心脏介入的术前和术中图像数据的模型融合的方法和系统的制作方法
【专利摘要】本发明涉及心脏介入的术前和术中图像数据的模型融合的方法和系统。公开了一种用于术前图像数据、诸如计算机断层扫描(CT)与术中C型臂CT的基于模型的融合的方法和系统。在术前图像数据中分割第一心包模型，而在C型臂CT体积中分割第二心包模型。估计在第一心包模型与第二心包模型之间的形变场。基于在第一心包模型与第二心包模型之间的所估计的形变场，从术前图像数据提取的目标心脏结构的模型、诸如心室模型或主动脉模型与C型臂CT体积融合。通过使用从不同于当前患者的患者的术前图像数据提取的目标心脏结构的模型，可以使用智能加权平均来改进基于模型的融合结果。
【专利说明】心脏介入的术前和术中图像数据的模型融合的方法和系统
[0001]本申请要求2012年2月22日提交的美国临时申请N0.61/601，615的权益，该美国临时申请的公开内容通过引入结合于此。
【技术领域】
[0002]本发明涉及术前图像数据与术中图像数据的融合，并且更具体地，涉及术前计算机断层扫描(CT)数据和术中C型臂CT数据的基于心脏模型的融合。
【背景技术】
[0003]微创经导管心脏介入(尤其是针对高风险患者)被快速采用来治疗许多各种不同的心血管疾病，其包括用于冠状动脉狭窄的血管支架植放术、瓣膜修复和置换以及心律失常消融。术前成像在心脏介入中起着重要的作用，用于规划、仿真和术中视觉导引。诸如CT、磁共振成像(MRI)和超声之类的各种成像模态可用于不同类型的介入。术前图像往往提供了心脏结构(例如，用CT或MRI)的详细描绘或心脏运动信息(例如，用电影MRI或实时超声)的详细描绘。因此，这样的术前图像对于外科手术过程的规划和外科手术结果的仿真是重要的。将从术前图像提取的心脏模型覆盖到实时荧光图像上在心脏介入外科手术期间提供了有价值的视觉导引。然而，这样的3D模型与术中荧光图像的直接融合(3D到2D配准)是困难的，因为图像在不同的时间、在不同的扫描机器上并且有时从不同的心脏相位被采集。直接3D到2D融合的过程通常要求某个数量的用户交互，以及往往要求造影剂注射，以为了促进配准而使目标解剖(target anatomy)在荧光图像中突出。然而，由于造影剂的副作用、诸如肾衰竭，所以期望最小化并且如果可能的话完全避免使用造影剂。
【发明内容】
[0004]本发明提供了一种用于术前和术中图像数据的基于解剖模型的融合的方法和系统。例如，本发明的实施例提供一种基于模型的融合方法，该基于模型的融合方法使用心包将术前的计算机断层扫描(CT)对准到术中的C型臂CT。心包在CT和C型臂CT图像中被分割，并且通过使用被分割的心包估计从CT到C型臂CT的形变场(deformation field)。本发明的实施例进一步提供一种用于多个心脏模型的智能加权融合的方法，所述心脏模型包括患者特定的模型和/或在预先收集的数据集中的其他可用的模型，以便进一步提高融合结果的精度。
[0005]在本发明的一个实施例中，第一心包模型在患者的通过使用第一成像模态采集的第一医学图像中被分割。第二心包模型在患者的通过使用第二成像模态采集的第二医学图像中被分割。估计在第一心包模型和第二心包模型之间的形变场。基于所估计的在第一心包模型和第二心包模型之间的形变场，从第一医学图像中提取的目标心脏结构的模型与第
二医学图像融合。
[0006]在本发明的另一实施例中，目标解剖结构的多个目标模型(每个都从通过使用第一医学成像模态所采集的相对应的第一医学图像中被提取)以及锚定解剖结构(anchoranatomical structure)的多个锚定模型(anchor model)(每个都从相对应的第一医学图像中被提取)被用来将目标解剖结构从第一医学成像模态融合到第二医学成像模态。通过使用在多个锚定模型中的相对应的锚定模型和在第二医学图像中所分割的锚定解剖结构的模型之间所计算的形变场，多个目标模型中的每个都被对准到当前患者的通过使用所述第二医学成像模态采集的第二医学图像，从而得到多个对准的目标模型。基于多个锚定模型中的相对应的锚定模型和在第二医学图像中被分割的锚定解剖结构的模型之间的距离测度，针对多个被对准的目标模型中的每个目标模型计算相应的权重。通过使用针对多个被对准的目标模型中的每个目标模型所计算的相应的权重，第二医学图像中的目标解剖结构的融合模型被生成为多个被对准的目标模型的加权平均。
