【技术实现步骤摘要】
【国外来华专利技术】用于检测及表征化病变的基于人工智能的图像分析系统及方法
[0001]相关申请案的交叉参考
[0002]本申请案主张2020年7月6日申请的第63/048,436号美国临时专利申请案、2020年8月31日申请的第17/008,411号美国非临时专利申请案、2020年12月18日申请的第63/127,666号美国临时专利申请案及2021年6月10日申请的第63/209,317号美国临时专利申请案的优先权及权利,每一申请案的内容全文特此以引用的方式并入。
[0003]本专利技术大体上涉及用于建立、分析及/或呈现医学图像数据的系统及方法。更特定来说,在某些实施例中,本专利技术涉及用于用以识别及/或表征化癌性病变的医学图像的自动化分析的系统及方法。
技术介绍
[0004]核医学成像涉及使用放射性标记的化合物(被称为放射性药物)。放射性药物是向患者投予且以取决于且因此指示体内的各个区域中的组织的生物物理及/或生化性质(例如受例如癌症的疾病的存在及/或状态影响的那些生物物理及/或生化性质)的方式累积在所述各个区域中。例如,某些放射性药物在向患者投予之后累积在与指示转移的恶性骨病变相关联的异常成骨区域中。其它放射性药物可结合到体内的在疾病演变期间改变的特定受体、酶及蛋白质。在向患者投予之后,这些分子在血液中循环直到它们找到其预期的目标。经结合放射性药物保留在疾病部位处,而试剂的其余部分从身体清除。
[0005]核医学成像技术通过检测从放射性药物的放射性部分发射的辐射来捕获图像。经累积放射性药物用作信标使得可使 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于自动处理受试者的3D图像以识别及/或表征化所述受试者内的癌性病变的方法,所述方法包括:(a)通过计算装置的处理器,接收使用功能成像模态获得的所述受试者的3D功能图像;(b)通过所述处理器,使用机器学习模块自动检测所述3D功能图像内的一或多个热点,每一热点对应于相对于其周围提高强度的局部区域且表示所述受试者内的潜在癌性病变,从而建立如下(i)及(ii)中的一或两者:(i)热点列表,其针对每一热点识别所述热点的位置,及(ii)3D热点图,其针对每一热点识别所述3D功能图像内的对应3D热点体积;及(c)存储及/或提供所述热点列表及/或所述3D热点图以供显示及/或进一步处理。2.根据权利要求1所述的方法,其中所述机器学习模块接收所述3D功能图像的至少一部分作为输入,且至少部分基于所述3D功能图像的所述经接收部分的体素的强度自动检测所述一或多个热点。3.根据权利要求1或2所述的方法,其中所述机器学习模块接收3D分割图作为输入,所述3D分割图识别所述3D功能图像内的一或多个所关注体积(VOI),每一VOI对应于所述受试者内的特定目标组织区域及/或特定解剖区域。4.根据前述权利要求中任一权利要求所述的方法,其包括通过所述处理器,接收使用解剖成像模态获得的所述受试者的3D解剖图像,其中所述3D解剖图像包括所述受试者内的组织的图形表示,且其中所述机器学习模块接收至少两个输入通道,所述输入通道包括对应于所述3D解剖图像的至少一部分的第一输入通道及对应于所述3D功能图像的至少一部分的第二输入通道。5.根据权利要求4所述的方法,其中所述机器学习模块接收3D分割图作为输入,所述3D分割图在所述3D功能图像及/或所述3D解剖图像内识别一或多个所关注体积(VOI),每一VOI对应于特定目标组织区域及/或特定解剖区域。6.根据权利要求5所述的方法,其包括通过所述处理器自动分割所述3D解剖图像,从而建立所述3D分割图。7.根据前述权利要求中任一权利要求所述的方法,其中所述机器学习模块是区域特定机器学习模块,其接收所述3D功能图像的对应于所述受试者的一或多个特定组织区域及/或解剖区域的特定部分作为输入。8.根据前述权利要求中任一权利要求所述的方法,其中所述机器学习模块产生所述热点列表作为输出。9.根据前述权利要求中任一权利要求所述的方法,其中所述机器学习模块产生所述3D热点图作为输出。10.根据前述权利要求中任一权利要求所述的方法,其包括:(d)通过所述处理器,针对所述热点的至少一部分的每一热点,确定对应于所述热点表示所述受试者内的病变的可能性的病变可能性分类。11.根据权利要求10所述的方法,其中步骤(d)包括使用所述机器学习模块,以针对所述部分的每一热点确定所述病变可能性分类。12.根据权利要求10所述的方法,其中步骤(d)包括使用第二机器学习模块以针对每一热点确定所述病变可能性分类。
