用于病变候选探测的系统和方法

用于病变候选探测的系统和方法
【专利摘要】一种用于患者身体中的非介入式病变候选（LC,LC1,LC2）探测的方法，包括产生患者身体的多个第一医学图像（IM）的步骤。该方法还包括通过应用图像处理方法识别患者身体的第一医学图像（IM）内部的可能是病变的几何区域的步骤，其中该识别至少部分地由不可直接从第一医学图像（IM）中提取的多个患者特定的背景特征（PF,PF1,PF2,PF3）控制。此外，该方法包括选择多个识别的可能是病变的几何区域作为病变候选（LC,LC1,LC2）的步骤。
【专利说明】用于病变候选探测的系统和方法
【技术领域】
[0001]以下的发明针对一种用于患者身体中的病变候选探测的方法和一种用于患者身体中的病变候选探测的系统。
【背景技术】
[0002]患者身体内部的病变探测是医学检查期间，特别是在使用例如计算机断层成像(CT)或磁共振成像(MRI)的成像方法的医学检查期间的一项重要任务。对病变的有效和精确的探测有助于医学筛查的成功率和医学治疗的质量。特别是在癌症筛查和癌症治疗的情况下，在医学图像内部对病变的探测和其作为良性或恶性的分类是日常临床例程中的一项明显和常规但是至关紧要的医学任务。例如，在骨病变情况下，需要对恶性病变的位置、数量和几何尺寸的常规分析，以评估转移的发展和患者对某种医学治疗的反应。精确的分析使得能够成功处理疼痛并且能够明显提高患者的生存可能性。
[0003]通常，在其专业上多年来获得经验的医学专家通过回顾患者的医学图像执行这样的探测。在此，通过医学专家来识别感兴趣区域并且详细地分析任何这样的异常，所述异常是良性或恶性的提示。特别地，医学专家在作为其评估基础的医学图像内部识别可疑区域的形状和边界限定。然而，在典型的医学成像序列期间，在许多情况下拍摄大量医学图像。因此，通过医学专家手动分析成为一种费时的活动，也导致这些任务的高医疗开销。此外，明显的是，由专家执行的分析的质量很大程度取决于其各自的技术专长和经验，取决于对于每个分析所花的时间和取决于在分析期间应用的详细研究。相应地，病变探测和病变分析的质量的特征在于专家间和专家内部的差别。
[0004]为了应对那些差别，已经公开了由计算机辅助探测和分析技术来代替或支持医学专家的一些建议。例如，Wels等人在〃Mult1-Stage Osteolytic Spinal BoneLesion Detection from CT Data with Internal Sensitivity Control", SPIE MedicalImaging, Vol.8315, 2012中建议了一种在患者脊椎中的病变位置的计算机辅助探测。然而可以预见，这样的探测方法是有局限的并且不能实现有经验的医学专家的探测和分析质量，因为所提出的计算机辅助探测技术仅基于医学图像。

【发明内容】

[0005]因此本发明要解决的技术问题是，提供一种用于患者身体中病变候选探测的方法和系统，其获得提高的探测和分析质量。
[0006]按照本发明，提供一种用于患者身体中的病变候选探测的方法。如在下面的说明书中使用的术语“病变”总结了能够在患者身体中找到的各种异常。那些异常例如包括在所有类型的骨(脊椎、头骨、髋、肋骨等)、器官(肺、前列腺、甲状腺、肾、胰腺、肝、乳腺、子宫等)和任何种类的软组织(脂肪组织、肌肉、皮肤、神经、血管、椎间盘)中的小的或大的损害和任何其他异常。术语“病变”也指由癌症导致的异常，例如口咽、肾上腺、睾丸、宫颈、脊髓或卵巢肿瘤以及位于皮肤处(黑素瘤)和肺、前列腺、甲状腺、肾、胰腺、肝、乳腺、子宫等中的肿瘤或癌。
[0007]该探测方法提供对于病变的“候选”，因为对于领域内医学专家来说明显的是，只有介入式技术，例如活组织检查和提取的骨、器官或组织微粒的随后分析将提供可以最终判断提取的微粒(或组织学标本)是否是病变的足够分析精度。例如，只有专家对微粒的医学分析或组织学检查将提供提取的微粒到底是否来自于病变和该病变是良性还是恶性的最终结论。然而，使用非介入式技术来识别病变候选是一种在临床例程中普通的和成功应用的技术，因为它能够对于后续的介入式治疗提供相对精确的指导。此外，精确的非介入式探测技术能够帮助避免不必要的手术过程，例如当非介入式方法或技术以高概率指出不存在病变或者在早先的检查中所探测的病变在尺寸和数量上没有任何重要变化时。
