【技术实现步骤摘要】
用于解剖树结构的疾病量化建模的方法及系统相关申请的交叉引用本申请要求2019年6月19日提交的美国临时申请第62/863,472号的优先权的权益,其全部内容通过引用合并于本文中。
本公开总体上涉及医学图像处理和分析,并考虑在具有可用于训练的标签数据(诸如地面真值)的情况(例如,在解剖树结构中只有一个或几个侵入性值可用)下,解剖树结构(例如,血管、气道树等)的疾病量化的学习问题。
技术介绍
精确诊断需要解剖树结构的准确疾病量化。例如,已证明血流储备分数(FFR)是评估心脏缺血的可靠指标。FFR可以通过压力导丝进行测量,但是此手术具有侵入性,并且在整个树中仅测量了一个或几个值。已经尝试使用基于学习的方法来估计FFR。这种基于学习的FFR估计基本上是一个低数据问题,因为仅在一个、很少几个或几个位置提供了地面真实性测量。图1显示了几种具有地面真实FFR值的场景:一个点(图1(a)),几个孤立点(图1(b)),或沿一段的值(图1(c))。由于仅有少量的侵入性FFR值(通过压力导丝测得)可用于训练过程,因此要对整个冠状动脉树提供准确的预测非常具有挑战性。现有的基于机器学习的方法需要仿真的FFR值作为训练模型的地面真值。但是,仿真的FFR值通常是通过基于数值流仿真的方法计算的,这既耗时,对于训练机器学习模型又不准确。因此,基于机器学习的方法的性能受到仿真方法的高度限制。
技术实现思路
提供本公开以克服用于利用学习网络进行解剖树结构的疾病定量建模的常规方法中的缺点。本公开的目标是直接利用测得的侵入 ...
【技术保护点】
1.一种计算机实现的用于解剖树结构的疾病量化建模的方法,包括:/n从训练图像获得解剖树结构的中心线;/n由处理器基于图生成图神经网络,其中,每个节点对应于中心线点,并且边由中心线定义,每个节点的输入为相应的中心线点的疾病相关特征或2D/3D图像块,每个节点的输出为疾病量化参数;/n获得一组节点的标签数据,该组节点的节点数小于图神经网络中的节点的总数;以及/n由处理器基于该组节点的标签数据通过在该组节点和其他节点之间传递信息来训练所述图神经网络。/n
【技术特征摘要】
20190619 US 62/863,4721.一种计算机实现的用于解剖树结构的疾病量化建模的方法,包括:
从训练图像获得解剖树结构的中心线;
由处理器基于图生成图神经网络,其中,每个节点对应于中心线点,并且边由中心线定义,每个节点的输入为相应的中心线点的疾病相关特征或2D/3D图像块,每个节点的输出为疾病量化参数;
获得一组节点的标签数据,该组节点的节点数小于图神经网络中的节点的总数;以及
由处理器基于该组节点的标签数据通过在该组节点和其他节点之间传递信息来训练所述图神经网络。
2.根据权利要求1所述的方法,其特征在于,该组节点至少包括在所述解剖树结构的入口处的第一节点;或者,该组节点包括在解剖树结构的入口处的第一节点以及1-3个附加节点。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
接收包含检测解剖树结构的检测图像;
由所述处理器提取所述检测解剖树结构的检测中心线;
由处理器根据检测图生成训练好的检测图神经网络,其中,每个检测节点对应于检测中心线点,边由检测中心线定义,每个检测节点的神经网络单元都遵循训练好的图神经网络的每个节点的神经网络单元的图模板设置;
针对每个检测中心线点提取疾病相关特征或2D/3D图像块;以及
通过使用训练好的检测图神经网络,基于提取的疾病相关特征或2D/3D图像块,预测沿着检测中心线的疾病量化参数。
4.根据权利要求1所述的方法,其特征在于,所述疾病相关特征包括以下至少之一:结构特征,强度特征和派生特征。
5.根据权利要求1所述的方法,其特征在于,所述图神经网络包括图卷积神经网络,其被配置为为每个节点考虑到其空间上接近的相邻节点的情况下执行图卷积运算。
6.根据权利要求5所述的方法,其特征在于,所述图卷积神经网络的输出是其输入和邻接矩阵的函数,所述邻接矩阵是固定的并且由中心线确定。
7.根据权利要求1所述的方法,其特征在于,每个边是无向的或有向的,用于在由所述边链接的节点之间传播信息。
8.根据权利要求7所述的方法,其特征在于,所述信息在所述节点之间的传播包含门机制,每个图单元包含输入门和输出门、记忆单元和隐藏状态,所述图单元包括门控循环单元(GRU)、长短期记忆(LSTM)单元、卷积LSTM(CLSTM)单元和卷积GRU(CGRU)单元中的任何一个。
9.根据权利要求8所述的方法,其特征在于,每个图单元针对每个子节点包含一个遗忘门。
10.根据权利要求1所述的方法,其特征在于,使用基于梯度的方法如下执行图神经网络的训练:通过最小化该组节点的目标函数来优化图神经网络的参数;并将该组节点的梯度和/或误差传递给其他节点。
11.一种用于解剖树结构的疾病量化建模的系统,包括:
接口,被配置为接收包含解剖树结构的训练图像;
处理器,被配置为,针对每个训练图像:
从训练图像获得解剖树结构的中心线;
基于图生成图神经网络,其中,每个节点对应于中心线点,并且边由中心线定义,每个...
【专利技术属性】
技术研发人员:王昕,尹游兵,白军杰,宋麒,曹坤琳,陆易,高峰,
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。