ES3034085T3

ES3034085T3 - Systems and methods for automated and interactive analysis of bone scan images for detection of metastases

Info

Publication number: ES3034085T3
Application number: ES20725041T
Authority: ES
Inventors: Karl Vilhelm Sjöstrand; Jens Filip Andreas Richter; Lars Edenbrandt
Original assignee: Exini Diagnostics AB; Progenics Pharmaceuticals Inc
Current assignee: Exini Diagnostics AB; Progenics Pharmaceuticals Inc
Priority date: 2019-04-24
Filing date: 2020-04-23
Publication date: 2025-08-12
Anticipated expiration: 2040-04-23
Also published as: AU2020261370A1; EP4564288A3; EP3959684C0; US20240285246A1; EP4564288A2; CA3136127A1; US12414748B2; TW202105407A; EP3959684B1; BR112021021011A2; TWI872062B; JP2025000721A; US11937962B2; JP7561140B2; EP3959684A1; AU2020261370B2; US20200337658A1; WO2020219620A1; US11534125B2; JP2022530039A

Abstract

Se presentan aquí sistemas y métodos que mejoran la visualización y el análisis asistidos por computadora de imágenes de medicina nuclear. En particular, en ciertas implementaciones, los sistemas y métodos descritos aquí mejoran varios pasos del procesamiento de imágenes utilizados para el análisis automatizado de imágenes de gammagrafía ósea para evaluar el estado oncológico de un paciente. Por ejemplo, se proporcionan enfoques mejorados para la segmentación de imágenes, la detección de puntos calientes, la clasificación automatizada de puntos calientes como metástasis y el cálculo de índices de riesgo, como los valores del índice de gammagrafía ósea (BSI). (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Sistemas y métodos para el análisis automatizado e interactivo de imágenes de exploración ósea para la detección de metástasis

Referencia cruzada con solicitud relacionada

Esta solicitud reivindica la prioridad y el beneficio de la solicitud provisional estadounidense 62/837,955, presentada el 24 de abril de 2019.

Campo técnico

Esta invención se refiere en general a sistemas y métodos para la creación, el análisis y/o la presentación de datos de imágenes médicas. Más particularmente, en ciertas formas de realización, la invención se refiere a sistemas y métodos para mejorar la visualización y el análisis asistido por ordenador de imágenes de medicina nuclear.

Antecedentes

La obtención de imágenes de medicina nuclear implica el uso de compuestos radiomarcados, denominados radiofármacos. Los radiofármacos se administran a los pacientes y se acumulan en diversas regiones del cuerpo de manera que dependen de las propiedades biofísicas y/o bioquímicas del tejido y, por lo tanto, son indicativos de las estas, como aquellas que se ven influenciadas por la presencia y/o el estado de una enfermedad, como el cáncer. Por ejemplo, ciertos radiofármacos, tras su administración a un paciente, se acumulan en regiones de osteogénesis anormal asociadas con lesiones óseas malignas, que indican metástasis. Otros radiofármacos pueden unirse a receptores, enzimas y proteínas específicas del cuerpo que se alteran durante la evolución de la enfermedad. Una vez administradas al paciente, estas moléculas circulan por la sangre hasta que encuentran su objetivo previsto. El radiofármaco unido permanece en el lugar de la enfermedad, mientras que el resto del agente se elimina del cuerpo.

Las técnicas de obtención de imágenes de medicina nuclear capturan imágenes detectando la radiación emitida desde la porción radiactiva del radiofármaco. El radiofármaco acumulado sirve como faro para que se pueda obtener una imagen que represente la ubicación y concentración de la enfermedad mediante el uso de modalidades de medicina nuclear comúnmente disponibles. Algunos ejemplos de modalidades de obtención de imágenes de medicina nuclear incluyen la obtención de imágenes por exploración ósea (también conocida como gammagrafía), la tomografía computarizada por emisión de fotón único (SPECT) y la tomografía por emisión de positrones (PET). Los sistemas de obtención de imágenes por exploración ósea, SPECT y PET se encuentran en la mayoría de los hospitales del mundo. La elección de una modalidad de obtención de imágenes particular depende y/o determina el radiofármaco particular utilizado. Por ejemplo, los compuestos marcados con tecnecio 99m (99mTc) son compatibles con la obtención de imágenes por exploración ósea y obtención de imágenes por SPECT, mientras que la obtención de imágenes por PET a menudo utiliza compuestos fluorados marcados con 18F. El compuesto metilendifosfonato de 99mTc (99mTc MDP) es un radiofármaco muy utilizado para la obtención de imágenes por exploración ósea con el fin de detectar cáncer metastásico. Los compuestos dirigidos al antígeno de membrana específico de la próstata (PSMA) radiomarcado, tal como el 1404 marcado con 99mTc y PyL™ (también conocido como [18F]DCFPyL), se pueden usar con la obtención de imágenes por SPECT y PET, respectivamente, y ofrecen el potencial para una detección altamente específica del cáncer de próstata.

Por consiguiente, la obtención de imágenes de medicina nuclear es una técnica valiosa para proporcionar a los médicos información que puede utilizarse para determinar la presencia y el alcance de la enfermedad en un paciente. El médico puede utilizar esta información para recomendar un tratamiento al paciente y seguir la evolución de la enfermedad.

Por ejemplo, un oncólogo puede utilizar imágenes de medicina nuclear de un estudio de un paciente como información para evaluar si el paciente tiene una enfermedad particular, por ejemplo, cáncer de próstata, qué estadio de la enfermedad es evidente, cuál sería el tratamiento recomendado (si lo hubiera), si está indicada una intervención quirúrgica y cuál es el pronóstico probable. El oncólogo puede utilizar un informe radiológico en esta evaluación. Un informe radiológico es una evaluación técnica de las imágenes de medicina nuclear preparada por un radiólogo para un médico que solicitó el estudio de imágenes e incluye, por ejemplo, el tipo de estudio realizado, la historia clínica, una comparación entre imágenes, la técnica utilizada para realizar el estudio, las observaciones y los hallazgos del radiólogo, así como las impresiones generales y las recomendaciones que el radiólogo pueda tener según los resultados del estudio de imágenes. Se envía un informe radiológico firmado al médico que solicitó el estudio para que lo revise, seguido de una conversación entre el médico y el paciente sobre los resultados y las recomendaciones de tratamiento.

Por lo tanto, el proceso implica que un radiólogo realice un estudio de imágenes al paciente, analice las imágenes obtenidas, elabore un informe radiológico, remita el informe al médico solicitante, haga que el médico formule una evaluación y una recomendación de tratamiento, y que el médico comunique los resultados, las recomendaciones y los riesgos al paciente. El proceso también puede implicar la repetición del estudio de imágenes debido a resultados no concluyentes, o la solicitud de pruebas adicionales basadas en los resultados iniciales. Si un estudio de imágenes muestra que el paciente padece una enfermedad o afección concreta (por ejemplo, cáncer), el médico analiza las distintas opciones de tratamiento, incluida la cirugía, así como los riesgos de no hacer nada o adoptar un enfoque de espera vigilante o vigilancia activa, en lugar de someterse a una intervención quirúrgica. El documento D1 (Mattias Ohlsson et al., "Automated decision support for bone scintigraphy", 22nd IEEE International Symposium on Computer-Based Medical Systems, 2009, CB<m>S, PISCATAWAY, NJ, USA, páginas 1-6) divulga un enfoque de respaldo de decisiones automatizado para la gammagrafía ósea. Detecta y clasifica puntos críticos individuales como metastásicos o no y clasifica la exploración según la enfermedad metastásica.

Por consiguiente, el proceso de revisión y análisis de múltiples imágenes de pacientes, a lo largo del tiempo, desempeña una función fundamental en el diagnóstico y tratamiento del cáncer. Existe, por tanto, una necesidad importante de herramientas mejoradas que faciliten y mejoren la exactitud de la revisión y el análisis de imágenes para el diagnóstico y el tratamiento del cáncer. Mejorar el conjunto de herramientas que utilizan los médicos, radiólogos y otros profesionales de la salud de esta manera proporciona mejoras significativas en las normas asistenciales y la experiencia del paciente.

Síntesis de la invención

En la presente se presentan sistemas y métodos que permiten una mejor visualización y análisis asistido por ordenador de imágenes de medicina nuclear. En particular, en ciertas formas de realización, los sistemas y métodos descritos en la presente proporcionan mejoras en varios pasos de procesamiento de imágenes utilizados para el análisis automatizado de imágenes de exploración ósea para evaluar el estado de cáncer de un paciente.

Por ejemplo, se proporcionan enfoques mejorados para la segmentación de imágenes, la detección de puntos críticos, la clasificación automatizada de puntos críticos como representantes de metástasis y el cálculo de índices de riesgo tales como los valores del índice de exploración ósea (BSI). En virtud de estas técnicas mejoradas de procesamiento de imágenes, los sistemas y métodos descritos en la presente se pueden utilizar para la detección y cuantificación de lesiones basadas en imágenes exactas y confiables para la evaluación de varios cánceres óseos metastásicos (por ejemplo, cualquier cáncer que haya hecho metástasis en el hueso). Incluyen metástasis asociadas con cáncer de próstata, cáncer de mama, cáncer de pulmón y varios otros cánceres metastásicos.

Las imágenes de exploración ósea se utilizan ampliamente para diagnosticar y evaluar el cáncer metastásico. A los pacientes se les inyecta un radiofármaco que emite radiación nuclear, que puede detectarse para obtener imágenes de la distribución espacial del radiofármaco dentro del paciente. Los radiofármacos pueden elegirse para que se acumulen selectivamente en tipos de tejido asociados con lesiones cancerosas, tales como regiones de osteogénesis anormal.

Si bien este enfoque permite visualizar las lesiones como puntos brillantes en imágenes de exploración ósea, identificar con exactitud las regiones de imagen que representan lesiones metastásicas verdaderas no es nada sencillo. Los radiofármacos también pueden acumularse en regiones anatómicas no cancerosas, tal como en la vejiga de un paciente, y los médicos y técnicos deben distinguir cuidadosamente los puntos críticos que representan lesiones de estas regiones, así como también el ruido y los artefactos. Este trabajo requiere mucho tiempo, es propenso a errores y está sujeto a una variabilidad significativa entre analistas.

La detección y el análisis automatizados de lesiones por ordenador ofrecen una ruta para abordar estos desafíos y pueden aumentar drásticamente la exactitud y la repetibilidad de la detección de lesiones y el diagnóstico de cáncer. Sin embargo, las herramientas para la detección y el análisis automatizados de lesiones dependen de una combinación compleja de procesamiento de imágenes y pasos de inteligencia artificial. Por ejemplo, la segmentación de imágenes para identificar regiones esqueléticas se puede utilizar para centrar el análisis en las regiones óseas. Se pueden utilizar pasos de filtrado y umbralización para detectar automáticamente puntos críticos, y se pueden utilizar enfoques de aprendizaje automático, tales como redes neuronales artificiales (ANN), para evaluar cuantitativamente la probabilidad de que un punto crítico detectado represente una metástasis, según características como el tamaño, la forma y la intensidad de los puntos críticos. Finalmente, en ciertas formas de realización, se utiliza un conjunto de puntos críticos detectados que representan metástasis para calcular un índice de riesgo general para el paciente, lo que representa una probabilidad general de que el paciente tenga y/o desarrolle metástasis o tenga un estado de cáncer particular. Uno de estos índices de riesgo es el índice de exploración ósea (BSI), que proporciona una fracción de masa estimada del esqueleto del paciente ocupada por metástasis.

La exactitud de cualquier paso puede tener un impacto significativo en los pasos posteriores y en el proceso general de detección y análisis de lesiones. Los sistemas y métodos descritos en la presente proporcionan varias mejoras específicas para varios pasos en el flujo de trabajo de detección y análisis automatizado de lesiones, aumentando así la exactitud de los resultados en una gama más amplia de tipos de pacientes y estadios de cáncer.

En primer lugar, en ciertas formas de realización, las técnicas de análisis de imágenes mejoradas descritas en la presente incluyen un enfoque de segmentación esquelética mejorado en el que se identifican regiones completas del húmero y/o fémur (por ejemplo, más de tres cuartos de longitud) en imágenes de exploración ósea. Los enfoques anteriores sólo identificaron una fracción limitada de los huesos fémur y húmero. En este estudio, la segmentación de una porción mayor de estos huesos permite identificar lesiones ubicadas más lejos, en las extremidades de los brazos y las piernas, que antes habrían pasado desapercibidas. Además, aunque la absorción reducida de radiofármacos en brazos y piernas dificulta la identificación de lesiones en esas zonas, los enfoques descritos en la presente utilizan una técnica de umbralización dependiente de la región que mejora la sensibilidad de detección en las regiones óseas del fémur y el húmero para superar este problema.

En segundo lugar, la presente divulgación también proporciona una técnica de umbralización global que mejora la exactitud de detección de puntos críticos, en particular en cargas de enfermedad elevadas (por ejemplo, cuando un paciente tiene muchas lesiones). Este enfoque detecta un conjunto preliminar de posibles puntos críticos y luego ajusta los umbrales utilizados para la detección de puntos críticos en función de un factor de escala calculado a partir de este conjunto preliminar. La mejora en la detección de puntos críticos proporciona ventajas para los cálculos posteriores, lo que mejora la linealidad de los valores de BSI calculados para pacientes con altos niveles de metástasis.

En tercer lugar, en ciertas formas de realización, los sistemas y métodos descritos en la presente mejoran la exactitud con la que se toman decisiones automatizadas sobre si un punto crítico representa una metástasis. En particular, en ciertas formas de realización, los enfoques descritos en la presente aprovechan la experiencia clínica que indica que la selección de puntos críticos como posibles metástasis depende no sólo de las características de la imagen del punto crítico en sí, sino también de la información de la imagen completa. Por consiguiente, los enfoques descritos en la presente también pueden utilizar características globales, por ejemplo, un número total de puntos críticos, como entrada en los pasos de toma de decisiones automatizadas (por ejemplo, como entrada a las ANN) para la identificación de lesiones.

En cuarto lugar, en ciertas formas de realización, los enfoques descritos en la presente también ofrecen mejoras en los enfoques para calcular valores de índice de riesgo basados en la afectación esquelética, al emplear factores de corrección que tienen en cuenta posibles errores en la exactitud con la que los puntos críticos se pueden localizar automáticamente en una región esquelética particular. Esto es particularmente importante para los puntos críticos ubicados en la región del sacro o cerca de ella, que es una estructura tridimensional compleja que puede ser difícil de identificar en imágenes de exploración ósea bidimensionales. Este enfoque mejora la exactitud de los cálculos de BSI y limita la sensibilidad a los errores en la ubicación de puntos críticos.

Por consiguiente, los sistemas y métodos descritos en la presente incluyen varias técnicas de análisis de imágenes mejoradas para la identificación y cuantificación de lesiones. Estos enfoques mejoran la exactitud y la solidez con la que se pueden analizar las imágenes de exploración ósea. Como se describe en la presente, se pueden utilizar como parte de un sistema basado en la nube que facilita la revisión y los informes de datos de pacientes y permite una mejor detección, tratamiento y seguimiento de enfermedades. La invención se define mediante las reivindicaciones adjuntas.

En un aspecto, la invención está dirigida a un método para el marcado de lesiones y el análisis cuantitativo (por ejemplo, marcado de lesiones automatizado o semiautomatizado asistido/revisado por el usuario y análisis cuantitativo) de imágenes de medicina nuclear (por ejemplo, un conjunto de imágenes de exploración ósea) de un sujeto humano, comprendiendo el método: (a) acceder (por ejemplo, y/o recibir), mediante un procesador de un dispositivo informático, a un conjunto de imágenes de exploración ósea (por ejemplo, un conjunto de una, dos o más imágenes) del sujeto humano, obteniéndose dicho conjunto de imágenes de exploración ósea tras la administración de un agente (por ejemplo, un radiofármaco) al sujeto humano (por ejemplo, comprendiendo el conjunto de imágenes de exploración ósea una imagen de exploración ósea anterior y una imagen de exploración ósea posterior) (por ejemplo, en donde cada imagen del conjunto de imágenes de exploración ósea comprende una pluralidad de píxeles, teniendo cada píxel un valor correspondiente a una intensidad); (b) segmentar automáticamente, mediante el procesador, cada imagen del conjunto de imágenes de exploración ósea para identificar una o más regiones esqueléticas de interés, cada una correspondiente a una región anatómica particular del esqueleto del sujeto humano (por ejemplo, un hueso particular o un conjunto de uno o más huesos, tal como la columna cervical, la clavícula, las costillas, la columna lumbar, la pelvis, el sacro, la escápula, el cráneo, la columna torácica, el esternón, el fémur o el húmero), obteniendo así un conjunto de imágenes anotadas, en donde una o más regiones esqueléticas de interés comprenden al menos una de las siguientes opciones (i) e (ii): (i) una región del fémur correspondiente a una porción del fémur del sujeto humano, abarcando dicha porción del fémur al menos tres cuartos [(por ejemplo, más de alrededor de tres cuartos (por ejemplo, aproximadamente la totalidad)] del fémur a lo largo de su longitud; y (ii) una región del húmero correspondiente a una porción del húmero del sujeto humano, abarcando dicha porción del húmero al menos tres cuartos [(por ejemplo, más de alrededor de tres cuartos (por ejemplo, aproximadamente la totalidad)] del húmero a lo largo de su longitud; (c) detectar automáticamente, mediante el procesador, un conjunto inicial de uno o más puntos críticos, correspondiendo cada punto crítico a un área de intensidad elevada en el conjunto anotado de imágenes, comprendiendo dicha detección automática la identificación de uno o más puntos críticos utilizando intensidades de píxeles en el conjunto anotado de imágenes y utilizando uno o más valores umbral dependientes de la región (por ejemplo, en donde cada valor umbral dependiente de la región está asociado con una región esquelética de interés identificada, de modo que las intensidades de los píxeles ubicados dentro de una región esquelética identificada en particular se comparan con el valor umbral asociado dependiente de la región), y en donde uno o más valores umbral dependientes de la región incluyen uno o más valores asociados con la región del fémur y/o la región del húmero (por ejemplo, un umbral de intensidad reducido para la región del fémur y/o un umbral de intensidad reducido para la región del húmero) que proporcionan una sensibilidad de detección de puntos críticos mejorada en la región del fémur y/o la región del húmero para compensar la absorción reducida del agente en esta; (d) para cada punto crítico en el conjunto inicial de puntos críticos, extraer, mediante el procesador, un conjunto de (por ejemplo, un conjunto de una o más) características de puntos críticos asociadas con el punto crítico; (e) para cada punto crítico en el conjunto inicial de puntos críticos, calcular, mediante el procesador, un valor de probabilidad de metástasis correspondiente a una probabilidad de que el punto crítico represente una metástasis, según el conjunto de características de puntos críticos asociadas con el punto crítico [por ejemplo, utilizando uno o más módulos de aprendizaje automático (por ejemplo, módulos de aprendizaje automático entrenados previamente; por ejemplo, redes neuronales artificiales (ANN)) que reciben, para un punto crítico particular, al menos una porción de las características del punto crítico como entrada y generan el valor de probabilidad de metástasis para ese punto crítico]; y (f) provocar, mediante el procesador, la renderización de una representación gráfica de al menos una porción del conjunto inicial de puntos críticos [por ejemplo, una indicación visual (por ejemplo, puntos, límites) de puntos críticos superpuestos en uno o más miembros del conjunto de imágenes de exploración ósea y/o conjunto anotado de imágenes; por ejemplo, una tabla que enumera los puntos críticos identificados junto con información adicional (por ejemplo, la ubicación; por ejemplo, valor de probabilidad de metástasis) para cada punto crítico] para su visualización dentro de una interfaz gráfica de usuario (GUI) (por ejemplo, una GUI basada en la nube).

En ciertas formas de realización, el paso (b) comprende: comparar cada miembro del conjunto de imágenes de exploración ósea con una imagen de atlas correspondiente de un conjunto de imágenes de atlas, comprendiendo cada imagen de atlas una o más identificaciones de una o más regiones esqueléticas de interés (por ejemplo, identificaciones gráficas superpuestas sobre la imagen de atlas), incluyendo dichas regiones esqueléticas de interés la región del fémur y/o la región del húmero; y para cada imagen del conjunto de imágenes de exploración ósea, registrar la imagen de atlas correspondiente con la imagen del conjunto de imágenes de exploración ósea, de modo que las identificaciones de una o más regiones esqueléticas de interés de la imagen de atlas se apliquen a (por ejemplo, se superpongan sobre) la imagen del conjunto de imágenes de exploración ósea.

En ciertas formas de realización, cada imagen de atlas comprende una identificación de (i) la región del fémur que comprende al menos una porción de una región de la rodilla del sujeto humano y/o (ii) la región del húmero que comprende al menos una porción de una región del codo del sujeto humano, y en donde, para cada imagen del conjunto de imágenes de exploración ósea, el registro de la imagen de atlas correspondiente a la imagen de exploración ósea comprende el uso de la región de la rodilla identificada y/o la región del codo identificada en la imagen como un punto o puntos de referencia [por ejemplo, registrar la imagen de atlas correspondiente a la imagen de exploración ósea identificando una región de la rodilla en la imagen de exploración ósea y comparándola con la región de la rodilla identificada en la imagen de atlas correspondiente, luego ajustar la imagen de atlas (por ejemplo, calcular una transformación de coordenadas)].

En ciertas formas de realización, una ubicación de al menos un punto crítico detectado del conjunto inicial de puntos críticos corresponde a una ubicación física en o sobre el fémur a más de tres cuartos de una distancia a lo largo del fémur desde un extremo del fémur orientado hacia la cadera del sujeto humano hasta un extremo del fémur orientado hacia la rodilla del sujeto humano.

En ciertas formas de realización, una ubicación de al menos un punto crítico detectado del conjunto inicial de puntos críticos corresponde a una ubicación física en o sobre el húmero a más de tres cuartos de una distancia a lo largo del húmero desde un extremo del húmero orientado hacia el hombro del sujeto humano hasta un extremo del húmero orientado hacia el codo del sujeto humano.

En ciertas formas de realización, el paso (c) comprende (por ejemplo, iterativamente): identificar, mediante el procesador, regiones de tejido sano en las imágenes del conjunto de imágenes de exploración ósea que se determinó que no incluyen ningún punto crítico (por ejemplo, regiones localizadas de intensidad relativamente alta); calcular, mediante el procesador, un factor de normalización, de modo que un producto del factor de normalización y una intensidad promedio de las regiones de tejido sano identificadas sea un nivel de intensidad predefinido; y normalizar las imágenes del conjunto de imágenes de exploración ósea mediante el factor de normalización.

En ciertas formas de realización, el método comprende además: (g) calcular, mediante el procesador, uno o más valores de índice de riesgo para el sujeto humano basándose, al menos en parte, en una fracción calculada (por ejemplo, una fracción de área) del esqueleto del sujeto humano ocupado por el conjunto inicial de puntos calientes [por ejemplo, en donde la fracción calculada es una relación de un área total del conjunto inicial de puntos calientes, dividida por un área total de todas las regiones esqueléticas identificadas].

En ciertas formas de realización, el método comprende: (h) seleccionar, mediante el procesador, un primer subconjunto (por ejemplo, hasta todos) del conjunto inicial de puntos críticos basándose, al menos en parte, en los valores de probabilidad de metástasis [por ejemplo, determinar si se incluye o no un punto crítico particular del conjunto inicial de puntos críticos en el subconjunto basándose en el valor de probabilidad de metástasis calculado para ese punto crítico particular que excede un valor umbral)]; y (i) provocar, mediante el procesador, la representación gráfica del primer subconjunto [por ejemplo, una indicación visual (por ejemplo, puntos, límites) de puntos críticos superpuestos en uno o más miembros del conjunto de imágenes de exploración ósea y/o conjunto anotado de imágenes; por ejemplo, una tabla que enumera los puntos críticos identificados junto con información adicional (por ejemplo, ubicación; por ejemplo, valor de probabilidad) para cada punto crítico] para su visualización dentro de una interfaz gráfica de usuario (GUI) (por ejemplo, una GUI basada en la nube).

