用于临床决策优化的系统和装置的制作方法

本发明涉及包括对软组织成像质量进行自动分析和反馈的系统和装置，所述分析和反馈包括实时分析和反馈，并且与影响图像质量的关键参数和度量相一致。特别是，本发明涉及经由统计计数器数据调整参数以增强对成像物理数据的解释，预测误差，并提出补救措施的系统。

背景

乳房x光摄影(mammography)是专门的医学成像过程，其使用低剂量x射线对乳房进行成像。乳房x光摄影具有三个主要目的：筛查、诊断和干预。筛查乳房x光摄影需要对无症状人群进行成像以检测乳腺癌，理想情况下是在早期阶段；诊断乳房x光摄影需要成像，用于对通过身体检查或筛查乳房x光摄影发现的异常进行诊断的目的；并且干预需要在x射线引导下进行皮下手术。

对大多数女性来说，筛查乳房x光摄影是在门诊基础上执行的，并且通常包括常规程序，由此每个乳房被定位在压迫板和图像接收器之间，乳房通常被桨状物压迫到预选的压迫压力，并且图像从两个角度拍摄——头尾位(cc)和内外斜位(mlo)。这些步骤通常对两个乳房重复。在一些女性中，身体习惯需要获取附加的图像以确保包括所有乳房组织的完整检查。

此外，图像质量是复杂的，在用于获得软组织图像的方法中的步骤的成像链的每个阶段都具有可变性，并且成像链的每个要素之间相互作用，包括成像设备的物理特性、图像获取技术因素、固有的受试者特性、操作者的技能、施加到图像的任何处理的效果、图像显示的方法、以及涉及用于诊断决策制定进行的图像可视化和解释的心理测量因素。

每个图像的准确性以及因此其有效性取决于乳房的正确定位：没有任何混淆物，例如其他身体部位；以及足够的压迫压力。需要压迫乳房，以便于：使乳房不动以避免图像不清晰；使乳房平坦以最小化组织重叠用于更好的可视化；最小化组织的厚度，从而最小化所需的辐射量；以及减少可能导致图像质量下降的x射线散射。乳房不能被过度压迫，因为这可能会给受试者带来不适。一旦获取到每个图像，乳房就会从压迫中释放出来。因此，并且因为乳房x光摄影x光机的c形臂必须旋转，以对于下一个视图对患者进行充分定位，所以每次都必须对乳房进行操纵和重新定位。

最优地，所得的图像具有足够的空间分辨率(细节)以对小结构(包括微钙化点)成像，并具有足够的对比度以使软组织肿块和其他损伤变得明显。

患者的解剖结构影响定位：患者的身高、尺寸、体重和形状、患者乳房的尺寸和形状、乳房组织成分(tissuecomposition)、表面特征和其他假象(artefact)、异常的身体习惯(例如驼背)、以及每个患者感觉和忍受不适的程度。患者合作(例如，靠在机器上，保持静止，并按指示屏住呼吸)对于例如稳定患者和避免由于患者运动导致的图像不锐利非常重要。

确定图像的质量，从而确定哪些图像最适合于筛选和诊断目的，取决于放射摄影技术人员的技能，他们在拍摄每个图像后会对每个图像进行视觉评估。在“检查”图像时，放射摄影技术人员可能会评估图像是否符合内部、地方、地区或国家标准并能够被认为是“可接受的”。如果放射摄影技术人员认为图像不是“可接受的”，他/她可以确定有必要获取附加的替换图像或原始图像的变体。一旦获取并“接受”了所有必要的视图，图像就被发送给临床医生进行筛查或诊断解读。优选地，在准备用于解读时，来自相同患者的其他先前乳房x光摄影图像也被发送到临床工作站进行同时复审。临床医生还将受益于具有来自其他诊断成像研究的乳房的相关图像，包括当前的和先前的，来自诸如但不限于以下模式(modality)：超声波；磁共振成像(mri)；正电子放射乳房x光摄影(pem)；乳房专用伽马成像(bsgi)；以及对比度增强的光谱乳房x光摄影(cesm)。

在图像集合的“解读”中，临床医生能够关联生理特征，例如乳房的一般形状和尺寸、乳头、皮肤线(skinline)和胸肌以及内部距离、以及“匹配”特征，以建立一致性。

即使乳房的位置在图像获取时看起来是最佳的，甚至利用系统操作员或临床医生的技能和经验，也有许多错误无法预见或克服，并且由于成像质量的意外缺陷，图像被惯常地拒绝和重复。

对于筛查和诊断的目的，还考虑了其他参数，例如乳房的组织成分；腺型；历史事件，例如先前良性或恶性疾病的历史、先前的活检或手术、创伤、和其他特性，例如假象(诸如剪辑、损伤和匹配特征)。在乳房x光摄影图像解读时对其他患者信息的了解可以进一步告知临床医生在“解读”乳房x光摄影图像和相关图像时可能用于疾病检测的阈值。患者临床信息的一个这样的辅助部分是女性患乳腺癌的倾向性，也就是她患乳腺癌的风险。

现有技术

有多种方法提供了估计风险和指导筛查规则或附加的和附属的诊断筛查的手段：例如，美国癌症协会关于按倾向性百分比筛查规则的指导方针，以及tyrer-cuzick(ibis)、pennii、boadicea和brcapro模型，其包括预测致病突变风险的手段和用于基因检测的描述；并且类似地，盖尔模型(gailmodel)有助于确定患者是否可以从使用药物中受益，以降低她患乳腺癌的风险。没有一个模型包含所有已知的风险因素，并且估计的绝对风险在模型之间会显著变化。此外，随着时间的推移，女性的个体风险因素会发生变化，因为家庭倾向性可能凭借在近亲(例如姐姐)中检测到乳腺癌的宣布会变得更加明显。

一个已知的、共同的限制是，所有模型都低估了在群体水平上乳腺癌的比率，并且在个体水平上具有变化的准确度。

乳房组织成分是风险因素，并且是风险评估模型中的重要组成部分：例如，乳房由纤维腺组织组成相对于由脂肪组织组成的比例。据了解，乳房的密度越高，意味着纤维腺组织的比例越大，患乳腺癌的风险就越大，和/或在筛查期间漏掉癌症的风险就越大(癌症能够被致密组织掩盖)。致密组织也与由于定位不良和低水平锐度(此更为明显)而重摄图像的倾向性有关。自动评估密度的成像系统是已知的(参考pct/gb2010/001742和诸如volpara@density^tm等工具)。这些通常被集成到风险模型中。此外，假设癌细胞和肿瘤周围的支持组织之间存在寄生关系，脂肪组织和纤维腺组织之间的关系被认为是乳腺癌风险和乳腺癌罹患的因素。

所有这些因素的有用性依赖于图像的质量和优化的过程，尤其是对于与高风险相关联的“致密”乳房(我们指的是具有高比例纤维腺组织的乳房)。然而，在成像过程期间，目前还没有用于临床医生的任何评论、指导和纠正措施来帮助实现最佳图像。

关于查询性能，存在用于数据的合并和比较的方法和系统，然而，由于数据是非标准的，因此缺乏用于比较合并数据的标准，部位之间不同，测量技术和这些问题被用于比较的大量数据所混淆。

