用于实时图像3D分割正则化的方法和系统与流程

本文所公开的主题的实施方案涉及图像分割，并且更具体地涉及医学图像数据的实时3d图像分割正则化。

背景技术：

1、临床决策可从对数据源内的一个或多个集合的分析导出。在放射学领域中，这通常可涉及对来自医学图像数据的感兴趣区域的分析，该医学图像数据可包括2d或3d医学图像，诸如器官(肾、肝、脾等)、血管、骨等的图像。医学图像分析可应转诊医师的要求执行，以达到特定目的；此目的可包括检测、评估和/或监测解剖学异常如病灶、动脉瘤、萎缩等的进展。

2、为了访问医学图像数据的这些感兴趣区域并且执行期望的分析，可首先将对应于这些区域的数据与其他数据准确地且鲁棒地分离。尽管存在许多上下文特定算法以分割医学图像数据内的感兴趣区域诸如器官，但由于许多医学数据源的可变性，此类算法可针对其他解剖特征或病理结构如病灶和结节产生不准确结果。此外，医学图像数据内的因素诸如尺度、噪声、运动、部分体积和其他伪影可妨碍分割算法的准确度和精度。

技术实现思路

1、在一个实施方案中，一种用于医学数据的实时分割正则化的方法包括：基于应用于医学图像数据的正则化笔刷的用户输入来实时更新医学图像数据的初始分割，正则化笔刷的用户输入允许修改初始分割的体积。

2、应当理解，提供上面的简要描述来以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。

技术特征：

1.一种用于医学图像数据304的实时分割正则化的方法，所述方法包括：

2.根据权利要求1所述的方法，其中所述正则化笔刷312的所述用户输入310包括所述正则化笔刷在所述医学图像数据上的位置、所述正则化笔刷的球体的半径以及对所述正则化笔刷的所述球体的半径的调整。

3.根据权利要求2所述的方法，其中所述正则化笔刷312的另一输入包括所述医学图像数据304的所述初始分割302。

4.根据权利要求2所述的方法，其中所述初始分割302的所述更新包括提取所述医学图像数据的感兴趣区域(roi)，所述roi包括在所述正则化笔刷312的所述球体内。

5.根据权利要求4所述的方法，所述方法还包括：对所述roi内的所述医学图像数据304应用自适应重采样。

6.根据权利要求5所述的方法，所述方法还包括：计算所述roi内的概率图，所述概率图包括具有介于0与1之间的值的体素，并且其中所述概率图包括所述概率图内所包括的体素在所述roi内的所更新的分割306内的可能性。

7.根据权利要求6所述的方法，其中通过将低通滤波器应用于所述roi内的所述初始分割302来填充所述概率图，所述低通滤波器是均值滤波器、高斯滤波器、各向异性滤波器和卷积神经网络(cnn)的输出中的一者。

8.根据权利要求7所述的方法，其中所述roi内的所更新的分割306是基于将阈值处理应用于所述概率图。

9.根据权利要求8所述的方法，所述方法还包括：输出所述医学图像数据的所更新的分割306，所更新的分割306基于对所述roi内的所述初始分割302做出的改变。

10.一种用于医学图像数据304的实时分割正则化的系统，所述系统包括：

11.根据权利要求10所述的系统，其中所述用户输入包括：所述正则化笔刷312的位置、所述正则化笔刷的影响球体的半径以及对所述正则化笔刷的所述影响球体的半径的调整。

12.根据权利要求11所述的系统，其中应用于所述初始分割的所述低通滤波器通过机器学习实现，并且其中在所述低通滤波器中使用的所述机器学习经由卷积神经网络(cnn)实现。

13.根据权利要求12所述的系统，其中所述cnn接收分割掩模的数据库作为输入，并且其中所述分割掩模的数据库包括来自硬盘驱动器的分割掩模的集合或由来自一个或多个其他注释工具的自动化功能生成的分割掩模的集合。

14.根据权利要求13所述的系统，其中所述控制器包括另外的指令以：

15.根据权利要求14所述的系统，其中输出所述医学图像数据304的所更新的分割306包括：将阈值处理应用于所述平滑概率图并且更新所述正则化笔刷312的所述影响球体内的所述初始分割302的一部分。

技术总结
提供了用于医学图像数据304的实时图像分割的各种方法和系统。在一个示例中，该医学图像数据304的该实时图像分割可包括实时更新该医学图像数据的初始分割302。该更新可基于应用于该医学图像数据304的正则化笔刷312的用户输入310，该正则化笔刷的该用户输入允许修改该初始分割302的体积。

技术研发人员：文森特·莫拉尔,尼古拉斯·戈金,A·库罗
受保护的技术使用者：通用电气精准医疗有限责任公司
技术研发日：
技术公布日：2024/1/13