CN1971565B - 根据分类索引创建图像数据库的系统、方法及设备 - Google Patents

根据分类索引创建图像数据库的系统、方法及设备 Download PDF

Info

Publication number
CN1971565B
CN1971565B CN2006101492121A CN200610149212A CN1971565B CN 1971565 B CN1971565 B CN 1971565B CN 2006101492121 A CN2006101492121 A CN 2006101492121A CN 200610149212 A CN200610149212 A CN 200610149212A CN 1971565 B CN1971565 B CN 1971565B
Authority
CN
China
Prior art keywords
image
anatomical features
images
data
parts
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN2006101492121A
Other languages
English (en)
Other versions
CN1971565A (zh
Inventor
J·布卢门费尔德
G·B·阿维纳什
W·J·布里奇
S·A·西罗海
S·米诺施马
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Washington
General Electric Co
Washington State University WSU
Original Assignee
University of Washington
General Electric Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Washington, General Electric Co filed Critical University of Washington
Publication of CN1971565A publication Critical patent/CN1971565A/zh
Application granted granted Critical
Publication of CN1971565B publication Critical patent/CN1971565B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/56—Details of data transmission or power supply
    • A61B8/565—Details of data transmission or power supply involving data transmission via a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Abstract

提供一种系统、方法和设备，通过这些系统、方法和设备，在一些实施中按照人指定的严重性来生成具有疾病或医疗状况的严重等级分类(322)的图像数据库(102)。在一些实施例中，通过比较(1506)患者的图像和数据库中的图像来诊断疾病或医疗状况的严重性。在一些实施例中，通过比较(1202)患者图像和数据库中的图像来度量(1104)患者疾病或医疗状况的严重性变化。

