CN108428233A - 基于知识的自动图像分割 - Google Patents

Abstract

一种用于医疗图像分割的方法。所述方法包括根据本发明的实施方案存取并更新知识库。所述技术包括：接收医疗图像，并且基于所述医疗图像内容计算稀疏界标标记图。接下来，在知识库中搜索代表性匹配数据以形成基本集，其中所述基本集包括多个参考图像集。使所述基本集的所述多个参考图像集的一部分变形以产生从所述基本集到所述医疗图像集的映射。最后，确定所述医疗图像集的每个目标结构的加权平均分割。

Description

基于知识的自动图像分割

本申请是申请号为“201180047162.5”、申请日为2011年07月21日、发明名称为“基于知识的自动图像分割”的发明专利申请的分案申请。

技术领域

本公开大体上涉及自动图像分割领域，更确切地说，涉及被配置来用于医疗应用的医疗图像自动分割领域。

背景

当必须进行医疗成像来观察内脏器官或一组内脏器官时，可以使用这样一些系统：X射线、磁共振成像(MRI)、计算机断层摄影术(CT)及其它系统。例如，使用CT或MRI成像时，拍摄三维体积的一系列二维图像。此时，每幅二维图像均为三维体积的横截面“切片”图像。可以将所得二维横截面切片集合组合在一起，以便形成患者解剖结构的三维图像或重现。所得的三维图像或三维重现将含有目标内脏器官。三维图像或重现中这个含有目标结构的部分可以称为目标体积。应注意，当需要观察多个内脏器官时，则也将存在多个目标结构。

可以通过一些方法来查看一个或多个这些目标结构。查看目标结构的第一种最简单的方法是仅查看患者的原始CT或MRI图像切片，每个切片都含有目标结构的视图。查看目标结构的第二种较为复杂的方法是需要将一系列二维横截面切片组合成单个三维表示，其中目标结构可以表示为实心物体、不透明物体或半透明物体等，然后这些物体可以被操作(例如，旋转)来从多个角度进行查看。

含有患病或异常组织或器官的目标结构的三维重现的一个用途是准备三维辐射疗法的治疗方案。辐射疗法治疗方案是在医疗程序期间使用，所述医疗程序选择性地将人体的精确区域(如癌性肿瘤)暴露于特定剂量的辐射下，从而破坏不良组织。为了制定患者专用的辐射疗法治疗方案，需要从三维模型中提取信息以便确定如下的参数：器官形状、器官体积、肿瘤形状、肿瘤在器官中的位置，以及一些其它目标结构相对于受感染器官和任何肿瘤的位置或定向。

可以在计算机屏幕上单独地查看二维切片，并且可以借助于传统的图形程序来手动地描绘出目标器官或结构的轮廓。轮廓是界定出目标结构轮廓的相连线段，所述目标结构可以是器官、器官的一部分、肿瘤、患病组织，或整个患者的外形。或者，在如脑或前列腺的特定器官中的这些目标结构可以用各种结构专用自动轮廓描绘和/或自动分割软件程序(将图像细分成离散区域)来进行识别，这些软件程序在一组切片的每个二维切片上勾画出或填充目标结构的形状。

发明概述

本发明提供一种针对医疗图像自动分割中的固有问题的解决方案。在根据一个实施方案的方法中，一系列步骤提供出基于知识的医疗图像自动分割。接收医疗图像之后，在知识库中搜索代表性匹配数据。选择多个参考图像集以形成基本集。使所述基本集中的所述参考图像集的一部分变形以产生从所述参考图像到所述医疗图像的映射。计算每个目标器官加权平均分割。在一个实施方案中，将每个目标器官的加权平均分割用作自动结构专用分割算法的种子。在另一个实施方案中，完成自动分割算法之后，根据需要进行检查和修正，将医疗图像及其相关的元数据(meta-data)、稀疏界标标记图以及目标结构添加到知识库中。

附图简述

结合附图阅读以下详细描述可以更好地理解本发明，在附图中，相似的参考标号代表相似的元件，其中：

图1是根据本发明的一个实施方案的简化方框图，其示出了一种用于提供基于知识的医疗图像自动分割的系统；

图2示出了根据本发明一个实施方案的示例性方法的步骤，所述方法用于基于知识的医疗图像自动分割；

图3示出了根据本发明一个实施方案的示例性方法的步骤，所述方法用于基于知识的医疗图像自动分割；

图4示出了根据本发明一个实施方案的示例性方法的步骤，所述方法用于知识库中一队参考图像集的基于知识的医疗图像自动分割；

图5示出了根据本发明一个实施方案的示例性方法的步骤，所述方法用于知识库中一队参考图像集的基于知识的医疗图像自动分割。

详细描述

现在将详细参考本发明的优选实施方案，这些实施方案的实施例在附图中图示。尽管将结合优选实施方案来描述本发明，但应了解，优选实施方案并不意图将本发明限于这些实施方案。相反，本发明意图涵盖所有替代方案、修改方案和等效方案，它们都包括在由随附权利要求界定的本发明的精神和范围内。此外，以下对本发明实施方案的详细描述中阐述了许多具体细节，以帮助深入理解本发明。然而，本领域的普通技术人员将认识到，可以在脱离这些具体细节的情况下实践本发明。在其它情况下，公知的方法、程序、部件和流程(circuit)将不做细节描述，以免不必要地模糊本发明实施方案的各个方面。

