用于利用多个解剖结构分割模型在医学成像中进行自动分割的系统和方法技术方案

用于使用多个解剖结构、指令和分割模型在医学图像中进行解剖结构分割的系统和方法。一种用于自动图像分割的基于网络的系统包括处理器，该处理器被配置为：经由网络访问不同图像分割模型的库；选择和应用图像分割模型的全部或子集以被用于对由用户经由用户界面选择的一个或多个解剖结构进行轮廓化；以及组合不同分割模型效果的结果。同分割模型效果的结果。同分割模型效果的结果。

【技术实现步骤摘要】
【国外来华专利技术】用于利用多个解剖结构分割模型在医学成像中进行自动分割的系统和方法


[0001]本公开总体上涉及医学成像，并且更具体地涉及用于使用多个解剖结构、指令和分割模型在医学图像中进行解剖结构分割的系统和方法。

技术介绍

[0002]放射治疗是治疗患者癌性肿瘤的重要工具。不幸的是，用于治疗患者的电离辐射本质上并不能区分肿瘤和近端健康结构(例如，有风险的器官)。因此，必须仔细调节电离辐射的施用，以限制对目标(即，肿瘤)施加的辐射，同时避免对周围解剖结构进行不必要的辐射，目标是向肿瘤递送致命的辐射剂量，同时保持给近端结构的可接受剂量。
[0003]作为放射治疗计划过程的部分，肿瘤和周围解剖结构的医学图像被获取。医学图像可以用作放射治疗模拟的基础，并且可以用于规划治疗的各个方面，包括但不限于射束几何形状和位置、辐射能量和剂量。医学图像通常被处理以描绘目标区域(例如，肿瘤或期望被辐射的其他区域在其中被成像的像素或体素)并且分离周围结构(例如，风险器官(OAR)或避免被辐射的其他解剖结构在其中被成像的像素或体素)。这种描绘(称为轮廓化或分割)涉及限定图像中限定不同解剖结构的轮廓的相应边界。然而，如果图像中的解剖结构的轮廓化不正确，这可能会导致对目标的辐射不足和/或对周围结构进行不期望的辐射。
[0004]医学图像中的结构的手动轮廓化不仅是放射治疗计划过程中的一个耗时阶段，而且由于患者之间与观察者之间的差异，它还可能引入不一致。为了解决这个问题，已经提出了自动分割模型。现有的自动分割方法可以大致分为基于图谱(atlas)的分割方法、基于统计形状或外观的分割方法、机器学习分割方法、或基于深度学习的分割方法。尽管这些自动分割方法在医学图像分割中显示出巨大的前景，但它们各有优缺点，尤其是在多结构分割中，其中由于分辨率有限并且紧密附接的解剖结构之间缺乏对比度，因此很难描绘每个解剖结构的边界。
[0005]例如，基于图谱的分割方法从手动分割构建OAR库，然后经由图像叠合将该库外推到新患者。一旦在先前描绘的患者上建立了图谱，图谱方法就可以对新患者执行无监督分割。然而，基于图谱的分割方法对图谱选择很敏感，并且强烈依赖于叠合精度，并且它们通常需要具有已知分区(即，已知图谱)的一个或多个“标准”患者。此外，如果使用很多图谱，则基于图谱的分割可能运行缓慢。
[0006]基于形状或外观统计模型的分割方法通过将最终分割结果限制为由统计模型描述的解剖学上合理的形状来描绘器官。因此，基于形状或外观统计模型的分割方法仅限于统计模型的形状表示能力。此外，如果器官之间的连接太大，则统计形状模型可能不足以估计形状。
[0007]机器学习分割方法通常涉及从图像中提取特征向量，例如针对每个体素等，这些特征向量可以用作对机器学习模型的输入，诸如随机森林、概率模型和用于分割的字典学习，例如，分类每个体素属于哪个类。机器学习分割方法通常需要仔细初始化，通常由人类
专家进行，并且通常不使用完整的图像数据并且需要附加约束。
[0008]另一方面，基于深度学习的分割方法利用非线性数据处理的多个层或阶段进行特征学习以及模式分析和/或分类。深度学习通常是指非线性数据处理层的层次结构，包括输入层、输出层以及输入层与输出层之间的多个“隐藏”层。这些层可以被训练以从输入中提取(多个)特征并且对(多个)特征进行分类以产生输出。然而，基于深度学习的分割方法虽然优于其他方法，但也有其自身的缺点。通常，深度学习分割方法涉及训练阶段和推理阶段，如图17所示。在训练阶段，深度神经网络(DNN)模型使用医学图像的训练数据集来生成特定输出。例如，训练数据集可以包括2
‑
D或3
‑
D图像，其中包含由不同像素或体素成像的解剖结构的真实轮廓。在推理阶段，已训练DNN模型对患者的(多个)医学图像进行操作，以自动处理(多个)医学图像的特征。由于基于深度学习的分割方法强烈依赖于它们的训练所基于的数据集，因此这些分割模型有自己的结构/器官列表，该结构/器官列表是模型在被应用时创建的。因此，单个深度学习(DNN)分割模型可能并非包含轮廓的所有期望结构，或者模型可能无法正确地轮廓化特定结构，即使它正确地轮廓化其他结构。
[0009]因此，不同分割方法中的每种方法都有自己的优点和缺点。此外，单个分割方法可能无法自动轮廓化多个解剖结构。
[0010]所公开的主题的实施例可以解决上述问题和缺点等中的一个或多个。

