Amerikaans octrooi voor systeem en methode voor globale tot lokale vorm matching voor automatische leversegmentatie in medisch beeldpatent (octrooi # 8.131.038 uitgegeven op 6 maart 2012) (2024)

Kruisverwijzing naar gerelateerde Amerikaanse toepassingen

Deze toepassing claimt prioriteit van "Global-to-Local Shape Matching voor leversegmentatie in CT-beeldvorming", U.S. Provisional Application No. 60/957.026 van Saddi, et al., Gedeponeerd op 21 augustus 2007, waarvan de inhoud hierin is opgenomen indoor verwijzing in hun geheel.

TECHNISCHE BRANCHE

Deze openbaarmaking is gericht op leversegmentatie in digitale medische afbeeldingen.

Bespreking van de gerelateerde kunst

Medische computerondersteunde diagnose op basis van computertomografie (CT) heeft aanzienlijke aandacht gekregen.Een dergelijke procedure vereist meestal de extractie van anatomische structuren.In het bijzonder omvatten de huidige methoden voor leverdiagnose de grensextractie ervan.Deze taak is behoorlijk uitdagend omdat het leverweefsel en andere aangrenzende organen worden gekenmerkt door zeer vergelijkbare dichtheden (Hounsfield -eenheden) in CT -afbeeldingen.Bovendien maken gedeeltelijke-volume-effecten de observatie van intensiteit discontinuïteiten uitdagend, wat resulteert in zwakke randen.Om dit gebrek aan informatie op te lossen, kunnen vormmodellen worden gebruikt, maar nogmaals, er ontstaan ​​uitdagingen vanwege de grote inter-patiënt levervormvariabiliteit.

Hoewel de meeste beschikbare leversegmentatiehulpmiddelen voor clinici nog steeds een tijdrovende menselijke interactie vereisen, zijn er voorstellen geweest om dit proces te automatiseren om het bruikbaarder te maken in klinische toepassingen.Eén techniek maakt gebruik van een trapsgewijze segmentatiekader dat opeenvolgend verschillende leverstructuren detecteert voor chirurgieplanning waarbij de lever wordt geëxtraheerd door wereldwijd en lokaal een gegeven sjabloon te vervormen.Een andere techniek maakt gebruik van een probabilistische atlas om voxelintensiteiten in CT -afbeeldingen van de abdominale te classificeren.Meer recent is er een trend naar het gebruik van 3D -vormmodellen ontstaan.Een voorbeeld bouwde een statistisch vormmodel dat bestond uit 43 gesegmenteerde levers en gebruikte een gemodificeerd actieve vormmodel (ASM) voor segmentatie.Een vergelijkbare benadering gebruikte een vorm beperkt vervormbaar model in plaats van de gebruikelijke ASM -aanpakbenadering.Hierdoor kon het vastleggen van vormvariaties die niet aanwezig waren in de trainingsset.Een gedetailleerde validatie toont de verbetering van de nauwkeurigheid met betrekking tot ASM.Dit illustreert dat te veel vertrouwen op een eerder vormmodel robuuste segmentatie -algoritmen geeft, maar over het algemeen een lage nauwkeurigheid heeft.Dit komt door de grote inter-patiënt vormvariabiliteit van de lever die niet kan worden gemodelleerd van een verminderd aantal trainingsmonsters.In de praktijk heeft elke levervorm een ​​bepaalde geometrie en blijven alleen globale vormkenmerken consistent van de ene patiënt naar de andere.

SAMENVATTING VAN DE UITVINDING

Voorbeeldende uitvoeringsvormen van de uitvinding zoals hierin beschreven, omvatten in het algemeen methoden en systemen voor een tweefasige segmentatie van de lever in CT-afbeeldingen.Ten eerste worden de pose- en globale vormeigenschappen geschat met behulp van een statistisch vormmodel dat is gedefinieerd in een lage dimensionale ruimte die wordt overgebracht door een trainingsset van vormen.De op vorm gebaseerde stap maakt schatting van de pose en de globale vormeigenschappen van de lever met goede robuustheid mogelijk.Vervolgens wordt een sjabloonaanpassingsprocedure toegepast om lokale vervormingen te herstellen die niet aanwezig waren in de leerset.Deze niet-rigide vorm matching kan lokale vormeigenschappen herstellen.Naast een globale regularisatie op de vorm, kan een niet-rigide sjabloonregistratiemethode volgens een uitvoeringsvorm van de uitvinding de topologie van de lever behouden, zelfs voor variaties met grote vorm.Beide stappen zijn geformuleerd in een variationaal raamwerk dat dezelfde beeldterm optimaliseert: de waarschijnlijkheid van de intensiteit in het interessegebied en de achtergrond.Een methode volgens een uitvoeringsvorm van de uitvinding wordt geïnitialiseerd met behulp van een enkel punt in de lever die automatisch te vinden is.Deze wereldwijde tot lokale strategie kan levers herstellen met bijzondere vormen in willekeurige poses.Resultaten worden gepresenteerd op een breed scala aan afbeeldingen, sommige met problematische attributen zoals ontwikkelde tumoren.