也就是说，没有令人满意的手段可以借以在成像过程中、成像后立即、或以其他方式在后续和进一步的成像过程之前(统称为“实时”)通知放射摄影技术人员，成像期间患者的位置是否会产生符合必要标准的图像。

临床图像质量通常是通过将客观的定量度量施加到测试对象的图像来评估的，测试对象被设计成代表平均受试者特性。

一些基本的测试对象测试被例行地执行以监测系统一致性，并且其他更复杂的测试被以特定的间隔施加以对系统性能进行基准测试。这些测试被施加以评估通过修改特定成像系统可实现的图像质量，以客观地比较系统类型之间的图像质量，并确保在临床实践中满足最低可接受的界限。尽管测量可行，但这些简单的图像质量度量的缺点是它们独立于受试者特性、操作者(例如放射摄影技术人员)的技能，并且不直接提示最终的诊断性能。

图像对比度和对比噪声比(cnr)通常由物理学家在常规图像系统测试中在均匀背景上使用简单对象(例如，在欧洲按照欧洲标准组织用于质量保证的乳房筛查和诊断服务方案的0.2铝和丙烯酸盘/腔，每个都在美国4.5cm厚的聚甲基丙烯酸甲酯背景下)来测量。对象和背景之间的材料成分和厚度有已知的差异。

虽然已经尝试通过自动化来使得cnr测量更高效，但该过程仍然依赖于使用图像测试对象进行评估。由于需要已知的对象和背景成分以及厚度来进行一致的测量，因此很难从具有患者解剖结构的临床图像中评估这些类型的量，患者解剖结构在尺寸和成分(composition)上变化。

现有技术中关于成像质量度量的讨论可以在以下内容中找到：(1)metz和vyborny，1983年；(2)allec，scott等人，2012年；(3)barrett等人，1995年；(4)zhou等人，2011年；(5)baldelli等人，2009年、2010年；(6)cederstrom和fredenberg，2014年；(7)wang等人，2014年；(8)samei等人，1998年；(9)hogg等人，2012年；(10)kinear和mercer，2016年；(11)christianson等人，2015年；(12)chun等人，2015年；(13)tian和samei，2016年；(14)karssemeijer等人，2005年；(15)marshall等人，2011年；(16)revesz，1985年；(17)pakdel等人，2014年；(18)sanders等人，2016年；(19)allec等人，2012年；(20)hill等人，2013年；(21)allec、lewin等人，2012年；(22)hill、mulleret等人，2013；(23)hill、saab-puong等人，2013年；(24)ma等人，2015年；(25)vanengen、young等人，2006年；(26)saunders等人，2007年；(27)brammer、bullmore等人，1998年；(28)artman，2016年，ma等人，2015年。

发明概述

根据发明的第一方面，存在用于提供图像的定性和/或定量评估的方法，包括以下步骤：使用成像装置获得患者的至少一个软组织图像；从来自软组织图像的图像数据导出软组织图像参数和统计数据；其特征在于，与参数和统计数据相比较地，采用一度量用于评估，其中该度量是从软组织图像数据和来自成像装置的数据中获得的。

根据发明的第二方面，存在用于提供对图像的定性和/或定量评估的方法，包括以下步骤：使用成像装置获得患者的至少一个软组织图像和至少一个测试对象图像；从来自软组织图像的图像数据导出软组织图像参数和统计数据；其特征在于，与参数和统计数据相比较地，采用一度量用于评估，其中该度量是从软组织图像数据、从至少一个测试对象图像获得的数据以及来自成像装置的数据获得的。

优选地，针对软组织图像的区域导出参数。

优选地，针对软组织图像中的感兴趣区域(roi)，导出与噪声和/或对比度信号相关的统计数据。

优选地，导出统计数据包括导出roi中的图像功率谱特征。

优选地，考虑了受来自装置的噪声影响的图像功率谱特征。

优选地，统计地考虑了受来自软组织中解剖结构的噪声影响的图像功率谱特征。

优选地，针对roi中图像的锐度导出统计数据。

优选地，方法包括确定在获得图像时图像的锐度是否由于软组织的运动而低于预选水平的步骤。

优选地，方法包括确定组织中的解剖学假象(anatomicalartefact)中或解剖学假象附近低于预选水平的锐度。

优选地，方法包括确定在获得图像时由于软组织中的解剖学假象的运动而低于预选水平的锐度。

优选地，该方法包括通过确定在第一个图像中图像功率谱处于预选标准内的位置，来识别在第一个图像中图像锐度低于预选水平的位置。

优选地，方法包括确定组织的密度作为参数，并识别在第一个图像中哪里存在锐度低于预选水平的位置和密度高于预选标准的位置的重叠。

优选地，导出的参数包括图像中软组织中包括的被压迫的乳房的厚度、成分或密度。

优选地，方法包括确定组织内恒定厚度区域内的感兴趣区域(roi)在图像上是否重叠。

优选地，对比度是根据在密度相对高和较低的位置处的像素的图像强度来计算的。

优选地，成像质量度量包括从图像中软组织的位置和取向导出的定位度量。

优选地，方法包括通过从数据、参数和度量导出的分数(score)来表征图像。

优选地，方法包括根据成像装置、获取图像的诊所或获得图像的临床医生的信息对分数进行分类。

优选地，方法包括从多个分数导出总体质量分数。

优选地，方法包括从多个分数导出总体生产能力(productivity)分数。

优选地，方法包括导出总体有效性分数、总体质量分数和总体生产能力分数。

优选地，方法包括读取在获得图像的同时记录的压迫力，以及分析图像，导出为获得下一图像通过装置将目标压迫压力施加到患者的软组织的目标力，并且将目标力包括在反馈中。

根据发明的第三方面，存在作为用于实施本文所述方法的装置而操作的系统。优选地，系统包括从云下载和向云上传数据用于分析的装置。

自动分析

本发明提供了用于自动分析和反馈成像质量的系统和装置，包括实时分析和反馈，并且与影响图像质量的关键参数和度量相一致。

发明的优点是，图像可以用在调整图像分析的参数的手段中。

此外，本发明合并数据、比较数据并使用统计计数器数据来增强成像物理数据的解释、预测误差并提出补救措施。

系统和装置提供对成像过程的准确度和质量的实时验证。图像被捕获并可选地被存储，包括先前以其它方式被拒绝的图像，用于作为统计计数器数据，以增强对成像物理数据的解释，预测误差并提出补救措施，包括向可能在患者定位的某些方面遇到困难的放射技师提供附加培训，并提供对技术人员表现的管理监督。系统还记录并提出成像参数的指导，例如力、生理特征、患者情况和历史治疗标准、误差评价、接受前和接受后提示(例如拒绝、针对个人重复)；拒绝的理由和解决依据。

在实施例中，在选择时可以获得不同的图像质量参数，以帮助解释图像分析中的任何偏差或其他考虑因素。

在实施例中，一旦获取了每个图像，就对其质量进行评估。例如，质量检查软件算法可以首先评估最近获取的图像的图像质量，其次与当前研究、先前研究或来自其他模式的先前研究中的任何先前获取的图像相比较地对最新图像执行附加的质量检查。随着更多的图像在研究过程中被获取，进一步通知、与其他图像交叉检查的机会增加了。或者，直到所有图像都已经被获取，并且图像已经在研究结束时进行了质量检查，图像质量检查才可能发生。

