Система для быстрой и точной количественной оценки черепно-мозговой травмы



Система для быстрой и точной количественной оценки черепно-мозговой травмы
Система для быстрой и точной количественной оценки черепно-мозговой травмы
Система для быстрой и точной количественной оценки черепно-мозговой травмы
Система для быстрой и точной количественной оценки черепно-мозговой травмы

 


Владельцы патента RU 2565510:

КОНИНКЛЕЙКЕ ФИЛИПС ЭЛЕКТРОНИКС Н.В. (NL)
ТРАСТИЗ ОФ ДАРТМУТ КОЛЛЕДЖ (US)

Изобретение относится к способу автоматической сегментации структур мозга. Техническим результатом является повышение точности и надежности идентификации структурной атрофии после черепно-мозговой травмы. Способ содержит этапы, на которых выбирают в качестве интересующей анатомической структуры структуру мозга, являющуюся симметричной относительно срединной сагиттальной плоскости в здоровом мозге; выбирают деформируемую модель интересующей анатомической структуры, деформируемая модель образована из множества многоугольников; отображают деформируемую модель на дисплее; обнаруживают характерную точку интересующей анатомической структуры; адаптируют деформируемую модель путем перемещения каждого из многоугольников в направлении соответствующих характерных точек; идентифицируют деформации в сегментации интересующей анатомической структуры посредством идентификации срединной сагиттальной плоскости данного мозга и определения для интересующей анатомической структуры отклонений в средних значениях вершин между левой и правой полусферами данного мозга относительно срединной сагиттальной плоскости данного мозга. 2 н. и 10 з.п. ф-лы, 4 ил.

 

Уровень техники

[0001] Черепно-мозговая травма (TBI) является одной из наиболее распространенных причин долгосрочной недееспособности. Патология некоторых подкорковых структур, например мозолистого тела, гиппокампа, мозжечка, таламуса и хвостатого ядра, связана с TBI. Таким образом, важно идентифицировать невропатологию у индивидуумов с TBI в трехмерном виде. Однако методологические проблемы препятствовали предыдущим исследованиям в предоставлении четкого шаблона структурной атрофии после TBI.

Сущность изобретения

[0002] Способ автоматической сегментации, выполняемый путем выбора деформируемой модели интересующей анатомической структуры, изображенной на объемном изображении, причем деформируемая модель образована из множества многоугольников, включающих в себя вершины и ребра, отображения деформируемой модели на дисплее, обнаружения характерной точки в интересующей анатомической структуре, соответствующей каждому из множества многоугольников, и адаптации деформируемой модели путем перемещения каждой из вершин в направлении соответствующих характерных точек, пока деформируемая модель не превратится в границу интересующей анатомической структуры, образующую сегментацию интересующей анатомической структуры.

[0003] Система, содержащая процессор, выбирающий деформируемую модель интересующей анатомической структуры, изображенной на объемном изображении, причем деформируемая модель образована из множества многоугольников, включающих в себя вершины и ребра, и дисплей, отображающий деформируемую модель, причем процессор дополнительно обнаруживает характерную точку интересующей анатомической структуры, соответствующую каждому из множества многоугольников, чтобы деформировать деформируемую модель путем перемещения каждой из вершин в направлении соответствующих характерных точек, пока деформируемая модель не превратится в границу интересующей анатомической структуры, образующую сегментацию интересующей анатомической структуры.

[0004] Машиночитаемый запоминающий носитель, включающий в себя набор команд, исполняемых процессором. Набор команд, действующих с возможностью выбора деформируемой модели интересующей анатомической структуры, изображенной на объемном изображении, причем деформируемая модель образована из множества многоугольников, включающих в себя вершины и ребра, отображения деформируемого элемента на дисплее, обнаружения характерной точки в интересующей анатомической структуре, соответствующей каждому из множества многоугольников, и адаптации деформируемой модели путем перемещения каждой из вершин в направлении соответствующих характерных точек, пока деформируемая модель не превратится в границу интересующей анатомической структуры, образующую сегментацию интересующей анатомической структуры.

