НОРМАТИВНЫЙ НАБОР ДАННЫХ ДЛЯ НЕЙРОПСИХИЧЕСКИХ РАССТРОЙСТВ

УРОВЕНЬ ТЕХНИКИ

Многие общие нейропсихические расстройства (например, болезнь Альцгеймера, шизофрения, депрессия) могут представлять собой целый ряд различных расстройств, которые проявляются клинически одинаково, но по разному поддаются лечению. Эти основные различия могут проявляться на разных, специфичных для болезни, нейронных субстратах. Таким образом, быстрая идентификация нарушений объема и формы конкретных зон мозга, имеющих отношение к нейронной патофизиологии данных расстройств, будет полезна для характеризации подтипов болезни и скорее всего улучшит терапевтические результаты. Идентификация лиц с психиатрическими и неврологическими расстройствами до полного проявления симптомов расстройств может позволить определить ранние стратегии вмешательства, направленные на предотвращение наступления в целом и/или улучшение их долгосрочного течения.

В настоящее время решения о морфологии структур мозга в большинстве клинических центров ограничены субъективным просмотром снимков МРТ (Магнитно Резонансная Томография), из-за трудоемкого характера ручного разделения объемов мозга по МРТ и отсутствия высокоточных и высокоэффективных автоматических средств. К тому же врачи часто рассматривают только одну часть структуры мозга. Однако мозг является взаимосвязанной сетью тканей. Таким образом, одновременное рассмотрение множественных структур может выявить важную информацию, имеющую возможность пролить свет на важные вопросы.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Способ идентификации нарушения анатомической структуры посредством включения в себя сегментации, используя процессор, анатомической структуры, изображенной в объемном изображении множества контрольных пациентов для создания сегментации анатомических структур каждого из контрольных пациентов, получения нормативного набора данных путем извлечения статистических представлений морфологии контрольных сегментаций, сегментирования анатомической структуры пациента, анализируемого на нарушения, для создания сегментации пациента, и сравнения сегментации пациента с нормативным набором данных, полученными от контрольных сегментаций.

Система для идентификации нарушений анатомической структуры, имеющая процессор, сегментирующий анатомическую структуру, изображенную в объемном изображении множества контрольных пациентов для создания контрольной сегментации анатомических структур каждого из контрольных пациентов, и получающий нормативный набор путем извлечения статистических представлений морфологии контрольных сегментаций, и причем процессор сегментирует анатомическую структуру пациента, анализируемого на нарушения, для создания сегментации пациента для сравнения сегментации пациента с нормативными данными, полученными от контрольных сегментаций.

Машиночитаемый носитель информации, включающий в себя набор инструкций, выполняемых процессором. Набор инструкций, выполненный с возможностью сегментации анатомической структуры изображенного в объемном изображении из множества контрольных пациентов для создания контрольной сегментации анатомических структур каждого из контрольных пациентов и получения нормативного набора данных путем извлечения статистических представлений морфологии контрольных сегментаций.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Фиг. 1 отображает схематическую диаграмму системы, в соответствии с образцовой реализацией.

Фиг. 2 отображает блок-схему способа в соответствии с образцовой реализацией.

Фиг. 3 отображает блок-схему способа для применения деформируемой сегментации, в соответствии со способом на Фиг. 2.

Фиг. 4 отображает в перспективе деформируемую модель мозга в соответствии со способом на Фиг. 3.

Фиг. 5 отображает деформируемую модель мозга, адаптированную под объем пациента, в соответствии со способом на Фиг. 3.

ПОДРОБНОЕ ОПИСАНИЕ

Образцовые реализации могут, в дальнейшем, быть поняты в соответствии с последующим описанием и прилагаемым чертежам, в которых одинаковые элементы обозначаются одними и теми же цифрами. Образцовые реализации относятся к системе и способу для идентификации нарушений объема и формы зон в мозге. В частности, образцовые реализации генерируют объемную сегментацию структуры мозга пациента которые адаптируются под объемное изображение, такое как МРТ, для сравнения сегментаций с нормативным набором данных, который включает в себя количественное описание объема и формы структур мозга у здоровых людей. Это будет понятно специалистам в данной области, тем не менее, несмотря на то, что образцовые реализации специально описывают сегментацию структуры мозга, системы и способы в образцовых реализациях могут быть использованы для идентификации нарушений объема и формы в любой анатомической 3D структуре в объемном изображении, таком как, например, КТ (Компьютерная Томограмма)и/или ультразвуковое изображение.