【专利附图】
【附图说明】
[0007]通过参照下面的详细描述和附图，对本【技术领域】普通技术人员而言，本发明的这些和其它优点将是明显的。
附图简述
[0008]图1图示了在二维荧光图像上覆盖3D主动脉模型和3D左心房模型的示例性结果;
[0009]图2图示了用于经导管主动脉瓣植入术(TAVI)过程的直接3D到2D融合的工作流；
[0010]图3图示了使用非造影的C型臂CT作为桥梁的术前CT数据到2D荧光检查的融合；
[0011]图4图示了心包网(mesh)的三维可视化；
[0012]图5图示了根据本发明实施例的用于将心包用作锚定结构的术前和术中图像数据的基于模型的融合的方法；
[0013]图6图示了被造影的和非造影的CT容积中的示例性心包分割结果；
[0014]图7图示了被造影的和非造影的C型臂CT容积中的示例性心包分割结果；
[0015]图8图示了通过解剖标志限定的心脏坐标系；
[0016]图9图示了四腔心模型与非造影C型臂CT容积的融合；
[0017]图10图示了升主动脉模型与非造影的C型臂CT容积的融合；
[0018]图11图示了根据本发明实施例的用于模型融合的智能加权平均方法；
[0019]图12图示了使用智能加权平均的升主动脉模型与非造影的C型臂CT容积的融合；以及
[0020]图13是能够实施本发明的计算机的高级框图。
【具体实施方式】
[0021]本发明涉及一种用于术前和术中图像数据的基于解剖模型的融合的方法和系统。在此描述本发明的实施例，以给出对基于模型的融合方法的视觉理解。数字图像往往由一个或多个对象(或形状)的数字表示组成。对象的数字表示往往在此在标识和操纵对象方面被描述。这样的操纵是在计算机系统的存储器或其它电路/硬件中实现的虚拟操纵。因此，应当理解，本发明的实施例可以在计算机系统内使用存储在计算机系统内的数据来执行。
[0022]术前图像往往提供心脏结构的(例如，用CT或MRI的)详细描绘或心脏运动信息的(例如用电影MRI或实时超声的)详细描绘。因此，这些术前图像对于外科手术过程的规划和外科手术结果的仿真是重要的。将从术前图像提取的心脏模型覆盖到实时荧光图像上在心脏介入外科手术期间提供了有价值的视觉导引。图1图示了将3D主动脉模型和3D左心房模型覆盖到2D荧光图像上的示例性结果。图1的图像(a)示出了用于经导管主动脉瓣植入术(TAVI)过程的覆盖在2D荧光图像上的3D主动脉模型100。图1的图像(b)示出了用于经导管左心房颤消融过程的覆盖在2D荧光图像上的左心房模型110，以及肺静脉112、114、116和118以及左心耳120。图2图示了用于TAVI过程的直接3D到2D融合的工作流。图2的图像(a)示出了具有自动分割的主动脉根网202的术前CT容积200。图像(b)示出了在主动脉根部中的带有造影剂注射的2D荧光图像210。图像(c)示出了模型融合结果220，该模型融合结果220示出了覆盖在2D荧光图像210上的主动脉根模型222。然而，3D模型与术中荧光图像的直接融合(如图2中所示)是困难的，并且通常要求手动用户交互和在荧光图像中使用造影剂。
