用于动脉钙化的检测和量化的方法
阅读：185发布：2020-05-17
专利汇可以提供用于动脉钙化的检测和量化的方法专利检索，专利查询，专利分析的服务。并且描述了在用于器官中的动脉 钙 化的检测和量化的方法中使用组织构成和拟人测量以用于 疾病 风 险预测和分层。将器官的射线照 相图 像定量地转换成指示器官组织的总量的组织构成图；生成指示钙化组织在组织构成图中的 定位 的钙化图；使用钙化组织在钙化图中的定位从组织构成图生成无钙化组织构成图；生成血管在组织构成图中的定位的血管图；以及将血管图与钙化图组合以生成指示钙化血管在组织构成图中的定位的血管钙化的图。分数基于在乳房中的动脉钙化，其指示在乳房和其他器官中的疾病。，下面是用于动脉钙化的检测和量化的方法专利的具体信息内容。
1.一种用于动脉钙化的检测和量化的方法，其特征在于，
将器官的射线照相图像定量地转换成指示器官组织的总量的组织构成图；
生成指示钙化组织在所述组织构成图中的定位的钙化图；
使用钙化组织在所述钙化图中的定位从所述组织构成图生成无钙化组织构成图；
生成血管在所述组织构成图中的定位的血管图；以及
将所述血管图与所述钙化图组合以生成指示钙化血管在所述组织构成图中的定位的血管钙化的图。
2.根据权利要求1所述的方法，其中，从所述血管图生成所述器官的血管钙化的量化测量结果，以用于疾病风险预测和分层。
3.根据权利要求1或2所述的方法，其中，所述器官是乳房，所述方法包括将所述乳房的拟人测量与血管钙化的图组合，以用于疾病风险预测和分层。
4.根据权利要求2所述的方法，其中，所述器官是乳房，所述方法包括将所述乳房的拟人测量与血管钙化的定量测量组合，以用于疾病风险预测和分层。
5.根据任一前述权利要求所述的方法，其中，使用分割算法从所述组织构成图生成所述血管图。
6.根据权利要求5所述的方法，其中，所述血管分割算法是图像过滤算法、阈值化算法、边缘检测算法或使用监督或无监督学习方法的机器学习的至少一个或组合。
7.根据任一前述权利要求所述的方法，包括使用来自两个或更多个能量范围的光谱信息来生成所述组织图。
8.根据任一前述权利要求所述的方法，其中，所述无钙化组织构成图包括通过在邻近血管位置的组织的总量的值之间的内插来估计的无钙化组织构成的值。
9.根据任一前述权利要求所述的方法，包括评估所述血管钙化以生成血管钙化的分数。
10.根据任一前述权利要求所述的方法，包括从所述无钙化组织构成图生成所述器官的密度，用于指示在钙化已经从所述组织构成图中排除之后的组织的总量。
11.根据权利要求10所述的方法，其中，所述密度是乳房的密度，并用于组织功能状态和/或疾病风险预测和分层。
12.根据依赖于权利要求9的权利要求10所述的方法，包括结合所述血管钙化来评估所述器官的密度，并修改血管钙化的分数以用于与疾病的风险相关。
13.一种用于生成表示BAC负担的分数的方法，包括在乳房中的血管钙化的图中的钙化血管的定量分析，其中一个或更多个测量结果用于获得所述分数，所述方法包括：
i)计算具有钙化的血管的数量；
ii)测量所述血管的钙化的节段的长度；
iii)测量钙化的所述节段的面积；
iv)测量钙化的所述节段的体积；
v)测量钙化的所述节段的密度或质量。
14.根据权利要求13所述的方法，其中，从组织构成图进行的所述乳房的下面的拟人测量中的至少一个用于获得所述分数，包括：
i)测量乳房体积；
ii)测量乳腺纤维腺体组织体积；
iii)测量无钙化乳房组织构成；
iv)测量胸壁到乳头距离；
v)测量包括钙化血管和未钙化血管的血管的总长度；
vi)对包括钙化血管和未钙化血管的血管进行计数。
15.根据权利要求14所述的方法，其中，测量所述乳房体积包括需要对在射线照相图像中的所投影的乳房面积、乳房厚度、对于乳房外围厚度的模型和对于乳房定位设备的变形的模型的测量。
16.根据权利要求14所述的方法，其中，测量所述胸壁到乳头距离需要一种手段来识别作为解剖标志的特征的位置并分割包括胸肌和乳头的这些特征。
17.根据权利要求14、15或16所述的方法，其中，测量所述乳腺纤维腺体组织体积包括需要对所述乳房体积的测量和通过生成组织构成图来测量乳房组织构成。
18.根据权利要求14、15、16或17所述的方法，其中，所述组织构成图是密度图。
19.根据权利要求13到18中的任一项所述的方法，其中，使用从乳房密度图确定的在所述乳房中的所述组织的构成来测量钙化的节段的密度或质量。
20.根据权利要求13到18中的任一项所述的方法，其中，使用从与图像采集的物理模型组合的双能量、三能量或光子计数图像光谱信息确定的在所述乳房中的所述组织的构成来测量钙化的节段的密度或质量。
21.根据权利要求13到20中的任一项所述的方法，其中，测量血管钙化的体积需要测量乳房厚度以及使用对于乳房定位设备的变形的模型。
用于动脉钙化的检测和量化的方法
发明领域
