本发明涉及磁共振成像系统，具体涉及一种用于自动识别检查区中的病变的方法。
背景技术：
白质病变尤其在老年患者中被广泛地观察到，并与认知和精神运动性缺陷有关。白质改变的认知影响可能取决于白质的位置，例如，室周白质病变可能比深部白质病变更多地影响认知。因此，对白质病变的严重度、位置和进展的评估变得重要。此外，白质病变的区域评估和统计分析以及受白质病变影响的白质束和皮质上相应的靶区域的可视化对于患者的诊断和预测而言是重要的。然而，目前，这种分析需要实质的交互以例如配置纤维跟踪算法。
m.caligiuri等人在neuroinformatics13：261-276(2015)回顾了使用磁共振成像自动检测健康老化和病理中的白质高密度或病变的最新技术。
技术实现要素：
各种实施例提供了如独立权利要求的主题所描述的医学仪器、计算机程序产品和方法。在从属权利要求中描述了有利的实施例。如果本发明的各实施例不互相排斥，则它们可以彼此自由组合。
各种实施例提供了一种用于自动检测受检者的检查区中的受影响区域的医学仪器。例如，所述医学仪器可以检测皮质表面上受影响的灰质区域。该医学仪器包括：包含机器可执行指令的存储器；和用于控制所述医学仪器的处理器，其中，对所述机器可执行指令的执行使所述处理器控制所述仪器以：
a)获得所述检查区的第一解剖图像和所述检查区的第一纤维图像，其中，第一参数和第二参数分别描述所述第一解剖图像和所述第一纤维图像的特征；
b)将所述第一解剖图像分割成指示所述检查区中的相应组织和/或结构的多个片段；
c)识别在经分割的第一解剖图像中的第一病变；
d)使用所述第一和/或第二参数的值来确定在所识别的第一病变中用于跟踪算法的种子点，以用于跟踪所述第一纤维图像中的第一纤维。例如，步骤d)可以特别包括确定所述第一和第二参数的值。
例如，可以首先使用所述第一参数的值将所述种子点放置在所识别的第一病变中，例如，使用本文所描述的用于确定种子点的方法(例如重心法)。例如，每一个种子点都可以放置在相应的第一病变中。一旦种子点被放置，则所述第二参数的值可以与每一个放置的种子点相匹配(或者验证)，然后基于验证来确定是否使用所述种子点来跟踪纤维。
如本文所用的术语“解剖图像”是指利用诸如x射线、计算机断层摄影(ct)、磁共振成像(mri)和超声(us)的具有解析解剖特征的方法获得的医学图像。跟踪的第一纤维开始或穿过第一病变到受影响的第一皮质区。所述第一解剖图像与所述第一纤维图像被配准。
可以在同时或同时地自动扫描所述第一解剖图像和所述第一纤维图像，以便使用所述第一解剖图像和所述第一纤维图像的特征，使得所述种子点首先被定位或放置在所识别的第一病变中的给定的第一个病变中，并且基于比较(或对所述第二参数的评估)决定使用或不使用所放置的种子点作为所述跟踪算法的起始点。所述比较可以包括例如放置所述种子点并将针对所述种子点的所述第二参数的值与阈值进行比较。
例如，可以使用弥散张量成像、弥散加权成像或弥散张量纤维束成像技术来获得所述第一纤维图像。
如本文所用的术语“病变”是指通常由疾病或创伤引起的诸如患者身体的生物体的组织中的异常。病变可能发生在由软组织(脂肪组织、肌肉、皮肤、神经、血管、脊椎盘等)或骨质物质(脊柱、颅骨、臀部、肋骨等)或器官(肺、前列腺、甲状腺、肾脏、胰腺、肝脏、乳腺、子宫等)组成的身体中，例如在口腔、皮肤和脑中，或肿瘤可能发生的任何地方。术语“病变”还可以指由癌性疾病引起的异常，如口咽、肾上腺、睾丸、宫颈、脊柱或卵巢的肿瘤，以及位于皮肤(黑素瘤)处和肺、前列腺、甲状腺、肾脏、胰腺、肝脏、乳腺、子宫等中的肿瘤或癌。
如本文所用的术语“纤维”是指通过样本的可以从纤维图像(例如，所述第一纤维图像)的体素到体素的纤维路径。纤维可以例如包括一根神经纤维或一根肌纤维或一束这样的纤维。术语“纤维”可以指单根纤维或一束纤维。纤维跟踪(例如，纤维束成像)可以基于各种跟踪算法。例如，纤维轨迹可以基于三维中从体素到体素跟踪的主轴方向，所述三维基于从种子点开始的局部邻域中的弥散张量。纤维方向随着主轴方向进行映射，并且在体素边缘处发生变化随着主轴方向而变化。还可以使用各种跟踪方法，包括基于子体素的跟踪方法、高清晰度纤维跟踪(hdft)方法、概率方法以及与选择从中开始纤维跟踪的合适种子体素相关的方法。
例如，所述检查区可以包括患者的脑。例如，病变可以包括白质病变。
在一个示例中，当外科医生试图保护影响运动或语言的纤维束时，可以应用本方法。在这种情况下，识别并可视化(与术前规划相关的)特定传导束以便在手术过程中保留这些传导束是非常重要的。