Как изображено на Фиг. 1, система 100, в соответствии с образцовой реализацией, сравнивает сегментацию интересующей 3D структуры мозга с нормативным набором данных для идентификации нарушений объема и формы определенных зон мозга. Система 100 включает в себя процессор 102, который может адаптировать деформируемую модель структуры мозга, основываясь на особенностях структуры в объемном изображении, как для получения нормативного набора данных, применяя деформируемую сегментацию к контрольным пациентам, так и для пациента, чью структуру мозга предполагается проанализировать. Затем процессор 102 сравнивает интересующую сегментацию структуры мозга пациента с полученными нормативным набором данных контрольных пациентов для идентификации каких-либо нарушений. Деформируемая модель выбирается из базы данных моделей, хранящейся в памяти 108. Память 108, так же хранит полученный нормативный набор данных и любые сегментации структур мозга пациента. Пользовательский интерфейс 104 предназначен для ввода пользовательских настроек для определения объема структур мозга, отображения конкретной части структуры мозга и т.п. Пользовательский интерфейс 104 может, например, быть графическим пользовательским интерфейсом, отображаемым на дисплее 106. Входные данные, ассоциированные с пользовательским интерфейсом, вводятся, например, с помощью мыши, сенсорного дисплея и/или клавиатуры. Сегментация структур мозга, объемное изображение и пользовательские настройки пользовательского интерфейса 104 отображаются на дисплее 106. Память 108 может быть любым известным типом машиночитаемого носителя данных.

Фиг. 2 изображает способ 200, в соответствии с образцовой реализацией, в которой система 100 сравнивает 3D сегментацию интересующих мозговых структур пациента с нормативным набором данных, включающим в себя количественные данные, соответствующие такой же структуре, полученной от контрольной группы пациентов. Способ 200 включает в себя применение деформируемого процесса сегментации 300 к ряду здоровых контрольных пациентов, на этапе 210, для создания контрольной сегментации интересующей структуры мозга каждого из контрольных пациентов. Специалистам в данной области будет понятно, что может быть более чем одна интересующая структура и что все структуры мозга могут быть сегментированы, как описано. Подробное описание образцовой реализации процесса деформируемой сегментации 300 предоставлено ниже, в соответствии с Фиг. 3. В частности, деформируемая модель структуры мозга выбирается и автоматически адаптируется, чтобы соответствовать в объеме и форме структурам мозга контрольных пациентов.

На этапе 220 нормативный набор данных получается на основе деформируемой сегментации структур контрольных пациентов, путем извлечения статистических представлений, лежащей в основе морфологии структур мозга. Нормативный набор данных будет содержать информацию, относящуюся к объему, форме и количественному описанию взаимосвязи между различными структурами мозга у контрольных здоровых пациентов, например статистическое описание, основанное на усреднении и разнице и/или диапазоне значений. В дополнении к объемным МРТ, поверхностные представления различных структур мозга могут быть использованы для описания геометрии структуры внешности. Например, координаты, значения вокселей (объемный пиксель), различные формы дескрипторов (например, кривизна поверхности, смещение точки из средней сагиттальной плоскости, локальная деформация поверхности и т.д.) предоставляют простое количественное описание структуры мозга.

Описательные части нормативного набора данных могут в дальнейшем включать в себя ярлыки, которые могут быть выбраны пользователем для отображения текстовой информации, относящейся к структурам мозга. Текстовая информация может соответствовать другим источникам, например, таким как рентгеновские снимки, которые могут предоставить более полное представление нормативного набора данных. Поскольку ярлыки допускают расхождения, смещение листа нормативного набора данных так же необходимо сравнить с деформируемой сегментацией мозговых структур пациента. Как будет понятно специалисту в данной области, нормативный набор данных хранится в памяти 108, таким образом, что нормативный набор данных может быть использован по желанию, для различных пациентов в различное время. Специалисту в данной области будет так же понятно, что как только нормативный набор данных был получен и сохранен в памяти 108, нормативный набор данных может быть использован в любое время, таким образом, что этапы 230-290, как описано ниже, могут быть инициированы отдельно от этапов 210 и 220, как описано ниже.

На этапе 230 процесс деформируемой сегментации 300 применен к пациенту, чьи структуры мозга были проанализированы для идентификации нарушений, с целью произвести сегментацию интересующих структур(ы) мозга пациента. Процесс деформируемой сегментации 300 для пациента в значительной степени схож с деформируемой сегментацией мозга, проводимой на контрольных здоровых пациентах, на этапе 210, как описано ниже, в соответствии с Фиг. 3. На этапе 240 сегментация пациента, проведенная на этапе 230, отображается на дисплее 106. Система 100 затем получает данные, вводимые пользователем, на этапе 250, через пользовательский интерфейс 104, который может отображать пользовательские настройки. Пользователь может ввести пользовательские данные, выбрав сохранение сегментации пациента, загрузить ранее сохраненную сегментацию пациента, выбрать идентификацию нарушений в сегментации пациента, и т.д. Другие вводы пользовательских данных могут включать в себя выбор увеличить и/или приблизить конкретную часть отображенных изображений, изменение вида конкретного изображения, и т.д.

Здесь пользователь осуществляет выбор для идентификации нарушения с помощью ввода пользовательских данных на этапе 250, процессор определяет значения для интересующих параметров, относящихся, например, к объему, форме, кривизне и структуре сегментации пациента, в шаге 260. Интересующие параметры соответствуют типам данных, включенных в нормативный набор данных, полученный на этапе 220. На этапе 270 значения интересующих параметров сегментации пациента сравниваются с нормативным набором данных, полученным от контрольных сегментаций. Например, координаты, значения вокселей и другие количественные дескрипторы формы сегментации пациента сравниваются со значениями нормативного набора данных, полученного от контрольной сегментации. Структуры мозга сегментации пациента могут быть сравнены индивидуально, как выбрано пользователем, или, в качестве альтернативы - одновременно, таким образом, что все сегментированные структуры мозга анализируются сразу. Если статистическая информация включена в нормативный набор данных, то возможно непосредственно получить вероятностную меру того, здорова или нет интересующая структура мозга пациента.