[0001] 本发明涉及在用于针对疾病风险预测和分层的动脉钙化的检测和量化的方法中的组织构成和拟人测量的使用。更特别地，该方法涉及乳房组织构成和乳房中的动脉钙化。本发明还涉及基于乳房中的动脉钙化的分数，其指示在乳房和其他器官中的疾病。
[0002] 背景
[0003] 血管钙化被定义为“在血管组织中的以磷酸钙盐的形式的矿物质的不适当且病理性的沉积”。
[0004] 钙化被限制到动脉，且可以根据病理过程而出现在中层或内膜层中。在内膜层中，钙化出现在中等到大尺寸的动脉中。内膜的钙化通常与动脉粥样硬化和炎症相关。中层的钙化或门克伯格硬化( sclerosis)出现在任何大小的动脉中。这个形式的钙化导致增加的血管僵硬度、高血压、周围血管疾病和改变的冠状动脉灌注。
[0006] 已知在动脉钙化与疾病和死亡的风险之间存在关联。动脉钙化与疾病和死亡的风险的关联在各种周围血管床当中不同。在乳房中的动脉钙化已被证明与慢性肾病、骨矿物质密度降低、糖尿病、代谢综合征、高血压、冠状动脉疾病和中风相关。
[0007] 在该领域中的背景信息的示例包括：
[0008] Margolies、M.Salvatore、H.S.Hecht、S.Kotkin、R.Yip、U.Baber、V.Bishay、J.Narula、D.Yankelevitz和C.Henschke的“Digital mammography and screening for coronary artery disease”(JACC Cardiovasc.Imaging，p.Online First，2016年)；
[0009] F.Aziz的“Coronary artery disease in women：an unsolved dilemma”(J.Clin.Med.Res.，第6卷，第2期，第86-90页，2014年4月)；
[0010] C.Iribarren和S.Molloi的“Breast Arterial Calcification：a New Marker of Cardiovascular Risk？”(Curr.Cardiovasc.Risk Rep.，第7卷，第2期，第126-135页，2013年4月)；
[0011] S.Molloi等人的“Quantification of breast arterial calcification using full field digital mammography”(Med.Phys.，第35卷，第4期，第1428-39页，2008年)；
[0012] S.Molloi、T.Xu、J.Ducote和C.Iribarren的“Quantification of breast arterial calcification using full field digital mammography”(Med.Phys.，第35卷，第4期，第1428-39页，2008年)；
[0013] S.Molloi、T.Mehraien、C.Iribarren、C.Smith、J.L.Ducote和S.A.Feig的“Reproducibility of Breast Arterial Calcium Mass Quantification Using Digital Mammography”(Acad.Radiol.，第16卷，第3期，第275-282页，2009年)；
[0014] J.Ge、H.P.Chan、B.Sahiner、C.Zhou,M.A.Helvie、J.Wei、L.M.Hadjiiski、Y.Zhang、Y.T.Wu和J.Shi的“Automated detection of breast vascular calcification on full-field digital mammograms”(Med.Imaging 2008 Comput.Diagnosis，Pts 1 2,第6915卷，第91517页，2008年)；
[0015] E.Nava和I.Barba的“Quantification of Vascular Calcifications on Digitized Mammograms”(LNCS，第6136卷，第183-190页，2010年)；
[0016] J.Z.Cheng、E.B.Cole、E.D.Pisano和D.Shen的“Detection of arterial calcification in mammograms by random walks”(LNCS，第5636卷，第713-724页，2009年)；
[0017] J.Z.Cheng、C.M.Chen、E.B.Cole、E.D.Pisano和D.Shen的“Automated delineation of calcified vessels in mammography by tracking with uncertainty and graphical linking techniques”(IEEE Trans.Med.Imaging，第31卷，第11期，第2143-2155页，2012年)；