En ciertas formas de realización, el método comprende además: (j) calcular, mediante el procesador, uno o más valores de índice de riesgo para el sujeto humano basándose, al menos en parte, en una fracción calculada (por ejemplo, una fracción de área) del esqueleto del sujeto humano ocupado por el primer subconjunto de puntos críticos [por ejemplo, en donde la fracción calculada es un área total del conjunto inicial de puntos críticos dividida por un área total de todas las regiones esqueléticas identificadas].

En ciertas formas de realización, el método comprende: (k) recibir, mediante el procesador, a través de la GUI, una selección de usuario de un segundo subconjunto del conjunto inicial de puntos críticos; y (l) calcular, mediante el procesador, uno o más valores de índice de riesgo para el sujeto humano basándose, al menos en parte, en una fracción calculada (por ejemplo, una fracción de área) del esqueleto del sujeto humano ocupado por el segundo subconjunto de puntos críticos [por ejemplo, en donde la fracción calculada es un área total del segundo subconjunto de puntos críticos, dividida por un área total de todas las regiones esqueléticas identificadas].

En ciertas formas de realización, al menos uno de los valores de índice de riesgo es indicativo de un riesgo de que el sujeto humano tenga y/o desarrolle cáncer metastásico (por ejemplo, cáncer de próstata metastásico, cáncer de mama metastásico, cáncer de pulmón metastásico y otros cánceres óseos metastásicos).

En ciertas formas de realización, el cáncer metastásico es cáncer de próstata metastásico.

En ciertas formas de realización, al menos uno de los valores del índice de riesgo es indicativo de que el sujeto humano tiene un estado particular de cáncer metastásico (por ejemplo, cáncer de próstata metastásico, cáncer de mama metastásico, cáncer de pulmón metastásico y otros cánceres óseos metastásicos).

En ciertas formas de realización, el procesador es un procesador de un sistema basado en la nube.

En ciertas formas de realización, la GUI es parte de un sistema general de archivo y comunicación de imágenes (PACS) (por ejemplo, así como una aplicación clínica para oncología que incluye marcado de lesiones y análisis cuantitativo).

En ciertas formas de realización, el agente (por ejemplo, el radiofármaco) comprende metilendifosfonato de tecnecio 99m (99mTc-MDP).

En otro aspecto, la invención está dirigida a un método para el marcado de lesiones y el análisis cuantitativo (por ejemplo, marcado de lesiones automatizado o semiautomatizado asistido/revisado por el usuario y análisis cuantitativo) de imágenes de medicina nuclear (por ejemplo, un conjunto de imágenes de exploración ósea) de un sujeto humano, comprendiendo el método: (a) acceder (por ejemplo, y/o recibir), mediante un procesador de un dispositivo informático, a un conjunto de imágenes de exploración ósea (por ejemplo, un conjunto de una, dos o más imágenes) del sujeto humano, obteniéndose dicho conjunto de imágenes de exploración ósea tras la administración de un agente (por ejemplo, un radiofármaco) al sujeto humano (por ejemplo, comprendiendo el conjunto de imágenes de exploración ósea una imagen de exploración ósea anterior y una imagen de exploración ósea posterior) (por ejemplo, en donde cada imagen del conjunto de imágenes de exploración ósea comprende una pluralidad de píxeles, teniendo cada píxel un valor correspondiente a una intensidad); (b) segmentar automáticamente, mediante el procesador, cada imagen del conjunto de imágenes de exploración ósea para identificar una o más regiones esqueléticas de interés, correspondiendo cada región esquelética de interés a una región anatómica particular de un esqueleto del sujeto humano (por ejemplo, un hueso particular y/o un conjunto de uno o más huesos, tal como la columna cervical, la clavícula, una costilla, la columna lumbar, la pelvis, el sacro, la escápula, el cráneo, la columna torácica, el esternón, el fémur, el húmero), obteniendo así un conjunto anotado de imágenes; (c) detectar automáticamente, mediante el procesador, un conjunto inicial de uno o más puntos críticos, cada punto crítico correspondiente a un área de intensidad elevada en el conjunto anotado de imágenes, comprendiendo dicha detección automática: usar (i) intensidades de píxeles en el conjunto anotado de imágenes y (ii) una pluralidad de valores umbral preliminares (por ejemplo, en donde la pluralidad de valores umbral preliminares son valores umbral dependientes de la región que dependen de la región esquelética de interés identificada en la que se ubican los píxeles particulares) para detectar un conjunto de posibles puntos críticos; calcular un factor de escala de umbral global usando el conjunto de posibles puntos críticos; ajustar la pluralidad de valores umbral preliminares usando el factor de escala de umbral global, obteniendo así una pluralidad de valores umbral ajustados; y usar (i) intensidades de píxeles en el conjunto anotado de imágenes y(ii)la pluralidad de valores umbral ajustados para identificar el conjunto inicial de puntos críticos; (d) para cada punto crítico en el conjunto inicial de puntos críticos, extraer, mediante el procesador, un conjunto de (por ejemplo, un conjunto de una o más) características de puntos críticos asociadas con el punto crítico; (e) para cada punto crítico en el conjunto inicial de puntos críticos, calcular, mediante el procesador, un valor de probabilidad de metástasis correspondiente a una probabilidad de que el punto crítico represente una metástasis, según el conjunto de características de puntos críticos asociadas con el punto crítico [por ejemplo, utilizando uno o más módulos de aprendizaje automático (por ejemplo, módulos de aprendizaje automático previamente entrenados; por ejemplo, redes neuronales artificiales (ANN)) que reciben, para un punto crítico particular, al menos una parte de las características del punto crítico como entrada, y emiten el valor de probabilidad de metástasis para ese punto crítico]; y (f) provocar, mediante el procesador, la renderización de una representación gráfica de al menos una porción del conjunto inicial de puntos críticos [por ejemplo, una indicación visual (por ejemplo, puntos, límites) de puntos críticos superpuestos en una o más imágenes del conjunto de imágenes de exploración ósea y/o conjunto de imágenes anotadas; por ejemplo, una tabla que enumera los puntos críticos identificados junto con información adicional (por ejemplo, ubicación; por ejemplo, valor de probabilidad de metástasis) para cada punto crítico] para su visualización dentro de una interfaz gráfica de usuario (GUI) (por ejemplo, una GUI basada en la nube).

En ciertas formas de realización, el factor de escala de umbral global es una función de una medida de la carga de la enfermedad en el sujeto humano [por ejemplo, una fracción del área del esqueleto del sujeto ocupada por metástasis (por ejemplo, puntos críticos); por ejemplo, un valor de índice de riesgo], y en donde el ajuste de la pluralidad de valores umbral preliminares realizado en el paso (c) comprende disminuir los valores umbral ajustados (por ejemplo, con respecto a los valores umbral preliminares) a medida que aumenta la carga de la enfermedad (por ejemplo, según lo medido por el factor de escala de umbral global) para compensar una subestimación del área de puntos críticos que ocurre con el aumento de la carga de la enfermedad (por ejemplo, de modo que un número total y/o tamaño de puntos críticos aumenta con los valores umbral ajustados disminuidos).

En ciertas formas de realización, el factor de escala de umbral global es una función (por ejemplo, una función no lineal) de una fracción (por ejemplo, una fracción de área) de las regiones esqueléticas identificadas ocupadas por el conjunto de posibles puntos críticos (por ejemplo, en donde el factor de escala de umbral global es una función de un área total de todos los puntos críticos en el conjunto preliminar, dividido por un área total de todas las regiones esqueléticas identificadas).

En ciertas formas de realización, el factor de escala de umbral global se basa en (por ejemplo, se calcula como una función de) un valor de índice de riesgo calculado utilizando el conjunto de posibles puntos críticos.

En ciertas formas de realización, el paso (c) comprende (por ejemplo, iterativamente): identificar, mediante el procesador, regiones de tejido sano en las imágenes del conjunto de imágenes de exploración ósea que se determinó que no incluyen ningún punto crítico (por ejemplo, regiones localizadas de intensidad relativamente alta); calcular, mediante el procesador, un factor de normalización, de modo que un producto del factor de normalización y una intensidad promedio de las regiones de tejido sano identificadas sea un nivel de intensidad predefinido; y normalizar, mediante el procesador, las imágenes del conjunto de imágenes de exploración ósea mediante el factor de normalización.

En otro aspecto, la invención está dirigida a un método para el marcado de lesiones y el análisis cuantitativo (por ejemplo, marcado de lesiones automatizado o semiautomatizado asistido/revisado por el usuario y análisis cuantitativo) de imágenes de medicina nuclear (por ejemplo, un conjunto de imágenes de exploración ósea) de un sujeto humano, comprendiendo el método: (a) acceder (por ejemplo, y/o recibir), mediante un procesador de un dispositivo informático, a un conjunto de imágenes de exploración ósea (por ejemplo, un conjunto de una, dos o más imágenes) del sujeto humano, obteniéndose dicho conjunto de imágenes de exploración ósea tras la administración de un agente (por ejemplo, un radiofármaco) al sujeto humano (por ejemplo, comprendiendo el conjunto de imágenes de exploración ósea una imagen de exploración ósea anterior y una imagen de exploración ósea posterior) (por ejemplo, en donde cada imagen del conjunto de imágenes de exploración ósea comprende una pluralidad de píxeles, teniendo cada píxel un valor correspondiente a una intensidad); (b) segmentar automáticamente, mediante el procesador, cada imagen del conjunto de imágenes de exploración ósea para identificar una o más regiones esqueléticas de interés, correspondiendo cada región esquelética de interés a una región anatómica particular de un esqueleto del sujeto humano (por ejemplo, un hueso particular y/o un conjunto de uno o más huesos, tal como la columna cervical, la clavícula, una costilla, la columna lumbar, la pelvis, el sacro, la escápula, el cráneo, la columna torácica, el esternón, el fémur, el húmero), obteniendo así un conjunto anotado de imágenes; (c) detectar automáticamente, mediante el procesador, un conjunto inicial de uno o más puntos críticos, cada punto crítico correspondiente a un área de intensidad elevada en el conjunto anotado de imágenes [por ejemplo, en donde la detección de uno o más puntos críticos del conjunto inicial de puntos críticos comprende comparar intensidades de píxeles con uno o más valores umbral (por ejemplo, en donde uno o más valores umbral varían dependiendo de la región esquelética de interés identificada en la que se encuentra un píxel particular)]; (d) para cada punto crítico en el conjunto inicial de puntos críticos, extraer, mediante el procesador, un conjunto de (por ejemplo, un conjunto de una o más) características de puntos críticos asociadas con el punto crítico; (e) para cada punto crítico en el conjunto inicial de puntos críticos, calcular, mediante el procesador, un valor de probabilidad de metástasis correspondiente a la probabilidad de que el punto crítico represente una metástasis, según el conjunto de características del punto crítico asociadas con el punto crítico [por ejemplo, utilizando uno o más módulos de aprendizaje automático (por ejemplo, módulos de aprendizaje automático previamente entrenados; por ejemplo, redes neuronales artificiales (ANN)) que reciben, para un punto crítico en particular, al menos una porción de las características del punto crítico como entrada y generan el valor de probabilidad de metástasis para ese punto crítico]; (f) seleccionar, mediante el procesador, un primer subconjunto (por ejemplo, hasta todos) del conjunto inicial de puntos críticos, en donde la selección de un punto crítico en particular para su inclusión en el primer subconjunto se basa, al menos en parte, en: (i) el valor de probabilidad de metástasis calculado para el punto crítico en particular [por ejemplo, basado en la comparación del valor de probabilidad calculado para el punto crítico en particular con un valor umbral de probabilidad (por ejemplo, incluyendo el punto crítico en particular en el primer subconjunto si tiene un valor de probabilidad mayor que el valor umbral de probabilidad)]; y (ii) una o más características globales del punto crítico, cada característica global del punto crítico determinada utilizando una pluralidad de puntos críticos en el conjunto inicial de puntos críticos (por ejemplo, un número total de puntos críticos en el conjunto inicial de puntos críticos, una intensidad promedio de puntos críticos en el conjunto inicial de puntos críticos, una intensidad máxima de puntos críticos en el conjunto inicial de puntos críticos, etc.); y (g) provocar, mediante el procesador, la renderización de una representación gráfica de al menos una porción del primer subconjunto de puntos críticos [por ejemplo, una indicación visual (por ejemplo, puntos, límites) de puntos críticos superpuestos en una o más imágenes del conjunto de imágenes de exploración ósea y/o conjunto de imágenes anotadas; por ejemplo, una tabla que enumera los puntos críticos identificados junto con información adicional (por ejemplo, ubicación; por ejemplo, valor de probabilidad) para cada punto crítico] para su visualización dentro de una interfaz gráfica de usuario (GUI) (por ejemplo, una GUI basada en la nube).

En ciertas formas de realización, una o más características de punto crítico global comprenden un número total de puntos críticos en el conjunto de puntos críticos inicial.

En ciertas formas de realización, el paso (f) comprende ajustar los criterios para la selección de puntos críticos para su inclusión en el primer subconjunto en función del número total de puntos críticos en el conjunto inicial de puntos críticos [por ejemplo, relajando los criterios a medida que aumenta el número total de puntos críticos en el conjunto inicial de puntos críticos (por ejemplo, reduciendo un umbral de probabilidad de metástasis con el que se compara el valor de probabilidad de metástasis de cada punto crítico; por ejemplo, aumentando los valores de probabilidad de metástasis según el número total de puntos críticos en el conjunto inicial de puntos críticos)].

En ciertas formas de realización, el paso (f) comprende utilizar un módulo de aprendizaje automático para seleccionar el primer subconjunto (por ejemplo, un módulo ANN) [por ejemplo, en donde el módulo de aprendizaje automático recibe, para cada punto crítico, al menos el valor de probabilidad de metástasis calculado para el punto crítico y una o más características del punto crítico global y emite (i) un valor de probabilidad de metástasis ajustado que tiene en cuenta las características del punto crítico global (por ejemplo, un valor en una escala que puede compararse con un umbral para la selección del punto crítico en el primer subconjunto) y/o (ii) un valor binario (por ejemplo, 0 o 1; por ejemplo, booleano Verdadero o Falso) que representa si el punto crítico debe o no incluirse en el primer subconjunto].

En otro aspecto, la invención está dirigida a un método para el marcado de lesiones y el análisis cuantitativo (por ejemplo, marcado de lesiones automatizado o semiautomatizado asistido/revisado por el usuario y análisis cuantitativo) de imágenes de medicina nuclear (por ejemplo, un conjunto de imágenes de exploración ósea) de un sujeto humano, comprendiendo el método: (a) acceder (por ejemplo, y/o recibir), mediante un procesador de un dispositivo informático, a un conjunto de imágenes de exploración ósea (por ejemplo, un conjunto de una, dos o más imágenes) del sujeto humano (por ejemplo, comprendiendo el conjunto de imágenes de exploración ósea una imagen de exploración ósea anterior y una imagen de exploración ósea posterior) (por ejemplo, en donde cada imagen del conjunto de imágenes de exploración ósea comprende una pluralidad de píxeles, teniendo cada píxel un valor que corresponde a una intensidad); (b) segmentar automáticamente, mediante el procesador, cada imagen del conjunto de imágenes de exploración ósea para identificar una o más regiones esqueléticas de interés, correspondiendo cada región esquelética de interés a una región anatómica particular de un esqueleto del sujeto humano (por ejemplo, un hueso particular y/o un conjunto de uno o más huesos, tal como la columna cervical, la clavícula, la costilla, la columna lumbar, la pelvis, el sacro, la escápula, el cráneo, la columna torácica, el esternón, el fémur, el húmero), obteniendo así un conjunto anotado de imágenes; (c) detectar automáticamente, mediante el procesador, un conjunto inicial de uno o más puntos críticos, cada punto crítico correspondiente a un área de intensidad elevada en el conjunto anotado de imágenes [por ejemplo, en donde la detección de uno o más puntos críticos del conjunto inicial de puntos críticos comprende comparar intensidades de píxeles con uno o más valores umbral (por ejemplo, en donde uno o más valores umbral varían dependiendo de la región esquelética de interés identificada en la que se encuentra un píxel particular)]; (d) para cada punto crítico en el conjunto inicial de puntos críticos, extraer, mediante el procesador, un conjunto de (por ejemplo, un conjunto de una o más) características de puntos críticos asociadas con el punto crítico; (e) para cada punto crítico en el conjunto inicial de puntos críticos, calcular, mediante el procesador, un valor de probabilidad correspondiente a una probabilidad de que el punto crítico represente una metástasis, según el conjunto de características de puntos críticos asociadas con el punto crítico [por ejemplo, utilizando uno o más módulos de aprendizaje automático (por ejemplo, módulos de aprendizaje automático previamente entrenados; por ejemplo, redes neuronales artificiales (ANN)) que reciben, para un punto crítico en particular, al menos una porción de las características de puntos críticos como entrada y generan el valor de probabilidad para ese punto crítico]; (f) seleccionar, mediante el procesador, un primer subconjunto (por ejemplo, hasta todos) de los puntos críticos del conjunto inicial de puntos críticos basándose, al menos en parte, en los valores de probabilidad calculados para cada punto crítico del conjunto inicial de puntos críticos [por ejemplo, determinando si se incluye o no un punto crítico particular del conjunto inicial de puntos críticos en el conjunto de puntos críticos preseleccionados basándose en el valor de probabilidad calculado para ese punto crítico particular (por ejemplo, comparándolo con un valor umbral de probabilidad)]; y (g) calcular, mediante el procesador, uno o más valores de índice de riesgo (por ejemplo, un valor de índice de exploración ósea) utilizando al menos una porción (por ejemplo, hasta la totalidad) del primer subconjunto de puntos críticos, comprendiendo dicho cálculo: calcular, para cada punto crítico particular de la porción del primer subconjunto, un factor de afectación esquelética basado en una relación de (i) un tamaño (por ejemplo, área) del punto crítico particular con(ii)un tamaño (por ejemplo, área) de una región esquelética particular a la que se asigna el punto crítico particular (por ejemplo, mediante el procesador) según su ubicación en el conjunto anotado de imágenes, determinando así uno o más factores de afectación esquelética; ajustar los factores de afectación esquelética utilizando uno o más factores de corrección dependientes de la región [por ejemplo, cada factor de corrección dependiente de la región asociado con una o más regiones esqueléticas; por ejemplo, en donde los factores de corrección dependientes de la región tienen valores seleccionados para reducir el grado en el cual la asignación de un punto crítico particular a una región esquelética específica (por ejemplo, de una pluralidad de regiones esqueléticas vecinas o cercanas, como las regiones sacra, pélvica y lumbar) causa fluctuaciones en los factores de afectación esquelética calculados], obteniendo así uno o más factores de afectación esquelética ajustados; y sumando los factores de afectación esquelética ajustados para determinar uno o más valores de índice de riesgo.

En ciertas formas de realización, para cada punto crítico particular, el factor de afectación esquelética calculado estima una proporción de la masa esquelética total ocupada por un volumen físico asociado con el punto crítico particular.

En ciertas formas de realización, el cálculo del factor de afectación esquelética comprende: calcular, mediante el procesador, una relación de un área del punto crítico particular con un área de la región esquelética de interés correspondiente, calculando así una fracción de área para el punto crítico particular; y aumentar (por ejemplo, multiplicar) la fracción de área mediante un coeficiente de densidad asociado con la región esquelética de interés a la que se asigna el punto crítico particular [por ejemplo, que tiene en cuenta el peso y/o la densidad del enlace en la región esquelética de interés correspondiente (por ejemplo, en donde el coeficiente de densidad es una fracción de peso de la región esquelética de interés correspondiente con respecto a un esqueleto total (por ejemplo, de un humano promedio)], calculando así el factor de afectación esquelética para el punto crítico particular.

En ciertas formas de realización, al menos una porción de los puntos críticos del primer subconjunto se asignan a una región esquelética de interés que es un miembro seleccionado del grupo que consiste en una región de la pelvis (por ejemplo, correspondiente a una pelvis del sujeto humano), una región lumbar (por ejemplo, correspondiente a una columna lumbar del sujeto humano) y una región del sacro (por ejemplo, correspondiente a un sacro del sujeto humano).

En ciertas formas de realización, uno o más factores de corrección dependientes de la región comprenden un factor de corrección de la región del sacro asociado con una región del sacro y utilizado para ajustar los factores de afectación esquelética de los puntos críticos identificados (por ejemplo, mediante el procesador) como ubicados allí, y en donde el factor de corrección de la región del sacro tiene un valor menor que uno (por ejemplo, menor que 0.5).

En ciertas formas de realización, uno o más factores de corrección dependientes de la región comprenden uno o más pares de factores de corrección, cada par de factores de corrección asociado con una región esquelética específica de interés y que comprende un primer miembro y un segundo miembro (del par), en donde: el primer miembro del par es un factor de corrección de la imagen anterior y se utiliza para ajustar los factores de afectación esquelética calculados para puntos críticos que se han detectado en una imagen de exploración ósea anterior anotada del conjunto de imágenes anotadas, y el segundo miembro del par es un factor de corrección de la imagen posterior y se utiliza para ajustar los factores de afectación esquelética calculados para puntos críticos que se han detectado en una imagen de exploración ósea posterior anotada del conjunto de imágenes anotadas.

En otro aspecto, la invención está dirigida a un sistema para el marcado de lesiones y el análisis cuantitativo (por ejemplo, marcado de lesiones automatizado o semiautomatizado asistido/revisado por el usuario y análisis cuantitativo) de imágenes de medicina nuclear (por ejemplo, un conjunto de imágenes de exploración ósea) de un sujeto humano, comprendiendo el sistema: un procesador; y una memoria que tiene instrucciones en esta, en donde las instrucciones, cuando son ejecutadas por el procesador, hacen que el procesador: (a) acceda (por ejemplo, y/o recibir) a un conjunto de imágenes de exploración ósea (por ejemplo, un conjunto de una, dos o más imágenes) del sujeto humano, obteniéndose dicho conjunto de imágenes de exploración ósea tras la administración de un agente (por ejemplo, un radiofármaco) al sujeto humano (por ejemplo, comprendiendo el conjunto de imágenes de exploración ósea una imagen de exploración ósea anterior y una imagen de exploración ósea posterior) (por ejemplo, en donde cada imagen del conjunto de imágenes de exploración ósea comprende una pluralidad de píxeles, teniendo cada píxel un valor correspondiente a una intensidad); (b) segmente automáticamente cada imagen del conjunto de imágenes de exploración ósea para identificar una o más regiones esqueléticas de interés, cada una correspondiente a una región anatómica particular del esqueleto del sujeto humano (por ejemplo, un hueso particular o un conjunto de uno o más huesos, tal como la columna cervical, la clavícula, las costillas, la columna lumbar, la pelvis, el sacro, la escápula, el cráneo, la columna torácica, el esternón, el fémur o el húmero), obteniendo así un conjunto de imágenes anotadas, en donde una o más regiones esqueléticas de interés comprenden al menos una de las siguientes opciones (i) e (ii): (i) una región del fémur correspondiente a una porción del fémur del sujeto humano, abarcando dicha porción del fémur al menos tres cuartos [(por ejemplo, más de alrededor de tres cuartos (por ejemplo, aproximadamente la totalidad)] del fémur a lo largo de su longitud; y (ii) una región del húmero correspondiente a una porción del húmero del sujeto humano, abarcando dicha porción del húmero al menos tres cuartos [(por ejemplo, más de alrededor de tres cuartos (por ejemplo, aproximadamente la totalidad)] del húmero a lo largo de su longitud; (c) detecte automáticamente un conjunto inicial de uno o más puntos críticos, correspondiendo cada punto crítico a un área de intensidad elevada en el conjunto anotado de imágenes, comprendiendo dicha detección automática la identificación de uno o más puntos críticos utilizando intensidades de píxeles en el conjunto anotado de imágenes y utilizando uno o más valores umbral dependientes de la región (por ejemplo, en donde cada valor umbral dependiente de la región está asociado con una región esquelética de interés identificada, de modo que las intensidades de los píxeles ubicados dentro de una región esquelética identificada en particular se comparan con el valor umbral asociado dependiente de la región), y en donde uno o más valores umbral dependientes de la región incluyen uno o más valores asociados con la región del fémur y/o la región del húmero (por ejemplo, un umbral de intensidad reducido para la región del fémur y/o un umbral de intensidad reducido para la región del húmero) que proporcionan una sensibilidad de detección de puntos críticos mejorada en la región del fémur y/o la región del húmero para compensar la absorción reducida del agente en esta; (d) para cada punto crítico en el conjunto inicial de puntos críticos, extraiga un conjunto de (por ejemplo, un conjunto de una o más) características de puntos críticos asociadas con el punto crítico; (e) para cada punto crítico en el conjunto inicial de puntos críticos, calcule un valor de probabilidad de metástasis correspondiente a una probabilidad de que el punto crítico represente una metástasis, según el conjunto de características de puntos críticos asociadas con el punto crítico [por ejemplo, utilizando uno o más módulos de aprendizaje automático (por ejemplo, módulos de aprendizaje automático entrenados previamente; por ejemplo, redes neuronales artificiales (ANN)) que reciben, para un punto crítico particular, al menos una porción de las características del punto crítico como entrada y generan el valor de probabilidad de metástasis para ese punto crítico]; y (f) provoque la renderización de una representación gráfica de al menos una porción del conjunto inicial de puntos críticos [por ejemplo, una indicación visual (por ejemplo, puntos, límites) de puntos críticos superpuestos en uno o más miembros del conjunto de imágenes de exploración ósea y/o conjunto anotado de imágenes; por ejemplo, una tabla que enumera los puntos críticos identificados junto con información adicional (por ejemplo, la ubicación; por ejemplo, valor de probabilidad de metástasis) para cada punto crítico] para su visualización dentro de una interfaz gráfica de usuario (GUI) (por ejemplo, una GUI basada en la nube).

