[发明专利]根据医学成像中表面数据的定位片预测

说明书

本发明涉及根据医学成像中表面数据的定位片预测的系统和方法。对于根据表面数据的定位片预测，传感器捕获患者的外表面。生成性对抗网络（GAN）基于患者的外表面生成表示内部器官的定位片。为了进一步适应特定患者，在定位片预测中使用内部地标。由GAN的一个生成器生成的定位片可以基于由另一个生成器生成的地标来改变。

相关申请

本专利文件要求2017年8月15日提交的临时美国专利申请序列号62/545,554的35U.S.C.（美国法典）§119(e) 下的权益，其通过引用结合于此。

背景技术

本实施例涉及估计用于医学成像的定位片（topogram）。在图形领域中，现实的人体形状建模和模拟已经取得了进展。已经应用不同的统计模型来学习人体形状的紧凑参数表示。然而，它们对医疗保健领域的影响相对有限。现有的形状建模方法主要集中在皮肤表面，而医疗保健领域更注重内部器官。

发明内容

提供用于根据表面数据的定位片预测的系统，方法和计算机可读介质上的指令。传感器捕获患者的外表面。生成性对抗网络（GAN）基于患者的外表面生成表示内部器官的定位片。为了进一步适应特定患者，在定位片预测中使用内部地标（landmark）。由GAN的生成器生成的定位片可以基于由另一个生成器生成的地标来改变。

在第一方面，提供了一种用于根据医学成像系统中表面数据的定位片预测的方法。该定位片将患者的内部器官表示为穿过患者的投影。传感器捕获患者的外表面。图像处理器响应于到机器学习的生成性对抗网络的表面数据的输入，通过机器学习的生成性对抗网络生成定位片。表面数据来自用于外表面的传感器的输出。显示设备显示定位片。

在第二方面，提供了一种用于根据医学成像系统中表面数据的定位片预测的方法。传感器捕获患者的外表面。图像处理器响应于到第一和第二机器学习的网络的表面数据的输入而使用第一和第二机器学习的网络生成定位片。表面数据来自用于外表面的传感器的输出。该定位片将患者的内部器官表示为穿过患者的投影。第一机器学习的网络输出空间标记图，而第二机器学习的网络基于表面数据和空间标记图输出定位片。显示设备显示定位片。

在第三方面，提供了一种用于定位片预测的医学成像系统。深度传感器被配置为测量患者的深度。图像处理器被配置为将训练过的生成性对抗网络的机器学习的生成器应用于来自深度的深度信息。训练机器学习的生成器以根据深度信息生成定位片。显示器被配置为显示定位片。

上述任何一个或多个方面可以单独使用或组合使用。从以下优选实施例的详细描述中，这些和其他方面，特征和优点将变得显而易见，以下详细描述将结合附图来阅读。本发明由以下权利要求限定，并且该部分中的内容不应当视为对那些权利要求的限制。下面结合优选实施例讨论本发明的其他方面和优点，并且可以在以后单独或组合地要求保护。

附图说明

组件和附图未必按照比例绘制，相反地将重点放在说明实施例的原理上。此外，在附图中，贯穿不同视图，相同参考标号指代对应部分。

图1是用于根据医学成像系统中表面数据的定位片预测的方法的一个实施例的流程图；

图2图示了用于定位片的预测的示例2通道表面数据；

图3是GAN的一个实施例的框图；

图4示出了两个GAN的示例堆叠；

图5示出了使用完全卷积网络的基于不同损失函数的地面真值（ground truth）定位片和两个生成的定位片；

图6示出了基于堆叠U-net的不同损失函数的地面真值定位片和三个生成的定位片；

图7示出了基于GAN的地面真值定位片和生成的定位片；

图8示出了具有地标预测的堆叠网络的示例实施例，其被包括作为定位片预测的一部分；