КЛАССИФИКАЦИЯ ТКАНЕЙ ГОЛОВНОГО МОЗГА

ОБЛАСТЬ ТЕХНИКИ

[001] Настоящее изобретение относится к системе и способу классификации тканей головного мозга. Кроме того, настоящее изобретение относится к рабочей станции или устройству для визуализации, содержащему такую систему. Кроме того, настоящее изобретение относится к компьютерному программному продукту, содержащему инструкции, обусловливающие выполнение способа процессорной системой.

УРОВЕНЬ ТЕХНИКИ

[002] В последние годы роль визуализации при выявлении и дифференциальной диагностике нейродегенеративных заболеваний увеличилась. Одна причина заключается в появлении методов количественной оценки, позволяющих выявлять слабовыраженные изменения в головном мозге, которые развиваются в ранней фазе заболевания или еще до клинического проявления. Например, T1-взвешенные сканирования магнитно-резонансной томографией (МРТ) широко используется для оценки атрофии головного мозга, которая является ключевым показателем дебюта и прогрессирования многих нейродегенеративных заболеваний.

[003] Методы анализа изображений помогают количественно оценить атрофию головного мозга путем классификации вокселов тканей головного мозга на различные классы тканей, такие как серое вещество (СВ), белое вещество (БВ) и спинномозговая жидкость (СМЖ). Классификация тканей головного мозга особенно полезна при оценке атрофии головного мозга, поскольку объем серого вещества служит в качестве биомаркера кортикальной атрофии.

[004] Однако методы автоматической классификации тканей иногда выдают ошибочные карты классификации тканей ввиду различных причин, таких как:

i. Остаточное поле смещения (даже после коррекции поля смещения)

ii. Шум

iii. Артефакты движения

iv. Низкое пространственное разрешение ввиду низкого напряжения магнитного поля

v. Очаговые поражения

[005] В результате, как правило, на карте классификации тканей могут иметь место два типа ошибок классификации тканей, а именно, изолированные ошибочные классификации наподобие «пятна», а также чрезмерное или недостаточное отображение коркового серого вещества вблизи его границы с белым веществом.

[006] Недостатком является то, что такие области ошибочной классификации на карте классификации тканей могут затруднять дальнейшее выявление и дифференциальную диагностику нейродегенеративных заболеваний.

[007] В US 2002/0186882 A1 раскрыт способ и соответствующее устройство для получения количественных данных о 2-мерном, 3-мерном изображении или изображении другой размерности, например, для классификации и подсчета количества элементов, которые содержатся на изображении. Каждый элемент содержит элемент, структуру или некоторый другой тип идентифицируемой части изображения, имеющей определяемые характеристики. Элементы, расположенные в пределах изображения, могут иметь различную форму, цвет, текстуру или другую определяемую характеристику, но при этом принадлежать к одной и той же классификации. В других случаях, элементы, имеющие схожие цвет и текстуру, могут быть классифицированы в качестве одного типа, тогда как элементы, имеющие другие цвет и текстуру, могут быть классифицированы в качестве другого типа. Изображение может содержать множество элементов, при этом каждый элемент может принадлежать к различному классу. Таким образом, система может определять количество данных об изображении, в соответствии с набором изменяющихся критериев и получать одну или более классификаций элементов на изображении. После классификации данных об изображении вычисляют и выдают пользователю общее количество элементов на изображении. В вариантах реализации представлен способ определения компьютером того, какой вид элемента (например, элементов) присутствует на изображении, и подсчета общего количества элементов, которые могут быть визуально идентифицированы на изображении. Информация, используемая во время процесса обучения, может быть сохранена и применена к различным изображениям.

РАСКРЫТИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ

[008] Предпочтительно обеспечить систему или способ классификации тканей головного мозга, обеспечивающие возможность корректировать участки ошибочной классификации.

[009] В следующих аспектах настоящего изобретения предполагается, что пользователь интерактивным образом предоставляет обратную связь на участке ошибочной классификации на карте классификации тканей, при этом обратная связь от пользователя является показательной в отношении исправления ошибочной классификации. Вместо прямого исправления карты классификации тканей на основе обратной связи от пользователя, обратную связь от пользователя используют для корректировки карты априорных вероятностей, которую используют в качестве входных данных в методе автоматической классификации тканей с получением откорректированной карты априорных вероятностей. После этого, метод автоматической классификации тканей повторно запускают на основе откорректированной карты априорных вероятностей.

[0010] В первом аспекте настоящего изобретения представлена система для сегментации анатомической структуры, содержащая:

- интерфейс данных об изображении для получения доступа к изображению головного мозга пациента;

- процессор, выполненный с возможностью применения метода автоматической классификации тканей к изображению на основе карты априорных вероятностей, при этом

карта априорных вероятностей зарегистрирована в изображении и является показательной в отношении вероятности конкретного местоположения в головном мозге, принадлежащего к конкретному классу тканей головного мозга, а

выходными данными, получаемыми методом автоматической классификации тканей, является карта классификации тканей головного мозга пациента;

- подсистему взаимодействия с пользователем, позволяющую пользователю отметить точку на участке ошибочной классификации с получением отмеченной пользователем точки, при этом указанная подсистема содержит:

i) выход на дисплей для отображения карты классификации тканей головного мозга на дисплее,

ii) вход с пользовательского устройства для приема входных команд от пользовательского устройства, управляемого пользователем,

причем входные команды представляют собой обратную связь от пользователя, которая является показательной в отношении a) участка ошибочной классификации на карте классификации тканей и b) исправления ошибочной классификации; а

процессор выполнен с возможностью:

j) определения границы участка ошибочной классификации на основе отмеченной пользователем точки,

jj) корректировки карты априорных вероятностей на основе обратной связи от пользователя с получением откорректированной карты априорных вероятностей, и

jjj) повторного применения метода автоматической классификации тканей к изображению на основе откорректированной карты априорных вероятностей.