[0018] J.Wang、H.Ding,F.Azamian、B.Zhou、C.Iribarren、S.Molloi和P.Baldi的“Detecting Cardiovascular Disease from Mammograms with Deep Learning”(IEEE Trans.Med.Imaging，第1-1页，2017年)。
[0019] R.Highnam、J.Brady、N.Karssemeijer、M.Yaffe的“A Method and System for Analysing Tissue from Images”，国际专利申请号PCT/GB2010/001742。
[0020] R.Highnam、J.Brady的“A Method of Reconstruction of an Object from Projection Views”，国际专利申请号PCT/GB2014/000217。
[0021] M.Hill、R.Highnam、J.Marshall、D.Murray、L.Johnston的“System and Apparatus for Clinical Decision Optimisation”，国际专利申请号PCT/IB2017/054382。
[0022] 乳房x线照相术识别的乳房动脉钙化(breast arterial calcification，BAC)已在病理学上显示为完全在中层内，给出连续或间歇的平行轨迹或与血管明确相关联的线性管状钙化的图像外观。
[0023] 心血管疾病(CVD)是在全世界的非传染性疾病当中的女性死亡的主要原因。然而女性在心血管相关疾病的筛查中通常被提供不充分的服务。很大比例的心血管事件出现在10年内患CVD的估计风险低的女性中，且因此指导方针将不例行地推荐治疗。因此，需要替代和补充的风险评估方法来识别可能受益于治疗的女性。
[0024] 使BAC与几种心血管疾病(CVD)风险因素相关的大多数现有的临床研究依赖于从乳房X线照片读取的BAC的缺乏与存在的简单对比或者依赖于简单的半定量BAC度量，其具有很大的不确定性和标准偏差。因此，存在不一致的发现。
[0025] BAC在物理上掩蔽图像上的下层的乳房组织的问题也没有被特别处理。
[0026] 因此，需要一种新的方法来实现在可能对范围从癌症到CVD的多种疾病的预测和分层风险方面的显著优势。
[0027] 发明概述
[0028] 根据本发明的第一方面，存在一种用于动脉钙化的检测和量化的方法，其特征在于，将射线照相图像定量地转换成指示器官组织的总量的组织构成图；生成指示钙化组织在组织构成图中的定位的钙化图；使用钙化组织在钙化图中的定位从组织构成图生成无钙化组织构成图；生成血管在组织构成图中的定位的血管图；以及将血管图与钙化图组合以生成指示钙化血管在组织构成图中的定位的血管钙化的图。
[0029] 优选地，组织构成图包括与图中的定位的相应定量值相关联的器官组织的总量的定量值。其他图可以类似地具有在图中的相应定位处的钙化组织、无钙化组织、血管和钙化血管的定量值。
[0030] 本文的动脉钙化指包括静脉和动脉的血管的钙化。
[0031] 优选地，从血管图生成器官的血管钙化的量化测量结果。血管钙化的位置和/或数量可用于疾病风险预测和分层。
[0032] 优选地，器官是乳房。优选地，该方法包括将乳房的拟人测量与血管钙化图组合，用于疾病风险预测和分层。
[0036] 因此可以使用与使用分割算法生成的血管图组合的来自组织构成图的组织构成信息来测量钙化密度和/或质量。有利地，利用本方法，可以确定钙化密度和/或质量的定量数量。在文献或现有技术中，术语“密度”可以只以定性方式被使用，指在乳房x线照片上的血管钙化的不透明度。
[0037] 优选地，无钙化组织构成图包括通过在邻近血管位置的组织的总量的值之间的内插来估计的无钙化组织构成的值。邻近的定位可以是相邻的或者在预选的接近度内，优选地在邻近血管宽度的1、2或3倍内。
[0038] 优选地，评估血管钙化以生成血管钙化的分数。该分数可以是乳房本身的健康或BAC负担和/或在另一身体部分或系统中的疾病的风险的指标。
[0039] 优选地，生成器官的密度用于指示在组织构成图中的组织的总量。
[0041] 优选地，器官的密度从无钙化组织构成图生成，用于指示在钙化已经从组织构成图排除之后的组织的总量。有利地，可以从除钙化组织之外的组织的总量的定量值生成未被钙化歪曲(unskewed by calcification)的密度。
[0042] 优选地，密度是乳房的密度，并用于组织功能状态和/或疾病风险预测和分层。
