使用定量T1映射进行风险区域的自动探测

摘要

一种医学成像系统(5)包括数据存储器(12)、聚类模块(22)以及显示设备(32)。数据存储器(12)包括第一成像数据集和第二成像数据集，利用相同的成像设备(10)和相同的测量值创建每个数据集。第一组织类型和第二组织类型的测量值重叠在第一成像数据集中。第二组织类型和第三组织类型的测量值重叠在第二数据集中。对数据集进行共配准，并且外部事件改变第二数据集的测量值。基于针对每个位置的第一数据集的测量值与第二数据集的测量值的模糊聚类，聚类模块(22)对组织类型进行分类。显示设备(32)显示使每个经分类的组织类型形成对比的医学图像。

说明书

技术领域

本申请总体涉及医学成像。本申请具体应用于与识别特定身体组织的 结合，并且将具体参考其进行描述。然而，应当理解，本申请还应用于其 他使用情景，并且不必被限制在前述应用。

背景技术

在若干临床应用中灰色区定量是重要的。最近的医学文献报告不健康 的组织类型(诸如梗死和灰色区)的尺寸是心肌梗死(MI)的预测指标。 例如，“[i]n patients with a prior MI,the extent of the peri-infarct zone  characterized by C[ardiac]M[agnetic]R[esonance]provides incremental  prognostic value beyond left ventriclar systolic volume index or ejection fraction. Infarct characteristics by CMR may prove to be unique and valuable noninvasise  predictor of post-MI mortality.”[Circulation2006；114：32-29]。灰色区包括 周围梗死和异质性梗死。而且，“Tissue heterogeneity is present and  quantifiable within human infarcts.More extensive tissue heterogeneity  correlates with increased ventricular irritability by programmed electrical  stimulation.These findings support the hypothesis that anatomic tissue  heterogeneity increases suspectibility to ventricular arrhythmias in patients with  prior myocardial infarction and L[eft]V[entricular]dysfunction.”[Circulation 2007；115：2006-2014]。最后，“[i]nfarct tissue heterogeneity on  contrast-enhanced MRI is the strongest predictor of spontaneous ventricular  arrhythmia with subsequent I[mplantable]C[ardioverter]D[efibrillator]therapy (as surrogate of sudden cardiac death)among other clinical and MRI variables, that is,total infarct size and left ventricular function and volumes,in patients  with previous myocardial infarction.”[Circulation2009；2：183-190]。

先前的努力集中于对图像中的不健康组织进行对比度增强，以及通过 手动勾画以测量体积或通过基于单个图像的信号强度的半自动分割来分割 区域。由于涉及多个组织类型，并且在健康组织和不健康组织(诸如梗死 和灰色区)的类型的对比度中具有重叠，对比度增强缺乏准确度。多个对 比度设置是必要的，其手动勾勒用于测量的特定组织类型，使分割或识别 不健康组织的任务乏味。

额外地，多幅图像包括多个模态、机械、线圈校准、设置等等。在一 幅图像与另一幅图像之间使用不同的技术以对区域进行对比度增强引入来 自诸如线圈校准、特定设置等差异的误差。例如，一个方法使用基于信号 强度图像和T1图的定量结果。用该方法的图像受线圈灵敏度的影响，并且 不展示对T1图的补充对比度。

通常磁共振技术使用诸如反转恢复梯度回波(IR-GE)的传统MR延迟 增强扫描序列来评估区域。序列易受心脏运动的影响，并且要求精确的反 转时间(T1)，以便单独地识别瘢痕或梗死、灰色区以及健康心肌。多种组 织类型的精确识别很耗时。最优T1在患者之间存在变化，并且也随着在造 影剂的注射与图像采集之间的经过时间而变化。最优反转时间发生在来自 健康心肌的信号为空并且显现黑色，并且梗死区域是亮的(显现白色)，在 其间存在灰色区时。手动勾画心内膜和血液，在心内膜-血液边界处的瘢痕 发生的地方，所述心内膜和血液会是不清楚的。用于基于信号强度的分割 的图像分析将在瘢痕与健康心肌之间的灰色区进行分类。由于造影剂的分 布，来自血池的信号强度非常接近梗死组织。心肌中的噪声能够对分割具 有显著影响，并且能够与灰色区混淆。

