[發明專利]用于執行多重分析的神經網絡的權重的分層學習

有效

• 申請號: 201810127713.2
• 申請日: 2018-02-08
• 公開（公告）號: CN108399452B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 周少華;陳明卿;徐大光;徐宙冰;苗舜;楊棟;張赫
• 申請（專利權）人: 西門子保健有限責任公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 臧永杰;劉春元

提供用于執行醫學成像分析的系統和方法。輸入醫學成像數據被接收用于執行多個醫學成像分析其中特定的一個。在使用被訓練用于執行所述多個醫學成像分析的神經網絡的情況下生成輸出，該輸出提供關于輸入醫學成像數據的特定醫學成像分析的結果。通過在使用與多個醫學成像分析其中的不同的一個相關聯的一個或多個權重的情況下學習與特定醫學成像分析相關聯的一個或多個權重來訓練該神經網絡。輸出用于執行該特定醫學成像分析的所生成的輸出。

相關申請的交叉引用

本申請要求保護2017年2月8日提交的美國臨時申請No. 62/456,368的權益，通過引用將該申請的公開內容以其整體合并于此。

技術領域

本發明總體上涉及醫學成像分析，并且更特別地涉及用于利用（exploit） 不同醫學成像分析中的共性（commonality）的分層方法（hierarchical approach）。

背景技術

醫學成像分析涉及從醫學成像數據提取信息以用于執行醫學任務，諸如界標檢測（landmark detection）、解剖檢測、病灶檢測、解剖學分割（anatomy segmentation）、分割和定征、跨模態圖像配準（cross-modality image registration）、圖像去噪等等。機器學習方法已經被廣泛地用于醫學影像分析的自動化。通過從帶有注釋的訓練成像數據的大型數據庫中對關系進行學習，機器學習方法能夠從醫學成像數據提取具有代表性的特征并作出有意義的預測。最近，神經網絡（NN）、并且尤其是卷積神經網絡（CNN））已經被廣泛地用在醫學成像分析中。CNN主要通過其網絡架構以及與卷積層相關聯的內核系數（kernelcoefficient）來表征，該網絡架構指定如何將卷積池化（convolution pooling）的多個層堆疊成一個計算實體。卷積CNN（利用它們自己的網絡架構）來被構造并（利用它們自己的內核系數）來被學習，以用于執行與特定模態、解剖和任務相關聯的特定醫學成像分析。

被開發用于執行特定醫學成像分析的常規CNN沒有考慮不同醫學成像分析之間固有的共性。例如，這樣的共性可能包括成像模態、目標解剖結構、以及低層級特征（例如通常在屬于早期CNN卷積層的內核中所發現的類似Gabor（Gabor-like）的特征）。

發明內容

根據一個或多個實施例，提供用于執行醫學成像分析的系統和方法。接收用于執行多個醫學成像分析其中的特定一個的輸入醫學成像數據。通過使用被訓練用于執行這多個醫學成像分析的神經網絡來生成如下輸出，該輸出提供關于輸入醫學成像數據的特定醫學成像分析的結果。通過在使用與多個醫學成像分析其中不同的一個醫學成像分析相關聯的一個或多個權重的情況下學習與特定醫學成像分析相關聯的一個或多個權重來訓練該神經網絡。用于執行該特定醫學成像分析的所生成的輸出被輸出。

根據一個或多個實施例，這多個醫學分析中的每一個與不同的模態（modality）、解剖（anatomy）和/或任務相關聯。該任務包括檢測、識別、分割和配準（registration）其中至少之一。

根據一個或多個實施例，通過學習對于神經網絡的每個節點的權重集合來訓練該神經網絡。對于在每個節點的權重集合中的權重具有分層關系（hierarchicalrelationship）以使得在分層關系的頂部層級處的權重與多個醫學成像分析中的每一個相關聯并且在分層關系的底部層級處的權重各自與多個醫學成像分析其中的相應一個相關聯。

根據一個或多個實施例，對于每個節點的權重集合包括：終極網（hypernet）權重，該終極網權重包括在分層關系的頂部層級處的權重；一個或多個各自與模態相關聯的超級網（ultranet）權重以及一個或多個各自與解剖相關聯的超級網權重；一個或多個各自與模態和解剖相關聯的超網（supernet）權重；以及多個目標網絡權重，這多個目標網絡權重包括在分層關系的底部層級處的權重。