利用机器训练的异常检测的COPD分类制造技术

对于医学成像系统中的COPD分类，机器学习用于学习对患者是否患有COPD进行分类。图像到图像网络深度学习指示各种或任何类型的COPD的空间特征。肺部功能测试可以用作训练所述特征和从空间特征的分类的基础事实。由于肺部功能测试结果和对应的CT扫描的可用性高，因此有很多训练样本。然后，来自图像到图像网络的经学习的特征的值用于创建COPD级别的空间分布，从而提供对区分COPD的类型有用的信息，而无需在训练中对COPD的空间分布的基础事实注释。

【技术实现步骤摘要】
利用机器训练的异常检测的COPD分类
技术介绍
本实施例涉及慢性阻塞性肺部疾病（COPD）分类。COPD是由于气流不足导致的阻塞性肺疾病。COPD的两个主要基础原因是肺气肿和气道疾病。通常通过使用呼吸管的肺部功能测试来诊断COPD。功能性肺部测试的主要输出是1秒内的用力呼气值（FEV1）和用力肺活量（FVC）。这些值基于人口分布被正则化，并计算GOLD分数（COPD严重性分数），其中GOLD0：FEV1/FVC>0.7（无COPD）；GOLD1（COPD的轻度/风险）：FEV1/FVC<0.7和FEV1>0.8；GOLD2（中度COPD）：FEV1/FVC<0.7和0.79>FEV1>0.5；GOLD3（中度-严重COPD）：FEV1/FVC<0.7和0.5>FEV1>0.3；以及GOLD4（严重COPD）：FEV1/FVC<0.7和0.3>FEV1。肺部功能变化可归因于几种不同的状况，诸如支气管炎和哮喘，因此无法提供完整的诊断。肺的计算机断层摄影（CT）扫描用于确认诊断。肺气肿是肺组织的破坏，这在高本文档来自技高网...

【技术保护点】
1.一种用于医学成像系统中的慢性阻塞性肺部疾病（COPD）分类的方法，所述方法包括：/n由医学扫描仪扫描患者的肺，所述扫描提供表示患者的肺的多维区域的第一成像数据；/n由图像处理器将机器学习的生成网络应用于第一成像数据，所述机器学习的生成网络被训练为输出COPD分类；/n根据来自所述机器学习的生成网络的特征的值来生成激活映射，所述激活映射按照所述多维区域内的位置表示COPD的级别；以及/n在显示器上输出来自所述激活映射的图像。/n

【技术特征摘要】
20190214 US 16/2757801.一种用于医学成像系统中的慢性阻塞性肺部疾病（COPD）分类的方法，所述方法包括：
由医学扫描仪扫描患者的肺，所述扫描提供表示患者的肺的多维区域的第一成像数据；
由图像处理器将机器学习的生成网络应用于第一成像数据，所述机器学习的生成网络被训练为输出COPD分类；
根据来自所述机器学习的生成网络的特征的值来生成激活映射，所述激活映射按照所述多维区域内的位置表示COPD的级别；以及
在显示器上输出来自所述激活映射的图像。


2.根据权利要求1所述的方法，其中，扫描包括：利用作为计算机断层摄影系统的医学扫描仪进行扫描，其中，所述多维区域包括三维区域，并且其中所述激活映射是三维映射。


3.根据权利要求1所述的方法，其中，应用包括：应用所述机器学习的生成网络作为图像到图像卷积深度学习的网络。


4.根据权利要求1所述的方法，其中，应用包括：应用所述机器学习的生成网络作为编码器-解码器卷积网络。


5.根据权利要求1所述的方法，其中，应用包括：应用具有卷积层的所述机器学习的生成网络，所述卷积层输出第一多个空间特征到全局平均层，所述全局平均层向线性S形激活层输出。


6.根据权利要求5所述的方法，其中，生成所述激活映射包括：针对每个位置，所述第一多个空间特征中每一个空间特征的加权和，其中所述加权和的权重来自所述全局平均层。


7.根据权利要求1所述的方法，其中，生成所述激活映射包括：基于来自所述机器学习的生成网络的最后卷积层的特征的值进行生成。


8.根据权利要求1所述的方法，其中，应用包括：应用已经利用基础事实训练的所述机器学习的生成网络，所述基础事实针对第二成像数据的样本的是否患有COPD的二元分类。


9.根据权利要求8所述的方法，其中，应用包括：应用已经利用来自于肺部功能测试中使用呼吸管的测量的基础事实训练的所述机器学习的生成网络。


10.根据权利要求8所述的方法，其中，应用包括：应用已经仅利用针对损...

【专利技术属性】
技术研发人员：徐宙冰，S查甘地，S格比奇，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：德国;DE