CN108926355A - 用于站立对象的x射线系统和方法 - Google Patents

Abstract

公开了用于站立对象的x射线系统和方法。一种系统包括：可移动的X射线管扫描仪；随X射线管扫描仪可移动的范围传感器；X射线检测器，其被定位以检测来自X射线管的、通过在X射线管和X射线检测器之间的站立对象的X射线；以及处理器，其被配置用于当对象站立在X射线管和X射线检测器之间的时候自动控制X射线管扫描仪来将X射线传输到患者的感兴趣的区。

Description

用于站立对象的x射线系统和方法

技术领域

本公开内容涉及X射线成像系统以及用于控制X射线成像的自动化系统和方法。

背景技术

X射线扫描典型地由技师手动地定位X射线管来将X射线扫描聚焦在患者身上感兴趣的区上而被执行。X射线管关于患者的定位和定向依赖于技师的主观决定，这经常导致在不同X射线扫描之间的不一致性。由于多个潜在的益处，X射线扫描仪自动化是合期望的。除了扫描工作流的改善的效率之外，X射线扫描仪自动化如与由技师手动定位X射线管所获得的X射线扫描相比还可以提供更好的扫描品质。

发明内容

在一些实施例中，一种方法包括：从范围传感器接收对象的范围数据，其中所述范围传感器随X射线管可移动，并且所述对象站立在X射线管和X射线检测器之间；并且当对象站立在X射线管和X射线检测器之间的时候，自动控制X射线管来将X射线辐射传输到对象的感兴趣的区。

在一些实施例中，一种系统包括：可移动的X射线管扫描仪；随X射线管扫描仪可移动的范围传感器；X射线检测器，其被定位以检测来自X射线管的、通过在X射线管和X射线检测器之间的站立对象的X射线；以及处理器，其被配置用于当对象站立在X射线管和X射线检测器之间的时候自动控制X射线管扫描仪来将X射线传输到患者的感兴趣的区。

附图说明

图1是从站立患者获取并且处理X射线图像的方法的流程图。

图2A是根据一些实施例的系统的照片。

图2B是在校准操作期间图1的X射线管、3D相机和X射线检测器的照片。

图3是在校准操作期间图1的X射线检测器的照片。

图4是收集患者图像的图2B的系统的示意图。

图5是使用机器学习来确定图4的患者的站立患者表面几何结构的方法的流程图。

图6是从表面模型到点云模型到多边形网格模型的进展。

图7是图5的方法的实施例的流程图。

图8是包括图2A的X射线获取系统的、用于获取和处理X射线图像数据的系统的框图。

图9是从其获取训练和测试数据以用于训练和评估的一组人的图解。

图10是示出了从其获取测试数据以用于评估的一组人上的界标的位置的图解。

具体实施方式

意图示例性实施例的该描述结合附图来被阅读，所述附图将被视为整个所撰写描述的部分。在描述中，相对术语、诸如“下部”、“上部”、“水平”、“竖直”、“以上”、“以下”、“向上”、“向下”、“顶部”和“底部”以及其派生词（例如“水平地”、“向下地”、“向上地”等等）应当被解释为指代如然后所描述的或如在讨论之时在附图中示出的定向。这些相对术语是为了描述的便利并且不要求以特定的定向来构造或操作装置。涉及附件、耦合等等的术语、诸如“连接的”和“互连的”是指这样的关系：其中结构直接地或间接地通过居间结构、以及可移动或刚性附件或关系这二者被紧固或附接到彼此，除非以其它方式明确地描述。

本公开内容描述了一种使用3D相机来用于X射线管扫描仪自动化以供为呈站立姿态的对象（例如患者）进行X射线成像的系统。

对于若干医学使用，合期望的是在患者呈站立姿态的情况下获得患者X射线（因为内部界标和骨结构的定位与躺下姿态相比是不同的）。以下描述的系统使用3D相机204来用于X射线管202的自动化以供为呈站立姿态的患者进行X射线成像。深度图像支持图像分析学。3D相机204可以是使用IR成像的基于红外（IR）的3D传感器，或来自使用一对彩色/灰色图像的立体相机。所述系统可以被包括在新的X射线系统中，或者可以通过对传统X射线扫描系统的附加和/或修改而被形成。在一些实施例中，3D相机204被装配成随X射线源可移动，所述X射线源适合用于为正站立在X射线检测器210前方的患者进行成像。3D相机204被直接装配到X射线管202，或二者都被附接到另一结构，因此没有3D相机204关于X射线管202的相对平移或相对旋转。

图2A示出了示例性的X射线系统200。在一些实施例中，3D相机204被装配在X射线管202上，如图2B中所示。一些实施例包括校准过程（以校准3D相机204与X射线管202），以及解析人体的范围图像（也被称作三维（3D）深度图像）以便使患者扫描过程自动化的方法。

装配了3D相机204、具有以下讨论的功能的x射线系统为技师提供若干益处，包括X射线管202的辅助的/自动化的定位以校准X射线管202与所期望的身体区。该自动化的定位避免了由于不正确的角度和定位所致的重复暴露。该系统还可以帮助为将被扫描的特定身体区设置适当的准直。在一些实施例中，技师可以从远程或遥远的位置控制X射线管202以用于若干扫描。

此外，详细的患者几何结构可以被获得并且使用来设置期望的X射线剂量。所估计的3D表面模型可以帮助确定获得高品质图像的x射线剂量而同时考虑到患者的安全。剂量可以被选择成将患者的X射线暴露限制到产生清楚X射线图像的最小量。例如，系统可以为较重的患者选择较高的剂量或者为瘦的患者选择较低的剂量。对于多数患者，较高的剂量可以提供较好的图像，然而剂量太高对于患者可能是有害的。系统可以基于用于患者安全的预定扫描指南来确定适当的剂量。

在一些实施例中，3D相机204随X射线管202可移动。在一些实施例中，可移动的X射线管202被直接附接到可移动的X射线扫描系统（未示出）。在其它实施例中，X射线管202和3D相机204二者都被装配到公共可移动的结构216，如图2B中所示。可移动的结构216可以被装配到轨道218上或轨道系统上，所述轨道系统包括至少一个纵向轨道218和至少一个横向轨道220。X射线管202被装配到水平臂224（图2B），所述水平臂通过第一步进电动机（未示出）关于其中央水平轴可旋转。水平臂224进而被装配到可伸缩的竖直立柱214。可伸缩的垂直立柱214通过第二电动机关于其中央纵向臂可旋转，并且通过致动器（未示出）被缩回或伸展以抬升或降低X射线管210。

系统200包括X射线检测器210，所述X射线检测器210可移动地被装配在台架（stand）212上。台架212相对固定；即，台架212可以被固定（例如用螺栓栓接）到包含系统200的房间的地面。台架212可以无限期地保持在该固定定位中，直到房间目的被改换或X射线检测器210被移除或替换为止。X射线检测器210被配置成在自动控制下通过步进电动机（未示出）被致动以在轨道222上向上和向下。

在根据一些实施例的示例中，3D相机204被添加到X射线扫描系统、诸如通过德国柏林西门子AG的“YSIO MAX”^TM系统，并且X射线检测器210和控制程序硬件和/或软件被替换。