发明内容

本申请公开了一种新的改进的对风险区域的自动探测，其解决了以上 提到的问题和其他问题。

根据一个方面，医学成像系统包括数据存储器、聚类模块以及显示设 备。数据存储器包括第一成像数据集和第二成像数据集，利用相同的成像 设备和相同的测量值创建每个数据集。第一组织类型和第二组织类型的测 量值重叠在第一成像数据集中。第二组织类型的测量值和第三组织类型的 测量值重叠在第二数据集中。对数据集进行共配准，并且外部事件改变第 二数据集的测量值。基于针对每个位置的第一数据集的测量值与第二数据 集的测量值的模糊聚类，聚类模块对组织类型进行分类。显示设备显示使 每个分类组织类型形成对比的医学图像。

根据另一方面，医学成像的方法包括采集第一医学图像，并且在外部 事件之后，采集第二医学图像，所述第二医学图像包括来自与第一医学图 像相同的医学成像设备的相同的测量值。外部事件改变测量值。对图像进 行共配准。利用基于第一医学图像的测量值与第二医学图像的测量值的模 糊聚类，在每个位置处对组织类型进行分类。利用指示经分类的组织类型 的对比度显示诊断医学图像。

根据另一方面，医学成像系统包括数据存储器、聚类模块以及分割器。 数据存储器包括第一成像数据集和第二成像数据集，利用相同的设备和相 同的测量值创建每个数据集。对数据集进行共配准，并且外部事件改变第 二数据集的测量值。基于针对每个位置的第一数据集的测量值与第二数据 集的测量值的模糊聚类，聚类模块对组织类型进行分类。分割器计算针对 每个经分类的风险组织的体积测量。

一个优点包括灰色区组织的识别和测量。

另一优点包括独立于线圈灵敏度。

另一优点在于减少对对比度给予的精确定时的依赖。

另一优点在于组织类型的自动分类。

另一优点包括将组织类型进行分类以及计算体积的简易性和速度。

本领域的普通技术人员在阅读和理解以下详细描述的基础上将理解本 申请的其他优点。

附图说明

本发明可以采用多种部件和部件的布置，以及多种步骤和步骤布置的 形式。附图仅出于图示优选实施例的目的，并且不应被解读为对本发明的 限制。

图1示意性地图示了医学成像系统的实施例。

图2图形性地图示了利用T1测量值在心脏分析磁共振标绘图中的期望 组织聚类的范例。

图3A-图3D示出了具有一个对象的左心室心脏分析的系统的范例结 果。

图4以流程图示了使用医学成像系统的实施例的一个方法。

具体实施方式

参考图1，示意性地图示了医学成像系统的实施例。医学成像设备10 (诸如磁共振(MR)、X射线计算机断层摄影(CT)、正电子发射断层摄影 (PET)、单光子发射断层摄影(SPECT)、组合或混合等等)创建被存储在 数据存储器12中的医学成像数据集。数据存储器能够是服务器中的本地内 存、本地磁盘上的存储器、网络附加存储设备的存储器等等。数据存储器 或内存设备12包括利用生成具有第一对比度的图像的技术采集的第一成像 数据14和利用生成第二对比度的技术采集的第二成像数据16。在一个实施 例中，对比度的差异基于造影剂的给予。MR中的测量值的范例包括T1加 权图像、T2加权图像等等。测量值能够包括直接测量结果(诸如，测量的 T1值)或间接测量结果(诸如，归一化为灰度的T1值)等等。针对至少 三个不同组织类型(诸如，血液、健康心肌、梗死以及灰色区)中的每个， 测量的图像具有不同的相对对比度。在其他实施例中，也预期多于两个成 像数据集，其中额外的成像数据集包括在给予造影剂之后的各种时间间隔。

如果不是已经进行或固有地进行共配准，配准器18对第一成像数据和 第二成像数据进行共配准。配准器18针对任何运动校正第一成像数据和第 二成像数据。配准器经由网络20连接到数据存储器12和/或医学成像设备。 网络能够是有线或无线、内部或外部、私有或公共(诸如，因特网)或任 何组合。