En ciertas formas de realización, en el paso (b) las instrucciones hacen que el procesador: compare cada miembro del conjunto de imágenes de exploración ósea con una imagen de atlas correspondiente de un conjunto de imágenes de atlas, comprendiendo cada imagen de atlas una o más identificaciones de una o más regiones esqueléticas de interés (por ejemplo, identificaciones gráficas superpuestas sobre la imagen de atlas), incluyendo dichas regiones esqueléticas de interés la región del fémur y/o la región del húmero; y para cada imagen del conjunto de imágenes de exploración ósea, registre la imagen de atlas correspondiente con la imagen del conjunto de imágenes de exploración ósea, de modo que las identificaciones de una o más regiones esqueléticas de interés de la imagen de atlas se apliquen a (por ejemplo, se superpongan sobre) la imagen del conjunto de imágenes de exploración ósea.

En ciertas formas de realización, cada imagen de atlas comprende una identificación de (i) la región del fémur que comprende al menos una porción de una región de la rodilla del sujeto humano y/o (ii) la región del húmero que comprende al menos una porción de una región del codo del sujeto humano, y en donde, para cada imagen del conjunto de imágenes de exploración ósea, las instrucciones hacen que el procesador registre la imagen de atlas correspondiente a la imagen de exploración ósea mediante el uso de la región de la rodilla identificada y/o la región del codo identificada en la imagen como un punto o puntos de referencia [por ejemplo, registrar la imagen de atlas correspondiente a la imagen de exploración ósea identificando una región de la rodilla en la imagen de exploración ósea y comparándola con la región de la rodilla identificada en la imagen de atlas correspondiente, luego ajustar la imagen de atlas (por ejemplo, calcular una transformación de coordenadas)].

En ciertas formas de realización, en el paso (c) las instrucciones hacen que el procesador (por ejemplo, de manera iterativa): identifique regiones de tejido sano en las imágenes del conjunto de imágenes de exploración ósea determinadas para no incluir ningún punto crítico (por ejemplo, regiones localizadas de intensidad relativamente alta); calcule un factor de normalización de modo que un producto del factor de normalización y una intensidad promedio de las regiones de tejido sano identificadas sea un nivel de intensidad predefinido; y normalice las imágenes del conjunto de imágenes de exploración ósea mediante el factor de normalización.

En ciertas formas de realización, las instrucciones además hacen que el procesador: (g) calcule uno o más valores de índice de riesgo para el sujeto humano basándose, al menos en parte, en una fracción calculada (por ejemplo, una fracción de área) del esqueleto del sujeto humano ocupado por el conjunto inicial de puntos calientes [por ejemplo, en donde la fracción calculada es una relación de un área total del conjunto inicial de puntos calientes, dividida por un área total de todas las regiones esqueléticas identificadas].

En ciertas formas de realización, las instrucciones hacen que el procesador: (h) seleccione un primer subconjunto (por ejemplo, hasta todos) del conjunto inicial de puntos críticos basándose, al menos en parte, en los valores de probabilidad de metástasis [por ejemplo, determinar si se incluye o no un punto crítico particular del conjunto inicial de puntos críticos en el subconjunto basándose en el valor de probabilidad de metástasis calculado para ese punto crítico particular que excede un valor umbral)]; y (i) provoque la representación gráfica del primer subconjunto [por ejemplo, una indicación visual (por ejemplo, puntos, límites) de puntos críticos superpuestos en uno o más miembros del conjunto de imágenes de exploración ósea y/o conjunto anotado de imágenes; por ejemplo, una tabla que enumera los puntos críticos identificados junto con información adicional (por ejemplo, ubicación; por ejemplo, valor de probabilidad) para cada punto crítico] para su visualización dentro de una interfaz gráfica de usuario (GUI) (por ejemplo, una GUI basada en la nube).

En ciertas formas de realización, las instrucciones hacen que el procesador: (j) calcule uno o más valores de índice de riesgo para el sujeto humano basándose, al menos en parte, en una fracción calculada (por ejemplo, una fracción de área) del esqueleto del sujeto humano ocupado por el primer subconjunto de puntos críticos [por ejemplo, en donde la fracción calculada es un área total del conjunto inicial de puntos críticos dividida por un área total de todas las regiones esqueléticas identificadas].

En ciertas formas de realización, las instrucciones hacen que el procesador: (k) reciba a través de la GUI, una selección de usuario de un segundo subconjunto del conjunto inicial de puntos críticos; y (l) calcule uno o más valores de índice de riesgo para el sujeto humano basándose, al menos en parte, en una fracción calculada (por ejemplo, una fracción de área) del esqueleto del sujeto humano ocupado por el segundo subconjunto de puntos críticos [por ejemplo, en donde la fracción calculada es un área total del segundo subconjunto de puntos críticos, dividida por un área total de todas las regiones esqueléticas identificadas].

En ciertas formas de realización, el sistema es un sistema basado en la nube. En ciertas formas de realización, el procesador es un procesador de un sistema basado en la nube.

En otro aspecto, la invención está dirigida a un sistema para el marcado de lesiones y el análisis cuantitativo (por ejemplo, marcado de lesiones automatizado o semiautomatizado asistido/revisado por el usuario y análisis cuantitativo) de imágenes de medicina nuclear (por ejemplo, un conjunto de imágenes de exploración ósea) de un sujeto humano, comprendiendo el sistema: un procesador; y una memoria que tiene instrucciones en esta, en donde las instrucciones, cuando son ejecutadas por el procesador, hacen que el procesador: (a) acceda (por ejemplo, y/o reciba), mediante un procesador de un dispositivo informático, a un conjunto de imágenes de exploración ósea (por ejemplo, un conjunto de una, dos o más imágenes) del sujeto humano, obteniéndose dicho conjunto de imágenes de exploración ósea tras la administración de un agente (por ejemplo, un radiofármaco) al sujeto humano (por ejemplo, comprendiendo el conjunto de imágenes de exploración ósea una imagen de exploración ósea anterior y una imagen de exploración ósea posterior) (por ejemplo, en donde cada imagen del conjunto de imágenes de exploración ósea comprende una pluralidad de píxeles, teniendo cada píxel un valor correspondiente a una intensidad); (b) segmente automáticamente cada imagen del conjunto de imágenes de exploración ósea para identificar una o más regiones esqueléticas de interés, correspondiendo cada región esquelética de interés a una región anatómica particular de un esqueleto del sujeto humano (por ejemplo, un hueso particular y/o un conjunto de uno o más huesos, tal como la columna cervical, la clavícula, una costilla, la columna lumbar, la pelvis, el sacro, la escápula, el cráneo, la columna torácica, el esternón, el fémur, el húmero), obteniendo así un conjunto anotado de imágenes; (c) detecte automáticamente un conjunto inicial de uno o más puntos críticos, cada punto crítico correspondiente a un área de intensidad elevada en el conjunto anotado de imágenes, comprendiendo dicha detección automática: usar (i) intensidades de píxeles en el conjunto anotado de imágenes y(ii)una pluralidad de valores umbral preliminares (por ejemplo, en donde la pluralidad de valores umbral preliminares son valores umbral dependientes de la región que dependen de la región esquelética de interés identificada en la que se ubican los píxeles particulares) para detectar un conjunto de posibles puntos críticos; calcular un factor de escala de umbral global usando el conjunto de posibles puntos críticos; ajustar la pluralidad de valores umbral preliminares usando el factor de escala de umbral global, obteniendo así una pluralidad de valores umbral ajustados; y usar (i) intensidades de píxeles en el conjunto anotado de imágenes y(ii)la pluralidad de valores umbral ajustados para identificar el conjunto inicial de puntos críticos; (d) para cada punto crítico en el conjunto inicial de puntos críticos, extraiga un conjunto de (por ejemplo, un conjunto de una o más) características de puntos críticos asociadas con el punto crítico; (e) para cada punto crítico en el conjunto inicial de puntos críticos, calcule un valor de probabilidad de metástasis correspondiente a una probabilidad de que el punto crítico represente una metástasis, según el conjunto de características de puntos críticos asociadas con el punto crítico [por ejemplo, utilizando uno o más módulos de aprendizaje automático (por ejemplo, módulos de aprendizaje automático previamente entrenados; por ejemplo, redes neuronales artificiales (ANN)) que reciben, para un punto crítico particular, al menos una parte de las características del punto crítico como entrada, y emiten el valor de probabilidad de metástasis para ese punto crítico]; y (f) provoque la renderización de una representación gráfica de al menos una porción del conjunto inicial de puntos críticos [por ejemplo, una indicación visual (por ejemplo, puntos, límites) de puntos críticos superpuestos en una o más imágenes del conjunto de imágenes de exploración ósea y/o conjunto de imágenes anotadas; por ejemplo, una tabla que enumera los puntos críticos identificados junto con información adicional (por ejemplo, ubicación; por ejemplo, valor de probabilidad de metástasis) para cada punto crítico] para su visualización dentro de una interfaz gráfica de usuario (GUI) (por ejemplo, una GUI basada en la nube).

En ciertas formas de realización, las instrucciones hacen que el procesador: calcule el factor de escala de umbral global en función de una medida de la carga de la enfermedad para el sujeto humano [por ejemplo, una fracción del área del esqueleto del sujeto ocupada por metástasis (por ejemplo, puntos críticos); por ejemplo, un valor de índice de riesgo]; y, en el paso (c) ajuste la pluralidad de valores umbral preliminares disminuyendo los valores umbral ajustados (por ejemplo, con respecto a los valores umbral preliminares) a medida que aumenta la carga de la enfermedad (por ejemplo, según lo medido por el factor de escala de umbral global) para compensar una subestimación del área de puntos críticos que ocurre con el aumento de la carga de la enfermedad (por ejemplo, de modo que un número total y/o tamaño de puntos críticos aumenta con los valores umbral ajustados disminuidos).

En ciertas formas de realización, las instrucciones hacen que el procesador calcule el factor de escala de umbral global en función (por ejemplo, una función no lineal) de una fracción (por ejemplo, una fracción de área) de las regiones esqueléticas identificadas ocupadas por el conjunto de posibles puntos críticos (por ejemplo, en donde el factor de escala de umbral global es una función de un área total de todos los puntos críticos en el conjunto preliminar, dividido por un área total de todas las regiones esqueléticas identificadas).

En ciertas formas de realización, las instrucciones hacen que el procesador calcule el factor de escala de umbral global basándose en (por ejemplo, como una función de) un valor de índice de riesgo calculado utilizando el conjunto de posibles puntos críticos.

En otro aspecto, la invención está dirigida a un sistema para el marcado de lesiones y el análisis cuantitativo (por ejemplo, marcado de lesiones automatizado o semiautomatizado asistido/revisado por el usuario y análisis cuantitativo) de imágenes de medicina nuclear (por ejemplo, un conjunto de imágenes de exploración ósea) de un sujeto humano, comprendiendo el sistema: un procesador; y una memoria que tiene instrucciones en esta, en donde las instrucciones, cuando son ejecutadas por el procesador, hacen que el procesador: (a) acceda (por ejemplo, y/o reciba) a un conjunto de imágenes de exploración ósea (por ejemplo, un conjunto de una, dos o más imágenes) del sujeto humano, obteniéndose dicho conjunto de imágenes de exploración ósea tras la administración de un agente (por ejemplo, un radiofármaco) al sujeto humano (por ejemplo, comprendiendo el conjunto de imágenes de exploración ósea una imagen de exploración ósea anterior y una imagen de exploración ósea posterior) (por ejemplo, en donde cada imagen del conjunto de imágenes de exploración ósea comprende una pluralidad de píxeles, teniendo cada píxel un valor correspondiente a una intensidad); (b) segmente automáticamente cada imagen del conjunto de imágenes de exploración ósea para identificar una o más regiones esqueléticas de interés, correspondiendo cada región esquelética de interés a una región anatómica particular de un esqueleto del sujeto humano (por ejemplo, un hueso particular y/o un conjunto de uno o más huesos, tal como la columna cervical, la clavícula, una costilla, la columna lumbar, la pelvis, el sacro, la escápula, el cráneo, la columna torácica, el esternón, el fémur, el húmero), obteniendo así un conjunto anotado de imágenes; (c) detecte automáticamente un conjunto inicial de uno o más puntos críticos, cada punto crítico correspondiente a un área de intensidad elevada en el conjunto anotado de imágenes [por ejemplo, en donde la detección de uno o más puntos críticos del conjunto inicial de puntos críticos comprende comparar intensidades de píxeles con uno o más valores umbral (por ejemplo, en donde uno o más valores umbral varían dependiendo de la región esquelética de interés identificada en la que se encuentra un píxel particular)]; (d) para cada punto crítico en el conjunto inicial de puntos críticos, extraiga un conjunto de (por ejemplo, un conjunto de una o más) características de puntos críticos asociadas con el punto crítico; (e) para cada punto crítico en el conjunto inicial de puntos críticos, calcule un valor de probabilidad de metástasis correspondiente a la probabilidad de que el punto crítico represente una metástasis, según el conjunto de características del punto crítico asociadas con el punto crítico [por ejemplo, utilizando uno o más módulos de aprendizaje automático (por ejemplo, módulos de aprendizaje automático previamente entrenados; por ejemplo, redes neuronales artificiales (ANN)) que reciben, para un punto crítico en particular, al menos una porción de las características del punto crítico como entrada y generan el valor de probabilidad de metástasis para ese punto crítico]; (f) seleccione automáticamente un primer subconjunto (por ejemplo, hasta todos) del conjunto inicial de puntos críticos, en donde la selección de un punto crítico en particular para su inclusión en el primer subconjunto se basa, al menos en parte, en: (i) el valor de probabilidad de metástasis calculado para el punto crítico en particular [por ejemplo, basado en la comparación del valor de probabilidad calculado para el punto crítico en particular con un valor umbral de probabilidad (por ejemplo, incluyendo el punto crítico en particular en el primer subconjunto si tiene un valor de probabilidad mayor que el valor umbral de probabilidad)]; y (ii) una o más características globales del punto crítico, cada característica global del punto crítico determinada utilizando una pluralidad de puntos críticos en el conjunto inicial de puntos críticos (por ejemplo, un número total de puntos críticos en el conjunto inicial de puntos críticos, una intensidad promedio de puntos críticos en el conjunto inicial de puntos críticos, una intensidad máxima de puntos críticos en el conjunto inicial de puntos críticos, etc.); y (g) provoque la renderización de una representación gráfica de al menos una porción del primer subconjunto de puntos críticos [por ejemplo, una indicación visual (por ejemplo, puntos, límites) de puntos críticos superpuestos en una o más imágenes del conjunto de imágenes de exploración ósea y/o conjunto de imágenes anotadas; por ejemplo, una tabla que enumera los puntos críticos identificados junto con información adicional (por ejemplo, ubicación; por ejemplo, valor de probabilidad) para cada punto crítico] para su visualización dentro de una interfaz gráfica de usuario (GUI) (por ejemplo, una GUI basada en la nube).

En ciertas formas de realización, en el paso (f) las instrucciones hacen que el procesador ajuste los criterios de selección de puntos críticos para su inclusión en el primer subconjunto según el número total de puntos críticos en el conjunto inicial de puntos críticos [por ejemplo, relajando los criterios a medida que aumenta el número total de puntos críticos en el conjunto inicial de puntos críticos (por ejemplo, reduciendo un umbral de probabilidad de metástasis con el que se compara el valor de probabilidad de metástasis de cada punto crítico; por ejemplo, aumentando los valores de probabilidad de metástasis según el número total de puntos críticos en el conjunto inicial de puntos críticos)].

En ciertas formas de realización, en el paso (f) las instrucciones hacen que el procesador utilice un módulo de aprendizaje automático para seleccionar el primer subconjunto (por ejemplo, un módulo ANN) [por ejemplo, en donde el módulo de aprendizaje automático recibe, para cada punto crítico, al menos el valor de probabilidad de metástasis calculado para el punto crítico y una o más características del punto crítico global y emite (i) un valor de probabilidad de metástasis ajustado que tiene en cuenta las características del punto crítico global (por ejemplo, un valor en una escala que puede compararse con un umbral para la selección del punto crítico en el primer subconjunto) y/o (ii) un valor binario (por ejemplo, 0 o 1; por ejemplo, booleano Verdadero o Falso) que representa si el punto crítico debe o no incluirse en el primer subconjunto].

En otro aspecto, la invención está dirigida a un sistema para el marcado de lesiones y el análisis cuantitativo (por ejemplo, marcado de lesiones automatizado o semiautomatizado asistido/revisado por el usuario y análisis cuantitativo) de imágenes de medicina nuclear (por ejemplo, un conjunto de imágenes de exploración ósea) de un sujeto humano, comprendiendo el sistema: un procesador; y una memoria que tiene instrucciones en esta, en donde las instrucciones, cuando son ejecutadas por el procesador, hacen que el procesador: (a) acceda (por ejemplo, y/o reciba) a un conjunto de imágenes de exploración ósea (por ejemplo, un conjunto de una, dos o más imágenes) del sujeto humano (por ejemplo, comprendiendo el conjunto de imágenes de exploración ósea una imagen de exploración ósea anterior y una imagen de exploración ósea posterior) (por ejemplo, en donde cada imagen del conjunto de imágenes de exploración ósea comprende una pluralidad de píxeles, teniendo cada píxel un valor que corresponde a una intensidad); (b) segmente automáticamente cada imagen del conjunto de imágenes de exploración ósea para identificar una o más regiones esqueléticas de interés, correspondiendo cada región esquelética de interés a una región anatómica particular de un esqueleto del sujeto humano (por ejemplo, un hueso particular y/o un conjunto de uno o más huesos, tal como la columna cervical, la clavícula, la costilla, la columna lumbar, la pelvis, el sacro, la escápula, el cráneo, la columna torácica, el esternón, el fémur, el húmero), obteniendo así un conjunto anotado de imágenes; (c) detecte automáticamente un conjunto inicial de uno o más puntos críticos, cada punto crítico correspondiente a un área de intensidad elevada en el conjunto anotado de imágenes [por ejemplo, en donde la detección de uno o más puntos críticos del conjunto inicial de puntos críticos comprende comparar intensidades de píxeles con uno o más valores umbral (por ejemplo, en donde uno o más valores umbral varían dependiendo de la región esquelética de interés identificada en la que se encuentra un píxel particular)]; (d) para cada punto crítico en el conjunto inicial de puntos críticos, extraiga un conjunto de (por ejemplo, un conjunto de una o más) características de puntos críticos asociadas con el punto crítico; (e) para cada punto crítico en el conjunto inicial de puntos críticos, calcule un valor de probabilidad correspondiente a una probabilidad de que el punto crítico represente una metástasis, según el conjunto de características de puntos críticos asociadas con el punto crítico [por ejemplo, utilizando uno o más módulos de aprendizaje automático (por ejemplo, módulos de aprendizaje automático previamente entrenados; por ejemplo, redes neuronales artificiales (ANN)) que reciben, para un punto crítico en particular, al menos una porción de las características de puntos críticos como entrada y generan el valor de probabilidad para ese punto crítico]; (f) seleccione un primer subconjunto (por ejemplo, hasta todos) de los puntos críticos del conjunto inicial de puntos críticos basándose, al menos en parte, en los valores de probabilidad calculados para cada punto crítico del conjunto inicial de puntos críticos [por ejemplo, determinando si se incluye o no un punto crítico particular del conjunto inicial de puntos críticos en el conjunto de puntos críticos preseleccionados basándose en el valor de probabilidad calculado para ese punto crítico particular (por ejemplo, comparándolo con un valor umbral de probabilidad)]; y (g) calcule uno o más valores de índice de riesgo (por ejemplo, un valor de índice de exploración ósea) utilizando al menos una porción (por ejemplo, hasta la totalidad) del primer subconjunto de puntos críticos, comprendiendo dicho cálculo: calcular, para cada punto crítico particular de la porción del primer subconjunto, un factor de afectación esquelética basado en una relación de (i) un tamaño (por ejemplo, área) del punto crítico particular con(ii)un tamaño (por ejemplo, área) de una región esquelética particular a la que se asigna el punto crítico particular (por ejemplo, mediante el procesador) según su ubicación en el conjunto anotado de imágenes, determinando así uno o más factores de afectación esquelética; ajustar los factores de afectación esquelética utilizando uno o más factores de corrección dependientes de la región [por ejemplo, cada factor de corrección dependiente de la región asociado con una o más regiones esqueléticas; por ejemplo, en donde los factores de corrección dependientes de la región tienen valores seleccionados para reducir el grado en el cual la asignación de un punto crítico particular a una región esquelética específica (por ejemplo, de una pluralidad de regiones esqueléticas vecinas o cercanas, como las regiones sacra, pélvica y lumbar) causa fluctuaciones en los factores de afectación esquelética calculados], obteniendo así uno o más factores de afectación esquelética ajustados; y sumando los factores de afectación esquelética ajustados para determinar uno o más valores de índice de riesgo.

En ciertas formas de realización, las instrucciones hacen que el procesador calcule el factor de afectación esquelética al: calcular, mediante el procesador, una relación de un área del punto crítico particular con un área de la región esquelética de interés correspondiente, calculando así una fracción de área para el punto crítico particular; y aumentar (por ejemplo, multiplicar) la fracción de área mediante un coeficiente de densidad asociado con la región esquelética de interés a la que se asigna el punto crítico particular [por ejemplo, que tiene en cuenta el peso y/o la densidad del enlace en la región esquelética de interés correspondiente (por ejemplo, en donde el coeficiente de densidad es una fracción de peso de la región esquelética de interés correspondiente con respecto a un esqueleto total (por ejemplo, de un humano promedio)], calculando así el factor de afectación esquelética para el punto crítico particular.

