CN1505490A - 对于解剖的组织结构进行非侵入式成象的方法和设备 - Google Patents

对于解剖的组织结构进行非侵入式成象的方法和设备 Download PDF

Info

Publication number
CN1505490A
CN1505490A CNA018230741A CN01823074A CN1505490A CN 1505490 A CN1505490 A CN 1505490A CN A018230741 A CNA018230741 A CN A018230741A CN 01823074 A CN01823074 A CN 01823074A CN 1505490 A CN1505490 A CN 1505490A
Authority
CN
China
Prior art keywords
nerve
image data
tract
program
trunk
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CNA018230741A
Other languages
English (en)
Inventor
大卫·罗伯茨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of CN1505490A publication Critical patent/CN1505490A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20096—Interactive definition of curve of interest
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Abstract

本发明公开一种对与周围组织分离的解剖的组织结构进行非侵入式成象的方法，其包括：从输入装置接收患者的解剖组织结构和周围组织的磁成象数据；分割该成象数据，以将解剖组织结构成象数据与周围组织成象数据分离；将解剖组织结构成象数据分成与组织微观结构相应的数据群；由至少一个组织微观结构的成象数据构建一图象；以及保存或显示该图象。还描述了一种采用所公开方法的设备，以及一种定量测量拟似脱髓鞘状态的神经组织的方法。

