基于图像的诊断系统的制作方法

本发明涉及用于分析(例如，心脏的)医疗图像和用于测量被成像对象的参数的系统。其应用于超声心动图，也应用于其他成像方式，诸如，x射线计算机断层扫描(ct)、磁共振成像(mri)、以及电子发射断层扫描(pet)。

背景技术：

超声心动图被广泛用作使心脏成像的方法。其使用一系列快速获得的脉冲反射超声图像以构建例如心脏的实时视频图像。图像通常是二维(2d)的并且图像通常由熟练的临床医生直观地分析，尽管图像的计算机分析是已知的，例如，出自us8077944。在应力超声心动图中，在静止状况下(即当对象静止时)并且在应力状况下(例如在训练之后)对心脏进行成像。可将在这两种状况下的心脏的功能进行比较以提供有关心脏如何对应力做出响应的信息。如果对于要训练的对象是不适当的，则可以例如通过向对象注入刺激物(诸如，多巴酚丁胺)诱导或模拟应力。多巴酚丁胺应力回声波广泛用于诊断冠心病(cad)中。

技术实现要素：

本发明提供一种用于测量心脏变形(例如，用于诊断心脏状况)的系统，系统包括成像系统，成像系统被设置为获取在心动周期内相应点处的心脏的两个图像。系统可以包括用于定位图像上一系列成对的点的定位装置，每对点指示两个图像中心脏的单个部分的相应位置。系统可以包括被设置为例如从所述成对的点的位置计算心脏的变形的至少一个参数的值的处理装置。

处理装置可以被设置为将至少一个参数的值与参考数据进行比较以生成诊断输出。

至少一个参数可以包括以下项中的任一项或多项：心脏的一部分的至少一个方向上的位移；对于心脏的所有所述部分来说在至少一个方向上的位移的平均值；对于心脏的所述部分中的至少一部分在两个不同的方向上的位移的总和，例如，在纵向方向和径向方向上的位移的总和；对于心脏的所有所述部分来说位移的总和的平均值；以及下面更详细地描述的主变换。

定位装置可以包括用户输入设备，用户输入设备被设置为使用户能够定位图像中所述成对的点并且例如通过记录二维坐标系中每个点的坐标来记录所述成对的点的位置。

成像系统可以被设置为将图像存储为相应图像数据集合，并且定位装置可以被设置为处理图像数据集合以确定所述成对的点的位置并记录所述成对的点的位置。

至少一个参数可以包括多个参数并且处理装置可以被设置为将每一个参数的值与相应参考值进行比较。

系统可以被设置为利用在第二状况下的心脏获取在心动周期内相应点处心脏的两个图像的另一集合，第二状况与获取两个图像的第一集合时的状况不同。例如，一种状况可以是对象静止时的静止状况，并且一种状况可以是对象处于应力状况下的应力状况。可以针对每个图像集合确定每一个参数。可以定义组合来自两个图像集合的数据的一个或多个另外的参数。例如，参数之一的值在两个图像集合之间的差值可以用作另一参数。

处理装置可以被设置为定义用于从参数的值生成诊断输出的决策树。决策树可以包括多个决策点。每个决策点可以定义参数之一的参考值。例如，一个决策点可以定义主变换的参考值，和/或一个决策点可以定义如下面更详细地描述的剪切变换的值，和/或一个决策点可以定义心脏的两种不同状况下的主变换之间的差值的参考值。从训练数据构建决策树的系统是众所周知的，诸如，c4.5和j48。

本发明还提供一种用于测量心脏的变形的方法，例如，用于诊断心脏状况的方法，该方法包括获取在心动周期内相应点处的心脏的两个图像，对图像上一系列成对的点进行定位，每对点指示两个图像中心脏的单个部分的相应位置。方法可以进一步包括例如从所述成对的点的位置计算心脏的变形的至少一个参数。方法可以进一步包括将至少一个参数与参考数据进行比较以生成诊断输出。