系统200允许X射线源（X射线管202）的辅助或自动化的定位以与所期望的身体的感兴趣的区（ROI）对准。改善定位准确性、准直准确性和剂量准确性。这允许技师避免在由于不正确的角度所致的ROI的重复成像期间重复地将患者暴露到X射线。系统200可以帮助自动地设置适当的准直。当向技师分派了取若干扫描的任务时，系统200允许技师从远程或遥远的位置控制X射线管202。详细的患者几何结构可以被获得，并且患者表面模型可以用来设置期望的X射线剂量。

所估计的3D表面模型可以帮助确定获得高品质图像的x射线剂量而同时考虑到患者的安全。对于多数患者，较高的剂量可以提供较好的图像，然而剂量太高对于患者将会是有害的。系统可以基于用于患者安全的预定扫描指南来确定适当的剂量。

传感器安置

在3D相机204被装配以随X射线管202移动（而不是天花板上的固定位置）的情况下，3D相机204具有与X射线管202的视场（FOV）类似的FOV并且不被X射线管202挡住。

示例性系统的实施例生成对象（例如人）的个性化的3D网格模型，所述3D网格模型根据从深度相机、诸如由WA雷德蒙德的微软公司出售的“KINECT”^TM相机所获得的范围图像数据（以下被称为“3D深度图像”）来估计详细的身体姿态以及人形。这样的对人的个性化的3D网格模型在本文中被称为化身（avatar）。本系统的一些实施例通过使用来自3D相机204的单个快照而生成个性化的网格，所述3D相机204捕获穿着衣服的人的部分视图。本系统的实施例可以重构详细的身体形状（网格），甚至是根据身体的部分视图。各种实施例通过使用任何类型的深度相机传感器（例如可视的或红外线的）来从单个快照估计身体形状，而无论人是否穿着衣服。系统的一些实施例使用适当的传感器噪声统计建模来获得精确的身体姿态和形状。

3D相机204提供深度信息连同典型的图像信息、诸如RGB（红、绿、蓝）数据或近红外（NIR）。3D相机204可以是基于结构化光的相机（诸如由TW台北的AsusTeK Computer公司所出售的微软“KINECT”^TM或 “ASUS XTION”^TM）、立体相机、或飞行时间相机（诸如由新加坡的Creative Technology公司销售的“Senz3D”相机）。从深度相机获得的图像数据被称为3D深度图像，其中每个像素的值对应于像素距3D相机204的深度或距离。

一些实施例使用3D相机204用于X射线管202扫描仪自动化，以及基于机器学习的方法来在通过使用3D相机204所获得的3D深度图像中局部化身体界标。一些实施例使用被装配在X射线管202上的3D相机204来获取3D深度图像数据。由于X射线管202的移动性，本系统的实施例包括在3D相机204和X射线检测器210的坐标系之间的校准。

图1图示了根据一些实施例的用于X射线管202扫描仪自动化的方法。图1的方法变换患者的3D深度图像数据以生成患者模型并且执行X射线管202的自动化定位以获取患者的ROI的X射线图像。

在步骤102处，用户（例如技师）通过对站立在3D相机204与X射线检测器210中间的患者进行定位来对准3D相机204、患者与X射线检测器210，其中患者要么面向3D相机204站立、要么在他/她的背朝向3D相机204的情况下站立，如在图4中最好地看到的。

在步骤104处，一旦患者被定位在X射线管202和X射线检测器210之间，就通过使用3D相机204来获取患者的3D深度图像。控件被致动（例如按压按钮、对触摸屏上的图标进行触摸等等）来发起X射线管202的移动。X射线管202然后以粗精度移动到预定位置，使得3D相机204图像平面平行于X射线检测器210。在图2B的描述中所讨论的系统的校准过程期间确定这样的定位。当对象（患者）静止站立时，操作员致动控件来触发使用3D相机204的图像获取。在一些实施例中，系统然后使用图像分析学来获得详细的患者模型。在一些实施例中，在控制台/屏幕上显示所估计的患者模型。以下在图7的描述中讨论分析学的细节。3D相机204接收站立在3D相机204与X射线检测器210之间的患者的3D深度图像数据。在一些实施例中，响应于从用户（例如技师）、诸如按压触发按钮或对触摸屏上的控件进行触摸的用户所接收的输入而获取3D深度图像。

在一些实施例中，技师选择用于扫描的ROI，诸如对象的左膝。在其它实施例中，系统自动选择ROI。在一些实施例中，系统建议一组扫描协议细节（诸如准直区、剂量参数等等）。在一些实施例中，在通过使用被装配在X射线管202上的3D相机204而获取3D深度图像之前，X射线管202被自动移动到预定位置。例如，X射线管202可以相对于在地面以上大约一米的高度而被定中心，用以确保患者处于3D相机204的视场中。这可以是粗略的移动并且X射线管202不需要以精确的位置或以特定的定向被定位，因为患者的3D深度图像已经被校准到X射线检测器210的坐标系211。X射线检测器坐标系211是指其原点和轴由X射线检测器和检测器台架所定义的坐标系。在其它实施例中，在没有首先将X射线管202移动到预定位置的情况下获取深度图像。在该情况中，所述系统确定一个或多个预定的界标类型是否在3D深度图像中是可见的以使得深度图像被配准到X射线检测器210的坐标系211。如果不是，则X射线管202可以被重定位，并且可以获取另一3D深度图像。

在步骤106处，在X射线管202的（I,J,K）坐标系205和X射线检测器210的（P、Q、R）坐标系211之间的变换被计算。在一些实施例中，在X射线管202的（I,J,K）坐标系205和X射线检测器210的（P、Q、R）坐标系211之间的变换通过在3D相机204的坐标系205与X射线检测器210的坐标系211之间的变换来被估计（因为3D相机204被固定地装配以随X射线管202平移和/或旋转）。

在步骤108处，根据3D深度图像来计算患者模型。图5-10图示了根据本系统和方法的实施例的用于根据患者的3D深度图像而生成患者模型的方法。以下关于图5所讨论的方法可以用于实现图1的步骤108。

在步骤108处，根据3D深度图像所生成的患者模型被显示。例如，患者模型可以被显示在计算机的显示屏上或者X射线扫描仪本身的控制台上。所显示的患者模型可以示出被标记有所检测的身体区的患者的经重投影的图像。患者模型可以示出对所检测的界标的定位进行表示的框或交叉点。可替换地，所显示的患者模型可以示出对患者的身体进行表示的人体骨架模型。

在步骤110处，接收对所显示的患者模型上的感兴趣的区的用户（或自动）选择。例如，用户（例如技师）可以通过使用鼠标、触摸屏等等在所显示的患者模型的目标部分上点击而选择患者的感兴趣的区。

在步骤112处，系统基于参数模型来计算X射线准直（FOV）和/或X射线剂量。

在步骤114处，X射线管202被自动控制以获取感兴趣的区的X射线图像。特别地，X射线管202的定位和定向被自动控制以对准X射线管202与所选择的感兴趣的区。在一个实施例中，X射线管202可以被自动引导以与所选择的ROI对准，因为在X射线管202、3D相机204和X射线检测器210的坐标系——相应地（P,Q,R）、205和211之间的关系通过使用X射线管202的控制系统的X射线管202定位控制参数来被确立。一旦X射线管202与所选ROI对准，就通过使用X射线管202而获取感兴趣的区的一个或多个X射线图像。

