用于医疗成像数据内的肿瘤边界的自动检测和分割的系统和方法

专利名称：用于医疗成像数据内的肿瘤边界的自动检测和分割的系统和方法
技术领域：
本发明涉及计算机辅助检测的系统和方法。本发明更密切涉及一种应用于计算机辅助检测(CAD)、计算机辅助诊断(CADx)和基于计算机的决策支持系统的新颖的分割(segmenting)系统和方法。通过根据情况而向用于训练分割器的训练器提供对初始边界定义的建议的派生，以便分割器在随后勾划(delineate)肿瘤边界时使得分割的数据对于机器学习技术来说是更加“用户友好的”，从而，该新颖的分割系统支持肿瘤边界的自动检测和分割。
当前与计算机关联的系统的速度和成熟程度能够支持开发更快速、更复杂的医疗成像系统。由此引起的所生成和处理的图像数据的数量的增加，导致产生了许多支持对数据进行检查等的支持性应用。这就是说，已经开发了各种数据处理软件，以便辅助医生、临床医师、放射师等评估医疗图像，以识别和/或诊断和评估医疗图像数据。例如，已经开发了计算机辅助检测(CAD)算法和系统，以用于自动地从超声乳腺扫描和多分片CT(MSCT)肺部扫描中识别可疑的病变。超声或CT(或计算机X射线断层摄影系统)是通常用于通过成像来诊断疾病的成像形式，因为它们能准确地图示组织结构的大小、形状和位置，以及异常和病变。
CAD系统自动地检测(识别)诸如器官内部的病变的区域或者其它医疗条件。当该区域的图像被呈现和显示时，CAD系统一般标记或标识所研究的感兴趣的区域。标记的目的是吸引用户对所标记的区域的注意。CAD系统可以提供对病变(感兴趣的区域)的分类或表征。就是说，CAD系统可以把乳腺研究中的微小钙化或MSCT中的小瘤标识为可能异常。在随后的步骤中，可以用CADx系统进一步把该异常分类为恶性或良性的。CAD系统融合了放射师的专家知识，实质上提供关于医疗图像数据中异常的检测的第二意见，并可以提出诊断建议。通过支持对怀疑是癌的病变的早期检测和分类，CAD和CADx系统允许早期干预，理论上导致对患者更好的预测。
CADx和其他机器学习系统的大多数现有的工作遵循用于被监管的学习的相同的方法。CADx系统从一系列具有已知的基础原理的数据开始，针对训练数据而受“训练”，以识别据信具有足够的区分基础原理的判别能力的特征集合，例如恶性的和良性的。对本领域的熟练的技术人员来说的挑战，包括抽取能在各种类别之间实现判别的特征，在一个特征库(feature pool)内理想地找出最相关的特征。CADx系统可以综合异类信息(例如具有患者数据的基于图像的特征)，或者可以为基于例子的方法找到相似性尺度。本领域熟练的技术人员知道，任何计算机驱动的决策支持系统或CADx系统的准确性，都受到已经为实现机器学习过程(即通过训练集)而被分类的模式集合的可用性的限制。就是说，如果已经用糊状边界定义(mushy boundarydefinition)来训练一个基于CADx的分类器等，系统就会生成一个糊状结果。
因此，本领域熟练技术人员要找到一种系统和方法，用于通过推荐器系统在与CADx相关的过程内指导用户进行交互的分割调整过程，以便实现最稳定和优化的分割。
因此，本发明的目的是提供在任何计算机辅助的检测或诊断系统和方法所使用的分割单元，其中作为对允许训练者仅仅定义分割的替代，最初由用户选择的边界定义不由训练者本身调整，而是由训练者通过选择由推荐器据其自动生成的一个“最佳”计算机辅助的变体(variation)而进行调整。
本技术领域的熟练人员明白，计算机辅助分割要求系统经过训练，特别是在分辨软组织边界—例如肿瘤边界—方面经过训练。本发明的带有推荐器的分割器，为计算机辅助的过程提供这样的能力以使其能够由于在随后的机器学习技术中使用“最佳”分割的训练而最佳地操作。
在一个实施例中，一个分割单元响应临床医师对一个CAD检测的区域的“最佳”轮廓的初始选择，推荐一个比该区域的比初始分割的更好的边界限定。本发明的构思是用一个推荐器实现的，该推荐器生成一个派生的分割集合，每个派生分割都相对于初始分割而被评级。如果推荐器确定派生分割的任何一个比初始分割“更好”，该派生分割就被推荐给临床医师训练者。为此，可以进一步处理每个派生的分割，以确定机器是否明白有第一派生分割集合的“更好”派生的分割，当然，如果满足条件，就把该派生的分割推荐给训练系统的临床医师。