[0043] 有利地，该方法对生成表示BAC负担的分数是有用的。分数优选地是数字的。BAC负担指示组织功能状态或健康和/或疾病风险预测和分层。
[0044] 根据本发明的第二方面，提供了一种用于生成表示BAC负担的分数的方法，其包括在乳房中的血管钙化的图中的钙化血管的定量分析，其中一个或更多个测量用于获得分数，该方法包括：
[0045] i)计算具有钙化的血管的数量；
[0046] ii)测量血管的钙化的节段的长度；
[0047] iii)测量钙化的节段的面积；
[0048] iv)测量钙化的节段的体积；和/或
[0049] v)测量钙化的节段的密度或质量。
[0050] 优选地，从组织构成图进行的乳房的下面的拟人测量中的至少一个用于获得分数，包括：
[0051] i)测量乳房体积；
[0053] iii)测量无钙化乳房组织构成，优选地需要乳房体积(例如，乳房体积密度)的测量；
[0054] iv)测量胸壁到乳头距离(例如，优选地根据MLO视图)，并且优选地需要识别胸肌和乳头的手段；
[0055] v)测量包括钙化和未钙化血管的血管的总长度；和/或
[0056] vi)计算包括钙化和未钙化血管的血管的数量。
[0057] 优选地，测量乳房体积包括需要在射线照相图像中的所投影的乳房面积、乳房厚度、乳房外围厚度的模型和乳房定位设备的变形的模型的测量。
[0058] 优选地，测量胸壁到乳头距离需要一种手段来识别作为解剖标志的特征的位置并分割这些特征，其包括胸肌和乳头。为了分割这些特征，可以使用分割算法，该分割算法是图像过滤算法、阈值化算法、边缘检测算法或使用监督或无监督学习方法的机器学习的至少一个或组合。
[0059] 优选地，测量乳腺纤维腺体组织体积包括需要乳房体积的测量和通过生成组织构成图来测量乳房组织构成。
[0060] 优选地，通过定量地变换器官的射线照相图像、优选地乳房的射线照相图像来获得组织构成图。
[0061] 优选地，组织构成图是密度图，其可以是在图中的相应定位处的总乳房组织密度的图。
[0063] 优选地，测量血管钙化的体积需要测量乳房厚度以及使用乳房定位设备的变形的模型。因此，乳房定位设备本身的变形被考虑。
[0064] 在其他特征当中，本方法优选地包括说明组织构成的BAC检测和量化。因此，本方法相比于直接分析图像像素值的其他方法是新颖的。这样的其他方法受到组织构成的知识的缺乏和像素值的技术依赖性的限制。本方法相比于使用所校准的数据(查找表)来转换成定量钙化值的其他方法也是新颖的，在那些其他方法中关于组织构成的一些假设(例如关于平均乳房密度的假设)必须被做出。
[0065] 本方法优选地包括BAC检测和量化的方法的使用以为了乳房密度测量的目的而提高组织量化的准确性。因此，通过钙化图的使用以制造不包括钙化组织的软组织构成图，本方法是新颖的。软组织包括例如乳房的脂肪、乳腺纤维腺体和皮肤组织。这种图可用于计算乳房密度，并且与如果钙化被包括(这使密度测量结果向上偏置)相比确实具有与风险的更好的关系。
[0066] 本方法优选地包括以独立于用于图像采集的技术的方式执行的BAC检测和量化。直接使用图像像素值的其他方法具有技术相关结果。例如，转换成钙化量的其他方法仅对光子计数系统行得通。本方法可以是技术独立方法。
[0067] 在BAC分析的应用中，术语“密度”以定性方式被使用，指在乳房x线照片上的血管钙化的不透明度的相对外观。用本方法，还定量地确定密度。
[0068] 本方法优选地包括与BAC一起的乳房拟人特征的量化以提供补充信息用于生成用于BAC负担的估计的定量分数。其他方法不量化乳房拟人特征和与量化BAC组合，以估计BAC负担分数。
[0069] 本方法优选地包括对多种疾病的风险分层使用定量BAC测量和拟人特征。
[0070] 有利地，乳房拟人特征的使用改善风险分层，优于仅基于BAC的风险分层。
[0071] 本方法优选地包括BAC分数和/或BAC相关风险估计的使用，包括拟人特征以通知患者临床管理。通过将该信息用于乳房成像本身的临床管理，本方法相对于其他方法是有利的。
[0073] 附图的简要说明
[0074] 图1示出在乳房x线照片中的BAC的一般表示和BAC识别的示例；
[0075] 图1(a)显示如通常被显示给放射科医师的人类乳房的范例乳房x线照片；
[0076] 图1(b)是显示钙化血管的来自在图1(a)中的图像的放大区域；
[0077] 图1(c)示出对于在(a)中的乳房x线照片的在钙化被包括的情况下的组织构成图。色带表示以mm为单位的乳腺纤维腺体组织的厚度。
[0078] 图1(d)示出对于在(a)中的乳房x线照片的在钙化被去除之后的组织构成图。色带表示以mm为单位的乳腺纤维腺体组织的厚度。
[0079] 图1(e)显示对于在(a)中的乳房x线照片的BAC位置的示例图。
[0080] 图1(f)示出覆盖来自(a)的乳房x线照片的BAC识别的示例，所识别的BAC用红色描绘。
