量化涉及身体体积变化的疾病、特别是肿瘤的发展的方法

摘要

本发明涉及一种通过成像技术来表现的用于量化涉及身体体积变化的疾病的发展的方法，其特征在于，所述方法至少包括：第一步骤(101)，其在表示相同场景的两个图像I

说明书

技术领域

本发明涉及一种用于量化脑瘤的发展的方法。本发明特别适用于 监测低级别胶质瘤的发展，但是更一般而言适用于监测可以使用诸如 磁共振成像(更常见的是用缩写MRI来表示)之类的成像方法来进行 监测的所有类型的进行性病变。

背景技术

在进行性病变(例如肿瘤，特别是脑瘤)的框架下，能够鉴定后 者的发展是非常重要的。肿瘤的发展过程的确定实际上能够改善患者 的个体化预后，能够根据肿瘤的侵袭性来调整治疗方式或者，还能够 评估治疗的效果。

在脑病变的特殊情况下，磁共振成像或者MRI是特别适合于肿瘤 的监测的过程；从任何治疗前的肿瘤诊断和鉴别治疗的有效性这两方 面来讲都是非常适合的。因此，基于多个(至少一对)MRI图像，可 以执行肿瘤发展的量化。在实际当中，通常在来自于两个MRI模式： SPGR(“Spoiled Gradient Recall Echo，扰相梯度回波”的缩写)模式 和FLAIR(“Fluid Attenuated Inversion Recovery，体液衰减反转恢复” 的缩写)模式的纵向图像的基础上进行这样的分析。应注意的是，MRI 的图像采集存在其他的协议，接下来的描述仅以示例性方式涉及这些 特殊采集协议。

于是，医生可以在图像的各个采集时间以两个上述MRI模式的至 少其中之一对各个图像的选择进行肿瘤的手工分割，以便在各个横断 面水平鉴定肿瘤的空间范围。这种工作是比较乏味的，根据该方法来 鉴定肿瘤的发展相对依赖于操作者，换言之，该鉴定在专家之间缺乏 重现性；或者更糟，该鉴定甚至对于同一专家也缺乏重现性。换言之， 基于相同的图像，同一操作者可能得出不同的结论。这种操作者内的 变化性估计有15％。

还可以根据本身已知的最大直径技术来量化肿瘤生长。不过，这 种方法具有某些缺点。这些确定中有一些与图像的横断面的定向关联， 因为一个检查与另一个检查的图像的横断面的定向可能是不同的。另 外，由于术后腔的存在，特别不适合接在外科手术后面执行这种方法。

不存在用于自动确定肿瘤发展的方法。特别地，存在基于相对复 杂的计算和图像处理算法的自动肿瘤分割方法，但是已知这些方法提 供相对较差的可靠性和鲁棒性。与同一患者可能经历的各种MRI检查 相关的参数(例如成像设备的操作参数、患者的头部在检查过程中的 位置、成像设备及其环境的固有噪声现象)的变化性导致图像之间的 对比度的差别，使得它们的直接比较变得困难。因此，代表兴趣区域 的体积的多组图像之间的对比度的非线性变化使得不能基于这些图像 之间的差别的简单绘图以特定的方式鉴定肿瘤的发展。因此，这些对 比度的差别使得图像之间的自动比较变得困难。存在某些技术，其将 灰度归一化，得到噪声中的纵向解剖变异，然后对图像进行校正，以 便使它们可以比较。不过，这些技术具有为了生成精确噪声水平制图 而对患者施行重复MRI检查的缺点。由于高成本和对患者施加的压力 的原因，当然不希望MRI检查的次数过多。

在低级别胶质瘤的例子中，通常执行第一次MRI检查，之后三个 月再进行执行胶质瘤的生长的分类的MRI检查。三个月之后的生长通 常大于2毫米的胶质瘤应被当作高级别胶质瘤，三个月之后的生长小 于2毫米的胶质瘤应被当作低级别胶质瘤。这种类型的病变通常显现 相对较弱的肿瘤生长，因此带来毫米或者甚至是毫米以下精度的量化 技术。这些技术还特别有利的是可以重现以及实施起来是简单和快速 的。

