The present invention relates to an image based tumor phenotype analysis that is learned by machine based on synthetic data. The application of classifier for machine training and machine training is used in image based tumor phenotype analysis in medical systems. In order to create a training database using known phenotypic information, synthetic medical images are created. A variety of examples of tumors in the tumor model were calculated to create a tumor model. Using the computational tumor model allows one to create examples that can not be obtained from actual patients, thereby increasing the number and variation of examples for machine learning to predict tumor phenotypes. The model of the imaging system generates a synthetic image from the example described. The machine trained classifier is applied to the images from the actual patients, based on the knowledge learned from the synthesized images, to predict the tumor phenotype of the patient.
【技术实现步骤摘要】
根据合成数据利用机器学习的基于图像的肿瘤表型分析相关申请本专利文件根据美国法典第35条119(e)款要求2016年6月9日提交的临时美国专利申请序号62/347,864的权益,其据此通过引用结合。
技术介绍
本实施例涉及针对肿瘤的医学诊断、治疗计划和/或预后。成像是用于预测和监测癌症的治疗反应的一个重要的诊断工具。当前的方法一般地依赖从医学图像得到的肿瘤的聚合特性。这些特性可以包括肿瘤大小(例如,被测量为线性尺寸或体积)或强度参数(例如,灌注特性)。这些方法未计及常常通过解剖、生理和分子图像的纹理和多参数空间图案所捕获的可从肿瘤基质和生理学的空间分布得到的丰富信息。根据单个图像时间点或根据作为时间的函数的图像中的改变的反应预测就是这样的。
技术实现思路
通过介绍,在下面所描述的优选实施例包括用于机器训练的方法、计算机可读介质和系统以及机器训练的分类器对于医学系统中的基于图像的肿瘤表型分析(phenotyping)的应用。为了利用已知表型信息创建足够丰富的训练数据库,合成医学图像被创建。这是至关重要的,因为每个肿瘤是唯一的并且数据扩增是机器训练的算法的最优性能所必要的。计算肿瘤模型创建肿瘤类型的各种示例。使用所述计算肿瘤模型提供不可从实际的患者得到的训练数据示例,从而增加用于机器学习以预测肿瘤表型的示例的数量和变化。成像系统的模型从所述示例生成合成图像。所述机器训练的分类器被应用于来自实际的患者的图像,以基于从所述合成图像学习到的知识来预测该患者的肿瘤表型。在第一方面,提供了一种用于医学系统中的基于图像的肿瘤表型分析的方法。表示患者的组织中的肿瘤的医学扫描数据被获取。 ...
【技术保护点】
一种用于医学系统中的基于图像的肿瘤表型分析的方法,所述方法包括:获取表示患者的组织中的肿瘤的医学扫描数据;从所述医学扫描数据中提取一组特征;将所述特征输入到机器训练的分类器,所述机器训练的分类器至少部分地根据不特定于针对现有患者案例的训练数据的合成地生成的图像并且基于肿瘤模型被训练;通过将所述机器训练的分类器应用于所述特征来确定所述肿瘤的表型信息;以及输出所述表型信息。
【技术特征摘要】
2016.06.09 US 62/347864;2017.05.02 US 15/5843931.一种用于医学系统中的基于图像的肿瘤表型分析的方法,所述方法包括:获取表示患者的组织中的肿瘤的医学扫描数据;从所述医学扫描数据中提取一组特征;将所述特征输入到机器训练的分类器,所述机器训练的分类器至少部分地根据不特定于针对现有患者案例的训练数据的合成地生成的图像并且基于肿瘤模型被训练;通过将所述机器训练的分类器应用于所述特征来确定所述肿瘤的表型信息;以及输出所述表型信息。2.根据权利要求1所述的方法,其中,获取包括获取计算机断层扫描数据、磁共振数据或分子成像数据。3.根据权利要求1所述的方法,还包括获得所述患者的其他数据,所述其他数据包括症状、患者人口统计资料、血液生物标志物、病史、非侵入性测量结果,从临床报告、基因学或其组合中提取,其中,输入包括输入所述其他数据,并且其中,确定包括通过将所述机器训练的分类器应用于所述特征和其他数据来确定。4.根据权利要求1所述的方法,其中,所述机器训练的分类器包括深度学习分类器,并且其中,提取包括提取该组特征作为所述确定的在所述应用将所述特征输入到所述机器训练的分类器的后续层的情况下的一部分。5.根据权利要求1所述的方法,其中,确定包括利用所述机器训练的分类器的应用来确定,其中所述机器训练的分类器至少部分地根据所述合成地生成的图像被训练,其中所述合成地生成的图像是一个或多个扫描模态的模型与所述肿瘤模型的组合。6.根据权利要求1所述的方法,其中,确定包括利用所述机器训练的分类器来确定,其中所述机器训练的分类器至少部分地根据所述合成地生成的图像被训练,其中所述合成地生成的图像使用肿瘤生理学的多尺度模型作为所述肿瘤模型来生成,所述多尺度模型包括分子、细胞和组织尺度。7.根据权利要求1所述的方法,其中,确定包括利用所述机器训练的分类器的应用来确定,其中所述机器训练的分类器至少部分地根据所述合成地生成的图像被训练,其中所述合成地生成的图像从所述肿瘤模型的扰动生成。8.根据权利要求1所述的方法,其中,确定包括利用所述机器训练的分类器的应用来确定,其中所述机器训练的...
【专利技术属性】
技术研发人员:D科马尼丘,A卡门,刘大元,B马耶,T曼西,
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。