基于模型的分割的概率细化的制作方法

文档序号:6359851阅读:291来源:国知局
专利名称:基于模型的分割的概率细化的制作方法
技术领域
本申请涉及图像分割。其尤其可以与用于描绘目标体积、器官等的医疗诊断成像结合来应用。
背景技术
诸如CT、MRI、PET、SPECT和超声波的各种诊断成像模态生成患者的内部解剖体的三维图像。通常采用不同的灰度水平描绘不同的器官、不同的组织、与非癌变组织形成对比的癌变组织等,可以将所述灰度水平映射成不同颜色以便更易于区分。相邻的器官、组织体积等往往几乎没有或者没有显著的灰度差异。例如,一些软组织在CT数据中可能具有很差的对比度。这样的差的或者模糊的对比度使得对应的边界部分只能部分可见,即,不清楚,没有得到明确的界定。
已经采用基于模型的分割解决了这一问题。通常,所述边界的一些区域是清晰的,而其他区域则不清晰。在先前的基于模型的分割技术中,开发出一种目标模型库,例如,具体的器官模型库。通常对这些器官模型进行配准,例如,对其进行旋转、缩放等,从而使其与清晰界定的分割边界对准。可以通过对经过准确地人工分割的对象或器官等求平均而生成器官模型,由此开发出所述对象或器官的标称模型。一种用于将所述模型拟合至所述边界的有效的基于模型的分割技术包括将模型定义成柔性的三角形网格,并调整所述三角形网格,使其与所研究的对象或器官的边界匹配。一种将网格模型拟合至当前图像数据的技术包括在数学上向所述网格模型施加反向力。具体而言,所述技术确定将网格朝向图像中的诸如边缘或边界的已知图像特征吸引的外能与促使模型保持其形状的反向的形状保持内能之间的平衡。令人遗憾的是,对模型形状施加限制可能不利于准确地遵循所研究的结构或器官的边界。找到两个能量项之间的最佳平衡通常不是一项容易的工作,可能导致歧义解或多个潜在解。

发明内容
本申请描述了一种细化的方案,该方案对处于被调整网格附近的区带内的体素分类,从而在很多情况下获得更加准确的最终分割结果,其中,所述被调整网格表示具有分割不确定的区域。根据一个方面,提供了一种用于对当前诊断图像进行分割的系统。一个或多个工作站对由多个其他患者生成的选定研究体积的先前生成的高对比度诊断图像中的研究体积进行分割。一个或多个处理器被编程为使所述经分割的先前生成的图像配准,并将所述经分割的先前生成的图像合并到概率图内,所述概率图描绘每一体素代表研究体积的概率、每一体素代表背景的概率和均值分割边界。分割处理器将所述概率图与当前患者体内的研究体积的当前诊断图像配准,以生成经变换的概率图。根据另一方面,提供了一种对诊断图像进行分割的方法。对从多个患者生成的选定研究体积的先前诊断图像中的研究体积进行分割。对经分割的先前图像配准,并将配准的经分割的先前图像合并到概率图内,所述概率图描绘每一体素代表所述研究体积的概率、每一体素代表背景的概率以及均值分割边界。根据另一方面,提供了一种由上述方法生成的概率图。根据另一方面,提供了一种记录了一个或多个计算机程序的有形计算机可读介质,所述计算机程序用于控制一个或多个处理器执行上述方法。一个优点在于充分地促进了自动的准确分割。另一个优点在于得到了更加可靠的分割结果。在阅读并理解了下述详细说明的情况下,本领域技术人员将认识到本发明的其他优点。


本发明可以采取各种部件和部件设置的形式,以及各种步骤和步骤设置的形式。附图的作用仅在于对优选实施例进行图示,不应认为其对本发明构成限制。图I是用于对诊断图像进行自动分割的设备或系统的示意图;图2是脑干模型的概率图的轴向切片的示意图;图3是描绘必定属于脑干的体素、必定属于背景的体素和具有不确定的区域的图;图4是示意性地示出了一种对图像进行分割的自动方法的流程图;以及图5是示意性地示出了分割图像的操作者辅助方法的流程图。
