对准最暗的区域W及更靠近其中屯、处；通过计算所有数据点的时序 之间的交叉相关性，来估计空间远程信号之间的瞬时关系，W及通过将所述交叉相关性的 阔值设在0. 5因素W上来计算相邻矩阵的后续二值化。然后从该二元矩阵和等同的随机网 络计算聚类系数。运两个值的比率是相等的，W归一化聚类系数。由归一化的聚类系数按 如下来建造疾病预测模型：
[0058]
[0059] 其中爲是针对对象i的疾病模型预测值，CiW是矩阵i的等同随机网络的平均聚 类系数，并且。是矩阵i的平均聚类系数。该疾病预测模型显示出与如图3所示的child油C 参数（用于风险分级）的显著相关性。
[0060] 第二示例性实施方案W与第一示例性实施方案相同的方式计算图模型，但是不同 之处在于，该疾病预测模型更复杂。疾病预测模型的输入参数被包含所有网络节点的归一 化的聚类系数的归一化分布的矢量所替代。根据通过主要组分分解而来的数据来调校该计 算模型，其中保持=个第一组分并且回归数的随机森林将数据拟合于HVPG测量值。图4示 出了用于来自袋外数据的测量的HVPG(当前评估患有硬变的患者的风险的金标准）的疾病 模型的预测值。类似地，其他应用领域是监测治疗效果（即肿瘤治疗）、预后W及健康组织 和异常组织（即肿瘤）的分化。
【主权项】
1. 一种基于医学图像评估血管网络的计算机实施的方法，所述方法包括针对活对象的 身体部位或组织，例如器官，通过计算机工具获取和分析得自对比增强信号的二维或更多 维的视频序列的图像信息，所述信号例如超声、相干层析成像、荧光图像或磁共振成像，其 特征在于，所述方法还包括以下步骤： -从视频序列的所述信息检测事件； -选择所述身体部位或组织的感兴趣区域； -对表现视频序列的所述图像信息的局部血管网络的第一图进行计算，其中根据视频 序列组内的视频序列的所述图像信息的空间远程信号之间的瞬时关系来估计所述图的边 缘；以及 -使用所述图评估血管网络。2. 根据权利要求1所述的方法，其中对血管网络的所述评估包括根据疾病的预测模型 通过使用所述第一计算的血管网络图的图特征组来计算所述活对象、器官或组织的特异性 风险因子。3. 根据权利要求1所述的方法，其中当获取和分析视频序列的所述图像信息时，执行 对事件的所述检测。4. 根据权利要求1至3中任一项所述的方法，其中对表现局部血管网络的所述第一图 进行计算还包括以下步骤： -当执行所述获取和分析时，补偿所述身体部位或组织的运动和变形；以及 -补偿视频序列的所述获取和分析的图像信息。5. 根据权利要求1至3中任一项所述的方法，还包括计算所述计算的图的图测量值以 得到减少的特征组。6. 根据权利要求4所述的方法，其中补偿所述身体部位或组织的运动和变形的所述步 骤借助空间补偿策略通过以下中的至少一种来计算：斑点追踪成像、非刚性配准、块匹配、 类似性的局部测量或类似性的全局测量。7. 根据权利要求4所述的方法，其中补偿所述身体部位或组织的视频序列的所述获取 和分析的图像信息的所述步骤借助强度补偿策略，通过以下中的至少一种来计算：声波传 播模型、对所述图像信息的局部均衡、对所述图像信息的全局均衡或针对特定的解剖学标 志回波密度的图像归一化。8. 根据权利要求1至3中任一项所述方法，其中所述身体部位或组织的所述感兴趣区 域通过以下标准中的至少一个来选择： a) 通过用户界面引入； b) 通过特定的算法自动估计以选择感兴趣区域； c) 在检测所述事件之前和之后的像素变化的绝对值最大的那些区域中自动估计； d) 在所述事件之前和之后的像素变化的绝对值超过特定的阈值的那些区域中自动估 计； e) 在换能器的任意位置自动估计； f) 所述步骤c)、d)和e)的加权组合；或 g) 通过用户界面调节。