Description

对于解剖的组织结构进行 非侵入式成象的方法和设备
发明背景
本发明涉及对与周围组织分离的解剖的组织结构的非侵入式磁成象，具体涉及神经组织的非侵入式磁成象。更具体地说，本发明涉及对神经组织损伤的非侵入式定量测量，如受压时发生的损伤。
临床上，有可能通过确定运动功能的最终效果丧失，并确定是传感功能异常还是功能完全丧失，而估计哪个神经通路受到损伤。不过非常难以确定损伤的位置，以及对涉及到的神经造成损伤的程度。
末梢神经具有复杂结构。每个神经干包含数量很大的神经“纤维”(神经突)，是位于脊神经节(感觉神经元)和脊髓前角(运动神经元)的神经元细胞体的原生质伸展。(除细痛感纤维以外)所有神经纤维均由髓磷脂脂肪层围绕，用于增强神经冲动的传导(神经流动)。神经纤维分组成一些束，即由薄结缔组织膜(神经外膜)束缚在一起的许多纤维组成的束。包括神经干的许多束的束由厚膜——神经束膜束缚。神经干可以由其他结缔组织或脂肪保护层围绕。
可由包括压迫、拉伸和破损在内的外伤扭曲，和/或附带发生的局部缺血引发末梢神经神经病。外伤可以是急性的，特别是当周围组织受到损伤时，或者可以是慢性的，并且由于神经与周围组织之间的病理机械关系：认为局部压迫是诱发并发症的主要病原。短暂压迫可很快恢复，不过长期压迫延长了恢复周期，因为神经纤维受到损伤。必然发生脱髓鞘状态和传导的重建。慢性和反复压迫阻碍恢复，并导致严重的神经损伤。
在比急性压迫更常见的慢性和反复压迫情况下，损伤更大。在压迫位置神经干变细，不过邻近处可能膨胀。只要部分髓磷脂受到损伤，则特性传导减慢，且发生传导阻塞。取决于慢性压迫的严重程度，神经干近端包含处于其束内的全部有髓纤维；不过在有压迫和末梢处，有髓纤维显著减少。神经近端与末梢部分之间有髓纤维的相对密度为末梢分布中的神经生理功能丧失的量度。
虽然可在身体任何部分处发生神经损伤，不过某些神经易于受到慢性损伤，这是由于与其他组织之间的结构关系。慢性神经压迫的常见位置包括臂丛——尤其是穿过肋骨架与锁骨之间的臂从的索(cord)所处的位置；肘——尺骨神经缠绕尺骨鹰嘴突的位置；腕管(the carpal tunnel)——正中神经(the median nerve)在深屈肌腱与屈肌韧带之间所处的位置；骶骨-髂骨区域——腰骶干和骶骨丛在骨盆的骨表面上所处的位置；臀区域——坐骨神经穿过大臀肌肉系统的位置；腓骨颈——公共腓骨神经缠绕骨骼外表面的位置，以及跗骨管——胫骨神经在跗骨下缠绕，进入足底的位置。
有些神经易于受到急性外伤的损害，结果其与骨骼的密切关系易于破裂。这些神经包括处于锁骨下面的臂从部分，放射状神经——围绕肱骨体缠绕，以及围绕腓骨颈缠绕的公共腓骨神经。
腕管综合症(CTS)被定义为一种病理状态，其中腕管尺寸减小，使正中神经受压迫，产生疼痛，以及该神经支配的手指中发生轻微感觉损伤，有时会附带发生轻微的手掌肌肉损伤。腕骨沟是一个处于手腕部手掌表面上、由腕骨的侧面凸起与中央凸起形成的深凹面。该中央凸起由豌豆状骨和钩——钩骨的钩状突起形成。该侧面凸起由舟骨的结节和梯形骨形成。通过与腕骨沟侧面和中央边缘连接的强纤维韧带，该腕骨沟转变成骨纤维症腕管。该腕管传导深及浅的手指屈肌腱，在该区域中形成牢固的束。
正中神经处于屈肌韧带与屈肌腱束之间的屈肌管(tunnel)内。从前臂中距离手腕屈肌韧带大约5cm的屈肌指(digitorum)表面的后面露出(emerge)。处于深手指屈肌腱的表面处，并处于表面屈肌腱与屈肌腕桡骨之间。然后该神经深入到手腕的屈肌韧带，在该处正常情况下处于粗大屈肌腱束的表面。
与CTS有关的外观形态包括长屈肌腱的腕脱臼、腕关节炎和腱鞘炎。这些状态明显限制了屈肌管内的空间。综合病症常常没有明显的形态学原因，不过当完全分离屈肌或韧带时，在大多数情况下症状都得到减轻，假设并非明显来自屈肌管总体形状或其内容的机械压迫，引起局部缺血或直接压迫正中神经。
临床症状包括手掌肌肉无力，侧部手掌、拇指及前两个手指机能异常(parasthesias)。其他症状可能包括腕部僵硬和某些疼痛。
临床检查包括识别出这些已知与神经损伤有关的症状。末梢神经分枝的解剖学分布是不变和众所周知的。利用一个或多个肌肉的异常感觉或无力的分布状态，确实表示出涉及到哪个神经。
使用肌电图作为临床检查的一种补充。该技术使用插入可疑肌肉中的探针电极。所测得的电压强度是肌肉活动性程度的间接测量结果。神经流兴奋也涉及到使用探针电极。该技术比较输入和输出电压值。
这些诊断技术均没有明确确定神经病的病灶。在大多数情形中，如果检查与肌电图结果是某一特定综合病症特有的，则在实验基础上可以相当确定地估计出神经病病灶；不过误诊相当常见，可导致不必要的外科手术或没有完全减轻症状。此外，肌电描记术是一种相当复杂的技术，需要某些专门技术获得令人满意的诊断。另外，使用探针电极是侵入式的，可能带来痛苦。可引起错误地读出，或患者拒绝该研究。
另一问题为临床检查经验。许多患者企图模拟症候以便具有保险赔偿的资格。使用本质上的主观检查难以识别出这些患者，且耗费诊断医生的时间。
尽管在文献中存在相互矛盾的报告，目前没有有利的证据证明，在独立的二维磁图象中观察神经形态是临床上获得有关组织恶化和受损神经流动的信息的实用方法。目前，CTS患者未将磁成象扫描作为诊断方法。
发明内容
已经发现可以采用后扫描数据处理来解决从磁成象数据获得具有重要临床诊断价值的生理信息的问题。首先，通过分割成象数据，以使解剖组织结构与周围组织分离，获得高分辨率的三维图象，其中组织微观结构可以看到，并且提供与生理有关的临床重要信息。当对神经组织进行成象时，有可能获得与神经流动(nerve flow)功效有关的具有重要临床诊断价值的神经生理学信息。
因此，根据本发明的一个方面，提供一种用于对与周围组织分离的解剖组织结构进行非侵入成象的方法，包括以下步骤：
从一输入装置接收患者的解剖组织结构和周围组织的磁成象数据；
分割该成象数据，以将该解剖组织结构的成象数据与周围组织的成象数据分离；
将该解剖组织结构的成象数据分成与组织微观结构相应的数据群；
根据至少一个组织微观结构的成象数据构建一图象；以及
保存或显示该图象。
可以通过磁共振或磁转移成象获得该成象数据。应用于本发明的方法不限于对神经组织进行成象，而且基本上适用于难以获得不被周围组织遮蔽的高分辨率图象的任何组织结构。因此，本发明的方法尤其适合于成象维管组织和肿瘤组织。本发明可得到肿瘤组织边界的高分辨率图象，帮助外科医生实现完全切除肿瘤的目的。
因而，根据本发明的另一方面，提供一种实现本发明方法的设备。根据本发明的设备包括：
一输入装置，用于接收患者的磁成象数据；
一处理装置，其具有：
一第一程序，用于分割磁成象数据，以将该解剖组织结构的成象数据与周围组织的成象数据分离；
一第二程序，用于将该解剖组织结构的成象数据分成与组织微观结构相应的数据群；
一第三程序，用于从至少一个微观结构的成象数据构建一图象；以及
一处理器，用于顺序执行第一、第二和第三程序；
其中该处理器：
使用来自该输入装置的成象数据执行该第一程序；
使用通过执行第一程序分离出的解剖组织结构的成象数据执行该第二程序；和
使用通过执行第二程序获得的数据群执行该第三程序；以及
一用于显示该图象的输出装置，或一用于保存该图象的存储装置。
