[發明專利]使用深度神經網絡的計算機輔助診斷

在審

• 申請號: 201880051722.6
• 申請日: 2018-08-10
• 公開（公告）號: CN111095426A
• 公開（公告）日: 2020-05-01
• 發明（設計）人: 馬克-揚·哈特
• 申請（專利權）人: 艾登斯有限公司
• 主分類號: G16H30/40
• 分類號: G16H30/40;G16H50/20
• 代理公司: 隆天知識產權代理有限公司 72003
• 代理人: 柴雙;金鵬

描述了一種用于確定3D圖像數據中的病理的計算機實現的方法，其中，該方法可以包括：接收身體部位的至少第一3D圖像，3D圖像包括與預定圖像體積相關的體素；第一3D卷積神經網絡確定感興趣的體積(VOI)在第一3D圖像的圖像體積中的位置，VOI與身體部位的病理相關，VOI定義圖像體積的子體積；通過選擇第一3D圖像的具有由第一3D卷積神經網絡確定的VOI內的位置的體素來確定第一VOI體素，并將第一VOI體素提供到第二3D卷積神經網絡的輸入；第二3D卷積神經網絡基于至少第一VOI體素確定目標標簽值，目標標簽值指示VOI中存在或不存在病理；以及通過將由第二3D卷積神經網絡確定的目標標簽值與代表病理描述的文本和/或句子進行關聯，生成醫學報告。

技術領域

本發明涉及使用深度神經網絡的計算機輔助診斷，并且特別地但非排他地涉及用于使用深度神經網絡的計算機輔助診斷的方法和系統以及使用這樣的方法的計算機程序產品。

背景技術

計算機輔助診斷(CAD)是一種用于提供客觀的意見以幫助醫學圖像解釋和診斷的計算機化程序。在這樣的程序醫學圖像中，例如將患者的MRI圖像提供到程序的輸入，該程序被配置為檢測(即，定位)圖像中的某些明顯的結構和部分，并隨后根據病理分類評估檢測到的結構和部分。通常，常規的圖像處理技術(諸如特征分析和對象跟蹤)用于檢查圖像并從圖像中提取有用的信息。然而，特征分析在很大程度上取決于問題的類型和需要處理的圖像數據的類型。為了解決這些問題，最近將深度神經網絡用于圖像分析，從而允許直接檢測和識別2D圖像中的特征。

例如，Cheng et al,“Computer-Aided Diagnosis with Deep LearningArchitecture:Applications to Breast Lesions in US Images and PulmonaryNodules in CT Scans”,Nature Scientific Reports,15April 2016中，描述了一種計算機輔助診斷的研究，其使用一種稱為“堆疊式降噪自動編碼器(Stacked Denoising Auto-Encoder，SDAE)”的特定深度神經網絡結構對良性和惡性結節/病變進行鑒別診斷。使用圖像中的預選區域(感興趣的區域或ROI)對深度神經網絡進行了訓練，這些預選區域包括標記的結節或病變。研究表明，基于深度神經網絡的CAD系統的性能執行得優于某些常規的基于紋理的CAD系統或至少與其匹配。

因此，為了診斷病理，可以將2D醫學圖像(例如DICOM“切片(slice)”)輸入經過訓練的深度神經網絡。然而，解剖結構不限于2D平面，而是具有3D結構，對于醫生而言，接收在三個維度上的關于診斷的信息是有利的。為了獲知這些3D結構，需要3D模型。直接將3D圖像數據而不是2D圖像數據供應到經過訓練的神經網絡的輸入將是有益的。

然而，將深度神經網絡技術從2D(像素)空間擴展到3D(體素)空間并有效地生成經過訓練的深度網絡(其中所述深度網絡可以以足夠的精度處理3D圖像數據，從而可以用作可靠的診斷工具)，這并不是顯而易見的，并且由于3D建模所需的巨大計算需求，因此提出了嚴峻的挑戰。例如，典型的MRI 2D“切片”包括512*512＝262K像素，而完整的3D系列(包含200個“切片”)包括200*512*512＝5.2M體素。因此，對于大的3D數據集，處理量變大并且常常是不可克服的負擔，這嚴重地阻礙了在3D圖像數據集上的實際應用。