專利名稱：醫學圖像中的異常檢測的制作方法
技術領域：
本發明通常涉及數字圖像處理領域，并且尤其涉及醫學圖像中的 異常檢測。
背景技術：
醫學成像在許多疾病的篩查、診斷和/或治療中起著重要的作用， 因為醫學圖像使得醫生能夠看到患者的內部解剖結構或者能夠顯現生理或新陳代謝的信息。各種不同的成像技術或模態(modality)可以 用在臨床醫學中。 一些眾所周知的技術/模態包括X射線和計算機斷層 攝影法(CT)、超聲、核醫學、超聲波成象以及核磁共振成像(MRI )。 X射線和CT、超聲和MRI產生解剖結構的圖像，而核醫學產生描述放 射性化合物在各個組織(器官或腫瘤)中的體內分解或新陳代謝攝取 的圖像。其他用于對生理系統的功能特征進行成像的模態包括功能MRI (fMRI)、單光子發射型計算機斷層攝影(SPECT)和正電子發射計算 機斷層攝影(PET)。還有其他模態通過使用放置在顯微鏡內部的照相 機捕獲內部結構的靜止圖像或視頻流。這些模態包括結腸鏡檢查、支 氣管鏡檢查、內窺鏡檢以及膠嚢內窺鏡檢查。不同的技術/模態都具有它們的優勢和劣勢。例如，X射線成像具 有高空間和亮度分辨率，很詳細地顯示了骨頭結構，并且使用起來相 對便宜；然而，它呈現給觀察者的是疊加的結構的復雜二維(2D)視 圖。X射線成像還難以分辨軟組織特征。MRI的優勢在于用高對比度和高空間分辨率顯示軟組織的三維圖 像，并且它不涉及離子輻射(如X射線和CT那樣)；然而，MRI不能 對骨頭進行很好的成像。基于X射線吸收的CT成像產生骨頭結構的3D 圖像以及比較清晰的軟組織3D圖，雖然MRI仍是觀察軟組織的優選模 態。超聲波成像容易攜帶，相對便宜，并且不涉及離子輻射。它具有 高空間分辨率并且非常快，能實現實時幀獲取速率。新近，發現了超 聲波的一個唯一并且潛在很強大的應用測量組織的彈性，這對于辨別例如乳房的胂瘤組織與健康組織非常有用。超聲波的劣勢在于它不 能容易地穿過氣體或骨頭成像，使得它難以獲得一些器官的圖像。核醫學提供了描述新陳代謝信息的圖像，新陳代謝信息可以作為病理狀況的早期指示；然而，由于圖像中缺少結構信息它難以準確定位身體中的異常位置。SPECT使用斷層攝影原理來從附近的組織切片提供一 系列的2D核 醫學圖像，實現了 3D核醫學圖像；然而，稍微降低了空間分辨率。PET 也是一種測量生理和功能的斷層攝影技術，相比SPECT圖像，提供了 具有更高空間分辨率和更高信噪比(SNR)的圖像。然而，PET系統非 常昂貴，因為需要回旋加速器產生發射正電子的核素。fMRI在臨床應 用中并不經常使用，除了外科規劃，外科規劃目的是確定對應于特定 認知任務的腦部區域，以便在手術過程中避免這些區域。顯微鏡使得能夠直觀檢查身體內部，諸如支氣管(支氣管鏡檢)、 結腸(結腸鏡檢查)或上消化道(內窺鏡檢查)。膠嚢內窺鏡檢查實 際上并不使用顯微鏡，而是使用包含照相機的可吞服膠嚢，該照相機 在通過整個消化道時獲取圖像。對于患者而言，膠嚢內窺鏡檢查比內 窺鏡檢查更為舒適，并且允許看到結腸深處。然而，膠嚢和/或照相機 不能像顯微鏡那樣被控制或固定在某些感興趣的區域。在一些臨床應用中，使用兩個或更多模態來捕獲醫學圖像。在一 些應用中，使用來自一個模態的圖像來篩查疾病，然后捕獲來自另一 個模態(通常具有更高的分辨率和/或診斷效用)的隨后圖像以核實診 斷或者評估該疾病的進展。 一個這樣的示例是當使用胸部(x射線)射 線照相來篩查肺結核、肺癌或其他呼吸疾病。可疑的發現會促使放射 科醫師要求CT成像，以提供受感染區域的高分辨率3-D顯影。另一個 示例是用于篩查乳癌的(X射線)乳房X線照相；乳癌的肯定指示可以 要求乳房的3D MRI，以進一步調查腫瘤。篩查過程的一個更近的示例 是使用CT圖像用于虛擬結腸鏡檢查；確認了可疑區域或息肉導致隨后 的結腸鏡檢查。除了在篩查/核實的過程中使用來自多個模態的圖像，多模態醫學 成像另一個常見用途是同時提供結構和功能信息。例如，在腦部成像 中，當懷疑或診斷癌癥時，可以獲取CT和/或MR圖像以顯示腦部和任 何異常的結構，并且可以獲取PET或SPECT圖像來顯示肺瘤或損害的任何新陳代謝行為。為了檢查肺部、肝部以及腎部的圖像，也使用胸部CT和PET圖像的組合。CT/PET組合頗受歡迎，并且能夠同時捕獲這 兩種模態的設備已經出現在市場上(通用電氣的Discovery LSPET/CT 系統和西門子的biographTM是兩個例子)。在其他情況中，可以獲得來自多個模態的圖像，即使這些模態提 供了某種結構信息。腦部或腹部或校正部位(orthopedic site)的CT 和MR圖像可以在不同的時刻獲取。超聲彈性成像(sonoelasticity ) 的出現，或使用超聲成像測量組織的彈性，可以用于檢查乳房的彈性， 提供補充乳房X線照片或MR乳房圖像的結構信息。然而，盡管醫學成像模態提供了很多種可視信息，但還是難以檢 測或診斷許多疾病。例如， 一個組織估計大約2(T/i的乳癌不能被乳房X 線照相檢測到。在檢測各種類型的癌癥和其他疾病的努力中，許多研究者已經開 發了幫助放射科醫師檢測異常的計算機輔助檢測/診斷(CAD)技術。已知針對乳房X線照相的CAD技術。例如，參考US專利No. 5633948、 5732697、 5941832、 6075878、 6266435、 6272233、 6418237 和6553356以及US專利申請No. 2001/0031076和2002/0057826。也已知用于肺結節檢測的CAD技術。例如，參考US專利 No.5539838、 5825936、 5881124、 5987094、 6125194和6609021， US 專利申請No. 2003/0076992 、 2003/0095696 、 2003/0099388和 2003/0105395以及歐洲專利號EP11294626、 EP1249006和EP1395165。用于直腸癌檢測的CAD在US專利No. 4981783、5628341和5983211 以及US專利申請No. 2002/0187502、 2002/0022240和2003/0032860 中有所描述。骨質疏;&癥和骨病是US專利No. 4913157、 5247934、 5673298、 5817020、 5902240和6143506的CAD才支術的主題。盡管這些現有技術幫助從業醫生檢測和/或診斷疾病，它們應用于 單個醫學圖像或者來自單個模態的多個醫學圖像。在配準和/或融合來自多個模態的圖像方面已經取得了 一些進展。 例如，US專利No. 626645 3 ( Hibbard)涉及一種在圖形用戶界面(GUI ) 上顯示多模態圖像數據(CT+MRI或CT+PET腦部圖像)的系統，實現了 手動或自動配準和融合。US專利號6539127 ( Roche )涉及一種用于基于數據集之間的相關比，配準通常的多模態圖像數據的方法。US專利 號6640130 (Freeman)涉及一種融合組織或器官的解剖圖像和光譜圖 像的系統。US專利申請No. 