医学图像分割和图集图像选择制造技术

一些实施例涉及医学图像的分割。例如，医学图像可以被配准到多个图集图像，之后可以应用分割功能部件。多个分割可以被融合成最终整体分割。可以基于高分割质量或低配准质量来选择图集图像。择图集图像。择图集图像。

Medical image segmentation and Atlas image selection

【技术实现步骤摘要】
【国外来华专利技术】医学图像分割和图集图像选择


[0001]当前公开的主题涉及用于医学图像分割的方法、用于选择在医学图像分割方法中使用的图集图像的方法、医学图像分割系统、图集图像选择系统和计算机可读介质。

技术介绍

[0002]准确且鲁棒的医学图像分割仍然是有挑战性的任务。
[0003]医学图像分割的一种方法是基于多图集的图像分割方法。这些方法可以用分割的参考图像的有限集合(称为图集(atlas))来构建。不幸的是，基于图集的方法通常缺乏所需的准确性。在A.Sotiras等人的“Deformable medical image registration:a survey”或者在B.B.Avants等人的“Symmetric diffeomorphic image registration with cross
‑
correlation:evaluating automated labeling of elderly and neurodegenerative brain”中给出了配准方法及其对医学图像分割的应用的示例，这两篇文章都通过引用包含于此。
[0004]医学图像分割的另一种方法是神经网络，例如，卷积神经网络。在Groza等人的“Comparison of deep learning
‑
based techniques for organ segmentation in abdominal CT images”或者在T.Brosch和A.Saalbach的“Foveal fully convolutional nets for multi
‑
organ segmentation”中给出了适用于医学图像分割的神经网络的示例，这两篇文章通过引用包含于此。
[0005]基于神经网络的方法能够有效地构建准确的分割算法。不幸的是，神经网络不能正确地泛化到属性略有不同的新数据集。当向经训练的神经网络呈现新图像时，即使该新图像稍微位于用来训练神经网络的图像之外，得到的分割也可能完全不正确。
[0006]需要一种医学图像分割方法，该方法一方面允许准确的分割，而另一方面更好地泛化到不熟悉的图像。

