用于对骨扫描图像进行自动化及交互式分析以检测转移的系统及方法与流程

用于对骨扫描图像进行自动化及交互式分析以检测转移的系统及方法
1.相关申请案的交叉参考
2.本技术案主张2019年4月24日提出申请的美国临时申请案第62/837,955号的优先权和权益，所述美国临时申请案的全部内容特此以引用方式并入。
技术领域
3.本发明大体来说涉及用于创建、分析和/或呈现医学图像数据的系统和方法。更确切来说，在某些实施例中，本发明涉及对核医学图像的经改善计算机辅助显示和分析的系统和方法。


背景技术：

4.核医学成像涉及使用放射性标志化合物，被称为放射性药品。放射性药品被投与患者且累积于身体中的各个区中，放射性药品的投与和累积是根据且因此指示各个区中组织的生物物理性质和/或生物化学性质，例如受疾病(例如癌症)的存在和/或疾病状态影响的性质。举例来说，某些放射性药品在被投与患者之后会累积于与恶性骨病变相关联的异常骨生成区中以指示转移。其它放射性药品可粘结到身体中的在疾病演变期间发生变化的特定受体、酵素和蛋白质。在被投与患者之后，这些分子在血液中循环直到其找到其既定目标。已粘结放射性药品停留于疾病部位处，而药剂的其余部分则自身体清除。
5.核医学成像技术通过检测从放射性药品的放射性部分发射的辐射来捕获图像。所累积放射性药品用作示标，使得可使用常用核医学模态获得绘示疾病位置和浓度的图像。核医学成像模态的实例包含骨扫描成像(还被称为闪烁检查)、单光子发射计算机化断层摄影术(spect)和正电子发射断层摄影术(pet)。全世界大部分医院中都有骨扫描、spect和pet成像系统。特定成像模态的选择取决于和/或决定所使用的特定放射性药品。举例来说，锝99m(
99m
tc)标志化合物与骨扫描成像和spect成像兼容，而pet成像通常使用带18f标志的氟化化合物。化合物
99m
tc亚甲基二膦酸酯(
99m
tc mdp)是用于骨扫描成像以检测转移癌的常见放射性药品。放射性标志前列腺特异性膜抗原(psma)瞄准化合物(例如
99m
tc标志1404和pyl
tm
(还被称为[18f]dcfpyl))可分别与spect成像和pet成像搭配使用，并且使得能够进行高特异性前列腺癌检测。
[0006]
因此，核医学成像是有价值的技术，其为医师提供可用于判断患者体内是否存在疾病和疾病程度的信息。医师可使用此信息为患者提供建议的疗程并追踪疾病进展。
[0007]
举例来说，肿瘤科医师可使用从对患者的研究得到的核医学图像作为输入来评定患者是否罹患特定疾病(例如前列腺癌)、疾病发展到哪一阶段、将有何种建议疗程(如果存在)、指示是否需外科手术介入和可能的话进行预后诊断。肿瘤科医师在进行此评定时可使用放射科医师报告。放射科医师报告是核医学图像的技术评估，其由放射科医师为请求进行成像研究的医师准备且例如包含所执行研究的类型、病历、图像之间的比较、用于执行研究的技术、放射科医师的观察和发现以及放射科医师可基于成像研究结果而得出的总体看
法与建议。已签字的放射科医师报告会发送给医师，安排研究以供医师审查，然后医师与患者之间就结果和治疗建议进行讨论。
[0008]
因此，过程涉及放射科医师对患者执行成像研究、分析所获得的图像，创建放射科医师报告，将报告转发给请求的医师，医师制定评定和治疗建议，并且医师将结果、建议和风险传达给患者。过程还可涉及由于不确定性结果而重复进行成像研究，或基于初始结果安排进一步测试。如果成像研究表明患者罹患特定疾病或病症(例如，癌症)，那么医师讨论各种治疗选项，所述治疗选项包含外科手术以及放弃手术的风险、或采取观察等待或积极监测方法来代替外科手术。
[0009]
因此，随时间推移而审查并分析多个患者图像的过程在癌症的诊断和治疗中发挥着关键作用。因此，十分需要促进和改善图像审查和分析的准确性以用于癌症诊断和治疗的经改善工具。以此种方式改善医师、放射科医师和其它健康照护专业人员所利用的工具箱会提供照护标准和患者体验的显著改善。


技术实现要素：

[0010]
本文中呈现提供对核医学图像的经改善计算机辅助显示和分析的系统和方法。确切来说，在某些实施例中，本文中所描述的所述系统和方法提供对用于自动化分析骨扫描图像以评定患者的癌状态的数个图像处理步骤的改善。
[0011]
举例来说，提供用于图像分段、热点检测、将热点自动化分类为表示转移和计算例如骨扫描指数(bsi)值等风险指数的经改善方法。通过所述经改善的图像处理技术，本文中所描述的系统和方法可用于准确且可靠地基于图像进行病变检测和量化以评定各种转移性骨癌(例如，已转移到骨的任何癌症)。这些包含与前列腺癌、乳腺癌、肺癌和各种其它转移癌相关联的转移。
[0012]
骨扫描图像广泛地用于诊断和评估转移癌。对患者注射放射性药品，放射性药品发射核辐射，可检测核辐射以对放射性药品在患者体内的空间分布进行成像。放射性药品可经选择以选择性地累积于与癌性病变(例如，异常骨生成区)相关联的各种类型的组织中。
[0013]
虽然此方法使得能够在骨扫描图像中将病变可视化为亮斑，但准确地识别表示真正转移性病变的图像区绝非易事。放射性药品还可能会累积于非癌性解剖区中(例如在患者的膀胱中)，并且医师和技术人员必须谨慎地区分表示病变的热点与这些区以及噪声和假影。此工作耗时、易出错且操作者之间存在显著可变性。
[0014]
计算机自动化病变检测和分析提供一种解决这些挑战的途径且可极大地提高病变检测和癌症诊断的准确性和可重复性。然而，用于自动化病变检测和分析的工具依靠成像处理与人工智能步骤的复杂组合。举例来说，用以识别骨骼区的图像分段可用于将分析聚焦于骨区。可使用筛选和阈值确定步骤来自动地检测热点，并且可使用机器学习方法(例如，人工神经网络(ann))基于热点的特征(例如大小、形状和强度)来量化地评定所检测到的热点表示转移的可能性。最后，在某些实施例中，使用表示转移的所检测热点集合来计算患者的总风险指数，所述总风险指数表示患者罹患和/或得转移或罹患特定癌状态的总可能性。一个此风险指数是骨扫描指数(bsi)，所述骨扫描指数提供患者骨骼被转移占据的经估计质量分数。
[0015]
任一步骤的准确性都可对下游步骤以及总病变检测和分析过程产生显著影响。本文中所描述的系统和方法为自动化病变检测和分析工作流程中的各种步骤提供数个特定改善，从而在各种患者类型和癌症阶段上提高结果准确性。
[0016]
第一，在某些实施例中，本文中所描述的经改善图像分析技术包括在骨扫描图像中识别整个(例如，超过四分之三长度)肱骨区和/或股骨区的经改善骨骼分段方法。先前方法仅识别股骨和肱骨的有限的一小部分。在此，将所述骨的较大部分分段允许识别出位于手臂和腿末端更远处的病变，而先前所述病变将会逃脱检测。此外，虽然手臂和腿中放射性药品摄取减少导致难以识别手臂和腿中的病变，但本文中所描述的方法利用提高对股骨区和肱骨区的检测灵敏度的区相依阈值确定技术来克服此问题。
[0017]
第二，本发明还提供特别是在高疾病负担下(例如，当患者罹患多种病变时)提高热点检测准确性的全局阈值确定技术。此方法检测初步潜在热点集合，并且然后基于从此初步集合计算的缩放因数来调整用于热点检测的阈值。热点检测的改善为下游计算提供优点，从而改善针对具有高转移水平的患者经计算的bsi值的线性度。
[0018]
第三，在某些实施例中，本文中所描述的系统和方法提高做出关于热点是否表示转移的自动化决策的准确性。确切来说，在某些实施例中，本文中所描述的方法利用临床经验，临床经验指示作为潜在转移的热点选择不仅取决于热点本身的图像特征而且取决于来自整个图像的信息。因此，本文中所描述的方法还可在自动化决策做出步骤中使用全局特征(例如，热点总数目)作为输入(例如，作为到ann的输入)来进行病变识别。
[0019]
第四，在某些实施例中，本文中所描述的方法还提供通过采用考虑到将可将热点自动地定位到特定骨骼区的准确性的潜在误差的校正因数基于骨骼累及计算风险指数值的方法的改善。此对于位于骶骨区中或骶骨区附近的热点特别重要，骶骨区是可难以在二维骨扫描图像中识别的复杂三维结构。此方法改善bsi计算的准确性，并且限制对热点定位误差的灵敏度。
[0020]
因此，本文中所描述的系统和方法包括用于病变识别和量化的数项经改善图像分析技术。这些方法改善可对骨扫描图像进行分析的准确性和稳健性。如本文中所描述，所述方法可用作基于云的系统的一部分以便于审查和报告患者数据且允许改善疾病检测、治疗和监测。
[0021]
在一个方面中，本发明涉及一种用于对受试人的核医学图像(例如，骨扫描图像集合)进行病变标记和量化分析(例如，用户辅助/用户审查的自动化或半自动化病变标记和量化分析)的方法，所述方法包括：(a)通过计算装置的处理器存取(例如，和/或接收)所述受试人的骨扫描图像集合(例如，一个、两个或两个以上图像的集合)，所述骨扫描图像集合是在对所述受试人投与药剂(例如，放射性药品)之后获得(例如，所述骨扫描图像集合包括前侧骨扫描图像和后侧骨扫描图像)(例如，其中所述骨扫描图像集合中的每一图像包括多个像素，每一像素具有与强度对应的值)；(b)通过所述处理器自动地将所述骨扫描图像集合中的每一图像分段以识别一或多个所关注骨骼区，所述一或多个所关注骨骼区各自对应于所述受试人的骨骼的特定解剖区(例如，特定骨和/或一或多个骨(例如，颈椎、锁骨、肋骨、腰椎、骨盆、骶骨、肩胛骨、颅骨、胸椎、胸骨、股骨、肱骨)的集合)，从而获得带注记图像集合，其中所述一或多个所关注骨骼区包括(i)和(ii)中的至少一者：(i)股骨区，其对应于所述受试人的股骨的一部分，所述股骨部分沿着所述股骨的长度囊括所述股骨的至少四分
之三[(例如，大于约四分之三(例如，大约全部)]；和(ii)肱骨区，其对应于所述受试人的肱骨的一部分，所述肱骨部分沿着所述肱骨的长度囊括所述肱骨的至少四分之三[(例如，大于约四分之三(例如，大约全部)]；(c)通过所述处理器自动地检测一或多个热点的初始集合，每一热点对应于所述带注记图像集合中的高强度区域，所述自动地检测包括：使用所述带注记图像集合中的像素的强度且使用一或多个区相依阈值来识别所述一或多个热点(例如，其中每一区相依阈值与所识别的所关注骨骼区相关联，使得将位于特定识别骨骼区内的像素的强度与相关联区相依阈值进行比较)，并且其中所述一或多个区相依阈值包括与所述股骨区和/或所述肱骨区相关联的一或多个值(例如，股骨区的经减小强度阈值和/或肱骨区的经减小强度阈值)，所述一或多个值提供股骨区和/或肱骨区中的经增强热点检测灵敏度，以补偿药剂在股骨区和/或肱骨区中的摄取减少；(d)针对所述初始热点集合中的每一热点，通过所述处理器提取与所述热点相关联的(例如，一或多个的集合)热点特征集合；(e)针对所述初始热点集合中的每一热点，通过所述处理器基于与所述热点相关联的所述热点特征集合计算与所述热点表示转移的可能性对应的转移可能性值[例如，使用一或多个机器学习模块(例如，受过预训练的机器学习模块；例如，人工神经网络(ann))，所述一或多个机器学习模块针对特定热点接收热点特征的至少一部分作为输入并输出所述热点的转移可能性值]；和(f)通过所述处理器致使渲染所述初始热点集合的至少一部分的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个成员上的热点的视觉指示(例如点、边界)；例如，列示经识别热点和每一热点的额外信息(例如位置；例如转移可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0022]
在某些实施例中，步骤(b)包括：将所述骨扫描图像集合中的每一成员与图集图像集合中的对应图集图像进行比较，每一图集图像包括所述一或多个所关注骨骼区的一或多个识别(例如，叠加于图集图像上的图形识别)，所述所关注骨骼区包含所述股骨区和/或所述肱骨区；且针对所述骨扫描图像集合中的每一图像，将所述对应图集图像与所述骨扫描图像集合中的所述图像配准，使得所述图集图像的所述一或多个所关注骨骼区的所述识别应用于(例如，叠加于)所述骨扫描图像集合中的所述图像。
[0023]
在某些实施例中，每一图集图像包括(i)包括所述受试人的膝区的至少一部分的所述股骨区和/或(ii)包括所述受试人的肘部区的至少一部分的所述肱骨区的识别，并且其中针对所述骨扫描图像集合中的每一图像，所述将所述对应图集图像与骨扫描图像配准包括使用在所述图像中所识别的所述膝区和/或所识别的所述肘部区作为界标[例如，通过在骨扫描图像中识别膝区并将其与在对应图集图像中所识别的膝区匹配，然后调整图集图像(例如，计算坐标变换)来将对应图集图像配准到骨扫描图像]。
[0024]
在某些实施例中，初始热点集合中的至少一个所检测热点的位置对应于股骨中或所述股骨上的身体位置，所述身体位置位于超过沿着所述股骨从所述股骨的朝向所述受试人的髋部定向的一端到所述股骨的朝向所述受试人的膝定向的一端的距离的四分之三上。
[0025]
在某些实施例中，所述初始热点集合中的至少一个所检测热点的位置对应于肱骨中或所述肱骨上的身体位置，所述身体位置位于超过沿着所述肱骨从所述肱骨的朝向所述受试人的肩部定向的一端到所述肱骨的朝向所述受试人的肘部定向的一端的距离的四分之三上。
[0026]
在某些实施例中，步骤(c)包括(例如，迭代地)：通过所述处理器在所述骨扫描图
像集合的所述图像中识别经确定不包含任何热点(例如，相对高强度的局部区)的健康组织区；通过所述处理器计算正规化因数，使得所述正规化因数与所识别的所述健康组织区的平均强度的乘积是预定义强度水平；和通过正规化因数将所述骨扫描图像集合中的图像正规化。
[0027]
在某些实施例中，所述方法进一步包括：(g)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积的比率]。
[0028]
在某些实施例中，所述方法包括：(h)通过所述处理器至少部分地基于所述转移可能性值选择所述初始热点集合的第一子集(例如，直到全部子集)[例如，基于针对所述初始热点集合中的特定热点计算的转移可能性值超过阈值来确定所述特定热点是否包含于所述子集中]；和(i)通过所述处理器致使渲染所述第一子集的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个成员上的热点的视觉指示(例如点、边界)；例如，列示经识别热点和每一热点的额外信息(例如位置；例如转移可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0029]
在某些实施例中，所述方法进一步包括：(j)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积]。
[0030]
在某些实施例中，所述方法包括：(k)通过所述处理器经由所述gui接收用户对所述初始热点集合的第二子集的选择；和(l)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是热点的第二子集的总面积除以所有经识别骨骼区的总面积]。
[0031]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患和/或得转移性癌(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)的风险。
[0032]
在某些实施例中，所述转移性癌是转移性前列腺癌。
[0033]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患特定状态的转移性癌症(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)。
[0034]
在某些实施例中，所述处理器是基于云的系统的处理器。
[0035]
在某些实施例中，gui是通用图片归档与通信系统(pacs)(例如，以及肿瘤学的临床应用，包含病变标记和量化分析)的一部分。
[0036]
在某些实施例中，药剂(例如，放射性药品)包括锝99m亚甲基二膦酸酯(
99m
tc
‑
mdp)。
[0037]
在另一方面中，本发明涉及一种用于对受试人的核医学图像(例如，骨扫描图像集合)进行病变标记和量化分析(例如，用户辅助/用户审查的自动化或半自动化病变标记和量化分析)的方法，所述方法包括：(a)通过计算装置的处理器存取(例如，和/或接收)所述受试人的骨扫描图像集合(例如，一个、两个或两个以上图像的集合)，所述骨扫描图像集合是在对所述受试人投与药剂(例如，放射性药品)之后获得(例如，所述骨扫描图像集合包括
前侧骨扫描图像和后侧骨扫描图像)(例如，其中所述骨扫描图像集合中的每一图像包括多个像素，每一像素具有与强度对应的值)；(b)通过所述处理器自动地将所述骨扫描图像集合中的每一图像分段以识别一或多个所关注骨骼区(例如，特定骨和/或一或多个骨(例如，颈椎、锁骨、肋骨、腰椎、骨盆、骶骨、肩胛骨、颅骨、胸椎、胸骨、股骨、肱骨)的集合)从而获得带注记图像集合，每一所关注骨骼区对应于所述受试人的骨骼的特定解剖区；(c)通过所述处理器自动地检测一或多个热点的初始集合，每一热点对应于所述带注记图像集合中的高强度区域，所述自动地检测包括：使用(i)所述带注记图像集合中的像素的强度和(ii)多个初步阈值(例如，其中所述多个初步阈值是区相依阈值，其取决于特定像素所位于的经识别所关注骨骼区)来检测潜在热点集合；使用所述潜在热点集合计算全局阈值缩放因数；使用所述全局阈值缩放因数调整所述多个初步阈值，从而获得多个经调整阈值；和使用(i)带注记图像集合中的像素的强度和(ii)所述多个经调整阈值来识别所述初始热点集合；(d)针对所述初始热点集合中的每一热点，通过所述处理器提取与所述热点相关联的热点特征集合(例如，一或多个的集合)；(e)针对所述初始热点集合中的每一热点，通过所述处理器基于与所述热点相关联的所述热点特征集合计算与所述热点表示转移的可能性对应的转移可能性值[例如，使用一或多个机器学习模块(例如，受过预训练的机器学习模块；例如，针对特定热点接收热点特征的至少一部分作为输入，并输出所述热点的转移可能性值的人工神经网络(ann))]；和(f)通过所述处理器致使渲染所述初始热点集合的至少一部分的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个图像上的热点的视觉指示(例如，点、边界)；例如，列示经识别热点和每一热点的额外信息(例如位置；例如转移可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0038]
