[发明专利]从3D图像自动检测目标对象的计算机实现方法和系统

说明书

本公开涉及一种从3D图像自动检测目标对象的计算机实现方法和系统。该方法可以包括接收由成像装置获取的3D图像。该方法可以进一步包括由处理器使用3D学习网络检测包含目标对象的多个边界框。学习网络可以被训练以基于3D图像生成不同尺度的多个特征映射。该方法还可以包括由处理器使用3D学习网络来确定识别每个检测到的边界框的一组参数，并且由处理器基于所述一组参数来定位目标对象。该方法能够借助于3D学习网络从3D图像快速、准确地和自动地检测目标对象。

相关申请的交叉引用

本申请要求于2017年8月9日提交的美国临时申请第62/542,890号的优先权，其全部内容通过引用并入本文。

技术领域

本公开总体上涉及图像处理和分析。更具体地，本公开涉及用于从3D图像自动定位和检测目标对象的方法和系统。

背景技术

诊断的准确性和治疗效果取决于医学图像分析的质量，特别是目标对象(诸如器官、组织、目标部位等)的检测。与常规二维成像相比，容积(3D)成像，诸如容积CT，可捕获更有价值的医疗信息，从而有助于更准确的诊断。但是，目标对象通常由经验丰富的医疗人员(诸如放射科医生)检测，而不是由机器来检测，这使得它很繁琐、耗时且容易出错。

一个例子是从肺部图像中检测肺结节。图1显示了来自容积胸部CT的轴状面图像的一个例子。白色边界框内的高密度质量对应于肺结节。为了检测这种肺结节，放射科医师必须从容积CT扫描中筛查数百和数千幅图像。由于缺乏3D空间信息，仅仅从2D图像中识别结节并不是一项简单的任务。在2D图像中区分小结节和血管是不容易的，因为2D轴状视图中的血管也是圆形或椭圆形，其看起来像结节。通常，放射科医师需要检查相邻图像以虚拟地(在头脑中)重建3D空间关系和/或检查矢状或冠状视图(较低分辨率)以供参考。因此，检测肺结节完全取决于放射科医师的经验。

虽然一些基本的机器学习方法被引入用于检测，但是这些方法通常人为地定义特征，并且因此检测准确度低。此外，这种机器学习通常仅限于2D图像学习，但由于缺乏3D空间信息和3D学习所需的可观计算资源，无法直接在3D图像中检测到目标对象。

本公开提供了一种方法和系统，其能够借助于3D学习网络从3D图像快速、准确地和自动地检测目标对象。这种检测可以包括但不限于定位目标对象、确定目标对象的大小、以及识别目标对象的类型(例如血管或肺结节)。

发明内容

在一个方案中，本公开涉及一种用于从3D图像自动检测目标对象的计算机实现方法。该方法可以包括接收由成像装置获取的3D图像。该方法可以进一步包括由处理器使用3D学习网络检测包含目标对象的多个边界框。学习网络可以被训练以基于3D图像生成不同尺度的多个特征映射。该方法还可以包括由处理器使用3D学习网络来确定识别各个检测到的边界框的一组参数，并且由处理器基于所述一组参数来定位目标对象。

在一些实施例中，所述一组参数包括识别所述3D图像中的各个边界框的位置的坐标。

在一些实施例中，所述一组参数包括识别各个边界框的大小的尺寸。

在一些实施例中，所述3D学习网络被训练以对所述一组参数执行回归。

在一些实施例中，所述的计算机实现方法进一步包括将多个锚框与所述3D图像相关联，其中所述一组参数指示各个边界框相对于相应锚框的偏移。

在一些实施例中，每个锚框与特征映射的栅格单元相关联。

在一些实施例中，所述锚框根据所述特征映射的尺度缩放。

在一些实施例中，其中所述多个特征映射具有变化的图像尺寸。

在一些实施例中，其中所述多个特征映射使用可变尺寸的滑动窗口。