[0011] Еще в одном аспекте настоящего изобретения представлена рабочая станция или устройство для визуализации, содержащее систему.

[0012] Еще в одном аспекте настоящего изобретения представлен способ классификации тканей головного мозга, включающий:

- получение доступа к изображению головного мозга пациента;

- применение метода автоматической классификации тканей к изображению на основе карты априорных вероятностей, при этом

карта априорных вероятностей зарегистрирована в изображении и является показательной в отношении вероятности конкретного местоположения в головном мозге, принадлежащего к конкретному классу тканей головного мозга, а

выходными данными, получаемыми методом автоматической классификации тканей, является карта классификации тканей головного мозга пациента;

- обеспечение пользователю возможности отметить точку на участке ошибочной классификации с получением отмеченной пользователем точки;

- отображение карты классификации тканей головного мозга на дисплее;

- прием входных команд от пользовательского устройства, управляемого пользователем,

причем входные команды представляют собой обратную связь от пользователя, которая является показательной в отношении a) участка ошибочной классификации на карте классификации тканей и b) исправления ошибочной классификации;

- определение границы участка ошибочной классификации на основе отмеченной пользователем точки;

- корректировку карты априорных вероятностей на основе обратной связи от пользователя с получением откорректированной карты априорных вероятностей и

- повторное применение метода автоматической классификации тканей к изображению на основе откорректированной карты априорных вероятностей.

[0013] Еще в одном аспекте настоящего изобретения представлен компьютерный программный продукт, содержащий инструкции, обусловливающие выполнение способа процессорной системой.

[0014] Вышеуказанные меры включают получение доступа к изображению головного мозга пациента. Таким образом, изображение может представлять собой отсканированное изображение головного мозга и может быть получено различными методами визуализации, в том числе, без ограничения, Т1-взвешенной магнитно-резонансной томографией (МРТ). Метод автоматической классификации тканей применяют к изображению на основе карты априорных вероятностей. Такие карты априорных вероятностей известны как таковые и могут описывать вероятность известного положения в головном мозге, принадлежащего одному из различных классов тканей. Как правило, эти карты априорных вероятностей были созданы из когорты образцов правильно проклассифицированных отсканированных изображений головного мозга.

Методы автоматической классификации тканей, в которых используют карты априорных вероятностей, также известны как таковые, например, из области анализа медицинских изображений. Выполняют регистрацию карты априорных вероятностей с сопоставлением с изображением, например, способом, который как таковой известен в области регистрации медицинских изображений. В результате автоматической классификации тканей получают карту классификации тканей, которая локально классифицирует головной мозг по типу тканей головного мозга.

[0015] Следует отметить, что в настоящем документе и далее термин «классификация тканей головного мозга» используется взаимозаменяемо с «сегментацией тканей головного мозга», поскольку получаемая в результате карта классификации тканей сегментирует головной мозг на различные типы тканей и, таким образом, обеспечивает сегментацию.

[0016] После получения карты классификации тканей, карта классификации тканей отображается на дисплее и пользователь может предоставить обратную связь от пользователя, которая является показательной в отношении участка ошибочной классификации на карте классификации тканей и которая является показательной в отношении исправления ошибочной классификации. В результате, пользователь предоставляет обратную связь от пользователя, которая является показательной в отношении того, где имела место ошибочная классификация и каким должно быть исправление. Например, обратная связь от пользователя может указывать на область, подлежащую смещению в направлении белого вещества.

[0017] После этого, карту априорных вероятностей корректируют на основе обратной связи от пользователя, давая в результате откорректированную карту априорных вероятностей, которая содержит одну или более локальных исправлений вероятностей. После этого, метод автоматической классификации тканей повторно запускают на основе откорректированной карты априорных вероятностей, давая в результате дополнительную карту классификации тканей.

[0018] Вышеуказанные меры обладают эффектом, который заключается в том, что пользователь может предоставить обратную связь от пользователя, которая является показательной в отношении того, где имела место ошибочная классификация и каким должно быть исправление. Вместо прямого исправления карты классификации тканей на основе обратной связи от пользователя, обратную связь от пользователя используют для корректировки карты априорных вероятностей, и после этого технологию автоматической классификации тканей повторно запускают на основе откорректированной карты априорных вероятностей.

[0019] Авторами настоящего изобретения было выявлено, что в случае, если метод автоматической классификации тканей выдает ошибочную карту классификации тканей, может быть предпочтительно, как это ни странно, настроить входные данные технологии автоматической классификации тканей, а именно карты априорных вероятностей, вместо прямого исправления ее выходных данных, а именно карты классификации тканей. Причиной этого является то, что обратная связь от пользователя может не быть достаточно точной для прямого исправления карты классификации тканей. А именно, такое прямое исправление может требовать, например, точного очерчивания участка ошибочной классификации, точного указания типа тканей головного мозга и т.д. Такая точная обратная связь от пользователя может не быть доступна или может чрезмерным образом обременять пользователя. В результате, замыслом авторов настоящего изобретения является корректировка карты априорных вероятностей и повторный запуск метода автоматической классификации тканей на всем изображении с использованием откорректированной карты априорных вероятностей. Это обеспечивает степень косвенности в том смысле, что обратную связь от пользователя используют для корректировки вероятностей, вместо прямой классификации.

[0020] Преимущественно, пользователю не требуется указывать участок ошибочной классификации и/или исправления ошибочной классификации с наивысшей степенью точности. Вместо этого, может быть достаточно его указать приблизительно. В противоположность этому, при задании степени точности для обратной связи от пользователя может быть получена более точная карта классификации тканей по сравнению с прямым исправлением карты классификации тканей. Еще одно преимущество заключается в том, что классификация тканей в любом месте головного мозга также может быть улучшена, поскольку различие между классами тканей могут быть лучше смоделированы за счет наличия более «контролируемого» доказательства.

