用于所选组织结构的图像分析的方法及系统

1.一种用于分析样本的计算机实现方法，所述样本包括具有不同的密度的第一材料和第二材料，且所述第一材料与所述第二材料之间具有结合部，所述方法包括：
在所述样本的图像内自动地定义感兴趣区域，所述感兴趣区域具有一个或更多个体素或像素的宽度；
确定所述感兴趣区域内的密度分布；以及
确定所述结合部的位置，包括：
(i)在所述第一材料内定义具有所述第一材料的代表性密度的位置以及相似于或低于所述第二材料的密度的密度的参考点；
(ii)在所述密度分布中定位距所述参考点最近的点；
(iii)在所述参考点与所述最近的点之间的所述密度分布中定位所述密度分布的一阶导数为正的所述密度分布的段或所述密度分布的所述一阶导数为负的所述密度分布的段；
以及
(iv)定位所述段中的拐点。
2.根据权利要求1所述的方法，包括：
在所述参考点与所述最近的点之间的所述密度分布中定位所述密度分布的所述一阶导数为正的多个段或所述密度分布的所述一阶导数为负的多个段；
确定所述多个段中每个段的高度；
确定所述多个段中的具有最大高度的段；以及
定位具有所述最大高度的段中的拐点；
其中，所述多个段中每个段的高度为与该段的两个端点对应的两个密度中的较大密度和较小密度之间的差。
3.根据权利要求1所述的方法，其中，确定所述最近的点包括：在所述密度分布内以(xi,yi)＝(0,0)为中心的参考帧中找到表达式 的最小值，或者在所述密度分布内以(xi,yi)＝(0,0)为中心的参考帧中找到表达式 的最大值。
4.根据权利要求1所述的方法，其中，所述样本包括骨。
5.根据权利要求1所述的方法，包括：检测所述第一材料中的衰变、孔隙率、皮质脆性或异常，或者识别具有异常结构的骨。
6.根据权利要求1所述的方法，其中，所述感兴趣区域包括位于所述第一材料与所述样本的包括所述第二材料、第三材料或空穴的另外一部分之间的至少一个另外的结合部，并且所述方法还包括定位所述另外的结合部。
7.根据权利要求6所述的方法，包括通过仅使用所述样本的、在所述密度分布中的所述结合部与所述密度分布中的所述另外的结合部之间的部分来进一步分析所述第一材料。
8.根据权利要求6所述的方法，其中，在所述密度分布中定位距另外的参考点最近的点，所述另外的参考点具有与密度差最大的点的位置相同的位置并且具有与所述另外一部分的代表性密度相同的密度。
9.根据权利要求1所述的方法，包括相对于所述各个感兴趣区域中的每一个旋转所述样本，和/或合并所选择的多个邻近的感兴趣区域，使得所述多个感兴趣区域的各部分交叠。
10.根据权利要求1所述的方法，其中，所述第一材料是骨，并且所述方法包括在所述样本内限定多个隔室，所述隔室包括以下隔室中的一个或更多个：
由骨膜边界和皮质的起始划界的隔室；
由皮质的起始和致密皮质的起始划界的隔室；
致密或硬的皮质隔室；
小梁化皮质隔室；
皮质-小梁结合部隔室；以及
小梁隔室。
11.根据权利要求1所述的方法，包括在分析骨的结构时最小化部分容积效应，或在最小化部分容积效应的同时确定图像内的结构的尺寸。
12.根据权利要求1所述的方法，其中，所述样本包括骨样本，并且所述方法包括：确定具有类小梁外观的皮质的比例，和/或确定致密皮质的皮质厚度的平均值、皮质物质的皮质厚度的平均值、小梁化皮质的皮质厚度的平均值、致密皮质的面积、皮质物质的面积、小梁化皮质的面积、致密皮质的密度、皮质物质的密度或者小梁化皮质的密度。
13.根据权利要求1所述的方法，其中，所述样本包括骨样本，并且(i)所述样本包括小梁部分、皮质部分以及皮质-小梁结合部中的一个或更多个；以及(ii)所述方法包括基于具有异常的皮质、异常的小梁隔室以及异常的皮质-小梁结合部中的一个或更多个来确定所述样本是否异常。
14.根据权利要求1所述的方法，包括(i)自动识别骨；(ii)识别非骨组织；(iii)识别皮质骨和确定皮质密度、皮质孔隙率和皮质厚度中的一个或更多个；(iv)识别皮质-小梁结合部和皮质-小梁骨的一个或更多个指标；(v)识别小梁骨和确定一个或更多个小梁指标；和/或(vi)使用周围肌肉组织作为参考来确定骨的矿化程度。
15.根据权利要求1所述的方法，包括根据由下述因素构成的组确定任何一个或更多个指标：
皮质的厚度、小梁化皮质的厚度或过渡区带的厚度；
皮质面积或小梁化皮质的皮质面积；
皮质、小梁化皮质或过渡区带的孔隙率；
无论皮质或小梁化皮质的绝对厚度或面积如何，皮质或小梁化皮质是否正常；
皮质或小梁化皮质是否经历了再吸收；以及
根据所述密度分布的所述分析的小梁构造和孔隙率。
16.根据权利要求1所述的方法，其中，分析所述样本包括旋转、平移，或旋转和平移所述感兴趣区域中的一个或更多个。
17.根据权利要求1所述的方法，还包括：
通过旋转所述感兴趣区域中的至少之一、平移所述感兴趣区域中的至少之一或者旋转和平移所述感兴趣区域中的至少之一来分析所述图像。
18.一种用于分析样本的系统，所述样本包括具有不同的密度的第一材料和第二材料，所述第一材料和所述第二材料之间具有结合部，所述系统包括：
感兴趣区域选择器，用于在包括所述第一材料的一部分和所述第二材料的一部分的所述样本的至少一部分的图像中选择至少一个感兴趣区域；
密度分布分析器，用于确定所述感兴趣区域内的所述样本的密度分布，以及用于确定所述结合部的位置；以及
输出部分，用于输出所述分析的结果；
其中，所述密度分布分析器被配置成：
(i)在所述第一材料内定义具有所述第一材料的代表性密度的位置以及相似于或低于所述第二材料的密度的密度的参考点；
(ii)在所述密度分布中定位距所述参考点最近的点；
(iii)在所述参考点与所述最近的点之间的所述密度分布中定位所述密度分布的一阶导数为正的所述密度分布的段或所述密度分布的所述一阶导数为负的所述密度分布的段；
以及
(iv)定位所述段中的拐点。
19.根据权利要求18所述的系统，其中，所述密度分布分析器还被配置成：
在所述参考点与所述最近的点之间的所述密度分布中定位所述密度分布的所述一阶导数为正的多个段或所述密度分布的所述一阶导数为负的多个段；
确定所述多个段中每个段的高度；
确定所述多个段中的具有最大高度的段；以及
定位具有所述最大高度的段中的拐点；
其中，所述多个段中每个段的高度为与该段的两个端点对应的两个密度中的较大密度和较小密度之间的差。
20.根据权利要求18所述的系统，其中，确定所述最近的点包括：在所述密度分布内以(xi,yi)＝(0,0)为中心的参考帧中找到表达式 的最小值，或者在所述密度分布内以(xi,yi)＝(0,0)为中心的参考帧中找到表达式 的最大值。
21.根据权利要求18所述的系统，包括：感兴趣区域位置调节器，适于优化由所述密度分布分析器在确定所述密度分布时使用的所选择的感兴趣区域的位置；和/或感兴趣区域合并器，所述感兴趣区域合并器适于合并多个感兴趣区域，使得所述多个感兴趣区域的各部分交叠。
22.根据权利要求18所述的系统，其中，所述系统进一步被配置成将围绕所述第一材料定位的或能够围绕所述第一材料定位的第二材料作为用于所述第一材料的分析的参考。
23.一种用于分析样本的计算机设备，所述样本包括具有不同的密度的第一材料和第二材料，且所述第一材料与所述第二材料之间具有结合部，所述设备包括：
用于在所述样本的图像内自动地定义感兴趣区域的装置，所述感兴趣区域具有一个或更多个体素或像素的宽度；
用于确定所述感兴趣区域内的密度分布的装置；以及
用于确定所述结合部的位置的装置，其中确定所述结合部的位置包括：
(i)在所述第一材料内定义第一参考点；
(ii)在所述密度分布中确定距所述参考点最近的点；
(iii)在所述参考点与所述最近的点之间的所述密度分布中定位所述密度分布的一阶导数为正的所述密度分布的段或所述密度分布的所述一阶导数为负的所述密度分布的段；
以及
(iv)定位所述段中的拐点。
24.根据权利要求23所述的计算机设备，其中，确定所述结合部的位置还包括：
在所述参考点与所述最近的点之间的所述密度分布中定位所述密度分布的所述一阶导数为正的多个段或所述密度分布的所述一阶导数为负的多个段；
确定所述多个段中每个段的高度；
确定所述多个段中的具有最大高度的段；以及
定位具有所述最大高度的段中的拐点；
其中，所述多个段中每个段的高度为与该段的两个端点对应的两个密度中的较大密度和较小密度之间的差。
25.根据权利要求23所述的计算机设备，其中，确定所述最近的点包括：在所述密度分布内以(xi,yi)＝(0,0)为中心的参考帧中找到表达式 的最小值，或者在所述密度分布内以(xi,yi)＝(0,0)为中心的参考帧中找到表达式 的最大值。
26.根据权利要求23所述的计算机设备，其中，所述样本包括骨。
27.根据权利要求23所述的计算机设备，包括：用于检测所述第一材料中的衰变、孔隙率、皮质脆性或异常，或者识别具有异常结构的骨的装置。
28.根据权利要求23所述的计算机设备，其中，所述感兴趣区域包括位于所述第一材料与所述样本的包括所述第二材料、第三材料或空穴的另外一部分之间的至少一个另外的结合部，并且所述计算机设备还包括用于定位另外的结合部的装置。
29.根据权利要求28所述的计算机设备，包括用于通过仅使用所述样本的、在所述密度分布中的所述结合部与所述密度分布中的所述至少一个另外的结合部之间的部分来进一步分析所述第一材料的装置。
30.根据权利要求28所述的计算机设备，其中，用于定位另外的结合部的装置被配置成在所述密度分布中定位距另外的参考点最近的点，所述另外的参考点具有与密度差最大的点的位置相同的位置并且具有与所述另外一部分的代表性密度相同的密度。
31.根据权利要求23所述的计算机设备，包括用于相对于所述各个感兴趣区域中的每一个旋转所述样本，和/或合并所选择的多个邻近感兴趣区域，使得所述多个感兴趣区域的各部分交叠的装置。
32.根据权利要求23所述的计算机设备，其中，所述第一材料是骨，并且所述计算机设备包括用于在所述样本内限定多个隔室的装置，所述隔室包括以下隔室中的一个或更多个：
由骨膜边界和皮质的起始划界的隔室；
由皮质的起始和致密皮质的起始划界的隔室；
致密或硬的皮质隔室；
小梁化皮质隔室；
皮质-小梁结合部隔室；以及
小梁隔室。
33.根据权利要求23所述的计算机设备，包括用于在分析骨的结构时最小化部分容积效应，或在最小化部分容积效应的同时确定图像内的结构的尺寸的装置。
34.根据权利要求23所述的计算机设备，其中，所述样本包括骨样本，并且所述计算机设备包括：用于确定具有类小梁外观的皮质的比例，和/或确定致密皮质的皮质厚度的平均值、皮质物质的皮质厚度的平均值、小梁化皮质的皮质厚度的平均值、致密皮质的面积、皮质物质的面积、小梁化皮质的面积、致密皮质的密度、皮质物质的密度或者小梁化皮质的密度的装置。
35.根据权利要求23所述的计算机设备，其中，所述样本包括骨样本，并且(i)所述样本包括小梁部分、皮质部分以及皮质-小梁结合部中的一个或更多个；以及(ii)所述计算机设备包括用于基于具有异常的皮质、异常的小梁隔室以及异常的皮质-小梁结合部中的一个或更多个来确定所述样本是否异常的装置。
