【技术实现步骤摘要】
用深度图像到图像网络和对抗网络的跨域图像分析和合成
技术介绍
本专利技术涉及跨域医学图像分析和医学图像的跨域合成,并且更具体地,涉及使用深度学习网络的跨域医学图像分析和跨域医学图像合成。诸如计算机断层扫描(CT)、扩散张量成像(DT1)、T1加权磁共振成像(MRI)、T2加权MRI、超声、X射线、正电子发射断层扫描(PET)等众多成像模态可以用于患者的医学图像分析。这些成像模态中的每个捕获潜在解剖的不同特性并且任何两个模态之间的关系是高度非线性的。这些不同成像技术为医师提供用于作出准确诊断的多变工具和信息。然而,传感器异质性为开发有效的自动图像分析平台造成挑战。特别地,在一个模态上良好工作的算法可能在从不同类型的扫描仪收集的数据上表现得无用。在很多实际医学图像分析问题中,经常遇到这样的情形,在该情形中归因于模态异质性或域变化,可用于训练(例如可用于基于机器学习的解剖学对象检测)的医学图像数据具有与测试期间给定的医学图像数据不同的分布或表示。归因于跨模态的图像特性中的变化,利用来自一个模态的数据所训练的医学图像分析算法在被应用到来自不同模态的医学图像数据时可能无法良好工作。解决该问题的一种方式是从每个成像模态收集大量训练数据。然而,由于收集医学图像经常是耗时且昂贵的,因此该解决方案是不切实际的。跨模态合成从给定源模态图像生成在期望目标模态中的医学图像,在没有实际采集的情况下合成医学图像的能力具有诸如图谱构造、虚拟增强、多模态配准和分割之类的很多潜在应用。已经提出了用于跨模态合成的各种方案,但是这类方案通常针对特定应用或基于各种启发法而定制。
技术实现思路
本专利技术提 ...
【技术保护点】
1.一种用于在患者的医学图像上自动执行基于跨域的医学图像分析的方法,包括:接收患者的来自第一域的医学图像;将所述患者的所述医学图像输入到跨域深度图像到图像网络的第一编码器,所述跨域深度图像到图像网络包括用于所述第一域的所述第一编码器、用于第二域的第二编码器和解码器;以及由将来自所述第一域的所输入医学图像转换为特征图的所述第一编码器和从所述第一编码器生成的特征图生成输出图像的解码器,使用所述跨域深度图像到图像网络自动生成所述输出图像,所述输出图像提供所输入医学图像上的目标医学图像分析任务的结果,其中至少部分地基于由所述第一编码器从来自所述第一域的训练输入图像生成的特征图和由所述第二编码器从来自所述第二域的训练输入图像生成的特征图的相似性,来一起训练用于所述第一域的所述第一编码器与用于所述第二域的所述第二编码器,并且训练所述解码器以从所述第一编码器生成的特征图和所述第二编码器生成的特征图来生成输出图像。
【技术特征摘要】
2018.01.16 US 15/8724081.一种用于在患者的医学图像上自动执行基于跨域的医学图像分析的方法,包括:接收患者的来自第一域的医学图像;将所述患者的所述医学图像输入到跨域深度图像到图像网络的第一编码器,所述跨域深度图像到图像网络包括用于所述第一域的所述第一编码器、用于第二域的第二编码器和解码器;以及由将来自所述第一域的所输入医学图像转换为特征图的所述第一编码器和从所述第一编码器生成的特征图生成输出图像的解码器,使用所述跨域深度图像到图像网络自动生成所述输出图像,所述输出图像提供所输入医学图像上的目标医学图像分析任务的结果,其中至少部分地基于由所述第一编码器从来自所述第一域的训练输入图像生成的特征图和由所述第二编码器从来自所述第二域的训练输入图像生成的特征图的相似性,来一起训练用于所述第一域的所述第一编码器与用于所述第二域的所述第二编码器,并且训练所述解码器以从所述第一编码器生成的特征图和所述第二编码器生成的特征图来生成输出图像。2.根据权利要求1所述的方法,其中所述跨域深度图像到图像网络的用于所述第一域的所述第一编码器、用于所述第二域的所述第二编码器以及所述解码器在对抗网络中与鉴别器网络一起被训练,所述鉴别器网络用于在所述第一编码器从来自所述第一域的训练输入图像生成的特征图和所述第二编码器从来自所述第二域的训练输入图像生成的特征图之间进行区分。3.根据权利要求2所述的方法,其中训练所述第一编码器和所述第二编码器,使得由所述第一编码器从来自所述第一域的训练输入图像生成的特征图具有与由所述第二编码器从来自所述第二域的训练输入图像生成的特征图相似的分布,使得由所述第一编码器和所述第二编码器生成的特征图变得对于所述鉴别器网络不可区分。4.根据权利要求2所述的方法,其中用于所述第一域的所述第一编码器、用于所述第二域的所述第二编码器、所述解码器和所述鉴别器网络被一起训练以迭代地学习针对所述第一编码器、所述第二编码器、所述解码器和所述鉴别器网络的参数来优化最小最大目标函数,所述最小最大目标函数包括与来自所述第一域的地面真值输出图像与使用所述第一编码器和所述解码器从来自所述第一域的训练输入图像预测的输出图像之间的误差相关的第一项、与来自所述第二域的地面真值输出图像与使用所述第二编码器和所述解码器从来自所述第二域的训练输入图像预测的输出图像之间的误差相关的第二项、与所述鉴别器网络对所述第一编码器从来自所述第一域的训练输入图像生成的特征图的分类相关的第三项、以及与所述鉴别器网络对所述第二编码器从来自所述第二域的训练输入图像生成的特征图的分类相关的第四项。5.