2003/0216631 (Bloch)采用自由形態變 形來配準PET和CT胸部和腹部圖像。雖然這些方法和系統涉及來自多 個模態的圖像的配準和融合，它們并沒有解決如何利用多模態圖像提 供檢測和/或診斷疾病的增強方法。現有的CAD方法和系統應用于單獨的醫學圖像或者來自單個模態 的多個醫學圖像，照此，當應用到來自多個模態的圖像集時，它們并 不是最優的。配準和融合技術雖然能夠向從業醫生提供可視化的有用 信息，但是不能提供與CAD系統一樣水平的輔助。本發明通過提供一種使用來自多個模態的圖像進行疾病或異常的 計算機輔助檢測和/或診斷的系統和方法，來解決現有技術的問題和限制。發明內容本發明的目的在于提供一種使用來自多個模態的圖像進行疾病或 異常的計算機輔助檢測和/或診斷的系統和方法。提供的任何目的僅通過說明性示例給出，并且這些目的可以是本 發明的一個或多個實施例的示范。本發明本身可以實現的其他希望的 目的和優勢對本領域技術人員來說是顯而易見的。本發明由隨附的權 利要求書限定。根據本發明的一個方面，提供了一種用于在對象的醫學圖像中檢 測異常的系統。該系統包括檢查束(examination bundle)、學習引 擎以及檢測引擎。所述檢查束包括至少一個來自第一模態的對象的醫 學圖像以及至少一個來自第二模態的對象的醫學圖像。采用所述學習引擎以確定位于該至少一個來自第一模態的醫學圖像以及該至少一個 來自第二模態的醫學圖像內的異常的特征。采用所述檢測引擎檢測構成檢查束的醫學圖像中的至少一個內的異常。
如附圖所示，從以下對本發明實施例的更具體的描述中可以清楚 明確本發明的上述以及其他目的、特征和優勢。附圖的元件并不一定相對于彼此成比例。圖1示出了在多模態檢查過程中捕獲的圖像的示意性框圖。圖2 A示出了根據本發明的用于檢測患者的醫學圖像中的異常的系 統的框圖。圖2B示出了圖2A的系統的另一實施例的框圖。圖3A示出了根據本發明的檢測引擎的實施例的框圖。圖3B示出了根據本發明的檢測引擎的另 一 實施例的框圖。圖4示出了圖2B的系統的又一實施例的框圖。圖5示出了根據本發明的示范性異常檢測方法。圖6示出了根據本發明的用于檢測患者醫學圖像中異常的系統的 另一實施例的框圖。圖7示出了根據本發明的用于檢測患者醫學圖像中異常的系統的 又一實施例的框圖。圖8示出了根據本發明的示范性異常檢測方法。圖9A示出了根據本發明的示范性異常檢測方法。圖9B示出了不同乳房組織的圖像像素/體素的強度增加的圖。圖9C進一步示出了圖9B的圖。圖9D示出了識別動態系統行為的一般方法的圖解說明。 圖9E示出了動態系統建模的示范性實現。
具體實施方式
下面將參考附圖對本發明的優選實施例進行詳細描述，在附圖中 相同的參考數字表示每個附圖中相同的結構元素。在以下描述中，將說明本發明的各個方面。為了解釋的目的，將 陳述具體配置和細節，以提供本發明的全面理解。然而，對本領域技 術人員顯而易見的是，可以實施本發明而無需此處所述的具體細節。 此外，為了避免混淆本發明將省去或簡化公知的特征。在通過至少兩個模態對患者進行典型成像檢查的過程(下文中稱 為多模態檢查)中，可以捕獲或重建來自每個模態的一個或多個圖像。由特定的模態捕獲或重建的圖像可以是二維(2D)圖像(包含在 某個二維坐標系統中尋址(address)的像素)、三維(3D)圖像(包 含在某個三維參考系統中尋址的體素)、或四維(4D)圖像(包含在某個四維參考系統中尋址的體素)。注意3D圖像可以由一系列2D圖 像或切片表示。第三維可以代表空間維或時間維，如在2D圖像的時間 序列中。根據模態，可以單獨或連續地作為視頻序列的幀來分析圖像。沒 有上下文(context)的孤立圖像或幀的價值有限。在圖像采集過程之 前或期間常常可得到一些上下文信息；在圖像采集之后隨著圖像的處 理可以收集或產生其他上下文信息。任何上下文信息將被稱為元數據。 元數據是非像素或體素數據的任何信息，例如，伴隨許多數字圖像文 件的圖像報頭數據。現在參考圖1,示出了根據本發明的在多模態檢查過程中捕獲的圖 像的框圖。在多模態檢查過程中捕獲的所有圖像的完整集合以及任何 相應的元數據，在圖1中作為檢查束100示出。檢查束100包括一群 模態實例102和包含一般元數據104的部分。每個模態實例102包括 模態實例特有元數據106和一個或多個圖像分組(packet) 108。模態 實例特有元數據106包含關于模態的信息和/或捕獲或重建的圖像的實 例所特有的信息。這類信息可以包括模態名稱和從業醫生在實施該模 態時為圖像捕獲的特定實例所選擇的任何相關設置。圖像分組108包括兩個部分已經被捕獲或重建的圖像的像素或 體素數據110、和圖像特有(image specific )元數據112。圖像特有元數據112可以進一步被細分成圖像特有采集數據114、 圖像特有身體數據116和圖像特有推斷數據118。圖像特有采集數據114包括圖像分組108中的特定圖像數據110 的采集所特有的信息，諸如2D視圖(例如軸向的、冠狀的或矢狀的)、 圖像協議、切片厚度、患者相對于成像系統的方位(例如，對于胸部 射線照相，后面-前面、前面-后面、或側面)；圖像序列的幀信息(例 如索引號、捕獲速率、捕獲時間等)、或者顯微鏡成像的曝光水平 (exposure level )。圖像特有身體數據116包括諸如捕獲圖像時患者的相對位置、或 諸如血壓、溫度、體重等的非圖像感測特征之類的信息。圖像特有推斷數據118包括圖像內所檢測到的異常的位置和描述， 以及已經識別的任何病理。這個數據可以從從業醫生或通過自動化方 法獲得。一般元數據104包括諸如下述的信息檢查的日期、患者身份、 咨詢醫生的名字或身份、檢查的目的、可疑異常和/或診斷、以及任何 與檢查束100相關的信息。它還可以包括一般圖像信息，諸如圖像存 儲格式(例如RAW、 DIC0M、 TIFF、 JPEG等)、行數和每行像素數。應 理解的是一般元數據或圖像特有元數據的順序和具體內容可以發生變 化而不改變檢查束的功能。呈現在醫學圖像中的異常可以多種方式來表征和檢測。 一個常用 的表征是通過形狀模型。某些異常具有獨特的幾何形狀，并且它們的 尺寸有助于檢測以及疾病分階段和預后。例如， 一些腫瘤為圓形，具 有特殊的輪廓，而且趨向于尺寸變大。在這些情況中，可以認為異常 檢測是在醫學圖像中尋找具有特定形狀的圖案的任務。這些圖案可以 由一組幾何圖元(geometric primitive )來描述，所述幾何圖元包括 角、邊、交叉點、分支點、線、圓、輪廓等。這些幾何圖元通過適應 于特殊圖元的方式來檢測。例如，角檢測包括通過找到強度表面梯度 上的最大值來識別具有獨特強度鄰點(neighbor)的點。線可以通過 各種邊檢測方案或者通過在霍夫(Hough)變換空間(由圖像中線的位 置和方向參數化的空間)中尋找最大值來檢測。類似地，圓可以由它 們的圓心和半徑來參數化，并且可以通過霍夫變換來檢測。這對檢測 圓形腫瘤是個有效的方法。使用廣義霍夫變換，也可以檢測圖像中的 橢圓。此外，通過引入異常的先驗知識，諸如位置、尺寸或取向，可 能改進檢測性能。