在实施例中，在放射摄影技术人员“接受”单独图像之前，x射线系统将所有图像发送到质量检查软件模块或应用程序，或者发送到诸如平板电脑或运行质量检查软件应用程序的服务器之类的设备，以在时间限制下提供关于图像质量的反馈。x射线系统(也许在接收到时间限制的质量反馈之后)将放射摄影技术人员认定为“可接受的”每个图像发送到“接受后”分析，这需要更长的和更复杂的质量检查，并且可以在更快的本地计算机上或经由云执行，结果会递送回给放射摄影技术人员。

图像质量度量

显明性(意味着给定特征从周围结构突出的程度)受三个主要图像属性影响：对比度、噪声和锐度。

对比度

对比度是最基本的显明性描述符，并且通常根据感兴趣的对象和背景之间的图像强度差值来定义。对比度(c)的简单形式能够根据图像信号差值来定义。

对比度是感兴趣的对象的图像区域中的平均图像强度和图像的背景区域中的平均图像强度之间的差值的绝对值。背景区域是其中没有组织的图像中的区域。在数学术语中，对比度由等式1定义如下：

c＝|<roiobj>-<roibkgnd>|

其中roiobj和roibkgnd分别表示感兴趣区域(roi)的对象和背景中像素位置处的强度。有角度的括号表示roi上的平均图像强度的计算，并且绝对值确保对比度总是被计算为正值。优选地，系统对图像的数字表示进行操作。对比度由感兴趣区域中所有像素和背景中所有像素的强度确定。

图像的数字表示包括在二维网格中布置的像素。像素重叠或像素的边缘接触，从而整个图像被像素覆盖。数字图像包括邻接像素的网格。

每个像素包括将其定位在网格上的坐标，并且强度与图像中该位置处组织的密度和厚度相关联。在图像的数字表示的一些实施例中，进一步的信息与每个像素相关联。

在数字图像中，感兴趣区域(roi)在网格的一部分内。网格优选地由x和y方向上的正交坐标定义。网格中的每个像素由坐标xi和yi定位，roi的尺寸是n×m个图像像素长度或直径。

噪声

放射摄影图像中的噪声是指由患者解剖结构以外的源引起的图像强度的变化。图像噪声降低了图像表观对比度和图像锐度，并因此降低了显明性。

图像噪声的最简单描述符是感兴趣区域(roi)中图像强度的方差(σ²)。

与感兴趣区域中的临床成像性能和分析相关的图像噪声是由感兴趣区域中的强度的方差定义的。图像噪声由分子和分母的商定义。分子被定义为感兴趣区域中的每个像素的位置的图像强度和感兴趣区域中的图像的平均强度之间的差值的平方和。分母由像素长度减去一的数字来定义，其定义roi的尺寸。

在数学术语中，感兴趣区域中的图像噪声由感兴趣区域中的图像强度的方差定义，由等式2定义如下：

图像中的噪声降低作为一个整体，并且其中软组织的图像被定位，其中感兴趣区域被定位，并且背景对改善临床成像性能具有主要影响。然而，当通过增加辐射来实现噪声降低以获得图像时，放射摄影成像中增加的辐射剂量的增加的危险可能超过临床成像性能的改善。必须遵循尽可能低的合理可实现的(alara)辐射剂量的原则。以前用于测量患者图像中噪声的方法依赖于同类的感兴趣区域(roi)的识别，或者通过减去成对的或顺序的图像来创建同类区域。虽然由于软组织之间的低对比度，对于其中合理均匀图像区域可用的ct成像有用，但这些方法不适用于其他成像模式，例如具有高软组织对比度的乳房x光摄影。

用于从乳房x光摄影中的患者图像评估噪声的技术关注于量子噪声分量的估计上。本发明提供了从患者图像估计噪声的新颖的方法，其克服了在估计整个图像nps而不仅仅是高频分量的同时评估诸如乳房x光摄影的软组织图像时遇到的一些困难。根据本方法，总图像方差的估计(例如，等式2)能够从患者图像进行，如果图像具有均匀外观(类似于测试对象的图像)，其是对将会出现的噪声的近似，但是考虑了厚度、组织成分和软组织密度对噪声的患者特异影响。

锐度

图像锐度是指能够在图像中再现的真实特征细节的量，并确定能够可靠检测到的最小对象。锐度通常根据图像点扩展函数(psf)和/或调制传递函数(mtf)来评估，调制传递函数表示每个空间频率处信号的系统传递。

该方法倾向于低估在其他均匀图像中的噪声，因为它忽略了系统nps评估中明显的较低频率下的重要贡献。

在放射摄影术中，图像缺乏锐度会是由几个因素造成的，包括x射线管焦斑的尺寸和形状、图像接收器中的信号扩展以及患者运动。

系统mtf的典型物理测量使用静态和均匀的对象，这些对象可能不能充分表征临床图像锐度，尤其是在患者运动的情况下，这降低了图像的锐度水平并降低了临床成像性能。

例如，乳房x光摄影术中的运动相对常见，并且运动降低了乳房x光摄影图像的锐度。高达20％的筛查乳房x光摄影显示出由于患者在获得图像时的运动而降低锐度的一些元素。在筛查时，锐度的丧失往往没有被识别出来，因此会导致患者被召回重新拍摄图像：事实上，已经记录的情况中超过一半的技术召回归因于锐度的丧失。

通过测量空气-皮肤界面处的psf和mtf，根据患者ct图像进行图像锐度估计。这种方法依赖于在图像中具有一致可用的高对比度区域用于锐度测量。因此，这些锐度估计方法不适用于软组织图像，特别是那些没有尖锐的皮肤-空气边界的图像，例如乳房厚度向皮肤线减小的乳房x光摄影。

为了解决图像中没有适合mtf测量的结构的情况，本方法使用enps来评估图像锐度。

因此，另一个优点是上述内容改进了成像背景。识别高密度区域，指示高密度区域是尖锐的，还是具有低于阈值的锐度水平(从而提醒放射摄影技术人员以下事实：低水平锐度更可能掩盖显著(即癌性)特征，或者掩盖在最倾向于癌症的区域中)。

此外，本发明使用例如pct/gb2010/001742中所描述的系统，并经由乳房x射线的定量分析，来比较多于一个图像中的相应区域，如pct/gb2011/001658中所述。例如，cc和mlo之间的匹配将cc和mlo视图中的信息关联，对几何变化建模，并使用乳房密度来设置搜索边界，自动系统围绕该边界在其他视图中寻找匹配对象。

在实施例中，本发明在多于一个图像中检测匹配的或可比较的“焦点密度”(术语“焦点密度”在此用于表示乳房x光摄影中的区域，该区域与其背景相比显示出增强的x射线衰减，并且因此指示乳房中感兴趣的组织例如潜在的癌症的体积)，并提供标准化显示，例如研究中的图像的“密度图”，由此能够比较图像或图像中的特征。作为一个选项，显示器模拟密度的标准显示，以便关联历史图像。显示器还可以显示每个密度图的关键特征，例如，最紧密像素的密度、任何1cm²区域上方组织的最紧密体积的密度，以及总体乳房密度。在优选实施例中，当乳房的两个视图(cc/mlo)中都存在和匹配高密度可疑区域时，则密度图以标准化的方式显示图像以进行比较。

