專利名稱：與心臟有關的疾病和病癥的自動診斷和決策支持系統和方法
技術領域：
本發明通常涉及用于為醫學成像提供自動診斷和決策支持的系統和方法，并且具體涉及用于心臟成像的CAD(計算機輔助診斷)系統和應用，該系統和應用實施機器學習技術，以允許諸如心肌病、冠狀動脈疾病之類的心臟疾病和病癥(condition)及其他與心臟有關的醫學病癥的自動診斷、通過壁運動分析的區域性心肌功能的自動評估、以及用于輔助醫生工作流程的其他自動決策支持功能。
背景技術：
特別是在西方文明社會中，冠狀動脈疾病和其他與心臟有關的疾病是非常普遍的，并且每年導致許多人的死亡。通過盡可能早地檢測與心臟有關的疾病，可以實施適當的、有效的并且成本有效的治療，以降低死亡率。在心臟病學領域中，各種系統和技術被用于心臟疾病的精確和早期檢測。
例如，血管造影術是一種能夠被用于直接測量冠狀動脈阻塞(也就是由于鈣化作用而導致的冠狀動脈的閉塞)的方法。然而，這些測量常常需要侵入式手術。此外，盡管血管造影術可以被用于識別和測量阻塞，但這種方法不能測量或評估這種阻塞的影響。實際上，冠狀動脈阻塞的影響典型地區域性顯現于心臟壁中，導致心肌組織或心肌功能的異常。例如，梗塞形成是涉及由于流過通常將血液提供給心肌組織的冠狀血管的不充分血流而產生的壞死的或垂死的心肌組織(梗塞)區域的發展的病癥。
典型地，通過經由心臟成像分析壁運動以識別壁運動異常來執行用于評估心肌功能的方法。通常，在醫學成像領域中，各種成像模態和系統能夠被用于產生個體的解剖結構的醫學圖像，以用于篩選和評價醫學病癥。這些成像系統例如包括CT(計算機斷層掃描)成像、MRI(磁共振成像)、NM(核磁)共振成像、X射線系統、US(超聲)系統、PET(正電子放射斷層掃描)系統等等。每一成像模態可以提供優于其它用于篩選和評價某些類型的疾病、醫學病癥或解剖異常的模態的獨特優點，所述疾病、醫學病癥或解剖異常包括例如心肌病、結腸息肉、動脈瘤、肺結節、心臟或動脈組織的鈣化、乳房組織中的癌微鈣化或塊、以及各種其他病變或異常。
由于它的可用性、相對低的成本和非侵入式，心臟超聲波是為了評估心臟功能(例如評估區域性心臟收縮壁運動異常)而典型地被用于執行壁運動分析的成像模態。例如，分析心室運動是用于評估局部缺血和梗塞形成的程度的有效方法。具體地，可以執行在一次心跳或該心跳的規定部分期間心內膜壁的壁運動分析，以量化左心室的彈性和收縮性或檢測和診斷壁運動異常。
用于評估心肌功能的傳統方法包括利用例如超聲(超聲心動圖)的心臟成像來分析壁運動的手動和自動方法。例如，用于量化左心室功能的手動方法包括手動跟蹤在心臟周期的不同部分處仍在超聲幀中被識別的心內膜和心外膜邊界(計數器)，并從所跟蹤的邊界中獲得涉及壁運動的各種測量。利用一些傳統的方法，然后將方程應用于這種測量的結果，其中這種測量作出某些幾何假定并可以包括對數學模型的以經驗為根據導出的修改。典型地在報告頁上以表格格式查看結果，并且對這種結果的解釋需要正常范圍的知識。
用于超聲心動描記術(例如負荷超聲(Stress Echo))中的壁運動分析的另一種傳統手動方法包括分段壁運動分析，其需要部分超聲心動圖技師的有效訓練和經驗。利用這種方法，依據由美國超聲心動圖協會(ASE)推薦的流行模型，左心室的壁被分成多個段(例如16或17個段)。獲得各種標準超聲圖，以獲取每一LV段的圖像數據信息，其中獲得標準圖，以便使多個段與三個主要冠狀動脈段的推測分布粗略地對準。超聲心動圖技師然后將在視覺上檢查所獲取的圖像數據，以評估整體功能和區域性異常，并且然后基于他/她的評估，依據ASE推薦的標準計分方案為每一段分配壁運動分數。具體地，超聲心動圖技師將在視覺上評估絕對和相對段的心臟收縮偏移和偏移的定時，以提供對每一可成像的段的一些定性評估。集體的評估導致陰性(非病態)或陽性(病態)調查結果的報告。
超聲心動圖領域中的主要所關心是由于分析壁運動時的主觀性而導致的壁運動計分方面的可變性，特別是對于負荷超聲心動圖來說，其對例如冠狀動脈疾病的診斷提供顯著的阻礙。實際上，這種超聲心動圖報告的精度直接涉及操作者的經驗。實際上，在這種診斷中與“科學”相比較常常包含更多的“技巧”。心臟病專家強調改進在超聲心動圖中壁運動計分的重要性。
用于評估心肌功能的傳統方法包括利用心臟成像來分析壁運動的自動方法。例如，一種傳統的方法包括基于集成反向散射的分析的自動邊界檢測，其提供對LV功能指標的自動評估，但不提出分段的或整體的壁功能。用于自動壁運動分析的其他方法產生指示偏移的參數圖像，但不提供段之間的定量比較。一種稱為自動分段運動分析(A-SMA)系統的傳統方法包括用于自動邊界檢測以確定LC內腔和周圍組織并顯示部分區域變化的參數圖像的方法。該指標也被顯示為胸骨旁短軸圖中的六段等間隔段的數字圖表。
雖然用于壁運動分析的自動方法可以提供參數圖像并產生涉及壁運動的指標時，但這種方法不提供自動評估，或識別或表征心肌組織的病癥(例如正常或異常)。
發明內容
本發明的示范性實施例通常包括用于為心臟成像提供自動診斷和決策支持的系統和方法。更具體地，本發明的示范性實施例包括用于心臟成像的CAD(計算機輔助診斷)系統和應用，該系統和應用實施用于從對象病人的病人信息的集合(包括圖像數據和/或非圖像數據)提取并分析相關特征/參數以便針對醫生工作流程的各個方面為醫生提供自動輔助的自動方法，其中自動輔助例如包括通過壁運動分析的區域性心肌功能的自動評估、諸如心肌病、冠狀動脈疾病之類的心臟疾病和病癥以及其他與心臟有關的醫學病癥的自動診斷、以及用于輔助醫生工作流程的其他自動決策支持功能。
在本發明的其他示范性實施例中，用于心臟成像的CAD系統和方法實施利用一組訓練數據的機器學習技術以允許CAD系統學習正確地并精確地分析病人數據并進行正確的診斷評估和決策以便輔助醫生工作流程，其中該組訓練數據是從一個或多個相關臨床領域中的標記病人病例的數據庫和/或這種數據的專家解釋獲得(學習到)的。
本發明的這些和其他示范性實施例、特征和優點將被描述并根據下面的對示范性實施例的詳細描述而變得顯而易見，其中應結合附圖來閱讀該詳細描述。
圖1是依據本發明的示范性實施例的、用于為心臟成像提供自動診斷和決策支持的系統的方塊圖。
圖2是依據本發明的另一示范性實施例的、用于為心臟成像提供自動診斷和決策支持的系統的方塊圖。
圖3是依據本發明的另一示范性實施例的、用于為心臟成像提供自動診斷和決策支持的系統的方塊圖。
圖4是依據本發明的另一示范性實施例的、用于為心臟成像提供自動診斷和決策支持的系統的方塊圖。
圖5是依據本發明的示范性實施例的、心室的多個段的示范性二維表示，該二維表示可以被用于在圖形用戶界面中顯示壁運動分數。
圖6是示出依據本發明的示范性實施例的分類方法的示范性圖示。
具體實施例方式
通常，如下所述的本發明的示范性實施例包括用于為心臟成像提供自動診斷和決策支持的系統和方法。更具體地，如下面參考圖1-4所述的本發明的示范性實施例例如包括用于心臟成像的CAD(計算機輔助診斷)系統和應用，這些系統和應用實施用于提取和分析來自對象病人的病人信息(包括圖像數據和/或非圖像數據)集合的相關特征/參數以便針對醫生工作流程的各個方面為醫生提供自動幫助以及用于輔助醫生工作流程的其他自動決策支持功能的自動方法，所述醫生工作流程例如包括通過壁運動分析的區域性心肌功能的自動評估、諸如心肌病、冠狀動脈疾病之類的心臟疾病和病癥以及其他與心臟有關的醫學病癥的自動診斷。示范性的CAD系統執行使用一組訓練數據的機器學習技術，以允許CAD系統為了輔助醫生工作流程而“學習”適當地并精確地分析病人數據并作出正確的診斷評估和決策，其中該組訓練數據是從一個或多個相關臨床領域中標記的病人病例的數據庫和/或這種數據的專家解釋獲得(學習)的。
