用于医疗成像数据内的肿瘤边界的自动检测和分割的系统和方法技术方案

一种用于分割医疗图像内的区域的方法，包含评估一个根据一个初始分割生成的候选分割集合。根据用派生的分段对每个候选的距离计算，把比初始分割更好的最佳候选分割推荐给临床医师。这个推荐器实现一个有益于后继的计算机辅助诊断（即把病变分类为良性或恶性的）的最稳定的分割。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及计算机辅助检测的系统和方法。本专利技术更密切涉及一种应用于计算机辅助检测(CAD)、计算机辅助诊断(CADx)和基于计算机的决策支持系统的新颖的分割(segmenting)系统和方法。通过根据情况而向用于训练分割器的训练器提供对初始边界定义的建议的派生，以便分割器在随后勾划(delineate)肿瘤边界时使得分割的数据对于机器学习技术来说是更加“用户友好的”，从而，该新颖的分割系统支持肿瘤边界的自动检测和分割。当前与计算机关联的系统的速度和成熟程度能够支持开发更快速、更复杂的医疗成像系统。由此引起的所生成和处理的图像数据的数量的增加，导致产生了许多支持对数据进行检查等的支持性应用。这就是说，已经开发了各种数据处理软件，以便辅助医生、临床医师、放射师等评估医疗图像，以识别和/或诊断和评估医疗图像数据。例如，已经开发了计算机辅助检测(CAD)算法和系统，以用于自动地从超声乳腺扫描和多分片CT(MSCT)肺部扫描中识别可疑的病变。超声或CT(或计算机X射线断层摄影系统)是通常用于通过成像来诊断疾病的成像形式，因为它们能准确地图示组织结构的大小、形状和位置，以及异常和病变。CAD系统自动地检测(识别)诸如器官内部的病变的区域或者其它医疗条件。当该区域的图像被呈现和显示时，CAD系统一般标记或标识所研究的感兴趣的区域。标记的目的是吸引用户对所标记的区域的注意。CAD系统可以提供对病变(感兴趣的区域)的分类或表征。就是说，CAD系统可以把乳腺研究中的微小钙化或MSCT中的小瘤标识为可能异常。在随后的步骤中，可以用CADx系统进一步把该异常分类为恶性或良性的。CAD系统融合了放射师的专家知识，实质上提供关于医疗图像数据中异常的检测的第二意见，并可以提出诊断建议。通过支持对怀疑是癌的病变的早期检测和分类，CAD和CADx系统允许早期干预，理论上导致对患者更好的预测。CADx和其他机器学习系统的大多数现有的工作遵循用于被监管的学习的相同的方法。CADx系统从一系列具有已知的基础原理的数据开始，针对训练数据而受“训练”，以识别据信具有足够的区分基础原理的判别能力的特征集合，例如恶性的和良性的。对本领域的熟练的技术人员来说的挑战，包括抽取能在各种类别之间实现判别的特征，在一个特征库(feature pool)内理想地找出最相关的特征。CADx系统可以综合异类信息(例如具有患者数据的基于图像的特征)，或者可以为基于例子的方法找到相似性尺度。本领域熟练的技术人员知道，任何计算机驱动的决策支持系统或CADx系统的准确性，都受到已经为实现机器学习过程(即通过训练集)而被分类的模式集合的可用性的限制。就是说，如果已经用糊状边界定义(mushy boundarydefinition)来训练一个基于CADx的分类器等，系统就会生成一个糊状结果。因此，本领域熟练技术人员要找到一种系统和方法，用于通过推荐器系统在与CADx相关的过程内指导用户进行交互的分割调整过程，以便实现最稳定和优化的分割。因此，本专利技术的目的是提供在任何计算机辅助的检测或诊断系统和方法所使用的分割单元，其中作为对允许训练者仅仅定义分割的替代，最初由用户选择的边界定义不由训练者本身调整，而是由训练者通过选择由推荐器据其自动生成的一个“最佳”计算机辅助的变体(variation)而进行调整。 本
