λ≠0)。在分割步驟208中，將圖像Sk(x，y，z)中屬于正常組織和脂肪組織的像素設(shè)定至零。圖像Sk(x，y，z)中其余的像素屬于惡性組織或良性組織。在實(shí)踐中，難以僅通過估定靜態(tài)形式中即單個(gè)圖像中的像素亮度(強(qiáng)度)區(qū)分惡性組織和良性組織。不過，在動(dòng)態(tài)形式中，亮度變化展示出這兩種類型組織中的區(qū)別。如圖4所示，從時(shí)間零開始，惡性組織的亮度(對(duì)比)曲線304，m(t)快速上升至高于階躍函數(shù)曲線302，然后無癥狀地接近于階躍函數(shù)曲線302；而良性組織的亮度(對(duì)比)曲線306，b(t)緩慢上升并低于階躍函數(shù)曲線302，然后無癥狀地接近于階躍函數(shù)曲線f(t)，302。
本領(lǐng)域中熟練的技術(shù)人員能夠認(rèn)識(shí)到，亮度(對(duì)比)曲線304，m(t)，類似于欠阻尼動(dòng)態(tài)系統(tǒng)的階躍響應(yīng)，而亮度(對(duì)比)曲線306，b(t)，類似于過阻尼動(dòng)態(tài)系統(tǒng)的階躍響應(yīng)。
識(shí)別一種動(dòng)態(tài)系統(tǒng)行為的示范性一般方法在圖5中總體示出。對(duì)于一種未知的動(dòng)態(tài)系統(tǒng)404而言，將階躍函數(shù)402用作一種激發(fā)。將來自動(dòng)態(tài)系統(tǒng)404的對(duì)階躍函數(shù)402的響應(yīng)饋送到系統(tǒng)識(shí)別步驟408，以評(píng)估系統(tǒng)404的動(dòng)態(tài)參數(shù)。
(圖3的)動(dòng)態(tài)系統(tǒng)建模212的一種示范性實(shí)現(xiàn)在圖6中示出，圖中示出了一種ARX(自回歸)模型500(參看Lennart Ljung所著的“System identification Toolbox”一文，The Math Works)。
可將一般的ARX模型表示為等式 y(t)＝G(q)f(t)+H(q)ε(t) (1) 式中G(q)(506)和H(q)(504)是示于圖6中的系統(tǒng)轉(zhuǎn)移函數(shù)，u(t)(502)是激發(fā)，ε(t)(508)是擾動(dòng)，且y(t)(510)是系統(tǒng)輸出。已知可在有理函數(shù)q-1方面明確轉(zhuǎn)移函數(shù)G(q)(506)和H(q)(504)并以如下形式明確分子系數(shù)和分母系數(shù) 其中A和B是延遲運(yùn)算子q-1中的多項(xiàng)式 A(q)＝1+a1q-1+...+anaq-na(4) B(q)＝b1+b2q-1+...+anbq-nb+1(5) 當(dāng)A和B是多項(xiàng)式時(shí)，可將這種系統(tǒng)的ARX模型明確地重寫為 y(t)＝-a1y(t-1)-...-anay(t-na)+b1u(t-nk)+...bnbu(t-nk-nb+1)+e(t)(6)還可將等式(6)進(jìn)一步重寫為如下的表示
式中

系數(shù)向量θ的系統(tǒng)識(shí)別解是 式中
且 在等式(9)和(10)中，t0是數(shù)據(jù)取樣開始時(shí)間，且Nt是采樣數(shù)量。


和
分別與亮度(對(duì)比)曲線m(t)304和亮度(對(duì)比)曲線b(t)306有關(guān)。在這種特別情形中，u(t)是階躍函數(shù)。相應(yīng)的解是

和

θ的計(jì)算實(shí)現(xiàn)動(dòng)態(tài)系統(tǒng)識(shí)別210(以及步驟408)的步驟。
再參看圖3，為了將MRI圖像中具有高對(duì)比亮度的區(qū)域分類成良性腫瘤或惡性腫瘤，需要一種在監(jiān)督之下的學(xué)習(xí)步驟218。
將在監(jiān)督之下的學(xué)習(xí)限定為一種學(xué)習(xí)過程，在這種過程中，標(biāo)本集合包括理想的輸出和輸入對(duì)。在這種MRI圖像乳腺組織分類情形中，標(biāo)本輸入是