在某些实施例中，全局阈值缩放因数是所述受试人的疾病负担的度量的函数[例如，受试者的骨骼被转移(例如，热点)占据的面积分数；例如风险指数值]，并且其中在步骤(c)处执行的调整所述多个初步阈值包括：在疾病负担提高时(例如，由全局阈值缩放因数测量)减小经调整阈值(例如，相对于初步阈值)以补偿随提高的疾病负担而发生的热点面积低估(例如，使得热点的总数目和/或大小随减小的经调整阈值增大)。
[0039]
在某些实施例中，全局阈值缩放因数是经识别骨骼区被潜在热点集合占据的分数(例如，面积分数)的函数(例如，非线性函数)(例如，其中全局阈值缩放因数是初步集合中的所有热点的总面积除以所有经识别骨骼区的总面积的函数)。
[0040]
在某些实施例中，全局阈值缩放因数基于使用潜在热点集合计算的风险指数值(例如，计算为使用潜在热点集合计算的风险指数值的函数)。
[0041]
在某些实施例中，步骤(c)包括(例如，迭代地)：通过所述处理器在所述骨扫描图像集合的所述图像中识别经确定不包含任何热点(例如，相对高强度的局部区)的健康组织区；通过所述处理器计算正规化因数，使得所述正规化因数与所识别的所述健康组织区的平均强度的乘积是预定义强度水平；和通过所述处理器依据所述正规化因数将所述骨扫描图像集合中的所述图像正规化。
[0042]
在某些实施例中，所述方法进一步包括：(g)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积的比率]。
[0043]
在某些实施例中，所述方法包括：(h)通过所述处理器至少部分地基于所述转移可能性值选择所述初始热点集合的第一子集(例如，直到全部子集)[例如，基于针对所述初始热点集合中的特定热点计算的转移可能性值超过阈值来确定所述特定热点是否包含于所述子集中]；和(i)通过所述处理器致使渲染所述第一子集的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个成员上的热点的视觉指示(例如点、边界)；例如，列示经识别热点和每一热点的额外信息(例如位置；例如转移可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0044]
在某些实施例中，所述方法进一步包括：(j)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积]。
[0045]
在某些实施例中，所述方法包括：(k)通过所述处理器经由所述gui接收用户对所述初始热点集合的第二子集的选择；和(l)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是热点的第二子集的总面积除以所有经识别骨骼区的总面积]。
[0046]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患和/或得转移性癌(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)的风险。
[0047]
在某些实施例中，所述转移性癌是转移性前列腺癌。
[0048]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患特定状态的转移性癌症(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)。
[0049]
在某些实施例中，所述处理器是基于云的系统的处理器。
[0050]
在某些实施例中，gui是通用图片归档与通信系统(pacs)(例如，以及肿瘤学的临床应用，包含病变标记和量化分析)的一部分。
[0051]
在某些实施例中，药剂(例如，放射性药品)包括锝99m亚甲基二膦酸酯(
99m
tc
‑
mdp)。
[0052]
在另一方面中，本发明涉及一种用于对受试人的核医学图像(例如，骨扫描图像集合)进行病变标记和量化分析(例如，用户辅助/用户审查的自动化或半自动化病变标记和量化分析)的方法，所述方法包括：(a)通过计算装置的处理器存取(例如，和/或接收)所述受试人的骨扫描图像集合(例如，一个、两个或两个以上图像的集合)，所述骨扫描图像集合是在对所述受试人投与药剂(例如，放射性药品)之后获得(例如，所述骨扫描图像集合包括前侧骨扫描图像和后侧骨扫描图像)(例如，其中所述骨扫描图像集合中的每一图像包括多个像素，每一像素具有与强度对应的值)；(b)通过所述处理器将所述骨扫描图像集合中的每一图像自动地分段以识别一或多个所关注骨骼区(例如，特定骨和/或一或多个骨(例如，颈椎、锁骨、肋骨、腰椎、骨盆、骶骨、肩胛骨、颅骨、胸椎、胸骨、股骨、肱骨)的集合)从而获得带注记图像集合，每一所关注骨骼区对应于所述受试人的骨骼的特定解剖区；(c)通过所述处理器自动地检测一或多个热点的初始集合，每一热点对应于所述带注记图像集合中的高强度区域[例如，其中检测初始热点集合中的所述一或多个热点包括比较像素强度与一或多个阈值(例如，其中所述一或多个阈值根据特定像素所位于的经识别所关注骨骼区而变
化)]；(d)针对所述初始热点集合中的每一热点，通过所述处理器提取与所述热点相关联的(例如，一或多个的集合)热点特征集合；(e)针对所述初始热点集合中的每一热点，通过所述处理器基于与所述热点相关联的所述热点特征集合计算与所述热点表示转移的可能性对应的转移可能性值[例如，使用一或多个机器学习模块(例如，受过预训练的机器学习模块；例如，人工神经网络(ann))，所述一或多个机器学习模块针对特定热点接收热点特征的至少一部分作为输入并输出所述热点的转移可能性值]；(f)通过所述处理器选择所述初始热点集合的第一子集(例如，直到所有子集)，其中选择特定热点以包含于第一子集中至少部分地基于：(i)针对特定热点计算的转移可能性值[例如，基于针对特定热点计算的可能性值与可能性阈值的比较(例如，如果可能性值大于可能性阈值，那么将特定热点包含于第一子集中)]；和(ii)一或多个全局热点特征，每一全局热点特征是使用所述初始热点集合中的多个热点确定(例如，初始热点集合中的热点总数目、初始热点集合中的热点的平均强度、初始热点集合中的热点的峰值强度等)；和(g)通过所述处理器致使渲染第一热点子集的至少一部分的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个图像上的热点的视觉指示(例如点、边界)；例如，列示经识别热点和每一热点的额外信息(例如位置；例如可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0053]
在某些实施例中，所述一或多个全局热点特征包括所述初始热点集合中的热点总数目。
[0054]
在某些实施例中，步骤(f)包括基于所述初始热点集合中的所述热点总数目调整用于选择热点以包含于所述第一子集中的准则[例如，通过在初始热点集合中的热点总数目增加时，放松准则(例如，通过减小与每一热点转移可能性值比较的转移可能性阈值；例如，通过基于初始热点集合中的热点总数目缩放转移可能性值)]。
[0055]
在某些实施例中，步骤(f)包括使用机器学习模块来选择第一子集(例如，ann模块)[例如，其中机器学习模块针对每一热点至少接收针对所述热点计算的转移可能性值以及所述一或多个全局热点特征，并输出(i)将全局热点特征考虑在内的经调整转移可能性值(例如，可与用于选择第一子集中的热点的阈值比较的标度上的值)和/或(ii)表示热点应该还是不应该包含于第一子集中的二进制(例如，0或1；例如，布尔真或假)值]。
[0056]
在某些实施例中，步骤(c)包括(例如，迭代地)：通过所述处理器在所述骨扫描图像集合的所述图像中识别经确定不包含任何热点(例如，相对高强度的局部区)的健康组织区；通过所述处理器计算正规化因数，使得所述正规化因数与所识别的所述健康组织区的平均强度的乘积是预定义强度水平；和通过所述处理器依据所述正规化因数将所述骨扫描图像集合中的所述图像正规化。
[0057]
在某些实施例中，所述方法进一步包括：(g)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积的比率]。
[0058]
在某些实施例中，所述方法包括：(h)通过所述处理器至少部分地基于所述转移可能性值选择所述初始热点集合的第一子集(例如，直到全部子集)[例如，基于针对所述初始热点集合中的特定热点计算的转移可能性值超过阈值来确定所述特定热点是否包含于所
述子集中]；和(i)通过所述处理器致使渲染所述第一子集的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个成员上的热点的视觉指示(例如点、边界)；例如，列示经识别热点和每一热点的额外信息(例如位置；例如转移可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0059]
在某些实施例中，所述方法进一步包括：(j)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积]。
[0060]
在某些实施例中，所述方法包括：(k)通过所述处理器经由所述gui接收用户对所述初始热点集合的第二子集的选择；和(l)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是热点的第二子集的总面积除以所有经识别骨骼区的总面积]。
[0061]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患和/或得转移性癌(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)的风险。
[0062]
在某些实施例中，所述转移性癌是转移性前列腺癌。
[0063]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患特定状态的转移性癌症(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)。
[0064]
在某些实施例中，所述处理器是基于云的系统的处理器。
[0065]
在某些实施例中，gui是通用图片归档与通信系统(pacs)(例如，以及肿瘤学的临床应用，包含病变标记和量化分析)的一部分。
[0066]
在某些实施例中，药剂(例如，放射性药品)包括锝99m亚甲基二膦酸酯(
99m
tc
‑
mdp)。
[0067]
在另一方面中，本发明涉及一种用于对受试人的核医学图像(例如，骨扫描图像集合)进行病变标记和量化分析(例如，用户辅助/用户审查的自动化或半自动化病变标记和量化分析)的方法，所述方法包括：(a)通过计算装置的处理器存取(例如和/或接收)所述受试人的骨扫描图像集合(例如，一个、两个或两个以上图像的集合)(例如，所述骨扫描图像集合包括前侧骨扫描图像和后侧骨扫描图像)(例如，其中所述骨扫描图像集合中的每一图像包括多个像素，每一像素具有与强度对应的值)；(b)通过所述处理器将所述骨扫描图像集合中的每一图像自动地分段以识别一或多个所关注骨骼区(例如，特定骨和/或一或多个骨(例如，颈椎、锁骨、肋骨、腰椎、骨盆、骶骨、肩胛骨、颅骨、胸椎、胸骨、股骨、肱骨)的集合)从而获得带注记图像集合，每一所关注骨骼区对应于所述受试人的骨骼的特定解剖区；(c)通过所述处理器自动地检测一或多个热点的初始集合，每一热点对应于所述带注记图像集合中的高强度区域[例如，其中检测初始热点集合中的所述一或多个热点包括将像素强度与一或多个阈值进行比较(例如，其中所述一或多个阈值根据特定像素所位于的经识别所关注骨骼区而变化)]；(d)针对所述初始热点集合中的每一热点，通过所述处理器提取与所述热点相关联的(例如，一或多个的集合)热点特征集合；(e)针对所述初始热点集合中的每一热点，通过所述处理器基于与所述热点相关联的所述热点特征集合计算与所述热点表示转移的可能性对应的可能性值[例如，使用一或多个机器学习模块(例如，受过预训练的机
器学习模块；例如，针对特定热点接收热点特征的至少一部分作为输入并输出所述热点的可能性值的人工神经网络(ann))]；(f)通过所述处理器至少部分地基于所述初始热点集合中的每一热点计算的可能性值选择所述初始热点集合的热点的第一子集(例如，直到所有热点)[例如，通过基于针对所述初始热点集合的特定热点计算的可能性值确定是否将所述特定热点包含于预选择热点集合中(例如，通过比较可能性值与可能性阈值)]；和(g)通过所述处理器使用热点的第一子集的至少一部分(例如，直到整个第一子集)计算一或多个风险指数值(例如，骨扫描指数值)，所述计算包括：针对第一子集的所述部分的每一特定热点而基于(i)特定热点的大小(例如，面积)对(ii)被指派特定热点的特定骨骼区的大小(例如，面积)的比率(例如，通过处理器)计算骨骼累及因数，从而确定一或多个骨骼累及因数，所述指派是基于所述特定热点在带注记图像集合中的位置；使用一或多个区相依校正因数调整骨骼累及因数[例如，每一区相依校正因数与一或多个骨骼区相关联；例如，其中区相依校正因数具有经选择以减小将特定热点指派到特定骨骼区(例如，多个邻近或附近骨骼区(例如骶骨区、骨盆区和腰椎区)的程度的值)导致经计算骨骼累及因数的浮动]，从而获得一或多个经调整骨骼累及因数；和对所述经调整骨骼累及因数求和以确定所述一或多个风险指数值。
[0068]
在某些实施例中，针对每一特定热点，经计算的所述骨骼累及因数估计总骨骼质量被与所述特定热点相关联的身体体积占据的比例。
[0069]
在某些实施例中，计算骨骼累及因数包括：通过所述处理器计算所述特定热点的面积对对应的所述所关注骨骼区的面积的比率，从而计算所述特定热点的面积分数；通过与被指派所述特定热点的所述所关注骨骼区相关联的密度系数来缩放(例如，乘以)所述面积分数[例如，考虑到对应所关注骨骼区中的骨的重量和/或密度(例如，其中密度系数是对应所关注骨骼区相对于总骨骼的重量分数(例如，普通人)]，从而计算所述特定热点的所述骨骼累及因数。
[0070]
在某些实施例中，第一子集中的热点的至少一部分被指派给所关注骨骼区，所述所关注骨骼区是选自由骨盆区(例如，对应于所述受试人的骨盆)、腰椎区(例如，对应于所述受试人的腰椎柱)和骶骨区(例如，对应于所述受试人的骶骨)组成的群组的成员。
[0071]
在某些实施例中，所述一或多个区相依校正因数包括骶骨区校正因数，所述骶骨区校正因数与骶骨区相关联且用于调整被识别(例如，被处理器)为位于骶骨区中的热点的骨骼累及因数，并且其中所述骶骨区校正因数具有小于1(例如，小于0.5)的值。
[0072]
在某些实施例中，所述一或多个区相依校正因数包括一或多个校正因数对，每一校正因数对与特定所关注骨骼区相关联且包括(所述对中的)第一成员和第二成员，其中：所述对中的所述第一成员是前侧图像校正因数且用于调整针对已在所述带注记图像集合中的带注记前侧骨扫描图像中检测到的热点而计算的骨骼累及因数，并且所述对中的所述第二成员是后侧图像校正因数且用于调整针对已在所述带注记图像集合中的带注记后侧骨扫描图像中检测到的热点计算的骨骼累及因数。
[0073]
在某些实施例中，步骤(c)包括(例如，迭代地)：通过所述处理器在所述骨扫描图像集合的所述图像中识别经确定不包含任何热点(例如，相对高强度的局部区)的健康组织区；通过所述处理器计算正规化因数，使得所述正规化因数与所识别的所述健康组织区的平均强度的乘积是预定义强度水平；和通过所述处理器依据所述正规化因数将所述骨扫描
图像集合中的所述图像正规化。
[0074]
在某些实施例中，所述方法进一步包括：(g)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积的比率]。
[0075]
在某些实施例中，所述方法包括：(h)通过所述处理器至少部分地基于所述转移可能性值选择所述初始热点集合的第一子集(例如，直到全部子集)[例如，基于针对所述初始热点集合中的特定热点计算的转移可能性值超过阈值来确定所述特定热点是否包含于所述子集中]；和(i)通过所述处理器致使渲染所述第一子集的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个成员上的热点的视觉指示(例如点、边界)；例如，列示经识别热点和每一热点的额外信息(例如位置；例如转移可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0076]
在某些实施例中，所述方法进一步包括：(j)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积]。
[0077]
在某些实施例中，所述方法包括：(k)通过所述处理器经由所述gui接收用户对所述初始热点集合的第二子集的选择；和(l)通过所述处理器至少部分地基于所述受试人的所述骨骼被热点的所述第二子集占据的经计算分数(例如，面积分数)计算所述受试人的一或多个风险指数值[例如，其中经计算分数是热点的第二子集的总面积除以所有经识别骨骼区的总面积]。
[0078]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患和/或得转移性癌(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)的风险。
[0079]
在某些实施例中，所述转移性癌是转移性前列腺癌。