Description

根据分类索引创建图像数据库的系统、方法及设备
相关申请
本申请涉及2005年9月29日提交的标题为“SYSTEM，METHODS ANDAPPARATUS FOR TRACKING PROGRESSION AND TRACKING TREATMENT OFDISEASE FROM CATEGORICAL INDICES”的联合待决的美国专利申请序列号11/241,570。
本申请涉及2005年9月29日提交的标题为“SYSTEM，METHODS ANDAPPARATUS FOR DIAGNOSIS OF DISEASE FROM CATEGORICAL INDICES”的联合待决的美国专利申请序列号11/240,609。
技术领域
本发明一般涉及医疗诊断，以及尤其涉及根据患者图像对医疗状况的诊断。
背景技术
神经内分泌失调(NDD)是医疗状况或疾病的一种形式。NDD很难在早期被检测也很难以一种标准化的形式对不同患者群体的比较进行量化。研究员已经开发了用于确定与普通患者群体统计偏差的方法。
这些早期的方法包括利用解剖学以及强度这两种类型的标准化来转换患者图像。解剖学标准化将图像从患者的坐标系统转换到标准化的参考坐标系统。强度标准化涉及调整患者的图像使其具有和参考图像相同的强度。作为结果的转换图像与参考数据库比较。数据库包括特定于年龄及示踪剂的参考数据。大多数作为结果的分析都表现为点态或区域态标准化偏差的形式，典型地描述为Z记分。在一些实施例中，示踪剂是一种在核成像中使用的放射性示踪剂。
NDD检测的关键元素是与标准的数据库分离的年龄和示踪剂的发展。和这些标准的比较仅仅发生在标准域，例如Talairach域或Montreal Neurological Institute(MNI)域。MNI通过在普通控制下使用大的核磁共振成像(MRI)扫描序列来定义标准的脑。Talairach域参考了由Talairach和Tournoux图谱而分割和成像的脑。在Talairach域和MNI域中，必须利用对准技术将数据映射到这种标准域上。目前利用上述方法变换的方法包括示踪剂NeuroQ
Figure 10003_0
、统计学参数匹配(SPM)、3D-立体平面投影(3D-SSP)等。
一旦进行比较，就显示表示解剖学统计偏差的图像，并且此后如果可能的话便根据图像来执行疾病诊断。诊断是一项非常专业化的工作且仅能由受过高等专门训练的医学图像专家来执行。甚至，这些专家仅根据疾病的严重程度作出主观判断。因此，诊断倾向于不一致性以及非标准化。诊断倾向于不同于科学的领域。
由于上述原因，以及下面陈述的其他原因，可以使本领域技术人员清楚地阅读和理解给出的说明，在技术上需要医疗解剖图像的医疗状况及疾病的诊断技术更加一致、正式以及可靠。
发明内容
这里描述了上述内容的缺点、不利因素以及问题，通过阅读和学习下面的说明来对其进行理解。
在一个方面中，一种用于创建标准化医疗诊断图像的分类索引的方法包括：访问至少一个解剖区域的图像数据，该解剖图像数据与成像时解剖区域中至少一个示踪剂有关的功能信息的指示相一致；基于人的标准根据解剖图像数据以及根据标准化解剖图像数据来确定偏差数据，呈现至少一个解剖区域中每个的偏差数据；呈现预期的图像偏差，对于至少一个解剖区域的每一个其被分类到一个严重程度；接收严重性索引的选择指示；以及根据基于规则的处理来根据多个严重性索引生成组合的严重性分数。
在另一个方面中，一种用于在医疗诊断图像的标准化分类索引方面培训人的方法包括：访问至少一个解剖区域中的图像数据，该解剖图像数据与成像时在解剖区域中的至少一个示踪剂有关的功能信息的指示相一致，根据解剖图像数据并根据标准化的标准解剖图像数据来生成偏差数据，呈现至少一个解剖区域中每个的偏差数据，呈现专家确定的图像偏差，为至少一个解剖区域中的每一个其被分类到一个严重程度，以及基于所显示图像的可视相似性和专家确定的图像偏差来指导人进行严重性索引选择指示的选择。
在又一个方面中，一种用于识别疾病状况变化的方法包括：访问解剖特征的至少两个纵向图像数据，该纵向的解剖图像数据与成像时在解剖特征中的至少一个示踪剂有关的功能信息的指示相一致，以及基于人的标准根据每一个纵向解剖图像数据并根据标准化的标准解剖图像数据来确定偏差数据，呈现解剖特征的偏差数据，呈现期望的图像偏差，对于每个解剖特征其被分类到一个严重程度，接收每个纵向数据集的严重程度索引的选择指示，并按照基于规则的处理根据多个严重性索引来生成组合的严重性变化分数。
在又另一个方面中，一种用于识别疾病状况变化的方法包括：访问解剖特征的纵向图像数据，根据成像时在解剖特征中的至少一个示踪剂来比较解剖纵向图像数据和标准化的标准解剖图像数据，呈现每个解剖特征的偏差数据，呈现期望的图像偏差，对于每个解剖特征其被分类到一个严重程度，接收解剖特征的每个纵向图像数据集的严重程度索引的选择指示，解剖的纵向图像数据与成像时在解剖特征中的至少一个示踪剂有关的功能信息的指示相一致，按照基于规则的处理根据多个严重性索引生成组合的严重性变化分数，并且呈现组合的严重性变化分数。
在进一步的方面中，一种用于创建诊断医学图像的范例知识库的方法包括：访问至少一个解剖特征的图像偏差数据，为每个图像偏差数据分配一个分类的严重程度，以及生成图像偏差数据和每个图像偏差数据分类的严重程度的数据库。
这里描述了不同范围的系统、客户端、服务器、方法以及计算机可读介质。除了在发明内容中描述的方面和优点之外，通过结合附图以及通过阅读下面更详细的描述，进一步的方面及其优点将变得清楚。
附图说明
图1是用于从一般患者群体确定统计偏差的系统概貌的框图；
图2是用于从一般患者群体确定统计偏差的方法的流程图；
图3是引导阅读器到严重性索引的静态比较工作流的图表；
图4是根据一个实施例用于创建结构化和固有医疗诊断指令辅助程序的方法的流程图；
图5是根据在图4所示的方法之前所执行的动作的一个实施例的方法的流程图；
图6是根据一个实施例用于创建结构化和固有医疗诊断指令辅助程序的方法的流程图；
图7是根据一个实施例用于在医疗诊断图像的标准化分类索引方面培训人的方法的流程图；
图8是根据在图7所示的方法之前所执行的动作的一个实施例的方法的流程图；
图9是根据一个实施例用于创建结构化和固有医疗诊断指令辅助程序的方法的流程图；
图10是根据一个实施例用于识别疾病状态变化的方法的流程图；
图11是根据一个实施例用于创建诊断医学图像的范例或常规知识库的方法的流程图；
图12是根据一个实施例用于生成偏差数据的方法的流程图；
图13是根据一个实施例用于生成参考诊断医疗图像的方法的流程图；
图14是硬件和操作环境的框图，其中实施了不同的实施例；
图15是根据一个实施例用于生成参考诊断医疗图像的设备的框图。
具体实施方式
下面的详细说明中，附图说明组成本文中的一部分，以及其中通过说明的方式示出可以实践的特定实施例。这些实施例被描述的足够详细以使本领域技术人员能够实现，且可以理解的是，其他实施例可以被利用以及在不超出实施例的范围的前提下可以作出逻辑上、机械上、电路上以及其他方式的修改。因此下面的详细描述不能理解为限制性的。
详细描述被分为五个部分。第一部分描述了系统级概貌。第二部分描述了方法的实施例。第三部分结合了可实施的实施例描述了硬件和操作环境。第四部分描述了设备的实施例。第五部分提供了详细描述的结论。
系统级概貌
图1是系统概貌的框图，用于从一般患者群体确定统计偏差。系统100解决本领域中提供更加一致、正式的以及可靠的医学解剖图像的医疗状况及疾病的诊断的需要。
系统100包括常规图像数据库102。常规图像数据库102包括非疾病的解剖结构图像。常规图像数据库102提供用于比较的基准以帮助识别疾病的解剖结构图像。该比较基准根据医学解剖图像提供更加一致、正式以及可靠的医疗状况及疾病的诊断。
在一些实施例中，常规图像数据库102由部件104和另一个部件106生成，部件104标准化常规的解剖图像且提取解剖特征，并且另一个部件106均分被提取的解剖特征图像。均分的解剖特征图像充分位于被考虑作为常规解剖特征的典型非疾病解剖特征范围之内。下面图11和图12示出了生成常规图像数据库102的例子。
系统100还包括部件108，其标准化患者的解剖图像并提取标准化患者图像的解剖特征。被提取的解剖特征的图像以及常规图像数据库102中的图像以允许比较的格式来编码。
系统100还包括部件110，其执行被提取的解剖特征的图像以及常规图像数据库102中的图像之间的比较。在一些实施例中，执行一个象素一个象素的比较。在一些实施例中，比较产生静态的比较工作流112。静态比较工作流的一个实施例如图3所示。在一些实施例中，比较产生Z记分的数据库114，Z记分特定于特殊的解剖特征。在一些实施例中，比较产生纵向比较工作流116。纵向的被理解为是时间的。纵向比较在一个时间间隔上比较图像。下文中图15中的设备1500描述了相关的实施例。