通常，圖1示出用于心臟成像的CAD系統和方法的一般實施例，其支持一個或多個成像模態，并為醫生工作流程的各個方面提供一個或多個決策支持功能。圖2-圖4是基于圖1的框架的CAD系統和方法的具體示范性實施例。例如，將參考圖2來討論依據本發明的CAD系統和方法的示范性實施例，例如其可以在超聲心臟成像應用中被實施，以提供區域性心肌功能的自動評估，以及提供關于區域性心肌功能的評估的決策支持功能。如下面所解釋的，基于圖2的示范性框架的CAD系統的示范性實施例采用分類方法，以基于從心臟超聲圖像數據和可選地臨床數據記錄中所提取的各種參數來對心臟心肌壁區域中的心肌組織的病癥進行分類。
此外，將參考圖3來討論依據本發明的CAD系統和方法的示范性實施例，其例如可以在超聲心臟成像應用中被實施，以便提供對諸如心肌病、冠狀動脈疾病之類的心臟疾病和病癥以及其他相關病癥的自動診斷，以及提供關于涉及心臟病癥的診斷決策的決策支持功能。如下面所解釋的，基于圖3的示范性框架的CAD系統的示范性實施例結合壁運動分析和分類方法，以便為了提供對心臟疾病和病癥的自動診斷和決策支持而評估區域性心肌功能。
此外，將參考圖4來討論依據本發明的CAD系統和方法的示范性實施例，其例如執行用于為包括心臟超聲圖像數據的多個成像模態的心臟成像提供自動診斷和決策支持的方法。
應理解的是，可以以各種形式的硬件、軟件、固件、專用處理器或其組合來實施于此所述的依據本發明的系統和方法。在本發明的一個示范性實施例中，以作為包括程序指令的應用程序的軟件來實施于此所述的系統和方法，其中所述程序指令確實被包括在一個或多個程序存儲裝置(例如磁軟盤、RAM、CD Rom、DVD、ROM和閃速存儲器)上，并可由任何包括合適的體系結構的裝置或機器來執行。
應進一步理解的是，因為可以以軟件來實施附圖中所描繪的組成系統的模塊和方法步驟，所以系統部件(或過程步驟的流程)之間的實際連接可以根據應用程序被編程的方式而不同。于此給出教導，相關領域的普通技術人員將能夠設想到本發明的這些和相似的實施方案或配置。
圖1是示出依據本發明的示范性實施例的、用于為心臟成像提供自動診斷和決策支持的系統的高級方決圖。更具體地，圖1示出CAD(計算機輔助診斷)系統(10)，該系統實施用于分析對象病人的各種類型的病人信息(1)和(2)以提供診斷評估和建議以及其他決策支持來根據對象病人在醫生工作流程的各個方面輔助醫生的方法。該CAD系統(10)利用機器學習方法，所述機器學習方法允許CAD系統(10)連續學習分析病人信息(1，2)，并連續提供更精確的診斷評估和/或決策來輔助醫生工作流程。
至CAD系統(10)的輸入包括病人信息的各種源，所述病人信息包括一個或多個成像模態中的圖像數據(1)(例如超聲圖像數據、MRI數據、核醫學數據等)和來自各種結構化和非結構化數據源的非圖像數據(13)，非圖像數據包括在病人的治療過程期間收集的臨床數據和其它信息、例如病人病史、家族病史、人口統計信息、財務信息和任何其它相關病人信息。例如，可被提供給CAD系統(10)的臨床數據的具體例子包括已經被識別為心臟疾病的特定致病因素和/或預測元素的臨床變量，例如用于心臟危險分析的眾所周知的“Framingham研究”中的那些參數性別、年齡、糖尿病患者、心臟病史、總膽固醇、HDL、心臟收縮血壓和抽煙。CAD系統(10)實施用于自動提取來自圖像數據(1)和非圖像數據(2)的信息(特征)并且以適合于由CAD系統(10)進行分析的方式組合所提取的信息的方法。根據由CAD系統(10)所支持的診斷和決策支持功能，該CAD系統(10)可以產生一個或多個輸出(11)、(12)、(13)和/或(14)，如下面所解釋的，這些輸出為篩選和診斷心臟疾病和病癥提供醫生工作流程輔助。
例如，在本發明的一個示范性實施例中，CAD系統(10)可以提取并分析來自一個或多個成像模態數據(1)(例如超聲圖像數據、MRI數據、核醫學數據、PET數據、CT數據等)和(可選地)非圖像數據(2)的信息(圖像參數/特征)，以利用所提取的信息通過壁運動分析自動評估區域性心肌功能(11)。例如，下面將參考圖2來討論用于提供區域性心肌功能的自動評估的本發明的各種示范性實施例，例如利用一種或多種分類方法(或其他機器學習方法，包括學習多重分類器的基于集成的學習方法)、基于模型的方法(其嘗試例如通過Bayesian推斷對涉及心臟功能或特定種類的異常運動的各種因素進行建模)、或者這種方法的各種組合，用于利用從心臟超聲圖像數據和可選地臨床數據記錄中提取的各種參數對心臟心肌壁區域中的心肌組織的病癥進行自動分類。應理解的是，如于此所使用的術語“分類器”通常涉及各種類型的分類器結構、例如分級分類器、集成分類器等。例如，可以設計分級分類器，例如以便分類器首先被用于將段分成兩組(例如正常對異常)并且然后將異常段進一步分類為運動不能的、反常運動(diskinetic)等等。此外，分類器設計可以包括嘗試將數據分成兩組(例如反常運動對任何其他，運動不能的對任何其他等等)、并且分級組織或并行運行、并且然后被組合以找到最佳分類的多重分類器。此外，分類器可以包括集成分類器，其中學習都嘗試執行相同的分類任務的大量分類器(稱作“林立的分類器”)，但以不同的數據/變量/參數來訓練，并且然后組合以產生最后的分類標記。最后，除了提供心肌壁的區域性評估之外，該CAD系統(10)能夠為每一個區域性評估提供置信度分數或置信度的指示器。
在本發明的另一示范性實施例中，CAD系統(10)可以提取并分析來自一個或多個成像模態數據(1)(例如超聲圖像數據、MRI數據、核醫學數據等等)和(可選地)非圖像數據(2)的信息(圖像參數/特征)，以自動產生并輸出心臟疾病的診斷概率和(可選地)診斷置信度的量度(12)。更具體地，例如，CAD系統(10)例如可以提取并分析來自病人的超聲檢查的相關特征并提供心肌(cardiomayopathic)病癥或冠狀動脈性心臟病的診斷的當前評估和置信度。
替代地，對于具有例如已知心臟疾病的病人，CAD系統(10)可以建議療程，在這種情況下，概率和置信度(12)將涉及治療將具有所期望的(估計可能有益的)效果的可能性，該效果可以從治愈病人的心臟疾病至純粹舒減療法的范圍變化，所述舒減療法的唯一目的將是提高具有末期心臟疾病的病人的生命的質量。更具體地，除了建議治療之外，該CAD系統(10)自動提供治療將具有確定后果的概率和/或置信度的量度，并可能提供治療將不具有例如副作用的確定有害影響的概率和/或置信度的量度。概率可被指定為有益和有害的可能后果的分布，或有益和有害的可能后果在將來的一個或多個時間點的一組分布，或可能后果在將來的不同時間的隨時間變化的分布等等。
在本發明的另一示范性實施例中，CAD系統(10)可以自動確定和指定一個或多個附加測試(或特征)，可以針對給定病人執行(或獲得)所述一個或多個附加測試(或特征)，以提高心肌功能的區域性評估的置信度，或提高心臟疾病的診斷的置信度。例如，CAD系統(10)可以確定并輸出每一附加測試或特征的“分數”(13)，該分數提供關于特殊成像模態或特征(包括臨床數據)的潛在有用性的一些量度或指示，其中該潛在有用性將提高通過CAD系統(10)確定的評估或診斷的置信度。
在本發明的另一示范性實施例中，CAD系統(10)可以識別并輸出(經由顯示或列出)相似于當前病例的一個或多個示范性病例研究(14)。例如，如上面談到的和下面進一步詳細說明的，該CAD系統(10)可以包括先前標記的(診斷的)病例的數據庫(或資料庫)，并且基于從針對對象病人而輸入到CAD系統(10)的病人信息中提取的特征，該CAD系統(10)可以在資料庫中搜索并顯示n個最相關病例(或具有超過一些閾值的相似性量度的那些病例)，以用于診斷輔助。換句話說，利用自動提取的特征，該CAD系統(10)可以提供來自訓練集、或實際上來自先前標記的病例的任何數據庫的一組相似病例。
