[发明专利]用于医学成像的高度集成的注释和分割系统

说明书

本发明涉及用于医学成像的高度集成的注释和分割系统。用于训练分割校正模型的方法包括在多次迭代内执行迭代模型训练过程。在每次迭代期间，经由注释界面向人类注释者提供针对图像的初始分割估计。初始分割估计标识图像内的感兴趣的一个或多个解剖区域。与注释界面的交互被自动地监视以记录包括如下各项中的一个或多个的注释信息：（i）注释者经由注释界面对初始分割估计做出的分割校正，以及（ii）注释者在做出校正的同时执行的与注释界面的交互。基础分割机器学习模型被训练成基于图像来自动地创建基础分割。另外，分割校正机器学习模型被训练成基于图像来自动地执行分割校正。

技术领域

本发明一般地涉及用于使医学图像数据的注释和分割自动化的方法和系统。在本文中描述的技术一般可以应用于任何医学成像模式，包括而不限于磁共振（MR）、超声波和计算机断层扫描（CT）图像。

背景技术

医学成像的自动化要求学习如何执行特定任务的算法，并且这些算法要求“地面实况（ground truth）”数据用于训练和验证。该地面实况数据来自人类专家注释数据，但获得这样的注释是耗时的且昂贵的。关键问题包括如何在来自人类专家的最小努力的情况下高效地获得注释数据，以及如何在不支付比实际所需更多的情况下获得正确量的被标注数据。对于机器学习算法，附加挑战是知道何时已实现足够准确的结果。最后，注释、测试和验证的整个周期是慢的，限制创新的总体速度。

已存在利用由人类专家注释的数据来训练的许多机器算法。在典型的开发周期中，研究人员猜测将需要多少训练数据并且然而雇佣人类专家来提供该训练数据。在先的研究集中于如何最好地训练给定的一组带注释数据。

最近，深度学习已出现作为用于执行图像分割的流行且高度有效的方法。通过将图像分成不同的片段而产生对图像的分割。对于医学图像，这些片段可能对应于生物学上相关的结构，诸如器官、血管、病理等。然而，深度学习的一个最大限制是为了在不过适的情况下得到好的结果，大量被标注数据是必要的。

与普通照片和视频相比，医学图像难以注释。例如，不同的图像模式可能引入人们在没有医学训练的情况下不可容易地标识的伪像。此外，即使并非不可能，器官和其它相关解剖结构的可靠检测以及相关疾病和异常的标识将是困难的，除非注释者具有医学训练。这使得获得医学图像注释更昂贵，因为能够执行该任务的人的数目是有限的。

当前实践涉及首先获得注释然后是算法开发的顺序方法。来自创建该算法的任何益处不增强注释获取。在本公开中，我们描述了为了更高效的开发周期可以如何将针对分割算法开发和分割训练数据的两个需求组合成单个过程。鉴于同时使用注释者的动作来同步地驱动学习算法，在算法开发方面的改进将使注释加速。

发明内容

本发明的实施例通过提供用于医学成像任务的人工注释和自动分割的集成系统而解决和克服了上面的短处和缺点中的一个或多个。在本文中描述的技术依赖先前应用于对象分类和语义标注问题的机器学习技术以使分割校正过程自动化。在本文中描述的技术提供对各种计算机相关技术的改进。例如，所公开的技术使用计算系统以使得能实现先前不可以自动化的特定图像注释和分割任务的自动化。

根据一些实施例，用于训练分割校正模型的方法包括在多次迭代内执行迭代模型训练过程。在每次迭代期间，经由注释界面向人类注释者提供针对图像的初始分割估计。初始分割估计标识图像内的感兴趣的一个或多个解剖区域。与注释界面的交互被自动地监视以记录包括如下各项中的一个或多个的注释信息：（i）注释者经由注释界面对初始分割估计做出的分割校正，以及（ii）注释者在做出校正的同时执行的与注释界面的交互。基础分割机器学习模型被训练成基于图像来自动地创建基础分割。另外，分割校正机器学习模型被训练成基于图像来自动地执行分割校正。