36.根据权利要求23所述的计算机设备，包括(i)用于自动识别骨的装置；(ii)用于识别非骨组织的装置；(iii)用于识别皮质骨和确定皮质密度、皮质孔隙率和皮质厚度中的一个或更多个的装置；(iv)用于识别皮质-小梁结合部和皮质-小梁骨的一个或更多个指标的装置；(v)用于识别小梁骨和确定一个或更多个小梁指标的装置；和/或(vi)用于使用周围肌肉组织作为参考来确定骨的矿化程度的装置。
37.根据权利要求23所述的计算机设备，包括用于根据由下述因素构成的组确定任何一个或更多个指标的装置：
皮质的厚度、小梁化皮质的厚度或过渡区带的厚度；
皮质面积或小梁化皮质的皮质面积；
皮质、小梁化皮质或过渡区带的孔隙率；
无论皮质或小梁化皮质的绝对厚度或面积如何，皮质或小梁化皮质是否正常；
皮质或小梁化皮质是否经历了再吸收；以及
根据所述密度分布的所述分析的小梁构造和孔隙率。
38.根据权利要求23所述的计算机设备，其中，用于分析所述样本的装置包括用于旋转、平移，或旋转和平移所述感兴趣区域中的一个或更多个的装置。
39.根据权利要求23所述的计算机设备，还包括：
用于通过旋转所述感兴趣区域中的至少之一、平移所述感兴趣区域中的至少之一或者旋转和平移所述感兴趣区域中的至少之一来分析所述图像的装置。

用于所选组织结构的图像分析的方法及系统\n[0001] 相关申请\n[0002] 本申请基于2009年9月11日提交的澳大利亚申请2009904407号并且要求其申请日期的优先权，其全部的提交内容通过引用合并于此。\n技术领域\n[0003] 本发明涉及用于将对象或结构从其周围环境中识别、将对象或结构与其周围环境分离开或区分开以及使用如对象或结构的图像对其进行分析的分析方法以及系统，本发明具体地但绝不是以排它性的方式应用在包括骨的分析（在活体或其它中）和疾病如骨疾病的诊断的生物组织分析以及材料与地质样本的分析或表征中。在具体的实施例中，本发明涉及将骨从周围组织（如肌肉和脂肪）中识别并且将骨与周围组织区分开、对骨结构进行分析以及对衰变的或异常的骨（因此在某些情况下是易骨折的骨）进行检测。在另一种具体的实施例中，本发明涉及对嵌入在生物组织（如肌肉）内的异物进行定位或识别。\n背景技术\n[0004] 目前，骨密度是预测骨折风险和评估对骨的治疗效果的常用工具，但是其缺乏敏感性和特殊性。在所有的髋骨折中，有超过一半的髋骨折发生在使用双能X线吸收测定法（DXA，dual energy X-ray absorptiometry）被确定为骨折疏松症（T-score≤-2.5）的妇女中。此外，大多数具有由DEXA BMD定义的骨质疏松症的妇女没有经受骨折（Delmas P.D.,Seeman E.Changes in bone mineral density explain little of the reduction in vertebral or nonvertebral fracture risk with anti-resorptive therapy，Bone 34(4)(2004)p.599-604）。在药物治疗期间，仅有一小部分骨折风险的减少用骨密度的增长来解释（Ott S.M.,When bone mass fails to predict bone failure,Calcif.Tissue Int.53(Suppl1)pp.S7-S13）。这种敏感性和特殊性的缺乏部分地由于以下事实：骨折的风险不仅由骨的密度来确定而且由骨的结构来确定（Zebaze R.M.and Seeman S.,Measuring Femoral Neck Strength:Lost in Translation?,IBMS BoneKEy 5(2008)pp.336-339）。\n[0005] 从而，正在使用如定量计算机断层扫描（CT）和核磁共振成像（MRI）等技术产生图像，然后分析这些图像以预测骨折风险、量化药物的效果以及确定针对骨损失的预防的各个策略（如锻炼或饮食）的有效性。但是，不能证明从这些显像模式中导出的参数要比骨密度测量明显地好，所以目前不能将其用作骨密度测量的替代。\n[0006] 使用这些方法的问题不仅在于图像采集而且更重要地在于图像处理。用于从这些图像中评估骨结构的现有技术的其中一个最重要的问题是对于识别感兴趣区域（ROI）内的骨和将骨分割（即，分离）成骨的各个隔室（通常是皮质骨和小梁骨）的固定的任意阈值的依赖。骨的构造因人而异，为此，固定阈值的使用对来自不同个体的骨具有不同和不可预测的结果。从而，固定阈值的使用在不存在差异的情况下可以产生明显的差异，或是在存在差异的情况下使得差异变得模糊。\n[0007] 此外，现有的方法使用骨结构的简化模型。具体地，这些方法将骨视为由两个不同的隔室（皮质骨和小梁骨）组成的结构。实际上，所谓的“致密”骨和小梁（“海绵状的”）骨是从骨膜到内部骨髓腔的孔隙率的变化的连续体的极端情况。\n[0008] 此外，现有方法使用所谓的“体模校准（phantom calibration）”来确定与图像内每个像素相关联的密度。然后使用该密度识别骨以及评估骨的结构（从而有术语：定量计算机断层扫描（QCT））。现有的校准过程具体到每个扫描仪制造商，所以由嵌入在扫描仪中的软件所进行的骨结构的分析是制造商特定的。\n发明内容\n[0009] 根据本发明第一概括方面，提供了用于分析包括具有通常意义上的不同的密度的和在其之间具有结合部（突兀或其它）的第一材料和第二材料的样本的方法，该方法包括：\n[0010] 在包括该结合部的样本的至少一部分的横截面图像中限定感兴趣区域；\n[0011] 确定在感兴趣区域内并穿过该结合部的样本的密度分布；\n[0012] 确定所述第二材料的代表性密度（诸如根据密度分布）；以及\n[0013] 使用用于区分所述第一材料与第二材料的所述结合部来分析所述样本。\n[0014] 本发明的特征使得能够自动地操作该方法（以及以下被描述成自动化的系统）。\n[0015] 该方法可以包括：在密度分布中定位第一材料与第二材料之间的结合部（使用例如相对于适当地选择的点的距离函数）。\n[0016] 因此，第一材料和第二材料可以是不同密度的两种生物组织（诸如分别是骨或肿瘤组织以及周围的软组织），但也可以是使得能够产生横截面图像和具有通常意义上不同的密度的任何两种材料。例如，该方法与系统可以用于识别和提供对包括嵌入在肌肉或其它生物组织中的子弹（或其它金属物体）的样本的分析或表征。\n[0017] 应当注意，这是没有要求在图像分析诸如将骨与周围软组织区分开或将骨区分成多个隔室中使用阈值的情况下实现的。\n[0018] 还应当注意，“材料”是以其广义来使用的。材料可以是物体（或其一部分）、物体内的结构、一定体积的气体或被较大程度抽空的体积。\n[0019] 在一个实施例中，该方法还包括确定第一材料的构造（诸如骨的构造）。\n[0020] 在另一个实施例中，该方法还包括检测第一材料中的衰变或异常（诸如骨结构中的衰变或异常）。例如，该方法可以包括识别易骨折的骨。\n[0021] 在密度分布中定位结合部可以包括定位密度分布中离参考点最近的点，参考点具有与第一材料的代表性密度相同的位置并且具有近似或小于第二材料的代表性密度的密度。\n[0022] 在本实施例中，定位结合部可以包括：在密度分布内以(xi，yi)＝(0，0)为中心的参考帧中找到表达式 中的最小值。\n[0023] 在本实施例中，定位结合部可以包括：在密度分布内的以(xi，yi)＝(0，0)为中心的参考帧中找到表达式 中的最大值。\n[0024] 在另一个实施例中，定位结合部包括：在所述感兴趣区域的部分中定位密度分布变化率最大点，所述部分由所述密度差最大点划界并且包括所述第二材料。\n[0025] 在再一个实施例中，定位结合部包括：在所述感兴趣区域的部分中定位密度分布变化率最小点，所述部分由所述密度差最大点划界并且包括所述第二材料。\n[0026] 在特定实施例中，定位结合部包括定位密度分布中的拐点。\n[0027] 在再一个实施例中，定位结合部包括：形成密度分布的二阶导数（即，密度分布的一个或更多个部分的二阶导数，例如，在如下所述的最高“山”中），诸如在密度分布曲线的一个或更多个段（例如对应于样本内的各个隔室）中的一阶导数中定位拐点。\n[0028] 在一些实施例中，感兴趣区域包括位于所述第一材料与所述样本的包括所述第二材料、第三材料或空穴的另外一部分之间的至少一个另外的结合部，并且所述方法还包括：\n[0029] 确定所述另外一部分的代表性密度；以及\n[0030] 在所述感兴趣区域的由所述密度最大的点划界并且包括所述另外一部分的一部分中的所述密度分布中定位另外的结合部。\n[0031] 在本实施例中，该方法可以包括通过仅使用所述样本的、在所述密度分布中的所述结合部与所述密度分布中的该另外的结合部之间的部分来进一步分析第一材料。\n[0032] 在密度分布中定位另外的结合部可以包括：在所述密度分布中定位距另外的参考点最近的点，所述另外的参考点具有与密度差最大的点相同的位置以及与所述另外一部分的所述代表性密度相同的密度。\n[0033] 该方法还可以包括：通过调节所述感兴趣区域的位置来优化由密度分布分析器在确定所述密度分布时使用的所选择的感兴趣区域的位置。\n[0034] 该方法还可以包括合并多个感兴趣区域。\n[0035] 该方法还可以包括识别所述密度分布中的一个或更多个拐点，尤其在第一材料内。\n[0036] 该方法还可以包括识别密度分布中（诸如在第一材料内）的一个或更多个拐点，以限定多个样本内的多个隔室。\n[0037] 从而在不使用阈值的情况下，根据本实施例，例如可以将骨表征为多个隔室。\n[0038] 在一个实施例中，第一材料是骨，以及隔室包括以下所述的一个或多个：\n[0039] 由骨膜边界和皮质的起始划界的隔室；\n[0040] 由皮质的起始和致密皮质的起始划界的隔室；\n[0041] 致密（或硬的）皮质隔室；\n[0042] 小梁化皮质隔室；\n[0043] 皮质-小梁结合部隔室；以及\n[0044] 小梁隔室。\n[0045] 将骨膜边界、皮质的起始以及硬皮质的起始区分开的重要性出现的原因是：（i）骨膜边界是标记骨的起始的边缘（但是某些体素可以包括不同比率的组织与骨，所以这些体素可能被假象如部分容积效应所污染）。（ii）皮质的起始标记了由骨组织导致体素内的大多数衰减的点，从而标记了骨被认为是起始的点，以及（iii）致密皮质的起始对应于具有几乎仅由几乎不具有由PVE导致的假象的骨组织所引起的衰减的第一条。\n[0046] 因此，位于骨膜边界与硬皮质的起始之间的体素或像素受到部分容积效应的（PVE）的污染，即，它们的衰减部分地由周围软组织或其它假象引起。\n[0047] 在本实施例中，应当理解，这些隔室可以用不同的术语来定义但实质上是相同的效果。因此，在本实施例中，第一材料是骨，并且隔室包括以下所述的任何一个或多个：\n[0048] 由骨膜边界和致密皮质的起始划界的隔室；\n[0049] 由致密皮质的起始和外部过渡区带的起始划界的隔室；\n[0050] 外部过渡区带；\n[0051] 内部过渡区带；以及\n[0052] 小梁隔室。\n[0053] 识别骨膜边界（即，纯粹的软组织）与致密皮质（纯粹的骨）的起始之间的这种过渡的能力是本方面的方法所特有的，并且还可以具有许多重要的有利应用。