[0023]术中C型臂CT (或旋转血管造影)正成为心脏介入的新成像模态。通过旋转C型臂X射线源/探测器而在外科手术期间生成C型臂CT。在术中执行成像，并且因此在外科手术时提供患者剖析(patient-anatomy)。由于3D C型臂CT和2D突光图像在相同机器(即，C型臂图像采集装置)上被采集，通过使用2D荧光图像的投影几何学，3D至2D的配准是直接的和准确的(仅有心脏和呼吸运动需要被补偿)。然而，C型臂CT容积的图像质量通常不如CT或MRI体积一样好，并且难以在拥挤的混合手术室中扫描经过运动补偿的/被造影的C型臂CT。对于每个心脏相位，C型臂的每个旋转近似花费五秒钟，并且通常需要五到六个旋转，以采集足够的2D投影数据，以执行心电图(ECG)门控重建，以去除心脏运动伪影。患者在整个过程期间被要求屏住呼吸近似30秒，以便去除呼吸运动，这对患病的患者来说可能是非常困难的。此外，较长的采集时间招较大剂量的辐射，这也是重要的关心的事。可能的是，快速的心室起搏可以被执行来暂时停止心脏运动，但快速起搏可能剥去心脏斑块进入血液循环并且导致中风。往往要求注射造影剂，以在3D C型臂CT体积中使目标解剖突出，并且注射造影剂也促进3D C型臂CT体积中的目标解剖的自动分割。然而，由于诸如过敏反应或肾衰竭之类的副作用，医生通常谨慎使用造影剂。静脉或经导管注射造影剂要求额外的准备和布线。
[0024]在拥挤的混合手术室中扫描非ECG门控(即，C型臂的一次扫描)和非造影的(即，没有注射造影剂)术中C型臂CT是更加容易的。虽然目标解剖可能难以看见和难以自动在非造影的C型臂CT体积中分割，但是非造影的C型臂CT可以充当桥梁，以将从术前图像中提取的3D心脏模型带到2D荧光图像。图3图示了通过使用非造影的C型臂CT作为桥梁将术前CT数据融合到二维荧光。图3的图像(a)示出了具有自动分割的主动脉根网302的术前三维CT体积300。图像(b)示出了术中C型臂CT体积310。图像(a)示出了术中2D荧光图像320。图像(d)示出了模型融合结果330，该模型融合结果330示出了 2D荧光图像320上的覆盖的主动脉根模型332。该模型融合结果330通过首先将3D主动脉根网302配准到3D C型臂CT体积310来获得，并且接着将配准到3D C型臂CT体积的三维模型覆盖到二维荧光图像320上。将术中C型臂CT覆盖到荧光检查是容易和准确的，因为C臂系统的投影几何学可以被直接使用。
[0025]图像配准可被用来估计从术前图像到C型臂CT的用于模型融合的形变场。然而，由于图像特征中的显著差异(例如，被造影的与非造影的)，跨模态图像配准是棘手的问题。如果术前和术中图像之间的变换是大的，则配准可能失败。此外，图像配准是非常耗时的，尤其是对于非刚性配准是非常耗时的。本发明的实施例利用基于模型的融合来对准术前和术中的C型臂CT。本发明的实施例使用锚定结构，该锚定结构是现有的并可以可靠地在术前图像和非造影的术中C型臂CT图像中被分割。使用被分割的锚定结构，形变场接着可以被估计并且被用于使目标解剖结构的模型翘曲到C型臂CT。在有利的实施例中，心包被用作可靠的锚定结构，用于融合用于心脏介入的术前CT和C型臂CT。心包在CT和C型臂CT图像中均是清晰可见的。图4图示了心包网的三维可视化。如在图4中所示，心包400包围所有心室402、404、406和408，并最接近室自由壁的心外膜。因此，心脏结构(例如，室、主动脉和瓣膜)的变形可以从心包很好地被推断。
[0026]图5图示了根据本发明实施例的将心包用作锚定结构的术前和术中图像数据的基于模型的融合方法。在有利的实施例中，图5的步骤502-506可以在心脏介入过程之前被执行，而步骤508-514可以在心脏介入过程时被执行。在步骤502，接收患者的术前医学图像数据。术前医学图像数据可以是患者的三维医学图像体积。在有利的实施例中，术前医学图像数据是患者的CT体积，但是本发明并不限于此，并且其他成像模态、诸如MRI或超声可被用于采集术前医学图像数据。术前医学图像数据可以直接从图像采集装置被接收，诸如从CT扫描仪被接收，或者可通过加载先前存储的医学图像数据来接收。
[0027]在步骤504，目标解剖结构的患者特定的模型在术前医学图像数据中被分割。在有利的实施例中，目标解剖结构可以是一个或多个心脏结构、诸如室(左心室、右心室、左心房和右心房)、主动脉或瓣膜(例如，二尖瓣、三尖瓣、主动脉瓣和肺动脉瓣)。然而，本发明并不限定于任何特定的目标解剖结构，并且图5的方法可以类似地被应用于将任何目标解剖结构融合到术中图像数据。