本系统和方法是有利的，因为它们提供了有效的和患者特定的图像锐度，其有可能减少这种召回，具有重要的社会经济效益。

与感兴趣区域中的临床成像性能和分析相关的图像噪声由感兴趣区域中的强度的方差来定义。对于数字图像，图像噪声可以从上面的等式2中计算出来。

由等式2计算的图像噪声仅在相邻像素的强度之间没有相关性时才完全准确，例如对于白噪声。然而，在实际成像系统中，存在导致锐度损失并在相邻像素强度之间产生相关性的源。锐度损失的这些相关噪声源包括x射线再吸收和患者运动。

图像信号的图像自相关函数描述关联的噪声。图像自相关函数通常使用傅立叶变换在空间频率域中来评估，以将图像信号从空间域映射到空间频率域。

当最初获得时，图像信号值不一定与图像强度或组织密度或组织厚度线性相关，在x射线由产生图像信号的传感器检测之前，x射线穿过该组织厚度。线性化之前，数字图像信号包括感兴趣区域(roi)中每个像素位置处强度的值。然后，信号被函数“线性化”，该函数计算强度i的线性化值，其对应于每个非线性化值roi。

第一噪声功率谱(nps)被定义为图像自相关函数的傅立叶变换(f)，并给出每个空间频率fx和fy处的信号方差。它能够从等式3根据线性化图像强度i计算。

第一nps

第一nps由线性化图像i的平均值确定。有角度的括号表示每个像素位置(x，y)处roi上的平均图像强度的计算。从每个像素位置(x，y)处的图像中减去线性化图像强度i的平均值。

在实践中，线性化图像强度的平均值是在图像实现的整体上或来自单个图像的roi上平均，以满足数据均值和协方差在平均上是位置无关的数学要求。

由等式3定义的第一nps仅考虑成像系统噪声源(例如，量子的、电子的、结构化的)，因此必须注意去除诸如来自足跟效应的信号相关的图像强度变化。

第二nps由iec(2003)标准规定，其考虑了诸如足跟效应的信号相关的图像强度变化。下面的等式4可用于计算第二nps。

第二nps

在计算第二nps的等式4中，s是图像的二维多项式拟合。roi在x和y方向上的长度分别由x维度和y维度上的像素数量m和n以及x维度和y维度上的像素尺寸px和px来定义。有角度的括号指示所有roi上的全体平均。

径向频率fx和fy上对用于第二nps的公式4的从零到最大采样频率的积分给出了分析区域的噪声方差，其等于来自公式2的噪声方差。

径向频率是空间频率，这意味着频率单位是距离的倒数，通常以1/mm为单位。径向频率是径向坐标系中的空间频率，与通常的笛卡尔(cartesian)坐标系相反。

虽然常规解剖结构为医学图像中的诊断提供了重要参考，但它在图像中的出现有时也被认为是结构化噪声的源，因为它能够掩盖病理的检测。因此，nps已经被概括为解释来自常规解剖结构外观的信号变化，或“解剖噪声”。

为了区分由提供图像信号的传感器在测量中包括的噪声源，使用了两种不同的标示：nps和enps。

仅包括系统噪声的功率谱由nps指示。

包括系统和解剖噪声的功率谱特征被称为有效nps(enps)。

尽管nps严格来说是图像噪声的测定，但是enps包括来自解剖结构的信号。

通过测量包括在单个图像获取期间导致锐度损失的运动的enps，本系统和方法是新颖的和有利的。

通过分析enps以检测和提供运动引起的低水平锐度的定量指示，本系统和方法是新颖的和有利的。使用enps检测运动引起的锐度损失是本发明的特征。

此外，本发明是新颖的和有利的，因为它分析了由于低水平锐度而难以分析的图像中的解剖结构，提出不同的enps，以锐化解剖结构的图像。enps的差异是由于在单个图像获取期间，当相同的解剖特征在多于一个像素位置处成像时，由运动引入的图像强度相关性。

本方法特别的优点是，它利用从测试对象的图像和观察到的临床图像质量导出的简单图像质量度量，最终确定真正的诊断性能。因此，在其他质量测定中，为图像“锐度”设置阈值，并使用诸如对比度、噪声和锐度之类的度量。

与测试对象的图像的排他性评估相比，本方法是患者特定的，并且评估感兴趣的临床图像中图像质量的特别实现：个体解剖结构的影响被最小化以解决图像质量，并降低操作者性能和成像系统物理特性的影响。因此，与传统方法相比，本方法也是有效的，因为不需要获取或评估测试对象的单独参考图像，因此，本发明提供了系统物理特性的实时监测，该系统物理特性能够指示设备故障或退化，并且还能够用于识别操作员和/或患者相关的缺陷，该缺陷可以指示需要重复的成像以达到诊断质量。

对比噪声比

描述给定对比度相对于在其中检测对比度的图像噪声的显明性的重要度量是对比噪声比(cnr)。cnr能够根据等式5计算如下，

放射摄影系统优化通常使用cnr与辐射剂量的平方根之比作为品质因数来执行，因此，平衡了改进的图像质量和增加的辐射剂量之间的权衡。为了一致的和实用的cnr测量，这些评估是使用测试对象的简单图像进行的。然而，未被均匀测试对象捕获的患者特定的因素能够影响用于成像的最佳技术因素。

本发明的优点是系统以患者特定的方式确定对比度、噪声和cnr，用于更准确的图像质量评估。

因此本发明的特征是，使用直接来自于患者图像的对比度和cnr测量，其使用乳房成分数据和厚度信息，以指导图像强度的选择以进行分析。这种测量是客观的，并且允许在不同患者的图像之间以及在使用不同成像系统获取的图像之间直接比较对比度和cnr。

质量“分数”

沿着侧组织成分(sidetissuecomposition)(例如密度)对成像质量度量和定位进行评分，通过自动化的阈值处理或用户决策来确定是否需要重新拍摄。除了成像质量分数之外，分数可归因于成像环境。例如，“总体质量”和“总体有效性”以及诸如社会经济和人口统计指标的属性，其中许多被认为是癌症倾向性的补充指标。

在实施例中，成像数据被自动扩展到云中进行分析，并且被保护的健康信息(phi)被自动移除并随后被重新应用到云中的匿名数据。

在实施例中，本发明提供了改进的手段，以组合乳房成像中心的各种数据点，从而以获得“总体质量”和“总体有效性”分数。

显示总体质量分数与总体生产能力分数的关系，以展示总体有效性，例如乳房成像中心的有效性。例如，在部位之间比较这些分数，以确定哪个或哪些中心在不降低质量的情况下优化生产能力。还能够在组织和/或与独立的机构、地区、州或国家度量标准比较分数，以了解一家企业与另一家企业的比较情况。此外，总体有效性和总体生产能力能够被映射或以图形方式显示。

优选地，患者特定的图像质量度量和分数被集成在总体质量系统中以比较成像装置、团队和诊所。优选地，总体质量系统提供“总体质量与总体生产能力的关系”的图形表示。

当从不同的成像装置和模式接收成像数据时，数据被标准化，例如，应用标准辐射剂量测量算法。类似地，应用标准化的压迫测量，其可以例如按优先级排列压迫压力优先于力。经由集成和来自其他电子系统的数据收集，可以实现获得的癌症检测率和其他临床参数。