[0081] 图2示出BAC检测、量化和风险估计以及数据的输入和输出的说明性实施例；以及[0082] 图3展示示例乳房拟人测量的测量结果的说明性实施例。
[0083] 本发明的详细描述
[0084] 在本文公开了用于乳房动脉钙化的检测和量化的方法的细节，该方法使用与组织构成、乳房拟人测量以及这些测量作为用于疾病的风险的预测和分层的生物标记的应用相关的信息。
[0085] 在如图1所示的说明性实施例中，示出了乳房x线照片，其是乳房的射线照相图像。射线照相图像被定量地转换成组织构成图。
[0087] 在如图2所示的说明性实施例中，钙化动脉血管在乳房图像中被识别，以及：
[0088] 1.使用例如 Density生成组织构成图，并且组织构成图用于识别钙化以及在钙化的位置处的物质的“高度”。
[0089] 如在这里所定义的，“高度”指在组织构成图中的表示在该位置处的非脂肪物质(即乳腺纤维腺体物质和钙化)的数量的值。有利地，高度可以在图的三轴视图上可视化。在钙化存在的情况下，在组织构成图中的高度将包括与腺组织和纤维乳房组织的厚度相关的量，加上与钙化厚度相关的高度。
[0090] 在一些情况下，在钙化位置处的高度将大于患者器官(即乳房)厚度。在这种情况下，非物理高度是钙化的存在的指标。在其他情况下或者在其他位置上，所组合的组织和钙化的高度将小于患者器官厚度。在这种情况下，边缘检测和钙化形态信息的组合可用于将钙化与软组织(例如脂肪、乳腺纤维腺体和皮肤)区分开。钙化分割算法是图像过滤算法、阈值化算法、边缘检测算法或使用监督或无监督学习方法的机器学习的至少一个或组合。因此在这些位置处的钙化组织的定量值是可确定的。在乳房图像中的候选钙化的位置被存储。
[0091] 2.在步骤1中识别的钙化的位置用于从组织构成值去除钙化的“高度”。来自邻近钙化的图位置的插入的组织构成值用于“代替”在钙化位置处的混杂的(confounded)组织构成信息。“无钙化”组织构成图被生成。该图用于在BAC分析方法中的另外的步骤，但也可用于乳房密度分析，其中从乳房组织构成测量中排除钙化是合乎需要的。
[0092] 本方法克服了BAC物理地掩蔽在图像上的下层的乳房组织以及为了组织构成测量而去除它们的问题。本方法是识别BAC使得它可以从乳房密度估计中被排除并且另外估计被BAC掩蔽的组织构成的有效方法。
[0093] 本方法是BAC的可靠且准确的自动测量，其包括对组织构成的提及，并在预测可能针对范围从乳房本身到其他器官的多种疾病的风险和使风险分层方面提供显著优势。
[0094] 3.血管分割算法应用于组织构成图或乳房图像。分割算法基于对象形态来识别在组织构成图中的对象，例如血管。在必要时使用血管解剖信息(例如，源自胸壁(即，以避开导管)的血管；以及具有在感兴趣范围内的直径例如0.4至3mm直径的血管(当它们在胸壁处进入乳房时))来限制搜索。在优选实施例中，血管分割算法应用于组织构成图，使得分析不受图像采集技术和实现的影响。
[0095] 组织构成图包括乳房特有的组织的总量。射线照相乳房x线照片包括乳房特有的像素值和用于获得乳房x线照片的射线照相装置。
[0096] 分割算法与组织构成图一起的使用允许独立于各种射线照相装置客观地搜索和定位在组织构成图中的血管。由分割算法定位的血管可以被称为分割血管。
[0097] 在另一个实施例中，在步骤1和/或3处，乳房的多个视图用于提高对血管和/或钙化定位的置信度。
[0098] 4.包含钙化的分割血管被检测为来自步骤1和3的血管位置和钙化位置的交点。创建可以输出以用于由用户视觉解释的BAC图。还可以将标记在乳房图像中的BAC的存在的报告传递给用户。
[0099] 在步骤3处的血管分割或检测算法使用前述算法(例如，图像过滤、阈值化或边缘检测)的任何一个或组合。例如在一个实施例中，使用监督或无监督学习方法的机器学习应用于组织构成图，以用于BAC识别。注意，原始图像像素强度到组织构成的转换呈现技术中性标度，BAC检测和量化可以根据该技术中性标度被进行。因此，组织构成图连同钙化和血管分割算法一起在本方法中的使用克服了使用用于钙化和血管检测的经典方法(包括最近的机器学习算法)的BAC识别的技术依赖性。
[0100] 由于乳房组织复杂性，通过血管分割或检测算法进行图像阈值化是通过与检测边缘和/或曲线结构的手段组合。与原生(native)图像像素数据相比，优点是对组织构成图操作的卓越的准确度。通过消除图像强度的技术依赖性，组织构成图具有与真正的患者解剖结构的直接关系。因此，阈值是患者解剖结构特有的。
[0101] 与“用于呈现”图像相比，图像过滤和边缘检测具有对组织构成图进行操作的实质上卓越的准确度。“用于呈现”格式使制造商特定的处理被应用，这可包括干扰在组织属性和图像像素值之间的关系的非线性变换。对“用于处理”图像的操作保持这个关系完好无缺，但像素值仍然是技术相关的，并且依赖于患者器官厚度。使用组织构成图而不是“用于处理”图像相对减少了对器官厚度的依赖，并允许使用这些方法实现卓越的准确度。
