。期望将对于不同结构和其它因素使用不同的界标。然后，如下面讨论的那样， 可使用所检测的界标来产生结构的初始形状估计。
[0029] 处理器100可利用形状细化工具110和经训练的界标检测器108的输出，以自动估 计图像106内的关注结构的边界。可采用的形状细化工具110的例子是边界检测器，该边界 检测器可以采取多个形式中的任一种，包含经训练的边界检测器，该经训练的边界检测器 包括一组机器可执行的规则。可采用的形状细化工具的另一个例子是形状变形算法。另外， 如果从业者期望，那么形状细化工具110可被配置为并行地处理图像的多个点，尽管不需要 如此。形状细化工具110可迭代地操作来估计和调整关注结构的估计边界，以产生经细化的 轮廓数据112。
[0030]图2示出详述可以如何处理被检体图像106以产生经细化的轮廓112的示例性处理 流程。图2的左半部分(相对于垂直虚线)示出一般与由处理逻辑104执行的操作对应的处理 流程。图2的右半部分(相对于垂直虚线)示出被执行以使用机器学习算法来训练界标检测 器108和边界检测器110的处理流程。在示例性实施例中，图2的右半部分被离线地执行，而 图2的左半部分被在线地执行。也就是说，可在产生或处理新的被检体图像106之前执行训 练各种检测器的任务。因此，在需要处理新的被检体图像106之前，经训练的界标检测器108 和经训练的边界检测器可能已准备好处理图像数据。因此，处理逻辑104将能够以有效的方 式产生经细化的轮廓估计，在期望在取得新的被检体图像之后迅速地使用经细化的轮廓数 据的情况下，这可能是特别有用的。但是，应当理解，如果期望的话，从业者仍可选择通过处 理新的被检体图像在线地实现训练检测器的任务。
[0031]对于离线操作，可使用机器学习算法来处理诸如图集图像200的训练数据，以创建 经训练的界标检测器和边界检测器。图集图像200优选地包含注释，这些注释用作对于训练 处理的关注信息的参照数据。例如，用来训练界标检测器的图集200可包含对界标位于这些 图集图像中的哪里的识别。类似地，用来训练边界检测器的图集200可包含对关注结构的边 界位于哪里的识别。在一些情况下，图集图像可包含界标信息和边界信息两者，在这种情况 下，这种图集图像可被用来训练界标检测器和边界检测器两者，但不需要如此。图集中包含 的注释可通过手动技术由经训练的专业人员来提供，或者通过自动技术(优选地在确认自 动结果的准确度之后)来提供。因而，在示例性实施例中，训练数据的全集可用作对界标和 边界存在于现有图像中的哪里的可靠识别。在示例性实施例中，图集图像200可以是除了作 为新图像106的被检体的人以外的人的图像，但是不需要如此。在一些情况下，图集200可以 是被检体自身的现有图像。
[0032]在步骤202,图集图像可被对准，以便创建用于评价界标和边界的共用参照框架。 多个技术中的任一种可用于图像对准/配准操作。例如，可在步骤202使用刚性变换技术。可 对图集图像体积数据的切片成对地执行这种刚性变换。适当的刚性变换的例子是相似性变 换，但也可采用诸如基于相互信息的配准、仿射变换等其它技术，如由Zitova等的"Image registration methods:a survey"，Image and Vision Computing,21,p.977-1000(2003) 所描述的，其全部内容通过引用合并于此。存在4个自由度:缩放、旋转、x方向平移和y方向 平移。
[0033]在步骤204,对准的图集图像被处理，以使用机器学习算法来训练界标检测器108。 如图2的例子所示，可对每个关注界标执行不同的训练操作。图3和图4详述可以如何执行该 训练。图5示出表示不同的关注界标502的位置的前列腺区域的示例性图像500。可训练不同 的检测器108来找到每个界标502。
[0034]在本例子中，不同的界标502是前列腺区域上的五个解剖点。这些界标点可被选 择，以便紧密地接近于所期望的前列腺解剖结构，在所期望的前列腺解剖结构中，存在相对 于相邻的非前列腺区域的良好的对比度。在示例性实施例中，对于每个图集图像切片，将存 在前列腺的带注释的标定过的真实轮廓(ground-truth contour)。这种标定过的真实轮廓 可由（轮廓上的)60个均匀分布的点来代表，其中，每个点由其在图集图像切片内的(x，y)坐 标来代表。