的熟练人员明白，计算机辅助分割要求系统经过训练，特别是在分辨软组织边界—例如肿瘤边界—方面经过训练。本专利技术的带有推荐器的分割器，为计算机辅助的过程提供这样的能力以使其能够由于在随后的机器学习技术中使用“最佳”分割的训练而最佳地操作。在一个实施例中，一个分割单元响应临床医师对一个CAD检测的区域的“最佳”轮廓的初始选择，推荐一个比该区域的比初始分割的更好的边界限定。本专利技术的构思是用一个推荐器实现的，该推荐器生成一个派生的分割集合，每个派生分割都相对于初始分割而被评级。如果推荐器确定派生分割的任何一个比初始分割“更好”，该派生分割就被推荐给临床医师训练者。为此，可以进一步处理每个派生的分割，以确定机器是否明白有第一派生分割集合的“更好”派生的分割，当然，如果满足条件，就把该派生的分割推荐给训练系统的临床医师。在另一个实施例中，一种为支持在医疗成像中的各种CAD和CADx过程而训练和实现分割过程的方法包括选择一个区域的初始最佳分割，然后，不是依赖临床医生/系统训练者来证明该分割合格，或者是调整该初始分割，而是由推荐器处理对初始分割进行操作，以试图实现就以后的机器学习操作所用的分割数据来说是“更好”的分割。更具体来说，推荐器生成该初始分割的一个派生分割集合，如果发现是“更好”的，则建议临床医师训练者用推荐的分割替代初始分割。机器选择的“更好的”分割可以自动地被使用，或者可以通过向训练者提供选择而被使用。在另一个实施例中，一个包括具有用于边界勾划的自动推荐器的分割单元的计算机辅助的检测系统，为随后的自动化的数据抽取过程的使用而提供更准确和可用的分割，以及一个包括机器学习的计算机辅助诊断系统，进一步包括本专利技术的用于边界勾划的自动推荐器的分割单元。本专利技术还包括计算机可读介质，在其上下载了用于实现包括如在此公开且在权利要求书中要求保护的系统自动推荐的分割方法在内的CAD和CADx过程的计算机指令集。附图说明图1A和1B表示一个其中突出显示了分割的乳腺瘤的图像；图2是包括本专利技术的专利技术性分割单元的CAD系统的系统级示意图；图3A、3B、3C和3D是各种分割以及按潜在的小瘤而分割的区域的建议分割的例子；图4是表示按照本专利技术可以实现的一个流程的流程图；图5是表示实现本专利技术的推荐器处理的流程的流程图。乳腺癌检测算法或者应用程序，诸如RegGrowTM和FastMarchTM，是用来实现自动地识别和分割医疗成像数据内的肿瘤的与CAD相关的过程。不过，本
的熟练人员明白，(在活体组织中)肿瘤与周围组织之间的边界并不是清晰明确的，因此，计算机辅助检测中的自动边界检测不能对任何肿瘤(边界)提供一致的、准确的分辨性。尚不知道有确定性的阈限或算法能有效地区分肿瘤像素与边界像素，这需要用户的交互作用。就是说，已知的应用程序一般允许放射师通过调整自动生成的、并为了验证而向训练者/临床医师展示的CAD分割来调整分割过程。图1A和1B表示一个由(HDILab软件提供的)FastMarchTM算法分割的乳腺瘤(良性区域)。通过察看图1A和1B能够明白，由训练者/临床医师调整特定的参数(预定的)，可能导致一个被或没有被自动地检测到的肿瘤的形状的急剧改变。负责在CAD过程中进行调整的是训练者/临床医师。由于放射师在这种系统的计算机训练中的输入的客观性质，被确定的分割在被用于随后处理中可能看起来是“糊状的”(mushy)，即模糊的肿瘤边界，以至被训练的系统不能从“最佳”例子中学习如何准确和一致地为在新提供的分析中所调查的区域选择最佳的边界。更具体来说，分割的自由度(用临床医师的输入调整)阻碍“自动的”肿瘤分割和“自动的”报告生成。但是可能更为重要的是，分割的自由度由于缺乏更好的模拟而把类似巫术的东西引入训练过程。如果对训练数据中可能感兴趣的区域(即肿瘤)的初始分割是由人任意确定的，基于这种任意勾本文档来自技高网...

【技术保护点】
一种把医疗图像内的区域分类的方法，包含以下步骤：根据一组医疗图像训练数据的集合训练一个分类器，该训练数据包括经分割的区域，其中对区域进行分割的临床基础原理是已知的；获取用于调查的非训练医疗图像数据；处理训练数据，以便用计算机辅助检测（ＣＡＤ）的过程来识别和分割对形态学是感兴趣的区域；处理分割的区域，以便为各分割区域中的每一个抽取一个完整特征集；和用特征子集把感兴趣的区域分类；其中，训练步骤包括用一个推荐器来实现稳定的分割。

【技术特征摘要】
【国外来华专利技术】...

【专利技术属性】
技术研发人员：L赵，KP李，
申请(专利权)人：皇家飞利浦电子股份有限公司，
类型：发明
国别省市：NL[荷兰]