基于知识的自动图像分段的制作方法
基于知识的自动图像分段的制作方法
【专利摘要】用于医学图像分段的方法包括访问和更新知识库。首先，接收医学图像且基于医学图像计算稀疏地标签名。接下来，选择代表性或群组平均参考图像集。代表性参考图像集或群组平均参考图像集的一部分变形以产生到医学图像集的映射。确定用于医学图像集的每个感兴趣结构的分段。在知识库中搜索代表性匹配以形成包括多个参考图像集子体积的多个子体积基本集。使多个子体积基本集的多个参考价图像集子体积的一部分变形，以产生从多个子体积基本集到医学图像集的相应感兴趣结构的映射。计算用于医学图像集中多个感兴趣结构的加权平均分段。
【专利说明】基于知识的自动图像分段
【技术领域】
[0001]本公开一般涉及自动图像分段的领域，并且更具体而言涉及针对医学应用配置的医学图像自动分段领域。
[0002]相关申请的交叉引用
[0003]本申请是2010年7月28日提交的美国申请N0.12/845，358的部分继续申请且要求该申请的优先权。
【背景技术】
[0004]当医学成像必须观察内部器官或一组内部器官时，存在可以利用的若干系统:X-射线、磁共振成像(MRI)、计算机断层摄影术(CT)等。当例如使用CT或MRI成像时，从三维体积获得一系列二维图像。此处，每个二维图像是三维体积的剖面“切片”的图像。所得的二维剖面切片的集合可以组合以产生患者人体的三维图像或重构。该所得的三维图像或三维重构将包含期望的内部器官。包含感兴趣结构的三维图像或重构的该部分被称为感兴趣体积。注意，当希望观察多个内部器官时，则将也存在多个感兴趣结构。
[0005]可以以若干方法查看一个或更多感兴趣结构。查看(多个)感兴趣结构的第一且最简单的方式是仅仅查看患者的原始CT或MRI图像片切片，每个切片包含(多个)感兴趣结构的视图。查看(多个)感兴趣结构的第二且更复杂的方法是将二维剖面切换系列组合成单个三维表示，其中(多个)感兴趣结构被表示为固体、透明或半透明等对象，该对象然后可以被操纵(例如旋转)以允许从多个角度查看。
[0006]包含疾病或异常组织或器官的(多个)感兴趣结构的三维重构的一个目的是准备三维放射治疗计划。放射治疗计划在医学过程中使用，其选择性地将身体的精确区域(诸如包含癌肿瘤的那些身体区域)暴露于到指定剂量的放射线以破坏不希望的组织。为了形成患者特定放射治疗计划，从三维模型提取信息以确定诸如器官形状、器官体积、肿瘤形状、器官中肿瘤位置以及若干其他感兴趣结构的位置或取向，这是因为它们与受影响器官或任意肿瘤相关。
[0007]二维切片可以逐个地在计算机屏幕上查看且使用常规图像程序，可以手工地跟踪感兴趣器官或结构的轮廓。轮廓是限定感兴趣结构的周线的连接线分段，其可以是器官、器官的一部分、肿瘤、患病组织或整个患者的周线。备选地，诸如脑或前列腺之类的指定器官中的那些感兴趣结构例如可以使用将图像细分化到分离区域的各种结构特定自动轮廓勾画和/或自动分段软件程序来识别，该软件程序勾画或填充切片集的每个二维切片上感兴趣的结构的形状。
【发明内容】
[0008]本发明提供了一种针对医学图像自动分段中固有的挑战的解决方案。在根据一个实施例的方法中，一系列步骤提供基于知识的医学图像自动分段。在接收医学图像之后，在知识库中搜索代表性参考图像集。使代表性参考图像集中的一部分变形以产生从代表性参考图像集到医学图像的映射。用于每个感兴趣器官的分段被计算。在一个实施例中，用于每个感兴趣器官的分段用作用于自动结构特有分段算法的种子。在另一实施例中，在自动分段算法结束、被查看和校正(需要时)，将医学图像及其相关元数据、稀疏地标签名以及感兴趣结构添加到知识库。
[0009]在根据另一实施例的方法中，在接收医学图像之后，在知识库中搜索群组(cohort)平均参考图像集，其中该知识库包括至少一个群组平均图像集。使群组平均参考图像集的一部分变形以产生从群组平均参考图像集到医学图像集的映射。最后，确定用于医学图像集中每个感兴趣结构的分段。
【专利附图】
【附图说明】
[0010]当阅读结合附图的以下详细描述时，将更好地理解本发明，附图中，相同的参考字符指示相同的元件，且其中:
[0011]图1是说明根据本发明的实施例用于提供基于知识的医学图像自动分段的系统的简化框图；
[0012]图2示出了根据本发明的实施例用于基于知识的医学图像自动分段的示例处理的步骤；
[0013]图3示出了根据本发明的实施例用于基于知识的医学图像自动分段的示例处理的步骤；
[0014]图4示出了根据本发明的实施例用于基于知识的医学图像自动分段的图像集的简化框图；
[0015]图5示出了根据本发明的实施例用于知识库中参考图像集群组的基于知识的医学图像自动分段的示例处理的步骤；
[0016]图6示出了根据本发明的实施例的基于知识的医学图像自动分段的简化框图；
[0017]图7示出了根据本发明的实施例的基于知识的医学图像自动分段的简化框图；
[0018]图8示出了根据本发明的实施例的用于基于知识的医学图像自动分段的示例处理的步骤；以及
[0019]图9示出了根据本发明的实施例用于基于知识的医学图像自动分段的示例处理的步骤。
【具体实施方式】
[0020]下面将详细参考本发明的优选实施例，在附图中例示出了其示例。尽管将结合优选实施例描述本发明，但应当理解本发明并不旨在将本发明限制为这些实施例。相反，本发明旨在覆盖可以被包括在所附权利要求书所限定的本发明的精神和范围内的所有备选、修改和等价。再者，在本发明的实施例的下面详细描述中，提出各种特定细节以提供对本发明的透彻理解。然而，本领域技术人员将意识到，可以在不使用这些特定细节的情况下来实践本发明。在其他实例中，并未详细描述公知的方法、过程、组件和电路，以便不会不必要地混淆本发明的实施例的方面。
[0021]标记和命名规则:
[0022]依照过程、步骤、逻辑方框、处理和在计算机存储器内数据位上操作的其他符号表示，来呈现下面的详细描述中的一部分。这些描述和表示是数据处理【技术领域】中的相关人员用来更有效地向本领域其他人员传达其工作主旨的手段。过程、计算机执行步骤、逻辑方框、处理等在这里被一般地认为是导致所需结果的步骤或指令的独立序列。步骤是要求对物理量进行物理操作的步骤。通常，尽管并不必须，这些量具有能够被存储、传输、组合、t匕较或在计算机系统中操作的电学或磁性信号的形式。已经证明:主要由于公共使用的原因而将这些信号作为比特、值、元素、符号、字符、项、数字等提及有时是方便的。
[0023]然而应当牢记，所有这些和类似术语与适当物理量相关且仅是应用于这些量的方便标签。除非特别声明，否则从下面的讨论显见，应当意识到，贯穿本发明使用诸如“处理”或“访问”或“执行”或“存储”或“呈现”等术语进行的讨论表示计算机系统或类似电子技术设备的动作和处理，所述计算机系统或类似电子计算设备进行操作且将被表示为计算机系统寄存器和存储器以及其他计算机可读介质中的物理(电子)量的数据转换为表示为类似地计算机系统存储器或寄存器或其他这种信息存储、传输或显示设备内的物理量的其他数据。当组件在若干实施例中出现时，使用相同附图标记指示该组件是与原始实施例中所说明的组件相同的组件。
[0024]本发明提供一种针对医学图像自动分段中固有的不断增加的挑战的解决方案。尤其是，本公开的各个实施例通过使用包含多个参考图像集的知识库来提供患者的二维医学图像的自动分段，其中每个参考图像集包含多个二维切片。参考图像集中的每个切片已经被分段且被勾画轮廓，每个感兴趣结构(例如器官、肿瘤、患病组织等)被标记。如下文详细讨论，与医学图像集具有相似性(例如相似的稀疏地标签名)的多个参考图像集被选择，以形成基本集且使用可变形图像等级算法使每个变形，以产生从所选参考图像到医学图像的映射。还使得每个选择的参考图像中感兴趣分段结构变形成为医学图像，以产生到医学图像的映射。用于每个感兴趣器官的加权平均分段被计算，其中用于每个感兴趣器官的加权平均分段被用作用于结构特有自动分段算法的“种子”。在用于每个感兴趣结构的自动分段算法完成之后，并查看结果且在需要时对轮廓进行校正。在核准医学图像之后，医学图像及其相关元数据、稀疏地标签名和感兴趣结构被添加到知识库。
[0025]医学图像分段
[0026]如本领域所已知，图像分段是用于查看数字化医学图像、且基于医学图像的特征区分或识别感兴趣结构且标记它们的处理。例如，当使用图像分段查看胸部的医学图像时，可以在图像部分周围绘制线且将其标记为“肺”。换句话说，线内的所有东西都被认为是肺，且不在线内的所有东西都被认为不是肺。在放射治疗中利用图像分段，其中医师需要精确地限定放射治疗的位置，且正如同样重要地是限定不设置放射治疗的位置一样。感兴趣结构例如可以限定为:器官；肿瘤；患病组织以及在医学图像中可见的骨头。如上所述，CT和MRI扫描是普通的医学图像模态。然而，任意二维图像均可以被分段，其中医师对于图像中感兴趣结构之间的区别感兴趣。在产生多个切片的CT和MRI扫描中，通常继而对每个切片执行分段。出于方便和简单的原因，对CT扫描进行分段例如表示进而对每个切片进行分段。
[0027]医学图像分段例如与IMRT (强度调制放射治疗)一同使用，将以放射线绘制为或使得身体内放射线成形为遵循肿瘤轮廓。分段是核心益处:当放射治疗可以成形从而遵循肿瘤形状时，可以避免关键器官。例如，可以避免诸如脑干的关键器官而不是仅仅使放射治疗拟合或成形以遵循肿瘤。示例性放射治疗利用放射线尖锥射束，在目标位置将放射线放置到身体中。然而，为了如此，运行IMRT治疗的计算机需要知道脑干处于何处。用于IMRT的治疗计划软件获得医学图像(例如CT或MRI数据集)且识别有风险的所有器官或感兴趣结构(尤其是对于放射线敏感的那些结构，或者不管其放射灵敏度如何，必定不能被照射的那些结构)。而且，还识别作为放射治疗目标的那些感兴趣结构。在各个切片上绘制的结构组合成跨多个切片的感兴趣体积。假设识别出绘制的体积和针对每个体积规定的剂量，则治疗计划软件将计算用于放入剂量的最佳方法。
[0028]但是因为医学成像解决方案增加对附加切片的提供以及必须被识别的结构的数目，而且它们必须被识别的精确度增加，治疗计划处理需要更长的时间。这在每个切片必须手动分段时尤其明显。然而，即使自动分段算法当前可用，医师仍通常被要求手动地将种子放入图像，且必须逐个查看每个切片。“放入种子”是这样的处理:医师选择医学图像区域内的点且将它们识别为指定感兴趣结构(例如前列腺、膀胱或股骨)的一部分。因此，可能花费过多时间来手动繁殖每个医学图像。然而，即使在繁殖自动分段算法之后，医师通常被要求编辑分段且轮廓化结果以校正它们。这种编辑是需要的，因为自动分段结果将通常会产生要求医师编辑以修整它的一些分段和/或轮廓勾画错误。最终结果是:即使使用自动分段软件工具，需要的时间通常小于手动分段；当仍必须放入种子且然后频繁地花费大量的时间编辑来校正自动分段和自动轮廓勾画软件结果。
[0029]自动分段还因如下事实而复杂化:自动分段工具通常被调节为结构特定的，从而使得它们仅对于某些内部器官工作良好。例如，利用边缘检测的自动分段工具在自动地逐个地对膀胱和前列腺进行分段时具有难点，因为它们不能被单独区分。当膀胱充满且接触前列腺时，不能看见前列腺-膀胱阻挡物。最终结果是难以确定一个在哪里开始且另一个在哪里结束。相反，用于前列腺的自动分段工具被迫使依赖于建模和查看膀胱和前列腺的曲率。当然，即使当使用结构特定自动分段工具时，仍然必须在每个感兴趣结构中放置各个种子。
[0030]基于知识的图像自动分段
[0031]图1示出根据本发明的实施例的知识库100。知识库100包含多个参考图像集102a-102n。每个参考图像集102a_102n包含三维体积的二维切片。每个参考图像集102a-102n还包含元数据,该元数据可能包括对应于每个参考图像的稀疏地标签名以及对应于每个独立参考图像切片中看到的感兴趣结构的多个分段和轮廓。
[0032]在一个示例性实施例中，知识库100初始地包含多个专家案例。这些专家案例中的每一个均包含具有单独手工绘制的分段和轮廓的参考图像集102a-102n。每个感兴趣的结构已经被标记。
[0033]在知识库100的另一实施例中，初始多个参考图像集102a_102n将共享相同的特征。例如，知识库100中的每个参考图像集102a - 102η将在元数据方面具有共同特征，诸如种族、性别、诊断、治疗点、年龄以及患者体型等。例如，在亚洲患者的治疗中主要使用的知识库100将不同于在欧洲患者治疗中主要使用的知识库100。类似地，在排他性女性实践中使用的知识库100将仅需要包含女性患者的参考数据集102a-102n。
[0034]图1还示出医学图像处理模块110。医学图像处理模块110接收用于当前患者的图像集，即医学图像集112。医学图像处理模块110处理医学图像集112以将每个图像切片缩减为稀疏地标签名。最终结果是稀疏地标签名集114。在一个实施例中，可以针对整个图像集而不是针对每个切片计算稀疏地标签名。
[0035]基于医学图像切片的稀疏地标签名将允许忽略包含在医学图像集中的更多信息。不是跨越医学图像集112的每个切片逐个像素地运行算法(这将消耗大量的计算时间和资源)，稀疏地标签名将各个切片仅缩减为点的集合以用于进一步处理。