优选地，云中的先前图像数据经由新部署的算法被调度和重新处理，因此每个图像可用的有用数据量被扩展，并且从使用新图像分析算法获取的新研究中提取附加的数据值。举例来说，基于云的医学图像分析和数据质量系统接收并分析来自获取模式的图像。在过程期间，元数据与来自图像的某种形式的像素数据一起从图像头部中被提取出来，并被发送到云进行存储和持续的比较、趋势分析和制图。

根据本发明，经由新部署的算法和在扩展数据表格中填充的空数据点来调度并处理云中的先前图像数据。因此，对于所有先前的图像，新的因素变得可用，使得随着时间的推移，可能对新因素进行数据分析。处理能够通过以下方式完成：从云将像素数据取回到系统，在系统中优选地处理像素数据，然后将新的数据值返回到云中以填充现有的表格行。

同样优选地，从云接收到系统的像素数据被返回到云，带有用于在云中执行处理的指令。

优选地，如果更新(替换)算法变得可用并且数据替换是期望的结果，则使用类似的方法，以替换云中的现有数据字段。

许多乳房成像中心并不在本地存储来自乳房x光摄影的原始数据。经由从来自云的历史案例中取回原始数据、将原始数据发送回设备、重新识别、重新处理以及将基于历史数据的新结果发送回云的过程，提供重要新数据瞬时评估。因此，在新算法的部署后不久，瞬时比较变得可用。

为了满足安全需求，云中的phi数据库被撤除了大部分识别材料。机器和操作员性能数据的比较没有受影响。然而，部位可能想要查看实际的患者图像，在这种情况下，需要安全的手段来重新识别患者。两种优选的方法是：1)用完全无法解码的散列码替换数据，也许在原始临床部位中保留反向查找表；或者2)通过全部移除任何患者识别属性来匿名化数据。

在本发明的一个实施例中，根据1)将患者数据放入云中，由此，散列编码方法被用于产生替换值，一旦在云中其就示出患者姓名、患者id和患者出生日期(dob)。为了能够追溯到患者，包含映射的查找表在本地存储并使其安全，而不是在云中。通过用于数据的应用程序挖掘存储在云中的数据，数据可以从云中被取回。如果取回应用程序在相关医疗保健提供商网络之外，并且没有经由虚拟专用网络(vpn)或其他安全连接(如下所述)隧道进入网络，则不能解码散列的数据。

这同样适用于云中(或从外部经由vpn连接)。查看数据时仍会对其进行散列处理。然而，本发明的另一优点是，通过网络浏览器(或访问云数据的其他授权工具)的附加步骤，在散列值的本地表格中提供散列值的反向查找，允许原始数据被透露给授权用户。

一旦放射摄影技术人员基于她/他对图像的观察和“接受前”和/或“接受后”分数对每个单独图像的质量感到满意，放射摄影技术人员就指示“研究结束”，这指示没有拍摄附加图像的意图——此时让患者离开。在一个实施例中，然后可以将图像发送到“研究结束”图像质量检查软件模块进行完整的分析，可能使用更复杂的算法，该算法考虑乳房的对侧视图和正交视图之间的定位日期的相关性，并产生质量的“研究分数”评估进行研究。

现在将参考附图，仅通过举例来描述本发明，其中：

附图说明

图1示出了基于检查最近的图像的图像质量实时检查；

图2示出了基于最近的图像和先前收集的图像的图像质量检查；

图3示出了包括外部拒绝分析软件，带有数据收集，用于事后分析和技术人员再培训；

图4示出了标准化显示，包括右和左mlo图像、右和左cc图像、每个视图中乳房的部分的体积、乳房厚度、乳房密度、最紧密厘米以及最紧密像素；

图5说明了通过来自图像enps的新颖nps估计，从数字乳房x光摄影中估计噪声的示例性方法，包括：

图5(a)说明了数字乳房x光摄影的典型影像；

图5(b)示出了0阶多项式去趋势化后的乳房x光摄影2denps；

图5(c)示出了二阶多项式去趋势化后的乳房x光摄影2denps；

图5(d)是在空间频率下移除数据后乳房x光摄影2denps的图，其中(b)和(c)中的enps之间具有显著差异(即中心的“孔”)；

图5(e)说明了(d)中数据插值后得出的乳房x光摄影nps的估计；

图6说明了临床图像对比度测量的示例性实施例，包括：

图6(a)展示了从数字乳房x光摄影中选择中央roi以用于对比度分析；

图6(b)示出了乳房密度图中像素的组织成分直方图，其对应于(a)中的roi位置，其中roi内的乳房密度图像中的像素根据它们的乳房成分被识别，并且roi中的像素被分类到密度组织成分的直条(bin)中；

图6(c)展示了代表对象(黄色)和背景(红色)的组织成分的选择。图像对比度被计算为roi内与对象和背景成分直条相关联的那些像素的平均像素强度之间的差值；

图7说明了乳房x光摄影中由运动引起的低水平锐度的典型影像，并且展示了锐度检测水平的示例性实施例，包括：

图7(a)示出了锐利的(sharp)右cc(rcc)图像乳房x光摄影；

图7(b)示出了与(a)中rcc视图相同乳房的非锐利右mlo(rmlo)图像乳房x光摄影；

图7(c)展示了来自(b)的rmlo视图，其中非锐利区域由白色阴影指示；

图7(d)是从rcc图像中提取的有钙化的区域；

图7(e)描绘了与(d)中相同的钙化，但是在从mlo视图提取的区域中，由于拍摄图像时乳房的运动，该区域具有不锐利的外观；

图8是用于比较多个图像的图像锐度的定量分析的用户评估的方法的流程图；

图9示出了乳头轮廓(nippleinprofile)的示例；

图10示出了乳房下皱襞(inframammaryfold)；

图11示出了cc视图的图像上后乳头线长度；

图12示出了mlo视图的图像上后乳头线长度，其中后乳头线与胸肌的前界限(图12a)或后图像边缘(图12b)相交；

图13示出了沿着前胸边缘与胸肌相连的乳房的mlo视图上，从后乳头线到前胸边缘的垂直距离；

图14示出了与肌肉相连的乳房的mlo视图的图像上的胸肌长度；

图15示出了与肌肉相连的乳房的mlo视图的图像上的胸肌宽度；

图16示出了mlo视图上的胸角度θ；

图17示出了内侧和外侧乳头方向，其中；

图17a示出了乳头指向内侧，并且图17b示出了乳头指向外侧；

图18说明了是否所有乳房组织都已经在cc视图上成像的尺度；

图19示出了确定定位分数的流程图；

图20示出了从包括多个图像的研究中确定研究分数的流程图；以及

图21(a)、图21(b)、图21(c)…21(i)说明了用于确定研究定位分数的方法。

发明详述

在实施例中，放射摄影技术人员例如经由用户名和密码、生物标识或其他方式使用机密注册进行登录。

经由来自乳房x射线摄影x射线系统的患者情况的电子通信，或者通过从扫描仪接收在dicom报头中包含患者个人背景信息的第一图像，通过从患者工作列表中选择患者，或者通过手动输入患者姓名、mrn和研究日期，来识别患者。软件模块从pacs取回已识别的患者的先前筛查乳房x光摄影，并对每个视图进行分析，计算图像中乳房的面积。根据获取图像时记录的压迫力，软件计算当时施加的压迫压力。然后执行分析以预测在使用本装置进行当前的筛查期间应该施加给该患者以达到目标压迫压力的压迫力的量，例如10kpa。

