[发明专利]自动3D脑肿瘤分割和分类

说明书

全自动脑肿瘤分割和分类方法和系统通过机器智能改善医疗保健体验。自动脑肿瘤分割和分类方法和系统利用整个肿瘤分割和多类肿瘤分割来提供准确的分析。

技术领域

本发明涉及肿瘤成像。更具体而言，本发明涉及3D脑肿瘤分割和分类。

背景技术

在神经外科手术期间，外科医生需要了解肿瘤的位置及其各种成分的边界。通常，临床医生需要花费几个小时从多次术前MRI扫描中手动勾画肿瘤类别，这是医疗资源的重大浪费。

发明内容

全自动脑肿瘤分割和分类方法和系统通过机器智能改善医疗保健体验。自动脑肿瘤分割和分类方法和系统利用整个肿瘤分割和多类肿瘤分割来提供准确的分析。

在一个方面，在设备的非瞬态存储器中编程的方法包括执行整个肿瘤分割和执行多类肿瘤分割。整个肿瘤分割包括：数据归一化和初始分割。整个肿瘤分割包括：利用包括T1、T1c、Flair和T2的多模式MRI、确定最小肿瘤半球、对组织进行分类、基于不同组织结构的强度识别强度控制点、基于强度控制点对每个MRI的强度进行归一化、定位初始肿瘤种子并基于肿瘤种子分割肿瘤。多类肿瘤分割包括：特征提取、体素分类和细化。特征提取包括：基于体素的(voxel-wise)特征和上下文特征，其中基于体素的特征包括确定外观特征、纹理特征和位置特征。上下文特征提取还包括：提取MRI的每个八分圆中的平均强度、提取多尺度上下文特征并组合来自T1c MRI和T2MRI的上下文特征。体素分类利用来自特征提取和决策树的信息来对肿瘤进行分类。细化包括病理学引导的细化，以确保肿瘤的正确分类。

在另一方面，一种装置包括：用于存储应用的非瞬态存储器，该应用用于：执行整个肿瘤分割并执行多类肿瘤分割；以及耦合到存储器的处理组件，该处理组件被配置用于处理应用。整个肿瘤分割包括：数据归一化和初始分割。整个肿瘤分割包括：利用包括T1、T1c、Flair和T2的多模式MRI、确定最小肿瘤半球、对组织进行分类、基于不同组织结构的强度识别强度控制点、基于强度控制点对每个MRI的强度进行归一化、定位初始肿瘤种子并基于肿瘤种子分割肿瘤。多类肿瘤分割包括：特征提取、体素分类和细化。特征提取包括：基于体素的特征和上下文特征，其中基于体素的特征包括确定外观特征、纹理特征和位置特征。上下文特征提取还包括：提取MRI的每个八分圆中的平均强度、提取多尺度上下文特征并组合来自T1c MRI和T2MRI的上下文特征。体素分类利用来自特征提取和决策树的信息来对肿瘤进行分类。细化包括病理学引导的细化，以确保肿瘤的正确分类。

在另一方面，一种系统包括磁共振成像设备和计算设备，所述计算设备被配置用于：执行整个肿瘤分割和执行多类肿瘤分割。整个肿瘤分割包括：数据归一化和初始分割。整个肿瘤分割包括：利用包括T1、T1c、Flair和T2的多模式MRI、确定最小肿瘤半球、对组织进行分类、基于不同组织结构的强度识别强度控制点、基于强度控制点对每个MRI的强度进行归一化、定位初始肿瘤种子并基于肿瘤种子分割肿瘤。多类肿瘤分割包括：特征提取、体素分类和细化。特征提取包括：基于体素的特征和上下文特征，其中基于体素的特征包括确定外观特征、纹理特征和位置特征。上下文特征提取还包括：提取MRI的每个八分圆中的平均强度、提取多尺度上下文特征并组合来自T1c MRI和T2MRI的上下文特征。体素分类利用来自特征提取和决策树的信息来对肿瘤进行分类。细化包括病理学引导的细化，以确保肿瘤的正确分类。

附图说明

图1图示了根据一些实施例的多模式MRI。

图2图示了根据一些实施例的自动3D脑肿瘤分割和分类方法的示图。

图3图示了根据一些实施例的整个肿瘤分割算法流程的示图。

图4图示了根据一些实施例的最小肿瘤半球定位器算法的示图。

图5图示了根据一些实施例的初始肿瘤种子定位器和整个肿瘤分割算法的示图。

图6图示了多类脑肿瘤分割挑战的示图。