[0008]应当理解，术语“患者”按照其最广的意义使用。特别地，“患者”也指没有遭受医学疾病的健康人，因为本发明的方法和系统能够有益地应用于多种预防性医学检查，例如乳腺X照相筛查。然而，本发明的方法和系统在患者遭受某种医学疾病、例如癌时是可以有益地应用的。此外，术语“患者”可以延伸到多种动物而不脱离本发明的范围，因为病变候选探测对于动物的医学检查也可以是有益的。此外，术语“身体”指患者的身体的任何部分，包括其表面或皮肤和所有内部部分，例如器官和软组织。
[0009]在按照本发明的方法的一个步骤中，获得患者身体的多个第一医学图像，例如直接产生或从存储器中检索。在此，并且在所有后续描述中，“多个”指任何大于“O”的并且特别地包括数量“I”的数量。由该方法应用的医学图像可以由任何种类的二维或三维医学成像方法或模态产生。优选地，应用对于要被探测的病变类型来说合适的医学成像模态。例如，如果要探测骨病变候选，则计算机断层成像(CT)的成像模态是优选的，而磁共振断层成像(MRI)模态对于软组织或器官内部的病变候选的探测来说是更合适的。
[0010]在按照本发明的方法的另一个步骤中，通过应用图像处理方法识别患者身体的第一医学图像内部的可能是病变的几何区域，其中该识别至少部分地由多个患者特定的背景特征控制，所述背景特征不可直接从医学图像中提取。使用图像处理方法来分析第一医学图像和提取描述图像的特定的特征。那些特征可以在多个特征向量中组合。在许多情况下，可以应用计算机辅助的方法来产生那些特征。例如，成像处理方法可以提取一定的辐射强度(或X射线强度)的一定的衰减值(例如以豪恩斯菲尔德为单位)的发生频率的直方图。然后应用产生的相对频率直方图来识别在医学图像内部的可能包括多个病变的几何区域。
[0011]除了图像处理方法，按照本发明的方法应用患者特定的背景特征来识别可能是病变的几何区域。在此，患者特定的背景特征不能容易地或直接从第一医学图像本身提取。然而，患者特定的背景特征可以支持病变候选探测的整体质量。例如，已知影响患者的脊椎骨和椎间盘的骨质疏松症可以导致脊椎的医学图像内部的异常。那些异常可能被计算机辅助的图像处理方法判读为恶性病变或癌症。因此，通过将患者特定的背景特征，例如关于存在的骨质疏松症的知识，添加到识别步骤，可以提高对可能是病变的几何区域的探测质量。在本发明的另一种有利实施方式中，提供原发性癌的类型作为患者特定的背景特征，因为由原发性癌的转移导致的恶性病变的频率、外观和位置很大程度取决于原发性癌的类型。然而，由于原发性癌可能位于被检查的患者身体部位外部，所以原发性癌的类型不能直接从第一医学图像提取。因此，通过在识别可能是病变的几何数据的本发明的步骤期间提供这样的患者特定的背景特征，可以很大提高识别的效率和精度，因为可以向着恶性病变的预计频率、外观和位置来调节图像处理方法。
[0012]在本发明方法的另一个步骤中，选择多个所识别的可能是病变的几何区域作为病变候选。该选择可以基于适合于选择如下的几何区域的一定标准，所述几何区域是受检查的患者的实际病变的概率高。那些标准例如可以是用于所识别的几何区域的几何尺寸的一定的上限或下限。例如，选择的步骤可以仅提供如下的可能是病变的几何区域:所述区域大于对于病变的某类型来说是典型的某尺寸限制。然而，选择的步骤也可以选择所有的可能是病变的几何区域作为病变候选。
[0013]总之，提供一种方法，该方法有利地对有经验的医学专家的典型行为进行建模，所述医学专家在查找病变候选时不仅考虑医学图像数据本身而且也考虑不能从第一图像数据直接提取的其他患者特定的背景特征来指导其查找。特别地，医学专家可能亲自了解患者或者至少能访问提供患者特定的背景特征的患者临床记录。尽管如此，本发明的方法的特征在于，其可以通过计算机辅助的装置执行，由此得到本发明方法的可以被快速执行并且在许多情况下比通过有经验的医学专家手动识别更有效的实施方式。此外通过计算机辅助的方法避免了典型地对于病变候选的手动识别的专家间和专家内部的差别。因此，按照本发明的方法提供通过手动识别过程提供的优点和通过计算机辅助的图像处理技术给出的优点。
[0014] 按照本发明的用于患者身体中的非介入式病变候选探测的系统包括用于至患者身体的多个第一医学图像的接口连接的接口单元。此外，本发明的系统包括识别单元，用于通过应用图像处理方法识别患者身体的第一医学图像内部的可能是病变的几何区域，其中所述识别至少部分地通过不能从医学图像直接提取的多个患者特定的背景特征来控制。此外，本发明的系统提供选择单元，用于选择多个识别的可能是病变的几何区域作为病变候选。