[0080]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患特定状态的转移性癌症(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)。
[0081]
在某些实施例中，所述处理器是基于云的系统的处理器。
[0082]
在某些实施例中，gui是通用图片归档与通信系统(pacs)(例如，以及肿瘤学的临床应用，包含病变标记和量化分析)的一部分。
[0083]
在某些实施例中，药剂(例如，放射性药品)包括锝99m亚甲基二膦酸酯(
99m
tc
‑
mdp)。
[0084]
在另一方面中，本发明涉及一种用于对受试人的核医学图像(例如，骨扫描图像集合)进行病变标记和量化分析(例如，用户辅助/用户审查的自动化或半自动化病变标记和量化分析)的系统，所述系统包括：处理器；和存储器，所述存储器上具有指令，其中所述指令在由所述处理器执行时致使所述处理器：(a)存取(例如，和/或接收)所述受试人的骨扫描图像集合(例如，一个、两个或两个以上图像的集合)，所述骨扫描图像集合是在对所述受试人投与药剂(例如，放射性药品)之后获得(例如，所述骨扫描图像集合包括前侧骨扫描图像和后侧骨扫描图像)(例如，其中所述骨扫描图像集合中的每一图像包括多个像素，每一像素具有与强度对应的值)；(b)将所述骨扫描图像集合中的每一图像自动地分段以识别一
或多个所关注骨骼区(例如，特定骨和/或一或多个骨(例如，颈椎、锁骨、肋骨、腰椎、骨盆、骶骨、肩胛骨、颅骨、胸椎、胸骨、股骨、肱骨)的集合)从而获得带注记图像集合，所述一或多个所关注骨骼区各自对应于所述受试人的骨骼的特定解剖区，其中所述一或多个所关注骨骼区包括(i)和(ii)中的至少一者：(i)股骨区，其对应于所述受试人的股骨的一部分，沿着所述股骨的长度所述股骨部分囊括所述股骨的至少四分之三[(例如，大于约四分之三(例如，大约全部)]；和(ii)肱骨区，其对应于所述受试人的肱骨的一部分，所述肱骨部分沿着所述肱骨的长度囊括所述肱骨的至少四分之三[(例如，大于约四分之三(例如，大约全部)]；(c)自动地检测一或多个热点的初始集合，每一热点对应于所述带注记图像集合中的高强度区域，所述自动地检测包括：使用所述带注记图像集合中的像素强度且使用一或多个区相依阈值来识别所述一或多个热点(例如，其中每一区相依阈值与所识别的所关注骨骼区相关联，使得将位于特定识别骨骼区内的像素的强度与相关联区相依阈值进行比较)，并且其中所述一或多个区相依阈值包括与所述股骨区和/或所述肱骨区相关联的一或多个值(例如，股骨区的经减小强度阈值和/或肱骨区的经减小强度阈值)，所述一或多个值提供股骨区和/或肱骨区的经增强热点检测灵敏度，以补偿药剂在股骨区和/或肱骨区中的摄取减少；(d)针对所述初始热点集合中的每一热点，提取与所述热点相关联的(例如，一或多个的集合)热点特征集合；(e)针对所述初始热点集合中的每一热点，基于与所述热点相关联的所述热点特征集合计算与所述热点表示转移的可能性的对应的转移可能性值[例如，使用一或多个机器学习模块(例如，受过预训练的机器学习模块；例如，人工神经网络(ann))，所述一或多个机器学习模块针对特定热点接收热点特征的至少一部分作为输入并输出所述热点的转移可能性值]；和(f)致使渲染所述初始热点集合的至少一部分的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个成员上的热点的视觉指示(例如点、边界)；例如，列示经识别热点和每一热点的额外信息(例如位置；例如转移可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0085]
在某些实施例中，在步骤(b)处所述指令致使所述处理器：将所述骨扫描图像集合中的每一成员与图集图像集合中的对应图集图像进行比较，每一图集图像包括所述一或多个所关注骨骼区的一或多个识别(例如，叠加于图集图像上的图形识别)，所述所关注骨骼区包含所述股骨区和/或所述肱骨区；且针对所述骨扫描图像集合中的每一图像，将所述对应图集图像与所述骨扫描图像集合中的所述图像配准，使得所述图集图像的所述一或多个所关注骨骼区的所述识别应用于(例如，叠加于)所述骨扫描图像集合中的所述图像。
[0086]
在某些实施例中，每一图集图像包括每一图集图像包括(i)包括所述受试人的膝区的至少一部分的所述股骨区和/或(ii)包括所述受试人的肘部区的至少一部分的所述肱骨区的识别，并且其中，对于所述骨扫描图像集合中的每一图像，所述指令致使所述处理器使用图像中的经识别膝区和/或经识别肘部区作为界标将对应图集图像配准到骨扫描图像[例如，通过在骨扫描图像中识别膝区并将其与在对应图集图像中所识别的膝区匹配，然后调整图集图像(例如，计算坐标变换)来将对应图集图像配准到骨扫描图像]。
[0087]
在某些实施例中，初始热点集合中的至少一个所检测热点的位置对应于股骨中或所述股骨上的身体位置，所述身体位置位于超过沿着所述股骨从所述股骨的朝向所述受试人的髋部定向的一端到所述股骨的朝向所述受试人的膝定向的一端的距离的四分之三上。
[0088]
在某些实施例中，所述初始热点集合中的至少一个所检测热点的位置对应于肱骨
中或所述肱骨上的身体位置，所述身体位置位于超过沿着所述肱骨从所述肱骨的朝向所述受试人的肩部定向的一端到所述肱骨的朝向所述受试人的肘部定向的一端的距离的四分之三上。
[0089]
在某些实施例中，在步骤(c)处所述指令致使所述处理器(例如，迭代地)：在所述骨扫描图像集合的所述图像中识别经确定不包含任何热点(例如，具有相对高强度的局部区)的健康组织区；计算正规化因数以使得所述正规化因数与经识别健康组织区的平均强度的乘积是预定义强度水平；和通过正规化因数将所述骨扫描图像集合中的图像正规化。
[0090]
在某些实施例中，所述指令进一步致使所述处理器：(g)至少部分地基于所述受试人的骨骼被所述初始热点集合占据的计算分数(例如，面积分数)来计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积的比率]。
[0091]
在某些实施例中，所述指令致使所述处理器：(h)至少部分地基于转移可能性值选择所述初始热点集合的第一子集(例如，直到所有)[例如，基于针对所述初始热点集合中的特定热点计算的转移可能性值超过阈值来确定所述特定热点是否包含于所述子集中]；和(i)致使渲染第一子集的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个成员上的热点的视觉指示(例如点、边界)；例如，列示经识别热点与每一热点的额外信息(例如位置；例如可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0092]
在某些实施例中，所述指令致使所述处理器：(j)至少部分地基于所述受试人的骨骼被热点的第一子集占据的经计算分数(例如，面积分数)来计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积]。
[0093]
在某些实施例中，所述指令致使所述处理器：(k)经由所述gui接收用户对所述初始热点集合的第二子集的选择；且(l)至少部分地基于所述受试人的所述骨骼被热点的第二子集占据的经计算分数(例如，面积分数)来计算所述受试人的一或多个风险指数值[例如，其中经计算分数是热点的第二子集的总面积除以所有经识别骨骼区的总面积]。
[0094]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患和/或得转移性癌(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)的风险。
[0095]
在某些实施例中，所述转移性癌是转移性前列腺癌。
[0096]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患特定状态的转移性癌症(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)。
[0097]
在某些实施例中，所述系统是基于云的系统。在某些实施例中，所述处理器是基于云的系统的处理器。
[0098]
在某些实施例中，gui是通用图片归档与通信系统(pacs)(例如，以及肿瘤学的临床应用，包含病变标记和量化分析)的一部分。
[0099]
在某些实施例中，药剂(例如，放射性药品)包括锝99m亚甲基二膦酸酯(
99m
tc
‑
mdp)。
[0100]
在另一方面中，本发明涉及一种用于对受试人的核医学图像(例如，骨扫描图像集合)进行病变标记和量化分析(例如，用户辅助/用户审查的自动化或半自动化病变标记和
量化分析)的系统，所述系统包括：处理器；和存储器，所述存储器上具有指令，其中所述指令在由所述处理器执行时致使所述处理器：(a)通过计算装置的处理器存取(例如，和/或接收)所述受试人的骨扫描图像集合(例如，一个、两个或两个以上图像)，所述骨扫描图像集合是在对所述受试人投与药剂(例如，放射性药品)之后获得(例如，所述骨扫描图像集合包括前侧骨扫描图像和后侧骨扫描图像)(例如，其中所述骨扫描图像集合中的每一图像包括多个像素，每一像素具有与强度对应的值)；(b)将所述骨扫描图像集合中的每一图像自动地分段以识别一或多个所关注骨骼区(例如，特定骨和/或一或多个骨(例如，颈椎、锁骨、肋骨、腰椎、骨盆、骶骨、肩胛骨、颅骨、胸椎、胸骨、股骨、肱骨)的集合)从而获得带注记图像集合，每一所关注骨骼区对应于所述受试人的骨骼的特定解剖区；(c)自动地检测一或多个热点的初始集合，每一热点对应于所述带注记图像集合中的高强度区域，所述自动地检测包括：使用(i)所述带注记图像集合中的像素的强度和(ii)多个初步阈值(例如，其中所述多个初步阈值是区相依阈值，其取决于特定像素所位于的经识别所关注骨骼区)来检测潜在热点集合；使用潜在热点集合计算全局阈值缩放因数；使用所述全局阈值缩放因数调整所述多个初步阈值，从而获得多个经调整阈值；和使用(i)所述带注记图像集合中的像素的强度和(ii)所述多个经调整阈值来识别所述初始热点集合；(d)针对所述初始热点集合中的每一热点，提取与所述热点相关联的热点特征集合(例如，一或多个的集合)；(e)针对所述初始热点集合中的每一热点，基于与所述热点相关联的所述热点特征集合计算与所述热点表示转移的可能性的对应的转移可能性值[例如，使用一或多个机器学习模块(例如，受过预训练的机器学习模块；例如，针对特定热点接收热点特征的至少一部分作为输入，并输出所述热点的转移可能性值的人工神经网络(ann))]；和(f)致使渲染所述初始热点集合的至少一部分的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个图像上的热点的视觉指示(例如，点、边界)；例如，列示经识别热点和每一热点的额外信息(例如位置；例如转移可能性值)点的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0101]
在某些实施例中，所述指令致使所述处理器：计算全局阈值缩放因数，所述全局阈值缩放因数是所述受试人的疾病负担的测量[例如，受试者的骨骼被转移(例如，热点)占据的面积分数；例如风险指数值]；和在步骤(c)处通过在疾病负担提高时(例如，由全局阈值缩放因数测量)减小经调整阈值(例如，相对于初步阈值)以补偿随疾病负担的提高而发生的热点面积低估(例如，使得热点的总数目和/或大小随经调整阈值的减小增大)来调整所述多个初步阈值。
[0102]
在某些实施例中，所述指令致使所述处理器将全局阈值缩放因数计算为经识别骨骼区的由潜在热点集合占据的分数(例如，面积分数)的函数(例如，非线性函数)(例如，其中全局阈值缩放因数是初步集合中的所有热点的总面积除以所有经识别骨骼区的总面积的函数)。
[0103]
在某些实施例中，所述指令致使所述处理器基于(例如，根据)使用潜在热点集合计算的风险指数值来计算全局阈值缩放因数。
[0104]
在某些实施例中，在步骤(c)处所述指令致使所述处理器(例如，迭代地)：在所述骨扫描图像集合的所述图像中识别经确定不包含任何热点(例如，具有相对高强度的局部区)的健康组织区；计算正规化因数以使得所述正规化因数与经识别健康组织区的平均强
度的乘积是预定义强度水平；和通过正规化因数将所述骨扫描图像集合中的图像正规化。
[0105]
在某些实施例中，所述指令进一步致使所述处理器：(g)至少部分地基于所述受试人的骨骼被所述初始热点集合占据的计算分数(例如，面积分数)来计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积的比率]。
[0106]
在某些实施例中，所述指令致使所述处理器：(h)至少部分地基于转移可能性值选择所述初始热点集合的第一子集(例如，直到所有)[例如，基于针对所述初始热点集合中的特定热点计算的转移可能性值超过阈值来确定所述特定热点是否包含于所述子集中]；和(i)致使渲染第一子集的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个成员上的热点的视觉指示(例如点、边界)；例如，列示经识别热点与每一热点的额外信息(例如位置；例如可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0107]
在某些实施例中，所述指令致使所述处理器：(j)至少部分地基于所述受试人的骨骼被热点的第一子集占据的经计算分数(例如，面积分数)来计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积]。
[0108]
在某些实施例中，所述指令致使所述处理器：(k)经由所述gui接收用户对所述初始热点集合的第二子集的选择；且(l)至少部分地基于所述受试人的所述骨骼被热点的第二子集占据的经计算分数(例如，面积分数)来计算所述受试人的一或多个风险指数值[例如，其中经计算分数是热点的第二子集的总面积除以所有经识别骨骼区的总面积]。
[0109]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患和/或得转移性癌(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)的风险。
[0110]
在某些实施例中，所述转移性癌是转移性前列腺癌。
[0111]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患特定状态的转移性癌症(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)。
[0112]
在某些实施例中，所述系统是基于云的系统。在某些实施例中，所述处理器是基于云的系统的处理器。
[0113]
在某些实施例中，gui是通用图片归档与通信系统(pacs)(例如，以及肿瘤学的临床应用，包含病变标记和量化分析)的一部分。
[0114]
在某些实施例中，药剂(例如，放射性药品)包括锝99m亚甲基二膦酸酯(
99m
tc
‑
mdp)。
[0115]
在另一方面中，本发明涉及一种用于对受试人的核医学图像(例如，骨扫描图像集合)进行病变标记和量化分析(例如，用户辅助/用户审查的自动化或半自动化病变标记和量化分析)的系统，所述系统包括：处理器；和存储器，所述存储器上具有指令，其中所述指令在由所述处理器执行时致使所述处理器：(a)存取(例如，和/或接收)所述受试人的骨扫描图像集合(例如，一个、两个或两个以上图像的集合)，所述骨扫描图像集合是在对所述受试人投与药剂(例如，放射性药品)之后获得(例如，所述骨扫描图像集合包括前侧骨扫描图像和后侧骨扫描图像)(例如，其中所述骨扫描图像集合中的每一图像包括多个像素，每一像素具有与强度对应的值)；(b)将所述骨扫描图像集合中的每一图像自动地分段以识别一
或多个所关注骨骼区(例如，特定骨和/或一或多个骨(例如，颈椎、锁骨、肋骨、腰椎、骨盆、骶骨、肩胛骨、颅骨、胸椎、胸骨、股骨、肱骨)的集合)从而获得带注记图像集合，每一所关注骨骼区对应于所述受试人的骨骼的特定解剖区；(c)自动地检测一或多个热点的初始集合，每一热点对应于所述带注记图像集合中的高强度区域[例如，其中检测初始热点集合中的所述一或多个热点包括比较像素强度与一或多个阈值(例如，其中所述一或多个阈值根据特定像素所位于的经识别所关注骨骼区而变化)]；(d)针对所述初始热点集合中的每一热点，提取与所述热点相关联的热点特征集合(例如，一或多个的集合)；(e)针对所述初始热点集合中的每一热点，基于与所述热点相关联的所述热点特征集合计算与所述热点表示转移的可能性对应的转移可能性值[例如，使用一或多个机器学习模块(例如，受过预训练的机器学习模块；例如，人工神经网络(ann))，所述一或多个机器学习模块针对特定热点接收热点特征的至少一部分作为输入并输出所述热点的转移可能性值]；(f)自动地选择所述初始热点集合的第一子集(例如，直到所有热点)，其中选择特定热点以包含于第一子集中至少部分地基于：(i)针对特定热点计算的转移可能性值[例如，基于比较针对特定热点计算的可能性值与可能性阈值(例如，如果可能性值大于可能性阈值，那么将特定热点包含于第一子集中)]；和(ii)一或多个全局热点特征，每一全局热点特征是使用所述初始热点集合中的多个热点确定(例如，初始热点集合中的热点总数目、初始热点集合中的热点的平均强度、初始热点集合中的热点的峰值强度等)；和(g)致使渲染第一热点子集的至少一部分的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个图像上的热点的视觉指示(例如点、边界)；例如，列示经识别热点和每一热点的额外信息(例如位置；例如可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0116]
