基于相关性的多特征检测的卷积神经网络的概率正则化的制作方法

1.本发明涉及多特征检测。具体地，本发明涉及一种用于医学图像中的特征识别的设备、一种医学成像系统、一种用于医学图像中的特征识别的方法和一种计算机程序单元。


背景技术：

2.通过预测界标位置的热图，卷积神经网络(cnn)已被用于医学图像中的解剖学界标检测。使用cnn进行解剖学界标检测的示例可以在us2018/0116620a1中找到。然而，热图可能导致产生假阳性预测，使得cnn原始结果必须进行后处理。


技术实现要素：

3.可能需要改进医学图像中的特征检测。
4.本发明的目的是通过独立权利要求的主题来解决的，其中进一步的实施例被纳入从属权利要求中。应注意的是，本发明的下述方面也适用于设备、医学成像系统、方法和计算机程序单元。
5.为此，本发明的第一方面提供了一种用于医学图像中的特征识别的设备。该设备包括输入单元、处理单元和输出单元。输入单元被配置成用于接收物体的至少一个医学图像，其中该至少一个医学图像包括多维图像。处理单元被配置为：i)通过将卷积神经网络(cnn)应用于该至少一个医学图像，生成至少两个关注的特征的特征热图，其中cnn已被针对特征识别进行训练；ii)使用至少两个关注的特征之间的相关性作为用于对特征热图进行相互正则化的概率先验，其中统计相关性是基于经注释的医学图像数据估计出的；以及iii)基于正则化的特征热图，识别至少一个医学图像中的至少两个关注的特征。输出单元被配置成用于输出特征识别的结果。
6.换句话说，本发明提出利用先前学习的多个关注的特征之间的相关性，即统计相关性，以便作为后处理步骤或在训练期间对cnns进行正则化，以利用先验知识，减少假阳性预测率和/或增加算法的准确性和稳定性。所关注的特征可包括界标(例如，点、体素、轮廓、表面和/或体积)和/或时间事件(点、体素、轮廓、表面和/或体积的时间活动)。多个特征之间的统计相关性(例如，空间和/或时间相关性)是以前从经注释的医学图像数据(例如，训练数据)中学习的。
7.空间界标之间的统计相关性是指从训练数据上的至少两个界标得出的统计学属性。这种属性可涉及在已知在第二位置处检测到第二界标的情况下在第一位置处检测到第一界标的条件概率。为了有效的计算，这个条件概率可以用第一界标和第二界标的位置之间的相对矢量的概率密度来近似。相应的定义适用于时间事件的情况。空间界标之间的统计相关性将在下文中解释，尤其是关于图3a至图3d中所示的示例。
8.所提出的设备可被应用于基于cnn热图预测并涉及至少两个界标的所有的界标检测应用。例如，所提出的设备可被用于改进胸部x射线图像中的锁骨内侧端部的检测，以便估计患者围绕头-脚轴的旋转，以用于评估和控制图像质量。虽然锁骨内侧端部的绝对位置
在图像与图像之间变化很大，但它们的相对距离可在解剖学上被约束。所提出的设备可以允许将这种解剖学知识纳入锁骨-头部检测器，以改善其准确性和稳健性。尽管下面对图像中的界标检测进行了说明，但所提出的设备也可被应用于通过利用先验知识来改善对例如时间序列中的相关事件的检测。
9.根据本发明的一实施例，至少两个关注的特征包括至少两个界标。特征热图包括通过对至少一个医学图像应用第一cnn而产生的至少两个界标的界标热图。第一cnn已被针对界标识别进行训练。统计相关性包括至少两个界标之间的空间相关性，其作为用于对界标热图进行相互正则化的第一概率先验。正则化的界标热图包括正则化界标热图。
10.界标的示例可包括医学图像中的点、体素、轮廓、表面和/或体积。在一些示例中，界标可包括解剖学特征，如褶皱、突出物、导管、血管等。
11.根据本发明的一实施例，处理单元被配置成依据在已知已经在某一空间位置处检测到另一个界标的情况下在一定的空间位置处检测到一个界标的条件概率来估计至少两个界标之间的空间相关性。
12.条件概率的表示可允许将该概率先验的应用表示为卷积，因此其可以容易地集成到现有的cnn架构中。
13.例如，这些空间相关性可以依据在已知已经在位置xj处发现第j个界标的情况下在位置xi处发现第i个界标的条件概率来测量：