一些实施例在计算机的多处理、多线程的操作环境中操作，例如图14中的计算机1402。尽管系统100不限于任何特定的常规图像数据库102、标准化常规的解剖图像并提取解剖特征的部件104、均分被提取的解剖特征图像的部件106、标准化患者的解剖图像并提取标准化患者图像的解剖特征的部件108、执行被提取的解剖特征与常规图像数据库中图像之间比较的部件110、静态比较工作流112、特定于特殊解剖特征的Z计分的数据库114、以及纵向比较工作流116，为了使简明，描述了简化的常规图像数据库102、标准化常规的解剖图像并提取解剖特征的部件104、均分被提取的解剖特征图像的部件106、标准化患者的解剖图像并提取标准化患者图像的解剖特征的部件108、执行被提取的解剖特征与常规图像数据库中图像之间比较的部件110、静态比较工作流112、特定于特殊解剖特征的Z计分的数据库114、以及纵向比较工作流116。
方法实施例
在前面的部分中，描述了实施例操作的系统级概貌。在这一部分中，所述实施例的特殊方法通过参照一系列的流程图来描述。通过参照流程图来描述方法可以使本领域技术人员开发那些包括用于在合适的计算机上实现该方法的指令的程序、固件或硬件，以执行计算机可读介质上的指令。类似地，通过服务器计算机程序、固件或硬件来执行的方法也由计算机可执行指令组成。方法200-1300通过在计算上执行的程序来实现，或通过如图14中示出的为计算机1402这样的计算机的一部分的固件或硬件来实现。
图2是用于确定常规患者群体的统计偏差的方法200的流程图。方法200包括标准化202常规解剖图像以及提取解剖特征。在一些实施例中，标准化包括映射常规的解剖图像到定义的地图/坐标系统例如Talairach域或Montreal Neurological Institute(MNI)域。方法200还包括均分204被提取的解剖特征图像以产生常规、非疾病解剖特征的数据库。
方法200包括标准化206患者的解剖图像并从标准化患者图像中提取解剖特征。方法200还包括比较208被提取的患者解剖特征的图像和常规图像数据库中的图像。
方法200还包括生成210静态的比较工作流，生成212特定于特殊解剖特征的Z计分的数据库114，以及生成214纵向比较工作流。纵向的被认为是时间的。纵向比较在一个时间间隔上比较图像。
在方法200的一些实施例中，在生成212特定于特殊解剖特征的Z计分的数据库114之后，方法200还包括访问一个或多个特定解剖特征的一个或多个图像，例如脑，这些特征与特定于解剖体的Z索引的数据库中的特定示踪剂关联，以及将检索的脑图像数据和与相同示踪剂相关联的标准化脑图像数据102进行比较，这产生一个或多个严重性分数；并接着更新与该严重性分数相关联的Z计分的数据库114，任选地编辑、改进、和/或更新严重性Z计分，并呈现范例图像和关联的Z计分的数据库114中的严重性分数。
图3是静态比较工作流图表，用于引导阅读器到严重性索引。静态比较工作流300可操作用于多个解剖特征，例如解剖特征“A”302、解剖特征“B”304、解剖特征“C”306、以及“第n个”解剖特征308。解剖特征的例子包括脑或心脏。
对于每个解剖特征，提供多个具有各种程度疾病或状况的图像。例如，对于解剖特征“A”302，提供多个具有各种程度疾病或状况的图像310，对于解剖特征“B”304，提供多个具有各种程度疾病或状况的图像312，对于解剖特征“C”306，提供多个具有各种程度疾病或状况的图像314，对于解剖特征“N”308，提供多个具有各种程度疾病或状况的图像316。
对于每个解剖特征，根据疾病或状况的严重性来为解剖特征的图像排序318。例如，对于解剖特征“A”302，按照从疾病或状况的最小程度或数量，到疾病或状况的最大数量或程度的升序来排序图像310。
此后，评估图像320以确定同按次序的图像组相比较的图像320中的疾病或状况的程度。例如，评估图像320以确定同解剖特征“A”302的按次序的图像310组相比较的图像320中的疾病或状况的程度。在一些实施例中，评估用于多个解剖结构302、304、306和308的来自患者的多个图像320。
比较过程生成严重性索引322，其表示或代表患者图像320中的疾病程度。在一些实施例中，生成多个严重性索引322，其表示或代表患者图像320中的疾病程度。在一些进一步的实施例中，利用统计分析326来生成合计的患者严重性分数324。
静态比较工作流300可操作用于多个解剖特征和多个样本数据。但是，该数量的解剖特征和该数量的样本数据只是多个解剖特征和多个样本数据的一个例子。在其他实施例中，可以执行其他数量的解剖特征和其他数量的样本数据。
图4是根据一个实施例用于创建结构化和固有医疗诊断指令辅助程序的方法400的流程图。方法400解决本领域对于来自医学解剖图像的医学状况及疾病的诊断更一致、更正式且更可靠的需要。
方法400包括接收402解剖特征图像的严重性索引的指示。该严重性索引指示了与非疾病解剖特征相比较的解剖结构中的疾病程度。解剖结构的例子包括脑和心脏。通过由用户指定期望的/专家指导的图像来触发每个解剖位置和示踪剂的严重性索引。
当解剖特征包括在至少一个示踪剂中时已经生成每个图像。利用多个传统成像技术中的一个来获得图像，例如像磁共振成像、正电子发射层析X射线摄影法、可算式层析X射线摄影法、单光子发射层析-可算式层析X射线摄影法、单光子发射可算式层析X射线摄影法、超声波以及光学成像。
接收402严重性索引的一些实施例包括从或通过图形用户接口接收被选的严重性索引，其中被选的严重性索引通过人手工操作进入图形用户接口。在那些实施例中，人们通过将严重性索引输入到计算机键盘来开发严重性索引并传输严重性索引，从所述计算机键盘接收严重性索引。在一些实施例中，接收402多个图像中的每一个的严重性索引。
方法400还包括根据动作402接收的多个严重性索引中生成404组合的严重性分数。该组合的严重性分数参照基于规则的处理来形成。在一些实施例中，参照基于规则的处理根据多个严重性索引来生成或总计组合的严重性分数。在一些实施例中，通过利用基于规则的方法来总计每个解剖和示踪剂的严重性索引，以形成疾病状态的总严重性分数。
图5是根据在图4所示的方法400的接收动作402之前执行的动作的一个实施例的方法500的流程图。方法500解决了本领域对于医学解剖图像的医学状况和疾病更一致、更正式且更可靠的诊断的需求。
方法500包括访问502特定于脑或其他解剖特征的图像数据。脑图像数据与成像时在脑中的至少一个示踪剂有关的功能信息的指示相一致。在一些实施例中，利用比如像F-18-脱氧葡萄糖或氟脱氧葡萄糖(FDG)、Ceretec
Figure 10003_1
、Trodat
Figure 10003_2
等的放射示踪剂或放射性药物来为患者特定的解剖及功能信息成像，。每个放射示踪剂提供与功能和新陈代谢有关的独立、特征信息。被访问的患者图像对应于相应的示踪剂和年龄群体被标准化。
方法500还包括基于人的标准根据脑图像数据并根据标准化的脑图像数据来确定504偏差数据。人的标准的例子有患者的年龄和/或性别。在一些实施例中，确定偏差数据包括参照成像时在脑中的至少一个示踪剂来比较脑图像数据和标准化的脑图像数据，如上面图3所示的。在一些实施例中，一个像素一个像素地将图像与标准化的普通患者的参考图像进行比较。
此后，方法500包括显示506脑偏差严重性数据给用户。在一些实施例中，差别图像可以用表示偏离每一个解剖位置和示踪剂常态的颜色或灰度级别的形式。
在其他实施例中，偏差数据被呈现在其他介质中，例如在纸上打印。
接着，所期望的图像偏差被分类到与脑关联的严重程度并被呈现508给用户。严重性索引提供量化的脑的疾病程度、状况或异常。
图6是根据一个实施例用于创建结构化和固有医疗诊断指令辅助程序的方法600的流程图。方法600解决本领域的对于医学解剖图像的医学状况和疾病更一致、更正式且更可靠的诊断的需求。
在方法600中，访问动作502、确定动作504、呈现动作506和508以及接收动作402都在执行生成动作404之前执行了多次。特别地，访问动作502、确定动作504，呈现动作506和508以及接收动作402被执行直到不再有602解剖体数据可用于处理。例如，在图3中，每个解剖特征“A”302、解剖特征“B”304、解剖特征“C”306、以及“第n个”解剖特征308的索引在动作502-508中生成。
当所有的动作502-508的迭代都完成之后，生成404组合的严重性分数。根据更多数量的数据生成严重性分数，这有时候被考虑或者被认为提供更精确可靠的组合的严重性分数。
在上述方法600中描述的实施例中，串行生成每个解剖特征的索引和分数。然而，方法600的其他实施例并行生成每个解剖特征的索引和分数。
