CN104969260B

CN104969260B - 用于3d计算机断层扫描的多个骨骼分割

Info

Publication number: CN104969260B
Application number: CN201380058404.XA
Authority: CN
Inventors: D.吴; N.伯克贝克; M.索夫卡; M.刘; S.K.周
Original assignee: Siemens Product Lifecycle Management Software Inc
Current assignee: SIEMENS INDUSTRY SOFTWARE Ltd.
Priority date: 2012-09-27
Filing date: 2013-09-27
Publication date: 2017-10-27
Anticipated expiration: 2033-09-27
Also published as: US20140086465A1; WO2014052687A1; US9495752B2; CN104969260A; JP6333265B2; JP2015530193A; EP2901419B1; EP2901419A1

Abstract

一种用于三维计算机断层扫描的多个骨骼分割的方法，包括动作：‑接收(20)表示患者的第一和第二骨骼的计算机断层扫描(CT)数据；‑分别分割(22)所述第一和第二骨骼；‑细化(30)作为所述分割的第一置信图的函数的所述第一骨骼的分割；‑细化(30)作为所述分割的第二置信图的函数的所述第二骨骼的分割；‑共同地调整(34)作为第一和第二置信图的函数的所述第一和第二骨骼的分割的结果；以及‑输出(30)示出具有所述分割的调整的结果的所述第一和第二骨骼的图像。

Description

用于3D计算机断层扫描的多个骨骼分割

技术领域

本发明涉及一种根据独立权利要求的用于三维计算机断层扫描的多个骨骼分割的方法和计算机可读介质。

本公开总地涉及计算机断层扫描(CT)领域，并且更具体地涉及利用计算机断层扫描的自动的骨骼分割。

背景技术

CT可以扫描患者体积。不同的对象在体积中可能是相互邻近的。来自扫描的CT数据表示两个对象。为辅助诊断、规划或植入设计，对象可以被分割。例如，来自三维(3D)CT图像的人的骨骼的分割对许多临床应用是重要的，所述临床应用诸如可视化增强、疾病诊断、植入设计、切割导向设计和手术上的规划。与每个对象相关联的位置或体素(voxel)被确定。

特别是在三维中，对对象的手动追踪是耗时间的。由于骨骼结构的多样化和复杂性、骨骼组织的非均匀的密度、由于部分体积效应而模糊和薄弱的骨骼界限、以及诸如骨质疏松症的病理学情况，自动的检测仍然是非常具有挑战性的任务。具体地，当相邻骨骼相互靠的太近时，因为骨骼间的间隙极度地窄，或者如果骨骼相互接界则所述骨骼间的间隙甚至消失，所以分开这些骨骼变得非常困难。因此，传统的分割方法常常产生重叠的界限。图1示出了具有得到重叠的界限的区域40的自动的分割的股骨(上)和胫骨(下)。由于该重叠错误，分割可能是不准确的。

发明内容

以介绍的方式，下文所述的优选实施例包括用于三维计算机断层扫描的多个对象分割的方法、***、指令和计算机可读介质。邻近的对象被单独地分割。可以识别被指定为属于两个对象的重叠的区域或位置。单独的分割的置信图被用于将重叠的位置标记为属于对象中的一个或另一个，而不是两者。该重新分割被应用于重叠的局部，而不是其它位置。仅对重叠位置的重新分割和应用中的置信图可以相互独立地或组合使用。

在第一方面中，提供一种用于三维计算机断层扫描的多个骨骼分割的方法。接收表示患者的第一和第二骨骼的计算机断层扫描(CT)数据。处理器分别分割第一和第二骨骼。所述处理器细化作为所述分割的第一置信图的函数的所述第一骨骼的分割以及作为所述分割的第二置信图的函数的所述第二骨骼的分割。所述处理器共同地调整作为所述第一和第二置信图的函数的所述第一和第二骨骼的分割的结果。示出具有所述分割的调整的结果的所述第一和第二骨骼的图像被输出。

在第二方面中，在非暂时的计算机可读贮存介质中贮存表示指令的数据，所述指令由用于三维计算机断层扫描的多个对象分割的编程的处理器执行。所述贮存介质包括指令用于：将计算机断层扫描数据的第一体素标记为属于具有第一界限的第一分割，将计算机断层扫描数据的第二体素标记为属于具有第二界限的第二分割，所述第二体素的至少一些还被标记为属于所述第一分割，计算从所述第一体素到所述第一界限的第一距离，计算从所述第二体素到所述第二界限的第二距离，最小化作为所述第一和第二距离和空间排除约束的函数的能量函数使得所述第一体素专用于所述第一分割并且所述第二体素专用于所述第二分割，以及在所述最小化之后产生所述第一和第二分割的图像。

在第三方面中，在非暂时的计算机可读贮存介质中贮存表示指令的数据，所述指令由用于三维计算机断层扫描的多个对象分割的编程的处理器执行。所述贮存介质包括指令用于：从计算机断层扫描信息识别第一对象的位置，从计算机断层扫描信息识别第二对象的位置，确定重叠的所述第一和第二对象的所述位置，修改所述重叠的位置的每一个以使得专用于所述第一或第二对象，以及避免修改所述重叠之外的位置。