14.p
i|j
(xi|xj)
15.已知第j个界标的热图结果qj(xj)，人们可以估计出第i个界标的热图的预测为：
[0016][0017]
其用作第i个界标的热图qi(xi)的先验。
[0018]
可选地，在条件概率是2n维对象(n表示图像维度，即n＝2，3)且因此难以估计时，可以假设这些二元相关性的变换不变性，即：
[0019]
p
i|j
(xi+d|xj+d)＝p
i|j
(xi|xj)
[0020]
对于所有的空间位移d，由此可得：
[0021][0022]
其中右手侧表示第j个和第i个界标之间的相对矢量的概率分布。仅作为一个n维的实体，后者可以容易地根据训练数据估计出。这将在下文中解释，尤其是关于图3a至图3d中的示例性实施例。
[0023]
根据本发明的一实施例，处理单元被配置成依据条件概率的乘积来估计一个界标和两个以上的另外的界标之间的空间相关性，每个条件概率为在已知已经在某一空间位置处检测到两个以上的另外的界标中的一个的情况下在一定的空间位置处检测到所述一个界标的条件概率。
[0024]
例如，为了对检测两个以上的界标强加相互先验，空间相关性可以基于对第i个界标和n个另外的界标，即第j1，...，jn个界标(例如其n个解剖学上的最近邻)之间的空间相关性的近似，通过分解为二元相关性来确定：
[0025]
[0026]
其中右手侧的每个因数可以通过相应的相对坐标的概率密度来估计。因此，在估计和评估这些相关性时，所提出的方法可以避免维度灾难(curse of dimensionality)。这导致产生关于被第j1，...，jn个界标的热图诱导的第i个界标的热图的以下先验：
[0027][0028]
根据本发明的一实施例，处理单元被配置成通过对一个界标在一定的空间位置处的条件概率与另一个界标的热图结果进行卷积来估计所述一个界标的第一概率先验，该热图结果指示所述另一个界标在一个或多个空间位置处出现的伪概率
[0029]
根据本发明的一实施例，至少两个关注的特征包括至少两个时间事件。界标热图包括通过对至少一个医学图像应用第二cnn而产生的至少两个时间事件的时间事件热图。第二cnn已被针对时间事件识别进行训练。统计相关性包括待检测的至少两个时间事件之间的时间相关性，其作为用于对时间事件热图进行相互正则化的第二概率先验。正则化的界标热图包括正则化时间事件热图。
[0030]
换句话说，还提出通过利用先验知识来改善对例如时间序列中的相关事件的检测。
[0031]
时间事件的示例可包括点、体素、轮廓、表面和/或体积的时间活动。在一些示例中，时性事件以包括一个或多个解剖学特征的时性活动。时性活动可包括强度变化、几何形状变化和/或点、体素、轮廓、表面和/或体积的移动。
[0032]
例如，在功能性磁共振成像(fmri)设置中，关注的是在一个或多个刺激(例如，用一定的药物剂量)后的体素中的活动。在这种情况下，fmri信号有效地构成了多维(由于空间维度)的时间序列。在这种设置中，可以通过在时间维度上使用cnn来预测例如在两个或更多个激活模式发生时的刺激之后的时间，例如，活动开始增加和活动开始衰减。在已经了解了两个或更多个此类事件之间的时间相关性后，可以推导出先验并对cnn预测进行正则化。在cnn的接受域(即为预测未来而考虑的过去的时间跨度)对于正确地捕获滞后于该接受域发生的两个事件之间的相关性来说太低时，这可能尤其有用。
[0033]
根据本发明的一实施例，处理单元被配置成依据在已知已经在某一时间位置处检测到另一个时间事件的情况下在一定的时间位置处检测到一个时间事件的条件概率来估计至少两个时间事件之间的时间相关性。
[0034]
与界标检测设置类似，条件概率的表示可允许将该概率先验的应用表示为具有固定核的卷积，因此其可容易地集成到现有的cnn架构中。
[0035]
与界标检测设置类似，这些时间相关性可以依据在已知已经在时间位置xj处发现第j个时间事件的情况下在时间位置xi处发现第i个时间事件的条件概率来测量：
