[發明專利]用于圖像分割和識別的方法和系統

在審

• 申請號: 202010565821.5
• 申請日: 2020-06-19
• 公開（公告）號: CN112215858A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 彭宇
• 申請（專利權）人: 斯特拉克斯私人有限公司
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/11;G06T7/187;G06T7/00;G16H30/40
• 代理公司: 北京戈程知識產權代理有限公司 11314
• 代理人: 程偉;甄雁翔

本發明涉及一種用于圖像分割和識別的方法和系統，該系統包括：訓練子系統，其配置為利用包含與相應的分割注釋相關聯的圖像的帶注釋的訓練數據來訓練分割機器學習模型，從而生成訓練的分割機器學習模型；模型評估器；分割子系統，其配置為利用經過訓練的分割機器學習模型對圖像中的結構或材料進行分割。模型評估器配置為通過以下評估分割機器學習模型i)對分割子系統進行控制以利用分割機器學習模型對與現有的分割注釋相關聯的至少一個評估圖像進行分割，從而生成帶注釋的評估圖像的分割，ii)形成帶注釋的評估圖像的分割與現有的分割注釋的比較；如果比較表明分割機器學習模型是令人滿意的，則部署或釋放訓練的分割機器學習模型以供使用。

與相關申請的交叉引用

本申請基于2019年6月21日提交的第16/448,252號美國專利申請，并要求其優先權，該申請提交的內容通過引用全部并入本文。

技術領域

本發明涉及一種用于圖像分割和識別的方法和系統，在醫學圖像(如，骨骼和其他解剖結構、腫塊、組織、標志、病變和病理)的分割和識別以及在醫學成像模式中具有特殊但并非唯一的應用，醫學成像模式包括：計算機斷層掃描(CT)、磁共振(MR)、超聲和病理掃描儀成像。本發明還涉及對于訓練用于分割和識別的機器學習模型的醫學圖像數據自動注釋的方法和系統，以及評估和改進機器學習模型。

背景技術

定量分析和疾病診斷需要醫學圖像的準確分割和識別。分割是從醫學圖像的背景中描繪醫學圖像中的對象(例如，解剖結構或組織)的過程。識別是辨認對象并正確標記它的過程。通常，分割和識別是手動或半手動進行的。手動方法需要在該領域有足夠知識的專家來繪制目標對象的輪廓并標記提取的對象。

也有計算機輔助系統提供半手動分割和識別。例如，這樣的系統可以基于選擇的參數(其包括強度、邊緣、2D/3D曲率、形狀或其它2D/3D幾何特征)來檢測感興趣的對象的近似輪廓。然后，專家對分割或識別手動地精細化。或者，專家可以向這樣的系統提供輸入數據，例如，目標對象的近似位置；然后計算機輔助系統執行分割和識別。

手動和半手動方法都是勞動密集型和耗時的。此外，結果的質量在很大程度上取決于專家的專業知識。根據操作員/專家的不同，生成的已分割和識別對象可能會出現顯著變化。

在過去的幾年中，機器學習，特別是深度學習(例如，深度神經網絡或深度卷積神經網絡)在許多視覺識別任務中，包括在醫學成像中，都超過了人類。

WO 2018/015414 A1公開一種基于人工智能的醫學圖像分割方法和系統。該方法包括：接收患者的醫學圖像，基于醫學圖像自動確定當前分割上下文，以及基于當前分割上下文從多個分割算法中自動選擇至少一個分割算法。利用所選擇的至少一個分割算法在醫學圖像中分割目標解剖結構。

美國專利申請公開號2018/0240235A1公開一種目標患者圖像的分割方法，其包括：提供3D解剖圖像的目標2D切片和最近鄰2D切片，并通過經過訓練的多切片全卷積神經網絡(multi-slice FCN)計算包括定義的在空間上延伸穿過目標2D切片和最近鄰2D切片的體內解剖特征的分割區域，其中，基于從3D解剖圖像中提取的2D切片的順序、根據目標2D切片的順序和最近鄰2D切片的順序、由多切片FCN的連續收縮組件的對應收縮組件來處理目標2D切片和最近鄰2D切片中的每一個，其中，連續的收縮組件的輸出由輸出目標2D切片的分割掩碼的單個擴張組件進行組合和處理。