根据多个不同地扰动的基于模型的解剖图像分割的节点变化来生成分割置信度图的制作方法

计算;推算;计数设备的制造及其应用技术1.本发明涉及医学成像领域，并且更具体地涉及自动图像分割领域。背景技术：2.基于模型的分割能够描绘来自各种成像模态的3d图像中的相关解剖结构。这通常通过在一系列适应步骤中将3d表面网格拟合到图像数据来实现。然而，逐步分割过程导致仅与来自针对被成像解剖结构的可能结果的分布的一个采样的估计相对应的单个结果。结果的置信度对用户仍然未知。3.这对潜在经历低信噪比或实质变化的噪声模式的成像模态(诸如对超声成像)或对常常缺乏实际图像信息的部分的成像模态(诸如阴影或成像伪影)是尤其重要的。此外，在磁共振图像中，其中，图像采集协议可以对图像特性具有重要影响，并且通常难以使分割模型在所有图像采集协议上同样良好地被训练。技术实现要素：4.本发明由权利要求限定。5.根据按照本发明的方面的示例，提供了一种用于确定针对图像分割的置信度值的方法，所述方法包括：6.获得图像，其中，所述图像包括解剖结构的视图；7.获得所述解剖结构的模型，其中，所述模型包括多个节点；8.处理所述图像以生成多个图像分割输出，其中，每个图像分割输出包括针对所述视图的一组值，其中，所述一组值中的每个值与所述模型的所述多个节点中的节点相关联；9.针对所述模型的每个节点，基于与所述节点相对应的多个值来确定置信度值；并且10.基于每个节点的所述置信度值来生成所述解剖结构的置信度图。11.所述方法提供了一种生成针对图像的分割的置信度值的方式。12.通过生成针对所述解剖结构模型的每个节点的多个分割结果，提供与跨多个结果的逆方差相对应的针对每个节点的置信度值是可能的。换句话说，节点的方差越高，置信度值将越低。13.以这种方式，可以告知用户解剖结构的分割可以多么准确以及解剖结构的哪些特征持有最低置信度值。14.在实施例中，所述方法还包括：15.基于所述图像分割输出中的一个或多个来导出所述解剖结构的测量结果；16.识别所述多个节点中与所述测量结果相关联的一个或多个节点；17.基于与所述测量结果相关联的一个或多个识别的节点的所述置信度值和/或所述多个图像分割输出来计算测量置信度值。18.以这种方式，可以计算从图像的分割导出的测量结果的置信度值。19.在实施例中，处理所述图像包括：20.将多个不同的变换应用到所述图像，由此生成多幅经修改的图像；21.根据所述多幅经修改的图像中的每幅来分割所述解剖结构的图像，由此生成多个图像分割输出；并且22.针对所述多幅经修改的图像中的每幅，将逆变换应用到经修改的图像和相关联的多个分割输出，所述逆变换表示被应用到所述图像的所述变换的逆。23.以这种方式，模拟在图像的采集期间可能发生的解剖结构的移动是可能的，这意味着置信度图可以考虑图像中的移动伪影。24.在另一实施例中，所述多个不同的变换包括多个随机变换。25.在实施例中，所述多个不同的变换根据给定的统计分布而不同。26.在实施例中，处理所述图像包括在所述图像上执行多个不同的分割操作以分割所述解剖结构的图像，由此生成多个分割输出。27.以这种方式，以计算上高效的方式获得多个分割输出是可能的，因为密集的体积变换可以得以避免。28.在实施例中，所述多个不同的分割操作包括在分割过程期间应用随机扰动。29.在实施例中，所述方法还包括使用所述多个分割输出作为训练集来训练机器学习算法，其中，所述机器学习算法适于：30.通过单个分割操作来获得所述图像的单个分割输出，其中，所述单个分割输出包括针对所述视图的一组值，其中，所述一组值中的每个值与所述模型的所述多个节点中的节点相关联；并且31.针对所述模型的每个节点，基于与所述节点相对应的所述值和所述训练集来预测置信度值。32.以这种方式，机器学习算法可以被训练和采用以增加所述方法的速度和效率。33.在另一实施例中，所述机器学习算法还适于：34.基于单个图像分割输出来获得所述解剖结构的导出的测量结果；35.识别所述多个节点中与所述导出的测量结果相关联的一个或多个节点；并且36.基于与所述导出的测量结果相关联的一个或多个识别的节点来预测测量置信度值，所述一个或多个识别的节点的所预测的置信度值与所述导出的测量结果和/或所述单个图像分割输出相关联。37.在实施例中，所述方法还包括向用户显示所述置信度图。38.