具体实施例方式参考图I,诸如CT扫描器、MRI扫描器、PET扫描器、核扫描器、超声波扫描器等的诊断成像扫描器10生成图像数据,重建处理器12对所述图像数据重建,以生成当前3D诊断图像,当前3D诊断图像存储在存储器、存储段或缓冲器14内。继续参考图1,并进一步参考图2,存储器或存储段20存储3D概率图22的库。所述概率图定义了研究区域24的体积,已知其是所研究的区域或体积的部分,即当前例子中的脑干的部分。背景区域26定义了已知为背景,S卩非脑干的对象或组织。也就是说,脑干区域24中的体素具有100%的概率描绘脑干和0%的概率描绘背景。相反,背景区域26中的体素具有100%的概率描绘背景和0%概率的描绘脑干。不确定区域28处于脑干区域24和背景区域26之间。在所述不确定区域中,每一体素处于所研究的对象或器官(诸如脑干)内的概率在100%和0%之间,其处于背景内的概率在0%和100%之间。为了生成脑干或其他研究体积的概率图22,在工作站30中对具有良好对比度,即,具有可准确分割的边界的图像进行人工分割,以定义二值掩模(mask),在掩模中,向对应于诸如脑干的研究体积的所有体素赋予最大概率值,例如,一,向对应于背景的所有体素赋予最小概率值,例如,零。二值掩模的最小概率区域和最大概率区域之间的边界界定了掩模的边界,即,能够由三角形网格表面界定的分割边界。一个或多个处理器32具有二值掩模配准计算机例程34,该例程被编程以将多个二值掩模与所述分割边界配准。也就是说,对二值掩模进行缩放,从而针对各个患者或者具有不同尺寸的研究对象做出调整,并且可以对二值掩模进行旋转、移动等,也可以任选使其发生弹性形变,从而针对(例如)在研究对象的不同运动状态下生成的图像做出补偿,进而使它们对准。所述一个或多个处理器32也被编程以或者具有二值掩模合并计算机例程36,该例程将多个对准的二值掩模合并。在当前的例子中,被所有的二值掩模定义为背景的背景区域被赋予概率值零,而被所有的二值掩模定义为脑干的部分的脑干区域被分配值一,即,被分配给脑干区域24。基于多幅图像中的边界的相对位置,向对应于不确定区域28的其他体素分配大于零小于一的概率。例如,为不确定区域中的每一体素赋予其在各二值图中的值的平均值。如果所述体素在半数的图中为背景,即,具有零值,在半数的图中处于脑干中,即,具有值一,那么为该体素分配平均值或O. 5。处理器32还被编程以或者具有计算机例程38,该例程确定中值或均值分割边界40,即,所有的二值掩模的分割边界的均值或中值位置或者其它平均位置。每一体素的概率和所述均值分割边界定义了分割图22。通常,针对多个器官或者多个研究体积执行相同的处理,从而建立适于很多不同的成像位置或应用的概率图的库。在一个实施例中,基于模型的分割处理器50被编程为包括计算机例程52,该例程从模型库54中提取常规体积或器官模型,并将其拟合至所研究的体积或器官。所述分割处理器还被编程为包括计算机例程56,该例程将来自概率模型的均值分割边界40与常规模·型配准,所述分割处理器还被编程以或者包括计算机例程58,该例程确定将所述均值分割边界与经配准的常规模型配准的变换。所述分割处理器还被编程以或者具有计算机例程60,该例程根据所确定的这一变换对所述概率图进行变换,从而使所述概率图与当前图像中的研究体积或器官配准。经变换的概率图被存储到缓冲器或存储器62内。或者,可以采用来自所述概率图的均值分割边界作为模型,而不是将常规模型用于基于模型的配准56。在全自动的实施例中,预先对诸如处理器或计算机例程的分类器70进行训练,从而基于图像特性,例如,强度、梯度、纹理等将图像的体素分类为属于所研究的体积或器官、属于背景或者属于它们的概率。预先采用虚拟数据(du_y data)对所述分类器进行离线训练。可以采用多种已知的分类技术中的任何一种,例如,最近邻域、支持向量机等。例如,所研究的体积可以具有已知的表面特性属性,例如,平滑、圆化、无突变等。所述分类器对来自缓冲器14的当前图像进行操作,以生成每一体素属于背景或者属于所研究的体积或器官的概率。