本发明包括用于计算神经干或神经道(nerve tract)中髓磷脂的存在或丧失的设备。这类设备包括在没有首先构建神经干或神经道图象的条件下测量髓磷脂的装置。根据本发明这个方面的设备包括：
一输入装置，用于接收患者的神经干或神经道以及周围组织的成象数据；
一处理装置，其具有：
一第一程序，用于分割该磁成象数据，以使神经干或神经道的成象数据与周围组织的成象数据分离；
一第二程序，用于将神经干或神经道的成象数据分成与束和其他神经干或神经道微观结构相应的数据群；
一第三程序，用于根据该束成象数据计算神经干或神经道中髓磷脂的存在或丧失；和
一处理器，用于顺序执行该第一、第二和第三程序；
其中该处理器：
使用来自该输入装置的成象数据执行该第一程序；
使用通过执行该第一程序分离出的神经干或神经道成象数据执行该第二程序；和
使用通过执行该第二程序获得的束数据群执行该第三程序；以及
一用于显示该髓磷脂计算结果的输出装置，或一用于保存该髓磷脂计算结果的存储装置。
本发明的方法和设备特别适用于分割神经组织的成象数据，使各神经束具有三维显像，并定量神经干横截面中存在的束组织的百分比。所获得的数值被表示成百分比与横截面位置的二变量曲线图，并直接指示医生髓磷脂含量减少以及神经流损伤的神经干部位，以及变性程度。
因而，根据本发明又一方面，提供一种对拟似脱髓鞘状态的神经干或神经道进行成象的方法，包括：
从一输入装置接收患者拟似脱髓鞘状态的神经干或神经道以及周围组织的磁成象数据；
分割该成象数据，以将该神经干或神经道的成象数据与周围组织的成象数据分离；
将该神经干或神经道的成象数据分成与神经干或神经道的束和其他微观结构相应的数据群；
根据对于至少神经干或神经道的束的成象数据，构建一图象；以及
保存或显示该图象。
本发明具体体现了可使用对于该束的成象数据计算神经干或神经道中髓磷脂的存在或丧失这一发现。从而，根据本发明这一方面的最佳方法，还包括根据该束的成象数据计算拟似脱髓鞘状态的神经干或神经道中髓磷脂的存在或丧失，并保存或显示髓磷脂计算结果的步骤。
根据本发明再一方面，可以根据束的成象数据计算神经干或神经道中髓磷脂的存在或丧失，不依赖于神经干图象的构建。从而本发明还包括一种对拟似脱髓鞘状态的神经干或神经道的定量测量方法，包括步骤：
从一输入装置接收患者拟似脱髓鞘状态的神经干或神经道以及周围组织的磁成象数据；
分割该成象数据，以将神经干或神经道的成象数据与周围组织的成象数据分离；
将该神经干或神经道的成象数据分成与神经干或神经道的束和其他微观结构相应的数据群；
根据束的成象数据计算神经干或神经道中髓磷脂的存在或丧失；以及
保存或显示髓磷脂计算结果。
本发明用于定量测量神经组织脱髓鞘状态的方法特别适用于非侵入式诊断CTS。从而，根据本发明另一方面，提供一种对患者腕管之一内拟似脱髓鞘状态的正中神经进行成象的方法，包括步骤：
从一输入装置接收患者包括穿过腕管的正中神经至少一部分在内的磁成象数据；
分割该成象数据，以将该正中神经的成象数据与周围组织的任何成象数据分离；
将该正中神经的成象数据分成与该正中神经的束和其他微观结构相应的数据群；
根据该至少正中神经束的成象数据构建一图象；以及
保存或显示该图象。
还可以采用该方法根据该束成象数据计算腕管内正中神经中髓磷脂的存在或丧失。根据本发明这一方面的方法，还包括根据该束成象数据计算腕管内正中神经中髓磷脂的存在或丧失，并保存或显示髓磷脂计算结果的步骤。
也可以根据该束成象数据，独立于正中神经图象的构建而计算腕管内正中神经中髓磷脂的存在或丧失。从而本发明还包括一种定量测量患者腕管之一内拟似脱髓鞘状态的正中神经的方法，包括步骤：
从一输入装置接收患者包括通过腕管的正中神经至少一部分在内的磁成象数据；
分割该成象数据，以将该正中神经成象数据与周围组织的任何成象数据分离；
将该正中神经的成象数据分成与正中神经的束和其他微观结构相应的数据群；
根据该正中神经束的成象数据，计算腕管内正中神经中髓磷脂的存在或丧失；以及
保存或显示髓磷脂计算结果。
通过参照下面结合附图、披露本发明原理的最佳实施例的详细描述和权利要求，以及目前实现本发明的最佳方式，很容易获得本发明更加充分的理解和众多其它潜在优点。
附图简要说明
图1为根据本发明的示例设备的部件的方块图；
图2为流程图，说明根据本发明方法的示例步骤集合；
图3为现有技术的通过磁共振成象获得的包括正中神经在内的腕部的轴向横截面；
图4为由本发明的设备采用本发明方法构建的患者腕管内健康的正中神经的磁共振图象；以及
图5为通过图4用于构建图象的相同设备和方法构建的患有CTS的患者腕管内正中神经的磁共振图象。
最佳实施例详细说明
参见附图，图中相同附图标记表示相似或相同元件，如图1所示，本发明描述了一种实现成象装置10的方法和设备，该成象装置10包括一具有处理器14、存储器16和存储程序18的处理装置12，存储程序18包括后扫描数据处理程序20。该处理装置还包括一输入装置26和一输出装置28。
本发明基于通过在直方图再分割成象数据之前首先分割成象数据，以将解剖的组织结构与周围组织分隔开，可以构建特别清晰的组织微观结构图象这一发现。此处公开的新颖方法和设备特别适用于神经病的诊断，尤其是由压迫和相应的脱髓鞘状态引发的神经病，如发生CTS。
在实施例中，处理装置12是SGI的R1000工作站，具有大约128MB相关的RAM存储器和一个4GB硬或固定驱动存储器16。该处理器使用UNIX操作系统操作运行应用软件18，实现所公开的成象装置10和方法。
应该理解，上述处理器仅是示例性的。可使用具有足够处理能力和存储量的任何计算机或处理系统。
成象源24通过输入装置26将由磁共振或磁转移成象获得的成象数据提供给处理器14。该数据源可以为将磁共振或磁转移成象数据提供给计算机的任何源，如包含成象数据文件的软盘，或者直接或通过调制解调接口与处理器14的输入端口相连的磁共振或磁转移成象装置的处理器(未示出)。输入装置26可以为软盘驱动器，调制解调器或其他数据读出或数据输入装置，并且还包括交互式，半自动或自动轮廓描绘装置，用于分割解剖结构。对于本发明而言，“解剖结构”被定义为整个器官内的功能性亚结构，诸如神经干中的功能性微观结构，即束等。
输入装置26还可以包括用于将命令发送给处理器1 4的键盘或类似输入装置。还可以作为第二输入装置(未示出)设置用于发送命令的输入装置。
处理器14从成象数据源通过输入装置接收命令和成象数据。成象数据可以存储在存储器16中以备处理器14进一步处理或使用，以便构建组织目标的图象。所构建的图象发送给诸如可视图象显示装置如视频显示终端的输出装置28。还可包括用于显示原始磁共振或磁转移图象的视频终端。也可以通过适当的输出装置用数字方式或用图形显示所构建的图象。
成象装置10执行此处结合图2描述的应用程序，该应用程序是用“C”编程语言的源码编译执行的。参见图2，成象装置10包括传统成象软件，如用于显示原始磁象的软件。该成象装置还包括后扫描数据处理程序，如用于去除无关数据的“剪辑”软件，和用于操作交互式、半自动或自动轮廓描绘装置以分割解剖结构的软件。
该成象装置还包括后扫描数据处理软件，用于产生所分割结构的二元图象和二元切片的软件，用于产生三维二元掩模的软件，以及用于分割代表由二元掩模分割的结构灰度级数据的软件。还可以包括用于直方图分析灰度级数据的后扫描数据处理软件，将灰度级解剖组织结构单次或反复分割成内在组织微观结构；以及用于确定材料不透明性、发射和表面反射的软件。
