專利名稱：醫(yī)學(xué)圖像中的異常檢測(cè)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明通常涉及數(shù)字圖像處理領(lǐng)域，并且尤其涉及醫(yī)學(xué)圖像中的 異常檢測(cè)。
背景技術(shù)：
醫(yī)學(xué)成像在許多疾病的篩查、診斷和/或治療中起著重要的作用， 因?yàn)獒t(yī)學(xué)圖像使得醫(yī)生能夠看到患者的內(nèi)部解剖結(jié)構(gòu)或者能夠顯現(xiàn)生理或新陳代謝的信息。各種不同的成像技術(shù)或模態(tài)(modality)可以 用在臨床醫(yī)學(xué)中。 一些眾所周知的技術(shù)/模態(tài)包括X射線和計(jì)算機(jī)斷層 攝影法(CT)、超聲、核醫(yī)學(xué)、超聲波成象以及核磁共振成像(MRI )。 X射線和CT、超聲和MRI產(chǎn)生解剖結(jié)構(gòu)的圖像，而核醫(yī)學(xué)產(chǎn)生描述放 射性化合物在各個(gè)組織(器官或腫瘤)中的體內(nèi)分解或新陳代謝攝取 的圖像。其他用于對(duì)生理系統(tǒng)的功能特征進(jìn)行成像的模態(tài)包括功能MRI (fMRI)、單光子發(fā)射型計(jì)算機(jī)斷層攝影(SPECT)和正電子發(fā)射計(jì)算 機(jī)斷層攝影(PET)。還有其他模態(tài)通過使用放置在顯微鏡內(nèi)部的照相 機(jī)捕獲內(nèi)部結(jié)構(gòu)的靜止圖像或視頻流。這些模態(tài)包括結(jié)腸鏡檢查、支 氣管鏡檢查、內(nèi)窺鏡檢以及膠嚢內(nèi)窺鏡檢查。不同的技術(shù)/模態(tài)都具有它們的優(yōu)勢(shì)和劣勢(shì)。例如，X射線成像具 有高空間和亮度分辨率，很詳細(xì)地顯示了骨頭結(jié)構(gòu)，并且使用起來相 對(duì)便宜；然而，它呈現(xiàn)給觀察者的是疊加的結(jié)構(gòu)的復(fù)雜二維(2D)視 圖。X射線成像還難以分辨軟組織特征。MRI的優(yōu)勢(shì)在于用高對(duì)比度和高空間分辨率顯示軟組織的三維圖 像，并且它不涉及離子輻射(如X射線和CT那樣)；然而，MRI不能 對(duì)骨頭進(jìn)行很好的成像?；赬射線吸收的CT成像產(chǎn)生骨頭結(jié)構(gòu)的3D 圖像以及比較清晰的軟組織3D圖，雖然MRI仍是觀察軟組織的優(yōu)選模 態(tài)。超聲波成像容易攜帶，相對(duì)便宜，并且不涉及離子輻射。它具有 高空間分辨率并且非?？欤軐?shí)現(xiàn)實(shí)時(shí)幀獲取速率。新近，發(fā)現(xiàn)了超 聲波的一個(gè)唯一并且潛在很強(qiáng)大的應(yīng)用測(cè)量組織的彈性，這對(duì)于辨別例如乳房的胂瘤組織與健康組織非常有用。超聲波的劣勢(shì)在于它不 能容易地穿過氣體或骨頭成像，使得它難以獲得一些器官的圖像。核醫(yī)學(xué)提供了描述新陳代謝信息的圖像，新陳代謝信息可以作為病理狀況的早期指示；然而，由于圖像中缺少結(jié)構(gòu)信息它難以準(zhǔn)確定位身體中的異常位置。SPECT使用斷層攝影原理來從附近的組織切片提供一 系列的2D核 醫(yī)學(xué)圖像，實(shí)現(xiàn)了 3D核醫(yī)學(xué)圖像；然而，稍微降低了空間分辨率。PET 也是一種測(cè)量生理和功能的斷層攝影技術(shù)，相比SPECT圖像，提供了 具有更高空間分辨率和更高信噪比(SNR)的圖像。然而，PET系統(tǒng)非 常昂貴，因?yàn)樾枰匦铀倨鳟a(chǎn)生發(fā)射正電子的核素。fMRI在臨床應(yīng) 用中并不經(jīng)常使用，除了外科規(guī)劃，外科規(guī)劃目的是確定對(duì)應(yīng)于特定 認(rèn)知任務(wù)的腦部區(qū)域，以便在手術(shù)過程中避免這些區(qū)域。顯微鏡使得能夠直觀檢查身體內(nèi)部，諸如支氣管(支氣管鏡檢)、 結(jié)腸(結(jié)腸鏡檢查)或上消化道(內(nèi)窺鏡檢查)。膠嚢內(nèi)窺鏡檢查實(shí) 際上并不使用顯微鏡，而是使用包含照相機(jī)的可吞服膠嚢，該照相機(jī) 在通過整個(gè)消化道時(shí)獲取圖像。對(duì)于患者而言，膠嚢內(nèi)窺鏡檢查比內(nèi) 窺鏡檢查更為舒適，并且允許看到結(jié)腸深處。然而，膠嚢和/或照相機(jī) 不能像顯微鏡那樣被控制或固定在某些感興趣的區(qū)域。在一些臨床應(yīng)用中，使用兩個(gè)或更多模態(tài)來捕獲醫(yī)學(xué)圖像。在一 些應(yīng)用中，使用來自一個(gè)模態(tài)的圖像來篩查疾病，然后捕獲來自另一 個(gè)模態(tài)(通常具有更高的分辨率和/或診斷效用)的隨后圖像以核實(shí)診 斷或者評(píng)估該疾病的進(jìn)展。 一個(gè)這樣的示例是當(dāng)使用胸部(x射線)射 線照相來篩查肺結(jié)核、肺癌或其他呼吸疾病?？梢傻陌l(fā)現(xiàn)會(huì)促使放射 科醫(yī)師要求CT成像，以提供受感染區(qū)域的高分辨率3-D顯影。另一個(gè) 示例是用于篩查乳癌的(X射線)乳房X線照相；乳癌的肯定指示可以 要求乳房的3D MRI，以進(jìn)一步調(diào)查腫瘤。篩查過程的一個(gè)更近的示例 是使用CT圖像用于虛擬結(jié)腸鏡檢查；確認(rèn)了可疑區(qū)域或息肉導(dǎo)致隨后 的結(jié)腸鏡檢查。除了在篩查/核實(shí)的過程中使用來自多個(gè)模態(tài)的圖像，多模態(tài)醫(yī)學(xué) 成像另一個(gè)常見用途是同時(shí)提供結(jié)構(gòu)和功能信息。例如，在腦部成像 中，當(dāng)懷疑或診斷癌癥時(shí)，可以獲取CT和/或MR圖像以顯示腦部和任 何異常的結(jié)構(gòu)，并且可以獲取PET或SPECT圖像來顯示肺瘤或損害的任何新陳代謝行為。為了檢查肺部、肝部以及腎部的圖像，也使用胸部CT和PET圖像的組合。CT/PET組合頗受歡迎，并且能夠同時(shí)捕獲這 兩種模態(tài)的設(shè)備已經(jīng)出現(xiàn)在市場上(通用電氣的Discovery LSPET/CT 系統(tǒng)和西門子的biographTM是兩個(gè)例子)。在其他情況中，可以獲得來自多個(gè)模態(tài)的圖像，即使這些模態(tài)提 供了某種結(jié)構(gòu)信息。腦部或腹部或校正部位(orthopedic site)的CT 和MR圖像可以在不同的時(shí)刻獲取。超聲彈性成像(sonoelasticity ) 的出現(xiàn)，或使用超聲成像測(cè)量組織的彈性，可以用于檢查乳房的彈性， 提供補(bǔ)充乳房X線照片或MR乳房圖像的結(jié)構(gòu)信息。然而，盡管醫(yī)學(xué)成像模態(tài)提供了很多種可視信息，但還是難以檢 測(cè)或診斷許多疾病。例如， 一個(gè)組織估計(jì)大約2(T/i的乳癌不能被乳房X 線照相檢測(cè)到。在檢測(cè)各種類型的癌癥和其他疾病的努力中，許多研究者已經(jīng)開 發(fā)了幫助放射科醫(yī)師檢測(cè)異常的計(jì)算機(jī)輔助檢測(cè)/診斷(CAD)技術(shù)。已知針對(duì)乳房X線照相的CAD技術(shù)。例如，參考US專利No. 5633948、 5732697、 5941832、 6075878、 6266435、 6272233、 6418237 和6553356以及US專利申請(qǐng)No. 2001/0031076和2002/0057826。也已知用于肺結(jié)節(jié)檢測(cè)的CAD技術(shù)。例如，參考US專利 No.5539838、 5825936、 5881124、 5987094、 6125194和6609021， US 專利申請(qǐng)No. 2003/0076992 、 2003/0095696 、 2003/0099388和 2003/0105395以及歐洲專利號(hào)EP11294626、 EP1249006和EP1395165。用于直腸癌檢測(cè)的CAD在US專利No. 4981783、5628341和5983211 以及US專利申請(qǐng)No. 2002/0187502、 2002/0022240和2003/0032860 中有所描述。骨質(zhì)疏;&癥和骨病是US專利No. 4913157、 5247934、 5673298、 5817020、 5902240和6143506的CAD才支術(shù)的主題。盡管這些現(xiàn)有技術(shù)幫助從業(yè)醫(yī)生檢測(cè)和/或診斷疾病，它們應(yīng)用于 單個(gè)醫(yī)學(xué)圖像或者來自單個(gè)模態(tài)的多個(gè)醫(yī)學(xué)圖像。在配準(zhǔn)和/或融合來自多個(gè)模態(tài)的圖像方面已經(jīng)取得了 一些進(jìn)展。 例如，US專利No. 626645 3 ( Hibbard)涉及一種在圖形用戶界面(GUI ) 上顯示多模態(tài)圖像數(shù)據(jù)(CT+MRI或CT+PET腦部圖像)的系統(tǒng)，實(shí)現(xiàn)了 手動(dòng)或自動(dòng)配準(zhǔn)和融合。US專利號(hào)6539127 ( Roche )涉及一種用于基于數(shù)據(jù)集之間的相關(guān)比，配準(zhǔn)通常的多模態(tài)圖像數(shù)據(jù)的方法。US專利 號(hào)6640130 (Freeman)涉及一種融合組織或器官的解剖圖像和光譜圖 像的系統(tǒng)。US專利申請(qǐng)No. 2003/0216631 (Bloch)采用自由形態(tài)變 形來配準(zhǔn)PET和CT胸部和腹部圖像。雖然這些方法和系統(tǒng)涉及來自多 個(gè)模態(tài)的圖像的配準(zhǔn)和融合，它們并沒有解決如何利用多模態(tài)圖像提 供檢測(cè)和/或診斷疾病的增強(qiáng)方法?