分类模块22生成来自对应体素的第一成像数据和第二成像数据的测量 值对。生成的测量值对包括第一图像和第二图像的对应体素、像素或其他 区域(下文一般为“体素”)的测量对比度值的对。例如，如果在T1加权 图像中，体素在第一图像或第二图像中是高强度的，则包括测量值对。如 果在任一图像中体素未被对比，则其能够被省略。测量值对能够被表示为 值的散射网格、阵列或列表，所述值包括在对应体素位置处的两个测量值。 分类模块将测量值对聚类成聚类或组，并且将每个聚类分类为组织类型。 分类模块22经由网络20连接到配准器18和/或数据存储器12。分类模块 22能够与配准器18共享一个或多个处理器或是分离的。在其他实施例中， 预期来自n个成像数据集的n元测量值，其中，n是复数值。从提供对比度 分离的每个n元中能够选择要被聚类的n个对应的测量值。能够采用在时 间间隔上的n个成像数据集，所述时间间隔不要求准确的校准。

在一个实施例中，用户界面23能够利用图表(诸如，散点图或轮廓绘 图)使被聚类的测量值对可视化。每个轴表示一幅图像的测量值。每个测 量值对被标绘为点，其中，点被表示为经分类的组织类型。例如，在散点 图中，通过聚类算法，每个点被绘制和指定指示聚类成员的符号和/或颜色。 在图例中，聚类被标识为经分类的组织类型。在轮廓绘图的范例中，轮廓 的高度表示发生的频率。

分割器24(诸如，实施分割算法的处理器)基于测量值对的对应体素 利用聚类算法将经分类的组织类型进行分割或聚类。例如，如果基于聚类 成员将测量值对分类为梗死，则将测量值对的对应体素分类为梗死。对应 体积或者第一图像或第二图像，能够用于将组织类型分类指定给体素。

解析单元25将解析(诸如体积测量结果)应用到经分割的组织类型或 经分类的区域。例如，基于被分类为灰色区和梗死的区域分别计算灰色区 的体积和梗死的体积。分割器24和解析单元25连接到网络20，并且能够 与配准器18和/或分类模块22共享一个或多个处理器或是分离的。

工作站26包括一个或多个输入设备28、一个或多个处理器30以及显 示设备32。工作站28包括台式计算机、便携式计算机、平板计算机、智能 手机等等。一个或多个输入设备28输入来自保健医生的命令，选择图像等 等。显示设备32显示图像、菜单、表格、面板、图表、绘图等等。显示设 备包括对数据的显示，诸如由分割器计算的解析。显示设备显示诊断图像， 所述诊断图像包括针对每个经分类的组织类型的不同的颜色或对比度。诊 断图像能够被存储在存储管理系统34中，诸如PACS、RIS等等。

图2图形性图示了利用测量的T1值在心脏分析的磁共振绘图中的期望 组织聚类的范例。在造影剂(诸如延迟镓增强剂)的给予之前，对于血液 测量的T1值更高，但是对于梗死、灰色区以及健康心肌重叠。在给予造影 剂之后，对于健康心肌测量的T1值更高，但是对于血液、梗死和灰色区重 叠。健康组织包括血液和健康心肌。风险组织类型包括灰色区和梗死。绘 图绘制针对每个位置的来自造影前图像或图的Y轴上的体素对的测量的T1 值以及来自造影后图像的X轴上的测量的T1值，作为对应体素的坐标对。

两个图像或图映射对应常见体素的灰度或对比度值。在范例中，由于 相同的序列用于两幅图像(诸如标准-反转恢复梯度回波)，因此不需要校准 T1。由于测量值是利用相同的校准、相同的患者、相同的参数、相同的算 法等测量的，聚类模块不需要考虑机械差异、序列差异、患者差异等。潜 在误差的许多来源被排除。