[0036]例如，具有前列腺癌的男患者的医学图像集112将会具有指定稀疏地标签名集114。如果诊断是前列腺癌，则医学图像集112的三维体积是身体中部。因为骨盆肢带定义了前列腺的位置，各个切片被从头到脚扫描，查找骨头的第一实例(亮强度的图像像素)。这针对骨盆肌带的两侧来完成，从而允许股骨头的位置被识别。接下来，还对骨盆肌带结束的点进行定位。可以通过从这三个点的三角行化而找到前列腺。
[0037]如图1进一步示出，在产生医学图像集112的稀疏地标签名集114之后，可以基于其与当前患者医学图像集112和相应稀疏地标签名集114的相似性选择参考图像集102a-102n。在本发明的一个示例性实施例中，选择多个参考图像集102a_102n。示例性实施例可以从少至一个参考图像集102a-102n到多至10个或更多参考图像集102a_102n中进行选择。在一个示例性实施例中，选择三个参考图像集102a-102c。选择的参考图像集102a-102c变成基本集116。
[0038]在本发明的示例性实施例中，医学图像处理模块110通过查看附属于当前医学图像集112的元数据开始参考图像集102a-102n选择处理。如本领域所已知，元数据可以在并不特别个性化的非常高的水平包括与指定患者相关的信息。其应当包括这种细节:诸如年龄、性别、诊断、体重、是否存在结节牵累、任意合并症、治疗点、体侧以及肿瘤的大致位置。附属于当前医学图像集112的可用元数据被使用以开始对知识库各处的搜索，从而查看附属于参考图像集102a-102n的元数据以用于相应的匹配。通过使用元数据，数据库可以被分类，使得在具有用于识别具有进行性肺癌的男性患者的元数据的示例性医学图像集中，查看仅在身体的相同侧有肺癌的男性的参考图像集。基于其与当前医学图像集112和稀疏地标签名的相似性，从知识库选择最闻的参考图像集102a-102c匹配。
[0039]如上所述，在示例性实施例中，基本集116包含从I到10个或更多参考图像集102a-102n中的任何数目的集。多个参考图像集102a_102n被选择以减小在每个相应参考图像集102a-102n中固有的错误。很明显，单个参考图像集102a_102n将不是完美匹配；在参考图像集102a-102n和医学图像集112之间将存在一些不一致。然而，基本集116中的多个参考图像集102a-102n允许用作参考图像的统计模型的形成。
[0040]在本发明的一个示例性实施例中，将基本集中选择的参考图像集102a_102c中的每一个(在该实施例中，选择三个参考情况)逐个变形为医学图像集。换句话说，将每个参考图像集102a-102c的稀疏地标签名中的点变形为医学图像集112的稀疏地标签名集114中的点。在一个示例性实施例中，可变形图像配准算法将获取选择的参考图像集102a-102c和没有分段或轮廓和形态的医学图像集112，且使得参考图像集102a-102c中的每一个变形，一次一个，且一次一个切片，以便看上过去像医学图像集112。配准算法还将轮廓从每个参考图像集102a-102c转移到医学图像集112。轮廓均与标记一同转移。通过将三个选择的参考图像集102a-102c中的每一个变形成医学图像集112，标记为像素的轮廓也将随着像素移动。将来自参考图像集102a-102c中每一个的点中的每一个变形为医学图像集112中的点。在本发明的另一实施例中，基本集中选择的参考图像集102a-102n的一部分被变形成医学图像集。该部分可以是参考图像集102a-102n中的一个或更多个。
[0041]因为多个参考图像集102a_102c逐个变形为医学图像集112，本发明的示例性实施例因此使用基于统计的算法而不是仅基于图像的算法。通过获得源自三个图像集102a-102n到医学图像集112的变形的结果，且对其进行平均，统计处理将提供最终结果，该最终结果是三个(或选择的任意数目的)参考图像102a-102c的平均。在统计学是更加可能的是，对最高三个参考的平均将会与它们中的任意一个被独立校正的情况相比，将会汇聚到更正确的答案。如图1所示，医学图像处理模块因此将基本集116变形为医学图像集112的稀疏地标签名114，以形成包含医学图像集112中感兴趣结构的分段和轮廓的统计模块 118。
[0042]在示例性实施例中，由此提供加权平均分段以形成统计模型118。如果所有三个参考图像集102a-102c良好地一致，则三个的简单平均就足够了。但是如果它们中的两个紧密地一致但是第三个具有界外值(例如，用于指定感兴趣结构的轮廓或分段结果不同于其他结果)，第三结果的界外值在统计模型118中降低重要性，从而做出该界外值不正确的假设。例如，加权平均分段将查看用于在统计模型118中识别的每个感兴趣结构的结果的标准偏差。当界外值出现时对结果进行加权的简单方法就是丢弃界外值结果。应当注意，统计加权平均并不适用于患者，即医学图像集112，但是适用于医学图像集112中所得感兴趣结构中的每一个。换句话说，在示例性实施例中，可以存在与感兴趣结构一样多的三个参考图像集102a-102c之间的加权混合。统计模型118因此提供用于进一步的分段处理的良好起点。即使各个轮廓中的每一个并不完美时，统计模型仍可以以某一数量的统计可信度，识别处什么是例如前列腺或肺。即，视情况而定，至少轮廓里的东西已经被是被为前列腺或肺。
[0043]在示例性实施例中，当提供到统计模型118的加权平均分段不被医师核准时，同样包含相同元数据特征和类似稀疏地标签名的附加参考图像集将被选择且添加到基本集116中以被配准(S卩，变形)成医学图像集112。在示例性实施例中，一次添加一个参考图像集。同样，如上面讨论，正如对原始三个参考图像集一样，新添加的参考图像集的稀疏地标签名也将变形为医学图像集的稀疏地标签名。在统计处理之后，更新的加权平均分段被提供到统计模型118以供医师查看。附加参考图像集可以按照需要添加到基本集116，只要附加候选参考图像集保留在知识库100中即可，且其向基本集116的添加继续以便改善统计模型118的加权平均分段。
[0044]而且，统计模型118的统计参数也可以通过查看源自参考图像集(形状、体积、平滑度、密度等)的基于非图像的分量而被评估，且由此精炼所得的统计模型118和更新的统计模型120。基于知识的图像子体积分段
[0045]在示例性实施例中，如图4所示，针对源自知识库中多个患者案例的医学图像集的多个感兴趣结构或“子体积”，重复上面针对医学图像集112和包含多个参考图像集102a-102n的基本集116描述的处理。子体积将典型地仅包含单个感兴趣结构而不是在医学图像集中发现的所有感兴趣结构。针对医学图像集112的每个识别的感兴趣结构412a-412n，选择被分组为子体积基本集416a_416n的多个参考图像集子体积402a_402n。换句话说，针对医学图像集的每个子体积(即感兴趣结构)选择多个参考图像集子体积402a-402n。例如，对于前列腺的医学图像集子体积，将从参考图像集选择多个前列腺子体积。换句话说，不是整个图像参考集102a-102n，而是仅参考图像集102a_102n的前列腺子体积412a-412n将被选择。同样，在示例性实施例中，数目是3。多个参考图像集子体积中的每一个因此是用于指定感兴趣结构的子体积基本集。可以存在用于医学图像集112中的每个感兴趣结构412的子体积基本集416。
[0046]如上面针对参考图像集102a_102n和医学图像集112所述，以相同的方式，将每个参考图像集子体积402变形为医学图像集112的相应感兴趣结构412，就像将每个参考图像集102变形为医学图像集112—样。而且，如上所述，在本发明的另一实施例中，将多个子体积基本集416中选择的参考图像集子体积402a-402n中的一部分变形成医学图像集112中的感兴趣结构412a-412n。该部分同样可以是参考图像集子体积402a_402n中的一个或多个。在如上所述完成用于医学图像集112中每个感兴趣结构的加权平均分段之后，每个感兴趣结构或子体积412a-412n也将具有相应的稀疏地标签名集414，该稀疏地标签名集414也是医学图像集112的稀疏地标签名集114的一部分。通过选择参考图像集102的指定感兴趣结构402 (即，最佳候选)(以及用于感兴趣结构的相应稀疏地标签名414)以将其变形为医学图像集112中感兴趣结构412 (以及其相应稀疏地标签名414)，可以进一步改善用于形成统计模型118的每个感兴趣结构412a-412n的所得加权平均分段。这是因为不是寻求全都与患者解剖学具有良好匹配的参考图像集102候选，而是考虑仅相应子体积402或感兴趣结构。因此，并针对所有感兴趣结构并非是良好候选的参考图像集102仍可能是良好的子体积候选。
[0047]连续知识库改善
[0048]然而，为了使用知识库100获得更好的结果，需要将附加参考图像集添加到知识库100。换句话说，在医师完成患者特定治疗计划且核准医学图像集中感兴趣结构的分段和轮廓勾画之后，具有其患者特定元数据经、医学图像集、稀疏地标签名、统计模型的附加临床案例可以被添加到知识库。在医师查看、编辑(如有需要)和核准分段结果之后，患者信息可以变成新参考图像集，并将其自己附连的元数据和治疗信息放置在知识库中以增加可用的候选参考图像集的数目。该新参考图像集然后将可以在下一次在存在具有类似元数据的患者时作为基本集的部分而被重用。即使是十分个性化的患者特定用药，这些描述的处理允许闭环的创建:该处理的每次迭代允许向知识库添加新参考图像集102。因此，因为更多的参考图像集102被添加到知识库100，知识库100变得更鲁棒，具有改善的统计建模和更好的最终结果。因为更多的参考图像集102被放入知识库100，该搜索可以进一步精炼，且基于附加标准以确保选择的参考图像集102a-102n密切匹配医学图像集112。
[0049]用作种子的统计模型
[0050]在示例性实施例中，具有每个感兴趣结构的加权平均分段的统计模型118可以用作种子本身。不同于要求在处理开始之前手动选择种子的传统结构特定分段工具，这些种子可以由从统计模型118识别的感兴趣结构来提供。通过提供以在统计学上可能在感兴趣结构内的像素所绘制的种子，允许前面讨论的分段方法中的任意一个以改善的种子选择作为开始。而且，使用感兴趣结构的统计模型的加权平均分段允许这些其他分段方法，从而避免从头开始。
[0051]尽管没有确保感兴趣结构将将被正确地分段，但存在于感兴趣结构的分段中间的像素簇将处于实际感兴趣结构内，这具有良好统计概率。在一个示例性实施例中，在统计学上重要的像素的中心簇然后用作用于其他自动分段算法的种子。
[0052]在示例性实施例中，如图1所示且在下面更详细地描述的那样，统计模型118用作用于可变形图像配准的种子且用于驱动结构特定自动分段工具130a-130n的自动分段组件。在示例性实施例中，自动分段工具130a-130n可以是结构特定分段工具或非结构特定分段工具。当自动分段工具130a-130n将分段结果返回到医学图像处理模块110时，这些结果可以用于创建更新的统计模型120，该统计模型120包括医学图像集112中每个感兴趣结构的加权平均分段，如将在下面详细描述的那样。
[0053]自动分段工具130a_130n使用统计模型118提供的种子来计算一个或更多个感兴趣结构的分段。这些结构特定分段算法可以使用结构特定模型来辅助完成分段，该结构特定模型将考虑被标记为用于感兴趣结构(例如前列腺或肺)的种子的图像内的所有数据。这给出结构特定算法一个非常好的起点。结构特定算法在它们被设计为对其进行分段的特定结构上表现良好。
[0054]取决于算法能力以及是否存在与指定元数据或将使得一个算法比另一更精确的图像有关的信息，统计加权平均还可以扩展为这些不同算法的统计加权平均。这允许来自多个算法的结果被平均，以通过比较源于多个结构特定算法的结果而得到感兴趣结构的甚至在统计学上更加精确的限定。最终结果将会是医学图像处理模块计算更新统计模型120，该更新统计模型120包含医学图像集112中每个感兴趣结构的加权平均分段。如上面所讨论，在被查看、编辑和最终被医师核准用于当前患者之后，可以将该更新统计模型120作为新参考图像集102添加到知识库。知识库自动分段算法改善
[0055]在一个示例性实施例中，上述处理可以包括通过执行差异计算而更新统计工具。差异计算将系统计算了什么和医师最终接受了什么进行比较，识别(多个)失败点，且执行动作一般修改算法的行为。通过返回(back-project)该差异,对算法参数化法做出改变，直到得到用于各个患者案例的最佳解决结果。加权函数可以被调节以达到最佳结果。患者特定参数化法然后可以结合到每个算法的总体参数化法中。
[0056]换句话说，如果系统不能识别盆骨案例，例如，将必须调节稀疏地标的选择，使得盆骨案例被适当地识别。在另一实例中，如果位置正确但分段/轮廓结果不正确，则可能必须改变变形图像配准识别感兴趣结构的方式。例如，如果在感兴趣组织的计算和手绘边缘之间存在缝隙，则边缘检测算法可以被调节以校正它。知道缝隙所处位置和做出校正的位置，校正可以进入指定算法以对其进行改善。如果分段算法对于整个患者群体类似地失败，当计算不同分段算法之间的加权平均时，用于识别的失败模式的加权因子将被减小。