本发明由下述权利要求限定，并且在本部分中没有什么应被认为是对该些权利要求的限制。本发明进一步的方面和优点在下文中结合优选实施例被讨论，并且可能在之后独立地或组合地被要求保护。

附图说明

所述组件和附图并不一定成比例，而是重点说明本发明的原理。此外，在附图中，相似的参考标号表示贯穿不同视图的相应的部件。

图1是具有两个对象的分割的、示出对象的重叠的计算机断层扫描图像；

图2示出了用于三维计算机断层扫描的多个对象分割的方法的一实施例；

图3是用于三维计算机断层扫描的多个对象分割的方法的另一实施例的流程图；

图4A、4B和4C是表示分割的不同的阶段的计算机断层扫描图像；

图5示出了具有重叠的分割以及重叠的重新分割校正的计算机断层扫描图像；以及

图6示出了用于三维计算机断层扫描的多个对象分割的***的一实施例的框图。

具体实施方式

提供多个邻近的对象的自动的分割。由计算机断层扫描(CT)数据表示的任何对象可以被分割。例如，分割两个不同的器官。在用在这里所讨论的实施例中的另一示例中，邻近的骨骼被分割。由CT数据表示的位置被标记为属于诸如胫骨或股骨的骨骼的一个或另一个。自动地从三维(3D)CT图像进行共同的多个骨骼的分割。

从3D CT图像的自动的骨骼分割在许多临床应用中是有用的但充满挑战的任务。具体地，当在人的关节周围的相邻骨骼非常靠近甚至相互接触时，传统的骨骼分割方法易于产生重叠错误，特别是如果骨骼被单独分割。提供了用于多个骨骼分割的完全自动的、计算机高效率的并且准确的共同分割***。在一实施例中，每个骨骼通过用边缘空间学习(MSL)架构初始地分割以用于姿态估计以及非刚性界限变形。为消除分割重叠，用从初始分割结果和在马尔可夫随机场(MRF)中相邻骨骼之间的空间排除约束得出的置信图重新分割骨骼。因此，通过重新分割重叠被有效地消除。此外，由于重新分割仅被应用于初始分割结果的局部重叠的区域，所以重新分割仅具有轻简的计算成本。该共同的分割通过大约1秒的额外的计算相比于地面实况(ground truth)可以减少分割重叠错误多达100％。

图2和3示出了用于三维计算机断层扫描的多个对象分割的方法的实施例。所述方法使用图6的***、处理器、服务器、计算机和/或不同的***实现。通常，处理器接收3D CT数据并进行所述方法的动作以输出用于由3D CT数据表示的邻近对象的不同位置的指示。

此外，相比于图2或3所示出的可以提供不同的或更少的动作。例如，提供了访问其它类型的数据的动作、用于发送输出的动作和/或用于存储分割的动作。作为另一示例，提供了其它初始分割动作(例如，动作24-30或44-58被替换)。可以使用单独的对象的任何分割。作为另一示例，在不使用置信图的情况下，提供了限于重叠的位置的重新分割。以所示出的顺序或不同的顺序进行所述动作。

在由图2所表示的实施例中，自动的分割包括动作42中的初始分割和动作60中的共同的重新分割。在动作42的初始分割中，每个骨骼被分别检测和分割。骨骼首先用动作44中的边缘空间学习被定位。在给定体积中搜索目标骨骼的最佳相似性变换或最佳相似性变换组。在动作46中找到方位，然后在动作48中找到顶方位候选的定向，并且然后在动作50中找到顶方位+定向候选的比例。然后，在动作54中使用基于学习的3D界限检测器以推导初始形状并且在动作56中在统计的形状模型(SSM)空间中引导形状变形。在动作58中使用基于图形的分割算法将所得到的形状进一步细化以更好的适应图像数据。可以使用其它动作。

由于每个骨骼被分别分割，分割重叠可能在相邻骨骼之间产生。为消除重叠错误，在动作60中进行共同的重新分割。在动作62中识别重叠并且在动作64中提取重叠的局部区域。对于相邻骨骼用空间排除约束同时最优化用于重叠区域的标记。

图3表示图2的相同或相似动作。图2和3的方法在下文中被一起讨论。

在动作20中，接收CT数据。所述CT数据通过扫描患者而被接收。X光源和检测器围绕患者旋转以获得穿过患者的体积的X光投影。所检测到的强度被重构为表示体积的数据。在替换实施例中，从存储器接收CT数据，诸如从DICOM存档***(DICOM＝医学数字成像和通信)加载数据。

CT数据表示患者。不同的器官、组织类型、骨骼或其它解剖的结构的部分或全部由数据表示。例如，数据表示在膝关节处的胫骨和股骨的一部分。其它组织，诸如其它骨骼，也可以表示在CT数据中。