9. 根据权利要求1至3中任一项所述的方法，其中对视频序列组内的视频序列的所述 图像信息的空间远程信号之间的瞬时关系的所述估计借助以下方法中的一种来计算： -借助统计参数图（SPM)、交叉相关分析（CCA)或相干性分析（CA);或预定义的瞬时局 部血管模型来计算基于模型的手段； -借助模块化图分解、主要组分分析、独立组分分析、聚类、模糊聚类分析或分级聚类分 析来计算无模型手段。10. 根据权利要求1至3中任一项所述的方法，其中所述活对象的所述特异性风险因子 还通过整合至少额外的第二并且不同的计算图的信息来计算。11. 根据权利要求1至3中任一项所述的方法，其包括通过以下手段中的至少一种来计 算减少的图特征的组： _使用以下标准中的一种或多种的标准图分析：聚类系数、路径长度、全局效率、局部 效率、小沉默、度或分布度； -使用任意以下标准的谱图分析：特征多项式、特征值或特征矢量； -使用任意以下标准的功效图分析：在功效图和功效节点中的图分解、最小功效图、功 效图贪心算法或模块化图分解； _使用任意以下标准的分层图分析：由集合套排序、分层隐马尔可夫模型、分层聚类或 分层贝叶斯法。12. 根据权利要求2或3所述的方法，其中所述疾病预测模型是计算机模型、统计学模 型、数据模型、图模型、决定模型或系统模型、一般线性模型、支持向量机回归模型、随机森 林、决策树、生成模型、判别模型。13. 根据权利要求2、3或9所述的方法，其中来自所述疾病预测模型的所述特异性风险 因子包括使用关于所述活对象的数据信息，其中所述数据信息包括使用以下方面中的至少 一种：生物化学信息、弹性图信息、成像信息、临床信息、基因信息、表观信息、蛋白质表达或 折叠信息或当前复合评分信息。14. 根据权利要求2或3所述的方法，其中由复杂生物学系统计算来自所述疾病预测模 型的所述特异性风险因子，所述复杂生物学系统的输入是由选自细胞自动机、复合自适应 系统、生理学模拟器、血管图式模型等之间的图或多图分析的参数来完成。15. 根据权利要求1至3中任一项所述的方法的用途，用于监测患有慢性肝病和肝硬变 的患者、用于诊断异常的血管形成或肿瘤、用于监测特定的医疗状况的治疗效果，所述特定 医疗状况是任意以下状况：具有发展成纤维化的健康和异常的组织或器官或身体部位的肿 瘤学、急性或分化的预后分级。
【专利摘要】方法包括针对活对象的身体部位或组织，例如器官，通过计算机工具获取和分析得自对比增强信号的二维或更多维的视频序列的图像信息，所述信号例如超声、相干层析成像、荧光图像或磁共振成像；从视频序列的所述信息检测事件；选择所述身体部位或组织的感兴趣区域；计算表现所述视频序列的图像信息的局部血管网络的第一图，其中根据视频序列组内的视频序列的所述图像信息的空间远程信号之间的瞬时关系来估计所述图的边缘；以及使用所述图评估血管网络。
【IPC分类】G06T7/00
【公开号】CN105229699
【申请号】CN201480025333
【发明人】I·阿马·罗尔丹, J·博什·吉诺瓦, A·贝尔齐戈蒂, M·R·格力堡·索勒
【申请人】外密景专家公司, 生物医学研究基金会, 巴塞罗那省级医院, 巴塞罗那大学, 肝病和消化疾病生物医药研究中心
【公开日】2016年1月6日
【申请日】2014年3月20日
【公告号】CA2907697A1, EP2784748A1, US20160042514, WO2014155174A1, WO2014155174A8