13.根据权利要求12所述的方法,其包括通过所述处理器,针对每一热点确定一或多个热点特征的集合,且使用所述一或多个热点特征的所述集合作为到所述第二机器学习模块的输入。14.根据权利要求10到13中任一权利要求所述的方法,其包括:(e)通过所述处理器,至少部分基于所述热点的所述病变可能性分类,选择对应于具有对应于癌性病变的高可能性的热点的所述一或多个热点的子集。15.根据前述权利要求中任一权利要求所述的方法,其包括:(f)通过所述处理器,调整所述3D功能图像的体素的强度,以校正来自所述3D功能图像的一或多个高强度体积的强度渗出,所述一或多个高强度体积中的每一者对应于与正常情况下的高放射性药物摄取相关联的在所述受试者内的高摄取组织区域。16.根据权利要求15所述的方法,其中步骤(f)包括以循序方式一次一个地校正来自多个高强度体积的强度渗出。17.根据权利要求15或16所述的方法,其中所述一或多个高强度体积对应于选自由肾脏、肝脏及膀胱组成的群组的一或多个高摄取组织区域。18.根据前述权利要求中任一权利要求所述的方法,其包括:(g)通过所述处理器,针对所述一或多个热点的至少一部分中的每一者,确定指示所述热点所对应的潜在性病变内的放射性药物摄取的水平及/或所述潜在性病变的大小的对应病变指数。19.根据权利要求18所述的方法,其中步骤(g)包括比较与所述热点相关联的一或多个体素的(若干)强度与一或多个参考值,每一参考值与对应于所述参考组织区域的参考体积的特定参考组织区域相关联。20.根据权利要求19所述的方法,其中所述一或多个参考值包括选自由与所述受试者的主动脉部分相关联的主动脉参考值及与所述受试者的肝脏相关联的肝脏参考值组成的群组的一或多个成员。21.根据权利要求19或20所述的方法,其中针对与特定参考组织区域相关联的至少一个特定参考值确定所述特定参考值,包括将对应于所述特定参考组织区域的特定参考体积内的体素的强度拟合到多组分混合模型。22.根据权利要求18到21中任一权利要求所述的方法,其包括使用所述经确定病变指数值计算指示所述受试者的癌症状态及/或风险的所述受试者的整体风险指数。23.根据前述权利要求中任一权利要求所述的方法,其包括通过所述处理器,针对每一热点确定对应于所述受试者内的特定解剖区域及/或解剖区域群组的解剖分类,所述热点表示的所述潜在癌性病变经确定为位于所述特定解剖区域及/或所述解剖区域群组中。24.根据前述权利要求中任一权利要求所述的方法,其包括:(h)通过所述处理器,引起显现所述一或多个热点的至少一部分的图形表示,以用于在图形用户界面(GUI)内显示以供用户查看。25.根据权利要求24所述的方法,其包括:(i)通过所述处理器,经由所述GUI,接收经由用户查看确认为有可能表示所述受试者内的潜在性癌性病变的所述一或多个热点的子集的用户选择。26.根据前述权利要求中任一权利要求所述的方法,其中所述3D功能图像包括在向所
述受试者投予试剂之后获得的PET或SPECT图像。27.根据权利要求26所述的方法,其中所述试剂包括PSMA结合剂。28.根据权利要求26或27所述的方法,其中所述试剂包括
18
F。29.根据权利要求27或28所述的方法,其中所述试剂包括[18F]DCFPyL。30.根据权利要求27或28所述的方法,其中所述试剂包括PSMA
‑
11。31.根据权利要求26或27所述的方法,其中所述试剂包括选自由
99m
Tc、
68
Ga、