在实施例中，向所述用户显示所述置信度图包括将所述置信度图叠加在以下各项中的一项或多项上：39.所述图像；以及40.所述模型的视觉表示。41.在实施例中，所述图像包括以下各项中的一项或多项：42.超声图像；43.磁共振图像；44.正电子发射断层摄影图像；以及45.x射线图像。46.根据按照本发明的方面的示例，提供了一种包括计算机程序代码单元的计算机程序，当所述计算机程序在计算机上运行时，所述计算机程序代码单元适于实施以上描述的方法。47.根据按照本发明的方面的示例，提供了一种用于确定针对图像分割的置信度值的系统，所述系统包括处理器，所述处理器适于：48.获得图像，其中，所述图像包括解剖结构的视图；49.获得所述解剖结构的模型，其中，所述模型包括多个节点；50.处理所述图像以生成多个图像分割输出，其中，每个图像分割输出包括针对所述视图的一组值，其中，所述一组值中的每个值与所述模型的所述多个节点中的节点相关联；51.针对所述模型的每个节点，基于与所述节点相对应的多个值来确定置信度值；并且52.基于每个节点的所述置信度值来生成所述解剖结构的置信度图。53.在实施例中，所述系统包括成像设备，所述成像设备包括以下各项中的一项或多项：54.超声设备；55.磁共振设备；56.正电子发射断层摄影设备；以及57.x射线设备。58.本发明的这些方面和其他方面将根据下文描述的(一个或多个)实施例而显而易见并参考下文描述的(一个或多个)实施例得到阐述。附图说明59.为了更好地理解本发明，并且更清楚地示出其可以如何被实现，现在将仅通过示例对附图进行参考，在附图中：60.图1示出了超声诊断成像系统以解释总体操作；61.图2示出了本发明的方法；62.图3示出了基于图像输入的变化的根据本发明的方面的图像处理方法的示例；并且63.图4示出了基于分割工作流程的变化的根据本发明的方面的图像处理方法的示例。具体实施方式64.将参考附图来描述本发明。65.应当理解，详细描述和具体示例在指示装置、系统和方法的示例性实施例的同时，仅旨在用于图示的目的，而不旨在限制本发明的范围。根据以下描述、所附权利要求和附图将更好地理解本发明的装置、系统和方法的这些和其他特征、方面和优点。应当理解，附图仅仅是示意性的，并未按比例绘制。还应当理解，贯穿附图使用相同的附图标记来指示相同或相似的部分。66.本发明提供了一种用于确定针对图像分割的置信度值的方法。所述方法包括：获得图像，其中，所述图像包括解剖结构的视图；并且获得所述解剖结构的模型，其中，所述模型包括多个节点。67.处理所述图像以生成多个图像分割输出，其中，每个图像分割输出包括针对所述视图的一组值，其中，所述一组值中的每个值与所述模型的所述多个节点中的节点相关联。针对所述模型的每个节点，基于与所述节点相对应的所述多个值来确定置信度值。基于每个节点的所述置信度值来生成所述解剖结构的置信度图。68.首先将参考图1描述示例性超声系统的总体操作，并且强调系统的信号处理功能，因为本发明涉及对由换能器阵列测量的信号的处理。69.应当指出，本发明的方法可以与任何类型的图像一起使用并且下面涉及超声系统的描述仅通过示例来提供。70.该系统包括阵列换能器探头4，其具有用于发射超声波和接收回波信息的换能器阵列6。换能器阵列6可以包括cmut换能器；由诸如pzt或pvdf的材料形成的压电换能器；或任何其他合适的换能器技术。在该示例中，换能器阵列6是能够扫描感兴趣区域的2d平面或三维体积的换能器8的二维阵列。在另一示例中，换能器阵列可以是1d阵列。71.换能器阵列6耦合到微波束形成器12，微波束形成器12控制由换能器元件对信号的接收。微波束形成器能够对由换能器的子阵列(通常称为“组”或“片块”)接收的信号进行至少部分波束形成，如美国专利us 5997479(savord等人)、us 6013032(savord)和us 6623432(powers等)中所描述的。72.应当注意，微波束形成器是完全任选的。此外，该系统包括发射/接收(t/r)开关16，微波束形成器12可以耦合到该开关，并且该开关在发射模式和接收模式之间切换阵列，并在不使用微波束形成器并且换能器阵列由主系统波束形成器直接操作的情况下保护主波束形成器20免受高能量发射信号影响。