根据本方面，可以允许假象如PVE对结构的评估的影响，可以确定骨的尺寸以及可以以最小的来自PVE的影响来评估骨的结构。\n[0054] 从而，在一个实施例中，该方法包括在分析结构时最小化PVE，而在另一个实施例中，该方法包括在最小化PVE的同时确定图像内的结构（如肿瘤、脓肿或出血）的尺寸。\n[0055] 在一个实施例中，该方法包括确定具有类小梁的外观的皮质的比例。\n[0056] 在一个实施例中，该方法包括确定致密皮质的皮质厚度的平均值。\n[0057] 在一个实施例中，该方法包括确定皮质物质的皮质厚度的平均值。\n[0058] 在一个实施例中，该方法包括确定小梁化皮质的皮质厚度的平均值。\n[0059] 在一个实施例中，该部分包括所述骨样本的小梁部分和所述骨样本的皮质部分。\n[0060] 该方法可以包括对骨样本的内部区域进行成像。\n[0061] 成像可以包括计算机断层扫描成像。\n[0062] 在特定实施例中，成像是在活体内进行的。\n[0063] 在一个实施例中，样本的部分包括径向条。\n[0064] 在实施例中，该方法包括对样本的多个部分进行成像并且确定所述每个部分各自的密度分布（如径向骨密度分布）。\n[0065] 该方法可以包括自动识别样本内的骨。\n[0066] 该方法可以包括确定来自以下所述指标中的任何一个或更多个指标：\n[0067] 皮质的厚度、小梁化皮质的厚度或过度区带的厚度；\n[0068] 小梁化皮质的皮质面积；\n[0069] 皮质的孔隙率、小梁化皮质的孔隙率或过渡区带的孔隙率；\n[0070] 无论其绝对厚度或面积如何，皮质或小梁化皮质是否正常；\n[0071] 皮质或小梁化皮质是否经历了再吸收（从而，损失骨）；以及\n[0072] 来自分布的分析中的小梁构造和孔隙率；\n[0073] 该方法可以包括确定皮质隔室与小梁隔室之间的分化的损失。\n[0074] 该方法可以包括识别骨膜的包膜内的非骨组织（即，孔和脂肪组织）。\n[0075] 该方法可以包括确定第一材料的半径、周长或横截面面积（诸如逐点围绕骨样本的周界的骨样本的一个或更多个半径）。\n[0076] 该方法可以包括确定第一材料（诸如逐点围绕骨样本的周界的骨）的二次矩面积（或惯性矩）。\n[0077] 该方法可以包括确定逐点围绕骨样本的周界的骨的横截面的质量调节的二次矩面积。\n[0078] 该方法可以包括确定骨的横截面的截面模数（和质量调节的截面模数）。\n[0079] 该方法可以包括确定骨的横截面的屈曲率（或质量调节的屈曲率）。\n[0080] 该方法可以包括确定骨的横截面的面积。\n[0081] 该方法可以包括确定骨的横截面的周长。\n[0082] 该方法可以包括使用如下所述的将骨与软组织分离开的具体函数来确定骨的横截面的截面模数（和质量调节的截面模数）\n[0083] 该方法可以包括使用以下所述的具体函数确定骨横截面的极惯性矩（质量调节的极惯性矩）。\n[0084] 该方法可以包括确定逐点围绕骨样本周围的骨的横截面的半径，诸如通过使用如下描述的具体函数。\n[0085] 该方法可以包括识别样本内的小梁骨和确定一个或更多个小梁指标，诸如小梁尺寸或小梁分离。\n[0086] 该方法可以包括使用周围肌肉组织作为参考来确定骨的矿化程度。\n[0087] 该方法可以包括使用第二材料（诸如肌肉组织）的衰减作为参考来确定感兴趣区域ROI内的组分（或成分）的绝对密度（诸如以g/cc或等同的mgHA/cc为单位）。\n[0088] 该方法可以包括使用第二材料（诸如肌肉组织）的衰减作为参考来确定感兴趣区域内的对象（或结构）的相对密度（诸如以百分比表示）。\n[0089] 在本实施例中，该方法可以包括根据任何一个或更多个指标来识别骨样本内的异常。\n[0090] 在一个实施例中，该方法可以包括基于具有异常皮质、异常小梁隔室或既具有异常皮质又具有异常小梁隔室来确定骨样本是否异常。\n[0091] 该系统和方法可以嵌入在可以安装在个人计算机中的计算机可读介质中，CT机器或MRI机器使得能够对用于疾病的自动化放射性诊断的图像进行灵活和鲁棒的分析。具体地，使得能够使用活体内或活体外的CT、QCT以及MRI源文件（DICOM、JPEG、TIFF或其它成像文件）来对骨结构进行自动化分析以诊断骨质疏松症、评估骨中的骨折风险和疾病与治疗的效果。可以预期本发明在骨质疏松症、某些代谢性骨疾病（如骨软化症或佩吉特疾病）以及浸润性骨疾病如骨转移的诊断中是有用的。\n[0092] 还应当注意，本发明使得能够使用如个人计算机（如由医师或科学家操作）对样本（如骨）结构进行评估以及对骨疾病如骨质疏松症进行诊断。\n[0093] 在一个实施例中，该方法包括根据坏死物质与周围健康组织之间的衰减差来从周围健康软组织中识别和分析所述坏死物质。\n[0094] 在一个实施例中，该方法包括识别和分析来自周围软组织的异常钙化。这具有用于心血管疾病的监测与诊断的潜在应用。\n[0095] 在一个实施例中，该方法包括识别和分析肾结石。肾结石含有大部分（80%）的钙成分，从而可以将其视为在异常位置的骨组织。这会是对于大部分（可能是80%）肾结石的自动化诊断的工具。\n[0096] 在美国，肾结石的终身患病率是10%或每年大约有二百万左右的肾结石患者，所以在这种状况下的自动化诊断对于医护专业人员具体地对于放射科医师会有很大的帮助。\n[0097] 在一个实施例中，该方法包括识别和分析钙化的其它肿瘤。\n[0098] 在一个实施例中，该方法包括：识别和分析非医学学科的图像内的对象。\n[0099] 在具体地有益的实施例中，分析样本包括使用旋转的臂宽来分析图像。\n[0100] 根据本概括方面，本发明还提供了用于分析包括通常意义上不同密度和在其之间具有结合部的第一材料和第二材料的样本的方法，该方法包括：\n[0101] 在包括所述结合部的样本的至少一部分的横截面图像中限定感兴趣区域；\n[0102] 确定臂宽，在所述臂宽上所述样本的所述部分是局部线性的；以及\n[0103] 分析所述图像包括旋转所述臂宽、变换所述臂宽或既旋转又变换所述臂宽。\n[0104] 在第二概括方面，本发明提供了用于分析包括通常意义上不同密度和在其之间具有结合部的第一材料和第二材料的样本的系统，该系统包括：\n[0105] 感兴趣区域选择器，用于在包括所述结合部的所述样本的至少一部分的横截面图像中选择感兴趣区域；\n[0106] 密度分布分析器，用于确定所述感兴趣区域内的穿过所述结合部的所述样本的密度分布，用于确定所述第二材料的代表性密度，并用于通过使用所述结合部区分所述第一材料和所述第二材料来分析所述样本；以及\n[0107] 输出部分，用于输出所述分析的结果。\n[0108] 系统可以包括感兴趣区域位置调节器，其适于优化由密度分布分析器在确定密度分布时使用的所选择的感兴趣区域的位置。\n[0109] 系统可以包括适于合并多个感兴趣区域的感兴趣区域合并器。\n[0110] 因此，样本的分析可以包括多次使用感兴趣区域选择器、产生多个感兴趣区域；感兴趣区域合并器适于合并多个感兴趣区域（一般每个都是针对适合性测试成功后的感兴趣区域），包括正确地处理多个感兴趣区域的交叠部分以构建样本的图像，诸如横截面图像。\n[0111] 密度分布分析器还可以适用于在第一材料与第二材料之间的密度分布中定位结合部（例如使用距离函数）。\n[0112] 系统（具体是密度分布分析器）可以具有适于执行第一方面的方法的各个可操作步骤的一个或多个模块。\n[0113] 系统可以包括能抽真空的样本腔，或可替代地，样本可以包括放置在第一材料周围以作为用于第一材料（正如，在活体内的骨的情况下，样本包括被基本上可以被视为水的肌肉围绕的骨）的分析参考的已知特征的第二材料（诸如水）。\n[0114] 这使得能够创建第一材料和第二材料中的一种材料包括抽空的容积（如相邻或围绕另一种材料）的样本。\n[0115] 根据进一步的概括方面，本发明提供了可执行的指令或软件（如嵌在计算机可读介质中，例如，在其中嵌入或永久地存储可执行指令或软件），当被计算机或计算机的处理器执行时，这些指令或软件会使得计算机或计算机的处理器执行用于分析样本的该方法。\n[0116] 为了回顾或进行进一步的分析，一般会将分析步骤的结果输出，但是可以输出至存储器或存储介质，诸如用于后续回顾或进一步分析。\n[0117] 根据另一概括方面，本发明提供设置有可执行的指令或软件的计算设备，如果被计算设备或计算设备的处理器执行，则这些可执行的指令或软件使得计算设备或计算设备的处理器执行如上所述的用于分析样本的方法。\n[0118] 应当注意，本发明的每一个所述方面的任何一个特征组合成适合和期望的。还应当注意，涉及骨分析的实施例还可以应用到其它样本，如有必要还可以适当地修改。\n附图说明\n[0119] 为了更加清楚地弄清本发明，将参考附图以示例的方式来描述实施例，其中:\n[0120] 图1是根据本发明实施例的用于检测易骨折骨的系统示意图；\n[0121] 图2是图1的系统的图像处理器的示意图；\n[0122] 图3是图1的系统的图像处理器的处理控制器的存储器的示意图；\n[0123] 图4是图1的图像处理器的另一个更加详细的示意图；\n[0124] 图5是图1的系统的系统流程图（包括与用户和客户的交互）；\n[0125] 图6是如由图1的系统的图像处理器输出的示例性骨图像；\n[0126] 图7A是由图1的系统的图像处理器对骨样本的质心进行确定的示意性描绘；\n[0127] 图7B是由图1的系统的图像处理器顺时针和逆时针旋转骨样本的图像的示意性描绘；\n[0128] 图8A是由图1的系统的图像处理器从感兴趣区域（ROI）的DICOM文件中导出的示例性图像；\n[0129] 图8B是为了额外的清楚以阴性示出的图8A的图像；\n[0130] 图9是如由图1的系统的图像处理器确定的针对用于图8A的图像的行号的骨条密度（用mgHA/cc表示）的图；\n[0131] 图10是图9的密度分布曲线的一阶导数的图，如由图1的系统的图像处理器所确定。