通过具有和不具有形状先验的分割结果来检测解剖异常的制作方法

1.本发明涉及用于图像处理的系统、成像布置、图像处理方法、训练机器学习模型的方法、计算机程序单元以及计算机可读介质。


背景技术：

2.医学图像通常用于诊断目的。一个这样的诊断目的是由人类观察者针对解剖异常检查这样的图像。这种解剖异常的示例包括骨折(相对于健康的未断裂骨骼的异常)、肿瘤组织(相对于没有病变的器官的异常)。
3.然而，检查3d图像体积中的潜在数百个图像切片例如是耗时的，并且由于依赖于人类观察者的能力而易于出错。这由于异常在图像中被反映为微小图像结构的情况而复杂化，即使是受过训练的眼睛也不容易辨别。此外，在有压力的环境中，诸如在繁忙的创伤诊所中，通常需要在时间压力下进行这种检查。


技术实现要素：

4.因此，可能需要改进的图像分割。
5.本发明的目的通过独立权利要求的主题来实现，其中其他实施例被并入从属权利要求。应当注意，本发明的以下描述的方面同样适用于成像布置、图像处理方法、训练机器学习模型的方法、计算机程序单元以及计算机可读介质。
6.根据本发明的第一方面，提供了一种用于图像处理的系统，包括：
7.至少一个输入接口，其用于接收针对输入(医学)图像的两个分割图，所述两个分割图由相应的分割器获得，所述相应的分割器是第一分割器和第二分割器，所述第一分割器实施基于形状先验的分割算法，并且所述第二分割器实施不基于形状先验的分割算法，或者至少所述第二分割器以与所述第一分割器相比更低的权重考虑一个或多个形状先验，以及
8.差分器，其被配置为确定两个分割图之间的差异，从而便于检测解剖异常。
9.在实施例中，所述系统包括可视化器，所述可视化器被配置为输出对所述差异的指示。
10.在实施例中，所述可视化器用于实现在显示设备(dd)上显示所述指示和i)所述输入图像或ii)所述第一分割图和/或所述第二分割图。
11.在实施例中，所述指示被编码以表示所述差异的大小。尽管在本文中是优选的，但是所述差异的可视化可能不一定在所有实施例中都需要：例如，如果检测到这种异常，则使得经由通信系统发出消息、发出声音、激活灯或引起任何其他警报信号可能就足够了。可以对差异进行阈值化以根据与患者相关的医学输入图像推断出存在这样的异常。
12.在实施例中，所述第二分割器基于机器学习模型。
13.在实施例中，所述机器学习算法基于人工神经网络，但是在本文中还设想了能够进行分类/分割的其他机器学习模型。
14.在实施例中，所述两个分割图中的分割表示i)骨组织、ii)癌组织中的任何一个或多个。
15.例如，由于两种分割算法的不同操作方式，该系统可以用于检测骨折。因此，所确定的差异可以指示骨折。
16.本文提出的是应用两种不同的分割算法，一种具有显式编码的形状先验并且另一种不具有显式编码的形状先验，并且通过比较如由两种算法提供的分割结果来检测解剖异常。例如，考虑到ct(计算机断层摄影)中脊柱骨折的检测，在实施例中，应用基于模型的分割(mbs)技术。mbs算法是并入形状先验的一类算法。例如，形状先验可以用于不同的椎骨，以分割在视场中可见的椎骨。另外，可以使用基于深度学习(dl)的分割技术，其是纯的(或纯的)。至少主要地)考虑图像强度并且不对形状先验进行编码。我们在本文中利用具有和不具有形状先验的两种不同分割算法的不同操作模式。通过比较结果，可以容易地检测到任何骨折。基于形状先验的算法(诸如mbs类型分割技术)倾向于有利于维持形状先验的拓扑连通性的结果，而在非基于形状先验的方法中(诸如更一般地在ml算法中)不存在这样的偏向。虽然ml方法对于第二分割器是优选的，但这不是所有实施例的要求。在一些实施例中，这样的形状先验仍然可以在第二分割算法中使用，但是这应当被配置为使得相对于图像内信息向形状先验给予更少的权重。
17.基于形状先验的算法(诸如mbs类型算法或本文设想的其他算法)使用虚拟几何模型的集合，诸如网格模型。形状先验在分割操作期间被变形以计算分割结果。形状先验表示形状原型。形状先验例如基于(在分割之前生成的)参考出版物对器官或解剖结构的形状进行建模。形状先验可以是在拓扑上连接的。它们可以被实施为网格模型，保存在库中并由使用形状先验的第一分割器访问。形状先验对先验形状知识(诸如解剖结构及其形状和这种解剖结构能够具有的变形的临床知识)进行编码。例如，在大多数基于ml(机器学习)的分割算法中没有使用这样的网格模型来计算分割结果。分割结果可以是分割的图像。分割的图像包括原始图像和对图像元素进行分类的分割图。在实施例中，分割结果包括没有原始图像的分割图。分割可以是二值的或多标签的。
18.在实施例中，所述输入图像是i)x射线图像、ii)发射图像、iii)磁共振mr图像中的任何一种。也可以使用任何其他成像模态，诸如超声或发射/核成像。
19.在另一方面中，提供了一种成像布置，包括成像装置和上述实施例中的任一个中的系统。
20.在又一方面中，提供了一种图像处理方法，包括：
21.接收针对输入图像的两个分割图，所述两个分割图由相应的分割器获得，所述相应的分割器是第一分割器和第二分割器，所述第一分割器实施基于形状先验的分割算法，所述第二分割器实施不基于形状先验的分割算法，或至少所述第二分割器以与所述第一分割器相比更低的权重考虑一个或多个形状先验，以及
22.确定两个分割图之间的差异。
23.在另一方面中，提供了一种训练所述机器学习模型的方法。
24.在另一方面中，提供了一种包括(一个或多个)指令的计算机程序单元，所述指令在由至少一个处理单元运行时适于使所述处理单元执行所述方法。
25.在又一方面中，提供了至少一种存储有所述程序单元或者存储有所述机器学习模
型的计算机可读介质。
26.定义
[0027]“用户”涉及操作成像装置或监督成像流程的人，诸如医学人员或其他。换句话说，用户通常不是患者。
[0028]
本文中使用的“成像”涉及无生命的“对象”或人类或动物患者、或其解剖部分、或生物感兴趣的图像，诸如微生物、病毒等的显微图像。无生命对象可以包括安全检查中的行李物品或非破坏性测试中的产品。然而，本文将主要参考医学领域来讨论所提出的系统，因此我们将主要涉及要被成像的“患者”或患者的一部分，诸如解剖结构或器官、或患者的一组解剖结构或器官。