[0028]目标解剖结构的患者特定的模型可以通过使用任何自动的或半自动的分割技术在术前图像数据中被分割。在有利的实施例中，边际空间学习(MSL)可以被用来自动分割目标解剖结构。特别地，基于MSL的3D对象检测可以被用来检测心室和心瓣膜的患者特定的模型。基于MSL的3D对象检测通过采用使用带注释的训练数据来训练的一系列探测器来估计目标解剖结构在术前三维医学图像数据中的位置、定向和标度(scale)。例如，于2011年 3 月 29 日公告的并且题为 “System and Method for Segmenting Chambers ofa Heartin a Three Dimensional Image (在三维图像中分割心的室的系统和方法)”的美国专利N0.7，916，919中详细描述了一种基于MSL的心室分割的方法，该美国专利通过引用结合于此。为了高效地使用MSL定位对象，在一系列具有增加的维度的边际空间中执行参数估计。因此，MSL的理念并不是直接在全相似变换空间中学习分类器，而是在该系列边际空间中递增地学习分类器。随着维度增加，有效的空间区域变得更受在前边际空间分类器的限制。3D对象检测被分成三个步骤:对象位置估计、位置定向估计和位置定向标度估计。针对这些步骤中的每个步骤，基于带注释的训练数据训练分离的分类器。这个对象定位阶段导致对象的被估计的变换(位置、定向和标度)，且对象的平均形状(即，在带注释的训练图像中的整个心脏表面模型的平均形状)采用被估计的变换与三维体积对准。在对象姿态估计之后，使用基于学习的边界检测器来精炼该对象的边界。
[0029]在其中主动脉是目标解剖结构的情况下，将主动脉分成四个部分:主动脉根、升主动脉、主动脉弓和降主动脉的基于部分的主动脉模型可被用来自动分割术前图像数据中的主动脉。美国公开的专利申请N0.2010/0239148中更详细地描述这样的用于自动分割主动脉的基于部分的方法，该专利申请通过引用结合于此。
[0030]在步骤506，心包在术前图像数据中被分割。要理解的是，在图5中图示的实施例中，心包被用作锚定解剖结构，以估计术前图像数据和术中C型臂CT数据之间的形变场。然而，本发明并不限于心包，并且其他结构、诸如气管也可以被用作锚定解剖结构。锚定解剖结构可以是能可靠地在术前图像数据中和在C型臂CT数据中被检测到的任何结构。
[0031]在本发明的有利的实施例中，可以通过使用用于心包分割的高效的和全自动的方法来分割心包，所述用于心包分割的高效的和全自动的方法在标题为“Method and Systemfor Heart Isolation in Cardiac Computed Tomography Volumes for Patients withCoronary Artery Bypasses”的美国公开的专利申请N0.2012/0134564中被描述，该专利申请通过引用结合于此。在该心包分割(心隔离)方法中，首先利用边际空间学习(MSL)来高效地估计心在CT体积中的位置、定向和标度。所学习的平均形状与所估计的姿态对准，作为心形状的初始化。基于学习的边界探测器接着被用来引导边界演变。由于在心周围的背景从室到室是不同的，所以整个心表面被分成四片，其中每片都对应于心的室。单独的边界探测器针对每个片被训练。在心表面周围的明亮的组织、诸如填充有造影剂的降主动脉和胸腔可以在后处理步骤中被完全去除。接着生成二进制心包掩模，其中在心内部的体素被设置为1，并且所有其他体素被设置为O。这种方法比以前的心隔离方法更稳健，并且针对被造影的和非造影的CT扫描工作。这种方法通常花费大约1.5秒来处理一个体积，其比以前的方法快至少一个数量级。图6图示了在被造影的和非造影的CT体积中的示例性心包分割结果。图6的图像(a)、(b)和(c)示出了与被造影的CT体积正交切割的被分割的心包网600的轮廓，而图像(d)示出了从被造影的CT体积被分割的心602的可视化。图6的图像(e)、(f)和(g)示出了与非造影的CT体积正交切割的被分割的心包网610的轮廓，而图像(h)示出了从非造影的CT体积被分割的心612的可视化。
