定期輸血極大地延長了患有血液病諸如重型地中海貧血的患者的生存期并改善了他們的生活質(zhì)量。但是，多重輸血治療可能造成鐵的逐漸積累，這隨著時間的推移會導(dǎo)致?lián)p害許多器官，尤其是肝、心臟與內(nèi)分泌器官，最終導(dǎo)致發(fā)病率與死亡率上升。鐵誘導(dǎo)的心功能障礙一直是地中海貧血患者死亡的主要原因。螯合療法可以從體內(nèi)移除過多的組織鐵并降低這些患者器官衰竭的風(fēng)險(xiǎn)。

重要的是能夠精確與可靠地確定心肌鐵濃度以管理治療并評估患者的預(yù)后(prognosis)。

心血管磁共振(CMR)已經(jīng)被確定為用于探測具有鐵過量的各種患者的心肌鐵含量(MIC)的一種非侵入式的方法。由于單次呼吸保持的鮮亮的-血(bright-blood)T2*方法的速度、敏感性與廣泛的可用性，該方法已經(jīng)被廣泛使用(14-16)。與鮮亮的-血技術(shù)相比，因?yàn)楹?血T2*技術(shù)避免了來自血液的信號污染，所以該黑-血T2*技術(shù)具有較好的再現(xiàn)性，且由于其抑制了血液信號且減少了圖像偽影，該黑-血T2*技術(shù)顯示了心肌/血液邊界的更清晰的限定(17，18)。

在日常臨床實(shí)踐中，感興趣的區(qū)域(ROI)的典型T2*值被經(jīng)常報(bào)告為MIC的定量指標(biāo)。T2*測量被優(yōu)選地在室間隔膜(IS)的區(qū)域執(zhí)行，因?yàn)檫@個區(qū)域受到來自心外膜脂肪、肝和肺組織的嚴(yán)重敏感性效應(yīng)的影響最小。由于操作員的主觀性以及在徑向方向(radial direction)上不均勻的MIC，隔膜ROI被手動確定且會受到觀察員內(nèi)(intra-operator)與觀察員間(inter-operator)的變化性(variability)。ROI的手動確定也是耗時的且打斷CRM數(shù)據(jù)的數(shù)據(jù)處理。

本發(fā)明的一個目標(biāo)是提供使MIC能夠被更容易和/或更可靠地獲得的方法與設(shè)備。

根據(jù)本發(fā)明的一個方面，提供了一種使用黑-血磁共振成像數(shù)據(jù)探測心肌鐵含量的計(jì)算機(jī)實(shí)施的方法，包括：按照成像數(shù)據(jù)中的左心室的心外膜邊緣和心內(nèi)膜邊緣擬合(fit)輪廓；通過根據(jù)體素值(voxel value)是高于還是低于閾值來分割成像數(shù)據(jù)的體素從而創(chuàng)建二值化圖(binary map)，所述閾值被選擇以區(qū)分血液與心室組織；使用創(chuàng)建的二值化圖和擬合的輪廓來識別在擬合的輪廓之間的組織的對應(yīng)于室間隔膜的部分；以及通過對成像數(shù)據(jù)的對應(yīng)于識別的室間隔膜的一部分執(zhí)行T2*測量來探測心肌鐵含量。

發(fā)明人已發(fā)現(xiàn)將上述輪廓擬合與基于二值化圖的分割相結(jié)合，提供了識別屬于室間隔膜的成像數(shù)據(jù)中的一組體素的高計(jì)算效率和可再現(xiàn)的方式。與手動方法相比，因?yàn)椴恍枰R床醫(yī)生的手動工作，使用這種自動導(dǎo)出的體素組來探測心肌鐵含量大大地方便了探測心肌鐵含量。此外，去除手動交互減少了操作者內(nèi)或操作者間變化性的風(fēng)險(xiǎn)，從而產(chǎn)生更多可再現(xiàn)和可靠的結(jié)果。

在一個實(shí)施方案中，擬合輪廓的步驟包括初始化步驟，其中對成像數(shù)據(jù)擬合兩個圓，所述兩個圓中的第一個圓按照左心室的心外膜邊緣擬合且第二個圓按照左心室的心內(nèi)膜邊緣擬合；和調(diào)整步驟，其中擬合的圓被反復(fù)調(diào)整以符合左心室的相應(yīng)邊緣。對成像數(shù)據(jù)擬合圓能夠被快速且相對容易地執(zhí)行。發(fā)明人還已發(fā)現(xiàn)使用這種圓進(jìn)行輪廓擬合的初始化是計(jì)算效率高的且導(dǎo)致可靠且迅速識別正確輪廓。

在一個實(shí)施方案中，成像數(shù)據(jù)被處理以得到邊緣圖且對成像數(shù)據(jù)擬合兩個圓包括對邊緣圖擬合兩個圓，其中使用空間-約束的模糊c-均值得到邊緣圖。發(fā)明人已發(fā)現(xiàn)使用空間-約束的模糊c-均值大大地提高了能夠探測到兩個不同的圓的可靠性。在一個實(shí)施方案中，調(diào)整步驟使用Chan-Vese模型。發(fā)明人已發(fā)現(xiàn)這個模型特別有利于從擬合的圓開始獲得輪廓。優(yōu)選地，使用Chan-Vese模型的改進(jìn)版本，如Zheng Q,Lu Z,Zhang M,Feng Q,Chen W.Gaussian Regularizing CV Model Using Entropy and Neighborhood Information.In:Proceedings of IFMBE,2012,Beijing,China；New York:Springer；2013.p.1832-1835.中所描述的。這個Chan-Vese模型的改進(jìn)形式在這里被稱為“I-CV”。