参考图3,为了节省处理时间,可以只对对应于经变换的概率图的不确定区域28的体素执行所述分类过程。而不对区域24、26进行处理,所述区域24、26已经通过概率掩模被确定为明确地处于所研究的器官或体积内,或者明确地处于背景内。任选地,阈电路或处理器可以对经变换的概率图进行操作,从而通过去除具有零或一的确定性的体素来识别不确定区域28,所述零或一的确定性表示具有处于所研究的器官或体积内的100%概率和处于背景内的100%概率。任选地,可以将所述阈值设置得更低一些,从而只对所述概率图确定为具有(例如)小于95 %的处于所研究的体积或器官内或者处于背景内的概率的体素执行分类。合并处理器或计算机例程80被编程为逐体素合并分类器70确定的概率和来自经变换的概率图62的概率。在一个实施例中,所述合并对每一体素的分类概率和概率图概率求平均。也可以设想其他用于合并概率的技术。作为一个例子,可以提供操作员控制或第一滑块82,以调整分类器概率和概率图概率的相对权重设置。人类操作员可以有选择地调整相对权重设置,以调整阈值边界。基于合并后的概率,所述合并处理器判断每一体素是否具有处于所研究的体积或器官内或者处于背景内的更高可能性。由两个区域之间的界面确定所确定的分割边界,并将其存储到适当的存储器或缓冲器84内。图像处理器90被编程以或者包括计算机例程92,该例程将来自存储器或缓冲器14的当前图像与所确定的分割边界84组合,以创建经分割的图像。任选地,图像处理器90还被编程以或者具有计算机例程94,该例程对与分割边界组合的当前图像,S卩,对经分割的当前图像执行进一步的图像处理,例如,着色、平滑化等。将经分割的当前图像作为患者医疗记录的部分存储到患者医疗数据库96内。视频处理器98从经分割的图像94提取选定的切片、3D体积表示等,并将它们显示在人类可读显示器100上,例如视频监视器上。在半自动的实施例中,阈电路、处理器或计算机例程110判断经变换的概率图的每一体素的概率是否超过了阈值。例如,最初可以将所述阈值设定为上述例子中的O. 5,其表示该体素具有相同的可能性处于研究体积内和处于背景内。处理器或计算机例程112基于更可能处于背景内的体素与更可能处于所研究的体积或器官内的体素之间的界面定义分割边界。在这一实施例中,将分割边界114提供给图像处理器例程92,该例程使所述分 割边界与当前图像组合。观看显示器100上的经分割图像的操作员采用用户输入装置116调整阈值110,在当前例子中,使阈值O. 5朝I升高,或者朝O降低。随着对阈值的调整,所研究的体积或器官和背景之间的界面随着分割边界114的移动而移动。在一个实施例中,操作员用鼠标移动滑块,选择更高和更低的阈值,直到操作员对显示器100上显示的分割满意为止。一旦操作员完成了对分割的优化,经优化的分割就被存储在患者医疗数据库96内。一旦完成了图像分割,经分割的图像就可以具有各种应用。例如,可以在放射治疗系统120中采用经分割图像对放射治疗规程进行规划。当然可以设想经分割图像的很多其他应用。在前述讨论中,应当理解可以通过一个或多个计算机或处理器执行各种处理、计算机例程和步骤。单个处理器能够执行一个或多个计算机处理或步骤,并且可以在多个计算机处理器之间分配计算机例程或步骤中的任意一个或多个例程或步骤。类似地,上文所述的存储器、存储段和缓冲器可以采取单个大存储器、分布式存储器等形式。此外,可以将根据上面描述的用于对一个或多个处理器加以控制以生成经分割图像的计算机程序记录到计算机可读介质上,尤其是有形介质上,例如,CD或DVD或其他便携式存储器、硬盘驱动器、常驻计算机存储器等。也可以通过诸如数字或模拟信号等的无形介质承载所述程序。参考图4,在步骤130中生成多个患者中的每个体内的选定研究区域的多幅图并对其进行分割。在步骤132中,将多幅经分割图像配准。在步骤134中,将经配准的图像合并,从而生成研究区域的具有多个叠加的分割边界的合成图像。