[0029]
通常，“机器学习”包括实施机器学习(“ml”)算法的计算机化布置。机器学习算法被配置为从训练数据中学习以执行任务，诸如分类。一些机器学习算法是基于模型的。基于模型的ml算法操作以调整机器学习模型的参数。这种调整流程称为“训练”。因此，通过训练来配置模型以执行任务。ml算法还包括基于实例的学习。通过ml算法的任务性能可测量地改善，在训练中使用更多的(新的)训练数据。当向系统馈送测试数据时，可以通过客观测试来测量性能。性能可以根据要针对给定测试数据实现的特定错误率来定义。参见例如t.m.mitchell的“machine learning”(第2页,第1.1节,mcgraw-hill,1997年)。
附图说明
[0030]
现在将参考以下附图描述本发明的示例性实施例，除非另有说明，否则附图未按比例绘制，其中：
[0031]
图1示出了包括分割功能的成像布置；
[0032]
图2示出了分割结果；
[0033]
图3示出了图像处理方法的流程图；
[0034]
图4示出了机器学习模型的框图；
[0035]
图5示出了用于训练机器学习模型的计算机实施的训练系统的框图；并且
[0036]
图6示出了基于训练数据训练机器学习模型的方法的流程图。
具体实施方式
[0037]
参考图1，示出了计算机支持的成像布置ar。
[0038]
在实施例中，该布置ar包括用于提供图像的成像装置ia和处理所述图像的图像处理系统ips。
[0039]
非常简要地，图像增强处理器ips包括分割功能，以有助于医学异常的医学诊断。骨折的基于图像的检测是本文设想的一个示例应用。本文还设想了其他医学应用、以及医学领域之外的那些医学应用(诸如非破坏性材料测试)。具体地，并且如下面将更全面地探索的，该系统使用双通道分割来提高甚至微小结构细节的检测能力，例如由于应力或骨质疏松症引起的骨裂、早期癌症(诸如乳腺癌)等。所提出的用于分割的图像处理系统的其他应用包括在辐射处置规划中对器官进行轮廓绘制。
[0040]
成像装置ia(在本文中有时简称为“成像器”)在本文中优选地被设想用于医学目的，并且可操作为采集患者pat或其他感兴趣对象的一幅或多幅图像。成像装置可以是固定
的，诸如设置在医学设施中的医学检查室中，或可以是可移动的/便携式的。
[0041]
概括地说，成像装置包括用于生成探询信号xb的信号源ss。探询信号xb与患者pat中的组织相互作用，并且由此被修改(即，衰减、重定向或以其他方式导致可测量的结果)。经修改的信号然后由信号检测单元dt来检测。探测到的信号(诸如强度值)形成探测器投影原始数据或投影图像。投影图像可以由重建模块recon进一步处理以产生重建图像i。
[0042]
本文设想的成像器ia被配置用于结构或功能成像。在本文中设想了一系列成像模态，诸如透射成像和发射成像或其他成像模态，诸如超声(us)成像。例如，在透射成像(诸如基于x射线的成像)中，信号源ss是x射线管，并且探询信号是由管ss生成的x射线束xb。在该实施例中，经修改的x射线束撞击在探测单元dt的x射线敏感像素上。x射线敏感探测器dt将撞击辐射记录为强度值的分布。记录的强度值形成投影图像λ。尽管有时本身诸如在x射线摄影中是有用的，但是x射线投影图像λ然后可以通过重建模块recon在ct成像中被变换成横截面图像。具体地，重建模块recon将重建算法(诸如滤波反投影或其他算法)应用于投影图像。横截面图像在3d空间中形成2d图像。在ct中，可以从投影图像的不同集合重建多个这样的横截面图像以获得3d图像体积。
[0043]
在mri成像器中，探测单元由线圈形成，所述线圈能够拾取表示投影图像的射频信号，可以通过mri重建算法从所述投影图像重建mri横截面图像。
[0044]
ct或x射线摄影中的x射线图像表示患者解剖结构的结构细节，并且mri也是如此。
[0045]
在诸如pet或spect的发射成像中，信号源ss可以以先前施用的放射性示踪物质的形式驻留在患者体内。由示踪物质引起的核事件然后在被布置在患者周围的pet/spect探测器dt处被记录为投影图像。然后应用pet/spect重建算法以获得重建的pet/spect影像，所述重建的pet/spect影像表示患者内部的过程(诸如代谢过程)的功能细节。
[0046]
成像装置ia由操作者从操作者控制台cc控制。操作者可以设置多个成像参数ip，或可以发起或停止投影数据采集。
[0047]
除非特别说明，否则在下文中，将不在重建图像或投影图像之间进行区分，并且我们将两者简单地称为要由图像增强处理器系统ips处理的“(一个或多个)输入图像”或“图像”i。换句话说，图像处理系统ips可以在其中被配置为对来自投影域的图像进行操作或可以对在成像域中重建的图像进行作用。根据上述内容，输入图像可以是2d的，在位置(i，j)处具有像素值，或可以是3d的，在位置(i，j，k)处组织有体素值。因此，输入图像i可以以2d或3d数据结构(诸如一个或多个2d或3d矩阵)来组织。像素/体素值可以表示感兴趣的量，诸如在x射线中衰减值、相位对比度值、暗场信号等。还设想了利用谱成像的x射线。在诸如mri的其他模态中，这些值可以表示rf频率信号的强度、或如在发射成像中的伽马光子计数率等。
[0048]
由装置ia产生的输入图像i在成像处理器ips处在其接口in处通过例如有线或无线通信手段被接收。图像i可以直接从成像装置ia接收，或者可以从存储器(诸如图像存储库irp或首先存储图像的缓冲器)检索。
[0049]
图像处理器ips可以在一个或多个通用计算单元上或在一个或多个专用计算单元上运行。(至少一个)计算单元pu可以通信地耦合到成像装置ia或成像存储库irp。在其他实施例中，图像处理器ip被集成到成像装置ia中。成像处理器ip可以以硬件或软件或两者的组合来布置。硬件实施方式可以包括适当编程的电路，诸如微处理器、fgpa或其他通用电
路。本文还设想了硬编码电路，诸如asic或片上系统等。也可以使用专用处理器，例如gpu(图形处理单元)。
[0050]
现在更详细地参考继续参考图1的操作，计算机实施的图像处理系统ips包括对由成像装置ia提供或从例如医学图像储存库irp检索的图像i进行分割的分割功能。
