CN104641397B

CN104641397B - 用于自动化脊柱加标签的方法、装置和系统

Info

Publication number: CN104641397B
Application number: CN201380039267.5A
Authority: CN
Inventors: D.马乔; J.赫拉杜卡; K.贝尔勒; F.舒尔策
Original assignee: IMP MOLECULAR PATHOLOGY INSTITUTE Co Ltd; VRVIS VIRTUAL REALITY AND VISUALIZATION RESEARCH CENTER Co Ltd; Agfa HealthCare NV
Current assignee: AGFA HEALTHCARE; Imp Molecular Pathology Institute Co ltd; Vrvis Virtual Reality And Visualization Research Center LLC
Priority date: 2012-07-24
Filing date: 2013-07-23
Publication date: 2018-04-27
Anticipated expiration: 2033-07-23
Also published as: BR112015001099A2; EP2690596B1; WO2014016268A1; US9408584B2; BR112015001099B1; US20150173701A1; EP2690596A1; CN104641397A

Abstract

本发明涉及一种用于对人类或动物体的图像、特别是计算机断层扫描（CT）图像中的脊柱的一个或多个部分加标签的方法及相应装置和系统。为了实现可靠的脊柱加标签和图像的高吞吐量，提供了以下步骤：a）通过开始使脊柱段的所述模型与图像中的脊柱的初始段匹配，其中，图像中的脊柱的所述初始段沿着图像中的脊柱位于初始位置处，并且通过继续使脊柱段的所述模型与图像中的脊柱的一个或多个另外的段匹配，其中，图像中的脊柱的所述另外的段沿着图像中的脊柱位于另外的位置处，从而使脊柱段的模型与图像中的脊柱的段匹配，其中，脊柱段的所述模型涉及脊柱的一个或多个部分的解剖性质，以及b）响应于步骤a）而对图像中的脊柱的一个或多个部分加标签。

Description

用于自动化脊柱加标签的方法、装置和系统

本发明涉及根据独立权利要求的用于人类或动物体的图像、特别是计算机断层扫描（CT）图像中的脊柱的自动化加标签的方法及对应的装置和系统。

有和没有腹部、胸部和/或颈部的对比剂情况下的CT图像的采集是用于诊断大量疾病或损伤的例行程序。脊柱表示用于描述器官和病变的位置的身体的上部的自然参考结构。为了用作每日临床例程中的参考系统，必须对图像中的椎骨和/或椎间盘加标签。手动加标签可能是耗费时间的，尤其是如果只有脊柱的任意部分在数据中是可见的。因此，自动方法是令人感兴趣的，其在没有任何用户交互的情况下在图像采集之后递送加标签结果。

对于加标签任务而言，例如椎骨和/或盘之类的脊柱组成部分的稀疏局部化就足够了。在本上下文内，术语“稀疏”指的是要求，根据该要求，正确的解剖标签在示出某个椎骨或椎间盘的所有视图中且可选地还在3D再现（rendering）中应是可见的。这不一定要求所有脊柱结构的完全分段。盘和椎骨的中心的局部化及其范围的粗略近似递送足够的结果。

虽然此任务看起来是微不足道的，但用于支持放射治疗师的3D CT数据的全自动加标签系统的实现是有挑战性的：加标签应在合理的时间内可用，以便保证图像采集之后的快速诊断。尽管如此，加标签算法必须可靠地处理变化的分辨率和图像质量，以尺寸、形状、骨密度方面的变化和不同数目的椎骨示出脊柱。基于手术程序的比如脊柱侧弯、塌陷盘、椎骨折断、退行性变化或椎骨融合之类的对比剂或病变的存在使得对所选方法的灵活性提出高要求。

本发明的目的是提供一种具有高可靠性和高图像吞吐量的用于人类或动物体的图像中的脊柱的自动化加标签的方法、装置和系统。

此目的由根据独立权利要求所述的方法、装置和系统实现。

根据本发明的方法包括以下步骤：a）通过开始使脊柱段的所述模型与图像中的脊柱的初始段匹配（其中图像中的脊柱的所述初始段沿着图像中的脊柱位于初始位置处），并且通过继续使脊柱段的所述模型与图像中的脊柱的一个或多个另外的段匹配（其中图像中的脊柱的所述另外的段沿着图像中的脊柱位于另外的位置处）来使脊柱段的模型与图像中的脊柱的段匹配，其中，脊柱段的所述模型涉及脊柱的一个或多个部分的解剖性质，以及b）响应于步骤a）而对图像中的脊柱的一个或多个部分加标签。

根据本发明的装置包括图像处理单元，其用于执行和/或控制以下步骤：a）通过开始使脊柱段的所述模型与图像中的脊柱的初始段匹配（其中图像中的脊柱的所述初始段沿着图像中的脊柱位于初始位置处），并且通过继续使脊柱段的所述模型与图像中的脊柱的一个或多个另外的段匹配（其中图像中的脊柱的所述另外的段沿着图像中的脊柱位于另外的位置处）来使脊柱段的模型与图像中的脊柱的段匹配，其中，脊柱段的所述模型涉及脊柱的一个或多个部分的解剖性质，以及b）响应于步骤a）而对图像中的脊柱的一个或多个部分加标签。