在步骤136中确定均值分割边界。在步骤138中确定每一体素处于研究体积内或者处于背景内的概率。例如,将处于所有叠加的分割边界内的所有的体素分配给研究体积,将处于所有叠加的分割边界以外的所有的体素分配给背景。对于那些处于一些分割边界以内并处于其它分割边界以外的体素而言,根据所述体素处于其内的分割边界或所述体素处于其外的分割边界的相对百分比向这些体素分配概率。例如,可以向处于研究体积之内的所有体素分配值一,可以向处于背景内的所有体素分配值零,向处于一些叠加的分割边界之内,处于其它叠加的分割边界之外的所有体素,根据所述体素处于其内的叠加的分割边界或所述体素处于其外的叠加的分割边界的百分比,分配处于零和一之间的分数值。在步骤140中,将所述概率与所述均值阈值边界组合以生成概率图。可以将多个图像体积中的每个的概率图存储到库内,使其可用来对来自当前患者的当前图像进行分割。在准备当前患者的分割图像时,在步骤150中生成多个当前图像。在步骤152中,从存储器检索器官模型,并且在步骤154中,将所述器官模型拟合到当前图像。在步骤156中,确定将器官模型与当前图像配准的变换。设想到各种器官模型,例如,常规器官模型、均值分割边界等。在步骤160中,采用所确定的变换对所述概率图进行变换,以生成经变换的概率图162,其表示每一体素处于研究体积内或者处于背景内的概率。与此并行地,在步骤170中,基于诸如强度、梯度、纹理等的图像属性对当前图像的每一体素分类,并基于所述图像属性为其分配其属于研究体积或者属于背景的概率。
在步骤180中,逐体素地合并来自经变换的概率图的概率和基于分类的概率。在步骤182中,基于合并的概率生成当前图像中的研究区域的分割边界。例如将处于研究体积内的具有大于预选或可调阈值的概率的所有体素分配给研究体积,并且将所述概率低于所述阈值的那些体素分配给背景。界面代表研究体积的分割边界。在上述为研究体积分配值一,为背景分配值零的例子中,可以将所述阈值设为(例如)O. 5。在步骤190中,将所述分割边界与(例如)当前图像组合,例如,叠加于其上,以生成经分割的当前图像。在步骤192中,将经分割的当前图像存储到存储器内,例如,存储到患者医疗数据库内。在步骤194中,将经分割的当前图像显示到监视器上或者其他临床医生可读显示器上。参考图5,在操作辅助模式中,在步骤200中使概率图受到阈值分割。在上述研究体积具有值一,背景具有值零的例子中,可以将所述阈值最初设定为(例如)0. 5。在步骤202中,将分割边界定义为更可能处于研究区域内的体素和更可能处于背景内的体素(例如,高于或低于O. 5)之间的界面。在步骤204中,将分割边界叠加到所生成的当前图像150上,以生成经分割的当前图像。在步骤206中,将经分割的当前图像显示给放射科医师或其他技术人员。在步骤208中,放射科医师或医疗技术人员查看所显示的经分割的图像,并判断所述分割是否令人满意。如果所述分割令人满意,那么在步骤210中,存储所述经分割的当前图像,例如,存储到患者医疗数据库内。如果所述分割图像不令人满意,那么放射科医师或其他医疗技术人员在步骤212中调整阈值。在所述阈值受到调整时,分割边界定义步骤202重新定义分割边界,在步骤204中使所述重新定义的分割边界叠加到当前图像上,并在步骤206中将其显示出来。这一调整过程以迭代的方式继续下去,直到放射科医师或其他医疗技术人员对所述分割满意为止。已经参考优选实施例描述了本发明。在阅读并理解了前述详细说明之后,本领域技术人员可以想到修改和变化。旨在将本发明构建为包括所有此类修改和变化,只要它们落在所附权利要求及其等同要件的范围内。
权利要求