另一個表征異常的方法是通過模板，例如彈性模型。然后可以通 過模板匹配來實現異常檢測。對于彈性模型，模板由一組控制點和彈 性邊進行建模。這提供了比幾何圖元可能的更有力的表示。某些身體 部位或異常具有獨特的形狀，并非直線或圓，但是可以由模板有效地 進行建模。可得到一些先驗知識用于模板設計，諸如異常的一般結構、 平滑度、控制節點的數量和彈力。通過找到使得預定能量項最小化的 模板參數集合來進行圖像內的模板匹配。能量項定義了模板能多好地 符合圖像部分、內力和外力。通常通過迭代過程執行優化，以找到可 能最好的匹配。如果具有最佳參數集的最終能量大于某個閾值，則檢 測到異常。在異常并不容易用幾何圖元或模板來表征的更為復雜的情況中，可以4吏用更為一般的模式(pattern classification)分類4支術。模 式分類(也稱為模式識別(pattern recognition))包含多種檢測和 /或分類信號中的對象的技術。所述信號包括諸如2D圖像、3D圖像或 其他表示形式的數據，并且可以通過多種信號采集模態獲得。在醫學 成像模態中，信號通常代表物理對象(具體指人類患者)，并且要檢 測和/或分類的對象包括異常，諸如疾病損害、腫瘤或各種解剖結構或 區域。模式分類的任務是從采集的信號中提取特征矢量、或數據的任 何抽象表征，并且使用提取的特征矢量將對象分配到一種類或類別。 模式分類引擎或分類器執行這個任務并且在使用之前接受訓練。分類器的訓練涉及從一組示例模式中(稱為訓練集)學習類別特 征。不同學習類型的兩個示例是監督學習和非監督學習。監督學習 被定義為設法減小與訓練集中每個模式的希望輸出(類別標簽)相關 的成本函數的學習過程。非監督學習被定義為缺少關于希望輸出的外 部信息(即沒有對訓練集中的示例模式分配類別標簽)的、基于相似 性或不相似性自組織或群集(cluster)模式的學習過程。(參見 "Pattern Classification ，， ， Richard 0-Duda， Peter E.Hart和 David G. Stork，第二版，John Wi ley & Sons, Inc. ， 2001 )。也存在 上述兩個學習方法的變型，諸如增強學習，其中分類器通過為訓練集 中的每個模式計算臨時類別標簽并且使用已知類別標簽來改進已學習 的特征，來學習類別特征。從示例模式中提取的類別特征可以包括與模式的代碼值、模式的 空間特性、模式序列的時間特性相關的特性，或與模式的變換表示相 關的特性。訓練和分類算法可以從變換的圖像域提取代表性的"屬性"，而 不是直接使用圖像像素。 一個示范性的變換的圖像域是小波域(例如 參考G. Fan和X. G. Xia， "Maximum 1 ikel ihood texture analysis and classification using wavelet domain hidden markov models" ， Proc. Of the 34th Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA， Oct. 29-Nov. 1， 2000 )。為了說明實際的例子， 考慮六個帶內屬性由從單個小波帶獲取的八個哈爾(Haar)小波系數 的組構成——2 x 2 H L ， 2 x 2LH， 4 x ■， 4 x 4LH， 8 x 8HL， 8 x 8LH。 六個頻率間屬性由/\個系數的組構成，每一個針對以下組合16x16和8x8 HLj 8x8和4x4 HLj 4 x 4和2 x 2 HLj 16 x 16和8 x 8 LHj 8x8和4x4LHj 4x4和2x2LH。四個取向(orientation)間屬性 由在2x2、 4x4、 8 x 8和16 x 16帶提取(4個從HL提取，4個從LH 提取)的八個哈爾小波系數的組構成。另一個屬性由八個系數組成； 該屬性在所有八個小波帶(16 x 16、 8x8、 4x4、 2x2 HL和LH )中 從相應空間位置提取一個系數。本領域技術人員可以選擇任何其他的 屬性組合用于不同的應用。訓練和分類算法也可以從在空間域中變換的圖像提取代表性"屬 性"。 一個示范性空間域變換是網格(Grid Pattern)變換(例如參 考S. Chen， "Method for locating faces in color images" US專 利申請序列號10/211011，此處引入以供參考)。為了計算網格(GP) 圖像，首先將原始圖像轉換為積分圖像(例如參考P. Viola和M. Jones, "Robust real—time object detection" ， Second international workshop on statistical and computational theories of vision-Modeling, learning, computing, and sampling, Vancouver, Canada, Julyl3， 2001 )。然后使用積分圖像中的對應單元(mxn像素)的四 個角點計算GP圖像的每個像素。積分圖像中像素p。'的計算由下式給出 B(P》SA(Pi)，其中A(Pi)llPi沐。ll定義了原始圖像A中的區域。這里，Pi是原點在左 上角的2D圖像平面中的矢量。圖像A中的像素p。對應于圖像B中的像 素P。'。在得到積分圖像后，計算網格圖像。圖像B中的單元由四個角點 定義P,， ， p2， ， p3，和P/ 。 GP圖像的對應單元中的像素強度值的 計算由下式表示9 =丄(B(P'4) + B(p;) 一 B(p'2) 一 B(p'3 ))| —,簡,P4 J' 其中0b1,P2,P3,P4]是由GP圖像中的p,， p2， P3和P4定義的單元，P是單元^Pl，P2,P3,P4]中的任何像素，的。是積分圖像中位置Px'處的像素值(這里p^p,， ， p2=p2, ， p3=p3， ， p4=p4， ) ， m是單元高度，n是 單元寬度。在本發明中，訓練集可以包括一組檢查束、 一組模態實例、 一組 圖像分組、 一組圖像，或這些對象的任意組合。除了從圖像本身中提 取示例模式(pattern)的特征，也可以從一般元數據、模態實例特有 元數據或者圖像特有元數據提取特征。例如，在一些實例中，諸如年 齡、性別、體重、種族之類的患者人口統計學數據顯示出與某些情況 的發生相關；這些關于特定患者的人口統計學數據可以從一般元數據 中提取并且用作額外屬性供訓練。現在參考圖2，示出了根據本發明的用于在患者的醫學圖像中檢測 異常的系統的框圖。通常，該系統包括檢查束200，其包含至少一個來 自第一模態的患者的醫學圖像和至少一個來自第二模態的患者的醫學 圖像；學習引擎202，用于確定來自這兩個模態的醫學圖像內的異常的 特征；以及檢測引擎204，用于在檢查束的至少一個醫學圖像內檢測異常。在本發明的實施例中，如圖2B所示，學習引擎202包括用于確定 第一模態的醫學圖像內的異常的特征的第一學習模塊206和用于確定 第二模態的醫學圖像內的異常的特征的第二學習模塊208。