Краткое описание чертежей

[0005] Фиг. 1 показывает схематическое изображение системы в соответствии с примерным вариантом осуществления.

[0006] Фиг. 2 показывает блок-схему алгоритма способа в соответствии с примерным вариантом осуществления.

[0007] Фиг. 3 показывает снимок экрана деформируемой модели мозга, инициализированной на объемном изображении, отображенном в GUI.

[0008] Фиг. 4 показывает снимок экрана деформируемой модели мозга из фиг. 3 после того, как она адаптирована к объемному изображению.

Подробное описание

[0009] Примерные варианты осуществления можно дополнительно воспринимать со ссылкой на нижеследующее описание и прилагаемые чертежи, на которых на одинаковые элементы ссылаются одинаковыми номерами ссылок. Примерные варианты осуществления относятся к системе и способу сегментации структур мозга. В частности, примерные варианты осуществления формируют деформируемую модель структуры мозга, которую можно адаптировать к объемному изображению, такому как MRI (томограмма). Однако специалистам в данной области техники станет понятно, что хотя примерные варианты осуществления описывают, в частности, сегментацию структур мозга, система и способ согласно настоящему изобретению могут использоваться для сегментации любой анатомической трехмерной структуры на объемном изображении, например MRI и/или эхограмме.

[0010] Как показано на фиг. 1, система 100 в соответствии с примерным вариантом осуществления сегментирует трехмерную структуру мозга, например мозолистое тело, гиппокамп, мозжечок, таламус и хвостатое ядро, в объемном изображении, таком как MRI или эхограмма. Система 100 содержит процессор 102, который способен к адаптации деформируемой модели структуры мозга на основе особенностей структуры в изображении. Деформируемая модель выбирается из базы данных моделей, сохраненной в запоминающем устройстве 108. Графический интерфейс 104 пользователя используется для ввода пользовательских предпочтений, для определения объема структуры мозга, для отображения деформации структуры мозга, для просмотра конкретной части структуры мозга и т.д. Входные данные, ассоциированные с графическим интерфейсом пользователя, вводятся посредством, например, мыши, сенсорного дисплея и/или клавиатуры. Сегментация структуры мозга, объемное изображение и варианты выбора для пользователя в графическом интерфейсе 104 пользователя отображаются на дисплее 106. Запоминающее устройство 108 может быть любым известным типом машиночитаемого запоминающего носителя. Специалистам в данной области техники станет понятно, что система 100 является, например, персональным компьютером, сервером или любым другим средством обработки.

[0011] Фиг. 2 показывает способ 200 в соответствии с примерным вариантом осуществления, в котором система 100 сегментирует структуру мозга, чтобы идентифицировать деформации в структуре мозга. Способ 200 включает в себя выбор деформируемой модели интересующей структуры мозга из базы данных моделей структур, сохраненной в запоминающем устройстве 108, на этапе 210. В примерном варианте осуществления деформируемая модель автоматически выбирается процессором 102 путем сравнения особенностей интересующей структуры мозга на объемном изображении с моделями структур в базе данных. В другом примерном варианте осуществления деформируемая модель вручную выбирается пользователем, просматривающим базу данных для идентификации деформируемой модели, которая больше всего похожа на интересующую структуру мозга. База данных моделей структур может включать в себя модели структур из исследований структуры мозга и/или результатов сегментации от предыдущих пациентов.

[0012] На этапе 220 деформируемая модель отображается на дисплее 106, как показано на фиг. 3. Деформируемая модель должна отображаться как новое изображение и/или отображаться поверх объемного изображения. Деформируемая модель образуется из поверхностной сетки, включающей в себя множество многоугольников треугольной формы, причем каждый многоугольник треугольной формы дополнительно включает в себя три вершины и ребра. Однако специалистам в данной области техники станет понятно, что поверхностная сетка может включать в себя многоугольники иных форм. Деформируемая модель размещается так, что вершины деформируемой модели размещаются как можно ближе к границе интересующей структуры. На этапе 230 каждому из треугольных многоугольников назначается функция оптимального обнаружения границы. Функция оптимального обнаружения границы на этапе 240 обнаруживает характерные точки вдоль границы интересующей структуры, чтобы каждый из треугольных многоугольников ассоциировался с характерной точкой. Характерные точки могут ассоциироваться с центрами каждого из треугольных многоугольников. Характерная точка, ассоциированная с каждым из треугольных многоугольников, может быть характерной точкой, которая является ближайшей к треугольному многоугольнику и/или соответствует треугольному многоугольнику по положению.