根据权利要求2所述的方法,还包括:在接收所述患者的所述医学图像之前的训练阶段中,基于来自所述第一域的包括多个训练输入图像的第一组训练样本和对应的地面真值输出图像以及来自所述第二域的包括多个训练输入图像的第二组训练样本和对应的地面真值输出图像,来训练所述第一编码器、所述第二编码器、所述解码器和所述鉴别器网络。6.根据权利要求5所述的方法,其中在接收所述患者的所述医学图像之前的训练阶段中,基于来自所述第一域的包括多个训练输入图像的第一组训练样本和对应的地面真值输出图像以及来自所述第二域的包括多个训练输入图像的第二组训练样本和对应的地面真值输出图像来训练所述第一编码器、所述第二编码器、所述解码器和所述鉴别器网络包括:在多次迭代内迭代训练操作(a)-(d):(a)在所述第一编码器和所述第二编码器的参数固定的情况下,学习所述鉴别器网络的参数以在所述第一组训练样本上最大化所述鉴别器对所述第一编码器从来自所述第一域的训练输入图像生成的特征图的正分类,并在所述第二组训练样本上最大化所述鉴别器对所述第二编码器从来自所述第二域的训练输入图像生成的特征图的负分类;(b)在所述第一编码器和所述第二编码器的参数固定的情况下,学习所述解码器的参数,学习所述解码器的参数在所述第一组训练样本上最小化来自所述第一域的地面真值输出图像与使用所述第一编码器和所述解码器从来自所述第一域的训练输入图像预测的输出图像之间的误差,并在所述第二组训练样本上最小化来自所述第二域的地面真值输出图像与使用所述第二编码器和所述解码器从来自所述第二域的训练输入图像预测的输出图像之间的误差;(c)在所述解码器和所述鉴别器网络的参数固定的情况下,学习所述第一编码器的参数以在所述第一组训练样本上最小化来自所述第一域的地面真值输出图像与使用所述第一编码器和所述解码器从来自所述第一域的训练输入图像预测的输出图像之间的误差,和所述鉴别器对所述第一编码器从来自所述第一域的训练输入图像生成的特征图的正分类;以及(d)在所述解码器和所述鉴别器网络的参数固定的情况下,学习所述第二编码器的参数以在所述第二组训练样本上最小化来自所述第二域的地面真值输出图像与使用所述第二编码器和所述解码器从来自所述第二域的训练输入图像预测的输出图像之间的误差,并最大化所述鉴别器对所述第二编码器从来自所述第二域的训练输入图像生成的特征图的正分类。7.根据权利要求6所述的方法,其中在所述多次迭代中的每次迭代中,并行执行训练操作(a)和(b),并且并行执行训练操作(c)和(d)。8.根据权利要求1所述的方法,还包括:接收来自所述第二域的第二医学图像;将所述第二医学图像输入到所述跨域深度图像到图像网络的所述第二编码器;以及由将来自所述第二域的所输入第二医学图像转换为特征图的所述第二编码器和从所述第二编码器生成的特征图生成第二输出图像的所述解码器,使用所述跨域深度图像到图像网络自动生成所述第二输出图像,所述第二输出图像提供所述第二医学图像上的所述目标医学图像分析任务的结果。9.一种用于在患者的医学图像上自动执行基于跨域的医学图像分析的装置,包括:处理器;以及存储计算机程序指令的存储器,所述指令当由所述处理器执行时引起所述处理器执行操作,所述操作包括:接收患者的来自第一域的医学图像;将所述患者的所述医学图像输入到跨域深度图像到图像网络的第一编码器,所述跨域深度图像到图像网络包括用于所述第一域的所述第一编码器、用于第二域的第二编码器和解码器;以及由将来自所述第一域的所输入医学图像转换为特征图的所述第一编码器和从所述第一编码器生成的特征图生成输出图像的所述解码器,使用所述跨域深度图像到图像网络自动生成所述输出图像,所述输出图像提供所输入医学图像上的目标医学图像分析任务的结果,其中至少部分地基于由所述第一编码器从来自所述第一域的训练输入图像生成的特征图和由所述第二编码器从来自所述第二域的训练输入图像生成的特征图的相似性,来一起训练用于所述第一域的所述第一编码器与用于所述第二域的所述第二编码器,并且训练所述解码器以从所述第一编码器生成的特征图和所述第二编码器生成的特征图来生成输出图像。10.根据权利要求9所述的装置,其中所述跨域深度图像到图像网络的用于所述第一域的所述第一编码器、用于所述第二域的所述第二编码器以及所述解码器在对抗网络中与鉴别器网络一起被训练,所述鉴别器网络用于在所述第一编码器从来自所述第一域的训练输入图像生成的特征图和所述第二编码器从来自所述第二域的训练输入图像生成的特征图之间进行区分。11.根据权利要求10所述的装置,其中训练所述第一编码器和所述第二编码器,使得由所述第一编码器从来自所述第一域的训练输入图像生成的特征图具有与由所述第二编码器从来自所述第二域的训练输入图像生成的特征图相似的分布,使得由所述第一编码器和所述第二编码器生成的特征图变得对于所述鉴别器网络不可区分。12.根据权利要求10所述的装置,其中所述操作还包括:通过在多次迭代内迭代训练操作(a)-(d),基于来自所述第一域的包括多个训练输入图像的第一组训练样本和对应的地面真值输出图像以及来自所述第二域的包括多个训练输入图像的第二组训练样本和对应的地面真值输出图像,来训练所述第一编码器、所述第二编码器、所述解码器和所述鉴别器网络:(a)在所述第一编码器和...
【专利技术属性】
技术研发人员:周少华,苗舜,廖芮,A塔伊苏佐卢,郑冶枫,
申请(专利权)人:西门子保健有限责任公司,
类型:发明
国别省市:德国,DE
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。