和

(或已知的曲線)，標(biāo)本理想的輸出是分別用于惡性腫瘤和良性腫瘤的指示符Om和Ob。在圖3中，步驟218從步驟216接收具有已知特征(良性或惡性)的M個(gè)樣本乳腺M(fèi)RI動(dòng)態(tài)曲線。M的示范值可以是100。在M曲線內(nèi)，有屬于惡性腫瘤的Mm個(gè)曲線和屬于良性腫瘤的Mb個(gè)曲線。用于Mm和Mb的示范值可以是50和50。在步驟218中，將等式(8)應(yīng)用于所有試樣曲線能生成M個(gè)系數(shù)向量

在這些系數(shù)向量中，Mm個(gè)系數(shù)向量(由

表示，i＝1...Mm)表示具有指示符Om的惡性腫瘤，且Mb個(gè)系數(shù)向量(由

表示，i＝1...Mb)表示具有指示符Ob的良性腫瘤。這些學(xué)習(xí)的系數(shù)向量

和

用于對(duì)分類器進(jìn)行訓(xùn)練，這種分類器反過來用于在檢測(cè)或診斷過程中對(duì)動(dòng)態(tài)對(duì)比曲線進(jìn)行分類。
為了增加特異性(分化良性腫瘤與惡性腫瘤時(shí)的精度)，可將其它因數(shù)(步驟220)結(jié)合到這種訓(xùn)練(學(xué)習(xí))和分類過程中。公知的因數(shù)如造影劑的給藥速度、對(duì)比給藥與成像的定時(shí)、收集時(shí)間和片段厚度(參看C.W.Piccoli所著的“Contrast-enhanced breast MRIfactorsaffecting sensitivity and specificity”一文，Eur.Radiol.7(Suppl.5)，S281-S288(1997))。
用α表示造影劑的給藥速度，用β表示對(duì)比給藥與成像的定時(shí)，用γ表示收集時(shí)間，并且用δ表示片段厚度。將這些示范性因數(shù)與系數(shù)向量

和

結(jié)合使用以對(duì)分類器進(jìn)行訓(xùn)練，這種分類器反過來用于將這種MRI乳腺圖像中的區(qū)域分成惡性腫瘤類和良性腫瘤類。注意，應(yīng)在相當(dāng)于系數(shù)向量

和

的范圍的范圍內(nèi)將這些示范性因數(shù)量化。
出于這種學(xué)習(xí)和訓(xùn)練目的，構(gòu)造這種訓(xùn)練數(shù)據(jù)集合
式中τj是類別標(biāo)簽。
例如，若腫瘤是惡性的，則τj＝1，否則τj＝-1。在計(jì)算機(jī)視覺文獻(xiàn)中傳統(tǒng)上將向量稱為特征向量。符號(hào)