为了实施X射线管扫描仪自动化，感兴趣的目标区的3D定位从3D相机204坐标系205被传递到X射线管坐标系（I，J，K）。根据本系统和方法的有利实施例，可以应用逆运动学以便确定接合角以及管基础定位以用于X射线管控制。为此，运动学校准用于确立在3D相机204与X射线管控制系统的运动学链之间的变换。如上所述，该运动学校准还可以在图1的步骤102中被使用以计算在3D相机204的坐标系205与X射线检测器210的坐标系211之间的变换。

返回到图1，在步骤116处，输出X射线图像。可以通过如下来输出X射线图像：在计算机系统的显示屏上显示X射线图像、打印X射线图像的物理拷贝、和/或将X射线图像存储在计算机系统的存储器或存储装置中。

如图2A中所示，X射线扫描装置包括X射线管202和X射线检测器210。X射线管202具有至少五个自由度（在三个方向上的平移、以及至少关于X射线管202的俯仰和偏航轴的旋转）以相对于X射线检测器210以及站立在患者X射线检测器210前方的患者而移动。这允许X射线管202移动到不同的定位和定向以捕获在X射线检测器210前方的患者的目标感兴趣区（ROI）的x射线图像。如图2B中所示，3D相机204被装配到X射线管202上。在图2B中，相机被装配到管的前侧上。在其它实施例（未示出）中，相机被装配到后侧上并且从图2B的视点将不可见。相机相对于X射线管202的安置可以在位置之间变化，使得当X射线管202被置于预设位置上的时候患者和/或台架212可以在3D相机204的视场内部。

例如，3D相机204可以被附接到X射线202的后侧，但是本系统和方法不限于此。计算机、诸如在图8中示出并且在以下描述的计算机与X射线管202以及3D相机204通信以控制X射线管202和3D相机204的操作。

图2A图示了根据本系统和方法的实施例的X射线管202的运动。如图2A中所示，基于X射线管202的机械规格，存在用于管运动控制的至少五个参数，包括三个平移参数：管纵向（X）、管横向（Y）、和管提升（Z）以及两个旋转参数（竖直旋转（Wz）和水平旋转（Wy））。如在图2A中最好地看到的，三个平移向量是正交的，并且两个旋转参数Wz和Wy具有不同的旋转轴。

如在图2B中所示和在以上所讨论的，3D相机204可以被附接到X射线管202的后侧。这贡献在3D相机坐标系205相对于X射线管202/准直器坐标系（I,J,K）之间的附加六个自由度的变换。3D相机坐标系205是指其原点和轴由3D相机定义的局部坐标系。X射线管准直器坐标系（I,J,K）是指其原点和轴基于X射线管202的坐标系205。每当X射线管202的定位和定向改变的时候，坐标系205的原点和轴改变。当X射线管202不在3D相机的视场内时，校准目标可以用于建立在3D相机坐标系205和X射线管坐标系（I,J,K）之间的联系。如以上所讨论的，目标可以被稳健地检测和标识以用于相对于X射线检测器210的坐标系211的相机姿态估计。这允许用于关闭X射线管控制的运动学链的环路。

在X射线管202被定位的情况下，操作员通过选择控件（未示出）、例如按压控制台上的“扫描”按钮而触发X射线扫描。

一旦执行了校准，对应于X射线管202的每个相应定位的3D深度图像就可以被用于相对于系统而定位患者。没有需要重复该校准，只要持有X射线检测器210的台架212没有移动。X射线检测器210的受控制的向上和向下运动（相对于台架212）以及X射线管202的移动二者都适应，无需重校准。

在一些实施例中，接收X射线管202的控制系统的管定位控制参数，并且通过使用运动学校准、基于X射线管202的控制系统的X射线管202定位控制参数来计算在3D相机204的坐标系205与X射线检测器210的坐标系211之间的变换。该实施例使能够实现在无需检测任何目标的情况下对X射线管202的自动化控制。

在一些实施例中，X射线管202定位控制参数（图2A）可以包括三个平移参数和两个旋转参数以控制X射线管202的定位和定向。与X射线管202的当前定位和定向相对应的X射线管202定位控制参数可以从X射线管202的控制系统被接收并且使用在运动学校准中。运动学校准对3D相机204的坐标系205与X射线检测器210的坐标系211以及X射线管202控制系统的运动学链的坐标系（I,J,K）进行校准。以下更详细地描述运动学校准。

校准

将3D相机204装配在X射线管202上的一个挑战是：3D相机相对于管准直器坐标系的定位不是提前已知的。在可移动X射线检测器台架212的情况下的另一挑战是：其相对于扫描室坐标系的位置从一个扫描室到另一个扫描室并不保持恒定。在一些实施例中，在X射线检测器210的台架212被安装或移动的任何时候、以及3D相机204被安装或相对于X射线管202被移动的任何时候执行校准操作。在一些实施例中，通过将圆形反射标记230安置在如图3中所示的X射线检测器210的表面上而进行校准。校准包括在与X射线检测器210对准的X射线管202的准直的情况下、通过使用3D相机204来获取至少一个3D深度图像。对于基于IR的3D相机，反射标记在从3D相机获取的原始IR图像中是可见的。对于基于立体的3D相机，可以从获取自立体相机的图像中检测反射标记。例如，霍夫变换可以被应用于原始IR图像以检测可见的圆形目标230。霍夫变换使用从图像提取的梯度信息并且基于所述梯度信息而在图像中检测圆形形状。可以基于所检测的标记定位、在相机的坐标系205中估计反射标记的3D位置。因此，可以确立在相机的坐标系205和检测器坐标系211之间的变换。由于准直在校准阶段期间与检测器对准，可以从相机的坐标系205与检测器坐标系211之间的变换得到在相机的坐标系205与准直的坐标系之间的变换。

图2B示出了执行校准过程的系统200。所述校准关联3D相机204的3D相机坐标系205与X射线管202的X射线管坐标系（I,J,K）。当通过X射线管控制系统的运动学链建立了关联的时候，X射线管202被自动引导，因此其准直器中心聚焦于3D相机坐标系205中的任何感兴趣的点上。在站立姿态扫描的情况中，X射线检测器210的坐标系211被用作参考坐标系，因为患者总是站立在检测器210的前方并且她/他的身体表面与检测器表面定向对准。

因此，校准的任务被转变成寻找两个固定但是未知的变换：

（1）M_CL：从3D相机坐标系205到X射线管准直器坐标系的变换。可以利用4×4矩阵来描述所述变换：

其中R _CL 是从3D相机204的FOV的轴到X射线管202的FOV的轴的轴的3×3旋转矩阵，并且t _CL 是从3D相机204的形心到X射线管202的形心的3×1平移向量，并且0是具有零的1×3向量。由于3D相机204被附接到X射线管202，所以该变换是固定的并且可以得自校准。

（2）M_DG：从检测器坐标系211到全局管坐标系（X,Y,Z）的变换。全局管坐标系是指X射线基坐标系。一旦在扫描室中安装了X射线系统，全局管坐标系的原点和轴就不改变（直到整个X射线系统被移动或重安装为止）。还可以利用如下4×4矩阵来描述所述变换：