上面的特征可以具有使得自动纤维(例如，白质纤维)跟踪而无需人工干预的优点。这可以避免人工干预的冗长程序，特别是对于大量病变(例如，白质病变)的情况。特别地，手动处理感兴趣解剖区域中的所有白质病变似乎不大可能。
另一个优点可能是，与手动方法相比，本方法可以加快跟踪纤维的过程，并且可以提供准确和可靠的结果。
根据一个实施例，所述第一参数包括所识别病变的尺寸、体素强度、数量、体积分数中的至少一个。例如，所识别的第一病变的每一个第一病变都可以覆盖所述第一解剖图像中的相应数量的体素，其中，该数量体素中的每一个体素都具有体素强度。所述第二参数包括所述第一纤维图像中的弥散方向和弥散量值中的至少一个。所述第一纤维图像可以包括弥散加权图像。
所述种子点不仅根据所识别的第一病变而且还使用所述第一纤维图像来确定。例如，可以首先将种子点放置在给定的所识别的第一个病变(例如，各体素中具有最高或最低强度的表示给定的所识别的第一个病变体素)中，并且在使用用于跟踪的种子点之前，可以核查所述第二参数的值。例如，基于所述第一纤维图像中的弥散方向，可以确定所述种子点是否匹配这些弥散方向中的至少一个。在这种情况下，只有存在匹配时，才会使用所述种子点进行跟踪。这可以具有以精确的方式自动地检测检查区中的受影响区域(例如，受影响的灰质区域)的技术优势。
各种实施例提供了一种医学仪器，其包括：包含机器可执行指令的存储器；和用于控制所述医学仪器的处理器，其中，对所述机器可执行指令的执行使所述处理器控制所述仪器执行以：
a)获得受检者的检查区的第一解剖图像和所述检查区的第一纤维图像；
b)将所述第一解剖图像分割成指示所述检查区中的相应组织和/或结构的多个片段；
c)识别在经分割的第一解剖图像中的第一病变；
d)使用所识别的第一病变作为用于跟踪算法的种子点，以用于跟踪所述第一纤维图像中的第一纤维。
根据一个实施例，对所述机器可执行指令的执行还使所述处理器控制所述仪器执行以：
e)获得所述检查区的第二解剖图像和所述检查区的第二纤维图像；
f)将所述第二解剖图像分割成指示所述检查区中的相应组织和/或结构的多个片段；
g)识别在经分割的第二mr图像中的第二病变；
h)使用所识别的第二病变作为用于所述跟踪算法的种子点，以用于跟踪所述第二纤维图像中的第二纤维；
i)比较至少所述第一和第二病变；
j)提供指示成像的第一和第二病变之间的差异的数据，并且重复步骤e)-j)直到满足预定的收敛准则。
例如，步骤i)还可以包括比较第一跟踪纤维和第二跟踪纤维。在另一个示例中，步骤i)还可以包括在所述检查区包括脑的情况下比较所述检查区中受影响的第一和第二皮质区。
例如，步骤j)还可以包括提供指示第一和第二病变之间、受影响的第一和第二纤维之间和/或受影响的第一和第二皮质区之间的差异的数据。例如，如果所述第一病变中的第一病变在所述第一和第二解剖图像的图像采集之间的时间间隔期间生长，并且这种生长发生在受影响的第一纤维的方向上，那么病变生长对受影响的第一皮质区的影响可能很小。相反，如果病变生长主要发生在垂直于受影响的第一纤维的方向上，则病变生长可能影响另外的纤维，因此受影响的第一皮质区也可能生长。
例如，步骤e)-j)的重复可以周期性地(例如，每年等)自动执行。在另一个示例中，步骤e)-j)的重复可以由所述医学仪器的用户触发。例如，可以针对两个图像集合执行步骤e)-j)以便执行纵向分析。所述第一图像集合包括所述第一解剖图像和所述第一纤维图像。所述第二图像集合包括所述第二解剖图像和所述第二纤维图像。所述第一图像集合于第一时间点获得或采集，并且所述第二图像集合于第二时间点获得或采集。所述第一和第二图像集合都可以从图像集合池中进行选取或选择。例如，所述图像集合池可以包括两个以上的图像集合。所述两个图像集合的选择可以是随机的或基于用户定义的准则。在执行所述纵向分析之前，可以配准所述两个图像集合。
对于每次重复或迭代，步骤e)包括获得所述检查区的当前解剖图像和当前纤维图像。例如，步骤e)中使用的两个图像都可以在执行步骤e)的执行时间之前的预定最大时间间隔处创建、重建或生成。
可以针对相同或不同的患者执行步骤e)-j)的重复，其中，步骤e)中使用的两个图像可以与不同患者的情况下的相应患者相关联。每次迭代中的两个图像都是针对相同检查区(例如脑)执行的。针对不同患者重复步骤e)-j)可以用于测试目的，例如比较两名患者之间病变的量和/或进展。