應理解的是，在醫生工作流程的上下中顯示相似病例的CAD系統(10)功能可以提供對醫生的重要輔助。例如，顯示相似病例可以提供對沒有經驗的用戶的訓練。實際上，初學者用戶可以回顧其他病例以確定或理解以原來的方式解釋病例的基礎或原因。此外，相似病例的顯示可以提供使有經驗的用戶確認CAD系統(10)的診斷結果的方法。實際上，除了給定病癥的診斷概率之外，該CAD系統(10)可以顯示相似病例以驗證它的評估。此外，顯示相似病例允許對預測和治療的評估。更具體地，通過研究相似病例以查看其他病人如何響應于不同的治療選擇，醫生可以開始為當前病人評估這些選擇的療效。最后，在單個醫院可能僅具有幾個(或沒有)特殊疾病的例子的相對罕見的診斷中，具有這種系統將允許從多個機構收集該特殊疾病的這種樣本病例，因此允許該特殊疾病的病例的相對大的采樣。
考慮到上述內容，通常可以把CAD系統(10)看作能夠通過提供對病人的當前狀態的評估(例如特殊疾病的可能性的概率)并為對象病人確定下一個最佳健康護理或診斷路徑(例如確定可以獲得的附加測試(或特征)，該附加測試(或特征)將有可能減小評估的任何模糊度)來輔助醫生工作流程的自動系統。如上所述，應理解的是，該CAD系統(10)實施一種或多種機器學習和/或基于模型的方法，從而學習/獲得信息，并且通過在該CAD系統(10)的訓練集中收集的數據驅動決策。具體地，如上所述，該CAD系統(10)可以包括示范性診斷病例的資料庫，從該資料庫中獲得訓練數據以教導該CAD系統(10)。與根據專家口述的一組規則研發和導出的并被轉換成代碼的“專家系統”相比，該CAD系統(10)學習提供精確的診斷決策，并基于從診斷病例學習到的或從專家知識學習到的訓練數據提供決策支持。
應理解的是，可以通過CAD系統(10)來實施各種機器學習方法。例如，在Zhou等人于2003年11月6日提交的、名稱為“System andMethod for Real-Time Feature Sensitivity Analysis Based onContextual Information”的、序列號為No.10/702,984的美國專利申請中描述的系統和方法被共同轉讓并于此被引入作為參考，該系統和方法可以被用于CAD系統(10)中，用于確定對于減小診斷的模糊度來說哪些測試或特征可以是最相關的。實質上，Zhou的方法是創建過程的模型并確定每一個特征在減小模糊度方面的相對重要性。于此可以實施這種方法，由此可以將每一成像模態或診斷路徑描述為一個或多個特征的集合。然后，Zhou描述的方法將被用于確定哪一個(哪些)特征將有可能提供在診斷或評估的置信度方面的最大提高。在CAD系統(10)中可以實施向病例的大的訓練集學習的其他機器學習技術。例如，可以使用各種機器學習技術、例如決策樹、SVM、Bayesian網絡、或基于集成的方法，這些機器學習技術學習多個分類器并且然后將這多個分類器組合以獲得最后的診斷。
應理解的是，CAD系統(10)即使在沒有能夠被用于提供這種決策的各種特征或者信息的情況下也可以提供正確的決策支持。這可以通過建立能夠處理丟失數據的分類器、或通過學習不同的分類器以處理不同種類的數據、通過利用其他學習方法來推斷丟失值、或通過利用本領域普通技術人員已知的多種方法中的任一種方法來在沒有一些(或全部)病人數據/圖像的情況下執行推斷/學習來實現。當然，利用可被提供的更多的信息，系統的置信度將提高。在根本不存在給定病人的信息的極端情況下，該CAD系統(10)可以為醫生提供一些關于對病人采取初始步驟的指導。用于學習和/或執行具有丟失/噪聲數據的推斷的各種方法可以被用于決策支持系統中。
應理解的是，可以擴展上述方法，以提供對例如冠狀動脈心臟疾病的心臟病癥的自動篩選。例如，可將CAD系統(10)配置成考慮到病人的臨床和家族病史來確定病人具有(或可發展為)冠狀動脈疾病的可能性以及什么篩選測試(如果有的話)應被給予病人以最佳地檢測潛在的心臟病癥。利用如上所述的訓練集和機器學習技術可以進行這種確定。此外，針對篩選，CAD系統(10)可以產生并輸出如上所述的決策，該決策包括疾病的可能性、來自訓練集的樣本病例、以及對于給定病人來說將是最佳的篩選測試。
現在參考圖2，方塊圖示出依據本發明的另一示范性實施例的、用于為心臟成像提供自動診斷和決策支持的系統。更具體地，圖2示出用于超聲心臟成像的CAD系統(20)，依據本發明的示范性實施例，該CAD系統包括利用從一個或多個成像模態(例如超聲圖像數據、MRI數據、核醫學數據等等)獲得的各種參數、以及非圖像數據來對心臟的心肌功能進行自動區域性評估以分析心肌壁運動的方法。圖2的CAD系統(20)示出圖1的CAD系統(10)的用于支持一種或多種超聲成像方法的一個或多個示范性框架。通常，該CAD系統(20)包括數據處理系統(21)，該數據處理系統(21)包括特征提取模塊(22)、特征組合模塊(23)、分類模塊(24)和診斷/工作流程輔助模塊(25)。特征提取模塊(22)實施用于從超聲圖像數據(3)(以及可能地其他成像數據)和非圖像病人數據(4)的其它源提取相關參數的各種方法(22-1，22-2，22-3，22-4)，所述非圖像病人數據(4)例如是臨床、家族、病史數據等等。病人數據可以是以結構化的形式(在數據庫中作為特殊字段的指定值)可用，或者可以是從病歷(例如通過文本的自然語言處理)提取的。特征組合模塊(22)以適合于輸入到分類模塊(24)中以供分析的方式來組合所提取的特征。
分類模塊(24)包括利用一個或多個分類模型來分析組合提取參數的分類方法(24-1)(或分類引擎)，所述分類模型經由模塊生成器(24-2)來訓練/動態適配，以產生被用于提供診斷和決策支持的信息。診斷/工作流程輔助模塊(25)包括一種或多種用于實施例如上面參考圖1所述的功能(例如提供心肌功能的區域性評估，提供相似于當前病例的一組病例，提供表示將提高區域性評估的置信度的附加特征的、可能益處的分數等等)的方法。
該CAD系統(20)進一步包括用戶界面(26)(例如利用鍵盤和鼠標輸入裝置在計算機監控器上顯示的圖形用戶界面)，其允許用戶選擇診斷/工作流程輔助模塊(25)所支持的一個或多個功能，并且允許系統向用戶提供和呈現處理結果。可以以依據如下所述的本發明示范性實施例的各種方式中的一種或多種向用戶提供和呈現處理結果。
該CAD系統(20)進一步包括存儲庫(27)，所述存儲庫(27)維持從各種源獲得的信息的臨床領域知識庫。例如，臨床領域知識(27)可以包括從涉及CAD系統(20)所支持的臨床領域的、所分析/所標記的病例的大數據庫(28)學習或自動提取的知識。臨床領域知識(27)可以包括由專家根據分析先前要求而直接輸入的專家臨床知識、或涉及與醫療機關或保險公司相關的規則/規章/方針、關于所支持的臨床領域的信息。如下面詳細解釋的，可以通過數據處理系統(21)的各種方法(22，23，24和25)使用存儲庫(27)中的臨床領域知識。
在本發明的一個示范性實施例中，該CAD系統(20)包括用于自動分析對象病人的心臟的超聲圖像(3)中心肌壁運動和壁厚度以便由此提取被用于自動將心肌心臟組織的區域段分類為正常或異常的壁運動和壁增厚參數的方法。特別地，在如圖2中所描繪的CAD系統(20)的一個示范性實施例中，特征提取模塊(22)包括用于從超聲圖像數據(3)中提取壁運動參數的壁運動提取模塊(22-1)、以及用于從超聲圖像數據(3)中提取壁增厚參數的壁增厚提取模塊(22-2)。
在本發明的一個示范性實施例中，特征提取模塊(22-1，22-2)實施于2003年3月5日提交的、名稱為“System and Method for Trackinga Global Shape of an Ob ject in Motion”的、序列號為No.10/794,476的美國專利申請中所述的方法，該申請被共同轉讓并于此被全部引入作為參考。簡要地，該申請描述用于例如跟蹤超聲心動像(2維、3維和4維(3D+時間))中心臟的心肌壁(例如心臟的心內膜壁和/或心外膜壁)的全局形狀和/或局部運動以用于隨著時間的過去而發展的心臟的醫學分析的方法。這些方法可以被用于超聲心動圖系統中，以便從不同角度跟蹤來自心臟的2D、3D或4D(3D+時間)圖像的左心室的心內膜壁。這些方法可以被用于跟蹤心肌壁的不同部分的運動的幅度、方向和定時。此外，這些方法可以被用于在時間幀(例如心臟收縮階段)內跟蹤心肌壁的內部和外部輪廓，以提供在這種時間幀內的壁增厚數據。