发明内容

本发明的一个目的在于克服上述缺点，并且提供一种针对上述问 题的解决方案。

为此目的，本发明的一个主题为一种通过成像技术来表现的用于 量化涉及身体体积变化的病变的发展的方法，其特征在于，所述方法 至少包括：

●第一步骤，其通过中间技术来归一化表示相同场景(换言之， 两个相继时间处的相同患者的相同解剖部分)的两个图像I₁和 I₂的灰度，得到两个归一化图像I′₁和I′₂，

●第二步骤，其计算所述两个归一化图像I′₁和I′₂之间的有符号 的差异的图，

●第三步骤，其包括基于所述归一化图像I′₁和I′₂中和/或所述第 二步骤中所计算的差异图中的健康组织的灰度的高斯分布的 假设的至少一个统计检验。

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，所述第一归一化步骤确定所述两个图像 I₁和I₂共同的灰度的中间累积直方图，所述中间累积直方图等于所述 两个归一化图像I₁和I₂的灰度的累积直方图的倒数的算术平均值的倒 数，通过对所述两个图像I₁和I₂应用所述中间累积直方图来归一化所 述两个图像。

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，所述第一归一化步骤确定所述两个图像 I₁和I₂共同的灰度的中间累积直方图，所述中间累积直方图等于所述 两个归一化图像I₁和I₂的灰度的累积直方图的倒数的几何平均值的倒 数，通过对所述两个图像I₁和I₂应用所述中间累积直方图来归一化所 述两个图像。

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，第一检验执行由下面的方程定义的广义 似然比与给定值的第一置信度阈值T₁之间的比较：

$\mathrm{GLRT}=\frac{p({I^{\prime }}_1\left(x\right)/{\mu }_1,{\sigma }_1)p({I^{\prime }}_2\left(x\right)/{\mu }_2,{\sigma }_2)}{p({I^{\prime }}_1\left(x\right)/{\mu }_{1-2},{\sigma }_{1-2})p({I^{\prime }}_2\left(x\right)/{\mu }_{1-2},{\sigma }_{1-2})};$

p(I′_i(x)/μ_i，σ_i)为归一化图像I′_i的像素的灰度I′_i(x)的机率密度函数， 所述机率密度函数是用平均值μ_i和标准差σ_i的高斯函数计算的，以表 现观察的灰度，下标1-2适用于归一化图像I′₁和I′₂的组合值，在给定 数量的像素上的像素周围延伸的区域上执行给定像素的统计。

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，第二检验执行机率密度函数 与给定值的第二置信度阈值T₂之间的 比较。

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，第三检验执行机率值 与给定值的第三置信度阈值T₃之间的比较， 函数F表示积分$F(t,\mu ,\sigma )=1-{\int }_{-t}^t\frac{e^{\frac{-{(s-\mu )}^2}{2{\sigma }^2}}}{\sqrt{2\pi }\sigma }\mathrm{ds}.$

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，通过下面的方程来建立在所述第三步骤 中执行的第一检验所执行的比较：

$\ln (\frac{p({I^{\prime }}_1\left(x\right)/{\mu }_1,{\sigma }_1)p({I^{\prime }}_2\left(x\right)/{\mu }_2,{\sigma }_2)}{p({I^{\prime }}_1\left(x\right)/{\mu }_{1-2},{\sigma }_{1-2})p({I^{\prime }}_2\left(x\right)/{\mu }_{1-2},{\sigma }_{1-2})}>\ln \left(T_1\right).$

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，所述第一置信度阈值T₁等于2。

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，通过下面的方程来建立在所述第三步骤 中执行的第二检验所执行的比较：

$p({I^{\prime }}_2\left(x\right)-{I^{\prime }}_1\left(x\right)/{\mu }_2-{\mu }_1,\sqrt{{\sigma }_1^2+{\sigma }_2^2})<T_2.$

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，所述第二置信度阈值T₂等于α 为可变非零正实数，σ_n代表所述差异图中的噪声的标准差。

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，通过下面的方程来建立在所述第三步骤 中执行的第三检验所执行的比较：

所述第三置信度阈值T₃为远小于1 的非零正实数。

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，对组成所述归一化图像I′₁和I′₂和/或所述 第二步骤中计算的差异图的全部像素执行所述第三步骤中所执行的检 验。

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，所述第三步骤中所执行的检验是根据基 于来自于归一化图像I′₁和I′₂和/或来自于所述第二步骤中计算的差异图 的多个像素的局部平均值来执行的，形成覆盖归一化图像I′₁和I′₂和/ 或差异图的多个区域。