在某些实施例中，所述一或多个全局热点特征包括所述初始热点集合中的热点总数目。
[0117]
在某些实施例中，在步骤(f)处所述指令致使所述处理器基于所述初始热点集合中的所述热点总数目调整用于选择热点以包含于所述第一子集中的准则[例如，通过在初始热点集合中的热点的总数目增加时，放松准则(例如，通过减小与每一热点转移可能性值比较的转移可能性阈值；例如，通过基于初始热点集合中的热点总数目缩放转移可能性值)]。
[0118]
在某些实施例中，在步骤(f)处所述指令致使所述处理器使用机器学习模块选择第一子集(例如，ann模块)[例如，其中机器学习模块针对每一热点至少接收针对所述热点计算的转移可能性值以及所述一或多个全局热点特征，并输出(i)将全局热点特征考虑在内的经调整转移可能性值(例如，可与用于选择第一子集中的热点的阈值比较的标度上的值)和/或(ii)表示热点应该还是不应该包含于第一子集中的二进制(例如，0或1；例如，布尔真或假)值]。
[0119]
在某些实施例中，在步骤(c)处所述指令致使所述处理器(例如，迭代地)：在所述骨扫描图像集合的所述图像中识别经确定不包含任何热点(例如，具有相对高强度的局部区)的健康组织区；计算正规化因数以使得所述正规化因数与经识别健康组织区的平均强度的乘积是预定义强度水平；和通过正规化因数将所述骨扫描图像集合中的图像正规化。
[0120]
在某些实施例中，所述指令进一步致使所述处理器：(g)至少部分地基于所述受试人的骨骼被所述初始热点集合占据的计算分数(例如，面积分数)来计算所述受试人的一或
多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积的比率]。
[0121]
在某些实施例中，所述指令致使所述处理器：(h)至少部分地基于转移可能性值选择所述初始热点集合的第一子集(例如，直到所有)[例如，基于针对所述初始热点集合中的特定热点计算的转移可能性值超过阈值来确定所述特定热点是否包含于所述子集中]；和(i)致使渲染第一子集的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个成员上的热点的视觉指示(例如点、边界)；例如，列示经识别热点与每一热点的额外信息(例如位置；例如可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0122]
在某些实施例中，所述指令致使所述处理器：(j)至少部分地基于所述受试人的骨骼被热点的第一子集占据的经计算分数(例如，面积分数)来计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积]。
[0123]
在某些实施例中，所述指令致使所述处理器：(k)经由所述gui接收用户对所述初始热点集合的第二子集的选择；且(l)至少部分地基于所述受试人的所述骨骼被热点的第二子集占据的经计算分数(例如，面积分数)来计算所述受试人的一或多个风险指数值[例如，其中经计算分数是热点的第二子集的总面积除以所有经识别骨骼区的总面积]。
[0124]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患和/或得转移性癌(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)的风险。
[0125]
在某些实施例中，所述转移性癌是转移性前列腺癌。
[0126]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患特定状态的转移性癌症(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)。
[0127]
在某些实施例中，所述系统是基于云的系统。在某些实施例中，所述处理器是基于云的系统的处理器。
[0128]
在某些实施例中，gui是通用图片归档与通信系统(pacs)(例如，以及肿瘤学的临床应用，包含病变标记和量化分析)的一部分。
[0129]
在某些实施例中，药剂(例如，放射性药品)包括锝99m亚甲基二膦酸酯(
99m
tc
‑
mdp)。
[0130]
在另一方面中，本发明涉及一种用于对受试人的核医学图像(例如，骨扫描图像集合)进行病变标记和量化分析(例如，用户辅助/用户审查的自动化或半自动化病变标记和量化分析)的系统，所述系统包括：处理器；和存储器，所述存储器上具有指令，其中所述指令在由所述处理器执行时致使所述处理器：(a)存取(例如，和/或接收)所述受试人的骨扫描图像集合(例如，一个、两个或两个以上图像的集合)(例如，所述骨扫描图像集合包括前侧骨扫描图像和后侧骨扫描图像)(例如，其中所述骨扫描图像集合中的每一图像包括多个像素，每一像素具有与强度对应的值)；(b)将所述骨扫描图像集合中的每一图像自动地分段以识别一或多个所关注骨骼区(例如，特定骨和/或一或多个骨(例如，颈椎、锁骨、肋骨、腰椎、骨盆、骶骨、肩胛骨、颅骨、胸椎、胸骨、股骨、肱骨)的集合)从而获得带注记图像集合，每一所关注骨骼区对应于所述受试人的骨骼的特定解剖区；(c)自动地检测一或多个热点的初始集合，每一热点对应于所述带注记图像集合中的高强度区域[例如，其中检测初始热
点集合中的所述一或多个热点包括将像素强度与一或多个阈值进行比较(例如，其中所述一或多个阈值根据特定像素所位于的经识别所关注骨骼区而变化)]；(d)针对所述初始热点集合中的每一热点，提取与所述热点相关联的热点特征集合(例如，一或多个的集合)；(e)针对所述初始热点集合中的每一热点，基于与热点相关联的热点特征集合计算与热点表示转移的可能性对应的可能性值[例如，使用一或多个机器学习模块(例如，受过预训练的机器学习模块；例如，针对特定热点接收热点特征的至少一部分作为输入并输出所述热点的可能性值的人工神经网络(ann))]；(f)至少部分地基于所述初始热点集合中的每一热点计算的可能性值选择所述初始热点集合的热点的第一子集(例如，直到所有热点)[例如，通过基于针对所述初始热点集合的特定热点计算的可能性值确定是否将所述特定热点包含于预选择热点集合中(例如，通过将可能性值与可能性阈值进行比较)]；和(g)通过所述处理器使用热点的第一子集的至少一部分(例如，直到整个第一子集)计算一或多个风险指数值(例如，骨扫描指数值)，所述计算包括：针对第一子集的所述部分的每一特定热点基于(i)特定热点的大小(例如，面积)对(ii)被指派特定热点的特定骨骼区的大小(例如，面积)的比率(例如，通过处理器)计算骨骼累及因数，从而确定一或多个骨骼累及因数，所述指派是基于所述特定热点在带注记图像集合中的位置；使用一或多个区相依校正因数调整骨骼累及因数[例如，每一区相依校正因数与一或多个骨骼区相关联；例如，其中区相依校正因数具有经选择以减小将特定热点指派到特定骨骼区(例如，多个邻近或附近骨骼区(例如骶骨区、骨盆区和腰椎区)的程度的值)导致经计算骨骼累及因数的浮动]，从而获得一或多个经调整骨骼累及因数；和对所述经调整骨骼累及因数求和以确定所述一或多个风险指数值。
[0131]
在某些实施例中，针对每一特定热点，经计算的所述骨骼累及因数估计总骨骼质量被与所述特定热点相关联的身体体积占据的比例。
[0132]
在某些实施例中，所述指令致使处理器通过以下方式计算骨骼累及因数：计算所述特定热点的面积对对应的所述所关注骨骼区的面积的比率，从而计算所述特定热点的面积分数；通过与被指派所述特定热点的所述所关注骨骼区相关联的密度系数来缩放(例如，乘以)所述面积分数[例如，考虑到对应所关注骨骼区中的骨的重量和/或密度(例如，其中密度系数是对应所关注骨骼区相对于总骨骼的重量分数(例如，普通人)]，从而计算特定热点的骨骼累及因数。
[0133]
在某些实施例中，第一子集中的热点的至少一部分被指派给所关注骨骼区，所述所关注骨骼区是选自由骨盆区(例如，对应于所述受试人的骨盆)、腰椎区(例如，对应于所述受试人的腰椎柱)和骶骨区(例如，对应于所述受试人的骶骨)组成的群组的成员。
[0134]
在某些实施例中，所述一或多个区相依校正因数包括骶骨区校正因数，所述骶骨区校正因数与骶骨区相关联且用于调整被识别(例如，被处理器)为位于骶骨区中的热点的骨骼累及因数，并且其中所述骶骨区校正因数具有小于1(例如，小于0.5)的值。
[0135]
在某些实施例中，所述一或多个区相依校正因数包括一或多个校正因数对，每一校正因数对与特定所关注骨骼区相关联且包括(所述对中的)第一成员和第二成员，其中：所述对中的所述第一成员是前侧图像校正因数且用于调整针对已在所述带注记图像集合中的带注记前侧骨扫描图像中检测到的热点而计算的骨骼累及因数，并且所述对中的所述第二成员是后侧图像校正因数且用于调整针对已在所述带注记图像集合中的带注记后侧
骨扫描图像中检测到的热点计算的骨骼累及因数。
[0136]
在某些实施例中，在步骤(c)处所述指令致使所述处理器(例如，迭代地)：在所述骨扫描图像集合的所述图像中识别经确定不包含任何热点(例如，具有相对高强度的局部区)的健康组织区；计算正规化因数以使得所述正规化因数与经识别健康组织区的平均强度的乘积是预定义强度水平；和通过正规化因数将所述骨扫描图像集合中的图像正规化。
[0137]
在某些实施例中，所述指令进一步致使所述处理器：(g)至少部分地基于所述受试人的骨骼被所述初始热点集合占据的经计算分数(例如，面积分数)来计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积的比率]。
[0138]
在某些实施例中，所述指令致使所述处理器：(h)至少部分地基于转移可能性值选择所述初始热点集合的第一子集(例如，直到所有)[例如，基于针对所述初始热点集合中的特定热点计算的转移可能性值超过阈值来确定所述特定热点是否包含于所述子集中]；和(i)致使渲染第一子集的图形表示[例如，覆叠于所述骨扫描图像集合和/或带注记图像集合中的一或多个成员上的热点的视觉指示(例如点、边界)；例如，列示经识别热点与每一热点的额外信息(例如位置；例如可能性值)的表]以在图形用户接口(gui)(例如，基于云的gui)内显示。
[0139]
在某些实施例中，所述指令致使所述处理器：(j)至少部分地基于所述受试人的骨骼被热点的第一子集占据的经计算分数(例如，面积分数)来计算所述受试人的一或多个风险指数值[例如，其中经计算分数是所述初始热点集合的总面积除以所有经识别骨骼区的总面积]。
[0140]
在某些实施例中，所述指令致使所述处理器：(k)经由所述gui接收用户对所述初始热点集合的第二子集的选择；且(l)至少部分地基于所述受试人的所述骨骼被热点的第二子集占据的经计算分数(例如，面积分数)来计算所述受试人的一或多个风险指数值[例如，其中经计算分数是热点的第二子集的总面积除以所有经识别骨骼区的总面积]。
[0141]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患和/或得转移性癌(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)的风险。
[0142]
在某些实施例中，所述转移性癌是转移性前列腺癌。
[0143]
在某些实施例中，所述风险指数值中的至少一者指示所述受试人罹患特定状态的转移性癌症(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)。
[0144]
在某些实施例中，所述系统是基于云的系统。在某些实施例中，所述处理器是基于云的系统的处理器。
[0145]
在某些实施例中，gui是通用图片归档与通信系统(pacs)(例如，以及肿瘤学的临床应用，包含病变标记和量化分析)的一部分。
[0146]
在某些实施例中，药剂(例如，放射性药品)包括锝99m亚甲基二膦酸酯(
99m
tc
‑
mdp)。
[0147]
在另一方面中，本发明涉及包括本文中(举例来说在段落[0083]到[00145]中)所描述的方面和实施例中的任一者的系统的计算机辅助图像分析装置[例如，计算机辅助检测(cade)装置；例如，计算机辅助诊断(cadx)装置]。
[0148]
在某些实施例中，所述装置经编程以由受过训练的健康照护专业人员和/或研究
员使用[例如，以接受、传送、存储、图像显示、操纵、量化和报告使用核医学成像获取的数字医学图像；例如，其中装置提供肿瘤学的通用图片归档与通信系统(pacs)工具和/或临床应用，包含病变标记和量化分析]。
[0149]
在某些实施例中，所述装置经编程以用于分析骨扫描图像以评估和/或检测转移性癌(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)。
[0150]
在某些实施例中，所述装置经编程以用于分析骨扫描图像以评估和/或检测前列腺癌。
[0151]
在某些实施例中，所述装置包括标志，所述标志规定装置旨在由受过训练的健康照护专业人员和/或研究员使用[例如，以接受、传送、存储、图像显示、操纵、量化和报告使用核医学成像获取的数字医学图像；例如，其中装置提供肿瘤学的通用图片归档与通信系统(pacs)工具和/或临床应用，包含病变标记和量化分析]。
[0152]
在某些实施例中，所述标志进一步规定装置旨在用于分析骨扫描图像以评估和/或检测转移性癌(例如，转移性前列腺癌、转移性乳腺癌、转移性肺癌和其它转移性骨癌)。
[0153]
在某些实施例中，所述标志进一步规定所述装置旨在用于分析骨扫描图像以评估和/或检测前列腺癌。
[0154]
关于本发明的一个方面所描述的实施例可适用于本发明的另一方面(例如，关于一个独立权利要求项(例如，方法权利要求项)描述的实施例的特征被视为可适用于其它独立权利要求项的其它实施例，例如系统权利要求项且反之亦然)。
附图说明
[0155]
结合附图参考以下说明，将更明了和更好地理解本发明的前述和其它目标、方面、特征和优点，附图中：
[0156]
图1是展示根据说明性实施例用于产生bsi报告的质量控制和报告工作流程的方框流程图。
[0157]
图2是根据说明性实施例用于选择患者数据以供审查的图形用户接口(gui)的屏幕截图，所述图形用户接口与图1中所展示的质量控制和报告工作流程的基于软件的实施方案搭配使用。
[0158]
图3是根据说明性实施例用于审查患者信息的图形用户接口(gui)的屏幕截图，所述图形用户接口与图1中所展示的质量控制和报告工作流程的基于软件的实施方案搭配使用。
[0159]
图4是根据说明性实施例用于审查患者的图像数据并编辑热点选择的图形用户接口(gui)的屏幕截图，所述图形用户接口与图1中所展示的质量控制和报告工作流程的基于软件的实施方案搭配使用。
[0160]
图5是根据说明性实施例在图1中所展示的质量控制和报告工作流程的基于软件的实施方案之后由用户产生的自动产生的报告的屏幕截图。
[0161]
图6是根据说明性实施例用于处理全身骨扫描图像并确定骨扫描指数(bsi)值的过程的方框流程图。
[0162]
图7是展示根据说明性实施例的骨骼图集的全身骨扫描图像集合，所述全身骨扫描图像集合覆叠于前侧骨扫描图像和后侧骨扫描图像以进行骨骼分段。
[0163]
图8是图解说明根据说明性实施例从多个图像患者图像构造骨骼图集的示意图。
[0164]
图9a是根据说明性实施例的批准上市装置中所呈现的显示患者列表的gui窗口的屏幕截图。
[0165]
图9b是根据说明性实施例所提出新装置中所呈现的显示患者列表的gui窗口的屏幕截图。
[0166]
图10a是根据说明性实施例用于显示并审查骨扫描图像和经计算的bsi值的gui窗口的屏幕截图。
[0167]
图10b是根据说明性实施例用于显示并审查骨扫描图像和经计算的bsi值的gui窗口的屏幕截图。
[0168]
图10c是根据说明性实施例的gui窗口中展示显示骨扫描图像的色彩图选项的一部分的屏幕截图。
[0169]
图10d是根据说明性实施例的gui窗口中展示显示骨扫描图像的色彩图选项的一部分的屏幕截图。
[0170]
图11a是根据说明性实施例用于查看骨扫描图像的gui窗口的一部分的屏幕截图。
[0171]
图11b是根据说明性实施例用于查看骨扫描图像的gui窗口的一部分的屏幕截图。
[0172]
图11c是根据说明性实施例用于查看骨扫描图像的gui窗口中图解说明变焦特征的一部分的屏幕截图。
[0173]
图11d是根据说明性实施例用于查看骨扫描图像的gui窗口中图解说明变焦特征的一部分的屏幕截图。
[0174]
图12a是使用强度窗口显示骨扫描图像的gui窗口的屏幕截图，所述强度窗口仅覆盖有限范围的强度值。
[0175]
图12b是根据说明性实施例使用强度窗口显示骨扫描图像的gui窗口的屏幕截图，所述强度窗口的范围高达最大强度值。
[0176]
图12c是图12a中的gui的一部分的屏幕截图，其展示用于调整强度窗口阈值的图形控制。
[0177]
图12d是图12b中的gui的一部分的屏幕截图，其展示用于调整强度窗口阈值的另一图形控制。
[0178]
图12e是显示骨扫描图像集合之前侧图像和后侧图像的gui的屏幕截图，其中每一图像是使用单独强度窗口显示。
[0179]
图12f是显示骨扫描图像集合之前侧图像和后侧图像的gui的屏幕截图，其中同一强度窗口用于这两个图像。
[0180]
图13a是根据说明性实施例展示局部强度值的gui的一部分的屏幕截图，所述局部强度值在鼠标指针的位置处显示。
[0181]
图13b是根据说明性实施例展示局部强度值的gui的屏幕截图，所述局部强度值位于gui的隅角(左下角)中显示的鼠标指针的位置处。
[0182]
图14a是根据说明性实施例展示来自不同研究的骨扫描图像的gui的屏幕截图，所述骨扫描图像被显示且可经由不同gui标签选择。
[0183]
图14b是根据说明性实施例展示来自不同研究的骨扫描图像的gui的屏幕截图，所述骨扫描图像彼此并列地同时显示。
[0184]
图14c是根据说明性实施例展示前侧图像和后侧图像的gui的屏幕截图，所述前侧图像和后侧图像被显示且可经由不同gui标签选择。