在另一个实施例中，一种为支持在医疗成像中的各种CAD和CADx过程而训练和实现分割过程的方法包括选择一个区域的初始最佳分割，然后，不是依赖临床医生/系统训练者来证明该分割合格，或者是调整该初始分割，而是由推荐器处理对初始分割进行操作，以试图实现就以后的机器学习操作所用的分割数据来说是“更好”的分割。更具体来说，推荐器生成该初始分割的一个派生分割集合，如果发现是“更好”的，则建议临床医师训练者用推荐的分割替代初始分割。机器选择的“更好的”分割可以自动地被使用，或者可以通过向训练者提供选择而被使用。
在另一个实施例中，一个包括具有用于边界勾划的自动推荐器的分割单元的计算机辅助的检测系统，为随后的自动化的数据抽取过程的使用而提供更准确和可用的分割，以及一个包括机器学习的计算机辅助诊断系统，进一步包括本发明的用于边界勾划的自动推荐器的分割单元。本发明还包括计算机可读介质，在其上下载了用于实现包括如在此公开且在权利要求书中要求保护的系统自动推荐的分割方法在内的CAD和CADx过程的计算机指令集。


图1A和1B表示一个其中突出显示了分割的乳腺瘤的图像；图2是包括本发明的发明性分割单元的CAD系统的系统级示意图；图3A、3B、3C和3D是各种分割以及按潜在的小瘤而分割的区域的建议分割的例子；图4是表示按照本发明可以实现的一个流程的流程图；图5是表示实现本发明的推荐器处理的流程的流程图。
乳腺癌检测算法或者应用程序，诸如RegGrowTM和FastMarchTM，是用来实现自动地识别和分割医疗成像数据内的肿瘤的与CAD相关的过程。不过，本技术领域的熟练人员明白，(在活体组织中)肿瘤与周围组织之间的边界并不是清晰明确的，因此，计算机辅助检测中的自动边界检测不能对任何肿瘤(边界)提供一致的、准确的分辨性。尚不知道有确定性的阈限或算法能有效地区分肿瘤像素与边界像素，这需要用户的交互作用。就是说，已知的应用程序一般允许放射师通过调整自动生成的、并为了验证而向训练者/临床医师展示的CAD分割来调整分割过程。
图1A和1B表示一个由(HDILab软件提供的)FastMarchTM算法分割的乳腺瘤(良性区域)。通过察看图1A和1B能够明白，由训练者/临床医师调整特定的参数(预定的)，可能导致一个被或没有被自动地检测到的肿瘤的形状的急剧改变。负责在CAD过程中进行调整的是训练者/临床医师。由于放射师在这种系统的计算机训练中的输入的客观性质，被确定的分割在被用于随后处理中可能看起来是“糊状的”(mushy)，即模糊的肿瘤边界，以至被训练的系统不能从“最佳”例子中学习如何准确和一致地为在新提供的分析中所调查的区域选择最佳的边界。更具体来说，分割的自由度(用临床医师的输入调整)阻碍“自动的”肿瘤分割和“自动的”报告生成。
但是可能更为重要的是，分割的自由度由于缺乏更好的模拟而把类似巫术的东西引入训练过程。如果对训练数据中可能感兴趣的区域(即肿瘤)的初始分割是由人任意确定的，基于这种任意勾划的机器学习在勾划新肿瘤过程中就不能实现最强的功能。就是说，交互式地调整参数的自由度(“分割的自由度”)实际上可能阻碍分割单元进行的“准确的”和自动的肿瘤分割，以及自动的报告生成。这些问题的原因是基于临床医师的判断的调整的自由度可能强加于使用这种分割单元的系统的内在的含混性。机遇或错误的产生，在于人们任意确定训练肿瘤的分割。就是说，如任何机器学习过程一样，基于错误地或不完善地分割的用于分类的区域的训练，在用于“下一代”数据即非训练集时，会导致性能降低。本发明提供一种克服传统分割技术的局限的解决方案，以及一种具有改善的分割方法和子系统的改善的分类器。
通过对图2的虚假肯定减少系统(false positive reduction)100的操作的解释，可以概括说明带有推荐器的发明性分割系统，该系统在共同拥有的共同待审定申请PHUS040505中有说明和解释，这里引用该申请以供参考。CAD系统120标识感兴趣的区域，并且包括推荐器子系统(图中未予明示)的分割插入子系统140提供一种导引边界调整过程并实现临床上更客观的分割的独特方法。就是说，带推荐器的分割单元140生成并向特征抽取单元160输出分割的数据。这些特征在GA 180中被优化，SVM 200作出最终分类。