本发明进一步提供一种产生用于诊断心脏状况的系统的方法，该方法包括分析图像的集合，其中，每一个图像具有与其相关联的诊断结果，方法包括计算针对每一个图像的至少一个参数的值，分析这些值和诊断结果以确定这两者之间的关系或相关性。

方法可以进一步包括使用机器学习开发决策树，决策树用于从参数的值生成诊断输出。可以在可构成成像系统的一部分或者可包括独立计算机的计算机系统或处理器系统上执行该方法。

诊断输出可能涉及各种心脏状况，诸如，冠心病(cad)、或二尖瓣回流、或肥厚型心肌病。

成像系统可以包括超声心动图系统，或者可以是x射线成像系统，诸如，x射线计算机断层扫描(ct)扫描仪、磁共振成像(mri)扫描仪、或电子发射断层扫描(pet)扫描仪。

如现在将参照附图描述的，系统或方法可以以任何可操作的组合进一步包括本发明的优选实施方式的任一个或多个特征或步骤。

附图说明

图1是根据本发明的实施方式的系统的示意图；

图2示意性地示出了心脏的四腔观；

图3是示出了由图1的系统执行的诊断方法的主要步骤的流程图；

图4是由图1的系统执行的两个图像的比较的示意图；

图5a和图5b示出了由图1的系统执行的分析的两个阶段的样本图像；

图6a和图6b示出了使用图的系统获得的样本数据的分析结果；以及图7是示出了用于产生图6a和图6b的结果的算法的流程图。

具体实施方式

参照图1，超声心动图系统100包括：被设置为位于靠近患者104的身体(通常尽可能靠近心脏)的换能器阵列102，包括处理器108(可以是数字式电子处理器)的处理单元106，诸如硬盘的存储器110，以及诸如平面屏幕监视器或led显示器的显示器112。系统可以进一步包括用户输入设备，例如集成至显示器112中的触摸屏114，其提供用户输入从而使用户能够向系统100提供输入。当然也可以使用其他用户输入，诸如鼠标、触摸板或键盘。处理器单元106连接至换能器阵列102并且被设置为控制作为相位阵列的换能器阵列以便以一系列脉冲发射扫描掠过患者的超声束，并且从每个脉冲检测由心脏反射的超声。心脏的一次扫描构建单个图像，并且通常以每秒25至50个图像重复扫描以构建示出心脏在心动周期期间的移动的心脏的实时视频图像。每个图像均可以作为图像数据集合存储在存储器110中，该图像数据集合可以包括例如组成图像的每一个像素的强度值。

虽然在上文已以通用术语描述了系统，但是合适的超声心动图系统包括例如飞利浦epicie33，gevivide9或诸如philipscx50或手持系统的便携式系统。

超声心动图的过程是众所周知的并且因此不会进行详细描述。有几种不同的成像方法，但是可以使用二维成像。已知提供通过心脏的几个不同平面上的图像，该图像示出了心脏的四个主腔室：左心室(lv)、右心室(rv)、左心房(la)和右心房(ra)。例如，这种视图包括心尖四腔观、心尖两腔或三腔观以及胸骨旁长轴和短轴观。在所有情况下，虽然能获得单个静止图像，但是通常在心脏周期内获得一系列视图使得可以记录并分析心脏的移动。

参照图2，如果图像是心尖四腔观，则它们示出心脏200的2d平面，该平面示出左心室202、右心室204、左心房206和右心房208。平面包括lv的长轴210，该平面还延伸通过lv的顶点212，lv的侧壁214和隔板216。

参照图3，超声心动图系统100可以被设置为在步骤300处获取2d图像序列并将它们存储在其存储器110中。图像可以在单个心动周期内获取，并且可以包括覆盖一个周期的10到50个图像。当然可以对传统超声心动图系统100执行图像采集。可使用构成如图1所示的超声心动图系统的一部分的相同的处理单元106执行图像的以下分析。然而，图像可以下载到具有处理器、存储器、用户输入和显示器的计算机(诸如，笔记本电脑或pc)上，其为了此目的以与控制单元106的方式相同的方式操作，并且可以在专用软件的控制下在该计算机上执行图像的进一步分析。

