CN102281815A - 用于对急性中风的组织状态绘图的方法和系统 - Google Patents

Abstract

本发明提供了一种识别缺血性病变的方法。该方法包括：将灌注成像数据加载到电子存储器元件中，并且从所述灌注成像数据导出灌注图，其中所述灌注图包括大脑血液容量(CBV)图和动脉延迟时间(DT)图，所述灌注图利用动脉延迟和发散效应。根据所述灌注成像数据确定缺血性像素，其中所述DT大于预定的第一阈值并且所述CBV低于第二阈值，并且确定所述缺血性病变的梗塞部分，其中所述DT大于预定的第三阈值并且/或者所述CBV低于第四阈值。将聚类分析应用于所述确定的缺血性病变像素和所述梗塞像素，然后确定半暗带，其中所述缺血性病变和所述梗塞核心之间的不匹配区域限定所述半暗带。

Description

用于对急性中风的组织状态绘图的方法和系统

技术领域

本发明涉及一种用于识别缺血性病变、并且具体用于识别反映急性中风的组织状态的半暗带和梗塞区域的方法和系统。

背景技术

中风是导致死亡和残疾的主要疾病之一。尽管中风可以是出血性的和缺血性的，但是由于对整个大脑或大脑的一部分的血液供应的突然阻断，因此大多数中风是缺血性的。在中风期间，缺血性病变的耐久性(viability)取决于被危害的血液流量的程度和持续时间。在中风发作的数个小时内，缺血性病变可能由以下两类组织中的任何一类组成：(1)受到不可逆损害的组织的梗塞核心；以及(2)处于进一步梗塞的风险中的具有减少的血液流量的半暗带区域，但是该组织可以通过迅速恢复对该区域的血液供应来挽救。测量血液灌注从而非侵入性地识别急性中风中的梗塞核心和半暗带的过程可以向医师提供重要信息，以便确定对于病人的适当治疗方案，例如对于急性缺血性中风病人的溶解血栓疗法。

已经公开了很多与描绘缺血性半暗带和梗塞核心有关的系统。通常，所述系统包括在诸如计算机化断层摄影(CT)或磁共振成像(MRI)之类的动态成像时段(session)期间作为血管内推注而输送的造影剂。在像素或感兴趣区域(ROI)中的图像强度的时间分布曲线(profile)反映造影剂从而血液通过血管系统的特征。获得定量灌注指标的典型方法涉及若干步骤，包括：(a)根据成像形式(modality)的类型，将信号强度分布曲线转换为对比浓度分布曲线；(b)测量从供给(feeding)血管到感兴趣的组织的动脉输入函数(AIF)；(c)使用反卷积而从组织分布曲线和所述AIF提取组织脉冲剩余函数(IRF)；(d)使用IRF计算定量灌注指标，该定量关注指标包括大脑血液流量(CBF)、大脑血液容量(CBV)和平均通过时间(MTT)。在实践中，难以从直接供给感兴趣的组织的血管测量AIF。作为替代，常常从诸如颈内动脉(ICA)、大脑中动脉(MCA)或大脑前动脉(ACA)之类的大血管检测全局的AIF_g。

美国专利No.6792302描述了一种使用动态CT灌注来产生半暗带和梗塞图像的方法。将某些阈值应用于所测量的大脑血液流量(CBF)或平均通过时间(MTT)以便识别缺血性病变，通过将某些阈值应用于所测量的大脑血液容量(CBV)，所述缺血性病变被进一步分类为成为半暗带和梗塞的病变。然而，正常灰质中的CBF和CBV值比正常白质中的CBF和CBV值高(通常约为2到3倍)，将相同的CBV或CBF阈值应用于灰质和白质可能不能准确地描绘半暗带和梗塞区域。此外，在诸如急性中风之类的主血管疾病的情况中，从大动脉测量的全局AIF_g常常与在它到达缺血组织之前的延迟和发散(dispersion)效应相关联，导致通过通常的反卷积技术计算的MTT的过度估计和CBF的估计不足。因此，使用MTT或CBF阈值来识别缺血性病变的方法具有系统性地过度估计缺血性病变和半暗带的范围的可能性。

在国际专利申请(No.PCT/US01/03502)中公开了另一种使用组织风险图来评估新的中风治疗的方法，其中，使用GLM算法，其与通过扩散加权的MRI(DWI)和灌注加权的MRI(PWI)测量的T₂-加权的MRI、DWI、ADC(表观扩散系数)、CBV、CBF和/或MTT组合。同样，没有考虑延迟和发散效应，因此可能的CBF估计不足和MTT过度估计可能导致缺血性病变和半暗带的过度估计。

美国专利No.5685305描述了一种用于通过测量从信号强度曲线计算的“到达延迟图”来检测异常血液流量的MRI方法。在不使用AIF的反卷积的情况下，对于特定扫描，“到达延迟图”值可能受到造影剂注入速率和病人的心输出量影响。因此，这一参数是具有异常血液流量的区域的相对指示符。此外，没有考虑发散效应，并且没有公开如何识别缺血性半暗带。

国际专利申请No.PCT/AU2004/000821(属于本申请人)公开了一种通过考虑所述延迟和发散效应进行改进的灌注测量，从而导致更准确的灌注测量(包括CBF、CBV、MTT和DT(动脉延迟时间))的方法。然而，没有公开如何识别缺血性半暗带。