[0021] Кроме того, в одном варианте реализации изобретения

- подсистема взаимодействия с пользователем позволяет пользователю отметить точку на участке ошибочной классификации с получением отмеченной пользователем точки;

- процессор выполнен с возможностью определения границы участка ошибочной классификации на основе отмеченной пользователем точки.

[0022] Таким образом, пользователю может быть достаточно отмеченной точку, которая лежит в пределах участка ошибочной классификации. Тем не менее, такая отмеченная пользователем точка может обеспечивать системе возможность определения (всего) участка ошибочной классификации, а именно путем использования метода определения границы. Например, процессор может рассматривать отмеченную пользователем точку в качестве исходной точки в методе наращивания областей, тем самым получая границу участка ошибочной классификации. В качестве альтернативы, могут быть использованы другие методы определения границы, которые известны в области анализа медицинских изображений, в том числе, но без ограничения, анализ связанных компонент и методы, основанные на морфологических операциях.

[0023] В одном варианте реализации изобретения подсистема взаимодействия с пользователем позволяет пользователю отметить исправление ошибочной классификации путем указания класса тканей головного мозга вручную с получением указанного пользователем класса тканей головного мозга. Может иметь место то, что пользователь способен прямым образом определить класс тканей головного мозга на участке ошибочной классификации. Пользователь имеет возможность выдавать такую обратную связь от пользователя, а именно путем прямого указания класса тканей головного мозга.

[0024] В одном варианте реализации изобретения процессор выполнен с возможностью корректировки карты априорных вероятностей путем увеличения, в карте априорных вероятностей, вероятности того, что указанный пользователем класс тканей головного мозга находится в участке ошибочной классификации. На основе прямого указания пользователем класса тканей головного мозга может быть увеличена вероятность указанного класса тканей головного мозга в карте априорных вероятностей в пределах участка ошибочной классификации. Например, вероятность может быть увеличена до 80% или выше, 90% или выше, 95% или выше или по существу до 100%, например до 99% или выше.

[0025] В одном варианте реализации изобретения подсистема взаимодействия с пользователем позволяет пользователю отметить исправление ошибочной классификации путем изменения соотношения вероятностей между серым веществом и белым веществом. Было обнаружено, что изменение соотношения вероятностей между серым веществом и белым веществом является особенно преимущественным способом обеспечения обратной связи от пользователя в случае чрезмерного или недостаточного отображения коркового серого вещества вблизи его границы с белым веществом. Например, пользователь может иметь возможность изменять с приращениями отношение вероятностей, например, путем перетаскивания мыши вверх или вниз с нажатой левой кнопкой мыши, путем управления конкретными клавишами на клавиатуре (например, клавишами плюс и минус) и т.д.

[0026] В одном варианте реализации изобретения подсистема взаимодействия с пользователем позволяет пользователю указывать участок ошибочной классификации на карте классификации тканей, отображенной на дисплее. Таким образом, пользователь может указывать конкретный участок ошибочной классификации, по мере того, как это происходит на карте классификации тканей, на самой карте классификации тканей. Например, пользователь может использовать инструмент аннотации, чтобы очертить контур на отображенной карте классификации тканей.

[0027] В одном варианте реализации изобретения подсистема взаимодействия с пользователем выполнена с возможностью:

- отображения изображения на дисплее и

- позволяет пользователю отметить участок ошибочной классификации на карте классификации тканей путем указания исследуемой области на изображении.

[0028] В качестве альтернативы указанию участка ошибочной классификации, по мере того, как это происходит на карте классификации тканей, на самой карте классификации тканей, пользователь может отметить участок на изображении, которое может быть отображено одновременно с картой классификации тканей. Например, пользователь может использовать инструмент аннотации, чтобы очертить контур на отображенном изображении.

[0029] В одном варианте реализации изобретения метод автоматической классификации тканей основан на максимизации ожиданий. В недавнее время в академической литературе было продемонстрировано, что методы автоматической классификации тканей, основанные на максимизации ожиданий, в комбинации с регуляризацией марковских случайных полей, дают наилучшую общую производительность. Однако также могут быть использованы другие методы автоматической классификации тканей, которые используют карты априорных вероятностей.

[0030] Специалистам в данной области техники будет ясно, что два или более из вышеуказанных вариантов реализации, вариантов осуществления и/или необязательных аспектов настоящего изобретения могут быть скомбинированы любым образом, кажущимся целесообразным.

[0031] Модификации и вариации устройства для визуализации, рабочей станции, способа и/или компьютерного программного продукта, которые соответствуют описанным модификациям и вариациями системы, могут быть осуществлены специалистом в данной области техники на основе настоящего описания.

[0032] Специалисту в данной области техники будет ясно, что способ может быть применен к данным о многомерном изображении, например, к двухмерным (2D), трехмерным (3D) или четырехмерным (4D) изображениям, полученным с помощью различных средств получения, таких как, без ограничения, стандартная рентгеновская визуализация, компьютерная томография (КТ), магнитно-резонансная томография (МРТ), ультразвуковое исследование (УЗИ), позитронно-эмиссионная томография (ПЭТ), однофотонная эмиссионная компьютерная томография (ОЭКТ) и ядерная медицина (ЯМ).