Volgens een aspect van de uitvinding is er een methode voorzien om automatisch een lever in digitale medische afbeeldingen te segmenteren, inclusief het leveren van een driedimensionaal (3D) digitaal beeld I dat moet worden gesegmenteerd, het beeld dat een aantal intensiteiten omvat die verband houdt met een 3Drooster van punten, die een set n trainingsvormen oplevert {φ_i}_{i = 1 ,...,N}Voor een lever getraind uit een set handmatig gesegmenteerde afbeeldingen, selecteert u een zaadpunt om de segmentatie te initialiseren, die een niveausetfunctie vertegenwoordigt φ_A(θx+h) van een levergrens γ in het beeld als

${\varphi }_A((X))={\varphi }_0+\sum _{i=1}^N{A}_i{V}_i((X)),,\mathrm{waar}$ ${\varphi }_0((X))=\frac{1}{N}\sum _{i=1}^N{\varphi }_i((X))$
is een gemiddelde vorm, {v_i(X)}_{i = 1 ,...,N}zijn eigenmodes waar n izijn vormparameters die overeenkomen met elke trainingsvorm φ_ien H ε r³en ik [0.2p]³Zijn vertaal- en rotatieparameters die de trainingsvormen uitlijnen, die een eerste energiefunctioneel definiëren in termen van de niveausetfuncties φ_A(θx+h), het minimaliseren van de eerste energiefunctionele om de vorm-, vertaal- en rotatieparameters te bepalen, waarbij de vorm-, translatie- en rotatieparameters een vormsjabloon voor de leversegmentatie bepalen, waarbij een tweede energiefunctie van de vormsjabloon enEen registratie -mapping gewogen door histogram van beeldintensiteit functioneert binnen en buiten de grens en het minimaliseren van de tweede energiefunctioneel om de registratiemapping te bepalen, waarbij de registratie -mapping lokale vervormingen van de lever herstelt.

Volgens een verder aspect van de uitvinding is het eerste energiefunctioneel

$E((A,,H,,e))=-{\int }_{\mathrm{Oh}}((\begin{array}{c}H(({\varphi }_A((eX+H))))\mathrm{aanroepen}{P}_{iN}((I((X))))+\\ ((1+H((\varphi A((eX+H))))))\mathrm{aanroepen}{P}_{\mathrm{uit}}((I((X))))\end{array}))dX-\mathrm{aanroepen}((\frac{1}{\sqrt{2\mathrm{Pi}}NA}\sum _{i=1}^N\exp ((-\frac{{((A-A_i))}^2}{2A}))))$
waarbij h een heaviside -functie is waarvan de waarde 1 binnen de grens is en anders 0, is de logterm een ​​vorm voorafgaande verdeling met standaardafwijking σ en p_in, P_uitZijn beeldintensiteit histogramfuncties binnen en buiten de grens, respectievelijk.

Volgens een verder aspect van de uitvinding omvat de methode het instellen van σ op tweemaal een gemiddelde Euclidische afstand tussen elke trainingsvorm en de naaste buur in een subruimte met dimensie n.

Volgens een verder aspect van de uitvinding, het minimaliseren van de eerste energiefunctional omvat het initialiseren van de vormparameters α_itot een gemiddelde vorm en oplossen

$\hspace{1em}\{\begin{array}{c}\frac{dA}{dT}={\int }_{\mathrm{Oh}}D(({\varphi }_A((eX+H))))V((eX+H))e((X))dX+\frac{1}{A^2}\frac{\sum _{i=1}^N((A_i-A))K_i}{\sum _{i=1}^N{K}_i}\\ \frac{dH}{dT}={\int }_{\mathrm{Oh}}D(({\varphi }_A((eX+H))))\nabla {\varphi }_A((eX+H))e((X))dX\\ \frac{de}{dT}={\int }_{\mathrm{Oh}}D(({\varphi }_A((eX+H))))((\nabla {\varphi }_A((eX+H))·{\nabla }_{e}eX))e((X))dX\end{array}$
met een eindig verschilschema, waarbij A een Dirac Delta -functie is,

$e((X))=\mathrm{aanroepen}[[\frac{P_{\mathrm{uit}}((I((X))))}{P_{iN}((I((X))))}],,K_i=\frac{1}{\sqrt{2\mathrm{Pi}}}\exp ((-\frac{{((A-A_i))}^2}{2A^2})),,\mathrm{En}V=((V_1,,\dots ,,V_{iN})),,$
en het beperken van berekeningen tot een smalle band rond een nulovergang van φ_A.

Volgens een verder aspect van de uitvinding is het tweede energiefunctioneel
E_gegevens((I_T∘∘) = - ∫_Oh((((I_T∘∘) logboek_inP((I((X))+(1−i_T∘∘) logboekP_uit((I((X)))DX,
waar ψ: ω → Ω is een registratietransformatie op een domein ω van de afbeelding i, i_T(X) = h (φ_A(θx+h)), i_T∘∘ is een kromgetrokken binaire sjabloon, ∘ is de compositie -operator en p_in, P_uitZijn de beeldintensiteit histogram functies binnen en buiten de grens, respectievelijk.

Volgens een verder aspect van de uitvinding omvat het minimaliseren van de tweede energiefunctional het opbouwen van een reeks transformaties (ψ_k))_{K = 0 ,..., +∞}die ψ benaderen door samenstelling van kleine verplaatsingen.
Φ_K+1=_k∘ (ψ_{ID kaart}+Bv_k),
waar ψ_kwordt geïnitialiseerd tot ψ₀=_{ID kaart}, de registratie -identiteitstransformatie, v_kis een snelheidsvectorveld gedefinieerd uit

$v=\nabla ((I_T·\Phi ))((\mathrm{aanroepen}\frac{P_{iN}((I((X))))}{P_{\mathrm{uit}}((I((X))))})),,$
en β is een verplaatsingscoëfficiënt.

Volgens een verder aspect van de uitvinding omvat de methode het regulariseren van V_kmet een recursief Gaussiaans filter.