此外，灌注成像数据常常具有非常大的噪声波动，特别是对于利用低辐射剂量的方案获取的动态CT灌注数据。上述简单的阈值方法可能由于图像噪声而产生错误的候选像素作为缺血性半暗带和梗塞区域。因此，希望进一步应用集群分析以便将被隔离开的小区域或像素与反映真实的缺血性病变的连起来的像素的较大集群区分开。

本发明试图基本上克服或者至少改善上述缺陷中的一个或多个。

发明内容

根据本发明的第一方面，提供了一种通过以下方式识别缺血性病变的方法：

(a)将灌注成像数据加载到电子存储部件中；

(b)通过考虑动脉延迟和发散效应来导出包括CBV和DT图的灌注图；

(c)检测缺血性像素，其中DT大于预定的第一阈值并且CBV低于第二阈值；

(d)检测缺血性病变的梗塞部分，其中DT大于预定的第三阈值并且/或者CBV低于第四阈值；

(e)通过去除或者填充具有低于预定的第五阈值的最大聚类尺寸的小岛或小孔，将聚类分析分别应用于所有检测到的缺血性病变像素和梗塞像素；

(f)作为缺血性病变和梗塞核心之间的不匹配区域而识别半暗带。

所述方法还可以包括以下步骤：在加载所述数据之后应用运动校正以便补偿由于对象(例如组织或器官)随着时间移动导致的运动伪像。该方法还可以包括以下步骤：根据主动脉确定全局动脉输入函数(AIF_g)，并且根据大的引流静脉确定静脉输出函数(VOF)。VOF可以用来按比例增大AIF_g分布曲线以使来自AIF_g的部分容积效应最小。

该方法还可以包括以下步骤：使用无模型反卷积技术来导出各种灌注图，所述无模型反卷积技术例如为奇异值分解(SVD)技术，可以通过考虑动脉延迟和发散效应来修改所述无模型反卷积技术。AIF_g相对于组织分布曲线的反卷积产生组织IRF，其中，IRF的最大值在某个时间点T_max出现，其中，T_max＝0反映正常组织中的正常血液供应。然而，由于动脉延迟和发散效应，T_max＞0常常与急性缺血性病变相关联。可以通过基于国际专利申请No.PCT/AU2004/000821的动脉运输函数来考虑这种动脉延迟和发散效应，其中，可以通过相对发散因子和延迟时间来确定发散。本发明还通过在范围为从0到T_max的一系列延迟时间值DT_i上循环来使用迭代反卷积方法。对于每个延迟时间，将建模的动脉运输函数与所测量的全局AIF_g卷积以便产生AIF_i，AIF_i被用于组织曲线的SVD反卷积以便生成IRF_i，其最大值出现在T_max(i)处。实际延迟时间DT被确定为产生Tmax(i)＝0的最小DT_i值。随后，可以分别通过IFR_i的最大值和积分来分别确定CBF和CBV，并且MTT＝CBV/CBF。

该方法还可以包括以下步骤：在逐个像素的基础上重复迭代过程以产生各种灌注图用于进一步分析，以便识别缺血性病变和半暗带。

该方法还包括将预定的第一DT阈值设定为3或4秒。

该方法还包括将第二CBV阈值设定为9ml/100g，其表示血管的CBV下限。

该方法还可以包括将预定的第三DT阈值设定为10秒。

该方法还可以包括将第四CBV阈值设定为1.Sml/100g或者从相同对象测量的正常组织中的平均CBV值的50％。

该方法还可以包括以下步骤：通过应用诸如打开和闭合之类的形态学算符来进行聚类分析，其中内核尺寸由最小病变尺寸的预定的第五阈值确定，所述最小病变尺寸具有3到5mm的典型值。

根据本发明的第二方面，提供了一种计算机程序装置，用于执行根据第一方面的步骤(a)到(f)。

附图说明

通过结合附图阅读以下详细描述，将理解本发明的目的和优点，在附图中：

图1是指示造影剂流过感兴趣区域(例如组织)的对象的头部的侧视图；

图2是示出包括链接到数据存储系统和处理系统的多个扫描仪的通信网络的框图；

图3示出当造影剂穿过感兴趣区域和输入动脉时在对象头部的不同部位处相对于时间的各种曲线图；

图4示出基于静脉分布曲线来按比例增大表现出部分容积的小动脉的输入动脉分布曲线的图；

图5是示出由计算机程序执行以获得诸如BF、BV和MTT之类的血液灌注指标的值的步骤的流程图。

图6是示出包括链接到数据存储系统和处理系统的多个扫描仪的通信网络的框图；

图7(i)-(v)示出了急性中风病人的灌注和组织状态图：(i)CBV，(ii)CBF，(iii)MTT，(iv)DT和(v)组织状态图，该组织状态图包括由半暗带(绿色)704围绕的梗塞(红色)702。如在图2(vi)中通过一天后扫描的发散加权的MRI上的明亮强度区域示出的，急性半暗带发展为通过亚急性梗塞。

图8(i)-(v)示出了急性中风病人的灌注和组织状态图：(i)CBV，(ii)CBF，(iii)MTT，(iv)DT和(v)组织状态图，该组织状态图包括由半暗带(绿色)704围绕的梗塞(红色)702。如通过一天后扫描的发散加权的MRI而在图3(vi)中示出的，大多数急性半暗带没有通过亚急性阶段而发展为进一步的梗塞。

图9是示出由计算机程序执行以处理各种灌注图、然后产生显示出缺血性半暗带和梗塞的组织状态图以指导对急性中风病人的治疗的步骤的流程图。

具体实施方式

尽管以下详细描述出于说明的目的包含很多细节，但是本领域普通技术人员中的任何一个将容易地认识到对以下示例性细节的很多改变和变更处于本发明的范围内。因此，在对于所要求保护的发明不丧失一般性或者不施加限制的情况下阐述本发明的以下优选实施例。