3D CT数据具有任何格式。在一实施例中，3D CT数据被格式化在笛卡尔坐标系中的常规网格中。不同的网格位置或体素表示在扫描的患者的体积中的不同的空间位置。接收的或接收之后的3D CT数据可以被处理以消除背景、软组织、不感兴趣的组织或其它预先分割操作。

在动作22和42中，进行初始分割。初始分割包括定位动作44的对象或者在动作24中估计姿态，并且包括在动作52或动作26和28中使形状适应。此外，不同的或更少的手段可以被用于进行初始分割。

初始分割被用于单独的对象。在骨骼示例中，胫骨和股骨被检测并被分割为单独的对象，而不是共同的对象。在动作22中，多个对象被分别分割。一个对象的位置利用CT数据被确定。其它对象的位置利用CT数据被确定。可以应用相同的处理，但是不同的分类器、输入或目标被用于寻找不同的骨骼。不同的处理可以被用于不同的对象。每个骨骼的体素被定位为分开的对象，而与其它对象的任何重叠或位置或方位无关。一个对象被独立于其它对象而定位。在替换实施例中，一个对象的特征、位置或其它特性被用于分割另一对象。尽管关于一个对象的信息被用于分割另一对象，但是对两个对象的分割并不为了避免重叠而空间上受限。因为重叠可能存在，所以分割是分开的。

初始分割标记CT数据的体素。如果体素属于对象，体素被如此标记。如果体素不属于该对象，体素被如此标记。体素标记指示对象中和/或在对象的界限处的体素。

通过分开分割不同的对象，用于给定体素的标记可以属于零个、一个或多个对象。一个或多个体素或位置被标记为或被包括在两个或多个不同的分割的一部分。例如，一组体素被标记为属于胫骨并且也被标记为属于股骨。

任何分割可以被用于单独的分割。在图2和3表示的实施例中，置信图被用在单独的分割中。置信图被提供给每个对象。在其它实施例中，不使用置信图。

动作44-58和24-28示出了用于单独分割的两个实施例。在下述的讨论中，讨论用于给定对象的分割。用于不同对象的分割被重复。

在动作24中，估计了对象的姿态(pose)。姿态是方位(position)、定向(orientation)和/或比例(scale)。可以使用用于姿态的任何参数结构。姿态可以不包括界限或者以其他方式分割特定位置，而是诸如用边界框、方框图或其它参数设定指示对象参数化的或概括的位置。

动作44提供示例的姿态估计，但是可以使用其它姿态估计。边缘空间学习的区别式分类器或多个分类器被训练为估计姿态。可以使用其它分类器。到分类器的输入特征是可操纵的、三维Haar和/或CT数据的输入特征。分类器从注释的或地面实况训练数据被机器训练以从输入来分类姿态。矩阵或其它函数通过数据处理被学习。可以训练多于一个分类器，诸如训练用于方位、定向和比例估计的每一个的分开的分类器。

在一实施例中，目标骨骼通过在给定体积I中搜索最佳的相似性变换参数首先从3D CT数据中被检测。相似性变换参数或姿态参数，由九个参数确定，转换t＝(t_x，t_y，t_z)，定向r＝(r_x，r_y，r_z)以及各向异性比例s＝(s_x，s_y，s_z)。在其它实施例中，更少的、附加的或不同的参数被用于描述姿态的特性。姿态估计任务可以通过最大化后验概率而被如下公式化：

(^t,^r,^s)＝arg max P(t,s,r|I)for t,s,r (1)

解后验概率包括在九维参数空间中的搜索，这在实践中可能在计算上非常昂贵。边缘空间学习被应用于将整个搜索空间分解为边缘空间推导。如下所示，对象定位被分为三个步骤：方位、定向和比例。由于每个步骤的输出都是来自该步骤的候选的数字(例如，100-1000)，搜索具有动作46、48和50的方位估计、方位-定向估计以及完整相似性变换估计的特性。在每个步骤之后，仅有有限数量的最佳候选被保持以减小搜索空间并加速推导。后验概率函数的边缘空间解被表述为：

(^t,^r,^s)＝arg max P(t|I)P(r|I,t)P(s|I,t,r)

≈arg max P(t|I)arg max P(r|I,^t)arg max P(s|I,^t,^r) (2)

为学习边缘后验概率，诸如概率提升树(probabilistic boosting tree)(PBT)或者概率提升网络(probabilistic boosting network)的区别式分类器可以被使用。3DHaar特征被用于位置检测并且可操纵的特征被用于定向和比例推导。

所述输出是姿态。姿态可以被表示为线、点、框、立方体或其它形状。图4A示出了姿态为具有方位、定向和比例适应于对象的矩形框。姿态参数被表示为边界框。可以使用其它表示或不表示。可以向用户显示或不显示姿态。