图7是根据一个实施例用于在医疗诊断图像的标准分类索引方面培训人的方法700的流程图。方法700解决本领域的对于医学解剖图像的医学状况和疾病更一致、更正式且更可靠的诊断的需求。
方法700包括用严重程度的分类向用户呈现702脑的专家确定的期望图像偏差。该严重性索引提供量化的脑的疾病程度、状况或异常。
此后，方法700包括在基于表示图像的可视相似性以及专家确定的图像偏差引导704人在严重性索引指示选择中进行选择。图像引导用户为患者作出严重性评估。
图8是根据在图7示出的方法700之前执行的动作的一个实施例的方法800流程图。方法800解决本领域对于医学解剖图像的医学状况和疾病更一致、更正式且更可靠的诊断的需求。
方法800包括访问802特定于脑或其他解剖特征的图像数据。脑图像数据与成像时脑中的至少一个示踪剂有关的功能信息的指示相一致。
方法800还包括基于人的标准根据脑图像数据并根据标准化脑图像数据来确定804偏差数据。人的标准的例子有患者的年龄和/或性别。在一些实施例中，确定偏差数据包括参照成像时在脑中的至少一个示踪剂来比较脑图像数据和标准化脑图像数据，如上面图3所示的。
此后，方法800包括显示806脑偏差严重性数据给用户。在其他实施例中，偏差数据被呈现在其他介质中，例如在纸上打印。
图9是根据一个实施例用于创建结构化和固有医疗诊断指令辅助程序的方法900的流程图。方法900解决本领域的对于医学解剖图像的医学状况和疾病更一致、更正式且更可靠的诊断的需求。
在方法900中，访问动作802、确定动作804、呈现动作806和702以及引导动作704都在生成组合的严重性分数之前执行多次。
图10是根据一个实施例用于识别疾病状态变化的方法1000的流程图。方法1000解决本领域的对于医学解剖图像的医学状况和疾病更一致、更正式且更可靠的诊断的需求。
方法1000的一些实施例包括访问1002特定于至少两个解剖特征的纵向图像数据。该纵向解剖图像数据参照成像时在解剖特征中的至少一个示踪剂来指示功能信息。解剖特征的例子包括脑或心脏。纵向被认为是时间的。纵向比较过程在一个时间间隔上来比较图像。
利用大量传统的成像技术来获取图像，例如核磁共振成像、正电子发射层析X射线摄影法、可算式层析X射线摄影法、单光子发射层析-可算式层析X射线摄影法、超声波以及光学成像。利用两个不同时间实例下的示踪剂来为患者成像特定的解剖以及功能信息。每个示踪剂提供与功能和新陈代谢有关的独立特征信息。在每个时间实例下访问的患者图像根据相应的示踪剂和年龄群体被标准化。
此后，方法1000的一些实施例包括基于人的标准根据每一个纵向解剖图像数据并根据标准化图像数据来确定1004偏差数据。人的标准的例子有患者的年龄和/或性别。确定1004偏差数据的一些实施例包括参照成像时在解剖特征中的一个示踪剂来比较解剖纵向图像数据和标准化解剖图像数据。在一些实施例中，一个像素一个像素地将纵向分析中的每个时间实例上的图像与标准的普通患者的参考图像进行比较。
接着，方法1000包括向用户呈现解剖特征的1006偏差严重性数据。在一些实施例中，偏差数据由能示出纵向解剖图像与标准化解剖图像之间的区别的差别图像组成。而且差别图像可以用表示偏离每一个解剖位置和示踪剂以及纵向分析的每一个时间实例常态的颜色或灰度级别的形式。
此后，方法1000包括向用户1008呈现期望的图像偏差，其被分类到与解剖特征关联的按照严重程度。在一些实施例中，用户匹配期望的图像，在所有纵向分析的实例下，触发每个解剖位置和示踪剂的严重性索引。
接着，方法1000包括从用户接收1010每个纵向数据集的严重性索引的选择指示。接收1010严重性索引的指示的一些实施例包括从图形用户接口接收被选的严重性索引，其中被选的严重性索引通过人手工操作输入到图形用户接口。在一些实施例中，向用户显示与严重性程度相关联的期望图像。图像引导用户在纵向分析的每个临时时间实例中为当前患者作出严重性评估。
接着，方法1000包括根据多个严重性索引的组合生成1012严重性变化分数。在一些实施例中，根据基于规则的处理来生成严重性变化分数以及接着向用户呈现组合的严重性变化分数。生成组合的严重性分数的一些实施例包括根据基于规则的处理来总计多个严重性索引。在一些实施例中，利用基于规则的方法来单独地或比较地(纵向学习实例差异)总计每个解剖及示踪剂严重性索引，以在所有纵向学习的实例上为疾病状况形成总的变化严重性分数。两种变化确定的方法可以实现，一个是更能表示解剖位置的变化而另一个提供总的疾病状态严重性分数变化。
在方法1000的一些实施例中，访问1002纵向图像数据、确定1004偏差、呈现1006和1008以及接收1010严重性索引都在生成1012并显示1014组合的严重性变化分数之前执行多次。在一些实施例中，在一个时间周期上为特定的解剖体显示多个严重性索引，其显示在该时间周期上疾病治疗进展的改进或不足。
图11是根据一个实施例用于创建诊断医学图像的范例或常规知识库的方法1100的流程图。方法1100解决本领域的对于医学解剖图像的医学状况和疾病更一致、更正式且更可靠的诊断的需求。
方法1100包括访问1102与特定示踪剂相关的一个或多个特定解剖特征的一个或多个图像。偏差数据是这样的一种数据，其表示来自被考虑用来表示常规解剖状况或非疾病解剖体的图像的偏差或差异。在一些实施例中，在执行方法1100之前，通过比较来自于标准对象数据库和包括与疾病的所有严重性相关的数据的可疑疾病图像数据库的图像，来导出偏差图像数据，例如像下面图12中的方法1200中描述的那样。
在一些实施例中，在不利用患者的示踪剂的情况下创建安或生成导出图像偏差数据的图像。在其他实施例中，利用患者中的示踪剂来创建或生成导出图像偏差数据的图像。
方法1100还包括向与疾病的所有严重性相关的功能信息的指示相一致的偏差数据的每个图像分配1104严重性的分类程度。该分类的严重程度描述了特定范围内疾病或医疗状况的严重程度。在一些实施例中，分类的严重程度描述了示例图像的图像偏差度量。图3中描述了疾病或状况程度的例子，根据图像升序318，在升序的图像中每个图像表示一个疾病或状况分类的严重程度。
此后，方法1100包括生成1106图像偏差数据和分类的严重程度的数据库或知识库给每个图像偏差数据。在一个实施例中，用图像偏差数据和相关联的图像偏差数据的分类的严重程度来生成或更新图1中的常规图像数据库102。
方法1100的一些实施例还包括改进或更新范例严重性偏差数据。更特别地，范例严重性偏差数据库通过总计新分配的严重性偏差图像和已存在的严重性图像来被改进，或通过引入新的严重性偏差图像分类或通过移除存在的分类来被更新。
图12是根据一个实施例用于生成偏差数据的方法1200的流程图。方法1200可以在以上方法1100之前执行以生成方法1100中所需的偏差数据。方法1200解决本领域的对于医学解剖图像的医学状况和疾病更一致、更正式且更可靠的诊断的需求。
方法1200包括访问1102一个或多个特定解剖特征的一个或多个图像，例如脑，这些图像与特定的示踪剂相关联。
方法1200还包括将脑图像数据和与相同的示踪剂相关的标准化脑图像数据相比较1202，如上面图3中示出的，产生数据库中的图像表示脑中疾病可疑区域的图像之间的偏差。在一些实施例中，比较1202参照示踪剂来执行，或在其他实施例中，不参照示踪剂来执行。
方法1200还包括根据比较来生成1204偏差图像数据。
图13是根据一个实施例用于生成参考诊断医疗图像的方法1300的流程图。方法1300解决本领域的对于医学解剖图像的医学状况和疾病更一致、更正式且更可靠的诊断的需求。
方法1300包括访问1302数据库；该数据库包含与示踪剂相关的多个常规潜伏期的解剖特征图像。在一些实施例中，动作1302包括，通过使用与示踪剂相关的动作指令用常规对象来创建标准化数据库。
方法1300此后包括访问502表示解剖特征中疾病可疑区域的图像，将表示解剖特征中疾病可疑区域的图像与数据库中图像进行比较1202，从而产生在表示解剖特征中疾病可疑区域的图像与数据库中图像之间的偏差。在一些实施例中，访问图像包括通过利用示踪剂来访问可疑图像数据库，该图像与功能信息的指示相一致，功能信息潜在地对应于疾病的各种严重性。
接着为每个解剖特征生成1204表示偏差的多个图像，向表示偏差的多个图像的每一个分配1104分类的严重程度，以及生成1106表示偏差的多个图像的数据库和表示偏差的多个图像的每一个的分类的严重程度。
在方法1300的一些实施例中，范例严重性偏差数据库通过合计新分配的严重性偏差图像和已存在的严重性图像来被改进，或通过引入新的严重性偏差图像分类或通过移除存在的分类来被更新。
