针对基于图集的配准的无监督的训练制造技术

一种方法包括从数据储存库中的训练图像的集合获得单幅训练图像。所述方法还包括基于所获得的单幅训练图像来生成初始组织类图集。所述初始组织类图集包括对应于两个或更多个不同的组织类的两个或更多个不同的组织类图像。所述方法还包括将所述训练图像的集合的剩余的训练图像配准到所述初始组织类图集。所述方法还包括生成针对经配准的图像中的每个的质量度量。所述方法还包括利用预定评价准则来评价经配准的图像中的每个的所述质量度量。所述方法还包括识别来自所述训练图像的集合的满足所述预定评价准则的图像的子集。所述方法还包括基于所述训练图像的集合的所识别的子集来生成后续组织类图集。

【技术实现步骤摘要】
【国外来华专利技术】
以下总体涉及图像处理并且更具体而言涉及用于基于图集的配准的训练，并且结合计算机断层摄影(CT)具体应用进行描述。然而，以下还适用于其他成像模态。
技术介绍
未知图像到人类解剖结构的相关常常是诸如针对自动器官分割的许多医学图像处理应用中的第一任务。为了解决该问题，大部分方法需要关于某种地面实况的大量的用户输入。在文献中，用于解剖结构检测和器官定位各种方法被使用。虽然个体器官的检测是高度特异性的并且必须针对新器官进行重新训练，但是到解剖图集的配准可以被用于检测视场并且同时估计若干器官的位置。多图集方法能够经由全部独立地配准到未知图像的参考图像的数据库来处理各种图像。这些方法使得能够进行可变形配准和经由标签融合技术对靶结构的分割。然而，这些方法遭受长计算时间和对图集中的范例图像的选择的强依赖性的问题。单实例平均图像的通用性在最近的方法中已经通过减少组织类的灰度值得以改进。另一方法使用关于联合的分割和配准的基于种类标签的互信息。然而，该方法需要全部图像域上的集成，其是低效的。另一方法根据骨盆和腹部图像创建组织类图集。然而，这些图集特定于解剖结构并且要求所有训练图像到图集空间中的给定配准以进行训练。另一方法训练针对根据紧器官边界框的器官边界框检测的回归森林，所述已经定义必须在训练数据集中定义。一般而言，以上和/或其他已知方法要求大量的地面实况信息，例如地面实况器官分割、界标、确认的参考配准或至少一致的命名或DICOM标签。而且，许多图集训练方法要求输入图像以某种方式类似，例如具有类似的视场、类似协议或对比度或示出重叠的解剖区域。而且，图集训练流程一般地要求大量的训练数据选择和准备。本文中描述的各方面解决以上提到的问题和其他问题。
技术实现思路
以下描述了一种唯一地基于CT图像的可变集合来训练基于图集的配准的完全无监督的方法(即，在没有任何配准、器官定位地面实况等的情况下)。所述完全无监督的方法一般地包括基于来自训练图像的集合的单个图像来创建初始组织类图集。剩余的训练图像被配准到所述初始组织类图集。评价每个图像的配准，并且识别来自配准的满足预定准则的图像。所识别的图像被用于创建下一个组织类图集，并且针对至少一个迭代重复以下过程：对所述训练图像进行配准；对所述配准进行评价；并且创建再另一组织类图集；在没有另外的图像满足所述准则时停止。最终组织类图集可以被用于基于图集的配准和/或要求图像的配准的其他应用(例如，用于器官检测、语义导航等)。所述基于图集的配准还可以在以下意义上被用于大数据分析：如果包含预定义区域，则其可以被用于识别包含特定解剖结构的数据或者切去来自图像的数据库的图集空间中的预定义区域。而且，所述图集训练流程自身可以被用于通过检查关于所述图像群体中的变化和相似性的经训练的图集来分析图像的大的数据集。在一个方面中，一种方法包括从数据储存库中的训练图像的集合获得单幅训练图像。所述方法还包括基于所获得的单幅训练图像来生成初始组织类图集。所述初始组织类图集包括对应于两个或更多个不同的组织类的两个或更多个不同的组织类图像。所述方法还包括将所述训练图像的集合的剩余的训练图像配准到所述初始组织类图集。所述方法还包括生成针对经配准的图像中的每幅的质量度量。