用于改進圖像分割的方法和系統的制作方法

專利名稱：用于改進圖像分割的方法和系統的制作方法
用于改進圖像分割的方法和系統相關申請的交叉引用
本申請要求2008年3月4日提交的名稱為“METHODS FOR IMPROVED IMAGE SEGMENTATION”的美國臨時專利申請No. 61/033，574的優先權，該申請的全部內容在此通 過引用并入本文。
背景技術：
隨著過去十幾年間，計算機和網絡、放射治療計劃軟件以及醫療成像形態(CT、 MRI、US和PET)的改進已投入到放療實踐中。這些改進導致開發了圖像引導放療(“IGRT”)。 IGRT是使用患者內部解剖結構的橫截面圖像來更好地將放射劑量在腫瘤內進行目標定位 同時降低對于健康器官的放射暴露的放射療法。輸送到腫瘤的放射劑量使用強度調制放療 (“IMRT”)來控制，這涉及改變放射束的尺寸、形狀和強度，以符合患者腫瘤的尺寸、形狀和 位置。IGRT和IMRT導致對于腫瘤的改進的控制，同時降低了對腫瘤周圍健康組織的照射導 致的嚴重副作用的潛在性。

發明內容
圖像引導放療實施中重要的因素是用于計劃和實施放療的圖像的質量，且特別是 圖像中被識別的結構的精度。對于CT圖像，包括患者圖像的數據由圖像元素形成，所述圖 像元素代表了系統內作為數據存儲的圖像元素。這些圖像元素可以是用于代表圖像數據的 任何數據結構，包括二維像素或三維圖像元素。為精確地構造患者圖像，圖像元素接受稱為 分割的處理。分割將每個元素歸類為人體內四種不同物質之一。這四種物質是空氣、脂肪、 肌肉和骨骼。在一個實施例中，本發明提供了一種識別患者體內解剖結構的方法。該方法包括 獲取患者的圖像，其中圖像包括一組圖像元素。該方法還包括將圖像分割，以將至少一些 圖像元素根據其物質進行歸類，從而將分割的圖像與概率圖譜配準，計算圖像元素歸類正 確的概率，并且對基于它們的概率而強化了各圖像元素的圖像進行再分割。在另一個實施例中，本發明提供了一種放療系統和使用放療系統自動識別患者體 內解剖結構的方法。該方法包括獲取患者圖像，使用一系列分級的圖像處理步驟分割圖像 以識別圖像中的界標，且使用界標識別解剖結構。在再一個實施例中，本發明提供了一種將患者圖像分割以識別圖像中每個圖像元 素的組織類型的方法。該方法包括使用一套法則分析每個圖像元素，以確定每個圖像元素 作為給定的組織類型的可能性，將解剖圖譜與圖像配準且改進每個圖像元素的組織概率， 并且基于所述概率將網格擬合到各圖像元素，所述網格表示了器官的結構模型且建立了器 官的預期形狀。本發明的其他方面將通過考慮詳細描述和附圖變得顯見。


專利或申請文件包含以彩色繪制的至少一個附圖。帶有彩色附圖的此專利或專利 申請公開的拷貝在要求且支付必要的費用時由事務所提供。圖1是放射治療系統的透視圖。圖2是可用于圖1中圖示的放射治療系統中的多葉式準直器的透視圖。圖3 是圖1的放射治療系統的示意性圖示。圖4是使用在放射治療系統中的軟件程序的示意圖。圖5是實施本發明的分割過程的分級步驟的示意性圖示。圖6示出了應用二進制掩碼閾值后(左)且然后在圖像上進行形態運算(右)的 一對圖像。圖7圖示了以帶有四個島的二進制掩碼(左)進行連接部分分析的結果(右)。圖8是與前列腺數據組的每個組織類型相關的高斯(Gaussian)分布的曲線圖。圖9是示出了基于計算的概率進行期望值最大化計算以迭代更新模型參數且基 于更新的模型參數再計算概率的過程的圖示。圖10是一組空間變化先驗值(spatially varying priors)，包括平均圖像(左 上)，空氣概率(上中)，脂肪概率(右上)，肌肉概率(左下)和骨骼概率(右下)。圖11是上-下(左)和前-后(右)方向上的骨骼分割曲線的圖。圖12示出了分割分級的圖像元素層后且不應用空間變化先驗值的圖像(左)，包 括應用空間變化先驗值的圖像(中)，和應用分割分級的鄰層的馬爾可夫(Markov)隨機場 后的圖像(右)。圖13是示出了圖像元素的亮度作為圖像元素的距離變換的函數的灰度級圖像。圖14示出了應用分割分級的鄰層的馬爾可夫隨機場后的圖像(左)，和完成分割 分級的組織層后的圖像(右)。圖15示出了連接部分分析前的肌肉組織的圖像(左)，和連接部分分析后的肌肉 組織的圖像(右)，其中每個連接部分被唯一地標色。圖16示出了完成分割分級的組織層后的圖像(左)和完成了分割分級的器官層 后的圖像(右)。圖17示出了使用界標來構造目標結構的過程，以及示出了每個切片的置信度得 分的置信度得分圖。圖18是圖示了由閉孔外肌界定的一般關注區域(“R0I”)的一對圖像。圖19是示出了界定ROI的線的一系列圖像，所述線擬合為跟蹤圍繞閉孔外肌的脂肪。圖20是示出了改進的ROI的一系列圖像。圖21是示出了使用擬合于結構的形狀和線來識別閉孔外肌的步驟的一系列圖像。圖22是示出了幾何形狀模型和最終分割之間關系的一系列圖像。頂部圖示出了 將橢圓擬合于分割的大致草圖的結果，且底部圖示出了通過改進分割的邊界而使草圖順應 于形狀模型的結果。圖23是圖示了在正交切片平面上示出的分割分級的最終結果以及由分割結果重 建的三維圖像(右上)的一系列圖像。
圖24至圖26示出了在骨骼重建過程中從一個切片到另一個切片對于骨骼對象的
足艮S宗。圖27至圖29示出了骨骼結構識別過程中的步驟。圖30和圖31圖示了用于限定三維結構 的三維表面結構(左圖)和虛擬三角形網 格(右圖)。圖32至圖37示出了分級的器官層中的多個步驟的結果。
具體實施例方式在詳細解釋本發明的任何實施例前，應理解的是，本發明在其應用中不限于在如 下描述中闡述或在如下附圖中圖示的構造細節和部件布置。本發明可具有其他實施例，且 可以以多種方式實行或實施。也應理解的是在此使用的措辭和術語用于描述的目的，且不 應視作限制性。在此，“包括”、“包含”或“具有”及其變體的使用意味著包括列于其后的項 目及其等同物以及額外的項目。除非另外地說明或限定，術語“安裝”、“連接”、“支承”和 “聯接”及其變體廣泛地被使用且包括直接和間接地安裝、連接、支承和聯接。另外，“連接” 和“聯接”不限于物理或機械的連接或聯接。雖然例如上、下、向下、向上、向后、底部、前方、后方等的方向參考可在此用于附圖 中，但這些參考用于相對于附圖(當一般地觀看時)以用于方便起見。這些方向不意圖于 作文字上的考慮或以任何形式限制本發明。另外，例如“第一”、“第二”和“第三”的術語在 此用于描述目的，且不意圖于指示或意味著相對重要性或重大性。另外，應理解的是，本發明的實施例包括硬件、軟件和電子部件或模塊，它們為論 述目的可圖示且描述為使部件的大部分唯一地實施在硬件內。然而，本領域一般技術人員 基于此詳細描述的閱讀將認識到在至少一個實施例中，基于電子器件的本發明的方面可以 以軟件方式實施。也應注意的是，多個基于硬件和軟件的裝置以及多個不同的結構部件可 用于實施本發明。此外，如在隨后的段落中所描述，在附圖中圖示的特定的機械構造意在例 證本發明的實施例，且其他替代的機械構造是也可能的。圖1圖示了能夠向患者14提供放療的放療治療系統10。放療治療可包括基于光 子的放射治療、近距治療、電子束治療、質子、中子或微粒治療，或其他類型的放療。放療治 療系統10包括機架18。機架18可支承放射模塊22，所述放射模塊22可包括放射源24和 可操作生成放射束30的直線加速器26。雖然機架18在附圖中示出為環形機架，即延伸通 過整個360度弧以造成完全的環形或圓形，但也可以使用其他類型的安裝設備。