本发明特别适用于CT、MRI和MN成像系统。在例如病人的胳膊处，通过针将造影剂推注入到病人体内。然而，该推注可以被输入到病人的任何其它部位。感兴趣区域(ROI)可以是如图1所示的病人脑部的一部分中的组织6。可替换地，ROI可以是一个或多个像素，其中，很多像素表示所计算的图像以产生一个或多个灌注图。在病人全身循环的血液将包含造影剂，并且具体地可以经由动脉8而被输送到组织6，并且，流过组织6的血液经由静脉10返回心脏。将通过扫描收集的例如来自CT扫描仪20、MRI扫描仪30或NM扫描仪35的原始数据和/或图像转发给图2中的采用画面存储通信系统(PACS)形式的数据存储系统40。使用在采用计算机形式的处理器50上运行的计算机程序来从扫描仪20、30或35的任何一个或者从数据存储系统40取回各种图像或原始数据。然后，该程序处理那些图像以便提供改进的数据集(尤其是与灌注指标有关的数据集)以供医师使用，所述灌注指标包括血液流量、血液容量、平均通过时间、动脉延迟时间、动脉发散时间或相对动脉发散、组织发散时间或相对组织发散。该计算机程序不需要驻留在计算机50上，而是可以驻留在链接到扫描仪20、30或35中的任何一个的控制台计算机上。可替换地，该程序可以驻留在工作站(单机的或系统中的)中或PACS40中。

为了选择适当的动脉输入函数AIF，分析来自扫描的各种图像(切片)以识别感兴趣的主动脉。在CT中，信号改变与造影剂浓度分布曲线成正比。然而，在MRI中，使用数学变换以便将所测量的信号时间曲线变换为造影剂浓度分布曲线。根据所取回的原始数据，存储在系统50的存储器中的程序自动地基于所测量的造影剂的信号强度计算造影剂浓度。然后，它搜索所有像素以基于对于AIF的先到达、高窄峰的标准以及对于VIF的晚到达、具有最大峰面积的高宽峰的标准找出最佳的AIF(或VIF)。该程序将搜索到的AIF和VIF像素显示在对应的图像上，并且绘制AIF和VIF时间曲线。用户可以进一步选择特定像素，同时针对所选择的AIF动态地查看其分布曲线，以便确认最佳的动脉输入函数。可以保存较好的动脉像素以便代替所保存的AIF或者与所保存的AIF求平均，然后，用户可以“点击”其它像素以便将该其它像素与更新的AIF进行比较，直到用户满意所选择的AIF为止。最佳AIF的选择可以在努力使部分容积效应(PV)最小化的情况下通过不同的切片进行，其中，部分容积效应是指只有一部分动脉被包含在像素中。类似地，用户可以确认最佳VIF分布曲线。

参照图5，在步骤100，计算机程序从扫描仪20、30、35中的任何一个或PACS 40取回原始数据和/或图像，所述原始数据和/或图像包括包含造影剂的信息的信号强度。在步骤102，该程序基于所述信号强度计算造影剂浓度。然后，在步骤104，该程序相对于时间而绘制所述造影剂浓度分布曲线C(t)。当从MRI扫描取回数据时，在步骤106，信号强度由数学方法变换成C(t)。在步骤108，该程序搜索从所述绘图提取的像素，以便基于诸如达到时间和峰的给定标准找出最佳的AIF(VIF)。在步骤110，该程序显示搜索到的AIF(VIF)的像素，并且在步骤112作为时间的函数来绘制它们。然后，在步骤114，将到此为止最好的一个或多个像素存储在例如位于计算机50处的存储器装置中。在步骤116，进行判定以确定是否已经找到和存储了最佳像素，该判定可以由用户进行。如果尚未找到最佳像素，则该程序继续返回步骤118以找出比所存储的像素更好的像素，该更好的像素随后在步骤114被存储。当找到了最佳像素时，该过程移动到将在下文中描述的步骤120。

然后，所述计算机程序可以测量通过组织6的造影剂的量，造影剂浓度被表示为C(t)。

因此，所述计算机程序使用两个已知的分布曲线，一个用于造影剂浓度C(t)，另一个用于AIF_a(t)，AIF_a(t)是通向ROI的血管(动脉)中的相对于时间的动脉输入函数。通过知晓这两个具体的分布曲线，可以从等式

的反卷积导出组织血液流量F_t和组织脉冲剩余函数(IRF)R(t)，其中k_H＝(1-H_a)/(1-H_t)是因为造影剂停留在血液的细胞外部分(血浆)而考虑了动脉血细胞比容H_a和组织血细胞比容H_t的不同值的校正常数。血细胞比容是血液中的细胞的容积分数，对于诸如动脉之类的大血管，其具有H_a≈0.45的典型值，而对于诸如组织中的毛细血管之类的小血管，其具有H_t≈0.25的值。

换言之，通过动脉输入函数和组织IRF的卷积乘以组织血液流量来导出造影剂的浓度。这是不存在延迟或发散，使得所选择的来自主动脉的AIF_a(t)被取为与直接供给所述组织的AIF_t(t)相同的情况。

