【技术实现步骤摘要】
【国外来华专利技术】
本申请总体上涉及用于深度学习自动分割的基于人工智能的图集映射。
技术介绍
1、放射治疗(基于辐射的治疗)被用作癌症的治疗方法，以发射高剂量的辐射，该辐射可以杀死癌症细胞并且缩小肿瘤。目标是向患者解剖结构的靶区域输送足够的辐射，以在放射治疗期间杀死癌细胞。然而，靠近或围绕靶区域的其他器官或解剖学区域可能阻挡辐射束，并且可能接收足够的辐射以损坏或伤害这样的健康器官或解剖学区域。这些器官或解剖学区域称为危及器官(“oar”)。通常，医生或放射肿瘤学家在放射治疗之前使用各种成像模态来标识靶区域和oar。此外，可以获取患者解剖结构的模拟图像。
2、对于安全有效的放射治疗，准确分割靶区域和oar至关重要。由于放射治疗的快速发展，诸如图像引导和治疗适应，快速准确的医学图像分割是治疗的一个非常重要的部分。分割通常涉及从图像中分离不相关的对象或提取解剖表面、结构或感兴趣区域，以用于解剖标识、诊断、评估和体积测量。图像配准是找到两个不同图像中的点的对应关系以促进比较和医学诊断的过程。
3、自动分割方法(包括结合机器学习的技术)旨在减少界定工作量并且统一器官边界定义。然而，在将自动分割部署到临床应用中时，分割和配准技术通常需要关于图像内容的先验解剖或几何知识，以便可靠地工作。机器学习系统(诸如深度神经网络)被训练以用于使用临床常规的真实图像(诸如计算机断层扫描(“ct”)图像)自动分割解剖器官。这些图像通常不覆盖整个患者身体，相反，通常覆盖“颅顶到尾部范围(cranial-caudal range)”的一部分。因此，训练数据通
4、鉴于这些限制，将机器学习部署到临床应用的自动分割，网络可以不会了解到位于特定解剖学区域的器官不会出现在身体的其他区域(例如，位于头部的大脑)。这可能会导致误报。例如，在腹部区域的图像体积中，网络可能将肝组织分类为脑。此外，当试图在ct扫描中标识器官(其中器官比扫描体积小得多)时，自动分割可能需要在图像分析中花费不必要的大段时间来对整个图像体积进行分类。
技术实现思路
1、根据本专利技术的第一方面，提供了一种如权利要求1中定义的方法。
2、根据本专利技术的第二方面，提供了一种如权利要求8中定义的方法。
3、根据本专利技术的第三方面，提供了一种如权利要求16中定义的系统。
4、由于上述原因，需要提供输入ct或其他医学图像中包括的解剖学区域知识的自动分割系统和方法。本文中讨论了用于临床应用的自动分割技术，其具有基于关于ct或其他医学图像的解剖或几何知识的改进的分割和配准。所公开的用于将机器学习技术部署到临床应用的自动分割的系统和方法克服了常规训练数据的限制。所公开的系统和方法基于医学图像所包括的身体区域中未发现的解剖结构来降低假阳性的可能性。例如，当试图标识比ct扫描或其他医学图像的体积小得多的器官时，本文中描述的实施例可以提高图像分析的效率。
5、在一个实施例中，一种基于处理器的方法执行机器学习模型，该机器学习模型接收患者的解剖学区域的第一图像的输入。在一个实施例中，机器学习模型在推断时接收患者的解剖学区域的第一图像，例如，用于制定患者的治疗计划。机器学习模型可以输出切片从第一图像到参考图像的映射。患者的解剖学区域的第一图像可以描绘具有轮廓的第一器官，以预测参考图像内的解剖学区域的边界信息。处理器向计算机模型传输第一图像的解剖学区域的边界信息。计算机模型执行轮廓绘制协议以标识解剖学区域内的第一器官的轮廓。
