CN113330485A - 评估将图像分割成不同类型组织的质量，用于使用肿瘤治疗场（TTField）来计划治疗 - Google Patents

Abstract

为了计划肿瘤治疗场（TTField）疗法，患者的头部的模型通常被用于确定治疗期间换能器阵列定位在何处，并且该模型的准确度大部分取决于MRI图像的准确分割。分割的质量可以通过将分割呈现给先前训练的机器学习系统来改进。机器学习系统为分割生成质量分数。接受对分割的修正，并且机器学习系统对经修正的分割评分。质量分数被用于可选地通过运行对应于多个不同换能器阵列布局的每个分割的模型的模拟来确定哪个分割提供更好的结果。

Description

评估将图像分割成不同类型组织的质量，用于使用肿瘤治疗 场（TTField）来计划治疗

相关申请的交叉引用

本申请要求2019年1月8日提交的美国临时申请62/789,660的权益，所述美国临时申请62/789,660以其整体通过引用合并到本文中。

背景技术

肿瘤治疗场（TTField）是FDA批准的用于管理多形性胶质母细胞瘤（GBM）的疗法，并且正在研究中以用于多个附加的适应症。参见例如Stupp, R.等人：Effect of Tumor-Treating Fields Plus Maintenance Temozolomide vs Maintenance TemozolomideAlone on Survival in Patients With Glioblastoma（肿瘤治疗场加维持替莫唑胺与单独维持替莫唑胺对具有胶质母细胞瘤患者的生存的影响）：随机临床试验. JAMA. 318,2306-2316 (2017)，其通过引用合并到本文中。通过放置在患者头皮上的换能器阵列（TA）的放置以及电场到肿瘤区的递送，TTField被递送到肿瘤。肿瘤内较大的电场强度或功率密度与改进的治疗结果相关联。这两个参数直接取决于TA的位置。

一种用于确定在特定患者的头部上的何处放置TA的方法是要创建该患者的头部的准确模型，该模型包括图像中每个体素的组织类型（例如，白质、灰质、CSF等）；在模型上定位模拟的TA；向TA施加模拟的电压；并且计算模型中每个肿瘤体素处的电场或功率密度。但是迄今为止，创建包括每个体素的组织类型的患者的头部的准确模型的步骤已经是极其劳动密集的过程。

存在用于创建患者的头部模型的自动和半自动方法，并且这些方法不太劳动密集。但是使用这些方法生成的模型的准确度/质量可以从图像到图像急剧地变化。并且当具有差的准确度/质量的模型被用于计算模型中每个肿瘤体素处的电场或功率密度时，计算的电场或功率密度相对于实际电场或功率密度可以显著分歧。并且这种分歧可能具有临床含意，因为当实际电场或功率密度显著低于预测的时，患者可能无法接收他或她的TTField治疗的全部益处。

发明内容

本发明的一个方面针对估计图像分割的质量的第一方法。第一方法包括训练机器学习系统，以基于多个参考图像和已经分配给每个参考图像的至少一个质量分数来估计图像分割的质量。第一方法还包括将新图像和新图像的分割呈现给机器学习系统；从机器学习系统接收用于新图像的分割的至少一个第一质量分数；以及输出用于新图像的分割的所述至少一个第一质量分数。

在第一方法的一些实例中，机器学习系统被训练为基于（a）仿射配准的质量、（b）可变形配准的质量、（c）输入图像属性、和（d）经分割组织的几何属性来估计图像分割的质量。

在第一方法的一些实例中，可变形配准的质量基于变形的场偏差、方向可变性和均值每轴可变性来确定。在第一方法的一些实例中，输入图像属性分别包括每个组织的最短轴长度和信噪比。在第一方法的一些实例中，经分割组织的几何属性包括形状的体积和经连接组件的数量，每个几何属性是按组织计算的。