然而，在实践中，难以测量不同的感兴趣的组织的输入处的动脉输入函数。这是因为以下实际情况：直接供给所述组织的动脉通常尺寸较小，并且受到相当大的部分容积效应的影响。在诸如急性中风或颈动脉狭窄之类的主血管疾病的情况中，从主动脉选择的AIF在其到达感兴趣的异常组织之前常常伴随着延迟和发散。作为示例，参照图3，其中，在动脉8中测量动脉输入函数，产生图3(A)的曲线图。根据该曲线图可以看到，存在从注射起造影剂到达在动脉8中测量动脉输入函数所在的点所花费的时间t_a。其导致具有大幅度的窄“脉冲”。然后，在图3(C)中示出了在由60指示的组织6输入动脉处测量时的动脉输入函数。可以看到，该曲线图已经有些发散或展宽，并且在穿过可能在其中发生诸如中风或狭窄之类的血管疾病的更小的动脉62时涉及时间延迟t_d。供应不同组织的其它正常的小动脉可能具有很小的延迟和发散。因此，实际上，通过病人头部和颈部中的多个切片选择正常的大血管(例如颈内动脉(ICA)、大脑中动脉(MCA)、大脑前动脉(ACA)或大脑后动脉(PCA))是有用的。通过血管运输模型(VTM)来描述造影剂从动脉8通过一个或多个动脉62直到组织6的进入点60的转移，所述血管运输模型(VTM)使用延迟t_d和估计的发散参数来导出组织输入动脉60处的模拟的函数AIF_t(t)。通过组织灌注模型(TPM)来描述造影剂浓度的转移的下一部分，其中，造影剂从输入60穿过组织6到达输出64。所测量的造影剂浓度分布曲线C(t)表示留在组织6中的造影剂，如图3(E)中示的曲线所示，并且，可以使用无模型反卷积技术来估计组织血液流量F_t和脉冲剩余函数(IRF)R_e(t)，所述无模型反卷积技术例如为奇异值分解(SVD)方法。然而，这种反卷积对于噪声敏感，这可能产生R_e(t)的一些数学上的但是没有任何生理学意义的解。此外，所估计的F_t和R_e(t)可能由于与未计入的延迟和发散效应相关联的不确定性而不准确。理想的是使用受约束的反卷积过程，其使用具有如图3(D)所示的典型形状的、模型导出的IRE R_s(t)。可以使用所估计的R_e(t)来导出R_s(t)的参数。

可以通过经由迭代最小二乘法优化模型参数，来将如

的、使用卷积导出的模拟的组织造影剂浓度曲线拟合到所测量的C(t)曲线。

通常，使用由下面的等式(1)表示的伽马变量函数(GVF)来描述在通过血管系统进行的血液循环期间的造影剂的时间分布曲线。

$\mathrm{GVF}=\left\{\begin{array}{cc}\frac{1}{A}{\left({t-t}_0\right)}^{\mathrm{\&alpha;}}{e}^{-\left({t-t}_0\right)/\mathrm{\&sigma;}}& (t\&GreaterEqual;t_0)\\ 0& \left({t<t}_0\right)\end{array}\right.---\left(1\right)$

为了解决通过动脉62的延迟和发散，计算机程序采用GVF的第一模型来将血管运输函数表示为

$h_a\left(t\right)=\left\{\begin{array}{cc}\frac{1}{A_1}{\left({t-t}_1\right)}^{{\mathrm{\&alpha;}}_1}{e}^{-\left({t-t}_1\right)/{\mathrm{\&sigma;}}_1}& (t\&GreaterEqual;t_1)\\ 0& \left({t<t}_1\right)\end{array}\right.---\left(2\right)$

其中由于 ${\&Integral;}_0^{\&infin;}{h}_a\left(t\right)\mathrm{dt}\&equiv;1,$ 因此 $A_1={\mathrm{\&sigma;}}_1^{1+{\mathrm{\&alpha;}}_1}\mathrm{\&Gamma;}(1+{\mathrm{\&alpha;}}_1),$ $\mathrm{\&Gamma;}\left(\mathrm{\&alpha;}\right)\&equiv;{\&Integral;}_0^{\&infin;}{x}^{\mathrm{\&alpha;}-1}{e}^{-x}\mathrm{dx}$ 是伽马函数，t₁是从动脉8测量的初始AIF_a(t)到达动脉60花费的时间，σ₁和α₁与h_a(t)的平均通过时间和发散有关。如果设置α₁＝0，则等式(2)变为

$h_a\left(t\right)=\left\{\begin{array}{cc}\frac{1}{{\mathrm{\&sigma;}}_1}{e}^{-\left({t-t}_1\right)/{\mathrm{\&sigma;}}_1}& (t\&GreaterEqual;t_1)\\ 0& \left({t<t}_1\right)\end{array}\right.---\left(3\right)$

h_a(t)相对于时间的示例性图示在图3(B)中示出。可以通过作为图3(E)中的C(t)和图3(A)中的AIF_a(t)之间的延迟的t_d来估计t₁的值。以α₁＝0的估计值开始，h_a(t)的平均通过时间是t₁+σ₁，并且相对动脉发散被定义为范围从0到1的β₁＝σ₁/(t₁+σ₁)。基于对于动脉(12％)、静脉(30％)和整个器官(40％)典型的先前的发散测量结果，选择β₁＝12％的相对发散值。因此，可以获得σ₁的初始估计值为t₁β₁/(1-β₁)。

再次参照图5，在步骤120，计算机程序应用GVF以便在第一模型中表示h_a(t)。在步骤122，根据C(t)和AIF_a(t)的图示形成t₁的估计值。然后，在步骤124，假设α₁＝0，该程序使用t₁和相对发散值β₁来估计σ₁。然后，该过程移动到步骤126。

