[发明专利]用于学习增强的基于图谱的自动分割的方法和装置

说明书

介绍

本领域中存在对提高图像的基于图谱的自动分割(ABAS)的效率和准确度的需要。例如，关于医学图像，结构轮廓勾画或分割对放射治疗计划来说极为重要。虽然由人类专家进行手动轮廓勾画仍然是临床上用于高质量分割的常用标准，然而手动轮廓勾画是乏味、费时的，并且受损于评价者自身和评价者们之间大的变化性。

由于图像噪声和其他伪像，以及对于大多数软组织结构的有限图像对比度，图像(例如计算机断层扫描(CT)图像)的自动分割已被证明是一个非常具有挑战性的问题。在最近几年，ABAS技术已显示出作为解决方案的希望。然而，发明人认为，现有ABAS技术的准确度仍可加以改进，以使ABAS在实践中更有用并被更广泛地接受。

ABAS的基本原理是使用一幅或多幅已分割的图像(例如，来自先前治疗的患者)来执行受试者图像的分割。这些已分割的图像连同其注解(例如，结构标记图或结构表面)被称为图谱。通过图像匹配(也称为图像配准)将新的受试者图像对准图谱图像后，使用所计算的图像变换，谱图上限定的结构标记可以被映射到患者图像，这随后为该患者图像生成结构标记。整个过程可以完全自动化，因为存在许多自动图像配准方法。基于这个原理，可以预期ABAS的准确度在很大程度上取决于所采用的图像配准方法。然而，不管使用哪种图像配准算法，ABAS的准确度还取决于所选图谱相比起患者图像有多相似。此外，虽然当执行ABAS时多图谱的使用有助于减轻这种影响，发明人认为ABAS可以如本文所述进一步提高。

例如，即使采用多图谱ABAS，分割准确度仍严重依赖于各图谱图像和受试者图像之间的图像配准。此外，应当理解的是，ABAS(无论是多图谱ABAS或单图谱ABAS)在根本上不同于基于模型的分割，例如已公布PCT专利申请WO 2011/110960所描述的的基于模型的分割。对于基于模型的分割，训练数据例如图谱图像被互相配准以产生感兴趣结构的模型。此模型目的在于表征结构的形状变化，在随后的分割过程中使用此模型而不是图谱图像。因此，对于基于模型的分割，图谱图像未被配准至受试者图像。而是，仅仅是产生的形状模型被配准至受试者图像。与此相反，对于ABAS，各图谱图像被配准到受试者图像，分割过程随后运行以基于各图谱图像至受试者图像的配准将结构标记从各图谱图像映射至受试者图像。

独立于图像配准，分割也可被演化为分类问题，其目的是构建可以将正确的类别(结构)标记分配给给定图像的各个点的图像分类器。图像点分类本身也是一个困难的问题，特别是如果希望一个分类器能够确定完整3D图像中任意体素(voxel)的正确标记。因此，发明人公开了在混合方法中结合ABAS和图像分类两者力量的各种实施例。

为此目的，发明人公开了一种自动分割方法，包括：(1)使用图谱图像在受试者图像中的多个点上执行ABAS，以生成代表受试者图像中的结构的第一数据，(2)将受试者图像中的多个点应用到学习增强分类器，以生成代表受试者图像中的结构的第二数据，和(3)结合第一数据和第二数据，以生成代表受试者图像中的结构的第三数据，其中该方法步骤由处理器执行。在优选实施例中，可以使用多个图谱图像，这使得该ABAS是多图谱ABAS。

发明人还公开了一种自动分割装置，包括处理器，其中该处理器被配置成(1)使用图谱图像在受试者图像中的多个点上执行ABAS，以生成代表受试者图像中的结构的第一数据，(2)将所述受试者图像中的多个点应用到学习增强分类器，以生成代表受试者图像中的结构的第二数据，和(3)结合第一数据和第二数据，以生成代表受试者图像中的结构的第三数据。同样的，如上所述，在优选实施例中可以使用多个图谱图像，这使得该ABAS是多图谱ABAS。

更进一步，发明人公开了一种用于自动分割的计算机程序产品，包括：驻留于非暂时性计算机可读存储介质上的多个指令，并且可由处理器执行，以(1)使用图谱图像在受试者图像中的多个点上执行ABAS，以生成代表受试者图像中的结构的第一数据；(2)将受试者图像中的多个点应用到学习增强分类器，以生成代表受试者图像中的结构的第二数据；和(3)结合第一数据和第二数据，以生成代表受试者图像中的结构的第三数据。再次的，在优选实施例中，该ABAS可以是多图谱ABAS。