在线学习增强的基于图谱的自动分割制造技术

公开了图像分割方法。该方法包括接收目标图像和多个图谱，每个图谱包括示出关注的结构和关联的结构描绘的图谱图像，图像获取设备由目标图像获取并且目标图像示出关注的结构。该方法还包括由图像处理器通过将相应的图谱配准到目标图像来计算映射图谱，并且由图像处理器基于映射图谱来确定目标图像的第一结构标记图。该方法还包括由图像处理器使用映射图谱的子集来训练结构分类器，并且由图像处理器通过将经训练的结构分类器应用于目标图像中的一个或更多个目标图像点来确定目标图像的第二结构标记图。该方法另外包括由图像处理器将第一标记图与第二标记图结合以生成表示关注的结构的第三标记图。

On-line Learning Enhanced Automatic Segmentation Based on Atlas

【技术实现步骤摘要】
【国外来华专利技术】在线学习增强的基于图谱的自动分割
本公开内容涉及基于图谱的自动分割(atlas-basedauto-segmentation，ABAS)，并且更具体地，涉及用于在线学习增强的ABAS的系统和方法。
技术介绍
确定患者体内的结构如器官并提取结构的形状对于许多医学成像应用诸如诊断成像、图像引导手术或图像引导的放射治疗是必不可少的。在这样的应用中，需要根据患者的图像例如计算机断层摄影(CT)图像来确定一个目标结构或多个目标结构。通常将确定患者体内的目标结构称为结构轮廓勾画或分割。尽管由人类专家(也被称为评估者)进行手工勾画轮廓仍然是临床中用于高质量分割的常用方法，但是手工勾画轮廓繁琐且耗时，并且可能遭受大的评估者内和/或评估者间的变化。由于噪声和其他伪影以及许多软组织结构的有限图像对比度，图像的自动分割可能是有挑战性的。近年来，基于图谱的自动分割(ABAS)技术已经显示出作为解决方案的前景。ABAS包括使用一个或更多个先前分割的图像——例如来自先前治疗过的患者的分割的图像或来自同一目标患者的先前治疗的分割的图像——来执行目标图像的分割。将先前分割的图像连同它们的注释例如结构标记图或结构表面称作图谱(atlas)。通过经由图像匹配(也称为图像配准)将图谱图像与从目标患者获得的新目标图像对准来计算图像变换。通过使用经计算的图像变换将在图谱上定义的结构标记映射到目标图像来产生目标图像的结构标记。ABAS的准确性通常依赖于所使用的图谱图像的质量和数量。例如，在ABAS过程期间可以使用多个图谱来提供冗余。另一方面，示出与目标图像中基础对象类似的基础对象的图谱图像也可以有助于提高对目标图像进行标记的准确度。设计了所公开的方法和系统以进一步提高用于图像分割的传统ABAS的准确度。
技术实现思路
本公开内容的一个方面涉及图像分割方法。该方法包括接收目标图像和多个图谱，每个图谱包括示出关注的结构和关联的结构描绘的图谱图像，该目标图像由图像获取设备获取并且该目标图像示出关注的结构。该方法还包括由图像处理器通过将相应的图谱配准到目标图像来计算映射图谱，以及由图像处理器基于映射图谱确定目标图像的第一结构标记图。该方法还包括由图像处理器使用映射图谱的子集来训练结构分类器，并且由图像处理器通过将经训练的结构分类器应用于目标图像中的一个或更多个目标图像点来确定目标图像的第二结构标记图。该方法另外包括由图像处理器将第一标记图与第二标记图结合以生成代表关注的结构的第三标记图。本公开内容的另一方面涉及图像分割系统。该系统包括存储器和耦接至该存储器的图像处理器。存储器被配置成接收和存储目标图像和多个图谱，每个图谱包括示出关注的结构和关联的结构描绘的图谱图像，该目标图像由图像获取设备获取并且该目标图像示出关注的结构。图像处理器被配置成通过将相应的图谱配准到目标图像来计算映射图谱，并且基于映射图谱来确定目标图像的第一结构标记图。图像处理器还被配置成使用映射图谱的子集来训练结构分类器，并且通过将经训练的结构分类器应用于目标图像中的一个或更多个目标图像点来确定目标图像的第二结构标记图。图像处理器还被配置成将第一标记图和第二标记图结合以生成代表关注的结构的第三标记图。