用于检测正常图像的基于AI的图像分析制造技术

用于标识异常医学图像的系统和方法。所述系统可以被配置成：接收医学图像；从医学图像中分割解剖结构以定义分割数据集；将分割数据集配准到定义正常解剖结构的基线数据集；由异常分类器对医学图像内的解剖结构是异常还是正常进行分类，其中异常分类器包括机器学习算法，所述机器学习算法被训练成在医学图像中的解剖结构的正常版本与异常版本之间进行区分；以及基于是否可以从医学图像中分割解剖结构、是否可以将分割数据集配准到基线数据集、或异常分类器所输出的与医学图像相关联的分类，将医学图像标记为正常或异常。医学图像标记为正常或异常。医学图像标记为正常或异常。

【技术实现步骤摘要】
用于检测正常图像的基于AI的图像分析
[0001]对相关申请的交叉引用本申请要求于2020年6月3日提交的题为“AI
‑
BASED IMAGE ANALYSIS FOR THE DETECTION OF NORMAL IMAGES (ESPECIALLY FOR MULTI
‑
INDICATION EXAMS)”的美国临时专利申请No.63/033,875的优先权，该美国临时专利申请在此通过引用整体地并入本文中。

技术介绍

[0002]需要处理的医学图像的量保持年年增长，这给负责分析和解释这些图像的放射科医生带来了越来越大的负担。另外，由于常规的医学实践，一些类型的医学图像（诸如，胸部X光或胸部CT图像（例如，用于肺癌筛查））具有高比率的“正常情况（normal）”（即，没有任何放射照相可见异常的病例）。审查正常情况可能会占用放射科医生相当长的时间，该时间可以更好地花在审查和分析实际上具有放射照相可见异常的医学图像上。因此，如果存在一种预过滤正常情况的机制（尤其是针对倾向于具有高比率的正常情况的医学图像的类型），则可以帮助放射科医生腾出时间来审查和分析异常病例，这些异常病例需要更详细的解释，以用于制定治疗决策、提供差异诊断或评估疾病预后的目的。
[0003]一些放射学实践使用技术人员来手动对异常和正常候选图像进行预分类（pre
‑
sort）。然而，这仍然是耗时的过程，并且在可以做出不存在异常的最终确定之前，放射科医生通常仍然必须审查技术人员的工作。另外，已经开发了一些机器学习算法来帮助为放射科医生预筛选医学图像。然而，这些算法同样地具有问题。特别地，大多数机器学习算法已经仅被开发为解决仅一种类型的发现（例如，肺结节）。因此，放射科医生仍然需要针对通常被称为“偶然发现”的情况来审查每个医学图像，该偶然发现可能是临床相关的，并且必须予以报告。例如，被配置成标识正常胸部检查的机器学习算法仍然必须意识到任何种类的异常（例如，与纵隔、肺野、心脏、肋骨、脊柱或腹部中的任一个相关联的异常）。然而，迄今为止，大多数算法即使针对指数病变（index lesion）也显示出<100％的阴性预测值性能，并且无法处理将需要放射科医生标识的所有“偶然发现”。因此，当前的机器学习算法关于它们是否可以可靠地确定医学图像内不存在任何临床相关发现留下了一些疑问（doubt）。
[0004]如先前所指出，已经开发了一些机器学习算法来帮助预筛选医学图像。例如，用于分诊（triage）的机器学习算法使用反例（inverse example）（即，极有可能包含需要立即注意的异常（诸如，颅内出血）的图像）来标识异常图像。作为另一个示例，使用机器学习算法来筛选巴氏涂片（pap smear），以标识没有任何异常的那些巴氏涂片，并且将这种巴氏涂片标明为“不再进一步审查”（NFR）。然而，医学实践必须仍然由病理学家来执行质量控制步骤，以通读（overread）至少一部分NFR，从而监测软件的性能并管理假阴性的风险。因此，尽管这些机器学习算法通常可能是有帮助的，但是它们并不能解决占用放射科医生的时间以及对广泛类型的医学图像和状况的宽泛适用性的固有问题。
[0005]因此，对图像进行基于AI的预读取以评估图像是否“正常”（即，是否不存在异常）可以补救这些问题。另外，被附加地配置成标识特定类型的异常发现并且提供特定类型的异常发现的报告的AI系统可以使放射科医生腾出时间以用于真正复杂的病例（例如，介入
放射学）。另外，对医学图像的实时筛选可以加快患者从护理机构的出院（release），否则这些患者可能在离开之前被转诊以进行高级成像。

