[发明专利]根据2D医学图像进行3D血管中心线重建

说明书

提供了用于确定血管的3D中心线的系统和方法。基于一个或多个图像视图集来确定人工代理的当前状态观察，每个图像视图集包括血管的2D医学图像、在2D医学图像中人工代理的当前位置以及2D医学图像中的开始位置和目标位置。使用经训练的机器学习模型、基于当前状态观察来计算用于在3D中移动人工代理的多个动作的策略值。人工代理基于策略值、根据特定动作移动。确定、计算和移动的步骤被重复达多次迭代，以沿着开始位置和目标位置之间的3D路径移动人工代理。血管的3D中心线被确定为3D路径。

技术领域

本发明总体上涉及3D血管中心线重建，并且更特别地，涉及根据2D血管造影医学图像进行3D血管中心线重建的深度强化学习。

背景技术

医学图像中血管的检测促进许多血管疾病的诊断、治疗和监测。血管检测中的一个重要步骤是中心线追踪，以提取血管的中心线表示，从而使得能够对血管进行特定的可视化或定量评估。用于中心线追踪的常规方法并不良好地适用于二维医学图像，诸如例如x射线血管造影医学图像。一种用于中心线追踪的常规方法通过最小化诸如中间性或脉管性之类的成本来计算中心线路径。另一种用于中心线追踪的常规方法使用基于估计取向张量的基于流动的追踪。然而，这样的用于中心线追踪的常规方法不能够在二维医学图像中的分叉血管和重叠血管之间进行区分。此外，特别是当二维医学图像的数量有限时，根据二维医学图像进行三维中心线重建是一个重大挑战。

发明内容

根据一个或多个实施例，提供了用于在一个或多个二维（2D）医学图像中确定血管的3D中心线的系统和方法。基于一个或多个图像视图集来确定人工代理的当前状态观察。所述一个或多个图像视图集中的每一个包括血管的一个或多个2D医学图像、所述一个或多个2D医学图像中人工代理的当前位置以及所述一个或多个2D医学图像中的开始位置和目标位置。使用经训练的机器学习模型、基于当前状态观察来计算用于在三维（3D）中移动人工代理的多个动作的策略值。人工代理基于策略值、根据特定动作移动。确定、计算和移动的步骤被重复达多次迭代，以沿着开始位置和目标位置之间的3D路径移动人工代理。血管的3D中心线被确定为3D路径。可以基于血管的3D中心线来确定血管的2D中心线。

在一个实施例中，重复确定、计算和移动的步骤，直到人工代理的当前位置是目标位置或者已经执行了最大次数的迭代。

在一个实施例中，所述多个动作包括在向前方向、向后方向、向左方向、向右方向、向上方向和向下方向上的离散移动。在一个实施例中，所述多个动作包括在任何方向上的连续移动。在一个实施例中，基于当前状态观察，使用利用深度强化学习训练的经训练深度神经网络（DNN）来计算所述多个动作的策略值。

在一个实施例中，血管的所述一个或多个2D医学图像是血管造影x射线图像的通道。所述一个或多个图像视图集中的至少一个可以包括脉管性图像、强度图像、一个或多个取向图像、分支重叠分数和/或关键点检测。在一个实施例中，所述一个或多个图像视图集是单个图像视图集，其进一步包括造影剂的到达时间和血流速度或造影剂传播速度。

在一个实施例中，检测血管树中的近端点和多个相应的远端点，并且针对每个近端点-远端点对使用近端点作为开始位置并使用相应的远端点作为目标位置，来重复确定当前状态观察、计算、移动、重复和确定血管的3D中心线的步骤，以确定血管树的3D中心线。

通过参考以下详细描述和附图，本发明的这些和其他优点对于本领域普通技术人员来说将是清楚的。

附图说明

图1示出了描绘血管分支的患者的示例性2D x射线医学图像；

图2示出了用于使用人工代理确定血管的3D中心线的方法；

图3示出了用于使用人工代理确定血管的3D中心线的高级框架；

图4示出了用于检测血管树远端点的高级框架；

图5示出了用于训练人工代理以便确定血管的3D中心线的方法；以及

图6示出了计算机的高级框图。

具体实施方式