所述方法还包括利用预定评价准则来评价经配准的图像中的每幅的质量度量。所述方法还包括识别来自所述训练图像的集合的满足所述预定评价准则的图像的子集。所述方法还包括基于所述训练图像的集合的所识别的子集来生成后续组织类图集。在另一方面中，一种计算系统包括存储用于基于图集的配准模块的无监督训练的指令的存储器。所述计算系统还包括运行所述指令的处理器，所述指令使得所述处理器基于针对基于图集的配准模块的无监督训练的所述指令来训练基于图集的配准。在另一方面中，一种计算机可读存储介质编码有计算机可读指令。所述计算机可读指令在由处理器运行时使得所述处理器：使用训练图像的集合和预定停止准则基于无监督迭代训练来对基于图集的配准进行训练，并且基于所述训练来生成组织类图集。附图说明本专利技术可以采取各种部件和各部件的布置以及各种步骤和各步骤的安排的形式。附图仅出于图示优选的实施例的目的并且不应被解释为对本专利技术的限制。图1示意性地图示了结合图像储存库的范例成像系统和具有用于基于图集的配准模块的无监督训练的计算系统；图2示意性地图示了用于基于图集的配准模块的无监督训练的范例；图3图示了具有在示出不同的身体区域的训练中使用的图像的范例边界框的范例空气(AIR)类图集图像；图4图示了范例肺(LUNG)类图集图像；图5图示了范例组织(TISSUE)类图集图像；图6图示了范例骨骼(BONE)类图集图像；并且图7图示了根据本文中的公开的范例方法。具体实施方式初始地参考图1，图示了诸如计算机断层摄影(CT)扫描器的成像系统100。成像系统100包括大体固定机架102和旋转机架104，旋转机架104由固定机架102可旋转地支撑并且关于z轴围绕检查区域106旋转。辐射源108(例如X射线管)由旋转机架104可旋转地支持、与旋转机架104一起旋转并且发射穿过检查区域106的辐射。探测器阵列112相对于辐射源108在检查区域106的对面对向一角弧。探测器阵列112探测穿过检查区域106的辐射并且生成指示其的投影数据。重建器114重建投影数据，生成指示检查区域106的体积图像数据。对象支撑体116支撑检查区域106中的对象。操作者控制台118包括诸如监视器的人类可读输出设备和诸如键盘、鼠标等的输入设备。驻留在控制器118上的软件允许操作者对系统100进行操作。所得图像数据连同来自其他患者和/或相同和/或不同的模态成像系统的图像数据被存档在图像储存库120(例如图片存档及通信系统或PACS、电子病历或EMR、放射信息系统或RIS、医院信息系统或HIS)和/或其他数据储存库中。图像储存库120可以存储由不同的成像模态生成的、来自不同的成像设施的、利用不同的成像协议采集的、针对不同患者的、覆盖身体的不同的解剖区域等的图像。计算系统122包括至少一个处理器124(例如，微处理器、中央处理单元等)、计算机可读存储介质(“存储器”)126，其不包括暂态介质并且包括物理存储器和/或其他非暂态介质。存储器126存储一个或多个计算机可读指令，针如用于基于图集的配准模块128和数据130的无监督训练。模块128的指令在由处理器124运行时使得处理器124基于训练图像的集合来执行针对基于图集的配准的无监督训练。数据130包括被用于针对基于图集的配准的无监督训练的默认和/或其他参数。无监督训练可以被用于从以这些分片中的任何一个开始的小图像分片无监督地并且迭代地建造解剖图集。其仅要求不同的医学图像池，例如从骨盆到头部，没有任何类型的对齐或注释。然而，必须覆盖目标图集解剖结构的每个部分，例如，对于躯干图集而言，必须包含具有某种交叠的来自骨盆、腹部、胸部、和头部的图像。模块128的指令将例如互相关性用作自动地确定成功的配准的质量度量，其使得能够进行无监督学习过程中的对图集的无监督和迭代细化。对于具有不同的视场和因此不同的解剖内容的图像而言，使采样一般化到未看见的图像中的组织类的动态检测。在训练期间，图集域自身延伸来覆盖全身的小部分或本文档来自技高网...

