專利名稱：疾病的計(jì)算機(jī)輔助檢測(cè)(cad)的制作方法
疾病的計(jì)算機(jī)輔助檢測(cè)(CAD)
背景技術(shù)：
本發(fā)明涉及用于分析從以下醫(yī)學(xué)成像模態(tài)獲得的醫(yī)學(xué)圖像數(shù)據(jù)集的方法，所述醫(yī) 學(xué)成像模態(tài)諸如計(jì)算機(jī)斷層攝影(CT)、磁共振成像(MRI)、正電子斷層攝影(PET)、單光子 發(fā)射計(jì)算機(jī)斷層攝影(SPECT)、超聲掃描以及旋轉(zhuǎn)血管造影以及其他醫(yī)學(xué)成像模態(tài)。本發(fā)明 還涉及對(duì)應(yīng)的計(jì)算機(jī)系統(tǒng)和對(duì)應(yīng)的計(jì)算機(jī)程序產(chǎn)品。發(fā)明背景 近年來(lái)，包括如計(jì)算機(jī)斷層攝影(CT)或磁共振成像(MRI)等的模態(tài)的醫(yī)學(xué)成像的 發(fā)展用于改進(jìn)各種類型的疾病的檢測(cè)，所述疾病類型特別地是癌癥腫瘤。醫(yī)學(xué)成像中的這 一進(jìn)步導(dǎo)致了大量的醫(yī)學(xué)圖像數(shù)據(jù)，要對(duì)所述醫(yī)學(xué)圖像數(shù)據(jù)進(jìn)行仔細(xì)分析和評(píng)估以從中獲 取可靠的診斷結(jié)果。醫(yī)學(xué)圖像的這一分析階段甚至對(duì)于例如放射學(xué)家的經(jīng)過(guò)專門訓(xùn)練的人 員而言也是花費(fèi)時(shí)間的。接受過(guò)醫(yī)學(xué)成像分析訓(xùn)練的專家也是寶貴資源，這使得醫(yī)學(xué)成像 分析成為診斷過(guò)程的可能瓶頸。因此，越來(lái)越需要計(jì)算機(jī)輔助檢測(cè)(CAD)以幫助放射學(xué)家找到并識(shí)別所獲得的醫(yī) 學(xué)圖像數(shù)據(jù)中的可能疾病。應(yīng)該強(qiáng)調(diào)，CAD系統(tǒng)并不是(至少現(xiàn)在不是)意欲取代放射學(xué) 家而僅僅是在圖像分析過(guò)程中對(duì)他們進(jìn)行支持或引導(dǎo)。另外，對(duì)于一些疾病來(lái)說(shuō)，使用CAD 的優(yōu)勢(shì)也是有疑問(wèn)的，因此，在將CAD系統(tǒng)用于疾病時(shí)應(yīng)該非常小心。特別地，在應(yīng)用CAD 系統(tǒng)之前，應(yīng)該很好地理解并優(yōu)選地控制接收器操作特性(ROC)。US 2005/0200763公開(kāi)了對(duì)CT圖像集中的肺結(jié)節(jié)進(jìn)行檢測(cè)和分類的這樣的計(jì)算 機(jī)輔助方法。起初，執(zhí)行肺和食管的分割以識(shí)別在其中搜尋潛在肺結(jié)節(jié)的CT圖像的區(qū)域。 對(duì)肺進(jìn)行處理以識(shí)別肺的左側(cè)和右側(cè)，并且將肺的每一側(cè)分為包括上部、中部和下部子區(qū) 域以及中心、中間和外周子區(qū)域的子區(qū)域。計(jì)算機(jī)分析每個(gè)肺區(qū)域以檢測(cè)和識(shí)別表示在縱 膈上或縱膈附近的血管的三維脈管樹。之后，計(jì)算機(jī)檢測(cè)附著到肺壁或者到脈管樹的對(duì)象 以確定這些對(duì)象沒(méi)有被排除作為潛在結(jié)節(jié)的可能。此后，計(jì)算機(jī)執(zhí)行在CT圖像中的合適區(qū) 域上的像素相似性分析，以檢測(cè)潛在的結(jié)節(jié)并使用潛在結(jié)節(jié)的特征執(zhí)行一個(gè)或多個(gè)專家分 析技術(shù)以確定每個(gè)潛在結(jié)節(jié)是否是肺結(jié)節(jié)。此后，計(jì)算機(jī)在一個(gè)或多個(gè)專家分析技術(shù)中使 用諸如推測(cè)(speculation)特征、生長(zhǎng)特征等的其他特征將每個(gè)所檢測(cè)到的結(jié)節(jié)分類為良 性的或惡性的，可能地，結(jié)節(jié)被賦予良性或惡性的特定概率。