Volgens een verder aspect van de uitvinding omvat de methode het aanpassen van de waarde van β op een inverse van een maximale norm van het vectorveld V_k.

Volgens een verder aspect van de uitvinding omvat de methode computing

$P_{iN}((i))=\frac{1}{{\mathrm{Oh}}_{iN}}{\int }_{\mathrm{Oh}}((I_T·\Phi ))D((I((X))-i))dX,,P_{\mathrm{uit}}((i))=\frac{1}{{\mathrm{Oh}}_{\mathrm{uit}}}{\int }_{\mathrm{Oh}}((1-I_T·\Phi ))D((I((X))-i))dX,,$
Binnen en buiten de grens, waar 8 een Dirac -delta -functie is, is ik een beeldintensiteitswaarde en | ω_in|, | OH_uit|zijn volumes van overeenkomstige domeinen binnen en buiten de grens.

Volgens een verder aspect van de uitvinding, omvat de methode het inbedden van de minimalisatie van de tweede energiefunctionele in een grove-tot-finine strategie, waarbij een grove resolutie-oplossing van één stap wordt gebruikt om een ​​fijnere resolutie-oplossing te initialiseren bij een volgende stap.

Volgens een verder aspect van de uitvinding wordt N bepaald door de eigenwaarden te analyseren om die eigenmodes op te nemen die een vooraf bepaald percentage bijdragen aan de niveau -setfunctie φ_A.

Volgens een verder aspect van de uitvinding omvat het selecteren van een zaadpunt een intensiteitshistogram van het beeld berekenen, waarbij een Gaussiaanse mengverdeling wordt aangepast aan het histogramStandaardafwijking evenredig met een grootte van de lever en het selecteren van een pixel met een hoogste respons het zaadpunt.

Volgens een ander aspect van de uitvinding is er een programma -opslagapparaat opgeleverd dat door een computer leesbaar is, waarbij tastbaar een door de computer uitvoerbare instructieprogramma belichaamt om de methodestappen uit te voeren voor het automatisch segmenteren van een lever in digitale medische afbeeldingen.

Gedetailleerde beschrijving van voorbeeldige uitvoeringsvormen

Voorbeeldende uitvoeringsvormen van de uitvinding zoals hierin beschreven, omvatten in het algemeen systemen en methoden voor leversegmentatie in digitale medische afbeeldingen.Dienovereenkomstig, hoewel de uitvinding vatbaar is voor verschillende wijzigingen en alternatieve vormen, worden specifieke uitvoeringsvormen daarvan bij wijze van voorbeeld in de tekeningen aangetoond en zullen hierin in detail worden beschreven.Het moet echter worden begrepen dat er geen intentie is om de uitvinding te beperken tot de beschreven specifieke vormen, maar integendeel, de uitvinding is om alle wijzigingen, equivalenten en alternatieven te dekken die binnen de geest en reikwijdte van de uitvinding vallen.

Zoals hierin gebruikt, verwijst de term "afbeelding" naar multidimensionale gegevens samengesteld uit discrete beeldelementen (bijv. Pixels voor 2-D-afbeeldingen en voxels voor 3D-afbeeldingen).Het beeld kan bijvoorbeeld een medisch beeld zijn van een onderwerp dat wordt verzameld door computertomografie, beeldvorming van magnetische resonantie, echografie of een ander medisch beeldvormingssysteem dat bekend is bij een van vaardigheden in de kunst.De afbeelding kan ook worden verstrekt uit niet-medische contexten, zoals bijvoorbeeld externe detectiesystemen, elektronenmicroscopie, enz. Hoewel een afbeelding kan worden beschouwd als een functie van R³Tot R zijn de methoden van de uitvindingen niet beperkt tot dergelijke afbeeldingen en kunnen ze worden toegepast op afbeeldingen van elke dimensie, bijvoorbeeld een 2D-afbeelding of een 3D-volume.Voor een 2- of 3-dimensionaal beeld is het domein van het beeld meestal een 2- of 3-dimensionale rechthoekige array, waarbij elke pixel of voxel kan worden aangepakt met verwijzing naar een set van 2 of 3 onderling orthogonale assen.De termen "digitaal" en "gedigitaliseerd" zoals hierin gebruikt, verwijzen naar afbeeldingen of volumes, indien van toepassing, in een digitaal of gedigitaliseerd formaat verkregen via een digitaal acquisitiesysteem of via conversie van een analoog beeld.

Statistisch regio-gebaseerd model

Laat ik: ω → r de afbeelding zijn om te segmenteren.Men definieert p_in(i) en P_uit(i) Als de waarschijnlijkheidsdichtheidsfuncties van een willekeurige variabele modelleringsintensiteitswaarden i = i (x) in de regio's ω_inen ω_uitBinnen en buiten de lever, respectievelijk.Gezien dit model kan de optimale gesloten grens γ worden verkregen met behulp van een maximaal waarschijnlijkheidsprincipe, waardoor de volgende energie wordt geminimaliseerd:
E_gegevens(C) = - ∫_Oh(X (X, C) logP_in((I((X))+(1 --x (X, C)) logboekP_uit((I((X)))dx  (1)
waar vormfunctie χ (x, γ) = 1 als x anders binnen γ en 0 is.