在第一方法的一些实例中，机器学习系统被训练为基于至少一个全局质量特征、至少一个局部质量特征和颅内组织的最短轴长度来估计新图像的分割的质量。在这些实例中，机器学习系统被训练为基于图像质量和颅外组织的组织形状属性来估计新图像的分割的质量。

第一方法的一些实例进一步包括对分割进行自动调整；将经调整的分割呈现给机器学习系统；从机器学习系统接收经调整的分割的至少一个第二质量分数；以及当所述至少一个第二质量分数指示相对于所述至少一个第一质量分数的改进的质量时，输出指示。

本发明的另一方面针对改进图像分割的质量的第二方法。第二方法包括将新图像和新图像的第一分割呈现给机器学习系统。机器学习系统已经被训练为基于多个参考图像和已经分配给每个参考图像的至少一个质量分数来估计图像分割的质量。第二方法还包括从机器学习系统接收新图像的第一分割的至少一个第一质量分数；输出用于新图像的第一分割的所述至少一个第一质量分数；以及从用户接受对第一分割的至少一个修正。第二方法还包括将新图像的第二分割呈现给机器学习系统，其中所述第二分割基于对第一分割的所述至少一个修正；从机器学习系统接收新图像的第二分割的至少一个第二质量分数；以及输出用于新图像的第二分割的所述至少一个第二质量分数。

在第二方法的一些实例中，新图像的第一分割的至少一个第一质量分数由整个新图像的单个第一质量分数组成，并且新图像的第二分割的至少一个第二质量分数由整个新图像的单个第二质量分数组成。

在第二方法的一些实例中，新图像的第一分割的至少一个第一质量分数包括新图像内的多个区域中的每一个的单独的第一质量分数，并且新图像的第二分割的至少一个第二质量分数包括新图像内的多个区域中的每一个的单独的第二质量分数。

在第二方法的一些实例中，新图像的第一分割的至少一个第一质量分数包括新图像内的多个组织类型中的每一个的单独的第一质量分数，并且新图像的第二分割的至少一个第二质量分数包括新图像内的多个组织类型中的每一个的单独的第二质量分数。

在第二方法的一些实例中，对第一分割的至少一个修正包括以下调整：使给定体素属于特定组织类型的计算概率移位。

在第二方法的一些实例中，对第一分割的至少一个修正包括以下调整：对于新图像中对应于组织的所有体素，（a）增加给定体素属于第一组织类型的计算概率，以及（b）减少给定体素属于第二组织类型的计算概率。

第二方法的一些实例进一步包括：（a）通过使用基于第一分割而选择的组织类型运行有限元模拟，计算第一分割的确定质量可以如何改变对应于肿瘤的新图像的目标区域中的平均预期功率密度，以及（b）通过使用基于第二分割而选择的组织类型运行有限元模拟，计算第二分割的确定质量可以如何改变新图像的目标区域中的平均预期功率密度。

第二方法的一些实例进一步包括：（a）通过使用基于第一分割而选择的组织类型运行有限元模拟，计算第一分割的确定质量可以如何改变对应于肿瘤的新图像的目标区域中的最低合理预期功率密度，以及（b）通过使用基于第二分割而选择的组织类型运行有限元模拟，计算第二分割的确定质量可以如何改变新图像的目标区域中的最低合理预期功率密度。

第二方法的一些实例进一步包括最大化肿瘤床中的最低合理预期功率密度。第二方法的一些实例进一步包括计算至少一个候选布局的置信度分数，其中所述置信度分数指示给定布局是最佳布局的几率。

本发明的另一个方面针对确定分割的质量的第三方法。第三方法包括测量训练集的经计算的头部分割和经验证的头部分割之间的骰子系数；提取特征以计及可变形配准质量；分别合并每个组织的最短轴长度和信噪比作为输入图像质量；以及将各集合之间测量的骰子系数与骰子系数的预测进行比较。