根据本发明的系统包括根据本发明的用于获取人类或动物体的至少一部分的至少一个图像的图像采集单元（特别是计算机断层扫描（CT）单元）和用于图像中的脊柱的自动化加标签的装置。

本发明是基于用于对CT数据中所示的脊柱的任意部分加标签的全自动算法。该算法通过检测参考区域（例如骶骨）来发现具有其解剖标签的初始位置，并且随后自动地对所有其余可见的盘和椎骨加标签。优选地，应用用于由马尔可夫随机场（MRF）进行的稀疏结构局部化的高性能方法，其中，构建稀疏3盘MRF模型，并且从初始位置开始，传播至脊柱的所有部分。优选地，将感兴趣区域内部的基于提升决策树的特征检测方法用于MRF模型匹配的优化。此外，考虑关于脊柱解剖和外观的先验知识。

借助于本发明，在更少的时间内获得高精度结果—甚至对于仅少数椎骨的CT扫描而言，使得实现要加标签的图像的高可靠性和高吞吐量两者。例如，对于由512×512轴向切片（slice）构成的体图像而言，实现在约2分钟内的99,0%的平均加标签精度。

在本发明的上下文中，术语“脊柱的一部分”优选地涉及脊柱的椎骨或椎间盘。术语“脊柱段”和“脊柱的段”优选地涉及脊柱的一部分，包括脊柱的一个或多个部分，特别是一个或多个椎骨和/或椎间盘。因此，“脊柱的初始段”或“脊柱的另外的段”包括分别地位于脊柱上或沿着脊柱的初始或另外的位置处的脊柱的一个或多个部分。

在本发明的意义上的术语“匹配”或“要匹配”涉及脊柱段的所述模型与图像中的脊柱的段的比较和/或脊柱段的模型是否与图像中的脊柱的段相对应和/或相关的检查。

此外，关于使脊柱段的模型与图像中的脊柱的段匹配的术语“响应于”意味着依赖于和/或受制于所述比较和/或检查步骤的结果来对脊柱的一个或多个部分加标签。特别地，如果脊柱段的模型与图像中的脊柱的段相对应和/或相关，则根据脊柱段的模型的对应部分而对图像中的脊柱的所述段的一个或多个部分（即椎骨和/或盘）加标签。

在本发明的优选实施例中，所述另外的位置对应于从所述初始位置传播的位置。这意味着在使脊柱段的所述模型与图像中的脊柱的所述初始段匹配完成时，使脊柱段的所述模型与位于第一另外的位置处的脊柱的至少一个第一另外的段匹配，其中，所述第一另外的位置紧挨着所述初始位置和/或脊柱的所述第一另外段邻近于脊柱的所述初始段。此外，在使脊柱段的所述模型与图像中的脊柱的所述第一另外的段匹配完成时，使脊柱段的所述模型与位于第二另外位置处的脊柱的至少一个第二另外的段匹配，其中，所述另外的位置紧挨着所述第一另外的位置和/或脊柱的所述第二另外的段邻近于脊柱的所述第一另外的段。可针对位于相应的另外的位置处的图像中的脊柱的第三、第四、第五等另外的段重复此匹配过程。通过使脊柱模型与传播位置和脊柱的相应的段匹配，必须建立仅一个有希望的初始位置，使得发明方法非常快速且可靠。

在本发明的另一优选实施例中，图像中的脊柱的一个或多个部分对应于图像中的脊柱的一个或多个椎骨和/或椎间盘。用这个手段，可以非常快速地对脊柱的高度相关且可识别部分加标签。

根据另一优选实施例，脊柱段的所述模型涉及脊柱的两个至五个椎骨和/或椎间盘的解剖性质。特别地，脊柱段的所述模型涉及脊柱的三个椎间盘的解剖性质和/或脊柱的两个椎骨的解剖性质。因此，为了确保高可靠性和吞吐量，包括小的数目的椎骨和/或椎间盘的图像中的脊柱的仅相对小的段就足够了。

优选地，脊柱的所述三个椎间盘与脊柱的所述两个椎骨相关联。在本上下文中，术语“关联”意指脊柱段的所述模型考虑两个连续椎骨、这两个连续椎骨之间的盘和邻近于这两个连续椎骨（即在其“底部”和“顶部”处）的两个盘的解剖性质。此类型的脊柱段模型导致日常例程中的图像吞吐量的相当大的增加和脊柱加标签方面的高可靠性两者。由于在没有对可靠性的不利影响的情况下仅要求脊柱的小段，所以进一步增强了本发明的灵活性和多用性。

根据本发明的另一优选实施例，通过考虑关于脊柱的解剖知识来建立图像中的脊柱段的所述初始位置。优选地，通过检测图像中的脊柱的至少一个解剖界标（landmark）来建立图像中的脊柱的初始段的所述初始位置。特别地，所述至少一个解剖界标涉及到以下各项中的一个：第一肋骨处的椎骨（T1）、最后肋骨处的椎骨（T12）和/或骶骨孔（S1）。这样，非常快速地建立导致良好匹配结果的可靠且有希望的初始位置，使得还增加图像吞吐量和加标签可靠性。

优选地，在建立初始段的初始位置之前，检测脊柱的脊柱管。随后，确定紧挨着脊柱管定位的一个或多个初始段候选，特别是椎间盘。此外，确定关于过渡盘的所谓过渡检测器，例如C7/T1、T12/L1或L5/S1。

在本发明的上下文内，术语“检测器”或“特征检测器”指的是旨在计算图像信息的提取（abstraction）并在每个图像点处进行在该点处是否存在给定类型的图像特征（例如，特别是图像的感兴趣部分）的本地决策的方法。因此，术语“过渡检测器”指的是用于找到至少两个图像特征之间的过渡的方法。

此外，优选的是借助于盘外观简档（profile）或盘简档、特别是借助于椎间盘候选的简档和/或过渡检测器来建立图像中的脊柱段的所述初始位置。优选地，向最突出的盘候选指派盘标签。

在本发明的另一优选实施例中，通过借助于正则表达式匹配（即通过使盘简档与全脊柱简档匹配）来推知初始化盘而建立图像中的脊柱段的所述初始位置。在本发明的上下文中的术语“正则表达式匹配”涉及提供用以匹配、即指定并识别图案（诸如文本的字符串（string）或字符图案或图像或其一部分的图案或简档）的简洁且灵活的手段的正则表达式。

优选地，盘简档对应于通过将每个盘候选（θ_m）分类到区域类（“C”、“T”、“L”）或区域过渡不确定性（“.”）而将一组盘候选（{θ_m}）映射到的区域类的字符串（“TTT.LLL.”）。

优选地，借助于盘检测器（Ф_C、Ф_T、Ф_L）来检测一组盘候选（{θ_m}），其被训练成分别地检测脊柱的颈部（“C”）、胸部（“T”）和腰部区域（“L”）中的盘。

优选地，通过借助于正则表达式匹配来推知初始化盘来建立图像中的脊柱的段的所述初始位置，其中使盘简档（“TTT.LLL.”）与全脊柱简档（“CCCCCCTTTTTTTTTTTTLLLLL”）匹配。

优选地，可以由盘简档（“TTT.LLL.”）中的区域过渡不确定性（“.”）产生多个初始化盘候选。优选地，通过多个加标签系列（labeling runs）来解析（resolve）多个初始化盘候选。

优选地，通过借助于对脊柱的三个最不同过渡盘（C7/T1、T12/L1、L5/S1）中的一个进行局部化来推知初始化盘而建立图像中的脊柱段的所述初始位置。

优选地，用过渡检测器（Ф_CT、Ф_TL、Ф_LS）来检测过渡盘（C7/T1、T12/L1、L5/S1），其被训练成检测颈部/胸部（CT）、胸部/腰部（TL）和腰部/骶骨（LS）过渡。

优选地，通过考虑马尔可夫随机场（MRF）匹配质量来建立图像中的脊柱段的所述初始位置。本发明的上下文中的MRF是联合概率分布的图形模型。其由其中节点表示随机变量的无向图表组成。MRF是用以对诸如图像像素和相关特征之类的上下文相关实体进行建模的方便且一致的方式。这是通过使用有条件MRF分布来表征在此类实体之中的相互影响而实现的。

上文所阐述的优选步骤单独地或以组合方式还对图像吞吐量和可靠性的进一步增强有所贡献。

根据以下各图的以下描述，本发明的更多的优点、特征和示例将是显而易见的：

图1示出了根据本发明的装置和系统的示例；

图2示出了放射学软件中的椎骨标签的多视图再现的示例；

图3示出了具有加注释界标的CT图像的示例；

图4示出了（左）用于固定椎间“中间盘”d_i的稀疏3盘模型和（右）围绕盘d_i且沿着由d_i和d_i+1限定的边缘的可转向（steerable）采样图案的2D矢状投影，其中，图案层限定区域R₁…R_r；

图5示出了关于矢状投影中的脊柱加标签框架的概观；

图6示出了正确地加标签的全脊柱数据集的示例；以及

图7示出了脊柱的各部分的正确地加标签的数据集的另外的示例。

图1示出了根据本发明的装置10和系统的示例。用医学成像装置12、特别是计算机断层扫描（CT）装置来获取医学图像数据集11，其包括人类或动物体的多个图像，特别是切片图像。

装置10包括图像数据集11被馈送到的控制单元13，例如工作站或个人计算机（PC）。优选地，可以经由控制单元13被至少临时地连接到的数据网络18而将图像数据集11从医学成像装置12传输至控制单元13。例如，数据网络18可以是医院环境中的局域网（LAN）或无线LAN（WLAN）或因特网。

优选地，控制单元13被配置成分别地在显示器14（例如工作站或PC的TFT屏幕）上生成图像数据集11的体积重构和/或切片视图15。此外，根据本发明，控制单元13被设计成在图像数据集11中对脊柱的一个或多个部分加标签。

在图1中所示的示例中，用指示所显示椎骨19对应于脊柱的第三腰椎骨的标签“L3”来对轴向切片视图15中的椎骨19加标签，即进行标记或表示。

图2示出了放射学软件中的椎骨标签的多视图再现的示例。图2的左部分再次示出了在图1中所示的显示器14上再现的轴向切片视图15。图2的中间部分示出了脊柱段的矢状切片视图16，其中，用“L3”来对相应的椎骨加标签。在图2的右部分中，示出了图像数据集的三维表示，其中，用相应的标签“L1”至“L5”来对包含在图像中的所有椎骨加标签。

脊柱表示人体上部的自然参考框架。为了对附近的器官和病变进行局部化，稀疏脊柱加标签就足够了，其中，正确的椎骨/盘标签在其分段之前在任意的2D和3D视图中是可见的。根据本发明的一方面，提出了用以在3D CT数据集中稀疏地对脊柱加标签的自动无分段法，并且着眼于两个主要目标来设计相应的框架。首先，要放宽对用于对完全和部分脊柱扫描两者加标签的输入数据的要求。虽然主要使用数据中的骶骨T12或T1椎骨的存在，但其并不是严格地必须的。其次，为了在日常临床例程中使用，根据本发明的方法、装置和系统需要是高吞吐量的，能够在少数分钟内处理数千个切片。为了实现这些目标，优选地在概率提升树中对来自训练数据的结构知识进行编码并将其用来检测输入扫描中的相关界标。然后优选地通过对解剖知识进行编码的稀疏外观模型的基于马尔可夫随机场的匹配来对期望盘界标和标签进行局部化。

下面将更详细地提出上文概述的脊柱加标签方法。

1. 构建脊柱相关模型

1.1 数据要求

与根据现有技术的方法相反，本发明并不预期在CT扫描中将存在脊柱的任何特定部分。更确切地说，唯一的要求是在数据中具有脊柱的至少三椎间盘部分。另外，要求在DICOM标签中可用的以下信息：（1）CT至豪恩斯菲尔德（CT-to-Hounsfield）强度变换和（2）病人位置。

1.2 训练数据注释

已满足这些要求，重构病人的豪恩斯菲尔德标度中和右旋性头向前仰卧（面朝上）取向中的体积I_k。以以下方式对数据进行注释：针对存在于图像I_k ∈ S，k=1…48中的每个盘界标d_i，i=1…23，用解剖标签Λ_i ∈ {C2/C3, C3/C4, …, L4/L5, L5/S1}对盘d^k _i的中心位置进行注释。近似该盘的圆筒K^k _di位于盘中心d^k _i处。此外，紧挨着盘界标d_i，将具有解剖标签Λ_i的导管界标c_i放置在位置c^k _i处的脊柱管内，落在由脊柱管和盘中心限定的垂线上。用由落在c^k _i和c^k _i+1的线性内插上的中间点定义的界标来扩展导管界标集合。围绕c^k _i的圆筒K^k _ci近似脊柱管的范围。将具有解剖标签Λ_j ∈ {T1, …, T12}的另外的界标b_j（j = 1…12）放置于在两个最上骶骨孔s^k ₁、s^k ₂的中心上的s₁、s₂和肋骨主体b^k _j的中间。将圆筒K^k _bj；K^k _s1、K^k _s2放置在b^k _j、s^k ₁、s^k ₂周围以近似其范围。

图3分别地示出了矢状、冠状和轴向平面中的CT图像的示例，其已被相应地用界标进行注释，即盘中心d_i、脊柱管中心c_i、肋骨b_j和骶骨孔中心s₁、s₂。为了更好的明了性，在此表示中未将内插脊柱管界标可视化。

1.3 获悉目标区域的外观

为了对椎间盘进行检测并加标签，针对此目的训练专用于颈部、胸部以及腰部盘的三个检测器。然而，为了删除输入体积并清除盘异常值，以检测最可靠的参考结构（即脊柱管）开始。为了推知初始化标签，进一步训练三个检测器以检测T1肋骨、T12肋骨以及最上骶骨孔。

1.3.1 脊柱管检测器：Ф_S

优选地，选择脊柱管作为脊柱相关问题的中心部分。在被注释点c^k _i周围的圆筒K^k _ci内生成用于脊柱管检测器Ф_S的肯定的（positive）样本。随机地生成否定的（negative）样本，约束为具有到肯定的区域的10 mm的最小距离。

1.3.2 盘检测器：Ф_C、Ф_T、Ф_L

为了将标签放置在椎间盘内，获悉三个盘检测器Ф_C、Ф_T、Ф_L以检测分别地在颈部、胸部和腰部区域中的盘。

由相应区域的圆筒形盘近似K^k _di生成肯定的盘样本：从{C2/C3, …, C7/T1}盘获悉Ф_C，从{T1/T2, …, T12/L1}获悉Ф_T，并从{L1/L2, …, L5/S1}获悉Ф_L。

从配对物（counterpart）盘以及从到肯定的样本具有10mm的确保最小距离的随机分布获取否定的样本。

虽然盘检测器在其已被进行训练的区域中最佳地进行响应，但是错误的肯定的响应可频繁地发生，尤其是在颈部/胸部和胸部/腰部过渡中。因此可将盘作为簇而在全部三个盘检测器响应的并集Ф_C ∪ Ф_T ∪ Ф_L中被最佳地局部化。

然而，需要从响应Ф_C、Ф_T和Ф_L的相对贡献中获悉具有特定区域的混合盘簇的关联。将三个检测器的后验概率组合以将盘簇分类成相应区域“C”、“T”、“L”或“.”中的一个以反映区域过渡和另外的不确定性。

1.3.3 过渡检测器： Ф_CT、Ф_TL、Ф_LS

训练以下三个检测器以检测其中可以容易地根据：颈部/胸部、胸部/腰部以及腰部/骶骨对加标签进行初始化的三个过渡。特征检测器

Ф_CT被训练成检测T1肋骨中的体素。在肋骨点b^k ₁周围的圆筒形区域K^k _b1内生成肯定的肋骨样本；

Ф_TL被训练成检测T12肋骨中的体素。类似于T1，在肋骨点b^k ₁₂周围的圆筒K^k _b12内生成肯定的T12肋骨样本。

Ф_LS被训练成检测骶骨孔点s^k ₁、s^k ₂。将肯定的样本约束为骶骨孔圆筒近似K^k _s1、K^k _s2。

作为用于全部过渡检测器的否定的样本，获取全部的其余已注释部分，身体的手动所选部分（即椎骨的横突）和到肯定的样本具有10mm的安全裕度的随机采样点。

1.3.4 采用概率提升树

为了在训练和测试两者期间执行特征检测，采用概率提升树（PBT）。PBT是特殊种类的决策树，其保持每个树节点处的全体弱分类器并将其组成为一个强分类器。优选地在本发明中使用的弱分类器包括所谓的类Haar特征、图像衍生物（image derivatives）（强度、梯度量值、结构张量以及主曲率）及其直方图。

优选地，使用级联、分类器分类和多分辨率方案以便优化时间性能。级联仅考虑沿着树延伸的真样本，而分类器分类首先使用廉价分类器以及在树的较深水平处的更昂贵的一些。多分辨率方案显著地减少了要处理的体素量。每个检测器由用于分辨率的3个水平的3个提升决策树分类器（n＝0…2）构成。将输入体积I_k再采样成具有2ⁿ mm的体素尺寸的3个各向异性网格Iⁿ _k的金字塔。在分类期间，以粗至细方式来应用特征检测器，即，早在任何测试一失败就终止。

1.4 3盘模型

来自盘检测器的特征云通常不适合于最终结果。首先，在盘柱外部和内部两者存在错误的肯定（异常值）。其次，存在有问题数据，例如在折断椎骨塌陷盘的情况下，其中盘被弱地检测或者甚至仍然未被检测。

为了在后来修正盘检测并补偿弱的或遗漏的盘特征云，稀疏MRF外观模型记录关于局部图像区域、其之间的边缘的外观和关于这些区域的几何设置（setup）的先验信息。

对3个连续盘的复合物的几何设置和解剖外观进行建模并在沿着脊柱传播的同时根据形态测量学来进行修改（adapt）。这相比于全脊柱的模型而言具有三个优点。首先，局部地完成匹配且其因此是快速且强健的。其次，可以容易地将解剖变化集成到整个框架中。第三，在仅包含脊柱的一部分的数据集上可应用框架。

图4的左部分示出了脊柱段的椎骨20至22和椎间盘24至26。在下面阐述的脊柱段的模型中，优选地考虑两个连续的椎骨21和22、位于连续椎骨21和22之间的中间盘25以及分别地邻近于上椎骨21的上侧或下椎骨22的下侧的上和下盘24和26。

1.4.1 设置

针对固定的盘标签，3盘模型的计算涉及到围绕盘界标d_i的6个节点和优选地11或5个边缘，遍及包含盘d_i-1、d_i、d_i+1的整个3元组的所有训练图像。这在图4的左部分中图示出，其中，用11个边缘来连接6个节点d_i、d_i+1、d_i-1、c_i、c_i+1和c_i-1。为了计算盘界标d_i周围的3盘模型，优选地考虑全部的11个边缘，或者替换地，涉及到其仅5边缘子集，如在图4中用粗线示例性地指示的。

针对每个训练体积I_k ∈ S_tr，跨越局部坐标系，具有在第i个盘界标d_i处的参考点和三个正交矢量：

随后，计算形态测量学特征矢量以捕捉外观特征矢量、和6个节点的几何配置以分别地以稀疏方式对6个节点和11或5个边缘两者的外观进行建模。

在本发明的上下文中，术语“特征矢量”一般地涉及表示对象的数字特征的多维矢量。因此，“形态测量学特征矢量”涉及关于对象的外形（即尺寸和形状）的定量分析的数字特征的多维矢量，并且“外观特征矢量”涉及关于对象的纹理（特别是表面纹理）的定量分析的数字特征的多维矢量。

最后将把模型计算为跨训练数据的平均特征矢量。

1.4.2. 形态测量学特征矢量

针对每个边缘e，计算其长度//e//和与局部坐标系的3个角度，即

分别地提供44维或20维特征矢量：

。

1.4.3. 外观特征矢量

用r个采样图案R₁、R₂、…R_r之间的强度差来对边缘和节点的外观进行建模。

虽然线性地对边缘进行采样，但节点采样图案是可转向特征：与u¹ _i正交的层根据所捕捉的形态测量学而位移和进行缩放。这借助于图4（右部分）图示出，其示出了围绕盘d_i-1的可转向采样区域R的2D矢状投影，以及沿着由d_i和d_i+1限定的边缘的样本，其中，图案层分别地限定区域R₁…R_rN或R_rε。u_i ¹、u_i ²和u_i ³限定盘d_i处的局部坐标系。

针对每个节点/边缘，创建特征矢量D，其计算区域对R_A和R_B的所有可能组合之间的强度和差：

这提供用于每个边缘和6个节点的维外观矢量。可以通过设置rN＝0来排除边缘外观。取决于实际配置，边缘外观矢量因此分别地变成11×维、5×维或0维，并且节点外观矢量变成6×维。

1.4.4. 模型

通过对所有训练数据S_tr的特征矢量求平均来计算模型的最后边缘—节点特征矢量：

（1）

针对每个盘标签从C3/C4至L4/L5构建模型，即2 ≤ i ≤ 22。

另外，模型、、与其到骶骨孔的最底部的盘中心d₂₁；d₂₂；d₂₃的平均距离s^- ₂₁、s^- ₂₂、s^- ₂₃相关联。

2. 加标签框架

在本节中，将参考图5来描述在其组成部分之后的脊柱自动加标签框架，其示出了处于根据本发明的方法的不同阶段或步骤（对应于图5的部分a至f）的图像中的脊柱段的矢状投影。在给定示例中，图像中的脊柱段包括13个椎骨和14个椎间盘。

在输入CT图像数据（图5a）之后，执行特征检测以便删除搜索空间以用于后续模型匹配。在这里，脊柱管的检测（参见图5b和下面的小节2.1）后面是检测与之紧挨着的椎间盘候选和过渡检测器（参见图5c和下面的小节2.2）。

随后的初始化盘识别是基于盘候选、其简档以及过渡检测器。因此，向最突出的盘候选指派盘标签（参见图5d和下面的小节2.3）。

在下面的步骤中，执行模型匹配和传播，其中，使由初始化标签确定的3盘模型与盘和导管特征的子集匹配（参见图5e和下面的小节2.4）。该匹配向上和/或向下传播，直至满足停止标准为止（参见下面的小节2.5）。在最后步骤中，根据先前模型匹配和传播步骤的结果用相应的标签对脊柱的CT图像加标签（参见图5f）。

下面将更详细地描述脊柱自动加标签框架的上述步骤。

2.1. 脊柱管

在本发明的优选实施例中，该算法考虑作为明显特征的脊柱管。因此，在整个体积内部应用脊柱管特征检测器Ф_S。肯定的分类体素提供点云。为了避免错误的肯定，将B样条拟合到此云的最高连接分量。在下面，B样条还将称为导管样条ϛ（参见图5b）。

2.2. 盘候选和简档

为了加速盘候选的检测，使盘检测器Ф_C、Ф_T、Ф_L局限于沿着导管样条ϛ被最大可能的盘排除的区域。

肯定地分类的体素提供颈部、胸部以及腰部特征云，C、T和L。为了消除错误的肯定并仅提供真实的盘点，确定沿着导管样条的盘点的最高浓度的位置。

以1 mm的固定弧长对导管样条进行采样，提供一组点和切线{ϛ _s, ϛ'_s}。每个样条样本ϛ _s与距离由（ϛ _s, ϛ'_s）定义的平面小于0,5mm的盘特征子集C_s、T_s和L_s相关联并计数为：Σ_s = |C_s| + |T_s| + |L_s|。其中∑_m获得局部最大值（相对于最小椎骨高度的窗口）的导管样本ϛ _m落在盘平面中，并且对应特征簇θ_m = avg(C_m ∪ T_m ∪ L_m)的质心被挑选为盘候选。根据上文的小节1.3.2，使用对应计数|C_m| + |T_m|+ |L_m|来将每个盘候选θ_m分类，即为区域类“C”、“T”、“L”或区域过渡不确定性“.”。所有盘候选的集合{θ_m}被映射成区域类的字符串并将其称为盘简档。例如，盘简档“TTT.LLL.”对应于具有两个不确定盘候选θ₄和θ₈的胸—腰过渡。在图5c中，示出了盘检测器Ф_T、Ф_L和过渡检测器Ф_TL。

2.3. 初始化盘及其标签

从一组盘候选{θ_m}中，挑选初始的一个θ_i，对于其而言，可以可靠地指派盘标签Λ_i。优选地，对三个最可区别过渡盘C7/T1、T12/L1以及L5/S1中的一个进行局部化（参见下面的小节2.3.1）。如果这些过渡盘中没有一个可以被局部化，则用盘简档到全脊柱简档的正则表达式匹配来推知初始化盘标签（参见下面的小节2.3.2）。

2.3.1. 应用过渡检测器

如果盘简档对其进行暗示，则上面小结1.3.3中介绍的三个过渡检测器被在脊柱管附近应用，可以如下一推知初始化盘就终止:

-紧挨着潜在的C至T过渡来计算C7/T1肋骨特征（Ф_CT）。在矢状投影中评估特征点与盘候选的重叠。为具有最大特征重叠的盘候选指派盘标签C7/T1。

-紧挨着潜在的T至L过渡来计算T12/L1肋骨特征（Ф_TL）。类似于先前情况，为具有最大特征重叠的盘候选指派盘标签T12/L1。

-在样条的底部尖端附近计算骶骨特征（Ф_LS），条件是在简档的底部处存在一连串的L类盘候选。将Ф_LS的质心与最底部盘候选之间的距离与在小节1.4.4中介绍的全部的三个盘至孔距离s^- ₂₁、s^- ₂₂、s^- ₂₃相比较。在大多数情况下，s^- ₂₃确定与过渡标签L5/S1的最佳匹配。对于其中未检测到最底部盘的麻烦情况而言，与s^- ₂₂或者甚至s^- ₂₁的匹配可对最底部标签，即L4/L5或L3/L4作出决策。

2.3.2. 解析模糊

如果所有上面过渡检测器由于不足的特征或缺少特征与简档相对应而失败，则应用正则表达式搜索以使盘简档与全脊柱简档“CCCCCCTTTTTTTTTTTTLLLLL”匹配。

虽然此类匹配可能碰巧是唯一的，但是必须准备该算法以处理由盘简档中的遗漏过渡（例如只要看到CT扫描中的胸部的一部分）或不确定性产生的最后的多个候选。示例盘简档“TTT.LLL.”将提供两个匹配“TTTLLLLL”和“TTTTLLLL”，具有用于标签T12/L1的两个候选，即θ₃和θ₄。类似地，“LLL”简档将提供腰部分中的三个候选配置，“TTTTTT”将提供胸部中的7个候选配置等等。

用从每个盘标签对初始化的多个加标签系列来解析多个候选。用如下所示的MRF匹配质量来估计加标签结果。

2.4 使用MRF的模型匹配

已发现盘i处的初始化（θ_i，Λ_i），先前所识别的相邻盘候选的6元组

及其关联导管点变得经受用模型进行精炼和/或被针对最后的遗漏盘特征进行补偿。

大量的100个最近盘或导管特征分别地被关联到6元组点中的每一个（参见图4）。6×100个点变成精炼候选。任务是找到模型与100⁶个可能配置中的一个τ_i的最佳匹配，因为6个模型节点中的每一个尝试在其100个关联候选之中找到最佳位置。

将用模型（等式（1））的特征描述符

和根据配置τ_i类推地计算的描述符

之间的欧几里得距离来估计模型到特定6元组配置τ_i的适应性Q

。

由于NP难以发现模型的确切的最佳匹配，即最大质量配置

所以应用高效近似方法，其涉及到被馈送到所谓的最大和解算器的6×100节点质量矩阵C和11×100²边缘质量矩阵E的计算。

最佳匹配模型的参考节点d_i被固定为与Λ_i相关联的最终位置d^* _i。如果已分别地匹配了最上或最底部的模型或，则另外分别地将模型的参考节点d₁或d₂₃看作分别地与标签Λ₁或Λ₂₃相关联的最终位置。

补偿遗漏盘

不足的盘特征（例如，由于椎骨塌陷、病变）将导致模型的不适当的基于MRF的匹配。为了计及其，可以根据训练数据来预先计算假边缘和节点质量，提供扩展质量矩阵，即11 × (100 + 1)²矩阵E'和6 × (100 + 1)矩阵C'。如果模型使用假质量而碰巧发现最佳值，则向盘候选集合{θ_m}中插入额外点。

2.5. 传播

在已匹配初始的MRF模型之后，算法沿着导管样条向下和/或向上传播，以便精炼输入体积中的其余标签位置{j}。

在向下传播期间，（θ_i+1，Λ_i+1）变成初始化位置/标签对且6元组

经受被模型精炼。向下传播在满足以下标准中的任一个时终止：到达体积数据底部或对边缘盘（L5/S1）加标签。向上传播类似于向下传播。

可以用模型与输入数据集中的所有所检测盘{j}的最佳匹配（参见等式（3））的几何结构组成部分来估计向上/向下传播之后的总的加标签，不包括由于假情况而优化的模型：

。

2.6. 最终化

估计多个初始化：用总的加标签质量来比较来自最后的多个初始化（小节2.3.2）的加标签结果（参见等式（4））。具有最大总的加标签质量Q↕的加标签变成最后的一个。

通过内插的椎骨标签：模型匹配框架递送椎间盘的位置。借助于相邻盘之间的线性内插来获得椎体位置和标签。

2.7 结果

通过将上文所阐述的方法应用到图5中给出的示例，将脊柱图像中的椎间盘T12/L1确定为脊柱的初始化盘，即初始段，并相应地用“T12/L1”来加标签（参见图5d）。

随后，如图5e中所示，模型匹配以脊柱段的模型开始，其考虑与图4的左部分中所示的中间盘25对应的初始化盘T12/L1周围的三个椎间盘和两个椎骨的性质。

在模型匹配到脊柱的另外的段的反复传播之后，检测从L2/L3至T1/T2的椎间盘并相应地在图像中加标签，如图5f中所示。

图6示出了已借助于本发明的方法被正确地加标签的全脊柱图像数据集的示例。如从图中显而易见的，从颈椎骨C3到腰椎骨L5用相应的脊柱标签Cn、Tn和Ln来对在图像中表示的椎骨进行注释。

图7示出了脊柱的各部分的已加标签图像数据集的另外的示例。在左图像中表示的脊柱段以塌陷椎骨和椎间盘突出为特征；尽管这些不利解剖条件，但借助于本发明，从颈椎骨C7至腰椎骨L2仍正确地对相应的椎骨加标签。其也适用于以极端脊柱侧弯的脊柱段为特征的中间图像，其中，从胸椎骨T12至腰椎骨L5正确地对椎骨加标签。右侧图像示出了从C3至T3加标签的正确加标签的颈部图像数据集。

3. 结论

总之，用本文公开的方法、装置和系统，脊柱的完全和部分CT扫描两者被可靠地且在临床合理时间内加标签。在95,5%的召回（recall）的情况下，上文所阐述的算法自动地对广泛的输入体积加标签，包括全脊柱、不同区域（颈部、胸部、腰部）处的部分扫描、具有病变的数据（例如脊柱侧弯、骨质疏松症、盘塌陷）、以及由不同的卖主（例如GE、菲利普或西门子）以各种空间分辨率获取的数据。在5,7分钟内加标签的示例性512×512×5966数据集证明该方法非常好地进行缩放。

为了应对输入数据中的所有此变化，基于以下想法而引入框架：首先，用三盘模型来精炼目标结构、主要是椎间盘和脊柱管的快速特征检测。其次，用所获悉的结构来确保正确加标签以在C7/T1、T12/L1和L5/S1中的一个处识别初始盘。

优选地，可以用盘取向估计来扩展上文所阐述的框架。这可以可靠地从导管样条切线导出。事实上，我们的框架的导管特征和样条拟合是强健的，使得研究导管样条的Frenet框架（即，曲率和挠率）以将脊柱异常量化也是可能的。

此外，在上文所阐述的算法内假设具有24个椎骨的脊柱的标准寰椎，但是存在具有一个或多或少的椎骨的异常。可以通过在盘初始化步骤中相对于参考结构（肋骨、骶骨孔）查看盘候选的数目来解析这种情况。此外，关于MR数据训练全自动脊柱加标签框架并用更多的示例来扩展训练数据是可能的，该示例覆盖形态测量学中的较高程度的异常和偏差，例如来自儿童的脊柱扫描。

Claims

1.一种用于对人类或动物体的图像中的脊柱的一个或多个部分加标签的方法，所述方法包括以下步骤：

a）通过以下各项来使脊柱段的模型与图像中的脊柱的段匹配：

—开始使脊柱段的所述模型与图像中的脊柱的初始段匹配，其中，图像中的脊柱的所述初始段沿着图像中的脊柱位于初始位置处，以及

—继续使脊柱段的所述模型与图像中的脊柱的一个或多个另外的段匹配，其中，图像中的脊柱的所述另外的段沿着图像中的脊柱位于另外的位置处，

其中，脊柱段的所述模型涉及脊柱的一个或多个部分的解剖性质，以及

b）响应于步骤a）而对图像中的脊柱的一个或多个部分加标签，

其特征在于

盘简档表示脊柱段且对应于区域类的字符串并且借助于对应于区域类的字符串的盘简档来建立图像中的脊柱的初始化盘的初始位置，一组盘候选通过将每个盘候选分类成区域类或区域过渡不确定性而被映射到所述区域类的字符串，

其中，所述盘简档与全脊柱简档匹配，并且通过多个加标签系列来解析可以由盘简档中的区域过渡不确定性产生的多个初始化盘候选。

2.根据权利要求1所述的方法，其中，所述另外的位置对应于从所述初始位置传播的位置。

3.根据权利要求1所述的方法，其中，图像中的脊柱的所述一个或多个部分对应于图像中的脊柱的一个或多个椎骨和/或椎间盘。

4.根据权利要求1所述的方法，其中脊柱段的所述模型涉及脊柱的两个至五个椎骨和/或椎间盘的解剖性质。

5.根据权利要求4所述的方法，其中，脊柱段的所述模型涉及脊柱的三个椎间盘的解剖性质。

6.根据权利要求4所述的方法，其中，脊柱段的所述模型涉及脊柱的两个椎骨的解剖性质。

7.根据权利要求5所述的方法，其中，脊柱的所述三个椎间盘与脊柱的所述两个椎骨相关联。

8.根据权利要求6所述的方法，其中，脊柱的三个椎间盘与脊柱的所述两个椎骨相关联。

9.根据权利要求1所述的方法，其中，通过考虑关于脊柱的解剖知识来建立图像中的脊柱段的所述初始位置。

10.根据权利要求9所述的方法，其中，通过检测图像中的脊柱的至少一个解剖界标来建立图像中的脊柱段的所述初始位置。

11.根据权利要求10所述的方法，其中，所述至少一个解剖界标涉及到以下各项中的一个：第一肋骨处的椎骨（T1）、最后肋骨处的椎骨（T12）和/或骶骨孔（S₁）。

12.根据权利要求1所述的方法，其中，通过考虑马尔可夫随机场（MRF）匹配质量来建立图像中的脊柱段的所述初始位置。

13.一种用于对人类或动物体的图像中的脊柱的一个或多个部分加标签的装置，所述装置包括图像处理单元，用于

其特征在于

盘简档表示脊柱段且对应于区域类的字符串并且所述图像处理单元被设计成借助于对应于区域类的字符串的盘简档来建立图像中的脊柱的初始化盘的初始位置，一组盘候选通过将每个盘候选分类成区域类或区域过渡不确定性而被映射到所述区域类的字符串，

其中，所述盘简档与全脊柱简档匹配，并且通过多个加标签系列来解析可以从盘简档中的区域过渡不确定性产生的多个初始化盘候选。

14.一种用于对人类或动物体的图像中的脊柱的一个或多个部分加标签的系统，所述装置包括：

图像采集单元，特别是计算机断层扫描（CT）单元，用于获取人类或动物体的至少一部分的至少一个图像，以及根据权利要求13所述的装置。