此外，檢測 引擎204包括用于檢測至少一個第一模態的醫學圖像內的異常的笫一 檢測模塊210和用于檢測至少一個第二模態的醫學圖像內的異常的第 二檢測模塊212。第一和第二學習模塊206和208存儲有關異常的特征的信息。這 些特征可以從一般元數據104、模態實例特有元數據106、圖像特有元 數據112和/或一個或多個圖像的像素或體素數據110自動提取或手動 提供。存儲的信息可以包括關于下述的信息描述異常的幾何圖元或 形狀模型、描述異常的模板或模板參數、從包含異常或不包含異常的 圖像中提取的特征、或者示范性異常模式的訓練集。存儲的信息還可 以包括權重，該權重描述該信息在描述異常時的相對重要性。在采用 模式分類技術的實施例中，第一和第二學習模塊206和208可以使用 存儲的信息訓練將在隨后的檢測引擎204中使用的分類器。檢測引擎204將檢查束200和學習引擎202作為輸入，如圖2A和2B中的箭頭所示。在圖2B的實施例中，第一和第二檢測模塊210和 212比較呈現在檢查束200中的信息與第一和第二學習模塊206和208 提供的存儲信息，以便檢測異常的存在。該比較可以是各種形式的。在一個示例中，可以查找檢查束200 的一個或多個圖像的像素或體素數據110，以便找到列在學習模塊206 和208的存儲信息中的任何幾何圖元或形狀模型的任何實例。在另一 個示例中，可以對檢查束200中的一個或多個圖像的像素或體素數據 IIO執行模板匹配，以便找到任何這樣的實例，其中圖像包含由學習模 塊206和208的存儲信息中的模板所描述的異常。在另一個示例中， 來自檢查束200的一個或多個圖像的像素或體素數據110中的一個或 多個區域的特征可以被提取并使用已經被學習模塊206和208訓練過 的分類器進行分類。任何得到的由檢測引擎204識別的異常可以"絕 對地"被檢測到(即"已經發現異常"或"沒有發現異常")或者"概 率性地，，被檢測到(即"異常以概率/7存在，，)。在使用多個模態采集醫學圖像的情況中，可能檢測模塊沒有都產 生指示位于患者相同位置處的相同數量的異常的結果。因此，檢測引 擎204計及兩個檢測模塊210和212的結果的差異。在檢測引擎204的一個實施例中，如圖3A中所示，第一檢測模塊 210檢測來自檢查束200的第一模態實例的一個或多個圖像中的一個 或多個異常300。隨后，第二檢測模塊212檢測來自檢查束200的第二 模態實例的一個或多個圖像的區域302中的一個或多個異常，其中區 域302對應于由第一檢測模塊210檢測的異常。當一個模態通常比另 一個模態在檢測/分類真實異常區域時更為有效時，這個實施例是優選 的。在檢測引擎204的另一個實施例中，如圖3B中所示，檢測引擎204 進一步包括組合模塊304，其用于組合來自第一檢測模塊210的一個或 多個檢測到的異常306和來自第二檢測模塊212的一個或多個檢測到 的異常308。在圖3B中示出的這個實施例中，與圖3A中示出的實施例不同， 檢測模塊210和212獨立操作，即沒有來自另一個檢測模塊的輸入。 可以選擇組合模塊304以下面三種方式之一進行工作。首先，組合模 塊304可以消除僅由檢測模塊之一檢測到的異常。實際上，用這個選項，本發明只識別在多于一個成像模態中檢測到的異常。第二，組合模塊304可以包括由至少檢測模塊之一檢測到的異常。用這個選項， 本發明識別在任何成像模態中檢測到的所有異常。第三，組合模塊304 可以消除被第二檢測模塊檢測到但是沒有被第一模塊檢測到的異常。 用這個選項，本發明識別由選定的模態檢測到并且也在另一個模態中 檢測到的異常(但是不識別任何其他可能的異常)。圖4示出了圖2B實施例的備選實施例。在這個備選實施例中，學 習引擎202包括聯合學習模塊400，其用于聯合地確定兩個模態的醫學 圖像內的異常的特征。此外，檢測引擎204可以包括聯合檢測模塊402, 用于聯合地檢測兩個模態的醫學圖像內的異常。當與異常的特征相關的信息出現在檢查束200中的所有成像模態 中時，聯合學習模塊400存儲所述信息。這些特征可以從一般元數據 104、模態實例特有元數據106、圖像特有元數據112和/或一個或多個 圖像的像素或體素數據110自動提取或者手動提供。存儲的信息可以 包括例如關于下述的信息描述異常的幾何圖元或形狀模型、描述異 常的模板或模板參數、從包含異常或不包含異常的圖像中提取的特征， 或者示范性異常模式的訓練集。存儲的信息還可以包括描述該信息在 描述異常時的相對重要性的權重/概率。在采用模式分類技術的實施例 中，聯合學習模塊400可以使用存儲的信息訓練將在隨后的檢測引擎 204中使用的分類器。如圖4中的箭頭所示，檢測引擎204采用檢查束200和學習引擎 202作為輸入。在圖4的實施例中，聯合檢測模塊402比較呈現在檢查 束200中的信息與聯合學習模塊400提供的存儲信息，以便檢測異常 的存在。該比較可以是任何形式的。在一個示例中，可以查找來自檢 查束200的一個或多個圖像的像素或體素數據110，以便找到列在聯合 學習模塊400的存儲信息中的任何幾何圖元或形狀模型的任何(多個) 實例。在另一個示例中，可以對檢查束200中的一個或多個圖4象的4象 素或體素數據IIO執行模板匹配，以便找到這樣的實例，其中圖像包 含由聯合模塊400的存儲信息中的模板所描述的異常。在另一個示例 中，來自檢查束200的一個或多個圖像的像素或體素數據110中的一 個或多個區域的特征可以被提取并使用已經被聯合學習模塊400訓練 過的分類器進行分類。任何得到的由檢測引擎204識別的異常可以被標識為"絕對地"被檢測到(即"已經發現異常"或"沒有發現異常") 或者"概率性地"被檢測到(即"異常以概率/ 存在")。依賴于"軟，，或概率檢測的檢測引擎204的其他實施例可以利用 本領域/〉知的數據融合方法。例如，可以^使用貝葉斯(Bayesian)分 析來融合來自多個圖像的潛在異常，Demapster-Shafer方法或廣義證 據處理理論(generalized evidence processing theory)同樣可以。 后面的這兩個數據融合技術考慮到要定義的既不是相互排斥又不是完 全覆蓋潛在異常的整個范圍的異常。David L.Hall的"Mathematical Techniques in data fusion" ， Artech House, Inc. , Norwood, Massachusetts, 1992描述了數據融合的這些和其他方法。檢測引擎 204使用這些數據融合方法在本發明的精神和范圍之內。現在參考圖5,示出了引入圖4所示實施例的示范性異常檢測系統。 該示范性系統使用PET/CT設備采集圖像，該圖像幫助確定患者是否患 有腦瘤。FDG( 18F-脫氧葡萄糖(2-「F]-f luoro-2-deoxy-D-glucose )) 是用作PET示蹤劑的常見放射性藥劑，因為眾所周知惡性腫瘤呈現出 葡萄糖的代謝亢進。然而，這樣的代謝亢進可以酷似腦部灰質結構中 的葡萄糖的新陳代謝，因此僅僅FDG PET成像一般并不足以檢測惡性 腫瘤。