在第三方法的一些实例中，提取以计及可变形配准质量的特征包括：变形的场偏差、方向可变性和均值每轴可变性。

在第三方法的一些实例中，形状的体积和经连接组件的数量被用于描述分割形状。

附图说明

图1A描绘了GBM患者的头部的MRI T1w图像。

图1B描绘了使用参考算法的图1A MRI的分割。

图1C描绘了对应于图1A MRI的经验证的分割。

图2A描绘了每个经分割组织的计算特征和骰子系数之间的绝对皮尔逊（Pearson）相关性。

图2B描绘了建议特征和骰子系数的决策树回归器输出预测。

图3是描绘使用质量估计机器学习系统来改进用于TTField疗法的换能器阵列的定位计划的步骤集合的流程图。

图4描绘了可以用于向用户进行质量呈现并且还允许用户对分割进行校正的合适用户接口的示例。

图5A-5C描绘了可以用于总结针对五个不同的候选换能器阵列布局的肿瘤床中的估计场强（或功率密度）的用户接口的示例。

下面参考附图详细描述各种实施例，其中类似的参考标记表示类似的元素。

具体实施方式

为了在肿瘤中获得期望的场强（或功率密度），改进TA放置的关键步骤是将头部正确分割成具有相似电属性的组织。常规的分割质量的视觉检查方法是无价但耗时的。

本申请描述了在模型已经生成之后用于估计模型的质量或准确度的方法。该模型可以使用手动、自动或半自动方法、或者这些方法中的两个或更多个的组合来生成。在多个情况下，获得给定模型的质量估计可能是有用的。在一个示例中，当测试特定的模型并且结果表明该模型的估计质量低时，该结果让用户了解，在进行到TA放置/模拟阶段之前，应该采取步骤来改进模型的质量。另一方面，当测试特定的模型并且结果表明该模型的估计质量高时，对该结果的了解可以为操作者提供指示：它们已经花费了足够的时间来细化分割，并且可以进行到TA放置模拟阶段。

自动质量评定可以协助自动细化分割参数，向用户建议缺陷点，并指示分割的方法是否具有足够的准确度以用于TTField模拟。

图1A描绘了GBM患者的头部的MRI T1w图像；图1B描绘了使用参考算法的图1A MRI的分割；图1C描绘了对应于图1A MRI的经验证的分割。在两次分割中，肿瘤是半自动预分割的。

本文中所描述的实施例使得有可能预测由给定算法生成的分割（例如，图1B的分割）和预期的经验证的分割之间的相似度，而无需生成该预期的经验证的分割（即，如果生成，将对应于图1C的图）。

在完成该目标的一种方法中，发明人标识了与基于图谱的分割相关的特征集合，并示出了这些特征与经验证的分割和自动计算的分割之间的相似度度量显著相关（p <0.05）。这些特征被合并到决策树回归器中，以使用留一法预测20个TTField患者的经验证的分割和经计算的分割的相似度。预测的相似度度量与实际的相似度度量高度相关（平均绝对差异3%（SD = 3%）；r = 0.92，p < 0.001）。因此，合理地推断，通过合并机器学习和与分割相关的特征，分割的质量估计是可行的。注意，尽管在本段中仅描述了单个机器学习方法，但是各种替代的机器学习方法可以因此被取代，如将被相关领域中的技术人员所领会的。

用于针对不同的TA布局估计特定GBM患者肿瘤内的电场的半自动协议的一个示例包括三个步骤：1）头部分割和将电组织属性（电导率和/或介电常数）分配给3D图像中的每个体素；2）在头部的外表面上虚拟放置TA，以及；3）模拟电场传播和估计肿瘤内的剂量。参见例如Bomzon, Z.等人：Using computational phantoms to improve delivery ofTumor Treating Fields (TTFields) to patients（使用计算体模来改进肿瘤治疗场（TTField）对患者的递送）：2016年第38届IEEE医学和生物学会工程（EMBC）国际年会. pp.6461–6464. IEEE (2016)，其通过引用合并到本文中。可以例如通过首先使用SPM-MARS并微调其参数并且然后通过手动修复分割误差来半自动地施行头部分割。参见例如Huang,Y.，Parra, L.C.：Fully Automated Whole-Head Segmentation with ImprovedSmoothness and Continuity, with Theory Reviewed（具有改进的平滑度和连续性的全自动全头部分割，具有理论回顾）. PLoS One. 10, e0125477 (2015)，其通过引用合并到本文中。