在动作52中，对象的形状被确定。例如，骨骼的界限被定位。界限和确定被限于边界框和/或使用姿态估计以避免不适当的布置。

在动作26中，用于对象的形状被初始化。在动作54中，所述初始化使用统计的形状模型，但可以使用其它初始化。例如，进行随机游走、方向过滤、阈值转换法或其它对象检测。

统计的形状模型被变换为姿态。统计的形状模型特定于所述对象并且表示对象的平均值和/或与对象的平均值的偏差，所述对象以CT数据表示。在姿态估计之后，目标对象的形状基于如下的统计的形状模型(SSM)被初始化：

x＝f(μ+∑c_iv_i,^t,^r,^s) (3)

其中所述和是从i＝l到N，x表示初始化的形状，f是具有由姿态估计的姿态参数(^t,^r,^s)的刚性变换，μ和v表示从训练注释获得的统计的形状模型的均值和主要特征向量，N是形状变化子空间的维度(例如，3，但可以是另外的数字)，并且c＝(c_i，i＝l,…,N)是使用机器学习技术推导的形状变化系数。

可以使用用于系数的任何机器学习，诸如概率提升树或概率提升网络。系数学习可以被表示为：

(^c)＝arg max P(c|I，^t,^r,^s) (4)

所学***均值提供初始形状。

如在公式4中所示，形状变化系数的推导可以被视为用于非刚性变形的一般边缘空间学习架构中的延伸步骤。

在动作28中，由统计的或其它模型提供的形状被变形为用于该特定布置的CT数据。初始化基于姿态定位统计的形状模型的平均值。模型然后被适应于用于检查中的患者的CT数据。模型基于统计的形状模型的统计被变形为适应于CT数据。

动作56提供了适应的一示例。在动作56中，界限从统计的形状模型和CT数据被推导。初始化的形状用界限检测器被进一步变形。导致统计的形状模型的偏差或变形概率的任何界限检测器可以被使用。在其它实施例中，界限检测器使用平均形状和CT数据而没有进一步的偏差限制或统计。例如，平均界限指示用于界限检测的局部搜索区域，但是不以其他方式限制界限检测。

在一实施例中，界限检测被公式化为分类问题。模型建立用于界限的初始开始点，诸如用网孔表示。分类用定向(Ox，Oy，Oz)确定是否有界限穿过点(X，Y，Z)。界限检测器被用于在当前的估计的形状表面(例如，统计的形状模型的平均形状方位)上沿其正常方向朝向相对于患者的CT数据的最佳方位移动网孔控制点。来自界限检测器的分类分数是指示对于网孔点的最佳适应的最高的、最低的或其它输出。在调整之后，变形的形状被投影到统计的形状模型子空间以使表面平滑。例如，统计的形状模型子空间的维度被选择以捕捉来自训练注释的98％的形状变化。统计的形状模型被适应到CT数据或作为或不作为界限地用作对位置的分类的输入或限制。

图4B示出了作为在界限变形大部分相当好地适应图像之后的轮廓的示例所得到的形状。可能存在由于通过统计的形状模型的形状细节的丢失的一些错误以及可能的界限检测错误。图4B被示出为表示概念并且可以或者可以不被示出给用户。可以使用诸如没有姿态估计、没有统计的形状模型、没有边缘空间学习、没有机器学习的分类器和/或具有其它处理的其它分割手段。

在动作30和58中，分割被细化。分割诸如通过过滤或其它处理被修改。可以使用任何细化。所述细化可以是可选的。

在一实施例中，可以使用用于分割的置信图细化分割。基于图形的能量函数基于置信图被最小化。可以使用任何置信图，诸如来自用于检测界限的概率分类器的输出。置信图表示被指示为对象的一部分的给定体素是所述对象的一部分的置信可能性、分数或者水平。在一实施例中，置信图基于离开对象界限的体素的距离被计算。对于被标记对象的一部分的体素，到对象的最近的界限位置的距离被计算并且被用于确定置信。通常，在对象中但是远离界限的体素比在对象中但更靠近界限的体素更可能是对象的构件。距离图被用作具有基于距离分配置信的任何函数的置信图，诸如距离的倒数独自作为置信(或者离开界限的距离作为置信，其中更高的数字表示更大的置信)。

一示例手段细化分割以更好地适应CT数据。为更好地适应CT数据，基于图形的能量函数被表示为：

E(L)＝∑D_p(L_p)+∑V_p，q(L_p，L_q) (5)

其中D_p(L_p)的和属于体积P的构件，∑V_p，q(L_p，L_q)的和属于相邻体素N对的集合的构件p、q，其中L＝{L_p|p∈P}是体积P的二进制标记(L_p∈{0，1})，并且D_p(L_p)是一元数据项，其被定义为：

D_p(L_p)＝L_p(1-g(M(p)))+(1-L_p)g(M(p)) (6)