[0032]回到图5，在步骤508，接收3D C型臂CT体积。C型臂CT体积可以是在过程(诸如心脏介入过程)时从C型臂成像装置接收到的术中CT体积。C型臂CT体积可以直接从C型臂成像装置被接收到，或者可以通过加载先前存储的C型臂CT体积接收C型臂CT体积。
[0033]在步骤510，在C型臂CT体积中分割心包。可以通过使用与上述用于在术前图像数据中分割心包的方法相同的心包分割方法，在C型臂CT体积中分割心包。要理解的是，虽然相同的分割方法可被用来分割术前图像数据和术中C型臂CT图像中的心包，但是对于每个相应的成像模态通过使用来自相应的成像模态的被注释的训练数据来训练单独的基于学习的探测器(例如，MSL对象探测器和基于学习的边界探测器)。图7图示了被造影的和非造影的C型臂CT体积中的示例性心包分割结果。图7的图像(a)、(b)和(c)示出了用于经导管主动脉瓣植入术的与被造影的C型臂CT体积正交切割的被分割的心包网700的轮廓。图7的图像(d)、(e)和(f)示出了与非造影的C型臂CT体积正交切割的被分割的心包网710的轮廓。[0034]如上所述，心包在术前图像数据和术中C型臂CT体积中都被分割。被分割的心包被用来估计从术前图像数据到C型臂CT体积的形变场(图5的步骤512)。因此，在术前图像和C型臂CT中被提取的心包网需要具有相同数目的网格点，并且被提取的心包网的相对应的网格点在解剖学中应相符。在每个成像模态中的训练期间，根据训练集计算平均形状，以及所有训练网都具有解剖对应。在模型驱动的分割过程期间，平均形状变形，以适合在主动形状模型框架下的图像上的心包边界，因此输出网已对应地构建。根据本发明的实施例，在针对每个成像模态的训练期间使用一种基于球面映射的方法来建立训练数据中的网格点对应。假设有球面以及在该球面上的均匀采样的点集。该球面根据心的内在坐标系被对准，该内在坐标系通过三个界标被定义:即，主动脉瓣中心、二尖瓣中心和左心室心内膜顶点。图8图示了通过解剖界标定义的心坐标系。如在图8中所示，心中心被定义为主动脉瓣中心802。z轴是从主动脉瓣中心指向左心室顶点804的方向。X轴被定义为与z轴垂直的向量，从而位于由三个界标802、804和806形成的平面内部，并指向二尖瓣中心806。I轴是z轴和X轴的向量积。在将球面对准心坐标系之后，球面上的每个均匀采样的点被连接到球面中心，这结果形成与心包网的交点。这些交点在解剖学中相当好地相符。始终如一地被重采样的网通过将这些交点三角形化成网来实现。
[0035]回到图5，在步骤512，估计在术前图像数据和C型臂CT体积中的被分割的心包之间的形变场。来自两种成像模态的被分割的心包网被用来估计形变场，用于模型融合。在有利的实施方案中，公知的薄板样条(TPS)模型被用来估计形变场，这最小化薄板的能量:
【权利要求】
1.一种用于将从患者的通过使用第一成像模态采集的第一医学图像提取的目标心脏结构的模型与患者的通过使用第二成像模态采集的第二医学图像相融合的方法，其包括: 在第一医学图像中分割第一心包模型； 在第二医学图像中分割第二心包模型； 估计在第一心包模型与第二心包模型之间的形变场；以及 基于在第一心包模型与第二心包模型之间的所估计的形变场，将从第一医学图像提取的目标心脏结构的模型与第二医学图像融合。
2.权利要求1所述的方法，其中，第一医学图像是术前图像，而第二医学图像是在心脏介入时采集的术中图像。
3.权利要求1所述的方法，其中，第一医学图像是计算机断层扫描体积，而第二医学图像是C型臂计算机断层扫描体积。
4.权利要求1所述的方法，其中，估计在第一心包模型与第二心包模型之间的形变场包括: 通过使用薄板样条(TPS)模型来估计在第一心包模型与第二心包模型之间的形变场。
