从患者的医学图像自动预测生理状况的装置和系统制造方法及图纸

本公开涉及一种从患者的医学图像自动预测生理状况的装置和系统，该装置包括存储器、处理器和存储在存储器上的计算机可执行指令，其中，所述处理器当执行所述计算机可执行指令时，执行如下步骤：从所接收的医学图像中检测目标对象并获取相应的目标对象图像块；对各个目标对象图像块使用第一学习网络确定第一参数，所述第一参数表示相应目标对象的生理状况水平，并且所述第一学习网络通过添加一个以上辅助分类层来训练。该系统能够从患者的医学图像利用诸如3D学习网络的学习网络快速、准确且自动地预测目标对象水平和/或图像(患者)水平生理状况。

Device and System for Automatically Predicting Physiological Status from Medical Images of Patients

The present disclosure relates to an apparatus and system for automatically predicting physiological conditions from a patient's medical image. The apparatus includes a memory, a processor and a computer executable instruction stored on a memory, in which the processor performs the following steps when executing the computer executable instruction: detecting the target object from the received medical image and acquiring the corresponding target object Image block: First learning network is used to determine the first parameter for each target image block. The first parameter represents the physiological level of the corresponding target object, and the first learning network is trained by adding more than one auxiliary classification layer. The system can quickly, accurately and automatically predict the level of the target object and/or the physiological status of the image (patient) level from the patient's medical images using learning networks such as 3D learning networks.

【技术实现步骤摘要】
从患者的医学图像自动预测生理状况的装置和系统
本公开总体上涉及图像处理和分析。更具体地，本公开涉及用于从患者的医学图像自动预测生理状况的装置和系统。
技术介绍
在美国，每年大约225,000人罹患肺癌。早期癌症检测对于患者的存活至关重要。在临床诊断时，诸如放射科医师的有经验的医疗人员通常使用低剂量CT扫描来执行肺癌筛查，其中每次扫描对于单个患者包含约几百幅2D图像。虽然一些机器学习方法被引入辅助放射科医师检测和定位肺结节，但是，通常放射科医师需要为低剂量CT扫描中包含的所有2D图像分析结节的形状、纹理、凝聚性、分叶、周边组织等，以便确定该肺结节是恶性还是良性的，这使之乏味、耗时且易出错。因此，经常需要通过活检的病理分析来确认判断结果。对于肺癌的诊断的准确性和治疗的效果取决于肺结节的恶性水平预测的质量。对于其他疾病，诸如前列腺癌、中风、冠心病等，诊断的准确性和治疗的效果取决于医学图像分析的质量，尤其对应的目标对象的相关的生理状况预测。具体说来，目标对象包括器官、组织、靶部位等，而生理状况包括恶性还是良性、血管硬化还是健康血管、脑溢血等。本公开提供一种能够经由学习网络(诸如3D学习网络)从患者的医学图像快速、准确且自动地预测目标对象水平和/或图像(患者)水平的生理状况的系统。用于预测目标对象水平生理状况的学习网络可以被再用于预测图像水平生理状况的学习网络。
技术实现思路
在一个方案中，本公开涉及一种从患者的医学图像自动预测生理状况的装置，包括存储器、处理器和存储在存储器上的计算机可执行指令，其特征在于，所述处理器当执行所述计算机可执行指令时，执行如下步骤：从所接收的医学图像中检测目标对象并获取相应的目标对象图像块；对各个目标对象图像块使用第一学习网络确定第一参数，所述第一参数表示相应目标对象的生理状况水平，并且所述第一学习网络通过添加一个以上辅助分类层来训练。在一些实施例中，所述处理器当执行所述计算机可执行指令时，进一步执行步骤：基于在所述医学图像中所确定的数个目标对象的第一参数确定第二参数，其中，所述第二参数表示所述医学图像的生理状况水平。在一些实施例中，所述目标对象的所述生理状况水平是所述目标对象的恶性水平。在一些实施例中，所述医学图像的生理状况水平是：在所述目标对象位于的器官中所述患者是否会患癌症和/或所述患者是否已患癌症。在一些实施例中，所述目标对象是肺结节。在一些实施例中，为训练所添加的一个以上辅助分类层被去除，以便获得用于为所述目标对象图像块确定所述第一参数的训练好的所述第一学习网络。在一些实施例中，所述第一学习网络通过使用交叉熵作为损失函数来训练。在一些实施例中，用于所述一个以上辅助分类层被配置为执行纹理分类、尺寸分类、凝聚性分类、分叶分类和毛刺分类中的至少一种。在一些实施例中，所述第一学习网络是基于卷积神经网络构建的。在一些实施例中，所述医学图像是患者胸部的容积CT图像。在另一个方案中，本公开涉及一种从患者的医学图像自动预测生理状况的系统，该系统包括：接口，其配置为接收由成像装置获取的所述医学图像；以及上述的任何一种从患者的医学图像自动预测生理状况的装置。在又一个方案中，本公开涉及一种非暂时计算机可读介质，其上存储有指令，所述指令被处理器执行时，执行如下步骤：从医学图像检测目标对象并获得对应的目标对象图像块；对各个目标对象图像块使用第一学习网络确定第一参数，所述第一参数表示相应目标对象的生理状况水平，并且所述第一学习网络通过添加一个以上辅助分类层来训练。在一些实施例中，所述指令被处理器执行时，还执行如下步骤：基于所述医学图像中所确定的数个目标对象的第一参数来确定第二参数，其中，所述第二参数表示所述医学图像的生理状况水平。在一些实施例中，所述目标对象的生理状况水平是所述目标对象的恶性水平。在一些实施例中，所述医学图像的生理状况水平是：在所述目标对象位于的器官中所述患者是否会患癌症和/或所述患者是否已患癌症。在一些实施例中，为训练所添加的所述一个以上辅助分类层被去除，以便获得用于为所述目标对象图像块确定所述第一参数的训练好的所述第一学习网络。在一些实施例中，所述一个以上辅助分类层被配置为执行纹理分类、尺寸分类、凝聚性分类、分叶分类和毛刺分类中的至少一种。应该理解的是，前面的一般性描述和下面的详细描述仅仅是示例性和解释性的，并不是对要求保护的本专利技术的限制。附图说明在不一定按尺度绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相似数字可表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候，在所有附图各处使用相同的附图标记指代同一或相似的部分。这样的实施例是例示性的，而并非旨在作为本方法、系统或其上具有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他实施例。图1示出根据本公开实施例的示例性预测系统；图2示出根据本公开的实施例的示例性结节水平预测系统；图3示出根据本公开的实施例的示例性图像水平预测系统；图4示出根据本公开的实施例的用于结节水平预测的3D学习网络的示意性图示；图5示出了根据本公开的实施例的用于结节水平预测的3D学习网络的训练方案的示意性图示；图6示出根据本公开的实施例的用于训练用于结节水平预测的3D学习网络的示例性过程的流程图；图7示出根据本公开的实施例的用于图像水平预测的3D学习网络的示意性图示；图8示出根据本公开的另一实施例的用于图像水平预测的3D学习网络的示意性图示；以及图9示出根据本公开的实施例的示例性医学图像处理装置的框图。具体实施方式本文使用的术语“目标对象”可以指受检者身体中的任何解剖结构，诸如组织、器官的一部分或目标部位。例如，目标对象可以是肺结节。本文使用的术语“生理状况”可以指患者或他/她的“目标对象”的任何疾病状况和/或健康状况，诸如肺结节是恶性的或良性的，血管是健康的或其中具有血栓，患者患有脑溢血等。本文使用的术语“生理状况水平”可以指患者/目标对象会发展成该生理状况或已经发展成该生理状况的概率，或该生理状况的发展程度(癌症几期)等。此外，本文使用的术语“学习网络”可以指由各种机器学习方法实现的网络模型。图1示出根据本公开的实施例的用于从患者的医学图像自动预测生理状况的示例性预测系统101。在该实施例中，肺结节是目标对象。肺结节可成为诸如放疗等治疗的靶部位(靶区)。可以通过胸部CT扫描来获取肺容积CT图像，然后将其输入到结节检测系统100。所述结节检测系统100配置为在容积CT图像中检测和定位肺结节，并可以输出结节图像块(其中存在结节)作为检测结果。该结节检测系统100的数个例子已经在2017年8月9日提交的美国临时申请号62/542,890中提供，其完整内容通过引用结合于此。此外，本文中也可以采用其他结节检测系统100。预测系统101从结节检测系统100获得结节图像块，预测各个肺结节的恶性水平(诸如恶性概率或恶性得分)和/或患者会患肺癌或已经患肺癌的概率作为预测结果，并输出预测结果。如图1所示，预测系统101可以包括：接口(未示出)，其配置为从结节检测系统100接收结节图像块；结节水平预测系统200和/或图像水本文档来自技高网...