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，在所述第三步骤中执行所述第一检验和/ 或所述第二检验和/或所述第三检验，在第四步骤中组合这些检验的结 果。

在本发明的一个实施例中，用于量化涉及身体体积变化的病变的 发展的方法的特征可以在于，所述病变为脑瘤。

本发明的另一主题为一种计算机程序设备，其特征在于，所述计 算机程序设备实现根据上文所描述的实施例其中之一的用于量化涉及 身体体积变化的病变的发展的方法。

附图说明

通过阅读通过示例方式结合附图来呈现的描述，本发明的其他特 征和优点将会显现，其中：

-图1显示了说明根据本发明的一个示例性实施例的用于量化肿 瘤的发展的方法的一系列步骤的流程图；

-图2是显示根据本发明的示例性实施例的用于两个图像的归一 化的第一步骤的流程图；

-图3显示了根据两个成像模式的MRI图像以及根据各种技术生 成的差异图的示例；

-图4显示了代表根据本发明的方法的用于表征肿瘤生长的步骤 的MRI图像的示例。

具体实施方式

图1显示了说明根据本发明的一个示例性实施例的用于量化肿瘤 的发展的方法的一系列步骤的流程图。

在接下来的部分，为了清楚起见，将会考虑根据操作的一个特殊 模式在时间t₁和t₂通过MRI获取的包括肿瘤的兴趣体积的两个图像， 其中时间t₁早于时间t₂。可以清楚的理解，可以对根据在至少两个不同 的时间进行的各个模式的MRI操作生成的多组至少两个图像应用根据 本发明的方法。更一般而言，根据本发明的方法可以应用于MRI以外 的成像技术。

还可以清楚的理解，图中未显示后面的处理操作全都需要的预备 步骤，即重新定位在时间t₁和时间t₂获取的两个原始图像，以便获得 两个图像I₁和I₂，从而在最优条件下像素计算的公共像素是可能的。 重新定位技术本身是现有技术中已知的，因此在本说明书中不再展开。

参考图1，第一步骤101的目的是归一化图像I₁和图像I₂。第二步 骤102的目的是形成步骤101中归一化的两个图像之间的差异图。第 三步骤103的目的是基于归一化图像和/或步骤102中生成的差异图来 执行统计检验。有利地，第四步骤104的目的是使用步骤103中所执 行的检验的结果以便表征肿瘤发展。

第一归一化步骤101能够克服两个图像I₁和I₂之间的对比度变化 的问题。

实际上，在图像I₁和I₂之间的比较之前，需要修改这两个图像， 以便使其达到共同的辐射度。图像的辐射度被理解为该图像的灰度的 动态表现。

两个图像共同的辐射度可以使它们的比较集中在代表从中取得这 些图像的兴趣区域的真实状态的后者的图像几何方面上。但是，对于 这种修改而言，不改变图像I₁和I₂的几何特征是必须的。

为了满足这些要求，本发明包括根据被称为“中间”均衡化方法 的方法的归一化方法(本发明的主题)的第一步骤101，其在下文中参 考图2详细描述。为了详尽描述中间均衡化方法，还可以参考J.Delon 所著的发表于Journal of Mathematical Imaging and Vision，2004.21(2)：p. 119-134的文章“Midway Image Equalization”。

在第一步骤101的过程中执行的图像I₁和I₂的修改得到两个归一 化图像I′₁和I′₂。

第二步骤102可以建立归一化图像I′₁和I′₂之间的差异图。

两个归一化图像I′₁和I′₂之间的差异图是清晰度与归一化图像I′₁和I′₂相同的图像，但是该图像的每个像素的灰度是由两个归一化图像 I′₁和I′₂的相应灰度之间的差异造成的。应注意的是，可以在步骤102 中执行差异图的显示；这需要灰度之间的差异的绝对值的计算；相反， 对于下文所提出的所有计算而言，将需要考虑两个归一化图像灰度I′₁和I′₂之间的有符号的差异。