符号记法和命名法：

以下详细描述中的一些部分是以下述术语来给出：程序、步骤、逻辑块、处理以及对计算机存储器内的数据位的操作的其它符号表示。数据处理领域中的技术人员使用这些描述和表示来最有效地将他们的工作要旨传达给本领域的其他技术人员。程序、计算机执行步骤、逻辑块、方法等在此处并一般来说是理解成实现所需结果的自相一致的步骤或指令序列。步骤是指需要对物理量进行物理操作的步骤。尽管并非必要，但这些量通常是采取能够在计算机系统中存储、转移、组合、比较及以其它方式操纵的电信号或磁信号的形式。已证实，主要出于普遍使用的原因，有时可以适宜地将这些信号称为位、值、元素、符号、字符、项、数字等。

然而应牢记，所有这些术语和类似术语均意图与适当的物理量关联，并且仅仅是用于这些量的适宜标记。除非在以下讨论中另外明确地说明清楚，否则应了解，本发明全篇中利用如“处理”或“存取”或“执行”或“存储”或“呈现”等术语的讨论是指计算机系统或类似电子计算装置的动作(action)和处理，所述系统或装置将计算机系统寄存器和存储器以及其它计算机可读介质中的表示为物理(电子)量的数据操纵并转换成计算机系统存储器或寄存器或其它此类信息存储、传输或显示装置内的类似地表示为物理量的其它数据。当一个部件出现在一些实施方案中时，使用相同的参考标号来表明所述部件是与原始实施方案中所说明相同的部件。

本发明提供一种针对医疗图像自动分割中逐渐增多的固有问题的解决方案。具体来说，本公开的各种实施方案通过使用包括多个参考图像集的知识库来提供患者二维医疗图像的自动分割，其中每个参考图像集都包括多个二维切片。参考图像集中的每个切片均已经过分割和轮廓描绘，其中每个目标结构(例如，器官、肿瘤、患病组织等)均已做标记。如以下的详细讨论，选择与医疗图像集具有相似性(例如，相似的稀疏界标标记图)的多个参考图像集以形成基本集，并且用可变形图像配准算法使每个参考图像集变形，以产生从所选参考图像到医疗图像的映射。同时使每幅所选参考图像中经过分割的目标结构向医疗图像作变形，以产生到医疗图像的映射。计算每个目标器官的加权平均分割，其中每个目标器官的加权平均分割用作结构专用自动分割算法的“种子”。每个目标结构的自动分割算法完成后，根据需要检查结果并修正轮廓。认可医疗图像之后，将医疗图像及其相关的元数据、稀疏界标标记图以及目标结构添加到知识库中。

医疗图像分割

如本领域中所公知，图像分割是一种用于检查数字化医疗图像，并且基于所述医疗图像的价值来区分或识别目标结构并对其进行标记的方法。例如，当使用图像分割来检查胸腔的医疗图像时，可以绕图像中的一段画一条线，并且标记为“肺”。换句话说，线内的一切被视为肺，而不在线内的一切均不属于肺。图像分割是用于辐射疗法中，在辐射疗法中，医师需要精确地限定要进行辐射治疗的位置，并且同样重要地，限定不应实施辐射治疗的位置。目标结构可以定义为：器官、肿瘤、患病组织；以及例如医疗图像中可见的骨。上述的CT和MRI扫描是常见的医疗图像模态。然而，在医师需要区分图像中的目标结构的情况下，可以对任何二维图像进行分割。在生成多个切片的CT和MRI扫描中，通常依次对每个切片进行分割。出于简明便利的考虑，例如，分割CT扫描涉及依次分割每个切片。

例如，医疗图像分割被用于IMRT(调强辐射)以在人体中绘制辐射区，或者调整辐射范围以符合肿瘤形状。分割是核心优势：当可以调整辐射治疗的范围以符合肿瘤形状时，可以避开要害器官。除了仅仅适配或调整辐射疗法范围以适应肿瘤之外，例如，可以避开如脑干的要害器官。示例性辐射疗法使用笔状辐射束，将辐射定位在人体的目标位置处。然而，为此，运行IMRT治疗的计算机需要知道脑干的位置。IMRT的治疗规划软件拍摄医疗图像(例如，CT或MRI数据集)，并且识别所有风险目标器官或结构(尤其是对辐射敏感的那些结构，或者无论辐射敏感性如何均不得进行辐照的结构)。此外，也识别出成为辐射疗法标靶的那些目标结构。将在单独切片上绘制的结构组合成横跨多个切片的目标体积。给定绘制的体积以及指定用于所识别的每个体积的剂量时，治疗规划软件就将计算出施用剂量的最佳方法。

