CN111609908A - 根据表面数据、使用患者模型的患者体重估计 - Google Patents

Abstract

为了医学成像系统中的患者体重估计，诸如网格之类的患者模型被拟合到深度图像。从经拟合的患者模型中提取一个或多个特征值，从而减小值中的噪声和杂乱。根据所提取的特征来对体重估计进行回归。

Description

根据表面数据、使用患者模型的患者体重估计

背景技术

本实施例涉及用于为患者定剂量（dose）的患者体重估计。当在临床环境中调整药物剂量或辐射剂量的时候，体重是重要的信息。例如，在没有基于体重的调整的情况下，患者被暴露到来自胸部计算机断层扫描（CT）扫描的17-43%更高的辐射剂量。

准确的体重信息不总是可得到的。在用于紧急中风治疗的一项研究中，患者中的14.6%被称重，其中针对患者的剩余部分的体重由医师或护理人员在视觉上猜测。健康护理工人在估计患者体重方面仅具有中等准确性。准确体重信息的缺少是由于若干复杂原因所致。例如，不可能将常见的站立衡量方法用于具有严重状况（诸如创伤或中风）的患者。此外，对于紧急治疗的时间要求可能不允许称重。

人体测量学测量可以用于估计人体体重。在一种途径中，从图像中手动地测量人体测量学特征，以通过回归（regression）来学习特征与体重的相关性。在更自动化的途径中，从深度图像中直接提取特征。当场景是杂乱并且嘈杂的时候，从深度图像直接提取特征可能是有问题的。

发明内容

系统、方法、以及计算机可读介质上的指令被提供用于医学成像系统中的患者体重估计。患者模型（诸如网格）被拟合到深度图像。从经拟合的患者模型中提取一个或多个特征值，从而减小值中的噪声和杂乱。根据所提取的特征来对体重估计进行回归。

在第一方面中，提供一种用于医学成像系统中根据表面数据的患者体重估计的方法。所述表面数据是如下数据：其表示患者的表面或外面，诸如通过利用传感器来捕获患者的外表面。患者模型被拟合到表面数据。患者模型是网格、统计形状模型、或外表面的其它一般性参数化。所述拟合使患者模型变形以拟合到特定患者的表面数据。从如拟合的患者模型中提取针对一个或多个特征中每一个的值。特征是患者模型的形状特征或其它表征。通过将针对所述一个或多个特征的一个或多个值输入到经机器学习的回归器来估计患者的体重。基于体重来为患者定剂量。

传感器可以是深度传感器或相机，其中表面数据基于光学测量。患者模型可以作为统计形状模型而被拟合到表面数据。定剂量可以将辐射施加到患者，其中量（例如频率、幅度水平、施加数目或其它定剂量水平）基于体重。

在一个实施例中，形状特征是由经拟合的患者模型所指示的身体体积。在其它实施例中，一个或多个特征用于不同身体部分中的每一个。为不同身体部分估计重量，诸如为不同的身体部分估计部分重量并且对所述部分重量进行求和。在另一实施例中，从经拟合的患者模型中所提取的值是形状流形（manifold）系数。所述系数是形状的参数化，诸如通过基于经拟合的网格的数学流形。

估计使用任何经学习的回归，诸如是全卷积网络的经机器学习的回归器。可以使用经机器学习的或其它线性回归器。

在第二方面中，提供一种医学成像系统来用于患者体重估计。深度传感器被配置成测量到患者的深度。图像处理器被配置成通过使用深度来形成针对患者的网格，并且根据如为患者所形成的网格来对患者的体重进行回归。可以利用经机器学习的回归器来对体重进行回归。存储器被配置成存储经回归的体重，诸如存储以用于在确定或控制剂量中使用。

在一个实施例中，深度传感器是深度相机。在对网格进行了拟合之后，图像处理器被配置成响应于对经机器学习的回归器的输入来进行回归。治疗辐射扫描仪被配置成将辐射剂量施加到患者，其中辐射剂量的量基于体重。

图像处理器可以被配置成从如为患者所形成的网格中提取针对形状特征的值，并且根据该值来对体重进行回归。形状特征可以是针对网格整体或针对网格的一部分的体积。图像处理器可以被配置成从如为患者所形成的网格中提取针对形状流形的值，并且根据所述值来对体重进行回归。

