[發明專利]從患者的醫學圖像自動預測生理狀況的裝置和系統

有效

• 申請號: 201811155720.X
• 申請日: 2018-09-30
• 公開（公告）號: CN109147940B
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 宋麒;孫善輝;高峰;白軍杰;陳翰博;尹游兵
• 申請（專利權）人: 科亞醫療科技股份有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H30/40;G06T7/00;G06N3/04
• 代理公司: 北京金信知識產權代理有限公司 11225
• 代理人: 黃威;夏東棟

本公開涉及一種從患者的醫學圖像自動預測生理狀況的裝置和系統，該裝置包括存儲器、處理器和存儲在存儲器上的計算機可執行指令，其中，所述處理器當執行所述計算機可執行指令時，執行如下步驟：從所接收的醫學圖像中檢測目標對象并獲取相應的目標對象圖像塊；對各個目標對象圖像塊使用第一學習網絡確定第一參數，所述第一參數表示相應目標對象的生理狀況水平，并且所述第一學習網絡通過添加一個以上輔助分類層來訓練。該系統能夠從患者的醫學圖像利用諸如3D學習網絡的學習網絡快速、準確且自動地預測目標對象水平和/或圖像(患者)水平生理狀況。

技術領域

本公開總體上涉及圖像處理和分析。更具體地，本公開涉及用于從患者的醫學圖像自動預測生理狀況的裝置和系統。

背景技術

在美國，每年大約225,000人罹患肺癌。早期癌癥檢測對于患者的存活至關重要。在臨床診斷時，諸如放射科醫師的有經驗的醫療人員通常使用低劑量CT掃描來執行肺癌篩查，其中每次掃描對于單個患者包含約幾百幅2D圖像。雖然一些機器學習方法被引入輔助放射科醫師檢測和定位肺結節，但是，通常放射科醫師需要為低劑量CT掃描中包含的所有2D圖像分析結節的形狀、紋理、凝聚性、分葉、周邊組織等，以便確定該肺結節是惡性還是良性的，這使之乏味、耗時且易出錯。因此，經常需要通過活檢的病理分析來確認判斷結果。

對于肺癌的診斷的準確性和治療的效果取決于肺結節的惡性水平預測的質量。對于其他疾病，諸如前列腺癌、中風、冠心病等，診斷的準確性和治療的效果取決于醫學圖像分析的質量，尤其對應的目標對象的相關的生理狀況預測。具體說來，目標對象包括器官、組織、靶部位等，而生理狀況包括惡性還是良性、血管硬化還是健康血管、腦溢血等。

本公開提供一種能夠經由學習網絡(諸如3D學習網絡)從患者的醫學圖像快速、準確且自動地預測目標對象水平和/或圖像(患者)水平的生理狀況的系統。用于預測目標對象水平生理狀況的學習網絡可以被再用于預測圖像水平生理狀況的學習網絡。

發明內容

在一個方案中，本公開涉及一種從患者的醫學圖像自動預測生理狀況的裝置，包括存儲器、處理器和存儲在存儲器上的計算機可執行指令，其特征在于，所述處理器當執行所述計算機可執行指令時，執行如下步驟：從所接收的醫學圖像中檢測目標對象并獲取相應的目標對象圖像塊；對各個目標對象圖像塊使用第一學習網絡確定第一參數，所述第一參數表示相應目標對象的生理狀況水平，并且所述第一學習網絡通過添加一個以上輔助分類層來訓練。

在一些實施例中，所述處理器當執行所述計算機可執行指令時，進一步執行步驟：基于在所述醫學圖像中所確定的數個目標對象的第一參數確定第二參數，其中，所述第二參數表示所述醫學圖像的生理狀況水平。

在一些實施例中，所述目標對象的所述生理狀況水平是所述目標對象的惡性水平。

在一些實施例中，所述醫學圖像的生理狀況水平是：在所述目標對象位于的器官中所述患者是否會患癌癥和/或所述患者是否已患癌癥。

在一些實施例中，所述目標對象是肺結節。

在一些實施例中，為訓練所添加的一個以上輔助分類層被去除，以便獲得用于為所述目標對象圖像塊確定所述第一參數的訓練好的所述第一學習網絡。

在一些實施例中，所述第一學習網絡通過使用交叉熵作為損失函數來訓練。

在一些實施例中，用于所述一個以上輔助分類層被配置為執行紋理分類、尺寸分類、凝聚性分類、分葉分類和毛刺分類中的至少一種。

在一些實施例中，所述第一學習網絡是基于卷積神經網絡構建的。

在一些實施例中，所述醫學圖像是患者胸部的容積CT圖像。

在另一個方案中，本公開涉及一種從患者的醫學圖像自動預測生理狀況的系統，該系統包括：接口，其配置為接收由成像裝置獲取的所述醫學圖像；以及上述的任何一種從患者的醫學圖像自動預測生理狀況的裝置。