[0057]基于知识的自动分段处理
[0058]图2是示出根据本发明的一个实施例的处理步骤。在处理包括前面已经详细解释的步骤的地方，将不会对其进行重复。在步骤202中，加载新医学图像集112。医学图像集112可以被加载到计算机系统的存储器中。在步骤204中，地标特征(即医学图像集112上的点)被提取以创建稀疏地标签名114。
[0059]在步骤206中，对知识库100进行扫描，以搜索具有相似稀疏地标签名114和相似元数据的参考图像集102a-102n。在示例性实施例中，稀疏地标签名114用作用于知识库100的索引。在步骤208中，η个参考图像集102a-102n被选择以形成基本集116。在示例性实施例中，n=3。在步骤210中，参考图像集102a-102n的一部分被配准为医学图像集112。该部分可以是选择的参考图像集102a-102n中的两个或更多个。在一个示例性实施例中，所有选择的参考图像集102a-102n被配准。通过使得参考图像集变形成医学图像，参考图像集中感兴趣的分段和轮廓结构也应用于医学图像集。
[0060]在步骤212中，完成加权平均结构特定分段，以形成统计模型118。换句话说，针对每个结构计算加权平均，以达成加权平均结构分段。如上所述，统计模型118现在可以用作在其他分段工具(包括结构特定的工具)中使用的种子。
[0061]在步骤214中，医师或用户查看、编辑且核准分段结果。在步骤216中，在可能时，计算并改善结构特定统计参数(通过查看源于参考图像集的基于非图像的分量(形状、体积、平滑度、密度等))。然后，在步骤218中，使用医学图像集112及其相应结构集(统计模型118)、稀疏地标签名集114以及元数据作为新参考图像集102更新知识库。
[0062]图3示出根据本发明的一个实施例的处理步骤。在处理包括前面已经详细解释的步骤的地方，此处对此不做重复。步骤302在计算统计模型118之后开始。在步骤302中，进一步评估描述每个感兴趣分段结构的统计参数。在步骤304中，将来自医学图像集112的子体积412a-412n加载至计算机中以用于处理，其中子体积包含或者就是感兴趣结构。如上所述，这些子体积412a-412n是他们自己的稀疏地标签名414已经在图2中被分段的感兴趣结构。换句话说，每个子体积412a-412n包含子体积稀疏地标签名414。在步骤306中，针对医学图像集112中的每个感兴趣结构加载η个参考图像集子体积402a-402n，以形成相应的子体积基本集416a-416n。在一个实施例中，n=3。针对医学图像中的相应感兴趣结构412a-412n选择多个子体积基本集416a_416n的参考图像集子体积402a_402c中的每一个。在一个实施例中，每个参考图像集子体积402可以源自不同参考图像集102。换句话说，如果在医学图像集112中存在15个感兴趣的结构，则将存在提供45个参考图像集102a-102n，这45个参考图像集102a_102n提供包含在15个子体积基本集416a_416n中的必要的45个参考图像集子体积402a-402n。在另一实施例中，单个参考集102可以提供多个参考图像集子体积402a-402n。
[0063]在步骤308中，参考图像集子体积402a_402n的一部分及其感兴趣的分段和轮廓勾画结构变形或配准到医学图像集112的相应感兴趣结构412a-412n。该部分可以是选择的参考图像集402a-402n中的两个或更多。在一个示例性实施例中，所有选择的参考图像集子体积402a-402n被配准或变形。将来自每个子体积基本集416a_416n的参考图像集子体积402a-402n变形为医学图像集112的相应感兴趣结构412a_412n。在步骤310中，针对医学图像集112中的每个感兴趣结构412a-412n计算加权平均分段值。针对医学图像集112中的每个感兴趣结构412a-412n计算加权平均分段值以允许更新统计模型118的计算。
[0064]在步骤312中，统计模型118中每个感兴趣结构412a_412n被用作种子且均通过多个结构特定分段工具后处理。每个感兴趣结构分段用作用于多个结构特定分段工具的种子。在步骤314中，基于由结构特定分段工具提供的每个感兴趣结构412a-412n的分段结果，针对每个感兴趣结构计算加权平均分段结果。如上所述，用于每个感兴趣结构412a-412n的这种加权平均分段结果是更新的统计模型120。
[0065]在步骤316中，医师或用户查看、编辑且核准来自步骤314的加权平均分段结果。在步骤318中，在可能时，计算并改善结构特定统计参数(通过查看源于参考图像集的基于非图像的分量(形状、体积、平滑度、密度等))。然后，在步骤320中，使用医学图像集112及其相应结构集(统计模型120)、稀疏地标签名114和元数据更新知识库以用作新参考图像集 102。
[0066]图5示出根据本发明的一个实施例的处理步骤。在步骤502中，选择知识库中共享公共特征的患者群组或参考图像集102a-102n。这些公共特征可以包括诊断、性别、年龄、种族、治疗点等。在步骤504中，群组的所有成员变形成单个汇聚数据集，形成单个代表性案例。在步骤506中，针对用于感兴趣结构的放射治疗和和相关放射治疗剂量执行几何分析。在步骤508中，将群组表示与其他群组表示情况相比较。
[0067]单个和群组平均图像自动分段
[0068]在其他实施例中，如图6和8所示，不是选择多个参考图像集102a_102n以形成基本集116，单个参考图像集102可以被选择且配准到医学图像集112以形成分段图像602。在另一实施例中，如图7和9所示，不是选择多个参考图像集102a-102n，其随后会被逐个配准至医学图像集112以基于单个配准的多个参考图像集102a-102n的加权平均分段形成统计模型118，而是选择群组平均参考图像集702并将其配准至医学图像集112以形成分段图像602。如下所述，群组平均参考图像集702是一个参考图像集102，该参考图像集102是群组中参考图像集102a-102n中全部或一部分的平均。
[0069]如图6所示出且如图1进一步所示出，在产生医学图像集112的稀疏地标签名集114之后，可以基于其与当前患者医学图像集112和相应稀疏地标签名集114的相似度选择参考图像集102a-102n。在本发明的示例性实施例中，医学图像处理模块110通过查看附属于当前医学图像集112的元数据开始参考图像集102选择处理。如本领域所广泛已知的那样，元数据可以在并非特别个性化的非常高的水平包括与指定患者相关的信息。其将会包括以下细节诸如:如性别、年龄、诊断、身高、体重、是否存在结节牵累、任意合并症、治疗点、体侧以及肿瘤的大致位置，此处仅举几例。例如，群组可以包含被包含在指定体重范围(例如160-200镑)内的参考图像集102a-102n。如上面所讨论，附属于当前医学图像集112的可用元数据用于开始对整个知识库的搜索，以便查看附属于参考图像集102a-102n的元数据，从而用于相应的匹配。在一个实施例中，搜索所选择群组的相关参考图像集102a-102n。如上面所讨论，所选择群组将包含具有至少一个共同特征的参考图像集102a-102n。换句话说，将首先选择指定群组，且然后将选择包含在所选择群组中的参考图像集102。可以基于其与当前患者医学图像集112和相应稀疏地标签名集114的相似度来选择所选择群组中的参考图像集102。在附加实施例中，不是选择“最佳匹配”参考图像集102，而是随机选择知识库中的参考图像集102。在附加实施例中，从所选择群组中的参考图像集102a-102n随机地选择随机选择的参考图像集102。
[0070]在本发明的示例性实施例中，将所选择参考图像集102变形为医学图像集。换句话说，将参考图像集102的稀疏地标签名中的点变形为医学图像集112的稀疏地标签名集112中的点(一次一个切片)。在一个示例性实施例中，可变形图像配准算法将获取选择的参考图像集102a-102c和没有分段或轮廓勾画的医学图像集112，且使得参考图像集形态改变，一次一个切片，以使其看上去像医学图像集112。配准算法还将从所选择参考图像集102向医学图像集112转移轮廓。轮廓每个与标记一同转移。通过将所选择参考图像集102变形为医学图像集112，使用像素而被标记的轮廓也将随着像素而移动。来自选择的参考图像集102的每一点被变形为医学图像集112中的点。在本发明的另一实施例中，选择的参考图像集102的一部分被变形为医学图像集112。如上面所讨论，且如图1示出，医学图像处理模块因此将所选择参考图像集102变形为医学图像集112的稀疏地标签名14，以如图6所示产生包含医学图像集112中感兴趣结构的分段和轮廓的分段图像602。
[0071]而且，通过查看来自参考图像集102的基于非图像的分量(形状、体积、平滑度、密度等)还对分段图像602的参数进行评估，且由此精炼所得的分段图像602。
[0072]在上面针对基于知识的图像子体积分段讨论的示例性实施例中，如图4所示且在上面详细讨论的那样，针对源于知识库中多个患者案例的分段医学图像602的多个感兴趣结构或“子体积”，执行上面针对医学图像集和包含多个参考图像集102a-102n的基本集116所描述的处理。
[0073]用于将选择的参考图像集102配准为医学图像集112的处理在图8中示出。在步骤802中，新医学图像集112被加载到医学图像处理模块110。在步骤804中，从医学图像集112提取地标特征以形成稀疏地标签名114。在步骤806中，扫描数据库以查找具有相似稀疏签名和元数据的案例。如上面所讨论，可以对整个知识库进行扫描，或可以对选择的群组的参考图像集102a-102n进行扫描。在步骤808中，单个“最佳匹配”参考图像集102被选择且被加载到医学图像处理模块110。在步骤810中，最佳匹配参考图像集102被配准(变形或仿射)成医学图像集112以及感兴趣结构。在步骤812中，用户查看分段结果，编辑分段结果且核准最终分段结果。在步骤814中，如上面所讨论，计算结构特定统计参数。然后，在步骤816中，使用医学图像集112和相应结构集更新知识库。
[0074]在另一实施例中，不是逐个配准选择的参考图像集102a_102n至医学图像集112且如上面详细讨论计算基于加权平均的统计模型118，而是可以从知识库选择群组平均参考图像集702。在本发明的一个实施例中，每个群组包含对应于该群组中的参考图像集102a-102n的至少一个群组平均参考图像集702。换句话说，群组中的参考图像集102a-102n中的每一个被平均以形成参考图像集，该参考图像集是指定群组中所有参考图像集的平均。这种群组平均参考图像集702可以是群组中所有参考图像集102a-102n或仅是它们中被选择部分的平均。在另一实施例中，可以存在群组平均参考图像集702，其是知识库中所有参考图像集102a-102n或知识库中参考图像集102a_102n的一部分的平均。换句话说，几百或更多(例如1000)的参考图像集102a-102n可以在一起平均以产生群组平均参考图像集702，其是知识库中所有参考图像集或是它们的统计学明显部分的平均。应当意识到，用于每个群组或知识库一部分的群组平均群组参考图像集702本质上是示例性的，且并不旨在限制本发明的范围。
[0075]如图7示出且如图1进一步示出，在产生医学图像集112的稀疏地标签名集114之后，可以基于其与当前患者医学图像集112和相应稀疏地标签名集114的相似度，选择参考图像集102a-102n的群组。换句话说，可以基于其群组平均参考图像集602与当前患者医学图像集112和相应稀疏地标签名集114的相似度来选择群组。在本发明的示例性实施例中，医学图像处理模块110通过查看附属于当前医学图像集112的元数据而开始群组选择处理。如本领域所已知，元数据可以在并不专门个性化的非常高的水平包括与指定患者相关的信息。其应当包括这种细节:如年龄、性别、诊断、身高、体重、是否存在结节牵累、任意合并症、治疗点、体侧以及肿瘤的大致位置，此处仅举几例。例如，群组可以包括被包含在指定体重范围(例如160-200镑)内的参考图像集102a-102n。如上面所讨论，附属于当前医学图像集112的可用元数据被使用以开始对整个知识库的搜索，查看附属于参考图像集102a-102n的元数据，以便用于相应的匹配。如上面所讨论，选择的群组将包含具有至少一个共同特征的参考图像集102a-102n。一旦群组被选择，选择群组的群组平均参考图像集702被加载到医学图像处理模块110。如上面所讨论，不是选择对应于指定群组的群组平均参考图像集702，而是可以选择如下群组平均参考图像集702，其是知识库中参考图像集102a-102n的全部或仅一部分的平均。
[0076]在本发明的示例性实施例中，选择的群组平均参考图像集702被变形为医学图像集。换句话说，群组平均参考图像集702的稀疏地标签名中的点被变形为医学图像集112的稀疏地标签名集112中的点(一次一个切片)。在一个示例性实施例中，可变形图像配准算法将获得选择的群组平均参考图像集702和没有分段或轮廓勾画的医学图像集112，且以及一次一个切片地改变参考图像集，以使其看上去像医学图像集112。配准算法还将从选择的群组平均参考图像集702向医学图像集112转移轮廓。轮廓均与标记一同转移。通过将选择的群组参考图像集702变形成医学图像集112，使用像素标记的轮廓也将随着像素而移动。来自选择的群组平均参考图像集702的每一点被变形为医学图像集112中的点。