在一些实施例中，方法200-1300被实现为以载波体现的计算机数据信号，其表示指令序列，当通过处理器执行时，例如图14中的处理器1404，该指令序列使处理器执行各自的方法。在其他实施例中，方法200-1300被实现为具有能够指导处理器，例如像图14中的处理器1404可执行指令的计算机可存取介质以执行各自的方法。在各种实施例中，介质是磁性介质、电子介质、或光学介质。
更具体地，在计算机可读程序实施例中，可以利用面向对象语言面向对象地结构化程序，例如利用Java，Smalltalk或C++，以及利用过程语言面向过程地结构化程序，例如利用COBOL或C。软件组件以多种本领域技术人员熟知的方式中的任何一种进行通信，例如应用程序接口(API)或进程间的通信技术例如远程过程调用(RPC)、公用对象请求代理程序体系结构(CORBA)、组件对象模型(COM)、分布式组件对象模型(DCOM)、分布式系统对象模型(DSOM)以及远程方法调用(RMI)。该组件在少如图14中的计算机1402上执行，或者至少在具有多个组件的多个计算机上执行。
硬件和操作环境
图14是硬件和操作环境1400的框图，其中实施了不同的实施例。图14的描述提供了计算机硬件的概观以及与可执行的一些实施例相结合的合适计算环境。实施例以计算机执行计算机可执行指令的形式来描述。但是，一些实施例可以完全在计算机硬件中实现，其中在只读存储器执行计算机可执行指令。一些实施例也可以在客户端/服务器的计算环境中实施，其通过通信网络来链接执行任务的远程设备。程序模块位于分布式计算环境中的本地及远程的记忆体储存器设备中。
计算机1402包括处理器1404，可以从Intel、Motorola、Cyrix等获得。计算机1402还包括随机存取存储器(RAM)1406、只读存储器(ROM)1408、以及一个或多个大容量存贮器设备1410、和系统总线1412，其可操作性耦合各种系统部件到处理单元1404。存储器1406、1408、以及大容量存贮器设备1410是计算机可存取媒体的类型。大容量存贮器设备1410是更特别的非易失性计算机可存取介质的类型且能包括一个或多个磁盘驱动、软盘驱动、光盘驱动、以及磁带驱动。处理器1404执行计算机可存取媒体上存储的计算机程序。
计算机1402可以通过通信设备1416通信地连接到英特网1414。英特网1414的连接性在本领域中是已知的。在一个实施例中，通信设备1416是调制解调器，其通过本领域所知的“拨号连接”响应于通信设备以连接到英特网。在另一个实施例中，通信设备1416是Eternet
Figure 10003_3
或连接到局域网(LAN)的类似的硬件网卡，其通过本领域所知的“直接连接”(例如，T1线路等)自行连接到英特网。
用户通过例如键盘1418或指针设备1420这样的输入设备来向计算机1402输入指令和信息。键盘1418允许向计算机1402输入文本信息，如本领域所知的，且实施例不限于任何特定形式的键盘。指示设备1420允许控制由例如像Microsoft Windows
Figure 10003_4
版本的操作系统的图形用户接口(GUI)提供的屏幕指示器。实施例不限于任何特定的指示设备1420。这种指示设备包括鼠标、触摸板、轨迹球、远程控制和指示操纵杆。其他输入设备(未示出)包括麦克风、操纵杆、游戏垫、卫星反射器、扫描器或类似设备。
在一些实施例中，计算机1402可操作性地耦合到显示设备1422。显示设备1422连接到系统总线1412。显示设备1422允许显示信息，包括计算机、视频以及其他信息，以便计算机用户观看。实施例不局限于任何特定的显示设备1422。这样的显示设备包括阴极射线管(CRT)显示器(监视器)，以及平板显示器，例如液晶显示器(LCD)。除了监视器之外，计算机典型地包括其他外围的输入/输出设备，像打印机(未示出)。扬声器1424和1426提供信号音频输出。扬声器1424和1426也连接到系统总线1412。
计算机1402还包括操作系统(未示出)，其存储在计算机可存取媒体RAM 1406、ROM 1408以及大容量存贮器设备1410中，且由处理器1404来执行。操作系统的例子包括Microsoft Windows
Figure 10003_5
、AppleMacOS
Figure 10003_6
、Linux
Figure 10003_7
、UNIX。示例并不局限于任何特定的操作系统，但是这些操作系统的结构和使用都是本领域熟知的。
计算机1402的实施例不限于任何类型的计算机1402。在多种实施例中，计算机1402包括PC兼容的计算机、MacOS
Figure 10003_9
兼容的计算机、Linux
Figure 10003_10
兼容的计算机、或UNIX
Figure 10003_11
兼容的计算机。这些操作系统的结构和操作都是本领域熟知的。
可以利用至少一种操作系统来操作计算机1402以提供一种包括用户可控制指示器的图形用户接口(GUI)。计算机1402具有至少一个在至少一种操作系统中执行的网络浏览器应用程序，以允许计算机1402的用户访问通过统一资源定位器(URL)定位的内联网、外联网或英特网万维网页面。浏览器应用程序的例子包括NetscapeNavigator和Microsoft Internet Explorer
Figure 10003_13
。
计算机1402能够利用逻辑连接到一个或多个远程计算机在网络环境中操作，例如远程计算机1428。这些逻辑连接通过耦合到计算机1402或其一部分上的通信设备来实现。实施例不局限于特定类型的通信设备。远程计算机1428可以是其它计算机、服务器、路由器、网络PC、客户机、对等设备或其他通用的网络节点。图14中描述的逻辑连接包括局域网(LAN)1430以及广域网(WAN)1432。这种联网环境在办公室、企事业计算机网络、内联网、外联网以及因特网中是很常见的。
当在LAN-联网环境中使用时，计算机1402和远程计算机1428通过网络接口或适配器1434被连接到本地网1430，其是一种通信设备1416类型。远程计算机1428也包括网络设备1436。当在传统的WAN-联网环境中使用时，计算机1402和远程计算机1428通过调制解调器(未示出)与WAN1432通信。调制解调器，可以是内部的或外部的，被连接到系统总线1412。在网络环境中，相对于计算机1402或其中部分来描述的程序模块被存储在远程计算机1428内。
计算机1402还包括电源1438。每个电源可以是电池。
设备实施例
在前面的部分中，描述了方法。在这一部分，描述所述实施例的特定设备。
图15是根据一个实施例用于生成参考诊断医疗图像的设备1500的框图。设备1500解决本领域的对于医学解剖图像的医学状况和疾病更一致、更正式且更可靠的诊断的需求。
设备1500中，可以在图像数据上执行四个不同的比较；未处理图像比较1502、标准偏差图像比较1504、严重性图像比较1506、以及严重性分数比较1508。在任何阶段1502、1504、1506或1508上都能发生比较。每一个比较1502-1508都在纵向(时间)域上被执行，例如检查时间T11510和检查时间T21512。
在检查时间T11510和检查时间T21512上，多个未处理的原始图像1514和1516，1518和1520分别通过数字图像设备来生成。
在检查时间T11510和检查时间T21512上，根据未处理的原始图像并根据一个或多个标准图像(未示出)生成下面三个数据中的任何一个：多个标准偏差图像1522和1524，以及1526和1528；严重性索引1530-1536或严重性分数1538和1540。偏差图像1522-1528用图形表示未处理的原始图像1514-1520与标准图像之间的偏差。严重性索引1530-1536用数字表示未处理的原始图像1514-1520与标准图像之间的临床上感觉的偏差。根据严重性索引1530-1536生成严重性分数1538和1540。严重性分数1538和1540用数字表示未处理图像1514-1520状况的组合临床指示。
结论
描述了一种基于计算机的医疗诊断系统。尽管这里已经示出并描述了特定的实施例，本领域普通技术人员可以想到的是，为实现相同目的而所计算的方案都可替换示出的特定实施例。本申请视图覆盖任何修改或变化。例如，尽管以过程术语来描述，本领域普通技术人员可以想到的是，能够在过程设计环境或任何其他的能提供所需关系的设计环境中执行。
特别的，本领域技术人员很容易想到，方法和设备的名称并不意味着限定实施例。此外，附加的方法和设备可以被加入到部件中，功能可以在部件中重新配置，且对应于以后的改进且实施例中用到的物理设备的新的部件可以在不脱离实施例范围的前提下被引入。本领域技术人员可以很容易认识到实施例对于以后的通信设备、不同的文件系统、以及新的数据类型而言也是可用的。
申请中用到的术语意味着包括所有面向对象的，数据库和通信环境和代替的技术，其提供这里所描述的相同的功能。