[0015]本发明的系统的主要部分优选地作为在可编程的计算机系统上运行的软件来实现，例如医学图像编辑站或诊断站。因此该问题也通过布置为在各自的可编程计算机系统上运行的、以软件形式实现本发明系统的一个或多个部件的计算机程序产品解决，所述计算机程序产品形成为以执行本发明方法的一个或多个步骤。应当指出，术语“计算机系统”包括一个或多个中央处理单元(CPU)，其可以被布置以独立地运行本发明的系统的不同部件。
[0016]本发明的特别有利的实施方式和特征通过独立权利要求给出，如在以下描述中披露。不同的权利要求类别的特征可以组合，以合适地给出此处没有描述的其他实施方式。
[0017]在本发明的一种有利修改中，添加预处理步骤。在该预处理步骤期间，在识别可能是病变的几何区域的步骤之前预处理患者的多个第一医学图像。这样的预处理步骤可以包括不同的图像处理步骤，特别是实现标准化或规格化到某坐标系或某预定义的标尺的预处理步骤。此外，预处理步骤可以提供对于病变候选的查找范围的空间限制，提供本发明的方法和系统的更有效和精确的执行。优选地，通过计算机辅助的装置以自动或半自动的方式执行所述预处理步骤。
[0018]在本发明的另一个有利的修改中，添加了后处理步骤。在该后处理步骤期间，识别的病变候选的几何位置和尺寸通过不同的图像处理步骤修改，特别是通过这样的后处理步骤，所述后处理步骤将在标准化的和缩放过的坐标系内部给出的、识别的病变候选的几何位置和尺寸转换回到患者身体的第一医学图像的初始坐标系和初始标尺。此外，互相靠近的病变候选可以被融合到一起，因为它们在许多情况中可能表示相同的身体病变。即，被认为是冗余的病变候选探测结果通过凝聚聚类来移除。优选地，后处理步骤通过计算机辅助的装置按照自动或半自动的方式执行。
[0019]在本发明的优选实施方式中，对可能是病变的几何区域的识别使用多个应用于第一医学图像的子探测器，其中至少一个子探测器通过至少一个患者特定的背景特征来控制。这样的子探测器提供特定的图像处理特征以选择在医学图像内部可能是病变的几何区域。例如，一个子探测器可被设计为通过计算和评估三维Haar-1ike特征提供可能是病变的几何区域的选择。三维Haar-1ike特征是通常使用的用于医学图像中的对象探测的描述符，诸如病变候选中心的探测。Haar-1ike特征表示一组弱描述符，所述弱描述符以一个特定的基础组的图像掩模通过图像强度的相加或相减而产生。由此，每个Haar-1ike特征按照在一定区域中相应的掩模的图案来描述强度分布。结果的特征向量通常是大的，通常超过10000个元素。在此，选择可以基于每个子探测器的概率性输出的预定义阈值。例如，知道原发性肿瘤位于肾脏或甲状腺中，则可以增加对于用于探测溶骨性病变的子探测器的概率性输出而可以降低对于用于探测母细胞性病变(blastic lysion)的子探测器的可能性，因为位于肾脏或甲状腺中的原发性肿瘤已知比导致母细胞性病变更可能导致溶骨性病变。由此，病变候选探测或预测变得患者特定。
[0020]这意味着，可以有利地应用患者特定的背景特征例如原发性肿瘤的类型或患者遭受骨质疏松症的事实来控制这样的阈值水平，由此反过来提供在病变候选探测期间的更精确的结果。
[0021]优选地，子探测器从使用图像体素强度的子探测器、使用图像矩的子探测器、使用Haar-1ike图像特征的子探测器、使用可操纵的图像特征的子探测器、使用对象性图像特征的子探测器的组中选择。图像矩是经典的图像描述符，其描述体素强度的分布，该描述基于体素强度的加权平均或提升到一定功率的体素强度、所谓的矩。图像矩类似于通常使用的统计学矩，诸如均值、方差、倾斜和峰度，只是它们对于二维或三维矩阵、即图像数据进行计算。图像矩通常具有对于病变候选探测有价值的特征并且是对于图像纹理的鲁棒性描述符。特别有用的图像矩是那些在平移、旋转和缩放时都不变的图像矩，例如所谓的Hu矩。可操纵的图像特征是由Siemens Corporate Research引入的特征。它们将方向和标尺信息合并到图像采样点的分布中，由此避免费时的体积数据旋转操作，通常被用来产生替换的旋转和标尺候选。对象性特征跟踪患者身体的图像中的柔软无定形块状物性质(blobness)、脉管性和平面性。它们是用于病变候选的有价值的描述符，因为关于病变的柔软无定形块状物性质、脉管性和平面性的信息在许多背景中是临床上重要的，例如诊断恶性肿瘤。每个对象性特征反应了围绕每个体素的相邻体素有多像某个对象，例如，柔软无定形块状物、脉管或平面。对象性特征可以通过包括图像强度的局部二阶导数的Hessian矩阵来计算。