于是，例如简单通过对灰度值大于或者小于预定阈值的差异图的 像素计数，可以表征肿瘤发展。不过，这种简单的阈值方法的选择是 相对较慢的。其原因在于，即使差异图明显地突出肿瘤生成，其对应 于归一化图像灰度I′₁和I′₂之间的灰度的大差异，但是另一方面，这些 差异的值也是完全不可预知的。这是因为，就性质而言，肿瘤组织是 相对不均匀的，其性质在两个MRI检查之间可能具有很大的变化。另 外，诸如脑室之类的某些包含脑脊髓液的脑结构以及诸如脂肪组织或 者颅骨之类的相邻组织也可能表现出相对不均匀的差异值。

因此，包括第三步骤103；该步骤可以使肿瘤发展的表征精确。

第三步骤包括至少一个统计检验。

第三步骤103中所执行的检验例如可以是基于普遍接受的假设的 第一统计检验。根据该假设，对于“正常”脑组织(例如形成白质、 灰质和脑脊髓液的组织)而言，像素的灰度分别服从高斯分布。因此， 对于图像的每个像素而言——以及引申开来，对于兴趣体积区域的每 个体元而言——两个归一化图像I′₁和I′₂的像素的灰度值可以展现两种 配置。

在第一种配置中，这些灰度值可以对应于相同的高斯分布，在这 种情况下，在获取I₁和I₂所来自于的图像的时间t₁和t₂之间不发生组 织类型的变化，并且由于在第一步骤101中所执行的通过中间均衡化 的归一化，可以在两个归一化图像I′₁和I′₂之间直接比较这些灰度值。

在第二种配置中，由于在获取原始图像的时间t₁和t₂之间，组织 的类型发生变化，这些灰度值可能对应于两种不同的分布。

因此，本发明有利地在第三步骤103中包括执行广义似然比检验 型或GLRT的第一统计检验，以便根据上述配置中的一种配置或者另 一种配置来表征灰度的差异。可以根据下面的方程来计算给定像素的 似然比GLRT：

$\mathrm{GLRT}=\frac{p({I^{\prime }}_1\left(x\right)/{\mu }_1,{\sigma }_1)p({I^{\prime }}_2\left(x\right)/{\mu }_2,{\sigma }_2)}{p({I^{\prime }}_1\left(x\right)/{\mu }_{1-2},{\sigma }_{1-2})p({I^{\prime }}_2\left(x\right)/{\mu }_{1-2},{\sigma }_{1-2})}---\left(1\right);$

其中，I′₁(x)和I′₂(x)分别为归一化图像I′₁和I′₂中的相应像素的灰度 的归一化值，(μ_i，σ_i)_i＝1，2为归一化图像I′_i的相应像素的分布的平均值和 标准差，(μ_1-2，σ_1-2)为来自于两个归一化图像I′₁和I′₂的像素(在下文中 被称为归一化图像I′₁和I′₂的合成像素)的分布的平均值和标准差。

用p(x/μ_i，σ_i)表示的机率密度函数或PDF被建模为完全通过其平 均值μ和其标准差σ来表征的高斯PDFN(μ，σ)。一般而言，适用于有 这一项出现的所有方程，这一项由下面的方程给出：

$p(x/\mu ,\sigma )=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{{(x-\mu )}^2}{2{\sigma }^2}}---\left(2\right).$

应注意的是，PDF的所有统计(μ，σ)是对n×n像素的区域中的每个 像素局部估计的。因此，当涉及到检验时，必须理解的是，本发明的 实施需要以覆盖构成图像的全部像素为目的的多个检验。

认为在与上述第二种配置相对应的情况下，换言之，在单独分布 的假设是最可能的情况下，或者换言之，在归一化图像I′₁和I′₂的像素 的灰度来自于不同分布的情况下，似然比GLRT是远大于1的，

于是，通过将似然比与给定值的第一置信度阈值T₁相比较，可以 鉴定一个像素上的变化。

有利地，如果+ln(GLRT)的值大于ln(2)，即：

$\ln (\frac{p({I^{\prime }}_1\left(x\right)/{\mu }_1,{\sigma }_1)p({I^{\prime }}_2\left(x\right)/{\mu }_2,{\sigma }_2)}{p({I^{\prime }}_1\left(x\right)/{\mu }_{1-2},{\sigma }_{1-2})p({I^{\prime }}_2\left(x\right)/{\mu }_{1-2},{\sigma }_{1-2})}>\ln \left(2\right)---\left(3\right)$