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[0033] Эти и другие аспекты настоящего изобретения станут очевидны и будут объяснены со ссылкой на варианты реализации, описанные в качестве примера в представленном ниже описании и со ссылкой на сопроводительные чертежи, на которых:

на фиг. 1 показана система для классификации тканей головного мозга, в которой карту априорных вероятностей корректируют на основе обратной связи от пользователя и откорректированную карту априорных вероятностей используют для повторного применения метода автоматической классификации тканей к изображению головного мозга;

на фиг. 2 показана часть изображения МРТ, и

на фиг. 2В показана карта классификации тканей, полученная путем автоматической классификации тканей изображения МРТ, при этом карта классификации тканей содержит ошибочную классификацию в форме области наподобие «пятна», которая была ошибочно классифицирована, как корковое серое вещество, а не как белое вещество;

на фиг. 3А показана часть другого изображения МРТ, и

на фиг. 3В показана карта классификации тканей, полученная путем автоматической классификации тканей изображения МРТ, при этом карта классификации тканей содержит ошибочную классификацию в форме коркового серого вещества, чрезмерно отображенного на границе с белым веществом;

на фиг. 4А изображено предоставление пользователем обратной связи от пользователя, которая является показательной в отношении участка ошибочной классификации, путем указания точки на участке ошибочной классификации;

на фиг. 4В показан результат ошибочной классификации границы участка, автоматически определенный на основе указанной пользователем точки;

на фиг. 4С изображен результат указания пользователем исправления ошибочной классификации путем указания класса тканей головного мозга вручную;

на фиг. 5 показан способ классификации тканей головного мозга, в котором карту априорных вероятностей корректируют на основе обратной связи от пользователя и откорректированную карту априорных вероятностей используют для повторного применения метода автоматической классификации тканей к изображению головного мозга; и

на фиг. 6 изображен компьютерочитаемый носитель информации, содержащий инструкции для обуславливания выполнения способа процессорной системой.

Следует отметить, что фигуры являются лишь схематичными и не подлежат масштабированию. Элементы на фигурах, которые соответствуют уже описанным элементам, имеют одинаковые ссылочные обозначения.

Перечень ссылочных обозначений

Следующий перечень ссылочных обозначений приведен для упрощения интерпретации чертежей и его не следует рассматривать в качестве ограничения пунктов формулы изобретения.

020 хранилище изображений

022 данные о медицинском изображении

024, 026 медицинское изображение

030, 032, 034A, 034B карта классификации тканей

036, 038 указание ошибки классификации

040 база данных

042 данные, представляющие карту априорных вероятностей

060 дисплей

062 данные дисплея

064 экранный курсор

070 указанная пользователем точка

072 сегментация

080 пользовательское устройство

082 входные команды

100 система для классификации тканей головного мозга

120 интерфейс данных об изображении

140 интерфейс данных об априорных вероятностях

160 процессор

162 передача данных на подсистему взаимодействия с пользователем или от нее

180 подсистема взаимодействия с пользователем

182 выход на дисплея

184 вход с пользовательского устройства

200 способ классификации тканей головного мозга

210 получение доступа к изображению головного мозга

220 применение автоматической классификации тканей

230 отображение карты классификации тканей

240 прием обратной связи от пользователя

250 корректировка карты априорных вероятностей

260 повторное применение автоматической классификации тканей

270 компьютерочитаемый носитель информации

280 инструкции, хранящиеся в виде некратковременных данных

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

[0034] На фиг. 1 показана система 100 для классификации тканей головного мозга. Такая система может быть использована в различных медицинских применениях, в том числе, но без ограничения, при выявлении и дифференциальной диагностике нейродегенеративных заболеваний. Во время работы система 100 может, говоря кратко, применять метод автоматической классификации тканей к изображению головного мозга на основе карты априорных вероятностей с получением карты классификации тканей головного мозга. После этого, у пользователя появляется возможность, с помощью подсистемы взаимодействия с пользователем, выдачи сигналов обратной связи, которые являются показательными в отношении a) участка ошибочной классификации на карте классификации тканей и b) исправления ошибочной классификации. После этого, система может настроить карту априорных вероятностей на основе обратной связи от пользователя для получения откорректированной карты априорных вероятностей, и повторного применения технологии автоматической классификации тканей к изображению на основе откорректированной карты априорных вероятностей.

[0035] Система 100 содержит интерфейс 120 данных об изображении для получения доступа к изображению 022 головного мозга пациента, далее для простоты называемого изображением 022 головного мозга. В примере, изображенном на фиг. 1, интерфейс 120 данных об изображении показан соединенным с внешним хранилищем 020 изображений, который содержит изображение 022 головного мозга. Например, хранилище 020 изображений может представлять собой или может являться частью системы архивации и передачи изображений (САПИ) больничной информационной системы (БИС), с которой может быть соединена система 100 или в которой она может содержаться. Следовательно, система 100 может получать доступ к изображению 022 головного мозга. В качестве альтернативы, доступ к изображению 022 головного мозга может быть получен из внутреннего хранилища данных, содержащегося в системе 100. В целом, интерфейс 120 данных об изображении может принимать различные формы, такие как сетевой интерфейс для локальной или глобальной вычислительной сети, например, сети Интернет, интерфейс хранения для внутреннего или внешнего хранилища данных и т.д. Следует также отметить, что там, где это применимо, ссылку на изображение 022 головного мозга следует понимать в качестве ссылки на данные об изображении головного мозга.

[0036] Кроме того, система 100 содержит процессор 160, выполненный с возможностью применения метода автоматической классификации тканей к изображению 022 головного мозга на основе карты 042 априорных вероятностей. С этой целью показано, что процессор 160 принимает изображение 022 головного мозга от интерфейса 120 данных об изображении, а также карту 040 априорных вероятностей от интерфейса 140 данных об априорных вероятностях. Интерфейс 140 данных об априорных вероятностях может обеспечивать системе 100 возможность получения доступа к карте 042 априорных вероятностей во внешней базе 040 данных, такой как САПИ. В качестве альтернативы, система 100 может получать доступ к карте 042 априорных вероятностей внутренним образом или от другого источника. Как и в случае интерфейса 120 данных об изображении, интерфейс 140 данных об априорных вероятностях может принимать различные формы, в том числе, но без ограничения, сетевой интерфейс для локальной или глобальной вычислительной сети, например, сети Интернет, интерфейс хранения для внутреннего или внешнего хранилища данных и т.д. После этого, в качестве выходных данных получают карту 162 классификации тканей головного мозга пациента.