[0036]
p
i|j
(xi|xj)
[0037]
已知第j个时间事件的热力图结果qj(xj)，人们可以估计出第i个时间事件的热力图的预测为：
[0038][0039]
其作为第i个时间事件的热图qi(xi)的先验。
[0040]
根据本发明的一实施例，处理单元被配置成依据条件概率的乘积来估计一个时间
事件与两个以上的另外的时间事件之间的时间相关性，每个条件概率为在已知已经在某一时间位置处检测到两个以上的另外的时间事件中的一个的情况下在一定的时间位置处检测到所述一个时间事件的条件概率。
[0041]
与界标检测设置类似，时间相关性可以基于对第i个时间事件与n个另外的时间事件，即第j1，...，jn个时间事件(例如其n个时间上的最近邻)之间的时间相关性的近似，通过分解为二元相关性来确定：
[0042][0043]
其中右手侧的每个因数与相应的相对坐标的概率密度相符合。因此，在估计和评估这些时间相关性时，这种方法可以避免维度灾难。这导致产生关于被第j1，...，jn个时间事件的热图诱导的第i个时间事件的热图的以下先验：
[0044][0045]
根据本发明的一实施例，处理单元被配置成通过对一个时间事件在一定的时间位置处的条件概率与另一个时间事件的热图结果进行卷积来估计所述一个时间事件的第二概率先验，该热图结果指示所述另一个时间事件在一个或多个时间位置处发生的伪概率。
[0046]
根据本发明的一实施例，处理单元被配置成基于用于任何一对两个关注的特征之间的相对矢量的核密度估计方法，根据训练数据来确定统计相关性。
[0047]
根据本发明的一实施例，概率先验的计算被表示为cnn的附加卷积层。
[0048]
例如，概率先验的计算被表示为cnn的具有固定权重的附加卷积层。
[0049]
以这种方式，概率正则化方案可以通过附加卷积层而被整合到所有的现有cnn架构中。这可以实现应用正则化层的两种变体：要么只在测试时应用，即作为后处理步骤，要么已经在cnn的训练期间应用，以便通过学习与相关性有关的特征来稳定预测。
[0050]
根据本发明的一实施例，概率先验被用于以下列方式中的至少一种对界标热图进行相互正则化：在后处理步骤期间，在测试时间应用正则化层，和在cnn的训练期间应用正则化层。
[0051]
换句话说，概率先验的构建可被用于在训练期间(作为固定项)或作为后处理步骤来改善预测的热图。
[0052]
一旦这些统计相关性被从训练数据中估计出，它们就可以保持固定，从而保持它们的解释，即使在训练期间使用正则化层。这个框架可以允许近似地纳入关注的界标和两个以上的另外的界标之间的统计相关性，因为这些相关性的因子化近似。
[0053]
本发明的第二方面提供了一种医学成像系统，其包括医学成像设备和如上所述的设备。医学成像设备被配置成用于获取患者的至少一个医学图像。该设备被配置成用于识别至少一个医学图像中的至少两个关注的界标。
[0054]
医学成像设备可包括以下中的至少一种：磁共振成像(mri)设备、计算机断层扫描(ct)成像设备、超声成像设备、光学成像设备、正电子发射断层扫描(pet)成像设备和单光子发射计算机断层扫描(spect)成像设备。
[0055]
本发明的第三方面提供了一种用于医学图像中的界标识别的方法。该方法包括：
[0056]
接收物体的至少一个医学图像，其中该至少一个医学图像包括多维图像；
[0057]
通过将卷积神经网络(cnn)应用于至少一个医学图像，产生至少两个关注的特征
的特征热图，其中cnn已被针对特征识别进行训练；
[0058]
使用至少两个关注的特征之间的统计相关性作为用于对特征热图进行相互正则化的概率先验，其中统计相关性是基于经注释的医学图像数据估计出的；以及
[0059]
基于正则化的特征热图来识别至少一个医学图像中的至少两个关注的特征。
[0060]
根据本发明的另一方面，提供了一种计算机程序单元，其用于控制上文和下文所述的设备，当该计算机程序单元被处理单元执行时，该计算机程序单元适于执行上文和下文所述的方法步骤。