例如，非環 形形狀的機架，例如可使用C型機架，部分環形機架或自動機械臂。也可以使用能夠將放射 模塊22定位在相對于患者14的多種旋轉和/或軸向位置的任何其他框架。另外，放射源 24可以在不順隨機架18的形狀的路徑上行進。例如，雖然圖示的機架18 —般是圓形形狀 的，但放射源24可在非圓形路徑上行進。放射模塊22也可以包括可操作地修改或調制放射束30的調制裝置34。調制裝置 34提供了放射束30的調制且將放射束30指向患者14。特別地，放射束34指向患者的一 部分。廣泛地講，所述部分可包括全身，但一般地小于全身，且可通過二維面積和/或三維 體積來限定。可稱為靶位38或靶區的希望接收放射的部分例如是關注區域。另一個類型 的關注區域是處于風險的區域。如果部分包括處于風險的區域，則放射束優選地從處于風險的區域偏開。患者14可具有多于一個的需要接收放療的靶區。這樣的調制有時被稱為 強度調制放療(“IMRT”)。調制裝置34可包括準直裝置42，如在圖2中所圖示。準直裝置42包括一系列顎 件46，所述顎件46限定且調節了放射束30所經過的開口 50的尺寸。顎件46包括上顎件 54和下顎件58。上顎件54和下顎件58可移動以調節開口 50的尺寸在一個實施例中，如在圖2中圖示，調制裝置34可包括多葉式準直器62，所述多 葉式準直器62包括多個交錯的葉片66，所述葉片66可操作地從一個位置向另一個位置移 動，以提供強度調制。也注意到，葉片66可移動到最小打開位置和最大打開位置之間的任 何位置處。多個交錯的葉片66在放射束30達到患者14身體上的靶位38前調制了放射束 30的強度、尺寸和形狀。葉片66的每個通過例如馬達或空氣閥的致動器70獨立地控制， 使得葉片66可快速地打開和關閉以允許或阻止射線通過。致動器70可通過計算機74和 /或控制器來控制。放療治療系統10也可以包括檢測器78，例如千伏或兆伏檢測器，所述檢測器可操 作地接收放射束30。直線加速器26和檢測器78也可以作為計算機斷層掃描(CT)系統運 行，以生成患者14的CT圖像。直線加速器26向患者14身體上的靶位38發出放射束30。 靶位38吸收射線中的一些。檢測器78檢測或測量由靶位38吸收的射線的量。當直線加 速器26圍繞患者14旋轉且向患者14發出放射束時，檢測器78從不同的角度收集吸收數 據。收集到的吸收數據被傳輸到計算機74，以處理吸收數據且生成患者身體組織和器官的 圖像。圖像也可以圖示骨骼、軟組織和血管。CT圖像可使用具有扇形幾何形狀、多切片幾何形狀或錐形束幾何形狀的放射束 30獲得。另外，CT圖像可使用輸送兆伏能量或千伏能量的直線準直器26獲得。也應注意 的是，可用先前獲得的CT圖像(來自放療治療系統10或其他圖像獲取裝置，例如其他的CT 掃描儀，MRI系統和PET系統)來校準所獲得的CT圖像。例如，先前從患者14獲得的CT圖 像可包括通過輪廓處理已識別的靶位38。從患者14新獲得的CT圖像可用先前獲得的CT 圖像來校準，以輔助在新的CT圖像中識別靶位38。校準過程可使用剛性或可變形校準工具 進行。圖像數據可在視頻顯示器上展示為三維圖像或一系列二維圖像。另外，包括圖像 的圖像數據可以是體素(對于三維圖像)或像素(對于二維圖像)。術語圖像元素一般地 用于描述二者。在一些實施例中，放療治療系統10可以包括X射線源和CT圖像檢測器。X射線源 和CT圖像檢測器以與以上所述的直線準直器26和檢測器78類似的方式運行，以獲得圖像 數據。圖像數據被傳輸到計算機74，在計算機74處所述圖像數據被處理，以生成患者身體 組織和器官的圖像。放療治療系統10也可以包括患者支承件，例如支承了患者14的床82 (在圖1中 圖示)。所述床82沿至少一個軸線84在x、y或ζ方向上移動。在本發明的其他實施例中， 患者支承件可以是適合于支承患者身體的任何部分的裝置。患者支承件不限制于必須支承 患者的全身。系統10也可以包括可操作地調節床82的位置的驅動系統86。驅動系統86 可以通過計算機74控制。在圖2和圖3中圖示的計算機74包括用于運行多種軟件程序和/或通信應用的操作系統。特別地，計算機74可包括運行以與放療治療系統10通信的軟件程序90。計算 機74也包括適合于由醫療人員訪問的任何合適的輸入/輸出裝置。計算機74可包括例如 處理器、I/O接口和存儲裝置或存儲器的典型的硬件。計算機74也可包括例如鍵盤和鼠標 的輸入裝置。計算機74還可包括例如監視器的標準輸出裝置。另外，計算機74可包括外 圍設備，例如打印機和掃描儀。計算機74可與其他計算機74和放療治療系統10聯網。其他計算機74可包括另 外的和/或不同的計算機程序和軟件，且不要求與在此所述的計算機74相同。計算機74 和放療治療系統10可與網絡94通信。計算機74和放療治療系統10也可與數據庫98和 服務器102通信。應注意的是，軟件程序90也可以居于服務器102內。網絡94可根據 任何網絡技術或拓撲或多種技術和拓撲的組合構建，且可包括多 個子網絡。圖3中示出的計算機和系統之間的連接可通過局域網(“LAN”)、廣域網(“WAN”)、 公共交換電話網(“PSTN”)、無線網絡、企業內部互聯網、國際互聯網或任何其他合適的網 絡形成。在醫院或醫療護理設施中，圖3中示出的計算機和網絡之間的通信可通過健康信 息交換第七層協議(Health Level Seven) ( “HL7”)協議或帶有任何版本的其他協議和/ 或其他要求的協議進行。HL7是標準協議，它規定了來自不同的銷售商的兩個計算機設施 (發送器和接收器)之間的用于醫療衛生環境中的數據交換的接口實施。HL7可允許醫療 衛生機構交換來自不同的應用系統的關鍵數據組。特別地，HL7可限定待交換的數據、互換 的時間和向應用程序發送通信錯誤。格式一般在本質上是普通的，且可構造為滿足所涉及 的應用的需要。圖3中示出的計算機和系統之間的通信也可以通過帶有任何版本和/或其他要求 的協議的醫學數字圖像通信標準(DICOM)協議來進行。DICOM是由NEMA開發的國際通信標 準，它限定了用于在不同的醫療設備之間傳輸醫學圖像相關的數據的格式。DICOM RT指特 定用于放療數據的標準。圖3中的雙向箭頭一般表示圖3中示出的網絡94和計算機74和系統10 二者中 任一個之間的雙向通信和信息傳輸。然而，對于一些醫療設備和計算設備，可能僅需要單向 通信和信息傳輸。軟件程序90包括多個相互通信以實施放療治療過程的功能的多個模塊。各個模 塊相互通信，以確定是否按意圖發生放療治療的傳送。軟件程序90包括治療計劃模塊106，所述治療計劃模塊106可操作地基于醫療人 員向系統10的數據輸入生成用于患者14的治療計劃。數據包括患者14的至少一個部分 的一個或多個圖像(例如，計劃圖像和/或治療前圖像)。治療計劃模塊106基于醫療人員 輸入的處方，將治療分為多個分次且確定用于每個分次或治療的放射劑量。治療計劃模塊 106也基于圍繞靶位38繪制的多種輪廓確定靶位38的放射劑量。在相同的治療計劃中可 存在且包括多個靶位38。軟件程序90也包括患者定位模塊110，所述患者定位模塊110可操作地對特定治 療分次相對于機架18的等中心定位和校準患者14。當患者處于床82上時，患者定位模塊 110獲得患者14的圖像且將患者14的當前位置與患者在參考圖像中的位置進行對比。參 考圖像可以是計劃圖像、任何治療前圖像或計劃圖像和治療前圖像的組合。如果患者的位 置需要調節，則患者定位模塊110向驅動系統86提供指令以將床82移動，或可手工移動患者14到新位置。