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。

【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201821042894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。非对比(non-contrast)头部CT扫描在最常用的急诊室诊断工具当中，用于头部受伤患者或者暗示有中风(stroke)或颅内压升高症状的患者。它们的广泛可用性和相对较低的获取时间使它们成为常用的一线诊断方式(modality)。过去几十年来，美国急诊每年进行CT扫描的比例一直在增加，并且使用头部CT来排除对神经外科介入(intervention)的需求也在增加。CT扫描上可以容易地检测到的最关键的、时间敏感的异常包括颅内出血、颅内压升高和颅骨(cranial)骨折。中风患者的关键评估目标是排除颅内出血。这取决于CT成像及其迅速(swift)解释。类似地，对于疑似急性(acute)颅内出血的患者，即时(immediate)CT扫描解释对于评估神经外科治疗的需求至关重要。颅骨骨折如果是开放性的或凹陷的，通常需要紧急的神经外科介入。颅骨骨折也是头部CT扫描上最常遗漏的主要异常，尤其是如果在轴向平面上运行(course)的情况下。虽然仅在一小部分CT扫描上发现这些异常，但通过自动化初始筛查和分诊(triage)过程来简化头部CT扫描解释工作流(workflow)，将大大减少诊断时间并加速治疗。这反过来会减少由中风和头部受伤产生的发病率和死亡率。自动头部CT扫描筛查和分诊系统对于繁忙的创伤护理中的队列管理是很有价值的，或者在没有放射科医师即时可用的情况下有助于远程位置的决策。过去一年，深度学习在医学成像解释任务中的应用取得了许多进展，有力的证据表明，深度学习可以执行特定的医学成像任务，包括识别糖尿病视网膜病变(diabeticretinopathy)并对其进行分级，以及以相当于专家医师(specialistphysician)的准确度将皮肤病变(lesion)分类为良性(benign)或恶性(malignant)。深度学习算法也被训练，以通过“分类”算法来检测放射线图像(诸如胸片、胸部CT和头部CT)上的异常；以及通过“分割”算法来定位并量化疾病模式或解剖体积。用于放射学的准确的深度学习算法的开发，除了合适的模型架构外，还需要使用大量准确标记的扫描来训练算法。当训练数据集很大并且包括来自不同源的扫描时，算法很好地推广(generalize)到新设置的可能性增加了。有几项关于低体积的头部CT扫描的计算机辅助诊断(CAD)算法的开发和验证的研究。早期，深度学习被用来检测颅内出血。传统的计算机视觉技术更常用于检测骨折和中线移位(midlineshift)。对于大多数研究的训练和验证数据集具有<200次头部CT扫描，这引起了对这些算法的鲁棒性的担忧。此外，没有标准的公共头部CT数据集来直接比较算法的性能。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。某些实施例涉及深度学习系统的开发和验证，以检测并定位头部CT扫描异常。经训练的算法检测五种颅内出血(ICH)(即，脑实质出血(IPH)、脑室内出血(IVH)、硬膜下颅内出血(SDH)、硬膜外出血(EDH)和蛛网膜下出血(SAH))，以及具有最大化AUC(ROC曲线下面积)的头颅(skull)/颅骨(calvarial)/颅顶(cranialvault)骨折。经训练的算法还检测肿块效应(masseffect)和中线移位，这两者都被用作脑受伤严重性的指标。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头部CT扫描上的医学异常的方法，包括：选择医学成像扫描并使用自然语言处理(NLP)算法来提取医学异常，其中，每种类型的医学异常都在扫描级、切片级和像素级处被注释；用选择的医学成像扫描来训练包括卷积神经网络架构的切片式深度学习算法，以分割像素级注释的扫描；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，通过使用多个并行的全连接层来修改架构以生成切片级置信度；预测对于每种类型的医学异常的存在的置信度，其中，使用全连接层跨切片组合在切片级处的置信度，以预测对于医疗异常的存在及其类型的扫描级置信度；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程度的掩码(mask)；以及通过与放射科医师报告的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)和超声过程。对于头部CT扫描，所述医学异常包括但不限于包括脑实质出血(IPH)、脑室内出血(IVH)、硬膜下颅内出血(SDH)、硬膜外出血(EDH)以及蛛网膜下出血(SAH)的5种类型的出血中的每一种；中线移位；肿块效应；以及头颅/颅骨骨折。此外，对于给定的头部CT扫描，通过向三个单独的窗口(包括脑窗口、骨窗口和硬膜下窗口)开窗(window)并且将这些窗口作为通道堆叠来预处理扫描。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头部CT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使用自然语言处理(NLP)算法来提取医学异常，其中，每种类型的医学异常都在扫描、切片和像素级处被注释；用选择的医学成像扫描来训练包括卷积神经网络架构的切片式深度学习算法，以分割像素级注释的扫描；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，通过使用多个并行的全连接层来修改架构以生成切片级置信度；预测对于每种类型的医学异常的存在的置信度，其中，使用全连接层跨切片组合切片级处的置信度，以预测对于医学异常的存在及其类型的扫描级置信度；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程度的掩码；以及通过与放射科医师报告的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头部CT扫描上的医学异常，其中，算法针对检测ICH、IPH、IVH、SDH、EDH和SAH分别实现了0.94±0.02、0.96±0.03、0.93±0.07、0.95±0.04、0.97±0.06和0.96±0.04的AUC。专利技术的有益效果本专利技术提供了深度学习算法，以从头部CT扫描中单独地检测多达九个关键调查结果(finding)。与临床放射学报告相比，所述算法已经在大数据集上得到了验本文档来自技高网...