利用所估计的t₁、α₁和σ₁值，在步骤126，所述计算机程序可以计算等式(2)中的估计的h_a(t)函数，以便通过下式描述动脉运输：

${\mathrm{AIF}}_t\left(t\right)={\mathrm{AIF}}_a\left(t\right)\&CircleTimes;h_a\left(t\right)---\left(4\right)$

其中AIF_t(t)是在由60指示的到组织的输入处的动脉输入函数，AIF_a(t)是动脉8处的初始AIF，

是卷积算符。

感兴趣的组织中的造影剂浓度分布曲线可以通过下式进一步确定：

$C\left(t\right)=(F_t/k_H){\mathrm{AIF}}_t\left(t\right)\&CircleTimes;R_e\left(t\right)---\left(5\right)$

其中k_H＝(1-H_a)/(1-H_t)是因为造影剂停留在血液的细胞外部分(血浆)而考虑了动脉血细胞比容H_a和组织血细胞比容H_t的不同值的校正常数。血细胞比容是血液中的细胞的容积分数，对于诸如动脉之类的大血管，其具有H_a≈0.45的典型值，而对于诸如组织中的毛细血管之类的小血管，其具有H_t≈0.25的值。

利用测量的C(t)和模型导出的AIF_t(t)，可以使用无模型反卷积技术获得F_t和R_e(t)的估计值，所述无模型反卷积技术例如为奇异值分解(SVD)技术。该反卷积对于噪声非常敏感，这可能产生R_e(t)的一些数学上的但是没有任何生理学意义的解。此外，所估计的F_t和R_e(t)可能由于与t₁、α₁和σ₁的初始估计值相关联的不确定性而不准确。理想的是使用受约束的反卷积过程，其使用具有如图3(D)所示的典型形状的、模型导出的IRE。

再次参照图5，存储在计算机50的存储器中的计算机程序指示计算机在步骤128根据等式(4)中的AIF_a(t)和h_a(t)的卷积来计算AIF_t(t)的估计值，并且在步骤130根据等式(5)计算F_t和R_e(t)的估计值。

可以通过GVF的第二模型提供组织IRE的更逼真的(模拟的)分布曲线，所述第二模型将组织运输函数描述为

$h_s\left(t\right)=\left\{\begin{array}{cc}\frac{1}{A_2}{\left({t-t}_2\right)}^{{\mathrm{\&alpha;}}_2}{e}^{-\left({t-t}_2\right)/{\mathrm{\&sigma;}}_2}& (t\&GreaterEqual;t_2)\\ 0& \left({t<t}_2\right)\end{array}\right.---\left(6\right)$

其中

t₂、σ₂和α₂是与通过组织的h_s(t)的平均通过时间和发散有关的参数。如果假设t₂＝0，则等式(6)变为

$h_s\left(t\right)=\frac{1}{A_2}{t}^{{\mathrm{\&alpha;}}_2}{e}^{-t/{\mathrm{\&sigma;}}_2}(t\&GreaterEqual;0)---\left(7a\right)$

将h_s(t)的若干典型的特征参数确定为

峰上升时间(RT)＝σ₂α₂    (7b)

平均通过时间(MTT)＝σ₂(1+α₂)

可替换地，如果假设α₂＝0，则等式(6)变为

$h_s\left(t\right)=\left\{\begin{array}{cc}\frac{1}{{\mathrm{\&sigma;}}_2}{e}^{-\left({t-t}_2\right)/{\mathrm{\&sigma;}}_2}& (t\&GreaterEqual;t_{\text{2}})\\ 0& \left(t<t_2\right)\end{array}\right.---\left(8a\right)$

将h_s(t)的若干典型的特征参数确定为

峰上升时间(RT)＝1/σ₂    (8b)

平均通过时间(MTT)＝t₂+α₂

组织IRF R(t)和运输函数h(t)之间的关系为

$R\left(t\right)=1-{\&Integral;}_0^{t}h\left(\mathrm{\&tau;}\right)\mathrm{d\&tau;}\&DoubleRightArrow;h\left(t\right)=-\frac{\mathrm{dR}\left(t\right)}{\mathrm{dt}}---\left(9\right)$

由于h(t)是概率密度函数，因此R(t)是时间的正递减函数，其具有R(0)＝1的性质，如图3(D)所示。

根据从等式(5)反卷积的所估计的R_e(t)分布曲线，可以将所估计的运输函数h_e(t)导出为h_e(t)＝-dR_e(t)/dt。然后，可以计算h_e(t)的峰上升时间和平均通过时间，并且使用所述峰上升时间和平均通过时间分别利用等式(7b)估计σ₂和α₂或者利用等式(8b)估计σ₂和t₂。

在t₂＝0的情况下知晓了σ₂和α₂的估计值，或者在α₂＝0的情况下知晓了σ₂和t₂，它们随后被输入到等式(6)以确定模拟的运输函数h_s(t)。然后，可以由式(9)确定模拟的组织IRF R_s(t)如下：

$R_s\left(t\right)=1-{\&Integral;}_0^t{h}_s\left(\mathrm{\&tau;}\right)\mathrm{d\&tau;}---\left(10\right)$

一旦确定了R_s(t)，就可以随后确定模拟的浓度曲线如下：

$C_s\left(t\right)=(F_t/k_H){\mathrm{AIF}}_t\left(t\right)\&CircleTimes;R_s\left(t\right)=(F_t/k_H){\&Integral;}_0^t{\mathrm{AIF}}_t\left(\mathrm{\&tau;}\right)R_s(t-\mathrm{\&tau;})\mathrm{d\&tau;}---\left(11\right)$