[0013] На этапе 250 каждый из треугольных многоугольников, ассоциированный с характерной точкой, перемещается в направлении ассоциированной характерной точки, так что вершины каждого из треугольных многоугольников перемещаются в направлении границы интересующей структуры, деформируя деформируемую модель для адаптации к интересующей структуре на объемном изображении. Деформируемая модель деформируется до тех пор, пока положение каждого из треугольных многоугольников не будет соответствовать положению ассоциированной характерной точки и/или вершины треугольного многоугольника не будут находиться, по существу, вдоль границы интересующей структуры, как показано на фиг. 4. Как только деформируемая модель деформируется так, что треугольные многоугольники соответствуют ассоциированным характерным точкам границы интересующей структуры, деформируемая модель становится адаптированной к интересующей структуре, так что деформированная деформируемая модель представляет сегментированную структуру интересующей структуры.

[0014] По завершении процесса сегментации пользователь на этапе 260 может ввести пользовательский ввод касательно сегментированной структуры мозга. Пользовательский ввод можно ввести через графический интерфейс 104 пользователя, выбирая вариант выбора пользователя, который может отображаться в графическом интерфейсе 104 пользователя. Например, пользователь может выбрать увеличение и/или масштабирование конкретной части отображенных изображений, изменение вида конкретного изображения, определение интересующих параметров (например, объем сегментированной структуры, кривизна в некоторой точке), идентификацию деформации в сегментированной структуре и т.д. Другие варианты выбора могут включать в себя сохранение сегментированной структуры и/или соответствующих объемных изображений в базе данных деформируемых моделей или вызов ранее сохраненных сегментированных структур из базы данных с целью сравнения. Специалистам в данной области техники станет понятно, что сегментированные структуры и/или соответствующие объемные изображения также могут сохраняться в файлах пациентов для упрощения анализа структурной атрофии у пациентов с TBI.

[0015] Пользователь может захотеть определить объем и/или кривизну сегментированной структуры, чтобы оценить изменения в участке мозга. Такие параметры могут быть особенно полезны в увязывании прошлого воздействия TBI на текущие устойчивые жалобы, нарушения и недееспособность. К тому же здоровые структуры мозга известны как симметричные относительно срединной сагиттальной плоскости, так что левое и правое полушария мозга являются зеркальными изображениями друг друга. Таким образом, в здоровом мозге вершина в одном полушарии мозга - например, в левом полушарии - должна зеркально отображаться в другом полушарии - правом полушарии. Однако TBI по большей части является асимметричным заболеванием. Таким образом, отклонения от средних значений вершин представляют расхождения, которые указывают серьезность деформации интересующих структур мозга. Пользователь поэтому может выбрать просмотр отклонений от средних значений вершин в сегментированной структуре. В дополнительном варианте осуществления разные отклонения могут кодироваться цветом для простой визуализации и интерпретации результатов.

[0016] На этапе 270 процессор 102 формирует ответ на пользовательский ввод, введенный на этапе 260. Например, если пользователь запросил объем сегментированной структуры, то процессор 102 вычислит объем и отобразит объем на дисплее 106. Если пользователь указал, что пользователь хотел бы увеличить конкретную часть объемного изображения и/или сегментированного органа, то процессор 102 сформирует и отобразит увеличенный вид конкретной нужной части. В другом примере, если пользователь указал, что пользователь хотел бы идентифицировать деформации в сегментированной структуре, то процессор 102 идентифицирует срединную сагиттальную плоскость, идентифицирует отклонения в средних значениях вершин между левым и правым полушариями и отобразит деформации на дисплее 106. Как описано выше, разные отклонения могут обозначаться цветом. Этапы 260-270 могут повторяться по желанию, пока пользователь не выберет все нужные варианты выбора в отношении сегментированной структуры мозга.