其中R _DG 是3×3旋转矩阵，t _DG 是3×1平移向量，并且0是具有零的1×3向量。由于检测器台架212当它已经在扫描室中被安装的时候是固定的，所以变换也是固定的并且可以得自校准。

可以利用检测器210在各种已知管定位处的多个观察来估计这两个变换。更形式化地，检测器坐标系211中的点P_D可以通过两个路径被转移到全局管坐标系（X,Y,Z）：

其中M _DC 是从检测器坐标系211到相机坐标系（I,J,K）的变换，其可以得自在所获取的图像中所观察到的检测器界标，并且M _LG 是由管控制参数所控制的管控制系统的变换，所述管控制参数将管准直器坐标系中的点转移到全局管坐标系（X,Y,Z）。

在一些实施例中，从处于预定义高度的检测器210上的一组K个界标230（图3）和3D相机图像上的对应2D投影来估计变换M _DC ，这通过最小化2D重投影误差：

其中是3D到2D投影函数，其将相机的坐标系205中的3D点投影到其图像平面。在西门子Ysio系统的一个实施例中，九线交叉点用于界标（图3）。由于界标230来自平面表面，所以可以基于平面单应性来估计变换M _DC 。

通过X射线管系统的运动学链来确定变换M _LG 。在西门子Ysio X射线系统的情况中，它包括分离的水平和竖直旋转接合和3个自由度平移控制。因此，变换可以分解如下：

其中R _v 、R _H 是分别地通过竖直旋转接合和水平接合的角度所确定的3×3旋转矩阵；t _a 是通过平移控制参数所确定的3×1平移向量，并且t _b 是在两个旋转接合之间的固定的3×1平移向量。根据制造商的机械规格，这些矩阵和向量可以得自当前管控制参数。

给定由3D相机204以各种管姿态所拍摄的检测器210的一组N个图像，可以通过基于等式（3）中将点从检测器210转移到全局坐标系（X,Y,Z）的两个路径来最小化3D点对准误差而获得最优M _DG 和M _CL 。即：

其中和是对于第i个图像的分别地从管准直器坐标系到全局管坐标系（X,Y,Z），以及从检测器坐标系211到3D相机坐标系205的变换。等式（6）中的优化可以通过使用非线性最小二乘求解器、诸如Ceres求解器开源C++库来实施。

利用这两个变换，执行两个任务：

（1）身体界标检测和区分割：这通过经由如下的变换首先将患者点云从3D相机坐标系205转移到检测器坐标系211来被完成：从3D相机坐标系205到管准直器坐标系的变换（1），从管准直器坐标系到全局管坐标系（X,Y,Z）的变换（2），以及从检测器坐标系211到全局管坐标系（X,Y,Z）的变换的逆的变换（3）。即：

（2）自动的管控制：3D相机坐标系205中的任何点P_C可以首先经由当前管控制参数而被变换到全局管坐标系（X,Y,Z）：

然后估计最优的管控制参数，使得从准直器中心发射的光场的中心被定在感兴趣的点处：

其中点P _L 是管准直器坐标系中期望的光场中心。可以通过非线性最小二乘来计算最优的变换，并且可以基于管机器人系统的机械运动学链的逆运动学而得到对应的管控制参数。

患者表面估计

在一些实施例中，所述系统和方法包括从通过使用3D相机204所获得的图像中自动生成人的个性化的3D网格模型（“化身”）。所述系统和方法的实施例提供对个性化网格生成方法的可视理解。数字图像经常由一个或多个对象（或形状）的数字表示所组成。在本文中经常在标识和操纵对象方面描述对象的数字表示。这样的操纵是在计算机系统的存储器或其它电路/硬件中实现的虚拟操纵。因此，通过使用在计算机系统内所存储的数据而在计算机系统内执行一些实施例。其它实施例通过使用专用集成电路（ASIC）而执行本文中讨论的功能的子集。

人的个性化的3D网格模型根据从3D相机204所获得的3D深度图像数据而估计身体姿态以及人形。这样的对人的个性化的3D网格模型在本文中被称为“化身”。在一些实施例中，所述系统和方法根据来自捕获人的部分视图的3D相机204的单个快照而生成化身。所述系统和方法可以生成化身而无论患者是否穿了衣服。一些实施例从身体的部分视图来重构详细的身体形状（网格），包括估计衣着下的人的身体形状。

为了生成人的化身，所述系统使用基于模型的途径来将人体骨架模型拟合到人的深度图像数据。所估计的姿态骨架然后用于初始化在离线训练阶段中学习的详细参数化的可变形网格（PDM）。在（在线）测试阶段期间，PDM被优化以拟合来自3D相机204的输入深度数据，这通过扰乱身体姿态和形状以将PDM拟合到深度数据。一些实施例使用这种基于采样的途径来适应对象的衣着变型。而且，基于采样的途径适应由于传感器噪声所引入的偏置。

在一些实施例中，技师首先通过从剖面视点观察患者轮廓而粗略地估计扫描区的患者等中心点，并且然后将患者等中心点近似地与X射线管202对准。所述系统和方法生成准确地拟合患者的化身，所述化身然后用于更准确地计算扫描区的等中心点。一些实施例生成准确地将患者拟合到来自3D相机204的深度图像的化身，并且化身可以代替于定位片（topogram）被使用以预测患者身体中的器官的定位以便确定扫描区（ROI）。这可以提供对扫描范围的更准确的估计并且减少患者对辐射的暴露。

图6图示了通过使用点云和多边形网格而表示表面的示例。如图6中所示，可以通过使用点云602和多边形网格604来表示人身体表面600。在计算机图形学中，3D对象形状通常由600所指示的三维（3D）表面X所表示。表示3D表面的两个普及方式是使用点云602（通过对表面600进行点采样而生成）以及使用多边形网格604（通过对表面600的多边形近似所生成）。点云602通常被视为对象表面600的传感器读数的收集，其中云602中的每个元素表示表面点的3D坐标。尽管点云与其它模型相比可以在计算上是更加可管理的，尤其是对于复杂表面，但是点云丢弃关于表面连续性的信息，包括表面连接性的拓扑。表面X的点云602可以被表示为。这是用来表示从3D获取设备、诸如3D相机204获得的数据的常见方式。

多边形网格604是限定对象形状的顶点和边的收集。表面X的多边形网格604可以被表示为，其中表示顶点，并且包括对当前多边形的边进行限定的顶点索引。三角形通常被用作网格中的多边形，并且每个三角形t _k 通过使用三个顶点和三条边而被表示。本公开内容不限于使用三角形的多边形网格，并且其它多边形、诸如四面体可以用于多边形网格中。

一些实施例使用人身体的经学习的参数可变形模型（PDM）来生成针对患者的化身。PDM将完整的人身体变形划分成两个分离的变形、姿态和形状变形，其中姿态变形可以进一步被划分成刚性和非刚性的变形。在一些实施例中，通过使用包括一组三角形的多边形网格604来表示人身体。因此，在表示人身体的任何给定网格中的三角形可以被表示为具有某些变形的模板网格的三角形。模板网格中的三角形被表示为，并且每个三角形的两条边被表示为。然后，中的三角形可以被表示为：