En otro aspecto, la invención está dirigida a un dispositivo de análisis de imágenes asistido por ordenador [por ejemplo, un dispositivo de detección asistida por ordenador (CADe); por ejemplo, un dispositivo de diagnóstico asistido por ordenador (CADx)] que comprende el sistema de cualquiera de los aspectos y formas de realización descritos en la presente (por ejemplo, en los párrafos [0083] - [00145]).

En ciertas formas de realización, el dispositivo está programado para ser utilizado por profesionales de la salud capacitados y/o investigadores [por ejemplo, para la aceptación, transferencia, almacenamiento, visualización de imágenes, manipulación, cuantificación e informes de imágenes de medicina digital adquiridas utilizando imágenes de medicina nuclear; por ejemplo, en donde el dispositivo proporciona herramientas generales del sistema de archivo y comunicación de imágenes (PACS) y/o una aplicación clínica para oncología, que incluye marcado de lesiones y análisis cuantitativo].

En ciertas formas de realización, el dispositivo está programado para ser utilizado para el análisis de imágenes de exploración ósea para la evaluación y/o detección de cáncer metastásico (por ejemplo, cáncer de próstata metastásico, cáncer de mama metastásico, cáncer de pulmón metastásico y otros cánceres óseos metastásicos).

En ciertas formas de realización, el dispositivo está programado para ser utilizado para el análisis de imágenes de exploración ósea para la evaluación y/o detección de cáncer de próstata.

En ciertas formas de realización, el dispositivo comprende una etiqueta que especifica que el dispositivo está destinado a ser utilizado por profesionales de la salud capacitados y/o investigadores [por ejemplo, para la aceptación, transferencia, almacenamiento, visualización de imágenes, manipulación, cuantificación e informes de imágenes de medicina digital adquiridas utilizando imágenes de medicina nuclear; por ejemplo, en donde el dispositivo proporciona herramientas generales del sistema de archivo y comunicación de imágenes (PACS) y/o una aplicación clínica para oncología, que incluye marcado de lesiones y análisis cuantitativo].

En ciertas formas de realización, la etiqueta especifica además que el dispositivo está destinado a ser utilizado para el análisis de imágenes de exploración ósea para la evaluación y/o detección de cáncer metastásico (por ejemplo, cáncer de próstata metastásico, cáncer de mama metastásico, cáncer de pulmón metastásico y otros cánceres óseos metastásicos).

En ciertas formas de realización, la etiqueta especifica además que el dispositivo está destinado a ser utilizado para el análisis de imágenes de exploración ósea para la evaluación y/o detección de cáncer de próstata.

Las formas de realización descritas con respecto a un aspecto de la invención pueden aplicarse a otro aspecto de la invención (por ejemplo, se contempla que las características de las formas de realización descritas con respecto a una reivindicación independiente, por ejemplo, una reivindicación de método, sean aplicables a otras formas de realización de otras reivindicaciones independientes, por ejemplo, una reivindicación del sistema, y viceversa).

Breve descripción de los dibujos

Los anteriores y otros objetos, aspectos, características y ventajas de la presente divulgación se harán más evidentes y se entenderán mejor haciendo referencia a la siguiente descripción tomada en conjunto con los dibujos adjuntos, en los que:

La Figura 1 es un diagrama de flujo de bloques que muestra un flujo de trabajo de control de calidad y generación de informes para generar un informe de BSI, de acuerdo con una forma de realización ilustrativa.

La Figura 2 es una captura de pantalla de una interfaz gráfica de usuario (GUI) para seleccionar datos de pacientes para su revisión, utilizada con una implementación basada en software del flujo de trabajo de control de calidad y generación de informes que se muestra en la Figura 1, de acuerdo con una forma de realización ilustrativa.

La Figura 3 es una captura de pantalla de una interfaz gráfica de usuario (GUI) para revisar la información del paciente, utilizada con una implementación basada en software del flujo de trabajo de control de calidad y generación de informes que se muestra en la Figura 1, de acuerdo con una forma de realización ilustrativa.

La Figura 4 es una captura de pantalla de una interfaz gráfica de usuario (GUI) para revisar datos de imágenes de un paciente y editar la selección de puntos críticos, utilizada con una implementación basada en software del flujo de trabajo de control de calidad y generación de informes que se muestra en la Figura 1, de acuerdo con una forma de realización ilustrativa.

La Figura 5 es una captura de pantalla de un informe generado automáticamente, generado por un usuario siguiendo la implementación basada en software del flujo de trabajo de control de calidad y generación de informes que se muestra en la Figura 1, de acuerdo con una forma de realización ilustrativa.

La Figura 6 es un diagrama de flujo de bloques de un proceso para procesar imágenes de exploración ósea de cuerpo entero y determinar un valor de índice de exploración ósea (BSI), de acuerdo con una forma de realización ilustrativa.

La Figura 7 es un conjunto de imágenes de exploración ósea de cuerpo entero que muestra un atlas esquelético superpuesto sobre imágenes de exploración ósea anterior y posterior para la segmentación esquelética, de acuerdo con una forma de realización ilustrativa.

La Figura 8 es un esquema que ilustra la construcción de un atlas esquelético a partir de múltiples imágenes de pacientes, de acuerdo con una forma de realización ilustrativa.

La Figura 9A es una captura de pantalla de una ventana de GUI que muestra una lista de pacientes tal como se presenta en un dispositivo predicado, de acuerdo con una forma de realización ilustrativa.

La Figura 9B es una captura de pantalla de una ventana de GUI que muestra una lista de pacientes tal como se presenta en un nuevo dispositivo propuesto, de acuerdo con una forma de realización ilustrativa.

La Figura 10A es una captura de pantalla de una ventana de GUI para visualizar y revisar imágenes de exploración ósea y valores de BSI calculados, según una forma de realización ilustrativa.

La Figura 10B es una captura de pantalla de una ventana de GUI para visualizar y revisar imágenes de exploración ósea y valores de BSI calculados, según una forma de realización ilustrativa.

La Figura 10C es una captura de pantalla de una porción de una ventana de GUI que muestra opciones de mapa de colores para la visualización de imágenes de exploración ósea, de acuerdo con una forma de realización ilustrativa.

La Figura 10D es una captura de pantalla de una porción de una ventana de GUI que muestra opciones de mapa de colores para la visualización de imágenes de exploración ósea, de acuerdo con una forma de realización ilustrativa.

La Figura 11A es una captura de pantalla de una porción de una ventana de GUI para ver imágenes de exploración ósea, de acuerdo con una forma de realización ilustrativa.

La Figura 11B es una captura de pantalla de una porción de una ventana de GUI para ver imágenes de exploración ósea, de acuerdo con una forma de realización ilustrativa.

La Figura 11C es una captura de pantalla de una porción de la ventana de GUI para ver imágenes de exploración ósea que ilustra una función de acercamiento, de acuerdo con una forma de realización ilustrativa.

La Figura 11D es una captura de pantalla de una porción de una ventana de GUI para ver imágenes de exploración ósea que ilustra una función de acercamiento, de acuerdo con una forma de realización ilustrativa.

La Figura 12A es una captura de pantalla de una ventana de GUI que muestra imágenes de exploración ósea, utilizando una ventana de intensidad que sólo cubre un rango limitado de valores de intensidad.

La Figura 12B es una captura de pantalla de una ventana de GUI que muestra imágenes de exploración ósea utilizando una ventana de intensidad que abarca hasta un valor de intensidad máximo, de acuerdo con una forma de realización ilustrativa.

La Figura 12C es una captura de pantalla de una porción de la GUI en la Figura 12A, que muestra un control gráfico para el ajuste de los umbrales de la ventana de intensidad.

La Figura 12D es una captura de pantalla de una porción de la GUI en la Figura 12B, que muestra otro control gráfico para el ajuste de los umbrales de la ventana de intensidad.

La Figura 12E es una captura de pantalla de una GUI que muestra imágenes anteriores y posteriores de un conjunto de imágenes de exploración ósea, donde cada imagen se muestra utilizando una ventana de intensidad independiente.

La Figura 12F es una captura de pantalla de una GUI que muestra imágenes anteriores y posteriores de un conjunto de imágenes de exploración ósea, en donde se utiliza una misma ventana de intensidad para ambas imágenes.

La Figura 13A es una captura de pantalla de una porción de una GUI que muestra valores de intensidad local mostrados en una ubicación de un puntero del ratón, de acuerdo con una forma de realización ilustrativa.

La Figura 13B es una captura de pantalla de una GUI que muestra valores de intensidad local en una ubicación de un puntero del ratón mostrado en una esquina (abajo a la izquierda) de la GUI, de acuerdo con una forma de realización ilustrativa.

La Figura 14A es una captura de pantalla de una GUI que muestra imágenes de exploración ósea de diferentes estudios visualizadas y seleccionables a través de diferentes pestañas de la GUI, de acuerdo con una forma de realización ilustrativa.

La Figura 14B es una captura de pantalla de una GUI que muestra imágenes de exploración ósea de diferentes estudios mostrados simultáneamente, una al lado de la otra, de acuerdo con una forma de realización ilustrativa.

La Figura 14C es una captura de pantalla de una GUI que muestra imágenes anteriores y posteriores visualizadas y seleccionables a través de diferentes pestañas de la<g>U, de acuerdo con una forma de realización ilustrativa.

La Figura 14D es una captura de pantalla de una GUI que muestra imágenes anteriores y posteriores visualizadas simultáneamente, una al lado de la otra, con visibilidad de varias imágenes seleccionables a través de casillas de verificación en la GUI, de acuerdo con una forma de realización ilustrativa.

La Figura 15A es una captura de pantalla de una GUI que muestra la visualización de intensidades de imagen totales e intensidades esqueléticas totales, de acuerdo con una forma de realización ilustrativa.

La Figura 15B es una captura de pantalla de una GUI que muestra la visualización de intensidades de imagen totales, de acuerdo con una forma de realización ilustrativa.

La Figura 16A es una captura de pantalla de una GUI que muestra puntos críticos identificados mostrados como regiones resaltadas superpuestas en imágenes de exploración ósea, de acuerdo con una forma de realización ilustrativa.

La Figura 16B es una captura de pantalla de una GUI que muestra puntos críticos identificados mostrados como regiones resaltadas superpuestas en imágenes de exploración ósea, de acuerdo con una forma de realización ilustrativa.

La Figura 17A es una captura de pantalla de una GUI que muestra una tabla de puntos críticos que enumera los puntos críticos identificados dentro de un conjunto de imágenes de exploración ósea, de acuerdo con una forma de realización ilustrativa.

La Figura 17B es una captura de pantalla de una GUI que muestra puntos críticos identificados e ilustra un valor de BSI actualizado después de la exclusión de un punto crítico detectado automáticamente en función de la entrada del usuario a través de la GUI, de acuerdo con una forma de realización ilustrativa.

La Figura 17C es una captura de pantalla de una GUI que muestra puntos críticos identificados e ilustra un valor de BSI actualizado después de la inclusión de un punto crítico detectado automáticamente previamente excluido en función de la entrada del usuario a través de la GUI, de acuerdo con una forma de realización ilustrativa.

La Figura 18A es una captura de pantalla de una GUI que muestra controles gráficos emergentes para la inclusión y/o exclusión de puntos críticos identificados automáticamente, de acuerdo con una forma de realización ilustrativa.

La Figura 18B es una captura de pantalla de una GUI que muestra un control gráfico de alternancia para permitir al usuario la selección de puntos críticos para su inclusión y/o exclusión, de acuerdo con una forma de realización ilustrativa.

La Figura 18C es una captura de pantalla de una GUI que muestra una ventana que solicita a un usuario que siga un flujo de trabajo de control de calidad antes de generar un informe, de acuerdo con una forma de realización ilustrativa.

La Figura 19A es una captura de pantalla de una GUI que muestra la visualización de valores de BSI calculados para diferentes estudios y puntos críticos incluidos en forma de tabla, de acuerdo con una forma de realización ilustrativa.

La Figura 19B es una captura de pantalla de una GUI que muestra la visualización de valores de BSI calculados como encabezados sobre ventanas que muestran imágenes de exploración ósea para diferentes estudios, de acuerdo con una forma de realización ilustrativa.

La Figura 20A es una captura de pantalla de una GUI que muestra un gráfico que muestra los cambios en el valor de BSI calculado a lo largo del tiempo, de acuerdo con una forma de realización ilustrativa.

La Figura 20B es una captura de pantalla de una GUI que muestra un gráfico que muestra los cambios en el valor de BSI calculado a lo largo del tiempo, de acuerdo con una forma de realización ilustrativa.

La Figura 21 es una captura de pantalla de una GUI que proporciona una tabla que enumera el número de puntos críticos en regiones anatómicas particulares utilizadas para el cálculo de valores de BSI en diferentes estudios, de acuerdo con una forma de realización ilustrativa.

La Figura 22A es una captura de pantalla de un informe generado automáticamente basado en un enfoque para el análisis automatizado de imágenes de exploración ósea y el cálculo de valores de BSI, de acuerdo con una forma de realización ilustrativa.

La Figura 22B es una captura de pantalla de un informe generado automáticamente basado en un enfoque para el análisis automatizado de imágenes de exploración ósea y el cálculo de valores de BSI, de acuerdo con una forma de realización ilustrativa.

La Figura 23 un conjunto de imágenes de exploración ósea con segmentación esquelética basada en atlas superpuesta, que compara el uso de un atlas limitado (izquierda) con un atlas de longitud completa (derecha), de acuerdo con una forma de realización ilustrativa.

La Figura 24 es un diagrama de flujo de bloques de un proceso de ejemplo para un análisis de imágenes mejorado a través de la segmentación de regiones de húmero y/o fémur de longitud completa y detección mejorada de puntos críticos en estas, de acuerdo con una forma de realización ilustrativa.

La Figura 25A es un gráfico que muestra la variación en un factor de escala de umbral global como una función de una medida de carga de enfermedad, de acuerdo con una forma de realización ilustrativa.

La Figura 25B es un diagrama de flujo de bloques de un proceso de ejemplo para un análisis de imágenes mejorado utilizando un enfoque de escala de umbral global, de acuerdo con una forma de realización ilustrativa.

La Figura 26 es un diagrama de flujo de bloques de un proceso de ejemplo para preseleccionar un primer subconjunto de puntos críticos utilizando características de puntos críticos globales, de acuerdo con una forma de realización ilustrativa.

La Figura 27 es un conjunto de dos imágenes de exploración ósea, que muestran porciones de las regiones del sacro, la pelvis y la columna lumbar, de acuerdo con una forma de realización ilustrativa.

La Figura 28 es un diagrama de flujo de bloques de un proceso de ejemplo para calcular valores de índice de riesgo basados en factores de afectación esquelética y factores de corrección dependientes de la región que tienen en cuenta posibles errores en la ubicación de puntos críticos, de acuerdo con una forma de realización ilustrativa.

La Figura 29 es un gráfico que compara los valores de BSI calculados a través de un enfoque automatizado basado en software de acuerdo con los aspectos y formas de realización descritos en la presente con un estándar analítico conocido.

La Figura 30 es un gráfico que muestra la reproducibilidad de los valores de BSI automatizados de exploración a exploración para 50 fantomas simulados.

La Figura 31 es un gráfico que muestra la reproducibilidad de los valores de BSI automatizados de exploración a exploración para 35 pacientes metastásicos.

La Figura 32A es un gráfico que muestra el rendimiento de una versión actual del software de análisis de imágenes que emplea formas de realización de acuerdo con las mejoras descritas en la presente.

La Figura 32B es un gráfico que muestra el rendimiento de una versión anterior del software de análisis de imágenes, de acuerdo con una forma de realización ilustrativa.

La Figura 33A es un diagrama que muestra una arquitectura ejemplar de plataforma en la nube.

La Figura 33B es un diagrama que muestra un ejemplo de arquitectura de microservicios.

La Figura 34 es un diagrama de bloques de un entorno informático en la nube ejemplar, utilizado en ciertas formas de realización.

La Figura 35 es un diagrama de bloques de un dispositivo informático de ejemplo y un dispositivo informático móvil de ejemplo utilizados en ciertas formas de realización.

Las características y ventajas de la presente divulgación se harán más evidentes a partir de la descripción detallada que se establece a continuación cuando se toma junto con los dibujos, en los que caracteres de referencia similares identifican elementos correspondientes en todos ellos. En los dibujos, los números de referencia iguales generalmente indican elementos idénticos, funcionalmente similares y/o estructuralmente similares.

Descripción detallada

Se contempla que los sistemas, dispositivos, métodos y procesos de la invención reivindicada abarcan variaciones y adaptaciones desarrolladas utilizando información de las formas de realización descritas en la presente. La adaptación y/o modificación de los sistemas, dispositivos, métodos y procesos descritos en la presente podrán ser realizados por personas del oficio de nivel medio en la técnica pertinente.

A lo largo de la descripción, cuando se describe que los artículos, dispositivos y sistemas tienen, incluyen o comprenden componentes específicos, o cuando se describe que los procesos y métodos tienen, incluyen o comprenden pasos específicos, se contempla que, además, existen artículos, dispositivos y sistemas de la presente invención que consisten esencialmente en, o consisten en, los componentes mencionados, y que existen procesos y métodos según la presente invención que consisten esencialmente en, o consisten en, los pasos de procesamiento mencionados.

Debe entenderse que el orden de los pasos o el orden para realizar ciertas acciones es irrelevante mientras la invención siga siendo operativa. Además, podrán realizarse simultáneamente dos o más pasos o acciones.

La mención en la presente de cualquier publicación, por ejemplo, en la sección Antecedentes, no significa que la publicación sirva como técnica anterior con respecto a ninguna de las reivindicaciones presentadas en la presente. La sección Antecedentes se presenta con fines de claridad y no pretende ser una descripción de la técnica anterior con respecto a ninguna reivindicación.

Los encabezados se proporcionan para comodidad del lector; la presencia o ubicación de un encabezado no pretende limitar el alcance del objeto descrito en la presente.

En esta solicitud, el uso de "o" significa "y/o", a menos que se indique lo contrario. Como se usa en esta solicitud, el término “comprender” y sus variaciones, tales como “que comprende” y “comprende”, no pretenden excluir otros aditivos, componentes, números enteros o pasos. Como se usa en esta solicitud, los términos “alrededor de” y “aproximadamente” se utilizan como equivalentes. Todos los números utilizados en esta solicitud, con o sin aproximadamente, tienen como objetivo abarcar cualquier fluctuación normal apreciada por una persona del oficio de nivel medio en la técnica pertinente. En ciertas formas de realización, los términos "aproximadamente" o "alrededor de" se refieren a un rango de valores que se encuentran dentro del 25%, 20%, 19%, 18%, 17%, 16%, 15%, 14%, 13%, 12%, 11%, 10%, 9%, 8%, 7%, 6%, 5%, 4%, 3%, 2%, 1% o menos en cualquier dirección (mayor o menor) con respecto al valor de referencia indicado, a menos que se indique lo contrario o sea evidente a partir del contexto (excepto cuando dicho número exceda el 100% de un valor posible).

Los artículos "un" y "una" se usan en la presente para referirse a uno o más de uno (es decir, al menos uno) de los objetos gramaticales del artículo. A modo de ejemplo, "un elemento" significa un elemento o más de un elemento. Por lo tanto, en esta memoria descriptiva y en las reivindicaciones adjuntas, las formas singulares "un", "una", "el" y "la" incluyen referencias plurales, a menos que el contexto indique claramente lo contrario. Por lo tanto, por ejemplo, la referencia a una composición farmacéutica que comprende "un agente" incluye la referencia a dos o más agentes.

Los sistemas y métodos descritos en la presente están dirigidos a mejorar la visualización y el análisis asistidos por ordenador de imágenes de medicina nuclear. En particular, en ciertas formas de realización, los sistemas y métodos descritos en la presente proporcionan mejoras en varios pasos de procesamiento de imágenes utilizados para el análisis automatizado de imágenes de exploración ósea para evaluar el estado de cáncer de un paciente. Por ejemplo, se proporcionan enfoques mejorados para la segmentación de imágenes, la detección de puntos críticos, la clasificación automatizada de puntos críticos como representantes de metástasis y el cálculo de índices de riesgo tales como los valores del índice de exploración ósea (BSI). La tecnología de cálculo automatizado de BSI se describe en detalle en la solicitud de patente estadounidense n. ° 15/282,422, presentada el 30 de septiembre de 2016, en la patente estadounidense n. ° 8,855,387, concedida el 7 de octubre de 2014 (de la cual la solicitud de patente estadounidense n. ° 15/282,422 es una nueva emisión), y en la solicitud PCT n. ° PCT/US17/58418, presentada el 26 de octubre de 2017. La solicitud PCT PCT/US2017/058418, presentada el 26 de octubre de 2017 describe una plataforma basada en la nube que puede servir como plataforma para proporcionar herramientas de análisis de imágenes y cálculo de BSI de acuerdo con los enfoques descritos en la presente.

En particular, en ciertas formas de realización, las imágenes de exploración ósea se adquieren después de la administración de un agente, tal como un radiofármaco, a un sujeto humano. El agente administrado se acumula en lesiones óseas cancerosas como resultado de las propiedades físicas del tejido subyacente (por ejemplo, aumento de la vasculatura, osteogénesis anormal) o debido al reconocimiento (por parte del agente) de biomoléculas particulares que se expresan selectivamente o se sobreexpresan en los tumores, tal como el antígeno de membrana específico de la próstata (PSMA). El agente comprende radionúclido(s) que emiten radiación nuclear, que pueden detectarse y, por lo tanto, utilizarse para obtener imágenes de la distribución espacial del agente dentro del sujeto.

Por ejemplo, en ciertas formas de realización, las imágenes de exploración ósea se adquieren como exploraciones bidimensionales mediante el uso de una cámara gamma. Por ejemplo, se adquieren dos imágenes (una anterior y otra posterior) para formar un conjunto de imágenes de exploración ósea. Las regiones físicas donde el agente se ha acumulado en altas concentraciones aparecen como regiones de intensidad elevada, es decir, puntos brillantes, en las imágenes de exploración ósea. El agente puede acumularse en lesiones óseas cancerosas, por ejemplo, como se describió anteriormente, así como en otras regiones, tal como la vejiga del sujeto.

Para identificar con exactitud regiones de imágenes de exploración ósea que representan lesiones y generar una estimación cuantitativa de la carga tumoral, se realizan una serie de pasos de procesamiento de imágenes. En particular, las imágenes de exploración ósea se segmentan para identificar las regiones correspondientes a los huesos del esqueleto del sujeto, formando un conjunto anotado de imágenes. Se identifican regiones de intensidad elevada con respecto a su entorno dentro de las regiones esqueléticas y se comparan con umbrales para detectar un conjunto inicial de puntos críticos. Se extraen las características de los puntos críticos iniciales, tal como el tamaño del punto crítico (por ejemplo, área), la forma del punto crítico (por ejemplo, como se describe mediante varias métricas, como el radio, la excentricidad) y/o la medida de la intensidad del punto crítico (por ejemplo, intensidad máxima, intensidad promedio, intensidad integrada, etc.) y se utilizan para determinar, para cada punto crítico, un valor de probabilidad de metástasis que representa la probabilidad de que el punto crítico represente una metástasis. Por ejemplo, en ciertas formas de realización, los valores de probabilidad de metástasis se calculan utilizando redes neuronales artificiales (ANN) que reciben como entrada, para cada punto crítico, un conjunto de características del punto crítico y generan un valor de probabilidad de metástasis.

Los valores de probabilidad de metástasis se pueden utilizar para filtrar automáticamente el conjunto inicial de puntos críticos, para determinar un subconjunto que se utilizará para el cálculo de índices de riesgo que indican un riesgo de que el sujeto tenga y/o desarrolle cáncer metastásico. Al filtrar los puntos críticos de esta manera, sólo aquellos que se determina que tienen una alta probabilidad de representar una metástasis se incluyen en los cálculos del índice de riesgo. En ciertas formas de realización, se presentan representaciones gráficas de puntos críticos y/o sus valores de probabilidad para mostrarlos a un usuario, por ejemplo, como marcas superpuestas en imágenes anotadas y/o tablas de información, lo que permite al usuario seleccionar un subconjunto de puntos críticos para usarlos en el cálculo de índices de riesgo. Esto permite al usuario ampliar la selección automatizada de puntos críticos para el cálculo de índices de riesgo con sus datos.