表示一種域，d是域維度。對(duì)于這種示范性情形而言，假設(shè)系數(shù)向量θ具有五個(gè)元，則d＝9。等式(11)中的數(shù)據(jù)格式用在學(xué)習(xí)步驟218中以及分類步驟214中。本領(lǐng)域中熟練的技術(shù)人員會(huì)理解，可用不同的方式構(gòu)成數(shù)據(jù)向量pj并用不同于前面所提及的物理或非物理數(shù)值元(因數(shù))的物理或非物理數(shù)值元(因數(shù))增大。
存在有公知類型的分類器，可用于利用動(dòng)態(tài)對(duì)比曲線與其它物理或非物理因數(shù)一起實(shí)現(xiàn)將惡性腫瘤與良性腫瘤分化的任務(wù)。一種示范性分類器是SVM(支持向量機(jī))(參看由C.Burges所著的“A Tutorialon Support Vector Machines for Pattern Recognition”一文，Data Miningand Knowledge Discovery，2(2)，1-47，1998，Kluwer Academic Publisher，Boston，且可從網(wǎng)址 http://aya.technion.ac.il/kaniel/CMCC/SVM-tutorial.pdf得到信息)。
SVM分類器的示范性情形通常是表示兩種類別的數(shù)據(jù)的訓(xùn)練和分類，這兩種類別可由一種超平面分離。分離這些數(shù)據(jù)的超平面滿足 w*p+σ＝0(12) 式中*是點(diǎn)積。
訓(xùn)練SVM的目的是確定自由參數(shù)w和σ。可總是將定標(biāo)應(yīng)用于w和σ的標(biāo)度，以使所有的數(shù)據(jù)遵守成對(duì)的不等式 可通過關(guān)于參數(shù)w來最小化拉格朗日函數(shù)解開等式(13) 并關(guān)于未確定的乘數(shù)ξj≥0取拉格朗日函數(shù)的最大值。
在已解決了優(yōu)化問題之后，可用非零系數(shù)在支持向量的形式重寫等式(13)中的w的表達(dá)式，并將這種表達(dá)式插入用于將超平面分類的等式中以給出SVM判定函數(shù) 式中l(wèi)s是支持向量的數(shù)量。將新的向量Pnew分成兩個(gè)類別(惡性和良性)中的一類的分類以這種判定函數(shù)的符號(hào)為基礎(chǔ)。本領(lǐng)域中熟練的技術(shù)人員會(huì)認(rèn)識(shí)到，在不可分情形中，可使用非線性SVM。
前面所描述的圖像集合(以及步驟804和808)的組織性能檢查方法適用于所有的跨時(shí)圖像序列如704和724，以用于跨時(shí)組織性能檢查。將會(huì)理解，在本發(fā)明中，這種跨時(shí)圖像序列在進(jìn)入步驟808之前經(jīng)歷內(nèi)配準(zhǔn)和相互配準(zhǔn)步驟。用于這種示范性序列的內(nèi)配準(zhǔn)和相互配準(zhǔn)步驟的一種示范性執(zhí)行程序是首先將內(nèi)配準(zhǔn)應(yīng)用于序列704，然后將相互配準(zhǔn)應(yīng)用于序列704和724。本領(lǐng)域中熟練的技術(shù)人員應(yīng)知道序列704和724的角色可互換。
對(duì)于用于這種特定的示范性執(zhí)行程序的內(nèi)配準(zhǔn)序列704而言，任意選擇圖像集合作為參考圖像集合，如集合706。將集合706的圖像輸入到終端B(1034)，將其它圖像集合(708和710)輸入到終端A(1032)。在終端D(1036)獲得圖像集合(708和710)的配準(zhǔn)的圖像。
對(duì)于用于這種特定的示范性執(zhí)行程序的相互配準(zhǔn)而言，將序列724的圖像輸入到終端A(1032)，將序列704的圖像輸入到終端B(1034)，并且在輸出終端D(1036)獲得序列724的配準(zhǔn)的圖像。
在步驟808完成時(shí)，生成多個(gè)動(dòng)態(tài)曲線(在目前的示范性情形中是兩條曲線)，這些動(dòng)態(tài)曲線反映在多個(gè)時(shí)間實(shí)例(在目前的示范性情形中是兩個(gè))處多個(gè)跨時(shí)圖像序列(在目前的示范性情形中是兩個(gè)序列704和724)中捕獲的組織性能。已知這些動(dòng)態(tài)曲線向醫(yī)務(wù)人員提供患者的疾病情況(或進(jìn)展)方面的有價(jià)值的信息。在步驟810中，采用可視化工具，以使醫(yī)務(wù)人員檢查對(duì)象的所關(guān)注區(qū)域(圖像中所感興趣的區(qū)域)，以更好地進(jìn)行診斷。這種可視化設(shè)備的一個(gè)實(shí)施例在圖9中示出。