【技术保护点】
1.一种用于开发深度学习系统以检测并定位非对比头部CT扫描上的医学异常的方法，包括：/n选择医学成像扫描并使用自然语言处理(NLP)算法来提取医学异常，其中，每种类型的所述医学异常都在扫描级、切片级和像素级处被注释；/n用所选择的医学成像扫描来训练切片式深度学习算法，以分割像素级注释的扫描；/n用所述选择的医学成像扫描来训练所述深度学习算法，以生成切片级置信度；/n预测对于每种类型的医学异常的存在的置信度；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程度的掩码。/n

【技术特征摘要】
【国外来华专利技术】20181114 IN 2018210428941.一种用于开发深度学习系统以检测并定位非对比头部CT扫描上的医学异常的方法，包括：
选择医学成像扫描并使用自然语言处理(NLP)算法来提取医学异常，其中，每种类型的所述医学异常都在扫描级、切片级和像素级处被注释；
用所选择的医学成像扫描来训练切片式深度学习算法，以分割像素级注释的扫描；
用所述选择的医学成像扫描来训练所述深度学习算法，以生成切片级置信度；
预测对于每种类型的医学异常的存在的置信度；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程度的掩码。


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，通过使用多个并行的全连接层来修改所述架构。


4.根据权利要求1所述的方法，其中，使用全连接层跨切片组合切片级处的置信度，以预测对于所述医学异常的存在及其类型的扫描级置信度。


5.根据权利要求1所述的方法，其中，所述医学异常包括颅内出血，并且5种类型的颅内出血中的每一种包括脑实质出血(IPH)、脑室内出血(IVH)、硬膜下颅内出血(SDH)、硬膜外出血(EDH)以及蛛网膜下出血(SAH)；中线移位；肿块效应；头颅骨折以及颅骨骨折。


6.根据权利要求1所述的方法，其中，通过向三个单独的窗口开窗来预处理所述扫描。


7.根据权利要求6所述的方法，其中，所述三个单独的窗口包括脑窗口、骨窗口和硬膜下窗口。


8.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。


9.一种被配置为使用深度学习算法来检测并定位头部CT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...

【专利技术属性】
技术研发人员：萨桑克·奇拉姆库尔希，罗希特·高希，斯威萨·塔纳马拉，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