Los enfoques descritos en la presente incluyen varias mejoras en los pasos de procesamiento de imágenes antes mencionados, proporcionando una exactitud mejorada en la detección de lesiones y en los cálculos del índice de riesgo. Por ejemplo, la presente divulgación incluye un enfoque de segmentación mejorado mediante el cual se identifica un húmero completo (por ejemplo, más de tres cuartos de longitud) y/o una región del fémur completa (por ejemplo, más de tres cuartos de longitud). Anteriormente sólo se identificaba una facción limitada del fémur y húmero. Segmentar una porción más grande (por ejemplo, entera) de estos huesos permite identificar lesiones ubicadas más lejos en las extremidades de los brazos y las piernas de un sujeto. Para tener en cuenta la absorción reducida del agente en estas extremidades, el enfoque descrito en la presente también utiliza umbrales dependientes de la región en el paso de detección de puntos críticos. Los valores umbral dependientes de la región varían para diferentes regiones esqueléticas y tienen valores más bajos en las regiones del fémur y el húmero, a fin de aumentar la sensibilidad de detección en estas.

En otro enfoque mejorado, los sistemas y métodos descritos en la presente pueden utilizar una técnica de escala de umbral global para detectar puntos críticos. Con este enfoque, el conjunto inicial de puntos críticos se detecta identificando primero un conjunto de posibles puntos críticos, utilizando una pluralidad de umbrales preliminares dependientes de la región. El posible conjunto de puntos críticos se utiliza para calcular un factor de escala de umbral global, basado en una fracción de área del esqueleto del sujeto ocupada por el conjunto de posibles puntos críticos. Luego, los umbrales preliminares se ajustan utilizando el factor de escala de umbral global, y los umbrales ajustados se utilizan para detectar el conjunto inicial de puntos críticos. Se observó que, finalmente, este enfoque aumentaba la linealidad de los índices de riesgo calculados utilizando el conjunto inicial de puntos críticos, en particular para niveles elevados de carga de enfermedad, por ejemplo, cuando el sujeto padecía numerosas lesiones y una gran fracción del esqueleto estaba ocupada por puntos críticos.

La presente divulgación también incluye mejoras para la selección de puntos críticos y el cálculo de índices de riesgo. Por ejemplo, los enfoques descritos en la presente pueden utilizar una técnica de preselección de puntos críticos que filtra los puntos críticos no sólo en función de sus valores de probabilidad de metástasis calculados, sino también de características globales de puntos críticos que miden las propiedades del conjunto general de puntos críticos iniciales, como un número total de puntos críticos en el conjunto. Otros ejemplos de características de puntos críticos globales incluyen otras medidas del número total de puntos críticos, tal como un número promedio de puntos críticos por región, medidas de la intensidad general de los puntos críticos, tal como la intensidad máxima o promedio de los puntos críticos, y medidas del tamaño general de los puntos críticos, tal como un área total de puntos críticos, un tamaño promedio de puntos críticos, etc. Esto permite que el enfoque de procesamiento aproveche la experiencia clínica que muestra que la selección de puntos críticos depende del resto de la imagen. En particular, la probabilidad de que se seleccione un punto crítico es mayor si hay muchos más puntos críticos y menor si es el único punto crítico. Seleccionar o filtrar puntos críticos basándose únicamente en sus valores de probabilidad de metástasis individuales puede, en consecuencia, dar como resultado una subestimación de los valores del índice de riesgo calculados en sujetos con muchos puntos críticos. La incorporación de características globales como las descritas en la presente puede mejorar el rendimiento en pacientes con muchos puntos críticos.

Finalmente, los sistemas y métodos descritos en la presente también ofrecen mejoras en los enfoques para calcular los valores del índice de riesgo basadosen la afectación esquelética, tal como el índice de exploración ósea (BSI). Por ejemplo, el BSI es un valor de índice de riesgo que proporciona una estimación de la fracción de la masa esquelética total de un sujeto ocupada por lesiones cancerosas. El cálculo de BSI implica calcular, para cada punto crítico en particular, un factor de afectación esquelética basado en una relación entre el área del punto crítico en particular y la región esquelética en la que se encuentra. Las versiones aumentadas (por ejemplo, para convertir relaciones de área a masa relativa) se suman para calcular el valor de BSI del sujeto. Sin embargo, las dificultades para ubicar correctamente la región esquelética específica en la que se encuentra un punto crítico particular pueden provocar errores en los valores de b S i. Las imágenes de exploración ósea son imágenes bidimensionales, pero el esqueleto subyacente del sujeto es una estructura tridimensional. Por consiguiente, un punto crítico puede identificarse incorrectamente como ubicado en una región, cuando en realidad representa una lesión ubicada en un hueso diferente. Es un desafío particular para el sacro y las regiones pélvica y lumbar próximas. Para tener en cuenta este desafío, la presente divulgación incluye un enfoque de cálculo de índice de riesgo modificado que utiliza factores de corrección dependientes de la región para aumentar los factores de afectación esquelética de una manera que tenga en cuenta los posibles errores en la ubicación de puntos críticos. Este enfoque mejora la exactitud de los cálculos de BSI y limita la sensibilidad a la ubicación de puntos críticos.

Por consiguiente, los sistemas y métodos descritos en la presente incluyen varias técnicas de análisis de imágenes mejoradas para la identificación y cuantificación de lesiones. Estos enfoques mejoran la exactitud y la solidez con la que se pueden analizar las imágenes de exploración ósea. Como se describe en la presente, se pueden utilizar como parte de un sistema basado en la nube que facilita la revisión y los informes de datos de pacientes y permite una mejor detección, tratamiento y seguimiento de enfermedades.

A. Imágenes de medicina nuclear

Las imágenes de medicina nuclear se obtienen utilizando una modalidad de obtención de imágenes nucleares tal como la exploración ósea, la tomografía por emisión de positrones (PET) y la tomografía por emisión de fotón único (SPECT).

Como se usa en la presente, una "imagen", por ejemplo, una imagen 3D de un mamífero, incluye cualquier representación visual, tal como una fotografía, un fotograma de vídeo, una transmisión de vídeo, así como cualquier análogo electrónico, digital o matemático de una fotografía, un fotograma de vídeo o una transmisión de vídeo. Cualquier aparato descrito en la presente, en ciertas formas de realización, incluye una pantalla para mostrar una imagen o cualquier otro resultado producido por el procesador. Cualquier método descrito en la presente, en ciertas formas de realización, incluye un paso de visualización de una imagen o cualquier otro resultado producido a través del método. Como se usa en la presente, "3-D" o "tridimensional" con referencia a una "imagen" significa transmitir información en tres dimensiones. Una imagen 3-D puede representarse como un conjunto de datos en tres dimensiones y/o puede mostrarse como un conjunto de representaciones bidimensionales o como una representación tridimensional.

En ciertas formas de realización, las imágenes de medicina nuclear utilizan agentes de obtención de imágenes que comprenden radiofármacos. Las imágenes de medicina nuclear se obtienen después de la administración de un radiofármaco a un paciente (por ejemplo, un sujeto humano) y proporcionan información sobre la distribución del radiofármaco dentro del paciente. Los radiofármacos son compuestos que contienen un radionúclido.

Como se usa en la presente, "administrar" un agente significa introducir una sustancia (por ejemplo, un agente de obtención de imágenes) en un sujeto. En general, se puede utilizar cualquier vía de administración, incluidas, por ejemplo, parenteral (por ejemplo, intravenosa), oral, tópica, subcutánea, peritoneal, intraarterial, inhalación, vaginal,

rectal, nasal, introducción en el líquido cefalorraquídeo o instilación en compartimentos corporales.

Como se usa en la presente, "radionucleido" se refiere a una fracción que comprende un isótopo radiactivo de al menos un elemento. Los radionucleidos adecuados ejemplares incluyen, entre otros, los descritos en la presente. En algunas formas de realización, un radionúclido es uno utilizado en la tomografía por emisión de positrones (PET). En algunas formas de realización, un radionúclido es uno utilizado en la tomografía computarizada por emisión monofotónica (SPECT). En algunas formas de realización, una lista no limitativa de radionúclidos incluye 99mTc, 111In,

64Cu, 67Ga, 68Ga, 186Re, 188Re, 153Sm, 177Lu, 67Cu, 123I, 124I, 125I, 126I, 131I, 11C, 13N, 15O, 18F, 153Sm, 166H<o>, 177L, 149Pm,

90Y, 213Bi, 103Pd, 109Pd, 159Gd, 140La, 198Au, 199Au, 169Yb, 175Yb, 165Dy, 166Dy, 105Rh, 111Ag, 89Zr, 225Ac, 82Rb, 77Br, 80Br, 80mBr, 82Br, 83Br, 211At y 192Ir.

Como se usa en la presente, el término "radiofármaco" se refiere a un compuesto que comprende un radionúclido. En

ciertas formas de realización, los radiofármacos se utilizan con fines diagnósticos y/o terapéuticos. En ciertas formas

de realización, los radiofármacos incluyen moléculas pequeñas que están marcadas con uno o más radionúclidos, anticuerpos que están marcados con uno o más radionúclidos y porciones de unión al antígeno de anticuerpos que

están marcadas con uno o más radionúclidos.

Las imágenes de medicina nuclear (por ejemplo, exploraciones por PET; por ejemplo, exploraciones por SPECT; por ejemplo, exploraciones óseas de cuerpo entero; por ejemplo, imágenes por PET-CT compuestas; por ejemplo, imágenes por SPECT-CT compuestas) detectan la radiación emitida desde los radionúclidos de los radiofármacos

para formar una imagen. La distribución de un radiofármaco particular en un paciente puede estar determinada por mecanismos biológicos tales como el flujo sanguíneo o la perfusión, así como por interacciones enzimáticas o de unión

a receptores específicos. Se pueden diseñar diferentes radiofármacos para aprovechar diferentes mecanismos biológicos y/o interacciones enzimáticas o de unión a receptores específicas particulares y, de este modo, cuando se administran a un paciente, se concentran selectivamente en determinados tipos de tejidos y/o regiones del paciente.

Se emiten mayores cantidades de radiación desde regiones dentro del paciente que tienen mayores concentraciones

de radiofármaco que otras regiones, de manera que estas regiones aparecen más brillantes en las imágenes de medicina nuclear. En consecuencia, las variaciones de intensidad dentro de una imagen de medicina nuclear se

pueden utilizar para mapear la distribución del radiofármaco dentro del paciente. Esta distribución mapeada del radiofármaco dentro del paciente se puede utilizar, por ejemplo, para inferir la presencia de tejido canceroso en varias regiones del cuerpo del paciente.

Por ejemplo, tras la administración a un paciente, el metilendifosfonato de tecnecio 99m (99mTc MDP) se acumula selectivamente dentro de la región esquelética del paciente, en particular en sitios con osteogénesis anormal asociada

a lesiones óseas malignas. La concentración selectiva de radiofármaco en estos sitios produce puntos críticos identificables: regiones localizadas de alta intensidad en las imágenes de medicina nuclear. Por consiguiente, la presencia de lesiones óseas malignas asociadas con cáncer de próstata metastásico se puede inferir identificando

dichos puntos críticos en una exploración de cuerpo entero del paciente. Como se describe a continuación, los índices

de riesgo que se correlacionan con la supervivencia general del paciente y otras métricas pronósticas indicativas del estado de la enfermedad, la progresión, la eficacia del tratamiento y similares, se pueden calcular basándose en el análisis automatizado de las variaciones de intensidad en las exploraciones de cuerpo entero obtenidas después de

la administración de 99mTc MDP a un paciente. En ciertas formas de realización, otros radiofármacos también se

pueden utilizar de manera similar al 99mTc MDP.

En ciertas formas de realización, el radiofármaco particular utilizado depende de la modalidad de obtención de imágenes de medicina nuclear particular utilizada. Por ejemplo, el fluoruro de sodio 18F (NaF) también se acumula en

lesiones óseas, de forma similar al 99mTc MDP, pero se puede utilizar con imágenes por PET. En ciertas formas de realización, las imágenes por PET también pueden utilizar una forma radiactiva de la vitamina colina, que es fácilmente absorbida por las células del cáncer de próstata.

En ciertas formas de realización, se pueden utilizar radiofármacos que se unen selectivamente a proteínas o receptores particulares de interés, particularmente aquellos cuya expresión aumenta en el tejido canceroso. Tales proteínas o receptores de interés incluyen, entre otros, antígenos tumorales, tales como CEA, que se expresa en carcinomas colorrectales, Her2/neu, que se expresa en múltiples cánceres, BRCA 1 y BRCA 2, expresados, en cánceres de mama y de ovario; y TRP-1 y -2, expresadosen melanomas.

Por ejemplo, el antígeno de membrana específico de la próstata (PSMA) humano se regula en alza en el cáncer de próstata, incluida la enfermedad metastásica. El PSMA se expresa prácticamente en todos los cánceres de próstata y su expresión aumenta aún más en carcinomas poco diferenciados, metastásicos y resistentes al tratamiento con hormonas. Por consiguiente, los radiofármacos correspondientes a los agentes de unión de PSMA (por ejemplo, compuestos con una alta afinidad por PSMA) marcados con uno o más radionúclidos se pueden utilizar para obtener imágenes de medicina nuclear de un paciente a partir de las cuales se puede evaluar la presencia y/o el estado del cáncer de próstata en diversas regiones (por ejemplo, incluidas, entre otras, las regiones esqueléticas) del paciente. En ciertas formas de realización, las imágenes de medicina nuclear obtenidas mediante agentes de unión de PSMA se utilizan para identificar la presencia de tejido canceroso dentro de la próstata, cuando la enfermedad está en un estado localizado. En ciertas formas de realización, las imágenes de medicina nuclear obtenidas mediante radiofármacos que comprenden agentes de unión de PSMA se utilizan para identificar la presencia de tejido canceroso dentro de diversas regiones que incluyen no sólo la próstata, sino también otros órganos y regiones de tejido como pulmones, ganglios linfáticos y huesos, como es relevante cuando la enfermedad es metastásica.

En particular, tras su administración a un paciente, los agentes de unión de PSMA marcados con radionúclidos se acumulan selectivamente dentro del tejido canceroso, según su afinidad al PSMA. De manera similar a la descrita anteriormente con respecto al 99mTc MDP, la concentración selectiva de agentes de unión de PSMA marcados con radionúclidos en sitios específicos dentro del paciente produce puntos críticos detectables en las imágenes de medicina nuclear. Como los agentes de unión de PSMA se concentran en diversos tejidos cancerosos y regiones del cuerpo que expresan PSMA, se puede detectar y evaluar el cáncer localizado dentro de la próstata del paciente y/o el cáncer metastásico en varias regiones del cuerpo del paciente. Los índices de riesgo que se correlacionan con la supervivencia general del paciente y otras métricas pronósticas indicativas del estado de la enfermedad, la progresión, la eficacia del tratamiento y similares, se pueden calcular basándose en el análisis automatizado de las variaciones de intensidad en las imágenes de medicina nuclear obtenidas después de la administración de un radiofármaco agente de unión de PSMA a un paciente.

Se pueden utilizar diversos agentes de unión de PSMA marcados con radionúclidos como agentes de obtención de imágenes radiofarmacéuticas para la obtención de imágenes de medicina nuclear con el fin de detectar y evaluar el cáncer de próstata. En ciertas formas de realización, el agente de unión de PSMA marcado con radionúclido particular que se utiliza depende de factores tales como la modalidad de obtención de imágenes particular (por ejemplo, PET; por ejemplo, SPECT) y las regiones particulares (por ejemplo, órganos) del paciente que se van a obtener imágenes. Por ejemplo, ciertos agentes de unión de PSMA marcados con radionúclidos son aptos para la obtención de imágenes por PET, mientras que otros son aptos para la obtención de imágenes por SPECT. Por ejemplo, ciertos agentes de unión de PSMA marcados con radionúclidos facilitan la obtención de imágenes de la próstata del paciente y se utilizan principalmente cuando la enfermedad está localizada, mientras que otros facilitan la obtención de imágenes de órganos y regiones de todo el cuerpo del paciente y son útiles para evaluar el cáncer de próstata metastásico.

Diversos agentes de unión de PSMA y versiones marcadas con radionúclidos de estos se describen en las patentes estadounidenses nros. 8,778,305, 8,211,401 y 8962 799. Varios agentes de unión de PSMA y versiones marcadas con radionúclidos de estos también se describen en la solicitud PCT PCT/US2017/058418, presentada el 26 de octubre de 2017.

B. Dispositivos de obtención de imágenes de exploración ósea para el análisis de imágenes

En ciertas formas de realización, los dispositivos de análisis de imágenes asistidos por ordenador ,como se describe en la presente, están destinados a ser utilizados por profesionales de la salud capacitados e investigadores para la aceptación, transferencia, almacenamiento, visualización de imágenes, manipulación, cuantificación e informe de imágenes médicas digitales adquiridas utilizando imágenes de medicina nuclear (NM). En ciertas formas de realización, dichos dispositivos proporcionan herramientas generales para sistema de archivo y comunicación de imágenes (PACS), así como aplicaciones clínicas para oncología, incluido el marcado de lesiones y el análisis cuantitativo.

C. Análisis de imágenes de exploración ósea y cálculo de los valores del índice de exploración ósea

La exploración ósea (también denominada gammagrafía ósea) es una modalidad de obtención de imágenes ampliamente utilizada para evaluar la carga de enfermedades esqueléticas. La norma actual para evaluar la progresión de la enfermedad a partir de imágenes de exploración ósea se basa en los criterios semicuantitativos modificados del Grupo de Trabajo 2 sobre el Cáncer de Próstata y del Grupo de Trabajo 3 sobre el Cáncer de Próstata (PCWG). La definición de este criterio se basa en la aparición de nuevas lesiones según la interpretación de un lector capacitado: (i) dos nuevas lesiones seguidas de dos lesiones adicionales en una primera y una segunda exploración de seguimiento en comparación con una exploración previa al tratamiento (conocida como la regla 2+2), o (ii) dos nuevas lesiones confirmadas en relación con la primera exploración de seguimiento posterior. Sin embargo, este enfoque de evaluación semicuantitativa para contar el número de lesiones tiene una serie de limitaciones. En particular, la evaluación está sujeta a variabilidad manual, se limita a evaluar la progresión de la enfermedad y no puede evaluar con exactitud la carga de enfermedades confluentes/difundidas según sea relevante, por ejemplo, para el cáncer de próstata metastásico.

Por consiguiente, existe una gran necesidad insatisfecha de una evaluación automatizada y cuantitativa de las exploraciones óseas. El índice de exploración ósea automatizado (BSI), desarrollado por EXINI Diagnostics AB, Lund, Suecia, es una evaluación totalmente cuantitativa de la enfermedad esquelética de un paciente en una exploración ósea, como fracción del peso total del esqueleto. El BSI ha sido sometido a una rigurosa validación preanalítica y analítica como medida objetiva del cambio cuantitativo en las exploraciones óseas de carga de enfermedad. En un reciente estudio prospectivo de fase 3, se demostró que la evaluación de BSI estratifica el riesgo de los pacientes con cáncer de próstata metastásico.

Los sistemas y métodos descritos en la presente están dirigidos a mejorar los enfoques asistidos por ordenador para analizar imágenes de exploración ósea y calcular el BSI en formas automatizadas y semiautomatizadas, guiadas por el usuario. También se describen en la presente herramientas de GUI que facilitan la revisión de imágenes de exploración ósea y análisis automatizados utilizados para determinar los valores de BSI por parte del usuario.

D. Descripción del dispositivo de una plataforma aBSI de ejemplo

En ciertas formas de realización, los sistemas y métodos descritos en la presente se pueden implementar como una plataforma basada en la nube para el análisis de imágenes automatizado y semiautomatizado para la detección y evaluación del estado del cáncer en un paciente. Un dispositivo de ejemplo descrito en la presente es el dispositivo de BSI automatizado (aBSI), que es una plataforma de software basada en la nube con una interfaz web donde los usuarios pueden cargar datos de imágenes de exploración ósea en forma de archivos de imagen particulares, como archivos DICOM. El software cumple con la norma DICOM 3 (Imagen Digital y Comunicaciones en Medicina).

En ciertas formas de realización, los dispositivos (por ejemplo, herramientas de análisis de imágenes asistidas por ordenador) de acuerdo con los sistemas y métodos descritos en la presente están programados para un usuario previsto, normalmente un profesional de la salud que utiliza el software para ver imágenes de pacientes y analizar resultados. El usuario opera el servicio en un navegador web (tal como el navegador Chrome de Google) en un ordenador que ejecuta un sistema operativo como Microsoft Windows u OSX. El software se puede configurar para ocupar una sola ventana de aplicación. El servicio está basado en la web y se accede a él a través de una URL específica. Se pueden utilizar controles de teclado y ratón para operar el software.

Se pueden cargar múltiples exploraciones para cada paciente y el sistema proporciona un análisis automatizado basado en imágenes separado para cada una. El análisis automatizado es revisado por el médico, quien puede ser guiado a través de un flujo de trabajo de control de calidad e informes. Si se aprueba el control de calidad de la evaluación automatizada, se podrá crear y firmar un informe. El servicio se puede configurar para cumplir con HIPAA y 21 CFR parte 11.

Acceso al servicio

En ciertas formas de realización, el acceso a herramientas de software de acuerdo con los sistemas y métodos descritos en la presente está restringido y protegido por medidas de seguridad. Por ejemplo, el acceso a una implementación basada en la nube de los sistemas y métodos descritos en la presente,aBSI,está protegido por autenticación multifactor en forma de nombre de usuario, contraseña y código de verificación enviado como mensaje de texto al número de teléfono asociado con la cuenta.

i. Requisitos del sistema

En ciertas formas de realización, los requisitos impuestos por el software incluyen uno o más de los siguientes:

• Ordenador con Windows u OS X con acceso a Internet,

• Navegador Chrome,

• Un teléfono móvil personal disponible (sólo para autenticación multifactor)

En ciertas formas de realización, los requisitos impuestos por el usuario incluyen uno o más de los siguientes:

Navegador Chrome

a. Al menos la versión 54

b. Se debe permitir JavaScript

c. Se requiere HTML5

d. Es necesario escribir en el almacenamiento local y en el almacenamiento de sesión.

• Resolución de pantalla de al menos 1280x960

iii. Requisitos de imagen

Las imágenes deben estar sin comprimir y en formato DICOM 3.

La modalidad (0008,0060) debe ser “NM”

El tipo de imagen (0008,0008) debe ser "ORIGINAL\PRIMARIA\CUERPO ENTERO\EMISIÓN"

La fecha del estudio (0008,0020) debe contener una fecha válida

El número de fotogramas (0028,0008) debe ser 1 o 2

El número de fracciones (0054,0081) debe ser 1 o 2

El espaciado entre píxeles (0028,0030) debe ser >1.8 mm/píxel y < 2.8 mm/píxel

La imagen debe tener una forma tal que el número de filas > columnas

El sexo del paciente (0010,0040) debe ser M

•Las imágenes anterior y posterior se pueden almacenar como dos series diferentes (dos archivos con diferentes UID de instancia de serie) o como una serie de múltiples fotogramas (un archivo) que contiene dos fotogramas.

•Los datos de píxeles de la imagen deben estar en el rango de 16 bits. Las imágenes con píxeles de 0 a 255 (8 bits) no son suficientes.

•Las imágenes anterior y posterior deben cubrir al menos un área desde el cuero cabelludo hasta la parte superior de la tibia y la parte superior del antebrazo de cada brazo.

•No se deben aplicar filtros ni otras técnicas de posprocesamiento a las imágenes.

