【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及一种用于识别解剖特征的方法、非瞬态机器可读介质和装置。
技术介绍
1、磁共振成像(mri)和用于对心脏成像的其他辐射摄影成像技术可用于提供数据以便于心室体积的量化和与心脏相关联的各种参数的评估。对于这样的评估，可以描绘各种心脏结构。例如，可以描绘左心室腔室和右心室腔室以及左心室肌肉组织，以便计算舒张期和收缩期内的腔体的体积(并且因此计算射血分数)以及心肌质量。这些参数可用于检测和量化不同的病理。这些心脏结构的手动跟踪是耗时的，这是因为例如由于所获得的成像切片的数量，所涉及的数据量很大。例如，在患者的电影mri中，每个相位可能存在多于十个短轴切片，并且可能存在多于二十个相位。训练有素的专家可能需要大约30分钟来手动追踪心室并分析单个对象的图像。
2、示例临床工作流程使用半自动技术来分割相位中的心脏腔室并将轮廓传播到电影心脏mri中的其他相位。主要挑战之一是在心脏的基础区域中缺乏准确的自动心室分割。在一些情况下，专家可能需要花费大量的时间手动校正心脏mri的顶端切片和基础切片处的分割输出。
3、在心脏mri中评估的主要临床参数之一是左心室的射血分数。心室分割可以用于根据基础成像切片确定射血分数。自动分割方法可能难以区分基础成像切片中的右心室(rv)、左心室(lv)、右心房(ra)、左心房(la)和周围结构。可能需要自动分割的手动编辑来改进分割的准确度，从而增加了专家在其能够评估病理之前处理分割所花费的时间。某些结构(诸如心尖和基础图像切片中的那些)可能比中心室图像切片中的结构更难以自动分割。p>
4、例如，当与基于模型/图谱的分割相比时，诸如深度学习的技术可以提供强边界的准确识别。然而，基础切片(和某些其他解剖特征)中的分割可能由于在心房/心室界面处的不良对比度(例如，像素强度梯度方面)而具有挑战性。某些深度学习技术可能导致心尖/基础成像切片中以及各种其他解剖特征之间的不良分割。
技术实现思路
1、本文描述的方面或实施例可以涉及根据成像数据改进对某些解剖特征的识别。本文描述的方面或实施例可以消除与将机器学习模型训练为从成像数据中识别某些解剖特征相关联的一个或多个问题。
2、在第一方面中，描述了一种方法。所述方法是计算机实施的方法。所述方法包括接收表示对象的解剖体的体积的成像数据。接收到的成像数据包括至少一个未识别的感兴趣解剖特征。所述方法还包括使用机器学习模型来识别接收到的成像数据中的所述感兴趣解剖特征，所述机器学习模型被配置为实施分割方法以识别接收到的成像数据中的所述至少一个感兴趣解剖特征。
3、使用针对系列训练数据集中的每个训练数据集生成的映射来训练所述机器学习模型。每个训练数据集包括表示训练解剖体的体积的训练成像数据。
4、由空间函数生成针对每个训练数据集的所述映射，所述空间函数被配置为指定至少一个训练区域相对于与所述映射相关联的所述训练数据集中的至少一个控制位置的空间分布。所述映射被配置为惩罚所述至少一个训练区域中的学习误差。所述至少一个训练区域包括与所述映射相关联的所述训练数据集中的所述至少一个未识别的感兴趣解剖特征。
5、下面描述与第一方面和其他方面有关的一些实施例。
6、在一些实施例中，所述机器学习模型被配置为通过以下操作来识别所述感兴趣解剖特征：使用所述分割方法来确定所识别的感兴趣解剖特征位于所述成像数据中的何处；并且，生成用于指示所识别的感兴趣解剖特征位于所述成像数据中的何处的指示符。