使用所述计算机程序，用户选择初始AIF和VIF，该程序将自动地基于第一模型及其卷积导出输入到组织6的AIF_t(t)。其次，该程序将估计组织血液流量F_t和IRF R_e(t)，并且导出用来在第二模型中构造模拟的组织IRF R_s(t)的参数值。该程序还计算感兴趣的组织处的模拟的造影剂曲线。通过最小二乘法来优化7个参数F_t、t₁、σ₁、α₁、σ₂、α₂和t₂，以便将模拟的C_s(t)拟合到所测量的组织曲线C(t)。最小二乘拟合可以由在下面的等式(12)中定义的量S的最小化过程来表示：

$S=\underset{t}{\mathrm{\&Sigma;}}{(C\left(t\right)-C_s\left(t\right))}^2---\left(12\right)$

利用优化的7个参数F_t、t₁、σ₁、α₁、σ₂、α₂和t₂，可以将若干量化灌注指标确定为：

血液流量(BF)＝F_t

平均通过时间(MTT)＝t₂+σ₂(1+α₂)

血液容积(BV)＝BF*MTT    (13)

动脉延迟时间(DT)＝t₁+σ₁(1+α₁)

相对动脉发散(RAD)＝ADT/DT

相对组织发散(RTD)＝TDT/MTT

可以在逐个像素的基础上确定这些指标以便产生量化灌注图以分别用于进一步分析和解释。

这向医师提供了更准确的信息，使得医师能够在取回上述结果或数据时决定对于病人的更适当的治疗方案。

因此，再次参照图5，在步骤132，所述计算机程序使用等式计算ROI上的运输函数的估计值。在步骤134，该程序使用等式(7b)或(8b)而从h_e(t)曲线导出t₂、σ₂和α₂(其中α₂＝0或t₂＝0)。在步骤136，知晓t₂、σ₂和α₂的值的程序使用第二模型导出h_s(t)。在步骤138，所述程序从等式(10)导出R_s(t)。在步骤140，所述程序使用R_s(t)、AIF_t(t)、k_H和F_t的估计值确定C_s(t)。在步骤142，所述程序使用最小二乘法来将C_s(t)拟合到C(t)，并且通过迭代地使等式(12)中的S最小化来优化参数F_t、t₁、σ₁、α₁、σ₂、α₂和t₂。最后，在步骤144，所述程序使用等式(13)计算诸如BF、MTT和BV等之类的灌注指标的值。

通常，在获得动脉输入函数的过程中选择动脉，然而，在脑部，获得主动脉不一定容易。作为替代，可以选择脑部的较小动脉，这导致部分容积。为了补偿部分容积，可以使用比动脉大得多并且通常易于识别的静脉。用户和/或计算机程序搜索应当具有最小的部分容积效应的大静脉。可以选择较小的动脉并且相对于静脉分布曲线而缩放(scale)。因此，确定来自大的引流静脉的VIF的分布曲线。然后，AIF被按比例增大以具有与VIF相同的第一遍推注峰面积，从而使来自AIF的PV效应最小。第一遍AIF和VIF分布曲线可以通过将它们分别拟合为GVF分布曲线以去除造影剂再循环效应来获得。静脉分布曲线下方的面积应当于与动脉分布曲线相同。然而，这种使用VIF_a(t)来校正AIF_a(t)的部分容积效应的方法在脑外部不适用，因为造影剂在通过身体转移期间不一定留在血管系统中。通常，在身体里，可以在成像切片上发现没有部分容积的大动脉。

因此，在图4中，示出了所选择的原始动脉的AIF分布曲线80，其由于部分容积而比预期分布曲线小得多。因此，选择静脉，并且其具有VIF分布曲线84。由于再循环效应，每个分布曲线示出了局部最大值82(在AIF曲线上)和86(在VIF曲线上)。计算机程序将GVF拟合为VIF以便在去除局部最大值86和随后的轮廓87的同时，获得拟合的VIF曲线下方的总面积(BV)的估计值。然后，计算机程序将GVF应用于所选择的AIF以去除局部最大值82并且沿着轮廓89延伸该分布曲线。然后，所述程序使用此估计值来将原始的AIF 80按比例增大为AIF 88，以便根据按比例增大后的AIF 88获得造影剂浓度的估计值。该方法克服了当由于较短的扫描时间造成的数据缺失尾端而部分地表示VIF时的问题，所述较短的扫描时间是为了将病人必须花费以便被特定扫描仪扫描的时间量保持为最小。

应当注意：在第一和第二模型中的每个模型中使用GVF是为了相对容易计算。如果在第一和第二模型中都使用完整的GVF，则将有7个需要通过最小二乘拟合过程优化的可调参数。所述计算机程序可以提供各种选项以允许用户在最小二乘拟合过程中固定某些参数，例如α₁＝0和t₂＝0(或者α₁＝0和α₂＝0)，在那时将只需要优化5个参数F_t、σ₂、α₂、σ₁和t₁(或F_t、σ₂、t₂、σ₁和t₁)。所述计算机程序还允许用户固定相对动脉发散β₁，从而可以根据t₁计算σ₁。可以基于先前公布的结果来选择β₁＝12％的固定值。