根據(jù)本發(fā)明的一個方面，提供了一種用于使用黑-血磁共振成像數(shù)據(jù)探測心肌鐵含量的數(shù)據(jù)分析裝置，包括：被配置成接收成像數(shù)據(jù)的輸入單元，被配置成執(zhí)行以下步驟的數(shù)據(jù)處理單元：按照左心室的心外膜邊緣和心內(nèi)膜邊緣擬合輪廓；通過根據(jù)體素值是高于還是低于閾值來分割成像數(shù)據(jù)的體素從而創(chuàng)建二值化圖，所述閾值被選擇以區(qū)分血液與心室組織；使用創(chuàng)建的二值化圖來識別在擬合的輪廓之間的組織的對應(yīng)于室間隔膜的部分；以及通過對成像數(shù)據(jù)的對應(yīng)于識別的室間隔膜的一部分執(zhí)行T2*測量來探測心肌鐵含量。

根據(jù)本發(fā)明的一個方面，提供了一種MRI機(jī)器，包括：用于采集黑-血磁共振成像數(shù)據(jù)的數(shù)據(jù)采集系統(tǒng)；以及使用成像數(shù)據(jù)探測心肌鐵含量的數(shù)據(jù)分析裝置，所述數(shù)據(jù)分析裝置包括：數(shù)據(jù)處理單元，所述數(shù)據(jù)處理單元被配置成執(zhí)行以下步驟：按照左心室的心外膜邊緣和心內(nèi)膜邊緣擬合輪廓；通過根據(jù)體素值是高于還是低于閾值來分割磁共振數(shù)據(jù)的體素從而創(chuàng)建二值化圖，所述閾值被選擇以區(qū)分血液與心室組織；使用創(chuàng)建的二值化圖來識別在擬合的輪廓之間的組織的對應(yīng)于室間隔膜的部分；以及通過對成像數(shù)據(jù)的對應(yīng)于識別的室間隔膜的一部分執(zhí)行T2*測量來探測心肌鐵含量。

根據(jù)本發(fā)明的一個方面，提供了使用黑-血磁共振成像數(shù)據(jù)探測心肌鐵含量的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序使得當(dāng)在計(jì)算機(jī)上運(yùn)行時，其使計(jì)算機(jī)執(zhí)行以下步驟：按照左心室的心外膜邊緣和心內(nèi)膜邊緣擬合輪廓；通過根據(jù)體素值是高于還是低于閾值來分割成像數(shù)據(jù)的體素從而創(chuàng)建二值化圖，所述閾值被選擇以區(qū)分血液與心室組織；使用創(chuàng)建的二值化圖來識別在擬合的輪廓之間的組織的對應(yīng)于室間隔膜的部分；以及通過對成像數(shù)據(jù)的對應(yīng)于識別的室間隔膜的一部分執(zhí)行T2*測量來探測心肌鐵含量。

現(xiàn)在將參考隨附附圖僅通過實(shí)施例的方式來描述本發(fā)明的進(jìn)一步的實(shí)施方案，在附圖中相應(yīng)的參考符號表明了相應(yīng)的部分，且在附圖中：

圖1描繪了根據(jù)一個實(shí)施方案的方法的框架；

圖2描繪了典型的黑-血心肌圖像；

圖3描繪了從圖2的圖像導(dǎo)出的邊緣圖；

圖4描繪了應(yīng)用圓形霍夫變換(CHT)以探測在圖像中的圓形特征；

圖5描繪了通過對圖3的邊緣圖應(yīng)用CHT而簡化成的標(biāo)記(signature)曲線；

圖6描繪了通過對圖3的邊緣圖應(yīng)用CHT而被識別的兩個同心圓；

圖7描繪了在其中只有一個局部最小值的情況下的示例標(biāo)記曲線；

圖8描繪了用來生成圖7的標(biāo)記曲線的邊緣圖；

圖9描繪了通過對圖8的邊緣圖應(yīng)用CHT而識別的單個圓；

圖10描繪了通過對改進(jìn)的邊緣圖應(yīng)用CHT而得到的標(biāo)記曲線；

圖11描繪了用于得到的圖10的標(biāo)記曲線的改進(jìn)的邊緣圖；

圖12描繪了由圖10的標(biāo)記曲線導(dǎo)出的兩個同心圓；

圖13描繪了應(yīng)用I-CV分割的結(jié)果：

圖14描繪了對圖13的結(jié)果擬合橢圓；

圖15描繪了心肌層的分割；

圖16描繪了典型的心肌的圖像；

圖17描繪了基于閾值根據(jù)磁共振數(shù)據(jù)導(dǎo)出的二值化圖；

圖18描繪了室間隔膜的角邊界的識別；

圖19描繪了基于圖18中識別的邊界對室間隔膜的提??；

圖20描繪了基于根據(jù)一個實(shí)施方案(“AISS”)分割的室間隔膜與手動地分割的室間隔膜的T2*測量的散布圖(scatter plot，散點(diǎn)圖)。

