【技术实现步骤摘要】
【国外来华专利技术】
本申请总体涉及使用人工智能建模来对器官形状进行分类以用于自动分割质量保证。
技术介绍
1、放射疗法(基于放射的疗法)用作癌症处理以传送高剂量的放射，其可杀死细胞或缩小肿瘤。目标是向患者的解剖结构的靶区域递送足够的放射以在放射疗法处理期间杀死癌细胞。然而，接近或围绕靶区域的其他器官或解剖区域可采用放射束的方式，并且可接收足够的放射以损伤或伤害这类器官或解剖区域。这些器官或解剖区域被称为危及器官(用于单个危及器官的“oar(一个或多个)”)。典型地，医师或放射肿瘤学家在使用各种成像模态进行放射疗法之前标识靶区域和oar两者。此外，可获得患者的解剖结构的模拟图像。
2、对于安全和有效的放射疗法处理，精确分割oar以最小化对这些健康组织的放射暴露是至关重要的。由于诸如图像引导和处理适应的放射疗法的快速进步，医学图像的快速和准确分割是处理的非常重要的部分。手动描画靶区(target volume)和危及器官仍然是许多诊所的标准例程，即使它是耗时的并且易于观测者内和观测者间的变化。自动分割方法寻求减少描画工作量并统一器官边界定义。临床应用可受益于自动图像分割，并且不仅实现了有效的图像分割，而且提高了诊断的一致性和客观性。
3、然而，在将自动分割部署到临床应用时，有必要解决质量控制的问题。常规的自动分割方法，即使是那些结合了机器学习的方法，仍然可能失败。重要的是检测可导致误标识的任何临界不准确性。分割质量控制的当前临床实践可能需要例如由放射肿瘤学家进行的人类视觉检查。依靠人类视觉检查作为标准实践减少了由自动分割带来的效
技术实现思路
1、根据本专利技术的第一方面，提供了一种如权利要求1所定义的方法。
2、根据本专利技术的第二方面，提供了一种如权利要求14所定义的方法。
3、根据本专利技术的第三方面，提供了一种如权利要求16所定义的系统。
4、由于上述原因，需要用于对oar形状和其他感兴趣器官的形状进行分类的系统和方法，以便在人体解剖结构的范围内进行自动分割质量保证。需要以类似于放射肿瘤学家的准确度自动分割感兴趣器官，同时仍然经由人类视觉检查为所选患者提供感兴趣器官的分割。本文所论述的是集成自动质量控制方法以标识用于手动描画oar的适当情况的系统和方法。所公开的系统和方法可表征训练数据的分布，并且检测训练数据和推断时间预测中的离群值。本文所描述的实施例可计算推断时间预测的准确度度量。此外，本文所描述的实施例可帮助临床医生可视化分类结果。
5、在各种实施例中，该方法集成了自动质量控制技术，以标识不适于自动描画oar的情况。该方法接收第二图像，该第二图像包括预测患者的解剖区域的结构的分割的第一覆盖图，其中第一覆盖图可由第一机器学习模型生成。第二图像可以包括当前患者的至少一个oar分割。在一些实施例中，该方法还接收表示描绘当前患者的结构的解剖区域的医学图像的第一图像。
6、该方法实行在第三图像集上训练的第二机器学习模型，该第二机器学习模型对第二图像进行分类并表征第二图像与第三图像集之间的相似度。第二机器学习模型的训练数据可以包括先前患者的器官分割集。第二机器学习模型输入当前患者的第二图像以确定第二图像的分类。具有第二图像和第三图像集的第二机器学习模型的层输出由该模型输出。这些输出被用于确定由第一机器学习模型生成的第一覆盖图是否在第三图像分布之外。