[0037] Кроме того, система 100 содержит выход 182 на дисплей для отображения визуальных выходных данных системы 100 на дисплее 060 с визуальными выходными данными, включающими по меньшей мере карту классификации тканей. Для отображения карты классификации тканей, выход 182 на дисплей показан сообщающимся внутренним образом с процессором 162, например, для получения данных, визуализирующих карту классификации тканей, а также для предоставления данных 062 о дисплее на дисплей 060.

[0038] Кроме того, система 100 содержит вход 184 для пользовательского устройства для приема входных команд 082 от пользовательского устройства 080, которым управляет пользователь. Пользовательское устройство 080 может принимать различные формы, в том числе, но без ограничения, форму компьютерного манипулятора-мышь 080, сенсорного экрана, клавиатуры и т.д. Вход 184 с пользовательского устройства может быть устройством любого типа, соответствующего таковому пользовательского устройства 080. Выход 182 на дисплей и вход 184 с пользовательского устройства вместе могут образовывать подсистему 180 взаимодействия с пользователем, которая обеспечивает пользователю возможность интерактивной выдачи сигналов обратной связи от пользователя в систему 100. В частности, обратная связь от пользователя может быть показательной в отношении a) участка ошибочной классификации на карте классификации тканей и b) исправления ошибочной классификации. В качестве неограничивающего примера, пользователь может щелкнуть на часть карты классификации тканей, которая была неправильно классифицирована, и выбрать правильную классификацию из экранного меню. После этого, обратная связь от пользователя может быть доступна системе 100 в форме данных об обратной связи от пользователя, указывающих, например, на координату(ы) ошибочной классификации в системе координат, связанной с картой классификации тканей, и данных, показательных в отношении исправления.

[0039] После получения обратной связи от пользователя от входа 184 с пользовательского устройства, процессор 160 может настроить карту априорных вероятностей на основе обратной связи от пользователя с получением откорректированной карты априорных вероятностей, и далее повторно применить метод автоматической классификации тканей к изображению на основе откорректированной карты априорных вероятностей.

[0040] Следует отметить, что различные варианты работы системы 100, в том числе различные ее рабочие аспекты, будут разъяснены более подробно со ссылкой на фиг. 2-4С.

[0041] Система 100 может быть реализована в качестве автономного устройства или аппарата, такого как рабочая станция или устройство визуализации, или в нем. Устройство или аппарат может содержать один или более микропроцессоров, которые исполняют соответствующее программное обеспечение. Программное обеспечение может быть загружено и/или сохранено в соответствующей памяти, например, энергозависимом запоминающем устройстве, таком как ОЗУ, или энергонезависимом запоминающем устройстве, таком как флеш-накопитель. В качестве альтернативы, функциональные блоки системы могут быть реализованы в устройстве или аппарате в форме программируемой логической схемы, например, в качестве программируемой пользователем вентильной матрицы (ППВМ). В целом, каждый функциональный блок системы может быть реализован в форме схемы. Следует отметить, что система 100 также может быть реализована распространенным образом, например, с привлечением различных устройств или аппаратов. Например, распространение может быть выполнено в соответствии с моделью клиент-сервер.

[0042] На фиг. 2А-3В изображено два общих типа ошибок классификации тканей, а именно, изолированные ошибочные классификации наподобие «пятна» (фиг. 2А-2В), а также недостаточное или чрезмерное отображение коркового серого вещества вблизи его границы с белым веществом (фиг. 3А-3В).

[0043] На фиг. 2А показана часть изображения 024 МРТ, а на фиг. 2В показана карта 030 классификации тканей, полученная автоматической классификацией тканей изображения МРТ. На фиг. 2В синий цвет (черный на воспроизведении в пространстве серого) обозначает спинномозговую жидкость (СМЖ), зеленый цвет (темно-серый на воспроизведении в пространстве серого) обозначает серое вещество (СВ), а розовый цвет (светло-серый на воспроизведении в пространстве серого) обозначает белое вещество (БВ). Как обозначено на фиг. 2В отметкой 036, карта 030 классификации тканей содержит ошибочную классификацию в форме области наподобие пятна, которая была неправильно классифицирована в качестве коркового серого вещества, а не в качестве белого вещества.

[0044] На фиг. 3А показана часть другого изображения 026 МРТ, а на фиг. 3В показана карта 032 классификации тканей, полученная автоматической классификацией тканей изображения МРТ. Применяют такое же цветовое кодирование (или кодирование в пространство серого), как и на фиг. 2В. Как обозначено на фиг. 3В отметкой 038, карта 032 классификации тканей, изображенная на фиг. 3В, содержит ошибочную классификацию в форме коркового серого вещества, которое было недостаточно отображено на границе с белым веществом.

[0045] Вышеуказанные ошибки классификации могут возникать часто, например, по причинам, указанным в разделе «Уровень техники», тем самым давая ошибочные карты классификации тканей.

[0046] Как указано со ссылкой на фиг. 1, пользователь может предоставлять системе обратную связь от пользователя, которая является показательной в отношении a) участка ошибочной классификации на карте классификации тканей и b) исправления ошибочной классификации. Такая обратная связь от пользователя может принимать различные формы.