可替换地，如果可以通过识别相对于AIF_a(t)显示出延迟的小动脉来测量AIF_t(t)，则可以通过将来自等式(3)和(4)的模拟的AIF_t(t)拟合到所测量的AIF_t(t)来确定优化的σ₁和t₁值。然后，可以确定相对发散β₁值，并且假设恒定的相对发散而将该相对发散β₁值应用于相同对象的所有其它像素。因此，将只有4个需要优化的参数F_t、σ₂、α₂和t₁(或F_t、σ₂、t₂和t₁)以便增大拟合过程的鲁棒性。

此外，可以将上述方法应用于具有例如急性中风和狭窄中的、伴随着延迟和发散的血管异常的各种对象。一旦从所有的代表性情况确定了一致的相对发散值β₁，就可以通过单个变量t₁以及常数β₁来描述等式(3)中的血管运输函数。可以执行两步法来解决延迟和发散。首先，可以使用无模型SVD方法通过AIF_a(t)从C(t)的反卷积来导出初始的IRF R₀(t)。延迟时间t₁可以通过R₀(t)的最大值位置(即，R_0max≡R₀(t＝t₁))来确定。这样确定的t₁值对曲线噪声较不敏感，这是因为反卷积涉及时间曲线的所有数据点。在第二步，供给ROI的AIF_t(t)可以利用t₁和常数β₁从等式(3)导出，所述t₁和常数β₁确定σ₁。然后，可以使用SVD方法通过模型导出的AIF_t(t)从C(t)的反卷积获得F_t的值和校正的IRF R_e(t)。可以从所计算的R_e(t)曲线将灌注指标确定为

BF＝F_t和BV＝BF*MTT。该方法可以通过计算机程序执行以便通过在没有耗时的最小二乘拟合过程的情况下解决延迟和发散来快速处理灌注图。

可替换地，由于运输函数h(t)只是通过时间的概率分布函数，因此可以使用诸如下面的等式(14)中的修正的高斯函数之类的其它函数来代替等式(1)，从而分别描述h_a(t)和h_s(t)。

$h\left(t\right)=\left\{\begin{array}{cc}\frac{1}{A}{e}^{-\left({t-t}_0\right)/2{\mathrm{\&sigma;}}^2}& (t\&GreaterEqual;0)\\ 0& \left(t<0\right)\end{array}\right.---\left(14\right)$

其中，t₀≥0， $A=\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}[1+\mathrm{erf}(t_0/\sqrt{2}\mathrm{\&sigma;})]/2,$ 并且 $\mathrm{erf}\left(t\right)\&equiv;\frac{2}{\sqrt{\mathrm{\&pi;}}}{\&Integral;}_0^t{e}^{-x^2}\mathrm{dx}$ 是误差函数。使用高斯函数来分别代替等式(3)和(8a)中的第一和第二模型，有5个需要通过拟合过程优化的参数(F_t、σ₂、t₂、σ₁和t₁)。

此外，这两个模型在范围上不限于用于与病人头部相关联的主血管疾病，例如急性中风或颈动脉狭窄。所述模型可用于任何血管内应用，因此可应用于病人身体的不同部位，例如肾脏皮质、肺或脾脏。

所述模型可以被进一步扩展到其它情况，在所述情况中，造影剂不能完全留在血管内，而是泄漏到组织中，例如泄漏到肿瘤中。对于具有平均通过时间τ的组织ROI，可以通过对于组织均匀性模型的绝热近似来将组织IRF描述为：

$R(t,\mathrm{\&tau;})=\left\{\begin{array}{cc}1& (t\&le;\mathrm{\&tau;})\\ {\mathrm{Ee}}^{-k(t-\mathrm{\&tau;})}& (t>\mathrm{\&tau;})\end{array}\right.---\left(15\right)$

其中第一项是血管内分量，第二项是泄漏分量。E是从血管泄漏出进入组织的血流中的示踪剂的摄取分数，示踪剂清除速率常数k＝E*F_t/V_e是泄漏的造影剂扩散回血流并且离开组织的速率常数，V_e是组织中的血管外和细胞外空间的容积分数。

通常，存在与组织中的血管的通过时间τ的分布相关联的灌注不均匀性。这种分布可以通过概率密度函数h_s(τ)来描述，使得包括泄漏的平均组织IRF变为

$R_s\left(t\right)=1-{\&Integral;}_0^t{h}_s\left(\mathrm{\&tau;}\right)\mathrm{d\&tau;}+{\mathrm{Ee}}^{-\mathrm{kt}}{\&Integral;}_0^t{h}_s\left(\mathrm{\&tau;}\right)e^{\mathrm{kt}}\mathrm{d\&tau;}---\left(16\right)$

其中，h_s(τ)可以通过等式(1)的GVF模型或等式(14)的高斯分布函数来描述。

通过对于等式(11)中的模拟的C_s(t)用等式(16)代替等式(10)，可以将上述用于血管内灌注的方法扩展用于肿瘤中的灌注测量。利用两个额外的参数E和V_e(或k)，上述方法可以用来导出用于测量与血液灌注和渗透率有关的指标，包括F_t、E和V_e。参数E和V_e具有0和1之间的值。所述程序选择E和V_e的某些起始值，例如E＝0.2和V_e＝0.4，然后使用等式(12)的最小二乘法进一步优化E和V_e以及所有其它可调参数(例如F_t、σ₂、α₁、σ₁、t₁、α₂和t₂)。然后，可以通过PS＝-F_tln(1-E)确定渗透率表面积乘积，其中当E＜＜1时，PS＝E*F_t。