[0185]
图14d是根据说明性实施例展示前侧图像和后侧图像的gui的屏幕截图，所述前侧图像和后侧图像是彼此并列地同时显示，其中各种图像的可见性可gui中的复选框选择。
[0186]
图15a是根据说明性实施例展示总图像强度和总骨骼强度的显示的gui的屏幕截图。
[0187]
图15b是根据说明性实施例展示总图像强度的显示的gui的屏幕截图。
[0188]
图16a是根据说明性实施例展示所识别热点的gui的屏幕截图，所述所识别热点是以覆叠于骨扫描图像上的突出显示区来显示。
[0189]
图16b是根据说明性实施例展示所识别热点的gui的屏幕截图，所述所识别热点是以覆叠于骨扫描图像上的突出显示区来显示。
[0190]
图17a是根据说明性实施例展示热点表的gui的屏幕截图，所述热点表列示在骨扫描图像集合内识别的热点。
[0191]
图17b是根据说明性实施例的gui的屏幕截图，其展示所识别热点且图解说明在基于用户经由gui的输入而排除自动检测的热点之后已更新的bsi值。
[0192]
图17c是根据说明性实施例的gui的屏幕截图，其展示所识别热点且图解说明在基于用户经由gui的输入而包含先前所排除的自动检测的热点之后已更新的bsi值。
[0193]
图18a是根据说明性实施例展示用于包含和/或排除自动识别的热点的弹出式图形控制的gui的屏幕截图。
[0194]
图18b是根据说明性实施例展示允许用户选择要包含和/或排除热点的双态触变图形控制的gui的屏幕截图。
[0195]
图18c是根据说明性实施例展示提示用户在产生报告之前遵循质量控制工作流程的窗口的gui的屏幕截图。
[0196]
图19a是根据说明性实施例展示显示针对不同研究所计算的bsi值和以表格形式包含的热点的gui的屏幕截图。
[0197]
图19b是根据说明性实施例的gui的屏幕截图，其在窗口上方展示作为标题的经计算bsi值的显示，从而展示不同研究的骨扫描图像。
[0198]
图20a是根据说明性实施例的gui的屏幕截图，其显示展示经计算bsi值随时间改变的图表。
[0199]
图20b是根据说明性实施例的gui的屏幕截图，其显示展示经计算bsi值随时间改变的图表。
[0200]
图21是根据说明性实施例的gui的屏幕截图，其提供列示特定解剖区中的热点数目的表，所述表用于在不同研究中计算bsi值。
[0201]
图22a是根据说明性实施例的自动产生的报告的屏幕截图，所述自动产生的报告是基于用于自动化分析骨扫描图像并计算bsi值的方法。
[0202]
图22b是根据说明性实施例的自动产生的报告的屏幕截图，所述自动产生的报告是基于用于自动化分析骨扫描图像并计算bsi值的方法。
[0203]
图23是根据说明性实施例的覆叠有基于图集的骨骼分段的骨扫描图像集合，其将有限图集(左)与全长度图集(右)的使用进行比较。
[0204]
图24是根据说明性实施例的用于经由对全长度肱骨区和/或股骨区的分段和增强肱骨区和/或股骨区中的热点检测而改善图像分析的实例性过程的方框流程图。
[0205]
图25a是根据说明性实施例展示全局阈值缩放因数随疾病负担测量而变化的图表。
[0206]
图25b是根据说明性实施例的使用全局阈值缩放方法来改善图像分析的实例性过程的方框流程图。
[0207]
图26是根据说明性实施例使用全局热点特征预选择热点的第一子集的实例性过程的方框流程图。
[0208]
图27是根据说明性实施例的一组两个骨扫描图像，所述骨扫描图像展示关于骶骨、骨盆和腰椎区的部分。
[0209]
图28是根据说明性实施例的基于骨骼累及因数和区相依校正因数来计算风险指数值的实例性过程的方框流程图，所述区相依校正因数考虑到热点定位的潜在误差。
[0210]
图29是将根据本文中所描述的方面和实施例经由自动化的基于软件的方法计算的bsi值与已知分析标准进行比较的图表。
[0211]
图30是展示对50个模拟假体进行多次扫描而得出的自动化bsi值的再现性的图表。
[0212]
图31是展示对35个转移性患者进行多次扫描而得出的自动化bsi值的再现性的图表。
[0213]
图32a是展示采用根据本文中所描述的改善的实施例的当前图像分析软件版本的性能的图表。
[0214]
图32b是展示根据说明性实施例的先前图像分析软件版本的性能的图表。
[0215]
图33a是展示例示性云平台架构的图解。
[0216]
图33b是展示实例性微服务架构的图解。
[0217]
图34是在某些实施例中使用的例示性云计算环境的方框图。
[0218]
图35是在某些实施例中使用的实例性计算装置和实例性移动计算装置的方框图。
[0219]
结合图式阅读下文所陈述的详细说明，将更明了本发明的特征和优点，在图式通篇中相似参考字符标识对应元件。在图式中，相似元件符号通常指示相同、功能上类似和/或结构上类似的元件。
具体实施方式
[0220]
预期，所主张的本发明的系统、装置、方法和过程涵盖使用来自本文中所描述的实施例的信息所形成的变化和更改。本文中所描述的系统、装置、方法和过程的更改和/或修改可由相关领域中的普通技术人员来执行。
[0221]
在本说明通篇，在将物品、装置和系统描述为具有、包含或包括特定组件或者将过程和方法描述为具有、包含或包括特定步骤的情况下，预期，另外存在基本上由所叙述的组件组成或由所叙述的组件组成的本发明的物品、装置和系统，并且存在基本上由所叙述的处理步骤组成或由所叙述的处理步骤组成的根据本发明的过程和方法。
[0222]
应理解，步骤的次序或执行特定动作的次序并不重要，只要本发明保持可操作即可。此外，可同时进行两个或两个以上步骤或动作。
[0223]
举例来说，本文中在背景技术章节中所提到的任何公开内容并非承认所述公开内容相对于本文中所呈现的权利要求项中的任一者充当现有技术。背景技术章节是出于清楚目的而呈现且并非意指相对于任何权利要求项是现有技术的说明。
[0224]
标题是为方便读者而提供
–
存在和/或放置标题并不旨在限制本文中所描述的标的物的范围。
[0225]
在本技术案中，除非另有说明，“或”的使用意指“和/或”。如本技术案中所使用，术语“包括(comprise)”和所述术语的变化形式“(例如comprising/comprises)”并不旨在排除其它添加物、组件、整数或步骤。如本技术案中所使用，术语“约”和“大约”是等效使用的。本技术案中所使用的有或没有“约/大约”修饰的任何数值旨在涵盖相关领域中的普通技术人员所了解的任何正常浮动。在某些实施例中，术语“大约”或“约”是指在任一方向上(大于或小于)在所述参考值的25％、20％、19％、18％、17％、16％、15％、14％、13％、12％、11％、10％、9％、8％、7％、6％、5％、4％、3％、2％、1％或更小内的值范围，除非另有陈述或另外从上下文得知(但此数字将超过可能值的100％的情况除外)。
[0226]
冠词“一(a和an)”在本文中用于指代冠词的文法受词的一个或一个以上(也就是，至少一个)。举例来说，“一元件”意指一个元件或一个以上元件。因此在本说明书和所附权利要求书中，单数形式“一(a/an)”和“所述”包含多个指示物，除非上下文另外明确指明。因此，举例来说，提到包括“药剂”的药学组成包括提到两种或两种以上药剂。
[0227]
本文中所描述的系统和方法涉及对核医学图像的经改善计算机辅助显示和分析。确切来说，在某些实施例中，本文中所描述的所述系统和方法提供对用于自动化分析骨扫描图像以评定患者的癌状态的数个图像处理步骤的改善。举例来说，提供用于图像分段、热点检测、将热点自动化分类为表示转移和计算例如骨扫描指数(bsi)值等风险指数的经改善方法。2016年9月30日提出申请的美国专利申请案第15/282,422号、2014年10月7日提出申请的美国专利第8,855,387号(其美国专利申请案第15/282,422号被再次提出申请)和2017年10月26日提出申请的pct申请案第pct/us17/58418号中详细描述自动化bsi计算技术，上述每一申请案的内容特此以引用方式全部并入。还全部并入本案的2017年10月26日提出申请的pct申请案pct/us2017/058418描述基于云的平台，所述基于云的平台可用作根据本文中所描述的方法提供图像分析和bsi计算工具的平台。
[0228]
确切来说，在某些实施例中，在对受试人投与药剂(例如，放射性药品)之后获取骨扫描图像。所投与药剂累积于癌性骨病变中，这是因为基础组织的物理性质(例如，血管分布增加、异常骨生成)或由于辨别出(通过药剂)选择性地表达或过度表达为肿瘤形式的特定生物分子，例如前列腺特异性膜抗原(psma)。药剂包括发射核辐射的放射性核素，所述核辐射可被检测到且从而用于对药剂在受试者内的空间分布进行成像。
[0229]
举例来说，在某些实施例中，使用γ摄像机以二维扫描形式获取骨扫描图像。举例来说，获取两个图像
–
前侧图像和后侧图像
–
以形成骨扫描图像集合。累积有高浓度药剂的身体区在骨扫描图像中表达为高强度区(即，亮斑)。药剂可累积于例如上文所描述的癌性骨病变以及其它区(例如，受试者的膀胱)中。
[0230]
为准确地识别骨扫描图像中表示病变的区并产生肿瘤负担的量化估计，执行一系列图像处理步骤。确切来说，将骨扫描图像分段以识别与受试者的骨骼的各个骨对应的区，从而形成带注记图像集合。在骨骼区内相对于周围而识别高强度区，并且将高强度区与阈
值进行比较以检测初始热点集合。提取初始热点的特征(例如，热点大小(例如，面积)、热点形状(例如，由例如半径、偏心率等各种度量描述)和/或热点强度的量度(例如，峰值强度、平均强度、积分强度等))并使用所述特征来针对每一热点确定转移可能性值，所述转移可能性值表示热点表示转移的可能性。举例来说，在某些实施例中，使用针对每一热点接收热点特征集合作为输入并输出转移可能性值的人工神经网络(ann)来计算转移可能性值。
[0231]
转移可能性值可用于自动地筛选所述初始热点集合，以确定用于计算指示受试者罹患和/或得转移癌的风险的风险指数的子集。通过以此方式筛选热点，风险指数计算中仅包含经确定以具有表示转移的高可能性的热点。在某些实施例中，渲染热点和/或其可能性值的图形表示以显示给用户(举例来说，以带注记图像上的覆叠标记和/或信息表显示)，从而允许用户选择热点的子集来用于计算风险指数。此允许用户增强热点的自动化选择以利用其输入来计算风险指数。
[0232]
本文中所描述的方法包含对前述图像处理步骤的数项改善，从而提供病变检测和风险指数计算的经改善准确性。举例来说，本发明包含由此识别整个(例如，超过四分之三的长度)肱骨和/或整个(例如，超过四分之三的长度)股骨区的经改善分段方法。先前，仅能识别股骨和肱骨的有限分数。将这些骨的较大(例如整个)部分分段允许识别出位于受试者的手臂和腿末端中更远处的病变。为考虑到四肢中药剂摄取的减少，本文中所描述的方法还在热点检测步骤中利用区相依阈值。骨骼区不同，那么区相依阈值各有不同，并且在股骨和肱骨区中具有较低值，以提高在股骨和肱骨区中的检测灵敏度。
[0233]
在另一经改善方法中，本文中所描述的系统和方法可使用全局阈值缩放技术来检测热点。借助此方法，通过使用多个初步区相依阈值首先识别潜在热点集合来检测初始热点集合。使用所述潜在热点集合来基于受试者骨骼被所述潜在热点集合占据的面积分数计算全局阈值缩放因数。然后，使用全局阈值缩放因数调整初步阈值，并且使用所调整阈值来检测所述初始热点集合。发现此方法最终提高使用所述初始热点集合计算的风险指数的线性度，特别是对于高水平的疾病负担来说—举例来说，在受试者患有诸多病变且骨骼的大部分被热点占据的情况下。
[0234]
本发明还包含对热点选择和风险指数计算的改善。举例来说，本文中所描述的方法可使用热点预选择技术，所述热点预选择技术不仅基于经计算的转移可能性值而且基于测量整个初始热点集合的性质(例如所述集合中的热点总数目)的全局热点特征来对热点进行筛选。全局热点特征的其它实例包含：热点总数目的其它测量，例如平均热点数目/区；总热点强度的测量，例如峰值或平均热点强度；和总热点大小的测量，例如热点的总面积、平均热点大小等。此允许处理方法利用临床经验，所述临床经验表明热点选择取决于图像的其余部分。确切来说，如果存在诸多其它热点，那么热点被选定的概率较高，并且如果仅存在一个热点，那么热点被选定的概率较低。仅基于个别转移可能性值来选择或筛选热点可因此导致低估就具有诸多热点的受试者而计算的风险指数值。并入本文中所描述的全局特征可针对具有诸多热点的患者改善性能。
[0235]
最后，本文中所描述的系统和方法还提供对基于骨骼累及计算风险指数值(例如，骨扫描指数(bsi))的方法的改善。举例来说，bsi是提供受试者的总骨骼质量被癌性病变占据的分数的估计的风险指数值。计算bsi涉及针对每一特定热点基于特定热点的面积与所述特定热点所位于的骨骼区的面积的比率来计算骨骼累及因数。将经缩放版本(例如，以将
面积比率转换成相对质量)求和以计算受试者的bsi值。然而，在正确地定位特定热点所位于的特定骨骼区方面的困难可导致bsi值存在误差。骨扫描图像是二维图像，但受试者的基础骨骼是三维结构。因此，热点可被不正确地识别为位于一个区中，但事实上所述热点表示位于不同骨中的病变。对于骶骨和邻近的骨盆和腰椎区来说，此是特定挑战。为解决此挑战，本发明包含使用区相依校正因数来缩放骨骼累及因数以此考虑到对热点进行定位的潜在误差的经修改风险指数计算方法。此方法改善bsi计算的准确性，并且限制对热点定位的灵敏度。
[0236]
因此，本文中所描述的系统和方法包括用于病变识别和量化的数项经改善图像分析技术。这些方法改善可对骨扫描图像进行分析的准确性和稳健性。如本文中所描述，所述方法可用作基于云的系统的一部分，所述基于云的系统促进审查和报告患者数据且允许改善疾病检测、治疗和监测。
[0237]
a.核医学图像
[0238]
使用核成像模态(例如，骨扫描成像、正电子发射断层摄影术(pet)成像和单光子发射断层摄影术(spect)成像)来获得核医学图像。
[0239]
如本文中所使用，“图像”(举例来说，哺乳动物的3d图像)包含任何视觉表示，例如照片、视频帧、流式视频以及照片、视频帧或流式视频的任何电子、数字或数学类似物。在某些实施例中，本文中所描述的任何设备包含用于显示图像或由处理器产生的任何其它结果的显示器。在某些实施例中，本文中所描述的任何方法包含显示图像或经由所述方法产生的任何其它结果的步骤。如本文中所使用，提到“图像”时的“3d”或“三维”意指传达关于三维的信息。3d图像可渲染为三维形式的数据集和/或可显示为二维的集合表示，或者显示为三维表示。
[0240]
在某些实施例中，核医学图像使用包括放射性药品的成像药剂。核医学图像是在对患者(例如，受试人)投与放射性药品之后获得，并且提供关于放射性药品在患者体内的分布的信息。放射性药品是包括放射性核素的化合物。
[0241]
如本文中所使用，“投与”药剂意指将物质(例如，成像药剂)引入到受试者体内。一般来说，可利用任何投与路线，举例来说包含不经肠道(例如，静脉内)、口服、外用、皮下、腹膜、动脉内、吸入、阴道、直肠、鼻、引入到脑脊髓液中或滴注到身体隔室中。
[0242]
如本文中所使用，“放射性核素”是指包括至少一种元素的放射性同位素的一部分。例示性适合的放射性核素包含(但不限于)本文中描述的放射性核素。在一些实施例中，放射性核素是用于正电子发射断层摄影术(pet)中的放射性核素。在一些实施例中，放射性核素是用于单光子发射计算断层摄影术(spect)中的放射性核素。在一些实施例中，放射性核素的非限制性列表包括
99m
tc、
111
in、
64
cu、
67
ga、
68
ga、
186
re、
188
re、
153
sm、
177
lu、
67
cu、
123
i、
124
i、
125
i、
126
i、
131
i、
11
c、
13
n、
15
o、
18
f、
153
sm、
166
ho、
177
lu、
149
pm、
90
y、
213
bi、
103
pd、
109
pd、
159
gd、
140
la、
198
au、
199
au、
169
yb、
175
yb、
165
dy、
166
dy、
105
rh、
111
ag、
89
zr、
225
ac、
82
rb、
75
br、
76
br、
77
br、
80
br、
80m
br、
82
br、
83
br、
211
at和
192
ir。
[0243]
如本文中所使用，术语“放射性药品”是指包括放射性核素的化合物。在某些实施例中，放射性药品用于诊断和/或治疗目的。在某些实施例中，放射性药品包含：以一或多种放射性核素标志的小分子、以一或多种放射性核素标志的抗体和以一或多种放射性核素标志的抗体的抗原结合部分。
[0244]
核医学图像(例如pet扫描；例如spect扫描；例如全身骨扫描；例如合成pet
‑
ct图像；例如合成spect
‑
ct图像)检测从放射性药品的放射性核素发射的辐射以形成图像。可通过生物机制(例如，血流或灌流)以及通过特异酶素或受体结合反应来确定患者体内的特定放射性药品的分布。可设计不同放射性药品以利用不同生物机制和/或特定特异酶素或受体结合反应，并且因此不同放射性药品在被投与给患者时会选择性地集中于患者体内的特定类型的组织和/或区内。患者体内的放射性药品浓度比其它区高的区会发射较大量辐射，使得所述区在核医学图像中更亮地出现。因此，核医学图像内的强度变化可用于映射患者体内的放射性药品的分布。患者体内的放射性药品的此经映射分布可用于(举例来说)推测患者身体的各个区内是否存在癌组织。
[0245]
举例来说，在被投与患者之后，锝99m亚甲基二膦酸酯(
99m
tc mdp)选择性地累积于患者的骨骼区内，确切来说累积于具有与恶性骨病变相关联的异常骨生成的部位处。放射性药品在这些部位处的选择性集中产生可识别热点—核医学图像中的高强度区域化区。因此，可通过在患者的全身扫描内识别所述热点来推测与转移性前列腺癌相关联的恶性骨病变是否存在。如下文中所描述，可基于对在对患者投与
99m