In een niveauset framework wordt de evoluerende contour γ weergegeven als de nulniveau -lijn van een ondertekende functie φ: ω → r, d.w.z. γ = {x ε ω | φ (x) = 0}.H (φ) de Heaviside -functie laten zijn,

$H((\varphi ))=\{\begin{array}{cc}1,,& \mathrm{als}\varphi \ge 0,,\\ 0,,& \mathrm{anders},,\end{array}$
De te minimaliseren energie kan als volgt worden uitgedrukt:
E(φ) = - ∫_Oh[[H(φ) logboekP_in((I((X))+(1- H(φ)) logP_uit((I((X))+V | ∇H(φ) |]DX,
waar V | ∇H (φ) |is een regularisatieterm op de contourlengte.Deze energie wordt meestal geminimaliseerd door gradiëntafdaling.Voor dit doel definieert men een tijdafhankelijke familie van functies Tφ (t) -oplossingen van de volgende PDE:

$\frac{\partial E((\varphi ))}{\partial T}=D((\varphi ))((\mathrm{aanroepen}\frac{P_{iN}((I((X))))}{P_{\mathrm{uit}}((I((X))))}+v\mathrm{divisie}((\frac{\nabla \varphi }{\nabla \varphi }))))$
Dat komt overeen met een evolutie van de contour γ.De eerste termijn verklaart de waarschijnlijkheid van de intensiteit voor elke regio.De tweede term is de regularisatie van de contour.

Er zijn verschillende strategieën om deze energie te minimaliseren en een regiosegmentatie te verkrijgen.Een directe oplossing is om de bovengenoemde set -weergave van de grens te ontwikkelen, maar, zoals te zien is in de onderstaande experimentele resultaten, heeft dit verschillende nadelen.Volgens een uitvoeringsvorm van de uitvinding omvat een alternatieve minimalisatie eerste beperking van γ met een gegeven vormmodel en vervolgens met behulp van een sjabloonregistratieformulering om de oplossing lokaal te verfijnen.De intensiteitsverdelingen p_in(i) en P_uit(i) worden dynamisch geschat tijdens het optimalisatieproces volgens de intensiteitshistogrammen in elk gebied voor vaste posities van de grens.

Vormmodel

Volgens een uitvoeringsvorm van de uitvinding kan de grens γ worden beperkt door een vormmodel dat is getraind uit een set handmatig gesegmenteerde beelden.Gegeven een set N trainingsvormen die worden gecodeerd door hun ondertekende afstandsfuncties {φ_i}_{i = 1 ,..., N}, de segmentatietaak kan worden gereduceerd tot een eindig-dimensionale optimalisatie door de taak te beperken tot de subruimte die wordt overspannen door de trainingsvormen.

Gegeven een afstand D op de ruimte van ondertekende afstandsfuncties gedefinieerd door D²(Phi_i, Phi_J) = ∫_Oh(Phi_i(x) - f_i(X))²DX, de reeks trainingsvormen is uitgelijnd met betrekking tot vertaling en rotatie.Γ wordt gedefinieerd als de nul kruising van een niveausetfunctie φ gedefinieerd in het beelddomein.De niveau -set representatie φ van de grens γ wordt vervolgens beperkt tot een parametrische weergave van de vorm:

$\begin{array}{cc}{\varphi }_A((eX+H))={\varphi }_0((eX+H))+\sum _{i=1}^N{A}_i{V}_i((eX+H)),,& ((2))\end{array}$
waar

${\varphi }_0((X))=\frac{1}{N}\sum _{i=1}^N{\varphi }_i((X))$
vertegenwoordigt de gemiddelde vorm, {v_i(X)}_{i = 1 ,..., N}Zijn de eigenmodes en n 1;..., A_N) modelleert de vormvervormingen, terwijl de parameters H ε r³en ik [0.2p]³Modelvertaling en rotatie van de vorm.

Een manier om de waarde van N te kiezen, is door de eigenwaarden van de overeenkomstige eigenvectoren te onderzoeken.In zekere zin geeft de grootte van elke eigenwaarde de hoeveelheid invloed of belang aan die de overeenkomstige eigenvector heeft bij het bepalen van de vorm.Men zou de drempel kunnen bepalen om de waarde van N te bepalen door naar een histogram van de eigenwaarden te kijken en die eigenwaarden te selecteren die het meest bijdragen aan de vorm.Deze aanpak zou echter een uitdaging zijn om te implementeren, aangezien de drempelwaarde voor N varieert voor elke applicatie.Er is geen universele n die kan worden ingesteld.

Elke trainingsvorm φ_ikan worden weergegeven door de overeenkomstige vormvector α_i.Statistische vormleren leidt tot een statistische verdeling P (α) uit deze monstervormen, met behulp van een niet -parametrische dichtheidsbenadering:

$\begin{array}{cc}P((A))=\frac{1}{NA\sqrt{2\mathrm{Pi}}}\sum _{i=1}^N\exp ((-\frac{{((A-A_i))}^2}{2A^2})).& ((3))\end{array}$
Het beperken van de grens γ tot deze subruimte, γ -auto wordt weergegeven door een vormvector α, d.w.z. γ is de nul kruising van de niveaitaire setfunctie φ_A.Volgens een uitvoeringsvorm van de uitvinding kan σ worden ingesteld op twee keer het gemiddelde van de Euclidische afstand tussen elke trainingsvorm en de naaste buur in de subruimte met dimensie n.Elke trainingsvorm is een vector van dimensie N die het aantal variatiemodi vertegenwoordigt.