[0035]可由专家或者其它适当的技术人员从轮廓点中的一个手动地选择顶部中心界标 502:。在示例性实施例中，顶部中心界标502:位于标定过的真实轮廓上以及到耻骨的左边和 右边具有大致相同距离的图像的中心区域中。即，经训练的人可选择在右耻骨的最左部分 与左耻骨的最右部分之间大致等距的沿标定过的真实轮廓的位置(参照图5所示的图像透 视图），以用作顶部中心界标502:。可根据粗略地与距离对应的选择准则自动地选择剩余的 4个界标点。例如，可从轮廓点中选择剩余的4个界标点，以便创建从顶部中心界标502ι顺时 针移动10个轮廓点（对于界标点5022)、10个轮廓点（对于界标点5023)、20个轮廓点（对于界 标点5024)和10个轮廓点（对于界标点5025)的界标点之间的间隙，由此在界标点5025与502! 之间留下10个轮廓点。应当理解，如果从业者期望，那么可以采用界标点之间的不同的间隔 准则。
[0036]图3示出被配置为相互协作以执行处理逻辑304的处理器300和存储器302,其中， 处理逻辑实现图2的步骤202和步骤204。处理器300和存储器302可以可选地与处理器100和 存储器102相同，尽管不需要如此。处理逻辑304可驻留于非暂时性计算机可读存储介质（例 如，存储器302)上，以供处理器300访问和执行。图4(a)示出处理逻辑304实现步骤202和步 骤204的示例性处理流程。
[0037]在图4(a)的例子中，不同的图集200(例如，2001、2002、'"）包含30图像体积。在步骤 400，处理器从3D体积数据提取2D切片。在步骤402，优选地以成对的方式对准来自共用图集 的2D切片。如上所述，该对准处理可使用刚性变换或其它适当的图像配准技术。对准的切片 将示出包含关注结构的关注区域。例如，在关注结构是前列腺的实施例中，可期望图像切片 将包含全部的前列腺区域、耻骨联合的全部或一部分、以及直肠的全部或一部分。
[0038]在步骤404,处理器从对准的2D切片收集多个训练样本。可以收集正训练样本和负 训练样本两者。例如，可从2D切片收集界标点自身和被视为在空间上接近界标点的多个点， 以对于该2D切片限定一组正样本。作为例子，可以使用与界标点的1mm距离来管理从中选择 正样本的区域。可在该区域内随机选择正样本。对于负样本，处理器可从被视为不接近关注 界标的2D切片中选择多个点。可以使用相对于界标点的更大的距离阈值来限定该负区域。 处理器也可被配置为从该负区域中随机选择负样本。而且，处理器可进行这些选择，以实现 正样本与负样本之间的约1:1.5的比率。
[0039]在步骤406,处理器计算指示图像数据点的窗口上的强度变化的所收集的训练样 本的特征。例如，特征可以是哈尔(Haar)状特征。哈尔状特征可被用来代表每个采样位置处 的矩形区域。图4(b)示出了选择图像450的矩形区域452(或窗口）的例子。哈尔状特征可被 计算为暗"+"区域454内的像素强度之和与白区域456内的像素强度值之和之间的差值。 如图4(c)所示，可以采用具有相应的"+"区域和区域的窗口454的多个图案中的任一种。 在示例性实施例中，可以采用图4(c)的左下部分中所示的窗口图案。具体地，利用这种实施 例，步骤406可考虑以检测窗口中的被检体样本点为中心的4个相邻的矩形区域。对每个矩 形区域内的像素强度求和，然后计算这些和之间的差值。然后，每个差值被记录为该样本的 特征矢量内的值。所提取的特征矢量的尺寸将随着检测窗口的尺寸而改变。在示例性实施 例中，窗口尺寸可以是24_X24mm，尽管应当理解，可以采用不同的窗口尺寸。在Viola等的 "Rapid Object detecting using a boosted cascade of simple features'，，Proc·of IEEE Conf .on Computer Vision and Pattern Recognition"，p.511_518(2001)中找到了 可以如何计算哈尔状特征的描述，其全部公开内容通过引用合并于此。
[0040]在步骤408,