在第三方面中，提供一种方法来用于医学成像系统中的患者体重估计。传感器捕获患者的外表面。从被拟合到利用传感器所捕获的外表面的患者模型中提取形状特征值。根据形状特征值、通过回归来估计患者的体重。

在一个实施例中，经机器学习的回归器进行估计。为患者定剂量，其中剂量的量基于所估计的体重。

上述方面中的任何一个或多个可以单独或以组合来被使用。从对优选实施例的以下详细描述中，这些和其它方面、特征和优点将变得显而易见，所述详细描述将结合附图来被阅读。本发明由下面的权利要求来限定，并且本章节中没有什么应当被视为对那些权利要求的限制。本发明的此外的方面和优点在以下结合优选实施例来被讨论，并且可以稍后独立地或组合地被要求保护。

附图说明

部件和图不一定是按比例的，代替地来将强调置于说明实施例的原理上。此外，在各图中，类似的参考数字贯穿不同的视图指明对应的部分。

图1是用于医学成像系统中根据表面数据的患者体重估计的方法的一个实施例的流程图图解；

图2图示了使用经拟合的患者模型的体重估计的示例性工作流；

图3是示例性的深度图像；

图4示出了示例性的经拟合的患者模型；

图5是示出了体重与体积之间的相关性的图表；

图6是示出了基于体积的所预测的体重对于实际体重的图表；

图7是用于患者体重估计的系统的一个实施例的框图。

具体实施方式

根据深度图像、通过使用患者三维（3D）模型来估计患者体重。为了克服由噪声或杂乱所引起的挑战，根据患者的深度图像的基于回归的体重估计使用患者3D表面模型。代替直接地从场景的杂乱深度图像中捕获形状信息，使用经拟合的患者模型作为中间层来表示患者身体提供更稳健（robust）的体重估计。体重估计回归基于输入的深度图像和经拟合的患者模型。各种可靠的人类形状特征（例如形状体积、形状流形等等）可从经拟合的模型来提取。所提取的特征然后可以用来通过回归方法来估计患者体重。患者体重与所捕获的图像的相关性被确切地阐述为患者体重与从经拟合的患者模型所提取的形状特征之间的相关性。

在一个实施例中，深度图像被输入到体重估计框架。然后从输入中提取通过人类表面网格所表示的患者模型。通过将模板人类表面网格拟合到当前患者输入上来获取人类表面网格。经拟合的患者模型捕获患者形状的准确估计，从其中可以提取各种有关的身体测量来估计人体体重。

因为从现实世界环境中所捕获的深度图像通常是嘈杂的，所以从深度图像中直接提取患者身体特征是易出错的。代替地，经拟合的患者模型捕获患者的形状信息以用于体重估计，而没有受来自周围对象的噪声所影响。所提取的形状特征与患者体重的相关性通过回归方法来被学习，以稳健地估计患者体重。

稳健的体重估计可以在许多临床应用中来被使用。例如，当患者在医学扫描仪（例如诊断成像仪和/或治疗扫描仪）上的时候，基于深度传感器图像来估计准确的体重。可以估计体重而不管患者状况的严重性如何。所估计的体重然后可以帮助用于剂量控制的决策过程，其对于扫描品质以及患者健康两者而言是重要的因素。

在一个实施例中，形状特征是形状流形的系数。可以使用更复杂的特征，诸如针对身体部分信息的特征，从其中，不同的身体部分形状信息用于更稳健地估计体重。所述框架还可以被扩展以用于其它应用，诸如估计患者高度或其它特性。

图1是用于医学成像系统中的患者体重估计的方法的一个实施例的流程图图解。体重估计是根据对患者的外表面进行成像。在医学成像系统中使用成像传感器来获取患者的表面数据（例如外表面）。

图2示出了图1的方法的示例性表示。方法取深度图像20作为输入，并且基于所述深度图像来拟合（个性化）患者表面模型22。经个性化的患者表面模型22然后用于提取各种特征24，所述特征用于通过回归来估计16体重26。基于将表面模型22拟合到来自传感器的数据，根据经拟合的表面模型22的特性来估计体重。

图1的方法由医学成像系统来执行。传感器（诸如深度相机）捕获患者表面。图像处理器对模型进行拟合，提取形状特征值，并且估计患者的体重。图像处理器、医师和/或扫描仪（例如x-射线设备）基于体重来设置剂量。其它设备可以用于执行动作中的任一个。