[0022]在一种替换的优选实施方式中，子探测器被配置来使用多个图像特征和至少一个患者特定的背景特征来识别可能是病变的几何区域。在一种特别优选的实施方式中，可用于病变识别的所有的图像特征由单个子探测器使用。从第一医学图像提取的图像特征例如可以包括图像 体素强度、图像矩、Haar-1ike图像特征(例如粗糙的或精细的三维Haar-1ike特征)、可操纵的图像特征和对象性图像特征。[0023]在本发明的另一个优选实施方式中，至少一个子探测器已经通过注释有多个患者特定的背景特征的医学图像训练数据训练，优选通过具有病变的患者的医学图像训练数据和通过没有病变的患者的医学图像训练数据。例如，在早先的医学检查内部，已经获得早先的医学图像，其中在早先的医学图像的第一组内部具有确定的病变位置，和在早先的医学图像的第二组内部确定没有病变。对于这两个组，提供多个患者特定的背景特征，例如肿瘤的原发性类型或某些医学情况，例如骨质疏松症。那些早先的医学图像然后被用于训练子探测器，优选通过机器学习方法，来根据患者特定的背景特征，识别医学图像内部可能是病变的几何区域。训练过的子探测器可以通过优选以有规律的方式(例如按照预定的间隔)包括新的医学图像训练数据来重新训练。
[0024]在本发明的另一个优选实施方式中，将多个子探测器的级联用于识别可能是病变的几何区域，其中子探测器被顺序地应用使得第一子探测器的输出数据被应用为至第二子探测器的输入数据。
[0025]在本发明的一个特别优选的实施方式中，多个子探测器中的至少一个应用多个决策树，优选多个随机森林或其他基于规则的技术。优选地，至少一个决策树包括基于多个患者特定的背景特征中的至少一个患者特定的背景特征的决策。已知决策树适合于不同种类的输入数据。因此，它们特别适合于按照本发明对病变候选的探测，因为本发明基于通常通过实数值表示的医学图像与通常由类别数据，例如原发性肿瘤的类别表示的患者特定的背景特征的有利组合。特别地，决策树、基于规则的技术和随机森林很好地适合于多个图像特征的处理，例如图像体素强度、图像矩、Haar-1ike图像特征(例如粗糙或精细三维Haar-1ike特征)、可操纵的图像特征和对象性图像特征。
[0026] 此外，已知决策树对于缺失的数据值是鲁棒的。即，如果在决策树的决策点处缺失一个数据值，则决策树在多个路径中而不是在单个路径中被穿过。因此，不是一个，而是到达多个树叶，来自于所述树叶的决策被组合，其说明到达所述树叶的可能性。关于随机森林是同样的，其中不是每个组成树有一个决策并且经由投票或经由在回归中加权或不加权平均来组合它们，而是在出现缺失数据的情况下，简单地组合多个决策，每个对应于一个当走过该树时到达的树叶。相应地，决策树和随机森林适合于在子探测器内部的应用，因为在病变候选探测期间不是所有可能的患者特定的背景特征都可能是已知的。例如，对于一个特定的患者可能不知道是否该患者遭受骨质疏松症。尽管如此，通过应用决策树或随机森林，本发明方法和系统能够成功执行病变候选探测。
[0027]在子探测器内部应用的决策树和随机森林优选地特征在于，基于患者特定的背景特征的决策被布置为比基于第一医学图像的决策更靠近决策树的根节点。因此提供了本发明方法的有效执行，因为相对容易评估的决策在需要更复杂的图像处理的决策之前被执行。此外，从第一医学图像得到的特征的数量可以比患者特定的背景特征的数量大得多。例如，要在子探测器中使用的三维Haar-1ike特征的数量探测大于10000或甚至100000。相应地，通过将基于患者特定的背景特征的决策布置为更靠近决策树的根节点，可以避免:决策树或随机森林的评估由从医学图像得到的大量特征主导。类似的有利效果通过本发明的另一个医学实施方式得到，该实施方式的特征在于，决策树提供比选择基于第一医学图像的特征的可能性更高的、选择患者特定的背景特征的可能性。
[0028]在本发明的另一个优选实施方式中，布置所述多个子探测器使得每个子探测器被单值地分配给患者特定的背景特征的特定值。例如，提供两个分开的子探测器，一个子探测器用于遭受骨质疏松症的患者并且另一个子探测器用于没有遭受骨质疏松症的患者。由此，由于降低了问题复杂性和多个患者特定的探测方法的产生，获得更高的质量或更好的预测性能。此外，执行速度是一个优点，其可以在其中需要实时、或接近实时决策的特别情况下是重要的。这也包括自动执行的病变候选探测方法，其中要被评估的病变候选体素的数量大并且执行速度的问题是重要的，如果例如不期望延迟放射性专家的工作。该优选实施方式对执行速度的影响是间接的，通过例如由更精确的决策树产生的、降低的问题复杂性和更简单的探测方法。
[0029]优选地，按照本发明的方法和系统被应用来探测骨病变候选，特别优选被应用来探测脊椎骨病变候选。已知脊椎骨病变潜在地导致严重疼痛、血钙过多、病理骨折和神经损害。然而它们的探测是挑战性的，因为在医学图像内部描绘的恶性骨病变容易与其他异常，例如骨质疏松症或血管瘤混淆。