圖21描繪了基于使用AISS分割的室間隔膜與手動地分割的室間隔膜的T2*測量的Bland-Altman圖。

圖22描繪了用于手動方法的觀察者內(nèi)再現(xiàn)性的Bland-Altman圖；

圖23描繪了用于手動方法的觀察者間再現(xiàn)性的Bland-Altman圖；

圖24描繪了用于AISS方法的觀察者內(nèi)再現(xiàn)性的Bland-Altman圖；

圖25描繪了用于AISS方法的觀察者間再現(xiàn)性的Bland-Altman圖；

圖26描述了手動方法與“sAISS”方法之間的一致性的Bland-Altman圖，所述sAISS方法允許手動地調(diào)整來自AISS方法的輸出；

圖27描述了AISS方法與sAISS方法之間的一致性的Bland-Altman圖；以及

圖28描述了根據(jù)一個實(shí)施方案的MRI機(jī)器與數(shù)據(jù)分析裝置。

圖1示出了一個示例方法的框架。

在步驟S1中，得到患者的MRI數(shù)據(jù)。在一個實(shí)施方案中，MRI數(shù)據(jù)為心肌黑-血成像數(shù)據(jù)。

在步驟S2中，按照成像數(shù)據(jù)中的左心室(LV)的心外膜邊緣和心內(nèi)膜邊緣擬合輪廓。

在一個實(shí)施方案中，步驟S2包括初始化步驟S21，其中對成像數(shù)據(jù)擬合兩個圓，兩個圓中的第一個圓按照左心室的心外膜邊緣擬合且第二個圓按照左心室的心內(nèi)膜邊緣擬合。在一個實(shí)施方案中，所述圓是使用圓形霍夫變換(CHT)(23)被擬合的。CHT為一種廣泛使用的在圖像中探測圓形結(jié)構(gòu)的方法。圖2-6示出了用CHT中的固定半徑探測圓的基本原理并顯示了將其成功應(yīng)用于典型的成像數(shù)據(jù)的一個實(shí)施例。

圖2顯示了示例黑-血心肌成像數(shù)據(jù)。此成像數(shù)據(jù)被處理以產(chǎn)生邊緣圖，如圖3所顯示。所述邊緣圖可以通過計(jì)算成像數(shù)據(jù)的梯度導(dǎo)出且可以表示為EdgeM(x,y)。圖4示出了CHT是如何應(yīng)用的。對于邊緣圖中的每個像素，標(biāo)繪出以該像素為中心的固定的圓，且由該圓描繪出的點(diǎn)在參數(shù)空間產(chǎn)生一組表決(vote)。在累加器陣列(array)中對邊緣圖上的所有像素進(jìn)行累加表決后，表決數(shù)最高的陣列元素表明了圓的中心。由于心外膜輪廓與心內(nèi)膜輪廓的半徑未知，在本實(shí)施例中用以1像素為增量從8像素至30像素的不同半徑(大致地對應(yīng)于人類心臟的典型的尺寸范圍)實(shí)施CHT。這些CHT的結(jié)果被合計(jì)至累加器陣列，并且由陣列中的峰值點(diǎn)確定圓的中心。在本實(shí)施例中，期望得到代表大致位于心外膜輪廓與心內(nèi)膜輪廓上的同心圓的中心的單個峰值點(diǎn)(或局部的區(qū)域)。一旦中心已被定位，兩個圓的半徑可以根據(jù)通過對在邊緣圖上的點(diǎn)與探測中心之間的邊緣-加權(quán)的距離直方圖化所生成的標(biāo)記曲線確定：

$R(x,y)=EdgeM(x,y)\sqrt{{(x-x_c)}^2+{(y-y_c)}^2}---\[1\]$

其中R(x,y)表示在像素(x,y)與中心(x_c,y_c)之間的邊緣-加權(quán)的距離。圖5描述了生成的標(biāo)記曲線。標(biāo)記曲線中的局部最大值6與8表明感興趣的圓的半徑尺寸。圖6顯示了重疊在圖2中的CMR圖像上的兩個導(dǎo)出的同心圓2與4?？梢钥闯?，兩個圓2、4分別在心外膜與心內(nèi)膜的輪廓上。

CHT的性能取決于從圖像導(dǎo)出的邊緣圖的質(zhì)量。在傳統(tǒng)的CHT(23)中，邊緣圖被作為圖像的梯度計(jì)算且因此通常受噪聲、部分容積效應(yīng)(PVE)、偽影(artifact)等的影響。結(jié)果，有時的情況是在標(biāo)記曲線中只存在一個局部最大值，在此情況下將只探測到一個圓。圖7顯示了在此情形下生成的標(biāo)記曲線的一個實(shí)施例。在這種情況下，CHT被應(yīng)用于圖8中顯示的邊緣圖(通過計(jì)算圖像的梯度得到)。圖9標(biāo)繪了由CHT探測到的最后形成的(單個)圓10。

在一個實(shí)施方案中，這個問題通過將LV周圍的局部圖像二值化以得到改進(jìn)的邊緣圖來解決。在一個實(shí)施方案中，這是使用具有兩個集群(cluster)的空間約束模糊c-均值(sFCM)(24)來實(shí)現(xiàn)的。圖10顯示了通過對改進(jìn)的邊緣圖(在圖11中顯示)應(yīng)用CHT而得到的標(biāo)記曲線。如可以看到的，改進(jìn)的邊緣圖只包括突出的邊緣且最后形成的標(biāo)記曲線包括兩個清晰的局部最大值。圖12顯示了標(biāo)繪在CMR數(shù)據(jù)上的兩個相應(yīng)的同心圓12與14。