所述方法用所示的次序（例如顶部到底部或数值的）来被执行，但是可以使用其它次序。可以提供附加的、不同的或较少的动作。例如，不提供动作18。

在动作10中，传感器捕获患者的外表面。传感器是深度传感器，诸如2.5D或RGBD传感器（例如Microsoft Kinect 2或ASUS Xtion Pro）。深度传感器可以直接地测量深度，诸如通过使用飞行时间、干涉法或经编码的孔径。深度传感器可以是一个或多个相机，其捕获被投影到患者上的栅格。传感器可以是多个相机，其从不同的方向捕获2D图像，从而允许在不传输结构光的情况下根据多个图像来重构外表面。可以使用其它光学或非离子化的传感器。

传感器针对患者。传感器从一个或多个视角捕获患者的外表面。所述外表面的任何部分可以被捕获，诸如从头到脚以及手到手地从一侧查看的整个患者或者仅仅躯干。传感器在患者处于特定位置中的情况下捕获外表面，诸如在患者躺在床中或台上以用于治疗或成像时捕获面向前方的表面。

所述外表面是患者的皮肤。在其它实施例中，所述外表面包括衣着。传感器可以使用通过衣着的频率并且检测皮肤表面。替换地，外表面是衣着，并且患者模型的拟合计及衣着。

外表面作为以下来被捕获：从传感器到患者上不同位置的深度、患者外部的图像或相片、或两者。传感器输出所感测的图像和/或深度。来自传感器的外表面的测量是针对患者的表面数据。图3示出了来自表面数据的示例性图像20，其中灰度中的强度被映射到所感测的深度。替换地，传感器测量被处理以确定外表面信息，诸如利用图像处理来实立体镜地确定来自相机图像的、从不同角度的外表面。

在一个实施例中，表面数据可以包括患者的不同表示。创建两个或更多通道。例如，两个图像具有针对通道、通过信息的幅度而被调制的像素强度（例如一个通过深度，并且其它的通过颜色）。在一个实施例中，给定患者身体的3D表面（皮肤表面），此数据的2D投影——皮肤表面图像（例如在图像中的每个位置处所述表面离扫描仪台的高度）以及深度图像（例如在图像中的每个位置处测量人的厚度）——通过根据传感器输出的图像处理而被形成。每个通道提供不同的信息。一个通道提供前表面位置至患者躺在其上的床或台、至传感器、和/或相对于另一位置的距离或高度。如所感测的外表面以及传感器至床的已知位置用于确定所述距离。另一通道是患者的厚度。所述厚度可以是给定深度与最大和最小深度的差异。可以使用其它厚度。第一通道存储如从前方或看着停留在患者床上的患者所观测的身体表面的深度，并且第二通道存储通过测量在如从前方所观测的最近和最远点之间的距离所计算的厚度。可以使用其它通道，诸如用于来自传感器的深度的一个通道，以及用于患者的光学图像的另一通道。可以使用其它表面数据。

以传感器的分辨率来使用所述表面数据。例如，所述表面数据是以256×256像素。可以使用其它尺寸，包括矩形视场。表面数据可以被滤波和/或处理。例如，表面数据被变更至给定的分辨率。作为另一示例，表面数据被下采样，诸如将256×256缩减至64×64像素。每个像素可以表示任何区域，诸如：如被下采样至64×64的每个像素表示1cm²或更大。替换地，传感器在此较低分辨率下进行捕获。表面数据可以被裁剪（crop），诸如限制视场。裁剪和下采样两者可以一起被使用，诸如从256×312或其它输入通道数据创建64×64通道数据。更大或更低的分辨率可帮助回归。

在另一途径中，在输入之前对表面数据进行归一化（normalize）。表面数据被重缩放、重定大小、扭曲或移位（例如内插）。表面数据可以被滤波，诸如低通滤波。

在动作12中，图像处理器将患者模型拟合到表面数据。患者模型是人或人的一部分的表面的一般性表示。不同的模型可以用于不同的身体类型，诸如男性或女性模型。患者模型不特定于患者。例如，患者模型是统计形状模型。患者模型不特定于任何其他患者，或特定于满足规范的患者。