En ciertas formas de realización, las imágenes de gammagrafía ósea de cuerpo entero se adquieren de conformidad con las pautas pertinentes, tales como “Gammagrafía ósea EANM: pautas de procedimiento para la obtención de imágenes de tumores” y “Parámetro de práctica ACR-SPR para la realización de gammagrafía esquelética (exploración ósea)”.

iv. Flujo de trabajo

La Figura 1 es un diagrama de flujo de bloques que muestra un flujo de trabajo 100 de control de calidad y generación de informes para generar un informe de BSI, de acuerdo con una forma de realización ilustrativa. En ciertas formas de realización, los sistemas y métodos descritos en la presente incluyen una GUI para guiar a un usuario (por ejemplo, un profesional de la salud) a través de la revisión y el análisis de datos de imágenes de pacientes para calcular un valor de BSI automatizado y generar un informe. El flujo de trabajo 100 permite al usuario seleccionar 102 y cargar 104 archivos de imágenes de datos del paciente, que luego son analizados por el software y revisadospor el usuario. Es posible que se le presente al usuario una primera ventana de GUI, tal como la ventana 200 que se muestra en la Figura 2, que le permite al usuario seleccionar un paciente en particular para revisión/análisis de una lista. Al seleccionar una fila correspondiente al paciente particular en la lista de la Figura 2, se muestra una ventana 300 nueva y/o actualizada, mostrada en la Figura 3, que muestra información del paciente.

Pasando a la Figura 4, el usuario puede entonces acceder a una página de revisión 400 del software de análisis guiado. La página de revisión 400 proporciona al usuario (por ejemplo, un profesional de la salud, tal como un médico) una GUI que le permite examinar datos de imágenes y la identificación automatizada de puntos críticos realizada por el softwarebackend,con el fin de calcular el índice de BSI automatizado para el paciente. La tecnología de cálculo automatizado de BSI se describe con más detalle en la presente, y las versiones anteriores (sin las mejoras de la presente divulgación) se describen en detalle en la solicitud de patente estadounidense n. ° 15/282,422, presentada el 30 de septiembre de 2016, y en la patente estadounidense n. ° 8,855,387, concedida el 7 de octubre de 2014 (de la cual la solicitud de patente estadounidense n. ° 15/282.422 es una nueva emisión), y la solicitud PCT n. ° PCT/US17/58418, presentada el 26 de octubre de 2017.

La página de revisión permite al usuario revisar 106 puntos críticos, que representan lesiones cancerosas, que el software ha identificado automáticamente en las imágenes. El usuario puede usar la GUI de la página de revisión para editar 108 el conjunto de regiones identificadas como puntos críticos, y debe confirmar que la calidad de la imagen, la segmentación esquelética (como se muestra en el esquema de la captura de pantalla) y que el conjunto de puntos críticos identificados se han revisado y aceptado 110 para poder continuar con la generación del informe. Una vez confirmada la revisión del usuario y el control de calidad 112, se puede generar un informe como el informe 500 que se muestra en la Figura 5, que incluye un valor de BSI calculado final, 114.

v. Procesamiento de imágenes

Como se muestra en el diagrama de flujo de bloques de la Figura 6, los sistemas y métodos descritos en la presente pueden utilizarse en un proceso 600 para la detección y preselección automatizadas de puntos críticos, la recepción de una verificación de usuario del conjunto de puntos críticos preseleccionados y para el cálculo de un valor de índice de riesgo, tal como, en particular, un valor de índice de exploración ósea (BSI).

En particular, en ciertas formas de realización, como se muestra en la Figura 6, en un paso de segmentación 602, las herramientas de software descritas en la presente utilizan un algoritmo de registro de imágenes para llevar las imágenes del paciente a un marco de coordenadas de referencia. Esto se hace ajustando de forma no rígida una imagen de atlas a cada imagen del paciente. Al ajustar la imagen de atlas al paciente, la imagen del paciente se puede segmentar en una región de esqueleto y una región de fondo. La región del esqueleto se puede dividir en regiones esqueléticas de interés más pequeñas, también denominadas en la presente localizaciones. En un paso de normalización 604, las imágenes de exploración ósea de cuerpo entero se normalizan para proporcionar al usuario un rango de intensidad estandarizado al ver imágenes con diferentes niveles de contraste y brillo. Los puntos críticos se detectan en un paso de detección de puntos críticos 606. En ciertas formas de realización, los puntos críticos se detectan utilizando una regla de umbral. En otro paso, se realiza la preselección del punto crítico 608. En ciertas formas de realización, la preselección de puntos críticos se basa en análisis de imágenes y técnicas de aprendizaje automático que tienen como objetivo preseleccionar puntos críticos significativos para su inclusión en un conjunto de puntos críticos preseleccionados, que el usuario puede revisar en un paso de verificación de puntos críticos 610. Esta preselección se basa en diversas características, tal como el tamaño, la ubicación, la orientación, la forma y la textura de los puntos críticos. En ciertas formas de realización, la preselección es una herramienta de conveniencia para el usuario, cuyo objetivo es reducir la cantidad de clics manuales que un usuario debe realizar (por ejemplo, para seleccionar puntos críticos utilizados para calcular índices de riesgo, tal como un valor de BSI). En ciertas formas de realización, el paso de preselección puede estar seguido por un paso obligatorio de verificación de puntos críticos donde el usuario debe revisar y aprobar la preselección de puntos críticos o, si es necesario, incluir y/o excluir manualmente puntos críticos para poder crear un informe.

En otro paso 612, se calcula un índice de riesgo particular denominado índice de exploración ósea (BSI) utilizando el conjunto de puntos críticos verificados. En ciertas formas de realización, el índice de exploración ósea (BSI) se define como la suma de la afectación esquelética de todos los puntos críticos incluidos. La afectación es una estimación de la proporción de la masa esquelética total aportada por el volumen correspondiente a un punto crítico y se expresa como un porcentaje. La afectación se puede calcular utilizando la siguiente fórmula, donde C es un coeficiente de área anatómica relacionado con la densidad del hueso:

Área de pun to crrticcxC

Afectación_

Área de regiónannrrimjtcr

Segmentación de las regiones esqueléticas

En ciertas formas de realización, la segmentación esquelética se realiza utilizando un enfoque de segmentación por registro en el que se registra una imagen de atlas con una imagen de exploración ósea que se va a segmentar. En este enfoque, el dispositivo contornea automáticamente el esqueleto en regiones esqueléticas distintas ajustando elásticamente un conjunto de imágenes de plantilla anotadas y contorneadas manualmente a cada conjunto de imágenes analizadas. Este conjunto de imágenes de plantilla anotadas se conoce como el conjunto de imágenes del atlas esquelético. Este conjunto de imágenes de atlas está estructurado como cualquier imagen de paciente: parece una exploración ósea normal y consta de una imagen anterior y una posterior. Las imágenes del atlas proporcionan una referencia fija al analizar una exploración. El atlas se anota manualmente con las regiones de interés (regiones esqueléticas) que pueden transferirse a una nueva exploración para calcular con exactitud el BSI. En la Figura 7 se muestra un ejemplo de un conjunto de imágenes de atlas 700 con 31 regiones esqueléticas dibujadas manualmente. Como se muestra en la Figura 7, al igual que un conjunto de imágenes de exploración ósea, el conjunto de imágenes de atlas 700 puede comprender una imagen anterior 702 y una imagen posterior 704.

Cuando se analiza una imagen de exploración ósea, las imágenes de atlas se deforman elásticamente para parecerse a la imagen de exploración ósea. Luego se aplica la misma transformación a los contornos de atlas, produciendo así una delineación/segmentación de cada región esquelética de interés de la imagen de exploración ósea del paciente. Al final de esta sección se describen detalles adicionales sobre la construcción de un atlas adecuado.

Deformación del atlas esquelético para adaptarlo a una exploración del paciente.En ciertas formas de realización, la deformación del atlas esquelético para adaptarlo a la imagen de exploración ósea de un paciente sigue un enfoque iterativo. El algoritmo de segmentación avanza en iteraciones, donde en cada iteración se estima un vector para cada píxel que describe cómo debe desplazarse el píxel a su posición correspondiente en la imagen de destino. Con desplazamientos individuales para cada píxel, lo más probable es que los vectores de desplazamiento se crucen o compartan la posición de destino, lo que generará orificios y/o desgarros en la imagen deformada. Para evitar esto, el campo vectorial se suaviza utilizando un enfoque de filtrado. Los desplazamientos se estiman aplicando filtros de valores complejos al atlas y a las imágenes de destino. Las respuestas del filtro complejo se pueden expresar en términos de amplitud y fase para cada píxel. Se puede demostrar que las diferencias de fase locales, es decir, las diferencias de fase entre píxeles que están a poca distancia entre sí, son proporcionales al tamaño del desplazamiento necesario para alinearlos. Para obtener una estimación de la dirección del desplazamiento, este proceso se repite varias veces para variar los ángulos del filtro. Conocer los ángulos de cada filtro y la magnitud del desplazamiento resultante permite inferir la dirección en la que se puede observar el mayor desplazamiento. Si bien este enfoque funciona para desplazamientos pequeños, también debe ser posible aplicarlo en casos en que las imágenes de atlas y de destino estén más separadas. Para lograrlo, se adopta un enfoque de submuestreo donde el algoritmo se aplica primero a una versión submuestreada (de tamaño reducido) de la imagen. Este enfoque trata los grandes desplazamientos como diferencias locales. Luego, el algoritmo procede a imágenes cada vez más detalladas (menos submuestreadas) para agregar más detalles y variabilidad al campo de desplazamiento resultante. El algoritmo se ejecuta en una pirámide fija de imágenes submuestreadas, para un número fijo de iteraciones en cada nivel de pirámide y con un nivel predeterminado de suavizado.

Construcción de un atlas esquelético.El dispositivo de aBSI de ejemplo descrito en la presente se basa en una única imagen de atlas. El algoritmo de contorneado está impulsado por la información estructural en el atlas y las imágenes de destino y busca deformar la imagen de atlas de manera tal que se minimicen las distancias entre estructuras similares en las dos imágenes. La estructura está definida por bordes y crestas (líneas) en las imágenes. Por consiguiente, el algoritmo no tiene en cuenta las diferencias de intensidad global ni los patrones de textura. Como resultado, una imagen de atlas adecuada presenta dos propiedades importantes:

•Muestra el mismo patrón de bordes y crestas; y

•La transformación (elástica) necesaria para alinear las imágenes se minimiza en promedio en el conjunto de variaciones anatómicas anticipadas entre las imágenes analizadas.

En ciertas formas de realización, para cumplir con estos requisitos, se utilizan imágenes de atlas basadas en una base de datos de imágenes de exploración ósea reales y normales (por ejemplo, sin metástasis u otras afecciones médicas visibles). Se puede utilizar un algoritmo de contorneado para alinear todas las imágenes de la base de datos entre sí. Luego, se calcula una transformación promedio a partir de todas las transformaciones resultantes. Posteriormente, todas las imágenes se transforman a este promedio anatómico, representando la anatomía promedio en la base de datos. En este proceso también se normalizan las intensidades, creando una imagen de exploración ósea normal adecuada como referencia anatómica. El esquema que se muestra en la Figura 8 ilustra esta idea conceptualmente: cómo se pueden inferir la anatomía y las intensidades promedio (imagen central, 802) a partir de múltiples imágenes de exploración ósea 804a, 804b, 804c, 804d de una base de datos.

En ciertas formas de realización, la anatomía promedio utilizada para el conjunto de imágenes de atlas converge a una estimación estable rápidamente a medida que aumenta el número de exploraciones incluidas. Una cantidad relativamente pequeña (por ejemplo, 30) de exploraciones puede ser suficiente para crear una imagen de referencia representativa. Además, dado que el algoritmo está impulsado por las estructuras principales en las imágenes y no es sensible a las diferencias de forma y/o tamaño, se puede aplicar un solo atlas a cualquier imagen de exploración ósea para la segmentación esquelética.

Normalización de intensidad y detección de puntos críticos

Un desafío al leer imágenes de gammagrafía, como las exploraciones óseas, es que los niveles de intensidad entre exploraciones pueden diferir debido a diversos parámetros, como la dosis inyectada, el tiempo transcurrido desde la inyección hasta la exploración, el tiempo de exploración, el tipo de cuerpo, el hardware y la configuración de la cámara, etc. En ciertas formas de realización, para facilitar la lectura a los usuarios y como parte del proceso de cuantificación (por ejemplo, como se muestra en la Figura 6), las exploraciones óseas de entrada se normalizan de modo que la intensidad promedio del tejido óseo sano aumente hasta un nivel de referencia predeterminado. En esta etapa del proceso de cuantificación, se ha realizado la segmentación esquelética y se conocen los píxeles que pertenecen al esqueleto. Sin embargo, para medir la intensidad media del tejido sano, y así poder normalizar la exploración, se deben identificar y excluir las regiones de alta intensidad. Esta detección de puntos críticos en el esqueleto es sencilla si las imágenes ya han sido normalizadas. Se trata de un problema del tipo "el huevo y la gallina", en el que se necesita la detección de puntos críticos para normalizar las imágenes, y la detección de puntos críticos depende de las imágenes normalizadas.

En consecuencia, se puede utilizar un enfoque iterativo, como los pasos que se enumeran a continuación, para abordar este desafío:

(1)Estimar la normalización con el supuesto de que todo el tejido óseo está sano (sin puntos críticos);

(2) Detectar puntos críticos dada la normalización actual;

(3) Estimar la normalización dado el conjunto actual de puntos críticos; y

(4) Iterar los pasos (2) y (3) hasta la convergencia.

Este proceso iterativo converge en 3 o 4 iteraciones a un valor estable tanto para la normalización como para la detección de puntos críticos. Los puntos críticos se detectan utilizando un enfoque de umbralización simple en donde la imagen se filtra usando un filtro de paso de banda por diferencia de gaussianas que enfatiza pequeñas regiones de alta intensidad en relación con sus respectivos entornos. Luego, a esta imagen filtrada se le aplica un umbral en un nivel constante basado en una región.

En ciertas formas de realización, se utilizan diferentes valores umbral para diferentes regiones esqueléticas de interés. Por ejemplo, los niveles de umbral utilizados en la forma de realización de ejemplo de aBSI basada en la nube son 650 para la columna cervical, clavícula, costillas, columna lumbar, pelvis, sacro, escápula, cráneo, columna torácica, esternón y 500 para el fémur y el húmero.

La salida de la detección de puntos críticos es un conjunto de ROI (regiones de interés) que representan los puntos críticos en la imagen y un factor de normalización que se utiliza para establecer los umbrales máximos y mínimos iniciales para la ventana de la imagen.

Preselección de puntos críticos

Los puntos críticos pueden clasificarse como incluidos o excluidos para la preselección utilizando un enfoque de aprendizaje (basado en datos) basado en redes neuronales artificiales (ANN). Las ANN pueden ajustarse/entrenarse en una base de datos de entrenamiento con pacientes que van desde exploraciones óseas normales hasta exploraciones óseas con numerosos y extensos puntos críticos.

Cada punto crítico en la base de datos de entrenamiento se caracteriza utilizando un conjunto de características (mediciones) relacionadas con su tamaño, ubicación, orientación, forma y textura. Estas características se incorporan a la ANN, primero durante una fase de entrenamiento donde se establecen los parámetros de la ANN para maximizar el rendimiento de la clasificación en un estudio de validación cruzada, y luego en el software real para clasificar un punto crítico como incluido o excluido.

El entrenamiento de preselección analiza los puntos críticos y su proximidad inmediata en las imágenes, lo que hace que el clasificador sea robusto a las diferencias a gran escala en los materiales de entrenamiento. Por lo tanto, el clasificador es aplicable a una amplia gama de datos de entrada. Sin embargo, se puede prever una pequeña diferencia en el rendimiento entre cohortes. Para evitar la influencia de la ubicación en los parámetros de la ANN, se pueden construir redes separadas para diferentes localizaciones óseas. El conjunto de características de entrada para cada una de estas ANN difiere un poco. Por ejemplo, las características de simetría sólo se aplican a localizaciones que tienen una contraparte simétrica natural.

Además, los puntos críticos en los conjuntos de entrenamiento por lo general son etiquetados manualmente como incluidos o excluidos por un experto médico capacitado en la lectura de exploraciones óseas. Las etiquetas de destino pueden ser verificadas por un segundo experto médico. En un enfoque de ejemplo, las pautas de procedimiento de Estados Unidos y Europa para la gammagrafía ósea están armonizadas y los equipos utilizados para obtener exploraciones óseas son los mismos en Estados Unidos y Europa. Además, los criterios utilizados para interpretar las exploraciones óseas para ensayos clínicos, por ejemplo los Criterios del Grupo 2 de Trabajo de Próstata, son globales.

Esto se basa en el conocimiento común en la comunidad de medicina nuclear de que la variación en el aspecto de la exploración ósea debido a la enfermedad por cáncer es mucho más pronunciada que la variación menor que se puede medir, por ejemplo, en la densidad ósea normal entre diferentes razas. Los parámetros de las ANN se optimizan de modo que el clasificador resultante imite la selección de un experto médico. Para evitar sesgos hacia el conjunto de entrenamiento, se puede utilizar un enfoque de validación cruzada.

En ciertas formas de realización, si bien la preselección ahorra tiempo para el lector, todos los puntos críticos son revisados y aprobados por el lector antes de crear un informe.

Las ANN, como se describen en la presente, se pueden implementar a través de uno o más módulos de aprendizaje automático. Como se usa en la presente, la expresión "módulo de aprendizaje automático" se refiere a un proceso implementado por ordenador (por ejemplo, una función) que implementa uno o más algoritmos de aprendizaje automático específicos para determinar, para una entrada determinada (como una imagen (por ejemplo, una imagen 2D; por ejemplo, una imagen 3D), un conjunto de datos y similares) uno o más valores de salida. Por ejemplo, un módulo de aprendizaje automático puede recibir como entrada una imagen 3D de un sujeto (por ejemplo, una imagen por CT; por ejemplo, una MRI) y, para cada vóxel de la imagen, determinar un valor que representa la probabilidad de que el vóxel se encuentre dentro de una región de la imagen 3D que corresponde a una representación de un órgano o tejido particular del sujeto. En ciertas formas de realización, dos o más módulos de aprendizaje automático pueden combinarse e implementarse como un único módulo y/o una única aplicación de software. En ciertas formas de realización, dos o más módulos de aprendizaje automático también pueden implementarse por separado, por ejemplo, como aplicaciones de software independientes. Un módulo de aprendizaje automático puede ser software y/o hardware. Por ejemplo, un módulo de aprendizaje automático puede implementarse completamente como software, o ciertas funciones de un módulo de CNN pueden llevarse a cabo a través de un hardware especializado (por ejemplo, a través de un circuito integrado de aplicación específica (ASIC)).

E. Interfaz gráfica de usuario y visualización de imágenes

En ciertas formas de realización, los sistemas y métodos descritos en la presente incluyen una interfaz gráfica de usuario para la revisión de datos e imágenes del paciente. La GUI puede permitir a un usuario revisar una lista de pacientes y seleccionar pacientes para quienes revisar y analizar imágenes. La Figura 9A y la Figura 9B muestran ventanas de GUI de ejemplo que proporcionan una lista de pacientes de la cual se pueden seleccionar pacientes específicos. Una vez seleccionado un paciente en particular, un usuario puede ver imágenes de exploración ósea de ese paciente y revisar el análisis automatizado (por ejemplo, detección y preselección de puntos críticos) utilizando una GUI como las que se muestran en la Figura 10A y la Figura 10B. Las imágenes de exploración ósea se pueden colorear utilizando varios mapas de colores. La Figura 10C y la Figura 10D muestran mapas de colores de ejemplo que pueden utilizarse.

En ciertas formas de realización, los sistemas de GUI, de acuerdo con los enfoques descritos en la presente, facilitan la visualización de imágenes. Por ejemplo, se puede proporcionar un ajuste automático de las imágenes al tamaño de la pantalla. La Figura 11A muestra una forma de realización de GUI sin esta funcionalidad, en donde un usuario hace clic en los íconos de acercamiento para variar el tamaño de las imágenes. La Figura 11B muestra una captura de pantalla de una GUI en la que las imágenes se dimensionan automáticamente para llenar la pantalla verticalmente. La Figura 11C y la Figura 11D muestran dos enfoques para proporcionar funcionalidad de acercamiento para ver imágenes en detalle. En la forma de realización mostrada en la Figura 11C, la ampliación alrededor del puntero del ratón se produce cuando se hace clic y se mantiene presionado un botón de la rueda de desplazamiento. En la forma de realización mostrada en la Figura 11D, se proporciona una funcionalidad de acercamiento y alejamiento mediante una rueda de desplazamiento del ratón y operaciones de clic y arrastre.

Las Figuras 12A - 12F ilustran enfoques de ventanas de intensidad para la visualización de imágenes. En particular, las Figuras 12B y 12D muestran una forma de realización de GUI que implementa un control deslizante de ventana de intensidad personalizado que facilita el ajuste por parte del usuario de los umbrales de la ventana de intensidad.

La Figura 13A y la Figura 13B muestran capturas de pantalla de ventanas de GUI de ejemplo en las que se muestra la intensidad local. En particular, en ciertas formas de realización, se muestra una intensidad local cuando un usuario pasa el puntero del ratón sobre una imagen. En la forma de realización mostrada en la Figura 13A, se muestra un valor de intensidad local en una ubicación del puntero del ratón. En la forma de realización mostrada en la Figura 13B, la intensidad se muestra en la esquina inferior izquierda de la imagen, en lugar de junto al puntero del ratón, donde oculta parte de la imagen (por ejemplo, proporcionando así mayor seguridad).

Las Figuras 14A - 14D muestran formas de realización de GUI de ejemplo para visualizar múltiples imágenes de exploración ósea. En las formas de realización que se muestran en la Figura 14A y la Figura 14C, se utiliza un enfoque tabular para permitir que un usuario alterne entre diferentes conjuntos de imágenes de exploración ósea para diferentes estudios, o para alternar entre imágenes anteriores y posteriores. En las formas de realización mostradas en la Figura 14B y la Figura 14C, se utilizan casillas de verificación para alternar la visibilidad de varias imágenes, lo que permite que varias imágenes de diferentes estudios se muestren una al lado de la otra.

En ciertas formas de realización, las formas de realización de herramientas de GUI para análisis de imágenes descritas en la presente pueden proporcionar información útil para el control de calidad. Por ejemplo, se pueden mostrar las intensidades totales de la imagen. La Figura 15A muestra una captura de pantalla de una<g>Uque muestra las intensidades totales de la imagen y las intensidades esqueléticas totales, de acuerdo con una forma de realización ilustrativa. En ciertas formas de realización, como la GUl que se muestra en la Figura 15B, sólo se muestran las intensidades totales de la imagen (y no las intensidades esqueléticas totales) para proporcionar una interfaz de usuario más sencilla (por ejemplo, para evitar confusiones).

Las herramientas de GUl para revisar imágenes de exploración ósea pueden mostrar indicaciones gráficas de puntos críticos detectados (por ejemplo, y preseleccionados) superpuestos en imágenes de exploración ósea, por ejemplo como se muestra en la Figura 16A y la Figura 16B. En ciertas formas de realización, también se muestra una tabla de puntos críticos, como se muestra en la Figura 17A. En ciertas formas de realización, las herramientas de GUl descritas en la presente permiten a un usuario seleccionar o deseleccionar un punto crítico preseleccionado para incluirlo en un conjunto final de puntos críticos seleccionados que se utilizan para calcular un valor de BSI. La GUl puede mostrar el valor de BSI resultante 1602 sobre una imagen, lo que permite al usuario observar sus cambios (comparar 1704a con 1704b) con la selección y/o deselección de varios puntos críticos (1702a y 1702b), como se muestra en las Figuras 17B y 17C. Se pueden utilizar varios enfoques de control gráfico para permitir que un usuario seleccione puntos críticos preseleccionados para su inclusión o exclusón. Por ejemplo, la Figura 18A muestra un control emergente que aparece después de una operación de clic derecho del usuario. La Figura 18B muestra un interruptor de palanca 1802 (“Editar puntos críticos”) que se puede activar y desactivar. Una vez que se activa el interruptor, el usuario hace clic en varios puntos críticos para seleccionarlos o deseleccionarlos. En ciertas formas de realización, las herramientas de GUl pueden incluir funciones de control de seguridad/calidad, como la ventana emergente que se muestra en la Figura 18C que solicita al usuario que verifique los requisitos de control de calidad antes de generar un informe.