[0077]在本发明的示例性实施例中，选择的群组平均参考图像集702的一部分被变形为医学图像集112。如上面所讨论，且如图1所示，医学图像处理模块因此将选择的群组平均参考图像集702变形为医学图像集112的稀疏地标签名114，以产生包含医学图像集112中感兴趣结构的分段和轮廓勾画的分段图像602，如图7所示。在另一实施例中，知识库内参考图像集群组中的所有参考图像集的统计平均是通过以下来确定的:通过确定群组中可变形或仿射地配准的参考图像集的数量的统计平均，其中参考图像集的数量是群组中参考图像集的一部分和群组中参考图像集的全部其中一个，以及确定知识库中可变形或仿射地配准的参考图像集的数量的统计平均，其中参考图像集的数量是知识库中参考图像集的一部分和知识库中参考图像集的全部其中一个。
[0078]如上面所讨论，分段图像602的参数也可以通过查看来自群组平均参考图像集702的基于非图像的分量(形状、体积、平滑度、密度等)来评估，且由此精炼所得的分段图像602。
[0079]在上面针对基于知识的图像子体积分段而讨论的示例性实施例中，如图4所示且在上面详细讨论的，针对来自知识库中多个患者案例的分段医学图像的多个感兴趣结构或“子体积”，执行上面针对医学图像集和包含多个参考图像集102a-102n的基本集116所描述的处理。
[0080]用于将选择的群组平均参考图像集702配准为医学图像集112的处理在图9中示出。在步骤902中，新医学图像集112被加载到医学图像处理模块110。在步骤904中，从医学图像集112提取地标特征，以形成稀疏地标签名114。在步骤906中，扫描数据库以查找具有相似稀疏签名和元数据的群组。在步骤908中，来自选择群组的群组平均参考图像集702被加载到医学图像处理模块110。在步骤910中，群组平均参考图像集702被配准(变形)到医学图像集112以及感兴趣结构。在步骤912中，用户查看分段结果，编辑分段结果且核准最终分段结果。在步骤914中，如上所述那样计算结构特定统计参数。最后，在步骤916中，使用医学图像集112和相应结构集更新知识库。[0081]尽管此处公开了某些优选实施例和方法，本领域技术人员从上面的公开明显看出，可以在不偏离本发明的精神和范围的条件下做出这种实施例和方法的变型和修改。旨在示出，本发明将仅限制于所附权利要求以及可应用法律的规则和原则要求的范围。
【权利要求】
1.一种用于对图像数据集进行分段的方法，包括: 接收医学图像集； 从知识库选择代表性参考图像集； 使得所述代表性参考图像集的部分变形，以产生从所述代表性参考图像集到所述医学图像集的映射；以及 基于到所述医学图像集的映射，确定用于所述医学图像集中多个感兴趣结构的分段。
2.根据权利要求1所述的方法，还包括: 使用用于所述多个感兴趣结构的所述分段作为用于至少一个结构特定分段算法的种子。
3.根据权利要求1所述的方法，其中所述代表性参考图像集选自所述知识库内共享共同特征的参考图像集的群组，其中所述共同特征包括以下其中至少一个:体重、性别、诊断、阶段、应答者与非应答者、年龄、治疗点和大小。
4.根据权利要求1所述的方法，还包括: 基于所述医学图像集计算稀疏地标签名，其中所述稀疏地标签名包括多个点。
5.根据权利要求1所述的方法，还包括: 更新确定所述分段的多个统计分析工具。`
6.根据权利要求1所述的方法，其中使得所述代表性参考图像集的部分变形包括: 使用可变形图像配准算法使得所述代表性参考图像集的所述部分变形。
7.根据权利要求1所述的方法，其中使得所述代表性参考图像集的部分变形包括: 使得来自所述代表性参考图像集的所述部分的分段的感兴趣结构变形，以形成到所述医学图像集的映射。
8.根据权利要求4所述的方法，其中使得所述代表性参考图像集的部分变形包括: 使得所述代表性参考图像集的所述部分的稀疏地标签名的点变形为所述医学图像集的所述稀疏地标签名的点。
9.根据权利要求4所述的方法，其中从所述知识库选择代表性参考图像集包括: 将来自所述医学图像集的元数据与所述知识库中的所述参考图像集的元数据进行比较，以及 将所述医学图像集的稀疏地标签名与所述知识库中的所述参考图像集的稀疏地标签名进行比较，其中选择的所述代表性参考图像集是最佳匹配参考图像集。
10.根据权利要求1所述的方法，其中从所述知识库选择所述代表性参考图像包括以下步骤其中之一: 从所述知识库中的参考图像集的群组中随机地选择参考图像集，其中所述知识库包括至少一个群组；以及 从所述知识库随机选择参考图像集。
11.根据权利要求1所述的方法，还包括: 查看并校正所述轮廓；以及 将被核准的所述医学图像集和相应感兴趣结构作为新参考图像集添加到所述知识库。
12.一种用于对图像数据集进行分段的方法，包括: 接收医学图像集；从知识库选择群组平均参考图像集； 使得所述群组平均参考图像集的部分变形，以产生从所述群组平均参考图像集到所述医学图像集的映射；以及 基于到所述医学图像集的映射确定用于所述医学图像集中多个感兴趣结构的分段。
13.根据权利要求12所述的方法，还包括: 使用用于所述多个感兴趣结构的所述分段作为用于至少一个结构特定分段算法的种子。
14.根据权利要求12所述的方法，其中所述群组平均参考图像集是在所述知识库内共享共同特征的参考图像集的群组中被配准的所述参考图像集的统计平均，其中所述共同特征包括以下其中至少一个:体重、性别、诊断、阶段、应答者与非应答者、年龄、治疗点和体型。
15.根据权利要求12所述的方法，还包括: 基于所述医学图像集计算稀疏地标签名，其中所述稀疏地标签名包括多个点。
16.根据权利要求12所述的方法，还包括: 更新确定所述分段的多个统计分析工具。
17.根据权利要求12所述的方法，其中使得所述群组平均参考图像集的部分变形包`括: 使用可变形图像配准算法使得所述群组平均参考图像集的所述部分变形。
18.根据权利要求12所述的方法，其中使得所述群组平均参考图像集的部分变形包括: 使得来自所述群组平均参考图像集的所述部分的分段的感兴趣结构变形，以形成到所述医学图像集的映射。
19.根据权利要求15所述的方法，其中使得所述群组平均参考图像集的部分变形包括: 使得所述群组平均参考图像集的所述部分的稀疏地标签名的点变形为所述医学图像集的稀疏地标签名的点。
20.根据权利要求15所述的方法，其中从所述知识库选择所述群组平均参考图像包括: 将来自所述医学图像集的元数据与所述知识库中的所述群组的元数据进行比较，以及将所述医学图像集的稀疏地标签名与所述知识库中的所述群组平均参考图像集的稀疏地标签名进行比较，其中选择的所述群组平均参考图像集是最佳匹配的群组平均参考图像集。
21.根据权利要求14所述的方法，其中确定所述知识库内参考图像集的群组中所有参考图像集的所述统计平均包括以下其中一个: 确定所述群组中一些可变形或被仿射地配准的参考图像集的统计平均，其中所述参考图像集的数量是所述群组中所述参考图像集的所述部分和所述群组中所述参考图像集中的全部其中一个；以及 确定所述知识库中一些可变形或被仿射地配准的参考图像集的统计平均，其中所述参考图像集的数量是所述知识库中所述参考图像集的所述部分和所述知识库中的全部所述参考图像集中的其中一个。
22.根据权利要求12所述的方法，还包括: 查看并校正所述轮廓；以及 将被核准的所述医学图像集和相应感兴趣结构作为新参考图像集添加到所述知识库。
23.一种用于对图像数据集进行分段的方法，包括: 接收医学图像集； 选择以下其中一个: 来自知识库中的代表性参考图像集；以及 来自所述知识库中的群组平均参考图像集； 使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的部分变形，以产生从所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集到所述医学图像集的映射； 基于到所述医学图像集的映射，确定用于所述医学图像集中多个感兴趣结构的分段；在知识库中搜索代表性匹配，从而形成多个子体积基本集，其中子体积基本集包括多个参考图像集子体积； 使得所述多个子体积基本集的所述多个参考图像集子体积中的部分变形，以产生从所述多个子体积基本集到所述医学图像集的相应感兴趣结构的映射；以及 基于到所述医学图像集中多个感兴趣结构的映射，确定用于所述医学图像集中所述多个感兴趣部分的加权平均分段。`
24.根据权利要求23所述的方法，还包括: 使用用于所述多个感兴趣结构的所述加权平均分段作为用于至少一个结构特定分段算法的种子。
25.根据权利要求23所述的方法，其中所述代表性参考图像集选自所述知识库内共享共同特征的参考图像集的群组，其中所述共同特征包括以下其中至少一个:体重、性别、诊断、阶段、应答者与非应答者、年龄、治疗点和体型。
26.根据权利要求23所述的方法，其中所述群组平均参考图像集是所述知识库内共享共同特征的参考图像集的群组中的所有所述参考图像集的统计平均，其中所述共同特征包括以下其中至少一个:体重、性别、诊断、阶段、应答者与非应答者、年龄、治疗点和体型，且其中所述知识库包括至少一个群组平均参考图像集。
27.根据权利要求23所述的方法，还包括: 基于所述医学图像集计算稀疏地标签名，其中所述稀疏地标签名包括多个点，以及其中用于所述医学图像集的所述稀疏地标签名还包括用于医学图像集中相应感兴趣结构的多个稀疏地标签名。
28.根据权利要求23所述的方法，还包括: 更新确定所述加权平均分段的多个统计分析工具。
29.根据权利要求23所述的方法，其中使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的部分变形、以及使得所述多个子体积基本集的所述多个参考图像集子体积的部分变形包括: 使用可变形图像配准算法使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的所述部分变形；以及 使用所述可变形图像配准算法使得所述多个子体积基本集的参考图像集子体积的所述部分变形。
30.根据权利要求23所述的方法，其中使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的部分变形、以及使得所述多个子体积基本集的所述多个参考图像集子体积的部分变形包括: 使得来自所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的所述部分中的分段的感兴趣结构变形，以形成到所述医学图像集的映射；以及 使得来自所述多个子体积基本集的所述多个参考图像集子体积的所述部分的分段的感兴趣结构变形，以形成到所述医学图像集的所述相应感兴趣结构的映射。
31.根据权利要求26所述的方法，其中使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的部分变形、以及使得所述多个子体积基本集的所述多个参考图像集子体积的部分变形包括: 使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的多个稀疏地标签名的点变形为所述医学图像集的所述稀疏地标签名的点；以及 使得所述多个子体积基本集的所述多个参考图像集子体积的所述部分的多个稀疏地标签名的点变形为所述医学图像集的所述多个感兴趣结构的相应稀疏地标签名中的所述点。
32.根据权利要求23所述的方法，其中从所述知识库选择所述代表性参考图像集包括以下其中之一:` 从所述知识库中的参考图像集的群组随机选择参考图像集，其中所述知识库包括至少一个群组； 从所述知识库随机选择参考图像集； 将所述医学图像集的稀疏地标签名与所述知识库中所述参考图像集的稀疏地标签名进行比较，其中被选择的所述代表性参考图像集是最佳匹配参考图像集；以及 将来自所述医学图像集的元数据与所述知识库中的所述参考图像集的元数据进行比较。
33.根据权利要求23所述的方法，其中从所述知识库选择所述群组平均参考图像包括: 将来自所述医学图像集的元数据与所述知识库中的所述群组的元数据进行比较，以及将所述医学图像集的稀疏地标签名与所述知识库中的所述群组平均参考图像集的稀疏地标签名进行比较，其中被选择的所述群组平均参考图像集是最佳匹配群集平均参考图像集。
34.根据权利要求26所述的方法，其中在所述知识库中搜索代表性匹配以形成子体积基本集包括: 将来自所述医学图像集的元数据与所述知识库中的参考图像集的元数据进行比较，以及 将所述医学图像集的每个感兴趣结构的稀疏地标签名与所述知识库中的参考图像集的相应感兴趣结构的稀疏地标签名进行比较。
35.根据权利要求23所述的方法，还包括:查看并校正所述轮廓；以及将被核准的医学图像集和相应 感兴趣结构作为新参考图像集添加到所述知识库。
【文档编号】G06T1/00GK103518194SQ201280022783
【公开日】2014年1月15日 申请日期:2012年3月21日 优先权日:2011年3月22日