之后，計(jì)算機(jī)向放射專家顯示 檢測(cè)和分類結(jié)果以幫助放射專家解釋患者的CT檢查。然而，為了執(zhí)行這一方法，必須要提供相當(dāng)大的計(jì)算能力，這可能限制所公開(kāi)的 CAD方法的擴(kuò)展。由于計(jì)算能量是有限的，需要對(duì)所需計(jì)算進(jìn)行簡(jiǎn)化的方法以便獲得實(shí)際工 作的CAD系統(tǒng)。在US 2005/0200763中公開(kāi)的方法的另一劣勢(shì)為從檢測(cè)理論已知的接收器操作 特性(ROC)的定點(diǎn)操作。還要進(jìn)行靈敏度和特異性之間的折衷，但是，這會(huì)引起不希望的大 量的假陽(yáng)性(FP)，或者，更嚴(yán)重地，假陰性。因此，用于分析醫(yī)學(xué)圖像數(shù)據(jù)集的改進(jìn)的方法將是有利的，并且特別地，更有效和 /或可靠的方法將是有利的。
發(fā)明內(nèi)容
因此，本發(fā)明優(yōu)選地試圖單獨(dú)地或者以任何形式組合地減輕、降低或消除上述缺 陷的一個(gè)或多個(gè)。特別地，可以將提供用于針對(duì)疾病的可能性更容易和/或更快地分析醫(yī) 學(xué)圖像數(shù)據(jù)集的方法作為本發(fā)明的目的。因此，通過(guò)提供用于分析醫(yī)學(xué)圖像數(shù)據(jù)集的方法意欲在本發(fā)明的第一方面獲得上 述目的和若干其他目的，所述方法包括如下步驟a)使用解剖學(xué)模型分割醫(yī)學(xué)圖像數(shù)據(jù)集；b)針對(duì)疾病的特點(diǎn)分析經(jīng)分割的數(shù)據(jù)，得到分析數(shù)據(jù)的集合；以及c)相對(duì)于所述疾病評(píng)估分析數(shù)據(jù)的集合，其中，上述步驟a)、b)和c)中的至少一個(gè)包括將疾病的位置相關(guān)概率(P_r)作為 輸入。本發(fā)明特別地，但非排他地，有利于獲得改進(jìn)的計(jì)算機(jī)輔助檢測(cè)(CAD)方法，便于 執(zhí)行更有效的計(jì)算，這是由于在例如肺的患者部分的特定區(qū)域中的分析程度可以被調(diào)整或 者修改到該區(qū)域中疾病的概率水平。因此，通過(guò)應(yīng)用本發(fā)明，能夠提高計(jì)算速度并且由此根 據(jù)醫(yī)學(xué)圖像分析，可以更有效地找到諸如癌癥的疾病，特別是肺部的癌結(jié)節(jié)。應(yīng)該注意到，本發(fā)明應(yīng)用位置或區(qū)域相關(guān)概率作為在醫(yī)學(xué)圖像中可能的患病 結(jié)構(gòu)的計(jì)算機(jī)輔助檢測(cè)的特定部分中的輸入。位置相關(guān)概率為可以通過(guò)如下方式獲 得的先驗(yàn)概率，所述方式為醫(yī)學(xué)期刊、非常確實(shí)的醫(yī)學(xué)統(tǒng)計(jì)、權(quán)威的軟件和其他可靠資 源。一個(gè)示例為 J. J. Nigro 等人的 “PREVALENCE AND LOCATION OF NODAL METASTASES IN DISTALESOPHAGEAL DEN0CARCIN0MA CONFINED TO THE WALL IMPLICATIONS FOR THERAPY，，， The Journal of Thoracic andCardiovascular Surgery Volume 117, Number 1。區(qū)域相關(guān)概率的應(yīng)用不與如下事實(shí)相混淆，來(lái)自對(duì)醫(yī)學(xué)圖像中例如，肺中的結(jié)節(jié)的可疑 對(duì)象的評(píng)估步驟中的一些CAD方法得到所述可疑對(duì)象為惡性或良性的某一概率作為結(jié)果 為或者輸出。因此，例如，在US 2005/0200763公開(kāi)的CAD方法可以使用分類器例程將惡性 可能性分配給肺中的候選結(jié)節(jié)。然而，這是所述方法的最初結(jié)果或最終結(jié)果，并且不應(yīng)該被 用作輸入以簡(jiǎn)化CAD處理過(guò)程中的隨后計(jì)算。