但是随着医疗成像分辨率的提高，额外的切片数量、必须识别的结构数量，以及识别这些结构所必须的精确度也相应地提高，因此治疗规划过程耗时更久。这在每个切片必须手动进行分割时尤为明显。然而，即使使用当前可用的自动分割算法，医师通常仍然需要手动地将种子放入图像中，并且必须对每个切片进行单独地检查。“置放种子”是指医师借以选择医疗图像中一个区域内的点，并将这些点识别为特定目标结构(例如，前列腺、膀胱或股骨)的一部分的方法。因此，可能在对每幅医疗图像手动播种(seeding)中耗费过多时间。但是，即使在自动分割算法的播种完成之后，医师通常也需要对分割和轮廓描绘结果加以编辑以对其修正。这种编辑工作是必需的，因为自动分割结果通常将产生一些分割和/或轮廓描绘误差，需要医师加以编辑来修正。最终结果是即使使用自动分割软件工具，所需的时间通常也仅稍短于手动分割；而且必需置放种子，然后频繁地花费大量时间来编辑以便修正自动分割和自动轮廓描绘软件结果。

自动分割还因以下因素而变得进一步复杂：自动分割工具通常是针对特定结构特制的，这样使得所述工具仅适用于某些内脏器官。例如，使用边缘检测的自动分割工具难以单独地自动分割膀胱和前列腺，因为它们无法被单独区分。当膀胱充盈并且与前列腺接触时，无法看出前列腺和膀胱的障壁。最终结果是难以判定一个器官的终止位置和另一个器官的起始位置。取而代之，用于前列腺的自动分割工具不得不依赖于建模并查看膀胱和前列腺的曲率。当然，即使在使用结构专用自动分割工具时，仍然需要将单独的种子放入每个目标结构中。

基于知识的图像自动分割

图1示出了根据本发明一个实施方案的知识库100。知识库100包括多个参考图像集102a至102n。每个参考图像集102a至102n都包括三维体积的二维切片。每个参考图像集102a至102n进一步包括元数据、与每个参考图像对应的稀疏界标标记图，以及与每个单独参考图像切片中所见目标结构对应的多个分割段和轮廓。

在一个示例性实施方案中，知识库100起初包括多个专家案例。这些专家案例中的每一个都含有参考图像集102a至102n，其具有已被单独手动绘制出的诸多分割部分和轮廓部分。每个目标结构都已做标记。

在知识库100的另一个实施方案中，初始多个参考图像集102a至102n共享共同特征。例如，知识库100中的每个参考图像集102a至102n都具有共同元数据特征，如人种、性别、诊断、治疗单位、年龄，以及患者体型等。主要用于治疗东方患者的知识库100与主要用于治疗例如欧洲患者的知识库100有所不同。类似地，专用于女性患者的知识库100只需要包括女性患者的参考数据集102a至102n。

图1进一步示出了医疗图像处理模块110。医疗图像处理模块110接收当前患者的图像集，所述图像集称为医疗图像集112。医疗图像处理模块110对医疗图像集112进行处理，以将每个图像切片简化成稀疏界标标记图。最终结果是稀疏界标标记图集114。

基于医疗图像切片的稀疏界标标记图将允许忽略医疗图像集中所含的最多90％的信息。稀疏界标标记图将单独的切片简化成唯一的供进一步处理的点集，而不是在医疗图像集112的每个切片中逐像素运行算法，这将耗费过多的计算时间和资源。

例如，前列腺癌男性患者的医疗图像集112具有特定的稀疏界标标记图集114。如果诊断为前列腺癌，则医疗图像集112的三维体积位于人体的中间。由于骨盆带限定了前列腺的位置，因此从上到下扫描单独的切片，查找第一个骨示例(明亮强度的图像像素)。针对骨盆带的两侧完成所述操作，以允许识别出股骨头的位置。接下来，也确定出骨盆带终止的位置。由这三个点形成的三角形几乎始终可以确定前列腺的位置。因此，这三个点是作为医疗图像集112的稀疏界标标记图集114的部分来包括。将所述点排齐来形成标记图。点的排列允许基于点的分割。将点安置就位之后，就不再需要较复杂的医疗图像切片。在一个示例性实施方案中，一旦选定所有点，就存取自动分割工具库来选择上述实施例中的骨盆带的图或模型，并且拉伸所述图或模型直到所有的点排齐。无论轮廓的形状如何，现在将考虑供进一步细化的起始点。

然而，仍然必须谨慎以免混淆自动分割工具。使用最小稀疏界标标记图的情况下，算法可能将头和颈的标记图(脊柱和肩)误认为是骨盆带。因此，在示例性实施方案中，稀疏界标标记图中还包括其它特征。将计算标记图中点的总数。例如，如果标记图中含有十二个点，那么可以排除前列腺案例。具有十二个点的标记图识别出的是头和颈案例而不是前列腺。因此，例如，根据识别出十二个点的标记图完整检查，将在头和颈库中搜索头和颈模型而不是搜索骨盆带模型。

如图1中进一步图示，生成医疗图像112的稀疏界标标记图集114后，可以根据与当前患者医疗图像集112和对应稀疏界标标记图集114的相似性来选择参考图像集102a至102n。在本发明的一个示例性实施方案中，选择多个参考图像集102a至102n。示例性实施方案可以选择从少到三个参考图像集102a至102n到多达十个或更多个参考图像集102a至102n。在一个示例性实施方案中，选择三个参考图像集102a至102c。所选参考图像集102a至102c成为基本集116。

