比例的识别标志。通过将该些识别标志与数据库中的样本的相应识别标志进 行比较，能够找到与当前个体的MRI扫描相类似的MRI扫描，并且能够提取与该些样本相关 联的医学数据。因而，能够容易地识别和提取针对展示类似数量的局灶性萎缩的MRI扫描 已存储的医学数据。例如，基于CSF图像对象的尺寸和比例，该系统可W确定患者遭受该状 况的概率。
[0143] 值得注意的是：该方案能够用于体内和体外数据。例如，体内数据可W包括MRI、 PiB-PET、神经精神病学测试等等，而体外数据可W包括在AD或相关脑部疾病的情况下的 神经病理组织学测试。对于癌症而言，可W具有MRI、CT、PET等等图像加上所有体内的病理 组织学测试。
[0144] 对于与潜在肿瘤相对应的每个对象来说，识别标志处理器103可W确定面积或体 积并将该个用作识别标志。可供选择地或附加地，它可W确定形状参数并将该个用作识别 标志，例如，诸如图像对象有多圆或多不规则的指示。
[0145] 匹配处理器105可W相应地在数据库中查找相应的识别标志，并因而可W查找与 展示类似大小和/或形状的潜在肿瘤的患者相关的医学数据。具体地，该样的医学数据可 W指示是否针对其生成样本的患者的肿瘤被发现具有良性或恶性肿瘤。实际上，已发现肿 瘤的尺寸并且特别地肿瘤的形状提供潜在肿瘤的性质的强指示，并因而该设备可W虑及自 动比较和检测与展示和当前患者非常相似的特性的患者相对应的样本。
[0146] 作为另一示例，可W基于图像对象的亮度或色度为每一个图像对象生成识别标 志。例如，在图5的示例中，可W生成图像对象的识别标志，W指明该图像对象有多暗。该 可W是暗点将有多大可能是0淀粉状蛋白42沉积而非随机暗区的指示。对于彩色图像来 说，同一方案可W应用于颜色。并且，在一些实施例中，图像对象上的纹理即颜色和/或亮 度变化可W被量化并被用作识别标志。
[0147] 在一些实施例中，图像对象的位置、方位或姿态(位置和方位）可W用于生成能够 特别适合于检测与具有类似医学特性的图像相对应的样本的识别标志。例如，如先前所述， 可W确定和分析与0淀粉状蛋白沉积相对应的图像对象的特性，W便基于该些图像对象 的该些特征来生成识别标志。
[0148] 在一些实施例中，识别标志可W具体地根据对象边界的属性来生成。例如，如前所 述，图像对象的形状可能适合于反映很可能特别地指示医学状况的特性，并因此特别适合 于寻找与类似医学状况相对应且相应地能够提供对于当前患者而言具有特别关联性的医 学数据的样本。
[0149] 作为另一示例，对于一些医学状况而言，导致图像对象的对象的表面可W具有特 别指示医学状况的特性。例如，可W生成反映图像的边界是光滑的还是粗趟的识别标志。因 而可W生成指示图像对象的外部的粗趟/光滑的程度的识别标志，并且该可W用于寻找具 有相似特性的样本。
[0150] 在许多实施例中，可W生成该些识别标志之中的一个或多个，W响应图像对象的 矩。
[0151] 具体地，如果给定密度分布f(x，y)，其中x、y是二维图像中的图像对象的像素坐 标，则矩P、q可W根据下面来确定： 巧'。。=f「龙乂(X，六施边广 立y J?CO J-CQ 或者在采样域中： 扭^ jF)。 靴^尸0 二0 J VJ-,/
[0152] 各种矩可W指示例如图像对象的面积、体积、方位等等，如图8所示。在许多实施 例中，并且特别地在其中只考虑非常少的图像对象的实施例中，用于图像对象的矩的数量 可W是相对高的，例如，诸如对其而言所有的矩P和q可W介于0与5之间。实际上，在一 些实施例中，第一识别标志集合可W包括该样的识别标志集合，即，其中该些识别标志作为 矩来生成。该些矩提供图像对象的几何特性的非常紧凑却相当精确的表示，并因此提供用 于将有关图像的信息压缩至适合于在带宽受限的链路上传送的数据W及用于寻找展示相 似特性的样本的有效方案。
