用于医学成像中的图像裁剪和解剖结构分割的系统和方法技术方案

患者的一个或多个医学图像由第一神经网络模型处理(516)以确定感兴趣区域(ROI)或截断平面。来自第一神经网络模型的信息被用来裁剪(517)医学图像，该医学图像用作到第二神经网络模型的输入。第二神经网络模型处理(518)经裁剪的医学图像以确定患者的医学图像中的解剖结构的轮廓。第一神经网络模型和第二神经网络模型中的每一个都是深度神经网络模型。通过在第二神经网络模型的训练阶段和推理阶段使用裁剪图像，产生具有锐利边缘或平坦表面的轮廓。轮廓。轮廓。

【技术实现步骤摘要】
【国外来华专利技术】用于医学成像中的图像裁剪和解剖结构分割的系统和方法


[0001]本公开总体上涉及医学成像，并且更具体地涉及用于在诸如被用于放射疗法规划的图像之类的医学图像中进行图像裁剪和解剖结构分割的系统和方法。

技术介绍

[0002]放射疗法是用于治疗患者的癌性肿瘤的重要工具。不幸的是，被施加来治疗患者的电离放射本质上并不能区分肿瘤和近端健康结构(例如，风险器官)。因此，必须仔细调节电离放射的施用，以限制对目标(即肿瘤)施加的放射，同时避免对周围解剖结构的不必要放射，目的是向肿瘤输送致命的放射剂量，同时对近端结构维持可接受的剂量。
[0003]作为放射疗法规划过程的一部分，获得肿瘤和周围解剖结构的医学图像。医学图像可以用作放射疗法的仿真基础，并且可以被用来规划疗法的各个方面，包括但不限于射束几何形状和位置、放射能量和剂量。医学图像通常被处理以描绘目标区域(例如，对肿瘤或其它需要被照射的区域进行成像的像素或体素)并分离周围结构(例如，对风险器官(OAR)或其它要避免被照射的解剖结构进行成像的像素或体素。这种描绘，被称为画轮廓或分割，涉及定义相应的边界，该边界定义图像中的不同解剖结构的界限。然而，如果图像中的解剖结构被不正确地绘制轮廓，这可能会导致对目标的照射不足和/或对周围结构的不希望的照射。
[0004]在放射疗法规划过程中，手动绘制医学图像中的结构轮廓可能是一个耗时的阶段。为了解决这个问题，已经提出了自动分割模型。然而，现有方法在结构的边界处存在不准确性。例如，在边界处可能存在有限的解剖信息以停止轮廓绘制。在一些情况下，真值可能与确切边界不一致，但是由于临床实践，边界本身必然是直线切割(即在平面上)。在这种情形中，现有的自动分割方法将对所生成的轮廓应用圆形或平滑过渡，因为它试图在训练数据中找到轮廓之间的平衡。由于训练数据可能无法就应该在哪里截断达成一致，所以现有的方法无法被轻易训练为具有锐利截断。此外，用户(例如放射科医生或放射治疗师)可能对如何绘制结构轮廓有自己的偏好，这些偏好可能与基线分割指南不同。因此，采用现有方法需要用户手动校正所获得的轮廓的部分，这可能很耗时。
[0005]这种情况的一个示例是定义乳房的上边界。例如，图1A示出了具有通过自动分割方法生成的轮廓104的乳房102的示例性二维图像100。尽管没有明确的解剖界标，但是临床医生可能更喜欢在乳房102的上端106处的轴向切割108。然而，现有的分割方法可能导致在上端106处的圆形轮廓104s。因此用户可能需要校正所生成的轮廓104，以具有所期望的直线切割108。
[0006]在一些场景中，器官或结构可能仅被部分地描绘。例如，用户可能更喜欢仅在预期放射的区域(例如，基于放射场信息)中分割脊椎，而不是在图像中存在脊椎的任何地方分割脊椎。为了节省时间和处理资源，用户可以定义具有平坦边缘的边界框110，其定义了图像120中的脊椎122的应该被绘制轮廓的部分，如图1B中所图示。然而，同样，现有的分割方法可能导致脊椎122在边界框110的顶部124和底部126边缘处的圆形轮廓，而不是否则将由
边界框110定义的锐利截断所规定的直线边缘。因此，用户可能需要校正由现有分割方法所生成的轮廓。
[0007]在一些场景中，一系列计算机断层扫描(CT)图像切片被用于形成解剖结构的三维(3
‑
D)图像。然而，由于切片的范围可能不足以对整个解剖结构进行成像，因此相关于某些解剖结构可能会导致二维平面中的锐利截断。例如，图1C图示了解剖结构132的CT图像堆叠130，其中134表示被组装以形成3
‑
D图像的示例性轴向切片。矢状方向138或冠状方向136上的对应2
‑
D图像切片也可以从3
‑
D图像被形成。请注意，为清楚起见，图中仅图示了每个方向上的部分切片。由于结构132在轴向方向上延伸超出图像的堆叠130，因此矢状切片138和冠状切片136对于由顶部2
‑
D平面140和底部2
‑
D平面142所定义的解剖结构132而言具有锐利的切口。现有的分割方法可能导致在这样的切片136、138中的顶部140和底部142平面处的脊椎结构的圆形轮廓，从而需要用户干预来校正。
[0008]所公开的主题的实施例特别可以解决上述问题和缺点中的一个或多个。

