根据表面数据、使用患者模型的患者体重估计制造技术

为了医学成像系统中的患者体重估计，诸如网格之类的患者模型被拟合到深度图像。从经拟合的患者模型中提取一个或多个特征值，从而减小值中的噪声和杂乱。根据所提取的特征来对体重估计进行回归。

【技术实现步骤摘要】
根据表面数据、使用患者模型的患者体重估计
技术介绍
本实施例涉及用于为患者定剂量（dose）的患者体重估计。当在临床环境中调整药物剂量或辐射剂量的时候，体重是重要的信息。例如，在没有基于体重的调整的情况下，患者被暴露到来自胸部计算机断层扫描（CT）扫描的17-43%更高的辐射剂量。准确的体重信息不总是可得到的。在用于紧急中风治疗的一项研究中，患者中的14.6%被称重，其中针对患者的剩余部分的体重由医师或护理人员在视觉上猜测。健康护理工人在估计患者体重方面仅具有中等准确性。准确体重信息的缺少是由于若干复杂原因所致。例如，不可能将常见的站立衡量方法用于具有严重状况（诸如创伤或中风）的患者。此外，对于紧急治疗的时间要求可能不允许称重。人体测量学测量可以用于估计人体体重。在一种途径中，从图像中手动地测量人体测量学特征，以通过回归（regression）来学习特征与体重的相关性。在更自动化的途径中，从深度图像中直接提取特征。当场景是杂乱并且嘈杂的时候，从深度图像直接提取特征可能是有问题的。
技术实现思路
系统、方法、以及计算机可读介质上的指令被提供用于医学成像系统中的患者体重估计。患者模型（诸如网格）被拟合到深度图像。从经拟合的患者模型中提取一个或多个特征值，从而减小值中的噪声和杂乱。根据所提取的特征来对体重估计进行回归。在第一方面中，提供一种用于医学成像系统中根据表面数据的患者体重估计的方法。所述表面数据是如下数据：其表示患者的表面或外面，诸如通过利用传感器来捕获患者的外表面。患者模型被拟合到表面数据。患者模型是网格、统计形状模型、或外表面的其它一般性参数化。所述拟合使患者模型变形以拟合到特定患者的表面数据。从如拟合的患者模型中提取针对一个或多个特征中每一个的值。特征是患者模型的形状特征或其它表征。通过将针对所述一个或多个特征的一个或多个值输入到经机器学习的回归器来估计患者的体重。基于体重来为患者定剂量。传感器可以是深度传感器或相机，其中表面数据基于光学测量。患者模型可以作为统计形状模型而被拟合到表面数据。定剂量可以将辐射施加到患者，其中量（例如频率、幅度水平、施加数目或其它定剂量水平）基于体重。在一个实施例中，形状特征是由经拟合的患者模型所指示的身体体积。在其它实施例中，一个或多个特征用于不同身体部分中的每一个。为不同身体部分估计重量，诸如为不同的身体部分估计部分重量并且对所述部分重量进行求和。在另一实施例中，从经拟合的患者模型中所提取的值是形状流形（manifold）系数。所述系数是形状的参数化，诸如通过基于经拟合的网格的数学流形。估计使用任何经学习的回归，诸如是全卷积网络的经机器学习的回归器。可以使用经机器学习的或其它线性回归器。在第二方面中，提供一种医学成像系统来用于患者体重估计。深度传感器被配置成测量到患者的深度。图像处理器被配置成通过使用深度来形成针对患者的网格，并且根据如为患者所形成的网格来对患者的体重进行回归。可以利用经机器学习的回归器来对体重进行回归。存储器被配置成存储经回归的体重，诸如存储以用于在确定或控制剂量中使用。在一个实施例中，深度传感器是深度相机。在对网格进行了拟合之后，图像处理器被配置成响应于对经机器学习的回归器的输入来进行回归。治疗辐射扫描仪被配置成将辐射剂量施加到患者，其中辐射剂量的量基于体重。图像处理器可以被配置成从如为患者所形成的网格中提取针对形状特征的值，并且根据该值来对体重进行回归。形状特征可以是针对网格整体或针对网格的一部分的体积。图像处理器可以被配置成从如为患者所形成的网格中提取针对形状流形的值，并且根据所述值来对体重进行回归。在第三方面中，提供一种方法来用于医学成像系统中的患者体重估计。传感器捕获患者的外表面。从被拟合到利用传感器所捕获的外表面的患者模型中提取形状特征值。根据形状特征值、通过回归来估计患者的体重。在一个实施例中，经机器学习的回归器进行估计。为患者定剂量，其中剂量的量基于所估计的体重。上述方面中的任何一个或多个可以单独或以组合来被使用。从对优选实施例的以下详细描述中，这些和其它方面、特征和优点将变得显而易见，所述详细描述将结合附图来被阅读。本专利技术由下面的权利要求来限定，并且本章节中没有什么应当被视为对那些权利要求的限制。本专利技术的此外的方面和优点在以下结合优选实施例来被讨论，并且可以稍后独立地或组合地被要求保护。附图说明部件和图不一定是按比例的，代替地来将强调置于说明实施例的原理上。此外，在各图中，类似的参考数字贯穿不同的视图指明对应的部分。图1是用于医学成像系统中根据表面数据的患者体重估计的方法的一个实施例的流程图图解；图2图示了使用经拟合的患者模型的体重估计的示例性工作流；图3是示例性的深度图像；图4示出了示例性的经拟合的患者模型；图5是示出了体重与体积之间的相关性的图表；图6是示出了基于体积的所预测的体重对于实际体重的图表；图7是用于患者体重估计的系统的一个实施例的框图。具体实施方式根据深度图像、通过使用患者三维（3D）模型来估计患者体重。为了克服由噪声或杂乱所引起的挑战，根据患者的深度图像的基于回归的体重估计使用患者3D表面模型。代替直接地从场景的杂乱深度图像中捕获形状信息，使用经拟合的患者模型作为中间层来表示患者身体提供更稳健（robust）的体重估计。体重估计回归基于输入的深度图像和经拟合的患者模型。各种可靠的人类形状特征（例如形状体积、形状流形等等）可从经拟合的模型来提取。所提取的特征然后可以用来通过回归方法来估计患者体重。患者体重与所捕获的图像的相关性被确切地阐述为患者体重与从经拟合的患者模型所提取的形状特征之间的相关性。在一个实施例中，深度图像被输入到体重估计框架。然后从输入中提取通过人类表面网格所表示的患者模型。通过将模板人类表面网格拟合到当前患者输入上来获取人类表面网格。经拟合的患者模型捕获患者形状的准确估计，从其中可以提取各种有关的身体测量来估计人体体重。因为从现实世界环境中所捕获的深度图像通常是嘈杂的，所以从深度图像中直接提取患者身体特征是易出错的。代替地，经拟合的患者模型捕获患者的形状信息以用于体重估计，而没有受来自周围对象的噪声所影响。所提取的形状特征与患者体重的相关性通过回归方法来被学习，以稳健地估计患者体重。稳健的体重估计可以在许多临床应用中来被使用。例如，当患者在医学扫描仪（例如诊断成像仪和/或治疗扫描仪）上的时候，基于深度传感器图像来估计准确的体重。可以估计体重而不管患者状况的严重性如何。所估计的体重然后可以帮助用于剂量控制的决策过程，其对于扫描品质以及患者健康两者而言是重要的因素。在一个实施例中，形状特征是形状流形的系数。可以使用更复杂的特征，诸如针对身体部分信息的特征，从其中，不同的身体部分形状信息用于更稳健地估计体重。所述框架还可以被扩展以用于其它应用，诸如估计患者高度或其它特性。图1是用于医学成像系统中的患者体重估计的方法的一本文档来自技高网...