在一個實(shí)施方案中，步驟S2還包括調(diào)整步驟S22，在步驟S22中在步驟S21中得到的圓被反復(fù)調(diào)整接近心外膜與心內(nèi)膜的局部輪廓幾何形狀。在一個實(shí)施方案中，Chan-Vese(CV)模型(25)被用于該目的。CV模型具有探測弱邊界的能力且為在圖像分割(26-29)中廣泛使用的活動(active)輪廓模型。但是，傳統(tǒng)的Chan-Vese模型假定曲線的內(nèi)部與外部為統(tǒng)計(jì)均勻的，且這個假定在整個心肌T2*圖像(30)中不成立，心肌T2*圖像通常包括復(fù)雜的結(jié)構(gòu)且受強(qiáng)度不均勻與流動偽影的影響。但是，心肌T2*圖像在小的局部區(qū)域中可以被認(rèn)為是近似均勻的，且可以通過使用改進(jìn)的Chan-Vese模型來利用此局部特性，這里改進(jìn)的Chan-Vese模型是指具有熵-加權(quán)和局部鄰域(neighborhood)信息以從心肌T2*圖像提取LV的“I-CV”。下面的參考文獻(xiàn)詳細(xì)描述了I-CV模型：(30)。

令I(lǐng)(z)表示限定在域Ω上的圖像，且C表示將圖像劃分為目標(biāo)與背景的閉合曲線。曲線的內(nèi)部Ω_IN表示目標(biāo)，且曲線的外部Ω_EX表示背景。I-CV模型的能量函數(shù)可表示為：

$\mathrm{\ϵ}\left(\mathrm{\φ}\right)=\mathrm{\μ}{\∫}_{\mathrm{\Ω}}\mathrm{\δ}\left(\mathrm{\φ}\right)\left|\▿\mathrm{\φ}\right|dz+\mathrm{\ν}{\∫}_{\mathrm{\Ω}}H\left(\mathrm{\φ}\right)dz+{\∫}_{\mathrm{\Ω}}\mathrm{\δ}\left(\mathrm{\φ}\right){\∫}_{x\∈N_j}{F}_j\left(\mathrm{\φ}\right)dxdz---\[2\]$

這里，φ表示水平集函數(shù)(31)，其中C＝{z|φ(z)＝0}，φ(Ω_IN)>0且φ(Ω_EX)<0。以上能量函數(shù)的首項(xiàng)代表曲線C的長度，其中δ(z)為狄拉克函數(shù)且為水平集函數(shù)φ的梯度。第二項(xiàng)代表由曲線C圍住的面積，其中H(z)代表亥維賽(Heaviside)函數(shù)。參數(shù)μ與ν為非負(fù)的控制參數(shù)。最后一項(xiàng)被稱為從圖像導(dǎo)出的數(shù)據(jù)項(xiàng)，所述數(shù)據(jù)項(xiàng)在感興趣的特征(諸如邊界)采取較小的數(shù)值，此處F_j表示以曲線C上的像素j為中心的鄰域的擬合能量。令N_j表示以閉合曲線C上的點(diǎn)j為中心的鄰域，F(xiàn)_j的計(jì)算可以表示為：

$F_j\left(\mathrm{\&phi;}\right)=E_{in}^j\left(\mathrm{\&phi;}\right){|I\left(x\right)-u_j|}^{2}H\left(\mathrm{\&phi;}\right)+E_{ex}^j\left(\mathrm{\&phi;}\right){|I\left(x\right)-v_j|}^2(1-H(\mathrm{\&phi;}\left)\right)---\&lsqb;3\&rsqb;$

其中，與表示由曲線C隔開的鄰域N_j的內(nèi)部與外部的熵；u_j與v_j分別代表鄰域N_j的內(nèi)部與外部的平均強(qiáng)度。熵與可以被計(jì)算為：

$E_{in}^j\left(\mathrm{\&phi;}\right)=-{\&Integral;}_{x\&Element;N_j}H\left(\mathrm{\&phi;}\right(x\left)\right)p\left(I\right(x\left)\right)\log p\left(I\right(x\left)\right)dx---\&lsqb;4\&rsqb;$

$E_{ex}^j\left(\mathrm{\&phi;}\right)=-{\&Integral;}_{x\&Element;N_j}(1-H(\mathrm{\&phi;}\left(x\right)\left)\right)p\left(I\right(x\left)\right)\log p\left(I\right(x\left)\right)dx---\&lsqb;5\&rsqb;$

其中，p(I(x))表示在整個圖像中強(qiáng)度的概率密度函數(shù)。平均強(qiáng)度u_j與v_j可以被計(jì)算為：

$u_j=\frac{{\&Integral;}_{x\&Element;N_j}I\left(x\right)H\left(\mathrm{\&phi;}\right(x\left)\right)dx}{{\&Integral;}_{x\&Element;N_j}H\left(\mathrm{\&phi;}\right(x\left)\right)dx},v_j=\frac{{\&Integral;}_{x\&Element;N_j}I\left(x\right)(1-H(\mathrm{\&phi;}\left(x\right)\left)\right)dx}{{\&Integral;}_{x\&Element;N_j}(1-H(\mathrm{\&phi;}\left(x\right)\left)\right)dx}---\&lsqb;6\&rsqb;$

I-CV模型中的長度項(xiàng)與面積項(xiàng)在演變中將輪廓調(diào)整為平滑的。數(shù)據(jù)項(xiàng)使用來自圖像的信息將曲線C移動到目標(biāo)邊緣。