在本發(fā)明的背景下，還應(yīng)該理解詞語(yǔ)“疾病”要被更廣泛地理解，并且特別地包括 如下情況被檢查的組織的異常結(jié)構(gòu)為非惡性的，即所述異常結(jié)構(gòu)可以為良性的。一個(gè)示 例為查找良性腫瘤，所述腫瘤也為在本發(fā)明的背景中的“疾病”。任選地，使用解剖學(xué)模型分割醫(yī)學(xué)圖像數(shù)據(jù)集的步驟a)可以包括將疾病的位置 相關(guān)概率(P_r)作為輸入。因此，取決于位置相關(guān)概率(P_r)的水平，分割分辨率可以為細(xì) 致的或粗糙的。特別地，由于疾病的位置相關(guān)概率(P_d)在一個(gè)或多個(gè)區(qū)域中低于預(yù)定閾 值，因此醫(yī)學(xué)圖像數(shù)據(jù)集的一個(gè)或多個(gè)區(qū)域可以不被分割，從而排除了具有非常低的概率 的區(qū)域，以便簡(jiǎn)化了進(jìn)一步的處理和計(jì)算。任選地，針對(duì)疾病的特點(diǎn)分析經(jīng)分割的數(shù)據(jù)，得到分析數(shù)據(jù)的集合的步驟b)可以 包括將所述疾病的位置相關(guān)概率(P_r)作為輸入。特別地，可以應(yīng)用位置相關(guān)概率(P_r)以 改變計(jì)算機(jī)輔助檢測(cè)(CAD)方法或算法的接收器操作特征(ROC)的操作點(diǎn)。概率水平(P_ r)可以確定改變的方向。因此，在一個(gè)實(shí)施例中，例如，如果特異性應(yīng)在相對(duì)高P_r的區(qū)域增加，依賴于疾病的位置相關(guān)概率(P_r)，所執(zhí)行的分析的特異性可以增加?？商娲兀蕾?于疾病的位置相關(guān)概率(P_r)，所執(zhí)行的分析的靈敏度將增加。因此，對(duì)于相對(duì)低的P_r區(qū) 域，靈敏度可以增加。任選地，相對(duì)于所述疾病評(píng)估分析數(shù)據(jù)的集合的步驟c)可以包括將疾病的位置 相關(guān)概率(P_r)作為輸入。因此，使用例如貝葉斯網(wǎng)絡(luò)對(duì)例如結(jié)節(jié)的統(tǒng)計(jì)學(xué)分類可以具有 針對(duì)該特定區(qū)域的P_r作為輸入。在一個(gè)實(shí)施例中，疾病可以為腫瘤，并且相應(yīng)的位置相關(guān)概率(P_r)可以為在該 位置具有腫瘤的概率(P_r_腫瘤)。在那種情況下，具有腫瘤的位置相關(guān)概率(P_r_腫瘤) 可以與腫瘤為惡性的概率(P_r_腫瘤_惡性)和/或腫瘤為良性的概率(P_r_腫瘤_良 性)相結(jié)合。因此，例如，相對(duì)于肺中的腫瘤引入兩個(gè)水平的概率。類似地，可以將多個(gè)水 平的概率引入本發(fā)明的教導(dǎo)中。優(yōu)選地，可以從位置相關(guān)概率的參考數(shù)據(jù)庫(kù)中獲得疾病的位置相關(guān)概率(P_r)。數(shù) 據(jù)庫(kù)可以轉(zhuǎn)而基于文獻(xiàn)資源、標(biāo)準(zhǔn)工作等。數(shù)據(jù)庫(kù)可以基于遠(yuǎn)程?？赡艿兀恢孟嚓P(guān)概率的 參考數(shù)據(jù)庫(kù)可以為內(nèi)在固件。在一個(gè)實(shí)施例中，疾病的位置相關(guān)概率(P_r)還可以取決于被檢查的患者的特 點(diǎn)。因此，P_r可以取決于如下患者特征年齡、性別、習(xí)慣(尤其吸煙習(xí)慣或其他增加危險(xiǎn) 的行為)，以及已知的增加或降低引發(fā)特定疾病的概率的其他特點(diǎn)。在另一實(shí)施例中，疾病的位置相關(guān)概率(P_r)可以與取決于所應(yīng)用的CAD方法而 找到疾病的概率(P_CAD)相結(jié)合。這樣的關(guān)于CAD方法的知識(shí)可能需要以所討論的CADS 法進(jìn)行廣泛的測(cè)驗(yàn)和/或有關(guān)所討論的CAD方法的經(jīng)驗(yàn)。一旦得到這樣的知識(shí)，在本發(fā)明 的背景下其可以被相對(duì)容易地使用。在另一實(shí)施例中，疾病的位置相關(guān)概率(P_r)可以與取決于成像模態(tài)而找到疾病 的概率(P_IM)相結(jié)合，所述成像模態(tài)用于獲得醫(yī)學(xué)圖像數(shù)據(jù)集。