[發明專利]基于使用經重新繪制的圖像進行的訓練檢測特征

在審

• 申請號: 202180048853.0
• 申請日: 2021-07-05
• 公開（公告）號: CN115836328A
• 公開（公告）日: 2023-03-21
• 發明（設計）人: J·V·施塔德爾曼;H·舒爾茨;S·雷尼克
• 申請（專利權）人: 皇家飛利浦有限公司
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/80
• 代理公司: 北京市金杜律師事務所 11256
• 代理人: 王茂華;楊飛

一種系統、方法和/或計算機可讀存儲介質，被配置為：基于使用醫療保健實體的經重新繪制的圖像而進行的訓練，在醫療保健實體處由成像模態生成的圖像中，檢測在視覺上表現的罕見疾病的特征。經重新繪制的圖像包括：由成像模態生成的不包括該特征的圖像的像素值、和特征圖像中的在視覺上模仿該特征的合成特征的像素值。基于模型和用戶輸入來創建特征圖像。經重新繪制的圖像集合用于訓練人工智能算法以檢測圖像中的特征。可選地，可以使用包括該特征的成像模態生成的圖像而對經訓練的人工智能算法驗證。經訓練的人工智能算法用于檢測受試者的圖像中的特征。

技術領域

以下一般涉及圖像處理，更具體地，涉及基于使用經重新繪制的圖像進行的訓練檢測特征。

背景技術

計算機視覺領域包括配置計算機以執行與人類視覺系統類似的任務。這種任務的示例是檢測圖像中的特征。例如，在醫學成像領域中，針對在圖像中表現為視覺特征的疾病，獲取身體內部的圖像。對諸如放射科醫師之類的臨床醫生進行培訓，從而以視覺方式檢查圖像是否存在視覺特征。檢查可以是排除疾病、診斷疾病、監測疾病的進展等。

計算機實現的算法已經用于幫助臨床醫生完成這些任務。這種算法的示例是深度學習人工智能(AI)算法。然而，諸如深度神經網絡等之類的深度學習算法需要大型訓練圖像數據集，以便針對診斷目的產生準確和可靠的結果。遺憾的是，醫療保健實體通常沒有用于罕見疾病的大量圖像，因為該疾病是罕見的，因此沒有許多疾病病例可用于成像。

在美國，2002年的罕見疾病法案(42 U.S.C.287a-1)將罕見疾病定義為“在美國影響不到200000人的任何疾病或病癥”。通常，如本文中所利用的罕見疾病是僅影響小比例群體，從而由于用于診斷目的疾病罕見，所以可用于成像的病例數使得疾病的大型圖像數據集不可用于訓練人工智能以檢測圖像中表現的一個或多個特征的疾病。作為示例，對于其中用于疾病的圖像數較低的醫療保健組織，或如果圖像不體現疾病的完全多樣性，則認為疾病太罕見而不能使圖像聚集來構建如下的數據庫，該數據庫足夠用于訓練AI算法以出于診斷目的來檢測罕見疾病的存在。

通過包括來自其他醫療保健實體的罕見疾病的圖像，可以為罕見疾病創建更大的圖像數據集。然而，每個醫療保健實體具有其自己的成像協議集合和圖像獲取參數，這會造成因醫療保健實體的不同而不同的視覺特性，諸如對比度、分辨率、噪聲等。遺憾的是，相對于使用以相似獲取參數獲取的圖像進行的訓練，使用這樣的圖像進行的訓練傾向于在每個保健實體處導致性能不同且結果不太準確和可靠。

至少鑒于上述內容，尚未出現用于檢測罕見疾病的存在與否的系統的一個或多個另一方法。

發明內容

本文中所描述的各方面解決了上述問題和/或其他問題。

以下描述了一種計算機實現的方法，該方法用于基于使用醫療保健實體的經重新繪制的圖像而進行的訓練來檢測醫療保健實體處的圖像中的罕見疾病的特征，其中罕見疾病在圖像中在視覺上表現為特征，并且經重新繪制的圖像包括最初不包括該特征但已被適配為包括模仿該特征的合成特征的圖像。該方法非常適合于如下的醫療保健實體，該醫療保健實體需要用于罕見疾病的更多訓練圖像以產生能夠幫助臨床醫生診斷罕見疾病的結果。

例如，與罕見疾病無關并且基于相同獲取參數而獲取的醫療保健實體處的圖像可以被適配為包括合成特征以創建經重新繪制的圖像，然后可以根據該合成特征創建用于罕見疾病的大型訓練圖像數據集，并且該大型訓練圖像數據集用于訓練計算系統以檢測受試者的圖像中的特征，并且一旦計算系統被訓練，該計算系統就可以用于檢測受試者的一個或多個圖像中的特征(如果該圖像中存在該特征)。如此，本文中所描述的方法減輕了由于缺乏訓練圖像和/或具有不同視覺特性的圖像而導致的不良性能。