【技术保护点】
1.一种用于医学成像系统中根据表面数据的患者体重估计的方法，所述方法包括：/n利用传感器来捕获患者的外表面，所述表面数据来自对患者外表面的捕获；/n将患者模型拟合到所述表面数据；/n从如被拟合到针对患者的表面数据的患者模型中提取针对一个或多个特征中每一个的值；/n通过将针对所述一个或多个特征的一个或多个值输入到经机器学习的回归器来估计患者的体重；以及/n基于体重来为患者定剂量。/n

【技术特征摘要】
20190225 US 16/2838641.一种用于医学成像系统中根据表面数据的患者体重估计的方法，所述方法包括：
利用传感器来捕获患者的外表面，所述表面数据来自对患者外表面的捕获；
将患者模型拟合到所述表面数据；
从如被拟合到针对患者的表面数据的患者模型中提取针对一个或多个特征中每一个的值；
通过将针对所述一个或多个特征的一个或多个值输入到经机器学习的回归器来估计患者的体重；以及
基于体重来为患者定剂量。


2.根据权利要求1所述的方法，其中捕获包括利用作为深度传感器的传感器来进行捕获。


3.根据权利要求1所述的方法，其中捕获包括利用作为相机的传感器来进行捕获，其中所述表面数据基于光学测量。


4.根据权利要求1所述的方法，其中对患者模型进行拟合包括将统计形状模型拟合到表面数据。


5.根据权利要求1所述的方法，其中提取包括提取形状特征的值作为所述一个或多个特征之一。


6.根据权利要求5所述的方法，其中提取形状特征包括提取如经拟合的患者模型的身体体积。


7.根据权利要求1所述的方法，其中提取包括为多个不同身体部分中的每一个进行提取，并且其中估计包括根据针对所述多个不同身体部分的所述一个或多个特征的值来进行估计。


8.根据权利要求7所述的方法，其中估计包括估计针对不同身体部分的部分重量，并且对所述部分重量进行求和，总和包括患者的体重。


9.根据权利要求1所述的方法，其中提取包括提取针对形状流形系数的值作为特征。


10.根据权利要求1所述的方法，其中估计包括利用经机器学习的回归来进行估计，所述经机器学习的回归包括全卷积网络。


11.根据权利要求1所述的方法，其中估计包括利用经...

【专利技术属性】
技术研发人员：萨如汗，B塔默索伊，张耀仁，KJ基希贝格，VK辛赫，陈德仁，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：德国;DE