适合于施行第一步骤（头部分割）的一种方法是基于图谱的自动头部分割方法。在一个示例中，为了确保（例如，在肿瘤床中）TTField剂量的估计保持与结果相似且相关，发明人开发了用于估计基于图谱的分割方法的质量的过程。该方法专门设计用于评估基于图谱的分割算法，旨在促进更好的估计。可选地，更通用的方法也可以合并以用于该目的。参见例如Gerig, G.等人：维美德（Valmet）：A New Validation Tool for Assessing andImproving 3D Object Segmentation（一种用于评定和改进3D对象分割的新的验证工具）。于2001年10月14日提出；Warfield, S.K.等人：Simultaneous truth and performancelevel estimation (STAPLE): an algorithm for the validation of imagesegmentation（同时真实和性能水平估计（STAPLE）：一种用于验证图像分割的算法）。IEEETrans. Med. Imaging. 23, 903-21 (2004)；以及Commowick, O.等人：Estimating areference standard segmentation with spatially varying performance parameters（用空间变化的性能参数来估计参考标准分割）： local MAP STAPLE. IEEE Trans. Med.Imaging. 31, 1593–606 (2012)，所述中的每一个均通过引用合并到本文中。

用于估计给定分割的质量的方法依赖于预测头部的经计算的分割和经验证的分割之间的相似度度量，但是缺乏经验证的分割。为了测量分割的质量，在训练集的经计算的头部分割和经验证的头部分割之间测量骰子系数。然后，调查了似乎与基于图谱的分割方法相关的四个种类的特征：1）全局（仿射）配准的质量；2）局部（可变形）配准的质量；3）输入图像属性，以及；4）经分割组织的几何属性。

在一个示例中，全局配准质量是用逆一致性来估计的。参见例如Rivest-Hénault等人：Robust inverse-consistent affine CT–MR registration in MRI-assisted andMRI-alone prostate radiation therapy（MRI协助和单独MRI前列腺放射疗法中的鲁棒逆一致仿射CT-MR配准）. Med. Image Anal. 23，56-69 (2015)，其通过引用合并到本文中。在该示例中，提取以下特征以计及可变形配准质量：1）变形的场偏差（所有向量的均值）；2）方向可变性（3元素向量的SD，即每个轴的均值），以及；3）均值每轴可变性（3元素向量的均值，即每个轴的SD）。在该示例中，每个组织的最短轴长度和信噪比分别用作输入图像质量的指示符。并且尽管可以限定描述分割形状的许多特征，但是在该示例中选择了两个度量：形状的体积和经连接组件的数量。这些度量是按组织计算的，如图2A中所描绘的。

特征被合并在决策树回归器中。参见例如Breiman, L.：Classification AndRegression Trees（分类和回归树）. Routledge (2017)，其通过引用合并到本文中。在20个TTField患者的头部MR-T1图像、其经验证的分割和其自动生成的对应物上应用了留一法。最后，将各集合之间测量的骰子系数与骰子系数的预测进行比较。

图2A描绘了计算特征（列）和每个经分割组织（行）的骰子系数之间的绝对皮尔逊相关性。在经验证的头部分割和用新的自动分割方法计算的头部分割之间计算骰子系数（*p < 0.05）。