技术实现思路

[0011]本专利技术提供了一种根据权利要求1中限定的用于自动图像分割的基于网络的系统。
[0012]可选特征在从属权利要求中限定。
[0013]所公开的主题的实施例提供了一种平台和支持的图形用户界面(GUI)决策工具，其供用户(例如，医务人员)使用以通过允许用户进行以下操作来帮助进行自动多结构分割过程：访问包含不同分割协议(例如，DNN模型、机器学习、形状或外观和图谱的协议)的不同分割模型的数据库，选择适用于和/或更适合轮廓化特定解剖结构的分割模型的全部或子集，以及选择性地组合不同分割模型效果的结果。
[0014]所公开的主题的实施例向用户提供进行以下各项的能力：选择和应用不同分割模型以轮廓化每个期望的解剖结构(例如，即器官)、组合不同分割效果的结果，以及对不同解剖结构应用替代或附加成像模态。
[0015]所公开的主题的实施例提供了一种平台和支持的图形用户界面决策工具以允许用户使用多个分割模型来自动分割多个解剖结构。
[0016]所公开的主题的实施例还提供了一种基于网络的系统和方法，通过该系统和方法，可以访问和应用不同图像分割模型的库以自动轮廓化所选择的一个或多个解剖结构并且选择性地组合所生成的轮廓。
[0017]在一个或多个实施例中，该系统包括处理器，该处理器被配置为经由网络来访问不同图像分割模型的库，选择和应用图像分割模型的全部或子集以用于对由用户经由用户界面而选择的一个或多个解剖结构进行轮廓化，以及组合不同分割模型效果的结果以生成期望轮廓。
[0018]所公开的主题的实施例还提供了一种其上具有指令的存储器，其中该指令在被执
行时使处理器访问包括与患者相关联的一个或多个医学图像的数据库；访问包括不同图像分割模型的库的数据库；响应于由用户经由用户界面、用以在医学图像中的一个或多个医学图像上对一个或多个解剖结构进行轮廓化的请求。
[0019]在实施例中，处理器还被配置为确定数据库中的分割模型中的哪些分割模型支持对一个或多个解剖结构中期望被轮廓化的至少一个解剖结构的分割，在选择屏幕上向用户显示被确定为支持期望解剖的结构中的一个或多个解剖结构的分割的图像分割模型的列表、以及所确定的分割模型中的每个分割模型支持的解剖结构的列表，以及针对期望被轮廓化的每个解剖结构，允许用户从所显示的列表中选择要使用的一个或多个分割模型。
[0020]在一个或多个实施例中，处理器还被配置为提示所选择的分割模型的应用以生成针对期望的解剖结构的对应轮廓，以及允许在一个或多个图像上显本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于自动图像分割的基于网络的系统，包括：处理器，被配置为：经由网络访问不同图像分割模型的库；选择和应用所述图像分割模型的全部或子集，以被用于对由用户经由用户界面选择的一个或多个解剖结构进行轮廓化；以及组合不同分割模型效果的结果。2.根据权利要求1所述的系统，还包括：存储器，其上具有指令，其中所述指令在被执行时使所述处理器：访问包括与患者相关联的一个或多个医学图像的数据库；访问包括所述不同图像分割模型的库的数据库；以及响应于由所述用户经由所述用户界面、用以在所述医学图像中的一个或多个医学图像上对一个或多个解剖结构进行轮廓化的请求：确定所述数据库中的所述分割模型中的哪些分割模型支持对所述一个或多个解剖结构中期望被轮廓化的至少一个解剖结构的分割；在选择屏幕上向所述用户显示被确定为支持期望的所述解剖结构中的一个或多个解剖结构的分割的所述图像分割模型的列表、以及所确定的所述分割模型中的每个分割模型支持的所述解剖结构的列表；针对期望被轮廓化的每个解剖结构，允许所述用户从所显示的所述列表选择要被使用的一个或多个分割模型；应用所选择的所述分割模型，以生成针对期望的所述解剖结构的对应轮廓；以及在所述一个或多个图像上显示所生成的所述轮廓以用于用户查看。3.根据权利要求2所述的系统，其中所述处理器还被配置为允许所述用户接受或拒绝所生成的所述轮廓中的任何轮廓。4.根据权利要求2或3所述的系统，其中所述处理器还被配置为允许所述用户组合使用不同分割模型、针对相同解剖结构而被获取的所述轮廓。5.根据权利要求2至4中任一项所述的系统，其中所述处理器还被配置为允许所述用户组合使用不同分割模型、针对不同解剖结构而被获取的所述轮廓。6.根据权利要求1至5中任一项所述的系统，其中所述组合在加权基础上被完成。7.根据权利要求1至5中任一项所述的系统，其中所述组合使用布尔运算被完成。8.根据权利要求1至5中任一项所述的系统，其中所述组合手动被完成。9.根据权利要求3所述的系统，其中所述处理器还被配置为允许所述用户返回到所述选择屏幕并且从所显示的所述列表选择分割模型的不同集合以...

【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：