M(p)度量在界限变形之后的体素p到分割的界限的有符号的最短距离。当p位于分割的内部(前景)时，M(p)>0，如果p在分割的外部(背景)，M(p)<0，并且如果p位于分割界限上，M(p)＝0。M可以被视为前次分割的置信图。M(p)越大(或越小)，体素p更加应该被分类为前景(或背景)。当体素p接近分割界限时，(M(p)≈0)，标记L_p变得更加不确定，并且更加可能被分割细化更新。g(.)是将距离映射到置信的任何函数，诸如定义如下的S形函数：

g(x)＝1/(1+e^-x/T) (7)

其中τ是控制前次分割结果的不确定度的范围的参数(例如，3-5mm).在公式5中，N是所有相邻体素对的集合，并且V_p，q是成对互动项：

Vp，q＝λe^{-((Ip-Iq)squared/2σsquared)}δ(Lp≠Lq) (8)

其中δ(.)是克罗内克尔德尔塔函数(Kronecker delta function)：

δ(Lp≠Lq)＝1如果Ιp≠Ιq(并且如果Ιp＝Ιq则等于0)

并且其中λ和σ各自是正规化参数和反差系数。可以使用任何值，诸如1-2用于λ以及30-175用于σ。I_p和I_q各自表示体素p和q的强度。成对的项鼓励具有相似的强度的相邻体素被分配相同的标记。

通过最小化公式5的能量函数而细化分割。可以使用任何最优化的能量函数，诸如使用具有多项式时间复杂度的最小切割(min-cut)/最大流(max-flow)算法解。可以使用其它方案、函数、其它基于图形的成本函数或者其它手段以细化。

图4C示出了在基于图形的分割细化之后的改善的结果的示例。一个或多个错误被消除。所述结果是表示如在CT数据中标记的对象的分割。可以使用其它分割。

多个对象被分别地或单独地分割。对于邻近的对象，一个或多个体素可以被标记为属于多个对象。尽管单独的分割通常可以实现良好的结果，对单独的骨骼的分割被分别进行而没有任何空间约束。因此，当两个对象相互变得非常靠近时，重叠错误可能产生，如图1的示例所示出的两个骨骼。

在动作60和34中，共同地进行重新分割以消除重叠错误。共同的重新分割结合空间约束以防止重叠。使用空间约束或结合空间约束的动作30和58的细化来细化分割。

为使得重新分割更加地计算上有效，仅对被标记为属于多个对象的体素或仅对重叠位置进行重新分割。在动作32和62中，重叠位置被识别。体素的标记被检查以确定给定体素是否被单独的分割标记为属于多于一个对象。可替换地，对在重叠的位置周围或包括重叠的位置的预先确定的或者用户设置大小的局部区域进行重新分割。而在其它实施例中，对所有位置或体素进行重新分割。

在动作64中，局部重叠区域被提取。仅使用用于重叠的CT数据或者仅使用在重叠周围的区域中的数据。通过数据掩蔽其它数据或者通过消除用于在区域或重叠中的体素的值，用于重新分割的CT数据被提取。可替换地，不提取而使用CT数据，使得邻近的体素可以被用于重新分割计算。

在动作34中，单独的分割的结果被共同地调整。用于位置的标记被修改以专用于仅一个对象而不是两个或多个。可以使用任何标准以选择用于给定体素的多个对象之一。所述标准是共同的，所以将两个对象考虑在内。

在一实施例中，置信图被用于共同的重新分割。来自两个或多个对象的置信图指示位置或体素是各个对象的构件的可能性。具有最高的置信的对象被选择为体素的对象。可以使用避免非平滑界限的其它手段以用于共同地修改。

除了纯粹的选择之外，可以使用基于图形的能量函数。在动作66中，使用了具有空间约束的成对的共同分割。最小化被约束为标记每个体素而不重叠对象的基于图形的能量函数。结合空间约束使用距离或置信以修改体素标记以成为专用于单个或零个对象。通过引入特定的空间排除约束，重新分割确保了彻底地移除重叠错误。

该对对象被标记为A和B。L_A和L_B各自表示骨骼A和B的标记。如果L_A(P)＝1，则体素p在骨骼A之中，并且反之如果L_A(P)＝0，对于骨骼B类似。公式5的能量函数如下延伸到两个对象的情况：

E(L_A，L_B)＝E(L_A)+E(L_B)

＝∑D_A(P)(L_A(P))+∑V_Α(p，q)(L_Α(Ρ)，L_Α(q))+∑D_B(P)(L_B(P))+∑V_B(p，q)(L_B(p)，LB(q)) (9)

其中D的和属于体积P中的体素，V的和属于集合N中的体素，并且其中所有符号具有与公式5中相同的意义。公式9在分割中被分别应用以及除了使用公式5以外额外地应用。公式9被用于共同的重新分割，所以M现在基于在动作30和58的细化之后的分割结果。如在公式9中所示的，E(L_A，L_B)的最小化可以被分别分解为E(L_A)和E(L_B)的最小化，因为在公式9的能量函数中不存在L_A和L_B之间的交互项。对象A和B实质上被分别分割。

