An organization based on machine learning in medical imaging. Use machine learning to classify the organization. The machine learning classification is based on the features extracted from the frame of medical scanned data to find the prognosis, diagnosis, or evidence in the form of a similar situation. Deep learning can be used to learn the texture features used to organize the signs. In one example, the features are used to predict the response of the therapy according to the pre - and after - therapy magnetic resonance (MRI) function. Using machine learning classification, compared with the RECIST used to predict the outcome of treatment, it can reduce the number of measurements after treatment, and allow the treatment to terminate or change earlier.
【技术实现步骤摘要】
在医学成像中的基于机器学习的组织定征
技术介绍
本实施例涉及在医学成像中的组织定征(tissuecharacterization)。磁共振(magneticresonance)图像被广泛地使用于医学诊断和疗法中。例如,磁共振被用于遵循胸部成像报告和数据系统(BIRADS)的指导的胸部肿瘤(breasttumor)诊断,其基于临床描述性标签(clinicallydescriptivetag),比如肿块(mass)(形状、边界(margin)、肿块增强)、对称性或不对称性、在不是肿块的区域中的非混乱状增强(non-mess-likeenhancement)(分布修改器(distributionmodifier)、内部增强)、动力学曲线评估(kineticcurveassessment)以及其他发现。相似地对于前列腺,前列腺成像和报告以及数据系统(PIRADS)指定用于诸如边周区(peripheralzone)、中心区以及过渡区之类的专门的前列腺区的临床描述性标签。对于肝组织定征,基于对磁共振图像的读取(reading),纤维化分期(fibrosisstaging)是可能的。相似的方法被使用于诸如超声、计算断层摄影术(computedtomography)、正电子发射断层摄影术(positronemissiontomography)或单光子发射计算断层摄影术(singlephotonemissioncomputedtomography)之类的其他成像模态(modality)中。为了评估疗法,在疗法之前和之后获取多模态磁共振扫描。在肿瘤治疗评估中通常执行简单的形态学(m ...
【技术保护点】
一种用于在医学成像中的组织定征的方法,所述方法包括:用医学扫描器扫描患者,所述扫描提供表示在所述患者中的感兴趣的组织区的数据的多个帧;由处理器从数据的所述帧提取特征的值;通过由所述处理器实现的机器学习分类器根据作为到所述机器学习分类器的输入的所述特征的所述值对所述组织区的组织的疗法响应进行分类;以及传输所述疗法响应。
【技术特征摘要】
2016.09.09 US 15/2611241.一种用于在医学成像中的组织定征的方法,所述方法包括:用医学扫描器扫描患者,所述扫描提供表示在所述患者中的感兴趣的组织区的数据的多个帧;由处理器从数据的所述帧提取特征的值;通过由所述处理器实现的机器学习分类器根据作为到所述机器学习分类器的输入的所述特征的所述值对所述组织区的组织的疗法响应进行分类;以及传输所述疗法响应。2.如权利要求1所述的方法,其中扫描包括用磁共振扫描器、计算断层摄影术扫描器、超声扫描器、正电子发射断层摄影术扫描器、单光子发射计算断层摄影术扫描器或其组合来扫描。3.如权利要求1所述的方法,其中扫描包括用磁共振扫描器来扫描,所述数据的帧包括通过磁共振扫描器的功能测量。4.如权利要求1所述的方法,其中提取值包括提取作为缩放不变特征变换、定向梯度的直方图、局部二进制模式、灰度级共生矩阵或其组合的所述值。5.如权利要求1所述的方法,其中分类包括根据从所述数据的帧提取的所述特征的所述值和针对所述患者的临床测量的值进行分类。6.如权利要求1所述的方法,其中扫描包括以不同的次、不同的对比或不同的类型进行扫描,所述帧对应于所述不同的次、对比或类型,并且其中分类包括基于由于在所述帧中的差异对所述疗法响应进行分类。7.如权利要求1所述的方法,其中提取包括提取所述特征的所述值,其中所述特征包括来自深度学习的深度学习特征,并且其中分类包括由用所述深度学习学习的所述机器学习分类器进行分类。8.如权利要求7所述的方法,其中提取和分类包括基于Siamese卷积网络进行提取和分类。9.如权利要求1所述的方法,其中对所述疗法响应进行分类包括针对应用于所述组织区的疗法推断疗法成功。10.如权利要求1所述的方法,其中对所述疗法响应进行分类包括标识具有所述特征的相似提取值的另一个患者的示例治疗和结果。11.如权利要求1所述的方法,其中传输所述疗法响应包括在报告中显示所述疗法响应。12.如权利要求1所述...
【专利技术属性】
技术研发人员:周少华,D刘,B基费尔,AP吉拉利,BL奥德里,R格里姆,潘莉,I卡梅尔,
申请(专利权)人:西门子保健有限责任公司,约翰霍普金斯大学,
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。