1.一种用于在磁共振(MR)脑图像数据中识别异常的计算机实现的方法,所述方法包括:
由计算机接收对象的脑部的多对比度MR图像数据;
在多对比度MR图像数据内识别(i)包括一个或多个可疑异常的异常区域和(ii)包括健康组织的健康区域;
由计算机创建健康区域的模型;
由计算机基于所述异常区域和所述模型为多对比度MR图像数据中的每个体素计算新奇得分;以及
由计算机基于为多对比度MR图像数据中的每个体素计算的新奇得分创建对象的脑部的异常图。
2.如权利要求1所述的方法,还包括:
在识别异常区域和健康区域之前,将一个或多个图像预处理过程应用于多对比度MR图像数据。
3.如权利要求2所述的方法,其中所述一个或多个图像预处理过程包括如下各项中的一个或多个:不均匀性校正过程、运动校正过程、头骨剥离过程、重采样过程、滤波/去噪声过程或高级组织分割过程。
4.如权利要求1所述的方法,其中通过由用户使用可操作地耦合到计算机的图形用户界面手动地绘制的边框来限定异常区域。
5.如权利要求1所述的方法,其中通过由计算机使用无监督变化检测方法自动产生的边框来限定异常区域,所述无监督变化检测方法搜索对象的左和右半脑的最不同区域。
6.如权利要求1所述的方法,其中由计算机使用全自动过程限定异常区域,所述全自动过程分析多对比度MR图像数据并且产生被怀疑为异常的体素的列表。
7.如权利要求6所述的方法,其中所述全自动过程包括:
通过多个迭代经期望最大化(EM)将高斯混合模型(GMM)拟合到多对比度MR图像数据,其中在全自动过程的每个迭代期间检查多对比度MR图像数据的每个体素以确定它应该被放置在异常区域中还是应该被放置在健康区域中。
8.如权利要求1所述的方法,其中所述模型包括参数模型。
9.如权利要求8所述的方法,其中所述参数模型包括高斯混合模型(GMM)。
10.如权利要求1所述的方法,其中所述模型包括非参数模型。
11.如权利要求1所述的方法,其中使用分析多变量极值理论(EVT)近似来为每个体素计算新奇得分。
12.如权利要求1所述的方法,还包括:
识别与高于预定阈值的新奇得分对应的多对比度MR图像数据中的多个体素,
其中所述异常图描述在所述多个体素的异常。
13.如权利要求1所述的方法,还包括:
使用一个或多个解剖掩模识别异常图中的一个或多个误报体素;以及
将所述一个或多个误报体素识别为异常图中的健康组织。
14.一种用于在磁共振(MR)脑图像数据中识别异常的制品,所述制品包括非临时性有形计算机可读介质,所述非临时性有形计算机可读介质保存用于执行一种方法的计算机可执行指令,所述方法包括:
在对象的脑部的多对比度MR图像数据内识别(i)包括一个或多个可疑异常的异常区域和(ii)包括健康组织的健康区域;
创建健康区域的模型;
基于所述异常区域和所述模型为多对比度MR图像数据中的每个体素计算新奇得分;以及
基于为多对比度MR图像数据中的每个体素计算的新奇得分创建对象的脑部的异常图。
15.如权利要求14所述的制品,其中通过由用户手动地绘制的边框来限定异常区域。
16.如权利要求15所述的制品,其中通过使用无监督变化检测方法自动限定的边框来限定异常区域,所述无监督变化检测方法搜索对象的左和右半脑的最不同区域。
17.如权利要求15所述的制品,其中使用全自动过程限定异常区域,所述全自动过程分析多对比度MR图像数据并且产生被怀疑为异常的体素的列表。
18.如权利要求17所述的制品,其中所述全自动过程包括:
通过多个迭代经期望最大化(EM)将高斯混合模型(GMM)拟合到多对比度MR图像数据,其中在全自动过程的每个迭代期间检查多对比度MR图像数据的每个体素以确定它应该被放置在异常区域中还是应该被放置在健康区域中。
19.如权利要求14所述的制品,其中使用分析多变量极值理论(EVT)近似来为每个体素计算新奇得分。
20.一种用于在磁共振(MR)脑图像数据中识别异常的系统,所述系统包括:
成像装置,被配置为获取对象的脑部的多对比度MR图像数据;和
计算机,包括一个或多个处理器,所述一个或多个处理器被配置为:
在多对比度MR图像数据内识别(i)包括一个或多个可疑异常的异常区域和(ii)包括健康组织的健康区域,
创建健康区域的模型,
基于所述异常区域和所述模型为多对比度MR图像数据中的每个体素计算新奇得分,以及
基于为多对比度MR图像数据中的每个体素计算的新奇得分创建对象的脑部的异常图。