[0051]
概括地说，分割是按像素或体素水平将图像分类到标签的任务。替代地，分类是根据作为整体的更大图像区域，诸如轮廓或表面。标签表示相应像素、体素或图像区域的语义。以这种方式，例如，可以在分类操作中识别骨骼像素，即，具有标签“骨骼”的像素。然后，像素被认为表示骨组织，并且对于其他组织类型以此类推。因此，可以通过分割来识别器官在图像中的占用空间。
[0052]
分割的图像由针对每个像素、体素或图像区域在空间上指示相应标签的分割图组成。这样的分割图中的一个或多个因此可以向用户指示由图像捕获的视场中的不同组织类型。指示可以是二值的(“是骨”/“不是骨”)，但是在本文中也设想了多标签分割成多个器官/组织。分割可以辐助诊断。本文设想的并且可由分割功能支持的医学应用包括针对医学异常(诸如癌组织或创伤)检查图像。本文中具体设想的应用是针对骨折检查图像。一些骨折可能难以在没有辅助的情况下发现，例如骨裂。如果这种骨折无法识别和无人看护，则这可能在以后的阶段导致医学并发症。所提出的分割功能特别适合于在医学图像中确定可能是医学异常(特别是骨折)的迹象的甚至微小的结构。
[0053]
这种增强的分辨率能力部分地源于分割功能被配置为双通道类型。具体地，通过不同的分割算法以两种方式或“通道”处理要分割的输入图像i。更具体地，所述图像处理系统包括两个分割模块seg1、seg2，所述两个分割模块seg1、seg2均由不同或至少不同地配置的相应分割算法来实施。每个都对输入图像i进行不同的操作，以计算分割的图像，特别是与输入图像i相关联的分割图。相应的分割图是seg1、seg2的任何分割操作的主要结果。分割图是向每一个元素(像素、体素或区域)分配相应元素表示感兴趣对象(诸如解剖结构、解剖结构组、组织类型等)的值的函数。骨是本文中的一个示例，但是在本文中也设想了癌组织、脑组织等。所述值可以是概率值。作为特殊情况，分割图可以是具有“1”/”0”条目的二值图。分割图可以被表示为数据结构，诸如与要分割的图像空间配准的矩阵，其中每个条目是归一化值，诸如概率估计。如本文在一些实施例中设想的，分割模块seg1中的一个被配置为基于基于模型的分割(“mbs”)类型算法来操作。mbs算法已经在其他地方报道，诸如由o ecabert等人在“automatic model-based segmentation of the heart in ct images”(在ieee trans.med.imaging(vol 27(9),pp 1189-11201(2008))中发表)中。mbs类型算法通过使用一个或多个原型形状先验来工作，mbs算法尝试将其拟合到图像以实现或便于分割。然而，mbs类型算法不是本文中针对基于形状先验的分割器seg1设想的唯一算法。在本文中还设想了包含(一个或多个)形状先验的其他分割算法，例如，在图像上配准形状先验的基于图谱的分割方法。本文还设想了以形状先验的形式包含先验形状知识的一些机器学习方法。
[0054]
形状先验是虚拟几何形状模型。可以使用一种或多种。形状先验可以存储在计算机存储器中。形状先验可以被实施为网格模型。网格模型由与相邻网格元素共享边和顶点的互连网格元素(例如多边形)组成。网格模型可以以合适的数据结构(诸如矩阵结构或指针结构)存储在存储器中。形状先验表示如在医学图像中记录的预期结构的形状的近似，并
且因此由先验医学知识通知。形状先验是理想的原型形状，诸如用于3d情况的球体、圆柱体、金字塔、椭圆体。对于2d影像的处理，诸如在x射线摄影中，可以使用2d形状先验。然而，如在医学图像中记录的现实生活结构通常将不具有这样的理想形状，但是可以被理解为形状先验的变形或扰动的实例。替代地，代替使用形状先验作为理想化几何图元，在优选的实施例中，本文还设想了基于人口的平均测量的“统计”形状先验。这样的统计形状先验可以如下获得。收集患者的参考群组的图像。图像由人类专家注释，例如可能由半自动分割工具辅助。因此，图像包括或示例心脏注释。形状先验可以被生成为相对于群组的平均心脏形状。以这种方式，获得统计形状先验，即，表示例如心脏相对于参考群组的平均几何外观的平均模型。
[0055]
在基于形状先验的分割器seg1的操作期间，一个或多个这样的形状先验被几何变形以适应输入图像i中的图像结构从而实现分割或至少便于这样的分割。被定位在拟合形状模型s的内部或表面上的图像元素(更大图像区域的体素、像素)被认为表示分割的感兴趣对象(组织类型、器官或器官组)，而拟合形状外部的图像元素不表示分割的感兴趣对象。因此，基于形状先验的分割的基于表面的表示能够被转换为二值分割结果，诸如二值图。除了形状先验变形之外，一些形状先验算法(诸如mbs算法)可以考虑其他因素，如下面将更详细地解释的。
[0056]
与此形成鲜明对比的是，在一些实施例中，由其他分割器模块seg2实施的分割算法不使用这样的形状先验。特别地，第二分割器模块seg2不对使这样的形状先验变形进行操作。如由seg1实施的基于形状先验的算法具有在使其变形以实现分割时有利于其先验形状库的自然趋势。因此，存在对由形状先验体现的设想的原型形状的固有偏置。只有可通过变形从一个或多个形状先验导出的分割结果可由分割器seg1产生作为输出。具体地，与形状先验的大偏差被抑制以仅允许实际/预期的解剖形状变形。例如，分割器seg1不设想不导致在拓扑上连接的结果的变形。
[0057]
通常，对于由第二分割器seg2实施的这种不基于形状先验的算法，不存在这种偏置。优选地并且如本文所设想的，第二分割模型seg2被实施为基于机器学习的分割器，其使用基于先前训练数据适当地预调整的机器学习模型。本文设想的非排他性示例包括人工神经网络型机器学习模型。本文还设想了其他模型，诸如支持向量机(svm)或能够进行分类任务的其他机器学习模型。例如，在如本文中在第二分割器seg2的一些实施例中设想的人工神经网络(nn)中，不存在明确地适应于影像以便实现分割的预先设想的先验形状模型。神经网络模型本身是完全通用的，并且因此从一开始就不偏好任何特定的形状模型类型。更确切地说，其是机器学习模型的任意初始化参数的初始集合的总和，有时称为权重，如下面更详细解释的，其通常在训练期间基于训练数据集进行调整以改善代价函数。参数调整可以以迭代方式完成，由优化算法(诸如例如反向传播算法或其他基于梯度的算法或其他算法)引导。还应注意，分割器seg1的基于模型的分割算法不基于这样的训练数据。