[0102] 机器学习还受益于组织构成图的使用，特别是与将机器学习应用于“用于呈现”图像相比，“用于呈现”图像由于用于生成“用于呈现”图像的装置和图像修饰技术(image dress up technique)的特质而变化。机器学习适用于血管分割和检测以量化BAC。
[0103] 有利地，BAC的严重性在连续的定量标度上被描述。与具有最小钙化的情况相比，具有高钙沉积的动脉可能指示进展期或严重的疾病。
[0104] 有利地，利用该方法，可能使用不局限于具有钙沉积的血管的数目、所涉及的血管长度、钙化血管直径和钙化密度或质量的测量来定量地对BAC评分。
[0105] 有利地，该方法考虑到乳房密度，且因此克服了下面的问题：尽管钙与软组织相比具有相对高的x射线衰减，但BAC的大小、形状和对比度对照乳房实质组织(parenchyma)的背景是可变的，该背景在物理组织模式方面和在组织构成方面高度依赖于受试者，组织构成有时由女性的乳房密度来量化。
[0106] 因为该方法生成包括在乳房中的各种组织的组织构成图，因此区分开乳房内的钙化动脉和其他钙化是可能的。
[0107] 因为钙化独立于装置根据数值量被检测，因此对于钙化组织的准确且客观的值被得到。
[0108] 因此，该方法是优于Molloi等人的方法的改进，Molloi等人的方法执行半自动BAC量化，但受到使用体模材料(phantom material)对图像采集设备进行仔细和定期校准的要求的阻碍。此外，Molloi方法使用人工钙化识别，并且具有很大的不确定性，由于乳房密度的可变性而有10％至50％的钙测量的标准偏差。
[0109] 本方法也是优于Ge等人的使用根据图像强度而调整的参数来识别动脉钙化的方法的改进。Ge等人的方法对钙化血管形态量化是有限制的，不允许钙化密度的测量，且也不说明组织构成。
[0110] 本方法也是优于Nava等人的方法的改进，Nava等人提出了由多个步骤(包括图像像素的边缘检测和阈值化)组成的BAC识别方法，因此对技术相关图像属性进行操作，并从而限制应用性的范围，除非该方法针对每种系统类型被调整。Nava等人的量化度量也是过于简单的，且没有对形态学或组织构成的提及，仅基于具有钙化的图像像素的数目。
[0111] 本方法也是优于Cheng等人的方法的改进，Cheng等人也开发了一种识别动脉钙化的方法，与Ge等人的方法相比具有改进的钙化血管形态学量化，但该方法也受到组织构成的局部变化的损害，并且它的量化被限制到形态学度量。
[0112] 本方法也是优于Wang等人的方法的改进，该方法使用用于BAC检测的神经网络，该神经网络采用无监督学习，并将此与Molloi等人的用于BAC量化的方法组合。Wang等人的方法不处理对如应用于乳房x线照片像素值的机器学习的技术依赖性或作为乳房密度的函数的BAC量化的有限准确度的限制。
[0113] 在另一个实施例中，本发明包括表示患者BAC负担的分数的发展。该分数包括在BAC图中的钙化血管的定量分析(步骤4)，用于用作在风险评估中可能很重要的BAC负担的度量，由此：
[0114] 5.计算具有钙化的血管的数目。例如，通过计算在连续血管的节段内存在的具有一个或更多个钙化的分割血管的数目；以及
[0115] 6.测量钙化血管节段的长度。例如，如在给定血管内的沿钙化的最长尺寸；以及[0116] 7.测量血管钙化的面积。例如，如在组织构成图中的每个钙化的二维区域；以及[0117] 8.测量血管钙化的体积。例如，使用钙化厚度和在步骤7中测量的面积，体积被计算，其中钙化厚度被确定为在给定钙化位置处的总乳房厚度和在钙化位置处的软组织(例如脂肪、乳腺纤维腺体和皮肤)的厚度之间的差。为了确定乳房厚度，模型用于乳房定位设备由于倾斜/歪曲的可能性而产生的变形，根据位置产生不同的厚度。
[0118] 9.测量钙化密度或质量；使用组织构成信息(例如，来自乳房密度图像或双能量、三能量或光子计数图像光谱信息)和与图像采集的物理模型组合的血管分割图。由此获得钙化密度的定量值。在BAC分析的应用中，术语“密度”以定性方式被使用，指在乳房x线照片上的血管钙化的不透明度的相对外观。
[0119] 9a.用分割算法生成的血管图与参考血管直径(即，从文献已知的典型乳房血管直径)、钙化图和来自步骤7的每个BAC的面积结合来使用，以估计每个所涉及血管的被钙化的比例。例如，如果血管的总投影面积有钙化，则将报告整个所涉及的血管节段有钙化。该信息被进一步细化以通过将来自钙化图的BAC厚度与从血管分割图估计的血管直径进行比较而估计闭塞腔的比例来反映BAC严重性。结果可以被报告为被钙化阻塞的血管腔的百分比(％)。