FDG PET圖像和提供腦解剖結構信息CT或MR圖像的組合可以幫 助確定哪些結構是正常的、哪些是惡性的。在PET/CT設備中，捕獲的 PET和CT圖像有效地在硬件中對準。因此，與單獨的PET或CT圖像中 的那些相比，在聯合PET/CT圖像(通過將PET圖像"添加，，到CT圖 像來構造，是每個體素變成矢量值)中的正常和惡性結構可以呈現出 不同的特征。仍參考圖5，在步驟500，使用設備捕獲患者的PET/CT圖像，在 該設備中圖像在硬件中對準。在步驟502，添加PET和CT圖像以形成 包含矢量值體素的聯合PET/CT圖像。每個矢量的第一元素包含對應 PET圖像的體素值，每個矢量的第二元素包含對應CT圖像的體素值。 在步驟504，在聯合PET/CT圖像中識別候選惡性區域。在一個實施例 中，選擇規則體素網格上的滑動窗或獨特(distinct)窗作為候選惡 性區域。更為復雜的選擇候選惡性區域的方法包括選擇對應于PET圖 像中高葡萄糖吸收的區域。 一旦選擇了候選惡性區域，在步驟506從 聯合PET/CT圖像中提取特征，該特征然后用于在步驟508將候選惡性區域分類為惡性或非惡性。提取的特征可以包括基于體素本身的矢量 值的特征，基于形狀或形態信息的特征，或基于值變換的特征。分類步稞508依賴于已經在聯合PET/CT腦部圖像的已知惡性和非惡性區域 上進行過訓練的先前學習引擎。圖6示出了本發明的另一個實施例。這個實施例與圖2A的實施例 的不同之處在于其還包括更新引擎600,用于更新檢查束200以便指示 任何檢測到的異常。更新的形式為修改檢查束200的下列部分中的一 個或多個 一般元數據104、模態實例特有元數據106、圖像特有元數 據112和/或一個或多個圖像的像素或體素數據110。更新引擎600所做的修改可以是添加任何檢測到的異常存在的指 示符、檢測的異常的數量的指示符、任何檢測到的異常的位置的一個 (或多個)指示符，和/或描述任何檢測到的異常的任何特征的一個(或 多個)指示符。其他進行修改的方式對于本領域技術人員來說是已知 的。指示符的形式可以是額外的元數據、指示檢測到的異常的位置的 掩蔽圖像、和/或對圖像數據本身的修改以指示檢測到的異常的存在， 等等。在PET/CT設備捕獲的腦部多模態圖像的上述示例中(參考圖5)， 由于捕獲它們的方式，PET和CT圖像固有地對準。然而，在許多多模 態成像情況中，并沒有固有對準，這使得出現在兩個模態中的異常的 檢測變得困難。在這些情況中，獲取一個模態的圖像是如何對應于另 一個模態的圖像的 一些知識是重要的。 一旦確定了這樣的對應關系， 檢測引擎能夠確定在一個圖像中檢測到的異常是否對應于在另一個圖 像中檢測到的異常。已知各種技術確定多模態圖像之間的對應關系。許多這些技術可 以分類為配準多模態圖像的技術。(可選地，每個多模態圖像可以配 準到公共的或者圖譜(atlas)圖像，建立間接的對應關系。)圖像配 準，或更具體地多模態圖像配準，具有很長很廣的歷史，在 J. Modersitzki的 "Numerical methods for image registration"， oxford university press, 2004中有^艮好的概況總結。圖像配準技 術可以大致分類為參數型或非參數型的。參數配準技術包括基于標志 的、基于主軸的和最優線性配準，而非參數配準技術包括彈性、流體 (fluid)、擴散(diffusion)和曲率配準。參數配準技術涉及定義圖像之間的參數對應關系。常見的參數化 包括剛性變換(圖像坐標的旋轉和平移)、仿射變換(圖像坐標的旋 轉、平移、水平和垂直縮放、以及水平和垂直剪切)、多項式變換以及樣條(spline)變換。基于標志的配準技術涉及識別每個圖像中的 對應特征，其中所述特征包括諸如基準標記的硬標志，或者諸如從圖 像推導出的點、角、邊、或區域之類的軟標志。這個識別可以自動進 行或者手動進行(如在圖形用戶界面中那樣)。然后選擇參數對應關 系以具有使對應標志的位置中的一些誤差函數最小化的參數集。基于主軸的配準克服了識別圖像中標志的位置和對應關系的問 題。主軸變換(PAT)配準技術在Maurer C.和Fitzpatrick J.的"A review of medical image registration ，， ， Interactive Image-Guided Neurosurgery, pp. 17-44， 1993中有所描述，其將每個 圖像當作一個概率密度函數(或質量函數)。每個圖像的期望值和協 方差矩陣傳遞關于中心和主軸的信息，其可以被當作圖像的特征。這 些期望值和協方差矩陣可以通過將圖像最優地擬合到高斯密度函數 (通過最大化對數似然值(log-likelihood))來計算。可選地，對擾動 具有魯棒性的方法涉及將圖像擬合到柯西或卜分布。 一旦計算出，每個圖像的中心和主軸可以用于導出關于兩個圖像的仿射變換。最優線性配準(或更一般地，最優參數配準)涉及找到使圖像像 素或體素數據的一些距離量度最小化的配準參數集。距離量度的常用 選擇包括差值的平方和或絕對差的和(它們是基于強度的量度)、相 關系數或歸一化相關系數(基于相關性的量度)或者交互信息。交互 信息是基于熵的量度，其廣泛用于配準多模態圖像。P.Viola "Alignment by maximization of mutual information"， Ph. D. Thesis Massachusetts Institute of Technology ， 1995提供了使用交互信 息作為距離量度的圖像配準的全面描述。在配準參數集上的距離量度 的最小化通常是需要迭代解決方案的非線性問題，諸如高斯-牛頓法、 列文伯格-馬夸爾特(LevenbergO-Marquardt )法、或拉格朗日-牛頓 (Lagrange-Newton)法(參考R. Fletcher, "Practical methods of optimization"， 第二版，John Wiley & Sons, 1987 )。非參數配準技術將配準作為變分問題來處理。變分問題具有由相 應的歐拉-拉格朗日(Euler-Lagrange)方程的解所表征的最小值(具體細節請參考S. Fomin和I.Gelfand， "calculus of variations"， Dover publications, 2000 )。通常包含正則項以確保得到的對應關 系是微分同胚的(diffeomorphic)。彈性配準將圖像作為彈性體處理， 并且使用線性彈性模型作為對應關系。在這種情況中，歐拉-拉格朗日 方程簡化為納維葉-拉梅(Navier-Lam6 )方程，其可以使用快速傅立 葉變換(FFT)技術來有效求解。流體配準使用流體模型(或粘彈性模 型)來描述圖像間的對應關系。它可以提供彈性解，但是計算成本高。 擴散配準通過擴散模型來描述對應關系。擴散模型不像流體模型那樣 靈活，但是基于加性算子分裂(AOS)方法的實施方案比彈性配準更y 有效。