通過使用最速下降法(32)來最小化以上能量函數(shù)，我們得到以下變型公式：

$\frac{\&part;\mathrm{\&phi;}\left(z\right)}{\&part;t}=\mathrm{\&delta;}\left(\mathrm{\&phi;}\right(z\left)\right)\&lsqb;\mathrm{\&mu;}div\left(\frac{\&dtri;\mathrm{\&phi;}}{\left|\&dtri;\mathrm{\&phi;}\right|}\right)-\mathrm{\&nu;}-{\&Integral;}_{\mathrm{\&Omega;}}{\&dtri;}_{\mathrm{\&phi;}}{F}_j\left(\mathrm{\&phi;}\right)dx\&rsqb;---\&lsqb;7\&rsqb;$

其中，

在一個實(shí)施方案中，心外膜輪廓與心內(nèi)膜輪廓被通過使用等式[7]中描述的迭代而自動地分割(例如識別)。但是，I-CV提取的LV通常包括乳頭肌且提取的輪廓可以具有尖銳的毛邊。此外，提取的輪廓上的像素很可能受到部分容積效應(yīng)(PVE)影響，所述部分容積效應(yīng)應(yīng)從T2*測量中排除。

在一個實(shí)施方案中，步驟S2還包括用來減少或排除來自乳頭肌和/或毛邊的貢獻(xiàn)的處理步驟S23。

下面描述了一個實(shí)施方案，用于在步驟S23中排除或至少減少由乳頭肌與毛邊造成的估計(jì)輪廓中的誤差。在這種背景下，上文描述的反復(fù)調(diào)整擬合的圓(在步驟S21中得到)的步驟S22的方法可以被稱作“第一調(diào)整步驟”。因此，得到的左心室的估計(jì)輪廓可以被稱作“第一估計(jì)輪廓”。圖13中描述了這種第一估計(jì)輪廓30的示例。這兩個第一估計(jì)輪廓30通常將具有顯著的毛邊(由擬合引起的不規(guī)則性，這通常不代表生物學(xué)結(jié)構(gòu)的真正形態(tài))且被乳頭肌圖像的存在顯著影響。在本實(shí)施方案中，然后執(zhí)行第二調(diào)整步驟，作為步驟S23的一部分。第二調(diào)整步驟包括按照每個在第一調(diào)整步驟S22中得到的第一估計(jì)輪廓擬合橢圓，從而得到第一估計(jì)橢圓。圖14描述了這種第一估計(jì)橢圓32的示例。然后執(zhí)行第三調(diào)整步驟，作為步驟S23的又一部分。第三調(diào)整步驟包括得到第二估計(jì)輪廓。第二估計(jì)輪廓是通過識別心肌的被第一估計(jì)輪廓與第一估計(jì)橢圓二者圍住的部分的邊緣被確定的。這個步驟對于減少乳頭肌的影響方面特別有效。圖15中描繪了此第二估計(jì)輪廓34的實(shí)施例。在一個實(shí)施方案中，然后執(zhí)行第四調(diào)整步驟，作為步驟S23的另一部分。第四調(diào)整步驟包括向內(nèi)移動最外部的第二估計(jì)輪廓34并且向外移動最內(nèi)部的第二估計(jì)輪廓34達(dá)預(yù)定的距離或預(yù)定數(shù)目的像素。在一個實(shí)施方案中，預(yù)定數(shù)目為一個像素。這個步驟傾向于排除可能會受部分容積效應(yīng)影響的像素，從而提高精確度。整個過程顯著提高了最終估計(jì)輪廓的精確度，排除或至少減少了由乳頭肌、毛邊和/或部分容積效應(yīng)引起的估計(jì)輪廓中的誤差。

在另一個步驟S3中，根據(jù)體素值是高于還是低于閾值來分割圖像數(shù)據(jù)的體素，從而創(chuàng)建二值化圖。可以使用二值化圖來確定在步驟S2中得到的對應(yīng)于室間隔膜(IS)的心外膜輪廓與心內(nèi)膜輪廓的部分(例如角度范圍)。由此識別的IS然后可以用于獲得心肌鐵含量。

在一個實(shí)施方案中，基于LV中的血池來自動確定閾值。閾值被選擇成使得清晰地區(qū)分血液與LV的組織。在黑-血T2*圖像中，血池的強(qiáng)度遠(yuǎn)低于心肌的強(qiáng)度。這個特性保證了基于-閾值的分割是提取RV的合適的方法。在一個實(shí)施方案中，閾值的值是通過計(jì)算如由步驟S2中提取的輪廓界定的LV的血池中的強(qiáng)度的平均值與標(biāo)準(zhǔn)偏差(SD)來確定的，且設(shè)定閾值等于平均值+SD。圖16顯示了典型的心肌圖像且圖17顯示了閾值的二值化結(jié)果。

在一個實(shí)施方案中，使用在步驟S3中創(chuàng)建的二值化圖來識別RV的血池。在一個實(shí)施方案中，RV的血池被識別為在LV的右側(cè)的預(yù)定的局部區(qū)域內(nèi)的最大的、閉合的血液特征。在圖17顯示的實(shí)施例中，局部區(qū)域?yàn)榘氡P形范圍16。17表明了RV的血池。

在步驟S4中，使用步驟S2中得到的擬合的輪廓與步驟S3中得到的二值化圖來識別在擬合的輪廓之間的組織的對應(yīng)于IS的一部分。在一個實(shí)施方案中，使用二值化圖來識別IS的上部邊緣與下部邊緣。在一個實(shí)施方案中，如圖18所示的，這通過確定發(fā)源于LV 22的中心的徑向線與RV的提取的血池的區(qū)域17僅在一點(diǎn)相交的角度而實(shí)現(xiàn)。LV 22的中心被標(biāo)示為18，且與RV的提取的血池的區(qū)域17相交的單個點(diǎn)被標(biāo)示為20。與從步驟S2得到的心外膜輪廓與心內(nèi)膜輪廓結(jié)合，IS可以如圖19所示被提取。右下角的插圖中顯示了最后形成的IS 26。