這可能是例如針對(duì)CT中 的束缺乏(beam starvation)或金屬偽影，或者M(jìn)RI中的運(yùn)動(dòng)誤差帶等的概率。在優(yōu)選實(shí)施例中，可以將一個(gè)或多個(gè)疾病的位置相關(guān)概率(P_r)與醫(yī)學(xué)圖像一起 顯示給例如放射專家的用戶。可以在屏幕上對(duì)用戶指示P_r值，但是，其也可以是與之相結(jié) 合的值或者從其中得出的值。在第二方面，本發(fā)明涉及布置為分析醫(yī)學(xué)圖像數(shù)據(jù)集的計(jì)算機(jī)系統(tǒng)，所述系統(tǒng)包 括-分割器件，其用于使用解剖學(xué)模型分割醫(yī)學(xué)圖像數(shù)據(jù)集；_分析器件，其用于針對(duì)疾病的特點(diǎn)分析經(jīng)分割的數(shù)據(jù)，以得到分析數(shù)據(jù)的集合； 以及-評(píng)估器件，其用于相對(duì)于所述疾病評(píng)估分析數(shù)據(jù)的集合；其中，將分割器件、分析器件以及評(píng)估器件中的至少一個(gè)布置為接收疾病的位置 相關(guān)概率(P_r)作為輸入。在第三方面，本發(fā)明涉及一種計(jì)算機(jī)程序產(chǎn)品，其適于實(shí)現(xiàn)一種包括至少一臺(tái)計(jì) 算機(jī)的計(jì)算機(jī)系統(tǒng)，所述至少一臺(tái)計(jì)算機(jī)具有與其連接的數(shù)據(jù)存儲(chǔ)器件。本發(fā)明的這一方面特別地，但非排他地，是有利的，這是因?yàn)楸景l(fā)明可以由計(jì)算機(jī) 程序產(chǎn)品實(shí)現(xiàn)，當(dāng)被下載或上傳到計(jì)算機(jī)系統(tǒng)上時(shí)，所述計(jì)算機(jī)程序產(chǎn)品使得計(jì)算機(jī)系統(tǒng)
6執(zhí)行本發(fā)明的操作。這樣的計(jì)算機(jī)程序產(chǎn)品可以在任何一種計(jì)算機(jī)可讀介質(zhì)上提供，或者 通過(guò)互聯(lián)網(wǎng)提供。本發(fā)明的單個(gè)方面中的每個(gè)可以與任一其他方面相結(jié)合。從以下結(jié)合所描述的實(shí) 施例的描述中，本發(fā)明的這些方面和其他方面將變得明顯。


現(xiàn)在將結(jié)合附圖更詳細(xì)地描述本發(fā)明的各方面。附圖示出了本發(fā)明的一種實(shí)施方 式，并且不應(yīng)該將其理解為限制落入所附權(quán)利要求的范圍內(nèi)的其他可能實(shí)施例。圖1為針對(duì)本發(fā)明的一個(gè)實(shí)施例的組合的成像模態(tài)和計(jì)算機(jī)系統(tǒng)的示意性圖示；圖2為根據(jù)本發(fā)明的實(shí)施例的方法步驟的示意性流程圖；圖3為接收器操作特性(R0C)曲線；圖4為示出假陽(yáng)性(FP)結(jié)節(jié)候選者的患者的橫截面CT圖像；圖5為示出真結(jié)節(jié)(TP)的患者的橫截面CT圖像；圖6為根據(jù)本發(fā)明的方法的示意性流程圖。
具體實(shí)施例方式圖1為針對(duì)本發(fā)明的一個(gè)實(shí)施例的組合的成像模態(tài)和計(jì)算機(jī)系統(tǒng)1的示意圖。計(jì) 算機(jī)系統(tǒng)1被布置為對(duì)從醫(yī)學(xué)成像模態(tài)IM獲得的醫(yī)學(xué)圖像數(shù)據(jù)集20執(zhí)行CAD，所述醫(yī)學(xué)成 像模態(tài)諸如計(jì)算機(jī)斷層攝影(CT)、磁共振成像(MRI)、正電子斷層攝影(PET)、單光子發(fā)射 計(jì)算機(jī)斷層攝影(SPECT)、超聲掃描以及旋轉(zhuǎn)血管造影或任何其他醫(yī)學(xué)成像模態(tài)。從模態(tài) IM到單元12的傳輸可以經(jīng)由專用連接器件11 (近程或遠(yuǎn)程，可能地，經(jīng)由因特網(wǎng))或者通 過(guò)無(wú)線傳輸。