该成象装置的后扫描数据处理软件还包括用于产生各内在组织微观结构三维图象，或整个组织结构复合图象的软件，以及用于图象平滑(折叠)的软件。还可以包括后扫描数据处理软件，用于计算中央干(道)轴，横截面和组织存在年龄，并用图形显示出数值。
图2表示用于对神经干进行成象的应用程序。在步骤28，获得沿神经干轴向平面1mm切片的磁成象数据。在步骤30，将该数据传递给处理器进行后扫描处理。在步骤32，由图象显示软件构建磁成象切片的灰度级图象。
在步骤34，交互式剪辑软件在灰度级切片中识别神经干，并在步骤36中剪取出第一神经干切片，以消除周围组织的成象数据。然后自动剪辑其余切片堆，按照需要修正剪辑边界。在步骤38中，半交互式分割软件在最初的一个或两个切片中识别神经干边界，并发送给计算机，此后该软件自动分割其余切片，然后检查并调整所识别出的边界。
在步骤40中，二元掩模软件产生用于所分割出的神经边界的二维二元掩模。在步骤42中，灰度级数据分割软件使用该二维二元掩模，以从原始磁共振或磁转移图象切片分割代表神经干的灰度级数据。
在步骤44中，直方图分析软件将针对所分割神经干的神经干灰度级数据再分割成神经干微观结构数据群，包括束状维管(fascicular bundle)束、神经外膜和束内筋膜(inter-fascicularfascia)。在步骤46中进行再分割数据群的内插。用于确定材料不透明性、发射和表面反射的软件调节各微观结构的这些特征，以便增强其在复合组织图象中的可视性。
然后在步骤48中由三维成象软件构建静止和运动图象。构建出各神经组织微观结构图象和由各神经组织微观结构组成的神经干的复合图象。
在步骤50中，将图象显示为打印图象或者通过观察软件显示为视频图象。任选，在步骤52中该组织计算软件根据该束成象数据确定选定横截面内束材料的量，在步骤54中通过显示软件用图形显示出该数值。
在高分辨率T1或T2加权的磁共振(MR)图象中很容易观察到神经干。在神经干的横截面中，该束显示为散布在表示间质组织的暗色灰度基体中的亮“光点”，被代表神经束膜和数个薄支持筋膜层的可变厚度暗色边界环绕。
该束发出的相对较高幅值信号与存在髓磷脂有关。如在其他细胞的原生质膜中，髓磷脂由脂类和蛋白质组成，不过脂类的比率较高；并且除了常常在原生质膜中发现的有用的一组脂以外，髓磷脂包含一种特有的醣脂。髓磷脂还包含高达30％的结合水。
当发生脱髓鞘状态作用时，脂类分子和自由间质水(将影响自由水与结合水之间的离子交换速度)的丧失，将减小结合的神经束膜中MR信号的幅值。特别是，一定百分比的亮“光点”将变得不再可见。病理组织在MR图象中将比正常组织暗，并且束的存在将不太明显。
可通过直接视觉检查横截面MR图象而部分地探测束的存在。不过仅通过视觉观察不能令人满意地得出横截面中存在的束数量或百分比，不同横截面之间的比较关系。通常不可能分辨出较暗的束，并且可能观察不出信号幅值的较小变化。
从而，使用本发明的方法产生束的三维图象，可以以静态形式观察，或者可以围绕神经干的(近似)长轴旋转。后者增强了目视观察过程。因为可以将三维图象限定为束，故可相当容易地直接观察神经干中这些结构的局部密度以及其亮度(信号幅值)。
通过本发明，有可能根据所产生的图象确定神经干脱髓鞘状态的量，迄今为止侵入式或主观地对其进行测量。首先通过计算束组织的体积占总神经干(道)结构体积的百分比来确定神经组织的脱髓鞘状态。然后计算在选定的神经干(道)横截面中观察到的束组织的面积占总神经干(道)结构面积的百分比。然后计算垂直于长轴的特定厚度(例如1mm)神经干(道)的邻接横截面积。
之后计算束组织体积占邻接横截面正中神经干(道)总体积的百分比。然后绘制出以截面在神经干中轴上的位置为函数的所获得百分比体积的图形显示。这些百分比值表示出的髓磷脂含量的改变是神经干神经生理(流动效率)状态的一种度量，从而是一种重要的诊断指标。
该技术可将例如前臂(不可能夹住和压迫之处)中存在的束组织百分比与腕管内束组织的值进行比较，并比较神经干末梢与腕管区域中。还可对不同个体同一区域中的束百分比进行比较(在患者之间进行比较)。
因此，本发明的方法能计算针对神经干横截面区域的束百分比。对于正中神经，可以计算垂直于神经干长轴的1mm厚度邻接截面的束百分比，然后表示为以神经干内的位置为函数的束材料百分比的二元曲线图。该曲线图通过简单、直接的方法判断在正中神经干哪个确切区域中发生了束材料的丧失，以及束组织丧失的量，提供CTS诊断。
使用MR图象在患者间进行比较的缺点在于，代表不同类型组织的灰度值刻度取决于扫描仪，从而随扫描仪不同而不同。磁转移成象(MTI)是一种新技术，当用于分析神经干时，与传统MR成象相比具有两个优点。第一，改善了平面内的分辨率。第二，用该技术获得的数据值不依赖于扫描仪，从而可直接在患者之间进行比较。
在本文中已经讨论了使用MTI分析神经组织的可能性。退化的髓磷脂鞘中束缚质子的丧失，通过磁转移，对紧邻束附近自由质子发出的MR信号具有抑制作用。可计算磁转移函数，并使用所得到的值产生MT图象。因此，MTI尤其适合于本发明的方法和设备。
本发明的方法和设备也非常适用于诊断神经病。在根据本发明的诊断方法中，一般首先进行临床检查，以确定神经病的可能位置。然后获得该区域的高分辨率磁图象。
此MR数据包括近似垂直于神经轴的平面内的薄(1mm)邻接切片。通过使用长达10分钟的扫描时间，可以获得高分辩率图象。
然后对MR数据进行后扫描数据处理。不需要MR硬拷贝(醋酸纤维盘)。将三维MR数据输入三维成象软件。后续数据处理步骤如下：
显示原始MR切片。识别出神经并调节图象对比度，以使操作员对其目视观察最佳。这种对比度调节不影响神经边界的信号微分，并且不是后续分割中的因数。
通过数据剪辑去除除紧靠神经附近以外的所有数据，减小数据集的大小。一旦确定了感兴趣区域，则自动进行剪辑；因此，感兴趣区域的大小与神经在连续图象上的位置有关。
然后执行成象数据的内插。初始三维象素(voxels)是棱柱形的；即，在Z方向(图象切片的厚度)通常为1mm。X和Y(切片平面内)的尺寸取决于成象协议。一般X和Y为0.5-0.7mm。立体三维象素(Cubile voxels)需要三维描绘；因此，必须对Z方向的数据集进行内插，以便获得厚度与X，Y大小相应的切片。内插过程不是简单的数据平均；其利用复杂算法识别邻近切片中一致信号区域的“形状”，并计算中间“形状”(假设在切片之间形状线性改变)。根据内插的形状显示出在内插的切片中具有高精度信息。一般在剪辑和分割所产生的二元图象之后进行内插。这减少了分割过程中进行交互式轮廓描绘所需的时间。
因为非线性信号，自动分割MR数据难以进行。目前使用多种不同技术在原始MR图象上描绘感兴趣区域的边界。它们是交互式、活线(live-wire)和活路径(live-path)轮廓描绘。
利用交互式分割，手术人员追迹神经干部分的边界，记录如此得出的边界上的坐标。在活线分割过程中，手术人员识别横截面中看到的神经边界，并指示给计算机。从而计算机随后能识别具有相同边界信号特性的邻接三维象素。一旦确定了边界，则手术人员可以在其上标明起始点，然后将指针(cursor)移动到距离该起始点某一距离处的下一点。