在一個構造中，患者定位模塊110可從定位在治療室內的激光器接收數 據，以提供相對于機架18的等中心的患者位置數據。基于來自激光器的數據，患者定位模 塊110向驅動系統86提供指令，所述驅動系統86移動床82，以實現患者14相對于機架18 的正確配準。應注意到的是，除了激光器之外的裝置和系統可用于向患者定位模塊110提 供數據，以幫助配準過程。患者定位模塊110也可操作地檢測和/或監測患者在治療期間的運動。患者定位 模塊110可以與例如X射線、室內CT、激光定位裝置、照相系統、肺活量計、超聲波、拉力測 量、胸帶等的運動檢測系統112通信或合并所述運動檢測系統112。患者運動可以是不規則 的非預期的運動，且不需要按照平滑或可重復的路徑。軟件程序90也包括治療實施模塊114，所述治療實施模塊114可操作地指令放療 治療系統10根據治療計劃對患者14實施治療計劃。治療實施模塊114可生成且傳輸指令 到機架18、直線準直器26、調制裝置34和驅動系統86，以將射線傳送到患者14。指令將機 架18、調制裝置34和驅動系統86的必需的移動協調，以將放射束30按治療計劃所規定以 正確的量輸送到正確的靶位。治療實施模塊114也計算待輸送的放射束30的合適的圖案、位置和強度，以匹配 按治療計劃規定的處方。放射束30的圖案由調制裝置34生成，且更具體地通過多葉式準 直器的多個葉片的移動生成。治療實施模塊114可利用規范、預定或模板的葉 片圖案以基 于治療參數生成用于放射束30的合適的圖案。治療實施模塊114也可包括用于典型情況 的可訪問的圖案庫，以比較當前患者數據以確定用于放射束30的圖案。軟件程序90也包括反饋模塊118，所述反饋模塊118可操作地在患者治療期間從 放療治療系統10接收數據。反饋模塊118可從放療治療裝置接收數據且可包括涉及患者 透射、離子室數據、MLC數據、系統溫度、部件速度和/或位置、流量等的信息。反饋模塊118 也可以接收關于治療參數、患者所接收的放射劑量的量、在治療期間獲得的圖像數據和患 者移動的數據。另外，反饋模塊118可從使用者和/或其他源接收輸入數據。反饋模塊118 獲取且存儲數據直至進一步的處理所需。軟件程序90也包括分析模塊122，所述分析模塊122可操作地分析來自反饋模塊 118的數據，以確定治療計劃的實施是否按意圖發生，且基于新獲取的數據驗證計劃的實施 是否合理。分析模塊122也可基于接收到的數據和/或另外的輸入數據確定是否在治療計 劃實施期間發生問題。例如，分析模塊122可確定問題是否涉及放射治療裝置10的錯誤， 解剖錯誤，例如患者移動，和/或臨床錯誤，例如數據輸入錯誤。分析模塊122可檢測放射 治療裝置10中涉及床82、裝置輸出、機架18、多葉式準直器62、患者設定以及放射治療裝置 10的部件之間的定時的錯誤。例如，分析模塊122可確定在計劃期間是否進行了床的更換， 固定裝置的使用是否正確且是否在計劃期間被考慮，治療期間位置和速度是否正確。分析 模塊122可確定放射治療裝置10的輸出參數是否發生了改變或變化。對于機架18，分析模 塊122可確定機架18的速度和定位中是否存在錯誤。分析模塊122可接收數據以確定多 葉式準直器62是否準確運行。例如，分析模塊122可確定葉片66是否在正確的時間移動， 任何葉片66是否伸出到位，葉片的定時是否被正確地標定，且葉片調制圖案是否對于任何 給定的治療計劃是正確的。分析模塊122也可對于任何給定的治療計劃驗證患者設定、方 位和位置。分析模塊122也可驗證機架18、床62、直線加速器26、葉片66之間的定時是否正確。軟件程序90也包括用于將由放射療法治療系統獲取的圖像進行分割的分割模塊 126。分割模塊126可以是獨立運行的軟件模塊，或可以與治療計劃模塊106、患者定位模塊 110、治療實施模塊114、反饋模塊118或分析模塊122整合。然而，分割模塊126可以存儲 在計算機74上且由計算機74實施，或可以存儲在數據庫98上且通過網絡94訪問。 在圖 4中示出的實施例中，分割模塊126標示為分析模塊122的部分。分割模塊126將在圖像中為組織和器官確定輪廓的任務自動化，以建立放射治療 計劃。概括而言，分割模塊實行5層分級(圖5)的分割步驟，即首先單獨地分析每個圖像 元素(圖像元素或體素層128)，然后共同地分析鄰域或圖像元素組(鄰域層132)，將鄰域 或圖像元素組結合為組織群組(組織層136)，然后結合為器官(器官層140)且最后結合為 器官系統(系統層144)。5層分級步驟將基于法則的、基于圖譜的和基于網格的解決方案 組合為分割，以實現解剖結構的識別和描繪，因此限定完整的圖像以及圖像內的細節。這樣 的結構(其中局部決定由全局特征支持)在解決例如當圖像之間或圖像切片之間存在不一 致的直腸內容物時可能遇到的不一致的分割或圖像結果中是有益的。分級中的第一步是獨立地與其周圍環境無關地分析每個圖像元素。分析稱為圖像 元素層或體素層128，且涉及概率結構，其中每個圖像元素處的CT強度值被視作獨立的統 計事件。此分析中的第一步是確定患者身體的外邊界，且從圖像中消除患者身體之外的床 和空氣。分割模塊計算掩碼，所述掩碼用于限制5層分級的所有隨后處理僅發生在身體內 或關注區域(ROI)內。這通過分析和顯示僅相關的信息而節約了處理時間且避免了混淆。 通過進行雙峰直方圖分析以發現將身體與背景分開的閾值水平來發現R0I。通過將CT數值 高于此閾值的任何圖像元素賦值1且將所有其他圖像元素賦值0來生成二進制掩碼。在將 此閾值應用于CT掃描后，例如閉(膨脹且腐蝕二進制掩碼)和開(腐蝕后膨脹)的形態運 算以及連接部分分析(CCA)用于填充任何孔且去除可剩余閾值的任何孤立的斑點。圖6顯 示了這些步驟之后的中間結果。CCA使用回歸搜尋非常有效地計算。連接部分的定義是一組圖像元素，其中每個圖 像元素連接到組內的其他圖像元素。結果是如下圖像，即其中圖像元素已被標識以指示了 該圖像元素屬于哪個區域的指標，如在圖7中示出。此圖像然后可被有效地分析以進行多 種運算，例如計數每個“島”的面積，去除小于給定最小面積的島，選擇最大的島等。然后使用貝葉斯(Bayesian)分類，將圖像元素置于統計分析結構中，以形成關于 每個圖像元素所代表的組織的統計推斷。給定一組競爭假設H，和一組數據d，選擇出最好 地擬合數據的假設hMP。在放療計劃中，假設組H是組織類型(例如，空氣、脂肪、肌肉、血管、 骨骼)的組。數據d是CT圖像強度值。在每個圖像元素處執行選擇勝出假設的過程，且該 過程通過計算每個組織類型的后驗概率且選擇與最大后驗概率(MAP)相關的類型而得到。 貝葉斯法則允許將未知的后驗概率P (h |d)計算為兩個已知量-可能性ρ (d I h)和先驗概率 P (h)_的乘積。h腳=argm^ p{h | d)^map p(d | h)*p(h) 可能性表達了當特定假設為真時觀察到一定數據的機會。先驗值表達了在觀察數據之前的已知情況。可能性和先驗值可從一組練習數據中估計。可能性ρ (d |h)是假定一定類型的組織時CT數值將成為一定值的概率。合適的是 使用高斯分布來對圖像噪聲建模，因此在此應用中可能性將是高斯概率分布函數(PDF)。分 布參數，即均值和方差可從練習數據中測量到。圖8顯示了這樣的測量的結果。曲線134 表示空氣，曲線138表示脂肪，曲線142表示肌肉且曲線146表示骨骼。在不存在練習數據時，每個組織類型的均值和方差可從CT掃描的直方圖中粗略 地估計。直方圖是可能的CT值的范圍與帶有該值的圖像元素的個數之間關系的曲線圖。分 割模塊126首先將脂肪和肌肉的組合峰與空氣和骨骼的組合峰分開，且隨后將脂肪與肌肉 分開。直方圖中固有地不僅給出可能性(控制每個峰的中心和寬度)，而且給出先驗值(給 出峰的高度的比例)。先前的部分的概率密度被估計而非被確定。給定密度的一般形式(高斯)，則其控 制參數可被估計，以最大化觀察到的數據的可能性。然而，如果存在丟失、隱藏或由潛在的 隨機變量表示的數據，則難于最好地估計概率密度，因為不能計算不可見數據的可能性。替 代地，分割模塊126計算期望的值，且將此期望值最大化。此過程稱為期望值最大化(EM)。
