[发明专利]医学图像中的自动变化检测

说明书

提供了用于识别跟进医学图像中的病理变化的系统和方法。获取参考图像数据。获取跟进图像数据。使用机器学习的网络为参考图像数据和跟进数据生成变形场，该机器学习的网络被训练以生成描述输入参考图像数据和输入跟进图像数据之间的健康解剖变形的变形场。使用变形场对准参考图像数据和跟进图像数据。针对由于病理现象引起的变化分析共同对准的参考图像数据和跟进图像数据。

相关申请的交叉引用

本申请要求2017年8月17日提交的美国临时申请No.62/546,758的权益，该临时申请通过引用整体并入本文。

技术领域

本实施例涉及医学图像处理，诸如用于计算机断层扫描图像或磁共振图像的图像处理。

背景技术

用于跟进读取和纵向变化评估的图像质量是诸如计算机断层扫描（CT）或磁共振成像（MRI）的医学成像技术中的重要任务。由于区分病理与医学图像中的正常变化的挑战，识别医学图像中变化的任务是技术问题。例如，对于患者的肺或其他器官的跟进扫描，诸如呼吸或正常解剖学差异的正常变化可掩盖诸如癌性结节生长或萎缩的病理变化。

由于可能发生的大量正常变化，因此检测在两个或更多个时间点获取的CT图像或MRI图像的病理变化是困难的。手动检测正常与病理变化可能是困难的或容易出错。计算机辅助图像配准可用于提供改进并增加结果的客观性。图像配准可以被分为两组：刚性和非刚性。非刚性图像配准也称为可变形图像配准（DIR）。在刚性图像配准（RIR）中，所有像素均匀地移动和/或旋转，使得每个像素到像素的关系在变换之前和之后保持相同。然而，在DIR中，像素到像素的关系变化，以对非线性变形建模。

在没有预期解剖变化或变形的情况下，RIR非常有效。然而，一些患者可能由于体重减轻，肿瘤萎缩和/或生理学器官形状变化而经历解剖结构变化。RIR可能无法很好地处理这些变化。与RIR相比，DIR具有显著更大的灵活性。DIR可以管理两个图像集之间的局部失真（例如，解剖结构变化）。对于DIR，数学建模使用已知信息来查找所考虑的器官中的运动或变形的统计量。分割使用该信息将轮廓从参考图像映射到更新的图像。DIR可以检测并使用解剖地标来配准图像集。然而，这些方法不区分正常的解剖变化和病理变化。在示例中，如果DIR太强，则可以在跟进图像中抑制肿瘤的生长。当前的计算机辅助工具（诸如DIR）可能由于图像中表示的正常解剖变化而不准确，并且不能区分异常变化是正常变化，并且因此，提供不一致和混淆的图像配准。

发明内容

作为介绍，下面描述的优选实施例包括用于检测在两个或更多个时间点获取的医学图像中的病理变化的实施例。机器学习的网络有助于在生物力学先验之后对准参考和跟进图像。分析对准的参考图像和跟进图像以识别然后可以呈现给操作者的病理变化。

在第一方面，提供了一种用于识别跟进医学图像中的病理变化的方法。在第一时间获取参考图像数据。在随后时间获取跟进图像数据。使用机器学习的网络为参考图像数据和跟进数据生成变形场，该机器学习的网络被训练以生成描述输入参考图像数据和输入跟进图像数据之间的健康解剖变形的变形场。使用变形场对准参考图像数据和跟进图像数据。分析共同对准的参考图像数据和跟进图像数据以得到由于病理现象引起的变化。

在第二方面，提供了一种用于训练神经网络以在参考体积和跟进体积之间生成生理学变形场的方法。获取多个成对的参考体积和跟进体积。该多个成对的体积被分割。被分割的对被转换为多个网格表面。使用逐点对应关系来匹配多对体积的网格表面。使用有限元方法针对匹配的网格表面求解生物力学运动。使用网格表面和运动为成对的体积集生成变形网格。将成对的体积集输入到被配置为输出生理学变形场的神经网络中。比较变形网格和生理学变形场。根据比较，在神经网络中调整权重。使用成对的体积集重复生成，输入，比较和调整，直到神经网络输出类似于变形场的生理学变形场。