任何表示可以被用于所述模型。在一个实施例中，由网格（诸如三角形的网格）来形成模型。可以使用其它网格。可以使用3D表面的其它表示。

图像处理器将患者模型拟合到针对待治疗或待成像的患者的表面数据。所述拟合基于患者的所感测的外表面来对患者模型进行变换或变形。一般性的患者模型通过拟合到表面数据而被个性化至患者的外表面。拟合可以是迭代的优化，诸如测试模型的不同变更，其中基于拟合的接近度或在模型与表面数据之间的差异来控制所述变更。

可以使用身体表面模型至针对患者的所捕获的表面数据的任何现在已知的或稍后开发的拟合。例如，基于差异的最小化来将SCAPE模型拟合到表面数据。在一个实施例中，主体（subject）的深度相机图像20被转换成3D点云。在3D点云中检测多个解剖界标。通过基于所检测的解剖界标来将模板网格对准到3D点云，3D化身（avatar）网格被初始化。通过使用经训练的参数可变形模型（PDM）来优化3D化身网格，生成主体的经个性化的3D化身网格。优化服从如下约束：所述约束考虑主体所穿戴的衣着以及主体躺在其上的台的存在。

在另一实施例中，统计形状模型被拟合到深度，作为表面数据。统计形状模型是人或人的一部分的外部的平均或其它统计表示的网格或其它表示。统计形状模型包括关于变更的概率或其它约束，使得拟合维持基于统计的形状。

在又一实施例中，通过基于模型的途径而将人类骨架模型拟合到人的深度图像数据来生成人的经个性化的3D网格。所估计的姿态骨架然后用于初始化在离线训练阶段中被学习的详细参数化的可变形网格（PDM）。PDM然后被优化以对输入深度数据进行拟合，其通过扰动身体姿态和形状。基于采样的优化程序将PDM拟合到深度数据。不像仅仅适用于具有皮肤经覆盖主体的数据的形体还原及人物动画（SCAPE）模型，基于采样的途径应对主体的衣着变化。此外，基于采样的途径还使得实施例能够应对由于传感器噪声所引入的偏差。

图4示出了示例性的经拟合的患者模型22。身体表面网格指示身体形状。基于此经拟合的身体表面网格，可以提取用来估计体重的（多个）特征的（多个）值。

在动作14中，图像处理器从如被拟合到针对患者的表面数据的患者模型中提取针对一个或多个特征中每一个的值。从被拟合到利用传感器所捕获的外表面的患者模型中提取形状特征值。

所述提取是通过计算、测量和/或图像处理。图像处理器使用如经拟合的模型来提取与如果从深度或其它传感器测量提取相比更不易受噪声和杂乱的值。

可以使用任何一个或多个特征。特征是形状特征，诸如对如由经拟合的患者模型所表示的患者的外表面的形状进行表征的参数。示例形状特征可以包括体积、面积、直径、圆周、长度、宽度、曲率、其它人体测量学度量和/或其它几何度量。

在一个实施例中，提取针对身体体积的值。身体体积是人体体重的指示符之一。图5示出了来自196个人类样本的体积信息和对应体重的绘图，所述196个人类样本来自公共数据集CAESER。在体积特征与体重之间存在线性相关性。

经拟合的身体网格的体积被计算，然后用来通过经学习的回归来估计体重信息。如经拟合的患者模型22围封体积。此处的体积是经拟合的网格的体积，其不同于患者身体体积。如果患者模型22不包括患者的一个或多个部分（例如脚、手、手臂、头和/或腿），则身体体积可以是患者模型22内所包括的部分的。经拟合的模型可以准确地表示患者的体积。

在另一实施例中，为多个不同身体部分中的每一个提取值。为不同的身体部分提取针对相同或不同的特征或特征集的值。对于人类，不同的身体部分可具有不同的密度。例如，腿和手臂通常比包括各种器官的上部主体（躯干）更密集。在不同的身体部分中具有不同的体积可对体重具有影响。基于此观察，从经拟合的身体网格中分开地为每个单独的身体部分提取值。例如，提取腿、手臂、躯干和头的体积。

在图4的经拟合的身体网格中，针对不同的部分来对网格的不同部分加标签。图4中的不同灰度水平示出不同的部分。如经拟合的患者模型22可以包括附加的、不同的或较少的身体部分。为部分中的每个提取诸如体积和/或单独的形状系数之类的特征的值。

在又一实施例中，图像处理器提取针对形状流形系数的值，作为特征。代替简单明了的形状特征（诸如体积），使用形状流形信息。例如，通过使用SCAPE或其它经拟合的患者模型22，提取经拟合的网格的经拟合的形状系数信息。可以使用形状的任何参数化或数学表示。例如，假定