通过将具有和不具有造影剂或其他对比度修正的对应体素的灰度或对 比度值对进行分组，聚类对组织类型进行分类。对于一个健康组织类型和 风险组织类型，在一幅图像中的测量值重叠，并且对于不同的健康组织类 型和风险组织类型，在其他图像中的测量值重叠。例如，在造影前T1中， 健康组织包括健康心肌，而不是血液，与包括梗死和灰色区的风险区域重 叠。在造影后T1中，健康组织包括血液，而不是健康心肌，与风险区域重 叠。每个造影剂提供在时间点处的值的最优分离，但是由于环境和其他因 素，时间随对象并且也潜在地在对象内部变化。最优时间提供最好的差异， 但是不需要被精确测量，这是因为其不是被测量的造影剂的定量，而是由 被给予的造影剂的影响的位置的分类。能够采用多个成像数据集来选择针 对患者的造影的最优时间点，而不是依赖于测量的预定义点。

在一个实施例中，分割模块24使用模糊c-均值算法，诸如 Gustafson-Kessel(FCGK)修正。FCGK使以下函数最小化：

$J_{\mathrm{GK}}(U,V)=\underset{i=1}{\overset{K}{\Sigma }}\underset{k=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ik}}^m·d_i^2(x_k,v_i),$

其中，$v_i=\frac{{\Sigma }_{k=1}^n{u}_{\mathrm{ik}}^m·x_k}{{\Sigma }_{k=1}^n{u}_{\mathrm{ik}}^m},$

$d_i(x_k,v_i)=\sqrt{{(x_k-v_i)}^T{A}_i(x_k-v_i)},$

$A_i=\sqrt[p]{\det \left(S_i\right)}{S}_i^{-1},$以及

$S_i=\frac{1}{{\Sigma }_{k=1}^n{u}_{\mathrm{ik}}^m}·\underset{k=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ik}}^m(x_k-v_i){(x_k-v_i)}^T.$

U表示模糊c-划分，V表示中心的向量，m是加权指数，x_k是测量值对， 并且v_i是聚类i的中心。在算法开始之前固定聚类的数量。例如，当k＝2 (诸如当聚类表示血液和健康心肌时)时，具有属于血液的概率P_i<.75和 属于健康心肌的概率P_j<.45的位置定义梗死。具有属于血液的概率P_i<.75 和属于健康心肌的概率.45<P_j<.65的位置定义灰色区。备选地k＝3(诸如当 聚类表示血液、健康心肌以及梗死时)，灰色区被定义为属于梗死的概率 P_i<.75和属于健康心肌的概率P_j<.65。利用更大的患者同期组群或更大的样 本空间能够精炼概率界限。模糊c-均值(FCM)算法将点的成员(诸如， 测量值对)分配给模糊聚类。

在图3A-图3D中，示出了具有一个对象的左心室的(LV)心脏分析的 系统的范例。在图3A中，在短轴视图中示出了LV区域的无对比度增强的 T1图或图像。利用重叠的健康心肌、梗死以及灰色区来使血液形成对比。 血液在图像中占主要地位。

在图3B中，示出了给予造影剂之后的LV的共配准T1图。利用重叠 的血液、梗死以及灰色区来使健康心肌形成对比。健康心肌形成环形区域。

图3C图示了具有在图3A和图3B中的每个对应体素的灰度或对比度 值的散射绘图的聚类的可视化。利用聚类算法识别点与聚类中心的距离， 并且诸如使用代价函数使距离最小化，以生成对应每个组织类型的聚类。 在该情况下，具有FCGK修正的FCM算法分配来自图3A和图3B的T1 值对的成员。在其他实施例中，其他FCM技术将图3C的点划分成聚类。

由小方格(左上角)表示在血液聚类中的图3C的点。由小加号(右下 角)表示被聚类在健康心肌中的点。由小“X”(在血液聚类的下面并且在 健康心肌的左边)表示在梗死聚类中的点。由小圆(在梗死的右边并且在 血液之下)表示在灰色区聚类中的点。在图2中图形性地描绘聚类。

图3D示出了具有按照经分类的组织类型形成对比的位置的LV图像。 表示的组织类型包括血液、健康心肌、梗死和灰色区。分割器使用来自图 3A和图3B的对应体素的测量值对的位置，以确定每个体素的组织类型。 向每个体素给定被指定为确定的组织类型的对比度或颜色，以生成图3D的 LV图像。在该范例中由分割器分割和由解析单元测量的体积包括85mm²的灰色区和154mm²的梗死。从健康心肌的大环形区域的边缘处能够区分梗 死。当比较图3D的图像与图3A和/或图3B的图像时，能够看出利用其他 方法手动测量梗死和灰色区的困难。