177
Lu、
225
Ac、
111
In、
123
I、
124
I及
131
I组成的群组的一或多个成员。32.根据前述权利要求中任一权利要求所述的方法,其中所述机器学习模块实施神经网络。33.根据前述权利要求中任一权利要求所述的方法,其中所述处理器是基于云的系统的处理器。34.一种用于自动处理受试者的3D图像以识别及/或表征化所述受试者内的癌性病变的方法,所述方法包括:(a)通过计算装置的处理器,接收使用功能成像模态获得的所述受试者的3D功能图像;(b)通过所述处理器,接收使用解剖成像模态获得的所述受试者的3D解剖图像,其中所述3D解剖图像包括所述受试者内的组织的图形表示;(c)通过所述处理器,使用机器学习模块自动检测所述3D功能图像内的一或多个热点,每一热点对应于相对于其周围提高强度的局部区域且表示所述受试者内的潜在癌性病变,从而建立如下(i)及(ii)中的一或两者:(i)热点列表,其针对每一热点识别所述热点的位置,及(ii)3D热点图,其针对每一热点识别所述3D功能图像内的对应3D热点体积,其中所述机器学习模块接收至少两个输入通道,所述输入通道包括对应于所述3D解剖图像的至少一部分的第一输入通道及对应于所述3D功能图像的至少一部分的第二输入通道及/或从其导出的解剖信息;及(d)存储及/或提供所述热点列表及/或所述3D热点图以供显示及/或进一步处理。35.一种用于自动处理受试者的3D图像以识别及/或表征化所述受试者内的癌性病变的方法,所述方法包括:(a)通过计算装置的处理器,接收使用功能成像模态获得的所述受试者的3D功能图像;(b)通过所述处理器,使用第一机器学习模块自动检测所述3D功能图像内的一或多个热点,每一热点对应于相对于其周围提高强度的局部区域且表示所述受试者内的潜在癌性病变,从而建立针对每一热点识别所述热点的位置的热点列表;(c)通过所述处理器,使用第二机器学习模块及所述热点列表,针对所述一或多个热点中的每一者自动确定所述3D功能图像内的对应3D热点体积,从而建立3D热点图;及(d)存储及/或提供所述热点列表及/或所述3D热点图以供显示及/或进一步处理。36.根据权利要求35所述的方法,其包括:(e)通过所述处理器,针对所述热点的至少一部分的每一热点,确定对应于所述热点表示所述受试者内的病变的可能性的病变可能性分类。37.根据权利要求36所述的方法,其中步骤(e)包括使用第三机器学习模块以针对每一热点确定所述病变可能性分类。38.根据权利要求35到37中任一权利要求所述的方法,其包括:
(f)通过所述处理器,至少部分基于所述热点的所述病变可能性分类,选择对应于具有对应于癌性病变的高可能性的热点的所述一或多个热点的子集。39.一种测量对应于参考组织区域的参考体积内的强度值以便避免来自与低放射性药物摄取相关联的组织区域的影响的方法,所述方法包括:(a)通过计算装置的处理器,接收受试者的3D功能图像,所述3D功能图像是使用功能成像模态来获得;(b)通过所述处理器,识别所述3D功能图像内的所述参考体积;(c)通过所述处理器,将多组分混合模型拟合到所述参考体积内的体素的强度;(d)通过所述处理器,识别所述多组分模型的主要模式;(e)通过所述处理器,确定对应于所述主要模式的强度的量度,从而确定对应于体素的强度的量度的参考强度值,所述体素(i)在所述参考组织体积内且(ii)与所述主要模式相关联;(f)通过所述处理器,在所述功能图像内检测对应于潜在癌性病变的一或多个热点;及(g)通过所述处理器,针对所述经检测热点的至少一部分的每一热点,使用至少所述参考强度值确定病变指数值。40.