1.一种用于对当前诊断图像进行分割的系统,其包括 一个或多个工作站(30),其对从多个患者生成的选定研究体积的预先生成的诊断图像中的研究体积进行分割; 一个或多个处理器(32),其被编程为 将经分割的预先生成的图像配准(34),并且 将所述经分割的预先生成的图像合并(36)到概率图(22)内,所述概率图描绘了(I)每一体素代表所述研究体积的概率,(2)每一体素代表背景的概率,和(3)均值分割边界(40);以及 分割处理器(50),其将所述概率图(40)与当前患者体内的所述研究体积的当前诊断图像(14)配准,以生成经变换的概率图(62)。
2.根据权利要求I所述的系统,其中,所述分割处理器(50)被编程为通过执行下述步骤将所述概率图与所述当前图像配准 将所述均值分割边界与所述当前图像和配准到所述当前图像的模型这两者之一的所述研究体积配准; 确定将所述均值分割边界变换成与当前图像模型配准所利用的变换; 采用所确定的变换对所述概率图进行变换,以生成所述经变换的概率图。
3.根据权利要求I和2中的任一项所述的系统,还包括 分类器(70),其已经被预先训练,以基于所述研究体积的诊断图像的特征对所述诊断图像分类,从而确定所述当前图像的至少选定体素描绘(I)所述研究体积和(2)所述背景的概率;以及 合并处理器或计算机例程(80),其合并来自所述分类器的概率和来自与所述当前图像配准的所述经变换的概率图的对应体素的概率。
4.根据权利要求3所述的系统,还包括 用户输入装置(82),通过所述用户输入装置调整将所述分类器的概率和概率图的概率合并所采用的相对权重设置。
5.根据权利要求3或4中的任一项所述的系统,还包括 分割边界处理器或计算机例程(84),其基于合并后的概率确定所述当前图像中的所述研究体积的分割边界;以及 处理器或计算机例程(90),其将所确定的分割边界与所述当前图像(14)组合。
6.根据权利要求I和2中的任一项所述的系统,还包括 阈值限定装置或处理器(110),其将所述当前图像的在所述经变换的概率图中具有高于阈值的概率的体素分配给所述研究体积和所述背景中的一个,并且如果所述体素具有低于所述阈值的概率,那么将所述体素分配给所述研究体积和所述背景中的另一个。
7.根据权利要求6所述的系统,还包括 分割边界处理器(112),其从分配给所述研究体积的体素和分配给所述背景的体素之间的界面来确定所述分割边界; 图像处理器(90),其被编程为将所述分割边界与所述当前图像组合; 显示器(100),其上显示经分割的当前图像;以及 输入装置(116),用户通过所述输入装置调整概率阈值,以调整所述分割边界并且调整所显示的经分割的当前图像的分割。
8.根据前述权利要求中的任一项所述的系统,还包括 医疗数据库(96),其中存储所述经分割的当前图像;以及 放射治疗规划系统(120),其采用所述经分割的当前图像来执行放射治疗规划过程。
9.一种用于对诊断图像进行分割的方法,其包括 对从多个患者生成的选定研究体积的先前诊断图像中的研究体积进行分割; 将经分割的先前图像配准;以及 将所述经分割的先前图像合并到概率图内,所述概率图描绘了(I)每一体素代表所述研究体积的概率,(2)每一体素代表背景的概率,和(3)均值分割边界。
10.根据权利要求9所述的方法,还包括 将所述概率图与来自当前患者的所述研究体积的当前诊断图像配准,以生成经变换的概率图。
11.根据权利要求10所述的方法,其中,将所述概率图与所述当前图像配准包括 将所述均值分割边界与所述当前图像的所述研究体积和配准到所述当前图像的模型之一配准; 确定将所述均值分割边界变换成与所述当前图像配准所利用的变换;以及 采用所确定的变换对所述概率图进行变换,以生成所述经变换的概率图。
12.根据权利要求10和11中的任一项所述的方法,还包括 采用预先训练的分类器例程基于所述当前图像的特征对所述研究体积的所述当前图像进行分类,从而确定所述当前图像的至少选定体素描绘(I)所述研究体积和(2)所述背景的概率;以及 合并来自所述分类器例程的概率和来自与所述当前图像配准的经变换的概率图的概率。
