【技术实现步骤摘要】
基于图像中的结构或材料分割的机器学习分类方法与系统与相关申请的交叉引用本申请基于2019年6月21日提交的第16/448,474号美国专利申请,并要求其优先权,该申请提交的内容通过引用全部并入本文。
本专利技术涉及一种基于结构或材料分割的计算机视觉系统和方法,该系统和方法利用机器学习,特别是深度神经网络,用于对图像(例如,医学图像)进行分类(并监测其变化)。可能的医学成像应用包括:计算机断层扫描(ComputedTomography,CT)、磁共振(MagneticResonance,MR)、超声、高分辨率外周骨定量计算机断层扫描(High-ResolutionperipheralQuantitativeComputedTomography,HRpQCT)和病理扫描仪成像。
技术介绍
计算机视觉和图像处理技术已经应用于医学图像分析。一些计算机辅助系统通过两个步骤来实现分析:分割和定量计算。分割是通过区分图像中的像素(在2D图像中)或体素(在3D图像中),将图像(如医学图像)中的结构或对象彼此分割(或区分)的过程。在分割的基础上,计算诸如体积、形状、密度的定量特征。例如,在脑部CT或MRI扫描中分割病变后计算病变的大小和形状;可以在髋部双能x线吸收测定法(Dual-energyX-rayAbsorptiometry,DXA)扫描中分割股骨颈后计算骨密度(bonemineraldensity)。医生将这些计算值与健康参考数据进行比较后,可以作出诊断或治疗决定。例如,T分数是患者骨密度与年轻正常参考 ...
【技术保护点】
1.一种用于训练分类机器学习模型的计算机实现的方法,所述分类机器学习模型用于对受试者的图像中的结构或材料进行分类,所述方法包括:/n将带注释的分割图和带注释的非图像数据分为训练集合和测试集合,对一个或多个图像进行分割得到带注释的分割图;/na)实现分类机器学习模型,其包括对所述分类机器学习模型的参数进行初始化;/nb)通过在训练数据上运行学习算法来更新所述分类机器学习模型的参数;/nc)在测试数据上测试所述分类机器学习模型;/nd)评估所述分类机器学习模型是否具有令人满意的性能;/n当在步骤d)中发现性能不令人满意时,重复步骤a)至d);以及/n输出所述分类机器学习模型以部署为经过训练的分类机器学习模型,或将所述分类机器学习模型标记为经过训练的分类机器学习模型。/n
【技术特征摘要】
20190621 US 16/448,4741.一种用于训练分类机器学习模型的计算机实现的方法,所述分类机器学习模型用于对受试者的图像中的结构或材料进行分类,所述方法包括:
将带注释的分割图和带注释的非图像数据分为训练集合和测试集合,对一个或多个图像进行分割得到带注释的分割图;
a)实现分类机器学习模型,其包括对所述分类机器学习模型的参数进行初始化;
b)通过在训练数据上运行学习算法来更新所述分类机器学习模型的参数;
c)在测试数据上测试所述分类机器学习模型;
d)评估所述分类机器学习模型是否具有令人满意的性能;
当在步骤d)中发现性能不令人满意时,重复步骤a)至d);以及
输出所述分类机器学习模型以部署为经过训练的分类机器学习模型,或将所述分类机器学习模型标记为经过训练的分类机器学习模型。
2.根据权利要求1所述的方法,其包括当发现性能不令人满意时,收集更多的图像和非图像数据以用于训练所述分类机器学习模型。
3.根据权利要求1或2所述的方法,其中,所述分类机器学习模型包括具有多个层的神经网络,所述多个层包括人工神经元,其中:
参数包括层数、神经元数、神经元权重和神经元函数参数;以及
测试所述分类机器学习模型包括在测试数据上测试所述分类机器学习模型。
4.根据权利要求1至3中任一项所述的方法,其包括将带注释的分割图和带注释的非图像数据分为训练集合、开发集合和测试集合,并利用开发数据来研究学习过程和调整参数。
5.一种根据权利要求1到4中任一项所述的方法训练的分类机器学习模型。
6.一种用于训练分类机器学习模型的系统,所述分类机器学习模型用于对受试者的图像中的结构或材料进行分类,所述系统包括处理器,所述处理器配置为:
将带注释的分割图和带注释的非图像数据分为训练集合和测试集合,对一个或多个图像进行分割得到带注释的分割图;
a)实现分类机器学习模型,其包括对所述分类机器学习模型的参数进行初始化;
b)通过在训练数据上运行学习算法来更新所述分类机器学习模型的参数;
c)在测试数据上测试所述分类机器学习模型;
d)评估所述分类机器学习模型是否具有令人满意的性能;
当在步骤d)中发现性能不令人满意时,重复步骤a)至d);以及
输出所述分类机器学习模型以部署为经过训练的分类机器学习模型,或将所述分类机器学习模型标记为经过训练的分类机器学习模型。
7.一种用于对受试者的图像中的结构或材料进行分类的系统,其包括:
分割器,其配置为形成图像中的结构或材料的一个或多个分割,并根据分割生成图像的一个或多个分割图,一个或多个分割图包括从一个或多个相应的预定义的类别集合中分配的分割图的像素或体素的类别;
分类器,其实现经过训练的分类机器学习模型,所述经过训练的分类机器学习模型配置为基于分割图生成一个或多个分类,并将表示结构或材料或者受试者落入相应分类的可能性的各分数分配给分类;以及
输出部,其用于输出表示分类和分数的结果。
8.根据权利要求7所述的用于对受试者的图像中的结构或材料进行分类的系统,其中,所述分类器基于与受试者有关的分割图和非图像数据生成一个或多个分类。
9.根据权利要求7或8所述的用于对受试者的图像中的结构或材料进行分类的系统,其中,所述分割器包括:
i)结构分割器,其配置为生成包括从预定义的结构类别集合中分配的像素或体素的类别的结构分割图,
ii)材料分割器,其配置为生成包括从预定义的材料类别集合中分配的像素或体素的类别的材料分割图,和/或
iii)异常分割器,其配置为生成包括从预定义的异常或正常类别集合中分配的像素或体素的类别的异常分割图。
10.根据权利要求9所述的用于对受试者的图像中的结构或材料进行分类的系统,其中,所述结...
【专利技术属性】
技术研发人员:彭宇,
申请(专利权)人:斯特拉克斯私人有限公司,
类型:发明
国别省市:澳大利亚;AU
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。