在本发明的一个示例性实施方案中，医疗图像处理模块110通过检查当前医疗图像集112所附的元数据来开始参考图像集102a至102n的选择过程。如本领域中所公知，元数据可以包括与特定患者相关的位于极高阶的信息，所述信息并未特别地私人化。所述信息可以包括以下细节：年龄、性别、诊断、体重、是否存在淋巴结转移、任何共病现象(co-morbidity)、治疗单位、体侧，以及肿瘤的大致位置。当前医疗图像集112所附的可用元数据是用于在知识库中进行搜索，查找参考图像集102a至102n所附的元数据的对应匹配数据。通过使用元数据，可以对知识库进行分类，以便在具有识别晚期肺癌男性患者的元数据的示例性医疗图像集中，仅查看在身体同一侧带有肺肿瘤的男性的参考图像集。在知识库中，根据与当前医疗图像集112元数据和稀疏界标标记图的相似性来选择最匹配的参考图像集102a至102c匹配数据。

如上文的示例性实施方案所述，基本集116含有范围在三个至十个或更多个参考图像集102a至102n中的任何数目的参考图像集。选择多个参考图像集102a至102n，以减少每个单独参考图像集102a至102n中的固有误差。很明显，单个参考图像集102a至102n并不完全匹配；参考图像集102a至102n与医疗图像集112之间将存在某种程度的不一致。基本集116中的多个参考图像集102a至102n允许形成统计学模型来用作参考图像。

在本发明的一个示例性实施方案中，所选参考图像集102a至102c中的每一个(在本示例性实施方案中，选择三个参考案例)均单独地向医疗图像集变形。换句话说，每个参考图像集102a至102c(一次一个切片)的稀疏界标标记图中的点向医疗图像集112的稀疏界标标记图集114变形。在一个示例性实施方案中，可变形图像配准算法将取所选参考图像集102a至102c以及无分割或轮廓描绘的医疗图像集112，并且一次一个地使参考图像集102a至102c中的每一个变化形态，并且一次处理一个切片以与医疗图像集112类似。配准算法还将每个参考图像集102a至102c的轮廓向医疗图像集112转移。轮廓各自随着标记一起转移。通过使三个所选参考图像集102a至102c中的每一个向医疗图像集112变形，对像素加有标签的轮廓将随着像素的移动而移动。每个参考图像集102a至102c中的每个点都向医疗图像集112中的点变形。在本发明的另一个实施方案中，基本集中的所选参考图像集102a至102n的一部分向医疗图像集变形。所述部分可以是参考图像集102a至102n中的一个或多个。

由于多个参考图像集102a至102c单独地向医疗图像集112变形，因此本发明的示例性实施方案使用基于统计学的算法，而不是仅使用基于图像的算法。通过取三个参考图像集102a至102n向医疗图像集112变形的结果并且求平均值，统计学处理提供的最终结果将是三个(或者所选任何数目的)参考图像102a至102c的平均值。在统计学上，前三个参考的平均值更可能集中得出比三个中的任一个被单独校正时更为准确的结果。因此，如图1所示，医疗图像处理模块将使基本集116向医疗图像集112的稀疏界标标记图114变形，以形成含有医疗图像集112中的目标结构的分割和轮廓描绘的统计学模型118。

在一个示例性实施方案中，借此提供加权平均分割以形成统计学模型118。如果所有三个参考图像集102a至102c高度一致，则三者的简单平均值足以满足要求。但是，如果其中两个十分吻合，而第三个得出界外值(outlier)(例如，特定目标结构的轮廓或分割结果不同于其它结果)，那么可以降低第三个结构的界外值在统计学模型118中的重要性，做出所述界外值不正确的假设。例如，加权平均分割将检查统计学模型118中识别出的每个目标结构的结果的标准偏差。当出现界外值时对结果进行加权的简单方法是舍弃界外值结果。应注意，统计学加权平均并不适用于患者，也就是医疗图像集112，而是适用于医疗图像集112内所得目标结构中的每一个。换句话说，在示例性实施方案中，三个参考图像集102a至102c之间的加权组合数可以与目标结构数一样多。因此，统计学模型118提供了供进一步分割处理的良好起始点。凭借一定程度的统计学必然性，统计学模型可以识别出(例如)前列腺和肺，即使外形轮廓不理想时也是如此。也就是说，至少轮廓内的内容已被识别为前列腺或肺，视情况而定。

在一个示例性实施方案中，当向统计学模型118提供的加权平均分割未得到医师认可时，将选择同样含有共同元数据特征和类似稀疏界标标记图的其它参考图像集，并且将其添加到基本集116中以向医疗图像集112配准(即，变形)。在一个示例性实施方案中，其它参考图像集一次一个地进行添加。此外，如上所述，与原始的三个参考图像集相同，新添加参考图像集的稀疏界标标记图也向医疗图像集的稀疏界标标记图变形。统计学处理后，向统计学模型118提供更新的加权平均分割以供医师检查。可以根据需要向基本集116添加其它参考图像集，只要其它候选参考图像集仍在知识库100中并且将它们添加到基本集116中持续改进统计学模型118的加权平均分割即可。