[0153] 将意识到：在许多实施例中，可W为一个图像或一组图像对象生成识别标志。例 如，在分段中所检测到的图像对象的平均暗度可W被用作整个分段的识别标志而非对于个 别图像对象具有个别识别标志。
[0154] 并且，在一些实施例中，对于每一个图像对象，可W包括识别标志，并且实际上，在 一些情形中，可W仅具有在每一个图像中所检测的一个图像对象，诸如与潜在肿瘤相对应 的图像对象。在该样的示例中，可W为那个图像对象确定多个参数，并且该多个参数可W被 用作识别标志的集合。例如，该识别标志的集合可W包括一个图像对象的尺寸、颜色、亮度、 纹理、形状、方位和矩。
[0155] 在其他的图像对象中，可W检测多个图像对象，并且可W为每一个图像对象生成 一个识别标志。例如，可W生成包括所检测的图像对象的尺寸的识别标志集合。在一些实 施例中，可W生成识别标志的集合，W包括全部数量的图像对象的子集。例如，可W生成由 固定数量的图像对象的属性构成的识别标志矢量。该些图像对象随后可W根据任何合适的 标准来选择。例如，可W生成识别标志集合作为图像中1000个最大的被检测到的暗图像对 象的尺寸和亮度。该个识别标志集合随后可W被馈送至匹配处理器105,而匹配处理器能够 着手寻找与针对其而言1000个最大的暗点具有相类似特性的图像相对应的样本。该可W 在允许可管理的计算资源需求的同时允许非常有效的相关信息的检测。
[0156] 在W前的示例中，所生成的识别标志是被生成来反映限制区域中的图像属性的局 部识别标志。该些识别标志通常反映局部区域中的一个属性的特性。
[0157] 然而，在其他的实施例中，可供选择地或附加地，可W生成更复杂的识别标志。例 如，识别标志可W作为局部识别标志的组合来生成。
[0158] 例如，对于每一个图像对象，可W生成局部识别标志，W指示该图像对象的尺寸。 随后可W处理该些识别标志，W确定该些识别标志对于整个图像的统计分布。例如，可W生 成反映找到多少具有给定尺寸（间隔)的图像对象的直方图。能够生成指示多个图像对象的 属性的组合识别标志。例如，可W生成描述直方图的识别标志。例如，对于直方图的每一个 大小间隔，可W生成指示在那个间隔中的图像对象的比例的标量值。
[0159] 例如，图9举例说明与0淀粉状蛋白42染色的组织学图像中的沉积相对应的图 像对象的矩M。。的直方图的示例。描述直方图的识别标志集合可W随后被生成并被发送至 匹配处理器105,其中在匹配处理器中它能够用于与该些样本的识别标志进行比较，W寻找 具有相似分布的样本。
[0160] 在一些实施例中，可W生成组合的识别标志，W反映识别标志之间的相关性。例 如，可W生成反映与0淀粉状蛋白42相对应的图像对象的尺寸有多相似的识别标志。
[0161] 因而，在许多实施例中，可W给出提供图像的属性的统计量度诸如所检测的图像 对象的统计属性的组合的识别标志。图10举例说明该方案的示例。初始地，对于不同的区 域，可W生成局部识别标志，其中每一个区域例如对应于预定大小的分段或图像对象。该 些识别标志随后可W在识别标志分类模块701中进行处理。例如，该个识别标志分类模块 701可W群集相类似的识别标志，例如类似的尺寸、轮廓尺寸、轮廓形状、矩等等可W被群集 并被组合在一起。每一个群集随后可W被处理，W生成统计属性，和/或与群集相对应的统 计属性可W用于生成识别标志集合。
[0162] 在一些实施例中，可W基于图像对象的属性与用于该属性的参考值的比较来确定 该些识别标志之中的一个或多个。该样的方案可能是特别吸引人的，该是因为它允许聚焦 于通常指示医学状况的异常。
[0163]例如，特征可能具有在健康个体中具有实质上球形形状的趋势。然而，在疾病的情 况下，例如，由于内部生长，该特征可能实质上偏离球形形状。