6、在一个实施例中，处理器基于解剖学区域的边界信息选择计算机模型。计算机模型可以是被配置为摄取第一图像并且标识解剖学区域内的轮廓的第二机器学习模型。计算机模型可以是使用边界信息、在临床应用中使用输入医学图像的解剖学区域的知识更有效地运行的自动分割模型。自动分割系统可以使用边界信息和到参考图像的已知位置的映射来从计算机模型库中选择(多个)合适的计算机模型以用于对患者图像进行轮廓绘制。
7、边界信息可以包括第一界限和第二界限。在一个实施例中，边界信息包括第一图像的参考空间中的纵轴坐标向量。在一个实施例中，这些坐标可以被映射到参考图像的已知位置，诸如解剖学区域。
8、在一个实施例中，机器学习模型是基于第二解剖学区域的集合的第二图像的集合来训练的，该第二解剖学区域的集合的第二图像的集合描绘具有第二轮廓的集合的第二器官的集合。在一个实施例中，第二图像的集合包括从先前患者的医学图像导出的训练数据。第二图像的集合内的至少一个第二图像可以基于至少一个第二图像内的参考点被标记到参考图像内的对应解剖学区域。
9、用于基于ai的图集映射切片定位的系统和方法包括用于生成训练数据的过程和使用训练数据训练深度学习网络的过程。在用于生成训练数据的过程中，所公开的系统和方法采用基于ai的图集映射切片定位，以通过映射到参考医学图像的参考空间中的纵轴坐标来将输入医学图像的每个切片映射到全身参考医学图像中的位置。本公开涉及参考医学图像的参考空间中或输入图像的参考空间中的纵轴坐标或身体纵向轴坐标。作为纵轴坐标的替代，本公开涉及参考医学图像的参考空间或输入图像的参考空间中的z轴坐标。如本公开中使用的，切片可以表示沿着诸如输入ct或参考ct等三维图像的z轴的轴向2d横截面。
10、在一个实施例中，一种用于获取训练数据的方法使用2d解剖学标志。该方法构造标志表，该标志表将表示受试者中的感兴趣区域的图像集合与参考系相关联，该参考系具有指示参考受试者的已知解剖学标志的参考位置。用于获取训练数据的最后步骤使用回归分析技术将所有切片映射到参考图集图像。在各种实施例中，回归分析技术可以包括例如线性回归和分段线性回归。这一最后步骤从要分析的图像中创建所有切片的纵轴坐标向量。
11、在一个实施例中，一种用于训练深度学习模型的方法应用经由2d解剖学标志的检测而获取的标记数据与回归分析相结合来训练基于al的图集映射切片定位器模型。在输入标记数据之后，深度学习模型学习特定解剖学区域的视觉属性和与图集或参考ct扫描内的局部切片相对应的解剖学区域的数值。经训练的基于ai的图集映射切片定位器模型可以被应用于新输入图像，用于映射切片定位。经训练的模型输出输入图像的参考空间中的z轴坐标向量。这些坐标可以被映射到参考图像的已知位置(例如，解剖学区域)。
12、在一个实施例中，一种方法包括由处理器执行机器学习模型，该机器学习模型接收描绘具有轮廓的第一器官的患者的解剖学区域的第一图像的输入，以预测参考图像内解剖学区域的边界信息；以及由处理器向计算机模型传输第一图像的解剖学区域的边界信息，计算机模型通过该边界信息执行轮廓绘制协议以标识解剖学区域内的第一器官的轮廓。
13、该方法还可以包括由处理器基于解剖学区域的边界信息来选择计算机模型。
14、计算机模型可以是被配置为摄取第一图像并且标识解剖学区域内的轮廓的第二机器学习模型。
15、机器学习模型可以输出本文档来自技高网...