[0017] Специалистам в данной области техники будет очевидно, что различные модификации и изменения можно внести в структуру и методологию, описанную в этом документе. Таким образом, подразумевается, что настоящее раскрытие изобретения охватывает любые модификации и изменения при условии, что они подпадают под объем прилагаемой формулы изобретения и ее эквивалентов.

[0018] Также отметим, что формула изобретения может включать в себя знаки/цифры ссылок в соответствии с Правилом 6.2(b) PCT. Однако настоящая формула изобретения не должна считаться ограниченной примерными вариантами осуществления, соответствующими знакам/цифрам ссылок.

1. Способ автоматической сегментации структур мозга, содержащий этапы, на которых:
выбирают в качестве интересующей анатомической структуры структуру мозга, являющуюся симметричной относительно срединной сагиттальной плоскости в здоровом мозге;
выбирают (210) деформируемую модель интересующей анатомической структуры, изображенной на объемном изображении мозга, причем деформируемая модель образована из множества многоугольников, включающих в себя вершины и ребра;
отображают (220) деформируемую модель на дисплее (106);
обнаруживают (240) характерную точку интересующей анатомической структуры, соответствующую каждому из множества многоугольников;
адаптируют (250) деформируемую модель путем перемещения каждого из многоугольников в направлении соответствующих характерных точек, пока деформируемая модель не превратится в границу интересующей анатомической структуры, образующую сегментацию интересующей анатомической структуры;
идентифицируют деформации в сегментации интересующей анатомической структуры посредством i) идентификации срединной сагиттальной плоскости данного мозга и ii) определения для интересующей анатомической структуры отклонений в средних значениях вершин между левой и правой полусферами данного мозга относительно срединной сагиттальной плоскости данного мозга, так чтобы указать серьезность деформации интересующей анатомической структуры; и отображают идентифицированные деформации.

2. Способ по п. 1, в котором деформируемую модель выбирают из базы данных структур, сохраненной в запоминающем устройстве (108).

3. Способ по п. 1, в котором характерная точка является точкой, по существу, вдоль границы интересующей анатомической структуры.

4. Способ по п. 1, дополнительно содержащий этап, на котором:
принимают (260) пользовательский ввод через графический интерфейс (104), причем пользовательский ввод выбирает вариант выбора в отношении сегментации.

5. Способ по п. 4, в котором пользовательский ввод выбирает одно из вычисления объема сегментации и определения кривизны в выбранной точке.

6. Система для автоматической сегментации структур мозга, содержащая:
процессор (102), выбирающий в качестве интересующей анатомической структуры структуру мозга, являющуюся симметричной относительно срединной сагиттальной плоскости в здоровом мозге, и выбирающий деформируемую модель интересующей анатомической структуры, изображенной на объемном изображении мозга, причем деформируемая модель образована из множества многоугольников, включающих в себя вершины и ребра;
дисплей (106), отображающий деформируемую модель,
причем процессор (102) дополнительно обнаруживает характерную точку интересующей анатомической структуры, соответствующую каждому из множества многоугольников, чтобы деформировать деформируемую модель путем перемещения каждой из вершин в направлении соответствующих характерных точек, пока деформируемая модель не превратится в границу интересующей анатомической структуры, образующую сегментацию интересующей анатомической структуры;
причем процессор (102) дополнительно выполнен с возможностью идентификации деформаций в сегментации интересующей анатомической структуры посредством i) идентификации срединной сагиттальной плоскости данного мозга, ii) определения для интересующей анатомической структуры отклонений в средних значениях вершин между левой и правой полусферами данного мозга относительно срединной сагиттальной плоскости данного мозга, так чтобы указать серьезность деформации интересующей анатомической структуры.