在一個實(shí)施方案中，如上文描述的IS的提取被以全自動的方式(例如完全由計(jì)算機(jī))執(zhí)行。但是，這不是必須的。在其他實(shí)施方案中，為用戶提供調(diào)整一個或多個擬合步驟的結(jié)果的選項(xiàng)是可能的。例如，可以規(guī)定允許用戶手動地調(diào)整在步驟S4中得到的IS的輪廓。替代地或附加地，可以規(guī)定允許用戶手動地調(diào)整在整個方法(包括步驟S21、S22、S23、S3與S4的任一步驟或全部)中使用的任何擬合過程的結(jié)果。在一個實(shí)施方案中，可以規(guī)定允許用戶調(diào)整IS的上部邊緣與下部邊緣，例如通過手動地調(diào)整上文參考圖18和19描述的點(diǎn)20和/或在從LV 22的中心延伸的徑向線之間的角度中的一個或二者的位置。

在步驟S5中，通過對成像數(shù)據(jù)的對應(yīng)于識別的IS的部分執(zhí)行T2*測量來探測心肌鐵含量。在一個實(shí)施方案中，對于多個TE處的圖像中的每一個測量IS中的信號強(qiáng)度，且IS-平均的數(shù)據(jù)與指數(shù)衰減模型擬合以導(dǎo)出T2*值：S(TE)＝S₀·e^-TE/T2*，其中S(TE)表示在TE處的信號強(qiáng)度且S₀代表零TE處的信號強(qiáng)度。如之前報(bào)告的(18)，對于黑-血心肌T2*測量不需要截?cái)?truncation)。在一個實(shí)施方案中，使用具有S₀與T2*的正約數(shù)的Levenberg-Marquardt非線性優(yōu)化方法(19)來執(zhí)行擬合。

發(fā)明人執(zhí)行了詳細(xì)的統(tǒng)計(jì)分析來證明自動方法在真實(shí)數(shù)據(jù)的背景下有效地工作。在下文中，不涉及用戶輸入的全自動方法被稱為“AISS”方法(其代表“自動室間隔膜分割”)。除了自動步驟外還涉及一定程度的用戶輸入(例如手動地調(diào)整輪廓等)的方法被稱為“sAISS”方法(代表“半-自動室間隔膜分割”)。

對總共144個具有不同程度的MIC的地中海貧血患者(73名男性，71名女性，平均年齡27歲)使用具有四-元心臟相控-陣列線圈與標(biāo)準(zhǔn)心電圖門控的1.5T掃描儀(德國埃朗根的西門子索納塔(Siemens Sonata))得到T2*測量。通過使用黑-血、多-回波(echo)、梯度-回波順序(sequence)(翻轉(zhuǎn)角20°，采樣帶寬810赫茲/像素，體素大小1.56×1.56×10mm³與取決于患者尺寸的可變視場(20～30)×40cm²)，對置于左心室(LV)的底部與頂部之間的一半位置的單個短-軸心室中部(midventricular)部分成像。在從2.54毫秒至17.90毫秒以單次屏氣大約2毫秒為增量的8回波次數(shù)(TE)獲得短-軸圖像。在射頻脈沖之間的重復(fù)時間為20毫秒。

通過使用如由Bland-Altman分析(20)所描述的差值的平均值與SD評估再現(xiàn)性。在兩種方法之間的一致性水平通過平均值之間的百分?jǐn)?shù)差+1.96SD的區(qū)間表示。此外，為獲得觀察者內(nèi)與觀察者間的變化性，變化系數(shù)(CoV)被定義為在兩次獨(dú)立的測量之間的差值的SD除以它們的平均值且表示為百分?jǐn)?shù)。使用皮爾森試驗(yàn)(Pearson’s test)執(zhí)行相關(guān)性分析。對于所有的統(tǒng)計(jì)分析，<0.05的P值被認(rèn)為是統(tǒng)計(jì)上顯著的。

在當(dāng)前研究中，在PC上使用內(nèi)部開發(fā)的軟件(MATLAB 2012a；The MathWorks,Natick,MA)執(zhí)行根據(jù)前文描述的實(shí)施方案的方法。由兩個經(jīng)訓(xùn)練的觀察員使用手動分割描繪的T2*測量被看做參照。在T2*測量之前數(shù)據(jù)被隨機(jī)化并匿名，且兩名觀察員看不到彼此的結(jié)果。

圖20與21顯示了對144個依賴輸血的患者應(yīng)用AISS方法和手動方法的T2*測量的散布圖和Bland-Altman圖。差值具有的平均值為1.71％，且置信區(qū)間為(-6.44％,9.85％)。在使用AISS方法與手動方法的T2*測量之間的CoV為4.15％(r＝0.9978,P<0.001)。

圖22與23顯示了對于手動方法的觀察員內(nèi)與觀察員間的再現(xiàn)性的Bland-Altman圖。對于手動方法的觀察員內(nèi)差值的平均值為-0.21％且區(qū)間為(-4.40％,3.98％)，且觀察員間差值的平均值為-0.32％且區(qū)間為(-7.13％,6.49％)。觀察員內(nèi)與觀察員間變化性的CoV分別為1.90％(r＝0.9995,P<0.001)與3.37％(r＝0.9986,P<0.001)。