在圖9中示出了一種掛在圖像處理器102上的計(jì)算機(jī)監(jiān)視屏900(在圖2中是104)，這種圖像處理器102執(zhí)行前面所描述的步驟。在屏幕900上，在左邊顯示兩個(gè)代表性圖像片段712和732。例如，片段712是在空間位置1跨過三個(gè)集合(706、708和710)的第一圖像Ik(x，y，1)|k∈[1，2，3]；片段732是在空間位置1跨過三個(gè)集合(726、728和730)的第一圖像Ik(x，y，1)|k∈[1，2，3]。乳腺圖像902和912在片段712和732中示出。乳腺圖像902和912是乳腺的相同截面的圖像。在使用時(shí)，醫(yī)務(wù)人員在片段712的位置908上方移動(dòng)計(jì)算機(jī)鼠標(biāo)906(作為一種用戶界面)。同時(shí)，幽靈鼠標(biāo)916在片段712中的位置908時(shí)，出現(xiàn)在片段732中的相同的空間位置918。用戶還可在片段732中的位置918上方移動(dòng)計(jì)算機(jī)鼠標(biāo)916(作為一種用戶界面)。同時(shí)，幽靈鼠標(biāo)906在片段732中的位置918時(shí)，出現(xiàn)在片段712中的相同的空間位置908。在任何一種情形中，兩條動(dòng)態(tài)曲線(實(shí)線924和虛線926)出現(xiàn)在該屏幕的左側(cè)922。示范性曲線924和926反映在兩種不同時(shí)間的乳腺的相同點(diǎn)的不同組織性能。例如，含有片段712的圖像序列可在捕獲含有片段732的序列的6個(gè)月之前獲取。醫(yī)務(wù)人員可將鼠標(biāo)移至其它位置以檢查組織性能隨著時(shí)間(6個(gè)月)的變化。利用這種可視化設(shè)備，可容易地對(duì)疾病進(jìn)展進(jìn)行分析。本領(lǐng)域中熟練的技術(shù)人員應(yīng)理解，組織性能可由除了這些動(dòng)態(tài)曲線圖924和926之外的其它方式表示。例如，組織性能可由著色的血管生成映射表示。本領(lǐng)域中熟練的技術(shù)人員還應(yīng)理解，多個(gè)跨時(shí)圖像序列可由本發(fā)明的方法進(jìn)行處理，且可同時(shí)顯示多條動(dòng)態(tài)曲線以進(jìn)行醫(yī)學(xué)診斷。
本發(fā)明的主題涉及數(shù)字圖像處理和計(jì)算機(jī)視覺技術(shù)，這些技術(shù)理解為指對(duì)數(shù)字圖像進(jìn)行數(shù)字處理以識(shí)別人類可理解的對(duì)象、屬性或情況，并因此而分配有用的意義給人類可理解的對(duì)象、屬性或情況，然后使用在這種數(shù)字圖像的進(jìn)一步處理中所獲得的結(jié)果。
權(quán)利要求
1.一種用于跨時(shí)醫(yī)學(xué)圖像檢查的方法，所述方法包括
訪問多個(gè)醫(yī)學(xué)圖像跨時(shí)序列；
關(guān)于空間坐標(biāo)進(jìn)行所述多個(gè)醫(yī)學(xué)圖像跨時(shí)序列的內(nèi)配準(zhǔn)；
關(guān)于空間坐標(biāo)進(jìn)行所述多個(gè)醫(yī)學(xué)圖像跨時(shí)序列的相互配準(zhǔn)；
對(duì)用于已配準(zhǔn)的所述多個(gè)醫(yī)學(xué)圖像跨時(shí)序列的不同性能的組織進(jìn)行分類；以及
顯示所述已分類的組織。
2.一種用于跨時(shí)醫(yī)學(xué)圖像分析的方法，所述方法包括
訪問在第一時(shí)間段捕獲的受驗(yàn)者的醫(yī)學(xué)圖像的第一集合；
訪問在第二時(shí)間段捕獲的所述受驗(yàn)者的醫(yī)學(xué)圖像的第二集合，所述第一集合和所述第二集合各包括多個(gè)醫(yī)學(xué)圖像；
通過將所述第一集合和所述第二集合的多個(gè)醫(yī)學(xué)圖像映射到預(yù)定的空間坐標(biāo)進(jìn)行圖像配準(zhǔn)；
進(jìn)行所述第一集合和所述第二集合的跨時(shí)圖像映射；以及
提供用于交互跨時(shí)醫(yī)學(xué)圖像分析的裝置。
3.如權(quán)利要求2所述的方法，其中進(jìn)行圖像配準(zhǔn)的步驟包括
進(jìn)行所述第一集合和所述第二集合的多個(gè)醫(yī)學(xué)圖像的內(nèi)配準(zhǔn)；以及
進(jìn)行所述第一集合和所述第二集合的多個(gè)醫(yī)學(xué)圖像的相互配準(zhǔn)。
4.如權(quán)利要求2所述的方法，還包括進(jìn)行所述第一集合和所述第二集合的圖像中的至少一個(gè)的組織性能檢查。