【发明者】C·赞克维斯基 申请人:瓦里安医疗系统公司
【专利摘要】用于医学图像分段的方法包括访问和更新知识库。首先，接收医学图像且基于医学图像计算稀疏地标签名。接下来，选择代表性或群组平均参考图像集。代表性参考图像集或群组平均参考图像集的一部分变形以产生到医学图像集的映射。确定用于医学图像集的每个感兴趣结构的分段。在知识库中搜索代表性匹配以形成包括多个参考图像集子体积的多个子体积基本集。使多个子体积基本集的多个参考价图像集子体积的一部分变形，以产生从多个子体积基本集到医学图像集的相应感兴趣结构的映射。计算用于医学图像集中多个感兴趣结构的加权平均分段。
【专利说明】基于知识的自动图像分段
【技术领域】
[0001]本公开一般涉及自动图像分段的领域，并且更具体而言涉及针对医学应用配置的医学图像自动分段领域。
[0002]相关申请的交叉引用
[0003]本申请是2010年7月28日提交的美国申请N0.12/845，358的部分继续申请且要求该申请的优先权。
【背景技术】
[0004]当医学成像必须观察内部器官或一组内部器官时，存在可以利用的若干系统:X-射线、磁共振成像(MRI)、计算机断层摄影术(CT)等。当例如使用CT或MRI成像时，从三维体积获得一系列二维图像。此处，每个二维图像是三维体积的剖面“切片”的图像。所得的二维剖面切片的集合可以组合以产生患者人体的三维图像或重构。该所得的三维图像或三维重构将包含期望的内部器官。包含感兴趣结构的三维图像或重构的该部分被称为感兴趣体积。注意，当希望观察多个内部器官时，则将也存在多个感兴趣结构。
[0005]可以以若干方法查看一个或更多感兴趣结构。查看(多个)感兴趣结构的第一且最简单的方式是仅仅查看患者的原始CT或MRI图像片切片，每个切片包含(多个)感兴趣结构的视图。查看(多个)感兴趣结构的第二且更复杂的方法是将二维剖面切换系列组合成单个三维表示，其中(多个)感兴趣结构被表示为固体、透明或半透明等对象，该对象然后可以被操纵(例如旋转)以允许从多个角度查看。
[0006]包含疾病或异常组织或器官的(多个)感兴趣结构的三维重构的一个目的是准备三维放射治疗计划。放射治疗计划在医学过程中使用，其选择性地将身体的精确区域(诸如包含癌肿瘤的那些身体区域)暴露于到指定剂量的放射线以破坏不希望的组织。为了形成患者特定放射治疗计划，从三维模型提取信息以确定诸如器官形状、器官体积、肿瘤形状、器官中肿瘤位置以及若干其他感兴趣结构的位置或取向，这是因为它们与受影响器官或任意肿瘤相关。
[0007]二维切片可以逐个地在计算机屏幕上查看且使用常规图像程序，可以手工地跟踪感兴趣器官或结构的轮廓。轮廓是限定感兴趣结构的周线的连接线分段，其可以是器官、器官的一部分、肿瘤、患病组织或整个患者的周线。备选地，诸如脑或前列腺之类的指定器官中的那些感兴趣结构例如可以使用将图像细分化到分离区域的各种结构特定自动轮廓勾画和/或自动分段软件程序来识别，该软件程序勾画或填充切片集的每个二维切片上感兴趣的结构的形状。
【发明内容】
[0008]本发明提供了一种针对医学图像自动分段中固有的挑战的解决方案。在根据一个实施例的方法中，一系列步骤提供基于知识的医学图像自动分段。在接收医学图像之后，在知识库中搜索代表性参考图像集。使代表性参考图像集中的一部分变形以产生从代表性参考图像集到医学图像的映射。用于每个感兴趣器官的分段被计算。在一个实施例中，用于每个感兴趣器官的分段用作用于自动结构特有分段算法的种子。在另一实施例中，在自动分段算法结束、被查看和校正(需要时)，将医学图像及其相关元数据、稀疏地标签名以及感兴趣结构添加到知识库。
[0009]在根据另一实施例的方法中，在接收医学图像之后，在知识库中搜索群组(cohort)平均参考图像集，其中该知识库包括至少一个群组平均图像集。使群组平均参考图像集的一部分变形以产生从群组平均参考图像集到医学图像集的映射。最后，确定用于医学图像集中每个感兴趣结构的分段。
【专利附图】
【附图说明】
[0010]当阅读结合附图的以下详细描述时，将更好地理解本发明，附图中，相同的参考字符指示相同的元件，且其中:
[0011]图1是说明根据本发明的实施例用于提供基于知识的医学图像自动分段的系统的简化框图；
[0012]图2示出了根据本发明的实施例用于基于知识的医学图像自动分段的示例处理的步骤；
[0013]图3示出了根据本发明的实施例用于基于知识的医学图像自动分段的示例处理的步骤；
[0014]图4示出了根据本发明的实施例用于基于知识的医学图像自动分段的图像集的简化框图；
[0015]图5示出了根据本发明的实施例用于知识库中参考图像集群组的基于知识的医学图像自动分段的示例处理的步骤；
[0016]图6示出了根据本发明的实施例的基于知识的医学图像自动分段的简化框图；
[0017]图7示出了根据本发明的实施例的基于知识的医学图像自动分段的简化框图；
[0018]图8示出了根据本发明的实施例的用于基于知识的医学图像自动分段的示例处理的步骤；以及
[0019]图9示出了根据本发明的实施例用于基于知识的医学图像自动分段的示例处理的步骤。
【具体实施方式】
[0020]下面将详细参考本发明的优选实施例，在附图中例示出了其示例。尽管将结合优选实施例描述本发明，但应当理解本发明并不旨在将本发明限制为这些实施例。相反，本发明旨在覆盖可以被包括在所附权利要求书所限定的本发明的精神和范围内的所有备选、修改和等价。再者，在本发明的实施例的下面详细描述中，提出各种特定细节以提供对本发明的透彻理解。然而，本领域技术人员将意识到，可以在不使用这些特定细节的情况下来实践本发明。在其他实例中，并未详细描述公知的方法、过程、组件和电路，以便不会不必要地混淆本发明的实施例的方面。
[0021]标记和命名规则:
[0022]依照过程、步骤、逻辑方框、处理和在计算机存储器内数据位上操作的其他符号表示，来呈现下面的详细描述中的一部分。这些描述和表示是数据处理【技术领域】中的相关人员用来更有效地向本领域其他人员传达其工作主旨的手段。过程、计算机执行步骤、逻辑方框、处理等在这里被一般地认为是导致所需结果的步骤或指令的独立序列。步骤是要求对物理量进行物理操作的步骤。通常，尽管并不必须，这些量具有能够被存储、传输、组合、t匕较或在计算机系统中操作的电学或磁性信号的形式。已经证明:主要由于公共使用的原因而将这些信号作为比特、值、元素、符号、字符、项、数字等提及有时是方便的。
[0023]然而应当牢记，所有这些和类似术语与适当物理量相关且仅是应用于这些量的方便标签。除非特别声明，否则从下面的讨论显见，应当意识到，贯穿本发明使用诸如“处理”或“访问”或“执行”或“存储”或“呈现”等术语进行的讨论表示计算机系统或类似电子技术设备的动作和处理，所述计算机系统或类似电子计算设备进行操作且将被表示为计算机系统寄存器和存储器以及其他计算机可读介质中的物理(电子)量的数据转换为表示为类似地计算机系统存储器或寄存器或其他这种信息存储、传输或显示设备内的物理量的其他数据。当组件在若干实施例中出现时，使用相同附图标记指示该组件是与原始实施例中所说明的组件相同的组件。
[0024]本发明提供一种针对医学图像自动分段中固有的不断增加的挑战的解决方案。尤其是，本公开的各个实施例通过使用包含多个参考图像集的知识库来提供患者的二维医学图像的自动分段，其中每个参考图像集包含多个二维切片。参考图像集中的每个切片已经被分段且被勾画轮廓，每个感兴趣结构(例如器官、肿瘤、患病组织等)被标记。如下文详细讨论，与医学图像集具有相似性(例如相似的稀疏地标签名)的多个参考图像集被选择，以形成基本集且使用可变形图像等级算法使每个变形，以产生从所选参考图像到医学图像的映射。还使得每个选择的参考图像中感兴趣分段结构变形成为医学图像，以产生到医学图像的映射。用于每个感兴趣器官的加权平均分段被计算，其中用于每个感兴趣器官的加权平均分段被用作用于结构特有自动分段算法的“种子”。在用于每个感兴趣结构的自动分段算法完成之后，并查看结果且在需要时对轮廓进行校正。在核准医学图像之后，医学图像及其相关元数据、稀疏地标签名和感兴趣结构被添加到知识库。
[0025]医学图像分段
[0026]如本领域所已知，图像分段是用于查看数字化医学图像、且基于医学图像的特征区分或识别感兴趣结构且标记它们的处理。例如，当使用图像分段查看胸部的医学图像时，可以在图像部分周围绘制线且将其标记为“肺”。换句话说，线内的所有东西都被认为是肺，且不在线内的所有东西都被认为不是肺。在放射治疗中利用图像分段，其中医师需要精确地限定放射治疗的位置，且正如同样重要地是限定不设置放射治疗的位置一样。感兴趣结构例如可以限定为:器官；肿瘤；患病组织以及在医学图像中可见的骨头。如上所述，CT和MRI扫描是普通的医学图像模态。然而，任意二维图像均可以被分段，其中医师对于图像中感兴趣结构之间的区别感兴趣。在产生多个切片的CT和MRI扫描中，通常继而对每个切片执行分段。出于方便和简单的原因，对CT扫描进行分段例如表示进而对每个切片进行分段。
[0027]医学图像分段例如与IMRT (强度调制放射治疗)一同使用，将以放射线绘制为或使得身体内放射线成形为遵循肿瘤轮廓。分段是核心益处:当放射治疗可以成形从而遵循肿瘤形状时，可以避免关键器官。例如，可以避免诸如脑干的关键器官而不是仅仅使放射治疗拟合或成形以遵循肿瘤。示例性放射治疗利用放射线尖锥射束，在目标位置将放射线放置到身体中。然而，为了如此，运行IMRT治疗的计算机需要知道脑干处于何处。用于IMRT的治疗计划软件获得医学图像(例如CT或MRI数据集)且识别有风险的所有器官或感兴趣结构(尤其是对于放射线敏感的那些结构，或者不管其放射灵敏度如何，必定不能被照射的那些结构)。而且，还识别作为放射治疗目标的那些感兴趣结构。在各个切片上绘制的结构组合成跨多个切片的感兴趣体积。假设识别出绘制的体积和针对每个体积规定的剂量，则治疗计划软件将计算用于放入剂量的最佳方法。
[0028]但是因为医学成像解决方案增加对附加切片的提供以及必须被识别的结构的数目，而且它们必须被识别的精确度增加，治疗计划处理需要更长的时间。这在每个切片必须手动分段时尤其明显。然而，即使自动分段算法当前可用，医师仍通常被要求手动地将种子放入图像，且必须逐个查看每个切片。“放入种子”是这样的处理:医师选择医学图像区域内的点且将它们识别为指定感兴趣结构(例如前列腺、膀胱或股骨)的一部分。因此，可能花费过多时间来手动繁殖每个医学图像。然而，即使在繁殖自动分段算法之后，医师通常被要求编辑分段且轮廓化结果以校正它们。这种编辑是需要的，因为自动分段结果将通常会产生要求医师编辑以修整它的一些分段和/或轮廓勾画错误。最终结果是:即使使用自动分段软件工具，需要的时间通常小于手动分段；当仍必须放入种子且然后频繁地花费大量的时间编辑来校正自动分段和自动轮廓勾画软件结果。
[0029]自动分段还因如下事实而复杂化:自动分段工具通常被调节为结构特定的，从而使得它们仅对于某些内部器官工作良好。例如，利用边缘检测的自动分段工具在自动地逐个地对膀胱和前列腺进行分段时具有难点，因为它们不能被单独区分。当膀胱充满且接触前列腺时，不能看见前列腺-膀胱阻挡物。最终结果是难以确定一个在哪里开始且另一个在哪里结束。相反，用于前列腺的自动分段工具被迫使依赖于建模和查看膀胱和前列腺的曲率。当然，即使当使用结构特定自动分段工具时，仍然必须在每个感兴趣结构中放置各个种子。
[0030]基于知识的图像自动分段
[0031]图1示出根据本发明的实施例的知识库100。知识库100包含多个参考图像集102a-102n。每个参考图像集102a_102n包含三维体积的二维切片。每个参考图像集102a-102n还包含元数据,该元数据可能包括对应于每个参考图像的稀疏地标签名以及对应于每个独立参考图像切片中看到的感兴趣结构的多个分段和轮廓。
[0032]在一个示例性实施例中，知识库100初始地包含多个专家案例。这些专家案例中的每一个均包含具有单独手工绘制的分段和轮廓的参考图像集102a-102n。每个感兴趣的结构已经被标记。
[0033]在知识库100的另一实施例中，初始多个参考图像集102a_102n将共享相同的特征。例如，知识库100中的每个参考图像集102a - 102η将在元数据方面具有共同特征，诸如种族、性别、诊断、治疗点、年龄以及患者体型等。例如，在亚洲患者的治疗中主要使用的知识库100将不同于在欧洲患者治疗中主要使用的知识库100。类似地，在排他性女性实践中使用的知识库100将仅需要包含女性患者的参考数据集102a-102n。
[0034]图1还示出医学图像处理模块110。医学图像处理模块110接收用于当前患者的图像集，即医学图像集112。医学图像处理模块110处理医学图像集112以将每个图像切片缩减为稀疏地标签名。最终结果是稀疏地标签名集114。在一个实施例中，可以针对整个图像集而不是针对每个切片计算稀疏地标签名。
[0035]基于医学图像切片的稀疏地标签名将允许忽略包含在医学图像集中的更多信息。不是跨越医学图像集112的每个切片逐个像素地运行算法(这将消耗大量的计算时间和资源)，稀疏地标签名将各个切片仅缩减为点的集合以用于进一步处理。