分割模塊126應用EM以改進貝葉斯分類的結果。可見變量是CT圖像強度，隱藏 變量是組織分類，且參數控制組織強度分布。這形成了自適應分類，它在分割之間使用統計 模型(每個類型的均值和方差)迭代，且基于先前的分割再估計模型。在圖9中描繪了這 兩個步驟，即E步驟和M步驟。過程的每個迭代改進了統計模型和先前的分割結果之間的 收斂性。對于CT數據，經驗證據表明3次迭代內具有滿意的收斂。為使得模型參數的估計更穩健，M步驟的實施優選地忽略預期包含部分體積偽影 的圖像元素。所述情況包括被骨骼包圍的圖像元素，因為骨髓強度可能在CT掃描中貌似肌 肉和脂肪。類似于可能性，先驗值ρ (h)可直接從練習數據中測量。例如，給定組織類型的先 驗概率可通過計數組織類型的情況且然后將其除以圖像元素的總數來計算。這樣的先驗值 稱為靜態先驗值。替代地，空間變化先驗值(SVP)表達了每個組織類型在給定的空間位置處發生的 概率。SVP是用于在此結構內分割的統計概率圖譜的一個成分。通過在總體內將所有CT 掃描配準由練習數據來計算圖譜。這些校準的掃描的平均值是均值圖像。SVP通過在每個 圖像元素位置處將其中出現組織的掃描的個數相加而生成。為了作為概率，將計數歸一化， 使得所有類的總數等于“1”。由一系列前列腺情況構成的SVP的例子在圖10中示出。圖 10中示出的圖框表示了均值圖像(左上)、空氣概率(上中)、脂肪概率(右上)、肌肉概率 (左下)和骨骼概率(右下)。在實踐中，考慮到穩健性，由小的練習組構建的SVP可能需 要與靜止先驗(SP)混合。在所示出和描述的實施例中，分割模塊126使用90/10的SVP/ SP的比值。在一個實施例中，圖譜可基于治療前、治療期間或治療后獲取的新患者數據被修 改。此外，對于任何給定圖像元素建立的概率可基于治療前、治療期間或治療后獲取的新患 者數據或患者特定數據被修改。此患者特定數據可包括千伏CT、兆伏CT、MRI或PET掃描。 為使用新CT掃描修改SVP，掃描首先被分割，且然后被包括在以上所述的平均化過程中，其 中新掃描被賦予有利的權重。加權平均的最極限的情況是完全忽略總體，而為新掃描賦予 完全的權重。例如，患者的千伏CT可單獨用于生成使用在患者兆伏CT分割中的SVP。對此，一個實現方式是將千伏CT分割以產生用于每個組織類型的二進制掩碼(O和1)，然后例 如使用高斯平滑將每個掩碼模糊且將結果歸一化，使得所有掩碼的總和在每個體素位置處 為1。另一個方法是根據空間位置通過多個量進行模糊。例如，預期在直腸附近處每日之間 具有更多的解剖改變。這樣的空間變化的改變能夠從練習數據的定性估計或定量測量中導 出。為測量隨時間的改變，練習組可包括對于總體內每個患者的多個連續獲取的掃描。在能夠應用SVP或任何圖譜成分前，必須首先將其與待分析的CT掃描校準。因此， 分割模塊126通過擬合骨骼曲線實時地將圖譜與CT圖像校準。骨骼曲線是代表了骨骼的 切片內的圖像元素數與切片數的關系的曲線圖。使用骨骼曲線足以發現上-下和前-后方 向上的平移。圖11圖示了用于前列腺圖像數據的典型的骨骼曲線。用于身體的其他部分 的骨骼曲線當然將不同。在左-右方向上的平移(由于需要定中在CT掃描儀內，所以幾乎 總是零)和左-右方向上的比例可從身體ROI的界定方框一般地計算。分割步驟的分 割模塊分級的第二層將每個圖像元素考慮為位于其直接鄰域內。步 驟一般地稱為鄰域層132，且嚴格地基于視覺信息而非空間信息解決了圖像元素分類后剩 余的一些殘留不確定性。鄰域層132計算了稱為對象的連續組織部分的特性，從而在組織內不留存錯誤的 孔。換言之，過程做出了關于組織分塊均質的假設。效果是降低了圖像內的噪聲。鄰域層132中的第一步是使用稱為馬爾可夫隨機場(MRF)的概率模型引入前后約 束。MRF系統地使用了推理原則而特別地使用非啟發式原則，以方便地對圖像元素之間的影 響建模。換言之，MRF將圖像元素相對于其他圖像元素的聯合概率分布進行建模。分割模 塊126將圖像元素分類的可能性以條件概率分布P(Wi |ws_{i})的形式進行建模，所述條件概 率分布將給定的圖像元素Wi的分類與其周圍環境(圖像中每個另外的圖像元素)ws-{i}相關 聯。馬爾可夫性通過斷定變量的強度在所有其他位置處等于其僅在其相鄰位置上的相 關性而允許使計算易處理。數學上，這表示為P(Wi|Ws_{i}) =Ρ | Μ)。在一系列數學推導后，凈效果是先驗概率變得分解為單件先驗值和鄰域先驗值的 乘積。分割模塊實施平均場近似作為優化MRF的方法。這可以概念化為類似于將組織概率 事后平滑，使得表現為不類似于其相鄰圖像元素的圖像元素可仍同屬于其相鄰圖像元素。 將高級別信息傳遞到低級別信息的有效方式是將第二層的MRF嵌入到第一層的EM迭代中。 圖12圖示了使用三個平均場近似的迭代的鄰域層的效果。圖12中的左示了圖像元素 分析步驟的結果而不應用空間變化先驗值。圖12的中圖示出了當包括空間變化先驗值時 的結果。圖12的右圖示出了在分析中包括馬爾可夫隨機場后的結果。分割模塊126的鄰域層132也修正了圖像中的部分體積偽影。部分體積偽影(PVA) 當超過一個類型的組織存在于單獨的圖像元素位置處時發生。結果是未分類的圖像元素或 錯誤分類的圖像元素。例如，脂肪的CT強度值跨越了空氣和肌肉的CT強度值，因此部分包 括空氣且部分包括肌肉的圖像元素可能貌似脂肪。分割模塊126根據基于如下法則的邏輯通過分析每個圖像元素的直接鄰域修正 了 PVA。首先，其值小于(脂肪平均值_(脂肪標準差)乘以3)的量的骨骼圖像元素被分 類為空氣。然后，其值大于(骨骼平均值+(骨骼標準差)乘以3)的量的未分類的圖像元 素被分類為骨骼。然后，身體邊界上的圖像元素被賦予其最高標記的相鄰圖像元素的標記。 邊界圖像元素限定為其分類與其相鄰圖像元素中的任何圖像元素不同的圖像元素。然后，與空氣相鄰的未分類圖像元素被分類為空氣。如果所述未分類圖像元素不與空氣相鄰，則 它們另外地被分配到其最普遍的相鄰圖像元素的類別。此外，與空氣和肌肉都相鄰的脂肪 和骨骼圖像元素被分類為空氣。此法則關于其中需要改進直腸和空氣之間的邊界的前列腺 掃描最適用。由分割模塊126執行的步驟的分級中的第三層是組織層136。組織層136實現所 有處理而不考慮器官的特定的認知或分析，但與僅進行圖像元素或圖像元素鄰域分析相比 合并了更廣泛的前后關系。組織層136使用了應用于每個體素的基于法則的邏輯分析以修 正由于分割的先前層導致的誤差。雖然法則一般地描述如下，但它們能夠基于在治療前、治 療期間或治療后獲取的新的患者數據或患者特定數據(如上所述)而被修改。來自先前層 128、132的誤差可能由于在所述層128、132中所執行的分析的窄的聚焦導致。分割模塊126的組織層136首先使用已從分割圖像中獲得的認知來改進身體R0I。 例如，希望去除位于身體外周上的空氣包，例如耳中的空氣包。