对于共同的重新分割，由于对象A和B不能在空间中重叠，所以空间排除约束存在于L_A和L_B之间。如果L_A(P)＝1，则L_B(P)必须＝0，并且反之亦然。该空间约束通过如下相加成对的项被结合到公式9的能量函数中：

E^～(L_A，L_B)＝E(L_A，L_B)+∑W(L_A(P)，L_B(P)) (10)

其中W(L_A(p)，L_B(p))＝+∞，如果L_A(P)＝L_B(P)＝1并且否则为0。

最小化能量函数E^～(L_A，L_B)的最佳的解确保了L_A(p)和L_B(P)不能同时为引入的成对的项W_A(P)，B(P)(L_A(P)，L_B(P))是超模的(super-modular)，因为W(0，1)+W(1，0)<W(0，0)+W(1，1)，所以不能通过最小切割/最大流算法直接地优化。为解决该问题，标记L_B的二进制意义被翻转为L^- _B＝1-L_B或者以其他方式修改以避免这样的模糊。能量函数E^～(L_A，L_B)在到处变为超模的并且最小切割/最大流方案可以被用于共同地寻找L_A和L_B的最优化标记。可替换地，可以使用不同的最小化的方案。

由于仅对于与重叠相关联的局部区域进行最小化，仅在重叠中的体素被修改。仅对于识别的重叠体素进行所述调整。这避免了修改在重叠区域之外的体素的标记。具有空间约束的共同的分割仅被应用到从每个单独的骨骼的初始分割产生的局部重叠区域。如果在初始分割中没有重叠，则跳过共同的分割。相比于从开始运行具有空间约束先验的共同的分割(即，相比于没有分开的单独的分割的共同的分割)，这得到高效的计算。

在动作36中，输出图像。图像示出了具有所述分割的调整的结果的对象。图像的、突出显示的、着彩色的或其它视觉提示被增加到或包含在图像中以将一对象从另一个区别开。例如，在一骨骼周围的一骨骼或一界限与另一骨骼的骨骼或界限颜色不同。图像在最小化之后产生使得没有邻近的骨骼的部分被指示为属于两个骨骼。图5示出了具有产生自单独的分割的重叠的骨骼(每对的右侧)以及在共同的重新分割之后所显示的结果(每对的左侧)的四个示例。界限通过不同颜色的图线指示。

从用户或处理器选择的观察方向图像是对CT数据的二维图像的三维渲染。所述渲染可以使用表面、投影或其它渲染。在其它实施例中，图像是表示穿过体积的平面的二维图像，诸如提供具有多平面重构或者用户选择的观察平面。

图6示出了用于自动的矫形外科规划的示例***或平台。***包括处理器12、存储器14、显示器16以及CT扫描器18。处理器12、存储器14和显示器16是计算机、膝上型计算机、平板计算机、工作站、服务器、CT工作站或其它处理装置。此外，可以提供不同的或更少的组件。例如，提供用户输入、网络接口和/或多个处理器。作为另一示例，不提供CT扫描器18。

CT扫描器18包括源(source)和检测器。构台(gantry)围绕患者旋转源和检测器。C型臂可以替代构台使用以用于产生CT数据的类似CT的成像。CT扫描器18用X光扫描患者。处理器12或其它处理器(例如，CT扫描器18的)从检测的X光信息重构表示体积的CT数据。

显示器16是CRT、LCD、平板、等离子、投影仪、打印机、其组合或者现在已知或将来发展的任何其他显示器。使用图形处理单元或其它硬件或软件，显示器16在笛卡尔或其它坐标形式中产生用于展现图形化用户界面、CT图像、分割信息、具有分割信息的CT图像或其组合的黑白或彩色像素。在替换或附加的实施例中，分割被输出到存储器14、不同的存储器、在网络上发送或被提供到处理器12以用于进一步操作(例如，手术上的规划、植入设计或切割导向设计)。

存储器14贮存数据，所述数据诸如置信图、距离、分类器、模型、计算的输入特征、图像、CT数据或者用于三维计算机断层扫描的多个骨骼分割的其它信息。可以贮存其它数据。

可替换地或附加地，存储器14是贮存表示指令的数据的非暂时的计算机可读贮存介质，所述指令可由编程的处理器执行以用于三维计算机断层扫描的多个对象分割。用于实现上述讨论的处理、方法和/或技术的指令被提供在计算机可读贮存介质或存储器上，诸如缓存、缓冲器、RAM、可移除介质、硬盘或其它计算机可读贮存介质。计算机可读贮存介质包括各种类型的易失性和非易失性贮存介质。附图中所描述或者这里所述的功能、动作或任务响应于存储在计算机可读贮存介质中或之上的一组或多组指令而被执行。功能、动作或任务独立于特定类型的指令集、贮存介质、处理器或处理策略并且可以由软件、硬件、集成电路、固件、微代码以及类似物单独或组合操作而进行。同样地，处理策略可以包括多重处理、多任务处理、并行处理以及类似者。