来自换能器阵列6的超声波束的发射由通过t/r开关16和主发射波束形成器(未示出)耦合到微波束形成器的换能器控制器18引导，该主发射波束形成器可以从用户对用户接口或控制面板38的操作接收输入。控制器18可以包括发射电路，该发射电路被布置为在发射模式期间(直接或经由微波束形成器)驱动阵列6的换能器元件。73.在典型的逐行成像序列中，探头内的波束形成系统可以如下操作。在发射期间，波束形成器(其取决于实施方式可以是微波束形成器或主系统波束形成器)激活换能器阵列或换能器阵列的子孔。子孔可以是较大阵列内的换能器的一维线或换能器的二维片块。在发射模式下，控制由阵列或阵列的子孔生成的超声波束的聚焦和操纵，如下所述。74.在接收到来自对象的反向散射的回波信号后，接收到的信号经历接收波束形成(如下所述)，以便将接收到的信号对齐，并且在使用子孔的情况下，然后例如由一个换能器元件对子孔进行移位。经移位的子孔然后激活，并且该过程重复，直到换能器阵列的所有换能器元件已经激活。75.对于每条线(或子孔)，用于形成最终超声图像的相关联线的总接收信号将是在接收时段期间由给定子孔的换能器元件所测量的电压信号的总和。在下面的波束形成过程之后，得到的线信号通常称为射频(rf)数据。然后由各个子孔生成的每条线信号(rf数据集)经历额外的处理以生成最终超声图像的线。线信号的幅度随时间的变化将贡献于超声图像的亮度随深度的变化，其中，高幅度峰将对应于最终图像中的亮像素(或像素的集合)。出现在线信号的开始附近的峰将表示来自浅结构的回波，而逐渐出现在线信号后期的峰将表示来自对象内增加深度处的结构的回波。76.由换能器控制器18控制的功能之一是波束操纵和聚焦的方向。波束可以操纵为从换能器阵列笔直向前(正交于其)，或者在不同角度处以用于更宽视场。可以根据换能器元件致动时间来控制发射波束的操纵和聚焦。77.在一般的超声数据采集中可以区分两种方法：平面波成像和“波束控制”成像。两种方法通过在发射模式(“波束操纵”成像)和/或接收模式(平面波成像和“波束操纵”成像)中波束形成的存在来区分。78.首先看一下聚焦功能，通过同时激活所有换能器元件，换能器阵列生成平面波，该平面波在其行进通过对象时发散。在这种情况下，超声波的波束保持不聚焦。通过向换能器的激活引入位置相关时间延迟，能够使波束的波前聚在期望的点处，该点称为聚焦区。聚焦区定义为横向波束宽度小于发射波束宽度一半的点。以这种方式，改进了最终超声图像的横向分辨率。79.例如，如果时间延迟使换能器元件从最外面的元件开始并在换能器阵列的(一个或多个)中心元件处结束在系列中激活，则将在距探头给定距离处形成聚焦区，与(一个或多个)中心元件一致。聚焦区距探头的距离将根据换能器元件激活的每个后续轮之间的时间延迟而变化。在波束经过聚焦区后，其将开始发散，从而形成远场成像区域。应当注意，对于定位靠近于换能器阵列的聚焦区，超声波束将在远场中迅速发散，从而导致最终图像中的波束宽度伪影。通常，由于超声波束中的大交叠，位于换能器阵列和聚焦区之间的近场示出很少细节。因此，改变聚焦区的位置会导致最终图像的质量的显著变化。80.应当注意，在发射模式下，除非将超声图像划分为多个聚焦区(其中每个可能具有不同的发射焦点)，否则可以定义仅一个焦点。81.另外，在从对象内接收到回波信号后，能够执行上述过程的逆过程以执行接收聚焦。换句话说，传入的信号可以由换能器元件接收并且在被传递到系统中以进行信号处理之前经历电子时间延迟。这一点的最简单示例称为延迟求和波束形成。能够根据时间动态调节换能器阵列的接收聚焦。82.现在来看波束操纵的功能，通过对换能器元件正确地施加时间延迟，能够在超声波束离开换能器阵列时在超声波束上赋予期望的角度。例如，通过以在阵列的相对侧结束的顺序来激活换能器阵列的第一侧上的换能器，之后剩余的换能器，波束的波前将朝向第二侧成角度。相对于换能器阵列的法线的操纵角的大小取决于随后的换能器元件激活之间的时间延迟的大小。83.此外，能够聚焦操纵波束，其中，施加到每个换能器元件的总时间延迟是聚焦和操纵时间延迟两者的总和。在这种情况下，换能器阵列称为相控阵列。84.在需要用于对其进行激活的dc偏置电压的cmut换能器的情况下，换能器控制器18可以耦合以控制换能器阵列的dc偏置控制45。dc偏置控制45设置施加到cmut换能器元件的(一个或多个)dc偏置电压。85.