Claims (10)

1.一种用于创建诊断医学图像的范例知识库的装置，包括：
用于访问(1102)至少一个解剖特征的解剖图像数据的部件，所述解剖图像数据与成像时所述至少一个解剖特征中至少一个示踪剂有关的功能信息的指示相一致；
用于从所述解剖图像数据中的每一个以及从标准化的标准解剖图像数据来确定图像偏差数据的部件；
用于向每个图像偏差数据分配(1104)分类的严重程度的部件；以及
用于生成(1106)图像偏差数据和每个图像偏差数据的分类的严重程度的数据库的部件，
其中，所访问的解剖图像数据已经对应于相应的示踪剂和年龄群体被标准化。
2.如权利要求1所述的装置，其中图像偏差数据还包括：
图像与范例图像之间的偏差的度量(1522)。
3.一种用于创建诊断医学图像的范例知识库的装置，包括：
用于访问(1102)至少一个可疑疾病解剖特征的图像数据的部件，参照示踪剂来执行该访问，所述图像数据与成像时所述至少一个解剖特征中至少一个示踪剂有关的功能信息的指示相一致；
用于参照示踪剂来比较(1202)至少一个可疑疾病解剖特征的图像数据和标准化数据库的部件；
用于生成(1204)偏差图像数据的部件；
用于向每个图像偏差数据分配(1104)分类的严重程度的部件；以及
用于生成(1106)图像偏差数据和每个图像偏差数据的分类的严重程度的数据库的部件，
其中，所访问的图像数据已经对应于相应的示踪剂和年龄群体被标准化。
4.如权利要求3所述的装置，还包括：
用于参照示踪剂创建标准化数据库(102)的部件。
5.如权利要求3所述的装置，其中利用核磁共振成像、正电子发射层析X射线摄影法、可算式层析X射线摄影法、单光子发射层析-可算式层析X射线摄影法、超声波以及光学成像中的一种来获取(1002)所访问的图像。
6.一种用于生成参考诊断医学图像的装置，包括：
用于访问(1302)与示踪剂相关联的常规解剖特征的多个图像的数据库的部件；
用于访问(1102)表示解剖特征中疾病可疑区域的图像的部件，所述图像与成像时所述解剖特征中至少一个示踪剂有关的功能信息的指示相一致；
用于比较(1202)表示解剖特征中疾病可疑区域的图像与数据库中的图像，产生表示解剖特征中疾病可疑区域的图像与数据库中图像之间的偏差的部件；
用于生成(1204)表示多个偏差的多个图像的部件；
用于向表示多个偏差中每一个的多个图像中的每一个图像分配(1104)分类的严重程度的部件；
用于生成(1106)表示偏差的多个图像以及表示偏差的多个图像中每一个图像的分类的严重程度的数据库的部件，
其中，所访向的图像已经对应于相应的示踪剂和年龄群体被标准化。
7.如权利要求6所述的装置，其中利用核磁共振成像、正电子发射层析X射线摄影法、可算式层析X射线摄影法、单光子发射层析-可算式层析X射线摄影法、超声波以及光学成像中的一种来获取(1002)所访问的图像。
8.一种用于生成参考诊断医疗图像的方法，包括以下步骤：
生成(1204)表示偏差的多个图像，该偏差是表示与示踪剂相关联的解剖特征中非疾病区域的多个图像和表示解剖特征中疾病可疑区域的多个图像之间的偏差，所述表示解剖特征中疾病可疑区域的多个图像与成像时所述解剖特征中至少一个示踪剂有关的功能信息的指示相一致；
向表示偏差的多个图像中的每一个分配(1104)分类的严重程度；以及
生成(1106)表示偏差的多个图像以及表示偏差的多个图像中每一个图像的分类的严重程度的数据库，
其中，所述表示解剖特征中疾病可疑区域的多个图像已经对应于相应的示踪剂和年龄群体被标准化。
9.如权利要求8所述的方法，还包括在生成表示偏差的多个图像之前：
存储与示踪剂相关联的常规解剖特征的多个图像的数据库(102)；
访问(1102)表示解剖特征中疾病可疑区域的图像；以及
比较(1202)表示解剖特征中疾病可疑区域的图像与数据库中的图像，产生表示解剖特征中疾病可疑区域的图像与数据库中图像之间的偏差。
10.如权利要求8所述的方法，其中利用核磁共振成像、正电子发射层析X射线摄影法、可算式层析X射线摄影法、单光子发射层析-可算式层析X射线摄影法、超声波以及光学成像中的一种来获取(1002)所访问的图像。
CN2006101492121A 2005-09-29 2006-09-29 根据分类索引创建图像数据库的系统、方法及设备 Expired - Fee Related CN1971565B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US11/240,610 2005-09-29
US11/240610 2005-09-29
US11/240,610 US20070081700A1 (en) 2005-09-29 2005-09-29 Systems, methods and apparatus for creation of a database of images from categorical indices