由分割模塊126執行的如下 步驟將身體ROI縮去與之臨界的空氣 1)通過將用于身體的掩碼反轉得到空間的掩碼。2)改變空間的掩碼以僅表達空間的輪廓而非內部(通過識別邊界圖像元素)。3)使用CCA發現身體內的空氣島。4)生成與空間的掩碼相鄰的空氣島的列表。5)構建包括島列表中所有島的掩碼。6)從身體ROI中減去掩碼。分割模塊126的組織層136也完成了在圖像中限定皮膚的任務。皮膚是從早期的 貝葉斯分類中排出的組織，因為皮膚的CT強度與肌肉的CT強度重疊。分割模塊基于皮膚 的空間位置識別皮膚。首先，作為身體輪廓的組成部分的所有圖像元素被分類為皮膚，因此 形成了圍繞身體圖像的外部的封閉表面。然后，接近表面的任何非脂肪圖像元素也被分類 為皮膚。在分割過程中皮膚的識別使用距離變換進行。給定二進制掩碼，計算距離變換以 將每個圖像元素的概率值以其距掩碼邊界的以毫米為單位的距離來替換，如在圖13中示 出。最大距離是算法參數，用于鉗定否則將延伸超過最大值的任何距離。在圖13中示出的 灰度圖像中，值越亮，則圖像元素距輪廓150的距離越遠。為分割皮膚，最大距離設定為特定的毫米數。然后使用閾值進行距離變換的計算， 以生成表面的最大距離內的所有圖像元素的R0I。然后，將此ROI內分類為組織而非脂肪 (即，空氣、肌肉或骨骼)的任何圖像元素改變為皮膚。最后，使用CAA填充皮膚體積內側的 任何孔。分割模塊126的組織層136然后執行填充圖像內的骨骼內部的步驟。骨髓的CT 強度值可能類似于脂肪或肌肉，從而導致需要按如下方式填充骨骼內部。首先，分割模塊126構建至此被分類為骨骼的圖像元素的掩碼，將此掩碼膨脹且 然后腐蝕(形態閉合運算)，且使用CCA填充骨骼區域內側的任何孔(分類為非骨骼的圖像 元素)。骨骼填充步驟的結果在圖14中示出。鄰域層的MRF后的結果在圖14中的左側上 的圖中示出，且分割步驟的分級的組織層的骨骼填充步驟完成所導致的圖像在圖14中右側上的圖中示出。圖14中右圖示出了最終結果，空氣為154，脂肪為158，肌肉為162，骨骼 為166且皮膚為170。分割模塊126的組織層136然后執行將骨骼組織再分為多個類型的骨骼的步驟。 每個標識為骨骼組織的體素被再標識為屬于多個特定骨骼之一，且非骨骼體素保留不變。 骨骼識別的過程在能夠以高置信度度作出識別的切片上開始，且通過從一個切片到另一個 切片跟蹤骨骼對象來進行。跟蹤過程檢查與來自先前切片的目標對象的重疊，且監測何時 一定的對象分離或與其他對象合并。此過程將在圖24、圖25和圖26中一般地圖示，所述 圖24、圖25和圖26示出了通過切片從尾端向頭端的進程。參考圖24，左上圖像示出了兩 個股骨174、178的初始識別。在左下圖中，坐骨182、186的尾端首先出現。在右上圖中，右 坐骨186分為恥骨190。在中右圖中，兩個坐骨182、186已分為恥骨190，且在右下圖中，左 恥骨和右恥骨已合并在一起。圖25示出了切片的從坐骨182、186和股骨174、178合并為 髖194(左上)到坐骨改變為髂骨198、202(右下)的進程。圖26中示出的幻燈片繼續了 坐骨182、186分別改變為雙側髂骨198、202(左上)而髂骨198、202然后與尾骨206連接 的進程。髂骨198、202在一側(左下)上且然后雙側(右上)轉變為骶骨210。圖26中的 右下方格示出了作為一系列黑斑214的鈣化物。跟蹤從能夠以最高置信度發現股骨174、178之處開始。分割模塊126必須確定此 切片。模塊在分割分級的器官層(下文中描述)中遇到類似的問題，其中模塊必須確定能 夠以最高置信度識別出肌肉、腺體或其他器官的切片。一旦結構已在初始切片上被識別，則 分割在向尾端和向頭端的一個或兩個方向上通過切片進行。雖然實施的細節隨每個器官不 同，但解決方案在此一般地描述。一個方法是通過與5層分割分級中早期執行的解剖圖譜 配準來導出初始切片。例如，對于前列腺情況的解剖圖譜范圍，可限定為使得最尾端(解剖 上在下方)的切片包含股骨的橫截 面。另一個方法是從界標導出初始切片。例如，腹肌可 容易地從其在恥骨的最上方切片前方的位置識別出，且可從此切片在頭端方向上進行。另 一個方法是通過如下方式來搜尋初始切片，即粗略地分割每個潛在的切片，且然后為每個 切片賦予置信度得分且選擇帶有最高置信度的切片。例如，其上前列腺具有最大且最簡單 的待分割橫截面的切片預期為位于如下切片附近，即在所述切片上左右恥骨都與左右坐骨 合并(如在圖25的左下圖中描繪)。然而，不總是如此嚴格的切片，因此必須考慮切片的范 圍。對于給定切片的置信度得分被計算為粗略地分割的對象在此切片上實際上就是靶位結 構的概率。為有效地計算此概率，在此限定結構的一些特征或識別特征。特征可包括結構 的位置、面積、縱橫比、方位或橢圓可很好地擬合到此結構的程度。每個特征具有與之相關 的可能性。可能性是假定對象是關注的特征時表達特征的值的概率的概率分布函數(PDF)。 基于貝葉斯法則，對象是關注的結構的概率可隨后表達為與可能性的乘積成比例。可從經 驗估計或從手工分割的練習數據的測量來確定可能性PDF。考慮將此方法應用于發現股骨跟蹤的初始切片的問題。在此情況中，將特征選擇 為對象的面積、縱橫比、旋轉角度和對象的橢圓程度。可能性PDF是從數個手工分割測量的 高斯分布。圖17描繪了帶有小概率(右側)和大概率(左側)的切片。圖17中的頂部的 圖像示出了骨質對象216和擬合的橢圓218。對于符合股骨中間的期望，左側的切片比右 側的切片具有高得多的值。圖17的底部部分圖示了置信度得分在切片間從上到下的曲線。 一旦發現，此“初始股骨切片”被存儲在信息文件中，以隨后約束處理使之需要不向下延伸而超過此切片，即延伸到其他切片。當此方法應用于股骨之外的其他器官時，除“最佳擬合” 切片之外的每個切片通過從“最佳擬合”切片向尾端或向頭端傳遞信息而被再分割，以從在 分割中存在高置信度得分的區域向存在較不確定性的區域前進。在骨骼跟蹤步驟完成后(見圖26)，任何剩余的骨骼組織被劃分為骨盆或斑點。斑 點是小于一立方厘米體積的骨質對象。它們可隨后被分類為植入的基準標志。在識別骨骼后，可更好地描繪骨骼的邊界。這通過擬合活性輪廓(或可變形的三 維網格)完成，所述活性輪廓力圖平滑地擬合彎曲的邊界。此過程在圖27至圖29中一般 地圖示。在圖27中，左側方格示出了一般地識別出每個對象220所處的位置處的結果。右 側方格圖示了在改進時骨質對象的邊界222如何改變。