[0061]
如本文所用的，术语“物体”包括例如患者、人类受试者和动物受试者。
[0062]
如本文所用的，术语“特征”可指空间和/或时间特征。所关注的特征的示例可包括界标和时间事件。术语“界标(landmark)”可指医学图像中的点、体素、轮廓、表面和/或体积。在一些示例中，界标可以指解剖学特征，如褶皱、突出物、导管、血管等，其可能始终存在于组织中，用于指示特定的结构或位置。术语“时间事件”可指点、体素、轮廓、表面和/或体积的时间活动，例如，在一个或多个刺激之后。时间活动可包括点、体素、轮廓、表面和/或体积随时间的移动、强度变化和/或几何变化。在一些示例中，时间事件可包括一个或多个解剖学特征的时间活动。
[0063]
如本文所用，术语“单元”可指被配置为执行上述任何操作的应用程序、软件、固件和/或电路。软件可体现为被记录在非暂时性计算机可读存储介质上的软件包、代码、指令、指令集和/或数据。固件可以体现为被硬编码(如非易失性的)在存储装置中的代码、指令或指令集和/或数据。如本文所用的“电路”可包括(例如，单独地或以任何组合的形式)硬接线电路、可编程电路(如包括一个或多个单独指令处理核心的计算机处理器)、状态机电路和/或存储由可编程电路执行的指令的固件。单元可以集体地或单独地体现为形成更大系统的一部分的电路，例如，集成电路(ic)、专用集成电路(asic)、片上系统(soc)、台式电脑、笔记本电脑、平板电脑、服务器、智能电话等。
[0064]
如本文所用的，术语“设备”可指ic、asic、soc、台式电脑、笔记本电脑、平板电脑、服务器、智能手机等。
[0065]
此外，说明书中和权利要求中的术语第一、第二、第三等被用于区分类似的元件，但不一定用于描述顺序或时间次序。应理解的是，这样使用的术语在适当情况下是可以互换的。
[0066]
本发明的这些和其他方面将从下文描述的实施例中变得明显并得到阐明。
附图说明
[0067]
本发明的这些和其他方面将通过参考以下描述中以示例方式描述的实施例并参考附图而变得明显和进一步阐明，其中
[0068]
图1示意性地示出了用于估计关注的界标出现的热图的网络结构的示例。
[0069]
图2示出了根据本公开的一些实施例的特征检测方法的流程图
[0070]
图3a示出了关于两个界标之间的相对矢量的解剖学知识。
[0071]
图3b示出了对应于两个界标的热图的裸cnn结果。
[0072]
图3c示出了由相应的另一个强加于热图上的相互先验。
[0073]
图3d示出示了通过将裸cnn热图与相应的先验相乘而得到的正则化的cnn结果。
[0074]
图4示出了根据本公开的一些实施例的用于医学图像中的特征识别的设备。
[0075]
图5示出了根据本公开的一些实施例的医学成像系统。
[0076]
应注意的是，这些附图仅是示意图且没有按比例绘制。在这些图中，与已经描述的元件相对应的元件可具有相同的附图标记。示例、实施例或可选特征，无论是否被指示为非限制性的，都不应被理解为对所要求保护的发明的限制。
具体实施方式
[0077]
特征检测，如界标检测，是医学成像领域的一项重要任务，其允许各种应用，如关注区域裁剪、图像配准、生物标志物的测量、基于模型的分割和图像质量评估。随着深度学习的出现，卷积神经网络(cnn)已被应用于界标检测。
[0078]
除了对关注的界标的空间坐标进行直接回归，通过cnn估计整个图像上的界标出现的热图，即伪概率，已表明是一种有前途的方法。这是由于实现了检测的准确性，以及由于所产生的热图允许深入了解深度cnn的“推理”，从而帮助理解这种算法。在这种方法中，界标坐标是从推断出的热图中估计出的，例如，通过argmax运算。
[0079]