[0058]
如由两个模块seg1、seg2管理的两个分割算法的不同操作模式在本文中被用于在分割的图像中识别某些异常，诸如骨折或癌组织。
[0059]
在图2中示出了基本操作模式。图2a和2b示出了相应分割算法seg1、seg2的分割结果。更具体地，图2a和2b图示了骨折的椎骨的分割。图2a中示出了由分割器seg1使用的具有形状先验的分割的分割结果，而图2b中示出了由分割器seg2使用的没有形状先验的分割。
如可以看到的，分割器seg1在分割结果中包括由于所使用的非骨折的椎骨形状先验的异常(骨折区域)。分割器seg2不使用这样的形状先验，并且因此将所有骨部分标记为椎骨，同时不考虑如在骨折部分之间留下的空间δ中可辨别的软组织。因此，由两个分割器seg1、seg2产生的分割结果之间的差异允许检测断裂区域。
[0060]
非mbs算法(诸如机器学习算法)不朝向特定的先验形状及其变形变体偏置，并且因此这种偏置不能防止其将给定结构分割成在拓扑上断开的区域，如图2b所示。
[0061]
然而，如图2a中的基于模型的分割不允许不是在拓扑上连接的分割。mbs维持其形状先验的完整性，这是由于其朝向那些形状的固有偏置。与图2b相比，在图2a的基于mbs的分割中没有出现间隙或不连续性。
[0062]
换句话说，如例如在图2b中所示的基于非模型的分割/分割器seg2纯粹由图像中的被处理的图像结构(诸如强度值)引导。相比之下，图2a中的基于模型的分割算法/分割器seg1不考虑或不仅考虑图像值，而是尝试适合其预定义形状先验的库。更具体地，在基于模型的分割中，所允许的变形被配置为连续地起作用，因此排除在拓扑上断开的结果，或至少排除出现不连续或间隙的结果。在mbs类型算法中，从在拓扑上连接的形状先验开始，所得到的分割在变形的同时保持在拓扑上连接，如图2a所示。如图2b的示例中的具有间隙δ的断开的分割不太可能在分割模块seg1所使用的纯基于模型的方法的情况下发生。也就是说，作为替代方案，可能不一定是第二分割算法seg2完全不包括形状先验的情况。更确切地说，在这种情况下，第二分割算法被配置为向如在图像中记录的图像结构或图像值而不是其形状先验给予更高的权重，如下面将详细描述的。
[0063]
首先更详细地转向作为基于形状先验的分割的一个实施例的mbs类型算法，一些这样的方法使用外部能量和内部能量的概念。根据优化目标函数来公式化分割。目标函数f包括至少两项，一项用于内部能量e
int
，一项用于外部能量e
ext
。出于目前的目的，已经从弹性理论概念化了内部/外部能量。假设变形d由于形状先验的固有弹性而引起代价。假设形状先验的弹性越小，代价越高。弹性与要分割的器官/组织的材料或解剖性质相关，因为这被假设为先验已知的。
[0064]
内部能量项e
int
表示经成形的先验将被变形的方式，而第二项e
ext
表示图像数据本身的处理。内部能量项调节模型可以如何变形到图像，但是仅在实际范围内。外部能量将模型“拉”向图像内数据。两项中的每项对总代价f的贡献可以通过某些权重参数α,β≥0来控制：
[0065]
min
θ
f(θ,i)＝α
·eint
(d(s),θ)+β
·eext
(i,θ)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0066]
其中，θ是候选分割，i是输入图像，d是作用于形状先验s的变形。目标是在分割θ上最小化以找到最终的最佳分割。这可以是其中f是局部或全局最小值的分割θ
*
、或其中f下降到预定义质量阈值以下的分割θ
*
。基于梯度的方法用于沿着f的梯度逐步迭代地调整θ，直到满足停止条件或直到用户决定中止迭代。虽然(1)被公式化为最小化目标，但是还设想了对其的对偶，其中(1)可以被公式化为效用函数f的最大化。控制权重α,β之间的比率确定了形状先验拟合与图像内信息对总代价f的相对贡献。
[0067]
在实施例中，设想第二分割算法seg2不一定是机器学习类型的。它仍然可以是mbs类型，因此使用内部/外部能量的上述概念，但是将比先前形状变形项e
int
的权重α更高的权重β附接到图像内信息项e
ext
。基于先验形状的分割算法以相反的方式被配置：与针对图像
信息项e
ext
的权重β相比，它针对先验形状变形项e
int
使用更高的权重α。特别地，如果两个分割算法seg1、seg2都使用mb，则分割算法seg1的内部能量的权重α高于分割算法seg2的内部能量的权重α。
[0068]
然而，优选地，seg2根本不是形式(1)，而是基于没有形状先验的经训练的机器学习模型m，而seg1可以实施被配置为改进代价函数(1)的mbs型算法。seg1可以根本没有e_ext项(β＝0)。替代地，β》0，但是α》β，特别是α》》β，诸如例如α/β》2。但是再次，mbs类型算法(1)仅仅是基于形状先验的算法的一个实施例，并且还设想了用于分割器seg1的任何其他基于先验形状的算法，诸如基于图谱的算法或其他算法。
[0069]
继续参考图1，现在更详细地描述具有双通道分割功能的图像处理系统ips的操作。在输入端口处，接收输入图像i。输入图像i由两个分割算法seg1、seg2处理以产生相应的不同分割结果i1和i2。结果可以特别地包括(一个或多个)相应的分割图。
[0070]
然后比较原生地空间配准到彼此的两个分割结果i1、i2,，以产生医学异常(诸如解剖异常，诸如骨折)的指示。更具体地，在实施例中，使用差分器dif，其执行两个分割图i1和i2或分割的图像的逐点减法，以产生差异图像/图。上面已经在图2c处描述了这样的差异图像/图的示例。
[0071]
可以使用固定的或用户定义的阈值来建立差分图像中的哪个图像元素表示两个分割结果之间的相关偏差。所述差异超过该阈值的图像元素被认为是可以以这种方式形成的指示器区域的一部分。可以以这种方式编译异常定位符图，其针对每个图像元素指示是否存在这样的分割结果偏差。表示这样的偏差的所有图像元素的集合在本文中可以被称为偏差集ds。偏差集ds因此指示正在寻找的解剖异常，诸如骨折。
