[發(fā)明專利]使用遞歸神經網絡進行血管疾病檢測的方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710485670.0
• 申請日: 2017-06-23
• 公開（公告）號: CN107545269B
• 公開（公告）日: 2021-06-08
• 發(fā)明（設計）人: D.科馬尼丘;M.A.古爾森;鄭冶楓;P.沙爾馬;B.喬治斯庫
• 申請（專利權）人: 西門子保健有限責任公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06N3/02;G06T7/00;G06T7/60
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 徐紅燕;張濤

公開了一種使用遞歸神經網絡（RNN）進行血管疾病檢測和表征的方法和裝置。從3D計算機斷層掃描血管造影（CTA）圖像中提取多個2D橫截面圖像分塊，每一個沿著3D CTA圖像中所關注血管的血管中心線的相應采樣點提取。使用經訓練的RNN，基于多個2D橫截面圖像分塊，通過對沿著血管中心線的采樣點中每一個進行分類對所關注血管中的血管異常進行檢測和表征。

本申請要求于2016年6月23日提交的美國臨時申請No.62/353,888的權益，其公開內容通過引用并入本文。

背景技術

本發(fā)明涉及醫(yī)學圖像中的血管疾病檢測和表征，并且更具體地涉及使用遞歸神經網絡在醫(yī)學圖像中進行血管疾病檢測和表征。

最近幾代計算機斷層掃描（CT）掃描儀實現了高質量CT血管造影（CTA）圖像的獲得，其可用作用于排除諸如冠狀動脈狹窄和斑塊之類的血管疾病的侵入性血管造影術的替代方案。這導致了在CTA圖像中用于血管疾病自動檢測的各種算法的發(fā)展。然而，由于血管分支的不同長度，這類算法通常僅依賴于沿著血管分支提取的局部圖像特征，并且因此只能夠產生獨立地表征沿血管分支的中心線點的局部預測，而沒有考慮到沿著血管分支的預測與圖像特征之間的總體依賴性。

發(fā)明內容

本發(fā)明提供了一種用于使用遞歸神經網絡在醫(yī)學圖像中進行自動血管疾病檢測和表征的方法和系統(tǒng)。本發(fā)明的實施例使用遞歸神經網絡（RNN）利用沿著血管分支嵌入的順序圖像上下文信息來檢測和表征患者的計算機斷層掃描血管造影（CTA）圖像中的血管異常。

在本發(fā)明的一個實施例中，從3D計算機斷層掃描血管造影（CTA）圖像中提取多個2D橫截面圖像分塊，其中，在沿著3D CTA圖像中所關注血管的血管中心線的多個采樣點的相應一個處提取2D橫截面圖像分塊中的每一個。使用經訓練的遞歸神經網絡（RNN），基于多個2D橫截面圖像分塊，通過對沿著血管中心線的多個采樣點中的每一個進行分類來檢測所關注血管中的血管異常。

通過參考以下詳細描述和附圖，本發(fā)明的這些和其它優(yōu)點對于本領域普通技術人員將是顯而易見的。

附圖說明

圖1圖示了沿著冠狀動脈的血管疾病的示例；

圖2圖示了根據本發(fā)明實施例的使用遞歸神經網絡進行血管疾病檢測的方法；

圖3A圖示了根據本發(fā)明實施例的用于血管異常檢測的使用雙向長短期記憶（LSTM）和卷積神經網絡（CNN）的遞歸神經網絡（RNN）架構；

圖3B圖示了詳細描述了雙向LSTM層的操作的圖3A的RNN架構。

圖4圖示了RNN和該RNN的展開表示；

圖5圖示了LSTM網絡；

圖6圖示了根據本發(fā)明實施例的用于使用多尺度時空LSTM對醫(yī)學圖像序列進行分類的方法；

圖7圖示了根據本發(fā)明實施例的級聯(lián)多尺度時空LSTM；

圖8圖示了根據本發(fā)明實施例的門控多尺度時空LSTM；

圖9圖示了根據本發(fā)明實施例的集成的級聯(lián)和門控多尺度時空LSTM；和

圖10是能夠實施本發(fā)明的計算機的高級框圖。

具體實施方式

本發(fā)明涉及使用遞歸神經網絡在醫(yī)學圖像中進行血管疾病自動檢測和表征的方法和系統(tǒng)。本文描述了本發(fā)明的實施例以給出對使用遞歸神經網絡對醫(yī)學圖像進行分類的方法和血管疾病檢測方法的視覺理解。數字圖像通常由一個或多個對象（或形狀）的數字表示組成。在本文中通常在識別和操縱對象的方面來描述對象的數字表示。這類操縱是在計算機系統(tǒng)的存儲器或其他電路/硬件中完成的虛擬操縱。因此，應當理解，可以使用存儲在計算機系統(tǒng)內的數據在計算機系統(tǒng)內執(zhí)行本發(fā)明實施例。