本发明的实施例总体上涉及弹性成像,并且更具体地,涉及用于监测肝纤维化的磁共振和超声剪切波弹性成像的增强解读的装置及其方法。
背景技术:
1、肝病是美国第十二大死亡原因。肝脏疾病(诸如乙型肝炎、丙型肝炎和非酒精性脂肪性肝病(nafld))的各种病因引起肝脏中的疤痕形成。如果疤痕保持未被处置,它可以导致肝纤维化,其是肝脏疾病的晚期阶段。肝纤维化由肝脏的慢性损伤以及细胞外基质蛋白的积累引起。如果不进行处置,纤维化可以进一步进展为肝硬化、肝癌、肝衰竭和死亡。因此,准确地诊断和监测肝纤维化是至关重要的。
2、肝纤维化诊断的目前金标准是肝活组织检查,但存在与活组织检查相关联的若干限制。肝活检是侵入性的,并且它引起焦虑。在一些极端情况下,诸如活检后出血和肝破裂的并发症可能导致具有合并症的患者的死亡。因此,期望开发一种用于肝纤维化评估和处置监测的非侵入性且准确的测量工具以便更好的患者管理。
3、剪切波弹性成像已经展示为非侵入性测量软组织硬度的有希望的工具。超声剪切波弹性成像(ue)和磁共振剪切波弹性成像(mre)都是用于诊断和监测肝纤维化的定量成像技术。现在参考图1,图示了用于磁共振剪切波弹性成像的系统10的高级系统设置概述。对于mre,患者被放置在mri扫描器12的平台上。被动驱动器/换能器14相对于感兴趣区域16被定位在患者身上。然后在执行弹性成像测量期间将患者约束在mri扫描器内。另外,关于mre,使用被动驱动器将低频(对于肝脏为~60hz)的连续声振动传输到对象的感兴趣区域(例如,腹部)中,从而产生具有窄频率带宽的谐波,这意味着波能量集中在期望的频率。在图1的底部图示了经由mre获得的具有纤维化阶段的对应指定的六个不同硬度图(由附图标记18共同指定)的示例。观察mre硬度图,在图1中从左到右(即,随着纤维化水平的增加),相应的纤维化阶段指定包括f0:正常(无纤维化);f1:无隔膜的门静脉纤维化;f2:具有罕见隔膜的门静脉纤维化;f3:无肝硬化的大量隔膜;f4:肝硬化。
4、现在转到图2,图示了用于超声剪切波弹性成像的系统20的系统设置概览。不同于mre方法的ue方法使用高强度短持续时间超声“推动”脉冲来生成具有宽频谱的剪切波。在ue方法的激励步骤,难以准确地控制波的能量如何在该宽频谱内分布。在图2中还图示了经由ue获得的硬度图(由附图标记22指定)的一个示例,其中,在硬度图的右上部分中具有对应的颜色编码的硬度标度24。
5、超声成像供应商使用飞行时间(time-of-f1ight)方法从宽的带宽重建类似于群速度的剪切波速度,这也是供应商相关的。由于剪切波频率、所选择的组织粘弹性力学模型和时间延迟估计方法的差异,由超声系统报告的类剪切波群速度(m/s)和随后的硬度值(kpa)与由mre测量的速度或硬度值(kpa)不匹配。这些差异使得mre和ue硬度测量不可互换,并且因此难以直接比较利用ue和mre获得的测量。
6、已知没有任何国际临床组织提出选择弹性成像方法(ue或mre)用于诊断和监测肝纤维化的指南。mre在健康个体和肝纤维化患者中是高度可再现的。此外,mre在诊断肝纤维化方面具有比ue更高的成功率(对于mre的93%对比对于ue的82%)。此外,mre具有更鲁棒的量化性能,即,由于其更高的剪切波snr、3d体积成像,并且通过评估更大比例的肝脏,这可以降低采样可变性。然而,mre具有一些限制。需要额外的时间用于定位被动驱动器,并且换能器在一些患者中引起不适。
7、与mre相比,ue更便宜、更快、高度便携并且可广泛获得,并且已经在全世界的许多临床中心中独立验证了它。还有不能访问mri扫描器的临床站点,并且一些患者更喜欢不经历mre,这同样是由于在mr扫描器中受到约束。在这些情况下,由于更高的临床价值,ue在肝纤维化的监测阶段期间优于mre。因此,根据临床研究所系统的可用性、患者舒适度水平和护理的成本,mre或ue对于肝纤维化的诊断和监测是优选的。
8、尽管mre和ue都用于肝纤维化诊断,但是由于mre和ue之间的上述技术差异,使用相同的图像模态对于给定患者的测量随时间的监测和一致性是优选的。使用相同的图像模态确保了随时间的硬度变化仅是病理性的并且是由于患者相关因素,而不是由于mre和ue之间的技术差异(激发频率、仪器相关依赖性和后处理算法)。然而,mre是昂贵的,并且在若干时间点处执行mre测量或用于肝脏监测的随访检查给患者带来了显著的经济负担。考虑到与mre相比ue的更低成本和更广泛的可用性,期望使用ue用于后续肝纤维化监测。此外,一些儿科和老年患者可能在mri扫描中感到不适,这可能使mre检查更具挑战性和耗时(即,大量运动和重复测量)。
9、因此,期望一种用于克服本领域中的问题的改进的方法和装置。还期望提供一种用于肝纤维化评估和处置监测以便更好的患者管理的非侵入性且准确的测量工具,并且消除对一种成像模态的依赖性。