图1示出了用于估计关注的界标出现的热图的网络结构的示例，其中一个或多个医学图像被视为输入，且关注的界标出现的热图被用作输出。示例性的网络结构可以是完全卷积网络(fcn)，例如图1中的u型网络为例。该网络结构包括收缩路径(左侧)和扩展路径(右侧)。收缩路径遵循卷积网络的典型结构。它包括重复应用两个3x3卷积(未填充的卷积)，每个卷积后接修正线性单元(relu)和2x2的最大池化操作，且具有用于下采样的步长。在每个下采样步骤处，通道的数量被加倍。扩展路径中的每一步包括热图的上采样，然后进行将通道数减半的2x2卷积(“上卷积”)，与来自收缩路径的相应裁剪的热图级联，以及两个3x3卷积，每个卷积后接relu。最后，界标位置的概率图，即热图，可以用训练好的模型来估计出。
[0080]
然而，在实践中，基于热图的界标检测可能易于出现假阳性预测，因为cnn可能对与目标界标附近的图像强度结构相似的不同解剖学结构的图像强度结构做出反应。
[0081]
为了解决这个问题，图2示出了根据本公开的一些实施例的用于特征检测的方法100的流程图。在步骤110中，即步骤a)，例如，从医学成像设备(如超声成像设备)或从图片存档和通信系统(pacs)接收物体(例如，患者或动物)的至少一个医学图像。该至少一个医学图像包括多维图像，如二维(2d)医学图像、三维(3d)医学图像和四维(4d)医学图像。医学图像的示例包括但不限于由磁共振成像(mri)设备、计算机断层扫描(ct)成像设备、超声成像设备、光学成像设备、正电子发射断层扫描(pet)成像设备和单光子发射计算机断层扫描(spet)成像设备中的至少一种获取的图像。4d医学图像的示例可以是四维计算机断层扫描(4dct)，这是一种类型的ct扫描，其记录随时间变化的多个图像。它允许以视频形式回放扫描，使得可以观察到生理过程并可以跟踪内部运动。4d医学图像的另一示例可以是fmri，其通过检测与血液流动相关的变化来测量大脑活动。
[0082]
在步骤120中，即步骤b)，通过将cnn应用于至少一个医学图像来生成至少两个关注的特征的特征热图。该cnn已被针对特征识别进行训练。
[0083]
在一些示例中，至少两个关注的特征包括至少两个界标，如点、体素、轮廓、体积、解剖学特征等。特征热图包括通过将第一cnn应用于至少一个医学图像而产生的至少两个
界标的界标热图。第一cnn已被针对界标识别进行训练。统计相关性包括至少两个界标之间的空间相关性，其作为用于对界标热图进行相互正则化的第一概率先验。正则化的界标热图包括正则化界标热图。
[0084]
在一些示例中，至少两个关注的特征包括至少两个时间事件，例如点、体素、轮廓、体积、解剖学特征等的时间活动。界标热图包括通过将第二cnn应用于至少一个医学图像而产生的至少两个时间事件的时间事件热图。第二cnn已被针对时间事件识别进行训练。统计相关性包括待检测的至少两个时间事件之间的时间相关性，其作为用于对时间事件热图进行相互正则化的第二概率先验。正则化的界标热图包括正则化时间事件热图。
[0085]
在一些示例中，相同的cnn可被用于界标和时间事件检测。换句话说，第一cnn和第二cnn是相同的cnn。因此，相同的cnn可被用于识别空间-时间特征，例如fmri信号中的多维(由于空间维度)时间序列。
[0086]
图3b示出了特征热图的示例。
[0087]
在步骤130中，即步骤c)，至少两个关注的特征之间的相关性被用作用于对特征热图进行相互正则化的概率先验。统计相关性是基于经注释的医学图像数据(其可以从经注释的医学图像数据库中获得)估计出的。
[0088]
为了例示说明的目的，图3a至图3d示出了统计相关性作为用于两个界标x1和x2的情况的概率先验的示例性实施方式和用法。正则化可以通过以下步骤来实施。
[0089]
首先，至少两个界标x1和x2之间的空间相关性可以依据在已知已经在某一空间位置处检测到另一个界标的情况下在一定的空间位置处检测到一个界标的条件概率来估计。例如，界标x2和x1之间的相对矢量的概率密度可通过例如核密度估计方法由：
[0090][0091]
从经注释的训练数据中估计出，并注意稀有事件的权重足够高，使得可以准确地描述异常情况。例如，图3a示出了关于两个界标x1和x2之间的相对矢量的解剖学知识(在这种情况下，假定具有约5.5mm的预期距离和狭窄的取向分布)。