對于半自動方法，sAISS，其中用戶能夠手動地調(diào)整自動擬合的結(jié)果，圖24與圖25分別呈現(xiàn)了觀察員內(nèi)與觀察員間的再現(xiàn)性的Bland-Altman圖。對于sAISS方法的觀察員內(nèi)差值的平均值為0.30％且區(qū)間為(-3.21％,3.82％)，而對于sAISS方法的觀察員間差值的平均值為0.30％且區(qū)間為(-3.21％,3.82％)。對于sAISS方法的觀察員內(nèi)與觀察員間的再現(xiàn)性的CoV分別為1.38％(r＝0.9998,P<0.001)與2.71％(r＝0.9991,P<0.001)，兩者中的任一個都小于手動方法中的該值。圖26與27顯示了在sAISS與手動方法之間的一致性的Bland-Altman圖，和sAISS與AISS方法之間的一致性的Bland-Altman圖。小的差值區(qū)間和低的CoV值表明sAISS與手動方法和AISS方法均具有良好的一致性。sAISS與手動之間的CoV為3.08％(r＝0.9988,P<0.001)，且sAISS與AISS之間的CoV為3.27％(r＝0.9987,P<0.001)，兩者的CoV都稍微低于AISS與手動之間的CoV(4.15％)。

在本實(shí)施例中，I-CV模型被用于LV邊緣/輪廓的提取。這個模型引入局部鄰域信息以減少在演化曲線(15)上的強(qiáng)度不均效應(yīng)。與其他活動輪廓模型相似，I-CV模型需要初始化，通常手動地確定該初始化。在本實(shí)施例中，CHT被用于自動探測心臟圖像中的同心圓作為初始化。隨著在初始T2*圖像上直接應(yīng)用CHT，在114個數(shù)據(jù)集合中的86.1％中成功檢測到心內(nèi)膜與心外膜，且在剩余的數(shù)據(jù)集合(13.9％)中只有一個圓在心肌范圍附近被初始化。對于后一種場景，為了給CHT提供更好的邊緣圖，在探測的圓周圍的局部范圍實(shí)施sFCM(9)將圖像二值化，且結(jié)果證明sFCM與CHT的組合成功地探測到兩個同心圓是良好的初始化方法。

在IS中的易受感染性低于LV心肌的其他區(qū)域，且根據(jù)IS計(jì)算的T2*值提供更低的觀察員內(nèi)與觀察員間的變化性(6)。因此，IS T2*測量被廣泛報(bào)告以在臨床實(shí)踐(4，5，7)反應(yīng)MIC。地中海貧血工具(英國，倫敦，心血管成像解決方案，CMR工具的插件)是一種廣泛使用的心肌T2*分析軟件，其使用從LV中心至LV/RV結(jié)合點(diǎn)的兩條徑向線來分割隔膜區(qū)域。以與建議的AISS方法相似的但自動化的方式提取IS。特別地，在AISS方法中自LV中心起始的兩條徑向線被自動地確定為在那些圍住RV的血池的徑向線之中具有最小間隔角的徑向線。

在本實(shí)施例中，AISS方法為全自動的，且用大約1.4秒來完成對一個數(shù)據(jù)集合的T2*分析。AISS方法與手動方法之間的Bland-Altman圖和CoV證明AISS方法與手動方法具有良好的一致性。AISS-限定的IS的總體平均值T2*稍微高于手動方法的總體平均值(平均差值，1.7％)，這可能是因?yàn)橛葾ISS提取的IS通常大于由手動方法提取的IS，這將T2*測量限制在窄的IS中以排除心肌邊緣(7)附近的高T2*像素。

半自動方法、“sAISS”方法的提供為臨床醫(yī)生提供進(jìn)一步容易地調(diào)整AISS-提取的IS的計(jì)算機(jī)輔助操作。在sAISS方法的實(shí)現(xiàn)中，在該患者組中平均大約45％的AISS-提取的IS被觀察員進(jìn)一步修改。與手動方法相比，對于sAISS方法觀察員內(nèi)與觀察員間的再現(xiàn)性的CoV都減少了。與手動方法相比，由于減少的主觀性，使用sAISS方法得到的差值的窄區(qū)間與CoV的減少值表明這種方法具有改善的觀察員內(nèi)與觀察員間的變化性。正如預(yù)期的那樣，在sAISS、AISS與手動方法之中的Bland-Altman圖證明由于觀察員的介入，sAISS與手動方法的一致性比AISS更好(平均差值，-0.35％相較于1.71％)。

本發(fā)明的實(shí)施方案是特別為黑-血T2*技術(shù)設(shè)計(jì)的，該技術(shù)可以大大地減少來自心肌的血液信號污染且因此提供比鮮亮的-血T2*技術(shù)(5)良好的心肌邊界定義。鮮亮的-血T2*弛豫(relaxometry)可用性更廣但由于流動偽影與較差的對比度，其具有與黑-血圖像不同的強(qiáng)度特性。

除非有明確的相反陳述，可以使用本領(lǐng)域技術(shù)人員非常熟悉的包括硬件諸如CPU與RAM的合適編程的計(jì)算機(jī)執(zhí)行前文描述的方法的步驟中的任何一個或所有步驟。

