[發明專利]醫學圖像中的自動變化檢測

有效

• 申請號: 201810940243.1
• 申請日: 2018-08-17
• 公開（公告）號: CN109427058B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: T.法伊弗;苗舜;廖芮;P.戴班;M.聚林;T.曼西
• 申請（專利權）人: 西門子保健有限責任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06T7/136
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 呂傳奇;陳嵐

提供了用于識別跟進醫學圖像中的病理變化的系統和方法。獲取參考圖像數據。獲取跟進圖像數據。使用機器學習的網絡為參考圖像數據和跟進數據生成變形場，該機器學習的網絡被訓練以生成描述輸入參考圖像數據和輸入跟進圖像數據之間的健康解剖變形的變形場。使用變形場對準參考圖像數據和跟進圖像數據。針對由于病理現象引起的變化分析共同對準的參考圖像數據和跟進圖像數據。

相關申請的交叉引用

本申請要求2017年8月17日提交的美國臨時申請No.62/546,758的權益，該臨時申請通過引用整體并入本文。

技術領域

本實施例涉及醫學圖像處理，諸如用于計算機斷層掃描圖像或磁共振圖像的圖像處理。

背景技術

用于跟進讀取和縱向變化評估的圖像質量是諸如計算機斷層掃描（CT）或磁共振成像（MRI）的醫學成像技術中的重要任務。由于區分病理與醫學圖像中的正常變化的挑戰，識別醫學圖像中變化的任務是技術問題。例如，對于患者的肺或其他器官的跟進掃描，諸如呼吸或正常解剖學差異的正常變化可掩蓋諸如癌性結節生長或萎縮的病理變化。

由于可能發生的大量正常變化，因此檢測在兩個或更多個時間點獲取的CT圖像或MRI圖像的病理變化是困難的。手動檢測正常與病理變化可能是困難的或容易出錯。計算機輔助圖像配準可用于提供改進并增加結果的客觀性。圖像配準可以被分為兩組：剛性和非剛性。非剛性圖像配準也稱為可變形圖像配準（DIR）。在剛性圖像配準（RIR）中，所有像素均勻地移動和/或旋轉，使得每個像素到像素的關系在變換之前和之后保持相同。然而，在DIR中，像素到像素的關系變化，以對非線性變形建模。

在沒有預期解剖變化或變形的情況下，RIR非常有效。然而，一些患者可能由于體重減輕，腫瘤萎縮和/或生理學器官形狀變化而經歷解剖結構變化。RIR可能無法很好地處理這些變化。與RIR相比，DIR具有顯著更大的靈活性。DIR可以管理兩個圖像集之間的局部失真（例如，解剖結構變化）。對于DIR，數學建模使用已知信息來查找所考慮的器官中的運動或變形的統計量。分割使用該信息將輪廓從參考圖像映射到更新的圖像。DIR可以檢測并使用解剖地標來配準圖像集。然而，這些方法不區分正常的解剖變化和病理變化。在示例中，如果DIR太強，則可以在跟進圖像中抑制腫瘤的生長。當前的計算機輔助工具（諸如DIR）可能由于圖像中表示的正常解剖變化而不準確，并且不能區分異常變化是正常變化，并且因此，提供不一致和混淆的圖像配準。

發明內容

作為介紹，下面描述的優選實施例包括用于檢測在兩個或更多個時間點獲取的醫學圖像中的病理變化的實施例。機器學習的網絡有助于在生物力學先驗之后對準參考和跟進圖像。分析對準的參考圖像和跟進圖像以識別然后可以呈現給操作者的病理變化。

在第一方面，提供了一種用于識別跟進醫學圖像中的病理變化的方法。在第一時間獲取參考圖像數據。在隨后時間獲取跟進圖像數據。使用機器學習的網絡為參考圖像數據和跟進數據生成變形場，該機器學習的網絡被訓練以生成描述輸入參考圖像數據和輸入跟進圖像數據之間的健康解剖變形的變形場。使用變形場對準參考圖像數據和跟進圖像數據。分析共同對準的參考圖像數據和跟進圖像數據以得到由于病理現象引起的變化。

在第二方面，提供了一種用于訓練神經網絡以在參考體積和跟進體積之間生成生理學變形場的方法。獲取多個成對的參考體積和跟進體積。該多個成對的體積被分割。被分割的對被轉換為多個網格表面。使用逐點對應關系來匹配多對體積的網格表面。使用有限元方法針對匹配的網格表面求解生物力學運動。使用網格表面和運動為成對的體積集生成變形網格。將成對的體積集輸入到被配置為輸出生理學變形場的神經網絡中。比較變形網格和生理學變形場。根據比較，在神經網絡中調整權重。使用成對的體積集重復生成，輸入，比較和調整，直到神經網絡輸出類似于變形場的生理學變形場。