[0120] 9b.在步骤9a的简化版本中，可以将来自步骤8的钙化的体积与所涉及节段的所估计的血管体积进行比较。该测量将不直接包括关于每个血管壁的钙化状态的信息(例如，如在步骤9a中)，但是该测量将仍然反映被钙化阻塞的血管腔的百分比(％)。
[0121] 9c.在进一步简化的实现中，每个所涉及的BAC节段的钙化密度(g/cm3)被计算为在节段中的钙化的质量除以所估计的所涉及的血管节段体积。以克为单位的钙化质量首先被确定为钙化的密度(即，来自文献的具有典型化学构成的钙化的固体单位(solid unit)的以g/cm3为单位的密度)乘以如在步骤8中确定的BAC的体积。接下来，将在血管内的该钙化的密度计算为BAC质量除以所涉及的血管节段的总体积。注意，如果整个血管被钙化阻塞，则所涉及的血管体积仅等于BAC体积。因此，钙化密度的这个测量间接地反映所闭塞的血管腔的比例，并且表示在具有BAC的血管节段的长度上的平均测量结果。
[0122] 9d.在最简单的形式中，钙化质量(例如，克为单位，如在步骤9c中计算的)可以针对每个BAC被计算，并用作直接描述单独BAC的信息，或者可以被组合为对于每个乳房的BAC的总质量。
[0123] 在5至9中描述的度量可以被组合以确定表示在患者中的疾病的程度或疾病的负担的BAC“分数”。
[0124] 通过收集关于所有钙化血管节段的长度的数据在风险预测中获得优势。
[0125] 针对BAC负担的多元模型也是新颖的发展，其接受从5到9的所有测量，并基于从训练数据集学习的模型来组合测量。
[0126] 在一个实施例中，当光谱信息从两个或更多个能量范围(例如，从光子计数系统或者从双能量或三能量成像)可得到时，软乳房组织和钙化的构成被同时量化。通过物质分解使用几种方法(例如能量加权、多项式拟合或如最大似然的统计方法)之一来估计构成来产生在步骤1处生成的组织构成图。与前面描述的双能量方法或使用一个能量阈值的光子计数相比，通过在光子计数系统或三能量成像中使用两个或更多个能量阈值来实现钙化量化的卓越的准确度。
[0127] 在步骤2中，可以通过在邻近组织构成图中的血管的图值之间的内插来估计“局部”无钙化组织构成。可以使用几种不同的方法来执行内插。该过程有效地从组织构成图去除钙化，使得组织构成图值的剩余“高度”仅与软乳房组织相关。因此，创建了新的无钙化组织构成图，其中将所估计的组织构成“填充”到属于钙化的区域中。使用x射线束质量信息、钙化化学构成和与剩余的所估计的局部无钙化组织比较的钙化高度来估计钙化密度。
[0128] 除了BAC的量化(步骤5至9)以外，患者拟人测量也根据组织构成图被进行，用于将它们包括在BAC负担分数中。
[0129] 有利地，该分数通过包括描述患者身体体质的测量的拟人特征来促进BAC风险分层。一般拟人测量包括身高、体重和胸围。此外，乳房特定的测量(例如乳房体积、乳腺纤维腺体组织体积、乳房组织构成以及胸壁到乳头长度的替代物(例如，如在乳房x线照片中测量的后乳头线))帮助通过考虑到患者特定的解剖结构来提高BAC风险估计的特异性。
[0130] 对于三种不同的定位情况：(A)在具有良好定位的头尾向视图中；(B)在具有良好定位的中外侧斜位(MLO)视图中以及(C)在当胸肌没有被足够伸展时的MLO视图中，在图3中示出后乳头线的测量。
[0131] 根据组织构成图进行的乳房的拟人测量包括：
[0133] 11.乳腺纤维腺体组织体积；需要来自步骤10的乳房体积连同可以从组织构成图本身(例如密度图)获得的乳房组织构成，如在国际申请PCT/GB2014/000217中所述的；以及[0134] 12.乳房组织构成(例如，乳房体积密度)；需要乳房体积(步骤10)和可以从组织构成图本身(例如密度图)获得的组织构成；以及
[0135] 13.胸壁到乳头距离(例如，从MLO视图)；需要如在国际申请PCT/IB2017/054382中所述的识别胸肌和乳头的手段。
[0136] 定量BAC和乳房形态学测量被独立地使用，或者在多参数模型中被组合以产生BAC负担的单个分数，其说明患者乳房特性以及钙化血管特性。
[0137] 借助于诸如逻辑回归的方法或者通过使用机器学习算法以优化针对风险预测的分数的值来完成多参数建模。在前一种情况下，示例实现需要在5至9中被引入到多参数模型内的BAC测量结果的根据乳房(per breast)的输入，而同时在步骤10至13中的拟人器官测量结果也根据乳房被输入到同一模型中。模型输出是患者BAC负担的顺序分数，其包括对BAC特性和器官特性的考虑。
[0138] 因此，本方法的一个特征是，在BAC定量变量(包括它的严重性或负担)和乳房拟人特征(例如体积和胸壁到乳头距离)之间的关联被包括，因为这些和其他这样的生物标记可能与个体的BAC定量测量相关，并预测个体的BAC定量测量。例如，与小乳房中的类似测量相比，大的胸壁到乳头距离和大的总体积与更长的钙化血管长度和更大数量的所涉及的血管相关。与小乳房相比，对大乳房需要更大的总血管，而在局部规模上，在每个乳房中的组织具有相似水平的灌注。本方法合并这些特性的定量的和被保证的测量，其否则是费力的、可变的并且依赖于临床医生测量的技能。这准许与BAC量化的这些特性关系，并允许基于这些特性来标准化和细化BAC负担分数。