其中是对于属于相同身体部分的所有三角形具有相同值的刚性旋转，是形状变形矩阵，并且是姿态变形矩阵。

为了从训练数据集中学习姿态变形模型，针对每个三角形t _k 而学习回归，所述回归根据其两个最近接合的扭曲而估计姿态变形矩阵，

在以上等式中，可以根据刚性旋转矩阵R来计算。如果给定，则可以容易地计算回归参数。然而，对于每个三角形的非刚性变形矩阵是未知的。因此，通过求解如下优化问题来求解针对每个三角形的变形矩阵：所述优化问题最小化在经变形的模板网格与服从平滑性约束的训练网格数据之间的距离。该优化问题可以被表述为：

其中第一项最小化在经变形的模板网格和训练网格数据之间的距离并且第二项是在属于相同身体部分的相邻三角形中优选类似变形的平滑性约束。w _s 是可以用于调谐平滑性约束的权重，并且在相邻三角形属于相同身体部分的时候等于单位矩阵I，并且在相邻三角形不属于相同身体部分的时候等于零。

在姿态变形模型的训练之后，网格模型可以被操纵以通过利用不同值来初始化刚性旋转矩阵R而形成不同的身体姿态。例如，训练姿态可以包括跳水姿态、面向前方站立的患者的模板姿态以及行走姿态。可以通过使用以具有不同姿态的多个训练实例所训练的姿态变形模型而获得姿态变形。

为了根据训练数据集而学习形状变形，主分量分析（PCA）被采用来将形状变形矩阵建模为特征空间的小集合的线性组合，

在等式（4）中，F是PCA系数β的函数，μ是均值向量，并且U是当进行PCA降维时的数据的特征向量。类似于姿态估计，针对每个三角形的形状变形矩阵S是未知的。再次，使变形的模板网格与服从平滑性约束的训练网格数据之间的距离最小化的优化问题用于估计矩阵S：

其中第一项最小化在经变形的模板网格和训练网格数据之间的距离并且第二项是在相邻三角形中优选类似形状变形的平滑性约束。

一旦获得了PCA参数（即特征向量集），网格模型就可以被操纵以通过扰动β而形成不同的身体形状（高到矮、重量不足到过重、强壮到苗条等等）。通过使用经训练的形状变形模型而获得形状变形。通过沿着第一主分量(β)的方向的PDM形状变形而获得的形状变形。例如，变形可以包括通过使用经训练的形状变形模型而获得的重量不足身体形状的极端情况、表示平均身体的模板网格、以及通过使用经训练的形状变形模型而获得的过重身体形状的极端情况。可以通过使用以具有不同身体形状的多个训练实例所训练的形状变形模型而获得形状变形。

用于为PDM训练姿态变形模型和形状变形模型的训练过程使用大量3D网格训练示例。训练数据集可以从真实人体模型来被构建，其中高精度激光扫描仪从不同的视角捕获每个人。然后，配准算法可以被应用以根据部分视图来为每个人构造完整身体模型。附加的处理可以包括填充孔洞、移除噪声以及使表面平滑。

图9图示了人的示例性数据集，包括男、女、矮、高、瘦和肥胖的对象。以面向前方和面向后方的定位来收集图像。图9包括16个人，其中的10个用于训练。其余的六个人用于测试/评估。图10示出了在训练完成之后、用于测试/评估的人上的评估的结果。图10示出了在用于评估患者模型的每个测试对象上、通过加号（+）指示的所检测的界标的定位。

在一些实施例中，“综合人体模型”用于训练PDM。可以从3D商业软件生成综合人体模型。在示例性实现方式中，被称为POSER的3D动画软件可以用于生成综合人体模型以填充训练数据集。POSER是一种3D渲染软件，其可以用于人体的3D多边形网格的摆好姿态和动画。该软件被提供有预构建的人体模型的库，所述人体模型具有大自由度的接合以及形状参数。POSER可以在大约一小时中以不同的姿态和形状生成数千3D人体网格实例。通过使用POSER，源自相同网格模板的所有网格实例被完全标记和配准。例如，每个网格实例中的顶点的数目与模板网格相同，并且无论网格形成什么种类的姿态，顶点顺序都保持相同。

在一些实施例中，利用以各种姿态的相同人体对象的不同网格实例来训练姿态变形模型，而利用来自以中性姿态的许多对象的网格实例来训练形状变形模型。随后在测试阶段中，测试对象的性别是已知的，所以这样的去耦合不是问题。两个分离的姿态变形模型（男性和女性）被训练，并且在测试期间，当根据患者的已知性别为患者生成化身的时候应用经训练的姿态变形模型中适当的一个。

在所有训练网格实例当中，具有平均或中值身体尺寸和中性姿态的人被选为模板网格。模板网格的全身被划分成多个不同身体部分，并且模板网格上的多个接合界标被手动选择。

在一些实施例中，模板网格被划分成18个身体部分，并且模板网格上的16个点被选为接合界标。所述18个身体部分（以及用于标识身体部分的索引）如下：左足和右足（0,1），左小腿和右小腿（2,3），左大腿和右大腿（4,5），骨盆（6），左手和右手（7,8），左前臂和右前臂（9,10），左上臂和右上臂（11,12），腹部（13），胸部（14），左肩和右肩（15，16），以及头部（17）。接合界标对应于各种接合的位置以及其它显著的解剖位置。所述16个接合界标（以及标识界标的索引）如下：左脚踝和右脚踝（0,1），左膝和右膝（2,3），左侧腰和右侧腰（4,5），腹股沟（6），左手腕和右手腕（7,8），左肘部和右肘部（9,10），左肩顶和右肩顶（11,12），胸部中心（13），头底部（14），以及头顶部（15）。

图7图示了根据一些实施例的为患者生成个性化3D网格模型（化身）的方法。图7的方法可以用作计划扫描以用于获取患者的X射线图像的扫描计划过程的部分。图7的方法假定患者正站立在X射线检测器210的前方，要么面向要么背向X射线管202。在一些实施例中，模型假定患者被衣着覆盖，并且在为患者生成化身之前相应地应用约束。

参考图7，在步骤702处，从3D相机204接收患者的3D深度图像数据。在一些实施例中，在来自3D相机204的单个快照中获得3D深度图像数据。3D相机204可以是基于结构化光的相机（诸如Microsoft Kinect或ASUS Xtion）、立体相机、或飞行时间相机（诸如CreativeTOF相机）。3D深度（RGB+深度）图像数据包括RGB图像，其中每个像素具有RGB值，以及深度图像，其中每个像素的值对应于像素距3D相机204的深度或距离。假定患者在用于医学图像获取的X射线检测器210的前方，3D相机204被适当地定位，因此它具有处于X射线检测器210前方的患者的不被遮挡的视图。例如，深度相机可以被装配在X射线检测器210对面或装配在X射线管202上。可以直接从3D相机204接收3D深度图像数据，或者可以通过加载先前获取的患者的3D深度图像数据而接收3D深度图像数据。

返回到图7，在步骤704处，3D深度图像数据被转换成3D点云。特别地，3D深度图像数据的深度图像用于将RGB图像中的每个像素映射到3D位置，导致表示患者的3D点云。