【技术保护点】
1.一种从患者的医学图像自动预测生理状况的装置，包括存储器、处理器和存储在存储器上的计算机可执行指令，其特征在于，所述处理器当执行所述计算机可执行指令时，执行如下步骤：从所接收的医学图像中检测目标对象并获取相应的目标对象图像块；对各个目标对象图像块使用第一学习网络确定第一参数，所述第一参数表示相应目标对象的生理状况水平，并且所述第一学习网络通过添加一个以上辅助分类层来训练。

【技术特征摘要】
2018.07.05 US 16/028,3891.一种从患者的医学图像自动预测生理状况的装置，包括存储器、处理器和存储在存储器上的计算机可执行指令，其特征在于，所述处理器当执行所述计算机可执行指令时，执行如下步骤：从所接收的医学图像中检测目标对象并获取相应的目标对象图像块；对各个目标对象图像块使用第一学习网络确定第一参数，所述第一参数表示相应目标对象的生理状况水平，并且所述第一学习网络通过添加一个以上辅助分类层来训练。2.根据权利要求1所述的装置，其特征在于，所述处理器当执行所述计算机可执行指令时，进一步执行步骤：基于在所述医学图像中所确定的数个目标对象的第一参数确定第二参数，其中，所述第二参数表示所述医学图像的生理状况水平。3.根据权利要求1所述的装置，其特征在于，所述目标对象的所述生理状况水平是所述目标对象的恶性水平。4.根据权利要求2所述的装置，其特征在于，所述医学图像的生理状况水平是：在所述目标对象位于的器官中所述患者是否会患癌症和/或所述患者是否已患癌症。5.根据权利要求3或4所述的装置，其特征在于，所述目标对象是肺结节。6.根据权利要求1所述的装置，其特征在于，为训练所添加的一个以上辅助分类层被去除，以便获得用于为所述目标对象图像块确定所述第一参数的训练好的所述第一学习网络。7.根据权利要求1所述的装置，其特征在于，所述第一学习网络通过使用交叉熵作为损失函数来训练。8.根据权利要求1所述的装置，其特征在于，用于所述一个以上辅助分类层被配置为执行纹理分类、尺寸分类、凝聚性分类、分叶分类和毛刺分类中的至少一种。9.根据权利要求1所述的装置，其特征在于，所述第...

【专利技术属性】
技术研发人员：宋麒，孙善辉，高峰，白军杰，陈翰博，尹游兵，
申请(专利权)人：北京昆仑医云科技有限公司，
类型：发明
国别省市：北京,11