[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

说明书

对于医学成像中的N维分割的多尺度深度强化机器学习。多尺度深度强化学习为对象的多维（例如3D）分割生成多尺度深度强化模型（22）。在此上下文中，分割被明确表达为学习收敛到对象边界的针对形状演进（40）的图像驱动策略（38）。该分割被视为强化学习问题，并且将尺度空间理论用于实现鲁棒和高效的多尺度形状估计。通过学习一种迭代策略来找到分割，可以解决端到端回归系统的学习挑战。

相关申请

本专利文档要求保护在35 U.S.C.§119(e)下的2017年5月3日提交的临时美国专利申请序列号62/500,604的提交日期的权益，通过引用将其合并于此。

背景技术

本实施例涉及医学成像中的分割。解剖结构的准确且快速分割是实现对诊断和介入程序进行实时引导、量化和处理的医学图像分析中的基本任务。先前对于三维分割的解决方案基于机器学习驱动的主动形状模型、前向传播理论、马尔可夫随机场方法或深度图像对图像回归模型。

主动形状模型和前向传播理论解决方案提出了参数表面模型，使该模型变形以适合目标对象的边界。机器学习技术利用图像数据库来学习复杂的参数模型。变形或者由预训练的边界分类器来驱动，或者被隐含地描述为水平集。这些方法可受到诸如次优局部收敛和受限的可伸缩性的若干限制。对于高分辨率的体数据，将扫描样式用于边界拟合导致重大的计算挑战。

相比之下，马尔可夫随机场方法和深度图像到图像回归模型包括或者将分割任务明确表达为基于体素的能量模型的最小化或者从输入体积至分割掩模的端到端回归过程的解决方案。实际上，潜在目标函数的最小化是冗长的，其中搜索常常收敛到次优局部解。在应用缺少必要的全局上下文的局部边界分类器时能观察到同样的效果。

发明内容

作为介绍，下面描述的优选实施例包括用于基于机器学习的N维（例如3D）分割的方法、系统、指令和计算机可读介质。在医学成像系统中，将多尺度深度强化学习用于分割。该机器学习模型包括关于如何分割的行动策略。迭代细化根据策略演进形状，最终识别被分割的对象的边界。该演进包括在不同迭代中以不同分辨率使用医学扫描数据中的上下文的尺度（scale）以对形状进行演进。各种形状描述符提供演进或细化上下文，诸如统计形状模型、前向传播模型或体素掩模模型。

在第一方面中，提供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。从存储器加载表示患者的三维区域的医学数据集。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的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边界的迭代细化的针对形状演进的机器学习策略。使用统计形状建模、前向传播建模或体素掩模建模来描述边界和细化。渲染器基于利用策略确定的边界来渲染三维对象的图像。

在第二方面中，提供一种用于基于医学成像系统中的机器学习的多维分割的方法。从存储器加载表示患者的多维区域的医学数据集。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多维对象的边界。该多尺度深度强化机器学习模型包括一种通过边界在尺度和位置上的迭代细化的针对形状演进的机器学习策略。图形处理器基于利用该策略确定的边界来生成多维对象的图像。

本发明由以下权利要求来限定，并且此部分中没有什么应该视为对那些权利要求的限制。下面结合优选实施例来讨论本发明的另外的方面和优点，并且稍后可独立地或组合地对其要求保护。

附图说明

部件和各图不一定按照比例，而是将重点放在图示本发明的原理上。此外，在图中，相似的参考数字指定遍及不同视图的对应部分。

图1是用于基于医学成像系统中的多尺度深度强化机器学习模型的三维分割的方法的实施例的流程图图表；

图2图示多尺度深度强化机器学习模型中的迭代细化；以及