[发明专利]为生理树结构生成解剖标签的计算机实现的方法、装置和介质

说明书

本公开涉及一种为生理树结构生成解剖标签的计算机实现的方法、装置和介质。该方法可以包括接收所述生理树结构的3D模型和3D骨架线，其中，所述3D模型是基于由成像装置获取的所述生理树结构的医学图像数据重建的。然后，从可选级别的池中选择至少一个级别用于提取几何特征。接着，由处理器，在所选择的至少一个可选级别沿着所述3D骨架线从所述生理树结构的所述3D模型提取几何特征。由所述处理器可以基于所提取的几何特征使用训练好的学习网络为所述生理树结构生成解剖标签。该方法和装置能够为生理树结构快速、精确且自动地生成解剖标签，增加了自动标注的鲁棒性和准确度。

相关申请的交叉引用

本申请要求2017年12月21日提交的美国临时申请第62/608,872号的优先权，其全部内容通过引用结合在此。

技术领域

本公开一般地涉及医学图像处理和分析。更具体地，本公开涉及为生理树结构生成解剖标签的方法和装置。

背景技术

血管、气管通路等都是分级的树结构。对这些结构自动识别并分配正确的解剖标签便利医师和放射科医师的诊断过程。现有的自动生成医学报告的方法大体依赖于解剖标签(诸如冠状动脉血管、支气管树等)的正确识别以及基于识别的标签的正确分配。诊断可能依赖于识别和标注的准确度。例如，狭窄的解剖位置经常与其对心脏的正常功能的影响的严重性有关。因此，如果利用现有算法来检测狭窄，重点是要识别其位于何处，其可能依赖于为对应血管自动识别正确的解剖标签(例如左前降支动脉)。

例如，解剖上含义丰富的冠状动脉为心肌的特定区域供血，但是这些动脉的形态和拓扑结构随着个体不同而广泛变化。因此，自动标注的一个挑战出自冠状动脉的个体大变异性，尤其是从主分支生出的一些次级动脉。这样的复杂性也对存在于人体中除了冠状动脉以外的其他脉管的标注提出了挑战。

现有的方法对于个体大变异性也不够可靠。大体说来，现有的方法典型地依赖基于有限数量的人体冠状动脉的统计结果的人类冠状动脉图谱模型，或者依赖硬编码的几何或拓扑标准和/或参数。由于个体变异性，这些方法对于脉管标注鲁棒性也较低。

提供本公开的方法和装置来解决以上关注问题。

发明内容

本公开提供了一种可以快速、准确其自动地为生理树结构生成解剖标签的方法和装置。该方法和装置通过使用学习网络(诸如神经网络)增加了自动标注的鲁棒性和准确度，该学习网络能够学习本质的解剖特征而没有任何人类定义的标准，且随着数据的增加能够持续改进性能。此外，所述方法和装置可以选择(改变)要提取并馈送到学习网络中的几何特征的级别，以便满足标注速度、资源消耗和粒度精度上的需求。

在一个方案中，本公开涉及一种为生理树结构生成解剖标签的计算机实现的方法。该方法可以包括接收所述生理树结构的3D模型和3D骨架线。所述3D模型是基于由成像装置获取的所述生理树结构的医学图像数据重建的。该方法还包括从可选级别的池中选择至少一个级别用于提取几何特征。该方法还包括由处理器在所选择的至少一个可选级别沿着所述3D骨架线从所述生理树结构的所述3D模型提取几何特征。该方法还包括由所述处理器基于所提取的几何特征使用训练好的学习网络为所述生理树结构生成解剖标签。

在另一方案中，本公开涉及一种为生理树结构生成解剖标签的装置。所述装置可以包括接口，所述接口配置为接收由成像装置获取的所述生理树结构的医学图像数据。并且所述装置还可以包括处理器，所述处理器配置为：基于所接收的医学图像数据，重建所述生理树结构的3D模型并提取所述生理树结构的3D骨架线。所述处理器还可以配置为从可选择级别的池中选择至少一个级别用于提取几何特征，并且在所选择的至少一个级别上沿着所述3D骨架线从所述生理树结构的所述3D模型提取可选级别的几何特征。此外，所述处理器可以配置为基于所提取的几何特征使用训练好的学习网络为所述生理树结构生成解剖标签。