5.权利要求1所述的方法，其中，基于在第一心包模型与第二心包模型之间的所估计的形变场来将从第一医学图像提取的目标心脏结构的模型与第二医学图像融合包括: 通过使用所估计的形变场将从第一医学图像提取的目标心脏结构的模型变换到第二医学图像，生成目标心脏结构的融合模型。
6.权利要求1所述的方 法，其中，基于在第一心包模型与第二心包模型之间的所估计的形变场将从第一医学图像提取的目标心脏结构的模型与第二医学图像融合包括: 通过使用所估计的形变场将从第一医学图像提取的目标心脏结构的模型变换到第二医学图像，生成患者特定的被对准的目标模型；以及 计算针对多个被对准的目标模型中的每个的相应权重，其中多个被对准的目标模型包括患者特定的被对准的目标模型和根据从其他患者的通过使用第一医学成像模态采集的医学图像提取的目标心脏结构的模型被生成的一个或多个被对准的目标模型；以及 通过使用针对多个被对准的目标模型中的每个所生成的相应权重，在第二医学图像中生成目标心脏结构的融合模型作为多个被对准的目标模型的加权平均。
7.权利要求6所述的方法，其中，计算针对多个被对准的目标模型中的每个的相应权重包括: 对于被对准的目标模型中的每个，计算在通过使用第一医学成像模态采集的相对应的医学图像中被分割的相对应的心包模型与在第二医学图像中被分割的第二心包模型之间的距离度量；以及 基于在相对应的心包模型和第二心包模型之间的被计算的距离度量，确定多个被对准的目标模型中的每个的相应权重。
8.一种用于通过使用目标解剖结构的多个目标模型和锚定解剖结构的多个锚定模型将目标解剖结构从第一医学成像模态融合到第二医学成像模态的方法，其中所述目标解剖结构的多个目标模型中的每个都从通过使用第一医学成像模态采集的相对应的第一医学图像被提取，所述锚定解剖结构的多个锚定模型中的每个都从相对应的第一医学图像被提取，该方法包括:通过使用在多个锚定模型中的相对应的锚定模型与在第二医学图像中被分割的锚定解剖结构的模型之间所计算的形变场，将多个目标模型中的每个对准到当前患者的通过使用第二医学成像模态采集的第二医学图像，从而结果形成多个被对准的目标模型； 基于在多个锚定模型中的相对应的锚定模型与在第二医学图像中被分割的锚定解剖结构的模型之间的距离度量，计算针对多个被对准的目标模型中的每个的相应权重；以及 通过使用针对多个被对准的目标模型中的每个所计算的相应权重，在第二医学图像中生成目标解剖结构的融合模型作为多个被对准的目标模型的加权平均。
9.权利要求8所述的方法，其中，基于在多个锚定模型中的相对应的锚定模型与在第二医学图像中被分割的锚定解剖结构的模型之间的距离度量来计算针对多个被对准的目标模型中的每个的相应权重包括: 对于多个被对准的目标模型中的每个，将权重wi计算为:
10.权利要求8所述的方法，其中，多个目标模型之一和多个锚定模型中的相对应的锚定模型从当前患者的第一医学图像被提取。
11.权利要求10所述的方法，其中，通过使用针对多个被对准的目标模型中的每个所计算的相应权重来在第二医学图像中生成目标解剖结构的融合模型作为多个被对准的目标模型的加权平均包括: 生成融合模型a为:
12.权利要求10所述的方法，其中，通过使用针对多个被对准的目标模型中的每个所计算的相应权重来在第二医学图像中生成目标解剖结构的融合模型作为多个被对准的目标模型的加权平均包括: 生成融合模型a为:
13.权利要求8所述的方法，其中，每个第一医学图像是计算机断层扫描图像，第二医学图像是C型臂计算机断层扫描图像，锚定解剖结构是心包，以及目标解剖结构是心室或主动脉中的至少一个。
14.一种用于将患者的通过使用第一成像模态采集的第一医学图像提取的目标心脏结构的模型与患者的通过使用第二成像模态采集的第二医学图像相融合的设备，其包括: 用于在第一医学图像中分割第一心包模型的装置； 用于在第二医学图像中分割第二心包模型的装置； 用于估计在第一心包模型与第二心包模型之间的形变场的装置；以及 用于基于在第一心包模型与第二心包模型之间的所估计的形变场将从第一医学图像提取的目标心脏结构的模型与第二医学图像融合的装置。