提供指示被成像的第一和第二病变之间的差异的数据可以包括在所述医学仪器的显示设备上的图形用户界面上显示指示所述差异的数据。该差异可以例如通过被成像的第一和第二病变之间的相对差异和/或绝对差异进行量化。被成像的第一和第二病变之间的差异是指描述所述第一和第二病变的特征的参数值之间的差异。例如，所述参数可以包括一个病变的体积、所识别病变的总体积、所识别病变的数量和/或白质病变体积与皮质区的比率(例如，第一个病变体积与第一个皮质区的比率和/或第二个病变体积与第二个皮质区的比率)，其中高于预定阈值的比率值指示沿着纤维的病变生长，而小于预定阈值的比率值可以指示横跨纤维的区域生长。例如，除了所显示的差异之外，可以生成并且在图形用户界面上显示表示(例如，在感兴趣区域中)病变的特征(诸如大小、数量、体积分数等)的区域性分布(region-wiseprofile)。所述参数的值例如在脑的情况下可以通过分析所识别的(第一和第二)病变关于其相对于穿过病变到达脑的皮质区域的纤维束的取向的扩展来获得。受影响的皮质表面或区也可以被显示在所述图形用户界面上。所述参数的值可以被显示在所述图形用户界面上。具体地，该实施例可以提供一种用于(例如，针对相同患者)确定所识别病变相对于受影响的皮质区随时间的进展的有效方法。
另一个优点可以在于，本方法可以实现自动纵向分析，与传统的“特设(ad-hoc)”方法相比，该自动纵向分析可以加快纵向分析的整个过程。
根据一个实施例，收敛准则包括以下中的至少一个：成像的第一和第二病变之间的差异低于预定义阈值；在执行步骤j)时接收停止信号；第二病变的数量等于第一病变的数量。例如，所述停止信号可以由所述医学仪器的用户触发。用户可以在所述图形用户界面中选择触发所述停止信号的用户界面元素。与停止被随机触发(如果发现停止过早，则随机触发停止可能导致需要额外的尝试或重复)的情况相比，该实施例可以进一步加快纵向分析过程。在另一个示例中，收敛准则可以在执行迭代之前被预定义。例如，可以按照医生定义的在第一时间点(基线，t0)、然后第二时间点(半年或一年以后)并且可能第三时间点(另一半年或一年以后)正常地执行成像数据在各个时间点的采集。在这种情况下，图像采集的重复次数可以被限制为1或2，如医生或所述医学仪器的用户所预定义的那样。
根据一个实施例，对所述机器可执行指令的执行使得所述处理器控制所述仪器执行在所述第一解剖图像的感兴趣区域中的跟踪。这可以加快跟踪过程并且可以节省处理资源，否则将需要处理资源在整个第一解剖图像中执行跟踪。
例如，所述跟踪可以在多个感兴趣区域上迭代执行。可以基于所述第一解剖图像的解剖结构或基于其它准则(例如，用户定义的准则)来选取或选择所述多个感兴趣区。
根据一个实施例，所述感兴趣区域是用户定义的或自动选择的。自动选择可以进一步加快跟踪过程。用户定义的感兴趣区域可以节省处理资源，否则将需要处理资源进行多次(自动)尝试以定义正确的感兴趣区域。
根据一个实施例，所述第一解剖图像包括磁共振mr图像，并且所述第一纤维图像包括弥散加权图像。
根据一个实施例，所述医学仪器还包括用于采集来自受检者的磁共振数据的磁共振成像mri系统，其中，所述磁共振成像系统包括用于在成像区内生成b0磁场的主磁体以及所述存储器和所述处理器，其中，对所述机器可执行指令的执行还使得所述处理器控制所述mri系统以在相同或不同扫描中采集所述mr图像和所述弥散加权图像。
这些实施例可以具有将本方法无缝集成到现有mri系统中的优点。
根据一个实施例，对所述机器可执行指令的执行还使得所述处理器在不同扫描中采集所述mr图像和所述弥散加权图像，并在执行步骤a)-d)之前配准所述mr图像和所述弥散加权图像。这可以提供可靠且精确的纤维识别和跟踪。
根据一个实施例，对所述机器可执行指令的执行还使得所述处理器计算所述病变中的每一个(分割出的)病变的重心并且使用所述重心作为种子点。这可以进一步增加本方法的纤维跟踪精确度。
根据一个实施例，对所述机器可执行指令的执行还使得所述处理器自动执行步骤a)-d)。
根据一个实施例，所提供的数据包括所述(第一和第二)病变的特征，例如所述第一和第二病变的大小、数量、体积分数。
根据一个实施例，所述第一病变包括白质病变，而所述检查区包括脑。
各种实施例提供了一种用于自动检测受检者的检查区中的受影响区域的计算机程序产品，所述计算机程序产品包括内嵌有程序指令的计算机可读存储介质，所述程序指令能够由处理器执行以：
a)获得所述检查区的第一解剖图像和所述检查区的第一纤维图像，其中，第一参数和第二参数分别描述所述第一解剖图像和第一纤维图像的特征；
b)将所述第一解剖图像分割成指示所述检查区中的相应组织和/或结构的多个片段；
c)识别在经分割的第一解剖图像中的第一病变；
d)使用所述第一和/或第二参数的值来确定在所识别的第一病变中用于跟踪算法的种子点，以用于跟踪所述第一纤维图像中的第一纤维。所述跟踪算法可以使用所述种子点来跟踪所述第一纤维图像中的第一纤维。
各种实施例提供了一种方法，包括：
a)获得受检者的检查区的第一解剖图像和所述检查区的第一纤维图像；