在一实施例中，指令被贮存在可移除介质装置上以用于被本地或远程***读取。在其它实施例中，指令被贮存在远程位置中以用于通过计算机网络或在电话线上转移。而在其它实施例中，指令被贮存在给定计算机、CPU、GPU或***中。

处理器12是通用处理器、专用集成电路、数字信号处理器、现场可编程门阵列、多处理器、模拟电路、数字电路、网络服务器、图形处理单元、其组合或其它用于进行分割的现在已知或将来发展的装置。用户可以输入激活命令、选择患者、选择患者骨骼数据，选择手术的程序或者以其他方式初始化要求分割的工作流程。处理器12自动地分割多个对象，包括邻近的对象，而没有重叠。通过按顺序进行所述处理，处理器12被配置为自动地分割而不需要进一步的用户输入，诸如不需要输入在图像中的位置或区域。在替换实施例中，用户可以确认和/或修改分割，诸如通过输入一个或多个位置。

在一实施例中，处理器12是操作在2.29GHz、具有3.23GB的RAM以用于存储器14的因特尔Core^TM CPU。对于每个初始分割(见图2)，取决于被切割的骨骼，处理器12大约需要20-30秒。重叠区域通常比整个体积小得多。其中共同的重新分割仅被应用到从初始分割产生的局部重叠区域，共同的重新分割可以被有效地计算。例如，共同的重新分割平均在1秒中进行。如果初始分割的结果不重叠，共同的重新分割通过可忽略的额外的计算成本被跳过。共同的重新分割减少100％的重叠错误，但在其它实施例中可能减少得较少。

分割包括使用机器学习的分类器。一个或多个机器学习的检测器或分类器被用于检测姿态、界限、统计的形状和/或界限变形。可以使用任何机器学习。可以使用单类或二进制分类器、不同的分类器集、级联分类器、分级分类器、多类分类器、基于模型的分类器、基于机器学习的分类器或其组合。多类分类器包括CART、K-最邻近法(K-nearestneighbors)、神经网络(例如，多层感知器)、混合物模型或其它。可以使用概率提升树。可以使用纠错输出码(ECOC)。

使用计算机从训练数据集训练分类器。使用数据的任何数量的专家注释集。例如，大约2万个表示感兴趣的对象的体积被注释。不同的训练集或具有不同的注释的相同的训练集被用于机器训练分类器以用于不同的对象、不同的界限点、不同的姿态参数或分类器的其它不同的使用。注释指示地面实况，诸如在体积中的对象界限或从体积提取的平面。该大量的注释允许机器学习的使用以用于在大量的可能特征中学习相关的特征。

可以使用任何特征。所述特征包括3-D Haar、类小波、强度、可操纵性、梯度和/或其它特征。分类器学习各种特征向量以用于区别期望的解剖和未被检测的信息。分类器被教导以基于特征区别。与解剖的分割有关的特征在基于专家的注释的机器算法中被提取并学习。训练确定用于给定分类的最具决定性特征并丢弃非决定性特征。特征的不同的组合可以被用于检测不同的对象，在不同的分辨率或时间处的相同的对象和/或与不同的位置、转换、旋转或比例相关联的相同的对象。例如，不同的顺序分类级使用从3D体积数据中计算的不同的特征。每个分类器选择被用于将正目标从负目标中区分开的一组决定性特征。

被用于分类器的数据是CT数据。从重构的CT强度中提取特征。CT数据是未处理的、重构的数据。在其它实施例中，数据在被用于分割之前被过滤或者以其他方式处理。可以使用其它类型的成像(例如，不同的形态)或者患者特定的非成像数据(例如，年龄、体重和/或其它诊断相关的信息)。

一旦被训练，分类器被用作分割的一部分。通过输入对应于一个或多个分类器的决定性特征的患者特定的数据，确定不同的对象的位置。训练的分类器由矩阵表示，其中输入特征值被输入到矩阵并且产生学习的输出。可以使用除了矩阵的其它结构以实现学习的分类器。

尽管通过参考各种实施例在上文已经描述了本发明，应理解的是，可以作出许多改变和修改而不脱离本发明的范围。因此前述详细的描述应当被视作是说明性的而不是限制性的，并且应理解的是下述权利要求，包括其全部等同物，意欲定义本发明的精神和范围。

Claims

1.一种用于三维计算机断层扫描的多个骨骼分割的方法，所述方法用处理器(12)执行并且所述方法包括：

-接收(20)表示患者的第一和第二骨骼的计算机断层扫描CT数据；

-分别分割(22)所述第一和第二骨骼；

-使用所述分割的第一置信图，仅细化(30)第一骨骼的分割，所述第一置信图是在体素上的第一空间分布；

-使用所述分割的第二置信图，仅细化(30)第二骨骼的分割，第二置信图是在体素上的第二空间分布；

-使用第一和第二置信图，共同地调整(34)所述第一和第二骨骼的分割的结果；以及

-输出(30)示出具有所述分割的调整的结果的所述第一和第二骨骼的图像。

2.如权利要求1所述的方法，其中，接收(20)包括接收表示所述患者的三维体积的CT数据，所述三维体积包括所述第一和第二骨骼并且包括其它组织。

3.如权利要求1所述的方法，其中，分别分割(22)包括从所述CT数据单独地分割所述第一骨骼以及从所述CT数据单独地分割所述第二骨骼。

4.如权利要求1所述的方法，其中，分别分割(22)包括在处理中定位表示所述第一骨骼的体素并且在重复所述处理中定位表示所述第二骨骼的体素，所述处理对不同的骨骼使用不同的分类器。