與用于超聲心動圖中的例如僅考慮壁運動信息的傳統方法相比，考慮在心臟收縮階段期間心壁的增厚是重要的。實際上，即使當心壁的一部分是壞死的，這種部分也可以被壁的鄰近段向前拉-已知的現象并被稱作“系鏈(tethering)”，這可能導致不正確的分析。有利地，對壁運動和壁增厚的考慮提供基礎壁的健康狀態的更精確評估。
相應地，在如上所述的本發明的一個示范性實施例中，數據處理系統(21)提取所期望的心肌心壁的區域部分的壁運動和壁增厚參數，以在區域的基礎上評估心壁的病癥。在本發明的一個示范性實施例中，來自分類模塊(24)的評估或分類結果輸出包括心壁的一個或多個區域的壁運動“分數”。診斷/工作流程輔助模塊(25)將經由用戶界面(26)提供分類結果以供顯示。具體地，在本發明的一個示范性實施例中，依據美國超聲心動圖協會(ASE)的推薦標準，分類結果將作為心臟的左心室的不同段的壁運動“分數”呈現給用戶。具體地，在ASE標準下，左心室被分成多個段(例如16或17個段)。ASE推薦利用標準超聲圖(B模式下的A4C，A2C，PSAX，PLAX，ALAX圖)來獲得不同段的圖像數據，并分析這種圖像數據以便如下給每一個段分配壁運動分數1＝正常；2＝運動減退；3＝運動不能；4＝運動障礙；以及5＝動脈瘤。(例如參見Schiller等人的“Recommendations forQuantization of the Left Ventricle by Two-DimensionalUltrasound”，Journal of American Society of Echocardiography，卷2，第358頁，2889，以及Snyder等人)在使用ASE推薦的計分技術的示范性實施例中，如圖5中所示，可以以靶心圖來顯示分類結果(其包括ASE分數)。更具體地，圖5示出基于心臟的LV的16段模型的2D圖(50)，其中與被表示為Ant、Med、Lat、Post、Apex的標準方向數據一起，16個段在3D LV內腔的2D表示中被示出。依據本發明的一個示范性實施例，基于每一段的ASE推薦，作為從1-5的刻度上的壁運動“分數”呈現圖2的分類模塊(24)的處理結果，該分數在2D圖中被呈現給用戶。可以通過在段中包括實際分數或通過依據分數給段著色來呈現分數。本領域的普通技術人員容易設想到用于呈現分數的其他方法。
應理解的是，在本發明的其他示范性實施例中，可以在圖像中或在指定子區域中的每一點處、而不是ASE定義的段中執行正常和異常組織的分類。
應理解的是，可以利用其他成像模態來實施依據本發明的壁運動分析過程。例如可以采用用于對心臟MR圖像中的左心室進行分割的方法，例如在Jolly等人的名稱為Segmentation of the Left Ventriclein Cardiac MR Images(Proc.of the International Conference onComputer Vision，ICCV2001；Vancouver，Canada；2001年7月，卷1，第501-508頁)的文章中所描述的。這種技術可以被用于以相似于上面針對超聲所述的技術的方式從MR圖像中提取運動和增厚數據。相似的技術也可以被用于CT圖像。
在本發明的其他示范性實施例中，除了提供心壁的區域性評估之外，分類模塊(24)可以包括用于確定每一段的置信水平的方法，該置信水平表示給定段的評估(例如壁運動分數)的置信度。實際上，由于圖像質量方面的差異以及身體體質方面的變化和其他因素，即使在相同的人中，不同的評估也可以具有不同的置信水平。例如，如果僅考慮區域性壁運動，對于超聲心動圖技師來說，情況常常如此在信號強度是強的情況下的隔膜分析的置信度通常好于在信號強度是弱的情況下的側壁分析的置信度。當評估病人時，超聲心動圖技師自動考慮這種信息。然而，傳統的自動系統僅示出結果，而沒有相應的置信度分析。依據本發明的一個示范性實施例，在區域性壁運動分析的情況下，按照ASE方針，每一段可被分配來自1-5的分數和每一段的置信度指示器(可能在1-10的刻度上)。
應理解的是，在圖2的CAD系統(20)的其他示范性實施例中，可以提取和考慮一個或多個附加特征，以用于提供心肌功能的自動區域性評估。更具體地，依據本發明，在本發明的其他示范性實施例中，特征提取模塊(22)可以實施其他參數提取方法(22-3)，用于提取其它相關圖像參數以通過分類過程(24-1)進行分析，從而自動分析壁運動以及對心肌壁的正常和異常段進行表征/分類。例如，除了壁運動和壁增厚數據之外，自動診斷和評估可以基于諸如部分壁縮短、部分區域變化、最大偏差、最大偏差的相位(也就是心臟周期的哪個點出現最大偏差)、偏差的速度(絕對或相對)以及心肌組織的應變或應變率之類的參數，其中可以在整個心臟周期或心臟周期的規定部分、例如心臟收縮期間從各種類型的超聲圖像數據(3)中的一種或多種中提取這種參數。
更具體地，依據本發明的其他示范性實施例，可以從超聲圖像數據(3)中提取一個或多個附加區域性測量，并將其組合成進入心壁的總區域性評估內的分析。例如，特征提取模塊(22)可以實施一種或多種用于提取區域參數、例如組織速度和應變以及應變率的附加特征提取方法(22-3)。如本領域中已知的，組織速度、應變以及應變率成像可以被用于提供心肌組織的區域性評估。當超聲心動圖技師評估圖像時，典型地以分離的方式給出這些評估。常常，這些速度和應變率圖像具有可能難以評估的偽影，并且可能導致解釋的誤差。然而，通過從這些中提取特征，并將它們與其他特征組合，可以進行區域性評估的更精確評估。
從超聲圖像(3)中提取的另外的區域參數包括對比灌注。灌注是進入心壁內的血液的測量，并且對比成像方法可以被用于獲取超聲圖像數據，從所述超聲圖像數據中可以為評估區域性心肌功能而提取對比灌注參數。此外，通過組合灌注參數與其他特征，可以獲得區域性功能的更好評估。
可被考慮用于評估區域性心肌功能的另外的參數包括定時數據、例如收縮開始的定時。實際上，已知的是，壞死或受傷的心肌壁(或其一部分)可以比其他心肌壁(或它的其它部分)更晚地開始收縮。因此，定時參數可被用作用于評估心肌功能的附加參數。相位成像方法可以被用于從定時參數中獲取超聲圖像數據(3)，其中所述定時參數可被提取用于評估區域性心肌功能。
此外，相互比較不同的段可以提供對于評估心肌功能來說有效的附加信息。實際上，傳統的技術分離地考慮每一段。然而，通過相互比較心肌的不同段可以獲得重要的益處。例如當評估區域性壁運動時，心臟的一部分的運動可以被認為是慢的。然而，如果壁的該部分以與心臟的其它部分相同的速度移動，則可以與在壁的該部分比心臟的其它部分明顯更慢地移動的情況下相比進行不同的評估。
在本發明的另一示范性實施例中，從3D超聲數據中提取參數可以提供優于2D數據的附加優點。用于壁運動分析的當前技術利用2D(+時間)數據。然而，由于多個原因，從3D(+時間)提取特征將是有益的。首先，速度的更真實的圖片將是可用的，因為可以跟蹤速度而不僅僅是“面內”速度。第二，2D圖像受損害，因為假定相同的2D切片一直可用。由于心臟的運動，這不是真實的。因此，用于區域性心肌分析的3D的運動、增厚、速度、應變、應變率和/或對比灌注的組合允許更精確的評估。
可以被實施用于評估心肌功能的其他參數包括全局指標。傳統的自動技術僅依賴于區域性指標、例如運動或應變來評估區域性心肌功能。然而，自動評估區域性功能的技術也應考慮心臟功能的全局指標。這些全局指標包括、但不局限于下列指標左心室容量和射血分數，左心室壁厚度和質量，以及心臟舒張功能指標、例如E/A比，而這些指標不明確指向心臟的特定區域中的問題，這種參數通常指示冠狀動脈疾病，并提供用于區域性心肌功能的評估的附加特征。