[0072]
偏差集可以由可视化器viz处理成颜色编码或灰度值编码的覆盖小部件，其可以与输入图像或两个分割i1、i2中的任一个一起覆盖显示。颜色值或灰度值可以随着跨偏差集的幅值而变化。
[0073]
例如，图像/图i1、i2、ds中的一些或全部可以叠加显示或同时显示在显示设备dd上的不同图像平面中。更具体地，在作为用于计算机辅助的辅助阅读的可选可视化辅助的实施例中，可以使用图像的颜色或灰度值编码的叠加来显示输出分割i1、i2之间的显著偏差sd的区域。如果适用，则颜色/灰度值编码的叠加可以具有随着分割之间的偏差幅值而变化的颜色或灰度值。例如，这可以指示神经网络(例如卷积神经网络cnn)的体素/像素水平概率响应与由基于形状先验的分割器seg1(诸如mbs分割)提供的分类结果之间的差异。
[0074]
因此，双通道分割可以便于异常检测以指示与健康器官形状的偏差。所提出的系统ips可以用于基于医学图像来检测解剖异常。例如，在ct或x射线摄影图像的情况下，系统ips允许检测由创伤引起的骨折。代替可视化两个图之间的差异或除了可视化两个图之间的差异之外，可以基于例如对所述差异值进行阈值化来生成警报信号或警报消息。
[0075]
现在参考图3，图3示出了图像处理方法的流程图。具体地，所描述的步骤涉及如上所述的双通道分割，但是将理解，以下步骤不一定与上面讨论的架构相关联，并且可以被理解为其本身的教导。
[0076]
在步骤s310a和s310b处，通过两种不同的分割算法或至少通过相同分割算法的两个不同配置的版本来处理输入图像i，诸如x射线图像。
[0077]
优选地，在步骤s310a处，基于使用形状先验来计算分割的算法，将输入图像i处理
成分割的图像i1(在图3中被示出为i1)。基于模型的分割类型算法是本文在实施例中设想的一个示例。
[0078]
在步骤s310b处，通过完全不基于形状先验模型的分割算法来处理输入图像i，以产生分割输出i2(在图3中被示出为i2)。在实施例中，至少不使用明确的形状先验。
[0079]
优选地，步骤s310b由在训练数据上预训练的没有形状先验的机器学习模型来实施。替代地，并且如上面参考等式(1)所解释的，步骤s310b处的分割算法也可以是基于模型的算法，但是被配置为将来自形状先验适应的贡献加权为少于来自图像内结构的贡献。
[0080]
步骤s310a和s310b的顺序是无关紧要的。
[0081]
在步骤s320处，接收两个分割结果i1、i2，并将其传递到步骤s330，在步骤s330中，比较两个图像。具体地，在两个分割结果/图像i1、i2之间形成逐点差异以产生偏差图或差异图像δ。
[0082]
在步骤s340处，例如通过将编码在差分图像/图δ中的差值与预设的显著性阈值进行比较来分析差分图像。
[0083]
差值超过给定阈值的图像位置被认为是偏差集的一部分。差异集可以被颜色编码或以其他方式处理。
[0084]
在步骤s350中，显示可能处理的颜色或灰度值编码偏差集。这可以包括结合分割的输入图像i1、i2中的一个将偏差集显示为叠加。额外地或替代地，偏差集与原始输入图像组合显示，诸如在原始输入图像i上的叠加。本文还考虑了其他显示选项，诸如在显示设备dd上的图形显示的不同窗格中以任何组合同时显示偏差集与图像i1、i2、i中的任何一个或多个。除了这样显示之外或代替这样显示，阈值化差异图δ可以用于生成警报信号或消息以通知用户已经检测到医学异常。
[0085]
现在参考图4，图4示出了第二基于非形状先验的分割算法seg2的基于机器的实施方式的一个实施例。图4示出了人工神经网络类型的机器学习模型m的示意性框图。特别地，并且在实施例中，使用至少部分卷积神经网络类型(“cnn”)，其包括为非全连接层的一个或多个层。图4中的神经网络m是前馈类型的，但是在本文中不排除递归架构。
[0086]
模型m可以由下面将在图5处更全面地描述的计算机化训练系统ts训练。在训练中，训练系统ts调整模型m的(模型)参数θ的初始集合。在神经网络模型的背景下，参数在本文中有时被称为网络权重(这些权重与上面(1)中的权重α、β无关)。训练数据可以通过模拟来生成，或可以从现有的历史图像或可以在医学图像数据库中(诸如在如下面将关于图5更详细地描述的pacs(图片存档及通信系统)或类似物中)找到的其他数据获取。
[0087]
因此，可以关于机器学习模型nn定义两个处理阶段：训练阶段和部署(或推断)阶段。在训练阶段，在部署阶段之前，通过基于训练数据调整其参数来训练模型。一旦被训练，模型就可以在部署阶段中用于分割例如在日常临床实践中遇到的新图像。训练可以是一次性操作，或一旦新的训练数据变得可用就可以重复。
[0088]
机器学习模型m可以存储在一个(或多个)计算机存储器mem'中。预训练的模型m可以被部署为可以在计算设备pu(诸如台式计算机、工作站、膝上型计算机等或分布式计算架构中的多个这样的设备)上运行的机器学习部件。优选地，为了实现良好的通量，计算设备pu包括支持并行计算的一个或多个处理器(cpu)，诸如多核设计的那些处理器。在一个实施例中，使用(一个或多个)gpu(图形处理单元)。
[0089]
现在更详细地参考图4，网络m包括以级联方式分层布置的多个计算节点，其中数据流从左到右并且因此从层到层进行。本文不排除递归网络。已经发现卷积网络在处理图像数据时产生良好的结果。
[0090]
在部署中，输入数据被应用于输入层il，诸如要分割的输入图像i，任选地用背景非图像数据cxd来补充。背景非图像数据cxd描述或涉及图像数据i。背景非图像数据cxd可以包括在图像i中成像的患者的生物特性、或用于采集输入图像的成像参数ip。然后，输入数据i传播通过隐藏层l
1-ln的序列(仅示出了两个，但是可以仅存在一个或多于两个)，然后在输出层ol处作为估计输出m(i)出现。根据上述实施例，输出m(x)可以是经分割的图像i'或者至少相关的分割图。
[0091]
模型网络m可以被认为具有深度架构，因为它具有多于一个隐藏层。在前馈网络中，“深度”是输入层il与输出层ol之间的隐藏层的数量，而在递归网络中，深度是隐藏层的数量乘以通过的次数。