[0030]用于本发明方法和系统的第一医学图像通过用于二维或三维成像的医学成像设备提供，优选来自于包括了 X射线成像、计算机断层成像(CO、红外(IR)成像、正电子发射断层成像(PET )、磁共振成像(MRI)、功能磁共振成像(fMRI)和超声波成像的组。
[0031]患者特定的背景特征可以从包括了如下的组中选择:性别、年龄、家族史、临床史、预约史、诊断、处方和其他可控和不可控的风险因素。可控的风险因素可以是，至少在某种程度上由患者控制的。其例子包括体重、吸烟或在吸烟者周围、酒精摄入、饮食习惯以及生活方式因素诸如性行为和锻炼活动。不能被患者控制的风险因素包括种族、遗传和医学情况诸如乙型肝炎或丙型肝炎的慢性感染。
[0032]在另一种优选实施方式中，患者身体的第一医学图像以第一医学成像方法产生并且患者特定的背景特征(它们是不能从第一医学图像直接提取的)包括至少部分地基于患者身体的早先的医学图像而得到的特征，该早先的医学图像以第二医学成像方法产生。换言之，在该用于患者身体中非介入式病变候选探测的方法中，根据前面的描述以第一医学成像方法产生多个患者身体的第一医学图像。在该方法的另一个步骤中，在患者身体的医学图像内部可能是病变的几何区域通过应用图像处理方法识别，其中所述识别至少部分地通过患者身体的、以第二医学成像方法产生的早先的医学图像来控制。该方法的另一个步骤按照前面的方法的描述选择多个所识别的可能是病变的几何区域作为病变候选。这是用于病变候选探测的另一个有利方法，因为前面以不同的成像方法或模态获得的相同患者的医学图像被用来提高病变候选探测的质量和精度。例如，通过MRI模态产生的早先的图像数据可以提供关于患者的软组织内部的癌症原发性类型的信息。应用来自于CT成像模态的医学图像的后续的骨病变候选探测可以通过以MRI模态获得的癌症的原发性类型的诊断发现来指导，因为恶性病变或转移的频率、外观和位置通常强烈取决于癌症的原发性类型。此外，癌症的原发性类型可以从其他医学方法获知，例如从早先的活组织检查和组织分析。尽管如此，根据本发明，该信息可以通过患者特定的背景特征提供并且可以在病变候选探测期间被应用。特别地，患者特定的背景特征可以从对于患者可用的医学记录获得或提取。
[0033]此外，不能从第一或早先的医学图像直接提取的其他患者特定的背景特征可以与来自于第二医学成像方法的数据组合。例如，患者特定的背景特征可以包括关于骨质疏松症的信息，而第二医学成像方法，例如，基于MRI的成像方法，提供关于位于患者的软组织中的原发性肿瘤的信息。因此，在以CT成像模态获得的医学图像内部的病变候选探测可以通过关于骨质疏松症的信息和原发性肿瘤的特征来指导。
[0034]在另一个优选实施方式中，第一医学图像是患者身体的第一部分的医学图像，并且患者特定的背景特征(其不可从第一医学图像直接提取)包括至少部分地基于与患者身体的第一部分不同的、患者身体的第二部分的早先的医学图像而得到的特征。换言之，在用于患者身体中非介入式病变候选探测的该方法中，根据前面的描述产生患者身体的第一部分的多个医学图像。在该方法的另一个步骤中通过应用图像处理方法识别在患者身体的医学图像内部的可能是病变的几何区域，其中该识别至少部分地通过与患者身体的第一部分不同的、患者身体的第二部分的早先的医学图像控制。该方法的另一个步骤根据本发明方法的前面描述选择多个识别的可能是病变的几何区域作为病变候选。总之，该本发明方法有助于病变候选探测的质量和精度，因为患者的其他身体区域的医学情况的诊断发现可以有利地指导病变候选探测。作为例子，医学专家已知，在肾脏内部或在甲状腺内部的原发性肿瘤通常导致具有溶骨性外观的脊椎转移。通过从患者身体的第二部分的医学图像提取这样的信息和将这样的信息输入到患者身体的第一部分的病变候选探测，可以提高病变候选探测的质量和精度，例如通过将可能是病变的几何区域识别变窄为具有溶骨性外观的病变。
[0035]此外，如果将不能从第一医学图像或患者身体的第二部分的早先的医学图像直接提取的患者特定的背景特征与来自于患者身体的第二部分的数据组合，可以提高病变候选探测方法的精度和效率。
[0036]优选地，按照本发明的方法以自动或半自动方式执行。特别地，患者特定的背景特征可以以手动方式通过操作者或医学专家提供，而至少大部分图像处理以自动方式执行。
【专利附图】

【附图说明】