在步骤706处，在3D点云中检测解剖界标。特别地，在3D点云中检测在模板网格中所选的每个接合界标。可以通过使用基于经标注的训练数据所训练的经训练的基于机器学习的分类器来在3D点云中检测接合界标。

例如，可以为每个接合界标训练相应的概率提升树（PBT）分类器，并且可以通过使用相应的经训练的PBT分类器来扫描3D点云而检测每个接合界标。在一些实施例中，在界标检测中使用界标的相对位置。例如，用于每个接合界标的经训练的分类器可以在区别性解剖网络（DAN）中被连接以考虑界标的相对位置。在一些实施例中，经训练的分类器可以以预定次序被应用到3D点云，其中所检测的每个界标有助于使针对后续界标的搜索范围变窄。在其它实施例中，PBT分类器被训练以检测多个身体部分（例如头部、躯干、骨盆），并且所检测的身体部分用于对用于检测接合界标的PBT分类器的搜索范围进行约束。

在步骤708处，通过使用所检测的解剖界标而在3D点云中初始化模板网格模型。如上所述，模板网格模型是从具有平均或中值身体尺寸和中性姿态的训练数据集中的网格所选的网格。模板网格模型被划分成多个身体部分，并且对于模板网格上的所述多个接合界标中的每一个的对应位置被存储。通过如下在3D点云中初始化模板网格：计算模板网格到3D点云的刚性变换，所述刚性变换最小化在3D点云中接合界标的所检测位置和模板网格中接合界标的对应位置之间的误差。该刚性变换提供和初始的刚性旋转矩阵R，其在被应用到模板网格的时候导致经初始化的化身。

在步骤710处，通过如下生成个性化的化身网格：通过使用经训练的参数可变形模型（PDM）来使模板网格变形，用以拟合3D点云。如上所述，通过根据训练数据来训练姿态变形模型和形状变形模型而离线地训练PDM。在步骤710中，经训练的PDM被直接应用到数据完备化的任务。给定3D点云和接合界标，PDM可以通过最小化如下目标函数而生成与部分数据一致的现实完整的3D网格输出：

其中是刚性旋转矩阵，是经训练的形状变形模型，是经训练的姿态变形模型，表示模板网格中三角形的边，y表示所估计的化身网格模型的顶点，并且L是在化身顶点与3D点云Z中对应的点之间的对应性集合。该目标函数的第一项限定将与所学习的PDM模型一致的网格输出，并且第二项调节优化以找到最佳地拟合输入点云的集合。为了平衡两项的重要性，施加加权项。

一些实施例中所利用的PDM在等式（6）中添加另一权重项。输入来自3D相机传感器，因此数据准确性可受深度相机传感器和每个点之间的实际距离所影响。因此，本发明人已经创建了噪声模型以模拟距深度相机的距离对3D点云中点的准确性的影响。所述噪声模型基于每个接合界标距3D相机204的距离而为每个所配准的点（例如每个接合界标）而生成的不同值。

在等式（6）中，存在待优化的三个参数集（R,Y和β）。这形成标准非线性和非凸的优化问题。为了避免收敛到次优解的可能性，一些实施例使用迭代过程来优化这三个参数。特别地，这三个参数集被分离地处理，一次仅仅优化它们中的一个而同时保持另外两个固定。在一些实施例中，三步优化可以如下执行：

在S和Y固定的情况下优化R，然后相应地更新和；

在R和S固定的情况下优化Y；以及

在R、和Y固定的情况下优化S。

在三步优化过程的步骤（1）中，通过使用等式（6）来优化刚性旋转矩阵R，而同时固定所估计的化身网格模型的形状变形S和顶点Y。这导致对于所估计的化身网格模型中的每个三角形的的更新值，并且通过使用经训练的姿态变形模型、基于所更新的来更新针对每个三角形的姿态变形。因此，优化过程的步骤（1）优化所估计的化身模型的姿态。在三步优化过程的步骤（2）中，所估计的化身网格的顶点Y的位置通过使用等式（6）被优化，而同时固定形状变形S和刚性旋转矩阵R（以及姿态变形）。该步骤是精细调谐步骤，其调节顶点Y的位置来更好地匹配3D点云。在优化过程的步骤（3）中，通过使用等式（6）来优化形状变形S，而同时固定所估计的化身网格的刚性旋转矩阵R、姿态变形和顶点Y。特别地，调节第一主分量β来找到通过使用使等式（6）中的目标函数最小化的经训练的变形模型所计算的形状变形。因此，所述三步优化过程首先找到最优姿态变形，然后执行所估计的化身模型的顶点的进行精细调谐的调节，并且然后找到最优形状变形。该三步优化过程可以被迭代多次。例如，所述三步优化过程可以被迭代预定次数或者可以被迭代直到它收敛为止。

等式（6）中的第二项要求找到在3D点云和3D网格模型上的界标之间的对应性。在图7的方法中，我们首先基于3D点云中所检测的接合界标而估计初始R（步骤708）。然后，上述三步优化过程被迭代多次以得到当前估计的网格模型，，其中仅仅接合界标被用于找到对应性。例如，仅仅使用接合界标来找到对应性的所述三步优化过程可以被迭代预定次数或者可以被迭代直到它收敛为止。接下来，基于迭代最近点算法的配准算法可以被执行以获得在3D点云和当前3D网格模型之间的全配准。一旦执行了在3D点云和当前3D网格模型之间的配准，3D点云和当前3D网格模型中的、具有大于预定阈值的距离的对应点对之间的对应性就被移除。 其余的对应性然后用于估计新的刚性旋转矩阵R，并且所述三步优化过程被重复。该优化配准过程被迭代直到收敛为止。

以上针对使用经训练的PDM的部分数据完备化所描述的优化过程生成最接近地拟合于患者的实际姿态和形状的3D化身。由于从PSOER、在裸露条件中生成模板化身，但是3D点云是从通常穿着衣服的真实患者所捕获的，所以对最小化化身网格表面和3D点云之间的差异的等式（6）进行求解可导致误差。在本系统和方法的一些实施例中，适应衣着的优化方法被使用。

为了计及患者所穿的衣着，一些实施例搜索具有在某种程度上全部在输入3D点云下方的顶点的化身。为此，衣着约束d _cloth 可以被定义为：

其中L是在化身顶点和3D点云中对应点之间的对应性集合，并且是点的法线。当时，化身网格在3D点云以下。项确保：化身网格充分地位于衣着区内的输入3D点云以下，而同时化身与非衣着区中的输入3D点云重叠。通过以下来确定的值：

其中表示化身顶点属于非衣着区的可能性。通过使用从地面实况训练数据统计地学习的经训练的概率模型而计算概率。阈值表示在化身表面和衣着表面之间的最大距离，包括衣着的厚度。要理解的是，可以应用衣着约束，不仅用于衣着，而且还用于覆盖患者的任何事物，诸如辐射保护物、毯子、枕头等等。由于正覆盖着患者的事物可作为先验而已知，可以为不同的患者覆盖物（例如衣着、辐射保护物、毯子等等）训练不同的概率模型，并且可以基于正覆盖患者的事物而调节阈值。