\n[0132] 图11是可以与图9的图对比的图，例示由图1的系统的图像处理器对骨膜边界进行的确定；\n[0133] 图12是可以与图9的图对比的图，例示由图1的系统的图像处理器对致密皮质的起始进行的确定；\n[0134] 图13是可以与图9的图对比的图，例示由图1的系统的图像处理器对皮质物质的结尾进行的确定；\n[0135] 图14是用于确定皮质的起始和结尾的、由图1的系统的图像处理器二值化的图10的一阶导数数据的图；\n[0136] 图15是可以与图9的图对比的图，例示了由图1的系统的图像处理器对致密皮质的结尾进行的确定；\n[0137] 图16是可以与图9的图对比的图，概括了由图1的系统的图像处理器所执行的识别步骤的结果；\n[0138] 图17是由图1的系统的图像处理器从感兴趣区域的DICOM文件中导出的另一示例性图像（顶部记录）以及为了额外的清楚而以阴性示出的该图像的拷贝（下部记录），所示图像标记有由图1的系统的图像处理器所识别的隔室边界；\n[0139] 图18是如由图1的系统的图像处理器确定的针对用于图17的图像的行号的骨条密度（用mgHA/cc表示）的图；\n[0140] 图19是带有由图1的系统识别的具有“漂浮皮质的”骨的骨样本的示例性图像；\n[0141] 图20A和图20B例示由图1的系统的图像处理器执行的用于旋转图像内感兴趣区域的预备步骤；\n[0142] 图20C是由图1的系统的图像处理器执行的图像识别和图像分析旋转的流程图；\n[0143] 图21是在分析旋转期间由图1的系统的图像处理器用来分析和表征骨的BVE标尺;\n[0144] 图22A、图22B以及图22C描绘了由图1的图像处理器执行的图像二值化过程，其中，图22A是骨样本的示例性图像，图22B例示在一列中的皮质物质内的孔的识别，以及图22C是沿着所分析的线的相对于非骨像素的骨的二值化图；\n[0145] 图23是例示识别图像内已知尺寸的对象、隔离和确定其尺寸的图1的系统的使用的流程图；\n[0146] 图24是对于代表性密度的像素一般不是样本的中心的情况，由图1的系统的图像处理器对骨样本的几何中心进行确定的示意性描绘。\n[0147] 图25是例示识别图像内已知尺寸的对象、隔离和确定其尺寸的图1的系统的使用的流程图；\n[0148] 图26是图1的系统的图像处理器的控制屏幕的视图；\n[0149] 图27A、图27B、图27C、图27D、图27E以及图27F分别是从图25的示例性使用产生的作为ROI的函数的厚度、半径、外周长、横截面、内周长以及内表面面积的图；\n[0150] 图28是针对图1的系统的使用的包括钻孔塑料管的示例性体模样本的横截面的灰度图像；\n[0151] 图29是使用图1的系统获得的相对于已知的孔隙率的可以与图28示出的塑料管相比较的多个塑料管的孔隙率图；\n[0152] 图30是使用图1的系统获得的相对于已知的孔隙率的不同的但是已知羟磷灰石浓度的的四个体模样本的孔隙率的图；\n[0153] 图31A和图31B是使用图1的系统分析的骨样本的显微图像；\n[0154] 图32A和图32B是使用图1的系统分析另外的骨样本的显微图像；\n[0155] 图33是使用图1的系统分析的另一个骨样本的显微图像；\n[0156] 图34A是针对二十四个标本的相对于孔隙率的BMD T-score，例示直接从所分析的二十四个标本中的SEM图像直接测量的孔隙率水平与从所分析的二十四个标本中的BMD诊断阈值中测量的孔隙率水平之间的弱相关性；\n[0157] 图34B是相对于直接从SEM图像测量的百分比孔隙率的由图1的系统确定的百分比孔隙率的图；\n[0158] 图35例示针对骨样本的、与对应的SEM图像的直接观察结果比较时由图1的系统确定的密度分布曲线内的点m、n以及o的位置；\n[0159] 图36例示针对另一个骨样本的、与对应的SEM图像的直接观察结果比较时由图1的系统确定的密度分布曲线内的点m、n以及o的位置；\n[0160] 图37A由组织形态测定术直接测量的作为年龄的函数的每年的激活频率的年龄相关的增加的图；\n[0161] 图37B是用于与图37A的数据比较的使用图1的系统测量的孔隙率的年龄相关的增加的图；\n[0162] 图38A是从高分辨率外周定量计算机扫描（HRpQCT）数据中重构的桡骨远端的灰度图像；\n[0163] 图38B是在骨膜表面的提取之后由图1的系统重构的在图38A描绘的样本的图像；\n[0164] 图38C是图38A的样本的另一个视图，示出由图1的系统将相同的图像分割成四个骨隔室；\n[0165] 图38D是从图38C中提取的仅是外部过渡区带的图；\n[0166] 图38E是从图38C中提取的仅是内部过渡区带的图；\n[0167] 图38F和图38G分别是图38B和图38C的灰度版本；\n[0168] 图39A是由图1的系统产生的包括嵌入在肌肉中的安全别针的头的样本的图像；\n[0169] 图39B是图像的初始的感兴趣区域的放大；\n[0170] 图40包括与图39A的图像的ROI1相关联的密度分布曲线（上部记录）图和与密度分布曲线相关联的函数λ（1 下部记录）的图，两者都是由图1的系统产生；\n[0171] 图41A是由背景技术的系统产生的桡骨远端的横截面视图；\n[0172] 图41B是由图1的系统产生的相同的桡骨远端的横截面视图；\n[0173] 图42A是具有由背景技术系统描绘的骨和背景的胫骨的横截面图；以及[0174] 图42B是具有由图1的系统描绘出的骨和背景的相同胫骨的横截面图。\n具体实施方式\n[0175] 根据本发明的实施例，提供了用于检测易骨折骨的系统，该系统在图1中以附图标记10示意性地示出。\n[0176] 系统10包括CT扫描仪12、CT控制系统14以及图像处理器16形式的图像分析器。图像处理器16包括包含有输入设备和输出设备的用户接口18。输入设备的形式是用于控制图像处理器16的键盘20，以及输出设备的形式是在由图像处理器16进行的处理前后用于显示来自CT扫描仪12的图像的显示器22。CT扫描仪12被配置为对放置在CT扫描仪12的中心扫描体24中的样本进行扫描并且向CT控制系统14输出数字化扫描数据；CT控制系统14被配置为从接收自CT扫描仪12的数据中产生图像数据，并且向图像处理器16输出这些图像数据。\n[0177] 在本实施例中，图像数据包括一组穿过样本的单独的图像切片或图像条，但是在其它实施例中，可以使用其它截面（如冠状面、横截面或斜剖面）。\n[0178] 应当理解系统10可以操作在在线模式或离线模式。当处于在线模式时，图像处理器16直接从控制系统14接收数据（在样本扫描器期间或在样本扫描后不久）。这种布置可以用在临床环境中，尤其是如果对于任何易骨折骨的检测是紧急的。在这种在线模式中，数据通过数据链路（结合部至CT控制系统14和图像处理器16各自的USB）或通信网络（CT控制系统14和图像处理器16都结合部至其上，如以因特网的形式）传输至图像处理器16。这种链路或网络在图1中以26示意性地示出。\n[0179] 当处于离线模式时，图像处理器16接收早期由CT扫描仪12和CT控制系统14所收集的数据；数据可以通过通信链路或网络26，或通过任何其它适合的工具（包括便携式计算机可读介质如CD-ROM、闪存卡等）传输至图像处理器16。\n[0180] 图像处理器16包括与输入20和输出22进行数据通信的处理控制器28，处理控制器\n28被配置为处理根据处理过程（下面所讨论的）的图像处理指令，并且将处理结果（可以包括图像和/或检测结果）输出到显示器22。\n[0181] 参考图2，处理控制器28包括处理根据处理过程的处理指令和如上所述的将处理结果输出到显示器22的数字处理器30。键盘20和显示器22一起组成了用户接口32。典型地，处理指令作为程序代码存储在处理控制器28的存储器34中，但还可以是硬连线的。本文中的术语“处理器”一般地用来指能够处理根据处理过程的处理指令的任何设备，并且可以包括：微处理器、微控制器、可编程逻辑器件或其它计算设备，通用计算机（如PC）或服务器。\n[0182] 图3示出存储器34的主要部件的框图。存储器34包括RAM 36、EPROM 38以及大容量存储设备40。RAM 36通常临时地保存用于处理器30的程序文件和相关数据。EPROM 38可以是引导ROM器件和/或可以包括某些系统或处理相关的代码。大容量存储设备40通常用于处理程序。\n[0183] 图4是图1的系统10的用户接口32和处理控制器28的另一个示意图，其示出了处理控制器28的更多细节。具体地，处理控制器28的处理器30包括用于控制显示器22的显示控制器42、用于从数据准备区（通常是CT控制系统14）轮询DICOM（医学数字成像和通信）文件的DICOM文件轮询器44、用于将DICOM文件转换成用于显示的图像的DICOM文件转换器46、可控制以选择图像处理器16的待处理文件的文件选择器48、用于数字化所选择文件的文件数字转换器50、用于选择感兴趣区域的ROI选择器52、用于识别感兴趣区域中的骨的骨识别器\n54、标本位置调节器56、用于分析骨样本的密度分布的密度分布分析器58、ROI否决器60、初步结果整合器62、最终结果整合器64、指标确定器66以及结果输出器68。指标确定器66适于确定表征骨样本的各种指标，以使得图像处理器16可以将指示骨样本的外观的图像数据转换成指示样本的各种物理属性的指标。\n[0184] 处理控制器28的存储器34包括ROI结果存储器70和文件结果存储器72。\n[0185] 实施处理过程的处理指令的形式是如上所述的存储在存储器34中并且适于控制控制处理器26执行如在图5中示意性示出的处理过程的程序代码。参考图5，图像处理器16通过轮询CT控制系统14以接收（以在线或离线模式）DICOM文件（可能是在活体内的骨样本中收集），并且将文件存储在存储器34中。所接收的文件在本实施例中是DICOM文件，但是在其它实施例中可以是不同的图像格式如JPEG或TIFF。图像处理器16将文件转换成图像并且将图像输出到显示器22，以使得用户可以查看待处理的图像。图6是由软组织84围绕的骨样本82的这样的图像80的示例。这使得用户能够针对进行的处理，通过验证适当的文件是否已经被上载和图像是否具有足够的质量来评估样本的充分性。如果这些条件满足，则用户控制图像处理器16从DICOM文件（即，相当于穿过他或她希望分析的感兴趣区域（ROI）的具体图像切片）内选择用于处理的个别文件。如果用户没有指定待处理的个别文件，则图像处理器16继续做出切片数量的默认选择。用户然后控制图像处理器16开始处理过程。\n[0186] 如果十分确信图像具有足够高的质量以至于不需要另外的验证，用户还可以控制系统10跳过查看图像的步骤。在这些情况下，系统10在没有进一步的用户干涉的条件下自动地上载和分析样本，并且图像处理器16在没有来自用户的指令的条件下启动分析。\n[0187] 初始地，图像处理器16使用传统的技术对文件进行数字化。在该点上还可以执行任何其它期望的、传统的预处理。\n[0188] 由图像处理器16执行的第一步骤是识别感兴趣的材料（在此示例中+++是骨）。对于感兴趣材料的初始识别是通过定位具有材料密度的代表性密度的点来完成的。在包括骨组织的CT扫描图像样本的情况下，具有代表性密度的点（B）是具有最高衰减（或密度）的像素。（在其它实施例中，具有待分析的材料密度的代表性密度的点可以是具有最低衰减值的点，例如其可以用于脓肿的初步识别，这是由于脓肿具有很低的衰减值）。\n[0189] 从点B（参照图7A），图像处理器16使用分别处于0°、90°、180°以及270°的半径r1、r2、r3以及r4来确定几何中心（C）的坐标(x,y)，在本实施例中根据：\n[0190]\n[0191] 图像处理器16还可以从初始中心（I）确定质心（即，质量的中心）G（xG,yG）如下：\n[0192]\n[0193] Ai是像素i的衰减（或密度）以及xi与yi是其参考中心（C）的坐标。针对图6的示例，此处理在图7A中示出。\n[0194] 取决于待计算的指标，图像处理器16使用C或G。\n[0195] 图像处理器16接下来确定用于分析的适当的臂宽（AW）。