，其中V是具有n维的形状流形向量。所提取的系数向量具有n维。

标示系数的第i元素。可以使用任何形状流形。

在图1的动作16中，图像处理器通过根据一个或多个形状特征值的回归来估计患者的体重。在一个实施例中，使用查找表，其并入了在一个或多个形状特征与体重之间的相关性。在另一实施例中，诸如拟合线之类的函数用于根据特征的输入值来确定体重。例如，经拟合的身体网格的体积用于通过经学习的回归来估计体重。可以使用根据各种过去的示例或样本的任何回归，诸如线性回归、最小二乘、另一参数回归和/或非参数回归。

在一个实施例中，图像处理器通过如下来估计体重：将针对所述一个或多个特征的一个或多个值输入到经机器学习的回归器中。经机器学习的回归器是任何经机器学习的分类器，其输出连续变量，诸如包括经机器学习的线性回归。例如，神经网络用于对输入特征与输出体重之间的关系进行回归。可以使用全连接的神经网络或另一神经网络。可以使用支持向量机、基于聚类的机器学习、贝叶斯或其它经机器学习的回归器。

为了训练经机器学习的网络，限定机器学习网络布置。所述限定是通过学习的编程或配置。层或单元的数目、学习的类型以及网络的其它特性由编程者或用户来控制。在其它实施例中，一个或多个方面（例如节点的数目、层或单元的数目、或学习的类型）由机器在学习期间限定和选择。包括针对一个或多个特征的一个或多个值和对应的地面实况（即体重）的许多样本的训练数据被用来训练。对输入与输出的关系进行机器学习。一旦被训练，经机器学习的模型（经机器学习的回归器）就可以被应用以根据针对患者的一个或多个特征的一个或多个值来估计体重。

在一个实施例中，经机器学习的回归是经训练的全卷积网络。映射函数

被学习以估计体重，其通过

来被标示。映射函数被建模为全连接的神经网络，其具有参数

。通过训练，参数被学习，诸如学习参数

用以根据作为形状特征的输入体积来估计体重W。

在另一实施例中，针对不同的身体部分来学习不同的回归器。部分重量针对不同的身体部分来被估计，并且被求和以得到患者的体重。例如，为不同的身体部分提取单独的形状系数的值或体积。针对每个身体部分的所提取的一个或多个值然后被用作对于每个单独的回归函数的输入（例如被建模为不同的全连接的神经网络）。将映射函数的集合标示为

，其中

标示第j身体部分的映射函数，并且m标示身体部分的总数。映射函数被建模为具有参数

的全连接的神经网络，即

，其中

标示所提取的体重。然后，利用

来计算整体体重。在替换的实施例中，来自不同部分的特征的值被输入到一个经机器学习的回归器，所述经机器学习的回归器在没有对单独的部分重量的直接回归或输出的情况下输出总体重。

图6比较来自经机器学习的回归器的体重估计与实际体重。以全连接的神经网络的形式的经机器学习的回归器被训练以根据经拟合的网格的体积来估计体重。从1766个经拟合的身体网格中提取体积信息，用以基于此特征来对回归进行学习，以估计体重。从另外的196个测试样本上的此经训练的回归中发现图6的比较。线y=x是线性回归，其中预测确切地匹配地面实况。产生1.79kg的均值平均误差。此误差可优于健康护理工人对体重的估计。

在动作18中，基于体重来为患者定剂量。医师确定药物剂量的量。患者摄入药物，或药物被注入。所摄入或注入的药物的量至少部分地基于所估计的体重。

在另一实施例中，患者将在治疗或诊断扫描中接收辐射。辐射的量基于体重。所述量可以是x-射线机器的强度、持续时间、频率和/或其它设置，其控制向患者和/或患者的给定区施加多少辐射。具有较少体重的患者接收较少的辐射。辐射剂量基于体重。

在一个示例中，受伤的患者将在医院被治疗。由于受伤，患者不能站在秤上。代替地，将患者安置在床（诸如治疗x-射线系统的台）上。房间中的、诸如被安装到治疗x-射线系统的深度相机对患者进行成像。基于患者模型至来自深度相机的表面数据的拟合，估计患者的体重。体重用来控制由治疗x-射线系统所提供的剂量。体重被自动地或利用手动输入来被使用，以配置x-射线系统来施加特定于患者的经体重校正的剂量。