计算机能使用所提供的边界信息追迹出两点之间的边界，并画出一条彩色线标记出该边界。因为边界信号不同，并且存在具有相同信号特性的相邻非边界象素，故自动选择的边界可能与手术人员认为正确的边界不同。在这种情形中，重新确定分歧点处的边界(即，校正边界轮廓)，并且继续这种沿该边界以一定间隔标记出点的技术，直至边界闭合。在轮廓描绘过程中使用边界识别精确得出计算机用来自动确定边界的信号特性序列。在描绘出一个或两个边界之后，通常仅需指出两个或三个点，就可获得完整的精确边界。
可以将该技术扩展到自动识别相继切片中的边界，使过程加快。一般手术人员检查自动生成的边界轮廓，并且可校正任何误差。连续确定的边界特性由计算机存储，并可用于分割通过相同成象协议获得的其它数据集。
活路径轮廓描绘与活线轮廓描绘相似，不过计算机仅搜索与指针两侧有限宽度的“路径”内所限定的边界特性一致的边界特性。可快速围绕感兴趣区域移动指针，无需严格沿边界移动，以描绘出所限定路径限度内的轮廓，作为一种非常快速的轮廓描绘方法。
一般在所有原始MR切片上执行活线和活路径轮廓描绘技术。不过，可以发展这些技术，从而仅在前两个或三个切片上交互式地限定轮廓，然后计算机将在剩余切片中搜索相应的边界，并自动将它们描绘成轮廓。
分割技术通过根据位于边界内的三维象素和没有位于边界内的三维象素的三维数据的二元分离，输出感兴趣区域的表面边界。从而二元数据的三维成象产生一“实心”物体。不过，边界表面可以用作“掩模”，用于从原始三维MR数据矩阵中提取出感兴趣区域内的MR数据。所提取出的MR数据集称为灰度图象。
从而灰度图象包含与神经干内所包含的组织微观结构有关的信息。神经束、基质和神经束膜的灰度值包括不同和重叠的数据群。在信号重叠区域中，属于每种材料的信号百分比可以根据所赋予的信号值分类。这使得能够基于这种直方图数据自动再分割不同组织类型。可以交互式地进行直方图再分割，以便分解任何信号重叠，获得神经组织微观结构的最佳目视观察(即非常清楚束的目视观察)。
然后通过产生三维图象并进行解剖检查，确定对于目视观察神经微观结构最佳的不透明性、发射和表面强度参数。一旦确定了这些参数值，就可用于更加自动地对相继数据集进行成象。通过调节这些参数改善目视观察性，是一种与分割不同的方法，并且没有从周围基质选择有关的组织。
输出是可视和数字式的。可视结果由神经干的三维透视图组成，包括整个结构的复合图象，该整体结构包括神经束膜、束和束间组织。将神经束膜的不透明性设定为该组织是半透明的。这使得能以神经束膜的角度观察到神经干的内容。同样，将束间组织的不透明性设定成大于神经束膜，但小于该束。结果以正确的解剖关系显示神经的微观结构。
为了增强图象的三维性，并且为了能从所有角度检查解剖关系，围绕图象的长轴旋转图象，并记录保存成“电影”文件的多个“帧”。这可以使用传统的MR成象软件来进行。还产生分别包含每种材料的图象，并且针对每种材料产生电影文件。这些图象使得能分别对每种微观结构进行直接检查。
也可产生由神经束膜和肌纤维束组成的复合图象，并形成电影文件。该图象能在束范围内检查神经束膜的结构和厚度，并将隔膜加厚或变薄的区域与束中MR信号波动的区域进行比较。
数值输出包括在整个神经干长度上连续计算出与其长轴垂直的神经干横截面面积值，并且显示为以横截面位置为函数的横截面面积二变量曲线图。计算出类似的二变量曲线，表示以位置为函数横截面内束材料的密度。
通过本发明方法和设备测得的神经组织参数包括神经干(束)的一般形态，横截面形态，神经干横截面内神经束的尺寸和分布以及神经束的密度。这些参数与伴随神经损伤和功能障碍发生的生理改变有关。
总体形态和横截面形态是压力环境的物理反应。众所周知，在压迫区域中，通过在垂直于压力的平面内变平，末梢神经重新组织。平坦化的数量几乎必然与功能改变有关，不过这种关联的敏感度可能不足以满足早期诊断的目的。
在压迫区域中，束的尺寸减小，不过数量增大，形成更小的簇。可测量神经突的横截面。
不过，横截面的束密度是根据该截面中存在的“束材料”的MR信号的量度。期望MR信号能随神经纤维(神经突)的组织化学和其间质环境而变。其包括髓鞘(由复合脂类和高百分比的结合水组成)结构和化学性质改变，以及神经突和间质组织的离子环境变化。因此，MR信号的改变指示出神经突包括外伤在内的功能改变。
可通过两种方法检测信号改变。一种方法是通过直接检查最终图象。神经损伤区域很可能表现为束的局部消失。束消失的程度表示神经损伤的严重性。也可以通过测量神经干横截面中束材料的密度而确定MR信号改变的量，并以横截面的位置为函数描绘出该数据。
可以对腕管区域中的正中神经进行神经流动研究，这是因为在该区域正中神经干处于非常表面的位置。不过，在中枢神经系统内和外部的其它区域中，均可发生神经病，在该处神经流动研究不切实际，这是由于神经干较深。本发明的方法和设备提供一种诊断和评价如此深的末梢神经中，以及在中枢神经系统部分正中神经疾病的新型方法。
神经病不必与压迫或其他外伤有关，也可能由其他原因引起，诸如多种硬化症和有关疾病。直到现在，也不可能定量评估诸如多种硬化症的疾病的进展，或者治疗效果。实际上，从业医生被迫依靠对患者的主观评价。这在许多情况下极为不精确，其中患者需要相信治疗是有效的，并且从前景看关系到其康复。
还可使用本发明的方法和设备评价其他由于深入身体内而无法接近的组织，包括维管组织和肿瘤组织。本发明使之有可能观察到血管阻塞，以及肿瘤组织边界。观察肿瘤组织边界的能力使本发明尤其适合作为癌症手术的工具。
通过对诊断患有CTS的患者和无症状对象的正中神经进行可行性研究，证实了本发明用于分析神经病的方法的概念。可行性研究用于说明本发明的某些方面，不应该解释为限制由权利要求限定的本发明范围。
使用上述技术扫描并分析包括四个尸体手腕在内的20个手腕。在自然条件下所扫描的对象包括临床诊断患有严重CTS，不严重CTS的患者和对照(无症状)对象。
结果表明：
a.使用本分析系统可清楚地“解剖”和量化神经干结构。图3表示现有技术的通过磁共振成象获得的腕部轴向横截面。该横截面图象包括正中神经和相关的腱和腕骨。该图说明这种图象如何提供很少与神经生理有关的临床诊断价值的信息。
图4中表示出通过本发明的方法和设备构建出的健康的正中神经干的磁共振图象。白色条纹为有髓鞘的神经纤维的束，即束。其与图5所示也由本发明的方法和设备构建出的患有CTS的患者的正中神经干的磁共振图象不同。神经纤维的脱髓鞘状态非常明显。
b.在屈肌韧带下面通过神经干的位置MR信号幅值减小。在没有临床CTS症状的对象中信号幅值的减小比较适中，而在诊断患有CTS症状的对象中信号幅值减小明显增大。
也对四个尸体手腕进行MR扫描。通过从腕管中去除正中神经，并且进行直方图分割和着色，可部分证实在这些手腕中显著存在脱髓鞘状态。
结论：
该结果有力地支持了可以在CTS中检测到神经变性这一假设。通过该方法确定CTS患者中变性的程度，表现出与症状的严重程度有关。
因此，使用本发明的方法和设备，有可能判断是否发生了脱髓鞘状态，并且将受影响区域中髓磷脂丧失的百分比与其他“功能正常”的区域进行比较，并精确地确定神经病。其提供了非侵入式、客观和定量的诊断方法
很容易理解，在不偏离权利要求提出的本发明的条件下可以利用上面提到的特征的多种变型和组合。认为这种改变没有偏离本发明的精神和范围，并且所有这种变型均包含在下述权利要求的范围内。

