用于医学成像评估的深度学习的应用制造技术

本公开总体上涉及用于处理从成像或其他诊断和评估医疗流程中获得的电子数据的方法和系统。某些实施例涉及用于深度学习算法的开发的方法，该算法对成像和其他医学数据中的特定特征和状况执行机器识别。另一实施例提供了被配置为通过深度学习算法来检测并定位医学成像扫描上的医学异常的系统。

Application of deep learning for medical imaging assessment

【技术实现步骤摘要】
【国外来华专利技术】用于医学成像评估的深度学习的应用相关申请本申请要求享有于2018年11月14日提交的第201821042893号印度专利申请的优先权权益，通过引用将其全部并入本文用于所有目的。
本公开总体上涉及用于处理从成像或其他诊断和评估医疗程序中获得的电子数据的方法和系统。一些实施例涉及用于深度学习算法的开发的方法，该算法对成像和其他医学数据中的特定特征和状况执行机器识别。
技术介绍
诸如计算机断层摄影(CT)和X射线成像的医学成像技术广泛用于诊断、临床研究和治疗计划。存在对提高医学成像评估的效率、准确性和成本效益的自动化方法的新兴需求。胸部X光片在最常见的放射学诊断试验当中，每年全球都会进行数百万次扫描。虽然经常进行试验，但是读取胸部X光片成为更复杂的放射学任务，并且众所周知是高度主观的，其中根据评阅者(reader)的经验水平、检测到的异常和临床环境，评阅者之间的一致性从0.2的kappa值到0.77的kappa值变化。由于他们的可支付力(affordability)，世界各地，包括在很少有或没有放射科医师的地区都使用胸部X光片。在世界许多地方，数字胸部X光片机的可用性(availability)比经过高度训练以执行这项复杂的任务的临床医生的可用性增长地更快。如果自动检测可以在资源匮乏环境中作为疾病筛查工具被应用，那么对全球人口健康结果的益处可以很有意义。胸部X光片的这种使用的一个示例是在结核病筛查中，其中专家评阅者所掌握的胸部X光片对结核病的早期检测比临床症状更敏感。在过去几年中，人们对使用深度学习算法来帮助医学图像上的异常检测的兴趣越来越大。这是机器解释自然图像和检测其中的对象的能力快速增长的自然结果。特别是在胸部X光片方面，已经有一系列研究描述了使用深度学习算法来检测各种异常(Shin等人，ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition，第2497-2506页，2016；Rajpurkar等人，arXivpreprintarXiv：1711.05225，2017；Li等人，arXivpreprintarXiv：1711.06373，2017)。这些中的大部分受到缺乏大型高质量数据集的可用性的限制，其中发表的著作(work)描述的最大的是对112,120张X光片进行训练的算法，相对少数考虑到大多数胸部X光片是正常的(normal)，并且异常的(abnormal)X光片不太常见，特定的异常更少。专利技术概述本公开描述了全自动深度学习系统的开发和临床验证，该系统被训练以从医学成像扫描检测并定位异常。特定实施例提供了深度学习系统的训练和临床验证，以检测并定位胸部X光片异常。该系统已经在120万张X光片上进行了训练，并在包含2000项研究的独立数据集上对照由3名放射科医师组成的小组(panel)的多数投票对其进行了试验。胸部X光片上异常范围从非常小的病变(lesion)到覆盖肺野(field)大部分的弥漫性(diffuse)异常。最佳深度学习算法架构基于检测到的异常而不同；因此，提供了针对每个异常使用具有最大化AUC的单独算法的系统。具体地，实施例提供了用于开发深度学习系统以检测并定位胸部X射线扫描上的医学异常的方法，包括：选择医学成像扫描，并且使用自然语言处理(NLP)算法来提取医学异常；通过调整大小和标签特定的数据扩增(augmentation)来预处理所选择的医学成像扫描；用选择的医学成像扫描来训练包括卷积神经网络架构的深度学习算法，其中，通过预先训练将胸部X射线扫描与其他身体部位的X射线扫描分离的任务来修改架构；通过组合多个模型的预测来预测特定类型的医学异常的存在/不存在，其中，使用各种启发法(heuristic)来选择模型；生成对应于医学异常的识别水平的分数，并且输出表示医学异常的精确位置和范围的边界框；以及通过与放射科医师报告进行比较来验证用于检测医学异常的深度学习算法的准确性。根据实施例，所述医学成像扫描包括但不限于CT、X射线、核磁共振成像(MRI)和超声流程。对于胸部X射线扫描，所述医学异常包括但不限于钝化的CP角(bluntedCPangle)、钙化(calcification)、心脏肥大(cardiomegaly)、空洞(cavity)、实变(consolidation)、纤维化(fibrosis)、肺门增大(hilarenlargement)、混浊(opacity)和胸腔积液(pleuraleffusion)。另一实施例提供了被配置为通过深度学习算法来检测并定位胸部X射线扫描上的医学异常的系统，其中，通过以下步骤来开发深度学习算法：选择医学成像扫描，并且使用自然语言处理(NLP)算法来提取医学异常；通过调整大小和标签特定的数据扩增来预处理所选择的医学成像扫描；用选择的医学成像扫描来训练包括卷积神经网络架构的深度学习算法，其中，通过预先训练将胸部X射线扫描与其他身体部位的X射线扫描分离的任务来修改架构；通过组合多个模型的预测来预测特定类型的医学异常的存在/不存在，其中，使用各种启发法来选择模型；生成对应于医学异常的识别水平的分数，并且输出表示医学异常的精确位置和范围的边界框；以及通过与放射科医师报告进行比较来验证用于检测医学异常的深度学习算法的准确性。此外，系统被配置为通过深度学习算法来检测并定位胸部X射线扫描上的医学异常的系统，其中，算法实现了对于异常扫描的检测的AUC为0.93±0.01，以及对于钝化的肋膈角、钙化、心脏肥大、空洞、实变、纤维化、肺门增大、混浊和胸腔积液的检测的AUC分别为0.94±0.02、0.88±0.03、0.97±0.02、0.93±0.07、0.93±0.04、0.88±0.05、0.89±0.05、0.93±0.02、0.98±0.02。专利技术的有益效果以前发表的关于用于胸部X光片异常检测的深度学习的著作没有区分“疾病”的诊断和“异常调查结果(findings)”的检测。本专利技术的重点是检测异常调查结果或者X光片上的异常，这种异常可以由专家在没有临床历史的任何先验知识(priorknowledge)的情况下可视地检测出来。这允许将系统应用于具有不同疾病患病率(prevalence)模式的地理环境和不同疾病表现。附图简述图1对于深度学习系统以检测胸部X光片异常的放射科医师验证的研究设计。图2对于所有异常的AUC曲线相对于3名放射科医师多数，其中标记了评阅者性能。图3使用qXR在地区TB中心进行试点(pilot)的TB检测的推荐工作流。详细描述应当理解，本专利技术不限于本文描述的特定的方法论、协议和系统等，且因此可以变化。本文使用的术语仅为了描述特定实施例的目的，而不旨在限制本专利技术的范围，本专利技术的范围仅由权利要求限定。如说明书和所附权利要求中所使用的，除非有相反的指本文档来自技高网...