骨骼描繪的過程在圖28中描述。對于本領域一般技術人員，存在許多已知的活性 輪廓的不同實施。一個方法是沿內部輪廓在間隔處分配頂點。初始輪廓是所識別的骨骼的 輪廓。在每個頂點處，將法向量計算為從已識別的對象指向外且垂直于輪廓的單位向量。圖 28將法向量顯示為帶有箭頭尖端的小直線。在每次迭代時，頂點在虛擬力的影響下移動。 要求輪廓維持封閉(輪廓不能自身交叉或斷開)。在每次迭代時，沿輪廓在相繼的頂點已延 伸開過多的任何處插入新的頂點，且在相鄰的頂點緊密擁擠在一起的任何處刪除頂點。控 制頂點移動的力具有內部和外部分量。內部力力求通過最小化曲線的曲率而維持平滑的 曲線。這在數學上等價于引導每個頂點在其向外定向的表面法向量的相反的方向上向內步 進。外部力力求向圖像中的特征驅動頂點。特征可以直接計算為定位了頂點的體素處的圖 像梯度幅度。替代地，特征可以限定為曲線，或CT強度越過一束圖像體素的曲線圖。圖28 中示出的直線226實際上是在表面法向量的方向上投射的這些束的位置。使用互相關將曲 線與預定的特征曲線進行比較。特征被搜尋為隨骨骼的類型和沿骨骼輪廓的位置變化。特 征的類型可包括窄的骨骼邊界(曲線上強度的尖銳峰值)，寬的邊界(寬的峰值)，或階梯 狀邊界(節約函數)。除發現特征外，也計算所發現的特征的強度。兩個因素影響強度相 關程度和特征的鄰近性。特征的強度影響相對于為內力給定的權重而賦予外力的權重。在 未發現圖像特征的極限情況下，平滑性變成唯一的驅動因素。一些輪廓或網格同時調校。在圖29中，恥骨的輪廓230在左側對于一個迭代調校， 而在右側禁止在恥骨的輪廓230上步進。然后，兩個角色逆轉，使得在右側上輪廓不能在左 側上的區域上步進。此過程對于每個迭代重復。在骨骼描繪之后，組織層136的最后的步驟是在非骨骼組織內再次執行前兩層 128、132。這實現了兩個目標將先前被認為是股骨的體素分類，且可在邊沿上改進結果，因 為EM算法的隱藏的變量(組織分類)變得更好地理解。如果處理時間成問題，則前兩層的 再運行可限制為僅發生在那些最初被分類為骨骼而直至通過骨骼邊界描繪的步驟被修正 的體素上。當前后關系從局部(體素層128)擴展到一般(系統層144)(圖5)時，分割過程 的計算復雜性指數地增加。因為分割分級的每個相繼的層在分析范圍上增加，所以也降低 了每個圖像元素所持有的信息的條數。例如，圖像元素層128考慮CT掃描強度、圖譜掃描 強度和預分類圖譜空間變化先驗值(SVP)概率。鄰域層132將預分類后驗概率相加，但將 圖譜和強度信息從考慮中去掉。組織層136通過對于大部分停止考慮概率轉而聚焦在組織 層標記上來繼續此趨勢。
由分割模塊126執行的分級步驟中的第四層是器官層140。類似于組織層136，器 官層140也關注組織分類標識。器官層將不同的體素分類分組在一起，以形成或識別器官， 例如將空氣和肌肉組合以形成直腸的內部。器官層140也可以將單獨的組織分為不同的器 官或器官的部分，例如將髖分為髖球、股骨和坐骨。器官層140的最初目標不是精確地確定 器官邊界，而是執行識別步驟以設定邊界描繪的階段。在器官層140中的步驟之一是將幾何圖元擬合到圖像對象。回想起CCA的輸出是 其中每個連接部分或“島”被賦予唯一的標識的圖像。如在圖15中示出，肌肉組織一旦從 其他組織中取出(在圖15中左側上的圖中示出)則被CCA分析，以將每個連接部分(或島 或對象)234賦予唯一的彩色(在圖15中右側上的圖中示出)。這些島被稱為圖像對象。 應用基于法則的邏輯來執行基于這些島的特性的推理。這些特性包括環境特性和定量測量 值。環境特性的例子包括圖像對象相對于其他圖像對象的位置，和與其他圖像對象面對面 的相對位置，以確定相鄰的是哪些圖像對象。定量測量值的例子包括圖像對象的面積、長 度、周長和平均值。也可使用其他參數。為執行與上文剛描繪相反的識別，需要維持“大圖片”透視且避免變成被細微的細 節分神。因此，分割模塊126通過將形狀模型擬合到圖像對象而將特征平滑。形狀模型包 括一個或多個幾何圖元，包括圓、橢圓、實心圓、實心橢圓、實心橢圓體、實心的四分之一圓、 直線等。存在多種用于實現此平滑的技術。第一例子是基于在對象的組成圖像元素的坐標上進行主成分分析(PCA)來將實 心橢圓或橢圓體擬合到對象。另一個例子是將空心橢圓擬合到對象的邊界。另一個例子是 通過計算圖像對象的距離變換且然后發現帶有最大距離值-即圖像元素的半徑-的圖像元 素來將有限的圓或球擬合到圖像對象的內部。其位置是圓或球的中心。再另一個例子是將 有限的橢圓擬合到圖像對象的內部，這通過將橢圓初始化到內部圓且然后通過可能的角度 范圍[90，-90]迭代兩次搜尋來實現。對于每個角度，處理步驟為從中心沿橢圓的主軸發 現任何方向上的邊界，將中心移動到中點，且沿橢圓的副軸重復。再另一個例子是通過獲取 圍繞圖像對象的正方形邊界方框來擬合直線，將此區域旋轉每個可允許的角度，沿坐標軸 投影，且測量其品質。再另一個例子是通過直線回歸來擬合直線。在另一個實施例中，如果希望具有比通過簡單幾何圖元提供的自由度更多的自由 度，則可利用更復雜的對象參數化，例如樣條、蛇形以及合并了基于形狀的先驗值的水平設 定方法。在處理中的此階段時，在圖像分割過程中已積累的認知不僅是對于每個圖像元素 的組織分類標識集合。例如，存在稱為器官關注區域(ROI)的圖譜成分。為對于每個器官 生成此圖譜成分，此器官的分割被轉化為二進制掩碼。在練習組中每個掃描的掩碼重疊以 完成器官R0I。因此計算的器官ROI用于限制在哪里搜尋每個器官。也存在從M步驟估計 的概率分布，即通過貝葉斯分類計算的事后概率，實時或“運行中”地相對于界標計算的數 個中間ROI以收窄搜尋空間，圖像數據沿坐標軸的投影以用于快速描述外形，多種解剖區 域的切片范圍，和多種界標的物理坐標，特別是骨質結構的物理坐標。所有不能以圖像形式 存儲的信息被存儲在表內，所述表可作為ASCII文件寫入在磁盤上或從磁盤讀取。這稱為 信息文件。器官層140也利用界標將組織分組在一起以形成器官。界標是骨架，由它在圖像中構建目標結構。在最終分割中不需要的器官或器官部分可作為發現必要的器官的過程的 部分被分割。例如，分割模塊126的器官層140在發現前列腺242前將閉孔內肌238分割， 如在圖16中示出。這避免了錯誤地允許前列腺側向“泄漏”到這些肌肉內。如在圖16中 示出，在分割尾骨、肛提肌、左和右骨盆底、前列腺、靜脈從和陰莖球之后，所有圍繞直腸的 結構已被識別，從而實際上將發現直腸的問題降低為刪除過程。因此，一系列界標類似于一 系列骨架級。更具體地，圖16圖示了分割分級的組織層136完成的結果(在左側上的圖中示 出)和器官層140完成的結果(在右側上的圖中示出)。圖16示出了空氣246、脂肪250、 肌肉254、皮膚258、尾骨206、髖球262、坐骨182和186、閉孔內肌238、盆底266、腹肌268、 直腸270、膀胱274和前列腺242。如下的描述使用前列腺區域作為分割模塊126如何使 用界標來構建靶位結構的特定的例子。相同的過程可用于在圖像內限定或構建任何靶位結 構，或從患者的任何其他成像區域限定或構建靶位結構。雖然圖像元素層的EM分割計算了控制肌肉組織層的高斯分布的參數，但可使用 任何ROI內側的局部精度按如下方式再次計算參數1)通過去除任何不希望的組織(例如，斑點和空氣)改進R0I。2)計算此ROI內側的CT強度值的直方圖。
3)使用雙峰直方圖分析來計算閾值。4)實施閾值以選擇ROI內側的所有希望的組織。5)進行腐蝕以避免部分體積偽影。6)測量已腐蝕的掩碼內的CT強度值的均值和方差。7)在信息文件中存儲這些參數，用于隨后使用在分割器官和軟組織界標中。一般地，進行類似的步驟次序以用于識別每個肌肉和器官。雖然每個步驟的詳述 的邏輯隨每個特定的器官不同，但一般的框架如下1)生成限定了每個空間的R0I。2)使用ROI生成候選組織的域。3)在域內識別最好地匹配期望的對象(例如，與先前的切片上的對象重疊)。4)將形狀模型擬合到對象。5)將形狀參數在所有切片上平滑。6)通過協調形狀和圖像數據來改進對象邊界。作為此六步次序的例子，考慮跨過前列腺的閉孔外肌。圖18圖示了生成ROI 130 的結果，所述ROI 130通過基于法則的邏輯分析實現。更確切地，在骨骼的頂點之間劃出直 線278以通過骨骼或直線在所有側上界定ROI。一個直線將右坐骨的底部連接到左坐骨的 底部。第二直線將右坐骨的頂部連接到右坐骨的底部。第三直線將左坐骨的頂部連接到左 坐骨的底部。下一個步驟是將此單獨的ROI分為兩個雙側R0I。