En ciertas formas de realización, una vez que se calculan los valores de BSI para varios estudios, se muestran para que el usuario los revise. Por ejemplo, los valores de BSI calculados se pueden mostrar en una tabla, como se muestra en la Figura 19A. En ciertas formas de realización, los valores de BSI calculados para diferentes estudios se muestran encima de las imágenes de exploración ósea mostradas para sus estudios correspondientes, como se muestra en la Figura 19B. También se pueden mostrar gráficos que muestran la evolución temporal de los valores de BSI calculados, como se muestra en las Figuras 20A y 20B. También se puede mostrar información adicional pertinente a los valores de BSI calculados. La Figura 21 muestra una captura de pantalla de una GUl que proporciona una tabla que enumera el número de puntos críticos en regiones anatómicas particulares utilizadas para el cálculo de valores de BSI en diferentes estudios, de acuerdo con una forma de realización ilustrativa. En ciertas formas de realización, los sistemas y métodos descritos en la presente permiten la generación automatizada de informes. La Figura 22A y la Figura 22B muestran ejemplos de informes generados automáticamente.

F. Enfoques mejorados de procesamiento de imágenes

En ciertas formas de realización, los sistemas y métodos descritos en la presente incluyen mejoras en uno o más de los pasos de procesamiento de imágenes que se muestran en la Figura 6.

i. Segmentación esquelética

Como se describe en la presente, se puede utilizar un conjunto de imágenes de atlas esquelético para la segmentación de imágenes. El conjunto de imágenes de atlas esquelético incluye un par de imágenes de exploración ósea de plantilla (anterior y posterior) que representan una exploración ósea normal típica y un esquema manual de 31 regiones esqueléticas. Estas regiones se deforman para adaptarse a la imagen actual del paciente que se va a analizar. En ciertas formas de realización, se utiliza un atlas limitado con identificaciones esqueléticas que sólo abarcan tres cuartas partes de un fémur y un húmero. En ciertas formas de realización, se utiliza un atlas mejorado y de longitud completa que incluye identificaciones de la región esquelética que abarcan todo el fémur y el húmero. La Figura 23 muestra un conjunto de imágenes de exploración ósea con segmentación esquelética basada en atlas superpuesta, que compara el uso de un atlas limitado 2300a (izquierda) con un atlas de longitud completa 2300b (derecha). Como se muestra en la Figura 23, el atlas limitado 2300a sólo incluye tres cuartos o menos del húmero 2302a y el fémur 2304a, mientras que el atlas de longitud completa incluye más de tres cuartos de la longitud del húmero 2302b y el fémur 2304b. El uso del atlas completo puede aumentar la estabilidad de la segmentación del esqueleto. En particular, el atlas aumentado permite utilizar las rodillas y los codos como referencias durante el registro. Tales puntos de referencia, con contrastes claros, son beneficiosos para el análisis de imágenes y proporcionan una estabilidad mejorada. El atlas aumentado también permite detectar puntos críticos más alejados en las extremidades.

ii. Umbrales de detección de puntos críticos

Como se describe en la presente, se encuentra un conjunto inicial de puntos críticos candidatos utilizando el umbral de intensidades de imagen. En ciertas formas de realización, se utiliza un umbral global y fijo, de modo que se utiliza el mismo valor en todas las regiones esqueléticas de interés y en todas las imágenes. Otro enfoque mejorado establece umbrales regionales que varían según las diferentes regiones esqueléticas de interés. Por ejemplo, este enfoque permitió utilizar un umbral reducido para las regiones del fémur y el húmero (por ejemplo, reducido de 650 a 500) para aumentar la sensibilidad de detección. Las regiones del fémur y el húmero muestran menos absorción en las imágenes de exploración ósea que otras regiones esqueléticas. Por consiguiente, se pueden utilizar umbrales más bajos para estas regiones para lograr un nivel de sensibilidad similar al del resto del cuerpo. Establecer valores de umbral individuales para diferentes regiones esqueléticas permite esta funcionalidad y conduce a una mayor detección de puntos críticos de menor intensidad en esas regiones esqueléticas.

La Figura 24 muestra un proceso de ejemplo 2400 para el marcado y análisis de lesiones mediante el uso de los enfoques de segmentación mejorada y umbral dependiente de la región descritos anteriormente. En el proceso de ejemplo 2400, se accede a un conjunto de imágenes de exploración ósea de un sujeto humano 2410. Cada imagen miembro del conjunto de imágenes de exploración ósea se segmenta automáticamente 2420 para identificar regiones esqueléticas de interés, incluida una región del fémur que corresponde a más de tres cuartos de la longitud del fémur del sujeto 2422 y/o una región del húmero que corresponde a más de tres cuartos de la longitud del húmero del sujeto 2424. Luego se analizan las regiones esqueléticas de interés identificadas para detectar automáticamente un conjunto inicial de puntos críticos 2430. Como se describe en la presente, este paso de detección automática de puntos críticos puede comprender la aplicación de operaciones de umbralización que utilizan umbrales dependientes de la región (es decir, cuyos valores no son uniformes y difieren entre una región esquelética y otra) para cada región esquelética de interés. En particular, se pueden utilizar umbrales de valores más bajos para las regiones del fémur y/o húmero (2432 y 2434, respectivamente) para mejorar la sensibilidad de detección en las regiones del fémur y/o húmero, explicando así la reducción en la absorción del agente (por ejemplo, radiofármaco) en dichas regiones.

Una vez que se detecta el conjunto inicial de puntos críticos, se extrae un conjunto de características de puntos críticos para cada punto crítico 2440 y se utiliza para calcular, para cada punto crítico, un valor de probabilidad de metástasis 2450. Los puntos críticos detectados se pueden representar para la visualización gráfica de un usuario 2460, en ciertas formas de realización junto con información adicional tal como los valores de probabilidad calculados. Los puntos críticos se pueden filtrar (preseleccionar) en función de los valores de probabilidad calculados, para incluirlos en un primer subconjunto, que se presentará al usuario y/o se utilizará para el cálculo de índices de riesgo, como los valores de BSI. Un usuario puede revisar los puntos críticos detectados (por ejemplo, el conjunto de puntos críticos inicial o el primer subconjunto que comprende los puntos críticos filtrados) a través de la visualización gráfica y confirmar o rechazar los puntos críticos para su inclusión en un segundo subconjunto final. Este subconjunto final puede luego utilizarse para calcular valores del índice de riesgo, incorporando así la experiencia del usuario al proceso de toma de decisiones.

En ciertas formas de realización, se utiliza un ajuste de umbral dinámico global. Este método verifica el valor de BSI resultante y ajusta un factor de escala de umbral global para adaptarse a una alta carga de enfermedad. La escala se calcula de acuerdo con la fórmula:

dondetes un umbral regional preliminar original. El ajuste fino de la escala de umbral global aumenta la linealidad en casos de enfermedad de alta carga, mientras que deja intactos los casos de enfermedad de baja carga. Este enfoque de factor de escala global aumenta el rango útil para los cálculos de BSI.

En particular, en ciertas formas de realización, el enfoque del factor de escala global es un enfoque basado en datos que tiene en cuenta los errores, en donde los valores de BSI pueden subestimarse en niveles más altos de enfermedad, es decir, niveles altos de metástasis. Estos errores se descubrieron utilizando un sistema de simulación que permite simular imágenes de exploración ósea de un paciente con cualquier grado de enfermedad (por ejemplo, seleccionado). El sistema de simulación produce imágenes realistas de exploración ósea, teniendo en cuenta también parámetros específicos de la cámara y del examen. Por lo tanto, se pueden producir imágenes realistas de exploración ósea para parámetros de entrada específicos conocidos, de modo que se conozca la verdad fundamental en términos de volumen de la lesión, volúmenes esqueléticos y, por lo tanto, el valor de BSI. Por consiguiente, este enfoque permite que los valores de BSI calculados a través de los enfoques de análisis de imágenes descritos en la presente se comparen y verifiquen contra los valores de BSI de verdad fundamental conocidos determinados a partir de los parámetros de entrada de simulación de imágenes. La ejecución de una gran cantidad de simulaciones con distintos grados de carga de enfermedad demostró que un sistema anterior, que no utilizaba el enfoque de escala de umbral global descrito en la presente, subestimaba los valores de BSI para una mayor carga de enfermedad de manera no lineal. La forma de la función no lineal utilizada para el factor de escala de umbral global en la Ecuación 1 se basa en el patrón de errores observado en el estudio de simulación, a fin de corregir la subestimación no lineal observada de los valores de BSI calculados.

La Figura 25A es un gráfico del factor de escala en función de b. Como se muestra en el gráfico, la multiplicación de los umbrales preliminares por el factor de escala de umbral global disminuye los umbrales a medida que aumenta la carga de la enfermedad, medida por la fracción de área del punto crítico, b. Los umbrales reducidos (ajustados) dan como resultado regiones más grandes identificadas como puntos críticos, lo que aumenta los valores de BSI calculados, que miden la fracción general del esqueleto de un paciente ocupada por puntos críticos. De esta manera, el uso del factor de escala de umbral global para ajustar los umbrales utilizados para la detección de puntos críticos corrige la subestimación observada en los valores de BSI calculados en niveles altos de enfermedad.

La Figura 25B muestra un proceso de ejemplo 2500 para utilizar un enfoque de escala de umbral global para detectar puntos críticos. En un primer paso 2510, se accede a un conjunto de imágenes de exploración ósea de un sujeto humano. El conjunto de imágenes de exploración ósea se segmenta automáticamente en 2520 para producir un conjunto de imágenes anotadas que comprenden identificaciones de regiones esqueléticas de interés. En ciertas formas de realización, la segmentación puede comprender la identificación de un fémur y/o húmero de longitud completa, como se describe con respecto a la Figura 24 anterior. En otro paso 2530, se detecta automáticamente un conjunto inicial de puntos críticos. En este paso de detección de puntos críticos 2530, primero se detecta un conjunto de posibles puntos críticos, utilizando valores de umbral preliminares 2532. El conjunto de posibles puntos críticos se utiliza luego para calcular un factor de escala de umbral global 2534, por ejemplo como se describe en la presente, que luego se utiliza para ajustar los valores de umbral preliminares 2536. Estos valores de umbral ajustados se utilizan luego para detectar automáticamente puntos críticos para su inclusión en el conjunto inicial de puntos críticos 2538. De manera similar al proceso 2400, una vez que se detecta el conjunto inicial de puntos críticos, se extrae un conjunto de características de puntos críticos para cada punto crítico 2540 y se utiliza para calcular, para cada punto crítico, un valor de probabilidad de metástasis 2550. Los puntos críticos detectados se pueden mostrar gráficamente a un usuario 2560.

i¡¡. Preselección de puntos críticos

Como se describe en la presente, los puntos críticos se clasifican para determinar si deben preseleccionarse o no. En ciertas formas de realización, la clasificación de puntos críticos se lleva a cabo mediante un proceso de dos pasos. En ciertas formas de realización, un primer paso clasifica un punto crítico particular utilizando características locales de ese punto crítico, pero no del resto de la imagen, por ejemplo, si el paciente no tenía otros puntos críticos o tenía muchos otros. En ciertas formas de realización, se incluye un segundo paso para incorporar información global sobre puntos críticos en el resto de la imagen.

La experiencia clínica muestra que la selección del punto crítico depende del resto de la imagen. La probabilidad de que se seleccione un punto crítico es mayor si hay muchos más puntos críticos y menor si es el único punto crítico. Por lo tanto, el uso de un único proceso con un único paso puede dar como resultado una subestimación del valor de BSI en pacientes con muchos puntos críticos. El uso del proceso de dos pasos puede mejorar el rendimiento en pacientes con muchos puntos críticos y un BSI alto. La selección de puntos críticos mediante características de puntos críticos globales se puede realizar mediante el uso de un módulo de aprendizaje automático. Por ejemplo, en ciertas formas de realización, mientras se utiliza un primer módulo de aprendizaje automático para calcular los valores de probabilidad de metástasis para cada punto crítico, un segundo módulo de aprendizaje automático (por ejemplo, implementando una ANN diferente) puede recibir los valores de probabilidad calculados junto con las características globales del punto crítico para determinar si un punto crítico debe incluirse en el subconjunto de puntos críticos preseleccionados.

La Figura 26 muestra un proceso de ejemplo 2600 para la preselección de un punto crítico utilizando características de punto críticos globales. El proceso 2600 comienza con el acceso a un conjunto de imágenes de exploración ósea 2610, segmentando automáticamente las imágenes (miembros) del conjunto de imágenes de exploración ósea para identificar regiones esqueléticas 2620 y detectar automáticamente un conjunto inicial de puntos críticos 2630. El paso de segmentación 2620 y el paso de detección de puntos crítico 2630 pueden utilizar el enfoque de segmentación mejorado del proceso 2400 y/o el enfoque de escala de umbral global del proceso 2500. Se extraen características de puntos críticos para cada punto crítico 2640 y se utilizan para calcular, para cada punto crítico, un valor de probabilidad de metástasis 2650. En el proceso 2600, se utilizan los valores de probabilidad de metástasis, junto con las características de puntos críticos globales, para preseleccionar un primer subconjunto de los puntos críticos iniciales 2662. Este primer subconjunto filtra los puntos críticos, lo que permite mostrar al usuario 2664 un conjunto más pequeño y específico de puntos críticos que se han determinado automáticamente como posibles lesiones cancerosas.

iv. Pesajes de atlas

En ciertas formas de realización, los factores de corrección para las regiones del sacro, la pelvis y la columna lumbar se ajustan de modo que los puntos críticos de área igual correspondan a una medición más uniforme de la afectación de BSI. En ciertas formas de realización, sin dicho ajuste, la región sacra difiere significativamente de las regiones pélvica y lumbar vecinas. La Figura 27 muestra estas regiones (la región sacra 2706, la región pélvica 2702 y la región lumbar 2704) tal como se describen en el atlas esquelético.

Para calcular un valor de BSI, se calcula la fracción del esqueleto total para cada punto crítico seleccionado, y el valor de BSI se calcula como la suma de todas esas fracciones. Para cada punto crítico, la fracción se calcula de la siguiente manera. El tamaño del punto crítico dividido por el tamaño de la región esquelética correspondiente (por ejemplo, cráneo, costillas, vértebra lumbar, pelvis) obtenida a partir de la segmentación del esqueleto y multiplicada por una fracción de peso constante de la región esquelética actual con respecto al peso del esqueleto total. Estas constantes, una para cada región esquelética, se pueden determinar según la publicación 23 de la Comisión Internacional de Protección Radiológica (CIPR).

Afee. —área (punto crítico)

■

área (regiónf icrp•c

La afectación se calcula utilizando la fórmula ' , donde c es un factor de corrección que recoge una serie de propiedades, como por ejemplo si los puntos críticos normalmente son visibles tanto en la imagen anterior como en la posterior. Antes del ajuste del factor de corrección descrito aquí, esta constante era 1.0 para las tres regiones.

En ciertas formas de realización, este método básico funciona bien en la mayoría de las regiones esqueléticas, pero no en la región del sacro con áreas pélvicas y lumbares circundantes. El sacro es una estructura tridimensional compleja y con una exploración ósea bidimensional es difícil separar puntos críticos en diferentes regiones y localizar un punto crítico en la región correcta. Dependiendo de la ubicación asignada de un punto crítico (por ejemplo, la pelvis, la columna lumbar o el sacro), los puntos críticos de tamaño similar pueden tener grandes diferencias en términos de su contribución a la fracción deScalculada. Para reducir estas diferencias, se ajusta el coeficiente c de la fórmula anterior para el sacro, de modo que la diferencia desde la región pélvica hacia la lumbar sea más gradual. En particular,

Lcrp-e

área (región)

el factor de corrección se ajusta de modo que la relación ' ' describa este cambio gradual. El valor de c se ajusta en consecuencia como = 0.16 yCsacroposterior= 0.28, de modo que los valores de BSI fraccional en el sacro se encuentran entre los de las regiones pélvica y lumbar.

La Figura 28 muestra un proceso de ejemplo 2800 para utilizar los factores de corrección descritos en la presente para ajustar los factores de afectación esquelética y calcular valores de índice de riesgo a partir de estos. El proceso 2800 incluye los pasos de acceder a una imagen de exploración ósea 2810, segmentar automáticamente la imagen de exploración ósea 2820 para identificar regiones esqueléticas, detectar automáticamente un conjunto inicial de puntos críticos 2830 y extraer características de puntos críticos 2840 y calcular valores de probabilidad de metástasis para cada punto crítico 2850. El paso de segmentación 2820 y el paso de detección de puntos crítico 2830 pueden utilizar el enfoque de segmentación mejorado del proceso 2400 y/o el enfoque de escala de umbral global del proceso 2500. Se selecciona automáticamente un primer subconjunto de puntos críticos del conjunto inicial 2860, basándose al menos en los valores de probabilidad de metástasis calculados en el paso 2850. También se pueden utilizar características de puntos críticos globales, como las descritas con referencia al proceso 2600, y la entrada del usuario, por ejemplo recibida a través de la interacción con una GUI, también se puede utilizar para seleccionar el primer subconjunto. Los puntos críticos del primer subconjunto se utilizan luego para calcular los valores de índice de riesgo para el sujeto 2870. Como se describe en la presente, el cálculo de índice de riesgo puede incluir el cálculo de los factores de afectación esquelética 2872, el ajuste de los factores de afectación esquelética utilizando factores de corrección dependientes de la región 2874 y la suma de los factores de afectación esquelética ajustados 2876.

G. Ejemplo: Rendimiento del cálculo de BSI

Este ejemplo demuestra linealidad, precisión y reproducibilidad de los valores de BSI calculados.

i. Linealidad y exactitud

El BSI automatizado, la variable dependiente, se determinó a partir de dos conjuntos de exploraciones óseas simuladas y se midió contra el BSI del fantoma conocido, que se consideró la variable independiente. En el primer conjunto de 50 exploraciones óseas simuladas, la prueba de Shapiro-Wilk confirmó que los residuos de la variable dependiente se distribuían normalmente (p=0.850). Además, el valor residual medio de 0.00 con una desviación estándar de 0.25 confirmó la homocedasticidad mostrando una variación constante en todos los valores de la variable independiente. Dado que los residuos presentaron normalidad y homocedasticidad, el modelo se consideró lineal. La Figura 25 muestra un diagrama de dispersión con una línea de ajuste lineal y los parámetros asociados para la regresión lineal en el rango de 0.10 a 13.0 BSI se presentan en la Tabla 1 a continuación.

Tabla 1. Parámetros para el modelo de regresión lineal en el primer conjunto de 50 fantomas con el rango BSI predefinido de 0.10 a 13.0.

ii. Precisión del cálculo de BSI

Se determinaron el coeficiente de variación y la desviación estándar de los valores de BSI automatizados en cada una de cinco cargas tumorales predefinidas con ubicación variable para un segundo conjunto de 50 exploraciones óseas simuladas. El coeficiente de variación en cada uno de los cinco BSI con fantomas predefinidos fue menor o igual al 30%. Los resultados se muestran en la siguiente Tabla 2.

Tabla 2. Coeficiente de variación y desviación estándar de los valores automatizados de BSI en cada una de las cinco cargas tumorales predefinidas

iii. Reproducibilidad utilizando diferentes cámaras

La siguiente Tabla 3 muestra los resultados de la simulación para los valores de BSI calculados para 5 cargas de enfermedad y diferentes cámaras. La diferente configuración del colimador de la cámara tuvo un efecto mínimo en la reproducibilidad de los valores de BSI. La desviación estándar para cada carga de enfermedad fue <10%.

Tabla 3. Valores de BSI calculados para simulaciones utilizando diferentes cámaras.

iv. Reproducibilidad con diferentes conteos de imágenes

La Figura 26 muestra un gráfico de Bland-Altman para evaluar la reproducibilidad de las lecturas de BSI automatizadas de 50 fantomas simulados. La diferencia media y mediana de BSI fue 0.0 (línea horizontal continua) y la desviación estándar fue 0.20, con un coeficiente de repetibilidad (2xSD) de 0.40 y de -0.40 (líneas punteadas horizontales). Las estadísticas descriptivas se presentan en la siguiente Tabla 4. La prueba t pareada demostró un valor p de 0.15, lo que sugiere que no hay una diferencia estadísticamente significativa entre los dos valores de aBSI obtenidos en las exploraciones repetidas.

Tabla 4. Estadísticas descriptivas que muestran la reproducibilidad de los cálculos automatizados de BSI a partir de 50 fantomas simulados.

continuación

v. Reproducibilidad con exploraciones repetidas en pacientes

La Figura 27 muestra un gráfico de Bland-Altman para evaluar la reproducibilidad de las lecturas automatizadas de BSI de exploraciones óseas repetidas de 35 pacientes metastásicos. La diferencia media y mediana de BSI fue 0.0 (línea horizontal continua) y la desviación estándar fue 0.18, con un coeficiente de repetibilidad (2xSD) de 0.36 y de -0.36 (líneas punteadas horizontales). Las estadísticas descriptivas se presentan en la siguiente Tabla 5. Una prueba t pareada demostró un valor p de 0.09, lo que sugiere que no hay una diferencia estadísticamente significativa entre los dos valores de aBSI obtenidos en las exploraciones repetidas.

Tabla 5. Estadísticas descriptivas que muestran la reproducibilidad de los cálculos automatizados de BSI a partir de exploraciones óseas repetidas de 35 pacientes metastásicos.

continuación

vi. Comparación con el dispositivo predicado

La Figura 28A y la Figura 28B comparan los gráficos de Bland-Altman de los cálculos de BSI para un dispositivo de BSI automatizado (software aBSI versión 3.4), que utiliza las mejoras de la presente divulgación, y un dispositivo predicado (software EXINI versión 1.7) que implementa una versión anterior de software que no utiliza las mejoras de la presente divulgación. Cada gráfico muestra la diferencia entre un valor de BSI conocido de un fantoma simulado y el valor calculado para el fantoma, utilizando una de las dos versiones del software de BSI. La Figura 28A muestra las diferencias entre los valores de fantomas conocidos y los valores calculados con aBSI 3.4, mientras que la Figura 28B muestra las diferencias entre los valores de fantomas conocidos y los valores calculados con EXINI 1.7. La diferencia media de BSI (entre el fantoma y los valores de BSI calculados) fue 0.14 para aBSI 3.4 y -0.89 para EXINI 1.7, como se indica mediante las líneas sólidas horizontales en la Figura 28A y la Figura 28B. La desviación estándar de aBSI fue 3.4 (SD=0.30), que se observó que era significativamente menor que la de EXINI 1.7 (SD=0.88). Las estadísticas descriptivas se presentan en las siguientes Tablas 6A y 6B.

Tabla 6A. Estadísticas descriptivas de los valores de BSI calculados con BSI automatizado (versión de software 3.4) empleando los enfoques descritos en la presente.

Tabla 6B. Estadísticas descriptivas para valores de BSI calculados con un software de predicado (EXINI 1.7)

H. Sistema informático y entorno de red

En ciertas formas de realización, los sistemas y métodos descritos en la presente se implementan utilizando una arquitectura de microservicios basada en la nube. La Figura 33A muestra un ejemplo de arquitectura de plataforma en la nube, y la Figura 33B muestra un ejemplo de diagrama de diseño de comunicación de microservicio.