7、在一些实施例中，至少一个控制位置不与所述感兴趣解剖特征重叠。
8、在一些实施例中，使用所述机器学习模型包括使用附加映射作为对所述机器学习模型的输入，以识别接收到的成像数据中的所述至少一个感兴趣解剖特征。可以根据接收到的成像数据来生成所述附加映射。
9、在一些实施例中，由针对每个训练数据集生成的所述映射指定的相邻训练区域之间的空间重叠定义用于所述机器学习模型的所述训练数据集中的至少一个优先化训练区域，以用于使所述至少一个优先化训练区域中的学习误差的惩罚优先于所述训练数据集的非重叠训练区域和/或所述训练数据集的另一区域中的学习误差的惩罚。
10、在一些实施例中，接收到的成像数据对应于所述对象的心脏的基础区域。要使用经训练的机器学习模型来识别的所述至少一个感兴趣解剖特征可以包括所述对象的心脏的相邻腔室之间的至少一个解剖界面。
11、在一些实施例中，基于用于识别所述至少一个控制位置的初始分割模型的结果来识别所述至少一个控制位置。
12、在一些实施例中，所述至少一个控制位置包括：心脏的腔室的质心；和/或，定义心脏的相应腔室之间的至少一个界面的心室和/或心房肌肉组织的端点和/或结点。
13、在一些实施例中，由空间函数的至少一个参数定义所述至少一个训练区域的所述空间分布。所述至少一个参数可以基于所述训练数据集中的至少一个先前识别的解剖特征的至少一个维度。
14、在一些实施例中，所述空间函数包括以由所述训练数据集中的所述至少一个控制位置定义的原点为中心的第一基于高斯的函数。由所述第一基于高斯的函数定义的所述至少一个训练区域的所述空间分布可以远离所述原点。
15、在一些实施例中，所述第一基于高斯的函数包括逆高斯函数。
16、在一些实施例中，所述体积包括心脏的至少一部分。所述第一基于高斯的函数可以以所述心脏的至少一个腔室的质心为中心。
17、在一些实施例中，所述空间函数包括指定空间分布的第二基于高斯的函数，所述空间分布指示与所述第二基于高斯的函数相关联的所述至少一个训练区域。指示与所述第二基于高斯的函数相关联的所述至少一个训练区域的所述空间分布与所述训练数据集中的相邻控制位置重叠。
18、在一些实施例中，所述体积包括心脏的至少一部分。由第二基于高斯的函数定义的所述至少一个训练区域的所述空间分布可以包括连接心室和/或心房肌肉组织的相邻端点和/或结点的线，所述心室和/或心房肌肉组织的相邻端点和/或结点定义所述心脏的相应腔室之间的至少一个界面。
19、在一些实施例中，通过所述映射来修改用于惩罚学习误差的损失函数。所述损失函数可以基于所述训练成像数据的至少一个像素或体素的测量值与真实情况值之间的差异。
20、在一些实施例中，所述方法还包括训练所述机器学习模型。所述方法包括接收系列训练数据集中的至少一个训练数据集以及对识别所述训练数据集中的每个训练数据集中的所述感兴趣解剖特征的真实情况的指示。所述方法还包括确定所述至少一个训练数据集中的所述至少一个控制位置。所述方法还包括通过使用所述空间函数生成损失值集合来生成针对所述至少一个训练数据集的映射。所述损失值集合指示所述至少一个训练区域的所述空间分布。所述损失值集合可以指示要应用于所述训练数据集的每个像素或体素以惩罚相应像素或体素处的学习误差的损失函数。所述方法还包括使用所述系列的所述至少一个训练数据集和针对所述至少一个训练数据本文档来自技高网...