图像处理器16不同时分析整个横截面（或文件内容）。每个文件被细分成特定长度（LROI）和宽度的感兴趣区域（ROI）。\nROI可以称为“臂”，所以ROI的宽度称为“臂宽”或AW。图像处理器16所使用的AW取决于待确定的指标和如下所述的待分析的材料的尺寸。图像处理器16使用如下形式的适当AW：\n[0196] AW≤ri＊tan(arccos(Δ))  (2)\n[0197] 其中Δ是从所选择的中心（C或G）估计的骨的曲率，并且ri是上面计算出的四个半径（即，r1、r2、r3以及r4）中最小的半径。\n[0198] 对于大多数指标，图像处理器16从中心C开始，并且将Δ的值设为0.98；将此AW表示为AW1。对于0.98的Δ，对分析具有来自骨的曲率的可以忽略的影响（0.02）。即，骨实际上看起来基本上是局部地“平坦”，这就是为什么选择0.98的反余弦值的原因。例如，在桡骨远端处的最小半径是 8mm，该半径给出了图像处理器16桡骨远端处的 1.62mm的AW。胫骨处的~ ~\n最小半径为12mm，针对此半径图像处理器16使用 2.42mm的AW。选择足够宽的AW以使得能够~\n在密度分布曲线中（如上所见）检测到孔和吸收腔。人类的孔和吸收腔的直径可以高至600微米，所以在评估人类的孔隙率时图像处理器16所使用的AW应该大于或等于1mm。值得注意地，由于没有两个骨具有完全相同的尺寸，所以图像处理器16不以相同的方式处理两个骨的图像，并且根据本实施例的骨结构的处理对于每一个骨都是特定的。\n[0199] 针对其它指标如强度参数或外部尺寸，图像处理器16从G开始并且使用另一个臂宽（用AW2来表示）。AW2由图像处理器16利用很小的曲率Δ（0.999）根据下式来确定：\n[0200] AW2＝ri＊tan(arccos(0.999)).  (3)\n[0201] AW2小于AW1，这是因为：由于直接目的是对横截面的内部和外部几何形状的进行准确计算（而不是检测孔隙率），所以这里所期望的是具有足够小以成为代表很小弧线的骨膜表面和皮质内表面。在桡骨远端和胫骨处，AW2分别是~360微米之间和590微米。\n[0202] 图像处理器16可以使用更大的默认曲率，但是在本实施例中使用0.999的Δ值。在本示例中使用0.999的Δ值来确定由图像处理器16提供的分析的精度和准确度。还应当注意，Δ是图像处理器16中用户可控制的设置值。这和其它这样的设置使得用户能够最小化骨膜边缘的不规则性（与圆的一部分的偏差）对分析的影响。如上所述，其是用户可控制的以最小化由偏离圆的部分的ROI的骨膜边缘所产生的任何潜在错误。图像处理器使用Δ=\n0.999的默认值，这是因为使用该值并且考虑到活体内人类的骨直径的范围（通常小于\n5cm），AW2是1mm或小于1mm。即，骨的骨膜边界在局部水平（即在1mm的长度内）上是规则的。\n[0203] 由于图像处理器16采用校准，所以图像处理器16能够容易地识别肌肉组织并且将肌肉密度用作参考。然后将肌肉组织与非肌肉组织的比率用作校准的形式。这就是为什么针对许多计算，在由图像处理器16所进行的处理中使用识别肌肉以及寻找其密度。（为此图像处理器16如下所述使用了不同的臂宽AW3）。由此导致的其中两个优点是（i）在将要使用图像处理器16分析扫描时，不需要出于测量参考密度的目的而进行繁琐和资源消耗的日常校准，和（ii）图像处理器16可以操作和分析基本上来自任何CT的图像文件，而不仅仅是来自定量计算机断层扫描的图像文件。这可以排除对于具有QCT的需要。此外，利用此方法，图像处理器16能够提供给现有的CT（或MRI）骨结构分析功能。（现有的CT机器虽然得到了广泛的应用，但是缺乏骨分析功能所以不能用于骨质疏松症的诊断）。\n[0204] 诸如小梁骨参数的许多指标或者强度或孔隙率的指标需要肌肉密度的先验检测，所以图像处理器16在这些情况下使用较大的臂宽AW3：\n[0205] AW3＝rx*tan(arccos(0.965))  (4)\n[0206] 其中rx是选为骨外部的具体角度的半径，这些角度是基于局部解剖学预置的。在这些具体角度的骨外部的软组织主要是肌肉。图像处理器16使用如针对桡骨的90°和针对胫骨的~65°。选择足够宽的AW3以包括充足的肌肉组织，以便充分地确定其密度，包括针对作为校准参考的使用。\n[0207] 在确定中心和适当的臂宽后，图像处理器16确定旋转的适当角度θ。图像处理器16具有5°的默认旋转角度θ1，鉴于半径的预期范围，该角度对于大多数骨都是恰当的。但是该角度在某些情况下可能不是恰当，所以在进行到其它ROI的分析（如下所述）以前，需要测试该旋转角度的适当性。5°的θ1给出每个所分析的切片72个ROI。\n[0208] 对于使用AW2作为旋转臂宽的指标，图像处理器16具有1.5°的预置旋转角度θ2。这对于表现出局部线性（或至少能够接近于圆弧）的骨边缘是足够小的。这给出了总计240个ROI。如果用户期望，则图像处理器16可以操作使用1°（或更小）的预置旋转角度θ。\n[0209] 为了测试旋转角度θ的适当性，图像处理器16验证是否满足如下条件：\n[0210] sinθ*ri＜AW，  (5)\n[0211] 其中ri是上面定义的四个半径中最小的半径。\n[0212] 对于使用AW1的分析，如果不满足该条件，则认为旋转角度θ1不适合，然后图像处理器16根据公式5选择下一个较小的低于5°的角度（如4°，但是其在任何情况下都适合用作旋转角度）。该条件确保了没有剩下未被分析的横截面片段。如果使用了小于5°的角度，则图像处理器16通知用户。\n[0213] 如果使用AW2和θ（2 1.5°）并且如上使用公式5由图像处理器16选择了上面的小于\n1.5°的角度，则执行相同的过程。\n[0214] 应当理解旋转角度（θ）和AW（如由Δ确定的）是由用户选择或设置以用于控制由图像处理器16进行的分析的参数。尽管它们具有预置的值，但其不是固定的。可以选择预置的值用于人类骨结构的最佳分析。因此通过控制用于骨（特别是非人类骨）的最优分析的图像处理器16的设置控制，用户可以调节θ和Δ。\n[0215] 例如，某些动物（诸如马）的骨的直径可以达到10cm。为了确保骨膜边缘的长度保持在毫米长度内（为了最小化任何潜在的曲率的不规则性的影响），将Δ设为0.9999并且将θ2重调节为0.5°；将这样的骨的较大横截面细分为每~700微米长度480个ROI，使得能够对周界和表面进行准确的测量。\n[0216] 图像处理器16然后选择初始感兴趣区域（ROI），其在本实施例中是竖直的。此初始ROI是横截面，该横截面宽度是始于C（或G）的图像处理器16的宽度AW1（或AW2），以及该横截面的长度是离中心的长度L，其从中心（C或G）起是这个截面的最大对角线的一半，即：\n（其中a和b在以下定义）。应当注意：在本实施例中可以认为材料（或，严格来讲是材料的图像）在具有边长a和b的平行四边形内。\n[0217] 如果已经选择了ROI，在进行处理前图像处理器适当地安置ROI内的骨。安置的过程包括分别从第一列或最后一列将骨样本逆时针旋转或顺时针旋转，以使得皮质的起始在第一列和最后列内的从相同的线开始。这确保了骨样本被水平地放置（如果样本已经是水平的则图像处理器不进行旋转）。执行骨样本的适合安置以避免样本角位置会影响到密度分布。\n[0218] 在实际执行旋转以前，图像处理器16识别骨样本的明显的皮质物质。这是对于样本的角位置（即，非水平）未修正的皮质物质。在明显的皮质物质内，图像处理器16确定处于第一列和第二列的骨的起始。这使得算法能够辨识样本是否完全水平。如上所述，如果样本是完全平行则不进行旋转；否则，进行适当的旋转。\n[0219] 参考图7B（顶部记录），如果将要进行逆时针旋转，处于第一列（即x=0）的骨的起始开始于最后一列（Xa）的骨的起始之后。图像处理器16检测第一列处（0,Ya）处的皮质的起始和最后一列处（Xa,Yb）的皮质的起始，并且确定Ya>Yb；图像处理器16然后确定样本与水平之间角度δ：\n[0220] δ＝atan((Ya-Yb)/Xa)\n[0221] 应当注意，Xa=AW。\n[0222] 接下来，图像处理器16使用δ计算像素数（n），0和Xa之间的每一列Xi需要旋转该像素数，以使得标本是水平的：\n[0223] n＝xicos(δ)\n[0224] 从而所有的列逆时针移动n个像素。\n[0225] 应当注意，由于图像处理器16处理很小的AW值（即，相对于骨的半径），即，小于\n3mm，所以角度δ如此地小以至于atan(δ)δ，并且每一列x需要顺时针和逆时针旋转的像素~\n数（n）近似地如下：\n[0226] n＝xi*(Ya-Yb)/AW\n[0227] 其中xi是第i列。\n[0228] 参考图7B（底部记录），如果要进行顺时针旋转，则第一列（即，x=0）处的皮质的起始开始于最后一列（Xa）处的皮质的起始之后。图像处理器16检测第一列（0,Ya）处的皮质的起始和最后一列（Xa,Yb）处的皮质的起始，并且确定Ya9的像素或体素（i）的衰减。\n[0409] 当期望时，图像处理器16能够根据用户的要求确定和输出用mgHA/cc（HA=羟磷灰石）表示的致密皮质、小梁化皮质、皮质-小梁结合部以及小梁骨的绝对密度或用mg/cc表示的矿化骨的绝对密度。\n[0410] 图像处理器16利用如下的公式将骨的给定隔室内的每个体素的衰减转换成mgHA/cc：\n[0411] D(mgHA/cc)＝(695.808*(Ai/Maxmd)))-455.27  (30)\n[0412] 其中Ai是体素i的衰减。此公式通过扫描体模来实验性地建立。\n[0413] 图像处理器16将给定隔室内的每个体素的衰减A转换成其用g/cc表示的矿化骨的等价量，首先通过确认与肌肉相关联的体素，然后使用肌肉密度作为基准来确定骨密度。由于使用了被检者自己的肌肉作为基准，所以避免了对于日常校准的需要。其它体素的用g/cc表示的密度（D）然后由图像处理器16从下式中确定：\n[0414] D(g/cc)＝0.495*(A/Maxmd).  (31)\n[0415] 完全矿化的骨具有2.14g/cc的密度。\n[0416] 图像处理器16输出皮质和小梁骨的绝对密度（以g/cc和mgHA/cc）。由于通常更多地需要绝对密度，所以这仅用于比较。\n[0417] 图像处理器16通过使用质心G、旋转臂宽AW2以及旋转角度θ2来确定强度指标。使用如上所述的Maxmd+1去除骨膜下的包膜内的非骨组织。图像处理器16然后如下来确定强度指标。\n[0418] 图像处理器16根据下式来确定针对每一个ROI的屈曲率（BR）：\n[0419] BRi＝cThcci/ri,  (32)\n[0420] 其中，CThcci和ri分别是致密皮质的的厚度和ROIi处的半径。\n[0421] 图像处理器16确定针对切片内所有的角θ的面积二次矩（或惯性矩l）如下：\n[0422]\n[0423] 其中，Ix是围绕轴线x的面积二次矩，re是像素的分辨率，以及yi是从轴线x到成分像素的垂直距离。\n[0424] 图像处理器16计算围绕截面的沿着所有方向的面积二次矩。