[0037]本发明的其他目的和特征从以下结合附图的详细描述中变得清楚。然而，可以理解，附图仅为了示例的目的设计并且不作为本发明的限制的定义而设计。其中
[0038]图1示出患者身体的脊椎的医学图像的例子，
[0039]图2示出按照本发明的方法的一个实施方式的流程图，
[0040]图3示出按照本发明的方法的替换实施方式的流程图，
[0041]图4示出用于实现按照本发明的方法的步骤而设计的决策树的例子，
[0042]图5示出用于实现按照本发明的方法的步骤而设计的决策树的另一个例子，
[0043]图6示出按照本发明的系统的实施方式的示意性概览图。
【具体实施方式】
[0044]尽管本发明主要通过代表了用以支持临床决策的、所谓的基于内容的图像检索(Content Based Image Retrieval (CBIR))系统的实施方式来描述,但是这样的实施方式仅仅是示例性的并且并非旨在限制本发明。
[0045]图1示出患者身体的脊椎的医学图像頂的例子。在此，上面三个图像ML1，ML2和ML3示出具有恶性病变ML的脊椎的例子。包括了恶性病变ML的区域在每个图像MLl，ML2andML3中通过矩形标记。此外，图像I描绘了三个图像BLI，BL2和BL3，它们示出在每个图像BLl, BL2和BL3中分别通过矩形标记的良性病变BL。特别地，MLl示出溶骨性病变，ML2示出母细胞性病变并且ML3示出影响整个身体的良性病变ML而BLl示出由骨质疏松症导致的良性病变BL，BL2示出由血管瘤导致的良性病变，并且BL3示出由Schmorl结节导致的良性病变BL。显然，良性病变BL和恶性病变ML在医学图像頂中展现相对类似的特征。因此，需要支持医学图像頂内部病变的精确和有效探测和分类的方法和系统，诸如按照本发明的方法和系统。[0046]图2示出了按照本发明的方法的一个实施方式的流程图。多个第一医学图像IM被提供到预处理步骤PR，该预处理步骤例如能够执行各种图像处理步骤，特别是实现标准化或规格化到一定的坐标系或到一定的预定义的标尺的步骤。预处理步骤PR的输出被提供到对可能是病变的区域的探测LD，其包括三个级联的子探测器HA，OB, ST。第一子探测器HA评估预处理的图像并且计算粗糙的三维Haar-1ike特征并且将图像体素分离为预计不代表病变的体素和预计代表病变的体素。后一组被提供到后续的子探测器0B，其通过评估对象性特征实现预计代表病变的区域或体素的附加区分。探测器OB的输出被提供到第三子探测器ST，其评估可操纵的图像特征以获得潜在地代表病变的区域或体素的进一步细化。对可能是病变的区域的探测LD通过患者特定的背景特征PF进行控制，以提高对可能是病变的区域的探测LD的效率、质量和精度。特别地，某种患者特定的背景特征PF可以被应用以控制一个或多于一个子探测器HA，0B，ST的行为。例如，用于在多个第一医学图像IM内部选择三维Haar-1ike特征的阈值可以通过多个患者特定的背景特征PF的某些值来定义。可以应用其他图像处理方法或附加的子探测器，即使在此没有指出。例如，可以附加地应用基于精细三维Haar-1ike特征的计算和评估的子探测器。对可能是病变区域的探测LD的输出被提供给选择步骤SE，所述选择步骤选择病变候选，例如通过用于识别的几何区域的某个几何尺寸上限或下限。例如，选择步骤SE可以仅提供比某个尺寸限制大的可能是病变的几何区域，所述尺寸限制对于某种类型的病变来说是典型的。然而选择步骤SE也可以选择所有的可能是病变的几何区域作为病变候选。最后，后处理步骤PP修改病变候选LC的特征是通过各种图像处理步骤，特别是通过这样的后处理步骤PP进行的，所述后处理步骤将在标准化的和缩放过的坐标系内部给出的、识别的病变候选的几何位置和尺寸转换回到患者身体的第一医学图像頂的初始坐标系和初始标尺。此外，互相靠近的病变候选LC可以通过后处理步骤PP来融合到一起，因为它们在许多情况下可能代表相同的身体病变。即，被认为是冗余的病变候选探测结果例如通过凝聚聚类而移除。
[0047]虽然图2已经示出通过应用特别地使用一个图像特征的子探测器的、本发明的优选实施方式，而没有在图2中示出的本发明的一个替换的优选实施方式包括了子探测器，其被配置为使用多个图像特征和至少一个患者特定的背景特征来识别可能是病变的几何区域。在特别优选的实施方式中，单个子探测器使用所有的对于病变识别可用的图像特征。