[0036]例如，具有前列腺癌的男患者的医学图像集112将会具有指定稀疏地标签名集114。如果诊断是前列腺癌，则医学图像集112的三维体积是身体中部。因为骨盆肢带定义了前列腺的位置，各个切片被从头到脚扫描，查找骨头的第一实例(亮强度的图像像素)。这针对骨盆肌带的两侧来完成，从而允许股骨头的位置被识别。接下来，还对骨盆肌带结束的点进行定位。可以通过从这三个点的三角行化而找到前列腺。
[0037]如图1进一步示出，在产生医学图像集112的稀疏地标签名集114之后，可以基于其与当前患者医学图像集112和相应稀疏地标签名集114的相似性选择参考图像集102a-102n。在本发明的一个示例性实施例中，选择多个参考图像集102a_102n。示例性实施例可以从少至一个参考图像集102a-102n到多至10个或更多参考图像集102a_102n中进行选择。在一个示例性实施例中，选择三个参考图像集102a-102c。选择的参考图像集102a-102c变成基本集116。
[0038]在本发明的示例性实施例中，医学图像处理模块110通过查看附属于当前医学图像集112的元数据开始参考图像集102a-102n选择处理。如本领域所已知，元数据可以在并不特别个性化的非常高的水平包括与指定患者相关的信息。其应当包括这种细节:诸如年龄、性别、诊断、体重、是否存在结节牵累、任意合并症、治疗点、体侧以及肿瘤的大致位置。附属于当前医学图像集112的可用元数据被使用以开始对知识库各处的搜索，从而查看附属于参考图像集102a-102n的元数据以用于相应的匹配。通过使用元数据，数据库可以被分类，使得在具有用于识别具有进行性肺癌的男性患者的元数据的示例性医学图像集中，查看仅在身体的相同侧有肺癌的男性的参考图像集。基于其与当前医学图像集112和稀疏地标签名的相似性，从知识库选择最闻的参考图像集102a-102c匹配。
[0039]如上所述，在示例性实施例中，基本集116包含从I到10个或更多参考图像集102a-102n中的任何数目的集。多个参考图像集102a_102n被选择以减小在每个相应参考图像集102a-102n中固有的错误。很明显，单个参考图像集102a_102n将不是完美匹配；在参考图像集102a-102n和医学图像集112之间将存在一些不一致。然而，基本集116中的多个参考图像集102a-102n允许用作参考图像的统计模型的形成。
[0040]在本发明的一个示例性实施例中，将基本集中选择的参考图像集102a_102c中的每一个(在该实施例中，选择三个参考情况)逐个变形为医学图像集。换句话说，将每个参考图像集102a-102c的稀疏地标签名中的点变形为医学图像集112的稀疏地标签名集114中的点。在一个示例性实施例中，可变形图像配准算法将获取选择的参考图像集102a-102c和没有分段或轮廓和形态的医学图像集112，且使得参考图像集102a-102c中的每一个变形，一次一个，且一次一个切片，以便看上过去像医学图像集112。配准算法还将轮廓从每个参考图像集102a-102c转移到医学图像集112。轮廓均与标记一同转移。通过将三个选择的参考图像集102a-102c中的每一个变形成医学图像集112，标记为像素的轮廓也将随着像素移动。将来自参考图像集102a-102c中每一个的点中的每一个变形为医学图像集112中的点。在本发明的另一实施例中，基本集中选择的参考图像集102a-102n的一部分被变形成医学图像集。该部分可以是参考图像集102a-102n中的一个或更多个。
[0041]因为多个参考图像集102a_102c逐个变形为医学图像集112，本发明的示例性实施例因此使用基于统计的算法而不是仅基于图像的算法。通过获得源自三个图像集102a-102n到医学图像集112的变形的结果，且对其进行平均，统计处理将提供最终结果，该最终结果是三个(或选择的任意数目的)参考图像102a-102c的平均。在统计学是更加可能的是，对最高三个参考的平均将会与它们中的任意一个被独立校正的情况相比，将会汇聚到更正确的答案。如图1所示，医学图像处理模块因此将基本集116变形为医学图像集112的稀疏地标签名114，以形成包含医学图像集112中感兴趣结构的分段和轮廓的统计模块 118。
[0042]在示例性实施例中，由此提供加权平均分段以形成统计模型118。如果所有三个参考图像集102a-102c良好地一致，则三个的简单平均就足够了。但是如果它们中的两个紧密地一致但是第三个具有界外值(例如，用于指定感兴趣结构的轮廓或分段结果不同于其他结果)，第三结果的界外值在统计模型118中降低重要性，从而做出该界外值不正确的假设。例如，加权平均分段将查看用于在统计模型118中识别的每个感兴趣结构的结果的标准偏差。当界外值出现时对结果进行加权的简单方法就是丢弃界外值结果。应当注意，统计加权平均并不适用于患者，即医学图像集112，但是适用于医学图像集112中所得感兴趣结构中的每一个。换句话说，在示例性实施例中，可以存在与感兴趣结构一样多的三个参考图像集102a-102c之间的加权混合。统计模型118因此提供用于进一步的分段处理的良好起点。即使各个轮廓中的每一个并不完美时，统计模型仍可以以某一数量的统计可信度，识别处什么是例如前列腺或肺。即，视情况而定，至少轮廓里的东西已经被是被为前列腺或肺。
[0043]在示例性实施例中，当提供到统计模型118的加权平均分段不被医师核准时，同样包含相同元数据特征和类似稀疏地标签名的附加参考图像集将被选择且添加到基本集116中以被配准(S卩，变形)成医学图像集112。在示例性实施例中，一次添加一个参考图像集。同样，如上面讨论，正如对原始三个参考图像集一样，新添加的参考图像集的稀疏地标签名也将变形为医学图像集的稀疏地标签名。在统计处理之后，更新的加权平均分段被提供到统计模型118以供医师查看。附加参考图像集可以按照需要添加到基本集116，只要附加候选参考图像集保留在知识库100中即可，且其向基本集116的添加继续以便改善统计模型118的加权平均分段。
[0044]而且，统计模型118的统计参数也可以通过查看源自参考图像集(形状、体积、平滑度、密度等)的基于非图像的分量而被评估，且由此精炼所得的统计模型118和更新的统计模型120。基于知识的图像子体积分段
[0045]在示例性实施例中，如图4所示，针对源自知识库中多个患者案例的医学图像集的多个感兴趣结构或“子体积”，重复上面针对医学图像集112和包含多个参考图像集102a-102n的基本集116描述的处理。子体积将典型地仅包含单个感兴趣结构而不是在医学图像集中发现的所有感兴趣结构。针对医学图像集112的每个识别的感兴趣结构412a-412n，选择被分组为子体积基本集416a_416n的多个参考图像集子体积402a_402n。换句话说，针对医学图像集的每个子体积(即感兴趣结构)选择多个参考图像集子体积402a-402n。例如，对于前列腺的医学图像集子体积，将从参考图像集选择多个前列腺子体积。换句话说，不是整个图像参考集102a-102n，而是仅参考图像集102a_102n的前列腺子体积412a-412n将被选择。同样，在示例性实施例中，数目是3。多个参考图像集子体积中的每一个因此是用于指定感兴趣结构的子体积基本集。可以存在用于医学图像集112中的每个感兴趣结构412的子体积基本集416。
[0046]如上面针对参考图像集102a_102n和医学图像集112所述，以相同的方式，将每个参考图像集子体积402变形为医学图像集112的相应感兴趣结构412，就像将每个参考图像集102变形为医学图像集112—样。而且，如上所述，在本发明的另一实施例中，将多个子体积基本集416中选择的参考图像集子体积402a-402n中的一部分变形成医学图像集112中的感兴趣结构412a-412n。该部分同样可以是参考图像集子体积402a_402n中的一个或多个。在如上所述完成用于医学图像集112中每个感兴趣结构的加权平均分段之后，每个感兴趣结构或子体积412a-412n也将具有相应的稀疏地标签名集414，该稀疏地标签名集414也是医学图像集112的稀疏地标签名集114的一部分。通过选择参考图像集102的指定感兴趣结构402 (即，最佳候选)(以及用于感兴趣结构的相应稀疏地标签名414)以将其变形为医学图像集112中感兴趣结构412 (以及其相应稀疏地标签名414)，可以进一步改善用于形成统计模型118的每个感兴趣结构412a-412n的所得加权平均分段。这是因为不是寻求全都与患者解剖学具有良好匹配的参考图像集102候选，而是考虑仅相应子体积402或感兴趣结构。因此，并针对所有感兴趣结构并非是良好候选的参考图像集102仍可能是良好的子体积候选。
[0047]连续知识库改善
[0048]然而，为了使用知识库100获得更好的结果，需要将附加参考图像集添加到知识库100。换句话说，在医师完成患者特定治疗计划且核准医学图像集中感兴趣结构的分段和轮廓勾画之后，具有其患者特定元数据经、医学图像集、稀疏地标签名、统计模型的附加临床案例可以被添加到知识库。在医师查看、编辑(如有需要)和核准分段结果之后，患者信息可以变成新参考图像集，并将其自己附连的元数据和治疗信息放置在知识库中以增加可用的候选参考图像集的数目。该新参考图像集然后将可以在下一次在存在具有类似元数据的患者时作为基本集的部分而被重用。即使是十分个性化的患者特定用药，这些描述的处理允许闭环的创建:该处理的每次迭代允许向知识库添加新参考图像集102。因此，因为更多的参考图像集102被添加到知识库100，知识库100变得更鲁棒，具有改善的统计建模和更好的最终结果。因为更多的参考图像集102被放入知识库100，该搜索可以进一步精炼，且基于附加标准以确保选择的参考图像集102a-102n密切匹配医学图像集112。
[0049]用作种子的统计模型
[0050]在示例性实施例中，具有每个感兴趣结构的加权平均分段的统计模型118可以用作种子本身。不同于要求在处理开始之前手动选择种子的传统结构特定分段工具，这些种子可以由从统计模型118识别的感兴趣结构来提供。通过提供以在统计学上可能在感兴趣结构内的像素所绘制的种子，允许前面讨论的分段方法中的任意一个以改善的种子选择作为开始。而且，使用感兴趣结构的统计模型的加权平均分段允许这些其他分段方法，从而避免从头开始。
[0051]尽管没有确保感兴趣结构将将被正确地分段，但存在于感兴趣结构的分段中间的像素簇将处于实际感兴趣结构内，这具有良好统计概率。在一个示例性实施例中，在统计学上重要的像素的中心簇然后用作用于其他自动分段算法的种子。
[0052]在示例性实施例中，如图1所示且在下面更详细地描述的那样，统计模型118用作用于可变形图像配准的种子且用于驱动结构特定自动分段工具130a-130n的自动分段组件。在示例性实施例中，自动分段工具130a-130n可以是结构特定分段工具或非结构特定分段工具。当自动分段工具130a-130n将分段结果返回到医学图像处理模块110时，这些结果可以用于创建更新的统计模型120，该统计模型120包括医学图像集112中每个感兴趣结构的加权平均分段，如将在下面详细描述的那样。
[0053]自动分段工具130a_130n使用统计模型118提供的种子来计算一个或更多个感兴趣结构的分段。这些结构特定分段算法可以使用结构特定模型来辅助完成分段，该结构特定模型将考虑被标记为用于感兴趣结构(例如前列腺或肺)的种子的图像内的所有数据。这给出结构特定算法一个非常好的起点。结构特定算法在它们被设计为对其进行分段的特定结构上表现良好。
[0054]取决于算法能力以及是否存在与指定元数据或将使得一个算法比另一更精确的图像有关的信息，统计加权平均还可以扩展为这些不同算法的统计加权平均。这允许来自多个算法的结果被平均，以通过比较源于多个结构特定算法的结果而得到感兴趣结构的甚至在统计学上更加精确的限定。最终结果将会是医学图像处理模块计算更新统计模型120，该更新统计模型120包含医学图像集112中每个感兴趣结构的加权平均分段。如上面所讨论，在被查看、编辑和最终被医师核准用于当前患者之后，可以将该更新统计模型120作为新参考图像集102添加到知识库。知识库自动分段算法改善
[0055]在一个示例性实施例中，上述处理可以包括通过执行差异计算而更新统计工具。差异计算将系统计算了什么和医师最终接受了什么进行比较，识别(多个)失败点，且执行动作一般修改算法的行为。通过返回(back-project)该差异,对算法参数化法做出改变，直到得到用于各个患者案例的最佳解决结果。加权函数可以被调节以达到最佳结果。患者特定参数化法然后可以结合到每个算法的总体参数化法中。
[0056]换句话说，如果系统不能识别盆骨案例，例如，将必须调节稀疏地标的选择，使得盆骨案例被适当地识别。在另一实例中，如果位置正确但分段/轮廓结果不正确，则可能必须改变变形图像配准识别感兴趣结构的方式。例如，如果在感兴趣组织的计算和手绘边缘之间存在缝隙，则边缘检测算法可以被调节以校正它。知道缝隙所处位置和做出校正的位置，校正可以进入指定算法以对其进行改善。如果分段算法对于整个患者群体类似地失败，当计算不同分段算法之间的加权平均时，用于识别的失败模式的加权因子将被减小。
[0057]基于知识的自动分段处理