[0092]
网络的层、以及实际上输入和输出图像、以及隐藏层之间的输入和输出(本文称为特征图)可以表示为二维或更高维矩阵(“张量”)，用于计算和存储器分配效率。条目的维度和数量表示上述大小。
[0093]
优选地，隐藏层l
1-ln包括使用卷积算子cv的卷积层的序列。卷积层的数量可以是至少一个，诸如2-5个，或任何其他数量。一些隐藏输入层lm和输入层il可以实施一个或多个卷积算子cv。每个层lm可以实施相同数量的卷积算子cv，或者对于一些或所有层，该数量可以不同。可选地，可以使用零填充p。
[0094]
在实施例中，在卷积层序列的下游，可以存在一个或多个全连接层fc(仅示出一个)以产生分类结果，即，分割的图像i'或分割图。
[0095]
每个层li将来自较早层的输入特征图处理成中间输出，有时称为对数(logits)。例如，可以通过加法来应用可选的偏项。激活层以非线性方式将对数处理成下一代特征图，其然后被输出并作为输入传递到下一层，等等。激活层可以被实施为如图所示的整流线性单元relu，或被实施为soft-max函数、sigmoid函数、tanh函数或任何其他合适的非线性函数。可选地，可以存在其他功能层，例如池化层或丢弃层，以便于更鲁棒的学习。池化层减少了输出的维度，而丢弃层切断了来自不同层的节点之间的连接。
[0096]
卷积层l
1-n
与全连接层fc的区别在于卷积层的输出特征图中的条目不是作为该层的输入接收的所有节点的组合。换句话说，卷积核仅应用于从先前卷积层接收的特征图的输入图像的子集。对于输出特征图中的每个条目，子集是不同的。因此，卷积算子的操作可以概念化为在输入上的“滑动”，类似于根据经典信号处理已知的经典卷积操作中的离散滤波器内核。因此命名为“卷积层”。在全连接层fc中，通常通过处理前一层的所有节点来获得输出节点。
[0097]
在实施例中，输出层ol可以被配置为组合器层，诸如soft-max函数层，或被配置为类似的计算节点，其中，来(一个或多个)自先前层的特征图被组合成归一化计数以表示按类别的分类概率。如果例如仅感兴趣一种器官类型，则由网络m提供的分类结果可以包括二值分类成两个标签。在多器官/组织分类中，多标签分类结果可以由输出层ol提供。
[0098]
如果除了图像数据i之外还要对患者生物特性或其他非图像背景数据cxd进行协同处理，则这可能需要首先被变换为合适的表示或编码，因为图像上背景数据cxd可能遭受
稀疏表示，这对于与图像数据一起的高效处理可能是不期望的。自动编码器网络的独热编码和处理可以用于将非图像背景数据cxd变换为更合适的、更密集的表示，然后可以通过模型m与图像数据一起处理该表示。
[0099]
应当理解，图4中的上述模型m仅是根据一个实施例，并且不限于本公开。本文还设想了具有比本文描述的更多或更少或不同的功能的其他神经网络架构。多模型网络，诸如gan(如由igoodfellow等人在2014年6月提交的“generative adversarial networks”(arxiv:1406.2661)中报告的生成对抗网络)。此外，本文设想的模型m根本不一定是神经网络类型，诸如支持向量机、决策树、随机森林等。本文还设想了其他基于模型或基于实例的ml技术。基于模型的方法可以是如图4中的nn的判别类型，或可以是生成类型。用于分割的基于实例的方法包括例如k-nn(“最近邻”)方法。在替代实施例中，本文还设想了基于从训练数据采样的经典统计分类方法。其他技术可以包括贝叶斯网络或随机场，诸如马尔可夫型随机场等。
[0100]
图5示出了用于训练机器学习模型以用作不基于形状先验的第二分割模块的训练系统。在上述示例性基于模型的方法(诸如nn型模型m)中，所有卷积滤波器内核、全连接层、输出层等的权重的总和定义机器学习模型的配置。针对每个层的权重可以不同。特别地，在训练阶段学习这些权重。一旦训练阶段结束，完全学习的权重以及布置节点的架构可以存储在一个或多个数据存储器mem'中，并且可以用于部署。
[0101]
现在参考图5，图5示出了用于训练基于模型的ml算法(诸如神经网络类型模型)中的参数或用于训练非神经网络类型ml模型的训练系统ts。
[0102]
在监督式学习中，训练数据包括k对数据(xk，yk)。k可以运行到100s或1000s。训练数据针对每个对k(索引k与上面用于指定特征图的生成的索引不相关)包括训练输入数据xk和相关联的目标yk。因此，特别是对于如本文主要设想的监督式学习方案，训练数据被按对k组织。然而，应当注意，本文不排除非监督式学习方案。
[0103]
训练输入数据xk可以从在实验室中或先前在诊所中采集的历史图像数据获得，并且被保持在图像存储库中，诸如例如his(医院信息系统)的pacs。目标yk或“真实情况”可以表示与(未分割的)图像xk相关联的分割图或分割的图像。这样的标签可以包括人类专家的分割、注释或轮廓绘制。可以从pacs数据库或其他医学数据存储库中检索这样的标签。历史影像可以包括先前分割的影像。在一些实施例中，还可以从模拟生成未分割的训练数据对与分割的训练数据对。
[0104]
如果训练要包括背景数据cxd，则通常没有背景数据包括在目标yk中。换句话说，为了利用背景数据进行学习，所述对通常可以具有形式((xk，c)，yk)，其中，非图像背景数据c仅与训练输入xk相关联，但不与目标yk相关联。
[0105]
在训练阶段，机器学习模型m的架构(诸如图4中的nn网络)预先填充有初始权重集。模型nn的权重θ表示参数化m
θ
，并且训练系统ts的目的是基于训练数据(xk，yk)对来优化并因此适配参数θ。换句话说，学习可以在数学上公式化为优化方案，其中，代价函数f被最小化，但是可以替代地使用最大化效用函数的双重公式化。
[0106]
现在假设代价函数f的示例，这对(一个或多个)聚合残差(即，在由模型m估计的数据与根据一些或所有训练数据对k的目标之间引起的误差)进行量度：
[0107]
argmin
θ
f＝∑k||m
θ
(xk),yk||(2)
[0108]
在公式(2)中并且在下面，函数m()表示应用于输入xk的模型m的结果。对于如本文主要设想的分类器，距离量度||
·