[0092]
其次，一个界标的第一概率先验可以通过对所述一个界标在一定的空间位置处的条件概率和另一个界标的热图结果进行卷积来估计出，该热图结果指示所述另一个界标在一个或多个空间位置处出现的伪概率。
[0093]
例如，裸cnn输出q1和q2可以与先前获得的条件概率进行卷积：
[0094][0095][0096]
其中*表示卷积，且
[0097][0098]
例如，图3b示出了对应于两个界标的热图的裸cnn结果，即裸cnn输出q1和q2。两个界标的热图分别用实线轮廓线和虚线轮廓线来绘示。图3c示出了由相应的另一个强加于热图上的相互先验。两个界标的热图分别用实线轮廓线和虚线轮廓线来绘示。
[0099]
最后，概率先验被用于对界标热图进行相互正则化。
[0100]
例如，可以使用以下方案来对cnn结果进行正则化：
[0101][0102][0103]
其中λ表示可调整的正则化参数，介于0和1之间。以这种方式，这个概率正则化方案可以通过附加如上所述的卷积层而被整合到所有的现有cnn架构中。这可以实现应用正则化层的两种变体：要么只在测试时间(即作为后处理步骤)应用，要么已经在cnn的训练期间应用，以便通过学习与相关性有关的特征来稳定预测。
[0104]
例如，图3d示出了通过将裸cnn热图与相应的先验相乘而得到的正则化的cnn结果。两个界标的正则化的cnn结果分别用实线轮廓线和虚线轮廓线来绘示。
[0105]
可选地，为了对检测两个以上的界标强加相互先验，这种正则化可以基于对第i个界标和其他n个界标，即第j1，...，jn个界标(例如其n个解剖学上的最近邻)之间的空间相关性进行近似，通过分解为二元相关性来确定：
[0106][0107]
其中，右手侧的每个因数与相应的相对坐标的概率密度相附合，如上所述。因此，所提出的方法在估计和评估这些相关性时避免了维度灾难。这导致产生关于被第j1、...、jn个界标的热图诱导的第i个界标的热图的以下先验：
[0108][0109]
使得这个先验的计算可以被表示为给定cnn的附加卷积层。这个先验可以用各种方式来对cnn结果进行正则化，例如，作为与第i个界标的裸cnn结果qi的凸和，如上所述，用于后处理或在训练期间。此外，通过用多组其他界标(和适当的正则化权重)对qi进行正则化，可以将更多或更少的刚性空间相关性纳入cnn中。越多的另外的界标被包括在相互先验中，这个先验具有越大的限制性。
[0110]
在步骤140中，即步骤d)，基于正则化的特征热图，确定至少一个医学图像中的至少两个关注的特征。
[0111]
应理解的是，上述操作可以以任何合适的顺序进行，例如连续、同时或其组合，在可适用的情况下经历例如被输入/输出关系需要的特定顺序。
[0112]
上述讨论也可适用于时间事件的检测。换句话说，类似的正则化方案可被应用于时间事件。在时间事件检测的情况下，至少两个时间事件之间的时间相关性可以依据在已知已经在某一时间位置处检测到另一个时间事件的情况下在一定的时间位置处检测到一个时间事件的条件概率来估计出。可选地，一个时间事件和两个以上的另外的时间事件之间的时间相关性可以依据条件概率的乘积来估计，其中每个条件概率为在已知已经在某一时间位置处检测到两个以上的另外的时间事件中的一个的情况下在一定的时间位置处检测到所述一个时间事件的条件概率。可选地，一个时间事件的第二概率先验可以通过对所述一个时间事件在一定的时间位置处的条件概率和另一个时间事件的热图结果进行卷积来估计，该热图结果指示所述另一个时间事件在一个或多个时间位置处发生的伪概率。
[0113]
图4示出了根据本公开的一些实施例的用于医学图像中的特征识别的设备10。设备10包括输入单元12和处理单元14。
[0114]
输入单元10被配置成用于接收物体的至少一个医学图像。该至少一个医学图像包
括多维图像，例如二维医学图像、三维医学图像或四维医学图像。例如，输入单元可以是通信接口，其与医学成像设备(如mri或pacs)以无线或有线连接方式通信，以获得一个或多个医学图像。
