[發明專利]根據表面數據、使用患者模型的患者體重估計

在審

• 申請號: 202010115105.7
• 申請日: 2020-02-25
• 公開（公告）號: CN111609908A
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 薩如汗;B.塔默索伊;張耀仁;K.J.基希貝格;V.K.辛赫;陳德仁
• 申請（專利權）人: 西門子醫療有限公司
• 主分類號: G01G19/44
• 分類號: G01G19/44;A61B5/00;A61B5/055;A61B6/00;A61B8/08;A61N5/10;G06N3/04;G06N3/08;G06N20/00;G16H30/20;G16H50/20
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 孫鵬;陳嵐

為了醫學成像系統中的患者體重估計，諸如網格之類的患者模型被擬合到深度圖像。從經擬合的患者模型中提取一個或多個特征值，從而減小值中的噪聲和雜亂。根據所提取的特征來對體重估計進行回歸。

背景技術

本實施例涉及用于為患者定劑量（dose）的患者體重估計。當在臨床環境中調整藥物劑量或輻射劑量的時候，體重是重要的信息。例如，在沒有基于體重的調整的情況下，患者被暴露到來自胸部計算機斷層掃描（CT）掃描的17-43%更高的輻射劑量。

準確的體重信息不總是可得到的。在用于緊急中風治療的一項研究中，患者中的14.6%被稱重，其中針對患者的剩余部分的體重由醫師或護理人員在視覺上猜測。健康護理工人在估計患者體重方面僅具有中等準確性。準確體重信息的缺少是由于若干復雜原因所致。例如，不可能將常見的站立衡量方法用于具有嚴重狀況（諸如創傷或中風）的患者。此外，對于緊急治療的時間要求可能不允許稱重。

人體測量學測量可以用于估計人體體重。在一種途徑中，從圖像中手動地測量人體測量學特征，以通過回歸（regression）來學習特征與體重的相關性。在更自動化的途徑中，從深度圖像中直接提取特征。當場景是雜亂并且嘈雜的時候，從深度圖像直接提取特征可能是有問題的。

發明內容

系統、方法、以及計算機可讀介質上的指令被提供用于醫學成像系統中的患者體重估計。患者模型（諸如網格）被擬合到深度圖像。從經擬合的患者模型中提取一個或多個特征值，從而減小值中的噪聲和雜亂。根據所提取的特征來對體重估計進行回歸。

在第一方面中，提供一種用于醫學成像系統中根據表面數據的患者體重估計的方法。所述表面數據是如下數據：其表示患者的表面或外面，諸如通過利用傳感器來捕獲患者的外表面?；颊吣Ｐ捅粩M合到表面數據。患者模型是網格、統計形狀模型、或外表面的其它一般性參數化。所述擬合使患者模型變形以擬合到特定患者的表面數據。從如擬合的患者模型中提取針對一個或多個特征中每一個的值。特征是患者模型的形狀特征或其它表征。通過將針對所述一個或多個特征的一個或多個值輸入到經機器學習的回歸器來估計患者的體重?；隗w重來為患者定劑量。

傳感器可以是深度傳感器或相機，其中表面數據基于光學測量?；颊吣Ｐ涂梢宰鳛榻y計形狀模型而被擬合到表面數據。定劑量可以將輻射施加到患者，其中量（例如頻率、幅度水平、施加數目或其它定劑量水平）基于體重。

在一個實施例中，形狀特征是由經擬合的患者模型所指示的身體體積。在其它實施例中，一個或多個特征用于不同身體部分中的每一個。為不同身體部分估計重量，諸如為不同的身體部分估計部分重量并且對所述部分重量進行求和。在另一實施例中，從經擬合的患者模型中所提取的值是形狀流形（manifold）系數。所述系數是形狀的參數化，諸如通過基于經擬合的網格的數學流形。

估計使用任何經學習的回歸，諸如是全卷積網絡的經機器學習的回歸器?？梢允褂媒洐C器學習的或其它線性回歸器。

在第二方面中，提供一種醫學成像系統來用于患者體重估計。深度傳感器被配置成測量到患者的深度。圖像處理器被配置成通過使用深度來形成針對患者的網格，并且根據如為患者所形成的網格來對患者的體重進行回歸?？梢岳媒洐C器學習的回歸器來對體重進行回歸。存儲器被配置成存儲經回歸的體重，諸如存儲以用于在確定或控制劑量中使用。

在一個實施例中，深度傳感器是深度相機。在對網格進行了擬合之后，圖像處理器被配置成響應于對經機器學習的回歸器的輸入來進行回歸。治療輻射掃描儀被配置成將輻射劑量施加到患者，其中輻射劑量的量基于體重。

圖像處理器可以被配置成從如為患者所形成的網格中提取針對形狀特征的值，并且根據該值來對體重進行回歸。形狀特征可以是針對網格整體或針對網格的一部分的體積。圖像處理器可以被配置成從如為患者所形成的網格中提取針對形狀流形的值，并且根據所述值來對體重進行回歸。