b)将所述第一解剖图像分割成指示所述检查区中的相应组织和/或结构的多个片段；
c)识别在经分割的第一解剖图像中的第一病变；
d)使用所述第一和/或第二参数的值来确定在所识别的第一病变中用于跟踪算法的种子点，以使用所述种子点跟踪所述第一纤维图像中的第一纤维。
可以使用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。本文所使用的“计算机可读存储介质”包含可以存储可由计算设备的处理器执行的指令的任何有形存储介质。计算机可读存储介质可以被称为计算机可读非暂时性存储介质。计算机可读存储介质也可以被称为有形计算机可读介质。在一些实施例中，计算机可读存储介质还可能存储能够被计算设备的处理器访问的数据。计算机可读存储介质的示例包括但不限于：软盘、磁性硬盘驱动器、固态硬盘、闪存、usb拇指驱动器、随机存取存储器(ram)、只读存储器(rom)、光盘、磁光盘和处理器的寄存器文件。光盘的示例包括压缩盘(cd)和数字多用光盘(dvd)，例如cd-rom、cd-rw、cd-r、dvd-rom、dvd-rw或dvd-r盘。术语计算机可读存储介质还指代所述计算机设备能够经由网络或通信链路访问的各种类型的记录介质。例如，可以通过调制解调器、通过互联网或通过局域网来检索数据。包含在计算机可读介质上的计算机可执行代码可以使用任何适当的介质来传输，包括但不限于无线、有线、光缆、rf等，或者前述的任何合适的组合。
计算机可读信号介质可以包括(例如在基带中的或者作为载波的一部分的)传播数据信号连同其中包含的计算机可执行代码。这种传播信号可以采取多种形式中的任何形式，包括但不限于电磁、光学或其任何适当的组合。计算机可读信号介质可以是不是计算机可读存储介质并且可以通信、传播或传输供指令执行系统、装置或设备使用或与其结合使用的程序的任何计算机可读介质。
“计算机存储器”或“存储器”是计算机可读存储介质的示例。计算机存储器是可直接访问处理器的任何存储器。“计算机存储装置”或“存储装置”是计算机可读存储介质的另一个示例。计算机存储装置是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储装置也可以是计算机存储器，反之亦然。
本文所使用的“用户界面”是允许用户或操作员与计算机或计算机系统交互的界面。“用户界面”还可以被称为“人机界面设备”。用户界面可以向操作员提供信息或数据和/或接收来自操作员的信息或数据。用户界面可以使来自操作员的输入能够被计算机接收，并且可以从计算机向用户提供输出。换言之，用户界面可以允许操作员控制或操纵计算机，并且所述界面可以允许计算机指示操作员的控制或操纵的效果。在显示器或图形用户界面上显示数据或信息是向操作员提供信息的示例。显示器可以例如包括触敏显示设备。
本文所使用的“硬件接口”包含使计算机系统的处理器能够与外部计算设备和/或装置交互和/或控制外部计算设备和/或装置的接口。硬件接口可以允许处理器向外部计算设备和/或装置发送控制信号或指令。硬件接口还可以使处理器能够与外部计算设备和/或装置交换数据。硬件接口的示例包括但不限于：通用串行总线、ieee1394端口、并行端口、ieee1284端口、串行端口、rs-232端口、ieee-488端口、蓝牙连接、无线局域网连接、tcp/ip连接、以太网连接、控制电压接口、midi接口、模拟输入接口和数字输入接口。
本文所使用的“处理器”包含能够执行程序或机器可执行指令的电子部件。包括“处理器”的计算设备的引用应当被解释为可能包含一个以上处理器或处理核心。处理器可以例如是多核处理器。处理器也可以指代单个计算机系统内的处理器集合或在多个计算机系统中分布的处理器集合。术语计算设备还应当被解释为可能指代计算设备的集合或网络，每一个计算设备都包括一个或多个处理器。许多程序的指令由多个处理器执行，这些处理器可能在相同个计算设备内，或者甚至可能分布在多个计算设备上。
磁共振图像数据在本文中被定义为在磁共振成像扫描期间通过磁共振设备的天线记录的由受检者/对象的原子自旋发射的射频信号的测量结果。磁共振成像(mri)图像在本文中被定义为包含在磁共振成像数据内的解剖数据的重建的二维或三维可视化。该可视化可以使用计算机来执行。
应当理解的是，只要组合的实施例不相互排斥，就可以组合本发明的前述实施例中的一个或多个。
附图说明
在下文中，本发明的优选实施例将仅作为示例的方式并参考附图进行描述，在附图中：
图1示出了磁共振成像系统，
图2是用于自动识别检查区中的病变的方法的流程图，
图3是用于执行纵向分析的示例性方法的流程图，
图4描绘了说明医学仪器的功能框图，
