用于图像引导治疗计划的结构形状的自动描绘的方法和装置的制造方法
【专利说明】用于图像引导治疗计划的结构形状的自动描绘的方法和装置
【背景技术】
[0001] 在本领域中，需要提高如何在图像内自动描绘关注结构的形状的效率和准确度。 例如，非常需要准确地描绘患者图像内的诸如前列腺结构的形状。通过准确地描绘前列腺 形状，可使得诸如放射疗法的用于治疗的计划更加有效。
【发明内容】
[0002] 为了满足本领域中的这种需求，本发明人公开了一种用于自动描绘图像数据内的 关注结构的装置，所述图像数据包含关注区域的被检体图像，所述关注区域包含所述关注 结构，所述图像包括多个数据点，数据点包括多个强度值，该装置包括:处理器，被配置为： (1)计算所述多个数据点的多个特征，这些特征指示数据点的多个窗口上的强度变化；（2) 基于向经训练的界标检测器应用所计算的特征，检测所述图像内的多个界标的多个位置；
[3] 基于所检测的界标位置，产生所述关注结构的形状估计；以及(4)根据形状细化工具来 细化所述形状估计，由此计算所述关注结构的经细化的形状估计。利用示例性实施例中的 这种装置，界标检测基于图像的宽区域提供对结构形状的有用的初始粗略近似，同时可以 使用形状细化工具，以使用图像的较窄区域来细化初始形状近似。因此，在示例性实施例 中，可以使用图像的局部方面和全局方面两者来细化关注结构的形状。
[0003] 根据另一个方面，本发明人公开了一种用于自动描绘图像数据内的关注结构的方 法，所述图像数据包括关注区域的被检体图像，所述关注区域包含所述关注结构，所述图像 包括多个数据点，数据点包括多个强度值，该方法包括：（1)计算所述多个数据点的多个特 征，这些特征指示数据点的多个窗口上的强度变化；（2)基于向经训练的界标检测器应用所 计算的特征，检测所述图像内的多个界标的多个位置；（3)基于所检测的界标位置，产生所 述关注结构的形状估计；以及(4)根据形状细化工具来细化所述形状估计，由此计算所述关 注结构的经细化的形状估计，以及其中，方法步骤由处理器执行。
[0004] 另外，本发明人公开了一种用于自动描绘图像数据内的关注结构的计算机程序产 品，所述图像数据包括关注区域的被检体图像，所述关注区域包含所述关注结构，所述图像 包括多个数据点，数据点包括多个强度值，该计算机程序产品包括驻留在非暂时性计算机 可读存储介质上并且可由处理器执行的多个指令，以：（1)计算所述多个数据点的多个特 征，这些特征指示数据点的多个窗口上的强度变化；（2)基于向经训练的界标检测器应用所 计算的特征，检测所述图像内的多个界标的多个位置；（3)基于所检测的界标位置，产生所 述关注结构的形状估计；以及(4)根据形状细化工具来细化所述形状估计，由此计算所述关 注结构的经细化的形状估计。
[0005] 根据这里描述的又一个示例性方面，本发明人公开了一种用于使用多个图集图像 来训练界标检测器的装置，所述图集图像包含界标相对于关注结构的位置信息，该装置包 括:处理器，被配置为：（1)从所述图集图像收集多个正样本和多个负样本；（2)计算所收集 的正样本和负样本的多个哈尔(Haar)状特征；以及(3)向机器学习算法应用所计算的哈尔 状特征和与所计算的哈尔状特征相关联的位置数据，以训练界标检测器来检测界标。还公 开了相应的方法和计算机程序产品。
[0006] 根据这里描述的又一个示例性方面，本发明人公开了一种装置，该装置包括:处理 器，被配置为：（1)接收与对图像内的前列腺的第一界标位置的选择对应的输入；（2)访问代 表所述图像内的前列腺的轮廓的数据；（3)根据应用到第一界标位置的空间距离准则，沿所 述轮廓自动选择前列腺的多个附加界标位置；以及(4)与所述图像相关联地存储第一界标 位置和附加界标位置。还公开了相应的方法和计算机程序产品。
[0007] 另外，本发明人公开了一种装置，该装置包括:处理器，被配置为：（1)基于概率地 图将界标相对于图像中的结构的多个候选位置求解为单个界标位置，所述概率地图是根据 界标的高斯分布模型而限定的；（2)重复多个不同界标的求解运算；（3)基于单个界标位置 初始化所述结构的形状估计；以及(4)迭代地细化所述形状估计。还公开了相应的方法和计 算机程序产品。