临床医师/放射师/训练者首先指定由带推荐器的分割器140一个生成的初始分割。推荐器为寻找“更好的”分割而改变分割。如果推荐器确定“更好的”分割确实比初始的分割更好，它就自动地为该区域建议一个派生勾划。例如，本发明的带推荐器的分割器作出这样一个假设对于诸如图3A中所示的分割的更好的分割来说，调整参数引起的形状变化，与诸如由图3C中分割的边界所示的“更坏的”分割相比更小。就是说，图3A和图3C描述一个乳腺肿瘤的两个分割，在那里图3A的分割显然比图3C所示的分割更好，因为它的边界渗入到周围组织中。但是在现实中，支持分类器训练的放射师或临床医师可能对图3C的分割是满意的，因为在他/她的经验中，图3C的分割看起来很好。在这种情况下，本发明的带推荐器的分割器140通过调整参数指导训练继续向图3A的分割进行。在解释中，并且通过仔细查看图3A、3B、3C和3D的每一个就很容易明白，当一个参数(即阈限)例如被相对于两个分割调整了10个单位(units)或步幅(steps)，则图3A的分割变得很像图3B，而图3C的分割变得很像图3D的分割。对于本技术领域的熟练人员来说，在图3C的分割的情况中的分割的形状的变化，比图3A的分割的变化更多。根据这个独特的特征和自动的建议，基于CAD的系统可实现对于总体分割准确性来说更好或者更坏的分割。
一个包括本发明分割单元230的典型的基于CAD的系统，诸如分类器100(图2)，要求放射师或者临床医师定义一个初始的分割来训练系统。一旦勾划后，分割单元自动地扰动(perturb)(调整)参数，并进行“检测”，以确定由扰动而产生的候选分割是否比初始分割“更好”。例如，如果有五个参数或特征要扰动，则系统自动地把每个参数增加或者减少特定的量(例如-1％、-2％、1％、2％)。通过根据对一个诸如阈限值的独特特征的调整，在专家输入以识别特定参数之后，不论带推荐器的分割器所支持的CAD过程是什么，都要实现优化的分割。优化的分割被学习，并且根据优化的分割，用于识别类似边界的最佳参数或特征被优化。不过读者应当注意，如果允许对每个参数进行4种扰动(如上所述的那样)，则候选分割的总数就会是4×4×4×4×4＝1024。
然后，分割器和推荐器一起，借助临床医师的输入，对这1024个候选分割中哪些将被推荐给放射线学者用于训练分类器作出决定(“建议”)。本发明的推荐器支持对分割的最终选择，只要推荐器明白该选择用于训练比原始分割更好，而这里有1024个派生的分割。可以对原始分割以及1024个候选分割的每一个，执行第二轮扰动。因此，对于原始分割以及每个候选分割来说，都有1024个派生分割。为了执行扰动，一个算法如下地计算距离。
就是说，下面的图是一个分割的肿瘤，中心点是被CAD算法使用的籽点(seed point)。CAD计算距离＝Sum(每个轴的长度) 其中M＝Sum[距离(原始分割)-距离(每个候选分割)]。因为在第二轮扰动之后1024个候选分割的每个都产生另外1024个派生分割，每一个候选分割都有N1＝Sum[距离(候选分割1)-距离(每个派生分割)]N2＝Sum[距离(候选分割2)-距离(每个派生分割)]…N1024＝Sum[距离(候选分割1024)-距离(每个派生分割)]最后，将1025个数按它们的绝对值的升序进行排序。如果M在顶部，则不作推荐。否则，将顶部的候选推荐给放射师，作为对原始分割的可能的改善。对所建议的分割的特征的应用，规定一个显著改善了的分类系统。
图4是表示按照本发明可以实现的一个流程的流程图。就是说，图4提出了描述本发明的一个应用过程的实施例的流程图。框400代表系统，框420代表检测要调查的区域的步骤，框440代表的步骤是，处理获取的医疗图像数据，以识别和分割对临床或对形态学是感兴趣的区域，并生成一个初始分割。框460代表用带推荐器的分割器进一步处理经分割的区域的步骤。框480代表的步骤是，对全部特征进行操作，以对该区域分类。训练的步骤包括用带推荐器的分割器来在定义一个分割的区域的边界的参数中产生相对于初始分割的扰动。扰动根据的是一个参数调整过程，并产生多个候选分割，在确定候选分割比初始分割更好后，推荐候选分割。