在步骤302处，可以识别离收缩末期(即，最大紧缩)和舒张末期(即，lv的最大体积)最近的图像。这可由用户完成，用户观看显示器112上的全部图像并使用用户输入设备114选择图像中的离收缩末期最近的一个并选择图像中的离舒张末期最近的一个。用户可基于由肉眼判断的在每一个图像中的lv体积的评估和比较、或者通过注意二尖瓣的打开和关闭的点或者使用ecg绘图上的qrs综合波、或者通过这些的任何组合做出该选择。这对于一个实践的临床医生来说非常容易。可替换地，处理器108可以被设置为使用图像处理技术识别并且测量每一个图像的lv体积，比较不同图像中的lv体积，并识别具有最小lv体积的图像作为收缩末期图像和具有最大lv体积的图像作为舒张末期图像。但不论是哪种情况，一旦已识别收缩末期和舒张末期图像，它们就可在存储器110中得以识别，例如被用适当的标志标记，使得它们可被用户选择及观看。

参照图4，一旦已识别收缩末期和舒张末期图像，在步骤304处，在收缩末期400a和舒张末期400b的lv的壁上的相应点401可以得以识别。还可以定义例如具有纵轴(本文中称为y轴)和横轴(本文中称为x轴)的卡笛儿坐标系，该纵轴穿过lv的顶点402并沿着其长轴延伸，该横轴在lv的顶点402与lv的基部404之间的一半处穿过lv的中间点。用户可以经由用户输入或通过图像处理来识别顶点402和基部404。然后可以确定和记录坐标系上的点400a、400b中的每一个的坐标。由于由超声心动图系统已知图像的比例，因此点中的每一个的坐标限定了图像的平面中的点的位置，并且因此每对中的两个点之间的距离指示心脏的相应部分在收缩末期与舒张末期之间移动的距离。再次，点的识别可以由用户使用用户输入114选择每一个图像上的每一个点来手动完成，或者可以由在系统100上运行并且被设置为分析收缩末期和舒张末期图像中的每一个的lv的形状并且识别特定点的图像处理软件完成。例如，对于两个图像中的每一个，这些可以包括lv在收缩末期和舒张末期的顶点402a、402b的点，在lv的基部的一侧的点404a、406a，以及在lv的基部的另一侧的点，在lv的中间点处的两个点，在顶点开始时的两个点，以及在其间间隔开的各个中间点。下面参照图5a和图5b更详细地描述这些点中的某些点。

参照图5a，图5a示出了在lv的每一个图像中利用造影剂获得的回波图像，lv的顶点602可位于lv的最末端，并且lv在每侧上的基部604、605可由侧壁的形状定位。y轴则可以定义为穿过顶点602和基部604、605的两侧之间的中间点的线。x轴则可以定义为在顶点与基部的两侧之间的中间点之间的一半处垂直于y轴的线。每一侧上的中间点606、607可被识别为x轴与该侧上的侧壁相交的点。还可以识别每侧上的顶点的下端608、609，在其处侧壁开始朝向顶点602变陡。如上所述，用户可以识别这些点中的每一个。可替换地，图像处理可以用于识别这些点。如果使用图像处理，则lv的轮廓首先被识别为lv内的浅色区域与形成其周围的壁的心肌层的深色区域之间的边界(或者对于在没有使用造影剂的情况下获得的图像，反之亦然)。该边界不明显，但是用于识别这种边界的算法是众所周知的。一旦已识别该边界，则算法可以被设置为识别边界的最高点(最大y值)为顶点602，并且识别边界在下端改变方向的点，例如，如在图5a中的基线的右手侧上的点605处可以看出。此外，用于分析曲率的半径和方向及边界周围如何变化的算法可用于识别这些点，以及在顶点的下端处的点608、609。