针对换能器阵列的每个换能器元件，通常称为信道数据的模拟超声信号通过接收信道进入系统。在接收信道中，部分波束形成信号由微波束形成器12根据信道数据中产生，并且然后传递到主接收波束形成器20，其中，来自换能器的个体片块的部分波束形成信号被组合为完全波束形成信号，被称为射频(rf)数据。在每个阶段处执行的波束形成可以如上所述被执行，或者可以包括额外的功能。例如，主波束形成器20可以具有128信道，其中每个从几十个或数百换能器元件的片块接收部分波束形成信号。以这种方式，由换能器阵列的数千个换能器接收到的信号可以有效地贡献于单个波束形成信号。86.波束形成接收信号耦合到信号处理器22。信号处理器22能够以各种方式处理接收到的回波信号，例如，带通滤波；抽选；i和q分量分离；以及谐波信号分离，其用于分离线性信号与非线性信号，从而使得能够识别从组织和微泡返回的非线性(基频的较高谐波)回波信号。信号处理器22还可以执行额外的信号增强，例如，散斑减少、信号合成以及噪声消除。在信号处理器中的带通滤波器可以是跟踪滤波器，当从递增的深度接收回波信号时所述带通滤波器的通带从较高的频率带滑动到较低的频率带，从而拒绝来自更大深度的较高频率处的噪声，其通常缺乏解剖信息。87.用于发射和用于接收的波束形成器以不同的硬件实施并且可以具有不同的功能。当然，接收器波束形成器被设计为考虑发射波束形成器的特性。为了简化，在图1中仅示出了接收器波束形成器12、20。在整个系统中，还将存在带有发射微波束形成器和主发射波束形成器的发射链。88.微波束形成器12的功能是提供信号的初始组合，以便减少模拟信号路径的数量。这通常在模拟域中执行。89.最终波束形成在主波束形成器20中完成，并且通常在数字化之后完成。90.发射和接收信道使用具有固定频带的相同换能器阵列6。然而，发射脉冲占用的带宽可以根据所使用的发射波束形成而变化。接收信道可以捕获整个换能器带宽(其是经典方法)，或者通过使用带通处理，其只能提取包含期望信息(例如主谐波的谐波)的带宽。91.然后，可以将rf信号耦合到b模式(即，亮度模式或2d成像模式)处理器26和多普勒处理器28。b模式处理器26对接收到的超声信号执行幅度检测以对身体中的结构进行成像，例如器官组织和血管。在逐行成像的情况下，每条线(波束)由关联的rf信号表示，其幅度用于生成要分配给b模式图像中的像素的亮度值。图像内像素的确切位置由沿rf信号的相关联幅度测量结果的位置和rf信号的线(射束)数确定。这样的结构的b模式图像可以以谐波或基波图像模式或两者的组合形成，如在美国专利us 6283919(roundhill等人)和美国专利us 6458083(jago等人)中所描述的。多普勒处理器28处理由组织移动和血流产生的时间上不同的信号，以检测移动物质，例如图像场中的血液细胞的流。多普勒处理器28通常包括壁滤波器，该壁滤波器具有设置成通过或拒绝从身体内的选定类型的材料返回的回波的参数。92.由b模式和多普勒处理器产生的结构和运动信号被耦合到扫描转换器32和多平面重新格式化器44。扫描转换器32以空间关系布置回波信号，根据该空间关系以期望的图像格式接收回波信号。换句话说，扫描转换器用于将rf数据从圆柱坐标系转换到适于在图像显示器40上显示超声图像的笛卡尔坐标系。在b模式成像的情况下，给定坐标处的像素的亮度与从该位置接收的rf信号的幅度成比例。例如，扫描转换器可以将回波信号布置成二维(2d)扇形格式或金字塔形三维(3d)图像。扫描转换器可以向b模式结构图像叠加与图像场中的点处的运动相对应的颜色，其中，多普勒估计速度产生给定的颜色。组合的b模式结构图像和彩色多普勒图像描绘了结构图像场内的组织和血流的运动。如美国专利us 6443896(detmer)中所描述的，多平面重新格式化器将从身体的体积区域中的公共平面中的点接收的回波转换成该平面的超声图像。体积绘制器42将3d数据集的回波信号转换成投影的3d图像，如从给定参考点所查看到的，如美国专利us 6530885(entrekin等人)中所描述的。93.2d或3d图像从扫描转换器32、多平面重新格式化器44和体绘制器42耦合到图像处理器30，以用于进一步增强、缓冲和临时存储以显示在图像显示器40上。