Men kan de vormfunctie χ (θx+H, γ) uitdrukken in termen van de Heaviside -functie H als H (φ_A(θx+h)).Met behulp van de korte hand h_Phi= H (φ_A(θx+h)), eq.(1) kan worden herschreven als:
E_gegevens(A,H, i) = - ∫_Oh((H_PhiaanroepenP_in((I((X))+(1- H_Phi) LogP_uit((I((X)))DX.  (4)

Het opnemen van de prior over de verdeling van de vormvector α in de energie leidt tot een laatste criteria:
E(A,H, θ) = - logboekP(a)+E_gegevens(A,H, i).(5)

Deze energie kan worden geminimaliseerd met behulp van alternated gradiëntafzettingen met betrekking tot elke onbekende parameters α, h en θ om op te lossen voor α, h en θ.Met

$e((X))=\mathrm{aanroepen}[[\frac{P_{iN}((I((X))))}{P_{\mathrm{uit}}((I((X))))}],,K_i=\frac{1}{\sqrt{2\mathrm{Pi}}}\exp ((-\frac{{((A-A_i))}^2}{2A^2}))$
en v = (v₁,..., V_N), het volgende systeem van gekoppelde gradiëntafvalvergelijkingen wordt verkregen:

$\begin{array}{cc}\{\begin{array}{c}\frac{dA}{dT}={\int }_{\mathrm{Oh}}D(({\varphi }_A((eX+H))))V((eX+H))e((X))dX+\frac{1}{A^2}\frac{\sum _{i=1}^N((A_i-A))K_i}{\sum _{i=1}^N{K}_i}\\ \frac{dH}{dT}={\int }_{\mathrm{Oh}}D(({\varphi }_A((eX+H))))\nabla {\varphi }_A((eX+H))e((X))dX\\ \frac{de}{dT}={\int }_{\mathrm{Oh}}D(({\varphi }_A((eX+H))))((\nabla {\varphi }_A((eX+H))·{\nabla }_{e}eX))e((X))dX\end{array}& ((6))\end{array}$
Deze vergelijkingen kunnen worden opgelost door de vorm α te initialiseren met de gemiddelde vorm (α = 0) en de transformatieparameters h en θ met enkele redelijke schattingen.Vervolgens worden de bovenstaande gedeeltelijke differentiaalvergelijkingen gediscretiseerd door een eindig verschilschema.Merk op dat in alle vergelijkingen de Dirac -delta -functie δ verschijnt als factor binnen de integralen over het beelddomein.Dit maakt het mogelijk om alle berekeningen te beperken tot een smalle band rond de nul kruising van φ.Hoewel de evolutie van de vertaling en pose -parameters h en θ alleen worden aangedreven door de gegevensterm E (x), wordt de vormvector A bovendien aangetrokken naar elke trainingsvorm met een sterkte die exponentieel vervalt met de afstand tot de respectieve vorm.
Sjabloon matching

Volgens een uitvoeringsvorm van de uitvinding kan een sjabloonaanpassingsalgoritme dat lokale vervormingen van de in de vorige sectie verkregen vorm herstelt, worden gebruikt om de segmentatie te verfijnen.Overweeg een registratiekader, waarin de sjabloonafhankelijke kan worden geformuleerd als het vinden van een transformatie ψ: ω → Ω dat de kostenfunctionele e minimaliseert_gegevens(I_T∘∘) gedefinieerd in vergelijking.(1), waar ik_T(x) = x (x, c) = h (φ_A(θx+h)) is de vorm weergegeven door een binaire sjabloon verkregen uit vergelijking.(5).De volgende energie wordt dus geminimaliseerd om ψ te vinden:
E_gegevens((I_T∘∘) = - ∫₁₀₆((((I_T∘∘) logboek_inP((I((X))+(1−i_T∘∘) logboekP_uit((I((X)))DX.  (7)
In deze vergelijking, ik_T∘∘ is de kromgetrokken binaire sjabloon en ∘ de compositie -operator.Sinds ik_Tis verkregen door Eq op te lossen.5, het is gewenst om een ​​optimale transformatie te vinden ψ.De afleiding van de energie leidt tot de volgende gradiëntafkomst:

$\begin{array}{cc}\frac{\partial E_{\mathrm{gegevens}}((I_T·\Phi ))}{\partial \Phi }=\nabla ((I_T·\Phi ))((\mathrm{aanroepen}\frac{P_{iN}((I((X))))}{P_{\mathrm{uit}}((I((X))))}))& ((8))\end{array}$
In niet-rigide registratie resulteert het afleiden van deze energie volgens een hoog-dimensionale transformatie in een vectorveld

$v=\nabla ((I_T·\Phi ))((\mathrm{aanroepen}\frac{P_{iN}((I((X))))}{P_{\mathrm{uit}}((I((X))))})).$
Om een ​​goed gesteld probleem te garanderen, moet dit vectorveld worden geregulariseerd.

Om een ​​optimale hoog-dimensionale transformatie te vinden, bouwt men een reeks transformaties (ψ op_k))_{K = 0 ,..., +∞}, door samenstelling van kleine verplaatsingen,
Φ_K+1=_k∘ (ψ_{ID kaart}+Bv_k), Ψ₀=_{ID kaart}, (9)
waar ψ_{ID kaart}is de identiteitstransformatie, v_kis een snelheidsvectorveld dat volgt op de gradiënt van het te minimaliseren van de kostenfunctionele, en β is een verplaatsingscoëfficiënt waarvan de waarde kan worden aangepast om kleine verplaatsingen te verzekeren.De maximale verplaatsing moet minder zijn dan één pixel.Om dit te verzekeren, de maximale norm van het vectorveld V_kwordt berekend, het vectorveld wordt genormaliseerd door deze maximale norm en β is het omgekeerde van de maximale norm.De gradiënt v_kKan worden geregulariseerd met behulp van een snelle recursieve filtertechniek die een Gaussiaanse afvlakking benadert.