【技术保护点】
1.一种用于开发深度学习系统以检测并定位胸部X射线扫描上的医学异常的方法，包括：/n选择医学成像扫描，并且使用自然语言处理(NLP)算法来提取医学异常；/n通过调整大小和标签特定的数据扩增来预处理所选择的医学成像扫描；/n用所述选择的医学成像扫描来训练深度学习算法；/n通过组合多个模型的预测来预测特定类型的医学异常的存在/不存在；以及/n生成对应于所述医学异常的识别水平的分数，并且输出表示所述医学异常的精确位置和范围的边界框。/n

【技术特征摘要】
【国外来华专利技术】20181114 IN 2018210428931.一种用于开发深度学习系统以检测并定位胸部X射线扫描上的医学异常的方法，包括：
选择医学成像扫描，并且使用自然语言处理(NLP)算法来提取医学异常；
通过调整大小和标签特定的数据扩增来预处理所选择的医学成像扫描；
用所述选择的医学成像扫描来训练深度学习算法；
通过组合多个模型的预测来预测特定类型的医学异常的存在/不存在；以及
生成对应于所述医学异常的识别水平的分数，并且输出表示所述医学异常的精确位置和范围的边界框。


2.根据权利要求1所述的方法，其中，所述深度学习算法包括卷积神经网络架构。


3.根据权利要求2所述的方法，其中，通过预先训练将胸部X光片与其他身体部位的X光片分离的任务来修改所述架构。


4.根据权利要求1所述的方法，其中，使用各种启发法来选择所述模型。


5.根据权利要求1所述的方法，其中，所述医学异常包括钝化的CP角、钙化、心脏肥大、空洞、实变、纤维化、肺门增大、混浊和胸腔积液。


6.根据权利要求1所述的方法，其中，通过与放射科医师报告进行比较来验证用于检测所述医学异常的所述深度学习算法的准确性。


7.一种被配置为使用深度学习算法来检测并定位胸部X射线扫描上的医学异常的系统，其中，通过以下步骤来开发所述深度学习算法：
选择医学成像扫描，并且使用自然语言处理...

【专利技术属性】
技术研发人员：普雷塔姆·普萨，马努基·塔德帕里，巴尔加瓦·雷迪，塔伦·尼姆马达，普贾·拉奥，普拉桑特·瓦瑞尔，
申请(专利权)人：库雷人工智能科技私人有限公司，
类型：发明
国别省市：印度;IN