通过示例详细说明：i、根据至少一个先前的乳房x光摄影来估计压迫乳房的桨状物的一部分的面积；ii、计算使用的压迫压力，从dicom报头取出使用的力，除以i中估计的面积(假设该面积在本过程中不会改变)；iii、计算估计的力，其施加特定压力例如10kpa压力或用于设备的其他适当的目标压力。在没有先验估计的情况下，来自第一图像的接触区域可用于估计用于后续图像的力和/或指示需要重新拍摄初始图像。

如果在过程之间的时段内患者的身体习惯发生了显著变化，则能够进行一些调整。如果有包括风险数据的附加数据，则相应地进行上述调整：例如，如果体重或体重指数(bmi)数据可用，并且患者已经改变了体重或身体质量，则应施加或多或少的力。

比例因子可用于调整身体习惯变化对压迫力的影响。

然后，该软件向放射摄影技术人员显示将要获取的每个乳房x光摄影视图的目标压迫力。

然后，放射摄影技术人员对于将要获取的每个视图定位患者，施加类似于由软件推荐的压迫力，该压迫力接近目标压迫压力，例如10kpa。

一旦获取到图像就能够计算实际的压迫压力。评估施加的压迫压力和目标压迫压力之间的差异可以指示需要调整比例因子。

在进一步的步骤中，关于患者位置，评价质量标准。例如，在图1中，示出了用于根据质量标准评估图像质量的方法的步骤。

密度分数-在一个实施例中，图像i中乳房的密度经由自动密度测量被计算为度量，例如pct/gb2010/001472第14页第20至25行、第16页第4至9行、以及第18页第23至26行所述；或者使用诸如volpara@density(商标)之类的工具以及定位度量。密度分数以字母形式(例如，a、b等)、数字形式(例如，1、2等或百分比)、或图形形式(例如，其中乳房的密度根据cc和mlo图像计算并在3d中绘制的图)显示。

还可以计算图像中用于乳房的位置的度量。

定位度量可以单独显示(即，不是乳头轮廓)或者显示为图像的比例(即，具有乳头轮廓的图像的百分比)。乳头轮廓和乳房下皱襞(即imf)度量可以单独显示，并且可以分别显示为乳头轮廓和imf可见的图像的比例。乳房下皱襞(imf)如图10中示例所示。

度量也可以以统计形式显示，例如平均胸角度。进一步的度量能够结合到每个图像和每个研究的定位分数中。例如，在一个实施例中，度量和算法被用于导出对于图像中乳房的位置的总体定位分数。这些度量包括以下内容：

乳头轮廓-为mlo和cc视图计算乳头轮廓。检测乳头位置并定义乳头面积。在优选实施例中，如果乳头面积的至少5％-15％位于乳房的皮肤边界前部，则乳头被认为成轮廓(inprofile)。

乳房下皱襞可见(imf)-通过识别乳房下区域中的角落并计算该区域的面积来检测乳房下皱襞。然后施加阈值，根据该阈值，最小面积被接受为imf可见。

后乳头线(pnl)长度-后乳头线(pnl)如图11和图12所示。对于mlo和cc视图计算pnl长度。

对于图11所示的cc视图，乳头被定位，并且从乳头/皮肤边界到图像的后边缘测量线，例如基本正交于胸壁的水平线。在pnl长度内测量线的长度。

对于mlo视图，pnl长度是沿着从乳头/皮肤边界到胸肌前界限或后图像边缘(以先到者为准)的线测量的。这条线与胸肌成一个角度绘制，例如，与胸肌成90度角，如图12a中可见的，或者是前边缘的延伸直线估计，如图12b中可见的。pnl线长度不同于压迫厚度和密度，如pct/gb2010/001472的公布a1第8页第17行至第9页第1行所述，压迫厚度和密度是根据致密组织提示的厚度计算的。

pnl到胸边缘的垂直距离-乳头和胸肌与后图像边缘相交的位置以及pnl与胸肌前界限或后图像边缘的交点之间的垂直距离：如果下胸边缘在pnl的水平之上，该距离被分类为“正”；如果胸边缘延伸超出pnl的水平，则为“负”。在图13中能够看到显示垂直长度的线。

胸长-胸长是从图像的下边缘到胸肌的上边缘测量的，如图14所示。下边缘基本上与和乳头相对的乳房的边缘对齐。

胸宽-胸肌宽是从mlo图像的后边缘到胸肌的前边缘测量的，如图15所示。在mlo图像中，后边缘正交于下边缘并在乳房上方。

胸角度-胸角度如图16中的角度θ所示。它是在胸肌和乳房以及后图像边缘之间测量的。胸角度可以用作质量度量，以指示mlo图像上的乳房组织已经被充分成像。例如，25度至60度范围内的胸角度θ被认为是充分的。35度至50度范围内的角度θ更充分。

乳头方向-在cc视图上，如图17a和17b所示，乳房的正中被识别，并且从乳头/皮肤边界开始的第一线被绘制到该点。第二线，显示为水平线并且对应于图11所示的后线长度，绘制在乳房的正中，并且计算第一线和第二线之间的角度。如果角度为“负”则乳头指向内侧，如图17a所示；并且如果角度为“正”，如图17b所示，则乳头指向外侧当作外侧乳头。

1/3规则–垂直于后乳头线(pnl)并且平行于图像的后边缘的线在cc视图上从胸壁绘制出1/3。在图18中显示了“1/3规则”线。如果皮肤边缘在直线上或其界限内消失(内侧和外侧)，那么所有乳房组织都已经成像。

mlo图像定位分数-图19a中示出了图表，其示出了用于确定对于mlo视图的定位分数的方法中的步骤。mlo图像定位分数可以通过使用以下度量来确定：乳头轮廓、imf可见、胸形状、以及pnl到胸前边缘的垂直距离。按照流程图(图19)，每个mlo图像能够被分类为：完美、良好、中等或不充分。如果无法计算任何单独度量，总体分数将被报告为“未知”。

cc图像定位分数-cc图像定位分数通过使用以下度量来确定：乳头轮廓、1/3规则、cc和mlo之间的pnl差值、以及乳头角度。识别相同侧的mlo，并计算对于cc的pnl长度差值。按照流程图，每个cc图像能够被分类为：完美、良好、中等或不充分。如果无法计算任何一个单独指标，总体分数将被报告为未知，包括如果没有拍摄相同侧的mlo图像。

研究定位分数-除了为图像提供分数外，还为总体研究提供分数。图20示出了在总体研究中评估多个图像的集体质量的步骤。这是基于研究图像的单独分数和左右mlo图像之间胸肌的对称性，其来自于确定肌肉的高度和宽度的差值。

如果研究中有多于或少于特定数量的图像，例如4个图像，则研究的分数被报告为不可用。如果任一图像的分数为未知，则研究被报告为未知。如果任一图像被报告为不充分，则总体研究分数是不充分。如果所有4个图像都是完美，那么总体研究分数是完美。对于其余图像，基于图像分数给出以下数值：完美＝0，良好＝1，并且中等＝2。计算图像分数之和，并应用以下阈值：良好─至少4，以及中等─至少2并且小于4。然后确定胸肌的对称性，并给出最终的研究分数。