tc mdp之后获得的全身扫描的强度变化进行自动化分析来计算与患者总存活率和指示疾病状态、进展、治疗效果等其它预后度量准相关的风险指数。在某些实施例中，还可以与
99m
tc mdp类似的方式使用其它放射性药品。
[0246]
在某些实施例中，所使用的特定放射性药品取决于所使用的特定核医学成像模态。举例来说，18f氟化钠(naf)还累积于骨病变中，类似于
99m
tc mdp，但可与pet成像搭配使用。在某些实施例中，pet成像还可利用维生素胆碱的放射性形式，所述维生素胆碱容易被前列腺癌细胞吸收。
[0247]
在某些实施例中，可使用选择性地结合到特定蛋白质或所关注受体的放射性药品—确切来说其表达在癌组织中提高的放射性药品。此类蛋白质或所关注受体包含但不限于肿瘤抗原，例如cea，其在直肠癌中表达；her2/neu，其在多种癌症中表达；brca 1和brca 2，其在乳腺癌和卵巢癌中表达；和trp
‑
1和
‑
2，其在黑色素瘤中表达。
[0248]
举例来说，人的前列腺特异性膜抗原(psma)在前列腺癌(包含转移性疾病)中上调。几乎所有前列腺癌都会表达出psma，并且psma的表达在分化不良的转移性且激素抵抗的癌中进一步提高。因此，与由一或多个放射性核素标志的psma结合药剂(例如，对psma具有高亲和力的化合物)对应的放射性药品可用于获得患者的核医学图像，可从所述核医学图像评定前列腺癌在患者的各个区(例如，包含但不限于骨骼区)内的存在和/或状态。在某些实施例中，当疾病处于局部化状态中时，使用psma结合药剂获得的核医学图像用于识别前列腺内癌组织的存在。在某些实施例中，使用包括psma结合药剂的放射性药品获得的核医学图像用于识别各个区内癌组织的存在，所述各个区不仅包含前列腺，而且包含当疾病具有转移性时其它相关器官和组织区，例如肺、淋巴结和骨。
[0249]
确切来说，在被投与患者时，放射性核素标志的psma结合药剂基于其对psma的亲和力而选择性地累积于癌组织内。以与上文关于
99m
tc mdp所描述的方式类似的方式，放射性核素标志的psma结合药剂在患者体内特定部位处的选择性集中会在核医学图像中产生可检测热点。当psma结合药剂集中于身体的表达psma的各种癌组织和区内时，可检测到患者的前列腺内的局部癌和/或患者身体各个区中的转移性癌，并进行评估。在对患者投与
psma结合药剂放射性药品之后，可基于对核医学图像获得中强度变化的自动化分析来计算与患者总存活率和指示疾病状态、进展、治疗效果等其它预后度量相关的风险指数。
[0250]
各种放射性核素标志的psma结合药剂可用作核医学成像的放射性药品成像药剂以检测并评估前列腺癌。在某些实施例中，所使用的特定放射性核素标志的psma结合药剂取决于若干因素，例如特定成像模态(例如pet；例如spect)和将被成像的患者的特定区(例如，器官)。举例来说，某些放射性核素标志的psma结合药剂适于进行pet成像，而其它放射性核素标志的psma结合药剂适于进行spect成像。举例来说，某些放射性核素标志的psma结合药剂促进对患者的前列腺进行成像且主要在疾病是局部化时使用，而其它放射性核素标志的psma结合药剂促进对患者全身的器官和区进行成像且用于评估转移性前列腺癌。
[0251]
美国专利第8,778,305号、第8,211,401号和第8,962,799号中描述各种psma结合药剂和其放射性核素标志的版本，上述美国专利中的每一者的全部内容以引用方式并入本案。2017年10月26日提出申请的pct申请案pct/us2017/058418中还描述了数种psma结合药剂和其放射性核素标志版本，所述pct申请案的全部内容以引用方式并入本案。
[0252]
b.用于图像分析的骨扫描成像装置
[0253]
在某些实施例中，本文中所描述的计算机辅助图像分析装置旨在由受过训练的健康照护专业人员和研究员使用以接受、传送、存储、图像显示、操纵、量化和报告使用核医学(nm)成像获取的数字医学图像。在某些实施例中，此类装置提供通用图片归档与通信系统(pacs)工具以及肿瘤学临床应用，包含病变标记和量化分析。
[0254]
c.骨扫描图像分析和骨扫描指数值计算
[0255]
骨闪烁检查(还被称为骨扫描成像)是广泛用于评定骨骼疾病负担的成像模态。基于骨扫描图像评定疾病进展的当前标准是基于半量化经修改前列腺癌工作群组2和前列腺癌工作群组3(pcwg)准则。此准则的定义依赖于由受过训练的读者解释的新病变的出现：(i)与预处理扫描相比，在第一次和第二次随访扫描时发现两个新病变后续接着两个额外病变(已知是2 2规则)；或(ii)相对于此后的第一次随访扫描，发现两个新新确认病变。然而，对病变数目进行计数的此半量化评定方法具有若干个限制。确切来说，所述评定受人工可变性影响，其被约束为评定疾病进展，并且无法评定例如与转移性前列腺癌相关的融合性/扩散疾病的准确负担。
[0256]
因此，对骨扫描的自动化和量化评定的需要远远未得到满足。由exini diagnostics ab、瑞典伦德(lund sweden)开发的自动化骨扫描指数(bsi)是基于骨扫描而对患者骨骼疾病进行的完全量化评定，以占总骨骼重量的分数进行评定。bsi已经受严格分析前和分析验证以作为对疾病负担骨扫描的量化改变的客观测量。在最近阶段3前瞻性研究中，已证明bsi评定有使转移性前列腺癌患者分层的风险。
[0257]
本文中所描述的系统和方法涉及以自动化和半自动化的用户引导方式来分析骨扫描图像并计算bsi的经改善计算机辅助方法。本文中还描述gui工具，所述gui工具促进用于确定用户的bsi值的骨扫描图像审查和自动化分析。
[0258]
d.实例性absi平台的装置说明
[0259]
在某些实施例中，本文中所描述的系统和方法可被实施为用于进行自动化和半自动化图像分析以检测并评估患者的癌状态的基于云的平台。本文中所描述的实例性装置是自动化bsi装置(absi)，其是具有网页接口的基于云的软件平台，其中用户可以特定图像文
件(例如dicom文件)形式上传骨扫描图像数据。软件符合数字医学成像与通信(dicom 3)标准。
[0260]
在某些实施例中，根据本文中所描述的系统和方法的装置(例如，计算机辅助图像分析工具)针对既定用户(通常是使用软件来查看患者图像并分析结果的健康照护专业人员)而加以编程。用户在运行操作系统(例如，微软视窗或osx)的计算机上的网页浏览器(例如，谷歌chrome浏览器)中对服务进行操作。软件可经配置以占据单个应用窗口。服务是基于网页的且经由特定url获取。可使用键盘和鼠标控件来操作所述软件。
[0261]
可上传对每一患者的多次扫描且系统针对每一患者提供单独的基于图像的自动化分析。医师对自动化分析进行审查，可通过质量控制和报告工作流程来引导医师。如果自动化评定的质量控制得到认可，那么可创建报告并签字。服务可经配置以符合hipaa和21cfr第11部分。
[0262]
i.服务访问
[0263]
在某些实施例中，对根据本文中所描述的系统和方法的软件工具的访问受安全措施局限和保护。举例来说，访问本文中所描述的系统和方法的基于云的实施方案、absi受呈用户名称、口令和验证码的形式的多因素认证保护，所述用户名称、口令和验证码以文本消息形式被发送到与账户相关联的电话号码。
[0264]
ii.系统要求
[0265]
在某些实施例中，软件强制要求包含以下各项中的一或多者：
[0266]
·
具有视窗或os x且访问到因特网的计算机，
[0267]
·
chrome浏览器，
[0268]
·
可用个人移动电话(仅用于多因素认证)
[0269]
在某些实施例中，用户强制要求包含以下各项中的一或多者：
[0270]
·
chrome浏览器
[0271]
a.至少版本54
[0272]
b.必须允许javascript
[0273]
c.需要html5
[0274]
d.需要写入到局部存储和会话存储
[0275]
·
显示器分辨率至少为1280
×
960
[0276]
iii.图像要求
[0277]
在某些实施例中，软件强制要求包含以下各项中的一或多者：
[0278]
·
图像必须未经压缩且呈dicom 3格式。
[0279]
·
模态(0008,0060)必须为“nm”[0280]
·
图像类型(0008,0008)必须为“original\primary\whole body\emission”[0281]
·
研究日期(0008,0020)必须含有有效日期
[0282]
·
帧数目(0028,0008)必须为1或2
[0283]
·
切片数目(0054,0081)必须为1或2
[0284]
·
像素间隔(0028,0030)必须为≥1.8mm/像素且≤2.8mm/像素
[0285]
·
图像的形状必须使得行数目≥列数目
[0286]
·
患者性别(0010,0040)必须为m
[0287]
·
可以两个不同系列(具有不同系列例项uid的两个文件)或含有两个帧的一个多帧系列(一个文件)的形式来存储前侧图像和后侧图像。
[0288]
·
图像像素数据应处于16位范围中。像素范围从0到255(8位)的图像是不够的。
[0289]
在某些实施例中，用户强制要求包含以下各项中的一或多者：
[0290]
·
前侧图像和后侧图像应覆盖从头皮到胫骨的上部部分和每一手臂的前臂的上部部分中的至少一区域。
[0291]
·
不必对图像应用滤波或其它后处理技术。
[0292]
在某些实施例中，按照相关指南(例如，“eanm骨闪烁检查：肿瘤成像的程序指南”和“骨骼闪烁检查(骨扫描)”的性能的acr
‑
spr实践参数)来获取全身骨闪烁检查图像。
[0293]
iv.工作流程
[0294]
图1是根据说明性实施例的展示用于产生bsi报告的质量控制和报告工作流程100的方框流程图。在某些实施例中，本文中所描述的系统和方法包含用于引导用户(例如，健康照护专业人员)通过患者图像数据的审查及分析以计算自动化bsi值且产生报告的gui。工作流程100允许用户选择102且上传104患者数据的图像文件，然后通过软件分析并由用户审查所述图像文件。
[0295]
可为用户呈现第一gui窗口，例如图2中所展示的窗口200，所述第一gui窗口允许用户从列表选择特定患者以进行审查/分析。于在图2中的列表中选择与特定患者对应的行之后，显示图3中所展示的展示患者信息的新窗口和/或已更新窗口300。
[0296]
转向图4，然后用户可存取引导型分析软件的审查页400。审查页400为用户(例如，健康照护专业人员，例如医师)提供gui，所述gui允许用户审核图像数据和由软件后端执行的热点自动化识别，以计算患者的自动化bsi指数。本文中更详细地描述自动化bsi计算技术，并且2016年9月30日提出申请的美国专利申请案第15/282,422号中和2014年10月7日发布的美国专利第8,855,387号(美国专利申请案第15/282,422是再次发布)和2017年10月26日提出申请的pct申请案第pct/us17/58418号中详细地描述先前版本(不具有本发明的改善)，上述申请案中的每一者的全部内容特此以引用方式并入。
[0297]
审查页允许用户审查106已由软件在图像中自动地识别的表示癌性病变的热点。用户可使用审查页gui来编辑108被识别为热点的区集合，并且必须确认图像质量、骨骼分段(如屏幕截图中的轮廓描绘所绘示)，并且确认识别热点集合已被审查并接受110以继续产生报告。一旦用户的审查和质量控制已得到确认112，那么可产生114包含最终bsi计算值的报告(例如图5中所展示的报告500)。
[0298]
v.图像处理
[0299]
如图6的方框流程图中所展示，可在过程600中使用本文中所描述的系统和方法来自动化检测和预选择热点、接收用户对预选择热点集合的验证，并且计算风险指数值，例如确切来说骨扫描指数(bsi)值。
[0300]
确切来说，在某些实施例中，如图6中所展示，在分段步骤602中，本文中所描述的软件工具使用图像配准算法以将患者图像带入参考坐标系中。此是通过相对于每一患者图像非刚性地调整图集图像来进行。通过将图集图像拟合到患者，可将患者图像分段成骨骼区和背景区。可进一步将骨骼区划分成较小的所关注骨骼区，此在本文中还被称为局部化。在正规化步骤604中，将全身骨扫描图像正规化以当在不同对比度和亮度水平下查看图像
时为用户提供标准化强度范围。在热点检测步骤606中检测热点。在某些实施例中，使用阈值确定规则来检测热点。在另一步骤中，执行热点预选择608。在某些实施例中，热点预选择是基于旨在预选择显著热点以包含于预选择热点集合中的图像分析和机器学习技术，在热点验证步骤610中用户可审查此预选择热点集合。此预选择是基于热点的一系列特征，例如大小、位置、定向、形状和纹理。在某些实施例中，预选择是用户方便工具，其旨在减少用户必须执行(例如以选择热点以用于计算风险指数，例如bsi值)的人工点击次数。在某些实施例中，在预选择步骤之后，可接着进行强制性热点验证步骤，在所述步骤中用户必须审查且认可热点预选择或如果需要则人工地包括和/或排除热点以便能够创建报告。
[0301]
在另一步骤612中，使用经验证热点集合计算特定风险指数(被称为骨扫描指数(bsi))。在某些实施例中，骨扫描指数(bsi)被定义为所有所包含热点的骨骼累及率的总和。累及率是总骨骼质量的与热点对应的体积所占的比例的估计且以百分比表达。可使用以下公式计算累及率，其中c是与骨的密度相关的解剖区域系数：
[0302][0303]
骨骼区分段
[0304]
在某些实施例中，使用通过将图集图像与待分段的骨扫描图像配准的配准方法进行的分段来执行骨骼分段。在此方法中，装置通过将人工描画的带注记模板图像集合弹性地拟合到每一经分析图像集合来自动地将骨骼描画成相异骨骼区。此带注记模板图像集合被称为骨骼图集图像集合。此图集图像集合的结构与任何患者图像相似
‑
其看起来像像常规骨扫描且包括一个前侧图像和一个后侧图像。图集图像在分析扫描时提供固定参考。图集被人工注记有所关注区(骨骼区)，可将所关注区传送到新扫描以准确地计算bsi。图7中展示具有31个人工描绘骨骼区的实例性图集图像集合700。如图7中所展示，与骨扫描图像集合相似，图集图像集合700可包括前侧图像702和后侧图像704。
[0305]
当对骨扫描图像进行分析时，使图集图像弹性地变形以与骨扫描图像相似。然后对图集轮廓应用相同变换，从而产生患者骨扫描图像的每一所关注骨骼区的划定/分段。在此章节的末尾处描述关于适合图集的构造的额外细节。
[0306]
使骨骼图集变形以拟合患者扫描。在某些实施例中，使骨骼图集变形以拟合患者的骨扫描图像遵循迭代方法。分段算法迭代地继续，其中在每一迭代中，针对每一像素估计向量，所述向量描述像素应如何位移到其在目标图像中的对应位置。在每一像素个别位移的情况下，位移向量可能将交叉或共用目标位置，此将导致在经变形图像中出现孔和/或撕裂。为避免此情形，使用滤波方法使向量场平滑。通过对图集和目标图像应用复值滤波器来估计位移。复合滤波器响应可以每一像素的振幅和相位来表示。可表明，局部相位差，即在彼此短距离内的像素之间的相位差，与使其对准所需的位移大小成比例。为获得位移方向的估计，针对不同滤波器角度重复进行此过程数次。获悉每一滤波器的角度和所得位移量值使得可能推断出可观察到最大位移的方向。虽然此方法适用于小位移，但在图集与目标图像相距较远的情况下，还必须能够应用此方法。为实现这一点，采取二次取样方法，其中首先将算法应用于图像的二次取样(缩小尺寸)版本。此方法将大位移视为局部差。然后，所述算法继续进行到越来越详细(较少的二次取样)的图像，以对所得位移场添加更多细节和
可变性。所述算法在经二次取样图像的固定金字塔上运行，以在每一金字塔层级处且在预定平滑程度下进行固定次数的迭代。
[0307]
骨骼图集的构造。本文中所描述的实例性absi装置依赖于单个图集图像。轮廓绘制算法由图集和目标图像中的结构信息驱动，并试图使图集图像变形，使得两个图像中类似结构之间的距离最小化。结构由图像中的边缘和突脊(线)界定。因此，算法忽略全局强度差和纹理图案。因此，适合的图集图像展现出两个重要性质：
[0308]
·
其显示边缘和突脊的相同图案；和
[0309]
·
使图像对准所需的(弹性)变换在所分析图像中的预期解剖变化集合上通常被最小化。
[0310]
在某些实施例中，为满足这些要求，使用基于真实的、正常的(例如，无转移或其它可见的医学病症)骨扫描图像的数据库的图集图像。轮廓绘制算法可用于使数据库的所有图像彼此对准。然后，从所有所得变换计算平均变换。随后，将所有图像都变换成此解剖学平均值，以表示数据库中的平均解剖。在此过程中，强度也被正规化，从而创建适合作为解剖参考的典型骨扫描图像。图8中所展示的示意图概念性地图解说明此理念—可如何从数据库的多个骨扫描图像804a、804b、804c、804d推测平均解剖结构和强度(中心图像，802)。
[0311]
在某些实施例中，随着所包含的扫描次数增加，用于图集图像集合的平均解剖结构迅速收敛到稳定估计值。相对小扫描次数(例如，30)可足以创建代表性参考图像。此外，由于所述算法是由图像中的主要结构驱动，并且对形状和/或大小的差异不敏感，因此可将单个图集应用于任何骨扫描图像以进行骨骼分段。
[0312]
强度正规化和热点检测
[0313]
在读取闪烁检查图像(例如骨扫描)的挑战是扫描之间的强度水平可由于各种参数而不同，例如注入剂量、从注入到扫描的时间、扫描时间、身体类型、摄像机硬件和配置等。在某些实施例中，为促进用户读取且作为量化流水线的一部分(例如，如图6中所展示)，将输入骨扫描正规化使得健康骨组织的平均强度被缩放到预定参考水平。在量化流水线的此阶段处，已实施骨骼分段且属于骨骼的像素是已知的。然而，为测量健康组织的平均强度且因此能够将扫描正规化，必须识别并排除高强度区。如果图像已被正规化，那么此种对骨骼中热点的检测是直接的。此是“鸡生蛋还是蛋生鸡”型的问题，其中需要热点检测来将图像正规化，并且热点检测取决于经正规化图像。因此，迭代方法(例如下文所列示的步骤)可用于解决此挑战：
[0314]
(1)在假定所有骨组织都是健康的(无热点)的情况下估计正规化；