7、该方法可生成第二图像和第三图像集的1d、2d或3d视觉表示。第二机器学习模型可以将第二图像归类为与第三图像集相似或不相似。该方法可以包括在电子设备上显示第二图像的视觉表示和归类中的一个或两个的步骤。该方法可以包括以下步骤：在第二机器学习模型确定由第一机器学习模型生成的第一覆盖图在训练数据的分布之外的情况下，传送指引对第二图像的手动审查的通知。
8、在一个实施例中，第二机器学习模型将第二图像分类为预定义类别名称集中的一个类别名称。第三图像集表示与第二图像具有相同类别名称的先前患者的器官的分割，并且第四图像集表示与第二图像具有不同类别名称的先前患者的器官的分割。在该实施例中，第三图像集和第四图像集两者都被用于训练第二机器学习模型。
9、第二机器学习模型可以是包括神经网络、卷积神经网络、残差神经网络、随机森林、和支持向量机中的一个或多个的深度学习模型。第二机器学习模型可经由无监督训练协议来训练。可靠性分类可对应于第二机器学习模型的神经网络层的权重。第二机器学习模型可以被配置为经由包括主成分分析(pca)和t-分布式随机邻居嵌入(t-sne)及其他项的一种或多种降维技术对模型输入执行降维。第二机器学习模型可以被配置为归一化除了第三图像集的第二结构集的形状之外的空间属性。第二机器学习模型可以被配置为生成一维图、二维图或三维图，其中第二结构中的每一个由相应的点表示。第二机器学习模型可以被配置为标识与对应于至少一个离群值形状的至少一个第三图像相关联的患者的属性。
10、在一个实施例中，一种方法包括由该处理器接收第二图像，该第二图像包括预测患者的器官的分割的第一覆盖图，其中该第一覆盖图由第一机器学习模型使用描绘包括该器官的该患者的解剖区域的第一图像生成；以及由处理器实行第二机器学习模型，该第二机器学习模型接收第二图像，以通过表征第二图像从第三图像集内的多个图像中的图像分布中绘制的程度，来对第二图像与表示第二结构集的第三图像集之间的相似度进行分类；其中表示第二结构集的第三图像集被用于训练该第二机器学习模型。
11、第二机器学习模型可以被配置为标识由第三图像集表示的第二结构的至少一个群集。
12、多个图像中的图像分布可包括由第三图像集表示的第二结构的至少一个群集的图像分布。
13、第二机器学习模型可以还被配置为标识由第三图像集表示的第二结构集中的至少一个离群值第二结构。
14、第二机器学习模型可以被配置为通过指示第二图像是否从与第三图像集内的多个图像相同的图像分布中绘制，来对第二图像与表示第二结构集的第三图像集之间的相似度进行分类。
15、该方法可以还包括由处理器通过指示第二图像的轮廓是否从与第三图像集内的多个图像相同的轮廓分布中绘制，来显示对第二图像与表示第二结构集的第三图像集之间的相似度进行分类。
16、在将第二图像分类为不是从与第三图像集内的多个图像相同的图像分布中绘制的情况下，还包括由处理器显示与分类相关联的患者的属性。
17、在将第二图像分类为不是从与第三图像集内的多个图像相同的图像分布中绘制的情况下，该方法还包括由处理器传送指引对第二图像的手动审查的通知。
18、第二机器学习模型可以是包括神经网络、卷积神经网络、残差神经网络、随机森林、和支持向量机中的一个或多个的深度学习模型。
19、第二机器学习模型可以被配置为经由主成分分析(pca)和t-分布式随机邻居嵌入(t-sne)中的一个或本文档来自技高网...