在本發明的其他示范性實施例中，數據處理系統(21)提取和分析來自對象病人的非圖像病人數據(4)的相關參數，這些相關參數結合所提取的圖像參數被用于提供心肌功能的自動區域性評估。病人數據(4)可以包括來自多個結構化的和非結構化的數據源的病人信息，該病人信息在病人的治療的過程中被收集。通常，結構化的數據源包括例如財務(賬單)、實驗室和藥房數據庫，其中病人信息典型地被保存在數據庫表格中。非結構化的數據源例如包括波形數據、基于自由文本的實驗室測試結果的文件、醫生進展記錄、關于醫療程序的細節、處方藥信息、放射線學報告和其他專家報告。
依據本發明的示范性實施例，非圖像病人數據(4)可以包括指示冠狀動脈心臟疾病和其他相關病癥的大量有用數據，例如，這些數據可以被用于提供心肌功能的自動區域性評估。例如，可以在病史和體格檢查記錄中找到臨床信息，其中醫生記錄某人經歷過胸疼。此外，某些疾病、例如糖尿病可以增加人發展為/具有冠狀動脈疾病的可能性。例如膽固醇水平、抽煙歷史、冠狀動脈疾病的家族病史、年齡、性別、(例如來自超聲測量的)內膜平均厚度等等的其他指示也可以被用于評估冠狀動脈疾病的危險。
因此，在圖2的示范性實施例中，特征提取模塊(22)包括一個或多個用于從結構化的和/或非結構化的病人數據記錄(4)中提取相關病人數據的病人數據提取方法(22-4)，所述相關病人數據對于所評估的醫學病癥來說是相關的。根據區域性心肌評估的示范性實施例，臨床數據可能不精確定位心肌功能弱的特定區域，但是這種臨床數據可以整體上有助于區域性心肌功能的評估。應理解的是，可以通過用于從病人數據記錄(4)中提取相關參數的提取模塊(22-4)來實施任何合適的數據分析/數據挖掘方法，并處理誤差/不一致/病歷中的丟失信息。在本發明的一個示范性實施例中，利用如在共同被轉讓和懸而未決的、于2002年11月4日提交的、名稱為“Patient Data Mining”的、序列號為No.10/287,055的美國專利申請中所述的數據挖掘方法和特征組合方法，可以實施病人數據提取方法(22-4)和特征組合方法(23)，該申請要求于2001年11月2日提交的、序列號為No.60/335,542的美國臨時申請的優先權，于此將這兩個申請全部引入作為參考。
簡要地，序列號為No.10/287,055的美國專利申請描述了數據挖掘方法，用于利用包括在知識庫中(例如在存儲庫(27)中)的領域特定知識從被表示為在特定時間關于病人的概率斷言(稱作元素)的臨床數據記錄中提取相關信息，并組合在給定時間周期涉及相同變量(領域特定標準)的所有元素以形成關于該變量的單個統一的概率斷言，并且然后隨著時間的過去調整該信息以處理該變量的值的改變(包括應用關于變量可以如何隨著時間的過去而改變的時間約束)。
此外，在于2002年11月4日提交的、名稱為“Patient Data Miningfor Cardiology Screening”的、序列號為No.10/287,085的美國專利申請中描述了為評估冠狀動脈心臟疾病的危險而組合病人信息的方法，該申請被共同轉讓并于此被引入作為參考。
在圖2的示范性實施例中，如上所述，數據處理系統(21)利用保存在存儲庫(27)中的臨床領域知識數據來執行各種方法、例如特征提取(22)、特征組合(23)和模型生成(24-2b)。領域特定知識庫(27)可以包括疾病特定領域知識。例如，疾病特定領域知識可以包括影響疾病的危險的各種因素、疾病發展信息、并發癥信息、結果和涉及疾病的變量、涉及疾病的測量、以及由例如ACC、AHA和ESC之類的醫療機關建立的政策和方針。
例如，根據三個因素的組合的明確存在或不存在，用于診斷急性心肌梗塞(AMI)的領域特定標準可以指定AMI的診斷(i)心痛的癥狀；(ii)EKG(心電圖)的變化；以及(iii)由受傷的心肌釋放的酶的變化。此外，假定個體具有心痛，EKG和酶變化的程度滿足指定標準，可以單獨地或以組合形式被用于確定診斷的確定性(“確定的”、“很可能的”或“可能的”)，或被提供作為數字確定性(例如在0％和100％之間)。
領域特定知識庫(27)也可以包括機構特定領域知識。例如，這可以包括關于在特定醫院可用的數據的信息、在醫院處的文件結構、醫院的策略、醫院的方針、以及醫院的任何變化。
也可以從各種源獲得臨床領域知識庫(27)。例如，臨床領域知識庫(27)可以包括從所分析的/所標記的病例的大數據庫(28)學習到的知識。此外，例如，臨床領域知識庫(27)可以包括由專家根據分析先前要求或根據保險公司公布的規則和規章而輸入的知識。領域知識庫(27)中的數據可被編碼為輸入或被編碼為產生可以被系統理解的信息的程序。如上所述，可以通過由領域專家利用適當的用戶界面手動輸入來獲得領域專家數據，或可以自動或編程輸入領域專家數據。
提取模塊(22-4)可以利用領域知識庫(27)中的相關數據來提取相關參數，并且產生關于病人的對于時間實例或時間周期來說相關的概率斷言(元素)。需用于提取的領域知識通常對于每一個源來說是特定的。例如，可以通過短語識別來實現從文本源中提取，其中提供一列規則，這些規則指定感興趣的短語和可以從中提取的推論。例如，如果在醫生的記錄中存在具有文字“在心臟的左心室中存在心肌病的證據”的陳述，則為了從該語句中推斷出病人具有心肌病，可以指定引導系統尋找短語“心肌病”的規則，并且如果發現該短語，則斷言該病人以某種程度的置信度具有心肌病。可以通過查詢源中的表格來實現從數據源中提取，在這種情況下，領域知識需要編碼在數據庫中的哪一個字段中存在什么信息。另一方面，提取過程可以包括計算包含在數據庫中的信息的復雜功能，在這種情況下，可以以程序的形式提供領域知識，所述程序執行該計算，該計算的輸出可以被饋送給系統的剩余部分。
由特征組合模塊(23)實施的方法可以是在上面所引入的專利申請中所描述的那些方法。例如，特征組合方法可以是根據來自相同/不同源的潛在沖突斷言在給定時間點產生每一變量的統一視圖的過程。在本發明的各種實施例中，這利用關于由元素所表示的變量的統計信息的領域知識來執行。
模型生成器(24-2)建立由分類方法(24-1)實施的分類模型，根據該實施，分類模型被訓練(并且可能被動態地優化)，以分析各個提取特征，提供診斷輔助和在各個水平上的評估。應理解的是，分類模型可以是“黑盒”，所述“黑盒”不能向用戶解釋它們的預測(例如如果利用神經網絡來建立分類器，則情況如此)。該分類模型可以是人類可讀的形式的“白盒”(例如如果利用決策樹來建立分類器，則情況如此)。在其它實施例中，分類模型可以是能夠部分解釋如何獲得解答方案的“灰盒”(例如“白盒”和“黑盒”類型的分類器的組合)。所實施的分類模型的類型將取決于領域知識數據和模型生成過程(24-2)。模型生成過程的類型將根據所實施的分類方案而改變，分類方案可以包括決策樹、支持向量機、Bayesian網絡、概率推理等等以及對本領域的普通技術人員來說已知的其他分類方法。
該模型生成器/更新過程(24-2)利用臨床領域知識庫(27)中的數據來訓練分類模型，并且可能動態地更新通過分類過程(24-1)實施的先前訓練的分類模型。在本發明的一個示范性實施例中，為了生成/訓練學習評估區域性心肌功能的分類模型，“離線”實施模型生成器/更新過程(24-2)。在本發明的另一示范性實施例中，模型生成器/更新過程(24-2)采用“連續的”學習方法，所述“連續的”學習方法可以利用存儲庫(27)中的領域知識數據或否則優化與相關病癥相關的分類模型，其中所述數據庫利用從最近分析的病人數據獲得的附加學習的數據來更新。有利地，通過使分類方法(24-1)能夠連續地隨著時間的過去而改進而無需昂貴的人為干預，連續學習功能增加CAD系統(20)的穩健性。