[0164] 在该样的示例中，可W首先评估所检测的图像对象，W确定它们有多像球形。例 如，可W首先确定反映个别图像对象偏离球形形状的程度的量度。随后可W生成显示偏离 的分布的直方图，并且能够生成描述该直方图的识别标志集合。该个识别标志集合随后可 W被发送至匹配处理器105,而匹配处理器能够使用它来寻找针对其已存储类似识别标志 的样本。因而，该方案允许该设备识别具有类似的异常分布的样本。例如，该些样本的医学 数据可W包括定义从中生成数据库样本/条目的患者的诊断、治疗、患者对于该治疗如何 反应等等的数据。该个数据例如可W被显示给健康专业人员，而健康专业人员在诊断患者 和寻找合适的治疗时能够使用相关数据。
[0165] 在一些实施例中，识别标志处理器103可W例如生成与参考值的偏差的平均值和 方差并将该些值用作识别标志。在该样的方案中，该些值例如可W针对图像的不同面积(体 积）来生成，W致表示与正常特性的偏差的平均值和方差的空间分布。
[0166] 因而，在许多实施例中，与正常的非病理学特性的统计偏差可W被确定并被用于 在数据库中寻找合适的样本。
[0167] 在一些实施例中，与参考值的偏差可W用于选择用于确定识别标志的图像对象的 子集。作为极端的示例，所有的图像对象可W与参考值进行比较，并且可W识别偏差最多的 图像对象。例如，该个图像对象随后可W利用识别标志集合诸如矩的范围来表征。识别标 志集合可W被传送至匹配处理器105并被用于寻找合适的数据库样本。该在其中疑似疾病 仅导致单个异常的许多情形中可能是有利的。例如，该方案可W允许利用该些识别标志来 识别和表征单个肿瘤。与类似肿瘤相对应的样本随后可W被识别，并且能够提取针对该些 样本所提供的医学数据。
[0168] 在许多实施例中并且对于许多应用而言，可W生成特别合适的识别标志集合来指 示满足特定标准的图像对象的局部密度变化。例如，在图5的图像中，可W生成与较暗的点 相对应的图像对象。然后可W评估该些图像对象，W确定是否它们对应于0淀粉状蛋白42 沉积。例如，只有是足够暗的并且具有在合适间隔内的尺寸的图像对象才可W被检测到。随 后对于位置范围能够确定该些0淀粉状蛋白42沉积的局部密度，并因而能够确定该个密 度的空间分布。
[0169] 例如，如图11所示，对于给定位置可W确定在给定半径r内的事件、在该种情况中 0淀粉状蛋白42沉积的数量。该个值(或密度值)随后可W被用作一个识别标志。随后对 于另一位置可W重复同一方案，W生成第二位置。例如，通过对于覆盖该图像的位置网格重 复该个方案，能够生成反映该图像上的事件（0淀粉状蛋白42沉积）的空间分布的识别标 志集合。该样的识别标志集合因而可W反映例如是否事件均匀地分布在器官上、是否事件 集中在小区域中、是否事件围绕多个区域进行群集、是否朝向器官的边界的集中比中屯、更 高等等。该样的事件的空间分布在许多情况中可W提供特别好的医学状况的指示，并因而 特别适合于寻找反映类似状况的样本。
[0170] 在许多实施例中，该设备可W是全自动的数据处理系统。例如，可W提供医学图像 的输入，诸如MRI或神经病理组织学图像。此外提供包括医学数据诸如从MRI脑图谱中提 供的参考数据的数据库。该系统的输出可W是对于针对输入图像提供医学匹配的图像而言 已发现相关的医学数据。
[0171] 在一些实施例中，该设备可W是半自动的，并且操作可W部分地基于用户输入。图 12举例说明根据该样的方案的设备。该设备与图4的设备相对应但是进一步包括用于接收 用户输入的用户界面901。
[0172] 具体地，用户输入可W用于生成识别标志之中的一个或多个。因而，识别标志生成 可W利用例如可W由健康专业人员提供的用户输入来引导。
[0173] 例如，该方案可W由专家(神经病学专家、组织病理学家、神经系放射学家）用于追 踪器官中的对象的边界。例如，专家可W在屏幕上使用合适的输入设备来简单绘制轮廓，并 且该些轮廓随后可W用于确定此