7. Система по п. 6, дополнительно содержащая:
запоминающее устройство (108), хранящее базу данных структур, из которой выбирается деформируемая модель.

8. Система по п. 6, причем характерная точка является точкой, по существу, вдоль границы интересующей анатомической структуры.

9. Система по п. 6, дополнительно содержащая:
графический интерфейс (104) пользователя, принимающий пользовательский ввод, который выбирает вариант выбора в отношении сегментации.

10. Система по п. 9, в которой процессор (102) формирует ответ на пользовательский ввод.

11. Система по п. 9, причем пользовательский ввод выбирает одно из вычисления объема сегментации и определения кривизны в выбранной точке.

12. Система по п. 6, в которой дисплей (106) отображает разные отклонения разными цветами.



 

Похожие патенты:

Изобретение относится к области обработки информации посредством использования результатов распознавания. Технический результат - обеспечение вывода нового результата распознавания, используя возможность повторного использования результатов вывода, полученных от множества механизмов распознавания.

Изобретение относится к медицинской технике, а именно к средствам формирования функциональных изображений. Способ содержит получение первого изображения накопления первого контрастного вещества в ткани пациента, не являющейся объектом исследования, при этом первое изображение генерируется на основе первых данных от первого средства формирования изображений, получение второго изображения накопления второго контрастного вещества в исследуемой ткани пациента и ткани пациента, не являющейся объектом исследования, при этом второе изображение генерируется на основе вторых данных от другого второго средства формирования изображений, генерирование первой маски изображения на основе первого изображения, генерирование первого изображения особенности на основе второго изображения и первой маски изображения и отображение первого изображения особенности, которое не включает в себя накопление контрастного вещества в исследуемой ткани, не накапливающей контрастное вещество.

Изобретение относится к средствам сегментации изображения. Техническим результатом является повышение быстродействия сегментации.

Изобретение касается способа и устройства обеспечения помощи в подборе размера устройств при медицинском вмешательстве. Способ заключается в получении рентгеновского изображения сосуда, введении в сосуд проволочного направителя, имеющего рентгеноконтрастный кончик проволоки, получении рентгеновского изображения кончика проволоки, разбиении на сегменты кончика проволоки при его прохождении через сосуд и предоставлении информации о размерах сосуда на основе размера кончика проволоки.

Изобретение относится к системе для выделения объекта из исходного изображения, при этом упомянутый объект описан контуром. Техническим результатом является повышение точности выделения объекта на рентгенологических снимках за счет обеспечения ослабления мешающих изогнутых объектов.

Изобретение относится к области идентификации личности по рукописному тексту. Техническим результатом является повышение достоверности идентификации личности.

Изобретение относится к области микроскопического исследования ткани и клеток. Техническим результатом является повышение точности извлечение материала из объекта в области биологии, гистологии или патологии.

Изобретение относится к средствам обработки объемных изображений. Техническим результатом является уменьшение времени создания конечных изображений при выравнивании объемных секций данных изображения.

Изобретение относится к формированию 3D модели сосудов области, представляющий интерес, объекта. Техническим результатом является повышение точности формирования 3D модели сосудов области, представляющей интерес, объекта.

Изобретение относится к средствам для диагностической визуализации. Система обнаружения очагов содержит блок сегментации анатомического первого представляемого изображения области, блок обнаружения очагов высокого накопления радиоактивного индикатора по функциональному второму представляемому изображению, блок классификации области высокого накопления радиоактивного индикатора в соответствии с их положением относительно анатомических структур, блок определения накопления, который исследует сегментированные области чтобы идентифицировать нормальные и аномальные области, блок ослабления области высокого накопления радиоактивного индикатора на функциональном втором представляемом изображении на основании результатов блока классификации, при этом указанные ослабляемые области соответствуют анатомическим структурам, которые идентифицированы как нормальные, блок идентификации области высокого накопления как одно из возможного патологического изменения и отсутствия возможного патологического изменения и блок нормирования, выполненный с возможностью сравнивать метаболическую активность неослабленных областей высокой интенсивности с метаболической активностью областей, идентифицированных блоком определения накопления как нормальные.