[0115]
处理单元14被配置成用于通过将cnn应用于该至少一个医学图像来产生至少两个关注的特征的特征热图。cnn已被针对特征识别进行训练。
[0116]
在一些示例中，至少两个关注的特征可以包括至少两个界标。特征热图可包括通过将第一cnn应用于至少一个医学图像而生成的至少两个界标的界标热图。第一cnn已被针对界标识别进行训练。统计相关性可以包括至少两个界标之间的空间相关性，其作为用于对界标热图进行相互正则化的第一概率先验。正则化的界标热图可包括正则化界标热图。
[0117]
在一些示例中，至少两个关注的特征可包括至少两个时间事件。界标热图可包括通过将第二cnn应用于至少一个医学图像而产生的至少两个时间事件的时间事件热图。第二cnn已被针对时间事件识别进行训练。统计相关性可包括至少两个时间事件之间的时间相关性，其作为用于对时间事件热图进行相互正则化的第二概率先验。正则化的界标热图可以包括正则化时间事件热图。
[0118]
处理单元14被进一步配置成使用至少两个关注的特征之间的相关性作为用于对特征热图进行相互正则化的概率先验。统计相关性是基于经注释的医学图像数据(例如训练数据)估计出的。
[0119]
对于界标检测，处理单元可被配置成依据在已知已经在某一空间位置处检测到另一个界标的情况下在一定的空间位置处检测到一个界标的条件概率来估计至少两个界标之间的空间相关性。可选地，处理单元可被配置成依据条件概率的乘积来估计一个界标和两个以上的另外的界标之间的空间相关性，其中每个条件概率为在已知已经在某一空间位置处检测到两个以上的另外的界标中的一个的情况下在一定的空间位置处检测到所述一个界标的条件概率。可选地，处理单元可被配置成通过对一个界标在一定的空间位置处的条件概率与另一个界标的热图结果进行卷积来估计所述一个界标的第一概率先验，该热图结果指示所述另一个界标在一个或多个空间位置处出现的伪概率。
[0120]
对于时间事件检测，处理单元14可被配置成依据在已知已经在某一时间位置处检测到另一个时间事件的情况下在一定的时间位置处检测到一个时间事件的条件概率来估计至少两个时间事件之间的时间相关性。可选地，处理单元14可被配置成依据条件概率的乘积来估计一个时间事件和两个以上的另外的时间事件之间的时间相关性，其中每个条件概率为在已知已经在某一时间位置处检测到两个以上的另外的时间事件中的一个的情况下在一定的时间位置处检测到所述一个时间事件的条件概率。可选地，处理单元14可被配置成通过对一个时间事件在一定的时间位置处的条件概率与另一个时间事件的热图结果进行卷积来估计所述一个时间事件的第二概率先验，该热图结果指示所述另一个时间事件在一个或多个时间位置处发生的伪概率。
[0121]
可选地，处理单元14可被配置成基于用于任何一对两个关注的特征之间的相对矢量的核密度估计方法根据训练数据来确定统计相关性。
[0122]
可选地，概率先验的计算可以被表示为cnn的附加卷积层。这允许通过附加卷积层将概率正则化方案整合到所有的现有cnn结构中。
[0123]
可选地，概率先验被用于以下列方式中的至少一种对特征热图进行相互正则化：
在后处理步骤期间在测试时间应用正则化层，以及在cnn的训练期间应用正则化层。
[0124]
处理单元14被进一步配置成基于正则化的特征热图来识别至少一个医学图像中的至少两个关注的特征。
[0125]
该设备还包括输出单元16，例如通信接口，用于将结果输出到例如显示器。
[0126]
图5示出了根据本公开的一些实施例的医学成像系统200，其呈c型臂x射线成像套件的形式。医学成像系统的其他示例可以包括但不限于，mri系统、超声成像系统、光学成像系统、pet成像系统和spect成像系统。
[0127]
c型臂成像系统200具有支撑装置202，其可以通过方位角轴和仰角轴围绕关注的物体204平移。例如，c型臂x射线成像系统200可以由x射线设施的天花板来支撑。支撑装置保持旋转阳极x射线源205和x射线探测器206。