計(jì)算機(jī)系統(tǒng)1的單元12被布置為在醫(yī)學(xué)圖像數(shù)據(jù)集20上執(zhí)行疾病的計(jì)算機(jī)輔 助檢測(cè)(CAD)。分割器件13被提供用于使用解剖學(xué)模型分割醫(yī)學(xué)圖像數(shù)據(jù)集20，所述模 型優(yōu)選地為增廣模型(augmented model)。用于醫(yī)學(xué)成像分割中的一般參考，讀者可以 參照 C. Xu, D. Pham 禾口 J. L. Prince, "Medical Image Segmentation Using Deformable Models,，，Handbook ofMedical Imaging, Volume 2 :Medical Image Processing and Analysis, pp. 129-174，由 J. M. Fitzpatrick 和 M. Sonka 編輯，SPIE Press, May 2000，在這 里將其以參考的方式全部合并入本文。另外，在單元12中提供了用于針對(duì)疾病的特點(diǎn)分析經(jīng)分割的數(shù)據(jù)的分析器件14， 所述分析得到分析數(shù)據(jù)25的集合，即疾病的候選者。另外，評(píng)估器件15用于相對(duì)于疾病 評(píng)估分析數(shù)據(jù)25的集合?？梢酝ㄟ^(guò)技術(shù)人員可用的任何種類的專家算法執(zhí)行分析數(shù)據(jù)25 的評(píng)估，所述專家算法諸如為貝葉斯網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、基于模糊邏輯的網(wǎng)絡(luò)等。使用本發(fā)明的原理，分割器件13、分析器件14以及評(píng)估器件15中的至少一個(gè)被布 置為如單元12中所示出的接收疾病的位置相關(guān)概率P_r作為其處理的輸入。隨后經(jīng)由專 用連接器件16 (近程或遠(yuǎn)程，可能地，經(jīng)由因特網(wǎng))或者通過(guò)無(wú)線傳輸將最終和/或最初結(jié) 果傳遞到通用用戶界面(UI) 17，在所述界面處放射學(xué)家或經(jīng)過(guò)類似訓(xùn)練的人員可以從由本 發(fā)明提供的改進(jìn)的CAD處理獲益。對(duì)于可能的適用范圍，可以向接受醫(yī)學(xué)訓(xùn)練的用戶示出個(gè)體化的通用患者模型，或者所述模型的各方面，用于驗(yàn)證或者為了便于報(bào)告(例如，用于病變定位限定的自動(dòng)描 述或圖片生成)。潛在地，也可以將諸如局部可變病變概率的附屬元信息向臨床醫(yī)生示出用 于診斷支持。
圖2為根據(jù)本發(fā)明的實(shí)施例的方法步驟的示意性流程圖，其用于在醫(yī)學(xué)圖像數(shù)據(jù) 集20上執(zhí)行疾病(也包括非惡性的異常結(jié)構(gòu))的計(jì)算機(jī)輔助檢測(cè)(CAD)，數(shù)據(jù)集20如上 所述地從成像模態(tài)IM中獲得。在使用與被檢查的患者相關(guān)的解剖學(xué)模型對(duì)醫(yī)學(xué)圖像數(shù)據(jù) 集20進(jìn)行分割之后，可以將醫(yī)學(xué)圖像數(shù)據(jù)集20劃分為若干區(qū)域，其中，每個(gè)區(qū)域具有疾病 的相關(guān)聯(lián)的位置相關(guān)概率P_r。僅出于圖示的原因，圖2中的區(qū)域的數(shù)量為四個(gè)，20a、20b、20c和20d，分別具有相 關(guān)聯(lián)的概率P_a、P_b、P_c和P_d。當(dāng)然，區(qū)域的數(shù)量可以調(diào)整為所獲得的概率的數(shù)量；概 率的數(shù)量越大，數(shù)據(jù)集20被劃分得越細(xì)。假定區(qū)域20d中的概率P_d低于預(yù)定限制，例如， 1%，可以將該區(qū)域20d排除在分割和/或任何進(jìn)一步分析和評(píng)估以外。這在圖2的b部分 中象征性地示出，其中，區(qū)域20d被叉掉。