在另一示例中，图像处理器基于体重来配置诊断医学扫描仪（例如计算机断层扫描、荧光检测法或x-射线）。医学扫描仪可以对自身进行配置。图像处理器可以向医学扫描仪的控制器提供信息以进行配置。图像处理器可以通过直接控制医学扫描仪来进行配置。替换地，用户基于通过利用一个或多个控件的录入的体重来手动地配置医学扫描仪。

可以至少部分地通过使用体重来调整或设置用于为患者成像或扫描的一个或多个设置。体重可帮助规划医学扫描，诸如限定视场和/或x-射线强度，以控制来自辐射的剂量。对于CT扫描，体重可以用来确定扫描范围。这可以减小被应用到患者的离子化辐射的量。体重可帮助用于磁共振（MR）扫描的扫描序列、线圈安置和/或扫描位置。对于超声扫描，体重可帮助成像频率，其中较低的频率用于较重的患者。对于使用dyna-CT（动态-CT）扫描的荧光检查法，体重对于定位患者和/或扫描仪以及控制x-射线源而言可以是有用的。可以基于体重来确定或配置医学扫描仪的任何设置或参数。

经配置的医学扫描仪对患者进行扫描。对患者进行成像。基于医学扫描仪的配置来执行成像。对于治疗，治疗系统基于所述配置来施加辐射。

图7示出了用于患者体重估计的医学成像系统的一个实施例。所述医学成像系统包括显示器70、存储器74和图像处理器72。显示器70、图像处理器72和存储器74可以是医学治疗系统76、计算机、服务器、工作站、或者用于对来自患者扫描的医学图像进行图像处理的其它系统的一部分。没有医学治疗系统76的工作站或计算机可以被用作医学成像系统。医学成像系统还包括用于对患者的外表面进行感测（成像）的传感器77。

可以提供附加的、不同的或较少的部件。例如，包括计算机网络以用于本地捕获的表面数据的远程图像生成，或用于根据远程捕获的表面数据的本地体重估计。经机器学习的回归器或其它回归被应用，作为工作站或本地设备上的独立应用，或作为被部署在网络（云）架构上的服务。作为另一示例，用户输入设备（例如键盘、按钮、滑块、拨号盘、轨迹球、鼠标或其它设备）被提供用于对一个或多个标记（例如界标）的用户变更或安置。在又一示例中，不提供医学治疗系统76，诸如在将应用药物的情况下或在代替地使用医学诊断成像器的情况下。

传感器77是深度传感器或相机。可以使用LIDAR、2.5D、RGBD、立体光学传感器或其它深度传感器。示出了一个传感器77，但是可以使用多个传感器。可以提供光投影仪。传感器77可以直接地测量从传感器77到患者的深度。传感器77可以包括用于根据图像来确定深度测量的单独的处理器，或者图像处理器72根据由传感器77所捕获的图像来确定深度测量。深度可以相对于传感器77和/或床或台79。

传感器77针对患者78。传感器77可以是医学治疗系统76的一部分或被连接到医学治疗系统76，或与医学治疗系统76分开。

传感器77被配置成测量到或针对患者的深度。深度是从传感器77、台79、或其它位置到患者、在患者上的各种位置处的距离。可以使用患者之上的任何样本图案。传感器77输出深度测量和/或表面图像。

图像处理器72是控制处理器、通用处理器、数字信号处理器、三维数据处理器、图形处理单元、专用集成电路、现场可编程门阵列、人工智能处理器、数字电路、模拟电路、其组合、或用于处理表面数据的其它现在已知或稍后开发的设备。图像处理器72是单个设备、多个设备或网络。对于多于一个设备，可以使用对处理的并行或顺序划分。构成图像处理器72的不同设备可以执行不同的功能，诸如通过一个设备来拟合作为患者模型的网格，以及通过另一设备来估计体重。在一个实施例中，图像处理器72是医学治疗系统76的控制处理器或其它处理器。图像处理器72依照所存储的指令、硬件和/或固件来操作并且由所述所存储的指令、硬件和/或固件来被配置以执行本文中所述的各种动作。

图像处理器72被配置成训练机器学习架构。基于网络架构和训练数据的用户提供的或其它源，图像处理器72学习将一个或多个输入变量（例如体积和/或其它形状特征）关联到输出变量（例如体重和/或身高），以训练回归器。训练的结果是用于体重或其它预测的经机器学习的一个或多个回归器。