在优选实施例中，密度分数和密度图为由定位分数指示的结果决策提供背景。例如，在范围内具有相对低密度a的多脂肪的乳房、或者在图像中定位不佳的乳房可能不需要重新拍摄或转诊另一成像技术，而具有相对高密度的致密乳房，可以基于来自图像的统计数据、来自与图像相比较的测试对象的数据和/或预选的密度阈值来确定，其中，癌症更难诊断，其也定位不佳，将需要重新拍摄或转诊另一成像技术。

系统提供了概要显示，至少包括：作为乳房体积百分比的密度测量，其他数字和/或字母标记；辐射剂量和压力；一段时间内的风险指示(要么是完整的，要么是缩短的，具有选项以引导患者看到全面评价)。该显示还示出了设备推荐的适当成像(例如，每年的螺旋断层放射治疗系统(tomohd)、mri)用于全面筛查，并基于乳房x光摄影的灵敏度与风险的关系进行分诊(triage)，从而根据患者的风险预测和某一乳房密度的女性的乳房x光摄影的灵敏度，定制推荐给女性的模式。分诊可以基于经验丰富的放射科医生使用的“秘诀(recipe)”。注意到，乳房x光摄影的灵敏度取决于“读取器”的roc操作点，包括读取图像的方式，是否单次读取、cad单次读取、双次读取、cad双次读取、具备仲裁(arbitration)的双次读取，等等。

图8中的流程图展示了经由处理流程图的图像锐度测量和用户反馈的示例性实施例，指示了对于乳房x光摄影图像应用的锐度检测和量化方法的潜在用途。在示例性情况下，在两个解剖视图中(例如cc和mlo图像)对右乳房和左乳房执行成像研究。这些图像用作新颖的锐度分析方法的输入，在该方法中，为每个图像计算enps然后进行比较以确定锐利的图像或具有相对低水平锐度的图像。经由定性和定量的文本和/或图形输出向用户给出反馈，该文本和/或图形输出报告在锐度的度量内或锐度的度量之下图像锐度的潜在存在。

系统还检测并计算质量评估中导致锐度损失的运动和假象的存在。例如：

1.乳房x光摄影图像被线性化；

2.乳房图像的恒定厚度区域被分割；

3.从恒定厚度的乳房区域内识别重叠或非重叠roi；

4.使用在步骤3中提取的感兴趣区域(roi)来确定2d有效噪声功率谱(enps)，例如下面的等式4；

5.根据enps进行噪声功率谱(nps)的估计；以及

6.对nps估计，在空间频率fx和fy上从0到最大采样的频率进行积分，以获得估计的系统噪声方差估计σ²。

根据enps估计nps的方法可以包括但不限于以下两个示例，其中第一个示例如下：

7.假定2denps的对称性，并在转换成极坐标后找到其径向平均值；

8.将模型(例如多项式函数)拟合到1d平均enps与径向频率的关系曲线的适当高频区域。高频区域被选择使得解剖噪声最小(例如，大于1mm^-1的空间频率)，拟合过程可能需要忽略例如来自抗散射网格、混叠的enps中的“尖峰”；

9.推断拟合到低频的模型。拟合函数是nps估计。这提供了患者特定的图像质量，因为模型拟合到从特定患者的至少一个图像导出的数据。因此，考虑了厚度、软组织成分、并且特别是特定患者的软组织的密度对患者的软组织的图像中的噪声的患者特定影响。

或者，nps可以根据图5进行估计，并且能够包括：

10.在步骤4，从图像roi中减去0阶多项式(平均值)作为enps的第一估计，其包括所有低频图像强度变化。然后使用n阶多项式的减法进行enps的第二估计，其中n为2或更大。这个第二估计已经去除了一些低频信号变化。

11.比较来自步骤10的两个2denps，并且基于它们代表由常规解剖结构贡献的噪声功率的假设，从分析中丢弃具有显著差值的enps值。差值是否显著可通过统计测试来确定，该测试提供了与预选值相比差值的指示。例如，配对t测试是适用的，并且对于小于0.05作为标准的p值，差值是显著的，尽管其他p值阈值例如0.02和0.08能够由图像拍摄装置的操作者或者连接到与系统相同的云的远程用户来设置。

12.在步骤11之后，执行插值(可以使用多种插值方法)以估计具有缺失值的空间频率处的enps。结果是nps估计。

该方法提供了患者特定的nps估计。传统方法不是患者特定的。噪声测量的传统方法是基于测试对象的均匀图像，其中只需要随机信号。传统方法示例是eurefcnr计算，或者用于等式4的直接实现方式。

与在图像中发现均匀区域(不适用于乳房x光摄影，但对ct有用)或仅包括高频噪声的其他现有技术相比，本方法更准确，因为它包括低频噪声源的估计。

虽然噪声方差的绝对值能够展示给用户，但是相对噪声可以是考虑到成像系统之间的比较的更有用的测定。相对噪声通过如下标准化步骤获得：

13.可以通过将来自步骤7的估计的方差σ²除以来自分析区域内的平均线性化图像强度的平方来获得标准化噪声。在例如图6所示的另一个实施例中，本发明包括图像对比度的定量分析，其中：

14.使用例如生成乳房密度图像(注意，光谱成像方法，不限于双能量、三能量或来自光子计数系统的图像，能够用于确定组织成分)；以及

15.从乳房边界内选择一个或更多个roi用于对比度分析。这样的roi能够包括整个乳房区域，但是优选实施例使用位于中央的roi，例如，如图6a所示的；以及

16.根据其乳房成分识别在步骤15中选择的roi内的乳房密度图像中的像素，这能够包括将像素分类成直方图，如图6b和6c所示；以及

17.“低”和“高”密度组织成分是根据感兴趣的成分差异(例如按照直方图上的直条的数量的宽度)指定的；

18.对应于来自步骤17的“低”和“高”密度像素，来自步骤15的roi内的像素在分析中的原始乳房x光摄影图像中被识别；以及

19.确定来自“低”和“高”密度像素的图像强度。例如，能够执行图像像素强度的平均值的计算；以及

20.来自步骤19的“低”和“高”密度乳房x光摄影图像像素强度被用于例如通过使用6c计算图像对比度，其中“低”或“高”密度强度能够被定义为分别对应于背景和对象强度。或者，能够通过将来自等式1的结果除以背景图像强度来计算相对对比度。相关噪声由此被去除，并且在像素强度与背景噪声和信号噪声之间产生相关性的锐度的损失的源被减少。

在另一个实施例中，本发明包括图像cnr的定量分析，其中：

21.根据步骤20确定的图像对比度和根据步骤12确定的图像噪声能够使用等式5上的方差来组合，其中，假设来自步骤12的图像噪声被假定为用于对比度检测任务的背景噪声的合理近似，则从计算中省略对象噪声。

按照该方法，cnr等式变成如下：

对比度、噪声和/或cnr的测量能够在乳房的多个视图上进行，例如pct/gb2014/000217中描述的视图及其改进。在按照解剖视图的有多个图像获取的成像研究中，例如乳房断层合成、专用乳房ct或对比度增强的乳房x光摄影/断层合成/ct，噪声、对比度和cnr测量是在每个投影图像上进行的，或者在来自重建的图像容积的切片图像上进行的。从不同解剖视图和/或不同角度投影进行的测量能够用于比较研究中的图像对比度、噪声和/或cnr，并且可以帮助识别由于图像质量差而应该重复的视图。