本公开内容的又一方面涉及非暂态计算机可读存储介质，其存储有指令，所述指令在由图像处理器执行时使处理器执行图像分割方法。该方法包括接收目标图像和多个图谱，每个图谱包括示出关注的结构和关联的结构描绘的图谱图像，该目标图像由图像获取设备获取并且该目标图像示出关注的结构。该方法还包括通过将相应的图谱配准到目标图像来计算映射图谱，并且基于映射图谱来确定目标图像的第一结构标记图。该方法还包括使用映射图谱的子集来训练结构分类器，并且通过将经训练的结构分类器应用于目标图像中的一个或更多个目标图像点来确定目标图像的第二结构标记图。该方法另外包括将第一标记图和第二标记图结合以生成代表关注的结构的第三标记图。符合本公开内容的特征和优点部分地将在以下描述中阐述，并且部分地将根据描述是明显的，或者可以通过对本公开内容的实践来获知。借助于所附权利要求中特别指出的元素和组合，将实现并获得这样的特征和优点。应当理解，前述的一般性描述和后面的详细描述都只是示例性和说明性的，并非对要求保护的本专利技术进行限制。附图说明在附图中，不一定按比例绘制，并且相同的附图标记可以描述不同视图中的类似部件。具有不同字母后缀的相同附图标记可以表示类似部件的不同实例。附图总体上通过示例而非通过限制的方式示出了本文中讨论的各种实施方式。图1是示出根据本公开内容的一些实施方式的示例性放射治疗系统的框图。图2描绘了根据本公开内容的一些实施方式的示例性图像引导放射治疗设备。图3描绘了根据本公开内容的一些实施方式的示例性图像分割系统。图4是示出根据示例性实施方式的由图3的图像分割系统执行的示例性图像分割方法的流程图。图5是示出根据示例性实施方式的由图3的图像分割系统执行的示例性结构分类器训练方法的流程图。图6A和图6B示出了来自传统方法的分割结果与来自符合本公开内容的示例性方法的分割结果之间的比较。具体实施方式在下文中，将参照附图描述与本公开内容一致的实施方式。只要有可能，在整个附图中将使用相同的附图标记来表示相同的部分或相似的部分。与本公开内容一致的实施方式包括用于在线学习增强的基于图谱的自动分割(ABAS)的系统和方法。本文未指定的一些示例的详细描述，例如ABAS方法的详细描述，可以在申请人的发布为美国专利No.9,122,950的在先申请中找到，所述在先申请的全部内容通过引用并入本文。总体上将所公开的系统和方法设计为基于一个或更多个图谱来分割目标图像。如本文中一致地使用的，“图谱”包括图像和指示图像点属于哪个结构的对应的结构描绘(注释)。“目标图像”是目标患者的图像并且尚待分割。所公开的方法和系统将被应用为基于一个或更多个图谱来分割目标图像。可以通过图像获取设备获取目标图像。图谱中的图像，也称为图谱图像，可以是另一患者的图像或在较早时间拍摄的目标患者的早先图像。在本公开内容中，图像——目标图像或图谱图像——包括多个图像点，如果图像是二维(2D)图像则可以将所述图像点称作像素，或者如果图像是三维(3D)图像则可以将所述图像点称作体素。目标图像中的图像点被称为目标图像点。类似地，图谱图像中的图像点被称为图谱图像点。结构描绘可以表示为例如结构标记图、结构表面或结构轮廓。以下描述使用标记图作为结构描绘的示例，并且类似地应用于结构表面和轮廓的场景。标记图指的是结构标记的图，每个结构标记将相应的图像点标识为在特定的关注结构内。替选地，与本公开内容一致，标记图也可以是包含结构标记的概率图，每个结构标记表示图像点属于该结构的概率。例如，当对包括多个结构的目标图像进行分割时，图像点的结构标记可以提供一组指示图像点属于所考虑中的每个结构的可能性有多大的概率值。所公开的系统和方法提供了目标图像的估计结构标记图。图1是示出根据本公开内容的一些实施方式的示例性放射治疗系统100的框图。放射治疗系统100可以是IGRT系统。如图1所示出的，放射治疗系统100可以包括控制台110、数据库120、放射治疗设备130和图像获取设备140。在一些实施方式中，可以将放射治疗设备1本文档来自技高网...