参照图5b，可以手动或由处理器使用简单算法识别lv的壁上的其他点。例如，这些点可能是在图5a中指示的点之间的侧壁上的在y方向上等间距隔开的点。

参考回图3，一旦已识别所有这些点，它们在卡笛儿坐标系中的x和y坐标可以存储在存储器110中，例如作为包含收缩末期图像上的点的坐标的收缩末期坐标集和包含舒张末期图像上的点的坐标的舒张末期坐标集。在步骤306处，处理器可以被设置为由两个坐标集计算收缩末期与舒张末期之间的lv的几何形状的变换。例如，如以下将更详细地描述的，处理器可以被设置为使用坐标集计算一个或多个方向上的移动。

参考回图4，处理器108被设置为针对收缩末期与舒张末期之间的lv的形状的变形计算量化lv在收缩末期与舒张末期之间的移动的各个参数的值。

计算可以包括通过算出沿着x轴和y轴两者的位置上的改变来算出各点在x和y方向中的每一个上移动到什么程度。这给出了一组x轴移动δx，每对相应的点(如图4所示，点404a、404b)一个值，并且给出了一组y轴移动δy，再一次每对相应的点一个值。这些值中的每一个可以仅是距离而不会指示方向。然后可以单独计算x轴(δx)和y轴(δυ)两者中所有点的微小变化以便提供针对整个心室的平均δx值或x方向移动δx、以及平均δy值或y方向移动δυ。如果各个移动值中的每一个纯粹为距离，而没有它们处于正或负x或y方向的任何指示，则这些平均值将会描述移动的总量，而不是给出方向的指示或者lv壁的不同部分是否在相同的方向或者相反的方向上移动的指示。

可以被计算的另一参数是针对lv上的每个点(即，图像上的每对点)计算x方向移动δx和y方向移动δy的平均值，其中，各点的平均值是δxy＝(δx+δy)/2。然后可以计算所有点的所有值的平均值δxy为针对整个心室的值δxυ。该计算与切应变的计算相似并且因此本文中称为剪切变换。将理解的是，对于给定距离的移动，该参数对于相对于x和y轴两者均呈45度的移动将是最大的，并且对于沿着其中一个轴的移动将是最小的。

可以计算的另一参数与可以由x和y应变分量计算的主变换相似并且因此在本文中称为主变换，由以下公式给出

主变换＝c1(δx+δy-√(δx+δy)^2+c2δxy^2)

其中c1和c2为常数。例如，c1可以是1/2并且c2可以是4。在如下所述的实例中使用这些值。

该变换与剪切变换密切相关并且因此倾向于以与该参数类似的方式变化，但具有指示心脏收缩的负值。然而，如通过以下的测试结果示出的，在一些情况下(具体地，cad)主变换值可以给出更可靠的诊断。

将理解的是这些参数中的每一个涉及单个冠状周期中的收缩末期与舒张末期之间的变化。然而，在应力超声心动图中，(或者利用其他成像方法执行的相应测试)，静止时心脏的每个参数将会有一个值并且在应力下的心脏将会有一个值。比较那些值，例如确定它们之间的差异，给出有关心脏功能的可以用于诊断的进一步的信息。

一旦x和y移动，并且已计算出剪切和主变换值，然后在步骤308处将处理器被设置为将这些值与存储在存储器110中的参考值进行比较以对一个或多个特定心脏状况作出诊断，并且生成诊断输出。输出可以是指示阳性或阴性诊断的简单的二进制输出。处理器单元106可以被设置为在显示器112上显示输出。可替换地或此外，处理器单元可以例如通过向存储图像的文件添加指示诊断的输出数据而被设置为将输出存储作为与其所基于的图像相关联的数据。