[0058]图2是示出根据本发明的一个实施例的处理步骤。在处理包括前面已经详细解释的步骤的地方，将不会对其进行重复。在步骤202中，加载新医学图像集112。医学图像集112可以被加载到计算机系统的存储器中。在步骤204中，地标特征(即医学图像集112上的点)被提取以创建稀疏地标签名114。
[0059]在步骤206中，对知识库100进行扫描，以搜索具有相似稀疏地标签名114和相似元数据的参考图像集102a-102n。在示例性实施例中，稀疏地标签名114用作用于知识库100的索引。在步骤208中，η个参考图像集102a-102n被选择以形成基本集116。在示例性实施例中，n=3。在步骤210中，参考图像集102a-102n的一部分被配准为医学图像集112。该部分可以是选择的参考图像集102a-102n中的两个或更多个。在一个示例性实施例中，所有选择的参考图像集102a-102n被配准。通过使得参考图像集变形成医学图像，参考图像集中感兴趣的分段和轮廓结构也应用于医学图像集。
[0060]在步骤212中，完成加权平均结构特定分段，以形成统计模型118。换句话说，针对每个结构计算加权平均，以达成加权平均结构分段。如上所述，统计模型118现在可以用作在其他分段工具(包括结构特定的工具)中使用的种子。
[0061]在步骤214中，医师或用户查看、编辑且核准分段结果。在步骤216中，在可能时，计算并改善结构特定统计参数(通过查看源于参考图像集的基于非图像的分量(形状、体积、平滑度、密度等))。然后，在步骤218中，使用医学图像集112及其相应结构集(统计模型118)、稀疏地标签名集114以及元数据作为新参考图像集102更新知识库。
[0062]图3示出根据本发明的一个实施例的处理步骤。在处理包括前面已经详细解释的步骤的地方，此处对此不做重复。步骤302在计算统计模型118之后开始。在步骤302中，进一步评估描述每个感兴趣分段结构的统计参数。在步骤304中，将来自医学图像集112的子体积412a-412n加载至计算机中以用于处理，其中子体积包含或者就是感兴趣结构。如上所述，这些子体积412a-412n是他们自己的稀疏地标签名414已经在图2中被分段的感兴趣结构。换句话说，每个子体积412a-412n包含子体积稀疏地标签名414。在步骤306中，针对医学图像集112中的每个感兴趣结构加载η个参考图像集子体积402a-402n，以形成相应的子体积基本集416a-416n。在一个实施例中，n=3。针对医学图像中的相应感兴趣结构412a-412n选择多个子体积基本集416a_416n的参考图像集子体积402a_402c中的每一个。在一个实施例中，每个参考图像集子体积402可以源自不同参考图像集102。换句话说，如果在医学图像集112中存在15个感兴趣的结构，则将存在提供45个参考图像集102a-102n，这45个参考图像集102a_102n提供包含在15个子体积基本集416a_416n中的必要的45个参考图像集子体积402a-402n。在另一实施例中，单个参考集102可以提供多个参考图像集子体积402a-402n。
[0063]在步骤308中，参考图像集子体积402a_402n的一部分及其感兴趣的分段和轮廓勾画结构变形或配准到医学图像集112的相应感兴趣结构412a-412n。该部分可以是选择的参考图像集402a-402n中的两个或更多。在一个示例性实施例中，所有选择的参考图像集子体积402a-402n被配准或变形。将来自每个子体积基本集416a_416n的参考图像集子体积402a-402n变形为医学图像集112的相应感兴趣结构412a_412n。在步骤310中，针对医学图像集112中的每个感兴趣结构412a-412n计算加权平均分段值。针对医学图像集112中的每个感兴趣结构412a-412n计算加权平均分段值以允许更新统计模型118的计算。
[0064]在步骤312中，统计模型118中每个感兴趣结构412a_412n被用作种子且均通过多个结构特定分段工具后处理。每个感兴趣结构分段用作用于多个结构特定分段工具的种子。在步骤314中，基于由结构特定分段工具提供的每个感兴趣结构412a-412n的分段结果，针对每个感兴趣结构计算加权平均分段结果。如上所述，用于每个感兴趣结构412a-412n的这种加权平均分段结果是更新的统计模型120。
[0065]在步骤316中，医师或用户查看、编辑且核准来自步骤314的加权平均分段结果。在步骤318中，在可能时，计算并改善结构特定统计参数(通过查看源于参考图像集的基于非图像的分量(形状、体积、平滑度、密度等))。然后，在步骤320中，使用医学图像集112及其相应结构集(统计模型120)、稀疏地标签名114和元数据更新知识库以用作新参考图像集 102。
[0066]图5示出根据本发明的一个实施例的处理步骤。在步骤502中，选择知识库中共享公共特征的患者群组或参考图像集102a-102n。这些公共特征可以包括诊断、性别、年龄、种族、治疗点等。在步骤504中，群组的所有成员变形成单个汇聚数据集，形成单个代表性案例。在步骤506中，针对用于感兴趣结构的放射治疗和和相关放射治疗剂量执行几何分析。在步骤508中，将群组表示与其他群组表示情况相比较。
[0067]单个和群组平均图像自动分段
[0068]在其他实施例中，如图6和8所示，不是选择多个参考图像集102a_102n以形成基本集116，单个参考图像集102可以被选择且配准到医学图像集112以形成分段图像602。在另一实施例中，如图7和9所示，不是选择多个参考图像集102a-102n，其随后会被逐个配准至医学图像集112以基于单个配准的多个参考图像集102a-102n的加权平均分段形成统计模型118，而是选择群组平均参考图像集702并将其配准至医学图像集112以形成分段图像602。如下所述，群组平均参考图像集702是一个参考图像集102，该参考图像集102是群组中参考图像集102a-102n中全部或一部分的平均。
[0069]如图6所示出且如图1进一步所示出，在产生医学图像集112的稀疏地标签名集114之后，可以基于其与当前患者医学图像集112和相应稀疏地标签名集114的相似度选择参考图像集102a-102n。在本发明的示例性实施例中，医学图像处理模块110通过查看附属于当前医学图像集112的元数据开始参考图像集102选择处理。如本领域所广泛已知的那样，元数据可以在并非特别个性化的非常高的水平包括与指定患者相关的信息。其将会包括以下细节诸如:如性别、年龄、诊断、身高、体重、是否存在结节牵累、任意合并症、治疗点、体侧以及肿瘤的大致位置，此处仅举几例。例如，群组可以包含被包含在指定体重范围(例如160-200镑)内的参考图像集102a-102n。如上面所讨论，附属于当前医学图像集112的可用元数据用于开始对整个知识库的搜索，以便查看附属于参考图像集102a-102n的元数据，从而用于相应的匹配。在一个实施例中，搜索所选择群组的相关参考图像集102a-102n。如上面所讨论，所选择群组将包含具有至少一个共同特征的参考图像集102a-102n。换句话说，将首先选择指定群组，且然后将选择包含在所选择群组中的参考图像集102。可以基于其与当前患者医学图像集112和相应稀疏地标签名集114的相似度来选择所选择群组中的参考图像集102。在附加实施例中，不是选择“最佳匹配”参考图像集102，而是随机选择知识库中的参考图像集102。在附加实施例中，从所选择群组中的参考图像集102a-102n随机地选择随机选择的参考图像集102。
[0070]在本发明的示例性实施例中，将所选择参考图像集102变形为医学图像集。换句话说，将参考图像集102的稀疏地标签名中的点变形为医学图像集112的稀疏地标签名集112中的点(一次一个切片)。在一个示例性实施例中，可变形图像配准算法将获取选择的参考图像集102a-102c和没有分段或轮廓勾画的医学图像集112，且使得参考图像集形态改变，一次一个切片，以使其看上去像医学图像集112。配准算法还将从所选择参考图像集102向医学图像集112转移轮廓。轮廓每个与标记一同转移。通过将所选择参考图像集102变形为医学图像集112，使用像素而被标记的轮廓也将随着像素而移动。来自选择的参考图像集102的每一点被变形为医学图像集112中的点。在本发明的另一实施例中，选择的参考图像集102的一部分被变形为医学图像集112。如上面所讨论，且如图1示出，医学图像处理模块因此将所选择参考图像集102变形为医学图像集112的稀疏地标签名14，以如图6所示产生包含医学图像集112中感兴趣结构的分段和轮廓的分段图像602。
[0071]而且，通过查看来自参考图像集102的基于非图像的分量(形状、体积、平滑度、密度等)还对分段图像602的参数进行评估，且由此精炼所得的分段图像602。
[0072]在上面针对基于知识的图像子体积分段讨论的示例性实施例中，如图4所示且在上面详细讨论的那样，针对源于知识库中多个患者案例的分段医学图像602的多个感兴趣结构或“子体积”，执行上面针对医学图像集和包含多个参考图像集102a-102n的基本集116所描述的处理。
[0073]用于将选择的参考图像集102配准为医学图像集112的处理在图8中示出。在步骤802中，新医学图像集112被加载到医学图像处理模块110。在步骤804中，从医学图像集112提取地标特征以形成稀疏地标签名114。在步骤806中，扫描数据库以查找具有相似稀疏签名和元数据的案例。如上面所讨论，可以对整个知识库进行扫描，或可以对选择的群组的参考图像集102a-102n进行扫描。在步骤808中，单个“最佳匹配”参考图像集102被选择且被加载到医学图像处理模块110。在步骤810中，最佳匹配参考图像集102被配准(变形或仿射)成医学图像集112以及感兴趣结构。在步骤812中，用户查看分段结果，编辑分段结果且核准最终分段结果。在步骤814中，如上面所讨论，计算结构特定统计参数。然后，在步骤816中，使用医学图像集112和相应结构集更新知识库。
[0074]在另一实施例中，不是逐个配准选择的参考图像集102a_102n至医学图像集112且如上面详细讨论计算基于加权平均的统计模型118，而是可以从知识库选择群组平均参考图像集702。在本发明的一个实施例中，每个群组包含对应于该群组中的参考图像集102a-102n的至少一个群组平均参考图像集702。换句话说，群组中的参考图像集102a-102n中的每一个被平均以形成参考图像集，该参考图像集是指定群组中所有参考图像集的平均。这种群组平均参考图像集702可以是群组中所有参考图像集102a-102n或仅是它们中被选择部分的平均。在另一实施例中，可以存在群组平均参考图像集702，其是知识库中所有参考图像集102a-102n或知识库中参考图像集102a_102n的一部分的平均。换句话说，几百或更多(例如1000)的参考图像集102a-102n可以在一起平均以产生群组平均参考图像集702，其是知识库中所有参考图像集或是它们的统计学明显部分的平均。应当意识到，用于每个群组或知识库一部分的群组平均群组参考图像集702本质上是示例性的，且并不旨在限制本发明的范围。
[0075]如图7示出且如图1进一步示出，在产生医学图像集112的稀疏地标签名集114之后，可以基于其与当前患者医学图像集112和相应稀疏地标签名集114的相似度，选择参考图像集102a-102n的群组。换句话说，可以基于其群组平均参考图像集602与当前患者医学图像集112和相应稀疏地标签名集114的相似度来选择群组。在本发明的示例性实施例中，医学图像处理模块110通过查看附属于当前医学图像集112的元数据而开始群组选择处理。如本领域所已知，元数据可以在并不专门个性化的非常高的水平包括与指定患者相关的信息。其应当包括这种细节:如年龄、性别、诊断、身高、体重、是否存在结节牵累、任意合并症、治疗点、体侧以及肿瘤的大致位置，此处仅举几例。例如，群组可以包括被包含在指定体重范围(例如160-200镑)内的参考图像集102a-102n。如上面所讨论，附属于当前医学图像集112的可用元数据被使用以开始对整个知识库的搜索，查看附属于参考图像集102a-102n的元数据，以便用于相应的匹配。如上面所讨论，选择的群组将包含具有至少一个共同特征的参考图像集102a-102n。一旦群组被选择，选择群组的群组平均参考图像集702被加载到医学图像处理模块110。如上面所讨论，不是选择对应于指定群组的群组平均参考图像集702，而是可以选择如下群组平均参考图像集702，其是知识库中参考图像集102a-102n的全部或仅一部分的平均。
[0076]在本发明的示例性实施例中，选择的群组平均参考图像集702被变形为医学图像集。换句话说，群组平均参考图像集702的稀疏地标签名中的点被变形为医学图像集112的稀疏地标签名集112中的点(一次一个切片)。在一个示例性实施例中，可变形图像配准算法将获得选择的群组平均参考图像集702和没有分段或轮廓勾画的医学图像集112，且以及一次一个切片地改变参考图像集，以使其看上去像医学图像集112。配准算法还将从选择的群组平均参考图像集702向医学图像集112转移轮廓。轮廓均与标记一同转移。通过将选择的群组参考图像集702变形成医学图像集112，使用像素标记的轮廓也将随着像素而移动。来自选择的群组平均参考图像集702的每一点被变形为医学图像集112中的点。