一种校正来自由于与正常情况下的高放射性药物摄取相关联的在受试者内的高摄取组织区域的强度渗出的方法,所述方法包括:(a)通过计算装置的处理器,接收所述受试者的3D功能图像,所述3D功能图像是使用功能成像模态来获得;(b)通过所述处理器,识别所述3D功能图像内的高强度体积,所述高强度体积对应于其中在正常情况下发生高放射性药物摄取的特定高摄取组织区域;(c)通过所述处理器,基于所述经识别的高强度体积识别所述3D功能图像内的抑制体积,所述抑制体积对应于位于所述经识别的高强度体积的边界之外且在距所述边界预定衰减距离内的体积;(d)通过所述处理器,确定对应于所述3D功能图像的背景图像,其中用基于所述抑制体积内的所述3D功能图像的体素的强度确定的内插值来取代所述高强度体积内的体素的强度;(e)通过所述处理器,凭借从来自所述3D功能图像的体素的强度减去所述背景图像的体素的强度来确定估计图像;(f)通过所述处理器,通过以下操作来确定抑制图:将对应于所述高强度体积的所述估计图像的体素的强度外推到所述抑制体积内的体素的位置以确定对应于所述抑制体积的所述抑制图的体素的强度;及将对应于所述抑制体积之外的位置的所述抑制图的体素的强度设置为零;及(g)通过所述处理器,基于所述抑制图调整所述3D功能图像的体素的强度,从而校正来自所述高强度体积的强度渗出。41.根据权利要求40所述的方法,其包括以循序方式针对多个高强度体积中的每一者执行步骤(b)到步骤(g),从而校正来自所述多个高强度体积中的每一者的强度渗出。42.根据权利要求41所述的方法,其中所述多个高强度体积包括选自由肾脏、肝脏及膀胱组成的群组的一或多个成员。
43.一种用于自动处理受试者的3D图像以识别及/或表征化所述受试者内的癌性病变的方法,所述方法包括:(a)通过计算装置的处理器,接收使用功能成像模态获得的所述受试者的3D功能图像;(b)通过所述处理器,自动检测所述3D功能图像内的一或多个热点,每一热点对应于相对于其周围提高强度的局部区域且表示所述受试者内的潜在癌性病变;(c)通过所述处理器,引起显现所述一或多个热点的图形表示以用于在交互式图形用户界面(GUI)内显示;(d)通过所述处理器,经由所述交互式GUI,接收包括所述一或多个经自动检测的热点的至少一部分的最终热点集合的用户选择;及(e)存储及/或提供所述最终热点集合以供显示及/或进一步处理。44.根据权利要求43所述的方法,其包括:(f)通过所述处理器,经由所述GUI接收一或多个额外、用户识别的热点的用户选择以用于包含在所述最终热点集合中;及(g)通过所述处理器,更新所述最终热点集合以包含所述一或多个额外、用户识别的热点。45.根据权利要求43或44所述的方法,其中步骤(b)包括使用一或多个机器学习模块。46.一种用于自动处理受试者的3D图像以识别及/或表征化所述受试者内的癌性病变的方法,所述方法包括:(a)通过计算装置的处理器,接收使用功能成像模态获得的所述受试者的3D功能图像;(b)通过所述处理器,自动检测所述3D功能图像内的一或多个热点,每一热点对应于相对于其周围提高强度的局部区域且表示所述受试者内的潜在癌性病变;(c)通过所述处理器,针对所述一或多个热点的至少一部分中的每一者,自动确定对应于所述受试者内的特定解剖区域及/或解剖区域群组的解剖分类,所述热点表示的所述潜在癌性病变经确定为位于所述特定解剖区域及/或所述解剖区域群组中;及(d)存储及/或提供所述一或多个热点的识别连同针对每一热点的对应于所述热点的所述解剖分类以供显示及/或进一步处理。47.根据权利要求46所述的方法,其中步骤(b)包括使用一或多个机器学习模块。48.一种用于自动处理受试者的3D图像以识别及/或表征化所述受试者内的癌性病变的系统,所述系统包括:计算装置的处理器;及具有存储在其上的指令的存储器,其中所述指令在通过所述处理器执行时引起所述处理器:(a)接收使用功能成像模态获得的所述受试者的3D功能图像;(b)使用机器学习模块自动检测所述3D功能图像内的一或多个热点,每一热点对应于相对于其周围提高强度的局部区域且表示所述受试者内的潜在癌性病变,从而建立如下(i)及(ii)中的一或两者:(i)热点列表,其针对每一热点识别所述热点的位置,及(ii)3D热点图,其针对每一热点识别所述3D功能图像内的对应3D热点体积;及(c)存储及/或提供所述热点列表及/或所述3D热点图以供显示及/或进一步处理。49.根据权利要求48所述的系统,其中所述机器学习模块接收所述3D功能图像的至少