所选参考图像集102a至102n也包括对应的治疗处方、策略和IMRT剂量目标。也通过向所选参考图像集中的每一个提供治疗处方、策略和IMRT剂量目标，所述参考图像集可以提供针对当前患者的合理起始点。此外，也可以通过检查参考图像集中不基于图像的部分(形状、体积、平滑度、密度等)来评估统计学模型118的统计学参数，从而细化所得的统计学模型118和所更新的统计学模型120。

基于知识的图像子体积(sub-volume)分割

在一个示例性实施方案中，如图4所示，针对知识库中来自多个患者案例的医疗图像集的多个目标结构或“子体积”来重复上述用于医疗图像集112和包括多个参考图像集102a至102n的基本集116的方法。子体积通常只包括单个目标结构，而不是医疗图像集中得到的所有目标结构。为医疗图像集112的每个所识别的目标结构412a至412n选择多个参考图像集子体积402a至402n，分组为子体积基本集416a至416n。换句话说，为医疗图像集中的每个子体积(即，目标结构)选择多个参考图像集子体积402a至402n。例如，对于前列腺的医疗图像集子体积，将从参考图像集中选择多个前列腺子体积。换句话说，只选择参考图像集102a至102n的前列腺子体积412a至412n，而不是整个参考图像集102a至102n。此外，在一个示例性实施方案中，数目是三个。因此，每一多个参考图像集子体积都是特定目标结构的子体积基本集。医疗图像集112中的每个目标结构412可以有一个子体积基本集416。

如上针对参考图像集102a至102n和医疗图像集112所述，通过相同方式，每个参考图像集子体积402向医疗图像集112的对应目标结构412变形，如同每个参考图像集102向医疗图像集112变形。此外，如上所述，在本发明的另一个实施方案中，多个子体积基本集416中所选参考图像集子体积402a至402n的一部分向医疗图像集112中的目标结构412a至412n变形。所述部分可以再次是参考图像集子体积402a至402n中的一个或多个。当如上所述完成医疗图像集112中每个目标结构的加权平均分割时，每个目标结构或子体积412a至412n也具有对应稀疏界标标记图集414，所述稀疏界标标记图集也是医疗图像集112的稀疏界标标记图集114的一部分。通过选择参考图像集102(及其对目标结构的对应稀疏界标标记图414)的特定目标结构402(即，最佳候选物)以向医疗图像集112(及其对应稀疏界标标记图414)中的对应目标结构412变形，可以进一步改善用于形成统计学模型118的每个目标结构412a至412n的所得加权平均分割。这是因为只考虑单个子体积402或目标结构，而不是寻找与患者解剖结构全面完好匹配的参考图像集102候选物。因此，并非是所有目标结构的良好候选物的参考图像集102仍然可以是良好的子体积候选物。

持续的知识库改进

然而，为了用知识库100获得更好结果，需要将其它参考图像集添加到知识库100中。换句话说，可以在医师已完成患者专用治疗计划并认可医疗图像集中目标结构的分割和轮廓描绘后，将其它临床案例连同其患者专用元数据、医疗图像集、稀疏界标标记图、统计学模型都添加到知识库中。在医师已检查、编辑(根据需要)并认可分割结果之后，目标患者的信息可以成为具有其自有随附元数据和治疗信息的新参考图像集，所述参考图像集将放入知识库中来增加可用的候选参考图像集的数目。当下一次出现具有类似元数据等的患者时，可以再次将这个新参考图像集用作基本集的一部分。即使是在使用相当私人化且患者专用的药物的情况下，所述的这些方法也允许建立闭合环路(closed loop)；方法的每次重复均允许将新参考图像集102添加到知识库中。因此，向知识库100添加的参考图像集102越多，知识库100就更加稳健，从而改善的统计学建模并获得更好的最终结果。随着更多的参考图像集102被放入到知识库100中，可以根据其它标准来进一步细化搜索，从而确保所选的参考图像集102a至102n与医疗图像集112紧密匹配。

用作种子的统计学模型

在一个示例性实施方案中，带有每个目标结构的加权平均分割的统计学模型118可以用作种子本身。与需要在处理开始之前手动地选择种子的传统结构专用分割工具不同，可以通过从统计学模型118中识别出的目标结构来提供种子。通过提供在统计学上可能在目标结构内以像素进行绘制的种子，可允许任何前述分割方法都能够以经过改进的种子选择开始。此外，使用目标结构的统计学模型加权平均分割使得这些其它分割方法能够避免从头开始。

尽管没有保证正确分割目标结构，但是存在良好的统计学可能性，即：目标结构分割中间的像素集群将位于实际的目标结构内。在一个示例性实施方案中，然后将这种统计学显著像素的中心集群用作其它自动分割算法的“种子”。

在一个示例性实施方案中，如图1所示，并且如下文更详细所述，统计学模型118被用作可变形图像配准的种子，并且用于驱动结构专用自动分割工具130a至130n的自动分割部件。在一个示例性实施方案中，自动分割工具130a至130n可以是结构专用分割工具，或者非结构专用分割工具。当自动分割工具130a至130n向医疗图像处理模块110返回分割结果时，所述结果可以用于形成更新的统计学模型120，随时统计学模型包括医疗图像集112中每个目标结构的加权平均分割，如下文详细所述。