為實現此目的，在結構貌 似交叉時的情況中力求劃出將肌肉從前列腺分離的直線。為穩健性原因，使用兩個不同的 方法劃出這些直線，且然后將結果組合。首先，在骨質界標之間劃出直線，其方式與希望肌 肉組織連接到骨骼相同，如在圖19中對于不同的切片描述。在其中不存在恥骨190的切片 上，劃出直線282以將坐骨182、186的頂部內尖端連接到如下點，該點通過在底部內尖端開 始且逐步向內直至發現和脂肪之間的邊界時被發現。在其中存在恥骨190的切片上，直線的頂部頂點是恥骨190的下側的中心而非坐骨182、186的頂部內尖端。為改進穩健性，劃 出直線的替代的方法也通過將直線294擬合到薄的脂肪管道到將這些肌肉從前列腺分離 的程度來執行。這些擬合的直線294在圖20中示出，且它們通過在CT圖像中搜尋如下直 線而被發現，即沿所述直線所經過的體素元素的總和最小。直線參數的平滑性(位置和方 位)在切片間被加強，這有助于解決歧義的情形。通過使用任何行中最側向的直線將兩個 類型的直線組合，以產生圖21中示出的結果。在此ROI中，形狀模型(在此情況中是橢圓， 但在其他情況中，是多種二維或三維幾何形狀中的任何形狀)擬合到肌肉組織。此操作在 每個切片上分開地執行，且然后橢圓參數在所有切片上被平滑，從而產生在圖22的頂部圖 中示出的結果。最后，只要當肌肉和脂肪/骨骼組織之間的邊沿在附近時則通過將橢圓邊 界略微延伸改進了肌肉邊界，如在圖22的底部圖中示出。最終結果是不完整的橢圓。考慮當器官為前列腺時對器官如何完成步驟二(生成候選組織的域)。對于許多 器官/肌肉，此步驟僅簡單為從組織分割中在ROI內選擇標識為“肌肉”的所有體素。然 而，前列腺組織由于存在稱為“種子”的可植入的基準標記以及存在由其產生的稱為“信號 空白”的圖像偽影而是復雜的。種子位置處被分級的肌肉層標識為“骨骼斑點”。這在圖32 的頂部圖中可見，該圖示出了完整的切片(頂部左圖)和放大(頂部右圖)的組織層的結 果。簡單地在ROI內選擇肌肉組織將導致在圖32的底部左圖中示出的不正確的分割。因 此，ROI內的所有種子被從組織分割中選擇，如在圖32的底部右圖中示出。然后，它們被膨 脹以造成其中預期信號空白的區域，如在圖33的 頂部左圖中示出。在此特殊的“空白R0I” 中，閾值被執行為識別空白，如在圖33的頂部右圖中示出。在此空白ROI中任何標記為“空 氣”的組織被切換為“空白”。器官ROI內而非空白ROI外側的空氣被選擇且膨脹，使得將直 腸內的空氣從考慮中排除，如在圖33的底部左圖中示出。最后，前列腺“區域”被計算為 肌肉+種子+空白-空氣，如在圖33的底部右圖中示出。在另一個實施例中，以上所述的器官層的步驟四、步驟五和步驟六替代為基于對 于每個圖像元素計算的概率將解剖網格298(圖31)擬合到圖像元素上，以建立器官302的 期望的形狀(圖30)。解剖網格是表示了器官結構或其他解剖結構的虛擬模型。通過從相 同患者或其他患者的先前的掃描(或多個掃描)收集信息來建立所述解剖網格。網格通常 不包括對于網格內每個圖像元素存儲的數據。而是在優選的實施例中，僅存儲代表網格節 點或控制點306的數據。這是很少的數據組，然而它清晰地代表了器官的預期的形狀。如 在圖31中示出，控制點限定了結構的柵格表面。結構被放縮以匹配器官的尺寸，且網格節 點(控制點)基于對靠近節點的一個的每個圖像元素計算的概率被擬合到圖像元素。通過 基于靠近控制點的圖像元素調節控制點來將控制點擬合到分割的圖像。網格在擬合到器官 時維持其平滑性，且自動地協調器官邊界。最終，如同應用于組織層的解剖圖譜、用于計算 概率的法則和基于法則的邏輯分析，網格可現在基于治療前、治療期間或治療后獲取的患 者數據或患者特定數據修改。擬合到分割的初始網格可通過將總體進行平均計算而生成為“平均網格”。替代 地，網格可從來自器官層的步驟四的形狀模型生成。形狀模型包括每個切片上的幾何圖元。 例如，對于膀胱、直腸和陰莖球，模型可以是橢圓。對于前列腺，模型可以是切除了底部四分 之一的大的圓和位置上降低一些量的半徑為大圓半徑的一半的并排的兩個小圓。當不降低 時，所述兩個小圓不可見(包含在大圓內)，且當完全降低時，所述兩個小圓的半徑伸出到切除線下方。對于精囊腺，形狀模型可以為對于最尾部的一厘米為水平的橢圓，且然后分 裂為兩個橢圓，所述橢圓被允許傾斜(向內尖端向上移動)且相互且向下移開。圖34在數 個切片上對此進行展示。形狀模型可見為橢圓310，且來自器官層的步驟一的ROI 130也可 見在直腸270上方。通過在預期的切片范圍內將平均的圓擬合到直腸分割計算出拱形，所 述預期的切片范圍是前列腺頂部上方兩厘米。為進一步圖示器官層的六個步驟，作為例子考慮直腸。步驟一的ROI 130在圖35 中示出。步驟二的候選組織(在此情況中為直腸的空氣和肌肉)的區域在圖36的頂部左 圖中示出。最好地匹配從先前切片進行的分割的對象在圖36的底部左圖中示出。形狀模 型(在直腸的情況中是橢圓)在圖36的頂部右圖中示出。改進的邊界在圖36的底部右圖 中示出。在對于器官層的步驟四、五和六3D網格被替代的實施例中，使用幾何形狀模型用 于初始網格的應用通過圖37圖示，所述圖37的頂部圖在數個切片上以綠色示出，且所述圖 37圖的底部圖以綠色示出了最終分割。在檢查時，模型表現為是3D表面的合理的開始點。在一些情況中，前列腺的精確的邊界例如在MRI上更清晰，所述MRI可與CT融合。 即使在缺少MRI時，來自CT數據的描述了預期的前列腺的過分割的模型可用于修改簡單分 割(naive segmentation) 0此情況的另一個例子是脊髓，在現有技術的分割系統中脊髓趨 向于與椎管混淆。在脊髓上存在非常細微的輪廓。分割模塊126通過預期橢圓形橫截面且 在椎管內側執行直方圖分析來檢測此輪廓。在頭部和頸部的淋巴結表示了不可見結構的另一個例子。對于這些結構，目的是 不僅描繪淋巴結本身而且描繪它們預期所處的區域。策略是識別且描繪圍繞關注的脂肪 狀管道的所有結構，無論它們是骨骼、肌肉或血管。在對比增強掃描中，血管表 現得比肌肉 更亮但比骨骼更暗。分割模塊126通過使用從骨骼的最亮區“生長”骨骼的分水嶺方案發 現骨骼來將這些結構與骨骼分離。血管也通過其在連續的切片之間橢圓形的橫截面被區分 出。在建立界標時，例如頸內動脈和頸靜脈的特定血管的識別是必需的，且這可以通過從下 頸部內相對于氣管的已知原點開始且然后向上直至分叉來執行。總之，由分割模塊126執 行的以實現此目的的步驟如下1)將血管分割為幾乎圓形橫截面帶有相對于氣管的一定的位置。血管預處理防止 肌肉組織與血管組織的混淆。2)通過位置區分界標肌肉對象。3)使用界標肌肉對象建立ROI極限，例如區域應向后延伸多遠。4)在一定的肌肉之間添加微小的脂肪空間以在邊界不清晰的情況中將肌肉分開。5)初始化具有血管的形式的“要求的脂肪”的分割且手工插入空間。6)對于要求的脂肪添加平滑的脂肪區域。使得脂肪邊界的背離肌肉、骨骼和血管 的部分平滑，因為它不通過劇烈的強度梯度標記。不可見結構的另一個例子通過經過大腫瘤體積(也不同地已知為大靶位體積或 GTV)的“局部膨脹”添加不可見邊緣造成。GTV是典型地靶位ROI的部分，且可在圖像中觀 察到。所添加的邊緣包括臨床靶位體積(CTV)或計劃靶位體積(PTV)。CTV是圖像中可見的 區域(GTV)加上一些所添加的以補償在圖像中不可見的微膨脹的另外的邊緣。PTV限定為 CTV加上為補償設置且實施治療中的變量以及補償患者運動和其他不確定性所添加的一些 另外的邊緣。