Publications (2)

Publication Number Publication Date
CN1971565A CN1971565A (zh) 2007-05-30
CN1971565B true CN1971565B (zh) 2013-06-12

Family

ID=37852956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2006101492121A Expired - Fee Related CN1971565B (zh) 2005-09-29 2006-09-29 根据分类索引创建图像数据库的系统、方法及设备

Country Status (4)

Country Link
US (1) US20070081700A1 (zh)
JP (1) JP5142009B2 (zh)
CN (1) CN1971565B (zh)
DE (1) DE102006046746A1 (zh)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8909325B2 (en) 2000-08-21 2014-12-09 Biosensors International Group, Ltd. Radioactive emission detector equipped with a position tracking system and utilization thereof with medical systems and in medical procedures
WO2005119025A2 (en) 2004-06-01 2005-12-15 Spectrum Dynamics Llc Radioactive-emission-measurement optimization to specific body structures
WO2008010227A2 (en) 2006-07-19 2008-01-24 Spectrum Dynamics Llc Imaging protocols
US9470801B2 (en) 2004-01-13 2016-10-18 Spectrum Dynamics Llc Gating with anatomically varying durations
US7968851B2 (en) 2004-01-13 2011-06-28 Spectrum Dynamics Llc Dynamic spect camera
US9943274B2 (en) 2004-11-09 2018-04-17 Spectrum Dynamics Medical Limited Radioimaging using low dose isotope
US9316743B2 (en) 2004-11-09 2016-04-19 Biosensors International Group, Ltd. System and method for radioactive emission measurement
EP1824520B1 (en) * 2004-11-17 2016-04-27 Biosensors International Group, Ltd. Methods of detecting prostate cancer
US8837793B2 (en) 2005-07-19 2014-09-16 Biosensors International Group, Ltd. Reconstruction stabilizer and active vision
US7929737B2 (en) 2005-09-29 2011-04-19 General Electric Company Method and system for automatically generating a disease severity index
US8275449B2 (en) * 2005-11-11 2012-09-25 Visualsonics Inc. Overlay image contrast enhancement
US8243999B2 (en) * 2006-05-03 2012-08-14 Ut-Battelle, Llc Method and system for the diagnosis of disease using retinal image content and an archive of diagnosed human patient data
US8894974B2 (en) 2006-05-11 2014-11-25 Spectrum Dynamics Llc Radiopharmaceuticals for diagnosis and therapy
US9275451B2 (en) * 2006-12-20 2016-03-01 Biosensors International Group, Ltd. Method, a system, and an apparatus for using and processing multidimensional data
JP5646128B2 (ja) * 2007-02-28 2014-12-24 株式会社東芝 医用画像検索システム
JP5329911B2 (ja) * 2007-11-02 2013-10-30 株式会社東芝 医用画像管理装置および医用画像システム
US20090138279A1 (en) * 2007-11-23 2009-05-28 General Electric Company Systems, methods and apparatus for analysis and visualization of metadata information
US8010381B2 (en) * 2008-05-20 2011-08-30 General Electric Company System and method for disease diagnosis from patient structural deviation data
US8430816B2 (en) * 2008-05-20 2013-04-30 General Electric Company System and method for analysis of multiple diseases and severities
US8099299B2 (en) * 2008-05-20 2012-01-17 General Electric Company System and method for mapping structural and functional deviations in an anatomical region
US8180125B2 (en) * 2008-05-20 2012-05-15 General Electric Company Medical data processing and visualization technique
JP5243865B2 (ja) 2008-07-07 2013-07-24 浜松ホトニクス株式会社 脳疾患診断システム
JP2010029481A (ja) * 2008-07-29 2010-02-12 Univ Of Tsukuba 腫瘍の経過観察レポート自動作成診断支援システム
US8786873B2 (en) * 2009-07-20 2014-07-22 General Electric Company Application server for use with a modular imaging system
JP5355316B2 (ja) * 2009-09-10 2013-11-27 キヤノン株式会社 テンプレート画像の評価方法及び生体運動検出装置
US8243882B2 (en) 2010-05-07 2012-08-14 General Electric Company System and method for indicating association between autonomous detector and imaging subsystem
US8934685B2 (en) * 2010-09-21 2015-01-13 General Electric Company System and method for analyzing and visualizing local clinical features
JP6265899B2 (ja) * 2011-09-26 2018-01-24 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 医用画像システム及び方法
US9207300B2 (en) * 2012-10-26 2015-12-08 Siemens Medical Solutions Usa, Inc. Automatic system for timing in imaging
JP6346576B2 (ja) * 2015-02-27 2018-06-20 Hoya株式会社 画像処理装置
JP7038370B2 (ja) * 2017-08-30 2022-03-18 社会福祉法人兵庫県社会福祉事業団 画像処理方法、画像処理装置、およびプログラム
EP3451210B1 (en) * 2017-08-31 2021-03-03 Siemens Healthcare GmbH Method for comparing reference values in medical imaging processes, system comprising a local medical imaging device, computer program product and computer-readable program
JP6998760B2 (ja) * 2017-12-25 2022-01-18 浜松ホトニクス株式会社 脳画像解析装置、脳画像解析方法、及び脳画像解析プログラム
JP7273470B2 (ja) * 2018-08-14 2023-05-15 キヤノン株式会社 医用情報処理装置及び医用情報処理方法、プログラム
CN110298820A (zh) * 2019-05-28 2019-10-01 上海联影智能医疗科技有限公司 影像分析方法、计算机设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1194045A (zh) * 1995-07-25 1998-09-23 好乐思治疗公司 计算机辅助疾病诊断方法
US6622036B1 (en) * 2000-02-09 2003-09-16 Cns Response Method for classifying and treating physiologic brain imbalances using quantitative EEG