在圖2的示范性CAD系統(20)中，如上所述，診斷/工作流程輔助模塊(26)可以提供如上面參考圖1所述的一個或多個診斷和決策支持功能。例如，基于從超聲圖像數據(3)和/或非圖像病人數據記錄(4)中提取的一組特征，診斷/工作流程輔助模塊(26)可以命令分類模塊(24)提供區域性心肌功能的評估與評估的置信度的量度。分類引擎(25-1)可以利用一個或多個分類模型執行這種分類，所述一個或多個分類模型被訓練用于分析來自模塊(23)的組合特征輸出。在另一示范性實施例中，診斷/工作流程輔助模塊(25)可以命令分類模塊(24)確定什么附加成像模態或特征(例如從B模式超聲圖像數據、其他圖像模式和/或非圖像數據的)可以被獲得并被進一步分析以提高區域性評估的置信度。此外，基于當前的一組提取特征，診斷/工作流程輔助模塊(25)可以命令分類模塊(23)(經由用戶界面)獲得并顯示存儲庫(27)中的一個或多個相似病人病例。
現在參考圖3，方塊圖示出依據本發明的另一示范性實施例的、用于為心臟成像提供自動診斷和決策支持的系統。更具體地，圖3示出用于利用從各種圖像模式(B模式、對比成像、和/或相位成像等等)中的一個或多個獲得的圖像參數和/或非圖像病人數據提供例如冠狀動脈心臟疾病的自動診斷、以及提供其他決策支持功能以輔助醫生工作流程的CAD系統(30)。在一個示范性實施例中，圖3的CAD系統(30)結合如上面針對圖2所討論的自動壁運動分類分析。圖3的CAD系統(30)示出圖1的CAD系統(10)的用于支持一種或多種超聲成像方法的一個或多個示范性框架。
參考圖3，該CAD系統(30)包括數據處理系統(31)，所述數據處理系統(31)實施用于基于從超聲圖像數據中提取的各個參數對心臟疾病進行自動分類(診斷)方法以及其他用于輔助醫生決定特定病人的護理或診斷路徑的方法。通常，數據處理系統(31)包括特征提取模塊(32)、特征組合模塊(33)、分類模塊(34)和診斷/工作流程輔助模塊(35)。此外，CAD系統(30)包括用戶界面(36)，所述用戶界面(36)允許用戶與CAD系統(30)交互以選擇診斷/工作流程輔助模塊(35)所支持的一個或多個功能(例如為一種或多種類型的心臟病癥提供自動診斷和診斷的置信度，確定什么附加超聲成像模態或特征(例如從B模式超聲圖像數據、其他圖像模式和/或非圖像數據)可以被獲得并被進一步分析以提高診斷的置信度，基于當前的一組提取特征獲得并顯示存儲庫(38)中的一個或多個相似病人病例)。
特征提取模塊(32)實施用于從各種模式的超聲圖像數據(5)中的一種或多種和非圖像病人數據(6)中提取相關參數的各種方法(32-1～32-9)，所述相關參數可被分析以提供如下面所討論的心臟疾病的自動診斷和其它類型的決策支持。例如，特征提取模塊(32)包括實施上面參考圖2所討論的方法的自動壁運動分析模塊(32-1)，以用于基于從超聲圖像中提取的運動和增厚參數提供心肌功能的區域性評估。從模塊(32-1)輸出的參數可以是評估的實際結果(例如每一段的壁運動分數)或所提取的運動和增厚參數，其由分類模塊(34)進一步處理，以提供心臟病癥的自動診斷或提供其他診斷支持功能。
其他提取模塊包括用于從超聲圖像數據中提取全局參數的全局參數提取模塊(32-2)，其中全局參數包括例如LVEF(左心室射血分數)、LVEDV(左心室舒張末期容量)、LVESV(左心室收縮末期容量)等等；以及用于提取例如E/A比等等的心臟舒張參數的心臟舒張參數提取模塊(32-3)，其提供冠狀動脈心臟疾病的一般指示。此外，可以從超聲多普勒圖像中提取血流速度(32-4)。此外，可以從超聲圖像中提取區域性參數，所述超聲圖像包括用于提取應變和應變率數據的應變率參數提取模塊(32-5)、用于從對比成像提取灌注特征的對比灌注模塊(32-6)、用于從3D(+時間)超聲圖像中提取特征的4D提取模塊(32-7)以及用于從相同或附加模式的超聲圖像數據中提取相關參數的其他圖像特征提取方法(32-8)。由特征提取模塊(32)實施的各種特征提取方法(32-1～32-9)與上面參考圖2所討論的那些方法相同或相似。如上所述可以被實施用于從超聲圖像和其他圖像數據中提取特征的各種方法對于本領域的普通技術人員來說是眾所周知的，并且任何合適的已知提取方法可以被實施用于提取模塊(例如參見“Myocardial Perfusion Assessment With ContrastEchocardiography”，Medical Imaging 2001Ultrasonic Imagingand Signal Processing，Michael F.Insana，K.Kirk Shung，Editors，Proceedings of SPIE Vol.4325(用于超聲的對比灌注的方法)；Hashimoto等人的“Myocardial strainrate is a superiormethod for evaluation of left ventricular subendocardialfunction compared with tissue Doppler imaging”，J AmColl.Cardiol.2003年11月5日；42(9)1584-6.(用于超聲的應變和應變率成像的方法)；和G.I.Sanchez-Ortiz等人的“Automated LV motion analysis from 3D echocardiography”，Medical Image Understanding and Analysis(MIUA)Conference1999，Oxford UK，第85-88頁(用于從3D超聲圖像中提取參數的方法)等等)。在圖2的示范性實施例中，這種特征被用于例如區域性心肌功能的自動評估，而在圖3的系統中，這種特征例如被進一步用于與心臟有關的疾病的自動診斷。
特征組合模塊(33)以適合于輸入和由分類模塊(34)分析的方式組合一組提取特征。分類模塊(34)包括用于利用一個或多個分類模型來分析組合提取參數的分類模塊(34-1)，所述分類模型經由模型生成器(34-2)被訓練或動態適配，以提供心臟疾病的自動診斷和其它決策支持功能。該CAD系統(30)進一步包括存儲庫(37)，所述存儲庫(37)維持信息的臨床領域知識庫，該臨床領域知識庫提供被模型生成器(34-2)用于生成/訓練分類方法(34-1)所使用的分類模型的訓練數據。涉及臨床領域或CAD系統(30)所支持的領域的、所分析的/所標記的病例(38)的大數據庫可以被用于獲得存儲庫(37)中的訓練數據。臨床領域知識(37)可以包括由專家根據分析先前要求而直接輸入的專家臨床知識，或關于所支持的臨床領域的、涉及與醫療機關或保險公司相關的規則、規章和/或方針的信息。可以通過數據處理系統(31)的各種方法(32、33、34和35)來使用存儲庫(37)中的臨床領域知識。
應理解的是圖3中的各個模塊(32，33，34和35)可以如下所述實施與圖2的CAD系統(20)的那些對應模塊(22，23，24和25)相同或相似的方法。然而，各種方法、例如分類模塊(24)和(34)中的分類和模型生成方法將根據各個CAD系統(20)和(30)所支持的決策支持功能、特征提取方法和/或圖像模態的類型而變化。此外，除了知識庫(27)和(37)中的訓練數據將根據各個CAD系統(20)和(30)所支持的決策支持功能、特征提取方法和/或圖像模態的類型而變化之外，臨床領域知識庫(37)相似于圖2的知識庫(27)。
現在參考圖4，方塊圖示出依據本發明的另一示范性實施例的、用于為心臟成像提供自動診斷和決策支持的系統。更具體地，圖4示出多模態CAD系統(40)，該多模態CAD系統利用從各種成像模態中的一種或多種獲得的圖像參數和/或非圖像病人數據來支持例如冠狀動脈心臟疾病的自動診斷，以及提供用于輔助關于一個或多個心臟成像模式的醫生工作流程的其他決策支持功能，其中所述成像模態包括各種超聲成像方法(B模式、對比成像和/或相位成像等等)、MRI、NM、PET、CT、CT血管造影術、X射線血管造影術、MR血管造影術等等。不同成像模態的組合可以提供各種益處。例如，不同成像模態可以提供不同種類的信息。核醫學圖像可以提供功能信息、例如灌注，而超聲圖像可以提供解剖信息。組合這些成像模態可以為醫生提供更好的診斷支持。另一例子是組合冠狀動脈的成像與例如CT、與利用超聲波或MRI的關于左心室的信息。以這種方式，可以組合關于冠狀動脈疾病的信息與其對心肌的影響。