技术实现思路

[0009]在一个方面，本专利技术提供了如权利要求1中所定义的系统。
[0010]在另一方面，本专利技术提供了一种非暂态计算机可读存储介质，在其上包含如权利要求12中所定义的程序指令序列。
[0011]在另一方面，本专利技术提供如权利要求22所述的方法。
[0012]在从属权利要求中规定了可选特征。
[0013]所公开的主题的实施例提供了用于处理患者的医学图像以产生解剖结构的改进轮廓的第一神经网络模型和第二神经网络模型。患者的一个或多个医学图像可以由一个或多个第一神经网络模型处理，以确定感兴趣区域(ROI)或截断平面。来自一个或多个第一神经网络模型的信息被用来裁剪医学图像，其用作到一个或多个第二神经网络模型的输入。一个或多个第二神经网络模型可以处理经裁剪的医学图像，以确定患者的医学图像中的解剖结构的轮廓。第一神经网络模型和第二神经网络模型中的每一个都是深度神经网络模型，在输入层和输出层之间具有至少两个节点隐藏层。例如，可以通过在第二神经网络模型的训练和推理阶段，使用根据第一神经网络模型所裁剪的图像来产生具有锐利边缘或平坦表面的轮廓。
[0014]在一个或多个实施例中，一种方法包括：使用医学图像的第一数据集来训练至少一个第一神经网络模型。第一数据集中的每个医学图像可以包括：其中的解剖结构的轮廓，以及在该解剖结构周围的感兴趣区域(ROI)和相关于该解剖结构的截断平面中的至少一个。每个第一神经网络模型可以被训练来逼近ROI或截断平面。该方法还可以包括：基于来自至少一个第一神经网络模型的数据，裁剪第二数据集的医学图像。第二数据集中的每个医学图像可以包括解剖结构的轮廓。该方法还可以包括，使用经裁剪的医学图像来训练至少一个第二神经网络模型，每个第二模型被训练以逼近解剖结构的轮廓。
[0015]在一个或多个实施例中，一种方法包括：使用至少一个第一神经网络模型来处理患者的医学图像数据集，以生成裁剪数据，并且至少基于来自至少一个第一神经网络模型的裁剪数据来裁剪该医学图像数据集。该方法还可以包括：使用至少一个第二神经网络模型处理经裁剪的第三医学图像数据集，以在医学图像数据集中生成一个或多个解剖结构轮
廓。
[0016]在一个或多个实施例中，一种系统包括：一个或多个数据存储设备和可操作地耦合到该一个或多个数据存储设备的一个或多个处理器。一个或多个数据存储设备可以存储至少一个第一神经网络模型和至少一个第二神经网络模型。每个第一神经网络模型可以被训练以逼近解剖结构周围的感兴趣区域(ROI)或相关于解剖结构的截断平面。每个第二神经网络模型可以被训练以逼近解剖结构的轮廓。一个或多个处理器本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种系统，包括：一个或多个数据存储设备，所述一个或多个数据存储设备存储至少一个第一神经网络模型和至少一个第二神经网络模型，每个第一神经网络模型已被训练以逼近解剖结构周围的感兴趣区域ROI或相关于所述解剖结构的截断平面，每个第二神经网络模型已被训练以逼近所述解剖结构的轮廓；以及一个或多个处理器，所述一个或多个处理器可操作地耦合到所述一个或多个数据存储设备并且被配置为：采用所述至少一个第一神经网络模型来处理患者的一个或多个医学图像，以生成裁剪数据；至少基于来自所述至少一个第一神经网络模型的所述裁剪数据来裁剪所述患者的所述一个或多个医学图像；以及采用所述至少一个第二神经网络模型来处理所述患者的经裁剪的所述一个或多个医学图像，以生成所述患者的所述医学图像中的解剖结构的一个或多个轮廓。2.根据权利要求1所述的系统，其中所述一个或多个处理器还被配置为：使用医学图像的第一数据集来训练所述至少一个第一神经网络模型以逼近ROI或截断平面，所述第一数据集中的每个医学图像包括在其中的解剖结构的轮廓，以及在所述解剖结构周围的ROI或相关于所述解剖结构的截断平面中的至少一个；基于来自所述第一神经网络模型的数据来裁剪第二数据集的医学图像，所述第二数据集中的每个医学图像包括在其中的解剖结构的轮廓；以及使用所述第二数据集的经裁剪的所述医学图像来训练所述至少一个第二神经网络模型以逼近解剖结构的轮廓。