图5描绘了受白质病变影响的白质纤维的示意性可视化。
附图标记列表
100磁共振成像系统
104磁体
106磁体的膛
108成像区
110磁场梯度线圈
112磁场梯度线圈电源
114射频线圈
115rf放大器
118受检者
119病变检测应用程序
126计算机系统
128硬件接口
130处理器
132用户界面
134计算机存储装置
136计算机存储器
160控制模块
201-207步骤
209解剖图像
211片段
213白质病变
400医学仪器
401图像处理系统
403处理器
405存储器
407总线
409网络适配器
411存储系统
413显示器
419i/o接口
501用户定义的解剖区
503纤维
505显示结果。
具体实施方式
在下文中，图中类似编号的元素要么是相似的元素要么执行相同的功能。如果功能是相同的，以前讨论过的元素将不一定在后面的图中讨论。
附图中仅出于解释目的示意性地描绘了各种结构、系统和设备，以便不会以本领域技术人员熟知的细节模糊本发明。尽管如此，附图被包括以描述并解释所公开主题的说明性示例。
本公开可涉及(例如，根据弥散张量成像mri(dti-mri)图像)对白质脑病变进行分析的高级方法。可以基于根据在早期dti-mr图像中识别的相应病变在当前dti-mr图像中对白质病变的分割来执行纵向分析。此外，所识别病变的进展是例如关于其相对于纤维束穿过所述病变到皮质区域的取向的扩展而被分析的。本公开的另一个方面用于生成表示感兴趣区域中病变的特征(例如大小、数量、体积分数等)的区域性分布。该区域性分布也基于更新的图像不断地更新。在实践中可以基于可能比体积配准更快的皮质网格配准来实现本公开。
图1示出了磁共振成像系统100。磁共振成像系统100包括磁体104。磁体104是超导圆柱形磁体100，其中具有膛106。使用不同类型的磁体也是可能的；例如也可以使用分体式圆柱形磁体和所谓的开放式磁体两者。分体式圆柱形磁体与标准圆柱形磁体相似，除了低温恒温器已经被分成两部分以允许进入磁体的等平面(iso-plane)以外。这种磁体可以例如与带电粒子束疗法结合使用。开放式磁体具有两个磁体部分，一个在另一个的上方，其间具有足够大以容纳待成像的受检者118的空间，两个部分的布置与亥姆霍兹线圈的布置类似。开放式磁体是受欢迎的，因为受检者受到较少的限制。在圆柱形磁体的低温恒温器内部存在一组超导线圈。在圆柱形磁体104的膛106内存在成像区108，其中磁场足够强且均匀以执行磁共振成像。
在磁体的膛106内还存在一组磁场梯度线圈110，其在采集磁共振数据期间使用以对磁体104的成像区108内的目标体积的磁自旋进行空间编码。磁场梯度线圈110连接到磁场梯度线圈电源112。磁场梯度线圈110旨在是代表性的。通常，磁场梯度线圈110包含用于在三个正交空间方向上进行编码的三组独立线圈。磁场梯度电源向所述磁场梯度线圈供应电流。供应到磁场梯度线圈110的电流根据时间进行控制并且可以是斜变的或脉冲的。
mri系统100还包括在受检者118处并且与成像区108相邻以生成rf激励脉冲的rf线圈114。rf线圈114可以包括例如一组表面线圈或其它专用rf线圈。rf线圈114可以被交替地用于发射rf脉冲和接收磁共振信号，例如，rf线圈114可以被实现为包括多个rf发射线圈的发射阵列线圈。rf线圈114被连接到一个或多个rf放大器115。
磁场梯度线圈电源112和rf放大器115被连接到计算机系统126的硬件接口128。计算机系统126还包括处理器130。处理器130被连接到硬件界接口128、用户界面132、计算机存储装置134和计算机存储器136。
计算机存储器136被显示为包含控制模块160。控制模块160包含使得处理器130能够控制磁共振成像系统100的操作和功能的计算机可执行代码。它还能够实现磁性共振成像系统100的基本操作，例如对磁共振数据和/或弥散加权数据的采集。
mri系统100可以被配置为在校准和/或物理扫描中采集来自患者118的成像数据。
计算机存储器136被配置为存储包括指令的病变检测应用程序119，所述指令在由处理器130执行时使所述处理器执行图2和图3的方法中的至少一部分。
图2是用于自动检测受检者(例如118)的检查区中的受影响区域的方法的流程图。
在步骤201中，可以获得检查区的第一解剖图像和检查区的第一纤维图像。第一解剖图像可以包括例如t1加权或t2加权mr图像或者质子密度加权(pd)或液体衰减反转恢复(flair)mr图像。第一纤维图像包括弥散加权图像等。
第一解剖图像和第一纤维图像的获得可以包括接收来自用户的第一解剖图像和第一纤维图像。本文使用的术语“用户”可以指代实体，例如，输入或发出请求以处理第一解剖图像和第一纤维图像的个体、计算机或在计算机上运行的应用程序。