[0047] На фиг. 4А изображен конкретный пример такой обратной связи от пользователя, а именно, указание пользователем точки 070 на участке ошибочной классификации. Пример основан на ошибочной классификации наподобие пятна, показанной на фиг. 2В, при этом на фиг. 4А-4В показана увеличенная часть соответствующей карты 034А классификации тканей. Пользователь может отметить точку 070 различными способами. Например, пользователь может щелкнуть по положению на отображенной карте 034А классификации тканей с помощью экранного курсора 064. После этого, в результате отмеченная пользователем точка 070 на участке ошибочной классификации, может быть определена граница участка ошибочной классификации, например, с использованием метода определения границы. Например, отмеченная пользователем точка 070 может быть рассмотрена в качестве исходной точки в методе наращивания областей, тем самым получая границу участка ошибочной классификации. В качестве альтернативы, могут быть использованы другие методы определения границы, которые как таковые известны в области анализа медицинских изображений, в том числе, но без ограничения, анализ связанных компонент и методы, основанные на морфологических операциях. Полученная в результате граница 072 обозначена на фиг. 4В пунктирной линией, очерчивающей ошибочную классификацию наподобие пятна на карте 034А классификации тканей от окружающих ее частей.

[0048] На фиг. 4С изображен результат дополнительного указания пользователем исправления ошибочной классификации. А именно, пользователь может указать класс тканей головного мозга, подлежащий применению к ошибочно классифицированному участку 072, вручную. В качестве неограничивающего примера, пользователь может выбрать правильный класс тканей головного мозга из экранного меню (меню не показано на фиг. 4С). Исправление может быть показано пользователю, а именно, посредством ошибочно классифицированного участка 072, исправленного на отображенной карте 034А классификации тканей по указанному пользователем классу тканей головного мозга. Как показано на фиг. 4С, участок может быть классифицирован как белое вещество, а не как серое вещество.

[0049] После предоставления обратной связи от пользователя в отношении a) ошибочной классификации на карте классификации тканей и b) исправления ошибочной классификации, может быть настроена карта априорных вероятностей с получением откорректированной карты априорных вероятностей. Следует отметить, что исходная и откорректированная карты априорных вероятностей явным образом не показаны ввиду того, что такие карты априорных вероятностей сложно надлежащим образом визуализировать, поскольку каждое местоположение на карте, как правило, имеет значения вероятностей для каждого класса тканей головного мозга, затрудняя, таким образом, визуализацию в пространстве серого или даже визуализацию на основе цветов. Однако, по существу, корректировка может принимать форму, подобную той, что показана для карты 034А, 034В классификации тканей на фиг. 4В и фиг. 4С, в том, что соответствующая область на карте априорных вероятностей может быть настроена путем увеличения вероятности указанного пользователем класса тканей головного мозга на участке ошибочной классификации по существу до 100%, эффективным образом «перезаписывая» существующие значения вероятностей. После корректировки карты априорных вероятностей, к изображению может быть повторно применен метод автоматической классификации тканей, в результате давая другую, как правило, (намного более) улучшенную карту классификации тканей.

[0050] В целом, помимо указания точки, пользователю могут быть доступны другие опции для обозначения участка ошибочной классификации на карте классификации тканей. Например, пользователь может прямым образом очертить ошибочно классифицированный участок на карте классификации тканей. Другой пример заключается в том, что пользователь может отметить точку на ошибочно классифицированном участке, причем система после этого принимает ошибочно классифицированный участок в качестве заранее определенного участка вокруг точки.

[0051] Следует также отметить, что ошибочно классифицированный участок, который имеет место на карте классификации тканей, может быть отмечен пользователем не на карте классификации тканей, а в любом другом месте. Например, пользователь может изучить участок ошибочной классификации после ознакомления с отображенной картой классификации тканей, но после этого может отметить указанный участок системе на самом изображении, например, путем рисования прямоугольника, тем самым помечая область на изображении.

[0052] Кроме того, для пользователя существуют различные опции по указанию исправления ошибочной классификации. Первым примером является вышеуказанное прямое указание на правильный класс тканей головного мозга. Другим примером является то, что вместо этого пользователь может изменить соотношение вероятностей между классами тканей головного мозга, такое как соотношение вероятностей между тканью серого вещества и тканью белого вещества. В результате, исправление не является бинарным исправлением класса, а является исправлением вероятности. Такое соотношение вероятностей может быть изменено постепенно, например, поэтапно. Система может повторно применить технологию автоматической классификации тканей к изображению после каждого постепенного изменения или может этого не делать. Еще одним примером является то, что система может автоматически распространять вероятности, окружающие ошибочно классифицированный участок, на ошибочно классифицированный участок. В результате, указание на ошибочно классифицированный участок, таким образом, также эффективно служит для указания исправления ошибочной классификации, поскольку предполагается, что оно следует из окружающих его частей.

[0053] В соответствии с вышеуказанным, пример случая использования может быть следующим. Здесь, пользователь может указать и щелкнуть на местоположение на ошибочной классифицированной области наподобие «пятна» и назначить области правильную метку, например, посредством выпадающего окна. Данное действие может активировать следующие операции:

1) граница ошибочно классифицированной области может быть автоматически определена на основе локального анализа вокселов на помеченном изображении, например, путем анализа связанных компонент, морфологических операций или наращивания областей, с использованием метки сегментированного изображения,

2) назначение фиксированной метки вокселам в области в форме 100% вероятности вокселов в области, принадлежащей выбранному классу тканей, и

3) автоматическая оптимизация общего результата классификации тканей путем повторного запуска алгоритма автоматической классификации тканей, но теперь уже с использованием карты априорных вероятностей с локальными модификациями.