[0008] 本领域技术人员在审视了以下的说明书和附图中的教导时，将很容易理解本发明 的这些和其它特征和优点。
【附图说明】
[0009] 图1示出用于使用经训练的界标检测器和形状细化工具来处理被检体图像的示例 性实施例。
[0010] 图2示出用于与被检体图像内的结构形状的自动描绘协作地训练界标检测器和边 界检测器的示例性处理流程。
[0011] 图3示出用于使用图集图像数据来训练界标检测器的示例性实施例。
[0012] 图4(a)示出用于使用机器学习算法来训练界标检测器的示例性处理流程。
[0013 ]图4 (b)和图4 (c)示出可以对于示例性实施例如何计算哈尔状特征的例子；
[0014] 图5示出表示关注结构的多个界标的示例性图像。
[0015] 图6(a)和图6(c)示出用于向新的被检体图像应用经训练的界标检测器以检测其 中的界标位置的示例性处理流程。
[0016] 图6(b)示出可以如何在检测阶段期间在图像的滑动窗口上计算哈尔状特征的例 子。
[0017] 图7示出表示界标检测结果的示例性图像。
[0018] 图8示出具有关注结构的边界信息的示例性图集图像。
[0019] 图9示出根据示例性实施例的用于形状细化的示例性处理流程，该处理流程利用 经训练的边界检测器和形状词典。
[0020] 图10示出根据示例性实施例的对于关注结构的形状细化。
[0021] 图11示出用于产生与治疗计划关联使用的关注结构的3D体积的一组示例性的经 细化的轮廓估计。
[0022]图12示出用于更新形状词典的示例性实施例。
[0023]图13示出根据示例性实施例的利用可变形的形状模型的用于形状细化的示例性 处理流程。
【具体实施方式】
[0024]现在描述涉及使用机器学习算法来训练自动界标检测器以及使用经训练的界标 检测器和形状细化工具来执行图像数据内的关注结构的自动轮廓修整(contouring)这两 者的各种实施例。
[0025]应当理解，使用在这里描述的技术处理的图像可采取许多形式中的任一种。在各 种示例性实施例中，图像可以是诸如CT图像的医疗图像。但是，应当理解，可以采用不同类 型的图像。例如，也可使用在这里描述的技术来处理诸如磁共振(MR)图像和超声图像的图 像类型。图像可包括多个图像数据点，这些图像数据点的位置可通过坐标系来表示。
[0026] 图1示出用于自动描绘图像数据内的结构形状的示例性实施例。如图1所示，处理 器100可被配置为实现处理逻辑104,由此，借助于一个或多个经训练的界标检测器108和形 状细化工具110来处理新的被检体图像106,以产生关注结构的一个或多个经细化的轮廓 112。经细化的轮廓数据112可采取许多形式中的任一种。例如，轮廓数据可包括位于关注结 构的边界上的多个图像数据点（例如，均匀分布(在轮廓上)的60个数据点），其中，每个点由 其在图像内的坐标来表示。还应当理解，被检体图像106可以为二维(2D)图像或三维(3D)图 像。
[0027] 处理器100可以是具有足够的计算能力以实现在这里描述的自动描绘特征的任何 处理器。应当理解，处理器100可包括可选地经由网络分布的多个处理器。用于实现处理逻 辑104的编程指令可驻留于非暂时性计算机可读存储介质（例如，存储器102)上，以供处理 器100访问和执行。应当理解，存储器102可包括多个存储器装置，这些存储器装置可选地为 多个分布式存储器装置和/或不同类型的存储器装置。
[0028]经训练的界标检测器108被配置为处理图像106的数据点，以自动检测图像106内 的某些界标的存在和位置。在示例性实施例中，每个经训练的界标检测器108被配置为检测 不同的界标，尽管不需要如此。界标检测器108可采取多个形式中的任一种，诸如一组机器 可执行的规则。另外，如果从业者期望，那么经训练的界标检测器108可被配置为并行地处 理图像的多个点，尽管不需要如此。如下面讨论的那样，可经由分析图像数据点的各种属性 来检测界标