[发明专利]使用数字重建放射影像训练机器学习算法

说明书

本发明公开了一种用于训练基于似然的计算模型的以确定二维X射线图像中带注释的解剖结构的图像表示的位置计算机实施的方法，该方法包含将医学DRR与注释一起输入到机器学习算法，以训练算法，即生成机器学习模型的适应性可学习参数。可从与DRR相关联的元数据中导出注释，或可将其包含在与DRR相匹配的图谱数据中，以在图谱数据中所包含的注释与DRR之间建立关系。这样生成的机器学习算法可再用于分析临床或合成DRR，以便适当地向那些DRR添加注释和/或识别那些DRR中解剖结构的位置。

技术领域

本发明涉及一种训练基于似然的计算模型以确定二维X射线图像中的带注释的解剖结构的图像表示的位置的计算机实施的方法、一种相应的计算机程序、一种用于确定二维医学图像中表示的解剖结构与该解剖结构的注释之间的关系的计算机实施的方法、一种存储该程序的程序存储介质、一种用于执行该程序的计算机，以及包括电子数据存储设备和上述计算机的医疗系统。

背景技术

先前已经利用了使用合成模型来训练机器学习算法。例如，Microsoft Kinect接受3D模型训练，该3D模型提供每个姿势的标签。

该文献中并未提及使用数字重建放射影像(DRR)来训练算法，然后将其与其他数据集一起使用。仅训练临床数据的难点在于收集数据可能耗费大量时间，数据的质量可能很低，并且必须进行分类和标记来进行机器学习。使用DRR，能够自动执行标记过程。

本发明的目的在于提供一种改进的训练和使用人工智能(AI)算法的方法，用于将注释应用于医学图像数据，或用于检测医学图像数据中预定解剖结构的图像位置。

本发明能够用于图像引导程序，例如，与用于放射疗法(诸如和)、手术导航(诸如或)或基于云的手术计划(诸如)的系统有关的Brainlab AG的所有产品。

下面公开本发明的各方面、示例和示例性步骤及其实施例。只要技术上适宜且可行，便能根据本发明组合本发明的不同示例性特征。

发明内容

在下文中，给出了本发明具体特征的简要描述，不应将其理解为将本发明仅限于本部分中描述的特征或特征的组合。

本公开的方法包含将医学DRR连同注释一起输入到机器学习算法，以训练该算法，即，生成机器学习模型的适应性可学习参数。注释可以从与DRR相关联的元数据中导出，或者可以被包含在与DRR匹配的图谱数据中，以在图谱数据中所包括的注释与DRR之间建立关系。这样生成的机器学习算法可以再用于分析临床或合成DRR，以便适当地向那些DRR添加注释和/或识别那些DRR中解剖结构的位置。

在本部分中，例如通过参照本发明的可行实施例给出对本发明的一般特征的描述。

一般而言，第一方面，本发明达成上述目的的解决方案为一种训练基于似然的计算模型以确定二维X射线图像中的带注释的解剖结构的图像表示的位置的计算机实施的医学方法。根据第一方面的方法包括在至少一台计算机(例如，至少一台作为导航系统的一部分的计算机)的至少一个处理器上，执行由至少一个处理器执行的以下示例性步骤。

在根据第一方面的方法的(例如第一)示例性步骤中，获取图像训练数据，该图像训练数据描述合成二维X射线图像(例如，数字重建放射影像-DRR)，又称为训练图像，包含解剖结构的图像表示。该步骤对应于输入用于训练基于似然的计算模型的一组训练DRR。术语“解剖结构”包含异常组织，例如病理组织，例如肿瘤或骨裂/骨折或骨骼错位或医学植入物(如螺钉或人造椎间盘或假肢)。