15.权利要求14所述的设备，其中，第一医学图像是计算机断层扫描体积，而第二医学图像是C型臂计算机断层扫描体积。
16.权利要求14所述的设备，其中，用于基于在第一心包模型与第二心包模型之间的所估计的形变场将从第一医学图像提取的目标心脏结构的模型与第二医学图像融合的装置包括: 用于通过使用所估计的形变场将从第一医学图像提取的目标心脏结构的模型变换到第二医学图像来生成目标心脏结构的融合模型的装置。
17.权利要求14所述的设备，其中，用于基于在第一心包模型与第二心包模型之间的所估计的形变场将从第一医学图像提取的目标心脏结构的模型与第二医学图像融合的装置包括: 用于通过使用所估计的形 变场将从第一医学图像提取的目标心脏结构的模型变换到第二医学图像来生成患者特定的被对准的目标模型的装置；以及 用于计算针对多个被对准的目标模型中的每个的相应权重的装置，其中多个被对准的目标模型包括患者特定的被对准的目标模型和根据从其他患者的通过使用第一医学成像模态采集的医学图像提取的目标心脏结构的模型被生成的一个或多个被对准的目标模型；以及 用于通过使用针对多个被对准的目标模型中的每个所生成的相应权重在第二医学图像中生成目标心脏结构的融合模型作为多个被对准的目标模型的加权平均的装置。
18.权利要求17所述的设备，其中，用于计算针对多个被对准的目标模型中的每个的相应权重的装置包括: 用于基于在通过使用第一医学成像模态采集的相对应的医学图像中被分割的相对应的心包模型与在第二医学图像中被分割的第二心包模型之间的距离度量来确定针对多个被对准的目标模型中的每个的相应权重的装置。
19.一种用于通过使用目标解剖结构的多个目标模型和锚定解剖结构的多个锚定模型将目标解剖结构从第一医学成像模态融合到第二医学成像模态的设备，其中所述目标解剖结构的多个目标模型中的每个都从使用第一医学成像模态采集的相对应的第一医学图像被提取，所述锚定解剖结构的多个锚定模型中的每个都从相对应的第一医学图像被提取，所述设备包括: 用于通过使用在多个锚定模型中的相对应的锚定模型与在第二医学图像中被分割的锚定解剖结构的模型之间所计算的形变场来将多个目标模型中的每个对准到当前患者的通过使用第二医学成像模态采集的第二医学图像从而结果形成多个被对准的目标模型的装置； 用于基于在多个锚定模型中的相对应的锚定模型与在第二医学图像中被分割的锚定解剖结构的模型之间的距离度量来计算针对多个被对准的目标模型中的每个的相应权重的装置；以及 用于通过使用针对多个被对准的目标模型中的每个所计算的相应权重来在第二医学图像中生成目标解剖结构的融合模型作为多个被对准的目标模型的加权平均的装置。
20.权利要求19所述的设备，其中，多个目标模型之一和多个锚定模型中的相对应的锚定模型从当前患者的第一医学图像被提取。
21.权利要求19所述的设备，其中，每个第一医学图像是计算机断层扫描图像，第二医学图像是C型臂计算机断层扫描图像，锚定解剖结构是心包，以及目标解剖结构是心室或主动脉中的至少一个。
22.—种非瞬时性计算机可读介质，其存储用于将从患者的通过使用第一成像模态采集的第一医学图像提取的目标心脏结构的模型与患者的通过使用第二成像模态采集的第二医学图像相融 合的计算机程序指令，该计算机程序指令在处理器上运行时使得处理器执行包括以下内容的操作: 在第一医学图像中分割第一心包模型； 在第二医学图像中分割第二心包模型； 估计在第一心包模型与第二心包模型之间的形变场；以及 基于在第一心包模型与第二心包模型之间的所估计的形变场，将从第一医学图像提取的目标心脏结构的模型与第二医学图像融合。
23.权利要求22所述的非瞬时性计算机可读介质，其中，第一医学图像是计算机断层扫描体积，而第二医学图像是C型臂计算机断层扫描体积。
24.权利要求22所述的非瞬时性计算机可读介质，其中，基于在第一心包模型与第二心包模型之间的所估计的形变场来将从第一医学图像提取的目标心脏结构的模型与第二医学图像融合包括: 通过使用所估计的形变场将从第一医学图像提取的目标心脏结构的模型变换到第二医学图像，生成目标心脏结构的融合模型。
