[发明专利]对于医学成像中的N维分割的多尺度深度强化机器学习

权利要求书

1.一种用于基于医学成像系统中的机器学习的三维分割的方法，该方法包括：

由医学扫描仪对患者进行扫描，所述医学扫描仪包括磁共振、计算机断层扫描、x射线或超声成像系统；

从存储器加载表示所述患者的三维区域的医学数据集，所述医学数据集来自由医学扫描仪的扫描，所述医学数据集包括磁共振、计算机断层扫描、x射线或超声数据；

由机器将医学数据集应用到多尺度深度强化机器学习模型，利用多尺度深度强化学习来训练该多尺度深度强化机器学习模型，以从医学数据集分割三维对象的边界，该多尺度深度强化机器学习模型包括一种通过对象的边界的迭代细化的针对形状演进的一系列动作的机器学习策略，机器学习策略被训练成考虑到迭代细化中的每个迭代细化下的拟合状态来从可能动作中选择动作中的每个，所述动作包括医学数据集的不同分辨率中的动作，该系列由基于使奖励最大化的机器学习策略训练产生，使用统计形状建模、前向传播建模或体素掩模建模来描述该边界和细化，以自然演进策略来训练多尺度深度强化机器学习模型，以基于统计形状建模、前向传播建模或体素掩模建模来探索参数空间；

由渲染器基于利用策略确定的边界来渲染三维对象的图像；并且

在显示设备上显示图像。

2.根据权利要求1所述的方法，进一步包括加载不同于表示患者的三维区域的医学数据集的患者信息，并且其中应用包括应用医学数据集和患者信息。

3.根据权利要求1所述的方法，其中应用包括利用包括边界在不同分辨率中的尺度和位置上的细化的机器学习策略来应用。

4.根据权利要求1所述的方法，其中应用包括利用多尺度深度强化机器学习模型来应用，该多尺度深度强化机器学习模型包括在空间中针对迭代细化中的每一个的该系列动作中的动作以及基于针对迭代细化中的每一个的动作的三维对象的位置的估计。

5.根据权利要求1所述的方法，其中应用包括确定三维对象在不同迭代细化中的不同形状。

6.根据权利要求1所述的方法，其中应用包括应用到以深度Q学习训练的多尺度深度强化机器学习模型。

7.根据权利要求6所述的方法，其中应用包括应用利用马尔可夫决策过程训练的多尺度深度强化机器学习模型，该马尔可夫决策过程包括医学数据集的紧凑系统状态和包括统计形状建模、前向传播建模或体素掩模建模的形状表示。

8.根据权利要求6所述的方法，其中应用包括应用利用马尔可夫决策过程训练的多尺度深度强化机器学习模型，该马尔可夫决策过程包括控制形状演进的动作空间。

9.根据权利要求6所述的方法，其中应用包括应用利用马尔可夫决策过程训练的多尺度深度强化机器学习模型，该马尔可夫决策过程包括针对三维对象的特征提取和机器学习策略的有效有限范围策略学习。

10.根据权利要求1所述的方法，其中应用包括利用迭代细化来应用，该迭代细化包括在为形状演进形成机器学习策略的智能代理和统计形状建模、前向传播建模或体素掩模建模之间的交互，所述智能代理将针对每个迭代的形状演进传递至统计形状建模、前向传播建模或体素掩模建模，以及统计形状建模、前向传播建模或体素掩模模型将当前形状描述符传递至针对每个迭代的智能代理。

11.根据权利要求1所述的方法，其中应用包括利用使用统计形状建模描述的边界和细化来应用，并且其中该形状演进包括统计形状建模的投射形状空间的一个或多个形状参数中的变化。

12.根据权利要求1所述的方法，其中应用包括利用使用前向传播建模描述的边界和细化来应用，并且其中该形状演进包括前向传播建模的超曲面中的颗粒的速度的变化。