||优选地被公式化为交叉熵或kullback-leiber散度或类似项中的一个。可以使用任何合适的距离度量。
[0109]
在训练中，训练对的训练输入数据xk通过初始化的网络m传播。具体地，第k对的训练输入xk在模型m的输入il处被接收，被传递通过模型，并且然后在输出ol处作为输出训练数据m
θ
(x)被输出。度量||
·
||被配置为对由模型m产生的实际训练输出m
θ
(xk)与期望目标yk之间的差异(在本文中也称为残差)进行度量。
[0110]
输出训练数据是与所应用的输入训练图像数据xk相关联的目标yk的估计。通常，在该输出m(xk)和当前考虑的第k对的相关联目标yk之间存在误差。然后可以使用优化方案(诸如用于反向/前向传播或其他基于梯度下降的方法)来适配模型m的参数θ，以便减少针对完整训练数据集的对(xk，yk)的全部或子集的聚合残差((2)中的总和)。
[0111]
在模型的参数θ由更新器up针对当前对(xk，yk)更新的第一内循环中的一次或多次迭代之后，训练系统ts进入其中下一个训练数据对x
k+1
，y
k+1
被相应地处理的第二外循环。更新器up的结构取决于所使用的优化方案。例如，由更新器up管理的内循环可以通过前向/反向传播算法中的一个或多个前向和反向传递来实施。在调整参数时，所有训练对的聚合(例如求和(2))残差被考虑直到当前对，以改善目标函数。聚合残差可以通过将目标函数f配置为针对每个对的一些或所有考虑的残差的诸如公式(2)中的平方残差的总和来形成。还设想了代替平方和的其他代数组合。处理流程交替地通过内循环和外循环进行处理，直到已经处理了期望的最小数量的训练数据对。
[0112]
如图5所示的训练系统可以被考虑用于所有基于模型的学习方案，特别是监督方案。在替代实施例中，本文还可以设想非监督式学习方案。虽然图5主要涉及基于模型的学习，但是在替代实施例中也设想了基于即时的学习方案。此外，虽然图5、6涉及参数化模型，但是本文不排除非参数ml算法。gpu可以用于实施训练系统ts。
[0113]
完全训练的机器学习模块m可以存储在一个或多个存储器mem'或数据库中，并且可以用作分割器seg2的预训练的机器学习模型m。可以使经训练的模型在云服务中可用。可以免费提供访问，或可以经由许可支付或按使用付费方案来授予其使用。
[0114]
图6示出了训练机器学习模块(诸如上面在图4中描述的机器学习模块等)的方法的流程图。
[0115]
需要整理合适的训练数据。优选地，本文设想了监督式学习方案，但这不是必需的，因为本文也设想了非监督或至少半非监督式学习设置。
[0116]
在监督式学习中，训练数据包括合适的数据项的对，每个对包括训练输入数据和与其相关联的目标训练输出数据。图像或投影数据可以通过从数据库或其他图像存储库检索图像或投影数据来配对，如上所述。
[0117]
继续参考图6，在步骤s610处，以对(xk，yk)的形式接收训练数据。每个对包括训练输入xk和相关联的目标yk，如上面在图5中所定义的。
[0118]
在步骤s620处，将训练输入xk应用于初始化的机器学习模型nn以产生训练输出。
[0119]
在步骤s630，通过代价函数f量化训练输出m(xk)与相关联的目标yk(分割(图))的偏差或残差。在步骤s640处，在内循环中的一次或多次迭代中适配模型的一个或多个参数，以改进代价函数。例如，适配模型参数以减少如由代价函数度量的残差。在使用卷积nn模型
m的情况下，参数特别包括卷积算子的权重w。
[0120]
然后，训练方法在外循环中返回到步骤s610，在步骤s610中，下一对训练数据被馈入。在步骤s620中，调整模型的参数，使得所考虑的所有对的聚集残差减小，特别是最小化。代价函数量化聚合残差。可以在内环中使用前向-反向传播或类似的基于梯度的技术。
[0121]
更一般地，调整模型m的参数以改善目标函数f，目标函数f是代价函数或效用函数。在实施例中，代价函数被配置为对聚合残差进行度量。在实施例中，残差的聚合通过对所考虑的所有对的所有或一些残差求和来实施。该方法可以在优选地具有能够进行并行处理以加速训练的处理器的一个或多个通用处理单元ts上实施。
[0122]
虽然图6涉及参数化的、基于模型的训练，但是本文在实施例中也设想了非参数化ml训练方案和/或基于实例的ml训练方案领域。
[0123]
图像处理系统ips或训练系统ts的部件可以被实施为在一个或多个通用处理单元pu(诸如与成像器ia相关联的工作站)上或在与一组成像器相关联的服务器计算机上运行的一个或多个软件模块。
[0124]
替代地或另外地，图像处理系统ips或训练系统ts的一些或所有部件可以以硬件布置，诸如被集成到成像系统图像处理系统ips中的适当编程的微控制器或微处理器，诸如fpga(现场可编程门阵列)或硬连线ic芯片、专用集成电路(asic)。在又一实施例中，图像处理系统ips或训练系统ts可以部分地以软件并且部分地以硬件两者来实施。
[0125]
图像处理系统ips或训练系统ts的不同部件可以在单个数据处理单元pu上实施。任选地，一些或多个部件在不同的处理单元pu上实施，可能远程地布置在分布式架构中并且可连接在合适的通信网络中，诸如在云设置或客户端-服务器设置等中。特别地，两个分割器seg1、seg2可以在(一个或多个)相同或不同的计算系统上运行，而差分器dif可以在可能远离分割器seg1、seg2在其上运行的(一个或多个)系统中的至少一个的又一系统上运行。对于如本文描述的处理，分割图可以由通信网络发送到差分器dif，或可以由差分器dif从数据存储设备中检索等。
[0126]
本文描述的一个或多个特征可以被配置或实施为或有被编码在计算机可读介质内的电路、和/或其组合。电路可以包括分立和/或集成电路、片上系统(soc)、和其组合、机器、计算机系统、处理器和存储器、计算机程序。
[0127]
在一个实施例中，图像处理系统ips的部件可以被布置为专用fpga(现场可编程门阵列)或类似的独立计算芯片或设备。在本发明的另一示例性实施例中，提供了计算机程序或计算机程序单元，其特征在于适合于在适当的系统上根据前述实施例中的一个执行所述方法的方法步骤。
[0128]