技术实现思路
1、根据一个方面,本发明的实施例通过1)仅通过执行ue测量来预测对应的mre硬度值和置信度水平(或分数)并且2)提供示出纤维化阶段、置信度分数、曲线图和表格上的硬度值的变化以及原始和预测的肝纤维化的硬度图的智能面板来弥合(bridging)用于监测肝纤维化的mre与ue之间的差距。
2、根据一个实施例,一种用于第一成像模态与第二成像模态之间的剪切波弹性成像的增强解读的方法包括:经由不同于第一成像模态的第二成像模态执行弹性成像测量,以获得感兴趣区域的至少一个第二成像模态弹性成像值。所述方法还包括经由处理器仅基于所获得的第二成像模态弹性成像值来预测至少一个对应的第一成像模态弹性成像值。在预测之后,所述方法包括经由所述处理器和显示器生成图形用户界面或智能报告面板,所述图形用户界面或智能报告面板包括或示出(i)所述感兴趣区域的纤维化水平,其中,所述纤维化水平根据(i)(a)所述至少一个第二成像模态弹性成像值和/或(i)(b)所预测的至少一个对应的第一成像模态弹性成像值来确定。
3、在一个实施例中,所述第二成像模态中在(i)磁共振剪切波弹性成像(mre)与(ii)超声剪切波弹性成像(ue)之间选择的。所述第一成像模态包括所述第二成像模态的未选择的成像模态。由于每个相应成像模态的激励频率和后处理算法的技术差异,经由所述第二成像模态获得的弹性成像值与经由所述第一成像模态获得的弹性成像值不可比较。
4、根据实施例,所述至少一个第二成像模态弹性成像值和所述至少一个对应的预测的第一成像模态弹性成像值均包括(i)硬度图和(ii)以kpa为单位的硬度值中的一个或多个。例如,硬度值包括相应硬度图的平均值。在另一实施例中,所述方法包括:经由所述处理器来预测与所述至少一个第二成像模态弹性成像值有关的置信度分数,其中,所述预测的置信度分数包括基于所述第二成像模态弹性成像测量的多个纤维化水平f0-f4中的每个的置信度百分比中的最高置信度百分比;并且经由处理器基于具有最高置信度百分比的纤维化水平来选择预测的纤维化水平。
5、根据又一实施例,所述智能报告面板还包括(或示出)(ii)所述感兴趣区域的初始基线纤维化水平。所述基线纤维化水平基于经由所述第一成像模态执行的基线弹性成像测量以获得所述感兴趣区域的至少一个基线第一成像模态弹性成像值来确定。在一个实施例中,所述基线弹性成像测量在经由所述第二成像模态的所述弹性成像测量之前执行。在又一实施例中,所述智能报告面板还包括(或示出)(iii)以下项之间的弹性成像值的百分比变化:(iii)(a)基于所获得的至少一个第二成像模态弹性成像值预测的至少一个第一成像模态弹性成像值与(iii)(b)所述至少一个基线第一成像模态弹性成像值。另外,所述智能报告面板还包括(示出):(iv)所述感兴趣区域的所述至少一个第二成像模态弹性成像值,(v)所述感兴趣区域的预测的至少一个对应的第一成像模态弹性成像值,以及(vi)与所述至少一个第二成像模态弹性成像值有关的置信度分数。所述置信度分数是0%与100%之间的百分比,并且表示基于所述至少一个第二成像模态弹性成像值的所述纤维化水平的置信度水平。
6、在一个实施例中,预测所述至少一个对应的第一成像模态弹性成像值包括发起基于深度学习的算法来预测所述至少一个对应的第一成像模态弹性成像值。所述基于深度学习的算法包括生成式对抗网络(gan)和/或卷积神经网络(cnn)。在另一实施例中,所述方法还包括经由所述处理器和第二基于深度学习的算法来确定与所述至少一个第二成像模态弹性成像值相关的置信度分数。对所述置信度分数的确定与对所述基于深度学习的算法的所述发起同时地被自动激活。所述置信度分数还用于提供基于所述至少一个第二成像模态弹性成像值的所述纤维化水平的实时分类或所述纤维化水平的置信度水平。
7、根据另一实施例,一种用于第一成像模态与第二成像模态之间的剪切波弹性成像的增强解读的系统包括输入端和控制器,所述输入端用于接收从第二成像模态获得的与弹性成像测量有关的成像数据,所述控制器被配置为经由不同于第一成像模态的第二成像模态来执行弹性成像测量,以获得感兴趣区域的至少一个第二成像模态弹性成像值。所述控制器还被配置为仅基于所获得的第二成像模态弹性成像值来预测至少一个对应的第一成像模态弹性成像值。在预测之后,所述控制器还被配置为生成图形用户界面或智能报告面板,所述图形用户界面或智能报告面板包括(或示出)(i)所述感兴趣区域的纤维化水平,其中,所述纤维化水平根据(i)(a)所述至少一个第二成像模态弹性成像值和/或(i)(b)所预测的至少一个对应的第一成像模态弹性成像值来确定。所述系统还包括显示器,所述显示器与所述控制器通信以显示所述智能报告面板。
8、在阅读和理解了以下详细描述后,本领域技术人员将明白其他优点和益处。