一部分作为输入,且至少部分基于所述3D功能图像的所述经接收部分的体素的强度自动检测所述一或多个热点。50.根据权利要求48或49所述的系统,其中所述机器学习模块接收3D分割图作为输入,所述3D分割图识别所述3D功能图像内的一或多个所关注体积(VOI),每一VOI对应于所述受试者内的特定目标组织区域及/或特定解剖区域。51.根据权利要求48到50中任一权利要求所述的系统,其中所述指令引起所述处理器:接收使用解剖成像模态获得的所述受试者的3D解剖图像,其中所述3D解剖图像包括所述受试者内的组织的图形表示,且其中所述机器学习模块接收至少两个输入通道,所述输入通道包括对应于所述3D解剖图像的至少一部分的第一输入通道及对应于所述3D功能图像的至少一部分的第二输入通道。52.根据权利要求51所述的系统,其中所述机器学习模块接收3D分割图作为输入,所述3D分割图在所述3D功能图像及/或所述3D解剖图像内识别一或多个所关注体积(VOI),每一VOI对应于特定目标组织区域及/或特定解剖区域。53.根据权利要求52所述的系统,其中所述指令引起所述处理器自动分割所述3D解剖图像,从而建立所述3D分割图。54.根据权利要求48到53中任一权利要求所述的系统,其中所述机器学习模块是区域特定机器学习模块,其接收所述3D功能图像的对应于所述受试者的一或多个特定组织区域及/或解剖区域的特定部分作为输入。55.根据权利要求48到54中任一权利要求所述的系统,其中所述机器学习模块产生所述热点列表作为输出。56.根据权利要求48到55中任一权利要求所述的系统,其中所述机器学习模块产生所述3D热点图作为输出。57.根据权利要求48到56中任一权利要求所述的系统,其中所述指令引起所述处理器:(d)针对所述热点的至少一部分的每一热点,确定对应于所述热点表示所述受试者内的病变的可能性的病变可能性分类。58.根据权利要求57所述的系统,其中在步骤(d),所述指令引起所述处理器使用所述机器学习模块,针对所述部分的每一热点确定所述病变可能性分类。59.根据权利要求57所述的系统,其中在步骤(d),所述指令引起所述处理器使用第二机器学习模块以针对每一热点确定所述病变可能性分类。60.根据权利要求59所述的系统,其中所述指令引起所述处理器针对每一热点确定一或多个热点特征的集合,且使用所述一或多个热点特征的所述集合作为到所述第二机器学习模块的输入。61.根据权利要求57到60中任一权利要求所述的系统,其中所述指令引起所述处理器:(e)至少部分基于所述热点的所述病变可能性分类,选择对应于具有对应于癌性病变的高可能性的热点的所述一或多个热点的子集。62.根据权利要求48到61中任一权利要求所述的系统,其中所述指令引起所述处理器:(f)通过所述处理器,调整所述3D功能图像的体素的强度,以校正来自所述3D功能图像的一或多个高强度体积的强度渗出,所述一或多个高强度体积中的每一者对应于与正常情
况下的高放射性药物摄取相关联的在所述受试者内的高摄取组织区域。63.根据权利要求62所述的系统,其中在步骤(f),所述指令引起所述处理器以循序方式一次一个地校正来自多个高强度体积的强度渗出。64.根据权利要求62或63所述的系统,其中所述一或多个高强度体积对应于选自由肾脏、肝脏及膀胱组成的群组的一或多个高摄取组织区域。65.根据权利要求48到64中任一权利要求所述的系统,其中所述指令引起所述处理器:(g)针对所述一或多个热点的至少一部分中的每一者,确定指示所述热点所对应的潜在性病变内的放射性药物摄取的水平及/或所述潜在性病变的大小的对应病变指数。66.根据权利要求65所述的系统,其中在步骤(g),所述指令引起所述处理器比较与所述热点相关联的一或多个体素的(若干)强度与一或多个参考值,每一参考值与所述受试者内的特定参考组织区域相关联,且基于对应于所述参考组织区域的参考体积的强度确定。67.