第一解剖图像和第一纤维图像的接收可以响应于向用户发送请求。在另一个示例中，当用户可以周期性地或规律地发送所接收的第一解剖图像和第一纤维图像时，第一解剖图像和第一纤维图像的接收可以是自动的。
在另一个示例中，第一解剖图像和第一纤维图像的获得可以包括从存储设备中读取第一解剖图像和第一纤维图像。
在另一个示例中，第一解剖图像和第一纤维图像的获得可以包括控制mri系统100以采集检查区的mr数据和弥散加权数据并且从中分别重建相同扫描或不同扫描中的mr图像和弥散加权图像，其中，第一解剖图像包括mr图像，而第一纤维图像包括弥散加权图像。在使用不同扫描采集mr图像和弥散加权图像的情况下，步骤201的获得还可以包括控制mri系统100以配准mr图像和弥散加权图像。
在步骤203中，第一解剖图像209可以被分割成指示检查区中的相应组织和/或结构(组织可以用于指示病变在哪里；结构可以用于指示病变的解剖位置(相对于器官结构)在哪里)的多个片段211。在检查区包括脑的情况下，经分割的第一解剖图像的组织可以是白质、灰质、脑脊液(csf)、水肿和肿瘤组织中的至少一种。
所述分割可以包括将第一解剖图像划分成区域或片段的拼接物，其中每一个区域或片段都是均匀的，例如，就强度和/或纹理而言。例如，所述分割可以包括向第一解剖图像的每一个体元素分配指示该个体元素属于的组织的组织类别。个体元素可以包括体素。通过例如分配专属于组织类别的值(例如，数字)可以将该组织类别分配给个体元素。例如，第一解剖图像的每一个体元素可以根据其作为特定组织类别的成员或一部分的概率来分类。例如，结构和组织分割可以通过相同或不同的算法来完成。形状受限的可变形模型可以例如用于所述分割。在另一个示例中，可通过基于最大后验(map)概率框架的窄带水平集方法或模式分类方法来执行所述分割。
在步骤205中，可以在经分割的第一解剖图像中识别第一病变。第一病变可以包括白质病变213。例如可以通过将经分割的第一解剖图像与参考图像进行比较来执行第一病变的识别，所述参考图像例如针对相同受检者118和相同检查区没有病变。两个图像之间的差异可以指示第一病变。可以使用其它用于识别病变的技术。这些技术可以a)使用空间先验信息，例如，以从患者数据库生成的图集的形式；b)分析疑似病变周围的局部区域中的灰度值分布，将这些实际分布与未受影响区域中的分布进行比较；并且c)执行一些后处理，例如，连通性分析，以去除太小的病变。
例如，对于识别的每一病变，可以分配与其解剖区域相对应的唯一id和标签，其中解剖区域由步骤203的(自动)分割的结果识别。
在一个示例中，步骤203和205可以在检查区的各个不同的第一解剖图像上执行。例如，步骤203可以分割图像1，而步骤205可以使用图像2。在这种情况下，在执行步骤205之前，必须配准这两个图像1和2。为此，两个图像1和2(例如，在步骤203中)可以例如使用形状受限的可变形模型的技术来分割，得到两个图像中解剖结构表面的网格表示。然后，基于包含在两个图像中的结构的网格顶点，可以计算将一个图像的经分割网格配准到另一个图像的经分割网格的(例如刚性或仿射)变换。然后，可以应用该变换，以将一个图像配准到另一个图像。该网格配准可以用于其它示例中，例如，当在两个时间点获得第一解剖图像并且必须被配准时或者当利用一个以上解剖模态(例如t1和t2或flair)执行多模式分割时。
在步骤207中，所识别的第一病变可以被用作用于跟踪算法的种子点，以用于跟踪第一纤维图像中的第一纤维。例如，可以计算所识别的第一病变中的每一个病变的重心。得到的重心可以用作每一个病变的种子点。在另一个示例中，每一个病变中具有最高或最低强度(取决于成像模态)的体素可以用作每一个病变的种子点。在一个示例中，例如可以使用分别描述第一解剖图像和第一纤维图像的特征的第一参数和第二参数的值来执行步骤207。例如，可以在同时或同时地自动扫描第一解剖图像和第一纤维图像，以便将种子点放置在给定的第一个病变中并且执行第一解剖图像与第一纤维图像的特征之间的比较(其中种子点首先被放置在所识别的第一病变中的给定的第一个病变中)。基于比较，放置的种子点可能会或可能不会用于纤维跟踪。
考虑例如候选区内的一个给定种子点(例如，第一解剖图像的所识别的第一病变中的一个)。该给定种子点可以覆盖一个或多个体素，例如体素vx。可以针对第一纤维图像中的一个对应体素vx评估第二参数，或者可以针对第一纤维图像中围绕一个对应体素vx(也被称为vx)的区域评估第二参数。第一纤维图像可以例如使用弥散张量成像方法获得。第二参数可以例如包括第一纤维图像中该体素vx的弥散方向、平均弥散率、表观弥散系数、张量的特征值等。例如，如果第一纤维图像中该体素vx的平均弥散率高于预定义阈值(例如，最快的弥散将指示纤维的整体取向)，则接受该给定种子点，并且该给定种子点可以用作跟踪算法的输入以从该给定种子点开始跟踪纤维。在另一个示例中，第一纤维图像中体素vx的弥散张量的特征值集合由潜在的非线性函数映射到实轴，并且如果得到的值高于预定义阈值，则可以接受该给定种子点。