在針對(duì)疾病的特點(diǎn)分析經(jīng)分割的數(shù)據(jù)期間，沒(méi)有對(duì)區(qū)域20d進(jìn)行研究，因而導(dǎo)致 CAD處理的簡(jiǎn)化。分析也可以調(diào)整為區(qū)域相關(guān)概率P_r。因此，計(jì)算機(jī)輔助檢測(cè)的內(nèi)部參數(shù) 可以通常直接或者間接地取決于這些概率。同樣，用于分析的網(wǎng)格或柵格可以取決于所述 概率而更加粗糙或更加細(xì)致。所述分析得到分析數(shù)據(jù)25的集合，S卩疾病的候選者。在圖 2中，將其象征性地指示為圓形，例如腫瘤，但是，分析數(shù)據(jù)25的外部形狀當(dāng)然可以為任何 種類。在圖2的部分c中所示的最后一步中，相對(duì)于所述疾病執(zhí)行對(duì)分析數(shù)據(jù)25的集合 的評(píng)估。通常，對(duì)于給定分析數(shù)據(jù)25，相對(duì)于疾病的評(píng)估可以為陽(yáng)性POS或陰性NEG。根據(jù) 本發(fā)明，發(fā)現(xiàn)候選者25的區(qū)域20b中的疾病的概率P_b被主動(dòng)地用作評(píng)估處理中的輸入。 因此，概率P_b可以例如被用于貝葉斯網(wǎng)絡(luò)中的一個(gè)或多個(gè)節(jié)點(diǎn)中的輸入，所述貝葉斯網(wǎng) 絡(luò)用于相對(duì)于疾病評(píng)估疾病候選者25。圖3為用于二進(jìn)制分類器系統(tǒng)的接收器操作特性(ROC)曲線，縱坐標(biāo)為靈敏度 SENS，橫坐標(biāo)為一減去特異性1-SPEC，本發(fā)明特別適于修正計(jì)算機(jī)輔助檢測(cè)(CAD)方法的 接收器操作特性300 (ROC)。因此，可以施加位置相關(guān)概率P_r以改變計(jì)算機(jī)輔助檢測(cè)(CAD) 算法的接收器操作特性300 (ROC)的當(dāng)前操作點(diǎn)303a。因此，依賴于位置相關(guān)概率P_r，通 過(guò)沿箭頭302移動(dòng)，可以提高所執(zhí)行的分析的特異性SPEC，得到新的操作點(diǎn)303c。當(dāng)例如 用于找到特定區(qū)域中的疾病的概率P_r高時(shí)，特異性被提高?？商娲兀蕾囉谖恢孟嚓P(guān)概率，通過(guò)沿箭頭301移動(dòng)，可以提高所執(zhí)行的分析的 靈敏度SENS，得到另一操作點(diǎn)303b。因此，對(duì)于低P_r區(qū)域，靈敏度可以被提高。注意到這 可以通過(guò)改變CAD算法的內(nèi)部參數(shù)實(shí)際地實(shí)施；通常不可能針對(duì)特定CAD算法位移整條曲 線300。因此，本發(fā)明可以提供在ROC曲線300上的操作點(diǎn)303a的改變的方向，本發(fā)明不改 變ROC曲線300自身。圖4為示出假陽(yáng)性(FP)結(jié)節(jié)候選者(如由實(shí)箭頭所示)的患者的橫截面CT圖 像。僅從幾何學(xué)上，這一假陽(yáng)性候選者(縱膈的門脈管分支)看起來(lái)是腫塊，并且大小是真 實(shí)的。這可能是FP的范疇，其可以僅由解剖學(xué)知識(shí)排除，例如，以區(qū)域相關(guān)概率P_r的形 式，而不是僅由形狀特征。使用典型脈管位置和大小的解剖學(xué)知識(shí)，這一 FP可以被如此檢測(cè)到，并使用本發(fā)明的原理進(jìn)行抑制。圖5為示出如由實(shí)箭頭所示的真結(jié)節(jié)(真陽(yáng)性，TP)的患者的橫截面CT圖像，即 如具有與圖4相比類似的幾何外形的縱膈處的真結(jié)節(jié)/病變的反例。使用具有非疾病結(jié)構(gòu) 的概率的本發(fā)明的變形來(lái)確定真結(jié)節(jié)更為可能，這是由于解剖學(xué)模型不預(yù)測(cè)脈管在該區(qū)域 的可能性。圖6為用于在從參照?qǐng)D1的成像模態(tài)IM獲得的醫(yī)學(xué)圖像數(shù)據(jù)集20上執(zhí)行對(duì)疾病 的計(jì)算機(jī)輔助檢測(cè)(CAD)的方法的流程圖，所述方法包括如下步驟a)使用解剖學(xué)模型分割醫(yī)學(xué)圖像數(shù)據(jù)集20 ；b)針對(duì)疾病的特點(diǎn)分析經(jīng)分割的數(shù)據(jù)，得到分析數(shù)據(jù)25的集合；以及 c)相對(duì)于所述疾病評(píng)估分析數(shù)據(jù)25的集合，其中，上述步驟a)、b)和c)中的至 少一個(gè)包括將疾病的位置相關(guān)概率P_r作為輸入。本發(fā)明可以借助于硬件、軟件、固件以及上述部件的任意組合來(lái)實(shí)施。本發(fā)明或其 一些特征也可以被實(shí)施為在一個(gè)或多個(gè)數(shù)據(jù)處理器和/或數(shù)字信號(hào)處理器上運(yùn)行的軟件。本發(fā)明的實(shí)施例的單個(gè)元件可以以任何適當(dāng)?shù)姆绞?，諸如以單個(gè)單元、多個(gè)單元 或作為單獨(dú)功能單元的一部分，物理上、功能上和邏輯上實(shí)施。本發(fā)明可以在單個(gè)單元中實(shí) 施，或者在不同單元和處理器之間物理上和功能上分布。盡管已經(jīng)結(jié)合特定實(shí)施例對(duì)本發(fā)明進(jìn)行了描述，但是不應(yīng)該將其解釋為以任何方 式限制于所示示例。按照所附權(quán)利要求書解釋本發(fā)明的范圍。在權(quán)力要求的背景下，術(shù)語(yǔ) “包括”或“包含”不排除其他可能元件或步驟。同樣，提及諸如“一”或“一個(gè)”等的參考不 應(yīng)該被解釋為排除多個(gè)。在權(quán)利要求中相對(duì)于附圖中所示出的元件而使用附圖標(biāo)記不應(yīng)該 被解釋為限制本發(fā)明的范圍。另外，在不同權(quán)利要求中提到的單獨(dú)的特征也可以被有利地 進(jìn)行組合，并且，在不同權(quán)利要求中提及這些特征不排除這些特征的組合是不可能的并且 是有利的。
權(quán)利要求
一種用于分析醫(yī)學(xué)圖像數(shù)據(jù)集(20)的方法，所述方法包括以下步驟a)使用解剖學(xué)模型分割所述醫(yī)學(xué)圖像數(shù)據(jù)集(20)，b)針對(duì)疾病的特點(diǎn)分析經(jīng)分割的數(shù)據(jù)，得到分析數(shù)據(jù)(25)的集合，以及c)相對(duì)于所述疾病評(píng)估所述分析數(shù)據(jù)(25)的集合，其中，上述步驟a)、b)和c)中的至少一個(gè)包括將所述疾病的位置相關(guān)概率(P_r)作為輸入。
2.根據(jù)權(quán)利要求1所述的方法，其中，使用解剖學(xué)模型分割所述醫(yī)學(xué)圖像數(shù)據(jù)集的步 驟a)包括將所述疾病的位置相關(guān)概率(P_r)作為輸入。
3.根據(jù)權(quán)利要求2所述的方法，其中，由于在所述醫(yī)學(xué)圖像數(shù)據(jù)集(20)的一個(gè)或多個(gè) 區(qū)域(20d)中的所述疾病的所述位置相關(guān)概率(P_r)低于預(yù)定閾值而導(dǎo)致所述一個(gè)或多個(gè) 區(qū)域沒(méi)有被分割。
4.根據(jù)權(quán)利要求1所述的方法，其中，針對(duì)所述疾病的特點(diǎn)分析經(jīng)分割的數(shù)據(jù)，得到分 析數(shù)據(jù)的集合的步驟b)包括將所述疾病的位置相關(guān)概率(P_r)作為輸入。
5.根據(jù)權(quán)利要求4所述的方法，其中，應(yīng)用所述位置相關(guān)概率(P_r)來(lái)改變計(jì)算機(jī)輔助 檢測(cè)(CAD)的接收器操作特性(R0C)的操作點(diǎn)(303a)。
6.根據(jù)權(quán)利要求4所述的方法，其中，依賴于所述疾病的所述位置相關(guān)概率(P_r)而提 高所執(zhí)行的分析的特異性。
7.根據(jù)權(quán)利要求4所述的方法，其中，依賴于所述疾病的所述位置相關(guān)概率(P_r)而提 高所執(zhí)行的分析的靈敏度。
8.根據(jù)權(quán)利要求1所述的方法，其中，相對(duì)于所述疾病評(píng)估所述分析數(shù)據(jù)的集合的步 驟c)包括將所述疾病的位置相關(guān)概率(P_r)作為輸入。
9.根據(jù)權(quán)利要求1所述的方法，其中，所述疾病為腫瘤，并且對(duì)應(yīng)的位置相關(guān)概率(P_ r)為在該位置具有腫瘤的概率(P_r_腫瘤)。
10.根據(jù)權(quán)利要求9所述的方法，其中，將具有腫瘤的所述位置相關(guān)概率(P_r_腫瘤) 與所述腫瘤為惡性的概率(P_r_腫瘤_惡性)和/或?yàn)榱夹缘母怕?P_r_腫瘤_良性)相纟口口。
11.根據(jù)權(quán)利要求1所述的方法，其中，從位置相關(guān)概率的參考數(shù)據(jù)庫(kù)中獲得所述疾病 的所述位置相關(guān)概率(P_r)。
12.根據(jù)權(quán)利要求1所述的方法，其中，所述疾病的所述位置相關(guān)概率(P_r)還取決于 被檢查患者的特點(diǎn)。
13.根據(jù)權(quán)利要1所述的方法，其中，將所述疾病的所述位置相關(guān)概率(P_r)與取決于 被施加的CAD方法而找到所述疾病的概率(P_CAD)相結(jié)合。
14.根據(jù)權(quán)利要求1所述的方法，其中，將所述疾病的所述位置相關(guān)概率(P_r)與取決 于用于獲得所述醫(yī)學(xué)圖像數(shù)據(jù)集的所述成像模態(tài)而找到所述疾病的概率(P_IM)相結(jié)合。
15.根據(jù)權(quán)利要求1所述的方法，其中，將所述疾病的一個(gè)或多個(gè)位置相關(guān)概率(P_r) 與醫(yī)學(xué)圖像一起顯示給用戶。
16.一種布置為分析醫(yī)學(xué)圖像數(shù)據(jù)集(20)的計(jì)算機(jī)系統(tǒng)，所述系統(tǒng)包括-分割器件(13)，其用于使用解剖學(xué)模型分割所述醫(yī)學(xué)圖像數(shù)據(jù)集(20)，-分析器件(14)，其用于針對(duì)疾病的特點(diǎn)分析經(jīng)分割的數(shù)據(jù)，得到分析數(shù)據(jù)(25)的集合，以及-評(píng)估器件(15)，其用于相對(duì)于所述疾病評(píng)估所述分析數(shù)據(jù)(25)的集合， 其中，所述分割器件(13)、所述分析器件(14)以及所述評(píng)估器件(15)中的至少一個(gè)被 布置為接收所述疾病的位置相關(guān)概率(P_r)作為輸入。
17. 一種計(jì)算機(jī)程序產(chǎn)品，其適于使得包括至少一臺(tái)計(jì)算機(jī)的計(jì)算機(jī)系統(tǒng)具有與其連 接以根據(jù)權(quán)利要求1控制計(jì)算機(jī)系統(tǒng)的數(shù)據(jù)存儲(chǔ)器件。
全文摘要
本發(fā)明涉及用于在來(lái)自諸如MRI或CT的成像模態(tài)的醫(yī)學(xué)圖像行數(shù)據(jù)集(20)上對(duì)例如肺部腫瘤的疾病執(zhí)行計(jì)算機(jī)輔助檢測(cè)(CAD)的方法。起初，使用解剖學(xué)模型執(zhí)行醫(yī)學(xué)圖像數(shù)據(jù)集(20)的分割。之后，針對(duì)疾病的特點(diǎn)分析經(jīng)分割的數(shù)據(jù)，以得到分析數(shù)據(jù)(25)的集合，最后，相對(duì)于所述疾病評(píng)估分析數(shù)據(jù)(25)的集合。這些步驟中的至少一個(gè)包括將所述疾病的位置相關(guān)概率(P_r)作為輸入。本發(fā)明的優(yōu)勢(shì)在于可以執(zhí)行更有效的計(jì)算，這是由于在例如肺的患者部分的特定區(qū)域中的分析程度可以被調(diào)整或者修改到該區(qū)域中疾病的概率水平。因此能夠提高計(jì)算速度并且由此根據(jù)醫(yī)學(xué)圖像分析，可以更有效地找到諸如癌癥的疾病，特別是肺部的癌結(jié)節(jié)。
文檔編號(hào)G06T7/00GK101861601SQ200880116140
公開(kāi)日2010年10月13日 申請(qǐng)日期2008年11月6日 優(yōu)先權(quán)日2007年11月14日
發(fā)明者C·洛倫茨, J·馮貝格, R·維姆克, T·比洛 申請(qǐng)人:皇家飛利浦電子股份有限公司