Claims (90)

1.一种对与周围组织分离的解剖组织结构进行非侵入式成象的方法，包括：
从一输入装置接收患者的所述解剖组织结构和所述周围组织的磁成象数据；
分割所述成象数据，以将所述解剖组织结构成象数据与所述周围组织成象数据分离；
将所述解剖组织结构的成象数据分成与组织微观结构相应的数据群；
由至少一个所述组织微观结构的成象数据构建一图象；以及
存储或显示所述图象。
2.如权利要求1所述的方法，其中所述磁成象数据通过磁共振成象获得。
3.如权利要求1所述的方法，其中所述磁成象数据通过磁转移成象获得。
4.如权利要求1所述的方法，其中所述解剖组织结构的成象数据通过直方图再分割被分成所述微观结构数据群。
5.如权利要求4所述的方法，其中重复进行所述的直方图再分割，以分离任何重叠的微观结构数据群。
6.如权利要求1所述的方法，其中所述图象被显示为视觉图象。
7.如权利要求1所述的方法，其中所述解剖组织结构通过交互式轮廓描绘被分割。
8.如权利要求1所述的方法，其中所述解剖组织结构通过活线轮廓描绘被分割。
9.如权利要求1所述的方法，其中所述解剖组织结构通过活路径轮廓描绘被分割。
10.如权利要求1所述的方法，其中所述构建步骤包括从多个所述组织微观结构的成象数据构建所述解剖组织结构的复合图象。
11.如权利要求10所述的方法，还包括对于至少一个所述组织微观结构的材料不透明性、发射和表面反射其中至少之一进行调节，以便增强所述复合图象可视性的步骤。
12.如权利要求1所述的方法，其中所述目标组织为神经干或神经道。
13.如权利要求12所述的方法，其中所述微观结构包括神经束膜、束和束内组织。
14.如权利要求13所述的方法，还包括由束成象数据计算所述神经干或神经道中髓磷脂的存在或丧失的步骤。
15.如权利要求14所述的方法，还包括将所述髓磷脂计算结果与对于所述神经干或神经道另一部分获得的髓磷脂计算结果进行比较的步骤。
16.如权利要求12所述的方法，其中所述神经干或神经道为正中神经。
17.如权利要求1所述的方法，其中所述解剖组织为肿瘤组织。
18.如权利要求1所述的方法，其中所述解剖组织为维管组织。
19.一种设备，包括：
一输入装置，用于接收患者的磁成象数据；
一处理装置，包括：
一第一程序，用于分割磁成象数据，以使解剖组织结构的成象数据与周围组织的成象数据分离；
一第二程序，用于将所述解剖组织结构的成象数据分成与组织微观结构相应的数据群；
一第三程序，用于由至少一个所述微观结构的成象数据构建一图象；和
一处理器，用于顺序执行所述第一、第二和第三程序；
其中所述处理器：
使用来自所述输入装置的所述成象数据执行所述第一程序；
使用通过执行所述第一程序分离的所述解剖组织结构成象数据执行所述第二程序；和
使用通过执行所述第二程序获得的至少一个所述数据群执行所述第三程序；以及
一用于显示所述图象的输出装置，或一用于保存所述图象的存储装置。
20.如权利要求19所述的设备，其中所述第二程序通过直方图再分割将所述解剖组织结构的成象数据分成所述微观结构的数据群。
21.如权利要求20所述的设备，其中由所述处理器重复执行所述第二程序，以分离任何重叠的微观结构数据群。
22.如权利要求19所述的设备，其中所述第一程序通过交互式轮廓描绘分割所述成象数据。
23.如权利要求19所述的设备，其中所述第一程序通过活线轮廓描绘分割所述成象数据。
24.如权利要求19所述的设备，其中所述第一程序通过活路径轮廓描绘分割所述成象数据。
25.如权利要求19所述的设备，其中所述输出装置为可视显示装置。
26.如权利要求20所述的设备，还包括一用于显示由所述直方图再分割获得的直方图的输出装置。
27.如权利要求19所述的设备，其中所述输入装置包括一用于接收神经干或神经道以及周围组织的成象数据的装置；所述第二程序将所述神经干或神经道成象数据分成与束和其他神经干或神经道微观结构相应的数据群；所述处理装置还包括一用于根据束成象数据计算神经干或神经道中髓磷脂的存在或丧失的第四程序，其中所述处理器在执行所述第二程序之后，使用执行所述第二程序获得的神经干束的成象数据执行所述第四程序；并且所述输出装置包括一用于显示所述髓磷脂计算结果的装置或一用于保存所述髓磷脂计算结果的存储装置。
28.如权利要求27所述的设备，其中所述处理装置还包括一第五程序，用于比较不同神经干或神经道，或者相同神经干或神经道不同部分的髓磷脂计算结果，其中所述处理器在执行所述第四程序之后，使用执行所述第四程序获得的髓磷脂计算结果执行所述第五程序。
29.如权利要求26所述的设备，其中所述输出装置为可视显示装置。
30.一种用于对患者腕管之一内正中神经的脱髓鞘状态进行成象的方法，包括：
从一输入装置接收来自患者包括通过腕管的正中神经至少一部分的磁成象数据；
分割所述成象数据，以使此正中神经成象数据与周围组织成象数据分离；
将所述正中神经成象数据分成与所述正中神经的束和其他微观结构相应的数据群；
由至少所述正中神经所述束的所述成象数据构建一图象；以及
存储或显示所述图象。
31.如权利要求30所述的方法，其中所述方法还包括由所述正中神经束的所述成象数据计算通过所述腕管的所述正中神经的所述部分中髓磷脂的存在或丧失，并保存或显示所述髓磷脂计算结果的步骤。
32.如权利要求30所述的方法，其中通过直方图再分割将所述正中神经成象数据分成微观结构数据群。
33.如权利要求32所述的方法，其中重复进行所述直方图再分割，以分离任何重叠的数据群。
34.如权利要求30所述的方法，其中通过交互式轮廓描绘分割所述正中神经成象数据。
35.如权利要求30所述的方法，其中通过活线轮廓描绘分割所述正中神经成象数据。
36.如权利要求30所述的方法，其中通过活路径轮廓描绘分割所述正中神经成象数据。
37.如权利要求30所述的方法，其中所述正中神经微观结构还包括神经束膜和束内组织。
38.如权利要求30所述的方法，其中通过磁共振成象获得所述成象数据。
39.如权利要求30所述的方法，其中通过磁转移成象获得所述成象数据。
40.如权利要求30所述的方法，其中所述构建步骤包括由根据多个所述神经组织微观结构的成象数据构建所述正中神经的复合图象。
41.如权利要求40所述的方法，其中对所述复合图象的至少一个所述微观结构的材料不透明性、发射和表面反射其中至少之一进行调节，以增强所述正中神经的可视性。
42.如权利要求41所述的方法，其中所述复合图象还包括神经束膜和束内组织，并且所述束内组织的不透明性被设定为大于所述神经束膜的不透明性，但小于所述束的不透明性。
43.如权利要求42所述的方法，其中所述神经束膜的所述不透明性被设定成表现为半透明。
44.如权利要求30所述的方法，还包括将所述髓磷脂计算结果与对于所述正中神经另一部分获得的髓磷脂计算结果进行比较的步骤。
45.如权利要求30所述的方法，还包括将所述髓磷脂计算结果与针对所述患者另一腕管内正中神经获得的髓磷脂计算结果进行比较的步骤。
46.一种用于对拟似脱髓鞘状态的神经干或神经道进行成象的方法，包括：
从一输入装置接收患者拟似脱髓鞘状态的神经干或神经道以及周围组织的磁成象数据；
分割所述成象数据，以使所述神经干或神经道的所述成象数据与所述周围组织的所述成象数据分离；
将所述神经干或神经道的所述成象数据分成与所述神经干或神经道的束或其他微观结构相应的数据群；
根据所述神经干或神经道的所述束的至少所述成象数据构建一图象；以及