如圖28所示，在一個實(shí)施方案中，提供數(shù)據(jù)分析裝置60，其可以可選地形成MRI機(jī)器62的部分(或與其分立)。數(shù)據(jù)分析裝置60可以包括用來直接或間接地接收來自MRI數(shù)據(jù)采集系統(tǒng)66的MRI數(shù)據(jù)的輸入單元64。數(shù)據(jù)分析裝置60還可以包括配置為執(zhí)行前文所述方法的步驟的任何一個或所有的數(shù)據(jù)處理單元68(例如包括標(biāo)準(zhǔn)計(jì)算機(jī)硬件)?？梢蕴峁?例如通過存儲計(jì)算機(jī)程序的計(jì)算機(jī)介質(zhì)或通過網(wǎng)絡(luò)或其他數(shù)據(jù)連接)例如包括指令的計(jì)算機(jī)程序，當(dāng)所述指令運(yùn)行在計(jì)算機(jī)(例如數(shù)據(jù)處理單元68)上運(yùn)行時，使計(jì)算機(jī)執(zhí)行前文所述方法的步驟的任何一個或所有步驟。

在一個實(shí)施方案中，數(shù)據(jù)分析裝置60還包括用于允許用戶手動地與數(shù)據(jù)分析裝置60交互的用戶接口70，其中數(shù)據(jù)分析裝置60被配置成允許用戶使用用戶接口70調(diào)整以下步驟中的一個或多個的結(jié)果：按照左心室的心外膜與心內(nèi)膜邊緣擬合輪廓、創(chuàng)建二值化圖以及使用創(chuàng)建的二值化圖來識別室間隔膜。例如，用戶可以使用用戶接口70來移動與心外膜或心內(nèi)膜邊緣的擬合輪廓相關(guān)聯(lián)的像素，以調(diào)整從左心室血池的中心延伸的徑向線中的一個或兩個的角度，或移動限定室間隔膜的邊界的像素(如由前文所述的自動方法得到的)。

參考文獻(xiàn)：

1.Pennell DJ.T2*magnetic resonance:iron and gold.JACC Cardiovasc Imaging 2008；1(5):579-581.

2.Tanner MA,He T,Westwood MA,Firmin DN,Pennell DJ.Multi-center validation of the transferability of the magnetic resonance T2*technique for the quantification of tissue iron.Haematologica 2006；91(10):1388-1391.

3.Daar S,Pathare AV,Jain R,Zadjali SA,Pennell DJ.T2*cardiovascular magnetic resonance in the management of thalassemia patients in Oman.Haematologica 2009；94(1):140-141.

4.Smith GC,Carpenter JP,He T,Alam MH,Firmin DN,Pennell DJ.Value of black blood T2*cardiovascular magnetic resonance.J Cardiovasc Magn Reson 2011；13:21.

5.He T,Gatehouse PD,Kirk P,et al.Black-blood T2*technique for myocardial iron measurement in thalassemia.J Magn Reson Imaging 2007；25(6):1205-1209.

6.Yamamura J,Grosse R,Graessner J,Janka GE,Adam G,Fischer R.Distribution of cardiac iron measured by magnetic resonance imaging(MRI)-R*2.J Magn Reson Imaging 2010；32(5):1104-1109.

7.Saiviroonporn P,Viprakasit V,Boonyasirinant T,Khuhapinant A,Wood JC,Krittayaphong R.Comparison of the region-based and pixel-wise methods for cardiac T2*analysis in 50transfusion-dependent Thai thalassemia patients.J Comput Assist Tomo 2011；35(3):375-381.

8.Illingworth J,Kittler J.The adaptive hough transform.IEEE Trans Pattern Anal Mach Intell 1987；9(5):690-698.

9.Chuang KS,Tzeng HL,Chen S,Wu J,Chen T.Fuzzy c-means clustering with spatial information for image segmentation.Comput Med Imag Grap 2006；30(1):9-15.

10.Chan TF,Vese LA.Active contours without edges.IEEE Trans Image Process 2001；10(2):266-277.

11.Jonasson L,Bresson X,Thiran JP,Wedeen VJ,Hagmann P.Representing diffusion MRI in 5-D simplifies regularization and segmentation of white matter tracts.IEEE Trans Med Imaging 2007；26(11):1547-1554.

12.Maska M,Danek O,Garasa S,Rouzaut A,Munoz-Barrutia A,Ortiz-de-Solorzano C.Segmentation and shape tracking of whole fluorescent cells based on the Chan-Vese model.IEEE Trans Med Imaging 2013；32(6):995-1006.

13.Abdoli M,Dierckx RA,Zaidi H.Contourlet-based active contour model for PET image segmentation.Med Phys 2013；40(8):082507.

14.Lee SH,Seo JK.Level set-based bimodal segmentation with stationary global minimum.IEEE Trans Image Process 2006；15(9):2843-2852.

15.Zheng Q,Lu Z,Zhang M,Feng Q,Chen W.Gaussian Regularizing CV Model Using Entropy and Neighborhood Information.In:Proceedings of IFMBE,2012,Beijing,China；New York:Springer；2013.p.1832-1835.

16.Osher S,Sethian JA.Fronts propagating with curvature-dependent speed:algorithms based on Hamilton-Jacobi formulations.J Comput Phys 1988；79(1):12-49.

17.Aubert G,Kornprobst P.Mathematical problems in image processing:partial differential equations and the calculus of variations.New York:Springer；2006.

18.He T,Zhang J,Carpenter JP,et al.Automated truncation method for myocardial T2*measurement in thalassemia.J Magn Reson Imaging 2013；37(2):479-483.

19.Marquardt DW.An algorithm for least-squares estimation of nonlinear parameters.J Soc Ind Appl Math 1963；11(2):431-441.

20.Martin Bland J,Altman D.Statistical methods for assessing agreement between two methods of clinical measurement.Lancet 1986；327(8476):307-310.