在医学成像中的基于机器学习的组织定征制造技术

在医学成像中的基于机器学习的组织定征。使用机器学习分类来定征组织。由机器学习分类根据从医学扫描数据的帧提取的特征来找到相似情况的形式的预后、诊断或证据。可以使用深度学习来学习用于组织定征的纹理特征。在一个示例中，使用特征，根据治疗之前和之后的磁共振功能测量预测疗法响应。使用机器学习分类，与用于预测治疗的结果的RECIST相比可以减少治疗之后的测量的数量，允许疗法的更早终止或变更。

Organization based on machine learning in medical imaging

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（morphological）（例如基于大小的）评分，诸如实体肿瘤中的响应评价标准（RECIST）标准。在确定继续治疗的过程中，治疗响应的评估是关键的，因为化学疗法（chemotherapy）药物可能对患者有不利的影响。在基本的临床设置中，利用肿瘤大小在形态学上完成治疗评估。归因于该简单的方法，可以耗费较长时间来确定治疗是否是成功的。通过采用功能的磁共振信息，停止疗法的决定可以比用RECIST标准更早发生。例如，通过使用诸如功能测量的基于强度的直方图之类的基于图像的功能测量可以更早地确定治疗有效性。这些基于直方图的强度值在临床实践中被人工地分析并且可能不一定捕捉涉及可以更好地表示对临床诊断重要的细胞密度、脉管系统（vasculature）、坏死（necrosis）或出血特性（hemorrhagecharacteristics）的图像纹理和局部不相似性（localdissimilarity）的细微差别（subtlety）。
技术实现思路
通过介绍的方式，以下描述的优选的实施例包括用于在医学成像中的组织定征的方法、系统、指令和非暂态计算机可读介质。使用机器学习分类来对组织定征。在具有或不具有诸如年龄、性别和血液生物标记之类的外部数据的情况下，由机器学习分类根据从医学扫描数据的帧提取的特征来找到相似情况的形式的预后（prognosis）、诊断或证据。可以使用深度学习来学习用于组织定征的纹理或其他特征。在一个示例中，使用特征，根据治疗之前和之后的磁共振功能测量预测疗法响应。使用机器学习分类，当与用于预测治疗的结果的RECIST相比时，可以减少在治疗之后的测量之间的数量和时间，允许疗法的更早终止或变更。在第一方面中，提供一种用于在医学成像中的组织定征的方法。医学扫描器扫描患者，其中扫描提供表示在患者中的感兴趣的组织区的数据的多个帧。处理器从数据的帧提取特征的值。由处理器实现的机器学习分类器根据作为到机器学习分类器的输入的特征的值对组织区的组织的疗法响应进行分类。传输疗法响应。在第二方面中，提供一种用于在医学成像中的组织定征的方法。医学扫描器扫描患者，其中扫描提供表示在患者中的对于组织的测量的不同类型的数据的不同的帧。处理器从数据的帧提取特征的值。由处理器实现的机器学习分类器根据作为到机器学习分类器的输入的特征的值对患者的组织进行分类。传输组织分类。在第三方面中，提供一种用于在医学成像中的组织定征的方法。用医学扫描器扫描患者，其中扫描提供表示在患者中的肿瘤的数据的帧。处理器从数据的帧提取深度学习特征的值。由处理器实现的深度机器学习分类器根据作为到机器学习分类器的输入的特征的值对肿瘤进行分类。传输肿瘤的分类。通过以下权利要求书来限定本专利技术，并且在该部分中没有什么应被看作是对那些权利要求的限制。以下结合优选的实施例讨论本专利技术的其他方面和优点并且之后可以独立地或组合地要求保护本专利技术的其他方面和优点。附图说明部件和图不一定按比例，代之以重点在于说明本专利技术的原理。此外，在图中，相同的附图标号贯穿不同的视图指定对应的部分。图1是用于在医学成像中定征组织的方法的一个实施例的流程图；图2表示根据一个实施例的用于组织定征的用户交互；图3是用于在医学成像中定征组织的方法的机器学习分类器实施例的流程图；图4是用于在医学成像中定征组织的方法的深度学习实施例的流程图；图5是合并了非成像特征的基于深度学习卷积层（deep-learningconvolutionlayer-based）的分类网络的示例；图6图示了通过分类标识的相关情况的示例输出；图7图示了组织定征的机器学习分类的四个示例应用；图8A示出了用于依赖于在治疗之后的在多次的趋势测量疗法响应的示例时间线，并且图8B示出了用于依赖于在治疗之后的仅一次测量测量疗法响应的示例时间线；以及图9是用于在医学成像中的组织定征的系统的一个实施例。具体实施方式在先进的图像分析中，诸如图像纹理之类的复杂的特征被自动地找到并且以能够在临床使用情况中被采用的自动格式被包括。使用机器学习分类来询问（interrogate）图像具有提取在临床使用情况中用于分类的纹理和/或其他基于图像的信息的可能性。一般管线（genericpipeline）和用户接口能够发现和处理来自医学图像数据的复杂的特征。用于肿瘤预后和结果的若干方法允许此类分析连同接口使得分析对医师和支持人员（supportstaff）而言可容易地访问。第一方法使用由计算机提取的鲁棒的图像纹理和/或其他图像特征作为用于进一步分析的特征集合。第二方法使用涉及Siamese网络的深度学习管线以在并行卷积网络中针对相同的患者在两个不同的时间点处和/或以测量的不同的类型自动创建并且分类特征。提供深度学习网络和接口用于针对病变（lesion）和/或组织定征以及疗法预测的图像分析。在针对肿瘤预后、诊断或相似情况的发现的一个实施例中，从多个图像对比和/或多个检验时间点提取一系列特征。在分类器中使用纹理和/或其他图像特征。可以将Siamese深度学习神经网络用于标识特征。非图像数据、此类血液测试结果年龄、性别或血清生物标记也可以被用作特征。使用机器学习分类器针对彼此计算提取的特征以确定诊断、预后或发现相似情况。对于发现相似情况，从先前文档情况的数据库获得来自相似情况的图像。使用先前文档化的情况来确定一个或多个参考情况。可以经由传递结果的基于云的服务来执行诊断、预后或相似情况的发现。对于用户接口，用户可能以单个点击来标记在时间系列的一个或多个图像中的感兴趣的肿瘤，并且在响应中计算机产生诊断、预后或相似情况报告。该临本文档来自技高网...

【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