13.根据权利要求12所述的方法,还包括 基于合并后的概率确定所述当前图像的所述研究体积的分割边界;以及 将所确定的分割边界与所述当前图像组合。
14.根据权利要求10和11中的任一项所述的方法,还包括 将所述当前图像的在所述经变换的概率图中具有高于阈值的概率的体素分配给所述研究体积和所述背景中的一个,将低于所述阈值的体素分配给所述研究体积和所述背景中的另一个; 从分配给所述研究体积的体素和分配给所述背景的体素之间的界面确定所述分割边界; 将所述分割边界与所述当前图像组合,以生成经分割的当前图像;以及 显示所述经分割的当前图像。
15.根据权利要求14所述的方法,还包括 调整所述阈值,以调整所述分割边界并且调整所显示的经分割的当前图像的分割。
16.一种记录了一个或多个计算机程序的有形计算机可读介质,所述计算机程序用于控制一个或多个处理器以执行根据权利要求9-15中的任一项所述的方法。
17.—种通过根据权利要求9所述的方法生成的概率图。
18.一种诊断成像系统,包括 用于生成当前诊断成像数据的诊断成像扫描器(10); 用于将所述当前诊断成像数据重建成当前图像的重建处理器(12); 被编程为执行根据权利要求10-17中的任一项所述的方法以生成经分割的当前图像的一个或多个处理器(58,70,80,82,90,110,112);以及在其上显示所述经分割的当前图像的显示装置(100 )。
19.一种用于对当前诊断图像进行分割的系统,包括 分割处理器(50),其通过执行下述步骤使描绘(I)每一体素代表研究体积的概率,(2)每一体素代表背景的概率和(3)均值分割边界(40)的概率图(40)与当前患者体内的研究体积的当前诊断图像(14)配准,以生成经变换的概率图(62),所述步骤包括 将所述均值分割边界与所述当前诊断图像和配准到所述当前图像的模型这两者之一的所述研究体积配准, 确定将所述均值分割边界变换成与所述当前图像的模型配准所利用的变换,以及 采用所确定的变换对所述概率图进行变换,以生成经变换的概率图; 边界处理器或计算机例程(84),其基于由所述概率图描绘的概率确定所述当前图像中的所述研究体积的分割边界; 组合处理器或计算机例程(90),其将所确定的分割边界与所述当前诊断图像(14)组合;以及 显示器(100),在其上显示经分割的当前诊断图像。
20.根据权利要求19所述的系统,还包括 用于生成所述概率图的一个或多个概率图处理器(32),所述概率图处理器被编程为将从多个其他患者生成的所述研究体积的先前生成的诊断图像中的所述研究体积的多个经分割的先前生成的图像配准(34),以及 将所述经分割的先前生成的图像合并(36 ),以形成所述概率图(22 )。
全文摘要
一种用于对当前诊断图像进行分割的系统包括对从多个患者生成的选定研究体积的先前生成的诊断图像中的研究体积进行分割的工作站(30)。一个或多个处理器(32)被编程用于将经分割的先前生成的图像配准,并将所述经分割的先前生成的图像合并到概率图内,所述概率图描绘每一体素代表研究体积(24)或背景(26)的概率以及均值分割边界(40)。分割处理器(50)将所述概率图与当前诊断图像(14)配准,以生成经变换的概率图(62)。先前训练的分类器(70)采用概率对诊断图像中的体素分类,所述概率是每一体素描绘研究体积或背景的概率。合并处理器(80)合并来自所述分类器的概率和来自经变换的概率图的概率。分割边界处理器(84)基于合并后的概率、基于当前图像确定研究体积的分割边界。
文档编号G06T7/00GK102947862SQ201180013397
公开日2013年2月27日 申请日期2011年2月14日 优先权日2010年3月11日
发明者V·佩卡尔, A·A·卡齐 申请人:皇家飞利浦电子股份有限公司, 大学健康网络
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1