[发明专利]使用机器学习和解剖向量进行医学图像分析

说明书

本发明公开了一种计算机实施的方法，该方法包括将具有已知观察方向和图谱的跟踪成像装置(诸如显微镜)配准到患者空间，以便可以在图谱空间与参考系之间建立变换以定义图像中患者解剖结构的位置。标签与图像的某些组成部分相关联，并与医学图像和解剖向量以及例如图谱一起输入到学习算法中，诸如机器学习算法，例如卷积神经网络，以训练学习算法来自动分割使用跟踪成像装置生成的患者图像。然后，训练过的学习算法允许对患者图像进行有效的分割和/或标记，而不必每次都将患者图像配准到图谱，从而节省计算量工作。

技术领域

本发明涉及一种训练用于确定指示医学图像中解剖结构的位置或类型的标签与医学图像中解剖结构的位置或类型之间关系的学习算法的计算机实施的方法、使用训练过的学习算法来分割和/或标记医学患者图像的方法、一种相应的计算机程序、一种存储此类程序的计算机可读存储介质、一种执行此类程序的计算机以及一种包括电子数据存储装置和上述计算机的系统。

背景技术

可以使用解剖图像来分割或标记医学患者图像。这需要将患者图像配准到图谱数据，这涉及大量的计算工作。

专利文献US 2017/0213339 A1公开了一种用于分割医学图像的方法和系统，该方法和系统使用学习算法作为用于将患者图像与图谱图像配准的解剖分类器。

专利文献US 2019/0320934 A1公开了包括自我评估机制的医学成像会话的自动序列预测。对患者或对象执行初始侦查序列。

验证初始侦察序列。执行简化的获取协议。验证简化的获取协议。执行附加序列。还可以使用基于深度学习的推理基于对先前扫描的分析来配置序列以选择接下来的适当设置和程序。

专利文献US 2017/0330325 A1公开了一种用于将患者身体解剖结构的图像的患者图像集与包括解剖图谱元素的一般解剖结构的图像的图谱图像集进行匹配的匹配变换。获得包含关于一般解剖结构的空间信息和元素表示信息的图谱空间信息。元素表示信息描述了获得包含关于将待确定的图谱图像中多个图谱元素的表示的信息的表示数据集，还描述了根据不同的各个参数集来确定各个图谱元素的各个表示数据集的确定规则。通过获取患者图像集和分别与患者图像集的图像相关联的参数集来获取患者数据。通过将与相同参数集相关联的图像相互匹配来确定匹配变换。

本发明的目的是提供用于更有效地分割和/或标记医学患者图像的方法。

下文公开了本发明各方面、示例和示例性步骤及其实施例。只要技术上适宜且可行，便能根据本发明组合本发明的不同示例性特征。

发明内容

下文给出了对本发明具体特征的简要描述，不应理解为使本发明仅限于本部分中描述的特征或特征组合。

本公开的方法包含将具有已知观察方向和图谱的跟踪成像装置(诸如显微镜)配准到患者空间，以便可以在图谱空间与参考系之间建立变换，用于定义患者解剖结构图像中的位置。标签与图像的某些组成部分相关联，并与医学图像和解剖向量以及例如图谱一起输入到学习算法中，诸如机器学习算法，例如卷积神经网络，以训练学习算法，用于自动分割使用跟踪成像装置生成的患者图像。然后，训练过的学习算法允许对患者图像进行有效分割和/或标记，而不必每次都使用配准图谱来分割患者图像，从而节省计算工作量。

在本发明内容中，例如通过参照本发明的可行实施例给出对本发明一般特征的描述。

一般而言，为了达成上述目的，本发明第一方面提出一种训练用于确定指示医学图像中解剖结构的位置或类型的标签与医学图像中解剖结构的位置或类型之间关系的学习算法的计算机实施的方法(例如，医学方法)。根据第一方面的方法包括在至少一台计算机(例如，至少一台作为导航系统的一部分的计算机)的至少一个处理器上，执行由至少一个处理器执行的以下示例性步骤。