На этапе 280 результаты сравнения между сегментацией пациента и нормативным набором данных, полученными от контрольной сегментации, отображаются на дисплее 106. Отображенные результаты сравнения могут быть текстовыми и/или визуальными. Например, дисплей 106 может отображать структуры мозга пациента с идентифицированными нарушениями совместно с описанием нарушений. Или дисплей 106 может показать сегментацию пациента с визуальными индикациями, указывающими отклонения и/или различия с нормативным набором данных. Визуальные индикации могут, например, быть различиями в цветах или цветовых градиентах, которые могут указывать степень или уровень отклонения сегментации пациента от контрольной сегментации. Различные цвета могут быть назначены диапазонам отклонений. Или цветовые индикации могут присутствовать в качестве градиента цвета, таким образом, что уровни отклонений указываются различиями оттенков цвета.

На этапе 290 система 100 принимает входные пользовательские данные через пользовательский интерфейс 104. Пользователь может ввести пользовательские данные, выбрав сохранить сегментацию пациента совместно со сравнением результатов, загрузить ранее сохраненную сегментацию пациента, выбрать ярлык для отображения, указать другие пользовательские настройки, и т.д. Как будет понятно специалисту в данной области, что несмотря на то, что способ 200, как описано ниже, показывает, что пользователь выбирает сравнивать сегментацию пациента с нормативным набором данных с помощью ввода пользовательских данных на этапе 250, сравнение может так же быть проведено процессором 102 автоматически непосредственно после создания сегментации пациента. Таким образом, специалисту в данной области будет так же понятно, что способ 200 может так же перейти от этапа 230 непосредственно к этапу 260.

Фиг. 3 отображает образцовую реализацию процесса деформируемой сегментации, как описано выше в соответствии с этапами 210 и 230. Способ 300 включает в себя выбор деформируемой модели интересующей структуры мозга из базы данных моделей структур, хранимой в памяти 108, на этапе 310. В образцовой реализации деформируемая модель автоматически выбрана процессором 102 путем сравнения особенностей интересующей мозговой структуры в объемном изображении с моделями структуры в базе данных. В другой образцовой реализации деформируемая модель выбирается вручную пользователем, просматривающим базу данных для идентификации деформируемой модели, которая наиболее точно воспроизводит интересующую мозговую структуру. База данных моделей структур может включать в себя модели структуры из исследований мозговых структур и/или результатов сегментации предыдущих пациентов.

На этапе 320 деформируемая модель отображена на дисплее 106, как показано на Фиг. 4. Деформируемая модель отображена как новое изображение и/или изображена поверх объемного изображения. Деформируемая модель формируется из поверхностной сетки, включающей в себя множество полигонов треугольной формы, каждый полигон треугольной формы так же включает в себя три вершины и грани. Тем не менее, как будет понятно специалисту в данной области, поверхностная сетка может включать в себя полигоны других форм. Деформируемая модель располагается таким образом, что вершины деформируемой модели расположены как можно ближе к границе интересующей структуры. На этапе 330 каждый из треугольных полигонов снабжается функцией обнаружения оптимальной границы. Функция идентификации оптимальной границы определяет ключевые точки вдоль границы интересующей структуры таким образом, что каждый из треугольных полигонов ассоциируется с ключевой точкой на этапе 340. Ключевые точки могут быть ассоциированы с центрами каждого из треугольных полигонов. Ключевая точка, ассоциированная с каждым из треугольных полигонов, может быть ключевой точкой, которая ближайшая к треугольному полигону и/или соответствует в положении треугольному полигону.

На этапе 350 каждый из треугольных полигонов, ассоциированных с ключевой точкой, автоматически сдвигается в направлении ассоциированной точки таким образом, что вершины каждого из треугольных полигонов сдвигаются к границе интересующей структуры, деформируя деформируемую модель, для соответствия интересующей структуре в объемном изображении. Деформируемая модель деформируется до тех пор, пока позиция каждого треугольного полигона соответствует позиции ассоциированной ключевой точки и/или вершины треугольного полигона лежат в основном вдоль границы интересующей структуры, как показано на Фиг. 5. Как только деформируемая модель деформирована на столько, что треугольные полигоны соответствуют ассоциированным ключевым точкам границы интересующей структуры, деформируемая модель была адаптирована к интересующей структуре таким образом, что деформированная деформируемая модель представляет сегментированную интересующую структуру.

Специалисту в данной области будет очевидно, что различные модификации и альтернативы могут быть применены к разработанным образцовым реализациям и способам без отклонения от сущности или сферы сущности или сферы разработки. Имеется ввиду, что данная разработка охватывает предоставленные модификации и варианты, таким образом, что они входят в сферу прилагаемых чертежей и их аналогов.