图2B描绘了建议特征和骰子系数的决策树回归器输出预测，该预测与实际的骰子系数高度相关（r = 0.92；p < 0.001）。注意，在图2A-2B中，CSF-脑脊液；Skin-皮肤和肌肉；GM-灰质；WM-白质；SNR-信噪比；cc-#经连接组件。图2A-2B中所描绘的结果示出，颅内组织与配准（全局和局部）质量特征和最短轴长度显著相关（p < 0.05）；并且相比之下，颅外结构与图像质量和组织的形状属性显著相关（p < 0.05）。此外，预测度量与实际度量是相似且高度相关的（平均绝对差异3%（SD= 3%）；r = 0.92，p < 0.001）。

本文中所描述的结果示出，通过合并机器学习方法和与分割相关的特征，分割的质量估计是可行的。可选地，可以合并同时真实和性能水平估计（STAPLE）方法或其变体之一来改进分割质量的预测。参见例如Akhondi-Asl等人：Simultaneous truth andperformance level estimation through fusion of probabilistic segmentations（通过概率分割融合的同时真实和性能水平估计）. IEEE Trans. Med. Imaging. 32，1840-52(2013)，其通过引用合并到本文中，以及上面标识的Warfield和Commowick的参考文献。分割质量估计可以改进TTField计划，并且下面描述了量化分割误差对TTField模拟结果的影响。

可选地，系统可以被编程以对分割进行自动调整，以便达成改进的分割。例如，系统可以改变对某些组织类型之间的边界具有全局影响的一个或多个参数。这样的改变的一个示例是进行以下调整：对于图像中对应于组织的所有体素，（a）增加给定体素属于第一组织类型的计算概率，以及（b）减少给定体素属于第二组织类型的计算概率。

在进行自动调整之后，通过将经调整的分割呈现给机器学习系统来重新评估分割的质量。机器学习系统输出用于经调整的分割的至少一个第二质量分数。当所述至少一个第二质量分数指示相对于所述至少一个第一质量分数的改进的质量时，输出指示。这种方法可以用于通过对分割进行自动调整来改进分割。

一种用于计划TTField疗法的常见的现有技术方法涉及以下四个步骤：创建分割；用户对分割质量的视觉评估；使用标准工具的分割校正；以及基于TTField估计进行的用户的临床决策。

图3是描绘使用质量估计机器学习系统来改进用于TTField疗法的换能器阵列的定位计划的步骤集合的流程图。步骤10正在训练机器学习系统以估计分割的质量，并且这可以基于多个参考图像和已经分配给每个参考图像的至少一个质量分数来完成，如上面结合图1和2所描述的。

如果我们假设机器学习系统先前已经在步骤10中被训练，则针对任何新图像的过程的第一步骤将是步骤20。图3中的步骤20-70描绘了通过合并自动分割质量估计（例如，上面结合图1-2所描述的自动分割质量估计）以及关于分割误差和TTField计算质量的指导来在现有技术方法之上改进的TTField计划协议的示例。在步骤20中，用户（例如，使用计算方法或手动）创建医学图像的分割。对于相关领域中的技术人员来说将是显而易见的各种常规方法中的任一种都可以用于创建初始分割。在步骤30中，该分割以及关联的原始图像被呈现给机器学习系统。

接下来，在步骤40中，从机器学习系统获得所呈现的分割的质量估计（例如，如上面结合图1-2所描述的），并且该质量估计被呈现给用户。

图4描绘了可以用于向用户进行质量呈现并且还允许用户对分割进行校正的合适用户接口的示例。质量呈现可以以各种方式进行，包括但不限于（a）任何给定分割的单个总分数（例如，在图4的左下方上描绘的60%分数），（b）由于任何给定分割中的低质量分数而应该修正特定组织的推荐（例如，如在图4的左上方上描绘的），和/或（c）图像上特定区域的标识，其中对于任何给定分割，计算的分割的质量是低的。指示后者的一种方式是通过用透明区域（例如，图4中描绘的圆42）或不透明区域（例如，图4中的区域44）来覆盖与低分割质量相关联的分区。

