Система поиска областей интереса в трехмерных медицинских изображениях

Система поиска областей интереса в трехмерных медицинских изображениях относится к области медицины и медицинской кибернетики, более конкретно к системам для идентификации патологически измененных тканей и органов на основе анализа трехмерных томографических изображений. Включает блок получения изображений 1, блок визуализации и выделения области интереса 2, блок хранения референтных изображений 3, блок сравнения полученных и референтных изображений 5. Блок визуализации и выделения области интереса 2 работает в интерактивном режиме. В отличие от прототипа, система дополнительно содержит блок статистического моделирования трехмерных референтных изображений 4, снабженных верифицированной клинической интерпретацией. Входы блока статистического моделирования 4 получают информацию от блока хранения референтных изображений 3 и от блока визуализации и выделения области интереса 2, а его выход подключен к блоку сравнения изображений 5. Выход блока сравнения изображений 5, в свою очередь, подключен к блоку визуализации и выделения области интереса 2, в котором происходит визуализация изображения и отображение сопоставленной ей клинической информации. 1 илл., 3 ист.

Полезная модель относится к области медицины, здравоохранения и медицинской кибернетики, более конкретно к системам для идентификации патологически измененных тканей и органов на основе анализа трехмерных томографических изображений.

Известна система автоматического опознавания объектов для медицинской визуализации по патентам US 7804989, 7856130. Для получения более достоверных данных о границах объектов, которые визуализируются в процессе диагностического исследования, в предлагаемой системе осуществляется автоматизированное выделение границ объектов с использованием известного метода «адаптивного контура». Для этого на каждом плоском срезе определяется область интереса и вычисляются ее границы. Затем такая же процедура проводится на всех доступных срезах с целью вычисления границ трехмерной области. Такой подход позволяет более точно выделять патологические области и повышает качество диагностики при проведении исследований. Недостатками данного технического решения являются невозможность обрабатывать информацию в трехмерном объеме области интереса, а также отсутствие возможности клинической интерпретации выделенной области на основе существующих клинических признаков нормы и патологии на референтных изображениях.

Наиболее близким к заявленному техническому решению по назначению и достигаемому результату является патент US 7783094, опубликован 24.08.2010. Изобретение имеет отношение к автоматизированному автоматическому обнаружению отклонений в медицинских изображениях и к анализу медицинских изображений. Медицинские изображения анализируются, чтобы извлечь и идентифицировать ряд особенностей в изображении, релевантных диагнозу. Система вычисляет начальный диагноз, основанный на наборе идентифицированных особенностей и модели диагноза, которые предоставляются пользователю для обзора с возможностью модификации. После модификации пользователем набора идентифицированных особенностей вычисленный диагноз динамически перевычисляется. Когда пользователь выбирает диагноз, основанный на рекомендации системы, генерируется сообщение о диагнозе, отражая особенности, присутствующие в медицинском изображении, как подтвержденные пользователем, так и выбранный пользователем диагноз.

В данной системе производится автоматическое определение областей интереса и динамическая коррекция выделенных участков изображения в интерактивном режиме с участием эксперта (врача лучевой диагностики). Клиническая интерпретация изображений производится как путем сравнения с существующими атласами изображений, так и визуальным анализом.

Недостатком системы является невозможность обработки трехмерных медицинских изображений и значительный субъективный компонент в принятии диагностических решений.

Общим признаком рассмотренных решений является сравнение анализируемых изображений с ограниченным количеством верифицированных изображений, что в условиях большой размерности обрабатываемых данных приводит к низкой достоверности автоматической классификации. Для снижения вероятности диагностических ошибок требуется привлечение эксперта в предметной области или врача-клинициста.

Задачей, на решение которой направлена заявляемая полезная модель, является повышение точности и информативности диагностики заболеваний на основе сравнения с модельными референтными изображениями.

Данная задача решается за счет анализа и интерпретации трехмерных медицинских изображений. При автоматическом анализе области интереса используется большой набор модельных референтных изображений со статистическими характеристиками, которые аналогичны характеристикам массива реальных изображений с верифицированной клинической интерпретацией. Это достигнуто за счет включения в систему модуля статистического моделирования трехмерных изображений, проводимого на основе реальных верифицированных данных.

Структурная схема системы поиска областей интереса в трехмерных медицинских изображениях изображена на фиг.1.

Заявленное устройство состоит из блока получения трехмерных изображений 1, выход которого подсоединен к входу блока визуализации и выделения области интереса (ВВОИ) 2. Выход блока ВВОИ 2 подсоединен к входу блока статистического моделирования референтных изображений (СМРИ) 4. К другому входу блока СМРИ 4 подсоединен выход блока хранения референтных изображений 3. Выход блока СМРИ 4 подсоединен к входу блока сравнения изображений 5. Второй вход блока сравнения изображений 5 подсоединен к выходу блока визуализации и выделения области интереса ВВОИ 2. Выход блока сравнения изображений 5 подсоединен к соответствующему входу блока визуализации и выделения области интереса 2.

Система поиска областей интереса в трехмерных медицинских изображениях работает следующим образом (фиг.1). Изображение из блока получения трехмерных изображений 1 поступает на вход блока визуализации и выделения области интереса 2, где в интерактивном режиме задаются параметры автоматического анализа изображения для выделения области интереса. Затем параметры выделенной области интереса передаются в блок статистического моделирования референтных изображений СМРИ 4, где происходит генерация большого количества модельных изображений, статистические свойства которых идентичны свойствам референтных изображений. Все референтные изображения снабжены соответствующей клинической интерпретацией. Массив модельных изображений с выхода блока 4 поступает на вход блока сравнения изображений 5. Одновременно на второй вход блока сравнения изображений 5 из блока 2 поступает анализируемое изображение. В блоке 5 производится сравнение анализируемого изображения с массивом модельных изображений и находятся референтные области интереса, которые в наибольшей степени соответствуют анализируемому изображению. С выхода блока 5 выделенная область интереса и ее клиническая интерпретация передаются в блок 2, в котором происходит визуализация изображения и отображение сопоставленной ей клинической информации.

Техническим результатом является снижение временных затрат на поиск, повышение точности диагностики заболеваний и информативности клинической информации.

Использованные источники информации.

1. Pat. US 7804989. Object Recognition System for Medical imaging (2008).

2. Pat. US 7856130. Object Recognition System for Medical imaging (2010).

3. Pat. US 7783094. System and method of computer-aided detection (2010). Прототип.

Система поиска областей интереса в трехмерных медицинских изображениях, содержащая блок получения изображений, блок хранения референтных изображений, блок сравнения полученных и референтных изображений, блок визуализации и выделения области интереса, отличающаяся тем, что она дополнительно содержит блок статистического моделирования трехмерных референтных изображений, снабженных верифицированной клинической интерпретацией, входы которого подключены к блоку хранения референтных изображений и к блоку визуализации и выделения области интереса, выход подключен к блоку сравнения изображений, а выход блока сравнения изображений, в свою очередь, подключен к блоку визуализации и выделения области интереса.