但是在计算惯性矩之前，图像处理器16从图像中排除了任何非骨像素。再一次，不使用阈值来确认非骨像素。非骨像素是衰减小于骨的起始（即，肌肉或以下）的衰减的像素。这种对非骨像素（即，孔隙）的排除使得图像处理器16能够尽可能地不受孔隙率的影响来计算I。\n[0425] 按照与计算惯性矩的方式类似方式，计算质量调节的面积二次矩，但是将每个像素的密度或衰减考虑进去。针对每一个ROI的质量调节的面积二次矩因此可以确定如下：\n[0426]\n[0427] 其中，lxma是围绕轴线x的质量调节的面积二次矩，Ai是每个骨像素的密度（或衰减）以及Amax是切片内所有像素中的最大衰减（即，几乎确实由完全地矿化的骨组成）。\n[0428] 图像处理器16确定截面模数与确定所有方向的l相似，再次排除了非骨像素，如下：\n[0429]\n[0430] 图像处理器16确定质量调节的截面模数与确定所有方向的l相似，再次排除了非骨像素，如下：\n[0431]\n[0432] 图像处理器确定面积积矩，排除非骨组织并且不考虑角度（在这种情况下，其是不相关的），如下：\n[0433]\n[0434] 其中x和y是在由骨像素定义的以G为中心的参考系中的坐标。面积积矩是非对称横截面中的弯曲应力的决定因素。这是针对大多数的不对称的骨的情况。不同于面积二次矩，积矩可以给出正值和负值两者。从积矩中图像处理器16确定最大的和最小的质量调节的面积二次矩，以及其在截面内的方位。\n[0435] 图像处理器16在分离开骨与非骨像素后确定质量调节的面积积矩，并且由于再次不需要而不考虑角度。图像处理器16确定质量调节的面积积矩如下：\n[0436]\n[0437] 其中Amax和Ai分别是最大衰减和像素i的衰减。x和y是以G为中心的参考系中每个像素i的坐标。图像处理器16然后确定最大和最小的质量调节的面积二次矩，以及其在截面内方位。\n[0438] 图像处理器16被配置为确定极惯性矩J，其预测横截面抵御扭转的能力，如下：\n[0439]\n[0440] 图像处理器16确定了针对每一个角度的极惯性矩，并且还确定了其最大值和最小值。\n[0441] 图像处理器16被配置为确定质量调节的极惯性矩Jmax，如下：\n[0442]\n[0443] 图像处理器16还被配置为确定总的横截面面积（TCSA）和周长。对于这些指标，图像处理器16使用质心G、旋转臂宽AW2以及旋转角度θ2。如上所述使用Maxmd作为基准去除骨膜下的包膜内的非骨组织。\n[0444] 对于每一个ROI1，图像处理器16根据下式计算LROIi（ROIi的长度）：\n[0445]\n[0446] 在旋转了360°后，图像处理器16从下式确定横截面的总周长P：\n[0447]\n[0448] 图像处理器16然后确定总的横截面面积（或骨膜面积）TCSA：\n[0449]\n[0450] 图像处理器16然后确定皮质内周长ECP如下：\n[0451]\n[0452] 其中CThcci是ROIi中致密皮质的厚度。\n[0453] 图像处理器16然后确定皮质内面积ECA：\n[0454]\n[0455] 图像处理器16然后计算比ECA/TCSA，其是脆性的指标。\n[0456] 图像处理器16将每个ROI视为半径是ri的圆的微元部分，使得能够确定如骨的横截面这样的复杂形状的结构的面积和周长。这就是为什么AW2非常小。\n[0457] 使用Maxmd作为基准，将非骨组织从小梁隔室中去除掉，以使得对于任何ROI，从条o到z，仅包括小梁区。如上所讨论的，图像处理器16使用臂宽AW1和旋转角度θ1。（实际上，在此AW的选择不重要；任何旋转AW都可以满足。如上所讨论的，图像处理器16具有三个AW；AW1和AW2从可以从一个ROI移动到另一个ROI的意义上来讲是旋转的，但是AW3是静止的并且仅用于评估具体位置处的肌肉密度。）\n[0458] 在如上所述去除非骨组织以后，所有的非骨组织像素被赋予0值以及骨组织被赋予1值。对于针对每一列i的n个非骨空隙的宽度（wi）确定如下：\n[0459] wi＝n*re,  (44)\n[0460] 其中re是扫描仪的分辨率。对于每一列i的小梁尺寸（Tr.Si）计算如下：\n[0461]\n[0462] 其中，mi是小梁的数量。小梁骨被认为是被编码为1的一系列连续像素。“0”的出现表示小梁的结尾。\n[0463] 图像处理器16针对每一行j重复此过程，对于每一行j的小梁尺寸是：\n[0464]\n[0465] 并且mj是j行的小梁的数量。应当注意，列是沿着密度分布的方向的一系列像素，而行垂直于列。\n[0466] 最终，图像处理器从下式中确定针对ROI的Tr.S：\n[0467]\n[0468] 图像处理器16确定和输出该小梁尺寸，因为其反映小梁的缩短和变薄两者。现有的方法使用不把由于骨的缩短所导致的小梁衰变考虑在内的小梁厚度的定义。\n[0469] 图像处理器16从下式中确定每一行（i）和每一列（j）中的小梁分离：\n[0470] Tr.Sep＝(wi/ni)+(wj/nj)  (48)\n[0471] 其中，ni和nj分别是i列和j行中的空隙的数量。空隙是一系列不间断的0。1的出现表示空隙的结尾。\n[0472] 图像处理器16可以将各种结果图形化地输出到显示器20，包括：\n[0473] -截面周围的皮质厚度；以及\n[0474] -以任何给定的角度（如，向前侧的）沿着骨的皮质厚度。\n[0475] 结果概括\n[0476] 图像处理器16可在多种模式下操作：\n[0477] （i）默认模式：针对每一个切片总结结果，然后针对所有的切片总结结果如用于指示部分周长和部分面积的平均、最小、中间（median）、标准偏差。将部分周长和面积相加以获得针对每一个切片的周长或面积，对部分周长和面积取平均以获得针对样本的周长或面积的平均。在此默认模式下，可以获得所有的参数。\n[0478] （ii）灵活分析模式：此分析模式允许用户控制图像处理器16来确定具体解剖位置（前侧的、前外侧、内侧等）处的某些参数。图像处理器16在分析中提供这种灵活性，因为给定的参数可能依赖于解剖区域而不同地影响骨强度和骨折风险。例如在股骨颈处，在上部面观的孔隙率的增加可能比下部面观上的类似空隙率的增加更与骨折相关。\n[0479] 图像处理器16给切片内的感兴趣区域编号或编索引，所以每一个ROI与具体的解剖位置对应。例如，在远端桡骨，随着图像处理器16如以5度的角逆时针旋转，ROI1对应于桡骨的外侧面观，ROI36对应于前面观，以及ROI54对应于中面观。\n[0480] 可以组合具体解剖位置处的ROI以提供切片或（截面）内的位置处的具体指标。每个解剖区域中的要被组合的ROI的数量（N）被估计成：\n[0481] N＝(360/(m＊θ))\n[0482] 其中，θ是旋转角度，并且m是切片待要分成的解剖区域的数量。例如，用户可以控制图像处理器16通过选择针对从ROI1开始的值是2的m或从ROIi如i=360/(4*θ)开始的m=2的值，来将切片分成两半（如，子午和横向）。应当注意，m的最小值是2（因为m为1的值将意味着整个截面被分析，这就把图像处理器16切换到默认模式），而m的最大值是360/θ。\n[0483] 应当是，在默认模式下，仅输出其局部或区域性的值有意义的参数。这些参数包括厚度、孔隙率、矿化度，小梁指标，是强度惯性矩的指标。在灵活模式下，不输出对于整个截面有意义的参数，如周长和面积。\n[0484] 在默认模式下，针对文件内所有切片，确定针对具体解剖位置处的参数的平均值。\n[0485] 结果的说明\n[0486] 系统10能够评估骨的结构和对在骨的各种干涉（如锻炼、营养变化或治疗）期间的骨结构的变化。这具有多的应用。例如，表明通过如雷奈酸锶（strontium ranelate）的药物的治疗、甲状旁腺激素（PTH,parathyroid  hormone）治疗或组织蛋白酶K抑制剂（odanacatib）（处于临床试验的第三阶段）的治疗增加骨的直径，也因此增加骨的弯曲强度。如系统10所完成的，这可以在不使用阈值的情况下通过准确地量化骨的尺寸来检查。根据现有方法所进行的基于阈值的骨结构的评估对此目的不是最优的，因为，例如使用阈值进行的骨的识别可以导致错误地移除在骨膜表面上新并且弱的矿化，导致骨没有形成的错误结论，从而得出骨膜附着生长没有发生，而实际上其确实发生了。这有可能在评估对骨的PTH治疗的效果时发生。PTH是合成代谢的并且刺激新并且弱地矿化的骨的形成。这有可能在评估锻炼对骨的效果时发生，因为锻炼尤其是在生长期间刺激新并且弱地矿化的骨的形成。\n[0487] 此外，雷奈酸锶被骨组织吸收并且具有较高的钙原子数量。从而，锶治疗增加了骨体素的密度或衰减。与骨的边缘（骨膜或骨髓空间）相邻的体素的密度的增加可以影响对边缘的检测，造成了此药物改变了骨的尺寸的错误印象。这发生在当基于密度的固定阈值（根据现有的方法）被使用来检查该试剂的治疗之前和之后的骨结构时给出了关于该试剂对骨结构的影响的含糊不清的结果。将所有的衰减值转换成范围从-1到1并且与骨的值的绝对衰减无关的单一的BVE度量值，以及图像处理器16不使用阈值的这个事实，最小化了以下风险：药物对体素的衰减或密度的不同影响会与对骨结构（即，尺寸，如皮质厚度）和孔隙率的分化效果混淆。（使用现有的处理方法，关于两种治疗对于估计骨的结构和孔隙率的不同影响的结论被得出，仅仅是因为相比另一种治疗，一种治疗较多地改变了材料的衰减（Rizzoli R,Laroche M,Krieg MA,Frieling I,Thomas T，Delmas P，Felsenberg D.，Strontium ranelate and alendronate have differing effects on distal tibia bone microstructure in women with osteoporosis,Rheumatol.Int.30(10)(2010)pp.1341-8)））。此外，这避免了体素的密度或衰减值的变化导致了对骨的构造参数如孔隙率的错误评估。例如，孔被定义为具有低于给定值的衰减的体素；如雷奈酸锶的药物明显地增加骨组织的衰减值，所以骨组织衰减的变化可以与孔隙率的下降混淆。在由图像处理器\n16所进行的图像处理过程中最小化或者消除了这种错误的评估。\n[0488] 基于以下考虑，系统10还能够以相当的置信度确定骨的衰变水平并且检测易骨折骨。\n[0489] （i）正常皮质\n[0490] 在骨的任何子隔室中的整个皮质物质内的CTh的绝对值和皮质面积对于确定皮质是否正常是不充分的。即，高于平均值（对于有关的受验者组）的值不意味着没有发生衰变。\n类似地，孔隙率的绝对值和皮质面积对于确定皮质是否正常是不充分的，因为皮质小可以是由于低生长而不是由于骨损失。类似地，高孔隙率不是必要地是增长的皮质内重塑的结果。其还可以是与生长相关的。从而绝对值仅仅是指示性的。这是从现有方法本质转换，现有方法将与同类相比的较小皮质或面积视为异常。\n[0491] 相反地，图像处理器16确定皮质的构造并且使用其结果来确定皮质正常与否。