替换地或附加地，图像处理器72被配置成应用一个或多个经机器学习的回归器。响应于针对患者的一个或多个形状特征的一个或多个值的输入，经机器学习的回归器输出体重。在其它实施例中，图像处理器72在没有经机器学习的回归器的情况下对输出进行回归。

图像处理器72被配置成通过使用来自传感器77的深度来为患者形成网格。网格被拟合到传感器的深度或其它输出，作为患者模型。可以如下来对网格进行拟合：通过检测患者的表面和/或通过使预定网格形状与由传感器的输出所表示的形状之间的差异最小化。

图像处理器72被配置成从如为患者所形成的网格中提取针对形状特征的值。可以使用任何形状特征，诸如针对网格整体和/或针对网格的一部分的体积（例如基于通过患者模型的网格所限定的边界而被分开地提取的手臂、腿、头和躯干体积）。在一个实施例中，通过形状流形来限定形状特征，因此图像处理器72从经拟合的网格提取针对形状流形系数的值。

图像处理器72被配置成根据所提取的一个或多个值来对体重进行回归。根据如为患者所形成的网格、经由从经拟合的网格所提取的值来对患者的体重进行回归。可以使用多个回归器，诸如在对患者的各部分的重量进行回归和求和的情况下。

显示器70是CRT、LCD、投影仪、等离子体、打印机、平板电脑、智能电话或用于显示输出（诸如体重的图像或包括体重的图像）的其它现在已知或稍后开发的显示设备。显示器70显示患者的和/或患者体重的医学图像。

传感器测量、经拟合的形状模型、表面数据、网络限定、特征、经机器学习的回归器、所提取的值、经回归的体重和/或其它信息被存储在非暂时性计算机可读存储器（诸如存储器74）中。存储器74是外部存储设备、RAM、ROM、数据库和/或本地存储器（例如固态驱动器或硬驱动器）。相同或不同的非暂时性计算机可读介质可以被用于指令和其它数据。存储器74可以通过如下来被实现：使用数据库管理系统（DBMS）以及驻留在存储器（诸如硬盘、RAM或可移除的介质）上。替换地，存储器74在处理器72内部（例如高速缓存）。

用于实现本文中所讨论的训练或应用过程、方法和/或技术的指令被提供在非暂时性计算机可读存储介质或存储器上，所述非暂时性计算机可读存储介质或存储器诸如高速缓存、缓冲器、RAM、可移除介质、硬驱动器或其它计算机可读存储介质（例如存储器74）。计算机可读存储介质包括各种类型的易失性和非易失性存储介质。图中所图示的或本文中所描述的功能、动作或任务响应于被存储在计算机可读存储介质中或其上的一个或多个指令集而被执行。功能、动作或任务独立于指令集、存储介质、处理器或处理策略的特定类型，并且可以由单独地或以组合地操作的软件、硬件、集成电路、固件、微代码等等来执行。

在一个实施例中，指令被存储在可移除介质设备上以用于由本地或远程系统读取。在其它实施例中，指令被存储在远程位置中，以用于通过计算机网络传递。在还有的其它的实施例中，指令被存储在给定计算机、CPU、GPU或系统内。因为在附图中所描绘的构成的系统部件和方法步骤中的一些可以在软件中实现，所以在系统部件（或过程步骤）之间的实际连接可取决于其中对本实施例进行编程的方式而不同。

医学治疗系统76是治疗辐射扫描仪、诸如x-射线或粒子治疗系统。医学治疗系统76依照一个或多个设置来操作以将辐射施加到患者。所述设置对位置和辐射剂量进行控制。至少部分地基于体重来控制强度、针对给定位置的频率、向位置施加的持续时间和/或其它设置。体重用来调整或初始地设置将施加的辐射剂量的量。体重可以用来约束剂量的量。基于体重的配置可以是自动的或手动的。