[0048]图3示出了按照本发明的方法的替换实施方式的流程图。在此，与图2相反，对可能是病变的区域的探测LD也通过相同患者的附加的医学图像IM2控制。那些医学图像頂2可以代表患者身体的其他部分。此外，医学图像頂2可以通过与被用来产生多个第一医学图像IM的成像模态不同的成像模态来提供。预处理步骤PR2可以被用来修改医学图像IM2，优选地通过计算机辅助的图像处理方法。[0049]图4描绘了被设计为用于实现按照本发明的方法的步骤的决策树的例子。患者特定的背景特征PF1，PF2，PF3在基于图像的特征IBl之前被评估，提供前面描述的优点。如果对患者特定的背景特征PF1，PF2, PF3的评估提示了正确结果，则决策路径沿着决策树DT的各个PFT1，PFT2, PFT3箭头继续。相应地，如果对患者特定的背景特征PF1，PF2, PF3的评估提示错误结果，则决策路径沿着决策树DT的各个PFF1，PFF2, PFF3箭头继续。以类似方式，依赖于基于图像的特征IBl的决策可以产生正确结果IBTl或错误结果IBF1。作为例子，PFl可以是患者的性别并且PFTl箭头可以相应于男性患者，而PFFl箭头相应于女性患者。另一个患者特定的背景特征PF2可以是患者的年龄并且PFT2箭头可以相应于年龄超过60岁的患者而PFF2箭头相应于60岁或以下的患者。另一个患者特定的背景特征PF3可以例如描述患者是否遭受骨质疏松症。在此，PFT3箭头可以相应于不遭受骨质疏松症的患者而PFF3箭头对于得了骨质疏松症的患者适用。在已经评估了患者特定的背景特征PFl, PF2, PF3之后，评估基于图像的特征IBl。在此，例如，IBTl箭头可以相应于通过高于某个阈值的三维Haar-1ike特征所表征的特征而IBFl箭头相应于在某个阈值处或低于某个阈值的三维Haar-1ike特征。作为该最终评估的结果，病变候选被分类为恶性病变ML和良性病变BL。要注意的是，在图4内的决策树DT的例子为了清楚性目的而很大程度简化了。在临床检查期间使用的按照本发明的决策树DT预计包括大约10至20个决策级。特别地，病变候选LC的最终选择将基于多于一个基于图像的特征IBl。
[0050]图5示出了设计为用于实现按照本发明的方法的步骤的决策树DT的另一个例子。在此，患者特定的背景特征PFl再次有利地位于决策树DT的根处。取决于用于患者特定的背景特征PFl的评估结果，要么是正确箭头PFTl要么是错误箭头PFFl被激活。如在图5中可以看出的，后续的病变候选探测应用随机森林RF1、RF2，其中随机森林RFl和RF2是不同的，即，它们取决于患者特定的背景特征PFl的值，从而特定的随机森林RF1、RF2被用于病变候选探测。例如，如果提供两个分开的随机森林RF1、RF2，一个随机森林RFl可以被用于遭受骨质疏松症的患者而另一个随机森林RF2用于没有遭受骨质疏松症的患者。在此，由于问题复杂性降低和更加患者特定的、基于随机森林的探测方法的产生，实现了更高质量和更好的预测性能。此外，执行速度是该实施方式的优点。
[0051]通过图6示出按照本发明的用于非介入式病变候选探测SL的系统的实施方式的示意性概览图。患者身体的脊椎的多个第一医学图像頂被提供给接口单元IF用于读取患者身体的多个第一医学图像IM。应用识别单元IU来通过应用图像处理方法识别患者身体的第一医学图像頂内部可能是病变的几何区域，其中所述识别至少部分地通过不能从第一医学图像頂直接提取的多个患者特定的背景特征PF控制。识别的该控制可以按照直接的方式或间接的方式通过控制患者特定的背景特征PF来建立。此外，提供能够代表患者身体的其他部分的或能够通过与被用来产生第一医学图像頂的成像模态不同的成像模态提供的其他医学图像頂2。在此，医学图像頂2示出具有通过矩形标记的原发性肿瘤的患者肝脏的某些区域。因此，经由接口 IF2可以获得有价值的信息以有利地控制多个患者特定的背景特征PF。应用选择单元SU用于选择多个识别的可能是病变的几何区域作为病变候选LC,其在多个第一医学图像頂中通过矩形LCl和LC2突出显示。医学专家ME控制用于非介入式病变候选探测SL的系统并且回顾产生的结果。此外，医学专家ME能够输入患者特定的背景特征PF以提高病变候选探测的质量。[0052]尽管按照优选实施方式和其变化的形式公开了本发明，应当理解，可以对其作出大量附加修改和变化而不脱离本发明的范围。为清楚起见，应当理解，在整个申请书中“一”或“一个”的使用不排除复数情况，并且“包括”不排除其他步骤或元素。
【权利要求】
1.一种用于患者身体中的非介入式病变候选(LC，LCl, LC2)探测的方法，包括: -获得患者身体的多个第一医学图像(頂)， -通过应用图像处理方法识别患者身体的所述第一医学图像(頂)内部的可能是病变的几何区域，其中，该识别至少部分地由不能直接从所述第一医学图像(IM)中提取的多个患者特定的背景特征(PF，PFl, PF2, PF3)控制， -选择多个所识别的可能是病变的几何区域作为病变候选(LC，LCl, LC2)。