通过察看图5中所示的处理可以对带推荐器的分割器有更详细的理解。
重要的是要指出，执行本发明方法或者包含本发明分类器和/分类系统所需的软件，可包含一个用于执行逻辑功能的可执行指令的有序序列。因此，软件可以体现在任何计算机可读的介质中，该介质用于或者与其相结合到指令执行系统、设备或装置，诸如基于计算机的系统、含有处理器的系统或者其它能从指令执行系统、设备或装置提取指令并执行指令的系统。在本文的含义中，“机器可读的介质”可以是任何能含有、存储、传送程序供指令执行系统、设备或装置使用或与其相结合的装置。
计算机可读介质例如可以是—但不限于—电子的、磁性的、光学的、电磁的、红外线的、或半导体的系统、设备、装置或传播介质。计算机可读介质的更具体的例子(非穷尽的列表)包括以下内容具有一个或多个导线的电连接(电子的)、便携式电脑软盘(磁性的)、随机存取存储器(RAM)(磁性的)、只读存储器(ROM)(磁性的)、可擦式可编程只读存储器(EPROM或闪存)(磁性的)、光导纤维(光学的)和便携式光盘式只读存储器(CDROM)(光学的)。注意计算机可读介质甚至可以是程序能印在其上面的纸质或者是另一种适当的介质，因为通过例如对纸或其它介质进行光学扫描可以电子方式获得程序，然后加以编译、解释或者在必要时以适当的方式处理，然后存储在计算机存储器中。
应当强调的是，上述的本发明的实施例，特别是任何“优选”实施例，都仅仅是可能的实现的例子，对它们的陈述只是为了清楚地理解本发明的原理。此外，在实质上不偏离本发明的精神和原理的情况下，可以对上述的本发明的实施例作出各种修改和改变。所有这些修改和改变都被认为受到本说明书的教导，包含在本发明的范围内，受到随后的权利要求的保护。
权利要求
1.一种把医疗图像内的区域分类的方法，包含以下步骤根据一组医疗图像训练数据的集合训练一个分类器，该训练数据包括经分割的区域，其中对区域进行分割的临床基础原理是已知的；获取用于调查的非训练医疗图像数据；处理训练数据，以便用计算机辅助检测(CAD)的过程来识别和分割对形态学是感兴趣的区域；处理分割的区域，以便为各分割区域中的每一个抽取一个完整特征集；和用特征子集把感兴趣的区域分类；其中，训练步骤包括用一个推荐器来实现稳定的分割。
2.如权利要求1所述的方法，其中，训练步骤进一步包括从区域的初始分割或边界开始，自动地在定义初始分割的参数中生成扰动，以实现多个候选分割，并且，如果推荐器确定各候选分割之一比初始分割“更好”，则推荐该分割。
3.如权利要求2所述的方法，其中，操作步骤进一步包括一个第二参数调整过程，在该过程中，为初始和候选分割生成一个派生分割。
4.一种用于分割或勾划医疗图像内感兴趣的特定区域、并为该区域生成一个候选分割的分割器，其中，该分割器包括一个推荐器，用于通过改变或扰动候选分割边界来生成多个分割，其中，如果分割器确定被推荐的分割更适合于后分割处理，则根据扰动推荐对临床医生候选区域的改变，以便提高分割的准确性。
5.权利要求4的分割器，其中，推荐器对每一个变体进行操作以扰动每一个变体来确定它是否是更合适的分割。
6.一个分类器，包含CAD系统和如权利要求4所述的分割器；和一个与CAD系统和分割器通信的虚假肯定减少系统，它包括一个特征抽取器；一个与特征抽取器通信的通用算法，它生成由特征抽取器抽取的并从特征抽取器提供的最优特征子集；一个支持向量机器(SVM)，与SVM和特征抽取器通信，用于按照特征子集，以最少的虚假肯定，把每个分割的区域进行分类。
全文摘要
一种用于分割医疗图像内的区域的方法，包含评估一个根据一个初始分割生成的候选分割集合。根据用派生的分段对每个候选的距离计算，把比初始分割更好的最佳候选分割推荐给临床医师。这个推荐器实现一个有益于后继的计算机辅助诊断(即把病变分类为良性或恶性的)的最稳定的分割。
文档编号G06K9/62GK101061509SQ200580039591
公开日2007年10月24日 申请日期2005年11月18日 优先权日2004年11月19日
发明者L·赵, K·P·李 申请人:皇家飞利浦电子股份有限公司