[发明专利]用于医学成像中的患者定位的根据相机数据的密集身体标记估计

说明书

机器学习用来训练网络以根据患者的表面图像来估计患者的三维（3D）身体表面和身体区。患者的所估计的3D身体表面用来确定患者的等中心点。所估计的身体区用来生成热图，所述热图表示患者的可见身体区边界和未见的身体区边界。3D身体表面的估计、所确定的患者等中心点以及所估计的身体区边界可帮助规划医学扫描，包括自动患者定位。

技术领域

本教导一般涉及根据相机数据而对患者身体表面的估计，并且更具体地涉及在医学成像期间的患者定位。

背景技术

医学成像技术——包括但不限于计算机断层扫描（CT）、磁共振（MR）、正电子发射断层扫描（PET）、单光子发射计算机断层扫描（SPECT）数据等等——依赖于恰当的患者定位，其包括标识医学成像器的患者台上的患者的位置和/或针对患者的移动进行校正。在一些情况中，传感器（诸如相机）可以被安装到医学成像设备以在医学成像扫描期间提供患者位置和移动数据。然而，传感器可以用这样的方式被安装到医学成像器，使得传感器提供受限的视场，其限制在医学成像扫描期间对这样的图像的使用和分析。

另外，当前的系统需要操作者执行对可移动的患者台或床的一个或多个调整，以在发起医学成像扫描之前恰当地定位患者。不恰当的定位可导致医学图像中的误差或伪像。涉及操作者调整的手动患者定位过程可以是耗时、昂贵的，并且需要操作者花费时间远离其它任务来执行这样的调整。

发明内容

本发明的范围仅仅由所附权利要求来限定，并且不在任何程度上受本发明内容内的陈述所影响。

根据本教导，描述了一种用于根据从临床环境（例如CT扫描室）中的传感器（例如相机）所捕获的数据来估计患者的三维（3D）身体表面的途径。机器学习用来训练网络以根据表面数据（诸如患者的表面图像）来估计身体标记，并且基于所估计的身体标记来重构3D身体表面。3D身体表面重构包括定位患者的表面图像，向表面图像像素指派分类，以及确定表面图像像素的3D表面坐标。所估计的3D身体表面用来确定患者的等中心点（isocenter）。患者的3D身体表面在医学成像扫描仪（例如CT扫描仪）的坐标系内被估计，并且可以在多种应用（例如包括但不限于使患者定位过程自动化、避免定位误差以及增大扫描仪使用效率）中被使用。

还描述了用于根据从临床环境中的传感器所捕获的数据来估计患者的身体区的途径。机器学习用来训练网络来估计患者的身体区、或身体区边界（例如头部、颈部、肩部、臀部、腹股沟、膝盖、脚踝等等）。机器学习还用来生成热图（例如高斯热图），其表示患者的可见以及未见的身体区边界。

在第一方面中，提供了一种方法以估计位于医学成像系统中的可移动的患者台上的患者的3D身体表面。传感器捕获患者的表面图像的序列。处理器响应于表面图像向经机器学习的网络的输入而通过经机器学习的网络来估计患者的3D身体表面。所述处理器基于患者的所估计的3D身体表面并且基于可移动的患者台的位置来确定患者的等中心点。所述处理器基于所确定的患者等中心点、经由可移动的患者台来定位患者。

在第二方面中，提供一种医学成像系统以估计患者的3D身体表面。传感器被配置成捕获患者的表面图像的序列。处理器被配置成将经机器学习的神经网络应用到表面图像的序列。经机器学习的神经网络被训练以根据表面图像的序列来估计患者的3D身体表面。处理器还被配置成基于所估计的患者的3D身体表面来确定患者的等中心点。可移动的患者台被配置成基于所确定的患者等中心点并且基于可移动的患者台的位置来自动地定位患者。

在第三方面中，提供了一种方法以估计位于医学成像系统中的可移动的患者台上的患者的身体区。传感器捕获患者的表面图像的序列。处理器响应于表面图像向经机器学习的网络的输入而通过经机器学习的网络来估计患者的身体区。处理器还响应于表面图像向经机器学习的网络的输入而通过经机器学习的网络来生成高斯热图。高斯热图表示沿着可移动的患者台的纵轴的患者的可见和未见的身体区边界。