在图4中，用流程图表示医学成像的方法的实施例。在步骤40中，第 一图像被采集并且被存储在数据存储器中。能够从成像设备中直接采集图 像或通过来存储内存(诸如，磁盘存储器)检索间接地采集图像。给予造 影剂之后，在步骤42中采集第二图像。在其他实施例中，在各种时间间隔 进行重复采集，以确保最优对比度。在步骤44中，由配准器针对运动共配 准和/或校正图像。

在步骤46中，分类模块创建或生成测量值对。测量值对包括来自第一 图像和第二图像的对应体素的测量值，在所述测量值中，至少一个测量值 超过阈值或在指示被对比的组织类型的测量值的范围内。测量值对和相关 联的体素位置能够被表示为值的矩阵，诸如(测量值1，测量值2，体素位 置)。

在步骤48中，分类模块将测量值对的成员分配给聚类。每个聚类被分 类为组织类型。成员的分配基于模糊c-均值(FCM)算法，诸如具有FCGK 修正的FCM。

在步骤50中，分割器将每个测量值对的经分类的组织类型指定给对应 于第一图像和第二图像的体积。备选地，第一图像和第二图像中的一幅能 够用于显示经分类的组织类型，诸如将体素的强度和或颜色设置为指示经 分类的组织类型的值。

在步骤52中，用户界面构建测量值对和聚类成员的可视化，诸如散点 图或轮廓绘图。可视化能够用于比较在不同时间间隔处，和/或不同聚类算 法或参数得到的图像之间的聚类。

在步骤54中，构建诊断图像。诊断图像包括被标记以指出每个经分类 的组织类型的成像区域的显示。在一个范例中，诊断图像能够包括第一图 像或第二图像，其示出了被加色以指明组织类型的其他解剖参考或空间关 系。

在步骤56中，解析单元分析诊断图像，诸如计算被分割的组织类型的 体积测量。计算风险组织类型，并且任选地计算健康组织类型。应用的其 他解析能够包括比较诸如被分割的体积之间的比率，与各种患者群体的比 较等等。解析也能够包括其他统计数字，诸如长度、平均密度、最大深度 等等。

在步骤58中，显示设备显示诊断图像，所述诊断图像使不同组织类型 形成对比和/或测量风险组织类型(诸如梗死和灰色区)的体积。任选地， 在步骤60中，诊断图像、解析和/或聚类可视化能够被存储在患者数据管理 系统中。

应当理解，与本文提出的具体的范例性实施例有关的某些结构特征和/ 或功能特征是作为并入定义的元件和/或部件来描述的。然而，预期这些特 征也可以同样地被并入其他恰当的元件和/或部件中，得到相同或类似的益 处。还应当理解，可以以恰当的方式有选择地采用范例性实施例的不同方 面，以获得适合所期望的应用的其他备选实施例，从而其他备选实施例实 现并入其中的方面的相应优点。

还应当理解，本文描述的具体元件或部件可以经由硬件、软件、固件 或其组合来适当地实施其功能。额外地，应当理解，本文描述的一起并入 的某些元件在适当的境况下可以是独立元件或以其他方式分开的。类似地， 描述的由一个具体元件执行的多个具体功能可以由独立作用以执行个体功 能的多个不同元件来执行，或者某些个体功能可以被拆分并且由协同作用 的多个不同元件来执行。备选地，本文中以其他方式描述和/或示出为彼此 不同的一些元件或部件可以在适当的地方被物理地或功能地组合。

简言之，已经参考优选实施例描述了本说明书。在阅读和理解本说明 书的情况下对于其他人可能想到修改或替代变型。本文意图将本发明解释 为包括所有这种修改和替代变型，只要它们落入所附权利要求及其等价方 案的范围之内。亦即，应当理解，各种以上公开的特征和功能以及其他特 征和功能，或其备选，可以被合意地组合到许多其他不同的系统或应用中， 并且，本领域技术人员随后也可以做出其中多种目前未预见或未预料的替 代、修改、变型或改进，权利要求同样意图涵盖它们。