一旦通过设置来被配置，医学治疗系统76就向患者施加辐射。所施加的辐射的量至少部分地基于体重。与较轻的患者相比，较重的患者可接收更多的辐射或更少的辐射。

在替换的实施例中，医学扫描仪被配置成扫描患者的内部区，并且根据扫描来生成诊断信息。医学扫描仪是CT、MR、PET、SPECT、X-射线或超声扫描仪。

医学扫描仪被配置成生成诊断图像信息。配置使用针对一个或多个参数的设置，诸如X-射线源电压、台位置和/或移动范围、台架位置和/或移动范围、焦点、视场、扫描密度、检测器阈值、传输序列、图像处理设置、滤波设置或图像生成设置。基于根据被拟合到表面数据的模型的形状特征所生成的体重，自动地或手动地设置医学扫描仪的一个或多个设置。由医学扫描仪、通过使用所述设置来对患者78进行成像。

本文中所描述的各种改进可以一起或分开地被使用。虽然已经在本文中参考附图描述了本发明的说明性实施例，但是要理解的是本发明不限于那些精确的实施例，并且在不偏离本发明的范围或精神的情况下，在其中可以由本领域技术人员影响各种其它改变和修改。

Claims (20)

1.一种用于医学成像系统中根据表面数据的患者体重估计的方法，所述方法包括：

利用传感器来捕获患者的外表面，所述表面数据来自对患者外表面的捕获；

将患者模型拟合到所述表面数据；

从如被拟合到针对患者的表面数据的患者模型中提取针对一个或多个特征中每一个的值；

通过将针对所述一个或多个特征的一个或多个值输入到经机器学习的回归器来估计患者的体重；以及

基于体重来为患者定剂量。

2.根据权利要求1所述的方法，其中捕获包括利用作为深度传感器的传感器来进行捕获。

3.根据权利要求1所述的方法，其中捕获包括利用作为相机的传感器来进行捕获，其中所述表面数据基于光学测量。

4.根据权利要求1所述的方法，其中对患者模型进行拟合包括将统计形状模型拟合到表面数据。

5.根据权利要求1所述的方法，其中提取包括提取形状特征的值作为所述一个或多个特征之一。

6.根据权利要求5所述的方法，其中提取形状特征包括提取如经拟合的患者模型的身体体积。

7.根据权利要求1所述的方法，其中提取包括为多个不同身体部分中的每一个进行提取，并且其中估计包括根据针对所述多个不同身体部分的所述一个或多个特征的值来进行估计。

8.根据权利要求7所述的方法，其中估计包括估计针对不同身体部分的部分重量，并且对所述部分重量进行求和，总和包括患者的体重。

9.根据权利要求1所述的方法，其中提取包括提取针对形状流形系数的值作为特征。

10.根据权利要求1所述的方法，其中估计包括利用经机器学习的回归来进行估计，所述经机器学习的回归包括全卷积网络。

11.根据权利要求1所述的方法，其中估计包括利用经机器学习的回归来进行估计，所述经机器学习的回归包括经机器学习的线性回归。

12.根据权利要求1所述的方法，其中定剂量包括向患者施加辐射，其中辐射的量基于体重。

13.一种用于患者体重估计的医学成像系统，所述医学成像系统包括：

深度传感器，其被配置成测量到患者的深度；

图像处理器，其被配置成通过使用深度来形成针对患者的网格，并且根据如为患者所形成的网格来对患者的体重进行回归；以及

存储器，其被配置成存储经回归的体重。

14.根据权利要求13所述的医学成像系统，其中所述深度传感器包括深度相机，并且此外包括治疗辐射扫描仪，所述治疗辐射扫描仪被配置成向患者施加辐射剂量，所述辐射剂量的量基于体重。

15.根据权利要求13所述的医学成像系统，其中所述图像处理器被配置成从如为患者所形成的网格中提取针对形状特征的值，并且根据该值来对体重进行回归。

16.根据权利要求15所述的医学成像系统，其中所述形状特征包括针对网格整体或针对网格的一部分的体积。

17.根据权利要求13所述的医学成像系统，其中所述图像处理器被配置成从如为患者所形成的网格中提取针对形状流形的值，并且根据所述值来对体重进行回归。

18.根据权利要求13所述的医学成像系统，其中所述图像处理器被配置成响应于对经机器学习的回归器的输入来进行回归。

19.一种用于医学成像系统中的患者体重估计的方法，所述方法包括：

利用传感器来捕获患者的外表面；

从被拟合到利用传感器所捕获的外表面的患者模型中提取形状特征值；以及

根据形状特征值、通过回归来估计患者的体重。

20.根据权利要求19所述的方法，其中估计包括利用经机器学习的回归器来进行估计，并且此外包括为患者定剂量，其中剂量的量基于所估计的体重。

Images