根据权利要求66所述的系统,其中所述一或多个参考值包括选自由与所述受试者的主动脉部分相关联的主动脉参考值及与所述受试者的肝脏相关联的肝脏参考值组成的群组的一或多个成员。68.根据权利要求66或67所述的系统,其中针对与特定参考组织区域相关联的至少一个特定参考值,所述指令引起所述处理器通过将对应于所述特定参考组织区域的特定参考体积内的体素的强度拟合到多组分混合模型来确定所述特定参考值。69.根据权利要求65到68中任一权利要求所述的系统,其中所述指令引起所述处理器使用所述经确定病变指数值计算所述受试者的整体风险指数,其指示所述受试者的癌症状态及/或风险。70.根据权利要求48到69中任一权利要求所述的系统,其中所述指令引起所述处理器针对每一热点确定对应于所述受试者内的特定解剖区域及/或解剖区域群组的解剖分类,所述热点表示的所述潜在癌性病变经确定为位于所述特定解剖区域及/或所述解剖区域群组中。71.根据权利要求48到70中任一权利要求所述的系统,其中所述指令引起所述处理器:(h)引起显现所述一或多个热点的至少一部分的图形表示,以用于在图形用户界面(GUI)内显示以供用户查看。72.根据权利要求71所述的系统,其中所述指令引起所述处理器:(i)经由所述GUI,接收经由用户查看确认为有可能表示所述受试者内的潜在性癌性病变的所述一或多个热点的子集的用户选择。73.根据权利要求48到72中任一权利要求所述的系统,其中所述3D功能图像包括在向所述受试者投予试剂之后获得的PET或SPECT图像。74.根据权利要求73所述的系统,其中所述试剂包括PSMA结合剂。75.根据权利要求73或74所述的系统,其中所述试剂包括18F。76.根据权利要求74所述的系统,其中所述试剂包括[18F]DCFPyL。77.根据权利要求74或75所述的系统,其中所述试剂包括PSMA
‑
11。78.根据权利要求73或74所述的系统,其中所述试剂包括选自由
99m
Tc、
68
Ga、
177
Lu、
225
Ac、
111
In、
123
I、
124
I及
131
I组成的群组的一或多个成员。79.根据权利要求48到78中任一权利要求所述的系统,其中所述机器学习模块实施神
经网络。80.根据权利要求48到79中任一权利要求所述的系统,其中所述处理器是基于云的系统的处理器。81.一种用于自动处理受试者的3D图像以识别及/或表征化所述受试者内的癌性病变的系统,所述系统包括:计算装置的处理器;及具有存储在其上的指令的存储器,其中所述指令在通过所述处理器执行时引起所述处理器:(a)接收使用功能成像模态获得的所述受试者的3D功能图像;(b)接收使用解剖成像模态获得的所述受试者的3D解剖图像,其中所述3D解剖图像包括所述受试者内的组织的图形表示;(c)使用机器学习模块自动检测所述3D功能图像内的一或多个热点,每一热点对应于相对于其周围提高强度的局部区域且表示所述受试者内的潜在癌性病变,从而建立如下(i)及(ii)中的一或两者:(i)热点列表,其针对每一热点识别所述热点的位置,及(ii)3D热点图,其针对每一热点识别所述3D功能图像内的对应3D热点体积,其中所述机器学习模块接收至少两个输入通道,所述输入通道包括对应于所述3D解剖图像的至少一部分的第一输入通道及对应于所述3D功能图像的至少一部分的第二输入通道,及/或从其导出的解剖信息;及(d)存储及/或提供所述热点列表及/或所述3D热点图以供显示及/或进一步处理。82.一种用于自动处理受试者的3D图像以识别及/或表征化所述受试者内的癌性病变的系统,所述系统包括:计算装置的处理器;及具有存储在其上的指令的存储器,其中所述指令在通过所述处理器执行时引起所述处理器:(a)接收使用功能成像模态获得的所述受试者的3D功能图像;(b)使用第一机器学习模块自动检测所述3D功能图像内的一或多个热点,每一热点对应于相对于其周围提高强度的局部区域且表示所述受试者内的潜在癌性病变,从而建立针对每一热点识别所述热点的位置的热点列表;(c)使用第二机器学习模块及所述热点列表,针对所述一或多个热点中的每一者自动确定所述3D功能图像内的对应3D热点体积,从而建立3D热点图;及(d)存储及/或提供所述热点列表及/或所述3D热点图以供显示及/或进一步处理。