成像处理器可以适于从最终超声图像移除某些成像伪影，诸如：例如由强衰减器或折射引起的声学阴影；例如由弱衰减器引起的后增强；混响伪影，例如，其中，高度反射的组织界面紧邻定位；等等。另外，图像处理器可以适于处理某些散斑减少功能，以便改进最终超声图像的对比度。94.除了用于成像，由多普勒处理器28产生的血流值和由b模式处理器26产生的组织结构信息还耦合到量化处理器34。该量化处理器产生不同流状况的量度，例如除了诸如器官的大小和胎龄的结构测量结果外的血流的体积速率。量化处理器可以从用户控制面板38接收输入，例如图像的解剖结构中要进行测量的点。95.来自量化处理器的输出数据耦合到图形处理器36，其用于在显示器40上与图像一起再现测量图形和值，并且用于从显示设备40的音频输出。图形处理器36还可以生成图形叠加，以用于与超声图像一起显示。这些图形叠加可以包含标准识别信息，例如患者姓名、图像的日期和时间、成像参数等。出于这些目的，图形处理器从用户接口38接收输入，例如患者姓名。用户接口还耦合到发射控制器18，以控制生成来自换能器阵列6的超声信号，并且因此由换能器阵列和超声系统产生的图像。控制器18的发射控制功能仅是所执行的功能之一。控制器18还考虑操作模式(由用户给定)以及接收器模数转换器中的对应的所需的发射器配置和带通配置。控制器18可以是具有固定状态的状态机。96.用户接口还耦合到多平面重新格式化器44，以用于选择和控制多个多平面重新格式化(mpr)图像的平面，其可以用于在mpr图像的图像场中执行量化的量度。97.图2示出了用于确定针对图像分割的置信度值的方法100。98.该方法在步骤110中开始，获得图像，其中，该图像包括解剖结构的视图。99.该图像可以包括包含解剖结构的视图的任何图像。例如，图像可以包括以下各项中的一项或多项：超声图像；磁共振图像；正电子发射断层摄影图像；以及x射线图像。解剖结构可以是任何感兴趣解剖对象，诸如：心脏；心腔；心脏瓣膜；血管；器官；骨骼结构；等等。100.在步骤120中，获得解剖结构的模型，该模型包括多个节点。该模型可以是解剖结构的任何代表性模型。例如，该模型可以是多边形网格模型，其中，多个节点是多边形网格模型的顶点。在另一示例中，该模型可以是轮廓模型，其中，多个节点是坐标空间(例如，笛卡尔坐标、极坐标)内定义的连接线段的顶点。101.在步骤130中，处理图像以生成多个图像分割输出，其中，每个图像分割输出包括针对视图的一组值，其中，所述一组值中的每个值与模型的多个节点中的节点相关联。102.在一个示例中，处理图像包括：将多个不同的变换应用到图像，由此生成多幅经修改的图像；根据多幅经修改的图像中的每幅来分割解剖结构的图像，由此生成多个图像分割输出；并且针对多幅经修改的图像中的每幅，将逆变换应用到经修改的图像和与所述图像相关联的多个图像分割输出，该逆变换表示应用到图像的变换的逆。下面参考图3更详细地描述该操作。103.在备选示例中，处理图像包括在图像上执行多个不同的分割操作以分割解剖结构的图像，由此生成多个分割输出。下面参考图4更详细地描述该操作。104.用于处理图像的方案的示例可以用于训练机器学习算法。105.机器学习算法是处理输入数据以便产生或预测输出数据的任何自训练算法。此处，输入数据包括图像数据和/或分割输出值并且输出数据包括分割输出值的置信度值。例如，输入数据可以包括以下各项中的一项或多项：图像特征；围绕节点的图像质量量度；与该节点是否处在图像的视场内有关的信息；从先验形状的局部偏离的量度；等等。106.用于被采用在本发明中的适当的机器学习算法对技术人员将是显而易见的。适当的机器学习算法的示例包括决策树算法和人工神经网络。诸如逻辑回归、支持向量机或朴素贝叶斯模型的其他机器学习算法是适当的备选。107.人工神经网络(或简单地，神经网络)的结构受人脑启发。神经网络由层组成，每层包括多个神经元。每个神经元包括数学运算。具体地，每个神经元可以包括单个类型的变换的不同加权组合(例如相同类型的变换，sigmoid等等，但是具有不同权重)。在处理输入数据的过程中，每个神经元的数学运算在输入数据上执行以产生数值输出，并且神经网络中的每层的输出被顺序地馈送到下一层中。最终层提供输出。108.训练机器学习算法的方法是众所周知的。通常，这样的方法包括获得训练数据集，包括训练输入数据条目和对应的训练输出数据条目。