[发明专利]标识图像数据内的病灶的边界

说明书

本发明提供了一种用于标识图像数据内的病灶的边界的方法、计算机程序和处理系统。使用机器学习算法来处理图像数据，以生成概率数据和不确定性数据。所述概率数据针对所述图像数据的每个图像数据点提供指示所述图像数据点是病灶的一部分的概率的概率数据点。所述不确定性数据针对每个概率数据点提供指示所述概率数据点的不确定性的不确定性数据点。所述不确定性数据被处理以标识或校正所述病灶的边界。

技术领域

本发明涉及医学图像的自动化处理的领域，并且具体地，涉及针对医学图像的图像数据内的病灶的边界的标识。

背景技术

人们对使用机器学习算法来分析医学图像越来越感兴趣。具体地，机器学习算法具有执行高度准确医学图像分割任务的潜力，诸如器官分割、结节分割等。特别感兴趣的一个领域是使用机器学习算法来标识医学图像内的病灶，诸如CT(计算机断层扫描)扫描、超声图像或X射线图像。

实施机器学习算法的挑战是用于训练机器学习算法的训练数据可能例如由于受过训练的临床医生的注释不正确或不完整所致的不完全准确。病灶的不准确注释在病灶的边界处尤其普遍，其中临床医生可能无法或不愿意准确标识病灶的准确边界。由于需要将这些通常不准确/不明确的病灶注释重新采样到统一分辨率以允许机器学习算法的训练，这个问题变得更加严重。需要对较低分辨率的图像和模糊/不准确的注释进行上采样，导致针对机器学习算法的训练数据不太准确。

此外，处理相同图像的不同边界标识机器学习算法可以例如由于用于训练机器学习注释算法的训练数据或损失函数的差异而标识病灶的不同边界。因此，不同的注释算法之间可能在病灶的边界所处的准确位置上存在分歧。

本发明人已经认识到，因此需要改善医学图像内的病灶的边界的标识。对病灶的边界的改善标识为临床医生提供了更准确的信息，从而使得他们能够更准确地诊断或评估受试者。

发明内容

本发明由权利要求书限定。

根据根据本发明的方面的示例，提供了一种标识受试者的区域的N维医学图像数据内的病灶的一个或多个边界的方法。

方法包括：接收N维医学图像数据，其包括图像数据点；使用机器学习算法来处理N维医学图像数据，从而生成：N维概率数据，包括针对每个图像数据点的指示图像数据点是病灶的一部分的概率的相应概率数据点；以及N维不确定性数据，包括针对每个概率数据点的指示所指示的概率的不确定性的相应不确定性数据点；以及至少使用不确定性数据来标识医学图像数据中的病灶的一个或多个边界。

本发明提出基于不确定性数据标识(医学)图像数据内的病灶的边界。不确定性数据包括不确定性数据点。每个不确定性数据点指示与特定图像数据点相关联的预测概率的不确定性。预测概率是关于该特定图像数据点是否是病灶的一部分(例如介于0至1的范围内)的预测，即“病灶概率”。

概率数据可以被用于预测病灶的位置、大小和形状。例如，如果图像数据点的集群各自与概率数据相关联，那么图像数据点的该集群可以被视为预测的病灶，该概率数据指示集群中的每个图像数据点具有它是病灶的一部分的一定的概率(高于预定值)。这种方法对于技术人员来说是众所周知的。

本发明依赖于在预测给定图像数据点是否是病灶的一部分时概率数据可能不完全准确的理解。实际上，本发明标识出准确性水平在病灶的边界或边缘附近降低。

本发明人已经认识到，不确定性数据可以被用于更准确地标识病灶的边界相对于图像数据所处的位置。具体地，病灶概率的不确定性可以被用于区分或确定病灶的边界或边缘所处的位置。因此，不准确训练地机器学习算法的问题可以通过使用不确定性数据来修改、标识或校正病灶的边界来克服。这些不准确性在病灶的边界处尤其普遍。

所提出的发明从而能够更准确地标识病灶的边界。这种情况直接帮助用户执行诊断或评估受试者的状况的任务，这是因为将更准确地标识受试者体内的病灶的数量、位置和大小。具体地，了解病灶的范围和位置对于正确分析受试者的状况是必不可少的。