最后，曲率配準使用基于二階導數的正則項，相比彈性、流體 或擴散配準，實現了對較大初始位移更具魯棒性的解決方案。許多這些眾所周知的圖像配準技術在文獻中都是參考2D圖像的配 準來描述的。當配準3D圖像或體積(volume)時， 一個選擇是將這些 配準技術應用于3D圖像的2D切片對。這在一些情況中是有用的，但 是需要如何選擇哪些切片成對的一些知識。另一個選擇是實際上將這 些配準技術擴展到三維。所有這些技術都可以擴展到多維，但是計算 成本通常是以指數增長的。參考圖7，示出了包括檢查束700的本發明的可選實施例，所述檢 查束700包括至少一個來自第一模態的患者的醫學圖像和至少一個來 自第二模態的患者的醫學圖像，用于定義至少一個來自第一模態的醫 學圖像和至少一個來自第二模態的醫學圖像之間的對應關系的映射引 擎702,用于確定兩個模態的醫學圖像內的異常的特征的學習引擎704， 以及用于檢測檢查束的至少一個醫學圖像內的異常的檢測引擎706。由映射引擎702定義的對應關系可以包括將來自該第一模態的至 少一個圖像配準到來自該第二模態的至少一個圖像，或者它可以包括 將來自每個模態的至少一個圖像配準到圖譜圖像或模型。采用的配準 方案可以是參數的或非參數的，并且它可以包括基于強度、基于相關 或基于交互信息的配準。在分析乳房圖像以檢測微釣化或塊時可以采用圖7的實施例。乳 房的乳房X線照相是篩查乳癌的最常用的技術，很多努力都致力于分 析乳房X射線照相圖像，并且致力于微鈣化和塊的自動化或用戶輔助 檢觀'J。(例如參考 R. Highnam 和 M. Brady ， Ma,ographic imageanalysis, Kluwer Academic Publishers, 1999 )。用于塊檢測的許 多算法涉及一只乳房的圖像與另 一只的圖像或者與相同乳房的時間上 分離的圖像的配準，接著比較配準的圖像以識別差異。如在Hignam參 考文獻中所詳述的，可以從x射線照相圖像中提取特征并將其用于確 定圖像是否落在"正常"乳房圖像的范圍內。現代醫學超聲設備提供了實時的高分辨率成像，而不需要使用離 子輻射，并且相對比較便宜和便于攜帶。實際上，這個模態的成本效 率和便攜性在不能得到復雜的醫學成像設備的醫院很受歡迎。超聲成 像可應用于各種醫學診斷應用。 一個示范性應用是超聲乳房成像，用 于乳癌的預先篩查。可疑的惡性病例可以使用更復雜的MRI成像進行 進一步診斷。發現分析內部回波的超聲圖像均質性(紋理特征)可以幫助區別 良性損害和惡性損害(參考Contour detection for the breast tumor in ultrasonic images using watershed segmentation, by Yu-len Huang和Xun-yao Lin， Proceedings of the 2002 ICS: workshop on artificial intelligence)。在超聲圖像中不同的組織具有不同的紋 理。為了對紋理特征進行分類，可以使用示范性非監督學習分類器。 該分類器采用包含輸入層、單個隱藏層和輸出的映射陣列的自組織圖 (self-organizing map)。自組織圖定義了從高維輸入特征矢量空間 到二維映射陣列的映射。參數加權矢量與映射陣列中的每一個神經元 相關。輸入特征矢量與所有參數加權矢量進行比較。最好的匹配被定 義為自組織圖的響應。用去除均值歸一化自相關方法(mean removed normalized auto-correlation method)產生超聲圖像的輸入(紋理)特征矢量。 U(x，y)表示為超聲乳房圖像(也表示圖像像素值)，其中x和y分別 是圖像的水平和垂直索引(xe[l，…，X]， y6[l，…，Y])。可以按 照下式計算位置(x，y)處的像素和位置(x+5x， y+5y)處的像素之 間的二維去除均值歸 一 化自相關系數<formula>formula see original document page 21</formula>
其中U是圖像U(x，y)的均值，其中x€ [1，…，X], y e [1，…，Y]，5x和5y分別是兩個像素在x和y方向上的間隔(lag)。去除均值 歸 一 化自相關系數《,(&，刷和圖像的方差值可以用作到自組織圖的輸入 矢量。乳房的X線乳房照相圖像和超聲圖像可以提供關于塊存在以及塊 是良性還是惡性的區分的唯一和互補信息。如果在X線圖像和超聲圖 像之間建立了對應關系，這些互補特征可以聯合用于提供基于更多消 息的計算機"觀點"。例如，考慮圖7的實施例，如圖8的流程圖所示。在步驟800和 802，分別捕獲乳房的X線乳房照相和超聲圖像。在步驟804，使用本 領域技術人員已知的技術(例如，諸如根據前述的Highnam參考文獻) 識別乳房X線圖像中的候選塊。在步驟806，通過在超聲圖像中識別與 乳房X線圖像中的任何識別的候選塊對應的一個區域或多個區域，在 乳房X線圖像和超聲圖像之間建立對應關系。在步驟808，從對應于候 選塊的超聲圖像區域提取特征。該特征可以包括前述的去除均值歸一 化自相關系數和方差值。最后，在步驟810，使用提取的特征將每個候 選塊分類為惡性或非惡性(例如使用自組織圖)。現在參考圖9A-9E，描述了本發明的系統所采用的方法的另一個示 范性實施例。該示范性實施例是從注入造影劑之前和之后獲取的MR乳 房圖像集中自動檢測異常組織的方法。雖然從MR模態捕獲每組乳房圖 像，但是可以將造影劑注入前后的圖像看作兩個不同的模態。該方法 分解為的一組處理，每個執行特定功能(諸如配準、相減、分割、系 統識別和分類)。在這個實施例中，通過動態系統參數分類來完成異 常組織檢測，動態系統參數分類是監督分類類型的。在圖9A中示出的流程圖中，第一步驟902是在注入造影劑之前和 之后獲取多個MR乳房圖像集合。記厶"y,z:)為注入造影劑之前的MR 乳房圖像。注意A";^:)包括一系列空間有序的圖像(切片)。定義z G [1，…，S]作為空間順序索引，其中S是集合中圖像的數量。然后對 于圖像來說，x和y是水平和垂直索引，xe[l，…，X]， yG[l，…，Y]。 在造影劑給藥后，獲取多個MR乳房圖像集合，每個集合包含相同乳房 的相同空間順序z的相同數量(S)的圖像。該多個MR乳房圖像集合 是以大約一分鐘的時間分辨率來獲取的。注入造影劑之后獲取的MR乳 房圖像集合可以表示為A"y力，其中k是時間順序索引，kG [1，…，K]。注意對于任何k6