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4839807A (en) * 1987-08-03 1989-06-13 University Of Chicago Method and system for automated classification of distinction between normal lungs and abnormal lungs with interstitial disease in digital chest radiographs
US5109868A (en) * 1991-03-18 1992-05-05 E. R. Squibb & Sons, Inc. Method for diagnosing senile dementia of the Alzheimer's type
US5262945A (en) * 1991-08-09 1993-11-16 The United States Of America As Represented By The Department Of Health And Human Services Method for quantification of brain volume from magnetic resonance images
US5434050A (en) * 1991-08-13 1995-07-18 Regents Of The University Of Minnesota Labelled β-amyloid peptide and methods of screening for Alzheimer's disease
US5617861A (en) * 1994-02-16 1997-04-08 Huntington Medical Research Institutes Magnetic resonance spectral analysis of the brain for diagnosis of clinical conditions
WO1996012187A1 (en) * 1994-10-13 1996-04-25 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
US5632276A (en) * 1995-01-27 1997-05-27 Eidelberg; David Markers for use in screening patients for nervous system dysfunction and a method and apparatus for using same
JPH09147082A (ja) * 1995-11-20 1997-06-06 Sumitomo Heavy Ind Ltd 画像診断支援装置
JPH09330405A (ja) * 1996-06-10 1997-12-22 Nippon Telegr & Teleph Corp <Ntt> 画像処理方法
US6374130B1 (en) * 1999-04-06 2002-04-16 Eric M. Reiman Methods for tracking the progression of Alzheimer's disease identifying treatment using transgenic mice
US6430430B1 (en) * 1999-04-29 2002-08-06 University Of South Florida Method and system for knowledge guided hyperintensity detection and volumetric measurement
US6490472B1 (en) * 1999-09-03 2002-12-03 The Mcw Research Foundation, Inc. MRI system and method for producing an index indicative of alzheimer's disease
DE19946429A1 (de) * 1999-09-28 2001-04-05 Stefan Vilsmeier Kontinuierliche Erfassung und Analyse von Gewebeveränderungen
CA2427590C (en) * 1999-11-01 2008-07-08 Arthrovision, Inc. Evaluating disease progression using magnetic resonance imaging
US6901156B2 (en) * 2000-02-04 2005-05-31 Arch Development Corporation Method, system and computer readable medium for an intelligent search workstation for computer assisted interpretation of medical images
US7092748B2 (en) * 2000-02-18 2006-08-15 Centro Nacional De Investigaciones Cientificas (Cnic) System and method for the tomography of the primary electric current of the brain and of the heart
EP1314121A4 (en) * 2000-08-01 2006-11-29 Logical Images Inc SYSTEM AND METHOD FOR DIAGNOSTIC AID USING IMAGE AND CROSS-REFERENCE KNOWLEDGE DATABASES
AU2002240192A1 (en) * 2001-01-30 2002-08-12 R. Christopher Decharms Methods for physiological monitoring, training, exercise and regulation
JP3656563B2 (ja) * 2001-02-28 2005-06-08 ブラザー工業株式会社 情報処理装置およびコンピュータプログラム
EP1293925A1 (en) * 2001-09-18 2003-03-19 Agfa-Gevaert Radiographic scoring method
US7058210B2 (en) * 2001-11-20 2006-06-06 General Electric Company Method and system for lung disease detection
JP2003284690A (ja) * 2002-03-28 2003-10-07 Nippon Telegr & Teleph Corp <Ntt> 比較読影支援方法、比較読影支援装置、比較読影支援プログラム及びそのプログラムを記録した記録媒体
JP2004239782A (ja) * 2003-02-06 2004-08-26 Daiichi Radioisotope Labs Ltd 脳画像データ処理システム、方法、プログラムおよび記録媒体
JP4263942B2 (ja) * 2003-05-02 2009-05-13 メド・ソリューション株式会社 遠隔画像解析システムおよびその方法
JP2005020338A (ja) * 2003-06-26 2005-01-20 Fuji Photo Film Co Ltd 異常陰影検出方法および装置並びにプログラム
WO2005023086A2 (en) * 2003-08-25 2005-03-17 University Of North Carolina At Chapel Hill Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
US7935055B2 (en) * 2003-09-19 2011-05-03 Siemens Medical Solutions Usa, Inc. System and method of measuring disease severity of a patient before, during and after treatment
US20050085705A1 (en) * 2003-10-21 2005-04-21 Rao Stephen M. fMRI system for use in detecting neural abnormalities associated with CNS disorders and assessing the staging of such disorders
JP4025823B2 (ja) * 2004-02-24 2007-12-26 国立精神・神経センター総長 脳疾患の診断支援方法及び装置
US20050215889A1 (en) * 2004-03-29 2005-09-29 The Board of Supervisory of Louisiana State University Methods for using pet measured metabolism to determine cognitive impairment
US7042219B2 (en) * 2004-08-12 2006-05-09 Esaote S.P.A. Method for determining the condition of an object by magnetic resonance imaging
US7653263B2 (en) * 2005-06-30 2010-01-26 General Electric Company Method and system for volumetric comparative image analysis and diagnosis

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1194045A (zh) * 1995-07-25 1998-09-23 好乐思治疗公司 计算机辅助疾病诊断方法
US6622036B1 (en) * 2000-02-09 2003-09-16 Cns Response Method for classifying and treating physiologic brain imbalances using quantitative EEG

Also Published As

Publication number Publication date
JP5142009B2 (ja) 2013-02-13
US20070081700A1 (en) 2007-04-12
CN1971565A (zh) 2007-05-30
DE102006046746A1 (de) 2007-04-05
JP2007125370A (ja) 2007-05-24

Similar Documents

Publication Publication Date Title
CN1971565B (zh) 根据分类索引创建图像数据库的系统、方法及设备
CN101040800B (zh) 用于根据分类指数来诊断疾病的系统和设备
NL1032580C2 (nl) Systemen, werkwijzen en apparatuur voor het volgen van de voortschrijding en de behandeling van ziekte door middel van categorie-indices.
US7929737B2 (en) Method and system for automatically generating a disease severity index
US20230033601A1 (en) Dynamic self-learning medical image method and system
US8010381B2 (en) System and method for disease diagnosis from patient structural deviation data
US8099299B2 (en) System and method for mapping structural and functional deviations in an anatomical region
US8430816B2 (en) System and method for analysis of multiple diseases and severities
US8180125B2 (en) Medical data processing and visualization technique
US20110218405A1 (en) System and method for integrated quantifiable detection, diagnosis and monitoring of disease using patient related time trend data
US20110129131A1 (en) System and method for integrated quantifiable detection, diagnosis and monitoring of disease using population related time trend data and disease profiles
US20030028401A1 (en) Customizable lung report generator
CN102667786A (zh) 协议引导的成像流程
CN101006465B (zh) 横跨时间点链接vois以分析疾病进展或者对治疗的响应的系统和方法
CN103460213A (zh) 图像采集和/或图像相关参数推荐器
US20110129130A1 (en) System and method for integrated quantifiable detection, diagnosis and monitoring of disease using population related time trend data
WO2019044095A1 (ja) 医用情報表示装置、方法及びプログラム
Hofmann et al. Machine learning approaches along the radiology value chain–Rethinking value propositions
Sippo et al. The role of implementation science in harnessing the potential of automated outcomes feedback for radiologists
Du Boulay et al. Towards an advisor for MRI
Avola et al. A novel T-CAD framework to support medical image analysis and reconstruction
Swetha et al. AUTOMATIC SEGMENTING TECHNIQUE OF BRAIN TUMOURS WITH IN MRI IMAGES
Kaplan Brain Connectomics: Opportunities for High-Performance Computing
Rust MACHINE LEARNING APPROACHES ALONG THE RADIOLOGY VALUE CHAIN–RETHINKING VALUE PROPOSITIONS
CN116072300A (zh) 一种超声模态的人工智能一体化诊断平台设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130612

Termination date: 20140929

EXPY Termination of patent right or utility model