【技术保护点】
1.一种方法，包括：
2.根据权利要求1所述的方法，还包括：
3.根据前述权利要求中任一项所述的方法，其中所述计算机模型是被配置为摄取所述第一图像并且标识所述解剖学区域内的所述轮廓的第二机器学习模型。
4.根据前述权利要求中任一项所述的方法，其中所述机器学习模型输出切片从所述第一图像到所述参考图像的映射。
5.根据前述权利要求中任一项所述的方法，其中所述机器学习模型是基于第二解剖学区域的集合的第二图像的集合来训练的，其中所述第二解剖学区域的集合的第二图像的集合描绘具有第二轮廓的集合的第二器官的集合。
6.根据权利要求5所述的方法，其中所述第二图像的集合内的至少一个第二图像基于所述至少一个第二图像内的参考点被标记到所述参考图像内的对应解剖学区域。
7.根据前述权利要求中任一项所述的方法，其中所述边界信息包括第一界限和第二界限。
8.一种方法，包括：
9.根据权利要求8所述的方法，其中所述解剖学标志中的每个解剖学标志是来自相应医学图像的2D切片，所述2D切片与在所述图集图像上定义的所述对应
10.根据权利要求8或9所述的方法，其中所述图集图像是全身图集，其中所述图集图像的所述第二图像空间中的所述纵轴坐标是沿着所述全身图集中的身体纵向轴的总颅顶到尾部范围内的坐标。
11.根据权利要求8至10中任一项所述的方法，其中所述解剖学标志与所述对应标志之间的所述回归分析是分段线性回归。
12.根据权利要求11所述的方法，其中所述分段线性回归将所述回归分析应用于多个回归段，所述多个回归段对应于来自所述医学图像的集合的2D切片。
13.根据权利要求8至12中任一项所述的方法，其中所述医学图像中的每个医学图像的所述纵轴坐标向量包括来自所述相应医学图像的所有2D切片。
14.根据权利要求8至13中任一项所述的方法，其中所述医学图像中的每个医学图像的所述纵轴坐标向量经由估计的回归系数被映射到所述图集图像。
15.根据权利要求8至14中任一项所述的方法，还包括由所述处理器训练深度学习模型以确定由所述模型分析的图像的图像空间中的纵轴坐标向量的步骤，其中所述深度学习模型接收所述医学图像的集合和所述医学图像中的每个医学图像的所述纵轴坐标向量作为训练输入。
16.一种系统，包括：
17.根据权利要求16所述的系统，其中所述处理器还被配置为执行操作，所述操作包括：
18.根据权利要求16或17所述的系统，其中所述机器学习模型是基于第二解剖学区域的集合的第二图像的集合来训练的，其中所述第二解剖学区域的集合的第二图像的集合描绘具有第二轮廓的集合的第二器官的集合。
19.根据权利要求18所述的系统，其中所述第二图像的集合内的至少一个第二图像基于所述至少一个第二图像内的参考点被标记到所述参考图像内的对应解剖学区域。
20.根据权利要求16至19中任一项所述的系统，其中所述边界信息包括第一界限和第二界限。
...【技术特征摘要】
【国外来华专利技术】
1.一种方法，包括：
2.根据权利要求1所述的方法，还包括：
3.根据前述权利要求中任一项所述的方法，其中所述计算机模型是被配置为摄取所述第一图像并且标识所述解剖学区域内的所述轮廓的第二机器学习模型。
4.根据前述权利要求中任一项所述的方法，其中所述机器学习模型输出切片从所述第一图像到所述参考图像的映射。
5.根据前述权利要求中任一项所述的方法，其中所述机器学习模型是基于第二解剖学区域的集合的第二图像的集合来训练的，其中所述第二解剖学区域的集合的第二图像的集合描绘具有第二轮廓的集合的第二器官的集合。
6.根据权利要求5所述的方法，其中所述第二图像的集合内的至少一个第二图像基于所述至少一个第二图像内的参考点被标记到所述参考图像内的对应解剖学区域。
7.根据前述权利要求中任一项所述的方法，其中所述边界信息包括第一界限和第二界限。
8.一种方法，包括：
9.根据权利要求8所述的方法，其中所述解剖学标志中的每个解剖学标志是来自相应医学图像的2d切片，所述2d切片与在所述图集图像上定义的所述对应标志匹配。
10.根据权利要求8或9所述的方法，其中所述图集图像是全身图集，其中所述图集图像的所述第二图像空间中的所述纵轴坐标是沿着所述全身图集中的身体纵向轴的总颅顶到尾部范围内的坐标。
11.根据权利要求8至10中任一项所述的方法，其中所述解剖学标志与所述对应标志之间的所述回归分析是分段线性回归。<...
【专利技术属性】
技术研发人员：A·甘吉，A·西罗基加拉姆博斯，T·克拉迪，M·J·法塔里亚，S·M·弗鲁克基格，B·哈斯，F·弗兰考，
申请(专利权)人：西门子医疗国际股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。