初始化的机器学习算法被应用到每个输入数据条目以生成所预测的输出数据条目。所预测的输出数据条目与对应的训练输出数据条目之间的误差用于修改机器学习算法。该过程能够被重复直到误差收敛，并且所预测的输出数据条目与训练输出数据条目足够相似(例如±1％)。这通常被称为有监督的学习技术。109.例如，在机器学习算法由神经网络形成的情况下，每个神经元的数学运算(的权重)可以被修改直到误差收敛。修改神经网络的已知方法包括梯度下降、反向传播算法等等。110.训练输入数据条目对应于示例图像数据和/或分割输出值。训练输出数据条目对应于分割输出值的置信度值。111.具体地，该方法可以包括训练机器学习算法，该机器学习算法适于预测针对模型的节点中的每个的置信度值。更具体地，当图像使用单个分割操作来处理时，机器学习算法可以基于对应于节点的值和训练集来预测针对每个节点的置信度值，该单个分割操作是用于生成以上描述的多个分割输出的相同类型的分割操作。112.换言之，机器学习算法可以被采用以仅基于单个分割操作来预测针对模型的节点的置信度值，由此移除生成多个分割输出的需要并且因此增加方法的计算效率。113.在步骤140中，针对模型的每个节点，基于与该节点相对应的多个值来确定置信度值。114.置信度值可以通过方差分析模块来确定。方差分析模块可以通过获取所有分割输出并估计每个节点的一个置信度分布来操作，例如通过生成在经分割的图像的笛卡尔轴中的每个中的位置上或在沿着特定空间轴(诸如平均三角法线)的距离上的直方图。115.通常，在将正态分布拟合到每个直方图的情况下，置信度分布能够由拟合模型分布的参数(诸如标准差或方差)表示。置信度分布能够根据图像顶部上的颜色叠加、解剖结构的3d绘制、或在切穿体积的视图平面中被可视化。最终，置信度分布和/或其参数的拟合近似能够被传播以生成另外的抽象统计，其根据节点位置来导出。116.在步骤150中，基于每个节点的置信度值来生成解剖结构的置信度图。置信度图可以然后被显示给用户，例如通过将置信度图叠加在所获得的图像或解剖结构或模型的备选视觉表示上。117.该方法提供针对模型的节点的置信度分布的估计以量化分割结果相对于给定输入图像特性的置信度。在最基本的水平上，这通过计算每个网格三角形相对于图像输入或分割过程中的小变化的位置方差来实现。118.另外，该方法可以包括基于图像分割输出中的一个或多个来导出解剖结构的测量结果的步骤。例如，图像可以是心脏的图像，其中，解剖结构是左心室。在这种情况下，该方法还可以基于图像分割输出来导出左心室的体积。119.此外，该方法可以包括计算针对所导出的测量结果(诸如左心室的体积)的测量置信度值。测量置信度值可以通过以下操作来计算：确定与给定测量结果相关联的模型的节点，例如，与心脏的左心室相对应的模型的节点，并且基于那些相关联的节点的置信度值来计算测量置信度值。120.例如，针对模型的所有节点的协方差矩阵可以被存储以便准确地导出所导出的测量结果的置信度。每个节点仅使用单个方差导致利用其对角线对协方差矩阵的近似；然而，这将不总是正确的或或可能不总是正确的。121.因此，作为对节点的置信度值的备选或添加，测量置信度值可以基于多个分割输出来计算。因此，测量置信度值可以基于分割输出的数量来计算，特别是在分割输出的数量小于节点的数量的情况下。122.应当指出，以上描述的机器学习算法可以适于以与对节点的置信度值的预测类似的方式预测测量置信度值。123.图3示出了基于图像输入的变化的根据本发明的方面的图像处理方法200的示例。124.输入图像210经历n个随机采样的图像修改器220(x1、x2、…、xn)，并且在每幅经变换的图像由逐步分割工作流程240处理以产生经变换的目标结构的n个表面网格250之前，获得模型230。方差分析以随机蒙特卡洛(mc)方式对表面网格进行采样。此外，方差分析将逆变换或图像修改器应用到表面网格并近似针对每个节点位置的置信度分布。对逆图像修改器的应用使得方差分析能够在公共空间中被执行。从这些置信度分布导出的参数或量度可以然后被可视化给用户，例如以叠加在解剖结构260的3d绘制上的置信度图的形式。125.图3中示出的示例图示了评价分割的置信度的显式方式。可以从图像捕获范围内获得的图像修改器或图像变换可以被应用于在对图像进行分割并最终将图像变换回之前对图像进行变换。