Изобретение относится к медицинской технике, а именно к средствам измерения дисперсионных поперечных волн. Способ виброметрии заключается в единичной выдаче импульса распространения, сфокусированного на области возбуждения в представляющей интерес области для установления поперечной волны и выдачу множества импульсов отслеживания для взятия проб, более одного раза, в каждом из множества целевых местоположений на ассоциированной монохроматической поперечной волне.
Изобретение относится к медицине, а именно к гинекологии. Способ включает регистрацию диагностического параметра в процессе лечения.

Изобретение относится к средствам для проведения направляемых визуализацией медицинских процедур. Способ обработки рентгеновского изображения содержит этапы, на которых принимают 2D рентгеновское изображение анатомической области, которая включает в себя ультразвуковой зонд, обнаруживают на нем ультразвуковой зонд, совмещают ультразвуковой зонд с опорной системой координат, включая оценку положения и ориентации ультразвукового зонда относительно опорной системы координат.

Способ относится к медицине, а именно к уронефрологии, и может быть использован для выбора тактики лечения при обструкции мочеточника у детей с клиническими признаками нарушений оттока мочи.
Изобретение относится к медицине, а именно ультразвуковой диагностике, нейрохирургии, сосудистой хирургии и неврологии. Проводят цветовое дуплексное сканирование в горизонтальном и вертикальном положениях пациента.

Изобретение относится к медицинской технике, а именно к диагностическим ультразвуковым системам. Искривленный преобразователь сфокусированного ультразвука высокой интенсивности (HIFU) содержит искривленную пьезоэлектрическую матрицу, имеющую противоположные выпуклую и вогнутую поверхности, причем вогнутая поверхность является передающей поверхностью, и множество зон акустической передачи.
Изобретение относится к медицине, а именно к неврологии. Проводят нейровизуализационное исследование головного мозга, определяют коэффициент коморбидности Cirs и коэффициент коморбидности Kaplan-Feinstein, выявляют кохлеовестибулярный синдром, глазодвигательные расстройства, тип сахарного диабета.
Изобретение относится к медицине, а именно хирургии, и может быть использовано для наложения шейного эзофагоколоанастомоза при пластике пищевода у детей с большим диастазом между сшиваемыми органами.

Изобретение относится к области медицины, а именно к акушерству. У беременных крупным плодом накануне родов проводят ультразвуковое исследование плода.
Изобретение относится к медицине, а именно к терапии и кардиологии, и может быть использовано при проведении диагностики эндотелиальной дисфункции у больных сахарным диабетом 2 типа, сочетанного с артериальной гипертензией.

Изобретение относится к медицине, а именно к акушерству, и может быть использовано для прогнозирования клинического несоответствия при родах крупным плодом. Накануне родов определяют срок беременности. С помощью ультразвукового исследования определяют лобно-затылочный размер головки плода, большой поперечный размер головки плода, угол разгибания головки между позвоночником и затылочной костью плода, прямые и поперечные размеры плоскостей малого таза. Рассчитывают коэффициент плодово-тазовой диспропорции N по формуле: , где ЛЗР - лобно-затылочный размер головки плода, БПР - большой поперечный размер головки, УРГ - угол разгибания головки между позвоночником и затылочной костью плода, СГ - срок беременности, FDEr - прямой размер плоскости входа, TDEr - поперечный размер плоскости входа, FDWP - прямой размер широкой части, TDWP - поперечный размер широкой части, FDNP - прямой размер узкой части, TDNP - поперечный размер узкой части, FDEx - прямой размер плоскости выхода, TDEx - поперечный размер плоскости выхода малого таза. При коэффициенте плодово-тазовой диспропорции N, равном 1,0 и более, прогнозируют клиническое несоответствие. Способ позволяет повысить точность прогнозирования клинического несоответствия при родах крупным плодом за счет учета срока гестации, а также за счет использования значимых ультразвуковых признаков указанной патологии. 1 табл., 4 пр.
Наверх