83.根据权利要求82所述的系统,其中所述指令引起所述处理器:(e)针对所述热点的至少一部分的每一热点,确定对应于所述热点表示所述受试者内的病变的可能性的病变可能性分类。84.根据权利要求83所述的系统,其中在步骤(e),所述指令引起所述处理器使用第三机器学习模块以针对每一热点确定所述病变可能性分类。85.根据权利要求82到84中任一权利要求所述的系统,其中所述指令引起所述处理器:(f)至少部分基于所述热点的所述病变可能性分类,选择对应于具有对应于癌性病变的高可能性的热点的所述一或多个热点的子集。
86.一种用于测量对应于参考组织区域的参考体积内的强度值以便避免来自与低放射性药物摄取相关联的组织区域的影响的系统,所述系统包括:计算装置的处理器;及具有存储在其上的指令的存储器,其中所述指令在通过所述处理器执行时引起所述处理器:(a)接收受试者的3D功能图像,所述3D功能图像是使用功能成像模态来获得;(b)识别所述3D功能图像内的所述参考体积;(c)将多组分混合模型拟合到所述参考体积内的体素的强度;(d)识别所述多组分模型的主要模式;(e)确定对应于所述主要模式的强度的量度,从而确定对应于体素的强度的量度的参考强度值,所述体素(i)在所述参考组织体积内且(ii)与所述主要模式相关联;(f)在所述3D功能图像内检测对应于潜在癌性病变的一或多个热点;及(g)针对所述经检测热点的至少一部分的每一热点,使用至少所述参考强度值确定病变指数值。87.一种用于校正来自由于与正常情况下的高放射性药物摄取相关联的在受试者内的高摄取组织区域的强度渗出的系统,所述方法包括:(a)接收所述受试者的3D功能图像,所述3D功能图像是使用功能成像模态来获得;(b)识别所述3D功能图像内的高强度体积,所述高强度体积对应于其中在正常情况下发生高放射性药物摄取的特定高摄取组织区域;(c)基于所述经识别的高强度体积识别所述3D功能图像内的抑制体积,所述抑制体积对应于位于所述经识别的高强度体积的边界之外且在距所述边界预定衰减距离内的体积;(d)确定对应于所述3D功能图像的背景图像,其中用基于所述抑制体积内的所述3D功能图像的体素的强度确定的内插值来取代所述高强度体积内的体素的强度;(e)通过从来自所述3D功能图像的体素的强度减去所述背景图像的体素的强度来确定估计图像;(f)通过以下操作来确定抑制图:将对应于所述高强度体积的所述估计图像的体素的强度外推到所述抑制体积内的体素的位置以确定对应于所述抑制体积的所述抑制图的体素的强度;及将对应于所述抑制体积之外的位置的所述抑制图的体素的强度设置为零;及(g)基于所述抑制图调整所述3D功能图像的体素的强度,从而校正来自所述高强度体积的强度渗出。88.根据权利要求87所述的系统,其中指令引起处理器以循序方式针对多个高强度体积中的每一者执行步骤(b)到步骤(g),从而校正来自所述多个高强度体积中的每一者的强度渗出。89.根据权利要求88所述的系统,其中所述多个高强度体积包括选自由肾脏、肝脏及膀胱组成的群组的一或多个成员。90.一种用于自动处理受试者的3D图像以识别及/或表征化所述受试者内的癌性病变的系统,所述系统包括:计算装置的处理器;及
具有存储在其上的指令的存储器,其中所述指令在通过所述处理器执行时引起所述处理器:(a)接收使用功能成像模态获得的所述受试者的3D功能图像;(b)自动检测所述3D功能图像内的一或多个热点,每一热点对应于相对于其周围提高强度的局部区域且表示所述受试者内的潜在癌性病变;(c)引起显现所述一或多个热点的图形表示以用于在交互式图形用户界面(GUI)内显示;(d)经由所述交互式GUI,接收包括所述一或多个经自动检测的热点的至少一部分的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。