并且對于x， y和z的特定值，A"y,z〉代表 MR乳房圖像在位置(x, y， z)處的像素或體素值。圖像體素所記錄的造影劑的存在導致可以在圖像采集過程中觀察 到的增強的信號。不同的組織類型呈現出不同的造影劑吸收速率；因 此，這些信號-時間曲線的研究使得能夠識別不同類型的組織。為了自 動檢測異常組織的目的，在注入造影劑之后獲取的K個MR圖像集合必 須與MR圖像的參考集合在空間上對準。這個對準在步驟904執行。一 般而言，MR圖像的參考集合是在注入造影劑之前獲取的MR圖像集 /。",y,力。對準過程確保屬于相同乳房組織區域的像素在所有K個圖像 集中具有相同的x， y坐標。配準的優選方法涉及將對應函數 (correspondence function )定義為圳一沖'性的。然而，可k乂4吏用任何 前述配準技術。如圖9B中所示，在注入造影劑之后對于不同的乳房組織，圖像像 素/體素強度增加不同。這個現象意味著從注入造影劑之后獲取的圖像 中減去注入之前獲取的圖像，將給從業醫生提供關于圖像中異常組織 位置的更清楚的信息。這個信息也可以被用于從原始MR乳房圖像中提 取區域用于異常組織的自動檢測和鑒別。圖9A中的步驟906執行從多個MRI乳房圖像集"("'y")， kG [1，…，K]的每一個中減去參考MR圖像集""，A勻，產生了多個差值圖 像集，改"W)， k6 [1，…，K]。在圖9A的步驟908中，差值圖像&"，y，勻受到分割處理，首先產生 了多個掩蔽圖像集^"W), k6[l，…，K]。掩蔽圖像集是通過對差值 圖像進行閾值處理形成的；即，掩蔽圖像在差值圖像的相應像素/體素 小于或等于某個閾值T的位置處包括0，以及在差值圖像的相應像素/ 體素大于T的位置處包括1。在生成掩蔽圖像集后，根據掩蔽圖像 ^t(",y，z)中的非零像素分割MR乳房圖像集W"J")，以獲得分割的圖像 S*("，:^)， ke[l，…，K]。分割的圖像&("，:^)在i^t"，y")包含0的位置包 含0，在Mjt",j^)包含1的位置包含A'("'y，^的值。本領域技術人員應理 解在實際實施中，產生掩蔽圖像的階段可以被省略，分割處可以直 接從MR乳房圖像集產生分割的圖像^ " /， -)。圖9C是圖9B的復制品，其中插入了階躍函數f (t) 922，并且去除 了正常和脂肪組織曲線。(注意階躍函數f (t)定義為f (t<0)=0，f (t>0) = |入|，入*0)。本發明的意圖是檢測異常組織，并且更重要地， 區分惡性和良性組織。在分割步驟908，將圖像&("，》-)中將屬于正常和脂肪組織的像素設為0。圖像&("，y")中剩余的像素屬于惡性或良性組織。(在單個圖像中)通過以靜態形式評估像素/體素強度來區分惡性 組織和良性組織即使不是不可能，實際上也會非常困難。然而，在動 態的形式，強度變化在這兩種類型的組織間表現出差別。如圖9C中所示，從時間零開始，惡性組織的亮度(對比度)曲線 m(t) 924很快就上升到階躍函數曲線922之上，然后漸近地接近階躍函 數曲線922，而良性組織的亮度(對比度)曲線b(t) 926在階躍函數曲 線922的下面緩慢地上升，然后漸近地靠近階躍函數曲線922。本領域 技術人員意識到亮度(對比度)曲線m(t) 924類似于欠阻尼動態系統 的階躍響應，而亮度(對比度)曲線b(t) 926類似于過阻尼或臨界阻 尼動態系統的階躍響應。圖9D示出了識別動態系統行為的一般方法。對于具有未知行為的 動態系統930，使用階躍函數928作為激勵。來自動態系統930的對階 躍函數928的響應932饋入到系統識別步驟934，以便估計系統930 的動態參數。動態系統建模(步驟912)的示范性實現在圖9E中示出，其示出 了自回歸(ARX)模型936的使用。參考L. Ljung， "System identification toolbox"，對系統識別中使用ARX模型的詳細描述的 數學推導。 一般的ARX模型可以表示為<formula>formula see original document page 24</formula> (1)其中G(q) 942和H(q) 940是系統傳遞函數，u ( t ) 938是激勵， e (t) 944是干擾，y (t) 946是系統輸出。已知傳遞函數G (q) 942 和H(q) 940可以根據q'的有理函數來指定，分子和分母系數的形式 為<formula>formula see original document page 24</formula>其中A(q)和B (q)是延時算子q'的多項式+ ..— + ^朋， (4)丑(《)=6,+&2《-'+…"+ (5)系統的ARX模型可以顯式地重寫為U(/-"a)+V(卜/jA)+…， (6) 力,,W - - "&+1〉+e(O方程(6)可以進一步重寫為線性形式y(0-W)1^, (7).其中柳=w(f — ；iA" — "6 +1)、-and 0 = 《系數矢量6的系統識別解由下式給出其中(9)以及(io)在方程(9)和(10)中，t。是數據采樣開始時間，Nt是采樣數, 對于亮度(對比度)曲線m(t) 924和b(t) 926，對于m(t)，柳=一/w(卜l) 一 m(《一 wo)對于b(t),一一 wa)在這個特定情況中，u(t)是階躍函數，相應的解是《,和《。》的 計算實現了動態系統識別步驟910 (也是步驟934 )。為了將MR圖像中具有高對比亮度的區域分類(步驟914)為良性 或惡性，采用了監督學習步驟918。到監督學習步驟918的示范輸入是 《和A (已知曲線)，希望的示范輸出分別是對應惡性和良性腫瘤的 指示符0 和0b。在圖9B中，步驟918從步驟916接收具有已知特征(良 性或惡性)的M個采樣動態曲線。M的示范值可以是100。在這M個曲 線內，ki個曲線屬于惡性腫瘤，Mb個曲線屬于良性肺瘤。M^和Mb的示范 值可以是50和50。在步驟918，將方程(8)應用到所有采樣曲線， 產生了M個系數矢量夂其中M個系數矢量(記為(，i-l，…，MJ代 表具有指示符0 的惡性腫瘤，Mb個系數矢量(記為《，i=l,…，MJ 代表具有指示符Ob的良性腫瘤。這些學習到的系數矢量《,和《用于訓 練分類器，分類器又用于在檢測或診斷過程中對動態對比曲線進行分 類。為了增加專一性(區分良性腫瘤和惡性腫瘤的精度)，可以將其 他因素(步驟920 )引入到訓練(學習)和分類處理中。已知諸如造影 劑施與速率、造影劑施與隨成4象的時間安排(timing of contrast administration with imaging)、采集時間和切片厚度之類的因素都 會影響專一性(參考C. Piccoli，"Contrast—enhanced breast MRI:Factors affecting sensitivity and specificity ，， ， Eur. Radiol.7 (Suppl. 5) ，S281-S288, 1997 )。用oc表示造影劑施與速率、P表示造影劑施與隨成像的時間安排、 y表示采集時間，5表示切片厚度。這些示范性因素結合系數矢量《,和 《使用，以訓練分類器，分類器又用于將MR乳房圖像中的區域今類為 惡性或良性肺瘤類。注意這些示范性因素應該在與系數矢量《和《可比 的范圍內進行量化。為了學習或訓練的目的，構造如下數據集其中"是類別標簽。例如，如果肺瘤是惡性的，"=1，否則"=-1。矢量P;w，caw是特征矢量，或所提取特征的矢量。^代表域，d是域的 維度。對于這個示范性情況，假設系數矢量6具有5個元素，因此d=5。 