因此，在有利的实施例中，根据从躺在桌台上的患者收集的3D深度图像数据而生成输入3D点云数据，另一约束d _table ，其在本文中被称为桌台约束，可以用于指定化身网格的所有顶点应当在桌台上方。特别地，尝试最小化：

其中是化身顶点的z轴值（垂直于桌台的表面），h _table 是当前桌台高度（其已知），并且项e _table 确保化身网格充分地位于桌台上方。

以上方程具有许多解。为了实现似真地变形的化身网格，可以利用平滑项来使解正则化，所述解最小化：

其中y表示新化身网格的顶点，表示当前化身网格的顶点，并且N _k 是与顶点相邻的顶点集。该正则化优选与其近邻顶点的平均变形类似的顶点变形。

根据本发明的实施例，以上描述的约束可以被组合以得到使下式最小化的优化函数：

其中第一项与等式（6）中的第一项相同，第二项是衣着约束，第三项是桌台约束，并且第四项是平滑约束s(Y)。所述成本函数可以代替于等式（6）中所表述的成本函数被使用以优化参数集（R、Y和β）。特别地，上述迭代的优化配准过程（包括迭代的三步优化过程）可以用于找到最优参数来最小化等式（20）的成本函数。该过程被迭代直到收敛为止，导致针对患者的3D个性化化身网格。

再次参考图7，在步骤712处，输出针对患者的3D个性化化身网格。例如，可以通过在计算机系统的显示屏上显示3D个性化化身网格来输出3D个性化化身网格。

在步骤714处，患者的化身用于医学成像扫描计划。在一些实施例中，化身可以预测患者骨骼的位置。例如，器官的图谱可以与患者的化身对准并且被叠覆在患者身体上。这可以辅助操作员指定ROI。患者的化身可以代替于形貌扫描而被使用。由于化身准确地拟合于患者，所以还可以根据化身、以最小误差来估计扫描的等中心点。

一些实施例考虑先验知识并且使用机器学习来以高准确度估计患者表面几何结构，而同时足够快以用于无缝集成在患者扫描工作流中。

图5示出了用于患者表面估计的方法。参考图5，在步骤502处，通过使用3D相机204捕获患者的3D深度图像数据。该3D深度图像数据可以是在图1的步骤102中所接收的相同的3D深度图像数据。可替换地，如果一旦相对于X射线检测器210的坐标系211估计了3D相机204的姿态，确定了在步骤102中所获取的原始3D深度图像不包含足够的患者解剖体，则其上装配了3D相机204的X射线管202可以被重定位，因此更多的患者解剖体处于3D相机204的视场中，并且可以获取新的3D深度图像。3D深度图像包括RGB图像和深度图像。RGB图像中的颜色数据和深度图像中的深度（范围）数据可以被组合以将患者的3D深度图像数据表示为3D点云。

给定被表示为3D点云的颜色和深度数据，仅包含患者和X射线检测器210的图像区被局部化。3D相机204相对于X射线管202的相对定位是已知的，因为它在校准过程期间被确立，并且X射线检测器210移动的范围是有限的。在一些实施例中，相对于X射线检测器台架212来执行校准，所述X射线检测器台架保持静止，甚至在X射线检测器210向上和向下移动的时候。该信息被用作空间先验，用以自动裁切由包含患者和X射线检测器210的3D容积所包封的图像区。该经裁切的数据然后被变换使得z轴与X射线检测器210表面法线对准并且x-y平面与X射线检测器210表面对准。经变换的深度数据（以及相关联的颜色信息）然后被正交投影到x-y平面上以生成颜色和深度图像对，所述图像对在本文中被称为经重投影的图像，其然后用于后续处理。接下来，为了进一步细化在X射线检测器210前方的患者的定位和范围，基于机器学习的全身检测器210可以被应用到经重投影的图像上以检测经重投影的图像中患者定位的估计。对于该患者全身检测，具有在经重投影的深度和表面法线数据上所提取的2D哈尔特征的概率提升树（PBT）可以被训练并且被用作全身检测器210。通过使用从经标注的训练数据所提取的特征来训练PBT，并且所训练的PBT被用于检测经重投影的图像中患者的粗略定位。

在步骤504处，在经重投影的图像上执行姿态检测以对患者的姿态进行分类。给定粗略的患者定位信息，通过使用一个或多个基于机器学习的姿态分类器，患者姿态可以被分类为面向前方（即，患者面向X射线管202和3D相机204）或面向后方（即，患者面向X射线检测器210）。姿态分类器中的每一个可以是经训练的PBT分类器。根据一些实施例，通过考虑从经重投影的深度图像、表面法线数据、饱和图像以及来自LUV空间的U和V通道所提取的哈尔特征，PBT框架可以被扩展到多个通道。融合多个通道可以在仅仅使用深度信息之上提供姿态检测中的显著改进。

在一些实施例中，通过考虑靠近传感器（3D相机204）的患者区的一半，面向前方与面向后方的分类器被应用到经重投影的图像。该区对于面向前方的情况覆盖身体的前侧，并且对于面向后方的情况覆盖身体的后侧。在其它实施例中，代替于训练单个多类分类器以用于姿态检测，多个二进制分类器可以被训练以系统性地处置数据变型。

在步骤508处，执行界标检测（身体解析）。给定患者姿态信息，包括多个解剖界标的稀疏身体表面模型被拟合到经重投影的图像数据。身体表面模型可以被表示为在身体表面上的解剖界标之上的有向非循环图（DAG），其中所述图捕获界标相对于彼此的相对定位。在有利的实施例中，通过使用10个身体界标——头部、腹股沟、以及针对肩膀的左和右界标、腰、膝和脚踝——来对患者表面建模。针对界标中的每一个来训练相应的界标检测器。例如，对于每个界标，具有从与用于训练姿态分类器相同的通道（例如：经重投影的深度图像、表面法线数据、饱和图像、以及来自Luv空间的U和V通道）所提取的哈尔特征的多通道PBT分类器可以用于训练每个界标检测器。由于相机和身体表面角，以及传感器噪声，图像统计信息在身体表面之上显著地变化。

界标的相对定位被建模为高斯分布，其参数从训练数据集上的标注中获得。在经重投影的图像上的界标检测期间，经训练的界标检测器被循序地应用，而同时考虑近邻界标的上下文约束。对于每个界标，基于经训练的界标检测器响应以及根据DAG中先前检测的界标来获得定位假设。在示例性的实现方式中，给定患者的定位信息，首先通过在患者的中心区中应用腹股沟界标检测器来执行腹股沟界标检测。接下来，在基于来自姿态信息的约束以及根据来自腹股沟区的假设的相对定位信息所估计的图像区上应用膝界标检测器。一个接一个地，为遍历DAG的每个界标获得界标假设。

在步骤510处，在获得了针对所有界标的所有界标假设之后，在界标假设上执行全局推理以基于经训练的界标检测器以及DAG中的上下文信息而获得具有最高接合似然性的一组界标。该界标检测顺序过程处置跨不同年龄患者的大小和尺度变型。一旦通过使用全局推理而检测到最终界标集，就可以基于界标集而定义经重投影的图像中的患者的身体区。例如，经重投影的图像可以被划分成以下身体区：头部、躯干、盆骨、大腿和小腿。在可能的实现方式中，人体骨架模型可以基于所检测的界标而拟合经重投影的深度图像。