【技术保护点】
一种方法，包括：从数据储存库中的训练图像的集合获得单幅训练图像；基于所获得的单幅训练图像，生成初始组织类图集，其中，所述初始组织类图集包括对应于两个或更多个不同的组织类的两个或更多个不同的组织类图像；将训练图像的所述集合的剩余的训练图像配准到所述初始组织类图集；生成针对经配准的图像中的每个的质量度量；利用预定评价准则来评价所述经配准的图像中的每个的所述质量度量；识别来自训练图像的所述集合的满足所述评价准则的图像的子集；并且基于训练图像的所述集合的所识别的子集来生成后续组织类图集。

【技术特征摘要】
【国外来华专利技术】2014.02.27 US 61/945,2921.一种方法，包括：从数据储存库中的训练图像的集合获得单幅训练图像；基于所获得的单幅训练图像，生成初始组织类图集，其中，所述初始组织类图集包括对应于两个或更多个不同的组织类的两个或更多个不同的组织类图像；将训练图像的所述集合的剩余的训练图像配准到所述初始组织类图集；生成针对经配准的图像中的每个的质量度量；利用预定评价准则来评价所述经配准的图像中的每个的所述质量度量；识别来自训练图像的所述集合的满足所述评价准则的图像的子集；并且基于训练图像的所述集合的所识别的子集来生成后续组织类图集。2.根据权利要求1所述的方法，还包括：将训练图像的所述集合的所述剩余的训练图像配准到所述后续组织类图集；生成针对所述经配准图像的质量度量；利用预定准则来评价每个经配准的图像的所述质量度量；识别训练图像的所述集合中满足所述评价准则的第二子集；并且基于训练图像的所述集合的所识别的子集来生成第二后续初始组织类。3.根据权利要求1至2中的任一项所述的方法，还包括：动态地确定图像中的有限数目的采样点，用于将所述图像与所述初始组织类图集、所述后续组织类图集或第二后续组织类图集中的一个或多个进行配准；并且利用所述有限数目的采样点来将所述图像与所述初始组织类图集、所述后续组织类图集或所述第二后续组织类图集中的所述一个或多个进行配准。4.根据权利要求3所述的方法，还包括：基于所述初始组织类图集、所述后续组织类图集或所述第二后续组织类图集中的所述一个或多个中的组织类出现与要被配准到所述初始组织类图集、所述后续组织类图集或所述第二后续组织类图集中的所述一个或多个的所述图像中的组织类出现之间的比率来确定所述有限数目的采样点。5.根据权利要求4所述的方法，其中，所述有限数目的采样点包括响应于所述图像包括对应于所述初始组织类图集的组织类的第一水平的采样点的第一集合和响应于所述图像包括所述组织类的第二水平的采样点的第二集合，所述第一水平大于所述第二水平，并且采样点的所述第一集合大于采样点的所述第二集合。6.根据权利要求3至5中的任一项所述的方法，还包括：通过计算所述两个或更多个组织类图像的加权的平均互相关来生成所述质量度量。7.根据权利要求6所述的方法，还包括：基于所述有限数目的采样点来对所述两个或更多个组织类图像的所述平均互相关进行加权。8.根据权利要求1所述的方法，还包括：通过计算所述组织类图像的加权的平均互相关来生成所述质量度量。9.根据权利要求1至8中的任一项所述的方法，还包括：通过将所述剩余的训练图像分解为组织类图像来将所述训练图像的集合的所述剩余的训练图像配准到所述初始组织类图集，评价图像的第一概率密度函数与利用预定转换来转换的所述初始组织类图集的第二概率密度函数之间的熵准则，并且对所有组织类进行求和。10.根据权利要求9所述的方法，还包括：利用图像空间中的蒙特卡罗采样来对每组织类进行接近积分。11.根据权利要求1至10中的任一项所述的方...

【专利技术属性】
技术研发人员：A·R·弗兰茨，N·沙德瓦尔特，H·舒尔茨，D·贝斯特罗夫，T·维克，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：荷兰;NL