3.根据权利要求1或2所述的系统，其中所生成的所述轮廓中的至少一个轮廓具有基本上直的边缘或基本上平坦的表面。4.根据权利要求1、2或3所述的系统，还包括：放射疗法设备，所述放射疗法设备被配置为向患者递送放射治疗，其中所述一个或多个处理器还被配置为：控制所述放射疗法设备以根据治疗计划来照射所述患者，所述治疗计划至少基于所述患者的所述一个或多个医学图像和所生成的所述轮廓。5.根据权利要求1至4中任一项所述的系统，其中所述一个或多个处理器还被配置为：使用至少一种算法来处理所述患者的所述一个或多个医学图像，以将所生成的所述轮廓修改为具有基本上直的边缘或基本上平坦的表面。6.根据权利要求5所述的系统，其中所述至少一种算法包括启发式算法。7.根据权利要求1至6中任一项所述的系统，其中所述一个或多个处理器被配置为：基于放射疗法的照射场放置来裁剪所述患者的所述一个或多个医学图像。8.根据权利要求2所述的系统，其中所述一个或多个处理器被配置为：使用所述第二数据集的所述医学图像中的截断平面的定义，来训练所述至少一个第二神经网络模型。9.根据权利要求2所述的系统，其中所述一个或多个处理器被配置为：通过迭代过程来训练所述至少一个第一神经网络模型，并且在每次迭代之后计算第一损失函数；
通过迭代过程来训练所述至少一个第二神经网络模型，并且在每次迭代之后计算第二损失函数；以及在相应的迭代过程之前或期间接收输入以修改所述第一损失函数和所述第二损失函数中的一个，以改变相应的训练中的所述截断平面的效果。10.根据权利要求2所述的系统，其中所述一个或多个处理器被配置为：基于解剖界标来训练所述至少一个第一神经网络模型以逼近所述ROI。11.根据权利要求1至10中任一项所述的系统，其中所述第一神经网络模型和所述第二神经网络模型中的每一个是具有多于两个隐藏层的深度神经网络。12.一种在其上包含程序指令序列的非暂态计算机可读存储介质，以及一种计算机处理系统，所述计算机处理系统执行包含在所述计算机可读存储介质上的所述程序指令序列以使所述计算机处理系统：使用至少一个第一神经网络模型来处理患者的一个或多个医学图像以生成裁剪数据，每个第一神经网络模型已被训练以逼近解剖结构周围的感兴趣区域ROI或相关于所述解剖结构的截断平面；至少基于来自所述至少一个第一神经网络模型的所述裁剪数据来裁剪所述患者的所述一个或多个医学图像；以及使用至少一个第二神经网络模型来处理所述患者的经裁剪的所述一个或多个医学图像，以生成所述患者的所述一个或多个医学图像中的解剖结构的一个或多个轮廓，每个第二神经网络模型已被训练以逼近解剖结构的轮廓。13.根据权利要求12所述的非暂态计算机可读存储介质和计算机处理系统，其中所述程序指令序列的执行还使所述计算机处理系统：使用医学图像的第一数据集来训练所述至少一个第一神经网络模型，所述第一数据集中的每个医学图像包括在其中的解剖结构的轮廓，以及在所述解剖结构周围的感兴趣区域ROI或相关于所述解剖结构的截断平面中的至少一个；基于来自所述至少一个第一神经网络模型的数据，裁剪第二数据集的医学图像，所述第二数据集中的每个医学图像包括所述解剖结构的轮廓；以及使用经裁剪的所述医学图像来训练所述至少一个第二神经网络模型。14.根据权利要求12或13所述的非暂态计算机可读存储介质和计算机处理系统，其中所生成的所述轮廓中的至少一个轮廓具有基本上直的边缘或基本上平坦的表面。15.根据权利要求12、13或14...

【专利技术属性】
技术研发人员：H，
申请(专利权)人：瓦里安医疗系统国际股份公司，
类型：发明
国别省市：