[发明专利]在计算机断层扫描血管造影术中基于深度学习的骨移除

说明书

公开了一种用于在诸如计算机断层扫描血管造影术（CTA）体积之类的医学图像中基于深度学习的自动骨移除的方法和设备。通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨体素或非骨体素来在患者的3D医学图像中分割骨结构。通过从3D医学图像的3D可视化中移除被分类为骨体素的体素来生成3D医学图像中的非骨结构的3D可视化。

本申请要求2016年10月31日提交的美国临时申请号 62/415,075的权益，该申请的公开内容通过引用合并于此。

背景技术

本发明涉及医学图像数据中的骨分割和移除，并且更具体地，涉及从3D计算机断层扫描血管造影术图像中自动移除骨体素，以便使3D计算机断层扫描血管造影术图像中的血管可视化。

计算机断层扫描血管造影术（CTA）中的骨分割和移除是重要的临床应用。CTA是一种医学成像技术，通常用于可视化患者体内的血管。计算机断层扫描（CT）组合从不同角度拍摄的一系列X射线图像，并且使用计算机处理来创建体内的骨、血管和软组织的横截面图像或切片。横截面图像或切片可以组合以生成3D CT体积。在CTA中，在CT成像之前将造影剂注射到患者的血流中，以便生成使患者血管可视化的对比度增强的CT图像。可以使用体积再现技术（VRT）来使CTA体积可视化，使得临床医生能够看到3D血管结构和诸如狭窄和动脉瘤之类的病状。骨移除的目标是从CTA体积中分割和移除骨体素，以产生仅血管的视图，这提供了CTA体积中的血管结构的无阻碍的3D视图。

在CTA图像中，在骨和对比度增强的血管的分布之间存在重叠的强度。这是骨和对比度增强血管在CTA图像中以类似的强度出现。因此，骨可能是使用CTA可视化和分析血管树、动脉瘤和钙化的主要障碍，并且期望从CTA图像中移除骨结构，以便实现血管的更好的可视化。在过去，已经使用手动编辑技术来从图像数据中提取和移除骨结构。然而，手动编辑所需的乏味和长久的操作时间抑制它的实际使用。此外，由于图像数据中的图像分辨率和噪声，具有重叠强度分布的骨和血管通常看起来是连接的，这在从图像数据中自动分割和移除骨结构方面产生了重大挑战。

由于许多骨质和血管结构在形状和对比度上具有类似图案的事实而导致CTA体积中的自动骨移除是有挑战性的任务。以前的方法通常可以分类为自上而下和自下而上的方法。自上而下的方法包括统计形状模型和基于图像图集的方法。这些方法通常需要关于身体区域或界标位置的清楚的初始信息，这使得它们难以应用于各种视场（FOV）。在自下而上的类别中，为非对比扫描设计了许多方法，包括区域生长和超体素方法。然而，在CTA体积中，造影剂的存在增强了血管强度，并显著增加了问题的复杂性，并且这种方法由于骨和非骨区域的弱梯度和高度相似的外观而导致难以区分CTA体积中的一些区域（例如，锁骨下）中的骨和非骨区域。

发明内容

本发明提供了一种用于在计算机断层扫描血管造影术（CTA）图像中基于深度学习的骨移除的方法和系统。

在本发明的实施例中，通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨或非骨体素，来在患者的3D医学图像中分割骨结构。通过从3D医学图像的3D可视化中移除分类为骨体素的体素来生成3D医学图像中的非骨结构的3D可视化。

通过参考以下详细描述和附图，本发明的这些和其他优点对于本领域普通技术人员将是显而易见的。

附图说明

图1图示了使用各种技术的计算机断层扫描血管造影术（CTA）体积的示例性骨分割结果；

图2图示了根据本发明实施例的CTA图像中基于深度学习的骨移除的方法；

图3图示了根据本发明实施例的BRNet网络架构；

图4图示了根据本发明实施例的BRDecompNet架构；

图5图示了用于骨分割的PBT、BRNet、BRDecompNet分类器的接收器操作特性（ROC）比较；