[0054] Другой пример варианта использования может быть следующим. Здесь, пользователь может промаркировать исследуемую область и непрерывно изменять вероятность ее принадлежности к конкретному классу тканей головного мозга интерактивным способом. Сразу после удовлетворения может быть повторно запущен алгоритм автоматической классификации тканей. Данный пример варианта использования может включать следующие операции:

1) Пользователь может промаркировать исследуемую область с помощью инструмента для построения контура изображения. Например, пользователь может нарисовать контур или использовать инструмент аннотации с конкретной формой, такой как круг или прямоугольник. Поскольку отсканированное изображение головного мозга может представлять собой 3D отсканированное изображение, а пользователю может быть отображен 2D срез 3D отсканированного изображения, область может быть автоматически расширена/распространена на 2D срезы изображений перед и за отображенным срезом изображения с помощью известных технологий, таких как инструмент для 3D аннотации сферической формы вместо круга.

2) Сразу после маркировки исследуемой области, пользователь может запустить интерактивную операцию, которая увеличивает/уменьшает значения априорной вероятности для серого вещества по сравнению с белым веществом. Изменения значения вероятности могут быть отображены с использованием, например, конкретных клавиш на клавиатуре (+/-), путем зажатия левой кнопки мыши и перемещения мыши вверх/вниз и т.д.

3) Повторный запуск алгоритма автоматической классификации тканей, но теперь уже с использованием карты априорных вероятностей с локальными модификациями.

[0055] Следует понимать, что существует ряд подходов для автоматической классификации тканей. На момент создания настоящего изобретения было продемонстрировано, что алгоритмы на основе максимизации ожиданий (МО) и регуляризации марковских случайных полей дают наилучшую общую производительность (см. http://mrbrains13.isi.uu.nl/results.php в отношении результатов и соответствующие статьи). Однако также могут быть использованы другие методы автоматической классификации тканей, которые используют карты априорных вероятностей. Также ссылаясь на подходы на основе МО: максимизация ожиданий использует карты априорных вероятностей, которые описывают вероятность известного положения в головном мозге, принадлежащего одному из возможных классов тканей головного мозга. Как правило, эти карты априорных вероятностей созданы из когорты образцов правильно сегментированных отсканированных изображений головного мозга, которые выровнены в пространстве, т.е. зарегистрированы. Для нового субъекта карты априорных вероятностей могут быть зарегистрированы в отсканированное изображение головного мозга на этапе предварительной обработки. После этого, алгоритм максимизации ожиданий может итеративным образом выполнить два этапа:

(I) так называемый М-этап, на котором, при заданных вероятностях класса тканей для каждого воксела, может быть определена/обновлена модель интенсивности для конкретного класса тканей головного мозга, и

(ii) так называемый Е-этап, на котором, при (обновленной) модели интенсивности для конкретного класса тканей головного мозга, могут быть детализированы повоксельные вероятности.

[0056] Следует также отметить, что корректировка карты вероятностей может не быть необходима или предпочтительна. Вместо этого, может быть настроен параметр или конфигурация метода автоматической классификации тканей. Конкретным примером является то, что ошибочно классифицированный участок может быть исправлен пользователем, например, интерактивным способом, как указано на ссылке на фиг. 4А-4С. После этого, метод автоматической классификации тканей может быть повторно запущен на исследуемой области, которая не включает указанный пользователем ошибочно классифицированный участок. Например, указанный пользователем ошибочно классифицированный участок может быть исключен из бинарной воксельной маски, которая определяет исследуемую область. После этого, окончательная карта классификации тканей может быть составлена из результатов метода автоматической классификации тканей в исследуемой области вместе с ошибочно классифицированным участком, который интерактивным образом исправлен пользователем. Следует понимать, что в дополнение к вышеуказанному примеру исключения исправленного вручную участка из исследуемой области, другие корректировки параметров или конфигураций метода автоматической классификации тканей доступны специалисту в данной области техники.

[0057] На фиг. 5 показан способ 200 классификации тканей головного мозга. На операции под названием «ПОЛУЧЕНИЕ ДОСТУПА К ИЗОБРАЖЕНИЮ ГОЛОВНОГО МОЗГА» способ 200 включает получение 210 доступа к изображению головного мозга пациента. Кроме того, на операции под названием «ПРИМЕНЕНИЕ АВТОМАТИЧЕСКОЙ КЛАССИФИКАЦИИ ТКАНЕЙ» способ 200 включает применение 220 метода автоматической классификации тканей к изображению на основе карты априорных вероятностей, при этом карта априорных вероятностей зарегистрирована в изображении и является показательной в отношении вероятности конкретного местоположения в головном мозге, принадлежащего к конкретному классу тканей головного мозга, при этом выходными данными, выдаваемыми методом автоматической классификации тканей, является карта классификации тканей головного мозга пациента. Кроме того, на операции под названием «ОТОБРАЖЕНИЕ КАРТЫ КЛАССИФИКАЦИИ ТКАНЕЙ» способ 200 включает отображение 230 карты классификации тканей на дисплее. Кроме того, на операции под названием «ПРИЕМ ОБРАТНОЙ СВЯЗИ ОТ ПОЛЬЗОВАТЕЛЯ» способ 200 включает прием 240 входных команд от пользовательского устройства, которым управляет пользователь, причем входные команды представляют собой обратную связь от пользователя, которая является показательной в отношении a) участка ошибочной классификации на карте классификации тканей и b) исправления ошибочной классификации. Кроме того, на операции под названием «корректировка карты априорных вероятностей» способ 200 включает корректировку 250 карты априорных вероятностей на основе обратной связи от пользователя с получением откорректированной карты априорных вероятностей. Кроме того, на операции под названием «ПОВТОРНОЕ ПРИМЕНЕНИЕ АВТОМАТИЧЕСКОЙ КЛАССИФИКАЦИИ ТКАНЕЙ» способ 200 включает повторное применение 260 метода автоматической классификации тканей к изображению на основе откорректированной карты априорных вероятностей.