[0315]
(2)鉴于当前正规化检测热点；
[0316]
(3)鉴于当前热点集合估计正规化；和
[0317]
(4)迭代进行步骤(2)和(3)直到收敛为止。
[0318]
此迭代过程在3或4次迭代内收敛到稳定值以实现正规化和热点检测两者。使用简单阈值确定方法来检测热点，其中使用高斯差带通滤波器对图像进行滤波，所述带通滤波器强调相对于相应周围环境为高强度的小区。然后，将此经滤波图像阈值确定为基于区的恒定水平下。
[0319]
在某些实施例中，对不同所关注骨骼区使用不同阈值。举例来说，在基于云的absi实例性实施例中使用的阈值水平针对颈椎、锁骨、肋骨、腰椎、骨盆、骶骨、肩胛骨、颅骨、胸
椎、胸骨是650，并且和针对股骨和肱骨是500。
[0320]
热点检测的输出是表示图像中的热点的roi(所关注区)集合以及用于设定初始最大阈值和最小阈值以用于图像开窗的正规化因数。
[0321]
热点预选择
[0322]
可使用基于人工神经网络(ann)的学习(数据驱动型)方法来将热点分类为对于预选择是包含或排除的。可基于关于患者的训练数据库来调谐/训练ann，其中患者的范围是从正常骨扫描到具有许多广泛热点的骨扫描。
[0323]
训练数据库中的每一热点是使用与其大小、位置、定向、形状和纹理相关的特征(测量)集合来表征。首先，在对ann的参数进行设定以在交叉验证研究中将分类性能最大化的训练阶段期间将所述特征馈送到ann中，并且然后在实际软件中将热点分类为包含或排除。
[0324]
预选择训练会分析图像中的热点和所述热点的紧邻热点，从而使得分类器对训练材料的大规模差异具有稳健性。因此，分类器适用于各种各样的输入数据。然而，可预期同期群之间的性能差异很小。为避免定位对ann参数产生影响，可针对不同骨骼定位构造单独网络。这些ann中的每一者的输入特征集合有所不同。例如，对称特征仅适用于具有自然对称对应物的定位。
[0325]
另外，训练集合中的热点通常由受过阅读骨扫描训练的医学专家人工标志为包含或排除。目标标志可由第二医学专家验证。在一种实例性方法中，美国和欧洲的骨闪烁检查程序指南是是一致的，并且用于获得骨扫描的装备在美国和欧洲是相同的。此外，用于解释临床试验的骨扫描的准则(例如前列腺第二工作组准则)是全球性的。这是基于核医学界的常识，即癌症疾病引起的骨扫描外观上的变化远比可例如在不同种族之间的正常骨密度测量的微小变化要明显得多。对ann的参数进行优化，使得最终分类器模仿医学专家的选择。为避免偏向训练集合，可以使用交叉验证方法。
[0326]
在某些实施例中，虽然预选择会节省读者的时间，但在创建报告之前，所有热点都需要由读者审查和批准。
[0327]
可经由一或多个机器学习模块实施本文中所描述的ann。如本文中所使用，术语“机器学习模块”是指计算机实施的过程(例如，功能)，其实施一或多种特定机器学习算法，以便针对给定输入(例如图像(例如2d图像；例如3d图像)、数据集等)确定一或多个输出值。举例来说，机器学习模块可接收受试人的3d图像作为输入(例如ct图像；例如mri)，并且对于图像的每一立体像素确定表示所述立体像素位于3d图像的对应与所述受试人的特定器官或组织的表示对应的区内的可能性的值。在某些实施例中，两个或两个以上机器学习模块可经组合且被实施为单个模块和/或单个软件应用程序。在某些实施例中，还可单独实施两个或两个以上机器学习模块，例如实施为单独软件应用。机器学习模块可以是软件和/或硬件。举例来说，可将机器学习模块完全实施为软件，或者可经由专用硬件(例如，经由专用集成电路(asic))实施cnn模块的某些功能。
[0328]
e.图形用户接口和图像显示
[0329]
在某些实施例中，本文中所描述的系统和方法包括用于审查患者数据和图像的图形用户接口。gui可允许用户审查患者列表且选择患者来审查并分析其图像。图9a和图9b展示提供可从中选择特定患者的患者列表的实例性gui窗口。一旦已选择特定患者，用户便可
使用gui(例如，图10a和图10b中所展示的gui)查看所述患者的骨扫描图像且审查自动化分析(例如，热点的检测和预选择)。可使用各种色彩图给骨扫描图像着色。图10c和图10d展示可使用的实例性色彩图。
[0330]
在某些实施例中，根据本文中所描述的方法的gui系统促进查看图像。举例来说，可提供图像到屏幕大小的自动调整。图11a展示不具有此功能性的gui实施例，其中用户点击变焦图标以使图像的大小变化。图11b展示gui的屏幕截图，其中图像被自动地设定大小以垂直填充屏幕。图11c和图11d展示提供变焦功能性以详细地查看图像的两种方法。在图11c中所展示的实施例中，当点击并保持滚轮按钮时，鼠标指针周围发生放大。在图11d中所展示的实施例中，提供使用鼠标滚轮以及点击与拖动操作来变焦摇摄功能性。
[0331]
图12a到12f图解说明用于显示图像的强度开窗方法。确切来说，图12b和12d展示实施促进用户调整强度窗口阈值的定制强度开窗滑块的gui实施例。
[0332]
图13a和图13b展示显示局部强度的实例性gui窗口的屏幕截图。确切来说，在某些实施例中，当用户将鼠标指针悬停于图像上时，显示局部强度。在图13a中所展示的实施例中，在鼠标指针的位置处显示局部强度值。在图13b中所展示的实施例中，强度显示于图像的左下角而非在鼠标指针旁边，其中其隐藏图像的一部分(例如，因此提供经改善安全性)。
[0333]
图14a到14d展示用于显示多个骨扫描图像的实例性gui实施例。在图14a和图14c中所展示的实施例中，所使用的表格方法允许用户双态触变不同骨扫描图像集合以用于不同研究，或双态触变前侧图像和后侧图像。在图14b和图14c中所展示的实施例中，复选框用于双态触变各种图像的可见性，从而允许来自不同研究的多个图像彼此并列显示。
[0334]
在某些实施例中，用于进行本文中所描述的图像分析的gui工具的实施例可提供用于质量控制的信息。举例来说，可显示总图像强度。图15a是根据说明性实施例的gui的屏幕截图，其展示总图像强度和总骨骼强度的显示。在某些实施例中，例如图15b中所展示的gui，仅显示总图像强度(而非总骨骼强度)以提供较简单用户接口(例如，以避免混乱)。
[0335]
用于审查骨扫描图像的gui工具可展示覆叠于骨扫描图像上的所检测(例如，和所预选择)热点的图形指示，例如图16a和图16b中所展示。在某些实施例中，还显示图17a中所展示的热点表。在某些实施例中，本文中所描述的gui工具允许用户选择或取消选择供包含于用于计算bsi值的最终选定热点集合中的预选择热点。gui可在图像上方显示所得bsi值1602，从而允许用户在选择和/或取消选择各种热点(1702a和1702b)的情况下观测其改变(比较1704a与1704b)，如图17b和17c中所展示。各种图形控制方法可用于允许用户选择预选择热点以包含或排除。举例来说，图18a展示弹出控件，其在用户右击操作之后出现。图18b展示可接通和关断的双态触变开关1802(“编辑热点”)。一旦双态触变开关接通，用户点击各种热点以选择或取消选择所述热点。在某些实施例中，gui工具可包括安全/质量控制特征，例如图18c中所展示的提示用户在报告产生之前验证质量控制要求的弹出窗口。
[0336]
在某些实施例中，一旦针对各种研究计算出bsi值，便显示所述bsi值以供用户审查。举例来说，经计算bsi值可以表形式显示，如图19a中所展示。在某些实施例中，在所显示骨扫描图像上方显示针对不同研究计算的bsi值以用于其对应研究，如图19b中所展示。如图20a和20b中所展示，还可显示展示经计算bsi值的时间演变的图表。还可显示与经计算bsi值相关的额外信息。图21展示根据说明性实施例的gui的屏幕截图，所述gui的屏幕截图提供列示在不同研究中用于计算bsi值的特定解剖区中的热点数目的表。在某些实施例中，
本文中所描述的系统和方法提供自动化报告产生。图22a和图22b展示实例性自动产生的报告。
[0337]
f.经改善图像处理方法
[0338]
在某些实施例中，本文中所描述的系统和方法包括对图6中所展示的图像处理步骤中的一或多者的改善。
[0339]
i.骨骼分段
[0340]
如本文中所描述，骨骼图集图像集合可用于图像分段。骨骼图集图像集合包含表示典型正常骨扫描的一对模板骨扫描图像(前侧和后侧)以及31个骨骼区的人工轮廓描绘。这些区翘起以拟合待分析的当前患者图像。在某些实施例中，使用其中具有仅覆盖股骨和肱骨的四分之三的骨骼识别的有限图集。在某些实施例中，使用包含覆盖整个股骨和肱骨的骨骼区识别的经改善全长图集。图23展示覆叠有基于图集的骨骼分割的骨扫描图像集合，从而将有限图集2300a(左)和全长图集2300b(右)的使用进行比较。如图23中所展示，有限图集2300a仅包括肱骨2302a和股骨2304a的四分之三或不到四分之三，而全长度图集包含远超过肱骨2302b和股骨2304b的长度的四分之三。使用全长度图集可提高骨骼分段的稳定性。确切来说，增加的图集允许在配准期间将膝盖和肘部用作参考。具有清晰对比度的此类参考点有益于图像分析且提供经改善稳定性。增加的图集还允许检测肢体中较远处的热点。
[0341]
ii.热点检测阈值
[0342]
如本文中所描述，使用图像强度的阈值确定来找到候选热点的初始集合。在某些实施例中，使用全局和固定阈值，使得跨越所有所关注骨骼区和所有图像中使用相同值。另一经改善方法设定在不同所关注骨骼区内变化的区域性阈值。举例来说，此方法允许针对股骨区和肱骨区使用减小的阈值(例如，从650减小到500)以提高检测灵敏度。股骨区和肱骨区在骨扫描图像中展示出比其它骨骼区少的摄取。因此，较低阈值可用于这些区以实现与身体的其余部分类似的灵敏度水平。针对不同骨骼区设定个别阈值确定值允许此功能性且使得增加在这些骨骼区中对较低强度热点的检测。
[0343]
图24展示使用上文所描述的经改善分段和区相依阈值方法来进行病变标记和分析的实例性过程2400。在实例性过程2400中，存取2410受试人的骨扫描图像集合。将所述骨扫描图像集合中的每一成员图像自动地分段2420以识别所关注骨骼区，包含与大于受试者2422的股骨的长度的四分之三对应的股骨区和/或与大于受试者2424的肱骨的长度的四分之三对应的肱骨区。然后，分析经识别所关注骨骼区以自动地检测热点的初始集合2430。如本文中所描述，此自动地检测热点的步骤可包括对每一所关注骨骼区应用使用区相依阈值的阈值确定操作—即，其值是不均一的，并且在不同的骨骼区之间有所不同。确切来说，股骨区和/或肱骨区(分别是2432和2434)的较低值的阈值可用于增强股骨区和/或肱骨区中的检测灵敏度，从而考虑到股骨区和/或肱骨区中减少的药剂(例如，放射性药品)摄取。
[0344]
一旦检测到所述初始热点集合，那么针对每一热点提取热点特征集合2440，且使用热点特征集合来针对每一热点计算转移可能性值2450。可渲染所检测热点以向用户进行图形显示2460，在某些实施例中与额外信息(例如，经计算可能性值)一起显示给用户2460。可基于经计算可能性值筛选(预选择)热点，以包含于第一子集中，以呈现给用户和/或用于计算风险指数，例如bsi值。用户可经由图形显示器审查所检测热点—例如初始热点集合或
包括经筛选热点的第一子集，并且确认或拒斥热点来包含于第二最子集中。然后，可使用此最终子集计算风险指数值，从而将用户专业知识并入到决策制定过程中。
[0345]
在某些实施例中，使用全局动态阈值调整。此方法检查所得bsi值且微调全局阈值缩放因数以适应高负担疾病。根据以下公式计算缩放：
[0346][0347]
其中t
i
是原始初步区阈值。全局阈值缩放的微调提高高负担疾病情况中的线性度，而保持低负担疾病不受影响。因此，此全局缩放因数方法增加bsi计算的有用范围。
[0348]
确切来说，在某些实施例中，全局缩放因数方法是考虑到误差的数据驱动型方法，其中在较高疾病水平下—即，在高转移水平下可能会低估bsi值。这些误差是使用模拟系统发现的，所述系统允许对罹患任何(例如，选定)程度的疾病的患者模拟骨扫描图像。所述模拟系统产生真实骨扫描图像，从而也考虑到特定摄像机和审核参数。因此，可依据已知的特定输入参数产生真实骨扫描图像，使得获悉病变体积、骨骼体积和因此bsi值方面的基本事实。因此，此方法允许经由本文中所描述的图像分析方法计算bsi值，以对照根据图像模拟输入参数确定的已知基本事实bsi值进行比较并检查。对不同程度的疾病负担运行大数目次模拟证明，没有使用本文所描述的全局阈值缩放方法的先前系统以非线性方式低估较高疾病负担的bsi值。方程式1中用于全局阈值缩放因数的非线性函数形式是基于在模拟研究中观察到的误差型样，以便校正经计算bsi值的观测到的非线性低估。
[0349]
图25a是缩放因数随b而变化的图表。如图表中所展示，将初步阈值乘以全局阈值缩放因数会在疾病负担(以热点面积分数为单位进行测量)b增加时减小阈值。降低的(调整的)阈值导致更大区被识别为热点，从而增大经计算bsi值，所述值测量患者骨骼被热点占据的总分数。如此一来，使用全局阈值缩放因数来调整用于热点检测的阈值会校正在高疾病水平下计算的bsi值中观测到的低估。
[0350]
图25b展示使用全局阈值缩放方法检测热点的实例性过程2500。在第一步骤2510中，存取受试人的骨扫描图像集合。将所述骨扫描图像集合自动地分段2520以产生包括所关注骨骼区的识别的带注记图像集合。在某些实施例中，分段可包括识别全长度股骨和/或肱骨，如上文关于图24所描述。在另一步骤2530中，自动地检测初始热点集合。在此热点检测步骤2530中，首先使用初步阈值检测潜在热点集合2532。然后，使用潜在热点集合来计算全局阈值缩放因数2534，例如本文中所描述，然后使用2534全局阈值缩放因数来调整2536初步阈值。然后，使用所述经调整阈值来自动地检测热点以包含于初始热点集合中2538。类似于过程2400，一旦检测到所述初始热点集合，那么针对每一热点提取热点特征集合2540并使用热点特征集合来针对每一热点计算转移可能性值2550。可渲染检测热点以向用户进行图形显示2560。
[0351]
iii.热点预选择
[0352]
如本文中所描述，对热点进行分类以确定其是否应被预选择。在某些实施例中，经由两步式过程实施热点分类。在某些实施例中，举例来说如果患者无其它热点或具有诸多其它热点，那么第一步骤使用特定热点的局部特征而不是图像的其余部分将特定热点分类。在某些实施例中，包含第二步骤以将关于热点的全局信息并入于图像的其余部分中。
[0353]
临床经验表明，热点选择取决于图像的其余部分。如果存在诸多其它热点，那么热
点被选定的概率较高，且如果热点是唯一热点，那么热点被选定的概率较低。因此，仅使用单一步骤过程可能会导致具有诸多热点的患者的bsi值被低估。使用两步式过程可改善在具有诸多热点和高bsi的患者中的性能。可使用机器学习模块执行使用全局热点特征选择热点。举例来说，在某些实施例中，虽然第一机器学习模块用于计算每一热点的转移可能性值，但第二机器学习模块(例如，实施不同ann)可接收经计算的可能性值以及全局热点特征以确定热点是否应包含于预选择热点的子集中。
[0354]
图26展示使用全局热点特征进行热点预选择的实例性过程2600。过程2600开始于存取骨扫描图像集合2610，将所述骨扫描图像集合的图像(成员)自动地分段以识别骨骼区2620且自动地检测初始热点集合2630。分段步骤2620和热点检测步骤2630可利用过程2400的经改善分段方法和/或过程2500的全局阈值缩放方法。针对每一热点提取热点特征2640并使用热点特征来针对每一热点计算转移可能性值2650。在过程2600中，使用转移可能性值以及全局热点特征来预选择初始热点的第一子集2662。此第一子集从而筛选热点，从而允许向用户显示已被自动地确定为可能有癌性病变的较小的目标热点集合2664。
[0355]
iv.图集权重
[0356]
在某些实施例中，调整骶骨、骨盆和腰椎区的校正因数使得具相等面积的热点对应于bsi累及率的更均一测量。在某些实施例中，如果没有此调整，骶骨区与邻近骨盆和腰椎区明显不同。图27展示这些区
–
骶骨区2706、骨盆区2702和腰椎区2704—如骨骼图集中所绘制。
[0357]
为计算bsi值，计算每一选定热点的总骨骼的分数，并将bsi值计算为所有所述分数的和。针对每一热点，如下计算分数。热点大小除以从骨骼分段获得的对应骨骼区(例如，颅骨、肋骨、腰椎、骨盆)的大小，并乘以当前骨骼区相对于总骨骼重量的重量分数常数。这些常数(每一骨骼区一个)可基于国际辐射防护委员会(icrp)出版物23来确定。
[0358]
使用公式计算累及率，其中c是收集了若干个性质的校正因数，例如如果通常在前侧图像和后侧图像两者中都可看到热点。在调整本文所描述的校正因数之前，对于所有三个区，此常数是1.0。
[0359]
在某些实施例中，此基本方法在大多数骨骼区效果良好，但在骶骨区以及周围的骨盆和腰椎区中效果不佳。骶骨是复杂三维结构，并且用二维骨扫描很难区分不同区中的热点并将热点定位到正确区。根据热点(例如，骨盆、腰椎或骶骨)的指派定位，相似大小的热点在其对经计算bsi分数的影响方面可能有很大差异。为减小这些差异，针对骶骨调整上述公式中的系数c，使得从骨盆到腰椎区的差异更平缓。确切来说，校正因数经调整使得比率描述此渐变。c的值相应地被调整为c
骶骨,前侧
＝0.16和c
骶骨,后侧
＝0.28，使得骶骨中的分数bsi值介于骨盆与腰椎区中的分数bsi值之间。
[0360]
图28展示利用本文中所描述的校正因数来调整骨骼累及因数且从其计算风险指数值的实例性过程2800。过程2800包括存取骨扫描图像的步骤2810；将骨扫描图像自动地分段以识别骨骼区2820；自动地检测初始热点集合2830；和针对每一热点提取热点特征2840并计算转移可能性值2850。分段步骤2820和热点检测步骤2830可利用过程2400的经改善分段方法和/或过程2500的全局阈值缩放方法。至少基于在步骤2850处计算的转移可能