用于描绘与低分割质量相关联的分区的各种替代方法对于相关领域中的技术人员来说将是容易显而易见的，所述方法包括但不限于生成描绘图像中每个点处的分割的估计质量的彩色编码覆盖（相似于热图）。在替代实施例中，仅向用户提供图4中描绘的方法的子集。在替代实施例中，向用户提供不同的用户接口来进行质量呈现。

在图3协议的下一个步骤（即，步骤50）中，用户基于在步骤40中呈现的质量数据来修正分割。这可以使用各种方法来完成。在一种方法（步骤50A）中，用户执行自动校正方法。在另一种方法（步骤50B）中，用户改变对边界具有全局影响的参数。这可以例如通过进行以下调整来完成：对于新图像中对应于组织的所有体素，（a）增加给定体素属于第一组织类型的计算概率，以及（b）减少给定体素属于第二组织类型的计算概率。可以使用任何适当的用户接口对任何给定的分割进行这种调整，所述用户接口包括但不限于在图4底部上所描绘的滑块。例如，向左滑动标签为“头骨到肌肉”的第一滑块46逐渐增加任何给定体素是头骨体素的计算概率，并逐渐减少给定体素是肌肉体素的计算概率。并且向右滑动第一滑块46逐渐增加任何给定体素是肌肉体素的计算概率，并逐渐减少给定体素是头骨体素的计算概率。在又另一种方法（步骤50C）中，用户使用标准的分割工具（诸如画笔或多边形标记）用于校正局部误差。注意，上面标识的三种方法仅仅是如何修正分割的示例，并且也可以使用对于相关领域中的技术人员来说将是显而易见的各种替代方法。

在一些优选实施例中，在步骤50中对分割已经进行修正之后，系统在步骤60中（例如，使用上面结合图1和2所描述的方法）重新计算分割的质量，并将经修正的结果呈现给用户。这可以响应于用户在步骤50中进行的调整而实时完成。替代地，这可以（例如，通过在用户接口上包括“刷新质量估计”按钮）在用户请求时完成。

图3协议的下一个步骤（即，步骤70）发生在对分割已经进行校正之后。在该步骤中，考虑到所选择的分割的质量估计，已经由用户选择的分割的估计质量被用于计划TTField治疗。TTField模拟的质量与组织分割的质量直接相关，因为分配错误的组织可以导致对场的不准确估计和次优的TTField治疗推荐。分割和TTField误差之间的关系可以被建模，使得分割质量的估计将促进对计算的TTField质量的估计。可以利用TTField质量估计来协助看护者进行治疗决策。例如，假设存在两种推荐的换能器阵列布局，其具有相似的TTField剂量，但是一种布局的TTField质量比另一种更好得多。本文中所描述的实施例向用户提供该信息，使得他们可以（例如，通过选择具有更高质量的布局）进行更明智的临床决策。

更进一步采取先前的想法，分割中的误差可能被传播以自动实现推荐的治疗。也就是说，除了其它因素之外，软件将优选其中关于TTField剂量的置信度高的设置。

图5A-5C描绘了可以用于总结针对五个不同的候选换能器阵列布局（TAL1-TAL5）的肿瘤床中的估计场强（或功率密度）的合适用户接口的示例，并且还示出了分割的质量如何影响场强估计。操作者可以使用该信息作为用于选择给定的候选换能器阵列布局而不是其它候选的基础。

对于基于给定分割的每个候选换能器阵列布局，系统通过使用基于给定分割而选择的组织类型运行有限元模拟，计算给定分割的确定质量可以如何降低目标区域（例如，对应于肿瘤的区域）中的平均预期场强。此外，对于基于给定分割的每个候选换能器阵列布局，系统通过使用基于给定分割而选择的组织类型运行有限元模拟，计算给定分割的确定质量可以如何降低目标区域中的最小预期场强。