保存或显示所述图象。
47.如权利要求46所述的方法，还包括从所述束成象数据计算拟似脱髓鞘状态的所述神经干或神经道中髓磷脂的存在或丧失，并保存或显示所述髓磷脂计算结果的步骤。
48.如权利要求46所述的方法，其中通过直方图再分割将所述神经干或神经道的所述成象数据分成微观结构数据群。
49.如权利要求48所述的方法，其中重复执行所述直方图再分割，以分离任何重叠的微观结构数据群。
50.如权利要求46所述的方法，其中通过交互式轮廓描绘分割所述神经干或神经道的所述成象数据。
51.如权利要求46所述的方法，其中通过活线轮廓描绘分割所述神经干或神经道的所述成象数据。
52.如权利要求46所述的方法，其中通过活路径轮廓描绘分割所述神经干或神经道的所述成象数据。
53.如权利要求46所述的方法，其中所述神经干或神经道的所述微观结构还包括神经束膜和束内组织。
54.如权利要求46所述的方法，其中通过磁共振成象获得所述成象数据。
55.如权利要求46所述的方法，其中通过磁转移成象获得所述成象数据。
56.如权利要求46所述的方法，其中所述构建步骤由根据多个神经组织微观结构的成象数据构建所述神经干或神经道的复合图象。
57.如权利要求56所述的方法，其中对于所述复合图象至少一个所述微观结构调节材料不透明性、发射和表面反射其中至少之一，以增强所述神经干或神经道的可视性。
58.如权利要求57所述的方法，其中所述复合图象还包括神经束膜和束内组织，并且所述束内组织的不透明性被设定为大于所述神经束膜的不透明性，但小于所述束的不透明性。
59.如权利要求58所述的方法，其中所述神经束膜的所述不透明性被设定为表现为半透明。
60.如权利要求47所述的方法，还包括将所述髓磷脂计算结果与针对所述神经干或神经道另一部分获得的髓磷脂计算结果进行比较的步骤。
61.如权利要求46所述的方法，其中所述神经干或神经道为正中神经。
62.一种设备，包括：
一输入装置，用于接收患者神经干或神经道和周围组织的磁成象数据；
一处理装置，包括：
一第一程序，用于将所述神经干或神经道的所述磁成象数据与所述周围组织的所述磁成象数据分割；
一第二程序，用于将所述神经干或神经道的成象数据分成与束和其他神经干或神经道的微观结构相应的数据群；
一第三程序，用于根据所述束成象数据计算所述神经干或神经道中髓磷脂的存在或丧失；以及
一处理器，用于顺序执行所述第一、第二和第三程序；
其中所述处理器：
使用来自所述输入装置的成象数据执行所述第一程序；
使用通过执行所述第一程序分离出的所述神经干或神经道成象数据执行所述第二程序；和
使用通过执行所述第二程序获得的所述束数据群执行所述第三程序；以及
一用于显示所述髓磷脂计算结果的输出装置，或一用于保存所述髓磷脂计算结果的存储装置。
63.如权利要求62所述的设备，其中所述第二程序通过直方图再分割将所述神经干或神经道成象数据分成所述微观结构数据群。
64.如权利要求63所述的设备，其中由所述处理器反复执行所述第二程序，以分离任何重叠的微观结构数据群。
65.如权利要求62所述的设备，其中所述第一程序通过交互式轮廓描绘分割所述成象数据。
66.如权利要求62所述的设备，其中所述第一程序通过活线轮廓描绘分割所述数据。
67.如权利要求62所述的设备，其中所述第一程序通过活路径轮廓描绘分割所述数据。
68.如权利要求62所述的设备，其中所述输出装置为可视显示装置。
69.如权利要求63所述的设备，还包括一用于显示通过所述直方图再分割获得的直方图的输出装置。
70.如权利要求62所述的设备，其中所述处理装置包括一用于对从不同神经干或神经道，或同一神经干或神经道的不同部分获得的髓磷脂计算结果进行比较的第四程序，其中所述处理器在执行所述第三程序之后，使用由执行所述第三程序获得的髓磷脂计算结果执行所述第四程序。
71.一种用于定量测量拟似脱髓鞘状态的神经干或神经道的方法，包括：
从一输入装置接收患者的拟似脱髓鞘状态的神经干或神经道和周围组织的磁成象数据；
分割所述成象数据，以使所述神经干或神经道的所述成象数据与所述周围组织的所述成象数据分离；
将所述神经干或神经道的所述成象数据分成与所述神经干或神经道的束或其他微观结构相应的数据群；
根据所述束成象数据计算所述神经干或神经道中髓磷脂的存在或丧失；以及
存储或显示所述髓磷脂计算结果。
72.如权利要求71所述的方法，其中通过直方图再分割将所述神经干或神经道的所述成象数据分成微观结构数据群。
73.如权利要求72所述的方法，其中重复执行所述直方图再分割，以分离任何重叠的微观结构数据群。
74.如权利要求71所述的方法，其中通过交互式轮廓描绘分割所述神经干或神经道的所述成象数据。
75.如权利要求71所述的方法，其中通过活线轮廓描绘获得所述神经干或神经道的所述成象数据。
76.如权利要求71所述的方法，其中通过活路径轮廓描绘获得所述神经干或神经道的所述成象数据。
77.如权利要求71所述的方法，其中通过磁共振成象获得所述成象数据。
78.如权利要求71所述的方法，其中通过磁转移成象获得所述成象数据。
79.如权利要求71所述的方法，还包括将所述髓磷脂计算结果与所述神经干或神经道另一部分的髓磷脂计算结果进行比较的步骤。
80.如权利要求71所述的方法，其中所述神经干或神经道是正中神经。
81.一种用于定量测量患者腕管之一内正中神经脱髓鞘状态的方法，包括：
从一输入装置接收患者的包括通过腕管的正中神经至少一部分的磁成象数据；
分割所述成象数据，以使所述正中神经成象数据与所述周围组织的任何成象数据分离；
将所述正中神经成象数据分成与所述正中神经的束和其他微观结构相应的数据群；
根据所述正中神经束的所述成象数据计算所述腕管内所述正中神经中髓磷脂的存在或丧失；以及
保存或显示所述髓磷脂计算结果。
82.如权利要求81所述的方法，其中通过直方图再分割将所述正中神经成象数据分成微观结构数据群。
83.如权利要求82所述的方法，其中重复执行所述直方图再分割，以分离任何重叠的数据群。
84.如权利要求81所述的方法，其中通过交互式轮廓描绘分割所述正中神经成象数据。
85.如权利要求81所述的方法，其中通过活线轮廓描绘分割所述正中神经成象数据。
86.如权利要求81所述的方法，其中通过活路径轮廓描绘分割所述正中神经成象数据。
87.如权利要求81所述的方法，其中通过磁共振成象获得所述成象数据。
88.如权利要求81所述的方法，其中通过磁转移成象获得所述成象数据。
89.如权利要求81所述的方法，还包括将所述髓磷脂计算结果与对于所述正中神经另一部分获得的髓磷脂计算结果进行比较的步骤。
90.如权利要求81所述的方法，还包括将所述髓磷脂计算结果与对于所述患者另一腕管内的正中神经获得的髓磷脂计算结果进行比较的步骤。
CNA018230741A 2001-02-12 2001-02-12 对于解剖的组织结构进行非侵入式成象的方法和设备 Pending CN1505490A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2001/004479 WO2002064034A1 (en) 2001-02-12 2001-02-12 Method and apparatus for the non-invasive imaging of anatomic tissue structures