跟踪算法可以包括例如dti纤维束成像或纤维跟踪(fibertrak)，其能够可视化脑中的白质纤维并且可以映射与诸如多发性硬化症和癫痫之类的疾病相关的白质中的细微变化，以及评估脑布线(brain’swiring)异常的疾病，如精神分裂症。
例如，可以在第一解剖图像的感兴趣区域中执行跟踪。所述感兴趣区域可以是用户定义的或自动选择的。自动选择可以例如使用分配给所识别的第一病变的id和标签来执行。
例如，用户或自动选择可能需要访问基底神经节中的所有白质病变，例如，所述感兴趣区域可以包括基底神经节。
在另一个示例中，所述跟踪可以在第一解剖图像的整个区域中执行。
在一个示例中，步骤207还可以包括在图形用户界面中显示被跟踪的纤维和/或病变，例如参照图5所示出的。
病变检测应用程序119可包括在被执行时自动执行步骤201-207的指令。
图3是用于执行纵向分析的示例性方法的流程图。可以使用相同受检者的相同检查区的第二解剖图像和相同检查区的第二纤维图像来重复图2的步骤201-207。在检查区包括脑的情况下，这可能得到所识别的第二病变和被跟踪的第二纤维以及第二受影响皮质区。
在步骤301中，可以将第一与第二病变进行比较并且第一跟踪纤维与第二跟踪纤维进行比较。在检查区包括脑的情况下，步骤301还可以包括将受影响的第一和第二皮质区进行比较。例如，步骤301可以通过计算差值图像来完成，即，从(经配准并相应地归一化的)第一纤维图像的体素强度中减去第二纤维图像的体素强度。此外，可以计算并显示统计指数(例如，受影响纤维的总体积)及其差异。
在步骤303中，可以提供指示成像的第一和第二病变之间的差异的数据和/或第一和第二跟踪纤维之间的差异的数据。例如，可以在图形用户界面上显示该差异。例如，可以显示当前迭代和先前迭代之间的总体积变化，如参照图4所示出的。在检查区包括脑的情况下，步骤303还可以包括显示受影响的第一和第二皮质区。第一和第二受影响皮质区的显示可以以半透明显示模式执行，而第一和第二受影响皮质区之间的交叉可以以非透明显示模式进行显示。这可能有助于跟踪受影响的皮质区的变化。
可以重复步骤201-303，直到满足预定义收敛准则(询问305)。例如，所述差异的显示还可以提示用户在图形用户界面上选择“继续”或“停止”按钮。“继续”按钮的选择可以触发步骤201-303的重复。在另一个示例中，重复可以在预定义显示时间间隔之后被自动触发(例如，如果用户在该预定义显示时间间隔内没有作出反应(例如，选择“继续”和“停止”按钮中的一个)，则可以重复该方法)。针对每次迭代或重复，可以使用相同患者或受检者的相同检查区的相应解剖图像和纤维图像。每次迭代或重复都可能得到相应的所识别病变和跟踪纤维。
收敛准则可以包括在执行步骤303时接收停止信号。例如，用户可以选择“停止”按钮。在另一个示例中，如果当前迭代的被成像病变与紧接的前一次迭代的被成像病变之间的差异低于预定义阈值，则可以停止重复。重复的停止可以通过将所述差异与预定义阈值进行比较来自动执行。
在另一个示例中，在第二病变的数量等于第一病变的数量的情况下，可以停止重复步骤201-203。
图4描绘了示出根据本公开的医学仪器400的功能框图。
医学仪器400可以包括图像处理系统401。图像处理系统401的部件可以包括但不限于一个或多个处理器或处理单元403、存储系统411、存储器单元405和总线407，该总线407将包括存储器单元405的各种系统部件耦合到处理器403。存储系统411可以包括硬盘驱动器(hdd)。存储器单元405可以包括易失性存储器形式的计算机系统可读介质，如随机存取存储器(ram)和/或高速缓冲存储器。
图像处理系统401通常包括各种计算机系统可读介质。这种介质可以是图像处理系统401可访问的任何可用介质，并且其包括易失性和非易失性介质、可移动和不可移动介质两者。
图像处理系统401还可以与一个或多个外部设备(例如键盘、指点设备、显示器413等)；使用户能够与图像处理系统401交互的一个或多个设备；和/或使图像处理系统401能够与一个或多个其它计算设备通信的任何设备(例如网卡、调制解调器等)进行通信。这种通信可以经由(一个或多个)i/o接口419发生。然而，图像处理系统401可以经由网络适配器409与诸如局域网(lan)、广域网(wan)和/或公共网络(例如，因特网)的一个或多个网络进行通信。如所描绘的，网络适配器409经由总线407与图像处理系统401的其它部件进行通信。
存储器单元405被配置为存储在处理器403上可执行的应用程序。例如，存储器系统405可以包括操作系统以及应用程序。所述应用程序例如包括病变检测应用程序419。病变检测应用程序119包括指令，当指令被执行时，病变检测应用程序119可以作为输入接收或可以访问根据本公开(例如，如参照图2和图3所描述的)要处理的现有两个图像。指令的执行还可以使处理器403在显示器413上显示图形用户界面。
图5描绘了受用户定义的解剖区域501中的白质病变影响的白质纤维503的示意性可视化以及所选择的白质病变的统计分析的结果505的显示。
所述统计分析可以对所识别的白质病变上(例如在感兴趣区域中)进行，并且提取受白质病变影响的白质纤维。所述结果以方便的格式可视化。例如，所选择的白质病变可以被叠加在受影响的纤维束上。另外，患者的解剖可以以半透明的方式进行叠加。替代地，(从自动分割算法中提取的)选定感兴趣区的表面可以以半透明的方式进行叠加。所选择的感兴趣区域中的白质病变的统计评估可以包括例如白质病变的数量、它们的总体积、它们的体积分数(白质病变的总体积除以该区域的总体积)、统计指数与参考数据库和/或患者的先前扫描的比较等。统计评估的结果以图形或文本形式以方便的方式可视化(505)。作为图形表示的示例，体积分数可以以“热地图”、总体积为条形图等形式可视化。
在下文中描述了用于识别白质病变和受影响纤维的另一个示例性方法。该方法可以具有以有效方式处理感兴趣解剖区域中的所有白质病变的优点。该方法可以提供白质病变的统计指数(如大小、数量、得分、体积分数、与参考数据库或先前扫描的偏差百分比等)的自动区域或全局分析(“局部”是指像基底神经节的感兴趣解剖区域)。此外，以选择感兴趣解剖区域的方便和有效方式提供单个(或全部)白质病变与相关(受影响)纤维和整体解剖结构的可视化，以用于白质病变评估和受影响纤维的可视化。
该方法可以包括自动种子点放置在感兴趣解剖区域(例如，来自mrt1图像)中的白质病变中，以用于在共同配准的mrdti图像中的自动纤维跟踪。本方法还可以包括选择并可视化包含在用户选择的感兴趣区域中的白质病变；可视化对应(即受影响)的白质束并且可视化下层解剖结构(半透明)。另外地或替代地，可以提供选定(子皮质)区的表面的可视化。本方法还可以包括自动生成区域性白质病变分布，例如确定大小、数量、体积分数(选定区域内白质病变的体积除以该区域的体积)、与参考数据库或先前扫描的偏差百分比等；以各种形式(例如以文本或图形形式)在用户定制的方便的用户界面中可视化/显示结果。
该方法可以包括以下步骤：
包括相关解剖结构和区域的自动分割算法可以应用于解剖图像，例如mrt1图像，例如，患者脑的mrt1图像。
使用选择的常规算法自动注释白质病变。对于每一注释的白质病变，可以分配与其解剖区域对应的唯一id和标签，其中解剖区域由自动分割的结果识别(如果在不同图像中确定白质病变和自动分割，则两个图像必须使用最先进的配准算法进行配准)。
对于(例如通过连通域分析识别的)每一注释的白质病变，计算重心(替代地，例如，针对扩大的白质病变，可以确定覆盖白质病变范围的点的密集集合)。这些点连续用作应用于mrdti图像的纤维跟踪算法的种子点，这些点使用配准算法被到配准到解剖图像。以这种方式，自动确定了穿过每一个体白质病变的白质束。此外，将标签分配给确定的指示对应的白质病变的解剖区域的白质束。
然后，用户可以在方便的用户界面(上述图形用户界面)中选择感兴趣解剖区域(其可以由分割算法支持)。例如，用户可以选择感兴趣个体子皮质结构(例如，苍白球)或区域(例如，基底神经节)。
然后使用选择的区域来过滤包含在该特定区域中的白质病变(即，其具有对应的解剖标签)。然后，对白质病变的子集进行统计分析，并且(经由相关联的解剖标记)提取受选择的白质病变影响的白质纤维。然后将结果以方便的格式可视化，参照图5。例如，选择的白质病变可以被叠加在受影响的纤维束上。另外，患者的解剖结构可以以半透明的方式进行叠加。替代地，(从自动分割算法中提取的)选择的感兴趣区的表面可以以半透明的方式进行叠加。
对在选择的感兴趣区域中的白质病变的统计评估可以包括例如白质病变的数量、它们的总体积、它们的体积分数(白质病变的总体积除以该区域的总体积)、统计指数与参考数据库和/或患者的先前扫描的比较等。统计评估的结果以图形或文本形式以方便的方式可视化(505)。作为图形表示的示例，体积分数可以以“热地图”、总体积为条形图等形式可视化。