[0139] 因此在实施例中，定量BAC测量结果被排序和/或评分和/或分组到与乳房拟人测量结果相关的类别中。与单独BAC测量结果的使用相比，将在步骤5至9中描述的BAC测量结果分组到在步骤10至13中的一个或更多个拟人测量结果的类别内允许疾病的风险的卓越预测。例如，根据总乳房体积(例如，小、中、大)和乳房构成(例如，四个密度类别)对BAC测量结果分组将女性分层到适当的风险类别内。
[0140] 在另一个实施例中，基于几个乳房拟人测量结果中的任何一个或者通过一组乳房拟人测量结果来标准化BAC估计。例如，在步骤5和6中描述的BAC测量结果除以在10中描述的总乳房体积(或在11中定义的乳腺纤维腺体组织体积)以考虑到患者乳房大小。
[0142] 在另一个实施例中，定量BAC和/或乳房密度结果被排序和/或评分和/或分组到与疾病的风险相关的类别中。然后为每个患者报告这些结果。例如，根据与乳腺癌的风险相关的阈值，具有被排除的钙化的乳房构成的连续测量结果被分组到四个乳房密度类别之一内。类似地，在步骤5至9中的BAC测量结果在有或没有根据拟人测量步骤10至13进行分组或标准化的情况下根据它们与CVD的风险的关联被分类。
[0143] 在另一个实施例中，BAC和拟人特征定量分析的结果被输入到疾病的风险模型中以准备患者风险概况。在其他条件当中，这包括与冠状动脉疾病、高血压、代谢综合征、糖尿病、骨质疏松症和乳腺癌中的至少一个相关的风险。风险模型的输入是单独“原始”测量结果(即，BAC测量步骤5至9和/或拟人测量步骤10至13)、标准化测量结果(即，根据拟人测量步骤10至13按比例缩放的BAC测量5至9)、分组测量结果(即，根据拟人测量步骤10至13分组的BAC测量步骤5至9)或BAC负担分数的一个或组合。
[0144] 在另一个实施例中，关于BAC负担的患者数据(包括BAC分数、拟人特征和对于疾病的相关风险概况)用于确定针对各种临床决策的患者管理。患者管理决策包括但不限于：
[0145] i)患者分流(patient triage)到合适的成像模式以用于筛查或诊断。具体的示例是对由于肾功能不全而使用造影剂的MRI的潜在禁忌症；以及
[0146] ii)患者转诊到针对所指示的病情的专业医疗保健提供者；以及
[0147] iii)诊断病情检查以测试由升高的风险暗示的一种或更多种疾病(例如，冠状动脉疾病(BAC负担)、高血压(BAC负担)、代谢综合征(BAC负担)、糖尿病(BAC负担)、骨质疏松症(BAC负担)和乳腺癌(乳房密度))的存在；以及
[0148] iv)建议生活方式改变以预防或管理患者处于高风险的疾病；以及
[0149] v)开出适当治疗的处方以治疗或预防患者处于高风险或已确认的与升高的BAC负担相关的疾病；以及
[0150] vi)对风险疾病的适当的患者监视。
[0151] 仅作为示例描述本发明。因此，上述内容被考虑为仅说明本发明的原理。此外，因为本领域中的技术人员将容易想到许多修改和变化，因此不希望将本发明限制到所示出的和所描述的确切结构和操作，并且因此所有适当的修改和等同物可以诉诸于落入权利要求的范围内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于深度学习的遥感影像自动标注方法 | 2020-05-08 | 485 |
| 一种声学模型训练方法和装置、计算机设备、存储介质 | 2020-05-11 | 706 |
| 一种文本标签提取系统 | 2020-05-12 | 427 |
| 账户检测方法和装置、账户检测模型的训练方法和装置 | 2020-05-13 | 820 |
| 一种基于CSI指纹特征迁移的船载环境室内定位方法 | 2020-05-15 | 128 |
| 基于LSTM自编码网络的URL参数异常值检测方法 | 2020-05-18 | 197 |
| 一种无监督学习的空间信号源和室内位置关联的方法 | 2020-05-18 | 821 |
| 一种基于卷积神经网络和深度核网络的视频行为识别方法 | 2020-05-11 | 151 |
| 一种基于批次图像化的卷积自编码故障监测方法 | 2020-05-16 | 499 |
| 一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法 | 2020-05-16 | 744 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
无监督学习热门专利
QQ群二维码
意见反馈
意见反馈