[发明专利]使用卷积神经网络进行图像分割的系统和方法

说明书

本公开涉及用于分割三维图像的系统、方法、设备和非暂态计算机可读存储介质。在一个实现方式中，提供了一种用于分割三维图像的由计算机实现的方法。该方法可以包括：接收由成像设备获取的三维图像，以及创建来自三维图像的第一平面的第一二维图像堆叠和来自三维图像的第二平面的第二二维图像堆叠。该方法还可以包括：由处理器使用至少一个神经网络模型来分割第一二维图像堆叠和第二二维图像堆叠。该方法还可以包括：由处理器通过聚合来自第一堆叠和第二堆叠的分割结果来确定三维图像的标记图。

技术领域

本公开一般地涉及图像分割。更具体地，本公开涉及用于基于神经网络进行自动图像分割的系统和方法。

背景技术

在放射疗法(radiotherapy)或放射外科手术(radiosurgery)中，治疗计划通常基于患者的医学图像来执行，并且需要医学图像中的靶区和正常关键器官的描绘。因此，医学图像中的解剖结构的分割是放射疗法治疗计划的先决的且重要的步骤。准确且自动的基于计算机的分割解剖结构或者勾画解剖结构的轮廓可以利于设计和/或调节最佳治疗计划。然而，由于不同患者中的靶区和关键器官的形状、尺寸、位置等的变形和变化性，准确且自动地分割医学图像目前仍然是具有挑战性的任务。

图1示出了来自典型的前列腺癌患者的示例性三维(3D)计算机断层扫描(CT)图像。图(A)以3D视图示出了患者的骨盆区域，其包括患者的膀胱、前列腺和直肠。图像(B)、图像(C)和图像(D)是来自该骨盆区域的3D CT图像的横断图、矢状图和冠状图。如图像(B)、图像(C)和图像(D)所示，患者的前列腺边界的大部分是不可见的。也就是说，人们不能容易地将前列腺与其他解剖结构区分开来或者确定前列腺的轮廓。相比之下，图像(E)、图像(F)和图像(G)示出了相同的3D CT图像上的预期前列腺轮廓。如图1中所示，当使用仅基于图像中呈现的对比度和纹理的常规图像分割方法来分割该示例性3D CT图像时，可能会失败。因此，提出了提高自动分割医学图像的准确性的各种方法。

例如，基于图谱库的自动分割(ABAS)方法已经被用于处理放射疗法治疗计划中的勾画解剖结构的轮廓的问题。ABAS方法基于参考图像(即，图谱库)中的先前定义的解剖结构而在新图像中绘制轮廓。ABAS方法的准确性在很大程度上取决于图谱库配准方法的性能。如上所述，一些器官的形状和尺寸可能针对不同患者而不同，并且对于同一患者而言也可能在不同阶段大比例地变形，这可能降低配准准确性并且影响由ABAS方法执行的自动分割。

机器学习技术的最新发展使得实现了改进的图像分割，例如图像中的低对比度部分或较低质量图像会被更准确地分割。例如，各种机器学习算法可以“训练”机器、计算机或计算机程序来预测医学图像的每个像素或体素所表示的解剖结构(例如，通过估计医学图像的每个像素或体素表示解剖结构的可能性来进行上述预测)。这种预测或估计通常使用医学图像的一个或更多个特征作为输入。因此，分割的性能很大程度上取决于可用特征的类型。例如，随机森林(RF)方法已经被用于图像分割目的并且取得了一些成功。可以基于从一组训练样本中提取不同特征来构建RF模型。然而，RF方法中采用的特征需要手动设计并且特定于勾画一种类型的器官的轮廓。针对不同的分割应用设计最佳的特征组合是繁琐且耗时的。

因此，需要新的自动分割方法来改进对放射疗法或相关领域中的医学图像的分割性能。

发明内容

本公开的某些实施例涉及一种用于分割三维图像的由计算机实现的方法。该方法可以包括：接收由成像设备获取的三维图像，以及创建来自三维图像的第一平面的第一二维图像堆叠和来自三维图像的第二平面的第二二维图像堆叠。该方法还可以包括：由处理器使用至少一个神经网络模型来分割第一二维图像堆叠和第二二维图像堆叠。该方法还可以包括：由处理器通过聚合来自第一堆叠和第二堆叠的分割结果来确定三维图像的标记图。