则可以认为一个像素上的变化是显著的。

该阈值考虑了以下事实：上述方程(1)的分子中的PDF的乘积涉 及两个标准差，而方程(3)的分母中只涉及一个标准差。

在第三步骤103中，也可以基于差异图的高斯分布的假设来执行 第二类统计检验。该第二统计检验的原理是基于针对归一化图像I′₁和 I′₂的局部单独统计(μ_i，σ_i)_i＝1，2来估计差异图的像素的灰度值来自于高斯 分布的机率。

第二统计检验可以基于这样的假设：如果代表均匀组织的像素单 独地呈现高斯分布，则差异图I′₂-I′₁的相应像素也呈现具有平均值 μ₂-μ₁和标准差的高斯分布。于是可以推断出基于图像I′₁和 I′₂的差异的高斯模型的统计，并且产生代表机率的图，从而当前差异 值服从该分布。因此，该机率具有的值越高，模型所提供的高斯分布 所模拟的差异值越好，该机率具有的值越低，高斯模型所体现的差异 值越差，或者换言之，通过高斯分布的差异进行差异值的建模是不合 适的。

根据本发明的一个示例性实施例，如果机率低于第二置信度阈值 T₂，则可以认为像素上的变化是显著的。

为了区分显著差异值，必须考虑不均匀区域中的像素的灰度值的 变化，并且建立第二置信度阈值T₂，这种变化是由于噪声而产生的。 例如可以以明确的方式定义该第二置信度阈值T₂，或者向操作者提供 用于调整第二置信度阈值的方式。例如取决于患者的病史，可以使用 该第二置信度阈值T₂作为用于预想的肿瘤生长的估计类型的控制参 数。因此，肿瘤生长的比较保守或者乐观的估计可以基于第二置信度 阈值T₂的低值，而比较悲观的估计可以基于该阈值的高值。

在本发明的一个示例性实施例中，通过估计图像背景的区域(换 言之，不是对应于解剖结构而是对应于空气的区域)中的方差，可以 进行归一化图像I′₁和I′₂中的噪声的方差和的估计。也可以考虑 图像背景的多个区域，然后计算这些方差的平均值。后续可将差异图 中的噪声的方差定义为方差和之和。

之后可以通过根据下面的方程所确定的值来定义第二置信度阈值 T₂：

$T_2=\frac{e^{-\alpha }}{\sqrt{2\pi {\sigma }_n^2}}---\left(4\right);$

其中α为可变实系数。

因此，当完成该统计检验时，如果相关联的PDF函数小于第二置 信度阈值T₂，换言之：

$p({I^{\prime }}_2\left(x\right)-{I^{\prime }}_1\left(x\right)/{\mu }_2-{\mu }_1,\sqrt{{\sigma }_1^2+{\sigma }_2^2})<\frac{e^{-\alpha }}{\sqrt{2\pi {\sigma }_n^2}}---\left(5\right),$

则可以认为像素上的变化是明显的。

通过方程(4)定义的第二置信度阈值不反映用于MRI噪声的高 斯白噪声模型，而是具有零平均值和估计噪声方差值的高斯分布型的 差异值的模型。

例如可以基于患者的个体数据来选择第二置信度阈值T₂的合适的 值，并且将肿瘤的生长限制在初始肿瘤的大小的给定百分比。例如，α 可以以零值开始，然后以0.01的增量增加该值，直到获得最低第二置 信度阈值T₂为止，对于该第二置信度阈值T₂，第三步骤103中所执行 第二统计检验导致例如小于75％的肿瘤生长，在与低级别脑胶质瘤关 联的缓慢肿瘤生长的特殊情况下，这个值是合适的。

在本发明的一个实施例中，在第三步骤103中，可以基于给定点 的差异的平均值或者该点周围的给定区域内的平均值为零的假设对差 异图执行第三类统计检验。在该第三类检验中，与给定值的第三置信 度阈值T₃相比较的是机率当机率小于给定 阈值时具有显著差异的选择。第三置信度阈值T₃是远小于1的非零正 实数。

对于上文所描述的所有检验而言，例如可以基于最初在时间t₁识 别的肿瘤来确定肿瘤生长。初始肿瘤的识别可以由医生手动执行，或 者可以例如根据已知的自动分割方法来执行。