[0128]
c型臂成像系统(或ct成像系统)可选择地设置有运动传感器(例如，c型臂或ct门架轴中的旋转编码器)。这使得运动信息能够反馈给x射线成像系统的状态检测器。替代性地，或相结合，x射线成像系统的状态检测器被配置成接收代表预先计划的成像方案的运动命令列表。
[0129]
c型臂x射线成像系统例如由控制台208来控制，该控制台包括例如显示屏幕210、可选择地作为定子控制系统的计算机装置212，其可通过键盘214和鼠标216来控制。
[0130]
c型臂218被配置成围绕关注的物体204平移，不仅仅是在平面旋转的意义上(在ct扫描仪的意义上)，而且还通过倾斜。
[0131]
上述的设备10可被体现为用于特征检测的计算机设备212。
[0132]
在操作中，关注的物体204被放置在c型臂成像系统200的检测器206和x射线源205之间。c型臂可以围绕患者旋转以获取图像数据集，然后图像数据集被用于3d图像重建。被体现为计算机设备212的设备10被配置成用于识别图像数据集中的至少两个关注的界标。
[0133]
在本发明的另一示例性实施例中，提供了一种计算机程序或计算机程序单元，其特征在于适于在适当的系统上执行根据前述实施例之一所述的方法的方法步骤。
[0134]
因此，计算机程序单元可被存储在计算机单元上，其也可以是本发明的实施例的一部分。该计算单元可适于执行或诱导执行上述方法的步骤。此外，它可以适于操作上述设备的部件。该计算单元可适于自动操作和/或执行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。因此，该数据处理器可被配备成执行本发明的方法。
[0135]
本发明的该示例性实施例既覆盖从一开始就使用本发明的计算机程序，也覆盖通过更新的方式将现有程序变成使用本发明的程序的计算机程序。
[0136]
此外，计算机程序单元能够提供所有必要的步骤来完成如上所述的方法的示例性实施例的操作。
[0137]
根据本发明的另一示例性实施例，提出了一种计算机可读介质，例如cd-rom，其中该计算机可读介质具有存储在其上的计算机程序单元，该计算机程序单元通过前述部分进行了描述。
[0138]
计算机程序可以被存储和/或分布在适合的介质上，例如与其他硬件一起或作为其他硬件的一部分提供的光学存储介质或固态介质，但也可以以其他形式分布，例如通过互联网或其他有线或无线电信系统。
[0139]
然而，计算机程序也可以通过像万维网这样的网络提供，并可以从这样的网络下
载到数据处理器的工作存储器中。根据本发明的另一示例性实施例，提供了一种用于使计算机程序单元可供下载的介质，该计算机程序单元被安排成执行根据本发明的前述实施例之一所述的方法。
[0140]
应指出的是，参考不同主题描述了本发明的实施例。尤其是，参考方法类型的权利要求描述了一些实施例，而参考装置类型的权利要求描述了另外的实施例。然而，本领域技术人员将从上文和下文描述中得出，除非另有指示，否则除了属于一种类型的主题的特征的任何组合之外，与不同主题相关的特征之间的任何组合也被认为由本技术公开。然而，所有特征都可以组合，从而提供多于特征的简单加和的协同效果。
[0141]
尽管已经在附图和前面的描述中例示说明和描述了本发明，但这样的例示说明和描述被认为是例示说明性的或示例性的而非限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和从属权利要求，本领域技术人员在实践所要求保护的本发明时，能够理解并实现所公开的实施例的其他变型。
[0142]
在权利要求中，“包括”一词不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。仅在互不相同的从属权利要求中记载某些措施并不表示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应解释为限制范围。