自动分割工具130a至130n使用统计学模型118所提供的种子来计算一个或多个目标结构的分割。这些结构专用分割算法可以使用结构专用模型来协助完成分割，所述分割将检查已被标记为目标结构(例如，前列腺或肺)的种子的图像内的所有数据。这赋予结构专用算法一个非常好的起始点。结构专用算法在用于设计所述算法来进行分割的特定结构时最为有效。

统计加权平均也可以扩展到这些不同算法的统计加权平均，具体取决于所述算法的能力以及是否拥有关于特定元数据或图像的能够使得一个算法比另一个算法更为精确的因素。这允许通过比较多个结构专用算法的结果将多个算法的结果取平均值，以达到目标结构的在统计学上更精确的定义。最终结果是，医疗图像处理模块计算更新的统计学模型120，所述统计学模型包括医疗图像集112中每个目标结构的加权平均分割。如上所述，这种更新的统计学模型120在经过医师的检查、编辑和最终认可适用于当前患者之后，可以作为新参考图像集102添加到知识库中。

基于知识的自动分割算法改进

在一个示例性实施方案中，上述方法可以包括通过执行差异计算对统计学工具的更新。差异计算将系统计算的结果与最终由医师接受的结果进行比较，识别不合要求的点，并且采取措施来修改算法的性能。通过对差异进行反投影(back-projecting)来对算法配置做出改变，直到达到最佳解决方案结果。可以调整加权函数以达到最佳结果。

换句话说，例如如果系统未能识别出骨盆案例，则必需调整稀疏界标的选择，以便正确识别出骨盆案例。在另一实施例中，如果位置正确，但分割/轮廓结果不正确，则可能必需改变变形图像配准识别目标结构的方式。例如，如果目标器官的计算边缘与手绘边缘之间存在间隔，则可以调整边缘检测算法以对其做出修正。如果了解间隔的位置以及做出修正的位置，则修正即可作用于特定算法中以做出改进。

基于知识的自动分割方法

图2示出了根据本发明一个实施方案的方法的步骤。在所述方法包括已详细说明的步骤的情况下，这里将不再重复这些步骤。在步骤202中，加载新医疗图像集112。医疗图像集112可以加载到计算机系统的存储器中。在步骤204中，提取界标特征(即，医疗图像集112上的点)以形成稀疏界标标记图114。

在步骤206中，扫描知识库100以搜索具有类似稀疏界标标记图114和类似元数据的参考图像集102a至102n。在一个示例性实施方案中，稀疏界标标记图114用作知识库100的索引。在步骤208中，选择n个参考图像集102a至102n以形成基本集116。在一个示例性实施方案中，n＝3。在步骤210中，将参考图像集102a至102n的一部分向医疗图像集112配准。这个部分可以是两个或更多个所选参考图像集102a至102n。在一个示例性实施方案中，配准所有所选参考图像集102a至102n。通过使参考图像集向医疗图像变形，参考图像集中经过分割和轮廓描绘的目标结构也被应用于医疗图像集。

在步骤212中，完成加权平均结构专用分割以形成统计学模型118。换句话说，计算每个结构的加权平均以达到加权平均结构分割。如上所述，统计学模型118现在可以用作用于其它分割工具(包括结构专用的分割工具)中的种子。

在步骤214中，医师或用户检查、编辑并认可分割结果。在步骤216中，在可能的情况下计算并改进结构专用统计参数(通过检查参考图像集中不基于图像的组分(形状、体积、平滑度、密度等))。然后在步骤218中，用医疗图像集112及其对应结构集(统计学模型118)、稀疏界标标记图集114以及元数据作为新参考图像集102来更新知识库。

图3示出了根据本发明一个实施方案的方法的步骤。在所述方法包括已详细说明的步骤的情况下，这里将不再重复这些步骤。步骤302在已计算出统计学模型118后开始。在步骤302中，进一步估算每个经过分割的目标结构的统计学参数。在步骤304中，将医疗图像集112的子体积412a至412n加载到计算机中进行处理，其中子体积含有或者是目标结构。这些子体积412a至412n是目标结构，所述目标结构自有的稀疏界标标记图414已在图2中分割，如上所述。换句话说，每个子体积412a至412n包括子体积稀疏界标标记图414。在步骤306中，为医疗图像集112中的每个目标结构(即，子体积)加载n个参考图像集子体积402a至402n，以形成对应子体积基本集416a至416n。在一个实施例中，n＝3。多个子体积基本集416a至416n中的每个参考图像集子体积402a至402c被选用于医疗图像中的对应目标结构412a至412n。在一个实施方案中，每个参考图像集子体积402可以来自不同的参考图像集102。换句话说，如果医疗图像集112中有十五个目标结构，则将有四十五个参考图像集102a至102n，提供含在十五个子体积基本集416a至416n中的四十五个必要参考图像集子体积402a至402n。在另一个实施方案中，单个参考集102可以提供多个参考图像集子体积402a至402n。

在步骤308中，将参考图像集子体积402a至402n的一部分以及其经过分割和轮廓描绘的目标结构向医疗图像集112的对应目标结构412a至412n变形或配准。所述部分可以是两个或更多个所选参考图像集402a至402n。在一个示例性实施方案中，将所有所选参考图像集子体积402a至402n配准或变形。每个子体积基本集416a至416n的参考图像集子体积402a至402n向医疗图像集112的对应目标结构412a至412n变形。在步骤310中，计算医疗图像集112中每个目标结构412a至412n的加权平均分割值。计算医疗图像集112中每个目标结构412a至412n的加权平均分割值允许计算更新的统计学模型118。