正常的皮质具有：\n[0492] -低的PTC（<20%，基于现有证据），表明很少或没有小梁化，以及\n[0493] -高的PCC（>60%，基于现有证据）。\n[0494] 皮质的正常性进一步由图像处理器16输出的一个或更多个指标支持：\n[0495] -小的（如果存在任何）衰变（CD1正常）\n[0496] -正常的RDcc\n[0497] -正常的RDcm\n[0498] -正常的皮质厚度或皮质面积\n[0499] -低的PoCC和PoCM\n[0500] -低的脆性指标\n[0501] （ii）衰变的皮质\n[0502] 厚度近似或大于同类的厚度的皮质可能仍然是衰变的（与现有方法中使用的分类不一致，现有方法认为厚度近似或大于同类的厚度的皮质是正常的）。某些个体天生具有厚于一般皮质的厚度，所以即使在损失骨之后，他们可能依然具有正常厚度的皮质。因此，这样的个体被现有的方法误诊为具有正常的骨。然而，图像处理器16不是一定将较厚的骨表征为正常。而是，图像处理器16根据其的构造来表征皮质（正常或者异常）。异常皮质具有高的PTC。此外这种皮质可以是薄的，具有低的PCC、高的孔隙率以及低的相对密度，从而具有高的CD1值和/或CD2值以及高的脆性。\n[0503] （iii）正常的小梁骨具有正常的相对密度，低的孔隙率、低的脂肪比例以及脂肪负担。\n[0504] （iv）异常小梁骨可以具有低的相对密度、高的孔隙率以及高的脂肪比例以及脂肪负担，所有这些表明小梁骨有损失并且被脂肪代替。\n[0505] （v）异常的骨将具有异常的皮质、异常的小梁隔室，或具有异常皮质和异常小梁隔室两者。\n[0506] 图像处理器16还使用每个子隔室的孔隙率指标来做出这样的确定。\n[0507] （i）图像处理器16从密度分布曲线下的面积来确定孔隙率，使得能够在活体内进行确定以及确保考虑到每个子隔室中的每个像素的贡献。这可以与现有的方法相比较，在现有方法中，孔隙率是从特定的骨区内的孔的数量来确定的，这受到图像分辨率（记住，在这样的图像内大多数孔是不可见的）和阈值方法的限制（还要记住，大多数被归类为骨和在孔隙率评估中被拒绝的像素可能被PVE污染，即，部分在骨上以及部分在孔上）。曲线下的面积与由DSmax定义的面积之间的差异与由直接的组织形态测定术测量的孔隙率是强相关的。发现随着年龄的孔隙率的增加不在样本内均匀地发生，所以根据本实施例，具有最低孔隙率的条被图像处理器16用作在评估孔隙率的增加中使用的标记。\n[0508] （iii）图像处理器16可以确定小梁化皮质和皮质-小梁结合部的孔隙率。现有的方法仅测量致密皮质中的孔隙率，而不去准确地评估小梁化皮质和结合部区带的孔隙率。\n[0509] 图像处理器16可以确定可归因于致密皮质和致密+小梁化皮质内的与衰老相关的骨（皮质退化）的皮质孔隙率的程度的指标。当小梁化皮质由皮质残骸形成时，出现衰变。年轻健康的骨具有变化程度的孔隙率的皮质但是没有衰变。具有骨损失迹象的年老骨还具有带有变化程度的孔隙度的骨但是大量的骨衰变。\n[0510] 皮质的脆性是皮质孔隙率和皮质衰变的产物。相信孔隙率越大和衰变越大导致越大的脆性。\n[0511] 致密皮质的比例（PCC），即，表示成百分比的致密/（皮质物质）的厚度的比。\n[0512] 每个子隔室的厚度和面积：\n[0513] 皮质-小梁分化指标（CTDI）是能够进行皮质与小梁化之间的分化。随着衰老和骨损失，小梁隔室与皮质复合体（即，皮质加过渡区带）之间的分化发生。这是衰变和脆弱的标记。\n[0514] 还应当注意，图像处理器16用百分比的形式输出大多数指标，其容易由用户解释。\n例如，应当是直接地明显的，高的百分比孔隙率或低的百分比密度是有害的。（现有的方法输出绝对数字，这一般仅能由专家用户解释；例如，密度用mgHA/cc来表述，所以为了解释这些结果用户必须知道什么组成了低、可接受以及高的范围。）\n[0515] 在上文中，一般假设点B在被分析材料的中心。如果不是，则可以控制图像处理器\n16来识别材料内更中心的点F（见图24），从而：\n[0516]\n[0517] 其中I1、I2、I3以及I4远离B的处于骨的边缘或起始（如上所述确定的）的在关于B的顶部左侧、顶部右侧、下部左侧以及下部右侧象限。图像处理器16然后以如上所述从点B确定C的相同方式，从F确定样本的质量的中心C。\n[0518] 示例\n[0519] 图25示出了使用系统10识别图像内已知尺寸的对象，隔离和以高的精确度和准确度来确定对象的尺寸。此实验用于测试图像处理器16在识别和确定图像内的结构的尺寸时的准确度和精确度。\n[0520] 图26是图像处理器16的控制屏幕的视图。根据可待分析的区域（如，骨）可以选择各种设置（见第二行）。\n[0521] 参考图25，系统10的扫描仪12扫描已知的均匀尺寸的塑料管230。DICOM文件被从扫描仪12中获取DICOM文件；产生结果图像文件234（指示管的图像236）以及将其传输给图像处理器16以用于分析。\n[0522] 图像处理器16通过使用2、产生240个ROI、以及AW2来分析图像236。图像处理器16识别G和产生分别在图27A、图27B、图27C、图27D、图27E以及图27F中呈现的作为ROI（从ROI1到ROI240）的函数的厚度、半径、外周长、截面（即，总面积）、内周长以及内表面积。\n[0523] 此测试用于若干个目的。首先，可以测试由图像处理器16进行的分析的精确性。由于已知对象230具有均匀的结构，所以从ROI到ROI的任何结构性参数中的差异基本上是由图像处理中的噪声造成的。可以看到对象的尺寸（厚度、半径等）从ROI到ROI是恒定的（从而如所绘的几乎是完全平坦的线）。这可以确定由图像处理器16旋转和从ROI到ROI获取结构的成分的分析过程是有效的，其几乎没有噪声。（如果结构的成分从ROI到ROI不同，则这会表示由图像处理器16进行的从ROI到ROI的结构分析噪声大并且可再现性比较差）。由图像处理器16进行的分析的精确性然后被计算成方差系数（CV），即，240个ROI的平均值除以这\n240个值的标准差。对于厚度、半径、外周长、内周长、外表面以及内表面的测量的CV分别是\n3%、1.7%、1.7%、2.1%、3.4%以及4.2%，证实了分析的高的可再现性。\n[0524] 其次，因为塑料管的尺寸已知，可以评估图像处理器16确定结构尺寸的准确性。直接测量塑料管的尺寸，并且使用系统10确定对应的参数。将结果制成表格并且比较如下：\n[0525]\n[0526]\n[0527] 总之，这示出了图像处理器16可以自动地检测图像内的对象，并且以良好的精确度和准确度来确定其尺寸。\n[0528] 此外，图像处理器16能够在不使用阈值（如，现有技术所使用的）的情况下自动地识别塑料管和鲁棒地确定其尺寸。不同于图像处理器16，现有技术要求外部输入以进行这种分析；即，操作者必须重设用于检测的密度阈值以使得图像内的对象可以被识别。这就需要在将对象表观的图像从周围环境中分离出来以前，知道对象的先验密度和/或手动地调节图像。图像处理器16适于识别图像内的结构和将其分离而基本上不考虑其密度。\n[0529] 在另一示例中，在一系列塑料管钻多种数量的洞（如图28的灰度图像280中的截面中所示出的）以产生不同的孔隙率水平。然后使用系统10对这些管成像，收集图像并且使用图像处理器16量化孔隙率。图29是由系统10确定（即，从每个管中的孔的数目和已知特征中实验性地确定）的孔隙率对真实孔隙率的图。发现了高的相关性：r2的值是0.98。\n[0530] 在进一步的示例中，使用CT扫描仪成像四个不同的但是已知羟基磷灰石的浓度的圆柱形模型。使用系统10来收集这些图像，并且使用图像处理器16来分析这些图像，以确定矿化的水平。图30是来自图像处理器16的矿化水平（%）对已知羟基磷灰石浓度（mg.cm-1）的的图：两者之间的高的相关性再次很明显。\n[0531] 使用扫描电子显微镜（SEM）和QCT研究来自尸体的24个骨样本，并且在类活体内的条件下（在盐水中浸渍并且适当地内部旋转15）测量这些骨的密度。从显微图像确定孔隙率和其它指标，并且使用图像处理器16从CT扫描仪1获取到DICOM文件后直接和估计。在直接从SEM图像中测量出孔隙率后，产生孔隙率分布曲线（类似于密度分布）。将图像处理器16从密度分布曲线识别的点与图像扫描和SEM显微图像进行比较。\n[0532] 这些结果的示例在图31A、图31B、图32A、图32B、图33、图34A、图34B、图35以及图36中示出。\n[0533] 来自转子下的区域的显微图像、这些样本中的骨矿物质密度（BMD）在转子区域处被测量，并且使用作为由澳大利亚和新西兰骨与矿物质学会（Australian and New Zealand Bone and Mineral Society）建议的基准的Geelong基准范围转换成T-score。\n[0534] 图31A是来自图像处理器16的、72岁女性的骨的显微图像，如在显微图像中可见皮质内孔隙率稍稍提高。孔隙率的小的增长被图像处理器16辨识，其将孔隙率量化为4.4%。图\n31B是来自图像处理器16的、90岁女性的骨的显微图像，其中皮质内孔隙率显著地提高。此皮质内孔隙率的显著增加也被图像处理器16获得。两个样本之间的衰变的差异是清楚地可见的，图31A比图31B示出更多的衰变。这可以通过利用图像处理器16确定出的孔隙率结果识别（而根据传统的骨密度测试，这两个骨具有相似的衰变，因为骨密度测试不能辨别出这两个骨之间的脆性的差异）。\n[0535] 图32A是来自图像处理器16的、具有最小孔隙率的29岁女性的骨的显微图像。图像处理器16将此样品（sample）的孔隙率量化为0.9%。图32B是来自图像处理器16的、具有正常皮质和低孔隙率的72岁女性的骨的显微图像；这个低的孔隙率被图像处理器16很好地获得，其将图32B的样品的孔隙率量化为0.1%。然而，根据BMD测试（当前使用的诊断方法），29岁女性是正常的（具有1.92的T-score）但是七十二岁女性骨质减少（具有-1.14的T-score），这表明没有骨易脆性的较大年龄的女性具有骨易脆性。图像处理器16从而具有通过当在衰变存在时恰当地检测出衰变来避免如此误诊的情况。\n[0536] 图33是来自图像处理器16的、具有明显的衰变的皮质（如可以在显微图像中看到的）的67岁女性的骨的显微图像。图像处理器16获得此衰变并且将孔隙率量化为14.7%。然而，根据BMD测试，该女性被归类为正常（具有-0.2的T值）。很多具有正常骨密度测试值的人在某些点处经受了骨折；该女性有可能就是其中的一员。图像处理器16的分析将识别这些尽管具有正常的BMD测试值但是骨折的人。\n[0537] 图34A是孔隙率（表示为骨面积的百分比）对BMD T-score的曲线图，并且例示了从SEM图像中直接测量的孔隙率水平与所分析的24个样本中的BMD诊断阈值之间的差的相关性。这示出了BMD测试很差地获得皮质衰变。有高的孔隙率（>20%骨面积）并且具有骨损失的样本中的大约50%（7/13）具有正常的BMD（T-score>-1）。