5.如权利要求1所述的方法，其中，分别分割(22)包括估计(24)所述第一和第二骨骼的第一和第二姿态，所述第一和第二姿态均包括方位和定向。

6.如权利要求5所述的方法，其中，估计(24)所述第一和第二姿态包括使用所述CT数据的三维Haar特征用边缘空间学习的区别式分类器进行估计(24)。

7.如权利要求5所述的方法，其中，分别分割(22)包括用分别变换为所述第一和第二姿态的第一和第二统计的形状模型初始化(26)所述第一和第二骨骼的第一和第二形状。

8.如权利要求7所述的方法，其中，分别分割(22)包括变形(28)作为由所述第一和第二统计的形状模型以及所述CT数据构成的函数的所述第一和第二形状。

9.如权利要求1所述的方法，其中，细化所述第一和第二骨骼包括最小化基于图形的能量函数，其中所述基于图形的能量函数分别是所述第一和第二置信图的函数。

10.如权利要求9所述的方法，其中，细化所述第一和第二骨骼包括作为包含距离图的所述第一和第二置信图的函数的细化，其中对于离界限更远距离的体素具有更大的置信度。

11.如权利要求1所述的方法，其中，调整包括最小化被约束为标记每个体素而不将所述第一骨骼与所述第二骨骼重叠的基于图形的能量函数。

12.如权利要求1所述的方法，还包括：

-识别标记为所述第一和第二骨骼两者的体素；以及

-仅对所述识别的体素进行所述调整。

13.如权利要求1到12中的一个所述的方法，其中，输出(36)包括显示具有区别于所述第二骨骼的所述第一骨骼的图像。

14.一种非暂时的计算机可读贮存介质，其中贮存表示指令的数据，所述指令由用于三维计算机断层扫描的多个对象分割的编程的处理器(12)执行，所述贮存介质包括指令用于：

-将计算机断层扫描数据的第一体素标记为属于具有第一界限的第一骨骼的第一分割；

-将计算机断层扫描数据的第二体素标记为属于具有第二界限的第二骨骼的第二分割，所述第二体素的至少一些还被标记为属于所述第一分割；

-计算从所述第一体素到所述第一骨骼的第一界限的第一距离；

-在不参考第一骨骼的第一边界的情况下计算从所述第二骨骼的第二体素到所述第二界限的第二距离；

-最小化作为由第一和第二距离以及空间排除约束构成的函数的能量函数使得所述第一体素专用于所述第一骨骼并且所述第二体素专用于所述第二骨骼，所述空间排除是使用作为第一和第二骨骼的标记对骨骼重叠的检查；以及

-在所述最小化之后产生第一和第二分割的图像。

15.如权利要求14所述的非暂时的计算机可读贮存介质，其中，最小化仅对于也被标记为属于所述第一分割的与所述第二体素相关联的局部区域进行。

16.如权利要求14所述的非暂时的计算机可读贮存介质，其中，标记第一和第二体素包括将第一和第二分割分别分割为第一和第二骨骼。

17.如权利要求14所述的非暂时的计算机可读贮存介质，其中，标记第一和第二体素包括分别确定第一和第二姿态，所述第一和第二姿态均包括方位和定向，适应第一和第二统计的形状模型以及最小化各自作为第一和第二分割的第一和第二距离的函数的用于适应的所述第一和第二统计的形状模型的第一和第二成本函数。

18.一种非暂时的计算机可读贮存介质，其中贮存表示指令的数据，所述指令由用于三维计算机断层扫描的多个对象分割的编程的处理器(12)执行，所述贮存介质包括指令用于：

-从计算机断层扫描信息识别第一对象的位置；

-从计算机断层扫描信息识别第二对象的位置；

-确定重叠的第一和第二对象的位置，其中重叠位置被识别为第一和第二对象二者；

-修改所述重叠的位置的每一个以使得专用于第一或第二对象；以及

-避免修改所述重叠之外的任何位置，从而不是重叠位置的第一和第二对象的位置作为分割结果被输出。

19.如权利要求18所述的非暂时的计算机可读贮存介质，其中，识别所述第一和第二对象的位置包括独立于所述第二对象识别所述第一对象以及独立于所述第一对象识别所述第二对象。

20.如权利要求18所述的非暂时的计算机可读贮存介质，其中，识别所述第一和第二对象的位置包括各自作为第一和第二置信图的函数的分别分割，并且其中修改包括作为所述第一和第二置信图的函数共同地修改所述第一和第二对象。