还应注意的是，上述检验可以孤立地执行，也可以以提供最佳特 性的方式互相组合地执行。例如，可以只使用GLRT型第一统计检验， 或者只使用基于差异图的高斯分布的假设的第二统计检验，或者只使 用基于差异平均值相等的假设的第三统计检验，或者使用上述第一类 检验和第二类检验的组合、第一类检验和第三类检验的组合、第二类 检验和第三类检验的组合或者三种上述类型的检验的组合。

可以设想其他特定的统计检验：应记得，所有的检验都基于健康 脑组织(换言之，除组成肿瘤的组织以外的组织)在时间t₁和t₂处的 高斯分布的假设。一些检验还假设分布是相同的(要么是似然性与上 述第一类检验中相同，要么是平均值的相等性的检验与上文所描述的 第三类检验相同)。

应注意的是，上文所述的有符号的差异也很容易对应于分别具有 平均值μ₂-μ₁或者μ₁-μ₂或者0的归一化图像之间的差异I′₂-I′₁或者 I′₁和I′₂。

此外，上文所描述的所有检验是基于原始灰度或差异值，或者基 于局部平均值来执行的。在第二种情况下，必须考虑值的局部标准差 随着所考虑的点数的平方根的倒数而下降的事实。

有利地，第四步骤104是将第三步骤103中执行的统计检验的结 果组合以便表征肿瘤生长。该组合可以使根据本发明的方法具有最优 的灵敏度和选择性。上文所描述的每种类型的检验得到例如包含布尔 值的图像。因此，通过执行各种类型的检验所得到的这些二值图像的 位与位、逐个像素的乘法，可以组合数种类型的检验。

图2显示了示出根据本发明的一个示例性实施例的用于两个图像 的归一化的第一步骤的流程图。

在这里应该回想一下，根据本发明的方法的第一步骤101中执行 的通过中间均衡化的归一化的原理为一对图像I₁和I₂赋予共同的灰度 分布。该分布被定义为与合理的“中间”相对应的直方图，换言之， 图像I₁和I₂的灰度的逆累积直方图的平均值的倒数。

如图2所示，图像I₁通过用于改变对比度Φ₁的第一函数进行修改， 以便获得归一化图像I′₁。以同样的方式，图像I₂通过第二对比度变换 函数Φ₂进行修改，以这种方式来获得归一化图像I′₂。图像I₁的灰度的 累积直方图用H₁表示，图像I₂的灰度的累积直方图用H₂表示。累积 直方图H₁和H₂是两个增函数。根据通过中间均衡化的归一化的原理， 归一化图像I′₁和I′₂的灰度的累积直方图是几乎相同的。该累积直方图 用H_midway表示。

如上文所提到J.Delon的文章所述，对比度变换函数Φ₁和Φ₂(例 如表现出相同的累积直方图H_midway的Φ₁(I₁)和Φ₂(I₂))强制并假设下面 的方程是成立的：

根据本发明的一个示例性实施例，则可以通过下面的方程来确定 中间累积直方图H_midway：

$H_{\mathrm{midway}}={\left(\frac{H_1^{-1}+H_2^{-1}}{2}\right)}^{-1}---\left(7\right).$

于是通过下面的方程给出作为在中间累积直方图H_midway上归一化 的图像I₁和I₂的归一化图像I′₁和I′₂：

以及

有利地，可以设想，中间直方图H_midway不是通过累积直方图H₁和H₂的倒数的算数平均值来定义的，而是通过累积直方图H₁和H₂的 倒数的几何平均值来定义的。该实施例证明在对MRI图像的应用中是 合适的，因为MRI设备所产生的场的不均匀性通常可以被建模为乘法 场。换言之，图像I的给定像素的强度实际上由I(x).g(x)形式化，g为 不均匀性函数。

通过这种方式，在本发明的该实施例中，可以通过下面的方程来 确定中间累积直方图H_midway：

$H_{\mathrm{midway}}={\left(\sqrt{H_1^{-1}{H}_2^{-1}}\right)}^{-1}---\left(10\right).$

然后可以通过下面的方程来给出归一化图像I′₁和I′₂：

以及

可以承认，函数g(x)是空间均匀的，其局部变化是小的。因此可 以进行这样的假设：函数g(x)等效于有限空间区域上的恒量。因此可 以有利地设想，通过中间均衡化的归一化可以被图像的小区域应用。

应注意的是，上文所提出的所有计算都适用于可以获得与检查时 间t₁和t₂对应的两个图像的情况。在可以在多个(N个)时间t_N获得 图像的情况下，当然可以通过分别使用N个逆累积直方图的算数平均 值和几何平均值将该方程(7)转换为方程(9)，将方程(10)转换 为方程(12)。