技术实现思路

[0007]为了解决这些问题和其他问题，提供了使用分割功能部件和多个图集图像两者的医学分割方法。此外，提供了用于选择在医学图像分割方法中使用的图集图像的方法。此外，提供了相对应的设备和软件。
[0008]获得了基于机器学习的分割算法，该分割算法产生了医学图像的准确且鲁棒的分割，还很好地泛化到属性略有不同的新数据集。改进的泛化也可以用于减少训练数据量。
[0009]通过在分割功能部件所熟悉的图集图像上配准图像，例如在分割功能部件执行良好的图集图像上配准图像，很有可能获得准确的分割。避免了将分割功能部件应用于将会产生故障模式分割的图像，例如，显示出分割能力的崩溃。通过在多个图集图像上配准图像，降低了大多数图集图像将会显示出较差分割输出的概率，并且提高了过程的准确性。例如，避免了图集或输入图像的偶然特性将会支配结果。将多个预测器的集合与合适的表决方案进行组合提高了它们的预测性能。
[0010]图集图像选择的实施例的优点在于，图集图像选择可以在分割功能部件的训练完成之后执行。事实上，分割功能部件的训练可以独立于图集图像选择。根据实施例，这使得增强现有的分割功能部件成为可能。
[0011]例如，在一个实施例中，分割功能部件可以是机器学习分割功能部件。例如，训练图像可以用于训练分割功能部件。例如，分割功能部件可以是例如神经网络，例如卷积神经网络(CNN)。代替神经网络，机器学习分割功能部件可以是决策森林。机器学习分割功能部件可以是神经网络的集成。例如，最终结果可以由该集合中各个网络响应的结果组成。例如，可以用不同的参数训练神经网络的集合。
[0012]可以选择n个训练图像的子集作为图集图像。为了分割新图像，将其配准到被选择的n个图集图像，并且将分割功能部件应用于配准的图像以获得n个分割。例如，这些可以是像素或体素分割。在对n个分割中的每个分割应用相对应的逆变换之后，可以例如使用多数表决(majority voting)来融合得到的分割，以获得最终的分割。
[0013]用于分割的方法和/或用于选择图集图像的方法可以在电子设备上实现，例如在计算机上实现。本文描述的分割方法可以在广泛的实际应用中应用，例如，在用于诊断、量化或治疗计划的临床工作站或基于网络/云的临床应用中应用。
[0014]本领域技术人员将理解，该方法可以应用于通过各种采集模态(诸如但不限于标准X射线成像、计算机断层摄影(CT)、磁共振成像(MRI)、超声(US)、正电子发射断层摄影(PET)、单光子发射计算机断层摄影(SPECT)以及核医疗(NM))采集的多维图像数据(例如，二维(2D)、三维(3D)或四维(4D)图像)。
[0015]该方法的实施例可以作为计算机实现的方法在计算机上实现，或者在专用硬件中实现，或者在两者的组合中实现。该方法的实施例的可执行代码可以被存储在计算机程序产品上。计算机程序产品的示例包括存储器设备、光存储设备、集成电路、服务器、在线软件等。优选地，计算机程序产品包括存储在计算机可读介质上非暂时性程序代码，以用于当所述程序产品在计算机上执行时执行该方法的实施例。
[0016]在一个实施例中，计算机程序包括计算机程序代码，该计算机程序代码适用于当计算机程序在计算机上运行时执行该方法的实施例的全部或部分步骤。优选地，计算机程序体现在计算机可读介质上。
附图说明
[0017]将参考附图通过示例的方式描述进一步的细节、方面和实施例。附图中的元件是为了简单和清楚而示出的，并不一定是按比例绘制的。在附图中，与已经描述的元件相对应的元件可以具有相同的参考标记。在附图中，
[0018]图1a示意性地示出了医学图像分割系统的实施例的示例，
[0019]图1b示意性地示出了图集图像选择系统的实施例的示例，
[0020]图2a示意性地示出了分割功能部件的实施例的示例，
[0021]图2b示意性地示出了图像分割的实施例的示例，
[0022]图2c示意性地示出了分割质量确定的实施例的示例，
[0023]图3示意性地示出了用于医学图像分割的方法的实施例的示例，
[0024]图4a和图4b示意性地示出了用于选择在医学图像分割方法中使用的图集图像的
方法的实施例的示例，
[0025]图5a示意性地示出了用于医学图像分割的方法的实施例的示例，
[0026]图5b示意性地示出了用于选择在医学图像分割方法中使用的图集图像的方法的实施例的示例，
[0027]图6a和图6b示意性地示出了医学图像的实施例的示例，
[0028]图6c示意性地示出了正确操作的分割功能部件的实施例的示例的Dice得分，
[0029]图6d示意性地示出了显示出故障模式的分割功能部本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于医学图像分割的方法(400)，包括：
‑
获得(410)分割功能部件(210)，所述分割功能部件被配置为接收医学输入图像(212)并产生图像分割(214)，
‑
获得(420)多个图集图像(320)，
‑
接收(430)医学图像(312)，
‑
将接收到的图像(312)配准(440)到所述多个图集图像，从而获得多个配准的图像(330)以及多个相对应的配准变换，所述多个相对应的配准变换被配置为将接收到的所述图像在所述多个图集图像上配准；
‑
将所述分割功能部件应用(450)于所述多个配准的图像，从而获得多个配准的图像分割(340)，
‑
将所述多个配准变换的逆应用(460)于所述多个图像分割，从而获得多个图像分割(350)，
‑
从所述多个图像分割中确定(470)输出分割(361)。2.根据权利要求1所述的方法，其中所述分割功能部件是已经在多个训练图像和相对应的训练图像分割上训练的机器学习功能部件，并且其中图集图像已经被从所述多个训练图像中选择。3.一种用于选择在医学图像分割方法(400)中使用的图集图像(320)的方法(500)，所述方法包括：
‑
获得(510)分割功能部件(210)，所述分割功能部件被配置为接收输入图像(212)并产生图像分割(214)，
‑
获得(520)多个测试图像(610)和相对应的测试图像分割(620)，
‑
通过将相关联的测试图像分割与由所述分割功能部件生成的图像分割进行比较，来确定(530)所述多个测试图像的分割质量(630)，
‑
选择(540)所述测试图像中的具有超过阈值的分割质量的一个或多个测试图像作为图集图像。4.根据权利要求3所述的方法，包括：
‑
对于尚未被选择的测试图像：
‑
应用从未被选择的测试图像(610
’
)到被选择的测试图像(651)的配准，并且通过将配准的测试图像与所述被选择的测试图像进行比较来确定配准质量(640)；
‑
选择具有低于阈值的配准质量的测试图像作为另一图集图像。5.根据权利要求4所述的方法，包括：
‑
对于尚未被选择的测试图像：
‑
应用从所述测试图像到被选择的所述测试图像的配准，并确定多个配准质量；
‑
根据确定的所述多个配准质量来确定整体配准质量；...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：