在學習步驟918以及分類步驟914中使用方程(11)中的數據格式。 本領域技術人員應理解的是數據矢量Pj可以不同方式構造，并且用不 同的物理或非物理數值元素(因素)增加，而不是以前述的那樣。有許多類型的分類器可以用于使用動態對比曲線以及其他物理 或非物理因素來完成區分惡性腫瘤和良性腫瘤的任務。 一種示范性分 類器是SVM (支持矢量機)(參考C. Burges， "A tutorial on support vector machines for pattern recognition" , data mining and knowledge discovery, 2 (2) ， 1—47， 1998， Kluwer academic publ isher， Boston) 。 SVM分類器的一個簡單示范例是代表可由超平面分開的兩類 的數據的訓練和分類。分開數據的超平面滿足w p+cr = 0, (12)其中 是標準內積(點積)。訓練SVM的目標是確定自由參數w和CT。總可以對W和CT應用縮放因子，以便所有的數據遵守配對的不等式巧(wp乂+cr)-l》0'V/, ' (13)可以通過關于參數w最小化下面的拉格朗日函數并且關于未定乘數LX)最大化該函數來求解方程(13)^)"IH2-5:。Ww'p"4 (14) 力 乂-i在解決了最優化問題后，方程(13)中w的表達式可以根據具有 非零系數的支持矢量重寫，并插入到用于分類超平面的方程中，以給 出SVM判定函數甲(p,柳)-(wp,柳+cr)= i巧^p乂 ",咖+(T, (15)其中^是支持矢量的數目。將新矢量P^分類為兩類(惡性和良性) 中的一個是基于判定函數的符號進行的。本領域技術人員應清楚在非可分的情況中，可以使用非線性SVM。本申請中所引用的所有文獻、專利、期刊文章和其他材料在此引 入，以供參考。一種計算機程序產品可以包括一個或多個存儲介質，例如諸如 磁盤(例如軟盤)或磁帶的磁存儲介質；諸如光盤、光帶或機器可讀 條形碼的光存儲介質；諸如隨機存取存儲器(RAM)、或只讀存儲器(ROM) 的固態電子存儲設備；或用于存儲計算機程序的任何其他物理設備或 介質，所述計算機程序具有控制一個或多個計算機實施根據本發明的 方法的指令。
權利要求
1.一種用于檢測對象的醫學圖像中異常的系統，包括檢查束，包括至少一個來自第一模態的對象的醫學圖像和至少一個來自第二模態的對象的醫學圖像；第一自動化裝置，用于確定該至少一個來自第一模態的醫學圖像和該至少一個來自第二模態的醫學圖像內的異常的特征；以及第二自動化裝置，用于檢測構成該檢查束的醫學圖像中的至少一個內的異常。
2. 權利要求l的系統，其中第一自動化裝置是學習引擎并且第二 自動化裝置是檢測引擎。
3. 權利要求2的系統，其中學習引擎包括(a) 第一學習模塊，用于確定該至少一個來自第一模態的醫學圖像內的異常的特征；以及(b) 第二學習模塊，用于確定該至少一個來自第二模態的醫學圖像內的異常的特征。
4. 權利要求2的系統，其中檢測引擎包括(a) 第一檢測模塊，用于檢測該至少一個來自第一模態的醫學圖像內的異常；以及(b) 笫二檢測模塊，用于檢測該至少一個來自第二模態的醫學圖像內的異常。
5. 權利要求4的系統，其中第二檢測模塊在與由第一檢測模塊檢測到的異常對應的區域中檢測異常。
6. 權利要求4的系統，其中檢測引擎還包括組合模塊，用于組合來自第 一檢測模塊的檢測到的異常與來自第二檢測模塊的檢測到的異 常。
7. 權利要求6的系統，其中組合模塊消除僅由第一和第二檢測模 塊中的一個檢測到的異常。
8. 權利要求6的系統，其中組合模塊消除被第二檢測模塊檢測到 但是沒有被第 一檢測模塊檢測到的異常。
9. 權利要求l的系統，其中第一自動化裝置包括聯合學習模塊， 用于聯合確定該至少一個來自第一模態的醫學圖像和該至少一個來自第二模態的醫學圖像內的異常的特征。
10. 權利要求9的系統，其中第二自動化裝置包括聯合檢測模塊， 用于聯合檢測該至少一個來自第 一模態的醫學圖像和該至少一個來自 第二模態的醫學圖像內的異常。
11. 權利要求l的系統，還包括第三自動化裝置，用于更新檢查 束，以便指示任何檢測到的異常。
12. —種用于檢測對象的醫學圖像中異常的系統，包括檢查束，包括至少一個來自第一模態的對象的醫學圖像和至少一 個來自第二模態的對象的醫學圖像；映射引擎，用于確定該至少一個來自第一模態的醫學圖像和該至 少一個來自第二模態的醫學圖像之間的對應關系；學習引擎，用于確定該至少一個來自第一模態的醫學圖像和該至 少一個來自第二模態的醫學圖像內的異常的特征；以及檢測引擎，用于檢測構成該檢查束的醫學圖像中的至少一個內的 異常。
13. 權利要求12的系統，其中映射引擎將該至少一個來自第一模 態的醫學圖像與該至少一個來自第二模態的醫學圖像配準。
14. 權利要求13的系統，其中映射引擎執行參數圖像配準、非參 數圖像配準、基于強度的配準、基于相關性的配準、或基于交互信息 的配準。
15. 權利要求12的系統，其中映射引擎將來自至少一個模態的至 少一個醫學圖像與圖譜圖像配準。
16. 權利要求12的系統，其中學習引擎包括(a) 第一學習模塊，用于確定該至少一個來自第一模態的醫學圖像內的異常的特征，和(b) 第二學習模塊，用于確定該至少一個來自第二模態的醫學圖像內的異常的特征；并且 其中檢測引擎包括(a )用于檢測該至少一個來自第一模態的醫學圖像內的異常的第 一檢測模塊，和(b)用于檢測該至少一個來自第二模態的醫學圖像內的異常的第 二檢測模塊。
17. 權利要求16的系統，其中第一或第二學習模塊中的至少一個 引入了異常的特征的預定知識。
18. 權利要求16的系統，其中檢測引擎還包括組合模塊，用于組 合來自第 一 檢測模塊的檢測到的異常與來自第二檢測模塊的檢測到的 異常。
19. 一種用于檢測對象的醫學圖像中異常的系統，包括檢查束，包括至少一個來自第一模態的對象的醫學圖像和至少一 個來自第二模態的對象的醫學圖像；多個訓練過的圖像，用于確定該至少一個來自第一模態的醫學圖 像和該至少一個來自第二模態的醫學圖像內的異常的特征；以及檢測引擎，用于檢測構成檢查束的醫學圖像中的至少一個內的異常。
20. 權利要求19的系統，還包括映射引擎，用于定義該至少一個 來自第 一模態的醫學圖像和該至少一個來自第二模態的醫學圖像之間 的對應關系。
全文摘要
一種用于檢測對象的醫學圖像中異常的系統。該系統包括檢查束、學習引擎和檢測引擎。檢查束包括至少一個來自第一模態的對象的醫學圖像和至少一個來自第二模態的對象的醫學圖像。學習引擎用于確定該至少一個來自第一模態的醫學圖像和該至少一個來自第二模態的醫學圖像內的異常的特征。檢測引擎用于檢測構成檢查束的醫學圖像中的至少一個內的異常。
文檔編號G06T7/00GK101228551SQ200680026826
公開日2008年7月23日 申請日期2006年6月20日 優先權日2005年7月22日
發明者L·A·雷, N·D·卡希爾, S·陳, Z·孫 申請人:卡爾斯特里姆保健公司