在步骤312中，将统计学模型118中的每个目标结构412a至412n用作种子，并且通过多个结构专用分割工具对每个目标结构进行后处理。将每个目标结构分割用作多个结构专用分割工具的种子。在步骤314中，根据由结构专用分割工具提供的每个目标结构412a至412n的分割结果，计算每个目标结构的加权平均分割结果。如上所述，每个目标结构412a至412n的加权平均分割结果是更新的统计学模型120。

在步骤316中，医师或者用户检查、编辑并认可步骤314的加权平均分割结果。在步骤318中，在可能的情况下计算并改进结构专用统计参数(通过检查参考图像集中不基于图像的组分(形状、体积、平滑度、密度等))。然后在步骤320中，用医疗图像集112及其对应结构集(统计学模型120)、稀疏界标标记图114以及元数据作为新参考图像集102来更新知识库。

图5示出了根据本发明一个实施方案的方法的步骤。在步骤502中，选择知识库内共享共同特征的一队患者或参考图像集102a至102n。这些共同特征可以包括诊断、性别、年龄、人种、治疗单位等。在步骤504中，使所述队列中的所有成员变形成单个汇总数据集，从而形成单个代表案例。在步骤506中，对目标结构的辐射疗法及相关辐射疗法剂量进行几何分析。在步骤508中，将队列代表与其它队列代表案例进行比较。

尽管本文公开了某些优选实施方案和方法，但本领域中的技术人员可以轻易地从前述公开内容中了解，可以在不脱离本发明精神和范围的情况下得出此类实施方案和方法的变化方案和修改方案。本发明意图仅限于由随附权利要求书以及适用法律的规则和原则要求的范围。

Claims (16)

1.一种用于分割新图像数据集的方法，所述方法包括：

访问统计学模型，所述统计学模型包括多个目标结构的加权平均分割；

接收医疗图像集，所述医疗图像集包括所述多个目标结构中的一个目标结构；

使用所述统计学模型来提供种子，所述种子标识作为所述目标结构的一部分的所述医疗图像集中的点；

在知识库中搜索与所述医疗图像集的代表性匹配以形成基本集，其中所述基本集包括多个参考图像集；

使所述基本集的所述多个参考图像集的一部分变形，以产生从所述基本集到所述医疗图像集的映射；

使用由所述统计学模型提供的所述种子来确定所述目标结构的加权平均分割；以及

用来自所述目标结构的所述加权平均分割的结果来更新所述统计学模型。

2.根据权利要求1所述的方法，其中所述基本集由所述知识库中共享共同特征的一队参考图像集形成，其中所述共同特征包括以下各项中的至少一项：性别、诊断、病期、应答者与非应答者、年龄、治疗单位以及体型。

3.根据权利要求1所述的方法，还包括：

基于所述医疗图像集来计算稀疏界标标记图，其中所述稀疏界标标记图包括多个点，所述多个点标识所述医疗图像集中的所述目标结构；以及

使用所述稀疏界标标记图来选择包括在所述基本集中的所述参考图像集。

4.根据权利要求1所述的方法，其中使所述基本集的所述多个参考图像集的一部分变形，包括：

用可变形图像配准算法使所述基本集的所述多个参考图像集的所述部分变形。

5.根据权利要求1所述的方法，其中使所述基本集的所述多个参考图像集的一部分变形，包括：

使所述基本集的所述多个参考图像集的所述部分中的经过分割的目标结构变形，以形成到所述医疗图像集的映射；

使所述基本集的所述多个参考图像集的所述部分中的多个稀疏界标标记图中的点向所述医疗图像集的所述稀疏界标标记图中的点变形；

将来自所述医疗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

将所述医疗图像集的稀疏界标标记图与所述知识库中的所述参考图像集的稀疏界标标记图进行比较。

6.根据权利要求1所述的方法，还包括：

根据所述加权平均分割来检查并修正轮廓，以产生认可的医疗图像集；以及

将所述认可的医疗图像集以及对应目标结构作为新参考图像集添加到所述知识库中。

7.一种用于分割新图像数据集的方法，所述方法包括：

访问统计学模型，所述统计学模型包括多个目标结构的加权平均分割；

接收医疗图像集，所述医疗图像集包括所述多个目标结构中的一个目标结构；

使用所述统计学模型来提供种子，所述种子标识作为所述目标结构的一部分的所述医疗图像集中的点；

在知识库中搜索与所述医疗图像集的代表性匹配以形成基本集，其中所述基本集包括多个参考图像集；

使所述基本集的所述多个参考图像集的一部分变形以产生从所述基本集到所述医疗图像集的映射；

使用由所述统计学模型提供的所述种子来确定所述目标结构的第一加权平均分割；

在所述知识库中搜索与所述医疗图像集的代表性匹配以形成多个子体积基本集，其中一个子体积基本集包括多个参考图像集子体积；

使所述多个子体积基本集的所述多个参考图像集子体积的一部分变形，以产生从所述多个子体积基本集到所述医疗图像集的对应的子体积的映射；

使用由针对所述医疗图像集中的所述子体积的结构专用分割工具提供的分割结果，来确定针对所述医疗图像集中的所述子体积的第二加权平均分割；以及

用来自所述第二加权平均分割的结果来更新所述统计学模型。

8.根据权利要求7所述的方法，其中所述基本集由所述知识库中共享共同特征的一队参考图像集形成，其中所述共同特征包括以下各项中的至少一项：性别、诊断、病期、应答者与非应答者、年龄、治疗单位以及体型。