【技术保护点】
1.一种图像分割方法，包括：接收目标图像和多个图谱，每个图谱包括示出关注的结构和关联的结构描绘的图谱图像，所述目标图像由图像获取设备获取并且所述目标图像示出所述关注的结构；由图像处理器通过将相应的图谱配准到所述目标图像来计算映射图谱；由所述图像处理器基于所述映射图谱来确定所述目标图像的第一结构标记图；由所述图像处理器使用所述映射图谱的子集来训练结构分类器；由所述图像处理器通过将经训练的结构分类器应用于所述目标图像中的一个或更多个目标图像点来确定所述目标图像的第二结构标记图；以及由所述图像处理器将所述第一标记图与所述第二标记图结合以生成代表所述关注的结构的第三标记图。

【技术特征摘要】
【国外来华专利技术】2016.12.21 US 15/386,6731.一种图像分割方法，包括：接收目标图像和多个图谱，每个图谱包括示出关注的结构和关联的结构描绘的图谱图像，所述目标图像由图像获取设备获取并且所述目标图像示出所述关注的结构；由图像处理器通过将相应的图谱配准到所述目标图像来计算映射图谱；由所述图像处理器基于所述映射图谱来确定所述目标图像的第一结构标记图；由所述图像处理器使用所述映射图谱的子集来训练结构分类器；由所述图像处理器通过将经训练的结构分类器应用于所述目标图像中的一个或更多个目标图像点来确定所述目标图像的第二结构标记图；以及由所述图像处理器将所述第一标记图与所述第二标记图结合以生成代表所述关注的结构的第三标记图。2.根据权利要求1所述的方法，其中，计算所述映射图谱包括：将每个图谱中的所述图谱图像映射至所述目标图像；基于所述映射计算每个图谱的配准变换；以及通过将所述配准变换应用于所述图谱的所述结构描绘来计算针对每个图谱的映射结构描绘。3.根据权利要求2所述的方法，其中，确定所述第一结构标记图包括：基于相应的映射结构描绘来确定对应于所述图谱的基于图谱的自动分割ABAS结构标记图；以及通过融合所述ABAS结构标记图来确定所述第一结构标记图。4.根据权利要求3所述的方法，其中，根据多数表决方法或者同时真实性和性能水平估计STAPLE方法中的至少之一来融合所述ABAS结构标记。5.根据权利要求1所述的方法，其中，将相应的图谱配准到所述目标图像包括将每个图谱图像和所述目标图像映射至共同的参考图像。6.根据权利要求5所述的方法，其中，所述参考图像是通过对所述图谱图像求平均而获得的平均图谱图像。7.根据权利要求1所述的方法，还包括：基于选择标准来选择所述映射图谱的子集。8.根据权利要求7所述的方法，其中，选择所述映射图谱的子集包括：确定每个映射图谱图像与所述目标图像之间的图像相似度；基于相应的映射图谱图像的所述图像相似度对所述映射图谱进行排序；以及基于所述排序来选择所述映射图谱的子集。9.根据权利要求8所述的方法，其中，确定所述图像相似度包括：确定全局相似度，所述全局相似度指示作为整体的对应的映射图谱图像与作为整体的所述目标图像如何相关，或者确定局部相似度，所述局部相似度表示对应的映射图谱图像中关注的结构与所述目标图像中关注的结构如何相关。10.根据权利要求1所述的方法，其中，针对所述一个或更多个映射图谱的所述机器学习算法包括将随机森林算法应用于所述一个或更多个映射图谱以获得随机...

【专利技术属性】
技术研发人员：韩骁，
申请(专利权)人：医科达有限公司，
类型：发明
国别省市：美国,US