例如可以通过分析心脏的图像(心脏的图像中的一些具有特定的心脏状况并且一些不具有特定的心脏状况)来确定例如指示特定状况的阈值，以确定参考值。

可通过学习算法确定参考值，学习算法例如可以在处理器单元106上运行并且使用与通过常规方法确定的诊断相关联的应力回波图像的数据库，可以存储在存储器110中。具体地，数据库可以包括大量的图像集合，每个集合均包括静止状况和应力状况下的收缩末期图像和舒张末期图像以及针对每个图像集合的相关联的诊断，诸如cad的阳性或阴性诊断。学习算法可以被设置为分析图像以计算上述各个参数的值，并且然后确定诊断与各个参数中的每一个的值之间的相关性。

对来自70个对象的样本图像执行分析。由心尖4腔观生成所有的结果。首先，针对如由dse结果确定的阳性和阴性结果，对值进行比较。然后用针对dse结果中已确认的假阳性校正的dse结果反复进行比较。

表1示出在心尖4腔观中的dse结果(1＝阳性，2＝阴性)的静止和应力下的主变换(以mm)、剪切变换值(以mm)、以及平均值δx(以mm)的值。

小组统计

表2示出了用于调整的dse结果(1＝阳性，2＝阴性)的静止和应力下的主变换值(以mm)、剪切变换(以mm)以及x变换(以mm)的平均值。

小组统计

表3示出了变量对比调整后的dse的独立样本t检验。

独立样本检验

机器学习结果

由从样本数据获得的各个参数的值，机器学习可以用于确定每个参数的精确度作为调整的dse结果的指示符。使用以上数据，利用10次交叉验证方法修剪掉j48的决策树用于对数据进行分类。作为诊断结果的指示符的每个参数的精确度概述在下面的表中，其中以下使用的缩写词为：

tp＝真阳性

fp＝假阳性

fn＝假阴性

tn＝真阴性

ppv＝阳性预测值

npv＝阴性预测值

表4咨询解读的精确度

表5调整后的dse结果的应力主变换的精确度

表6调整后的dse结果的静止主变换的精确度

表7调整后的dse结果的应力剪切变换的精确度

表8调整后的dse结果的静止剪切变换的精确度

然后使用机器学习从所有变量中得出图7所示的决策树以由数据提供精确诊断。决策树定义一系列决策点，每个决策点定义参数的参考值或阈值。决策树概述如下操作的简单算法。首先，针对心脏的应力状况确定如上所述的lv的主变换。如果变换小于-5.95mm(即，幅度大于5.95mm的负值)，则诊断为阴性。如果值大于-5.95mm，然后静止与应力状况之间的主变换的差值大于12.278053mm，则诊断为阴性，但如果小于该距离，诊断为阳性。将理解的是，决策树的结构和决策树中每个决策点的参考或阈值将会取决于要做出的诊断。

决策树然后用于样本数据以测试其精确度，并且给出如下结果。

所有变量的机器学习

表9调整后的dse结果的j48决策树的精确度

为了测试在类似的诊断系统中是否可以使用2腔观代替4腔观，以同样的方式分析与样本数据中四腔观中的每一个相对应的两腔观以得出主变换、剪切变换及径向(x)和纵向(y)移动的相同的参数。

表104腔观与2腔观之间的平移测量参数的同类相关系数。

非常显著的结果是4腔观与2腔观之间的主变换值的相似性。这意味着不仅主向量(用于检测疾病的敏感参数)，还意味着从2d图给出了3d功能评估。

表11.其他疾病组群的主变换值统计

表11示出了在其他疾病组群(肥厚型心肌病(hcm)和二尖瓣回流)中主变换减小，意味其在检测心肌肥厚、心肌病和心脏瓣膜病变上还是敏感的。注意到，在4腔观和2腔观中主向量减小，指示其在仅由单个平面检测心脏异常时是敏感的。具体地，对于在4腔观中仅发生一次心肌肥厚的hcm，在2腔观中主变换仍显著减小。

将理解的是，仅分析一个平面中的图像可用于诊断各种疾病，而且各种不同的参数可用于开发提供比单个参数更精确的诊断的决策树。