膨脹不是“數學膨脹”，例如通過在所有方向上的固定的毫米數的GTV分割的膨脹。替代地，骨骼和軟骨被識別為到擴展中的腫瘤的邊界，而脂肪被識別為擴展中的腫瘤 的路徑。空氣腔也不應包括在CTV或PTV內，因為治療空氣是無意義的。換言之，任何是空 氣的不能是腫瘤。由分割模塊126執行的分割分級的第五層是系統層144。系統層144考慮了器官 與其他器官的相互作用而非將器官孤立地或僅相對于界標考慮。例如，在完成器官層后，膀 胱和前列腺可能重疊在一些切片上。邊界體素的分類通過對分類中的改變可能在作為結果 的器官形狀上的效果來加權而被再次考慮。例如，在一些前列腺情況中，膀胱壁貌似具有略 微更亮的CT強度值(雖然它們都很好地位于肌肉狀組織的預期范圍內)。當快速搜尋這樣 的亮的端壁不能發現此特征時，算法跳過此步驟的剩余部分。然而，如果檢測到，則壁被跟 隨以確定是否需要去除膀胱/前列腺邊界。放射學正確性比解剖學正確性更優先。即，同 等可能地屬于前列腺或膀胱的體素被分類為膀胱，以保護敏感組織不受有害輻射。此過程 的結果在圖23中示出，該圖23圖示了用于前列腺情況的5層分級的在正交切片平面上示 出的結果。由分割過程構建的三維表達在圖23中的右上圖中示出。總之，分割模塊126進行了從圖像元素層開始的一系列分割步驟，所述步驟將每 個圖像元素作為獨立統計情況進行處理。貝葉斯分類使用了從練習數據構建的具有空間變 化先驗值的形式的圖譜。分 類在同時迭代地執行分割和模型估計的預期-最大化框架內是 自適應的。然后，鄰域層包括使用馬爾可夫隨機場的局部前后關聯約束。然后，組織層使用 一系列邏輯法則修改錯誤。連接部分分析將像素分組為圖像對象。對象的特性被計算以支 持歸納推理。然后，器官層將組織分為不同的器官，或將不同的組織聯合在一起以形成器 官，例如將空氣和肌肉組合以形成直腸。器官橫截面通過定量置信度測量被依次分割。最 后，系統層修改了已擬合到器官的幾何圖元以協調重疊。本發明的多種特征和優點在所附權利要求書中闡明。
權利要求
一種識別患者體內的解剖結構的方法，所述方法包括獲取患者的圖像，所述圖像包括一組圖像元素；將所述圖像分割，以將至少一些圖像元素根據它們的物質進行歸類；將所述分割的圖像與解剖圖譜配準；計算所述圖像元素歸類正確的概率；并且對基于它們的概率而強化了所述圖像元素的圖像進行再分割。
2.根據權利要求1所述的方法，其中所述解剖圖譜是概率圖譜。
3.根據權利要求1所述的方法，還包括基于與患者相關的數據修改所述圖譜。
4.根據權利要求1所述的方法，其中計算歸類正確的概率還包括使用基于法則的邏輯 確定每個圖像元素被正確歸類的概率。
5.根據權利要求4所述的方法，還包括基于與患者相關的數據修改所述概率。
6.根據權利要求1所述的方法，還包括構筑表示解剖結構的解剖網格、所述解剖網格 具有表面、且將所述解剖網格擬合到所述已分割的圖像。
7.根據權利要求6所述的方法，其中所述解剖網格具有頂點；并且其中基于所述頂點 附近的圖像元素的概率將所述解剖網格擬合到所述已分割的圖像。
8.根據權利要求6所述的方法，其中構筑表示解剖結構的解剖網格、所述解剖網格具 有表面、且將所述解剖網格擬合到所述已分割的圖像的步驟還包括構筑表示解剖結構的 虛擬表面，所述表面被控制點掌控，且通過基于所述圖像元素調節所述控制點將所述表面 擬合到所述已分割的圖像。
9.根據權利要求8所述的方法，其中通過基于所述圖像元素調節所述控制點將所述表 面擬合到所述已分割的圖像的步驟是基于圖像元素的概率進行的。
10.根據權利要求1所述的方法，還包括手工編輯所述分割，計算初始分割和手工編輯 的分割之間的差異；且將所述差異合并到所述初始分割內，以創建修正的分割。
11.根據權利要求1所述的方法，其中所述圖像元素包括體素。
12.根據權利要求1所述的方法，還包括使用基于法則的分析來基于解剖結構的已知 位置推斷非解剖結構的位置。
13.—種在放療系統中自動識別患者體內的解剖結構的方法，所述方法包括獲取患者的圖像；使用一系列分級的圖像處理步驟將所述圖像分割，以識別所述圖像中的界標；并且使用所述界標識別所述各解剖結構。
14.根據權利要求13所述的方法，其中使用所述界標識別所述解剖結構的步驟還包 括使用至少一個界標將形狀模型擬合到所述圖像。
15.根據權利要求14所述的方法，其中所述形狀模型是橢圓。
16.根據權利要求14所述的方法，其中所述形狀模型是解剖網格。
17.根據權利要求13所述的方法，其中所述界標基本上表示肌肉或骨骼的整體結構。
18.根據權利要求13所述的方法，其中所述圖像包括分為一系列二維圖像切片的一組 三維圖像數據。
19.根據權利要求18所述的方法，其中每個圖像切片包括一組圖像元素；并且其中使 用一系列分級的圖像處理步驟分割圖像的步驟還包括分析每個圖像元素以確定可能的組織類型，并且相對于相鄰的圖像元素分析每個圖像元素以確認或修改所述概率。
20.根據權利要求19所述的方法，其中使用一系列分級的圖像處理步驟分割圖像的步 驟還包括將圖像元素分類為組織群組。
21.根據權利要求20所述的方法，其中使用一系列分級的圖像處理步驟分割圖像的步 驟還包括基于所述組織群組識別器官、腺體、肌肉或結點區域。
22.根據權利要求21所述的方法，其中使用一系列分級的圖像處理步驟分割圖像的步 驟還包括基于所述器官、腺體、肌肉或結點區域識別各系統，并且響應于所述各系統改進 所述圖像。
23.根據權利要求13所述的方法，其中使用所述界標識別所述解剖結構的步驟還包 括通過在界標結構之間劃線建立已知包含解剖結構的關注區域，在所述關注區域內識認 候選組織，分割所述關注區域的粗略草圖，將形狀模型擬合到所述草圖，使所述形狀模型參 數平滑，且將所述草圖與所述形狀模型協調，以確定所述解剖結構的邊界。
24.根據權利要求23所述的方法，其中所述形狀模型是至少一個幾何圖元。
25.一種分割患者圖像以識別圖像中每個圖像元素的組織類型的方法，所述方法包括使用一組法則分析每個圖像元素，以確定每個圖像元素作為給定組織類型的概率； 將解剖圖譜與所述圖像配準； 基于所述圖譜改進每個圖像元素的組織概率；并且基于所述概率將網格擬合到所述圖像元素，所述網格代表了器官的結構模型且建立了 器官的預期形狀。
26.根據權利要求25所述的方法，其中所述解剖圖譜是概率圖譜。
27.根據權利要求25所述的方法，其中所述解剖圖譜從大量已掃描的圖像中導出。
28.根據權利要求25所述的方法，其中所述解剖圖譜包括單獨的模板掃描。
29.根據權利要求25所述的方法，其中所述圖像元素是體素。
30.根據權利要求25所述的方法，還包括基于患者數據修改所述法則。
31.根據權利要求25所述的方法，還包括基于患者數據修改所述網格。
32.根據權利要求25所述的方法，還包括基于患者數據修改所述解剖圖譜。
全文摘要
一種識別患者體內的解剖結構的系統和方法。該方法包括如下操作獲取患者的圖像，所述圖像包括一組圖像元素；將圖像分割，以將每個圖像元素根據其物質歸類；計算每個圖像元素歸類正確的概率；并且將圖像再分割，所述再分割以具有大概率的圖像元素開始且前進到帶有較小概率的圖像元素；將圖像元素的至少一個與解剖圖譜配準；且將解剖圖譜擬合到已分割的圖像。
文檔編號A61N5/00GK101969852SQ200980107817
公開日2011年2月9日 申請日期2009年3月4日 優先權日2008年3月4日
發明者戴維·T·蓋林, 肯尼斯·J·盧卡拉 申請人:斷層放療公司