本发明特别适用于涉及将造影剂推注剂静脉注射到病人体内的CT和MRI动态灌注成像。通过扫描获取的例如来自CT扫描仪602、MRI扫描仪604的原始数据和/或图像被转发给图6中采用画面存储通信系统(PACS)形式的数据存储系统606。使用在采用计算机形式的处理器608上运行的计算机程序来从扫描仪602、604中的任何一个或者从数据存储系统606取回各种图像或原始数据。该计算机程序不需要驻留在计算机608上，而是可以驻留在链接到扫描仪602或604中的任何一个的控制台计算机上。可替换地，所述程序可以驻留在工作站(单机的或系统中的)或PACS 608中。

所述程序加载动态灌注数据和/或图像，然后处理它们以产生包括CBV、VBF、MTT和DT的各种灌注图，并且进一步产生颜色编码的组织状态图，该组织状态图由叠加在对应的原始图像上的梗塞(红色)702和半暗带(绿色)区域组成。图7示出了在急性中风病人(但是没有进行有效治疗)中通过当前方法检测的急性缺血性半暗带的例子，到第二天，初始的半暗带区域进一步发展为梗塞。相比之下，通过早期介入，在另一个急性中风病人中通过当前方法检测的半暗带区域到第二天大部分得到挽救(仅梗塞核心有很小的扩大)，如图8所示。这两个例子证明：当前方法识别的缺血性半暗带和梗塞有潜力更准确地反映急性期的组织状态，因此可以预期组织状态图和作为总的缺血性病变的百分比的半暗带量度在被用来指导对急性中风病人的治疗时产生更好的结果。

参照图9，示出了计算机程序用来在步骤902将数据和/或图像加载到存储器中的步骤的流程图900，其中，所述数据是从扫描仪602、604中的任何一个或PACS 606取回的，包括包含造影剂信息的信号强度。在步骤904，该程序执行各种预处理，包括：(i)运动校正；(ii)AIF和VOF的检测；(iii)在造影剂到达之前设置基线时间段；以及(iv)将信号强度分布曲线转换为造影剂浓度时间曲线。

在步骤906，所述程序在逐个像素的基础上处理数据，以便使用诸如奇异值分解(SVD)技术的无模型卷积技术，通过考虑动脉延迟和发散效应，产生各种灌注图。AIF从组织时间曲线的反卷积产生组织IRF，其中IRF的最大值出现在某个时间点T_max处。为了适当地考虑动脉延迟和动脉发散效应，通过从范围从0到T_max的一系列延迟时间值DT_i上循环来应用迭代反卷积方法。对于每个延迟时间，将建模的动脉运输函数与所测量的全局AIF_g卷积以产生AIF_i，AIF_i用于组织曲线的SVD反卷积以产生IRF_i，其最大值出现在T_max(i)处。实际延迟时间DT被确定为产生Tmax(i)＝0的最小DT_i值。随后，可以分别通过IFR_i的最大值和积分来确定CBF和CBV，并且MTT＝CBV/CBF。

在步骤908，所述程序识别缺血性像素，其中，DT大于预定的第一阈值，并且CBV低于第二阈值。

在步骤910，该程序识别缺血性病变的梗塞部分，其中，DT大于预定的第三阈值，并且/或者CBV低于第四阈值。

在步骤912，该程序可以通过去除或填充具有低于预定的第五阈值的最大聚类尺寸的小岛或小孔，来将聚类分析进一步分别应用于所有检测到的缺血性像素和梗塞像素。该聚类分析可以包括诸如打开或闭合之类的一般的形态学算符，或者一般的k-平均(k-means)聚类技术。

在步骤914，可以通过缺血性病变和梗塞之间的不匹配区域识别缺血性半暗带。然后，可以产生组织状态图以在对应的原始图像上作为颜色叠加而显示被半暗带(绿色)704围绕的梗塞(红色)702。

在步骤916，该程序作为总的所述缺血性病变的百分比来测量半暗带容量，以便确定对于急性中风病人的治疗。

已经使用了急性中风病人中的CT灌注成像的例子描述了本实施例。本发明同样也可适用于动物以及使用MRI扫描。

本领域技术人员将认识到，可以对所述具体实施例中示出的本发明进行大量的改变和/或修改，而不背离如宽泛地描述的本发明的精神或范围。因此，本实施例在所有方面都应该被视为说明性的，而不是限制性的。

现在，已经根据若干示例性实施例描述了本发明，所述示例性实施例在所有方面都意图是说明性的，而不是限制性的。因此，在具体的实现中，本发明能够进行各种改变，本领域普通技术人员可以从包含于此的描述导出所述改变。所有这样的改变都被视为处于由所附权利要求及其法律等同物限定的本发明的范围和精神内。

Claims (1)

1.一种识别缺血性病变的方法，包括：

a.将灌注成像数据加载到电子存储器元件中；

b.从所述灌注成像数据导出灌注图，其中，所述灌注图包括大脑血液容量(CBV)图和动脉延迟时间(DT)图，其中所述灌注图利用动脉延迟和发散效应；

c.根据所述灌注成像数据确定缺血性像素，其中所述DT大于预定的第一阈值并且所述CBV低于第二阈值；

d.确定所述缺血性病变的梗塞部分，其中(i)所述DT大于预定的第三阈值，(ii)所述CBV低于第四阈值，或者(i)和(ii)；

e.通过去除或者填充具有小于预定的第五阈值的最大聚类尺寸的有限的岛或孔，来将聚类分析应用于所述确定的缺血性病变像素和所述梗塞像素。

f.确定半暗带，其中所述缺血性病变和所述梗塞核心之间的不匹配区域限定所述半暗带。

Images