技术实现思路

[0006]常规AI算法被训练或编程为检测医学图像内存在的一种特定类型的异常（例如，结节或钙化）。然而，在诸如胸部CT或X射线之类的多指征检查中，有多于500种疾病可能在这种检查时以放射照相方式呈现。对于任何这种异常而言，对特定于病变的算法进行聚合将是时间高昂且成本高昂的。此外，将难以论证针对新发疾病（例如，COVID
‑
19）的发现的完整性。
[0007]在一个实施例中，本公开涉及一种用于标识异常医学图像的计算机实现方法，该方法包括：接收医学图像；从医学图像中分割解剖结构以定义分割数据集；将分割数据集配准到定义正常解剖结构的基线数据集；由异常分类器对医学图像内的解剖结构是异常还是正常进行分类，其中异常分类器包括机器学习算法，该机器学习算法被训练成在医学图像中的解剖结构的正常版本与异常版本之间进行区分；以及基于是否可以从医学图像中分割解剖结构、是否可以将分割数据集配准到基线数据集、或异常分类器所输出的与医学图像相关联的分类，将医学图像标记为正常或异常。
[0008]在另一个实施例中，本公开涉及一种用于标识异常医学图像的计算机系统，该计算机系统包括：处理器；以及耦合到处理器的存储器，存储器存储指令，该指令在由处理器执行时使该计算机系统进行以下操作：接收医学图像；从医学图像中分割解剖结构以定义分割数据集；将分割数据集配准到定义正常解剖结构的基线数据集；由异常分类器对医学图像内的解剖结构是异常还是正常进行分类，其中异常分类器包括机器学习算法，该机器学习算法被训练成在医学图像中的解剖结构的正常版本与异常版本之间进行区分；以及基于是否可以从医学图像中分割解剖结构、是否可以将分割数据集配准到基线数据集、或异常分类器所输出的与医学图像相关联的分类，将医学图像标记为正常或异常。
附图说明
[0009]被并入在说明书中并形成说明书的一部分的附图图示了本专利技术的实施例，并且与书面描述一起用于解释本专利技术的原理、特性和特征。在附图中：图1是根据本公开的至少一个方面的用于标识正常医学图像的AI系统的框图。
[0010]图2是根据本公开的至少一个方面的用于使用图1的AI系统来分析放射科医生的工作列表内的医学图像的过程的逻辑流程图。
[0011]图3是根据本公开的至少一个方面的医学成像系统的框图。
具体实施方式
[0012]本公开不限于所描述的特定系统、设备和方法，这是由于它们可以变化。本描述中使用的术语仅用于描述特定版本或实施例的目的，而不意图限制范围。
[0013]如本文中使用的，术语“算法”、“系统”、“模块”或“引擎”如果在本文中使用则不意图限制用于实现和/或执行可归因于此和/或由此执行的动作、步骤、过程等的任何特定实现方式。算法、系统、模块和/或引擎可以是但不限于执行指定功能的软件、硬件和/或固件
或其任何组合，这些指定功能包括但不限于结合加载或存储在机器可读存储器中并由处理器执行的适当软件而对通用和/或专用处理器的任何使用。另外，除非另行指定，否则与特定算法、系统、模块和/或引擎相关联的任何名称都是用于参考方便的目的，而不意图限于特定实现方式。附加地，归因于算法、系统、模块和/或引擎的任何功能可以由多个算法、系统、模块和/或引擎同等地执行，被并入到相同或不同类型的另一个算法、系统、模块和/或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于标识异常医学图像的计算机实现方法，所述方法包括：接收医学图像；从所述医学图像中分割解剖结构以定义分割数据集；将分割数据集配准到定义正常解剖结构的基线数据集；由异常分类器对所述医学图像内的解剖结构是异常还是正常进行分类，其中异常分类器包括机器学习算法，所述机器学习算法被训练成在医学图像中的解剖结构的正常版本与异常版本之间进行区分；以及基于是否可以从所述医学图像中分割解剖结构、是否可以将分割数据集配准到基线数据集、或异常分类器所输出的与所述医学图像相关联的分类，将所述医学图像标记为正常或异常。2.根据权利要求1所述的方法，进一步包括：基于所述医学图像已经被标记为正常还是异常，来控制所述医学图像是否在与放射科医生相关联的工作列表中。3.根据权利要求2所述的方法，其中所述工作列表与软件平台相关联，所述软件平台包括图片存档和通信系统、放射学信息系统或临床信息系统中的至少一个。4.根据权利要求1所述的方法，进一步包括：由特定于病变的分类器对解剖结构是否表现出病变进行分类，其中特定于病变的分类器包括第二机器学习算法，第二机器学习算法被训练成标识医学图像中的病变；以及其中将所述医学图像标记为正常或异常进一步基于特定于病变的分类器是否已经标识出所述医学图像中的病变。5.根据权利要求4所述的方法，其中特定于病变的分类器包括支持向量机、决策树、神经网络或贝叶斯模型中的至少一个。6.根据权利要求1所述的方法，其中所述医学图像包括计算机断层扫描（CT）图像、磁共振成像图像、正电子发射断层扫描图像、单光子发射CT图像、X射线图像、超声图像、光学相干断层扫描图像、或光声图像中的至少一个。7.根据权利要求1所述的方法，其中异常分类器包括支持向量机、决策树、神经网络或贝叶斯模型中的至少一个。8.一种用于标识异常医学图像的计算机系统，所述计算机系统包括：处理器；以及耦合到处理器的存储器，存储器存储指令，所述指令在由处理器执行时使所述计算机系统进行以下操作：接收医学图像，从所述医学图像中分割解剖结构...

【专利技术属性】
技术研发人员：P，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：