更具体地，图5A示出了呈现正在考虑的每个候选换能器阵列布局（TAL1-TAL5）的两个值的表格。对于每个换能器阵列布局，左边的值是当忽略分割的质量时肿瘤中的平均估计TTField功率密度；并且右边的值是当考虑分割的质量时肿瘤中的最低（或第5百分位）平均估计TTField功率密度。

在该示例中，第一候选换能器阵列布局（TAL1）与肿瘤中80 mW/cm²的最高平均估计TTField功率密度相关联。但是当考虑到分割中可能的误差的影响时，该相同布局（TAL1）的TTField功率密度可以低至30 mW/cm²。相比之下，当忽略分割中可能的误差时，第三候选换能器阵列布局（TAL3）在肿瘤中具有较低的平均估计TTField功率密度（63 mW/cm²，参见TAL3的左列）。但是当考虑分割中可能的误差的影响时，TAL3布局的最低合理预期（例如，第5百分位）功率密度也将是63 mW/cm²（TAL3的右列）。因为当选择TAL3布局时，分割的质量将不对场功率密度具有一样大的负面影响，并且因为该布局的最低合理预期功率密度（即63mW/cm²）显著高于TAL1布局的最低合理预期功率密度（30 mW/cm²），所以TAL3布局比TAL1布局更优选，并且因此应该被选择。

换句话说，确定哪个TTField模拟是最佳的可以通过最大化X来完成，其中X是肿瘤床中的最低合理预期功率密度。可选地，系统可以被编程以计算哪个布局最大化X并推荐该布局。可选地，置信度分数可以与一个或多个可能的布局相关联，其中置信度分数指示给定布局是最佳布局的几率。

可选地，可以向用户显示每个候选换能器阵列布局的TTField空间分布的效果，以帮助用户选择哪个TAL是最佳的。在所图示的示例中，点击图5A中TAL1的左列将调出图5B，其示出了当忽略分割的质量时，覆盖在MRI上的估计场功率密度的空间图（在中间面板52B中）和局部最小功率密度的图形（在右边面板54B中）。并且点击图5A中TAL1的右列将调出图5C，其示出了当考虑分割的质量时，覆盖在MRI上的最低（或5%百分位）平均估计TTField功率密度的空间图（在中间面板52C中）和局部最小功率密度的图形（在右边面板54C中）。

虽然已经参考某些实施例公开了本发明，但是在不脱离如所附权利要求中限定的本发明的领域和范围的情况下，对所描述的实施例的许多修改、更改和改变是可能的。因此，意图是本发明不限于所描述的实施例，而是具有由以下权利要求及其等同物的语言限定的全部范围。

Claims (20)

1.一种估计图像分割的质量的方法，所述方法包括：

训练机器学习系统，以基于多个参考图像和已经分配给每个参考图像的至少一个质量分数来估计图像分割的质量；

将新图像和新图像的分割呈现给机器学习系统；

从机器学习系统接收用于新图像的分割的至少一个第一质量分数；以及

输出用于新图像的分割的所述至少一个第一质量分数。

2.根据权利要求1所述的方法，其中所述机器学习系统被训练为基于（a）仿射配准的质量、（b）可变形配准的质量、（c）输入图像属性、和（d）经分割组织的几何属性来估计图像分割的质量。