在一個示范性實施例中，圖4的CAD系統(40)結合如上所述的示范性CAD系統(10)、(20)和(30)的特征提取方法、分類方法、診斷和決策支持方法等等中的一些或全部。圖4的CAD系統(40)示出圖1的CAD系統(10)的用于為心臟成像提供多模態CAD的一個或多個示范性框架。
參考圖4，該CAD系統(40)包括數據處理系統(41)，所述數據處理系統(41)實施用于通過提取和分析來自病人信息的各個源(7)的參數來提供心臟疾病的自動分類(診斷)以及其他決策支持功能以輔助醫生工作流程的方法，其中所述病人信息包括例如對象病人的一種或多種不同類型的圖像數據(例如MRI圖像數據(7a)，超聲圖像數據(7b)，NM圖像數據(7c))和非圖像數據(例如包括導管插入(catherization)實驗室數據(7d)和臨床、病史和/或體格檢查數據(7e)的數據記錄)。
通常，數據處理系統(41)包括特征提取模塊(42)、特征組合模塊(43)、分類模塊(44)和診斷/工作流程輔助模塊(45)。此外，該CAD系統(40)包括用戶界面(46)，所述用戶界面(46)允許用戶與CAD系統(40)交互，以選擇診斷/工作流程輔助模塊(45)所支持的一個或多個功能(例如為一種或多種類型的心臟病癥提供自動診斷和診斷的置信度，確定什么附加成像模態或特征可被獲得并被進一步分析以提高診斷的置信度，基于當前組的提取特征獲得并顯示存儲庫中的一個或多個相似病人病例等等)。
特征提取模塊(42)實施“n”種用于從所支持的成像模態提取圖像參數(42-1～42-2)的特征提取方法和用于從非圖像數據源提取參數的其他特征或文本提取方法(42-3，42-4)。例如，特征提取模塊(42)可以包括用于從超聲圖像(或其他成像模態)提取并分析壁運動和增厚參數以提供自動壁運動分析功能的方法以及上面參考圖3和4所討論的用于提取全局和區域性圖像參數的其他圖像參數提取方法。特征組合模塊(43)以適合于輸入和由分類模塊(44)分析的方式組合一組提取特征。分類模塊(44)包括用于利用一個或者多個分類模型分析組合提取參數以提供心臟疾病的自動診斷和其它決策支持功能的分類方法(44-1)，其中所述分類模型經由模型生成器(44-2)被訓練/動態適配。該CAD系統(40)進一步包括存儲庫(47)，所述存儲庫(47)維持信息的臨床領域知識庫，所述臨床領域知識庫提供被模型生成器(44-2)用于建立/訓練分類方法(44-1)所使用的分類模型的訓練數據。涉及臨床領域或CAD系統(40)所支持的領域的、所分析的/所標記的病例的大數據庫(48)可以被用于獲得存儲于存儲庫(47)中的訓練數據。可以通過數據處理系統(41)的各種方法(42，43，44和45)來使用存儲庫(47)中的臨床領域知識。
應理解的是，圖4中的各個模塊(42，43，44和45)可以實施與圖2的CAD系統(20)的那些相應模塊(22，23，24和25)和/或圖3的CAD系統(30)的相應模塊(32，33，34和35)相同或相似的方法，如上所述。然而，各種方法、例如分類模塊(44)的分類和模型生成方法將根據CAD系統(40)所支持的決策支持功能、特征提取方法和/或圖像模態的類型而改變。此外，除了知識庫(47)中的訓練數據將根據CAD系統(40)所支持的決策支持功能、特征提取方法和/或圖像模態的類型而改變之外，臨床領域知識庫(47)與圖2和3的知識庫(27)和(37)相似。
現在將參考圖6的示范性節點圖來描述依據本發明的示范性實施例的用于為了心臟疾病的診斷而評估附加測試的可能值等等的各種機器學習方法。對于這些示范性實施例，假定訓練集包括m種病例，并且每一種病例包括從先前執行的測試中提取的n個特征。每一種病例Ci(i＝1，...，m)可被表示為特征向量(f1，f2，...，fn)。
進一步假定對于每一種病例Ci來說，實際診斷(di)是 并且存在對應于對病人執行的不同測試的k個變量(Ti1，Ti2，Ti3，...Tik)，其中k個變量中的每一個可以取集合{0，1}中的值，并且其中如果相應測試對實際診斷di正確地進行了預測，則k＝1，或者否則k＝0。
進一步假定這種先前信息是從訓練數據中提取的，此后描述的示范性的基于機器學習的方法可以被用于預測哪一個測試將基于從病人醫學病史提取的特征向量提供精確診斷。
在一個示范性實施例中，一種方法如下。首先，確定從特征空間到{(P1，P2，P3，P4)/Pi∈{0，1}}的映射M，以便對于每一個Ci來說，M(Ci)＝M(f1，f2，...，fn)＝(Ti1，Ti2，Ti3，Ti4)。利用如圖6中所示的人工神經網絡技術可以實現該過程。對于每一個新的病人來說，映射M將提供描述哪些測試被推薦用于該病人的相應二進制輸出。
也可以把該問題看作多類別分類問題，其中對于每一種病例Ci來說，根據哪一個測試給出了正確的診斷來定義它的標記。例如，一種可能的方法如下。對于每一個測試，所有訓練病例都依據針對該病例的測試的精度來標記。然后，利用任何二進制分類算法(例如SVM、決策樹、Bayesian網絡等等)來訓練四個分類器(每一個測試一個)。當考慮新的病人時，在四個分類器中測試病人數據，以預測哪一個測試將給出正確的診斷。
應注意的是，利用上面的兩種方法，過程的結果可以多于一個測試。
另一個示范性方法如下。假定在訓練集中存在m種病例。新的病例將利用上面所述的n個特征與這些m種病例相比較。基于該比較，p個病例被選擇為最“相似于”當前病例，其中可以以各種方式中的一種來定義相似性。例如，一種方法是考慮n維特征空間中的歐幾里得(Euclidean)距離。也可以采用其他眾所周知的距離量度。應理解的是，上述過程也可以被用于從同樣用于顯示的病例庫中選擇樣本病例。
一旦確定相似性量度并且識別出最“相似的”病例，就可以針對訓練集中的k個測試中的每一個構建分類器。具體地，例如，將分類器構建成利用例如下面幾組信息中的每一組來測試診斷是否是肯定的或否定的(i)當前信息和壁運動分析的結果；(ii)當前信息和超聲；(iii)當前信息和MRI等等。
將在不向p個病例之一學習的情況下構建每一個分類器(也就是留一法)，并且然后將利用該分類器對抑制病例進行分類。這將針對p個病例中的每一個被重復，并且整個過程針對k個測試中的每一個被重復。然后將針對k個測試中的每一個計算平均可能性，該平均可能性將用作哪一個測試將是最有用的分數。
應理解的是，依據本發明的其他示范性實施例，可以以分布式模型實施CAD系統，其中CAD的各個模塊/部件分布于通信網絡中。例如，CAD系統可以由ASP(應用服務提供商)提供，以經由應用服務器提供CAD功能的遠程訪問服務。例如，被用于識別相似病例的病例數據庫可以位于中央位置處。優點是占用大量存儲器的大的病例數據庫不必駐留在每一個系統處。此外，可以非常容易地進行對病例的更新。該中央位置可以是例如在醫院中，或者它可以是每個人利用這種系統訪問的一個中央數據庫。另一個可能性是利用分布式數據庫，其中病例位于多個位置處、但被搜索和訪問，好像它們處于一個位置中。那樣，可以搜索位于不同位置處的病例以找到相似病例。除了數據庫之外，CAD系統的其它部分、例如分類器可以被定位在中心。
此外，考慮到上述內容，應理解的是，依據本發明的CAD系統可以被實施為由第三方服務提供商按照服務合同或SLA(服務水平協議)提供的服務(例如Web服務)，用于基于各種服務/支付方案之一提供如于此所述的診斷支持和其他決策支持功能。例如，第三方服務提供商可能按照合同有責任訓練、保持和更新各個臨床領域的分類模型，并且醫生或保健組織可以基于按使用付費、每年訂費等等“在線”訪問CAD系統。在這種情況下，可以實施對本領域普通技術人員來說已知的各種方法以保持病人機密性并且另外利用安全加密、壓縮方案等等通過通信信道來傳輸病人數據。本領域的普通技術人員可以容易地設想到依據本發明的CAD系統的各種體系結構和實施方式，并且于此沒有什么應被解釋為對本發明的范圍的限制。