[0077]在本发明的示例性实施例中，选择的群组平均参考图像集702的一部分被变形为医学图像集112。如上面所讨论，且如图1所示，医学图像处理模块因此将选择的群组平均参考图像集702变形为医学图像集112的稀疏地标签名114，以产生包含医学图像集112中感兴趣结构的分段和轮廓勾画的分段图像602，如图7所示。在另一实施例中，知识库内参考图像集群组中的所有参考图像集的统计平均是通过以下来确定的:通过确定群组中可变形或仿射地配准的参考图像集的数量的统计平均，其中参考图像集的数量是群组中参考图像集的一部分和群组中参考图像集的全部其中一个，以及确定知识库中可变形或仿射地配准的参考图像集的数量的统计平均，其中参考图像集的数量是知识库中参考图像集的一部分和知识库中参考图像集的全部其中一个。
[0078]如上面所讨论，分段图像602的参数也可以通过查看来自群组平均参考图像集702的基于非图像的分量(形状、体积、平滑度、密度等)来评估，且由此精炼所得的分段图像602。
[0079]在上面针对基于知识的图像子体积分段而讨论的示例性实施例中，如图4所示且在上面详细讨论的，针对来自知识库中多个患者案例的分段医学图像的多个感兴趣结构或“子体积”，执行上面针对医学图像集和包含多个参考图像集102a-102n的基本集116所描述的处理。
[0080]用于将选择的群组平均参考图像集702配准为医学图像集112的处理在图9中示出。在步骤902中，新医学图像集112被加载到医学图像处理模块110。在步骤904中，从医学图像集112提取地标特征，以形成稀疏地标签名114。在步骤906中，扫描数据库以查找具有相似稀疏签名和元数据的群组。在步骤908中，来自选择群组的群组平均参考图像集702被加载到医学图像处理模块110。在步骤910中，群组平均参考图像集702被配准(变形)到医学图像集112以及感兴趣结构。在步骤912中，用户查看分段结果，编辑分段结果且核准最终分段结果。在步骤914中，如上所述那样计算结构特定统计参数。最后，在步骤916中，使用医学图像集112和相应结构集更新知识库。[0081]尽管此处公开了某些优选实施例和方法，本领域技术人员从上面的公开明显看出，可以在不偏离本发明的精神和范围的条件下做出这种实施例和方法的变型和修改。旨在示出，本发明将仅限制于所附权利要求以及可应用法律的规则和原则要求的范围。
【权利要求】
1.一种用于对图像数据集进行分段的方法，包括: 接收医学图像集； 从知识库选择代表性参考图像集； 使得所述代表性参考图像集的部分变形，以产生从所述代表性参考图像集到所述医学图像集的映射；以及 基于到所述医学图像集的映射，确定用于所述医学图像集中多个感兴趣结构的分段。
2.根据权利要求1所述的方法，还包括: 使用用于所述多个感兴趣结构的所述分段作为用于至少一个结构特定分段算法的种子。
3.根据权利要求1所述的方法，其中所述代表性参考图像集选自所述知识库内共享共同特征的参考图像集的群组，其中所述共同特征包括以下其中至少一个:体重、性别、诊断、阶段、应答者与非应答者、年龄、治疗点和大小。
4.根据权利要求1所述的方法，还包括: 基于所述医学图像集计算稀疏地标签名，其中所述稀疏地标签名包括多个点。
5.根据权利要求1所述的方法，还包括: 更新确定所述分段的多个统计分析工具。`
6.根据权利要求1所述的方法，其中使得所述代表性参考图像集的部分变形包括: 使用可变形图像配准算法使得所述代表性参考图像集的所述部分变形。
7.根据权利要求1所述的方法，其中使得所述代表性参考图像集的部分变形包括: 使得来自所述代表性参考图像集的所述部分的分段的感兴趣结构变形，以形成到所述医学图像集的映射。
8.根据权利要求4所述的方法，其中使得所述代表性参考图像集的部分变形包括: 使得所述代表性参考图像集的所述部分的稀疏地标签名的点变形为所述医学图像集的所述稀疏地标签名的点。
9.根据权利要求4所述的方法，其中从所述知识库选择代表性参考图像集包括: 将来自所述医学图像集的元数据与所述知识库中的所述参考图像集的元数据进行比较，以及 将所述医学图像集的稀疏地标签名与所述知识库中的所述参考图像集的稀疏地标签名进行比较，其中选择的所述代表性参考图像集是最佳匹配参考图像集。
10.根据权利要求1所述的方法，其中从所述知识库选择所述代表性参考图像包括以下步骤其中之一: 从所述知识库中的参考图像集的群组中随机地选择参考图像集，其中所述知识库包括至少一个群组；以及 从所述知识库随机选择参考图像集。
11.根据权利要求1所述的方法，还包括: 查看并校正所述轮廓；以及 将被核准的所述医学图像集和相应感兴趣结构作为新参考图像集添加到所述知识库。
12.一种用于对图像数据集进行分段的方法，包括: 接收医学图像集；从知识库选择群组平均参考图像集； 使得所述群组平均参考图像集的部分变形，以产生从所述群组平均参考图像集到所述医学图像集的映射；以及 基于到所述医学图像集的映射确定用于所述医学图像集中多个感兴趣结构的分段。
13.根据权利要求12所述的方法，还包括: 使用用于所述多个感兴趣结构的所述分段作为用于至少一个结构特定分段算法的种子。
14.根据权利要求12所述的方法，其中所述群组平均参考图像集是在所述知识库内共享共同特征的参考图像集的群组中被配准的所述参考图像集的统计平均，其中所述共同特征包括以下其中至少一个:体重、性别、诊断、阶段、应答者与非应答者、年龄、治疗点和体型。
15.根据权利要求12所述的方法，还包括: 基于所述医学图像集计算稀疏地标签名，其中所述稀疏地标签名包括多个点。
16.根据权利要求12所述的方法，还包括: 更新确定所述分段的多个统计分析工具。
17.根据权利要求12所述的方法，其中使得所述群组平均参考图像集的部分变形包`括: 使用可变形图像配准算法使得所述群组平均参考图像集的所述部分变形。
18.根据权利要求12所述的方法，其中使得所述群组平均参考图像集的部分变形包括: 使得来自所述群组平均参考图像集的所述部分的分段的感兴趣结构变形，以形成到所述医学图像集的映射。
19.根据权利要求15所述的方法，其中使得所述群组平均参考图像集的部分变形包括: 使得所述群组平均参考图像集的所述部分的稀疏地标签名的点变形为所述医学图像集的稀疏地标签名的点。
20.根据权利要求15所述的方法，其中从所述知识库选择所述群组平均参考图像包括: 将来自所述医学图像集的元数据与所述知识库中的所述群组的元数据进行比较，以及将所述医学图像集的稀疏地标签名与所述知识库中的所述群组平均参考图像集的稀疏地标签名进行比较，其中选择的所述群组平均参考图像集是最佳匹配的群组平均参考图像集。
21.根据权利要求14所述的方法，其中确定所述知识库内参考图像集的群组中所有参考图像集的所述统计平均包括以下其中一个: 确定所述群组中一些可变形或被仿射地配准的参考图像集的统计平均，其中所述参考图像集的数量是所述群组中所述参考图像集的所述部分和所述群组中所述参考图像集中的全部其中一个；以及 确定所述知识库中一些可变形或被仿射地配准的参考图像集的统计平均，其中所述参考图像集的数量是所述知识库中所述参考图像集的所述部分和所述知识库中的全部所述参考图像集中的其中一个。
22.根据权利要求12所述的方法，还包括: 查看并校正所述轮廓；以及 将被核准的所述医学图像集和相应感兴趣结构作为新参考图像集添加到所述知识库。
23.一种用于对图像数据集进行分段的方法，包括: 接收医学图像集； 选择以下其中一个: 来自知识库中的代表性参考图像集；以及 来自所述知识库中的群组平均参考图像集； 使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的部分变形，以产生从所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集到所述医学图像集的映射； 基于到所述医学图像集的映射，确定用于所述医学图像集中多个感兴趣结构的分段；在知识库中搜索代表性匹配，从而形成多个子体积基本集，其中子体积基本集包括多个参考图像集子体积； 使得所述多个子体积基本集的所述多个参考图像集子体积中的部分变形，以产生从所述多个子体积基本集到所述医学图像集的相应感兴趣结构的映射；以及 基于到所述医学图像集中多个感兴趣结构的映射，确定用于所述医学图像集中所述多个感兴趣部分的加权平均分段。`
24.根据权利要求23所述的方法，还包括: 使用用于所述多个感兴趣结构的所述加权平均分段作为用于至少一个结构特定分段算法的种子。
25.根据权利要求23所述的方法，其中所述代表性参考图像集选自所述知识库内共享共同特征的参考图像集的群组，其中所述共同特征包括以下其中至少一个:体重、性别、诊断、阶段、应答者与非应答者、年龄、治疗点和体型。
26.根据权利要求23所述的方法，其中所述群组平均参考图像集是所述知识库内共享共同特征的参考图像集的群组中的所有所述参考图像集的统计平均，其中所述共同特征包括以下其中至少一个:体重、性别、诊断、阶段、应答者与非应答者、年龄、治疗点和体型，且其中所述知识库包括至少一个群组平均参考图像集。
27.根据权利要求23所述的方法，还包括: 基于所述医学图像集计算稀疏地标签名，其中所述稀疏地标签名包括多个点，以及其中用于所述医学图像集的所述稀疏地标签名还包括用于医学图像集中相应感兴趣结构的多个稀疏地标签名。
28.根据权利要求23所述的方法，还包括: 更新确定所述加权平均分段的多个统计分析工具。
29.根据权利要求23所述的方法，其中使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的部分变形、以及使得所述多个子体积基本集的所述多个参考图像集子体积的部分变形包括: 使用可变形图像配准算法使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的所述部分变形；以及 使用所述可变形图像配准算法使得所述多个子体积基本集的参考图像集子体积的所述部分变形。
30.根据权利要求23所述的方法，其中使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的部分变形、以及使得所述多个子体积基本集的所述多个参考图像集子体积的部分变形包括: 使得来自所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的所述部分中的分段的感兴趣结构变形，以形成到所述医学图像集的映射；以及 使得来自所述多个子体积基本集的所述多个参考图像集子体积的所述部分的分段的感兴趣结构变形，以形成到所述医学图像集的所述相应感兴趣结构的映射。
31.根据权利要求26所述的方法，其中使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的部分变形、以及使得所述多个子体积基本集的所述多个参考图像集子体积的部分变形包括: 使得所述代表性参考图像集和所述群组平均参考图像集中被选择的一个参考图像集的多个稀疏地标签名的点变形为所述医学图像集的所述稀疏地标签名的点；以及 使得所述多个子体积基本集的所述多个参考图像集子体积的所述部分的多个稀疏地标签名的点变形为所述医学图像集的所述多个感兴趣结构的相应稀疏地标签名中的所述点。
32.根据权利要求23所述的方法，其中从所述知识库选择所述代表性参考图像集包括以下其中之一:` 从所述知识库中的参考图像集的群组随机选择参考图像集，其中所述知识库包括至少一个群组； 从所述知识库随机选择参考图像集； 将所述医学图像集的稀疏地标签名与所述知识库中所述参考图像集的稀疏地标签名进行比较，其中被选择的所述代表性参考图像集是最佳匹配参考图像集；以及 将来自所述医学图像集的元数据与所述知识库中的所述参考图像集的元数据进行比较。
33.根据权利要求23所述的方法，其中从所述知识库选择所述群组平均参考图像包括: 将来自所述医学图像集的元数据与所述知识库中的所述群组的元数据进行比较，以及将所述医学图像集的稀疏地标签名与所述知识库中的所述群组平均参考图像集的稀疏地标签名进行比较，其中被选择的所述群组平均参考图像集是最佳匹配群集平均参考图像集。
34.根据权利要求26所述的方法，其中在所述知识库中搜索代表性匹配以形成子体积基本集包括: 将来自所述医学图像集的元数据与所述知识库中的参考图像集的元数据进行比较，以及 将所述医学图像集的每个感兴趣结构的稀疏地标签名与所述知识库中的参考图像集的相应感兴趣结构的稀疏地标签名进行比较。
35.根据权利要求23所述的方法，还包括:查看并校正所述轮廓；以及将被核准的医学图像集和相应 感兴趣结构作为新参考图像集添加到所述知识库。
【文档编号】G06T1/00GK103518194SQ201280022783
【公开日】2014年1月15日 申请日期:2012年3月21日 优先权日:2011年3月22日
【发明者】C·赞克维斯基 申请人:瓦里安医疗系统公司
最新回复(0)