Het iteratieve schema voor Vgl.(9) wordt herhaald tot convergentie en kan worden gezien als een discretisatie (via een Taylor -uitbreiding) van een transportvergelijking in een Euleriaans frame:

$\begin{array}{cc}\frac{\partial {\Phi }_T}{\partial T}=-D{\Phi }_T·v,,{\Phi }_0={\Phi }_{iD}.& ((10))\end{array}$
Waar Dψ_Tstaat voor de Jacobiaanse matrix van ψ_T.Hier zijn grote vervormingen mogelijk omdat de regularisatie wordt toegepast op de snelheid in plaats van de vervorming, zoals het geval is bij het evolueren van de niveau -set representatie.

De PDF's van het object en de achtergrond worden berekend tijdens elke iteratie van het registratieproces.De sjabloonafbeelding i_Tbepaalt de binnenkant van de interessegebied en de achtergrond.De vergelijkingen zijn:

$\begin{array}{cc}{P}_{iN}((i))=\frac{1}{{\mathrm{Oh}}_{iN}}{\int }_{\mathrm{Oh}}((I_T·\Phi ))D((I((X))-i))dX,,P_{\mathrm{uit}}((i))=\frac{1}{{\mathrm{Oh}}_{\mathrm{uit}}}{\int }_{\mathrm{Oh}}((1-I_T·\Phi ))D((I((X))-i))dX,,& ((11))\end{array}$
waar ik een beeldintensiteit is en | ω_in|, | OH_uit|zijn de volumes van de overeenkomstige domeinen.
Implementatie

Een stroomdiagram van een methode voor leversegmentatie in digitale medische afbeeldingen wordt weergegeven inFig.5A-B.Nu verwijzen naarFig.5A, een methode volgens een belichaming van de uitvinding begint bij stap51Door een set n trainingsvormen te bieden {φ_i}_{i = 1 ,..., N}getraind uit een set handmatig gesegmenteerde afbeeldingen en een nieuwe afbeelding die ik moet worden gesegmenteerd.

Bij een stap51, de segmentatie wordt automatisch geïnitialiseerd.Een punt in de lever kan als volgt worden gevonden: Bereken eerst een intensiteitshistogram van het te segmenteren beeld en past vervolgens een Gaussiaanse mengselverdeling naar het histogram in de intensiteit.Door dit te doen, kan men een masker berekenen dat overeenkomt met de leverintensiteit.Dit binaire beeld wordt vervolgens geconvolueerd met een Gaussiaanse kernel met een standaardafwijking die evenredig is aan de levergrootte.De pixel met de hoogste respons wordt gevonden en geselecteerd als het initialisatiepunt van de leversegmentatie.Dit enkele punt is voldoende voor de initialisatie en hoeft niet het massamiddelpunt te zijn.

Bij een stap52, de energiefunctioneel

$E((A,,H,,e))=-{\int }_{\mathrm{Oh}}((\begin{array}{c}H(({\varphi }_A((eX+H))))\mathrm{aanroepen}{P}_{iN}((I((X))))+\\ ((1+H((ὁ((eX+H))))))\mathrm{aanroepen}{P}_{\mathrm{uit}}((I((X))))\end{array}))dX-\mathrm{aanroepen}((\frac{1}{\sqrt{2\mathrm{Pi}}NA}\sum _{i=1}^N\exp ((-\frac{{((A-A_i))}^2}{2A^2}))))$
wordt gedefinieerd in termen van de trainingsvormen en dat het opnemen van vorm voorafgaande informatie, waarbij h een functie van de hemel is van de trainingsvormen met vertaalparameters H ε r³en rotatieparameters i [0.2p]³die de trainingsvormen afstemmen.In deze energiefunctioneel worden de trainingsvormen gebruikt om de niveausetweergave φ van de grens γ als weer te geven

${\varphi }_A((X))={\varphi }_0+\sum _{i=1}^N{A}_i{V}_i((X)),,$
met een gemiddelde vorm

${\varphi }_0((X))=\frac{1}{N}\sum _{i=1}^N{\varphi }_i((X))$
en zelfmodes {v_i(X)}_{i = 1 ,..., N}.Deze energiefunctioneel wordt bij stap geminimaliseerd53Gebruikmakend van afwisselende gradiëntafzettingen met behulp van vergelijking.(6) om waarden op te leveren voor θ, h en α.Bij een stap54, de resulterende regio's functioneren H_Phi= H (φ_A(θx+h)) worden gebruikt om een ​​binaire sjabloon i te initialiseren_T, en een incrementele registratiemapping ψ₀=_{ID kaart}wordt geïnitialiseerd op de identiteitstransformatie.

Doorgaan metFig.5B, de waarschijnlijkheidsverdelingsfuncties (PDF's) p_inen P_uitworden berekend op stap55voor de gebieden binnen en buiten de grens γ.Bij een stap56, het vectorveld verkregen uit de variatie -gradiënt,

$v_k=\nabla ((I_T·\Phi ))((\mathrm{aanroepen}\frac{P_{iN}((I((X))))}{P_{\mathrm{uit}}((I((X))))})),,$
wordt berekend en wordt geregulariseerd met een Gaussiaans filter V_{K = GA}*v_k, waar "*" de convolutie bij stap vertegenwoordigt57.De verplaatsingscoëfficiënt β is ingesteld op stap58tot een waarde op basis van de maximale norm van het vectorveld V_k, zoals hierboven beschreven, die kleine verplaatsingen verzekert, en de incrementele registratie verplaatsing wordt bijgewerkt bij stap59ALS_K+1=_k∘ (ψ_{ID kaart}+Bv_k).Bij een stap60, als de transformaties ψ_kzijn geconvergeerd, of een maximaal aantal iteraties is bereikt, het proces eindigt, anders stappen55naar59worden herhaald.De resulterende transformatie ψ herstelt lokale vervormingen en minimaliseert de kostenfunctionele E_gegevens(I_T∘∘) gedefinieerd in vergelijking.(1).