盡管于此已經參考附圖描述了本發明的說明性實施例，但應理解的是本發明不局限于那些精確的實施例，并且本領域的技術人員可以在不脫離本發明的范圍和精神的情況下實現各種其他改變和修改。所有的這種改變和修改旨在被包括在如由所附的權利要求所限定的本發明的范圍內。
權利要求
1.一種用于為心臟成像提供自動診斷和決策支持的方法，包括從病人的心臟的圖像數據中獲得信息；從該病人的非圖像數據記錄中獲得信息；以及利用所獲得的信息自動評估心臟的病癥。
2.權利要求1的方法，其中從圖像數據中獲得信息包括從一個或多個超聲成像模態的超聲圖像數據中自動提取一個或多個特征。
3.權利要求2的方法，其中超聲圖像數據包括3D超聲圖像數據。
4.權利要求2的方法，其中從超聲圖像數據中自動提取一個或多個特征包括提取心臟功能的全局特征，該全局特征包括左心室容量、左心室射血分數、左心室壁厚度、左心室壁質量或例如E/A比的心臟舒張功能指標、或所述全局特征的任何組合。
5.權利要求2的方法，其中從超聲圖像數據中自動提取一個或多個特征包括提取區域性參數，該區域性參數包括組織速度數據、應變數據、應變率數據、灌注數據、或定時數據、或所述區域性參數的任何組合。
6.權利要求5的方法，其中從超聲圖像數據中自動提取一個或多個特征包括提取涉及應變、例如聲流的流體運動、例如對比灌注的血液運動、或B模式圖像、或其任何組合的特征。
7.權利要求1的方法，其中圖像數據包括下列項之一超聲圖像數據、MR(磁共振)圖像數據、CT(計算機斷層掃描)圖像數據、PET圖像數據、核醫學圖像數據、或冠狀動脈樹的圖像數據、或其任何組合。
8.權利要求1的方法，其中從非圖像數據記錄中獲得信息包括從結構化的和/或非結構化的數據源中自動提取特征，所述結構化的和/或非結構化的數據源包括對象病人的臨床、家族和/或病史信息。
9.權利要求1的方法，其中從心臟的圖像數據中獲得信息包括利用圖像特征執行自動壁運動分析以獲得涉及心臟的區域性心肌功能的信息。
10.權利要求9的方法，其中執行自動壁運動分析包括利用來自圖像數據的涉及心肌壁運動和心肌壁增厚的圖像特征來自動提取。
11.權利要求1的方法，其中自動評估心臟的病癥包括自動確定心臟疾病或病癥的診斷概率。
12.權利要求11的方法，進一步包括自動確定所述診斷概率的置信度。
13.權利要求12的方法，進一步包括自動確定將提高所述診斷概率的置信度的附加信息。
14.權利要求13的方法，其中自動確定附加信息進一步包括確定所述附加信息在提高所述診斷概率的置信度方面的有用性的量度。
15.權利要求11的方法，進一步包括自動識別與當前診斷相似的一個或多個先前診斷的病例。
16.權利要求15的方法，其中自動識別與當前診斷相似的一個或多個先前診斷的病例包括利用所獲得的信息來搜索具有與所獲得的信息相似的特征的標記病例庫。
17.權利要求16的方法，包括顯示所識別的病例。
18.權利要求1的方法，其中利用所獲得的信息自動評估心臟的病癥包括利用機器學習方法、基于模型的方法、或機器學習與基于模型的方法的任何組合來對心臟的病癥進行分類，其被訓練用于分析所獲得的信息。
19.權利要求18的方法，包括利用專家數據和/或從多個病例研究學習到的數據來重新訓練用于在連續或周期性的基礎上進行分類的方法。
20.一種用于為心臟成像提供自動診斷和決策支持的方法，包括從對象病人的病人數據中自動提取特征，所述病人數據包括圖像數據和非圖像數據，以及通過分析從對象病人的病人數據中提取的特征，自動確定對象病人的心臟的當前狀態；以及基于對象病人的所確定的當前狀態，自動提供決策支持以輔助關于對象病人的保健或診斷或治療路徑的醫生工作流程。
21.權利要求20的方法，其中自動確定對象病人的當前狀態包括自動確定心臟疾病或病癥的診斷概率或將來發展為心臟疾病或病癥的概率。
22.權利要求21的方法，其中自動提供決策支持包括自動確定將提高所述診斷概率的置信度的病人的一個或多個附加特征。
23.權利要求22的方法，其中自動確定一個或多個附加特征進一步包括為所述一個或多個附加特征中的每一個確定在提高所述診斷置信度方面的有用性的量度。
24.權利要求21的方法，其中自動提供決策支持包括自動確定將提高所述診斷概率的置信度的一個或多個附加心臟成像測試。
25.權利要求24的方法，其中自動確定一個或多個附加心臟成像測試進一步包括為所述一個或多個附加測試中的每一個確定在提高所述診斷置信度方面的有用性的量度。
26.權利要求21的方法，其中自動提供決策支持包括自動識別與當前病例相似的一個或多個先前診斷的病例。
27.權利要求26的方法，包括顯示一個或多個所識別的相似病例。
28.權利要求20的方法，其中自動確定對象病人的當前狀態包括自動確定對象病人發展為心臟疾病或病癥的可能性。
29.權利要求20的方法，其中自動提供決策支持以輔助醫生工作流程包括建議療法。
30.權利要求29的方法，進一步包括自動提供該療法將具有確定結果的概率和/或置信度的量度。
31.權利要求29的方法，進一步包括自動提供該療法將不具有確定的例如副作用的有害影響的概率和/或置信度的量度。
32.權利要求30的方法，其中概率是有益和有害的可能后果的分布。
33.權利要求30的方法，其中概率是有益和有害的可能后果在將來的一個或多個時間點的一組分布。
34.權利要求30的方法，其中概率是可能后果在將來的不同時間的隨時間變化的分布。
35.一種用于為心臟成像提供自動診斷和決策支持的方法，包括從來自至少兩個不同成像模態的、病人的心臟的圖像數據中獲得信息，所述成像模態包括超聲、MR、CT、PET、MR血管造影術、CT血管造影術、X射線血管造影術以及核醫學；從至少兩個成像模態的圖像數據中提取特征；通過分析所提取的特征自動確定病人的當前狀態；以及基于對象病人的所確定的當前狀態，自動提供決策支持，以輔助關于保健或診斷或治療路徑的醫生工作流程。
36.權利要求35的方法，其中將從圖像數據中提取的特征與來自病人的非圖像數據的特征組合。
37.權利要求29的方法，其中所述成像模態之一被用于使冠狀動脈成像。
38.權利要求37的方法，其中CT血管造影術被用于提取關于冠狀動脈的特征，并且CT、MR、PET、核醫學以及超聲中的一個或多個被用于使心臟的心肌成像。
39.權利要求37的方法，其中MR血管造影術被用于提取關于冠狀動脈的特征，并且CT、MR、PET、核醫學以及超聲中的一個或多個被用于使心臟的心肌成像。
40.權利要求37的方法，其中X射線血管造影術被用于提取關于冠狀動脈的特征，并且CT、MR、PET、核醫學以及超聲中的一個或多個被用于使心臟的心肌成像。
全文摘要
提供用于心臟成像的CAD(計算機輔助診斷)系統和應用，該系統和應用執行用于從對象病人的病人信息的集合(包括圖像數據和/或非圖像數據)自動提取和分析特征以提供對醫生工作流程的各個方面的決策支持的方法，該決策支持包括例如通過壁運動分析的區域性心肌功能的自動評估、諸如心肌病、冠狀動脈疾病之類的心臟疾病和病癥及其他與心臟有關的醫學病癥的自動診斷、以及其他自動決策支持功能。該CAD系統實施利用一組訓練數據的機器學習技術以允許該CAD系統“學習”分析病人數據并進行正確的診斷評估和決策以便輔助醫生工作流程，其中該組訓練數據是從一個或多個相關臨床領域中的標記病人病例的數據庫和/或這種數據的專家解釋獲得(學習)的。
文檔編號G06F17/00GK1914617SQ200480041275
公開日2007年2月14日 申請日期2004年12月6日 優先權日2004年2月3日
發明者S·克里什南, A·古普塔, R·B·勞, D·科馬尼丘, X·S·周 申請人:美國西門子醫療解決公司, 西門子共同研究公司