图3显示了根据两种采集协议的给定横断面水平上的人脑的MRI 图像以及根据各种技术所产生的差异图的示例。该图有助于基于来自 于实际情况的示例来清楚地理解根据本发明的方法的第一步骤(101)。

第一系列的图像300包括根据FLAIR MRI模式在时间t₁获取的第 一图像FLAIR 301以及在时间t₂获取的第二图像FLAIR 302。两个图 像FLAIR 301和302被重新定位。

简单地基于前两个图像FLAIR 301和302之间的差异来生成第一 差异图FLAIR 303。

基于通过根据本发明的方法的中间均衡化来归一化的前两个图像 FLAIR 301和302之间的差异来生成第二差异图FLAIR 304。

基于通过现有技术中已知的“半最大值”型归一化技术来归一化 的前两个图像FLAIR 301和302之间的差异来生成第三差异图FLAIR 305。

第二系列的图像310包括根据SPGR MRI模式在时间t₁获取的第 一图像SPGR 311以及在时间t₂获取的第二图像SPGR 312。两个图像 SPGR 311和312经过重新定位。

简单地基于前两个图像SPGR 311和312之间的差异来生成第一差 异图SPGR 313。

基于通过根据本发明的方法的中间均衡化来归一化的前两个图像 SPGR 311和312之间的差异来生成第二差异图SPGR 314。

基于通过现有技术中已知的“半最大值”型归一化技术来归一化 的前两个图像SPGR 311和312之间的差异来生成第三差异图SPGR 315。

图3中以示例方式呈现的图像强调了根据本发明的方法中所使用 的中间归一化技术相对于现有技术中已知的技术的优越性，因为产生 了允许完全了解肿瘤生长差异图。

图4呈现了人脑的肿瘤的区域内的MRI图像的示例，其代表根据 本发明的方法的第三步骤103。

第一系列的图像400代表在第三步骤103中执行的诸如上文所描 述的第一类检验。第二系列的图像410代表在第三步骤103中执行的 诸如上文所描述的第二类检验。

在第一系列的图像400中，来自于第一检验401的第一系列的图 像表示根据方程(1)的本发明的方法的第三步骤103的第一类检验中 计算的似然比GLRT的图。在比较402之后来自于第一检验的第二系 列的图像表示在进行GLRT与预定值的阈值的比较(例如通过方程(3) 所形式化的比较)之后获得的布尔像素的图像。这些布尔像素代表根 据步骤103中所执行的第一类检验的标准的显著差异。

在第二系列的图像410中，来自于第二类检验的第一系列的图像 411表示第三步骤103中所执行的第二类检验中计算的高斯差异的机 率密度函数的图。在比较412之后来自于第二类检验的第二系列的图 像表示在进行上述机率密度函数与预定值的阈值的比较(例如通过方 程(5)所形式化的比较)之后获得的布尔像素的图像。这些布尔像素 代表根据第二类检验的标准的显著差异。

图4中通过示例方式表示的照片强调了通过根据本发明的方法的 第三步骤103中执行的两类检验获得的结果的特征差异。特别地，在 该图中可以观察到，在整个不均匀型肿瘤区域上检测到共同的显著差 异，在颅骨的区域中，检验的选择性是不同的。

该示例进一步强调了根据本发明的方法的第四步骤104所提供的 优点，其可以组合两类检验，以便获得最优的灵敏度和选择性。

最后要注意的是，本说明书中所提出的全部示例适用于脑瘤。但 是，根据本发明的方法可以用于量化可通过成像方法来监测的任意类 型的进行性病变的发展。特别地，根据本发明的方法可以用于量化不 同类型的肿瘤的发展、或者骨生长或者硬化的增长。

可以在为图像的分析和/或辅助诊断所设计的任意设备或者计算机 程序设备中实现本发明的方法。

根据所介绍的实施例的其中之一的方法的使用特别提供了通过应 用算法来检测参考MRI和受检患者的MRI之间的差异，对任意病变， 特别是对于脑，通过成像来组织整群筛检的可能性。在异常情况下， 在放射科医生确认之后，本发明还可以对其进行纵向监测，以便在证 明是进行性的情况下调整治疗对策。