[0058] Следует понимать, что вышеуказанные операции могут быть выполнены в любом подходящем порядке, например, последовательно, одновременно или в комбинации, с соблюдением, где применимо, конкретного необходимого порядка, например, с помощью соотношений вход-выход.

[0059] В качестве неограничивающего примера, на фиг. 5 показан способ 200, выполняемый итеративным образом, а именно, операциями применения 220 и повторного применения 260, обозначенная стрелкой 255, как по существу подобная, хоть и выполняемая на более поздней стадии и использующая другие входные данные, а именно, другие карты априорных вероятностей.

[0060] Способ 200 может быть реализован на компьютере в качестве реализуемого с помощью компьютера способа, в виде аппаратного обеспечения специального назначения, или в виде их комбинации. Как также изображено на фиг. 6, инструкции для компьютера, например, исполняемый код, могут храниться на компьютерочитаемом носителе 270 информации, например, в форме ряда 280 машиночитаемых физических меток и/или в виде ряда элементов, обладающих различными электрическими, например, магнитными, или оптическими свойствами или величинами. Исполняемый код может храниться кратковременным или некратковременным образом. Примеры компьютерочитаемых носителей информации включают запоминающие устройства, оптические запоминающие устройства, интегральные схемы, серверы, программное обеспечение, работающие в режиме онлайн и т.д. На фиг. 6 показан оптический диск 270.

[0061] Следует понимать, что несмотря на то, что заявленное изобретение было описано со ссылкой на классификацию тканей головного мозга, заявленное изобретение в равной степени может быть применимо к другому типу классификации, в которых в качестве входных данных используются карты априорных вероятностей.

[0062] Примеры, варианты реализации или необязательные признаки, указаны ли они в качестве неограничивающих или нет, не следует рассматривать в качестве ограничения заявленного изобретения.

[0063] Следует понимать, что настоящее изобретение также применимо к компьютерным программам, в частности, компьютерным программам на носителе или в нем, выполненным с возможностью реализации настоящего изобретения на практике. Программа может быть в форме исходного кода, объектного кода, промежуточного источника кода и объектного кода, как в частично компилированной форме, или в любой другой форме, подходящей для использования при реализации способа в соответствии с настоящим изобретением. Следует также понимать, что такая программа может иметь много различных архитектурных исполнений. Например, программный код, реализующий функционал способа или системы в соответствии с настоящим изобретением, может быть подразделен на одну или более подпрограмм. Специалисту в данной области техники будет ясно множество различных путей распространения функционала по данным подпрограммам. Подпрограммы могут храниться вместе в одном исполнимом файле для формирования независимой программы. Такой исполнимый файл может содержать исполняемые с помощью компьютера инструкции, например, инструкции процессора и/или инструкции интерпретатора (например, инструкции интерпретатора языка Java). В качестве альтернативы, одна или более или все подпрограммы могут храниться по меньшей мере в одном файле внешней библиотеки и связаны с основной программой статическим или динамическим образом, например, по времени счета. Основная программа содержит по меньшей мере один вызов по меньшей мере одной из подпрограмм. Кроме того, подпрограммы могут содержать вызовы функции друг друга. Вариант реализации, относящийся к компьютерному программному продукту, содержит исполняемые с помощью компьютера инструкции, соответствующие каждой стадии обработки по меньшей мере одного из способов, изложенных в настоящем документе. Эти инструкции могут быть подразделены на подпрограммы и/или могут храниться в одном или более файлов, которые могут быть связаны статическим или динамическим образом. Еще один вариант реализации, относящийся к компьютерному программному продукту, содержит исполняемые с помощью компьютера инструкции, соответствующие каждому средству по меньшей мере одной из систем и/или продуктов, изложенных в настоящем документе. Эти инструкции могут быть подразделены на подпрограммы и/или могут храниться в одном или более файлах, которые могут быть связаны статическим или динамическим образом.

[0064] Носитель компьютерной программы может представлять собой объект или устройство, выполненное с возможностью хранения программы. Например, носитель может включать хранилище данных, такое как ПЗУ, например, компакт-диск, или полупроводниковое ПЗУ, или магнитный носитель информации, например, жесткий диск. Кроме того, носитель может представлять собой передаваемый носитель, такой как электрический или оптический сигнал, который может передаваться по электрическому или оптическому кабелю или по радиосвязи или по другим средствам. При реализации программы в виде такого сигнала, носитель может представлять собой такой кабель или другое устройство или средство. В качестве альтернативы, носитель может представлять собой интегральную схему, в которую встроена программа, при этом интегральная схема выполнена с возможностью осуществления релевантного способа или используется при его выполнении.

[0065] Следует отметить, что вышеуказанные варианты реализации иллюстрируют, а не ограничивают настоящее изобретение, и специалист в данной области техники сможет реализовать широкий ряд альтернативных вариантов реализации без выхода за рамки объема прилагаемой формулы изобретения. В пунктах формулы изобретения, любые ссылочные обозначения, заключенные в скобки, не следует считать ограничением пункта формулы изобретения. Использование глагола «содержит» и его спряжений не исключает наличия элементов или стадий, отличных от указанных в пункте формулы изобретения. Грамматический показатель единственного числа перед элементом не исключает наличия множества таких элементов. Настоящее изобретение может быть реализовано посредством аппаратного обеспечения, содержащего несколько разных элементов, а также посредством подходящим образом запрограммированного компьютера. В пункте формулы изобретения на устройство, в котором перечислено несколько средств, несколько из этих средств могут быть реализованы одним и тем же элементом аппаратного обеспечения. Сам по себе тот факт, что некоторые меры перечислены во взаимно отличающихся зависимых пунктах, не означают, что комбинация этих мер не может быть с успехом использована.