De regio -statistieken worden bij stap dynamisch berekend55zoals het algoritme herhaalt.De waarschijnlijkheidsdichtheid functies p_inen P_uitzijn gebaseerd op intensiteitshistogrammen en worden beschreven door vergelijking.11. Volgens een belichaming van de uitvinding, een soepele versie van de sjabloon I_Twerd gebruikt, waarbij waarden variëren tussen 0 en 255, met de contour op 127.

Een regularisatie van het vectorveld V_kVolgens een belichaming van de uitvinding wordt bij stap uitgevoerd57met behulp van het recursieve filter van Deriche, dat een lineaire complexiteit heeft met betrekking tot het aantal voxels.Een deriche -filter is een benadering van de Gaussiaanse filtering.Het is een scheidbaar filter dat is samengesteld uit drie subfilters, één voor elke richting, die na elkaar worden toegepast.Elke subfilter is recursief met behulp van een exponentiële benadering van een tweede orde.

Een algoritme volgens een belichaming van de uitvinding is ingebed in een grove-tot-finine strategie, waarbij grovere oplossingen worden gepropageerd in de hiërarchie met meerdere resolutie.Dit verlaagt de rekenkosten door te werken met minder gegevens bij lagere resoluties.Dit maakt ook het herstellen van grote verplaatsingen mogelijk en helpt bij het vermijden van lokale minima.Volgens een belichaming van de uitvinding werden vijf niveaus van multi-resoluties gebruikt.

Hoewel een methode volgens een belichaming van de uitvinding is beschreven in termen van CT -beelden, kunnen methoden volgens andere uitvoeringsvormen van de uitvinding worden toegepast door die van vaardigheden in de kunst op afbeeldingen die zijn verkregen van andere modaliteiten, zoals magnetric resonance imaging,Echografie, etc.

Experimentele resultaten

Om de segmentatie-nauwkeurigheid te kwantificeren, werden resultaten verkregen uit een methode volgens een uitvoeringsvorm van de uitvinding vergeleken met een grond-waarheid.Deze experimenten onderzochten 30 CT-afbeeldingen (gegevens verstrekt door MicCAI-workshop op 3D-segmentatie) die handmatig zijn gesegmenteerd door radiologische experts, die in de transversale weergave worden gebruikt.Een segmentatie wordt gedefinieerd als de hele lever inclusief alle interne structuren.Onder deze afbeeldingen zijn er twintig segmentaties beschikbaar voor training.De andere tien afbeeldingen worden gebruikt voor het testen.Alle afbeeldingen worden verbeterd met contrastmiddel en de meeste zijn pathologisch.

In een benadering volgens een belichaming van de uitvinding bestaat het vormmodel uit 50 gesegmenteerde levers, inclusief de 20 hierboven beschreven trainingsbeelden.Een algoritme volgens een belichaming van de uitvinding is robuust gebleken voor het initialisatiepunt.Volgens een uitvoeringsvorm van de uitvinding worden 30 variatiemodi gebruikt voor het vormmodel.Voor de sjabloon matching is een voorbeeldige, niet-beperkte regularisatieparameterwaarde voor σ 2,0, en voorbeeldige, niet-beperkte waarden voor het aantal iteraties voor de multi-resolutie zijn van hoge tot lage resolutie, 0, 16, 32,48 en 16.

Segmentatieresultaten worden vergeleken met de grond-waarheid met behulp van vijf metrieken: de volumetrische overlap, het relatieve absolute volumeverschil, de gemiddelde symmetrische absolute oppervlakteafstand, de symmetrische RMS-oppervlakteafstand en de maximale symmetrische absolute oppervlakteafstand.Deze statistieken worden geëvalueerd door een score toe te wijzen aan elke testcase (voor details zie http://mbi.dkfz-heidelberg.de/grand-challenge2007/sites/eval.htm).De score van elke testcase zelf is het gemiddelde van vijf scores, elk geschaald van 0 tot 100. De maximale score is 100 en wordt alleen verkregen wanneer de segmentatie exact hetzelfde is als de referentie.

Een benadering volgens een belichaming van de uitvinding (methode A) werd ook vergeleken met twee alternatieven.Het eerste alternatief maakt gebruik van de hierboven beschreven vormmodelaanpassing gevolgd door een niet -beperkte niveau -set evolutie (methode B).Het tweede alternatief gebruikt de gemiddelde vorm van de lever als initialisatie en sjabloonafstemming (methode C).Deze drie methoden werden toegepast op de trainingsbeelden.Fig.1is een tabel met de score voor elke afbeelding in de trainingsset voor elk van methoden A, B en C, waarbij de getallen vetgedrukt overeenkomen met de hoogste score.De tabel weergegeven inFig.2illustreert de gemiddelde statistieken en overeenkomstige gemiddelde scores op de 20 trainingsgevallen voor methoden A, B en C. De tabel vanFig.2geeft aan dat een benadering volgens een belichaming van de uitvinding algehele betere kwantitatieve resultaten oplevert dan de andere twee.In tegenstelling tot de level set -benadering (methode B), past een benadering volgens een uitvoering van de uitvinding de regularisatie toe op het vervormingsveld.Dit maakt segmentatie van onregelmatige vormen mogelijk, die onmogelijk zouden zijn met oppervlakte -evolutietechnieken.De regularisatie wordt gedecorreleerd van de intrinsieke geometrie van de sjabloon, die herstel van onregelmatige vormen mogelijk maakt en lekken wordt vermeden.