具有低的aBMD（T-score<-2.5SD）的样本中的仅50%（2/4）具有高的孔隙率（>20%）；剩余的样本尽管具有正常的孔隙率，但是具有低的aBMD。在T-score小于-1（即，骨质减少或骨质疏松症）的10个样本中，仅有5/10（50%）具有低的孔隙率而剩余的50%具有高的孔隙率。\n[0538] 图34B是由系统10确定的百分比孔隙率对从SEM图像中直接测量的百分比孔隙率的曲线图。如从该曲线图中明显地，由图像处理器16量化的孔隙率与直接测量的孔隙率很好地相关。\n[0539] 图35和图36例示当与针对两个不同样本的SEM图像的直接观察相比较时，密度分布曲线（profile curve）内的m、n以及o点的位置。与从DICOM文件中产生的活体的图像并且将这些图像进行分析相比，图像处理器16识别密度分布曲线内的点的能力在上文呈现（本发明的详细描述）。\n[0540] 在这两个活体样本中，可以看到样本内的点及其尺寸（特别是厚度）被清楚地识别。还指示出了致密皮质（CD1）和小梁化皮质（CD2）的衰变。参考图35，样本1来自具有组织学上正常的皮质的29岁的女性。这被图像处理器16识别，其发现1.45%的CD1和4.2%的CD2；\n这对应于同质皮质随后是从皮质到骨髓空间的清楚过渡。皮质几乎是整体上是致密的（PPCC=87.5%），PTC和PCTJ均被限制于一个条，因此如在分析的不适合性的章节中讨论的，不存在。样本的正常性由1.26%的皮质脆性指标来证实。\n[0541] 参考图36，样本2来自65岁的女性。在显微图像（顶部记录）中皮质的衰变是可见的。并且被图像处理器16识别，其将CD1和CD2分别量化为12%和20%。\n[0542] 分别地。样本的更多的衰变状态通过致密皮质的百分比（被图像处理器16确定为\n57.1%）、小梁化皮质的百分比（PTC）（被图像处理器16确定为37.1%）以及皮质的脆性指标（被图像处理器16确定为6.8%）来进一步识别。\n[0543] 此外，获得从活的个体（五个来自骨折的情况和三个来自非骨折的个体）获得的带有扫描数据的DICOM文件，以使用与活的个体有关的QCT数据来测试系统10。密度分布中的相关点被识别并且相关的索引被图像处理器16确定。发现：\n[0544] 1）图像处理器16能够识别相关点（即，j、k、l、m、n、o）并且比较图像和以上讨论的SEM测量结果。\n[0545] 直接测量的孔隙率与由图像处理器16估计的孔隙率之间的相关性是优异的。\n[0546] 2）孔隙率（由图像处理器16评估的）与作为当前使用的识别处于骨折风险的个体的方法骨密度差地相关。这表明两个技术有交叠但是不能获取相同的东西。\n[0547] 在附件中（本文的结束处），呈现了所研究的样本的示例。示出了被图像处理器16确定的显微图像和孔隙率分数以及这些个体中的BMDT-score。小于-1的BMD T-score被认为是骨质减少，但是-2.5或者更小的T-score被认为是骨质疏松症。\n[0548] 在附件中还呈现了带有桡骨远端的骨折的个体和没有骨折的个体的孔隙率的比较值。由图像处理器16确定的指标和参数使得能够辨别具有易骨折骨的个体与不具有易骨折骨的个体。\n[0549] 在进一步的示例中，示出了使用图像处理器16测量的与衰老相关的孔隙率增加类似于使用组织形态测定术直接测量出的激活频率的增加。图37A是由组织形态测定术直接测量的作为年龄的函数的每年的激活频率（Ac.F）的年龄相关的增加的图（Compston,Porosity increase from the rise in Ac.F within intracortical pores（haversian and Volkmann canals,private communication））。图37B是使用图像处理器16测量的73岁女性中的年龄相关的孔隙率的增加的图。这两幅图中的数据证明了相似的趋势。\n[0550] 图38A、图38B以及图38C是桡骨的横截面图。图38A是从高分辨率外围定量计算机断层扫描（HRpQCT）数据中重构的远端桡骨的灰度图像。图38B是在提取骨膜表面后由图像处理器16重构的相同样品的图像，展示出图像处理器16将图像从背景中分隔出来的能力。\n该图像是从BVE值重构的；黑色（总体上内部区域）至红色（总体上外部区域）代表增加的BVE值。应当注意，因为图像处理器16不使用阈值，所以图像处理器16提取材料（在此情况下是骨的骨膜表面）的外部轮廓并且保存材料内所有体素的初始衰减。这使得图像处理器16能够在将材料从背景分割后充分地表征材料，包括评估孔隙率和组织矿化水平。\n[0551] 图38C是样品的另一视图，示出了将相同的图像分割成如上所述的四个骨的区段。\n红色是致密皮质382、淡绿色是外部过渡区带384、蓝绿色是内部过渡区带386以及蓝色是由小梁骨399占据的骨髓空间。（内部过渡区带386在可见处位于外部过渡区带384与小梁骨\n388之间。图38D和图38E仅用灰度分别绘出了外部过渡区带384和内部过渡区带386。）白色是背景或周围肌肉组织390。图38F和图38G分别是图38B和图38C的灰度版本。\n[0552] 此外，在图39A、图39B以及图40中示出了骨内异物的自动识别与分析的示例。如上所述，图像处理器16可以自动地识别和分析图像内的结构。但是，系统10的主要应用是骨的识别与分析，图像处理器16的使用决不限于此应用。\n[0553] 图39A是由图像处理器16的显示器22显示的图像。在图像内明亮的对象很明显，尽管明亮的对象类似于骨的截面，但是实际上它是金属安全别针的头。设计这个实验来模拟患者或其它对象内的金属异物的存在，例如子弹或硬币（可能是由于疏忽而吞下的）。\n[0554] 安全别针的头埋在肌肉组织内并且被系统10成像；在图39A的图像中的明亮对象因此是安全别针的头的截面。图像处理器16很容易识识别此结构，将其从周围肌肉组织分离，并且分析其结构，使得能够对肌肉组织内的金属对象进行诊断。\n[0555] 在图39A中标记的ROI1在图39B中放大示出。图40（顶部记录）是与ROI1相关联的密度分布曲线。图40（下部记录）是与图40中的顶部记录中示出的密度分布曲线相关联的函数\n1。如上所述，1是能够将骨与周围软组织区分开的函数。在这种情况下，1能够将所分析的对象（即，安全别针的头）与周围肌肉组织分离开。函数1确定了对象与周围肌肉之间的清楚分离是在点99处（见图40的下部记录）。点99在密度分布曲线和ROI1的图像中指示出（见图40的顶部记录），并且在ROI1的图像中（见图39B）。应当注意到，j，在此情况下为点99，是由1以如下方式选择的：大多数与结构相邻的朦胧（与对象相邻的白色模糊区，开放的正方形）不被包括在周围软组织内。此朦胧区是由部分体效应导致的，并且图像处理器16使用1可以将对象与具有由对肌肉组织的部分容积效应导致的最小假象的周围肌肉组织中分离开。此外，部分容积效应不影响图像处理器识别无假象的对象的起始（点m，在这种情况下处于点\n110）的能力。图像处理器16容易地识别点n（在点115处），使得其能够不受假象（PVE）和衰变（在骨的情况下为小梁化）影响地隔离对象的物质。\n[0556] 从而，图像处理器16识别、和隔离对象以及周围肌肉并且最小化来自假象的干扰。\n从可以通过比较对象的密度与周围肌肉的密度来识别对象的实质，而不管是计算其相对密度还是其绝对密度（如以mgHA/cc或g/cc）。\n[0557] 图像处理器16将图39A中观察到对象的相对密度确定为93.5%。从而，该对象（实际上是安全别针的头）比肌肉密实的多，因此不是骨（骨的相对密度通常是 66%并且不大于~\n75%，并且比肌肉大 3倍）。就绝对而言，图像处理器将对象的密度确定为6036mgHA/cc或~\n4.6g/cc的等价量，辨识对象具有与金属对应的密度。（就绝对而言，完全地矿化的骨的密度不会超过 1200mgHA/cc的等价量或 2g/cc）。在肌肉组织内存在密度大于骨的密度的对象~ ~\n表示存在异物。\n[0558] 表示出的示例不是图像处理器16的潜在用途的完整列表。设想其在没有人工干涉的情况下自动地识别、分离以及分析非特定图像（即，其组分不是已知的）的对象（或元素）的潜在能力不仅会具有在其它医疗领域（如在血管钙化、急性心肌梗死、骨折以及中风的诊断中）的应用，而且会具有医疗领域外的应用。例如，一个这样的应用是针对为了创建人工视觉的图像处理器16的自动化图像分析。在这些情况下，图像处理器16可以集成在照相机中以进行图像的同时分析。在对图像进行分析后，图像处理器16立即将结果传递给用于做出决定的“命令中心”。这样的“命令中心”可以是具有具体指令的人或软件。人工视觉可以在医学内和外具有很多的应用。在医学外，图像处理器16可以例如用来控制机器人。\n[0559] 上述提出的示例表明对于识别、分离以及分析图像内的对象的结构，具体地是骨的自动分割和分析来说，图像处理器16是非常有用的工具。图像处理器16确定的指标使得能够对皮质骨结构而不仅仅对皮质厚度、皮质面积以及皮质密度的测量值进行评估。\n[0560] 图像处理器16可以从周围环境中获取图像，同时最小化PVE的混杂效应。例如，图\n41A的顶部记录是远端桡骨的截面图；图41B的顶部记录是在将骨（在此情况下为桡骨）与周围背景分离开后由图像处理器16重构的相同截面。图41A的下部记录是背景与骨之间的、由于部分体效应（即，体素，其一部分是骨，一部分是背景）而导致模糊的接口（或结合部）的放大图。但是，图41B的下部记录是在由图像处理器16对图像进行处理后的相同的结合部。轮廓更加尖锐：模糊的体素（即，那些被部分体效应污染的体素）已被分离并且留在背景中，从而骨的边界更加清楚地明显。\n[0561] 将图像内的材料从背景分离并且最小化由于部分体效应导致的模糊的过程在医学领域内和医学领域外具有很多应用。\n[0562] 而言，图像处理器16可以比较基于阈值方法的已有软件更好地将骨从背景中分离。图42A，顶部记录是胫骨的截面图。外部边界是利用基于阈值的软件画的。可以看到很大量的骨留在了边界外，而被错误地包括在背景中。图42A，下部记录是示出了位于边界外因而被错误地包括在背景中的骨的具体部分的放大图。\n[0563] 图42B，顶部记录是由图像处理器16从背景中分离出的相同骨的相同截面。可以看到图像处理器16将骨清楚地从周围软组织分离。由传统的基于阈值的软件错误地分割的区域在此图的下部记录中示出，在其中，很明显的是图像处理器16正确地地将此区域从背景中分离。\n[0564] 本领域的普通技术人员可以很容易地实现本发明范围内的修改。因此应当理解，本发明不限于上文中通过示例的方式描述的具体实施例。\n[0565] 在本发明中的权利要求前后的描述中，除了上文要求或是由于表达语言或必要的暗示的地方，单词“包括（comprise）”或其变体如“包括了（comprises）”或“包括有（comprising）”以包括的意义使用，即，指定所述特征的存在但是不排除本发明的各种实施例中的进一步特征的出现或附加。\n[0566] 此外，本文对现有技术的任何引用不意味着这些现有技术构成或已经构成在澳大利亚或其它国家的公知知识的一部分。