25.权利要求22所述的非瞬时性计算机可读介质，其中，基于在第一心包模型与第二心包模型之间的所估计的形变场来将从第一医学图像提取的目标心脏结构的模型与第二医学图像融合包括: 通过使用所估计的形变场将从第一医学图像提取的目标心脏结构的模型变换到第二医学图像，生成患者特定的被对准的目标模型；以及 计算针对多个被对准的目标模型中的每个的相应权重，其中多个被对准的目标模型包括患者特定的被对准的目标模型和根据从其他患者的通过使用第一医学成像模态采集的医学图像提取的目标心脏结构的模型被生成的一个或多个被对准的目标模型；以及 通过使用针对多个被对准的目标模型中的每个所生成的相应权重，在第二医学图像中生成目标心脏结构的融合模型作为多个被对准的目标模型的加权平均。
26.权利要求25所述的非瞬时性计算机可读介质，其中，计算针对多个被对准的目标模型中的每个的相应权重包括: 对于被对准的目标模型中的每个，计算在通过使用第一医学成像模态采集的相对应的医学图像中被分割的相对应的心包模型与在第二医学图像中被分割的第二心包模型之间的距离度量；以及 基于在相对应的心包模型与第二心包模型之间的被计算的距离度量，确定针对多个被对准的目标模型中的每个的相应权重。
27.一种非瞬时性计算机可读介质，其存储用于通过使用目标解剖结构的多个目标模型和锚定解剖结构的多个锚定模型将目标解剖结构从第一医学成像模态融合到第二医学成像模态的计算机程序指令，其中所述目标解剖结构的多个目标模型中的每个都从使用第一医学成像模态采集的相对应的第一医学图像被提取，所述锚定解剖结构的多个锚定模型中的每个都从相对应的第一医学图像被提取，该计算机程序指令在处理器上运行时使得处理器执行包括以下内容的操作: 通过使用在多个锚定模型中的相对应的锚定模型与在第二医学图像中被分割的锚定解剖结构的模型之间所计算的形变场，将多个目标模型中的每个对准到当前患者的通过使用第二医学成像模态采集的第二医学图像，从而结果形成多个被对准的目标模型； 基于在多个锚定模型中的相对应的锚定模型与在第二医学图像中被分割的锚定解剖结构的模型之间的距离度量，计算多个被对准的目标模型中的每个的相应权重；以及 通过使用针对多个被对准的目标模型中的每个所计算的相应权重，在第二医学图像中生成目标解剖结构的融合模型作为多个被对准的目标模型的加权平均。
28.权利要求27所述的非瞬时性计算机可读介质，其中，基于在多个锚定模型中的相对应的锚定模型与在第二医学图像中被分割的锚定解剖结构的模型之间的距离度量来计算针对多个被对准的目标模型中的每个的相应权重包括: 对于多个被对准的目标模型中的每个，计算权重wi为:
29.权利要求27所述的非瞬时性计算机可读介质，其中，多个目标模型之一和多个锚定模型中的相对应的锚定模型从当前患者的第一医学图像被提取。
30.权利要求29所述的非瞬时性计算机可读介质，其中，通过使用针对多个被对准的目标模型中的每个所计算的相应权重来在第二医学图像中生成目标解剖结构的融合模型作为多个被对准的目标模型的加权平均包括: 生成融合模型a为:
31.权利要求29所述的非瞬时性计算机可读介质，其中，通过使用针对多个被对准的目标模型中的每个所计算的相应权重来在第二医学图像中生成目标解剖结构的融合模型作为多个被对准的目标模型的加权平均包括: 生成融合模型a为:
32.权利要求27所述的非瞬时性计算机可读介质，其中，每个第一医学图像是计算机断层扫描图像，第二医学图像是C型臂计算机断层扫描图像，锚定解剖结构是心包，以及目标解剖结构是心室或主动 脉 中的至少一个。
【文档编号】G06T7/00GK103456037SQ201310165830
【公开日】2013年12月18日 申请日期:2013年2月22日 优先权日:2012年2月22日
【发明者】郑冶枫, R·I·约纳塞克, S·格尔比克, M·约翰, J·贝泽, D·科马尼丘 申请人:西门子公司