图像变换可以包括：可逆的几何变换，诸如：平移；旋转；剪切；缩放；弹性变形；等等，以及强度变换，诸如；添加噪声；伽马曲线扰动；全局对比操纵；等等。该组图像变换可以表示在图像采集过程期间可能产生的图像伪影，通过示例，对于超声成像，所述图像伪影可以包括以下的变化：探头角；采集参数；散斑噪声；等等。可以被应用的图像变换取决于分割模型的自由度。例如，平移要求比弹性变形更少的自由度。126.对于几何失真，应当进行两个考虑。首先，几何图像变换必须在经变换的图像的分割之后被再次应用作为其逆以便评价相同解剖参考空间中的置信度值。例如，在将图像缩小10％之后，经分割的图像网格大小需要在执行方差分析之前以相反方式增加。其次，由于该逆变换，所选择的几何图像变换应当处于模型捕获范围内以便避免置信度估计中的假阳性。具体地，如果(由于工作流程设计中的几何约束)模型不可能跟随的变换被选择，则被应用到分割结果的逆变换可以引入不会由于低置信度值而是由于模型偏差而产生的变形。127.图4示出了基于分割工作流程的变化的根据本发明的方面的图像处理方法300的示例。128.输入图像310经历n个不同的分割工作流程320(w1、w2、…、wn)，其中，每个工作流程通过基本分割工作流程330和/或分割模型340的随机修改来生成。该过程再次得到n个表面网格350，方差分析能够被应用到其以生成解剖结构360的置信度图。129.图4中示出的示例通过稍微扰动分割过程或改变模型定义来生成解剖结构的置信度图。该方法通过利用工作流程扰动以触发图像分割的工作流程敏感度(其模拟输入图像中的潜在变化)来避免多次且计算密集的体积变换。130.分割工作流程修改器可以触发分割工作流程敏感度，其否则将由以上描述的输入图像变换引起。这不涉及工作流程设计的实质部分的变化，诸如从适应步骤中移除弹簧力或改变例如该组允许模型变换(刚性、仿射、多仿射)的集合。131.相反，潜在分割工作流程修改器的示例是用于模型节点的随机采样的子集的图像特征检测器的停用，其模拟例如由于超声图像中的阴影或噪声而引起的能够用于模型适应的图像信息的弱化或丢失。132.在另一示例中，分割工作流程修改器可以包括适应步骤中的允许迭代数量的稍微增加/减少，例如将仿射适应的数量减少1。这样的分割工作流程修改器可以模拟改变所识别的目标点的迭代分布的图像特性的变化，从而导致收敛速度的变化。133.在另一示例中，分割工作流程修改器可以包括通过例如随机平移或旋转对形状查找器结果的扰动。这样的分割工作流程修改器可以模拟由于图像输入的稍微变化而引起的形状查找器输出的稍微变化。134.在示例中，分割工作流程修改器可以包括形状变化权重的扰动，即模型利用某些形状本征模式方向上的变形或从它们开始适应的能力。这样的分割工作流程修改器可以模拟变化的图像特性，从而导致关于在适应期间某些本征模式的参与的偏差判断。135.图4中示出的工作流程的速度可以通过在仅重复分割工作流程中的最后步骤之前提供最终分割结果的随机扰动来增加。通常，在基于模型的分割工作流程中，最终步骤是单个可变形适应步骤(在一些内部能量约束下允许个体节点运动)。因此，多个分割输出可以利用仅一个完整分割和许多单个步骤适应而非许多完整分割来实现。136.除了选择分割工作流程修改器(其将全部添加到总体置信度估计(并且因此能够逐分布地池化))，分割工作流程修改器还可以被校准。分割工作流程修改器的校准可以设置参数变化的程度，使得得到的置信度分布类似在典型图像采集期间现实的那些。校准能够因此使用一组真实世界蒙特卡洛样本来完成，例如在超声图像采集的情况下通过探头或采集参数变化来获得。137.如果不要求绝对置信度测量结果，那么相对置信度尺度可以被叠加到置信度分布及其参数上。138.在所有以上描述的示例中，蒙特卡洛采样可以用于估计置信度值。对蒙特卡洛采样的使用可以导致耗时的应用，其随着所要求的蒙特卡洛样本的数量而缩放。在备选方法中，针对一组图像的蒙特卡洛样本可以被用作针对从数据和分割到逐节点置信度分布的参数的映射的标准数据。这样的映射可以由统计模型学习，该统计模型可以然后被用作生成置信度值的非迭代解决方案。统计模型还可以求解从数据和分割结果到任何其他导出的统计的置信度值(诸如心脏超声成像中的心腔体积量化)的映射。139.