【技术保护点】
1.一种计算机实施的方法(100)，包括：
2.根据权利要求1所述的方法，其中，所述机器学习模型被配置为通过以下操作来识别所述感兴趣解剖特征：
3.根据权利要求1至2中的任一项所述的方法，其中，至少一个控制位置不与所述感兴趣解剖特征交叠。
4.根据权利要求1至3中的任一项所述的方法，其中，使用所述机器学习模型包括使用附加映射作为对所述机器学习模型的输入，以识别所述接收到的成像数据中的所述至少一个感兴趣解剖特征，并且其中，所述附加映射是根据所述接收到的成像数据生成的。
5.根据权利要求1至4中的任一项所述的方法，其中，由针对每个训练数据集生成的所述映射指定的相邻训练区域之间的空间交叠定义用于所述机器学习模型的所述训练数据集中的至少一个优先化训练区域，以用于使所述至少一个优先化训练区域中的学习误差的惩罚优先于所述训练数据集的非交叠训练区域和/或所述训练数据集的另一区域中的学习误差的惩罚。
6.根据权利要求1至5中的任一项所述的方法，其中，所述接收到的成像数据对应于所述对象的心脏的基础区域，并且其中，要使用经训练的机器学习模型
7.根据权利要求1至6中的任一项所述的方法，其中：
8.根据权利要求7所述的方法，其中，所述至少一个控制位置包括：
9.根据权利要求1至8中的任一项所述的方法，
10.根据权利要求1至9中的任一项所述的方法，其中，所述空间函数包括以由所述训练数据集中的所述至少一个控制位置定义的原点为中心的第一基于高斯的函数，其中，由所述第一基于高斯的函数定义的所述至少一个训练区域的所述空间分布远离所述原点。
11.根据权利要求10所述的方法，其中，所述第一基于高斯的函数包括逆高斯函数。
12.根据权利要求10至11中的任一项所述的方法，其中，所述体积包括心脏的至少部分，并且其中，所述第一基于高斯的函数以所述心脏的至少一个腔室的质心为中心。
13.根据权利要求1至12中的任一项所述的方法，其中，所述空间函数包括指定空间分布的第二基于高斯的函数，所述空间分布指示与所述第二基于高斯的函数相关联的所述至少一个训练区域，其中，指示与所述第二基于高斯的函数相关联的所述至少一个训练区域的所述空间分布与所述训练数据集中的相邻控制位置交叠。
14.根据权利要求13所述的方法，其中，所述体积包括心脏的至少部分，并且其中，由第二基于高斯的函数定义的所述至少一个训练区域的所述空间分布包括连接心室和/或心房肌肉组织的相邻端点和/或结点的线，所述心室和/或心房肌肉组织的相邻端点和/或结点定义所述心脏的相应腔室之间的至少一个界面。
15.根据权利要求1至14中的任一项所述的方法，其中，用于惩罚学习误差的损失函数是通过所述映射来修改的，其中，所述损失函数基于所述训练成像数据的至少一个像素或体素的测量值与真实情况值之间的差异。
16.根据权利要求1至15中的任一项所述的方法(1000)，包括通过以下操作来训练所述机器学习模型：
17.一种存储能够由至少一个处理器(1104)执行的指令(1102)的非瞬态机器可读介质(1100)，其中，所述指令被配置为令所述至少一个处理器：
18.一种装置(1200)，包括：
...【技术特征摘要】
【国外来华专利技术】
1.一种计算机实施的方法(100)，包括：
2.根据权利要求1所述的方法，其中，所述机器学习模型被配置为通过以下操作来识别所述感兴趣解剖特征：
3.根据权利要求1至2中的任一项所述的方法，其中，至少一个控制位置不与所述感兴趣解剖特征交叠。
4.根据权利要求1至3中的任一项所述的方法，其中，使用所述机器学习模型包括使用附加映射作为对所述机器学习模型的输入，以识别所述接收到的成像数据中的所述至少一个感兴趣解剖特征，并且其中，所述附加映射是根据所述接收到的成像数据生成的。
5.根据权利要求1至4中的任一项所述的方法，其中，由针对每个训练数据集生成的所述映射指定的相邻训练区域之间的空间交叠定义用于所述机器学习模型的所述训练数据集中的至少一个优先化训练区域，以用于使所述至少一个优先化训练区域中的学习误差的惩罚优先于所述训练数据集的非交叠训练区域和/或所述训练数据集的另一区域中的学习误差的惩罚。
6.根据权利要求1至5中的任一项所述的方法，其中，所述接收到的成像数据对应于所述对象的心脏的基础区域，并且其中，要使用经训练的机器学习模型来识别的所述至少一个感兴趣解剖特征包括所述对象的心脏的相邻腔室之间的至少一个解剖界面。
7.根据权利要求1至6中的任一项所述的方法，其中：
8.根据权利要求7所述的方法，其中，所述至少一个控制位置包括：
9.根据权利要求1至8中的任一项所述的方法，
10.根据权利要求1至9中的任一项所述的方法，其中，所述空间函数包括以由所述训练数据集中的所述至少一个控制位置定义的原点为中心的第一基于高斯的函数，其中，由所述第一...
【专利技术属性】
技术研发人员：V·M·S·普拉萨德，Y·马尔亚，A·H·沙斯特里，
申请(专利权)人：皇家飞利浦有限公司，
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。