Een aanpak volgens een belichaming van de uitvinding werd gevalideerd bij 10 testgevallen, die niet in het vormmodel waren opgenomen.De tabel vanFig.3toont de statistieken en de scores in vergelijking met de grond-waarheid voor alle tien testgevallen.Fig.4toont de resultaten van drie verschillende segmentaties.Nu verwijst naar de figuur, toont de bovenste rij van links naar rechts, een sagittale, coronale en transversale plak uit een relatief eenvoudig geval, de middelste rij toont de overeenkomstige plakjes voor een gemiddeld geval, en de onderste rij toont de overeenkomstige plakjes vooreen relatief moeilijk geval.De omtrek van de referentiestandaardsegmentatie voor geselecteerde cijfers wordt aangegeven door referentienummer41, en de omtrek van de segmentatie van een methode volgens een uitvoeringsvorm van de uitvinding voor de geselecteerde figuren wordt aangegeven door referentienummer42.Voor de duidelijkheid werden alleen die segmentatieresultaten die het duidelijkst verschilden aangegeven door de referentienummers.

Een aanpak volgens een belichaming van de uitvinding scoort 76 punten voor het eenvoudige geval, wat betekent dat het ongeveer zo goed presteerde als een mens.De laagste score is 54 en komt overeen met een afbeelding met een tumor, die als een moeilijk geval wordt beschouwd.Aangezien een algoritme volgens een belichaming van de uitvinding afhankelijk is van de intensiteitsverdeling in de lever, kan het niet de hele tumor in de segmentatie opnemen.

Geschatte berekeningstijd is gemiddeld 324 seconden per afbeelding op een 2 GHz dual-core Intel-processor.Dit kan indien nodig worden verminderd voor klinische toepassingen als een lagere nauwkeurigheid acceptabel is.

Systeem

Het moet worden begrepen dat uitvoeringsvormen van de onderhavige uitvinding kunnen worden geïmplementeerd in verschillende vormen van hardware, software, firmware, speciale doelprocessen of een combinatie daarvan.In één uitvoeringsvorm kan de onderhavige uitvinding worden geïmplementeerd in software als een applicatieprogramma tastbaar op een computer -leesbaar programma -opslagapparaat.Het applicatieprogramma kan worden geüpload naar en uitgevoerd door een machine met een geschikte architectuur.

Fig.6is een blokdiagram van een voorbeeldig computersysteem voor het implementeren van een methode voor leversegmentatie in digitale medische afbeeldingen, volgens een uitvoeringsvorm van de uitvinding.Nu verwijzen naarFig.6, een computersysteem61Voor het implementeren van de onderhavige uitvinding kan onder meer een centrale verwerkingseenheid (CPU) omvatten62, een herinnering63en een invoer/uitvoer (I/O) interface64.Het computersysteem61wordt over het algemeen gekoppeld door de I/O -interface64naar een display65en verschillende invoerapparaten66zoals een muis en een toetsenbord.De ondersteuningscircuits kunnen circuits bevatten zoals cache, voedingen, klokcircuits en een communicatiebus.De herinnering63Kan willekeurig toegangsgeheugen (RAM), alleen lezen geheugen (ROM), schijfaandrijving, tapedrive, enz., Of een combinaties daarvan omvatten.De onderhavige uitvinding kan worden geïmplementeerd als een routine67dat wordt opgeslagen in het geheugen63en uitgevoerd door de CPU62Om het signaal van de signaalbron te verwerken68.Als zodanig, het computersysteem61is een computersysteem voor algemene doeleinden dat een specifiek computersysteem wordt bij het uitvoeren van de routine67van de onderhavige uitvinding.

Het computersysteem61Bevat ook een besturingssysteem en micro -instructiecode.De verschillende processen en functies die hierin worden beschreven, kunnen deel uitmaken van de micro -instructiecode of een deel van het applicatieprogramma (of combinatie daarvan) dat wordt uitgevoerd via het besturingssysteem.Bovendien kunnen verschillende andere perifere apparaten worden aangesloten op het computerplatform, zoals een extra gegevensopslagapparaat en een afdrukapparaat.

Verder moet worden begrepen dat, omdat sommige van de samenstellende systeemcomponenten en methodestappen die in de bijbehorende cijfers worden weergegeven, kunnen worden geïmplementeerd in software, de werkelijke verbindingen tussen de systeemcomponenten (of de processtappen) kunnen verschillen, afhankelijk van de manier waarop de manier waaropDe onderhavige uitvinding is geprogrammeerd.Gezien de leringen van de onderhavige uitvinding die hierin wordt verstrekt, kan een van de gewone vaardigheden in de gerelateerde kunst deze en soortgelijke implementaties of configuraties van de onderhavige uitvinding overwegen.

Hoewel de onderhavige uitvinding in detail is beschreven met verwijzing naar een voorkeursuitvoeringsvorm, zullen degenen die bekwaam in de kunst zijn, waarderen dat verschillende wijzigingen en substituties daaraan kunnen worden aangebracht zonder af te wijken van de geest en reikwijdte van de uitvinding zoals uiteengezet in de bijgevoegde claims.