统计模型可以采取各种输入，包括：完整图像体积和表面网格信息，例如以位掩码的形式；切穿图像体积的一组2d视图平面和表面网格；每节点邻域体积块；包括中心节点及其最接近的n个拓扑近邻的一组每节点邻域体积块；等等。统计模型可以输出：每节点的一组置信度分布参数；以及针对导出的统计的一组置信度分布参数。140.以上描述的方法可以被用于任何模态中的使用基于模型的分割的任何应用，所述模态包括：超声成像；磁共振成像；计算机断层摄影成像；x射线成像；乳房摄影；以及正电子发射断层摄影。具体地，方法可以被使用在其中仅相关器官的部分被成像的成像模态中。141.在采集的图像中，不良的对比、阴影、变化的散斑样式、视场覆盖或采集窗口可以影响相同下层解剖结构的分割结果。例如，磁共振图像中的直肠或膀胱的分割通常经受跨患者和扫描的实质形状、大小和姿势变化。此处，分割模型的所要求的大的捕获范围还可能需要以不一致的方式处理稍微变化的解剖结构外观的风险。此外，形状变化常常由于器官中的不同填充状态和物质，其需要成像模态中的不同强度模式。此外，与分割模型的训练集的强度偏差能够源自于采集协议的稍微差异，使得相同目标结构可以由模型利用迭代分割过程中的不同轨迹来处理。142.置信度值和置信度图可以用于增加用户对图像采集过程中的潜在弱点的认识并且还用于在另外的采集中引导用户以改进分割置信度。此外，置信度值可以增加理解某些量度能够针对特定患者多么可靠地被自动量化并且在针对更明确的诊断或处置决策需要额外的调查的情况下进行指示。143.本发明的各方面可以被实施于计算机程序产品中，该计算机程序产品可以是可以由计算机运行的存储于计算机可读存储设备上的计算机程序指令的集合。本发明的指令可以采取任何可解释或可执行代码机制，包括但不限于脚本、可解释程序、动态链接库(dll)或java类。指令能够被提供为完整可执行程序、部分可执行程序，被提供为对现有程序的修改(例如更新)或针对现有程序的扩展(例如插件)。此外，本发明的处理的部分可以被分布在多个计算机或处理器上。144.如以上所讨论的，处理器(例如控制器)实施控制方法。控制器能够以许多方式(用软件和/或硬件)来实施，以执行所要求的各种功能。处理器是采用可以使用软件(例如微代码)来编程以执行所要求的功能的一个或多个微处理器的控制器的一个示例。然而，控制器可以在采用或不采用处理器的情况下实施，并且还可以被实施为执行一些功能的专用硬件与执行其他功能的处理器(例如，一个或多个编程的微处理器和相关联的电路)的组合。145.可以被采用于本公开的各种实施例中的控制器部件的示例包括但不限于常规微处理器、专用集成电路(asic)、以及现场可编程门阵列(fgpa)。146.在各种实施方式中，处理器或控制器可以与诸如易失性和非易失性计算机存储器的一个或多个存储介质(诸如ram、prom、eprom和eeprom)相关联。存储介质可以被编码有当在一个或多个处理器和/或控制器上运行时执行所需的功能的一个或多个程序。各种存储介质可以被固定在处理器或控制器内或者可以是可运输的，使得存储于其上的一个或多个程序能够被加载到处理器或控制器中。尽管在附图和前面的描述中已经详细地说明和描述了本发明，但是这样的说明和描述应被认为是说明性的或示范性的而非限制性的；本发明不限于所公开的实施例。147.通过研究附图、说明书和所附权利要求，本领域技术人员在实践请求保护的本发明时能够理解和实现对所公开的实施例的变型。在权利要求书中，词语“包括”不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。148.单个处理器或其他单元可以实现权利要求书中记载的若干项目的功能。149.尽管在相互不同的从属权利要求中记载了特定措施，但是这并不指示不能有利地使用这些措施的组合。150.计算机程序可以存储/分布在适当的介质上，诸如与其他硬件一起或作为其他硬件的部分提供的光学存储介质或固态介质，但是计算机程序也可以以其他形式分布，诸如经由因特网或其他有线或无线电信系统分布。151.如果术语“适于”被使用在权利要求书或说明书中，但是应指出术语“适于”旨在等效于术语“被配置为”。152.权利要求书中的任何附图标记不应当被解释为对范围的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!