La Figura 34 muestra un entorno de red ilustrativo 3400 para su uso en los métodos y sistemas descritos en la presente. A modo de breve descripción general, haciendo referencia ahora a la Figura 34, se muestra y describe un diagrama de bloques de un entorno informático en la nube ejemplar 3400. El entorno informático en la nube 3400 puede incluir uno o más proveedores de recursos 3402a, 3402b, 3402c (colectivamente, 3402). Cada proveedor de recursos 3402 puede incluir recursos informáticos. En algunas implementaciones, los recursos informáticos pueden incluir cualquier hardware y/o software utilizado para procesar datos. Por ejemplo, los recursos informáticos pueden incluir hardware y/o software capaz de ejecutar algoritmos, programas informáticos y/o aplicaciones informáticas. En algunas implementaciones, los recursos informáticos ejemplares pueden incluir servidores de aplicaciones y/o bases de datos con capacidades de almacenamiento y recuperación. Cada proveedor de recursos 3402 puede estar conectado a cualquier otro proveedor de recursos 3402 en el entorno informático en la nube 3400. En algunas implementaciones, los proveedores de recursos 3402 pueden estar conectados a través de una red informática 3408. Cada proveedor de recursos 3402 puede estar conectado a uno o más dispositivos informáticos 3404a, 3404b, 3404c (colectivamente, 3404), a través de la red informática 3408.

El entorno informático en la nube 3400 puede incluir un administrador de recursos 3406. El gestor de recursos 3406 puede estar conectado a los proveedores 3402 de recursos y a los dispositivos informáticos 3404 a través de la red informática 3408. En algunas implementaciones, el gestor de recursos 3406 puede facilitar la provisión de recursos informáticos por uno o más proveedores de recursos 3402 a uno o más dispositivos informáticos 3404. El administrador de recursos 3406 puede recibir una solicitud de un recurso informático desde un dispositivo informático particular 3404. El administrador de recursos 3406 puede identificar uno o más proveedores de recursos 3402 capaces de proporcionar el recurso informático solicitado por el dispositivo informático 3404. El administrador de recursos 3406 puede seleccionar un proveedor de recursos 3402 para proporcionar el recurso informático. El administrador de recursos 3406 puede facilitar una conexión entre el proveedor de recursos 3402 y un dispositivo informático particular 3404. En algunas implementaciones, el administrador de recursos 3406 puede establecer una conexión entre un proveedor de recursos particular 3402 y un dispositivo informático particular 3404. En algunas implementaciones, el gestor 3406 de recursos puede redirigir un dispositivo 3404 informático particular a un proveedor 3402 de recursos particular con el recurso informático solicitado.

La Figura 35 muestra un ejemplo de un dispositivo informático 3500 y un dispositivo informático móvil 3550 que se pueden utilizar en los métodos y sistemas descritos en esta divulgación. El dispositivo informático 3500 está destinado a representar varias formas de ordenadores digitales, tales como ordenadores portátiles, de escritorio, estaciones de trabajo, asistentes digitales personales, servidores, servidoresblade,ordenadores centrales y otros ordenadores adecuados. El dispositivo informático móvil 3550 está destinado a representar diversas formas de dispositivos móviles, tales como asistentes digitales personales, teléfonos celulares, teléfonos inteligentes y otros dispositivos informáticos similares. Los componentes que se muestran aquí, sus conexiones, relaciones y sus funciones son sólo ejemplos y no tienen por qué ser limitativos.

El dispositivo informático 3500 incluye un procesador 3502, una memoria 3504, un dispositivo de almacenamiento 3506, una interfaz de alta velocidad 3508 que se conecta a la memoria 3504 y múltiples puertos de expansión de alta velocidad 3510, y una interfaz de baja velocidad 3512 que se conecta a un puerto de expansión de baja velocidad 3514 y al dispositivo de almacenamiento 3506. Cada uno de los procesadores 3502, la memoria 3504, el dispositivo 3506 de almacenamiento, la interfaz 3508 de alta velocidad, los puertos 3510 de expansión de alta velocidad, y la interfaz 3512 de baja velocidad, están interconectados usando varios buses, y pueden estar montados en una placa base común o de otras maneras según sea apropiado. El procesador 3502 puede procesar instrucciones para su ejecución dentro del dispositivo informático 3500, incluidas las instrucciones almacenadas en la memoria 3504 o en el dispositivo de almacenamiento 3506 para mostrar información gráfica para una GUI en un dispositivo de entrada/salida externo, tal como una pantalla 3516 acoplada a la interfaz de alta velocidad 3508. En otras implementaciones, se pueden utilizar múltiples procesadores y/o múltiples buses, según corresponda, junto con múltiples memorias y tipos de memoria. Además, se pueden conectar varios dispositivos informáticos y cada uno de ellos proporciona partes de las operaciones necesarias (por ejemplo, como un banco de servidores, un grupo de servidores blade o un sistema multiprocesador). Por lo tanto, como se usa el término en la presente, cuando se describe que una pluralidad de funciones es realizada por "un procesador", esto abarca formas de realización en donde la pluralidad de funciones son realizadas por cualquier número de procesadores (uno o más) de cualquier número de dispositivos informáticos (uno o más). Además, cuando una función se describe como realizada por "un procesador", esto abarca formas de realización en donde la función es realizada por cualquier número de procesadores (uno o más) de cualquier número de dispositivos informáticos (uno o más) (por ejemplo, en un sistema informático distribuido).

La memoria 3504 almacena información dentro del dispositivo informático 3500. En algunas implementaciones, la memoria 3504 es una o más unidades de memoria volátil. En algunas implementaciones, la memoria 3504 es una o más unidades de memoria no volátil. La memoria 3504 también puede ser otra forma de medio legible por ordenador, tal como un disco magnético u óptico.

El dispositivo de almacenamiento 3506 puede proporcionar almacenamiento masivo para el dispositivo informático 3500. En algunas implementaciones, el dispositivo de almacenamiento 3506 puede ser o contener un medio legible por ordenador, tal como un dispositivo de disquete, un dispositivo de disco duro, un dispositivo de disco óptico o un dispositivo de cinta, una memoria flash u otro dispositivo de memoria de estado sólido similar, o una matriz de dispositivos, incluidos dispositivos en una red de área de almacenamiento u otras configuraciones. Las instrucciones se pueden almacenar en un portador de información. Las instrucciones, cuando son ejecutadas por uno o más dispositivos de procesamiento (por ejemplo, el procesador 3502), realizan uno o más métodos, como los descritos anteriormente. Las instrucciones también pueden almacenarse mediante uno o más dispositivos de almacenamiento, tales como medios legibles por ordenador o máquina (por ejemplo, la memoria 3504, el dispositivo de almacenamiento 3506 o la memoria del procesador 3502).

La interfaz de alta velocidad 3508 gestiona operaciones intensivas de ancho de banda para el dispositivo informático 3500, mientras que la interfaz de baja velocidad 3512 gestiona operaciones menos intensivas de ancho de banda. Esta asignación de funciones es sólo un ejemplo. En algunas implementaciones, la interfaz de alta velocidad 3508 está acoplada a la memoria 3504, a la pantalla 3516 (por ejemplo, a través de un procesador o acelerador de gráficos) y a los puertos de expansión de alta velocidad 3510, que pueden aceptar varias tarjetas de expansión (no mostradas). En la implementación, la interfaz de baja velocidad 3512 está acoplada al dispositivo de almacenamiento 3506 y al puerto de expansión de baja velocidad 3514. El puerto de expansión de baja velocidad 3514, que puede incluir varios puertos de comunicación (por ejemplo, USB, Bluetooth®, Ethernet, Ethernet inalámbrico), puede estar acoplado a uno o más dispositivos de entrada/salida, tal como un teclado, un dispositivo de puntero, un escáner o un dispositivo de red tal como un conmutador o enrutador, por ejemplo, a través de un adaptador de red.

El dispositivo informático 3500 puede implementarse en varias formas diferentes, como se muestra en la figura. Por ejemplo, puede implementarse como un servidor estándar 3520, o varias veces en un grupo de dichos servidores. Además, puede implementarse en un ordenador personal como por ejemplo un ordenador portátil 3522. También puede implementarse como parte de un sistema de servidor en rack 3524. Como alternativa, los componentes del dispositivo informático 3500 pueden combinarse con otros componentes en un dispositivo móvil (no mostrado), tal como un dispositivo informático móvil 3550. Cada uno de dichos dispositivos puede contener uno o más del dispositivo informático 3500 y el dispositivo informático móvil 3550, y un sistema completo puede estar compuesto de múltiples dispositivos informáticos que se comunican entre sí.

El dispositivo informático móvil 3550 incluye un procesador 3552, una memoria 3564, un dispositivo de entrada/salida tal como una pantalla 3554, una interfaz de comunicación 3566 y un transceptor 3568, entre otros componentes. El dispositivo informático móvil 3550 también puede proporcionarse con un dispositivo de almacenamiento, tal como una microunidad u otro dispositivo, para proporcionar almacenamiento adicional. Cada uno del procesador 3552, la memoria 3564, la pantalla 3554, la interfaz de comunicación 3566 y el transceptor 3568 están interconectados mediante varios buses, y varios de los componentes pueden estar montados en una placa base común o de otras maneras, según corresponda.

El procesador 3552 puede ejecutar instrucciones dentro del dispositivo informático móvil 3550, incluidas las instrucciones almacenadas en la memoria 3564. El procesador 3552 puede implementarse como un conjunto de chips que incluyen procesadores analógicos y digitales separados y múltiples. El procesador 3552 puede proporcionar, por ejemplo, la coordinación de los otros componentes del dispositivo informático móvil 3550, tales como el control de interfaces de usuario, aplicaciones ejecutadas por el dispositivo informático móvil 3550 y comunicación inalámbrica mediante el dispositivo informático móvil 3550.

El procesador 3552 puede comunicarse con un usuario a través de una interfaz de control 3558 y una interfaz de visualización 3556 acoplada a la pantalla 3554. La pantalla 3554 puede ser, por ejemplo, una pantalla TFT (pantalla de cristal líquido con transistor de película fina) o una pantalla OLED (diodo orgánico emisor de luz), u otra tecnología de visualización adecuada. La interfaz de visualización 3556 puede comprender circuitos adecuados para controlar la pantalla 3554 para presentar información gráfica y de otro tipo a un usuario. La interfaz de control 3558 puede recibir comandos de un usuario y convertirlos para enviarlos al procesador 3552. Además, una interfaz externa 3562 puede proporcionar comunicación con el procesador 3552, a fin de permitir la comunicación de área cercana del dispositivo informático móvil 3550 con otros dispositivos. La interfaz externa 3562 puede proporcionar, por ejemplo, comunicación por cable en algunas implementaciones, o comunicación inalámbrica en otras implementaciones, y también se pueden utilizar múltiples interfaces.

La memoria 3564 almacena información dentro del dispositivo informático móvil 3550. La memoria 3564 puede implementarse como uno o más de un medio o medios legibles por ordenador, una unidad o unidades de memoria volátil o una unidad o unidades de memoria no volátil. También puede proporcionarse una memoria 3574 de expansión y conectarse al dispositivo 3550 informático móvil a través de una interfaz 3572 de expansión, que puede incluir, por ejemplo, una interfaz de tarjeta SIMM (Módulo de Memoria en Línea Única). La memoria de expansión 3574 puede proporcionar espacio de almacenamiento adicional para el dispositivo informático móvil 3550, o también puede almacenar aplicaciones u otra información para el dispositivo informático móvil 3550. Concretamente, la memoria de expansión 3574 puede incluir instrucciones para llevar a cabo o complementar los procesos descritos anteriormente, y también puede incluir información segura. Por lo tanto, por ejemplo, la memoria de expansión 3574 puede proporcionarse como un módulo de seguridad para el dispositivo informático móvil 3550, y puede programarse con instrucciones que permitan un uso seguro del dispositivo informático móvil 3550. Además, se pueden proporcionar aplicaciones seguras a través de las tarjetas SIMM, junto con información adicional, tal como colocar información de identificación en la tarjeta SIMM de una manera que no pueda ser pirateada.

La memoria puede incluir, por ejemplo, memoria flash y/o memoria NVRAM (memoria de acceso aleatorio no volátil), como se explica más adelante. En algunas implementaciones, las instrucciones se almacenan en un portador de información, y cuando son ejecutadas por uno o más dispositivos de procesamiento (por ejemplo, el procesador 3552), realizan uno o más métodos, como los descritos anteriormente. Las instrucciones también pueden almacenarse mediante uno o más dispositivos de almacenamiento, tal como uno o más medios legibles por ordenador o máquina (por ejemplo, la memoria 3564, la memoria de expansión 3574 o la memoria en el procesador 3552). En algunas implementaciones, las instrucciones pueden recibirse en una señal propagada, por ejemplo, a través del transceptor 3568 o la interfaz externa 3562.

El dispositivo informático móvil 3550 puede comunicarse de forma inalámbrica a través de la interfaz de comunicación 3566, que puede incluir circuitos de procesamiento de señal digital cuando sea necesario. La interfaz de comunicación 3566 puede permitir comunicaciones bajo varios modos o protocolos, tales como llamadas de voz GSM (Sistema Global para Comunicaciones Móviles), SMS (Servicio de Mensajes Cortos), EMS (Servicio de Mensajería Mejorada) o mensajería MMS (Servicio de Mensajería Multimedia), CDMA (acceso múltiple por división de código), TDMA (acceso múltiple por división de tiempo), PDC (Celular Digital Personal), WCDMA (Acceso Múltiple por División de Código de Banda Ancha), CDMA2000 o GPRS (Servicio General de Radio por Paquetes), entre otros. Esta comunicación puede realizarse, por ejemplo, a través del transceptor 3568 utilizando una radiofrecuencia. Además, puede haber una comunicación de corto alcance, como mediante un transceptor Bluetooth®, Wi-Fi™ u otro similar (no mostrado). Además, un módulo receptor GPS (Sistema de Posicionamiento Global) 3570 puede proporcionar datos inalámbricos adicionales relacionados con la navegación y la ubicación al dispositivo informático móvil 3550, que pueden ser utilizados, según corresponda, por aplicaciones que se ejecutan en el dispositivo informático móvil 3550.

El dispositivo informático móvil 3550 también puede comunicarse de forma audible utilizando un códec de audio 3560, que puede recibir información hablada de un usuario y convertirla en información digital utilizable. El códec de audio 3560 puede igualmente generar sonido audible para un usuario, como a través de un altavoz, por ejemplo, en un auricular del dispositivo informático móvil 3550. Dicho sonido puede incluir sonido de llamadas telefónicas de voz, puede incluir sonido grabado (por ejemplo, mensajes de voz, archivos de música, etc.) y también puede incluir sonido generado por aplicaciones que funcionan en el dispositivo informático móvil 3550.

El dispositivo informático móvil 3550 puede implementarse en varias formas diferentes, como se muestra en la figura. Por ejemplo, podría implementarse como un teléfono celular 3580. También puede implementarse como parte de un teléfono inteligente 3582, un asistente digital personal u otro dispositivo móvil similar.

Se pueden realizar diversas implementaciones de los sistemas y técnicas descritos aquí en circuitos electrónicos digitales, circuitos integrados, ASIC (circuitos integrados de aplicación específica) especialmente diseñados, hardware de ordenador, firmware, software y/o combinaciones de estos. Estas diversas implementaciones pueden incluir la implementación en uno o más programas informáticos que son ejecutables y/o interpretables en un sistema programable que incluye al menos un procesador programable, que puede tener un propósito especial o general, acoplado para recibir datos e instrucciones desde, y para transmitir datos e instrucciones a, un sistema de almacenamiento, al menos un dispositivo de entrada y al menos un dispositivo de salida.

Estos programas informáticos (también conocidos como programas, software, aplicaciones de software o código) incluyen instrucciones de máquina para un procesador programable y pueden implementarse en un lenguaje de programación de alto nivel orientado a objetos y/o procedimental y/o en lenguaje ensamblador/máquina. Como se usa en la presente, las expresiones medio legible por máquina y medio legible por ordenador se refieren a cualquier producto, aparato y/o dispositivo de programa informático (por ejemplo, discos magnéticos, discos ópticos, memoria, y dispositivos lógicos programables (PLD)), utilizados para proporcionar instrucciones de máquina y/o datos a un procesador programable, incluido un medio legible por máquina que recibe instrucciones de máquina como una señal legible por máquina. La expresión “señal legible por máquina” se refiere a cualquier señal utilizada para proporcionar instrucciones de máquina y/o datos a un procesador programable.

Para proporcionar la interacción con un usuario, los sistemas y las técnicas aquí descritos pueden implementarse en un ordenador que tenga un dispositivo de visualización (por ejemplo, un monitor CRT (tubo de rayos catódicos) o LCD (pantalla de cristal líquido)), para mostrar información al usuario y un teclado y un dispositivo señalador (por ejemplo, un ratón o una bola de seguimiento) mediante los cuales el usuario puede introducir información en el ordenador. También se pueden utilizar otros tipos de dispositivos para interactuar con el usuario; por ejemplo, la retroalimentación proporcionada al usuario puede ser cualquier forma de retroalimentación sensorial (por ejemplo, retroalimentación visual, auditiva o táctil); y la entrada del usuario se puede recibir de cualquier forma, incluyendo información acústica, verbal o táctil.

Los sistemas y las técnicas que se describen aquí se pueden implementar en un sistema informático que incluya un componenteback-end(por ejemplo, un servidor de datos), o que incluya un componente middleware (por ejemplo, un servidor de aplicaciones), o que incluya un componentefront-end(por ejemplo, un ordenador del cliente que tenga una interfaz gráfica de usuario o un navegador web a través del cual un usuario pueda interactuar con una implementación de los sistemas y técnicas que se describen aquí), o cualquier combinación de dichos componentes back-end, middleware o front-end. Los componentes del sistema pueden interconectarse mediante cualquier forma o medio de comunicación de datos digitales (por ejemplo, una red de comunicaciones). Los ejemplos de redes de comunicación incluyen una red de área local (LAN), una red de área amplia (WAN) e Internet.

El sistema informático puede incluir clientes y servidores. Un cliente y un servidor suelen estar separados entre sí de forma remota y normalmente interactúan a través de una red de comunicación. La relación de cliente y servidor puede surgir en virtud de los programas informáticos que se ejecutan en los respectivos ordenadores y que tienen una relación cliente-servidor entre sí. En algunas implementaciones, los módulos y/o servicios descritos en la presente pueden separarse, combinarse o incorporarse en módulos y/o servicios individuales o combinados. Los módulos y/o servicios representados en las figuras no pretenden limitar los sistemas aquí descritos a las arquitecturas de software que allí se muestran.

Aunque la invención se ha mostrado y descrito particularmente con referencia a formas de realización específicas preferidas, las personas del oficio de nivel medio deben entender que pueden introducirse en ella diversos cambios de forma y detalle sin apartarse del alcance de la invención, que se define por las reivindicaciones adjuntas.

Claims

REIVINDICACIONES

1. Un método implementado por ordenador

para el marcado de lesiones y el análisis cuantitativo de imágenes de medicina nuclear de un sujeto humano, comprendiendo el método:

(a) acceder (2510), mediante un procesador (3502) de un dispositivo informático (3500), a un conjunto de imágenes de exploración ósea (2610) del sujeto humano, dicho conjunto de imágenes de exploración ósea (2610) se obtiene tras la administración de un agente al sujeto humano;

(b) segmentar automáticamente (2520), mediante el procesador (3502), cada imagen en el conjunto de imágenes de exploración ósea (2610) para identificar una o más regiones esqueléticas de interés, correspondiendo cada región esquelética de interés a una región anatómica particular de un esqueleto del sujeto humano, obteniendo así un conjunto anotado de imágenes;

(c) detectar automáticamente (2530), mediante el procesador (3502), un conjunto inicial de uno o más puntos críticos (2538), correspondiendo cada punto crítico a un área de intensidad elevada en el conjunto anotado de imágenes, comprendiendo dicha detección automática:

utilizar (i) intensidades de píxeles en el conjunto anotado de imágenes y(ii)una pluralidad de valores umbral preliminares (2532) para detectar un conjunto de posibles puntos críticos;

calcular un factor de escala de umbral global (2534) utilizando el conjunto de posibles puntos críticos;

ajustar la pluralidad de valores umbral preliminares utilizando el factor de escala de umbral global (2534), obteniendo así una pluralidad de valores umbral ajustados (2536); y

utilizar (i) intensidades de píxeles en el conjunto anotado de imágenes y(ii)la pluralidad de valores umbral ajustados para identificar el conjunto inicial de puntos críticos (2538);

(d) para cada punto crítico en el conjunto inicial de puntos críticos (2538), extraer, mediante el procesador, un conjunto de características del punto crítico asociadas con el punto crítico (2540);

(e) para cada punto crítico en el conjunto inicial de puntos críticos (2538), calcular, mediante el procesador, un valor de probabilidad de metástasis correspondiente a una probabilidad de que el punto crítico represente una metástasis, basándose en el conjunto de características del punto crítico asociadas con el punto crítico (2530); y

(f) provocar, mediante el procesador, la representación gráfica de al menos una porción del conjunto inicial de puntos críticos para su visualización dentro de una interfaz gráfica de usuario (GUI) (2560).

2. El método de acuerdo con la reivindicación 1, en donde el factor de escala de umbral global (2534) es una función de una medida de carga de enfermedad para el sujeto humano, y en donde el ajuste de la pluralidad de valores umbral preliminares (2532) realizado en el paso (c) comprende disminuir los valores umbral ajustados a medida que aumenta la carga de enfermedad para compensar una subestimación del área de punto crítico que se produce con el aumento de la carga de enfermedad.

3. El método de acuerdo con la reivindicación 1 o 2, en donde el factor de escala de umbral global (2534) es una función de una fracción de las regiones esqueléticas identificadas ocupadas por el conjunto de posibles puntos críticos.

4. El método de acuerdo con cualquiera de las reivindicaciones 1 a 3, en donde el factor de escala de umbral global (2534) se basa en un valor de índice de riesgo calculado utilizando el conjunto de posibles puntos críticos.

5. Un sistema de procesamiento de datos

para el marcado de lesiones y el análisis cuantitativo de imágenes de medicina nuclear de un sujeto humano, comprendiendo el sistema:

un procesador (3502); y

una memoria (3504) con instrucciones almacenadas en esta, en donde las instrucciones, cuando son ejecutadas mediante el procesador (3502), hacen que el procesador (3502):

(a) acceda (2510), mediante un procesador de un dispositivo informático (3500), a un conjunto de imágenes de exploración ósea (2610) del sujeto humano, dicho conjunto de imágenes de exploración ósea (2610) se obtiene tras la administración de un agente al sujeto humano;

(b) segmente automáticamente (2520) cada imagen en el conjunto de imágenes de exploración ósea (2610) para identificar una o más regiones esqueléticas de interés, correspondiendo cada región esquelética de interés a una región anatómica particular de un esqueleto del sujeto humano, obteniendo así un conjunto anotado de imágenes; (c) detecte automáticamente (2530) un conjunto inicial de uno o más puntos críticos (2538), correspondiendo cada punto crítico a un área de intensidad elevada en el conjunto anotado de imágenes, comprendiendo dicha detección automática:

ajustar la pluralidad de valores umbral preliminares (2532) utilizando el factor de escala de umbral global (2534), obteniendo así una pluralidad de valores umbral ajustados (2536); y

utilizar (i) intensidades de píxeles en el conjunto anotado de imágenes y(ii)la pluralidad de valores umbral ajustados (2536) para identificar el conjunto inicial de puntos críticos (2538);

(d) para cada punto crítico en el conjunto inicial de puntos críticos (2538), extraer un conjunto de características del punto crítico asociadas con el punto crítico (2540);

(e) para cada punto crítico en el conjunto inicial de puntos críticos (2538), calcular un valor de probabilidad de metástasis correspondiente a una probabilidad de que el punto crítico represente una metástasis, basándose en el conjunto de características del punto crítico asociadas con el punto crítico (2530); y

(f) provocarla representación gráfica de al menos una porción del conjunto inicial de puntos críticos (2538) para su visualización dentro de una interfaz gráfica de usuario (GUI) (2560).