，F(xiàn)有的CAD方法和系統(tǒng)應(yīng)用于單獨(dú)的醫(yī)學(xué)圖像或者來自單個(gè)模態(tài) 的多個(gè)醫(yī)學(xué)圖像，照此，當(dāng)應(yīng)用到來自多個(gè)模態(tài)的圖像集時(shí)，它們并 不是最優(yōu)的。配準(zhǔn)和融合技術(shù)雖然能夠向從業(yè)醫(yī)生提供可視化的有用 信息，但是不能提供與CAD系統(tǒng)一樣水平的輔助。本發(fā)明通過提供一種使用來自多個(gè)模態(tài)的圖像進(jìn)行疾病或異常的 計(jì)算機(jī)輔助檢測(cè)和/或診斷的系統(tǒng)和方法，來解決現(xiàn)有技術(shù)的問題和限制。發(fā)明內(nèi)容本發(fā)明的目的在于提供一種使用來自多個(gè)模態(tài)的圖像進(jìn)行疾病或 異常的計(jì)算機(jī)輔助檢測(cè)和/或診斷的系統(tǒng)和方法。提供的任何目的僅通過說明性示例給出，并且這些目的可以是本 發(fā)明的一個(gè)或多個(gè)實(shí)施例的示范。本發(fā)明本身可以實(shí)現(xiàn)的其他希望的 目的和優(yōu)勢(shì)對(duì)本領(lǐng)域技術(shù)人員來說是顯而易見的。本發(fā)明由隨附的權(quán) 利要求書限定。根據(jù)本發(fā)明的一個(gè)方面，提供了一種用于在對(duì)象的醫(yī)學(xué)圖像中檢 測(cè)異常的系統(tǒng)。該系統(tǒng)包括檢查束(examination bundle)、學(xué)習(xí)引 擎以及檢測(cè)引擎。所述檢查束包括至少一個(gè)來自第一模態(tài)的對(duì)象的醫(yī) 學(xué)圖像以及至少一個(gè)來自第二模態(tài)的對(duì)象的醫(yī)學(xué)圖像。采用所述學(xué)習(xí)引擎以確定位于該至少一個(gè)來自第一模態(tài)的醫(yī)學(xué)圖像以及該至少一個(gè) 來自第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征。采用所述檢測(cè)引擎檢測(cè)構(gòu)成檢查束的醫(yī)學(xué)圖像中的至少一個(gè)內(nèi)的異常。


如附圖所示，從以下對(duì)本發(fā)明實(shí)施例的更具體的描述中可以清楚 明確本發(fā)明的上述以及其他目的、特征和優(yōu)勢(shì)。附圖的元件并不一定相對(duì)于彼此成比例。圖1示出了在多模態(tài)檢查過程中捕獲的圖像的示意性框圖。圖2 A示出了根據(jù)本發(fā)明的用于檢測(cè)患者的醫(yī)學(xué)圖像中的異常的系 統(tǒng)的框圖。圖2B示出了圖2A的系統(tǒng)的另一實(shí)施例的框圖。圖3A示出了根據(jù)本發(fā)明的檢測(cè)引擎的實(shí)施例的框圖。圖3B示出了根據(jù)本發(fā)明的檢測(cè)引擎的另 一 實(shí)施例的框圖。圖4示出了圖2B的系統(tǒng)的又一實(shí)施例的框圖。圖5示出了根據(jù)本發(fā)明的示范性異常檢測(cè)方法。圖6示出了根據(jù)本發(fā)明的用于檢測(cè)患者醫(yī)學(xué)圖像中異常的系統(tǒng)的 另一實(shí)施例的框圖。圖7示出了根據(jù)本發(fā)明的用于檢測(cè)患者醫(yī)學(xué)圖像中異常的系統(tǒng)的 又一實(shí)施例的框圖。圖8示出了根據(jù)本發(fā)明的示范性異常檢測(cè)方法。圖9A示出了根據(jù)本發(fā)明的示范性異常檢測(cè)方法。圖9B示出了不同乳房組織的圖像像素/體素的強(qiáng)度增加的圖。圖9C進(jìn)一步示出了圖9B的圖。圖9D示出了識(shí)別動(dòng)態(tài)系統(tǒng)行為的一般方法的圖解說明。 圖9E示出了動(dòng)態(tài)系統(tǒng)建模的示范性實(shí)現(xiàn)。
具體實(shí)施方式
下面將參考附圖對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)描述，在附圖中 相同的參考數(shù)字表示每個(gè)附圖中相同的結(jié)構(gòu)元素。在以下描述中，將說明本發(fā)明的各個(gè)方面。為了解釋的目的，將 陳述具體配置和細(xì)節(jié)，以提供本發(fā)明的全面理解。然而，對(duì)本領(lǐng)域技 術(shù)人員顯而易見的是，可以實(shí)施本發(fā)明而無需此處所述的具體細(xì)節(jié)。 此外，為了避免混淆本發(fā)明將省去或簡化公知的特征。在通過至少兩個(gè)模態(tài)對(duì)患者進(jìn)行典型成像檢查的過程(下文中稱 為多模態(tài)檢查)中，可以捕獲或重建來自每個(gè)模態(tài)的一個(gè)或多個(gè)圖像。由特定的模態(tài)捕獲或重建的圖像可以是二維(2D)圖像(包含在 某個(gè)二維坐標(biāo)系統(tǒng)中尋址(address)的像素)、三維(3D)圖像(包 含在某個(gè)三維參考系統(tǒng)中尋址的體素)、或四維(4D)圖像(包含在某個(gè)四維參考系統(tǒng)中尋址的體素)。注意3D圖像可以由一系列2D圖 像或切片表示。第三維可以代表空間維或時(shí)間維，如在2D圖像的時(shí)間 序列中。根據(jù)模態(tài)，可以單獨(dú)或連續(xù)地作為視頻序列的幀來分析圖像。沒 有上下文(context)的孤立圖像或幀的價(jià)值有限。在圖像采集過程之 前或期間常?？傻玫揭恍┥舷挛男畔?；在圖像采集之后隨著圖像的處 理可以收集或產(chǎn)生其他上下文信息。任何上下文信息將被稱為元數(shù)據(jù)。 元數(shù)據(jù)是非像素或體素?cái)?shù)據(jù)的任何信息，例如，伴隨許多數(shù)字圖像文 件的圖像報(bào)頭數(shù)據(jù)。現(xiàn)在參考圖1,示出了根據(jù)本發(fā)明的在多模態(tài)檢查過程中捕獲的圖 像的框圖。在多模態(tài)檢查過程中捕獲的所有圖像的完整集合以及任何 相應(yīng)的元數(shù)據(jù)，在圖1中作為檢查束100示出。檢查束100包括一群 模態(tài)實(shí)例102和包含一般元數(shù)據(jù)104的部分。每個(gè)模態(tài)實(shí)例102包括 模態(tài)實(shí)例特有元數(shù)據(jù)106和一個(gè)或多個(gè)圖像分組(packet) 108。模態(tài) 實(shí)例特有元數(shù)據(jù)106包含關(guān)于模態(tài)的信息和/或捕獲或重建的圖像的實(shí) 例所特有的信息。這類信息可以包括模態(tài)名稱和從業(yè)醫(yī)生在實(shí)施該模 態(tài)時(shí)為圖像捕獲的特定實(shí)例所選擇的任何相關(guān)設(shè)置。圖像分組108包括兩個(gè)部分已經(jīng)被捕獲或重建的圖像的像素或 體素?cái)?shù)據(jù)110、和圖像特有(image specific )元數(shù)據(jù)112。圖像特有元數(shù)據(jù)112可以進(jìn)一步被細(xì)分成圖像特有采集數(shù)據(jù)114、 圖像特有身體數(shù)據(jù)116和圖像特有推斷數(shù)據(jù)118。圖像特有采集數(shù)據(jù)114包括圖像分組108中的特定圖像數(shù)據(jù)110 的采集所特有的信息，諸如2D視圖(例如軸向的、冠狀的或矢狀的)、 圖像協(xié)議、切片厚度、患者相對(duì)于成像系統(tǒng)的方位(例如，對(duì)于胸部 射線照相，后面-前面、前面-后面、或側(cè)面)；圖像序列的幀信息(例 如索引號(hào)、捕獲速率、捕獲時(shí)間等)、或者顯微鏡成像的曝光水平 (exposure level )。圖像特有身體數(shù)據(jù)116包括諸如捕獲圖像時(shí)患者的相對(duì)位置、或 諸如血壓、溫度、體重等的非圖像感測(cè)特征之類的信息。圖像特有推斷數(shù)據(jù)118包括圖像內(nèi)所檢測(cè)到的異常的位置和描述， 以及已經(jīng)識(shí)別的任何病理。這個(gè)數(shù)據(jù)可以從從業(yè)醫(yī)生或通過自動(dòng)化方 法獲得。一般元數(shù)據(jù)104包括諸如下述的信息檢查的日期、患者身份、 咨詢醫(yī)生的名字或身份、檢查的目的、可疑異常和/或診斷、以及任何 與檢查束100相關(guān)的信息。它還可以包括一般圖像信息，諸如圖像存 儲(chǔ)格式(例如RAW、 DIC0M、 TIFF、 JPEG等)、行數(shù)和每行像素?cái)?shù)。應(yīng) 理解的是一般元數(shù)據(jù)或圖像特有元數(shù)據(jù)的順序和具體內(nèi)容可以發(fā)生變 化而不改變檢查束的功能。呈現(xiàn)在醫(yī)學(xué)圖像中的異常可以多種方式來表征和檢測(cè)。 一個(gè)常用 的表征是通過形狀模型。某些異常具有獨(dú)特的幾何形狀，并且它們的 尺寸有助于檢測(cè)以及疾病分階段和預(yù)后。例如， 一些腫瘤為圓形，具 有特殊的輪廓，而且趨向于尺寸變大。在這些情況中，可以認(rèn)為異常 檢測(cè)是在醫(yī)學(xué)圖像中尋找具有特定形狀的圖案的任務(wù)。這些圖案可以 由一組幾何圖元(geometric primitive )來描述，所述幾何圖元包括 角、邊、交叉點(diǎn)、分支點(diǎn)、線、圓、輪廓等。這些幾何圖元通過適應(yīng) 于特殊圖元的方式來檢測(cè)。例如，角檢測(cè)包括通過找到強(qiáng)度表面梯度 上的最大值來識(shí)別具有獨(dú)特強(qiáng)度鄰點(diǎn)(neighbor)的點(diǎn)。線可以通過 各種邊檢測(cè)方案或者通過在霍夫(Hough)變換空間(由圖像中線的位 置和方向參數(shù)化的空間)中尋找最大值來檢測(cè)。類似地，圓可以由它 們的圓心和半徑來參數(shù)化，并且可以通過霍夫變換來檢測(cè)。這對(duì)檢測(cè) 圓形腫瘤是個(gè)有效的方法。使用廣義霍夫變換，也可以檢測(cè)圖像中的 橢圓。此外，通過引入異常的先驗(yàn)知識(shí)，諸如位置、尺寸或取向，可 能改進(jìn)檢測(cè)性能。另一個(gè)表征異常的方法是通過模板，例如彈性模型。然后可以通 過模板匹配來實(shí)現(xiàn)異常檢測(cè)。對(duì)于彈性模型，模板由一組控制點(diǎn)和彈 性邊進(jìn)行建模。這提供了比幾何圖元可能的更有力的表示。某些身體 部位或異常具有獨(dú)特的形狀，并非直線或圓，但是可以由模板有效地 進(jìn)行建模。可得到一些先驗(yàn)知識(shí)用于模板設(shè)計(jì)，諸如異常的一般結(jié)構(gòu)、 平滑度、控制節(jié)點(diǎn)的數(shù)量和彈力。通過找到使得預(yù)定能量項(xiàng)最小化的 模板參數(shù)集合來進(jìn)行圖像內(nèi)的模板匹配。能量項(xiàng)定義了模板能多好地 符合圖像部分、內(nèi)力和外力。通常通過迭代過程執(zhí)行優(yōu)化，以找到可 能最好的匹配。如果具有最佳參數(shù)集的最終能量大于某個(gè)閾值，則檢 測(cè)到異常。在異常并不容易用幾何圖元或模板來表征的更為復(fù)雜的情況中，可以4吏用更為一般的模式(pattern classification)分類4支術(shù)。模 式分類(也稱為模式識(shí)別(pattern recognition))包含多種檢測(cè)和 /或分類信號(hào)中的對(duì)象的技術(shù)。所述信號(hào)包括諸如2D圖像、3D圖像或 其他表示形式的數(shù)據(jù)，并且可以通過多種信號(hào)采集模態(tài)獲得。在醫(yī)學(xué) 成像模態(tài)中，信號(hào)通常代表物理對(duì)象(具體指人類患者)，并且要檢 測(cè)和/或分類的對(duì)象包括異常，諸如疾病損害、腫瘤或各種解剖結(jié)構(gòu)或 區(qū)域。模式分類的任務(wù)是從采集的信號(hào)中提取特征矢量、或數(shù)據(jù)的任 何抽象表征，并且使用提取的特征矢量將對(duì)象分配到一種類或類別。 模式分類引擎或分類器執(zhí)行這個(gè)任務(wù)并且在使用之前接受訓(xùn)練。分類器的訓(xùn)練涉及從一組示例模式中(稱為訓(xùn)練集)學(xué)習(xí)類別特 征。不同學(xué)習(xí)類型的兩個(gè)示例是監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí) 被定義為設(shè)法減小與訓(xùn)練集中每個(gè)模式的希望輸出(類別標(biāo)簽)相關(guān) 的成本函數(shù)的學(xué)習(xí)過程。非監(jiān)督學(xué)習(xí)被定義為缺少關(guān)于希望輸出的外 部信息(即沒有對(duì)訓(xùn)練集中的示例模式分配類別標(biāo)簽)的、基于相似 性或不相似性自組織或群集(cluster)模式的學(xué)習(xí)過程。(參見 "Pattern Classification ，， ， Richard 0-Duda， Peter E.Hart和 David G. Stork，第二版，John Wi ley & Sons, Inc. ， 2001 )。也存在 上述兩個(gè)學(xué)習(xí)方法的變型，諸如增強(qiáng)學(xué)習(xí)，其中分類器通過為訓(xùn)練集 中的每個(gè)模式計(jì)算臨時(shí)類別標(biāo)簽并且使用已知類別標(biāo)簽來改進(jìn)已學(xué)習(xí) 的特征，來學(xué)習(xí)類別特征。從示例模式中提取的類別特征可以包括與模式的代碼值、模式的 空間特性、模式序列的時(shí)間特性相關(guān)的特性，或與模式的變換表示相 關(guān)的特性。訓(xùn)練和分類算法可以從變換的圖像域提取代表性的"屬性"，而 不是直接使用圖像像素。 一個(gè)示范性的變換的圖像域是小波域(例如 參考G. Fan和X. G. Xia， "Maximum 1 ikel ihood texture analysis and classification using wavelet domain hidden markov models" ， Proc. Of the 34th Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA， Oct. 29-Nov. 1， 2000 )。為了說明實(shí)際的例子， 考慮六個(gè)帶內(nèi)屬性由從單個(gè)小波帶獲取的八個(gè)哈爾(Haar)小波系數(shù) 的組構(gòu)成——2 x 2 H L ， 2 x 2LH， 4 x ■， 4 x 4LH， 8 x 8HL， 8 x 8LH。 六個(gè)頻率間屬性由/\個(gè)系數(shù)的組構(gòu)成，每一個(gè)針對(duì)以下組合16x16和8x8 HLj 8x8和4x4 HLj 4 x 4和2 x 2 HLj 16 x 16和8 x 8 LHj 8x8和4x4LHj 4x4和2x2LH。四個(gè)取向(orientation)間屬性 由在2x2、 4x4、 8 x 8和16 x 16帶提取(4個(gè)從HL提取，4個(gè)從LH 提取)的八個(gè)哈爾小波系數(shù)的組構(gòu)成。另一個(gè)屬性由八個(gè)系數(shù)組成； 該屬性在所有八個(gè)小波帶(16 x 16、 8x8、 4x4、 2x2 HL和LH )中 從相應(yīng)空間位置提取一個(gè)系數(shù)。本領(lǐng)域技術(shù)人員可以選擇任何其他的 屬性組合用于不同的應(yīng)用。訓(xùn)練和分類算法也可以從在空間域中變換的圖像提取代表性"屬 性"。 一個(gè)示范性空間域變換是網(wǎng)格(Grid Pattern)變換(例如參 考S. Chen， "Method for locating faces in color images" US專 利申請(qǐng)序列號(hào)10/211011，此處引入以供參考)。為了計(jì)算網(wǎng)格(GP) 圖像，首先將原始圖像轉(zhuǎn)換為積分圖像(例如參考P. Viola和M. Jones, "Robust real—time object detection" ， Second international workshop on statistical and computational theories of vision-Modeling, learning, computing, and sampling, Vancouver, Canada, Julyl3， 2001 )。然后使用積分圖像中的對(duì)應(yīng)單元(mxn像素)的四 個(gè)角點(diǎn)計(jì)算GP圖像的每個(gè)像素。積分圖像中像素p。'的計(jì)算由下式給出 B(P》SA(Pi)，其中A(Pi)llPi沐。ll定義了原始圖像A中的區(qū)域。這里，Pi是原點(diǎn)在左 上角的2D圖像平面中的矢量。圖像A中的像素p。對(duì)應(yīng)于圖像B中的像 素P。'。在得到積分圖像后，計(jì)算網(wǎng)格圖像。圖像B中的單元由四個(gè)角點(diǎn) 定義P,， ， p2， ， p3，和P/ 。 GP圖像的對(duì)應(yīng)單元中的像素強(qiáng)度值的 計(jì)算由下式表示9 =丄(B(P'4) + B(p;) 一 B(p'2) 一 B(p'3 ))| —,簡,P4 J' 其中0b1,P2,P3,P4]是由GP圖像中的p,， p2， P3和P4定義的單元，P是單元^Pl，P2,P3,P4]中的任何像素，的。是積分圖像中位置Px'處的像素值(這里p^p,， ， p2=p2, ， p3=p3， ， p4=p4， ) ， m是單元高度，n是 單元寬度。在本發(fā)明中，訓(xùn)練集可以包括一組檢查束、 一組模態(tài)實(shí)例、 一組 圖像分組、 一組圖像，或這些對(duì)象的任意組合。除了從圖像本身中提 取示例模式(pattern)的特征，也可以從一般元數(shù)據(jù)、模態(tài)實(shí)例特有 元數(shù)據(jù)或者圖像特有元數(shù)據(jù)提取特征。例如，在一些實(shí)例中，諸如年 齡、性別、體重、種族之類的患者人口統(tǒng)計(jì)學(xué)數(shù)據(jù)顯示出與某些情況 的發(fā)生相關(guān)；這些關(guān)于特定患者的人口統(tǒng)計(jì)學(xué)數(shù)據(jù)可以從一般元數(shù)據(jù) 中提取并且用作額外屬性供訓(xùn)練。現(xiàn)在參考圖2，示出了根據(jù)本發(fā)明的用于在患者的醫(yī)學(xué)圖像中檢測(cè) 異常的系統(tǒng)的框圖。通常，該系統(tǒng)包括檢查束200，其包含至少一個(gè)來 自第一模態(tài)的患者的醫(yī)學(xué)圖像和至少一個(gè)來自第二模態(tài)的患者的醫(yī)學(xué) 圖像；學(xué)習(xí)引擎202，用于確定來自這兩個(gè)模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的 特征；以及檢測(cè)引擎204，用于在檢查束的至少一個(gè)醫(yī)學(xué)圖像內(nèi)檢測(cè)異常。在本發(fā)明的實(shí)施例中，如圖2B所示，學(xué)習(xí)引擎202包括用于確定 第一模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征的第一學(xué)習(xí)模塊206和用于確定 第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征的第二學(xué)習(xí)模塊208。此外，檢測(cè) 引擎204包括用于檢測(cè)至少一個(gè)第一模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的笫一 檢測(cè)模塊210和用于檢測(cè)至少一個(gè)第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的第 二檢測(cè)模塊212。第一和第二學(xué)習(xí)模塊206和208存儲(chǔ)有關(guān)異常的特征的信息。這 些特征可以從一般元數(shù)據(jù)104、模態(tài)實(shí)例特有元數(shù)據(jù)106、圖像特有元 數(shù)據(jù)112和/或一個(gè)或多個(gè)圖像的像素或體素?cái)?shù)據(jù)110自動(dòng)提取或手動(dòng) 提供。存儲(chǔ)的信息可以包括關(guān)于下述的信息描述異常的幾何圖元或 形狀模型、描述異常的模板或模板參數(shù)、從包含異?；虿话惓５?圖像中提取的特征、或者示范性異常模式的訓(xùn)練集。存儲(chǔ)的信息還可 以包括權(quán)重，該權(quán)重描述該信息在描述異常時(shí)的相對(duì)重要性。在采用 模式分類技術(shù)的實(shí)施例中，第一和第二學(xué)習(xí)模塊206和208可以使用 存儲(chǔ)的信息訓(xùn)練將在隨后的檢測(cè)引擎204中使用的分類器。檢測(cè)引擎204將檢查束200和學(xué)習(xí)引擎202作為輸入，如圖2A和2B中的箭頭所示。在圖2B的實(shí)施例中，第一和第二檢測(cè)模塊210和 212比較呈現(xiàn)在檢查束200中的信息與第一和第二學(xué)習(xí)模塊206和208 提供的存儲(chǔ)信息，以便檢測(cè)異常的存在。該比較可以是各種形式的。在一個(gè)示例中，可以查找檢查束200 的一個(gè)或多個(gè)圖像的像素或體素?cái)?shù)據(jù)110，以便找到列在學(xué)習(xí)模塊206 和208的存儲(chǔ)信息中的任何幾何圖元或形狀模型的任何實(shí)例。在另一 個(gè)示例中，可以對(duì)檢查束200中的一個(gè)或多個(gè)圖像的像素或體素?cái)?shù)據(jù) IIO執(zhí)行模板匹配，以便找到任何這樣的實(shí)例，其中圖像包含由學(xué)習(xí)模 塊206和208的存儲(chǔ)信息中的模板所描述的異常。在另一個(gè)示例中， 來自檢查束200的一個(gè)或多個(gè)圖像的像素或體素?cái)?shù)據(jù)110中的一個(gè)或 多個(gè)區(qū)域的特征可以被提取并使用已經(jīng)被學(xué)習(xí)模塊206和208訓(xùn)練過 的分類器進(jìn)行分類。任何得到的由檢測(cè)引擎204識(shí)別的異常可以"絕 對(duì)地"被檢測(cè)到(即"已經(jīng)發(fā)現(xiàn)異常"或"沒有發(fā)現(xiàn)異常")或者"概 率性地，，被檢測(cè)到(即"異常以概率/7存在，，)。在使用多個(gè)模態(tài)采集醫(yī)學(xué)圖像的情況中，可能檢測(cè)模塊沒有都產(chǎn) 生指示位于患者相同位置處的相同數(shù)量的異常的結(jié)果。因此，檢測(cè)引 擎204計(jì)及兩個(gè)檢測(cè)模塊210和212的結(jié)果的差異。在檢測(cè)引擎204的一個(gè)實(shí)施例中，如圖3A中所示，第一檢測(cè)模塊 210檢測(cè)來自檢查束200的第一模態(tài)實(shí)例的一個(gè)或多個(gè)圖像中的一個(gè) 或多個(gè)異常300。隨后，第二檢測(cè)模塊212檢測(cè)來自檢查束200的第二 模態(tài)實(shí)例的一個(gè)或多個(gè)圖像的區(qū)域302中的一個(gè)或多個(gè)異常，其中區(qū) 域302對(duì)應(yīng)于由第一檢測(cè)模塊210檢測(cè)的異常。當(dāng)一個(gè)模態(tài)通常比另 一個(gè)模態(tài)在檢測(cè)/分類真實(shí)異常區(qū)域時(shí)更為有效時(shí)，這個(gè)實(shí)施例是優(yōu)選 的。在檢測(cè)引擎204的另一個(gè)實(shí)施例中，如圖3B中所示，檢測(cè)引擎204 進(jìn)一步包括組合模塊304，其用于組合來自第一檢測(cè)模塊210的一個(gè)或 多個(gè)檢測(cè)到的異常306和來自第二檢測(cè)模塊212的一個(gè)或多個(gè)檢測(cè)到 的異常308。在圖3B中示出的這個(gè)實(shí)施例中，與圖3A中示出的實(shí)施例不同， 檢測(cè)模塊210和212獨(dú)立操作，即沒有來自另一個(gè)檢測(cè)模塊的輸入。 可以選擇組合模塊304以下面三種方式之一進(jìn)行工作。首先，組合模 塊304可以消除僅由檢測(cè)模塊之一檢測(cè)到的異常。實(shí)際上，用這個(gè)選項(xiàng)，本發(fā)明只識(shí)別在多于一個(gè)成像模態(tài)中檢測(cè)到的異常。第二，組合模塊304可以包括由至少檢測(cè)模塊之一檢測(cè)到的異常。用這個(gè)選項(xiàng)， 本發(fā)明識(shí)別在任何成像模態(tài)中檢測(cè)到的所有異常。第三，組合模塊304 可以消除被第二檢測(cè)模塊檢測(cè)到但是沒有被第一模塊檢測(cè)到的異常。 用這個(gè)選項(xiàng)，本發(fā)明識(shí)別由選定的模態(tài)檢測(cè)到并且也在另一個(gè)模態(tài)中 檢測(cè)到的異常(但是不識(shí)別任何其他可能的異常)。圖4示出了圖2B實(shí)施例的備選實(shí)施例。在這個(gè)備選實(shí)施例中，學(xué) 習(xí)引擎202包括聯(lián)合學(xué)習(xí)模塊400，其用于聯(lián)合地確定兩個(gè)模態(tài)的醫(yī)學(xué) 圖像內(nèi)的異常的特征。此外，檢測(cè)引擎204可以包括聯(lián)合檢測(cè)模塊402, 用于聯(lián)合地檢測(cè)兩個(gè)模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常。當(dāng)與異常的特征相關(guān)的信息出現(xiàn)在檢查束200中的所有成像模態(tài) 中時(shí)，聯(lián)合學(xué)習(xí)模塊400存儲(chǔ)所述信息。這些特征可以從一般元數(shù)據(jù) 104、模態(tài)實(shí)例特有元數(shù)據(jù)106、圖像特有元數(shù)據(jù)112和/或一個(gè)或多個(gè) 圖像的像素或體素?cái)?shù)據(jù)110自動(dòng)提取或者手動(dòng)提供。存儲(chǔ)的信息可以 包括例如關(guān)于下述的信息描述異常的幾何圖元或形狀模型、描述異 常的模板或模板參數(shù)、從包含異?；虿话惓５膱D像中提取的特征， 或者示范性異常模式的訓(xùn)練集。存儲(chǔ)的信息還可以包括描述該信息在 描述異常時(shí)的相對(duì)重要性的權(quán)重/概率。在采用模式分類技術(shù)的實(shí)施例 中，聯(lián)合學(xué)習(xí)模塊400可以使用存儲(chǔ)的信息訓(xùn)練將在隨后的檢測(cè)引擎 204中使用的分類器。如圖4中的箭頭所示，檢測(cè)引擎204采用檢查束200和學(xué)習(xí)引擎 202作為輸入。在圖4的實(shí)施例中，聯(lián)合檢測(cè)模塊402比較呈現(xiàn)在檢查 束200中的信息與聯(lián)合學(xué)習(xí)模塊400提供的存儲(chǔ)信息，以便檢測(cè)異常 的存在。該比較可以是任何形式的。在一個(gè)示例中，可以查找來自檢 查束200的一個(gè)或多個(gè)圖像的像素或體素?cái)?shù)據(jù)110，以便找到列在聯(lián)合 學(xué)習(xí)模塊400的存儲(chǔ)信息中的任何幾何圖元或形狀模型的任何(多個(gè)) 實(shí)例。在另一個(gè)示例中，可以對(duì)檢查束200中的一個(gè)或多個(gè)圖4象的4象 素或體素?cái)?shù)據(jù)IIO執(zhí)行模板匹配，以便找到這樣的實(shí)例，其中圖像包 含由聯(lián)合模塊400的存儲(chǔ)信息中的模板所描述的異常。在另一個(gè)示例 中，來自檢查束200的一個(gè)或多個(gè)圖像的像素或體素?cái)?shù)據(jù)110中的一 個(gè)或多個(gè)區(qū)域的特征可以被提取并使用已經(jīng)被聯(lián)合學(xué)習(xí)模塊400訓(xùn)練 過的分類器進(jìn)行分類。任何得到的由檢測(cè)引擎204識(shí)別的異常可以被標(biāo)識(shí)為"絕對(duì)地"被檢測(cè)到(即"已經(jīng)發(fā)現(xiàn)異常"或"沒有發(fā)現(xiàn)異常") 或者"概率性地"被檢測(cè)到(即"異常以概率/ 存在")。依賴于"軟，，或概率檢測(cè)的檢測(cè)引擎204的其他實(shí)施例可以利用 本領(lǐng)域/〉知的數(shù)據(jù)融合方法。例如，可以^使用貝葉斯(Bayesian)分 析來融合來自多個(gè)圖像的潛在異常，Demapster-Shafer方法或廣義證 據(jù)處理理論(generalized evidence processing theory)同樣可以。 后面的這兩個(gè)數(shù)據(jù)融合技術(shù)考慮到要定義的既不是相互排斥又不是完 全覆蓋潛在異常的整個(gè)范圍的異常。David L.Hall的"Mathematical Techniques in data fusion" ， Artech House, Inc. , Norwood, Massachusetts, 1992描述了數(shù)據(jù)融合的這些和其他方法。檢測(cè)引擎 204使用這些數(shù)據(jù)融合方法在本發(fā)明的精神和范圍之內(nèi)?，F(xiàn)在參考圖5,示出了引入圖4所示實(shí)施例的示范性異常檢測(cè)系統(tǒng)。 該示范性系統(tǒng)使用PET/CT設(shè)備采集圖像，該圖像幫助確定患者是否患 有腦瘤。FDG( 18F-脫氧葡萄糖(2-「F]-f luoro-2-deoxy-D-glucose )) 是用作PET示蹤劑的常見放射性藥劑，因?yàn)楸娝苤獝盒阅[瘤呈現(xiàn)出 葡萄糖的代謝亢進(jìn)。然而，這樣的代謝亢進(jìn)可以酷似腦部灰質(zhì)結(jié)構(gòu)中 的葡萄糖的新陳代謝，因此僅僅FDG PET成像一般并不足以檢測(cè)惡性 腫瘤。FDG PET圖像和提供腦解剖結(jié)構(gòu)信息CT或MR圖像的組合可以幫 助確定哪些結(jié)構(gòu)是正常的、哪些是惡性的。在PET/CT設(shè)備中，捕獲的 PET和CT圖像有效地在硬件中對(duì)準(zhǔn)。因此，與單獨(dú)的PET或CT圖像中 的那些相比，在聯(lián)合PET/CT圖像(通過將PET圖像"添加，，到CT圖 像來構(gòu)造，是每個(gè)體素變成矢量值)中的正常和惡性結(jié)構(gòu)可以呈現(xiàn)出 不同的特征。仍參考圖5，在步驟500，使用設(shè)備捕獲患者的PET/CT圖像，在 該設(shè)備中圖像在硬件中對(duì)準(zhǔn)。在步驟502，添加PET和CT圖像以形成 包含矢量值體素的聯(lián)合PET/CT圖像。每個(gè)矢量的第一元素包含對(duì)應(yīng) PET圖像的體素值，每個(gè)矢量的第二元素包含對(duì)應(yīng)CT圖像的體素值。 在步驟504，在聯(lián)合PET/CT圖像中識(shí)別候選惡性區(qū)域。在一個(gè)實(shí)施例 中，選擇規(guī)則體素網(wǎng)格上的滑動(dòng)窗或獨(dú)特(distinct)窗作為候選惡 性區(qū)域。更為復(fù)雜的選擇候選惡性區(qū)域的方法包括選擇對(duì)應(yīng)于PET圖 像中高葡萄糖吸收的區(qū)域。 一旦選擇了候選惡性區(qū)域，在步驟506從 聯(lián)合PET/CT圖像中提取特征，該特征然后用于在步驟508將候選惡性區(qū)域分類為惡性或非惡性。提取的特征可以包括基于體素本身的矢量 值的特征，基于形狀或形態(tài)信息的特征，或基于值變換的特征。分類步稞508依賴于已經(jīng)在聯(lián)合PET/CT腦部圖像的已知惡性和非惡性區(qū)域 上進(jìn)行過訓(xùn)練的先前學(xué)習(xí)引擎。圖6示出了本發(fā)明的另一個(gè)實(shí)施例。這個(gè)實(shí)施例與圖2A的實(shí)施例 的不同之處在于其還包括更新引擎600,用于更新檢查束200以便指示 任何檢測(cè)到的異常。更新的形式為修改檢查束200的下列部分中的一 個(gè)或多個(gè) 一般元數(shù)據(jù)104、模態(tài)實(shí)例特有元數(shù)據(jù)106、圖像特有元數(shù) 據(jù)112和/或一個(gè)或多個(gè)圖像的像素或體素?cái)?shù)據(jù)110。更新引擎600所做的修改可以是添加任何檢測(cè)到的異常存在的指 示符、檢測(cè)的異常的數(shù)量的指示符、任何檢測(cè)到的異常的位置的一個(gè) (或多個(gè))指示符，和/或描述任何檢測(cè)到的異常的任何特征的一個(gè)(或 多個(gè))指示符。其他進(jìn)行修改的方式對(duì)于本領(lǐng)域技術(shù)人員來說是已知 的。指示符的形式可以是額外的元數(shù)據(jù)、指示檢測(cè)到的異常的位置的 掩蔽圖像、和/或?qū)D像數(shù)據(jù)本身的修改以指示檢測(cè)到的異常的存在， 等等。在PET/CT設(shè)備捕獲的腦部多模態(tài)圖像的上述示例中(參考圖5)， 由于捕獲它們的方式，PET和CT圖像固有地對(duì)準(zhǔn)。然而，在許多多模 態(tài)成像情況中，并沒有固有對(duì)準(zhǔn)，這使得出現(xiàn)在兩個(gè)模態(tài)中的異常的 檢測(cè)變得困難。在這些情況中，獲取一個(gè)模態(tài)的圖像是如何對(duì)應(yīng)于另 一個(gè)模態(tài)的圖像的 一些知識(shí)是重要的。 一旦確定了這樣的對(duì)應(yīng)關(guān)系， 檢測(cè)引擎能夠確定在一個(gè)圖像中檢測(cè)到的異常是否對(duì)應(yīng)于在另一個(gè)圖 像中檢測(cè)到的異常。已知各種技術(shù)確定多模態(tài)圖像之間的對(duì)應(yīng)關(guān)系。許多這些技術(shù)可 以分類為配準(zhǔn)多模態(tài)圖像的技術(shù)。(可選地，每個(gè)多模態(tài)圖像可以配 準(zhǔn)到公共的或者圖譜(atlas)圖像，建立間接的對(duì)應(yīng)關(guān)系。)圖像配 準(zhǔn)，或更具體地多模態(tài)圖像配準(zhǔn)，具有很長很廣的歷史，在 J. Modersitzki的 "Numerical methods for image registration"， oxford university press, 2004中有^艮好的概況總結(jié)。圖像配準(zhǔn)技 術(shù)可以大致分類為參數(shù)型或非參數(shù)型的。參數(shù)配準(zhǔn)技術(shù)包括基于標(biāo)志 的、基于主軸的和最優(yōu)線性配準(zhǔn)，而非參數(shù)配準(zhǔn)技術(shù)包括彈性、流體 (fluid)、擴(kuò)散(diffusion)和曲率配準(zhǔn)。參數(shù)配準(zhǔn)技術(shù)涉及定義圖像之間的參數(shù)對(duì)應(yīng)關(guān)系。常見的參數(shù)化 包括剛性變換(圖像坐標(biāo)的旋轉(zhuǎn)和平移)、仿射變換(圖像坐標(biāo)的旋 轉(zhuǎn)、平移、水平和垂直縮放、以及水平和垂直剪切)、多項(xiàng)式變換以及樣條(spline)變換?；跇?biāo)志的配準(zhǔn)技術(shù)涉及識(shí)別每個(gè)圖像中的 對(duì)應(yīng)特征，其中所述特征包括諸如基準(zhǔn)標(biāo)記的硬標(biāo)志，或者諸如從圖 像推導(dǎo)出的點(diǎn)、角、邊、或區(qū)域之類的軟標(biāo)志。這個(gè)識(shí)別可以自動(dòng)進(jìn) 行或者手動(dòng)進(jìn)行(如在圖形用戶界面中那樣)。然后選擇參數(shù)對(duì)應(yīng)關(guān) 系以具有使對(duì)應(yīng)標(biāo)志的位置中的一些誤差函數(shù)最小化的參數(shù)集。基于主軸的配準(zhǔn)克服了識(shí)別圖像中標(biāo)志的位置和對(duì)應(yīng)關(guān)系的問 題。主軸變換(PAT)配準(zhǔn)技術(shù)在Maurer C.和Fitzpatrick J.的"A review of medical image registration ，， ， Interactive Image-Guided Neurosurgery, pp. 17-44， 1993中有所描述，其將每個(gè) 圖像當(dāng)作一個(gè)概率密度函數(shù)(或質(zhì)量函數(shù))。每個(gè)圖像的期望值和協(xié) 方差矩陣傳遞關(guān)于中心和主軸的信息，其可以被當(dāng)作圖像的特征。這 些期望值和協(xié)方差矩陣可以通過將圖像最優(yōu)地?cái)M合到高斯密度函數(shù) (通過最大化對(duì)數(shù)似然值(log-likelihood))來計(jì)算?？蛇x地，對(duì)擾動(dòng) 具有魯棒性的方法涉及將圖像擬合到柯西或卜分布。 一旦計(jì)算出，每個(gè)圖像的中心和主軸可以用于導(dǎo)出關(guān)于兩個(gè)圖像的仿射變換。最優(yōu)線性配準(zhǔn)(或更一般地，最優(yōu)參數(shù)配準(zhǔn))涉及找到使圖像像 素或體素?cái)?shù)據(jù)的一些距離量度最小化的配準(zhǔn)參數(shù)集。距離量度的常用 選擇包括差值的平方和或絕對(duì)差的和(它們是基于強(qiáng)度的量度)、相 關(guān)系數(shù)或歸一化相關(guān)系數(shù)(基于相關(guān)性的量度)或者交互信息。交互 信息是基于熵的量度，其廣泛用于配準(zhǔn)多模態(tài)圖像。P.Viola "Alignment by maximization of mutual information"， Ph. D. Thesis Massachusetts Institute of Technology ， 1995提供了使用交互信 息作為距離量度的圖像配準(zhǔn)的全面描述。在配準(zhǔn)參數(shù)集上的距離量度 的最小化通常是需要迭代解決方案的非線性問題，諸如高斯-牛頓法、 列文伯格-馬夸爾特(LevenbergO-Marquardt )法、或拉格朗日-牛頓 (Lagrange-Newton)法(參考R. Fletcher, "Practical methods of optimization"， 第二版，John Wiley & Sons, 1987 )。非參數(shù)配準(zhǔn)技術(shù)將配準(zhǔn)作為變分問題來處理。變分問題具有由相 應(yīng)的歐拉-拉格朗日(Euler-Lagrange)方程的解所表征的最小值(具體細(xì)節(jié)請(qǐng)參考S. Fomin和I.Gelfand， "calculus of variations"， Dover publications, 2000 )。通常包含正則項(xiàng)以確保得到的對(duì)應(yīng)關(guān) 系是微分同胚的(diffeomorphic)。彈性配準(zhǔn)將圖像作為彈性體處理， 并且使用線性彈性模型作為對(duì)應(yīng)關(guān)系。在這種情況中，歐拉-拉格朗日 方程簡化為納維葉-拉梅(Navier-Lam6 )方程，其可以使用快速傅立 葉變換(FFT)技術(shù)來有效求解。流體配準(zhǔn)使用流體模型(或粘彈性模 型)來描述圖像間的對(duì)應(yīng)關(guān)系。它可以提供彈性解，但是計(jì)算成本高。 擴(kuò)散配準(zhǔn)通過擴(kuò)散模型來描述對(duì)應(yīng)關(guān)系。擴(kuò)散模型不像流體模型那樣 靈活，但是基于加性算子分裂(AOS)方法的實(shí)施方案比彈性配準(zhǔn)更y 有效。最后，曲率配準(zhǔn)使用基于二階導(dǎo)數(shù)的正則項(xiàng)，相比彈性、流體 或擴(kuò)散配準(zhǔn)，實(shí)現(xiàn)了對(duì)較大初始位移更具魯棒性的解決方案。許多這些眾所周知的圖像配準(zhǔn)技術(shù)在文獻(xiàn)中都是參考2D圖像的配 準(zhǔn)來描述的。當(dāng)配準(zhǔn)3D圖像或體積(volume)時(shí)， 一個(gè)選擇是將這些 配準(zhǔn)技術(shù)應(yīng)用于3D圖像的2D切片對(duì)。這在一些情況中是有用的，但 是需要如何選擇哪些切片成對(duì)的一些知識(shí)。另一個(gè)選擇是實(shí)際上將這 些配準(zhǔn)技術(shù)擴(kuò)展到三維。所有這些技術(shù)都可以擴(kuò)展到多維，但是計(jì)算 成本通常是以指數(shù)增長的。參考圖7，示出了包括檢查束700的本發(fā)明的可選實(shí)施例，所述檢 查束700包括至少一個(gè)來自第一模態(tài)的患者的醫(yī)學(xué)圖像和至少一個(gè)來 自第二模態(tài)的患者的醫(yī)學(xué)圖像，用于定義至少一個(gè)來自第一模態(tài)的醫(yī) 學(xué)圖像和至少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像之間的對(duì)應(yīng)關(guān)系的映射引 擎702,用于確定兩個(gè)模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征的學(xué)習(xí)引擎704， 以及用于檢測(cè)檢查束的至少一個(gè)醫(yī)學(xué)圖像內(nèi)的異常的檢測(cè)引擎706。由映射引擎702定義的對(duì)應(yīng)關(guān)系可以包括將來自該第一模態(tài)的至 少一個(gè)圖像配準(zhǔn)到來自該第二模態(tài)的至少一個(gè)圖像，或者它可以包括 將來自每個(gè)模態(tài)的至少一個(gè)圖像配準(zhǔn)到圖譜圖像或模型。采用的配準(zhǔn) 方案可以是參數(shù)的或非參數(shù)的，并且它可以包括基于強(qiáng)度、基于相關(guān) 或基于交互信息的配準(zhǔn)。在分析乳房圖像以檢測(cè)微釣化或塊時(shí)可以采用圖7的實(shí)施例。乳 房的乳房X線照相是篩查乳癌的最常用的技術(shù)，很多努力都致力于分 析乳房X射線照相圖像，并且致力于微鈣化和塊的自動(dòng)化或用戶輔助 檢觀'J。(例如參考 R. Highnam 和 M. Brady ， Ma,ographic imageanalysis, Kluwer Academic Publishers, 1999 )。用于塊檢測(cè)的許 多算法涉及一只乳房的圖像與另 一只的圖像或者與相同乳房的時(shí)間上 分離的圖像的配準(zhǔn)，接著比較配準(zhǔn)的圖像以識(shí)別差異。如在Hignam參 考文獻(xiàn)中所詳述的，可以從x射線照相圖像中提取特征并將其用于確 定圖像是否落在"正常"乳房圖像的范圍內(nèi)?，F(xiàn)代醫(yī)學(xué)超聲設(shè)備提供了實(shí)時(shí)的高分辨率成像，而不需要使用離 子輻射，并且相對(duì)比較便宜和便于攜帶。實(shí)際上，這個(gè)模態(tài)的成本效 率和便攜性在不能得到復(fù)雜的醫(yī)學(xué)成像設(shè)備的醫(yī)院很受歡迎。超聲成 像可應(yīng)用于各種醫(yī)學(xué)診斷應(yīng)用。 一個(gè)示范性應(yīng)用是超聲乳房成像，用 于乳癌的預(yù)先篩查?？梢傻膼盒圆±梢允褂酶鼜?fù)雜的MRI成像進(jìn)行 進(jìn)一步診斷。發(fā)現(xiàn)分析內(nèi)部回波的超聲圖像均質(zhì)性(紋理特征)可以幫助區(qū)別 良性損害和惡性損害(參考Contour detection for the breast tumor in ultrasonic images using watershed segmentation, by Yu-len Huang和Xun-yao Lin， Proceedings of the 2002 ICS: workshop on artificial intelligence)。在超聲圖像中不同的組織具有不同的紋 理。為了對(duì)紋理特征進(jìn)行分類，可以使用示范性非監(jiān)督學(xué)習(xí)分類器。 該分類器采用包含輸入層、單個(gè)隱藏層和輸出的映射陣列的自組織圖 (self-organizing map)。自組織圖定義了從高維輸入特征矢量空間 到二維映射陣列的映射。參數(shù)加權(quán)矢量與映射陣列中的每一個(gè)神經(jīng)元 相關(guān)。輸入特征矢量與所有參數(shù)加權(quán)矢量進(jìn)行比較。最好的匹配被定 義為自組織圖的響應(yīng)。用去除均值歸一化自相關(guān)方法(mean removed normalized auto-correlation method)產(chǎn)生超聲圖像的輸入(紋理)特征矢量。 U(x，y)表示為超聲乳房圖像(也表示圖像像素值)，其中x和y分別 是圖像的水平和垂直索引(xe[l，…，X]， y6[l，…，Y])?？梢园?照下式計(jì)算位置(x，y)處的像素和位置(x+5x， y+5y)處的像素之 間的二維去除均值歸 一 化自相關(guān)系數(shù)<formula>formula see original document page 21</formula>
其中U是圖像U(x，y)的均值，其中x€ [1，…，X], y e [1，…，Y]，5x和5y分別是兩個(gè)像素在x和y方向上的間隔(lag)。去除均值 歸 一 化自相關(guān)系數(shù)《,(&，刷和圖像的方差值可以用作到自組織圖的輸入 矢量。乳房的X線乳房照相圖像和超聲圖像可以提供關(guān)于塊存在以及塊 是良性還是惡性的區(qū)分的唯一和互補(bǔ)信息。如果在X線圖像和超聲圖 像之間建立了對(duì)應(yīng)關(guān)系，這些互補(bǔ)特征可以聯(lián)合用于提供基于更多消 息的計(jì)算機(jī)"觀點(diǎn)"。例如，考慮圖7的實(shí)施例，如圖8的流程圖所示。在步驟800和 802，分別捕獲乳房的X線乳房照相和超聲圖像。在步驟804，使用本 領(lǐng)域技術(shù)人員已知的技術(shù)(例如，諸如根據(jù)前述的Highnam參考文獻(xiàn)) 識(shí)別乳房X線圖像中的候選塊。在步驟806，通過在超聲圖像中識(shí)別與 乳房X線圖像中的任何識(shí)別的候選塊對(duì)應(yīng)的一個(gè)區(qū)域或多個(gè)區(qū)域，在 乳房X線圖像和超聲圖像之間建立對(duì)應(yīng)關(guān)系。在步驟808，從對(duì)應(yīng)于候 選塊的超聲圖像區(qū)域提取特征。該特征可以包括前述的去除均值歸一 化自相關(guān)系數(shù)和方差值。最后，在步驟810，使用提取的特征將每個(gè)候 選塊分類為惡性或非惡性(例如使用自組織圖)。現(xiàn)在參考圖9A-9E，描述了本發(fā)明的系統(tǒng)所采用的方法的另一個(gè)示 范性實(shí)施例。該示范性實(shí)施例是從注入造影劑之前和之后獲取的MR乳 房圖像集中自動(dòng)檢測(cè)異常組織的方法。雖然從MR模態(tài)捕獲每組乳房圖 像，但是可以將造影劑注入前后的圖像看作兩個(gè)不同的模態(tài)。該方法 分解為的一組處理，每個(gè)執(zhí)行特定功能(諸如配準(zhǔn)、相減、分割、系 統(tǒng)識(shí)別和分類)。在這個(gè)實(shí)施例中，通過動(dòng)態(tài)系統(tǒng)參數(shù)分類來完成異 常組織檢測(cè)，動(dòng)態(tài)系統(tǒng)參數(shù)分類是監(jiān)督分類類型的。在圖9A中示出的流程圖中，第一步驟902是在注入造影劑之前和 之后獲取多個(gè)MR乳房圖像集合。記厶"y,z:)為注入造影劑之前的MR 乳房圖像。注意A";^:)包括一系列空間有序的圖像(切片)。定義z G [1，…，S]作為空間順序索引，其中S是集合中圖像的數(shù)量。然后對(duì) 于圖像來說，x和y是水平和垂直索引，xe[l，…，X]， yG[l，…，Y]。 在造影劑給藥后，獲取多個(gè)MR乳房圖像集合，每個(gè)集合包含相同乳房 的相同空間順序z的相同數(shù)量(S)的圖像。該多個(gè)MR乳房圖像集合 是以大約一分鐘的時(shí)間分辨率來獲取的。注入造影劑之后獲取的MR乳 房圖像集合可以表示為A"y力，其中k是時(shí)間順序索引，kG [1，…，K]。注意對(duì)于任何k6
并且對(duì)于x， y和z的特定值，A"y,z〉代表 MR乳房圖像在位置(x, y， z)處的像素或體素值。圖像體素所記錄的造影劑的存在導(dǎo)致可以在圖像采集過程中觀察 到的增強(qiáng)的信號(hào)。不同的組織類型呈現(xiàn)出不同的造影劑吸收速率；因 此，這些信號(hào)-時(shí)間曲線的研究使得能夠識(shí)別不同類型的組織。為了自 動(dòng)檢測(cè)異常組織的目的，在注入造影劑之后獲取的K個(gè)MR圖像集合必 須與MR圖像的參考集合在空間上對(duì)準(zhǔn)。這個(gè)對(duì)準(zhǔn)在步驟904執(zhí)行。一 般而言，MR圖像的參考集合是在注入造影劑之前獲取的MR圖像集 /。",y,力。對(duì)準(zhǔn)過程確保屬于相同乳房組織區(qū)域的像素在所有K個(gè)圖像 集中具有相同的x， y坐標(biāo)。配準(zhǔn)的優(yōu)選方法涉及將對(duì)應(yīng)函數(shù) (correspondence function )定義為圳一沖'性的。然而，可k乂4吏用任何 前述配準(zhǔn)技術(shù)。如圖9B中所示，在注入造影劑之后對(duì)于不同的乳房組織，圖像像 素/體素強(qiáng)度增加不同。這個(gè)現(xiàn)象意味著從注入造影劑之后獲取的圖像 中減去注入之前獲取的圖像，將給從業(yè)醫(yī)生提供關(guān)于圖像中異常組織 位置的更清楚的信息。這個(gè)信息也可以被用于從原始MR乳房圖像中提 取區(qū)域用于異常組織的自動(dòng)檢測(cè)和鑒別。圖9A中的步驟906執(zhí)行從多個(gè)MRI乳房圖像集"("'y")， kG [1，…，K]的每一個(gè)中減去參考MR圖像集""，A勻，產(chǎn)生了多個(gè)差值圖 像集，改"W)， k6 [1，…，K]。在圖9A的步驟908中，差值圖像&"，y，勻受到分割處理，首先產(chǎn)生 了多個(gè)掩蔽圖像集^"W), k6[l，…，K]。掩蔽圖像集是通過對(duì)差值 圖像進(jìn)行閾值處理形成的；即，掩蔽圖像在差值圖像的相應(yīng)像素/體素 小于或等于某個(gè)閾值T的位置處包括0，以及在差值圖像的相應(yīng)像素/ 體素大于T的位置處包括1。在生成掩蔽圖像集后，根據(jù)掩蔽圖像 ^t(",y，z)中的非零像素分割MR乳房圖像集W"J")，以獲得分割的圖像 S*("，:^)， ke[l，…，K]。分割的圖像&("，:^)在i^t"，y")包含0的位置包 含0，在Mjt",j^)包含1的位置包含A'("'y，^的值。本領(lǐng)域技術(shù)人員應(yīng)理 解在實(shí)際實(shí)施中，產(chǎn)生掩蔽圖像的階段可以被省略，分割處可以直 接從MR乳房圖像集產(chǎn)生分割的圖像^ " /， -)。圖9C是圖9B的復(fù)制品，其中插入了階躍函數(shù)f (t) 922，并且去除 了正常和脂肪組織曲線。(注意階躍函數(shù)f (t)定義為f (t<0)=0，f (t>0) = |入|，入*0)。本發(fā)明的意圖是檢測(cè)異常組織，并且更重要地， 區(qū)分惡性和良性組織。在分割步驟908，將圖像&("，》-)中將屬于正常和脂肪組織的像素設(shè)為0。圖像&("，y")中剩余的像素屬于惡性或良性組織。(在單個(gè)圖像中)通過以靜態(tài)形式評(píng)估像素/體素強(qiáng)度來區(qū)分惡性 組織和良性組織即使不是不可能，實(shí)際上也會(huì)非常困難。然而，在動(dòng) 態(tài)的形式，強(qiáng)度變化在這兩種類型的組織間表現(xiàn)出差別。如圖9C中所示，從時(shí)間零開始，惡性組織的亮度(對(duì)比度)曲線 m(t) 924很快就上升到階躍函數(shù)曲線922之上，然后漸近地接近階躍函 數(shù)曲線922，而良性組織的亮度(對(duì)比度)曲線b(t) 926在階躍函數(shù)曲 線922的下面緩慢地上升，然后漸近地靠近階躍函數(shù)曲線922。本領(lǐng)域 技術(shù)人員意識(shí)到亮度(對(duì)比度)曲線m(t) 924類似于欠阻尼動(dòng)態(tài)系統(tǒng) 的階躍響應(yīng)，而亮度(對(duì)比度)曲線b(t) 926類似于過阻尼或臨界阻 尼動(dòng)態(tài)系統(tǒng)的階躍響應(yīng)。圖9D示出了識(shí)別動(dòng)態(tài)系統(tǒng)行為的一般方法。對(duì)于具有未知行為的 動(dòng)態(tài)系統(tǒng)930，使用階躍函數(shù)928作為激勵(lì)。來自動(dòng)態(tài)系統(tǒng)930的對(duì)階 躍函數(shù)928的響應(yīng)932饋入到系統(tǒng)識(shí)別步驟934，以便估計(jì)系統(tǒng)930 的動(dòng)態(tài)參數(shù)。動(dòng)態(tài)系統(tǒng)建模(步驟912)的示范性實(shí)現(xiàn)在圖9E中示出，其示出 了自回歸(ARX)模型936的使用。參考L. Ljung， "System identification toolbox"，對(duì)系統(tǒng)識(shí)別中使用ARX模型的詳細(xì)描述的 數(shù)學(xué)推導(dǎo)。 一般的ARX模型可以表示為<formula>formula see original document page 24</formula> (1)其中G(q) 942和H(q) 940是系統(tǒng)傳遞函數(shù)，u ( t ) 938是激勵(lì)， e (t) 944是干擾，y (t) 946是系統(tǒng)輸出。已知傳遞函數(shù)G (q) 942 和H(q) 940可以根據(jù)q'的有理函數(shù)來指定，分子和分母系數(shù)的形式 為<formula>formula see original document page 24</formula>其中A(q)和B (q)是延時(shí)算子q'的多項(xiàng)式+ ..— + ^朋， (4)丑(《)=6,+&2《-'+…"+ (5)系統(tǒng)的ARX模型可以顯式地重寫為U(/-"a)+V(卜/jA)+…， (6) 力,,W - - "&+1〉+e(O方程(6)可以進(jìn)一步重寫為線性形式y(tǒng)(0-W)1^, (7).其中柳=w(f — ；iA" — "6 +1)、-and 0 = 《系數(shù)矢量6的系統(tǒng)識(shí)別解由下式給出其中(9)以及(io)在方程(9)和(10)中，t。是數(shù)據(jù)采樣開始時(shí)間，Nt是采樣數(shù), 對(duì)于亮度(對(duì)比度)曲線m(t) 924和b(t) 926，對(duì)于m(t)，柳=一/w(卜l) 一 m(《一 wo)對(duì)于b(t),一一 wa)在這個(gè)特定情況中，u(t)是階躍函數(shù)，相應(yīng)的解是《,和《?！返?計(jì)算實(shí)現(xiàn)了動(dòng)態(tài)系統(tǒng)識(shí)別步驟910 (也是步驟934 )。為了將MR圖像中具有高對(duì)比亮度的區(qū)域分類(步驟914)為良性 或惡性，采用了監(jiān)督學(xué)習(xí)步驟918。到監(jiān)督學(xué)習(xí)步驟918的示范輸入是 《和A (已知曲線)，希望的示范輸出分別是對(duì)應(yīng)惡性和良性腫瘤的 指示符0 和0b。在圖9B中，步驟918從步驟916接收具有已知特征(良 性或惡性)的M個(gè)采樣動(dòng)態(tài)曲線。M的示范值可以是100。在這M個(gè)曲 線內(nèi)，ki個(gè)曲線屬于惡性腫瘤，Mb個(gè)曲線屬于良性肺瘤。M^和Mb的示范 值可以是50和50。在步驟918，將方程(8)應(yīng)用到所有采樣曲線， 產(chǎn)生了M個(gè)系數(shù)矢量夂其中M個(gè)系數(shù)矢量(記為(，i-l，…，MJ代 表具有指示符0 的惡性腫瘤，Mb個(gè)系數(shù)矢量(記為《，i=l,…，MJ 代表具有指示符Ob的良性腫瘤。這些學(xué)習(xí)到的系數(shù)矢量《,和《用于訓(xùn) 練分類器，分類器又用于在檢測(cè)或診斷過程中對(duì)動(dòng)態(tài)對(duì)比曲線進(jìn)行分 類。為了增加專一性(區(qū)分良性腫瘤和惡性腫瘤的精度)，可以將其 他因素(步驟920 )引入到訓(xùn)練(學(xué)習(xí))和分類處理中。已知諸如造影 劑施與速率、造影劑施與隨成4象的時(shí)間安排(timing of contrast administration with imaging)、采集時(shí)間和切片厚度之類的因素都 會(huì)影響專一性(參考C. Piccoli，"Contrast—enhanced breast MRI:Factors affecting sensitivity and specificity ，， ， Eur. Radiol.7 (Suppl. 5) ，S281-S288, 1997 )。用oc表示造影劑施與速率、P表示造影劑施與隨成像的時(shí)間安排、 y表示采集時(shí)間，5表示切片厚度。這些示范性因素結(jié)合系數(shù)矢量《,和 《使用，以訓(xùn)練分類器，分類器又用于將MR乳房圖像中的區(qū)域今類為 惡性或良性肺瘤類。注意這些示范性因素應(yīng)該在與系數(shù)矢量《和《可比 的范圍內(nèi)進(jìn)行量化。為了學(xué)習(xí)或訓(xùn)練的目的，構(gòu)造如下數(shù)據(jù)集其中"是類別標(biāo)簽。例如，如果肺瘤是惡性的，"=1，否則"=-1。矢量P;w，caw是特征矢量，或所提取特征的矢量。^代表域，d是域的 維度。對(duì)于這個(gè)示范性情況，假設(shè)系數(shù)矢量6具有5個(gè)元素，因此d=5。 在學(xué)習(xí)步驟918以及分類步驟914中使用方程(11)中的數(shù)據(jù)格式。 本領(lǐng)域技術(shù)人員應(yīng)理解的是數(shù)據(jù)矢量Pj可以不同方式構(gòu)造，并且用不 同的物理或非物理數(shù)值元素(因素)增加，而不是以前述的那樣。有許多類型的分類器可以用于使用動(dòng)態(tài)對(duì)比曲線以及其他物理 或非物理因素來完成區(qū)分惡性腫瘤和良性腫瘤的任務(wù)。 一種示范性分 類器是SVM (支持矢量機(jī))(參考C. Burges， "A tutorial on support vector machines for pattern recognition" , data mining and knowledge discovery, 2 (2) ， 1—47， 1998， Kluwer academic publ isher， Boston) 。 SVM分類器的一個(gè)簡單示范例是代表可由超平面分開的兩類 的數(shù)據(jù)的訓(xùn)練和分類。分開數(shù)據(jù)的超平面滿足w p+cr = 0, (12)其中 是標(biāo)準(zhǔn)內(nèi)積(點(diǎn)積)。訓(xùn)練SVM的目標(biāo)是確定自由參數(shù)w和CT?？偪梢詫?duì)W和CT應(yīng)用縮放因子，以便所有的數(shù)據(jù)遵守配對(duì)的不等式巧(wp乂+cr)-l》0'V/, ' (13)可以通過關(guān)于參數(shù)w最小化下面的拉格朗日函數(shù)并且關(guān)于未定乘數(shù)LX)最大化該函數(shù)來求解方程(13)^)"IH2-5:。Ww'p"4 (14) 力 乂-i在解決了最優(yōu)化問題后，方程(13)中w的表達(dá)式可以根據(jù)具有 非零系數(shù)的支持矢量重寫，并插入到用于分類超平面的方程中，以給 出SVM判定函數(shù)甲(p,柳)-(wp,柳+cr)= i巧^p乂 ",咖+(T, (15)其中^是支持矢量的數(shù)目。將新矢量P^分類為兩類(惡性和良性) 中的一個(gè)是基于判定函數(shù)的符號(hào)進(jìn)行的。本領(lǐng)域技術(shù)人員應(yīng)清楚在非可分的情況中，可以使用非線性SVM。本申請(qǐng)中所引用的所有文獻(xiàn)、專利、期刊文章和其他材料在此引 入，以供參考。一種計(jì)算機(jī)程序產(chǎn)品可以包括一個(gè)或多個(gè)存儲(chǔ)介質(zhì)，例如諸如 磁盤(例如軟盤)或磁帶的磁存儲(chǔ)介質(zhì)；諸如光盤、光帶或機(jī)器可讀 條形碼的光存儲(chǔ)介質(zhì)；諸如隨機(jī)存取存儲(chǔ)器(RAM)、或只讀存儲(chǔ)器(ROM) 的固態(tài)電子存儲(chǔ)設(shè)備；或用于存儲(chǔ)計(jì)算機(jī)程序的任何其他物理設(shè)備或 介質(zhì)，所述計(jì)算機(jī)程序具有控制一個(gè)或多個(gè)計(jì)算機(jī)實(shí)施根據(jù)本發(fā)明的 方法的指令。
權(quán)利要求
1.一種用于檢測(cè)對(duì)象的醫(yī)學(xué)圖像中異常的系統(tǒng)，包括檢查束，包括至少一個(gè)來自第一模態(tài)的對(duì)象的醫(yī)學(xué)圖像和至少一個(gè)來自第二模態(tài)的對(duì)象的醫(yī)學(xué)圖像；第一自動(dòng)化裝置，用于確定該至少一個(gè)來自第一模態(tài)的醫(yī)學(xué)圖像和該至少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征；以及第二自動(dòng)化裝置，用于檢測(cè)構(gòu)成該檢查束的醫(yī)學(xué)圖像中的至少一個(gè)內(nèi)的異常。
2. 權(quán)利要求l的系統(tǒng)，其中第一自動(dòng)化裝置是學(xué)習(xí)引擎并且第二 自動(dòng)化裝置是檢測(cè)引擎。
3. 權(quán)利要求2的系統(tǒng)，其中學(xué)習(xí)引擎包括(a) 第一學(xué)習(xí)模塊，用于確定該至少一個(gè)來自第一模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征；以及(b) 第二學(xué)習(xí)模塊，用于確定該至少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征。
4. 權(quán)利要求2的系統(tǒng)，其中檢測(cè)引擎包括(a) 第一檢測(cè)模塊，用于檢測(cè)該至少一個(gè)來自第一模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常；以及(b) 笫二檢測(cè)模塊，用于檢測(cè)該至少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常。
5. 權(quán)利要求4的系統(tǒng)，其中第二檢測(cè)模塊在與由第一檢測(cè)模塊檢測(cè)到的異常對(duì)應(yīng)的區(qū)域中檢測(cè)異常。
6. 權(quán)利要求4的系統(tǒng)，其中檢測(cè)引擎還包括組合模塊，用于組合來自第 一檢測(cè)模塊的檢測(cè)到的異常與來自第二檢測(cè)模塊的檢測(cè)到的異 常。
7. 權(quán)利要求6的系統(tǒng)，其中組合模塊消除僅由第一和第二檢測(cè)模 塊中的一個(gè)檢測(cè)到的異常。
8. 權(quán)利要求6的系統(tǒng)，其中組合模塊消除被第二檢測(cè)模塊檢測(cè)到 但是沒有被第 一檢測(cè)模塊檢測(cè)到的異常。
9. 權(quán)利要求l的系統(tǒng)，其中第一自動(dòng)化裝置包括聯(lián)合學(xué)習(xí)模塊， 用于聯(lián)合確定該至少一個(gè)來自第一模態(tài)的醫(yī)學(xué)圖像和該至少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征。
10. 權(quán)利要求9的系統(tǒng)，其中第二自動(dòng)化裝置包括聯(lián)合檢測(cè)模塊， 用于聯(lián)合檢測(cè)該至少一個(gè)來自第 一模態(tài)的醫(yī)學(xué)圖像和該至少一個(gè)來自 第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常。
11. 權(quán)利要求l的系統(tǒng)，還包括第三自動(dòng)化裝置，用于更新檢查 束，以便指示任何檢測(cè)到的異常。
12. —種用于檢測(cè)對(duì)象的醫(yī)學(xué)圖像中異常的系統(tǒng)，包括檢查束，包括至少一個(gè)來自第一模態(tài)的對(duì)象的醫(yī)學(xué)圖像和至少一 個(gè)來自第二模態(tài)的對(duì)象的醫(yī)學(xué)圖像；映射引擎，用于確定該至少一個(gè)來自第一模態(tài)的醫(yī)學(xué)圖像和該至 少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像之間的對(duì)應(yīng)關(guān)系；學(xué)習(xí)引擎，用于確定該至少一個(gè)來自第一模態(tài)的醫(yī)學(xué)圖像和該至 少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征；以及檢測(cè)引擎，用于檢測(cè)構(gòu)成該檢查束的醫(yī)學(xué)圖像中的至少一個(gè)內(nèi)的 異常。
13. 權(quán)利要求12的系統(tǒng)，其中映射引擎將該至少一個(gè)來自第一模 態(tài)的醫(yī)學(xué)圖像與該至少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像配準(zhǔn)。
14. 權(quán)利要求13的系統(tǒng)，其中映射引擎執(zhí)行參數(shù)圖像配準(zhǔn)、非參 數(shù)圖像配準(zhǔn)、基于強(qiáng)度的配準(zhǔn)、基于相關(guān)性的配準(zhǔn)、或基于交互信息 的配準(zhǔn)。
15. 權(quán)利要求12的系統(tǒng)，其中映射引擎將來自至少一個(gè)模態(tài)的至 少一個(gè)醫(yī)學(xué)圖像與圖譜圖像配準(zhǔn)。
16. 權(quán)利要求12的系統(tǒng)，其中學(xué)習(xí)引擎包括(a) 第一學(xué)習(xí)模塊，用于確定該至少一個(gè)來自第一模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征，和(b) 第二學(xué)習(xí)模塊，用于確定該至少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征；并且 其中檢測(cè)引擎包括(a )用于檢測(cè)該至少一個(gè)來自第一模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的第 一檢測(cè)模塊，和(b)用于檢測(cè)該至少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的第 二檢測(cè)模塊。
17. 權(quán)利要求16的系統(tǒng)，其中第一或第二學(xué)習(xí)模塊中的至少一個(gè) 引入了異常的特征的預(yù)定知識(shí)。
18. 權(quán)利要求16的系統(tǒng)，其中檢測(cè)引擎還包括組合模塊，用于組 合來自第 一 檢測(cè)模塊的檢測(cè)到的異常與來自第二檢測(cè)模塊的檢測(cè)到的 異常。
19. 一種用于檢測(cè)對(duì)象的醫(yī)學(xué)圖像中異常的系統(tǒng)，包括檢查束，包括至少一個(gè)來自第一模態(tài)的對(duì)象的醫(yī)學(xué)圖像和至少一 個(gè)來自第二模態(tài)的對(duì)象的醫(yī)學(xué)圖像；多個(gè)訓(xùn)練過的圖像，用于確定該至少一個(gè)來自第一模態(tài)的醫(yī)學(xué)圖 像和該至少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征；以及檢測(cè)引擎，用于檢測(cè)構(gòu)成檢查束的醫(yī)學(xué)圖像中的至少一個(gè)內(nèi)的異常。
20. 權(quán)利要求19的系統(tǒng)，還包括映射引擎，用于定義該至少一個(gè) 來自第 一模態(tài)的醫(yī)學(xué)圖像和該至少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像之間 的對(duì)應(yīng)關(guān)系。
全文摘要
一種用于檢測(cè)對(duì)象的醫(yī)學(xué)圖像中異常的系統(tǒng)。該系統(tǒng)包括檢查束、學(xué)習(xí)引擎和檢測(cè)引擎。檢查束包括至少一個(gè)來自第一模態(tài)的對(duì)象的醫(yī)學(xué)圖像和至少一個(gè)來自第二模態(tài)的對(duì)象的醫(yī)學(xué)圖像。學(xué)習(xí)引擎用于確定該至少一個(gè)來自第一模態(tài)的醫(yī)學(xué)圖像和該至少一個(gè)來自第二模態(tài)的醫(yī)學(xué)圖像內(nèi)的異常的特征。檢測(cè)引擎用于檢測(cè)構(gòu)成檢查束的醫(yī)學(xué)圖像中的至少一個(gè)內(nèi)的異常。
文檔編號(hào)G06T7/00GK101228551SQ200680026826
公開日2008年7月23日 申請(qǐng)日期2006年6月20日 優(yōu)先權(quán)日2005年7月22日
發(fā)明者L·A·雷, N·D·卡希爾, S·陳, Z·孫 申請(qǐng)人:卡爾斯特里姆保健公司