性值自动地选择初始集合中的热点的第一子集2860。还可使用全局热点特征(例如，参考过程2600所描述的全局热点特征)，并且还可使用用户输入(例如，经由与gui交互而接收)来选择第一子集。然后，使用第一子集的热点来计算受试者的风险指数值2870。如本文中所描述，风险指数计算可包括计算骨骼累及因数2872，使用区相依校正因数调整骨骼累及因数2874，并对经调整骨骼累及因数求和2876。
[0361]
g.实例：bsi计算性能
[0362]
此实例证明经计算bsi值的线性度、精确度、和再现性。
[0363]
i.线性度和准确性
[0364]
自动化bsi(因变数)是从两组模拟骨扫描确定，并对照已知假体bsi(其被视为从变数)进行测量。在50个模拟骨扫描的第一集合中，夏皮罗
‑
威尔克(shapiro
‑
wilk)测试确认因变数的残差是正态分布(p＝0.850)。另外，平均残差值为0.00、标准偏差为0.25证实在从变数的所有值中均展示出恒定变化的同方差性。鉴于残差展现出正态性和同方差性，模型被认为是线性的。图25展示具有线性拟合线的散点曲线以及在0.10到13.0bsi范围内的线性回归的相关联参数，如下表1所呈现。
[0365]
表1.50个假体的第一集合中线性回归模型的参数，其中预定义bsi范围为0.10到13.0。
[0366]
线性度测量值95％cisig.r0.99(0.99
–
0.99)<0.0001斜率0.98(0.96
–
1.00)<0.0001
[0367]
ii.bsi计算的精确度
[0368]
对于50个模拟骨扫描的第二集合，确定了具有不同定位的五个预定义肿瘤负担中的每一者的自动化bsi值的变化系数和标准偏差。五个预定义假体bsi中的每一者处的变化系数小于或等于30％。下表2中展示结果。
[0369]
表2.在五个预定义肿瘤负担中的每一者处自动化bsi值的变化系数和标准偏差
[0370][0371]
iii.使用不同摄像机的再现性
[0372]
下表3展示针对5个疾病负担和不同摄像机计算的bsi值的模拟结果。摄像机的不同准直器设定对bsi值的再现性影响最小。每一疾病负担的标准偏差是<10％。
[0373]
表3.为使用不同摄像机的模拟而计算的bsi值。
[0374]
[0375]
iv.在不同图像计数下的再现性
[0376]
图26展示布兰德
‑
阿特曼(bland
‑
altman)图以评估从50模拟假体的自动化bsi读取的再现性。平均bsi与中位数bsi的差为0.0(实水平线)，并且标准偏差为0.20，其中可重复性系数(2xsd)为0.40和
‑
0.40(水平虚线)。下表4中呈现说明性统计。配对t测试证明p值为0.15，暗示在重复扫描中获得的两个absi值之间在统计学上没有显著差异。
[0377]
表4.展示从50个模拟假体进行的自动化bsi计算的再现性的描述性统计。
[0378][0379][0380]
v.对患者重复扫描的再现性
[0381]
图27展示评估来自35个转移性患者的重复骨扫描的自动化bsi读取的再现性的布兰德
‑
阿特曼图。平均bsi与中位数bsi的差为0.0(实水平线)，并且标准偏差为0.18，其中可重复性系数(2xsd)为0.36和
‑
0.36(水平虚线)。下表5中呈现描述性统计。配对t测试证明p值为0.09，暗示在重复扫描中获得的两个absi值之间在统计学上没有显著差异。
[0382]
表5.展示从35个转移性患者的重复骨扫描进行的自动化bsi计算的再现性的描述性统计。
[0383][0384]
vi.与批准上市装置的比较
[0385]
图28a和图28b将利用本发明的改善的自动化bsi装置(软件absi版本3.4)与实现不利用本发明的改善的软件的早期版本的批准上市装置(软件exini版本1.7)的bsi计算的布兰德
‑
阿特曼图进行比较。每一图展示使用两个bsi软件版本中的一者，模拟假体的已知bsi值与假体的计算值之间的差。图28a展示已知假体值与absi 3.4计算值之间的差，而图28b展示已知假体值与使用exini 1.7计算的值之间的差。图28a和图28b中的水平实线指示，对于absi 3.4和
‑
0.89，平均bsi差(在假体与经计算bsi值之间)分别为0.14和
‑
0.89。absi 3.4的标准偏差(sd＝0.30)，据观测其明显低于exini 1.7的标准偏差(sd＝0.88)。下表6a和6b中呈现描述性统计。
[0386]
表6a.采用本文中所描述的方法利用自动化bsi(软件版本3.4)计算的bsi值的描述性统计
[0387]
[0388]
表6b.利用批准上市软件(exini 1.7)计算的bsi值的描述性统计
[0389][0390]
h.计算机系统和网络环境
[0391]
在某些实施例中，使用基于云的微服务架构实施本文中所描述的系统和方法。图33a展示实例性云平台架构，并且图33b展示实例性微服务通信设计图表。
[0392]
图34展示在本文中所描述的所述方法和系统中使用的说明性网络环境3400。简要概括来说，现在参考图34，展示并描述例示性云计算环境3400的方框图。云计算环境3400可包含一或多个资源提供者3402a、3402b、3402c(统称为3402)。每一资源提供者3402可包含计算资源。在某些实施方案中，计算资源可包含用于处理数据的任何硬件和/或软件。举例来说，计算资源可包含能够执行算法、计算机程序和/或计算机应用程序的硬件和/或软件。在一些实施方案中，例示性计算资源可包含具有存储和捕获能力的应用程序服务器和/或数据库。每一资源提供者3402可连接到云计算环境3400中的任何其它资源提供者3402。在某些实施方案中，资源提供者3402可经由计算机网络3408而连接。每一资源提供者3402可经由计算机网络3408连接到一或多个计算装置3404a、3404b、3404c(统称为3404)。
[0393]
云计算环境3400可包含资源管理器3406。资源管理器3406可经由计算机网络3408连接到资源提供者3404和计算装置3404。在某些实施方案中，资源管理器3406可促进一或多个资源提供者3402将计算资源提供到一或多个计算装置3404。资源管理器3406可从特定计算装置3404接收对计算资源的请求。资源管理器3406可识别能够提供由计算装置3404请求的计算资源的一或多个资源提供者3402。资源管理器3406可选择用以提供计算资源的资源提供者3402。资源管理器3406可促进资源提供者3402与特定计算装置3404之间的连接。在一些实施方案中，资源管理器3406可建立特定资源提供者3402与特定计算装置3404之间的连接。在一些实施方案中，资源管理器3406可将特定计算装置3404重导向到具有所请求计算资源的特定资源提供者3402。
[0394]
图35展示可用于本发明中所描述的方法和系统中的计算装置3500和移动计算装置3550的实例。计算装置3500旨在表示各种形式的数字计算机，例如膝上型计算机、桌上型计算机、工作站、个人数字助理、服务器、刀片式服务器、大型计算机和其它适当的计算机。移动计算装置3550旨在表示各种形式的移动装置，例如个人数字助理、蜂窝电话、智能型电
话和其它类似计算装置。此处所展示的组件、其连接和关系和其功能意味着仅为实例且并不意味着具限制性。
[0395]
计算装置3500包含处理器3502、存储器3504、存储装置3506、连接到存储器3504的高速接口3508、和多个高速扩展端口3510以及连接到低速扩展端口3514和存储装置3506的低速接口3512。处理器3502、存储器3504、存储装置3506、高速接口3508、高速扩展端口3510和低速接口3512中的每一者使用各种总线互连且可安装于共同母板上或以其它方式适当地安装。处理器3502可处理供在计算装置3500内执行的指令，包含存储于存储器3504中或存储装置3506上以在外部输入/输出装置(例如耦合到高速接口3508的显示器3516)上显示用于gui的图形信息的指令。在其它实施方案中，多个处理器和/或多个总线可适当地连同多个存储器和若干类型的存储器一起使用。此外，可连接多个计算装置，其中每一装置提供必要操作的若干部分(例如，作为服务器组、刀片式服务器群组或多处理器系统)。因此，作为本文中使用的术语，其中多个功能被描述为由“处理器”执行，此囊括其中任何数目个计算装置(一或多个)的任何数目个处理器(一或多个)执行所述多个功能的实施例。此外，在功能被描述为由“处理器”执行的情况下，此囊括其中由任何数目个计算装置(一或多个)的任何数目个处理器(一或多个)(例如，在散布式计算系统中)执行功能的实施例。
[0396]
存储器3504将信息存储于计算装置3500内。在一些实施方案中，存储器3504是一个或多个易失性存储器单元。在一些实施方案中，存储器3504是一个或多个非易失性存储器单元。存储器3504还可为另一形式的计算机可读媒体，例如磁盘或光盘。
[0397]
存储装置3506能够提供用于计算装置3500的大容量存储装置。在一些实施方案中，存储装置3506可为或含有计算机可读媒体，例如软盘装置、硬盘装置、光盘装置或磁带装置、快闪存储器或其它类似固态存储器装置或装置阵列，包含存储区网络或其它配置中的装置。指令可存储于信息载体中。指令在由一或多个处理装置(举例来说，处理器3502)执行时执行一或多种方法，例如上文所描述的那些方法。指令还可由一或多个存储装置(例如计算机或机器可读媒体(举例来说，存储器3504、存储装置3506或处理器3502上的存储器))存储。
[0398]
高速接口3508管理计算装置3500的带宽密集型操作，而低速接口3512管理较低带宽密集型操作。此功能分配仅是实例的。在一些实施方案中，高速接口3508耦合到存储器3504、显示器3516(例如，通过图形处理器或加速器)且耦合到可接受各种扩展卡(未展示)的高速扩展端口3510。在实施方案中，低速接口3512耦合到存储装置3506和低速扩展端口3514。可包含各种通信端口(例如，usb、以太网、无线以太网)的低速扩展端口3514可(例如)通过网络配接器耦合到一或多个输入/输出装置，例如键盘、指向装置、扫描仪或联网装置(例如交换机或路由器)。
[0399]
如图中所展示，可以若干种不同形式来实施计算装置3500。举例来说，可将其实施为标准服务器3520或在此类服务器的群组中多次实施。另外，其可实施于个人计算机(例如膝上型计算机3522)中。其还可实施为机架式服务器系统3524的一部分。或者，来自计算装置3500的组件可与移动装置(未展示)(例如移动计算装置3550)中的其它组件组合。此些装置中的每一者可含有计算装置3500和移动计算装置3550中的一或多者，并且整个系统可由彼此通信的多个计算装置构成。
[0400]
除其它组件外，移动计算装置3550还包含处理器3552、存储器3564、输入/输出装
置(例如显示器3554)、通信接口3566和收发器3568。移动计算装置3550还可具备存储装置(例如微型驱动器或其它装置)以提供额外存储。处理器3552、存储器3564、显示器3554、通信接口3566和收发器3568中的每一者使用各种总线而互连，并且几个组件可安装于共同母板上或以其它方式适当地安装。
[0401]
处理器3552可执行移动计算装置3550内的指令，包含存储于存储器3564中的指令。处理器3552可实施为包含单独和多个模拟和数字处理器的芯片的芯片组。举例来说，处理器3552可提供对移动计算装置3550的其它组件的协调，例如用户接口的控制、由移动计算装置3550运行的应用程序和通过移动计算装置3550进行的无线通信。
[0402]
处理器3552可通过耦合到显示器3554的控制接口3558和显示接口3556与用户通信。举例来说，显示器3554可为tft(薄膜晶体管液晶显示器)显示器或oled(有机发光二极管)显示器或其它适当显示技术。显示接口3556可包括用于驱动显示器3554以向用户呈现图形和其它信息的适当电路系统。控制接口3558可从用户接收命令并转换其以供提交到处理器3552。另外，外部接口3562可提供与处理器3552的通信，以实现移动计算装置3550与其它装置的近区通信。举例来说，外部接口3562可在一些实施方案中提供有线通信或在其它实施方案中提供无线通信，并且还可使用多个接口。
[0403]
存储器3564将信息存储于移动计算装置3550内。存储器3564可实施为一或多个计算机可读媒体、一个或多个易失性存储器单元或者一个或多个非易失性存储器单元中的一或多者。扩展存储器3574还可通过扩展接口3572提供和连接到移动计算装置3550，举例来说，扩展接口3572可包含simm(单列直插式存储器模块)卡接口。扩展存储器3574可为移动计算装置3550提供额外存储空间或还可存储用于移动计算装置3550的应用程序或其它信息。具体来说，扩展存储器3574可包含用以执行或补充上文所描述的过程的指令，并且还可包含安全信息。因此，举例来说，扩展存储器3574可提供为用于移动计算装置3550的安全模块且可以准许移动计算装置3550的安全使用的指令进行编程。另外，安全应用程序可连同额外信息一起经由simm卡而提供，例如以非黑客方式将识别信息放置于simm卡上。
[0404]
举例来说，存储器可包含快闪存储器和/或nvram存储器(非易失性随机存取存储器)，如下文所论述。在一些实施方案中，指令存储于信息载体中，并且在由一或多个处理装置(举例来说，处理器3552)执行时执行一或多种方法，例如上文所描述的那些方法。指令还可由一或多个存储装置(例如一或多个计算机或机器可读媒体(举例来说，存储器3564、扩展存储器3574或处理器3552上的存储器))存储。在一些实施方案中，指令可(举例来说)经由收发器3568或外部接口3562以所传播信号形式接收。
[0405]
移动计算装置3550可通过通信接口3566无线地通信，所述通信接口在需要的情况下可包含数字信号处理电路系统。通信接口3566可提供在各种模式或协议下的通信，例如gsm语音呼叫(全球移动通信系统)、sms(短消息服务)、ems(增强型消息服务)或mms信息(多媒体消息服务)、cdma(码分多址)、tdma(时分多址)、pdc(个人数字蜂窝系统)、wcdma(宽带码分多址)、cdma2000或gprs(通用包无线电服务)以及其它模式或协议。举例来说，此通信可使用射频通过收发器3568而发生。另外，短程通信可(例如)使用wi
‑
fi
tm
或其它此类收发器(未展示)而发生。另外，gps(全球定位系统)接收器模块3570可将额外导航和位置相关无线数据提供到移动计算装置3550，所述移动计算装置适当地可由移动计算装置3550上运行的应用程序使用。
[0406]
移动计算装置3550还可使用音频编解码器3560以音频方式通信，所述音频编解码器可从用户接收所说信息并将其转换为可用数字信息。音频编解码器3560同样地可(例如)在移动计算装置3550的手机中(例如)通过扬声器向用户产生可听声音。此声音可包含来自语音电话呼叫的声音、可包含所记录声音(例如，语音消息、音乐文件等)且还可包含由在移动计算装置3550上操作的应用程序产生的声音。
[0407]
如图中所展示，可以若干种不同形式来实施移动计算装置3550。举例来说，其可实施为蜂窝电话3580。其还可实施为智能型电话3582、个人数字助理或其它类似移动装置的一部分。
[0408]
本文所描述的系统和技术的各种实施方案可以数字电子电路、集成电路、专门设计的asic(专用集成电路)、计算机硬件、固件、软件和/或其组合而实现。这各种实施方案可包含可在可编程系统上执行和/或解译的一或多个计算机程序中的实施方案，所述可编程系统包含可为专用或通用的至少一个可编程处理器(其经耦合以从存储系统接收数据和指令且将数据和指令传输到存储系统)、至少一个输入装置和至少一个输出装置。
[0409]
这些计算机程序(还称为程序、软件、软件应用程序或代码)包含用于可编程处理器的机器指令且可以高级程序和/或面向对象的编程语言和/或以汇编/机器语言实施。如本文中所使用，术语机器可读媒体和计算机可读媒体是指用于将机器指令和/或数据提供到可编程处理器的任何计算机程序产品、设备和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，所述可编程处理器包含接收机器指令作为机器可读信号的机器可读媒体。术语机器可读信号是指用于将机器指令和/或数据提供到可编程处理器的任何信号。
[0410]
为提供与用户的交互，本文所描述的系统和技术可实施于具有用于向用户显示信息的显示装置(例如，crt(阴极射线管)或lcd(液晶显示器)监视器)和用户可通过其将输入提供到计算机的键盘和指向装置(例如，鼠标或轨迹球)的计算机上。也可使用其它种类的装置来提供与用户的交互；举例来说，提供给用户的反馈可为任何形式的感观反馈(例如，视觉反馈、听觉反馈或触觉反馈)；且来自用户的输入可以任何形式(包含声音、话音或触觉输入)而接收。
[0411]
本文所描述的系统和技术可实施于计算系统(包含后端组件(例如，作为数据服务器)；或包含中间件组件(例如，应用程序服务器)；或包含前端组件(例如，具有用户可通过其来与本文所描述的系统和技术的实施方案交互的图形用户接口或网页浏览器的客户端计算机))或此类后端、中间件或前端组件的任一组合中。所述系统的组件可通过任何数字数据通信形式或媒体(例如，通信网络)互连。通信网络的实例包含局部网(lan)、广域网(wan)和因特网。
[0412]
所述计算系统可包含客户端和服务器。客户端与服务器通常彼此远离且通常通过通信网络交互。客户端与服务器的关系是借助于在相应计算机上运行且彼此之间具有客户端
‑
服务器关系的计算机程序而产生。在某些实施方案中，本文中所描述的模块和/或服务可分离、组合或并入到单个或组合式模块和/或服务中。图中所绘示的模块和/或服务不旨在将本文中所描述的系统限制于本文中所展示的软件架构。
[0413]
尽管已参考特定优选实施例特别地展示和描述了本发明，但所属领域的技术人员应理解，在不背离如由所附权利要求书界定的本发明的精神和范围的情况下，可在其中做出在形式和细节上的各种改变。