5.如權(quán)利要求2所述的方法，還包括
訪問所述受驗(yàn)者的醫(yī)學(xué)圖像的參考集合；
用所述參考集合差分所述第一集合和所述第二集合以生成包括多個(gè)圖像的差分圖像集合；
將所述差分圖像集合的多個(gè)圖像分割以生成具有分割的強(qiáng)度像素的多個(gè)圖像；
將系統(tǒng)識(shí)別應(yīng)用于具有分割的強(qiáng)度像素的多個(gè)圖像以生成多個(gè)系統(tǒng)參數(shù)；以及
將所述多個(gè)系統(tǒng)參數(shù)分類。
6.如權(quán)利要求5所述的方法，還包括在將所述多個(gè)系統(tǒng)參數(shù)分類之前用物理或非物理因數(shù)增大所述系統(tǒng)參數(shù)。
7.如權(quán)利要求2所述的方法，還包括在進(jìn)行圖像配準(zhǔn)之后將不同性能的組織分類。
8.一種用于MRI對(duì)比增強(qiáng)的乳腺圖像的組織分析方法，所述方法包括
訪問乳腺圖像集合，該乳腺圖像集合包括以時(shí)間次序獲取的多個(gè)MRI對(duì)比增強(qiáng)的乳腺圖像；
將多個(gè)MRI圖像映射到預(yù)定的空間坐標(biāo)；
訪問參考MRI乳腺圖像集合；
差分所述乳腺圖像集合與所述參考MRI乳腺圖像集合以生成差分圖像集合；
將所述差分圖像集合分割以生成具有分割的強(qiáng)度像素的多個(gè)圖像；
將系統(tǒng)識(shí)別應(yīng)用于具有分割的強(qiáng)度像素的多個(gè)圖像以生成多個(gè)系統(tǒng)參數(shù)；以及
將所述多個(gè)系統(tǒng)參數(shù)分類。
9.如權(quán)利要求8所述的方法，還包括在將所述多個(gè)系統(tǒng)參數(shù)分類之前用物理或非物理因數(shù)增大所述系統(tǒng)參數(shù)。
10.如權(quán)利要求8所述的方法，其中通過以下步驟實(shí)現(xiàn)訪問乳腺圖像集合，其中該乳腺圖像集合包括以時(shí)間次序獲取的多個(gè)MRI對(duì)比增強(qiáng)的乳腺圖像
在造影劑的注入之前，按空間次序獲取第一多個(gè)MRI乳腺圖像；
在造影劑的注入之后，按空間次序獲取第二多個(gè)MRI乳腺圖像，所述第一多個(gè)MRI乳腺圖像和所述第二多個(gè)MRI乳腺圖像具有相等數(shù)量的圖像；以及
以時(shí)間次序組織所述第一多個(gè)MRI乳腺圖像和所述第二多個(gè)MRI乳腺圖像。
11.一種用于人體組織的圖案識(shí)別方法，所述方法包括
訪問乳腺圖像集合，該乳腺圖像集合包括以時(shí)間次序獲取的多個(gè)MRI對(duì)比增強(qiáng)的乳腺圖像；
將所述多個(gè)MRI乳腺圖像映射到預(yù)定的空間坐標(biāo)；
訪問參考MRI乳腺圖像集合；
差分所述乳腺圖像集合與所述參考MRI乳腺圖像集合以生成差分圖像集合；
將所述差分圖像集合分割以生成具有分割的強(qiáng)度像素的多個(gè)圖像；
將系統(tǒng)識(shí)別應(yīng)用于具有分割的強(qiáng)度像素的多個(gè)圖像以生成多個(gè)系統(tǒng)參數(shù)；以及
將所述多個(gè)系統(tǒng)參數(shù)分成類別以檢測(cè)異常組織。
12.如權(quán)利要求13所述的方法，還包括提供用于在所述多個(gè)圖像中的一個(gè)圖像內(nèi)指示所關(guān)注的區(qū)域的裝置。
13.如權(quán)利要求14所述的方法，還包括在所述多個(gè)圖像中的其它圖像內(nèi)突出所關(guān)注的區(qū)域。
全文摘要
一種用于醫(yī)學(xué)圖像診斷的跨時(shí)檢查方法。訪問受驗(yàn)者的醫(yī)學(xué)圖像的第一集合，其中，在第一時(shí)間段捕獲該第一集合。訪問這種受驗(yàn)者的醫(yī)學(xué)圖像的第二集合，其中，在第二時(shí)間段捕獲該第二集合。第一集合和第二集合中的每一個(gè)包括多個(gè)醫(yī)學(xué)圖像。通過將第一集合和第二集合的多個(gè)醫(yī)學(xué)圖像與預(yù)先確定的空間坐標(biāo)映射進(jìn)行圖像配準(zhǔn)。進(jìn)行第一集合和第二集合的跨時(shí)圖像映射。提供用于交互跨時(shí)醫(yī)學(xué)圖像分析的裝置。
文檔編號(hào)G06T7/00GK101390127SQ200680053361
公開日2009年3月18日 申請(qǐng)日期2006年12月27日 優(yōu)先權(quán)日2005年12月30日
發(fā)明者S·陳, L·A·雷, Z·霍 申請(qǐng)人:卡爾斯特里姆保健公司