[发明专利]以手动&自动分割算法量化轮廓的不确定度的系统

说明书

一种量化轮廓中的不确定度的系统(10)。所述系统(10)包括至少一个处理器(42)，所述至少一个处理器被编程为接收包括感兴趣对象(OOI)(20)的图像(18)。此外，接收在接收到的图像(18)中描绘区域(34)的不确定带(32)。所述区域(34)包括所述OOI(20)的边界。使用对所述区域(34)的迭代滤波在所述区域(34)中描绘边界，并且确定对所述区域(34)的所述描绘的不确定度的度量。

技术领域

本申请总体涉及图像处理。本申请具体与分割医学图像结合应用，并将具体参考其进行描述。然而，应当理解，本申请还适用于其他使用场景，而不必限于上述应用。

背景技术

病变(例如肿瘤)的级别和强度，是为患者确定诊断和可用治疗方案的重要因素。通常，病变的级别和强度通过评估病变图像来确定。核医学成像模态是用于生成图像的主要成像模态。在评估图像中，病变描绘是正确确定病变的级别和强度的重要步骤。然而，病变描绘可能具有挑战性。

恶性肿瘤的特征在于模糊和不规则的边界。因此，病变边界的探测是个难题，并且常要求熟练医师的手动介入。在一些情况下，即便是熟练医师也不能置信地确定边界。存在用于增强图像的滤波方法，但是滤波方法基于校正图像的错误，例如散射、衰减等等。当解剖固有地模糊时，得到的滤波图像依然很难绘制轮廓和描绘。因此，在病变描绘中可以具有低置信水平。

病变边界中的低置信并不必然是缺点。医师使用边界的不规则和不精确性质作为肿瘤的重要特征，其区分良性病变和肿瘤。例如，肿瘤边界的不规则性能够用于区分活性肺结核节结和恶性病变(这两者在正电子发射断层摄影(PET)中具有高新陈代谢并且优选地吸收氟脱氧葡萄糖(FDG))。因此，表征，优选地量化，边界描绘中的不确定度用于辅助诊断和指示结果的置信很重要。

区域划分的当前方法导致二进制输出，所述二进制输出指示由用户或算法做出的决定。而且，即使边界要进一步修改，其能够仅基于重新估计进行。先前识别边界的不确定度不被用于指导下一个阶段或评估最终结果的置信。而且，没有办法从自动算法中获得不确定度信息。

发明内容

本申请提供克服上述挑战和其他挑战的新的和改进的方法和系统。

根据一个方面，提供一种用于量化轮廓的不确定度的系统。所述系统包括至少一个处理器，所述至少一个处理器被编程为接收包括感兴趣对象 (OOI)的图像。此外，接收在接收到的图像中描绘一区域的不确定带。所述区域包括所述OOI的边界。使用对所述区域的迭代滤波来在所述区域中描绘所述边界，并且确定所述区域的所述描绘的不确定度的至少一个度量。

根据另一方面，提供用于量化轮廓的不确定度的方法。所述方法包括接收包括感兴趣对象(OOI)的图像。此外，接收在接收到的图像中描绘一区域的不确定带。所述区域包括所述OOI的边界。使用所述区域的迭代滤波来在所述区域中描绘边界，并且针对所述区域确定所述描绘的不确定度的至少一个度量。

根据另一方面，提供一种用于量化轮廓不确定度的系统。所述系统包括处理器，所述处理器被编程为接收包括感兴趣对象(OOI)的图像。此外，接收在接收到的图像中描绘一区域的不确定带。所述区域包括OOI的边界。对于所述区域的多个子区域中的每个，做出关于是否对所述子区域进行滤波的确定。所述确定包括确定是否能够以超过第一预定水平的置信水平在所述子区域中描绘所述OOI的边界并且确定是否满足停止条件中的至少一个。停止条件指示置信水平小于第二预定水平。响应于确定能够以超过第一预定水平的置信水平在所述子区域中描绘所述OOI的边界或者满足停止条件，在所述子区域中描绘所述OOI的边界。响应于确定不能够以超过第一预定水平的置信水平在所述子区域中描绘所述OOI的边界并且不满足停止条件，对所述子区域进行迭代滤波预定次数，并且重复关于是否对所述子区域进行滤波的确定。

一个优点在于确定区和不确定区的分开识别和量化。

另一优点在于基于置信水平将子区域滤波到不同程度。