在另一个实施例中，本发明包括图像锐度的定量分析，图8中示出了示例性实施方式，其中：

22.为患者研究中的每个图像计算enps，例如按照上面的步骤1至4。然而，与噪声分析相比，注意到锐度评估并不严格要求图像分析区域具有均匀的厚度。在该应用中，信号必须在整个分析区域内相对均匀，但是这能够通过使用图像校正程序例如外围均衡来实现，从而也能够对于皮肤线评估锐度。

23.所有enps在特定的空间频率区域上进行比较，例如在1.4到2.5mm^-1上，正如由对于乳房x光摄影中引起锐度损失的运动的视觉检测非常重要的空间频率上的研究建议的。该区域中具有最高enps的图像被定义为锐利图像参考。注意到，任何可用的先前患者图像enps都能够包括在该比较分析中。

24.具有明显不同于感兴趣的空间频率上的锐利参考的enps的图像被分类。通过与根据图像、测试对象图像、和拍摄图像的装置的数据确定的度量进行比较，来确定差值是否被分类为显著。

25.具有高水平锐度的图像的enps和具有较低水平锐度的图像的enps之间的步骤24的差值被用于计算高和低水平锐度图像中锐度水平的置信度和锐度幅度的测定。

在另一个实施例中，噪声和/或对比度的测定可以与enps分析结合使用，以量化图像锐度。在上述锐度实施例的扩展中，可以准备图像锐度低于度量或在度量范围内(例如图7c所示的示例)的位置的图，并对锐度进行定量测定，其中：

26.可以为分析中的每个roi计算enps；以及

27.能够将每个roi的图像enps与在步骤23中定义的锐利图像enps进行比较。

存储具有显著不同enps的roi，以供以后用于报告关于图像中低水平锐度的位置的图像锐度。通过统计测试，如配对t测试，确定enps中的差值是否显著，并且当p<预选值时达到显著性。预选值的示例为0.02、0.05、0.1或0.5。

28.来自步骤26的roi位置被用于准备锐度图，其能够用于锐度低于预选水平或锐度置信度低于预选水平的图像面积的可视化，和/或其能够用于准备基于文本的提示，该提示建议应该被审查的特定的图像区域，因为该图像区域中存在低水平锐度或置信度。

29.在步骤26中识别的非锐利图像roi能够用于计算度量，该度量量化图像面积方面的锐度量，包括低于锐度度量或在度量范围内的图像的绝对面积、以及锐度低于度量或在度量范围内的图像面积相对于分析中的总图像面积的百分比。

如在步骤23中，用考虑空间频率信息的与enps的幅度相关的总体分数的形式，报告低水平锐度。将范围应用于分数，确定锐度中的临床显著水平。

这些图像锐度定量度量和定性输出支持是否应该执行图像的技术重拍的决策。锐度分析数据也能够存档以备将来使用，并且能够被应用于导出关于锐度的图像质量性能度量，用于质量监测，其可以包括单独的放射摄影师、成像系统、压迫桨类型等。

在实施例中，定量噪声、对比度、cnr、和/或锐度结果被排序、和/或评分、和/或分组到与图像质量和诊断性能相关的类别中。这些结果能够为每个患者报告，并且能够与来自其他患者的结果一起用于监测系统、操作员、和/或集体成像中心性能。

在另一个实施例中，定量图像质量分析的结果，包括噪声、对比度、cnr和锐度，然后被输入到诊断性能的预测模型中。

在优选实施例中，噪声、对比度、cnr和锐度的上述度量在分析中输入临床图像时被自动计算，从而可以获得关于图像质量的快速反馈。

另一个特征是指示在高密度的区域中是否出现低水平锐度，并警告放射摄影技术人员“严重”的注意事项，因为也可能存在掩盖的风险，并且提供图像副本，该副本具有图像上密度的定量或相对指示，并指示乳房图像上存在掩盖风险的位置。

状态“研究结束”可以包括总括的研究分数，包括例如综合定位质量分数和锐度分数。在定性标准和相关物理数据的评价中，放射摄影技术人员被提供相关的质量度量，然后能够决定是接受图像，还是拒绝图像，并描述拒绝的原因，包括但不限于假象(气隙)、假象(皮肤褶皱)、假象(其他)、身体习惯、压迫、设备故障、曝光、患者运动、测试对象的图像、定位(乳头)、定位(胸肌)等。

在与图3相关的一个实施例中，在临床医生“接受”图像之前，图像在平板设备上被接收(即由于时间限制)以供审查。在进一步的实施例中，每个图像质量评估的结果被发送回扫描仪控制台；发送到移动通信应用；或诸如可听信号例如声音信号的其它手段。

在一个实施例中，系统的优点在于，捕获并存储所有图像，包括被拒绝的图像，并且数据成为计数器数据统计模型的一部分，该计数器数据统计模型将为解决方案的机器学习增强进一步提供手段。

本发明的进一步优点涉及扩展云中图像数据分析的自动的手段；以及将受保护的健康信息自动移除并重新应用到云中的匿名数据。

作为说明性示例，本发明提供了改进的手段以组合用于乳房成像中心的各种数据点，从而获得“总体质量”和“总体有效性”分数，其中：

总体质量＝

(％averagedoseoverexpected)*k1+(％averagepressureoverexpected)*k2+(％averagequalityoverexpected)*k3+(cancerdetectionrate)*k4+(recallrate)*k5+(sensitivity)*k6+(specificity)*k7+(intervalcancerrate)*k8+(invasivecancerrate)*k9+(minimalsignsrate)*k10+…

总体有效性＝

(％capacity)*k11+(％returningpatientrate)*k12+(％equipmentutilizationrate)*k13+(％equipmentuptimerate)*k14+(delaybeforedx)*k15+(delaybeforebx)*k16+(delaybeforepathology)*k17+(delaybeforetreatment)*k16+…

因子k1至k16根据训练数据集上的优化确定。

能够显示总体质量分数与总体生产能力分数的关系，以展示总体有效性，例如乳房成像中心的有效性。然后将这些数字在组织内的部位之间进行比较，以确定哪个或哪些中心在不降低质量的情况下优化生产能力。这些分数也能够与独立的机构、地区、州或国家度量标准进行比较，以了解一家企业与另一家企业的比较情况。

此外，总体有效性和总体生产能力能够被映射或以其他方式显示，例如以如图1所示的形式绘制。

如果从成像中心之间不同的成像装置和模式接收成像数据，则数据被标准化，例如，可以应用标准辐射剂量测量算法。类似地，应用标准化的压迫测量，其可以例如按优先级排列压力优先于力。经由集成和来自其他电子系统的数据收集，可以实现获得的癌症检测率和其他临床参数。

许多乳房成像中心并不在本地存储来自乳房x光摄影的原始数据。如果新算法变得可用，它提供瞬时评估时具有重要意义的重要新数据，则能够执行进程，将来自历史案例的原始数据从云取回到设备，对数据进行重新识别，重新处理，然后将历史数据上的新结果发送给云。这样，在部署新算法后不久，瞬时比较就变得可用了。

仅通过示例的方式已经描述了本发明。因此，上述内容被认为对本发明的原理仅是说明性的。此外，由于本领域技术人员将容易想到许多修改和变化，因此不希望将本发明限于所示出的和所描述的具体结构和操作，并且相应地，所有适当的修改和等同物可以求助于权利要求书，落入权利要求书的范围内。