因此，所述计算机程序单元可以被存储在计算机单元上，所述计算机单元也可以是本发明的实施例的部分。该计算单元可以适于执行或诱导上述方法的步骤的执行。此外，所述计算单元可以适于操作上述装置的部件。所述计算单元能够适于自动操作和/或运行用户的命令。所述计算机程序可以被加载到数据处理器的工作存储器中。因此，可以配备数据处理器来实施本发明的方法。
[0129]
本发明的该示例性实施例覆盖从一开始就使用本发明的计算机程序，以及通过将现有程序更新转换为使用本发明的程序的计算机程序二者。
[0130]
更进一步的，计算机程序单元可以能够提供所有必要步骤以完成如上所述的方法
的示例性实施例的过程。
[0131]
根据本发明的又一示例性实施例，提出一种计算机可读介质，例如，cd-rom，其中，所述计算机可读介质具有被存储在其上的计算机程序单元，前述章节描述了所述计算机程序单元。
[0132]
计算机程序可以被存储和/或分布在合适的介质(特别地，但不一定，非瞬态介质)上，例如，与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以以其他形式被分布，例如，经由互联网或其他有线或无线的通信系统。
[0133]
然而，计算机程序也可以被呈现在网络上，如万维网，并且能够从这样的网络下载到数据处理器的工作存储器中。根据本发明的其他示例性实施例，提供用于使计算机程序可用于下载的介质，所述计算机程序单元被布置为执行根据本发明的先前描述的实施例中的一个的方法。
[0134]
必须指出，已经参考不同的主题对本发明的实施例进行了描述。具体地，参考方法型权利要求对一些实施例进行了描述，而参考装置型的权利要求对其他实施例进行了描述。然而，除非另有说明，本领域技术人员将会从以上和以下的描述中推断出，除了属于一种类型的主题的特征的任意组合之外，涉及不同主题的特征之间的任意组合也被认为在本技术中公开。然而，所有的特征都能够被组合来提供多于特征的简单加合的协同效应。
[0135]
尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示例性的，而非限制性的。本发明不限于所公开的实施例。本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解和实现对所公开的实施例的其他变型。
[0136]
在权利要求书中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。尽管在互不相同的从属权利要求中记载的特定措施，但是这并不指示不能有效地使用这些措施的组合。权利要求中的任何附图标记都不应被解释为对范围的限制。

技术特征：
1.一种用于图像处理的系统，包括：至少一个输入(in)接口，其用于接收针对输入图像的两个分割图，所述两个分割图(i1、i2)由相应的分割器获得，所述相应的分割器是第一分割器(seg1)和第二分割器(seg2)，所述第一分割器(seg1)被配置为实施基于形状先验的分割算法，并且所述第二分割器(seg2)被配置为实施不基于形状先验的分割算法，或者所述第二分割器(seg2)以与所述第一分割器(seg1)相比更低的权重考虑一个或多个形状先验，以及差分器(dif)，其被配置为确定所述两个分割图之间的差异，从而便于检测解剖异常。2.根据权利要求1所述的系统，包括可视化器(viz)，所述可视化器被配置为输出对所述差异的指示。3.根据权利要求2所述的系统，所述可视化器用于实现在显示设备(dd)上显示所述指示和i)所述输入图像或ii)所述第一分割图或所述第二分割图。4.根据权利要求2或3所述的系统，其中，所述指示被编码以表示所述差异的大小。5.根据前述权利要求中的任一项所述的系统，其中，所述第二分割器(seg2)基于机器学习模型。6.根据权利要求5所述的系统，其中，所述机器学习模型基于人工神经网络(m)。7.根据前述权利要求中的任一项所述的系统，其中，所述两个分割图中的分割表示i)骨组织、ii)癌组织中的任何一个或多个。8.根据权利要求7所述的系统，其中，所述解剖异常是骨折中的一种，并且其中，所述差异指示所述骨折。9.根据前述权利要求中的任一项所述的系统，其中，所述输入图像是以下中的任何一种：i)x射线图像、ii)发射图像、iii)磁共振mr图像。10.一种成像布置(iar)，包括成像装置(ia)和根据前述权利要求中的任一项所述的系统。11.一种计算机实施的图像处理方法，包括：接收(320)针对输入图像的两个分割图，所述两个分割图(i1、i2)由相应的分割器获得，所述相应的分割器是第一分割器(seg1)和第二分割器(seg2)，所述第一分割器(seg1)实施基于形状先验的分割算法，所述第二分割器(seg2)实施不基于形状先验的分割算法，或者所述第二分割器(seg2)以与所述第一分割器(seg1)相比更低的权重考虑一个或多个形状先验，并且确定(330)两个分割图之间的差异，从而便于检测解剖异常。12.一种训练根据权利要求5-10所述的机器学习模型的计算机实施的方法。13.一种包括指令的计算机程序单元，所述指令在由至少一个处理单元运行时适于使所述处理单元执行根据权利要求11和12中的任一项所述的方法。14.一种存储有程序单元或存储有根据权利要求12所述的机器学习模型的至少一种计算机可读介质。

技术总结
一种用于图像处理的系统和相关方法。所述系统包括至少一个输入(IN)接口，所述至少一个输入接口用于接收针对输入图像的两个分割图。所述两个分割图(I1、I2)由相应的分割器、第一分割器(SEG1)和第二分割器(SEG2)获得。所述第一分割器(SEG1)实施基于形状先验的分割算法。所述第二分割器(SEG2)实施不基于形状先验的分割算法，或者所述第二分割器(SEG2)以与所述第一分割器(SEG1)相比更低的权重考虑一个或多个形状先验。差分器(DIF)被配置为确定两个分割图之间的差异，从而便于检测解剖异常。所述系统可以允许检测异常。述系统可以允许检测异常。述系统可以允许检测异常。


技术研发人员：C
受保护的技术使用者：皇家飞利浦有限公司
技术研发日：2021.10.09
技术公布日：2023/7/12