用于使用3D相机204的X射线管扫描仪自动化的上述方法可以在使用计算机处理器、存储器单元、存储设备、计算机软件和其它处理组件的计算机上被实现。在图8中图示这样的计算机的高级框图。计算机902包含处理器904，所述处理器904通过执行限定这样的操作的计算机程序指令而控制计算机902的总体操作。计算机程序指令被存储在存储设备912（例如存储器、光学存储装置、磁盘）中，并且当期望计算机程序指令的执行的时候被加载到存储器910中。因而，图1和5的方法的步骤可以通过计算机程序指令来被执行，所述计算机程序指令被存储在存储器910和/或存储装置912中并且由执行计算机程序指令的处理器904控制。

3D相机204可以被连接到计算机902以将3D深度图像数据输入到计算机902。3D相机204和计算机902可以被直接地连接或通过网络或其它无线通信协议而无线地通信。X射线管扫描仪202也可以被连接到计算机902。X射线管扫描仪202和计算机902可以被直接地连接或通过网络或其它无线通信协议而通信。

一些实施例将医学图像获取系统200和计算机902实现为一个设备。计算机902可以与X射线管扫描仪202通信以控制X射线管202的定位和定向，并且控制通过X射线管202的X射线图像获取。由X射线管扫描仪202获取的X射线图像可以被输入到计算机902。计算机902还包括一个或多个网络接口906以用于经由网络而与其它设备通信。计算机902还包括其它输入/输出设备908，所述其它输入/输出设备908使能与计算机902的用户交互（例如显示器、键盘、鼠标、扬声器、按钮等等）。这样的输入/输出设备908可以与一组计算机程序结合地被用作标注工具，用以标注从图像获取设备920所接收的体积。本领域技术人员将认识到实际计算机的实现也可以包含其他组件，并且图9是这样的计算机的一些组件的高级表示以用于说明性目的。

基于所估计的患者表面，X射线管202被适当地移动使得患者身体扫描上的感兴趣的区被x射线辐照到。例如，如果患者有肩部扫描，则操作员将会简单地选择“肩部器官程序”，并且X射线管202将会自动定位以确保高品质扫描。

结果

为了验证这种途径的性能，通过使用在西门子的Ysio Max扫描仪的X射线管202上所装配的ASUS Xtion Pro深度传感器来收集数据。传感器被校准。数据集包括16个志愿者（具有不同的高度、性别和尺寸）；在该样本之外，来自10个志愿者的数据被用于训练以及其余部分用于测试。图3示出了来自数据集的样本图像。

本文中描述的方法和系统可以至少部分地以计算机实现的过程和用于实践那些过程的装置的形式来具体化。所公开的方法还可以至少部分地以编码有计算机程序代码的有形、非暂时性机器可读存储介质的形式来具体化。所述介质可以包括例如RAM、ROM、CD-ROM、DVD-ROM、BD-ROM、硬盘驱动器、闪速存储器、或任何其它非暂时性机器可读存储介质，其中，当计算机程序代码被加载到计算机中并且由计算机执行的时候，计算机变成用于实践所述方法的装置。所述方法还可以至少部分地以计算机的形式来具体化，计算机程序代码被加载到所述计算机中和/或被执行，使得计算机变成用于实践所述方法的专用计算机。当在通用处理器上被实现的时候，计算机程序代码段配置处理器以创建特定逻辑电路。所述方法可以可替换地至少部分地以由用于执行所述方法的专用集成电路所形成的数字信号处理器来具体化。

尽管已经在示例性实施例方面描述了主题，但是它不限于此。相反，所附权利要求应当被宽泛地解释以包括可以由本领域技术人员做出的其它变体和实施例。

Claims (19)

1.一种方法，包括：

从范围传感器接收对象的范围数据，其中所述范围传感器随X射线管可移动，并且所述对象站立在X射线管和X射线检测器之间；以及

当对象站立在X射线管和X射线检测器之间的时候，自动控制X射线管来将X射线辐射传输到对象的感兴趣的区。

2.根据权利要求1所述的方法，其中所述范围传感器包括三维（3D）相机，并且所述范围数据包括3D深度图像。

3.根据权利要求2所述的方法，此外包括：

通过使用参数模型、根据3D深度图像来计算对象的表面模型；

基于表面模型来选择对象的感兴趣的区。

4.根据权利要求3所述的方法，其中通过机器学习来估计参数模型的至少一个参数。

5.根据权利要求3所述的方法，其中根据对象的3D深度图像来计算表面模型包括：

变换3D深度图像的3D点云表示以对准3D深度图像与X射线检测器的预定视场，这通过使用在3D相机的坐标系与X射线检测器的坐标系之间的所估计的变换；

投影所述3D点云表示以生成包括颜色和深度图像对的经重投影的图像；以及

通过使用所述经重投影的图像来估计表面模型。

6.根据权利要求3所述的方法，其中根据对象的3D深度图像来计算表面模型包括：

通过使用一个或多个基于机器学习的姿态分类器来在3D深度图像中检测身体姿态；以及

基于所检测的患者姿态而在3D数据中检测对象的解剖界标。

7.根据权利要求2所述的方法，此外包括基于所述参数模型而计算X射线辐射的准直。

8.根据权利要求2所述的方法，此外包括基于所述参数模型而选择X射线辐射的剂量。

9.根据权利要求2所述的方法，此外包括计算在3D相机的坐标系与X射线检测器的坐标系之间的变换。

10.根据权利要求2所述的方法，其中3D相机被装配到X射线管。

11.根据权利要求1所述的方法，其中所述X射线检测器在自动控制X射线管的步骤期间被布置成平行于对象的冠状平面。

12.一种系统，包括：

可移动的X射线管扫描仪；

随X射线管扫描仪可移动的范围传感器；

X射线检测器，其被定位以检测来自X射线管的、通过在X射线管和X射线检测器之间的站立对象的X射线；以及

处理器，其被配置用于当对象站立在X射线管和X射线检测器之间的时候自动控制X射线管扫描仪来将X射线传输到患者的感兴趣的区。

13.根据权利要求12所述的系统，其中所述范围传感器是3D相机。

14.根据权利要求13所述的系统，其中所述3D相机是3D深度相机。

15.根据权利要求13所述的系统，此外包括存储了参数可变形模型的非暂时性、机器可读存储介质，其中所述处理器还被配置用于基于参数可变形模型和当对象站立在X射线管和X射线检测器之间的时候通过范围传感器所捕获的对象的3D深度图像来估计对象的表面模型。

16.根据权利要求12所述的系统，其中所述X射线检测器被装配在地面之上的台架上并且被定向成接收在水平方向上行进的X射线。

17.根据权利要求16所述的系统，其中所述X射线检测器在相对于台架的竖直方向上机械地可移动。

18.根据权利要求17所述的系统，其中所述处理器被配置成控制X射线管扫描仪和X射线检测器移动使得X射线管扫描仪、感兴趣的区、以及X射线检测器沿着一条线对准。

19.根据权利要求12所述的系统，其中所述X射线管扫描仪被机械地装配用于在三个正交维度上平移并且在至少两个正交维度上旋转。