2.根据权利要求1所述的方法，其特征在于，对可能是病变的几何区域的识别使用多个应用于所述医学图像(頂)的子探测器(HA，OB, ST)，其中，通过所述患者特定的背景特征(PF, PFl, PF2, PF3)中的至少一个患者特定的背景特征控制至少一个子探测器(HA，OB, ST)。
3.根据权利要求2所述的方法，其特征在于，所述多个子探测器(HA，OB,ST)从如下的组中选择: -使用图像体素强度的子探测器， -使用图像矩的子探测器， -使用Haar-1ike图像特征的子探测器(HA), -使用可操纵的图像特征的子探测器(ST)， -使用对象性图像特征的子探测器(0B)。
4.根据权利要求2或3所述的方法，其特征在于，至少一个子探测器(HA，OB,ST)已经通过注释有多个患者特定的背景特征(PF，PFl, PF2, PF3)的医学图像训练数据来训练，优选通过具有病变的患者的医学图像训练数据和通过没有病变的患者的医学图像训练数据来训练。
5.根据权利要求2至4所述的方法，其特征在于，对可能是病变的几何区域的识别利用多个子探测器(HA，OB, ST)的级联，其中，所述子探测器(HA，OB, ST)被顺序地应用，使得第一子探测器(HA，OB, ST)的输出数据被应用为至第二子探测器(HA，OB, ST)的输入数据。
6.根据权利要求2至5所述的方法，其特征在于，所述多个子探测器(HA，OB,ST)中的至少一个子探测器应用多个决策树(DT)、优选多个随机森林(RF1，RF2)。
7.根据权利要求6所述的方法，其特征在于，所述决策树(DT)中的至少一个决策树包括基于所述多个患者特定的背景特征(PF，PFl, PF2, PF3)中的至少一个患者特定的背景特征的决策。
8.根据权利要求7所述的方法，其特征在于，基于患者特定的背景特征(PF, PFl, PF2, PF3)的决策被布置为比基于所述医学图像(頂)的决策更靠近决策树(DT)的根节点。
9.根据权利要求7或8所述的方法，其特征在于，所述决策树(DT)提供比选择基于所述医学图像(頂)的特征更高的、选择所述患者特定的背景特征(PF，PFl, PF2, PF3)的可能性。
10.根据权利要求2至9所述的方法，其特征在于，在所述多个子探测器(HA，OB,ST)内部，每个子探测器(HA，OB, ST)被单值地分配给患者特定的背景特征(PF，PFl, PF2, PF3)的特定值。
11.根据权利要求1至10所述的方法，其特征在于，所述方法被应用来探测骨病变候选(LC, LCl, LC2)，优选被应用来探测脊椎骨病变候选(LC，LCl, LC2)。
12.根据权利要求1至11所述的方法，其特征在于，所述患者特定的背景特征(PF)中的至少一个患者特定的背景特征从包括了如下的组中选择:性别、年龄、家族史、临床史、预约史、诊断、处方、可控风险因素和不可控风险因素。
13.根据权利要求1至12所述的方法，其特征在于，所述多个第一医学图像(IM)以第一医学成像方法产生， 并且所述患者特定的背景特征(PF，PFl, PF2, PF3)包括至少部分地基于患者身体的早先的医学图像而得到的特征，该早先的医学图像以第二医学成像方法产生。
14.根据权利要求1至13所述的方法，其特征在于，所述多个第一医学图像(IM)是患者身体的第一部分的医学图像(IM), 并且所述患者特定的背景特征(PF，PFl, PF2, PF3)包括至少部分地基于患者身体的第二部分的早先的医学图像(頂2)而得到的特征，该第二部分与患者身体的第一部分不同。
15.一种用于患者身体中的非介入式病变候选探测(SL)的系统，包括: -接口单元(IF)，用于读取患者身体的多个第一医学图像(HO， -识别单元(IU)，用于通过应用图像处理方法识别患者身体的所述第一医学图像(頂)内部的可能是病变的几何区域，其中，该识别至少部分地通过不能从所述第一医学图像直接(頂)直接提取的多个患者特定的背景特征(PF，PFl, PF2, PF3)来控制， -选择单元(SU) ，用于选择多个所识别的可能是病变的几何区域作为病变候选(LC, LCl, LC2)。
【文档编号】A61B6/03GK103908254SQ201310737990
【公开日】2014年7月9日 申请日期:2013年12月26日 优先权日:2013年1月3日
【发明者】M.凯尔姆, M.休林, A.特赛姆鲍尔, M.韦尔斯 申请人:西门子公司