【技术保护点】
1.一种方法，包括：
2.根据权利要求1所述的方法，其中所述第二机器学习模型被配置为标识由所述第三图像集表示的第二结构的至少一个群集。
3.根据权利要求2所述的方法，其中所述多个图像中的所述图像分布包括由所述第三图像集表示的第二结构的至少一个群集的图像分布。
4.根据权利要求2或3所述的方法，其中所述第二机器学习模型还被配置为标识由所述第三图像集表示的所述第二结构集内的至少一个离群值第二结构。
5.根据前述权利要求中任一项所述的方法，其中所述第二机器学习模型被配置为通过指示所述第二图像是否从与所述第三图像集内的所述多个图像相同的图像分布中绘制，来对所述第二图像与表示所述第二结构集的所述第三图像集之间的所述相似度进行分类。
6.根据权利要求5所述的方法，还包括由所述处理器通过指示所述第二图像的轮廓是否从与所述第三图像集内的所述多个图像相同的轮廓分布中绘制，来显示对所述第二图像与表示所述第二结构集的所述第三图像集之间的所述相似度进行分类。
7.根据权利要求5或6所述的方法，在将所述第二图像分类为不是从与所述第三图
8.根据权利要求5至7中任一项所述的方法，在将所述第二图像分类为不是从与所述第三图像集内的所述多个图像相同的图像分布中绘制的情况下，所述方法还包括：由所述处理器传送指引对所述第二图像的手动审查的通知。
9.根据前述权利要求中任一项所述的方法，其中所述第二机器学习模型是深度学习模型，所述深度学习模型包括以下项中的一项或多项：神经网络、卷积神经网络、残差神经网络、随机森林和支持向量机。
10.根据前述权利要求中任一项所述的方法，其中所述第二机器学习模型被配置为经由主成分分析(PCA)和t-分布式随机邻居嵌入(t-SNE)中的一个或两个对模型输入执行降维。
11.根据前述权利要求中任一项所述的方法，还包括由所述处理器接收描绘包括所述器官的所述患者的解剖区域的所述第一图像。
12.根据前述权利要求中任一项所述的方法，其中所述第一图像是X射线图像、计算机断层摄影(CT)图像、磁共振成像(MRI)图像、正电子发射断层摄影(PET)图像或超声图像中的一个或多个。
13.根据前述权利要求中任一项所述的方法，其中所述第二机器学习模型被配置为生成一维图、二维图和三维图中的一个或多个，在所述一维图中，所述第三图像集的所述第二结构中的每一个由相应的点表示，在所述二维图中，所述第三图像集的所述第二结构中的每一个由相应的点表示，在所述三维图中，所述第三图像集的所述第二结构中的每一个由相应的点表示。
14.一种方法，包括：
15.根据权利要求14所述的方法，其中所述预定义类别名称集表示基于感兴趣解剖结构的器官的精选。
16.一种系统，包括：
17.根据权利要求16所述的系统，其中所述处理器还被配置为执行包括以下项的操作：
18.根据权利要求16或17所述的系统，其中所述处理器还被配置为执行包括以下项的操作：
19.根据权利要求16至18中任一项所述的系统，其中所述第二机器学习模型是深度学习模型，所述深度学习模型包括以下项中的一项或多项：神经网络、卷积神经网络、残差神经网络、随机森林和支持向量机；其中所述第二机器学习模型经由无监督训练协议来被训练。
20.根据权利要求16至19中任一项所述的系统，其中所述处理器还被配置为执行包括以下各项的操作：
...【技术特征摘要】
【国外来华专利技术】
1.一种方法，包括：
2.根据权利要求1所述的方法，其中所述第二机器学习模型被配置为标识由所述第三图像集表示的第二结构的至少一个群集。
3.根据权利要求2所述的方法，其中所述多个图像中的所述图像分布包括由所述第三图像集表示的第二结构的至少一个群集的图像分布。
4.根据权利要求2或3所述的方法，其中所述第二机器学习模型还被配置为标识由所述第三图像集表示的所述第二结构集内的至少一个离群值第二结构。
5.根据前述权利要求中任一项所述的方法，其中所述第二机器学习模型被配置为通过指示所述第二图像是否从与所述第三图像集内的所述多个图像相同的图像分布中绘制，来对所述第二图像与表示所述第二结构集的所述第三图像集之间的所述相似度进行分类。
6.根据权利要求5所述的方法，还包括由所述处理器通过指示所述第二图像的轮廓是否从与所述第三图像集内的所述多个图像相同的轮廓分布中绘制，来显示对所述第二图像与表示所述第二结构集的所述第三图像集之间的所述相似度进行分类。
7.根据权利要求5或6所述的方法，在将所述第二图像分类为不是从与所述第三图像集内的所述多个图像相同的图像分布中绘制的情况下，所述方法还包括：由所述处理器显示与所述分类相关联的患者的属性。
8.根据权利要求5至7中任一项所述的方法，在将所述第二图像分类为不是从与所述第三图像集内的所述多个图像相同的图像分布中绘制的情况下，所述方法还包括：由所述处理器传送指引对所述第二图像的手动审查的通知。
9.根据前述权利要求中任一项所述的方法，其中所述第二机器学习模型是深度学习模型，所述深度学习模型包括以下项中的一项或多项：神经网络、卷积神经网络、残差神经网络、随机森林和支持向量机。
10.根据前述权利要求中...
【专利技术属性】
技术研发人员：D·索基，
申请(专利权)人：西门子医疗国际股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。