Publications (1)

Publication Number Publication Date
CN1505490A true CN1505490A (zh) 2004-06-16

Family

ID=21742334

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA018230741A Pending CN1505490A (zh) 2001-02-12 2001-02-12 对于解剖的组织结构进行非侵入式成象的方法和设备

Country Status (8)

Country Link
US (2) US7672708B2 (zh)
EP (1) EP1361820B1 (zh)
JP (1) JP2004528873A (zh)
CN (1) CN1505490A (zh)
AU (1) AU2007203153B2 (zh)
CA (1) CA2437822A1 (zh)
IL (2) IL157349A0 (zh)
WO (1) WO2002064034A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102781333A (zh) * 2010-03-05 2012-11-14 富士胶片株式会社 图像诊断支持设备、方法和程序

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100036252A1 (en) * 2002-06-07 2010-02-11 Vikram Chalana Ultrasound system and method for measuring bladder wall thickness and mass
US8221322B2 (en) * 2002-06-07 2012-07-17 Verathon Inc. Systems and methods to improve clarity in ultrasound images
US20080262356A1 (en) * 2002-06-07 2008-10-23 Vikram Chalana Systems and methods for ultrasound imaging using an inertial reference unit
US20040127797A1 (en) * 2002-06-07 2004-07-01 Bill Barnard System and method for measuring bladder wall thickness and presenting a bladder virtual image
US20060025689A1 (en) * 2002-06-07 2006-02-02 Vikram Chalana System and method to measure cardiac ejection fraction
US20090062644A1 (en) * 2002-06-07 2009-03-05 Mcmorrow Gerald System and method for ultrasound harmonic imaging
GB2391625A (en) 2002-08-09 2004-02-11 Diagnostic Ultrasound Europ B Instantaneous ultrasonic echo measurement of bladder urine volume with a limited number of ultrasound beams
US20090112089A1 (en) * 2007-10-27 2009-04-30 Bill Barnard System and method for measuring bladder wall thickness and presenting a bladder virtual image
US7520857B2 (en) * 2002-06-07 2009-04-21 Verathon Inc. 3D ultrasound-based instrument for non-invasive measurement of amniotic fluid volume
US7819806B2 (en) * 2002-06-07 2010-10-26 Verathon Inc. System and method to identify and measure organ wall boundaries
US8221321B2 (en) 2002-06-07 2012-07-17 Verathon Inc. Systems and methods for quantification and classification of fluids in human cavities in ultrasound images
CN101313333B (zh) * 2005-11-21 2013-04-24 皇家飞利浦电子股份有限公司 创建结构模型的方法
US8167803B2 (en) * 2007-05-16 2012-05-01 Verathon Inc. System and method for bladder detection using harmonic imaging
US8160344B2 (en) * 2008-04-22 2012-04-17 Siemens Medical Solutions Usa, Inc. Iterative segmentation of images for computer-aided detection
US8225998B2 (en) * 2008-07-11 2012-07-24 Es&S Innovations Llc Secure ballot box
WO2010017508A1 (en) * 2008-08-07 2010-02-11 Verathon Inc. Device, system, and method to measure abdominal aortic aneurysm diameter
US8588486B2 (en) * 2009-06-18 2013-11-19 General Electric Company Apparatus and method for isolating a region in an image
WO2015066726A1 (en) * 2013-11-04 2015-05-07 The Research Foundation Of State University Of New York Methods, systems, and devices for determining and visually indicating demyelinated pathways
WO2017090044A1 (en) * 2015-11-26 2017-06-01 Tpm Medical Systems Ltd. Systems and methods for mri based imaging of peripheral nerves
CN108022291B (zh) * 2017-12-01 2020-08-28 中山大学附属第一医院 人体周围神经束型结构的可视化三维重建方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5185809A (en) * 1987-08-14 1993-02-09 The General Hospital Corporation Morphometric analysis of anatomical tomographic data
US4945478A (en) * 1987-11-06 1990-07-31 Center For Innovative Technology Noninvasive medical imaging system and method for the identification and 3-D display of atherosclerosis and the like
US5706813A (en) * 1992-03-09 1998-01-13 University Of Washington Focal neurographic magnetic resonance imaging system
WO1993018415A1 (en) 1992-03-09 1993-09-16 University Of Washington Image neurography and diffusion anisotropy imaging
JP3457310B2 (ja) * 1992-05-05 2003-10-14 ユニバーシティ オブ ワシントン 画像神経記録法及び拡散異方性画像処理
JPH07371A (ja) * 1992-10-14 1995-01-06 Ge Yokogawa Medical Syst Ltd 神経路イメージング方法およびｍｒｉ装置
US5757953A (en) * 1996-02-29 1998-05-26 Eastman Kodak Company Automated method and system for region decomposition in digital radiographic images
US7048716B1 (en) * 1997-05-15 2006-05-23 Stanford University MR-compatible devices
AU4424499A (en) * 1998-06-08 1999-12-30 Brown University Research Foundation Method and apparatus for automatic shape characterization
US6205235B1 (en) * 1998-07-23 2001-03-20 David Roberts Method and apparatus for the non-invasive imaging of anatomic tissue structures
US6526305B1 (en) * 1998-11-25 2003-02-25 The Johns Hopkins University Method of fiber reconstruction employing data acquired by magnetic resonance imaging
US7187810B2 (en) * 1999-12-15 2007-03-06 Medispectra, Inc. Methods and systems for correcting image misalignment
US6463315B1 (en) * 2000-01-26 2002-10-08 The Board Of Trustees Of The Leland Stanford Junior University Analysis of cerebral white matter for prognosis and diagnosis of neurological disorders
US7095890B2 (en) * 2002-02-01 2006-08-22 Siemens Corporate Research, Inc. Integration of visual information, anatomic constraints and prior shape knowledge for medical segmentations
JP4248822B2 (ja) * 2002-08-29 2009-04-02 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 線維描出方法および線維描出装置
US7340081B2 (en) * 2003-07-15 2008-03-04 M2S, Inc. Using statistical process control (SPC) to demonstrate solution convergence in a technician guided segmentation system

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102781333A (zh) * 2010-03-05 2012-11-14 富士胶片株式会社 图像诊断支持设备、方法和程序
CN102781333B (zh) * 2010-03-05 2013-11-06 富士胶片株式会社 图像诊断支持设备和方法

Also Published As

Publication number Publication date
US20040076317A1 (en) 2004-04-22
US20100222665A1 (en) 2010-09-02
AU2007203153B2 (en) 2008-12-18
JP2004528873A (ja) 2004-09-24
IL157349A0 (en) 2004-02-19
EP1361820A1 (en) 2003-11-19
US8195270B2 (en) 2012-06-05
WO2002064034A1 (en) 2002-08-22
IL157349A (en) 2006-10-05
CA2437822A1 (en) 2002-08-22
EP1361820B1 (en) 2012-12-26
AU2007203153A1 (en) 2007-07-26
US7672708B2 (en) 2010-03-02

Similar Documents

Publication Publication Date Title
CN1505490A (zh) 对于解剖的组织结构进行非侵入式成象的方法和设备
CA2809286C (en) Method and system for image analysis of selected tissue structures
Winter et al. Local variability of parameters for characterization of the corneal subbasal nerve plexus
CN110288698B (zh) 基于mri的半月板三维重建系统
US6205235B1 (en) Method and apparatus for the non-invasive imaging of anatomic tissue structures
Sanfilippo et al. Optic disc morphology-Rethinking shape
KR20080027861A (ko) 이미지 처리
Nakamoto et al. Osteoporosis screening support system from panoramic radiographs using deep learning by convolutional neural network
Bliddal et al. Imaging as a follow-up tool in clinical trials and clinical practice
Kubassova et al. Quantifying disease activity and damage by imaging in rheumatoid arthritis and osteoarthritis
Yan et al. Intelligent localization and quantitative evaluation of anterior talofibular ligament injury using magnetic resonance imaging of ankle
Zhuang et al. Knee cartilage defect assessment by graph representation and surface convolution
CN115953416A (zh) 基于深度学习的膝骨关节核磁共振图像自动分割方法
Dickson et al. A Dual Channel Multiscale Convolution U-Net Methodfor Liver Tumor Segmentation from Abdomen CT Images
Sevestre-Ghalila et al. Texture image analysis for osteoporosis detection with morphological tools
Li et al. Magnetic resonance imaging image segmentation under edge detection intelligent algorithm in diagnosis of surgical wrist joint injuries
Xiu et al. Construction of a Computer-Aided Analysis System for Orthopedic Diseases Based on High-Frequency Ultrasound Images
Brady Plantar Soft Tissue Multiscale Structure and Mechanics with Emphasis on Diabetes-related Changes
Sumathi et al. Harnessing Deep Learning (DL) for Image Inpainting in Healthcare System-Methods and Challenges
Fatema et al. Development of an automated optimal distance feature-based decision system for diagnosing knee osteoarthritis using segmented X-ray images
WO2023164497A1 (en) Systems, devices, and methods for spine analysis
Tao et al. Using Radiomics to Detect Subtle Architecture Changes of Cartilage and Subchondral Bone in Chronic Lateral Ankle Instability Patients Based on MRI PD-FS Images
Hou et al. Immunofluorescence Capillary Imaging Segmentation: Cases Study
Jagtap et al. AI for Automated Segmentation and Characterization of Median Nerve Volume
Morano et al. Deep Multimodal Fusion of Data with Heterogeneous Dimensionality via Projective Networks

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication