技术摘要：
一种方法，包括：(a)针对多个器官中的每一个，收集(i)在轴向视图中扫描的一组胸部计算机断层摄影血管造影(CTA)图像和(ii)图像的手动分割；(b)预处理所述图像，使得它们共享相同的视场(FOV)；(c)使用图像及其手动分割来训练监督深度学习分割网络，其中从作为所有多个器  全部
背景技术：
本申请总体上涉及一种改进的数据处理装置和方法，并且更具体地涉及用于使用 完全卷积神经网络分割(segmentation)心脏CTA中的解剖结构的机制。
技术实现要素：
根据本发明，提供了一种方法，该方法包括(a)针对多个器官中的每一个采集(i) 在轴向视图中扫描的一组胸部计算机断层摄影血管造影(CTA)图像和(ii)图像的手动分 割；(b)预处理所述图像，使得它们共享相同的视场(FOV)；(c)使用图像及其手动分割来训 练监督深度学习分割网络，其中从作为所有多个器官的骰子分数的总和的多骰子分数来确 定损失，每个骰子分数被计算为手动分割与一个器官的网络的输出之间的相似性；(d)在该 训练网络上测试给定(输入)预处理图像，从而获得该给定图像的分割输出；以及(e)平滑所 述给定图像的所述分割输出。 在其他说明性实施例中，提供了一种计算机程序产品，该计算机程序产品包括具 有计算机可读程序的计算机可用或可读介质。当在计算装置上执行时，计算机可读程序使 计算装置执行以上关于方法说明性实施例概述的操作中的不同操作和操作的组合。 在又另一个说明性实施例中，提供了一种系统/设备。该系统/装置可以包括一个 或多个处理器和耦合到该一个或多个处理器的存储器。所述存储器可以包括指令，所述指 令在由所述一个或多个处理器执行时使得所述一个或多个处理器执行以上关于方法说明 性实施例概述的操作中的不同操作和组合。 本发明的这些和其他特征和优点将在本发明的示例性实施例的以下详细描述中 描述，或者鉴于本发明的示例性实施例的以下详细描述，对本领域的普通技术人员将变得 明显。 附图说明 当结合附图阅读时，通过参考以下说明性实施例的详细描述，将最好地理解本发 明及其优选使用方式和其他目的和优点，其中 图1是其中可以实现说明性实施例的方面的分布式数据处理系统的示例图； 图2是其中可以实现说明性实施例的方面的计算设备的示例框图； 图3是每种解剖学的DSC和不同方法的平均DSC的条形图； 图4A是根据说明性实施例的原始图像的分割的2D可视化； 图4B是根据说明性实施例的来自多标签V-Net的结果的分段的2D可视化； 图4C是根据说明性实施例的后处理之后的结果的分割的2D可视化； 图4D是根据说明性实施例的地面事实的分割的2D可视化； 图5A是根据说明性实施例的来自多标签V-Net的结果的分段的3D体绘制； 图5B是根据说明性实施例的后处理之后的结果的分割的3D体绘制； 图5C是根据说明性实施例的地面事实的分段的3D体绘制； 5 CN 111557020 A 说　明　书 2/11 页 图6是框图，展示了根据说明性实施例的用于使用多标签V-Net分割心脏CTA中的 解剖结构的神经网络训练引擎； 图7是根据说明性实施例的用于使用多标签V-Net分割心脏CTA中的解剖结构的神 经网络测试引擎的框图； 图8是示出根据说明性实施例的用于训练用于分割心脏CTA中的解剖结构的受监 督深度学习网络的机制的操作的流程图；并且 图9是示出根据说明性实施例的用于测试心脏CTA中的解剖结构的分割的经训练 的网络的机制的操作的流程图。