3.根据权利要求1所述的方法，其中所述可变形配准的质量基于变形的场偏差、方向可变性和均值每轴可变性来确定。

4.根据权利要求1所述的方法，其中所述输入图像属性分别包括每个组织的最短轴长度和信噪比。

5.根据权利要求1所述的方法，其中所述经分割组织的几何属性包括形状的体积和经连接组件的数量，每个几何属性是按组织计算的。

6.根据权利要求1所述的方法，其中所述机器学习系统被训练为基于至少一个全局质量特征、至少一个局部质量特征和颅内组织的最短轴长度来估计新图像的分割的质量，并且

其中所述机器学习系统被训练为基于图像质量和颅外组织的组织形状属性来估计新图像的分割的质量。

7.根据权利要求1所述的方法，进一步包括：

对分割进行自动调整；

将经调整的分割呈现给机器学习系统；

从机器学习系统接收经调整的分割的至少一个第二质量分数；以及

当所述至少一个第二质量分数指示相对于所述至少一个第一质量分数的改进的质量时，输出指示。

8.一种改进图像分割的质量的方法，所述方法包括：

将新图像和新图像的第一分割呈现给机器学习系统，其中所述机器学习系统已经被训练为基于多个参考图像和已经分配给每个参考图像的至少一个质量分数来估计图像分割的质量；

从机器学习系统接收新图像的第一分割的至少一个第一质量分数；

输出用于新图像的第一分割的所述至少一个第一质量分数；

从用户接受对第一分割的至少一个修正；

将新图像的第二分割呈现给机器学习系统，其中所述第二分割基于对第一分割的所述至少一个修正；

从机器学习系统接收新图像的第二分割的至少一个第二质量分数；以及

输出用于新图像的第二分割的所述至少一个第二质量分数。

9.根据权利要求8所述的方法，其中新图像的第一分割的至少一个第一质量分数由整个新图像的单个第一质量分数组成，并且其中新图像的第二分割的至少一个第二质量分数由整个新图像的单个第二质量分数组成。

10.根据权利要求8所述的方法，其中新图像的第一分割的至少一个第一质量分数包括新图像内的多个区域中的每一个的单独的第一质量分数，并且新图像的第二分割的至少一个第二质量分数包括新图像内的多个区域中的每一个的单独的第二质量分数。

11.根据权利要求8所述的方法，其中新图像的第一分割的至少一个第一质量分数包括新图像内的多个组织类型中的每一个的单独的第一质量分数，并且新图像的第二分割的至少一个第二质量分数包括新图像内的多个组织类型中的每一个的单独的第二质量分数。

12.根据权利要求8所述的方法，其中对第一分割的至少一个修正包括以下调整：使给定体素属于特定组织类型的计算概率移位。

13.根据权利要求8所述的方法，其中对第一分割的至少一个修正包括以下调整：对于新图像中对应于组织的所有体素，（a）增加给定体素属于第一组织类型的计算概率，以及（b）减少给定体素属于第二组织类型的计算概率。

14.根据权利要求8所述的方法，进一步包括（a）通过使用基于第一分割而选择的组织类型运行有限元模拟，计算第一分割的确定质量可以如何改变对应于肿瘤的新图像的目标区域中的平均预期功率密度，以及（b）通过使用基于第二分割而选择的组织类型运行有限元模拟，计算第二分割的确定质量可以如何改变新图像的目标区域中的平均预期功率密度。

15.根据权利要求8所述的方法，进一步包括（a）通过使用基于第一分割而选择的组织类型运行有限元模拟，计算第一分割的确定质量可以如何改变对应于肿瘤的新图像的目标区域中的最低合理预期功率密度，以及（b）通过使用基于第二分割而选择的组织类型运行有限元模拟，计算第二分割的确定质量可以如何改变新图像的目标区域中的最低合理预期功率密度。

16.根据权利要求8所述的方法，进一步包括最大化肿瘤床中的最低合理预期功率密度。

17.根据权利要求8所述的方法，进一步包括计算至少一个候选布局的置信度分数，其中所述置信度分数指示给定布局是最佳布局的几率。

18.一种确定分割的质量的方法，所述方法包括以下步骤：

测量训练集的经计算的头部分割和经验证的头部分割之间的骰子系数；

提取特征以计及可变形配准质量；

分别合并每个组织的最短轴长度和信噪比作为输入图像质量；以及

将各集合之间测量的骰子系数与骰子系数的预测进行比较。

19.根据权利要求18所述的方法，其中提取以计及可变形配准质量的特征包括：变形的场偏差、方向可变性和均值每轴可变性。

20.根据权利要求18所述的方法，其中形状的体积和经连接组件的数量被用于描述分割形状。

Images