9.根据权利要求7所述的方法，还包括：

基于所述医疗图像集来计算稀疏界标标记图，其中所述稀疏界标标记图包括多个点，所述多个点标识所述医疗图像集中的目标结构；并且其中针对所述医疗图像集的所述稀疏界标标记图还包括针对所述医疗图像集中的所述子体积的多个稀疏界标标记图。

10.根据权利要求9所述的方法，其中使所述基本集的所述多个参考图像集的一部分变形，以及使所述多个子体积基本集的所述多个参考图像集子体积的一部分变形，包括：

使所述基本集的所述多个参考图像集的所述部分的多个稀疏界标标记图的点向所述医疗图像集的所述稀疏界标标记图中的所述点变形；以及

使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界标标记图的点向所述医疗图像集的所述多个目标结构的对应稀疏界标标记图中的所述点变形。

11.根据权利要求9所述的方法，其中在知识库中搜索代表性匹配以形成基本集，包括：

将来自所述医疗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；

将所述医疗图像集的稀疏界标标记图与所述知识库中的所述参考图像集的稀疏界标标记图进行比较；以及

将所述医疗图像集的每个目标结构的稀疏界标标记图与所述知识库中的参考图像集的对应目标结构的稀疏界标标记图进行比较。

12.根据权利要求7所述的方法，其中使所述基本集的所述多个参考图像集的一部分变形，以及使所述多个子体积基本集的所述多个参考图像集子体积的一部分变形，包括：

用可变形图像配准算法使所述基本集的所述多个参考图像集的所述部分变形；以及

用所述可变形图像配准算法使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变形。

13.根据权利要求7所述的方法，其中使所述基本集的所述多个参考图像集的一部分变形，以及使所述多个子体积基本集的所述多个参考图像集子体积的一部分变形，包括：

使所述基本集的所述多个参考图像集的所述部分中的经过分割的目标结构变形，以形成到所述医疗图像集的映射；以及

使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中的经过分割的目标结构变形，以形成到所述医疗图像集的所述对应目标结构的映射。

14.根据权利要求7所述的方法，还包括：

根据所述第二加权平均分割来检查并修正轮廓，以产生认可的医疗图像集；以及

将所述认可的医疗图像集以及对应目标结构作为新参考图像集添加到所述知识库中。

15.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质中嵌有计算机可读且计算机可执行的程序代码，以使计算机系统执行一种分割新图像数据集的方法，所述方法包括：

访问统计学模型，所述统计学模型包括多个目标结构的加权平均分割；

接收医疗图像集，所述医疗图像集包括所述多个目标结构中的一个目标结构；

使用所述统计学模型来提供种子，所述种子标识作为所述目标结构的一部分的所述医疗图像集中的点；

基于所述医疗图像集来计算稀疏界标标记图，其中所述稀疏界标标记图包括多个点，所述多个点标识所述医疗图像集中的所述目标结构；

在知识库中搜索代表性匹配以形成基本集，其中所述基本集包括多个参考图像集；其中所述稀疏界标标记图用于选择包括在所述基本集中的所述参考图像集，并且其中所述基本集由所述知识库中共享共同特征的一队参考图像集形成，其中所述共同特征包括以下各项中的至少一项：性别、诊断、病期、应答者与非应答者、年龄、治疗单位以及体型；

使所述基本集的所述多个参考图像集的一部分变形，以产生从所述基本集到所述医疗图像集的映射；

确定所述医疗图像集中的多个目标结构的加权平均分割；

使用所述目标结构的所述加权平均分割作为用于至少一个结构专用分割算法的种子；

用来自所述加权平均分割的结果来更新所述统计学模型；

根据所述加权平均分割来检查并修正轮廓，以产生认可的医疗图像集；以及

将所述认可的医疗图像集及对应目标结构作为新参考图像集添加到所述知识库中。

16.根据权利要求15所述的非暂态计算机可读存储介质，

其中所述使所述基本集的所述多个参考图像集的一部分变形，包括选自由以下各项组成的组中的操作：

用可变形图像配准算法使所述基本集的所述多个参考图像集的所述部分变形；

使所述基本集的所述多个参考图像集的所述部分中的经过分割的目标结构变形，以形成到所述医疗图像集的映射；以及

使所述基本集的所述多个参考图像集的所述部分的多个稀疏界标标记图的点向所述医疗图像集的所述稀疏界标标记图中的所述点变形；

并且其中所述在知识库中搜索代表性匹配以形成基本集，包括：

将来自所述医疗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

将所述医疗图像集的稀疏界标标记图与所述知识库中的所述参考图像集的稀疏界标标记图进行比较。