[发明专利]评估将图像分割成不同类型组织的质量，用于使用肿瘤治疗场（TTField）来计划治疗

说明书

为了计划肿瘤治疗场（TTField）疗法，患者的头部的模型通常被用于确定治疗期间换能器阵列定位在何处，并且该模型的准确度大部分取决于MRI图像的准确分割。分割的质量可以通过将分割呈现给先前训练的机器学习系统来改进。机器学习系统为分割生成质量分数。接受对分割的修正，并且机器学习系统对经修正的分割评分。质量分数被用于可选地通过运行对应于多个不同换能器阵列布局的每个分割的模型的模拟来确定哪个分割提供更好的结果。

相关申请的交叉引用

本申请要求2019年1月8日提交的美国临时申请62/789,660的权益，所述美国临时申请62/789,660以其整体通过引用合并到本文中。

背景技术

肿瘤治疗场（TTField）是FDA批准的用于管理多形性胶质母细胞瘤（GBM）的疗法，并且正在研究中以用于多个附加的适应症。参见例如Stupp, R.等人：Effect of Tumor-Treating Fields Plus Maintenance Temozolomide vs Maintenance TemozolomideAlone on Survival in Patients With Glioblastoma（肿瘤治疗场加维持替莫唑胺与单独维持替莫唑胺对具有胶质母细胞瘤患者的生存的影响）：随机临床试验. JAMA. 318,2306-2316 (2017)，其通过引用合并到本文中。通过放置在患者头皮上的换能器阵列（TA）的放置以及电场到肿瘤区的递送，TTField被递送到肿瘤。肿瘤内较大的电场强度或功率密度与改进的治疗结果相关联。这两个参数直接取决于TA的位置。

一种用于确定在特定患者的头部上的何处放置TA的方法是要创建该患者的头部的准确模型，该模型包括图像中每个体素的组织类型（例如，白质、灰质、CSF等）；在模型上定位模拟的TA；向TA施加模拟的电压；并且计算模型中每个肿瘤体素处的电场或功率密度。但是迄今为止，创建包括每个体素的组织类型的患者的头部的准确模型的步骤已经是极其劳动密集的过程。

存在用于创建患者的头部模型的自动和半自动方法，并且这些方法不太劳动密集。但是使用这些方法生成的模型的准确度/质量可以从图像到图像急剧地变化。并且当具有差的准确度/质量的模型被用于计算模型中每个肿瘤体素处的电场或功率密度时，计算的电场或功率密度相对于实际电场或功率密度可以显著分歧。并且这种分歧可能具有临床含意，因为当实际电场或功率密度显著低于预测的时，患者可能无法接收他或她的TTField治疗的全部益处。

发明内容

本发明的一个方面针对估计图像分割的质量的第一方法。第一方法包括训练机器学习系统，以基于多个参考图像和已经分配给每个参考图像的至少一个质量分数来估计图像分割的质量。第一方法还包括将新图像和新图像的分割呈现给机器学习系统；从机器学习系统接收用于新图像的分割的至少一个第一质量分数；以及输出用于新图像的分割的所述至少一个第一质量分数。

在第一方法的一些实例中，机器学习系统被训练为基于（a）仿射配准的质量、（b）可变形配准的质量、（c）输入图像属性、和（d）经分割组织的几何属性来估计图像分割的质量。

在第一方法的一些实例中，可变形配准的质量基于变形的场偏差、方向可变性和均值每轴可变性来确定。在第一方法的一些实例中，输入图像属性分别包括每个组织的最短轴长度和信噪比。在第一方法的一些实例中，经分割组织的几何属性包括形状的体积和经连接组件的数量，每个几何属性是按组织计算的。

在第一方法的一些实例中，机器学习系统被训练为基于至少一个全局质量特征、至少一个局部质量特征和颅内组织的最短轴长度来估计新图像的分割的质量。在这些实例中，机器学习系统被训练为基于图像质量和颅外组织的组织形状属性来估计新图像的分割的质量。

第一方法的一些实例进一步包括对分割进行自动调整；将经调整的分割呈现给机器学习系统；从机器学习系统接收经调整的分割的至少一个第二质量分数；以及当所述至少一个第二质量分数指示相对于所述至少一个第一质量分数的改进的质量时，输出指示。