使用卷积长短期记忆从弱注释的卷式医学图像检测疾病制造技术

用于开发疾病检测模型的系统和方法。一种方法包括使用图像研究和从放射学报告挖掘的相关联的疾病标签来训练模型。图像研究包括三维图像卷的多个二维切片的序列，并且模型包括卷积神经网络层(104)和卷积长短期记忆层(108)。训练模型包括：使用卷积神经网络层(104)从多个二维切片中的每一个单独地提取一组特征；使用卷积长短期记忆层(108)顺序地处理由卷积神经网络层(104)针对多个二维切片中的每一个提取的特征；处理来自卷积长短期记忆层(108)的针对多个二维切片中顺序上最后的二维切片的输出以生成疾病的概率；以及基于概率与标签的比较来更新模型。与标签的比较来更新模型。与标签的比较来更新模型。

【技术实现步骤摘要】
【国外来华专利技术】使用卷积长短期记忆从弱注释的卷式医学图像检测疾病


[0001]本文所描述的实施例一般涉及深度学习框架，其用于从弱但容易获取的标签(例如，特定疾病的二元(binary)诊断)高效学习以检测图像卷中的疾病。具体来说，本文所述的实施例提供检测模型，其使用卷积长短期记忆(Conv
‑
LSTM)单元来扫描图像卷并记住切片上和切片之间的疾病的特征，其中检测模型是使用针对一组未注释的图像卷的疾病的二元标签来训练的。

技术介绍

[0002]深度学习已证实对医学成像的增强的自动分析(诸如在计算机辅助诊断(CAD)中)的巨大希望。例如，给定足够大的训练数据池，卷积神经网络(CNN)可以在疾病检测中实现卓越的结果。然而，在开发放射学中的基于深度学习的CAD平台的一个障碍是对大的、注释的医学图像数据集的需要。特别是在三维(3D)成像模态(例如计算机断层摄影术(CT))的情况下，对于放射科医生来说为深度模型的训练提供足够的手动注释通常是极其繁重的。因此，使用注释样本的大数据集来训练疾病检测模型通常实际上不可行，并且对使用呈临床上存在的形式的成像数据——本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于开发疾病检测模型的系统，所述系统包括：一个或多个电子处理器，被配置为：使用图像研究和从针对所述图像研究生成的放射学报告中挖掘的相关联的疾病标签来训练所述疾病检测模型，所述图像研究包括三维图像卷的多个二维切片的序列，所述疾病检测模型包括卷积神经网络层和卷积长短期记忆层，其中训练所述疾病检测模型包括：使用所述卷积神经网络层从所述多个二维切片中的每一个单独地提取一组特征；使用所述卷积长短期记忆层顺序地处理由所述卷积神经网络层针对所述多个二维切片中的每一个提取的所述一组特征；处理来自所述卷积长短期记忆层的针对所述多个二维切片中顺序上最后的二维切片的输出以生成疾病的概率；将所述概率与所述标签进行比较；基于所述比较更新所述疾病检测模型；以及在训练所述疾病检测模型之后，将所述疾病检测模型应用于新图像研究，以针对新图像研究生成所述疾病的概率。2.根据权利要求1所述的系统，其中，所述疾病标签包括与所述图像研究相关的患者是否被诊断患有所述疾病的二元标签。3.根据前述权利要求中任一项所述的系统，其中，所述疾病的概率是肺气肿的概率。4.根据前述权利要求中任一项所述的系统，其中，所述多个二维切片包括包含胸部的一系列计算机断层摄影(CT)图像。5.根据前述权利要求中任一项所述的系统，其中，所述三维图像卷不包括任何注释。6.根据前述权利要求中任一项所述的系统，其中，使用所述卷积长短期记忆层顺序地处理由所述卷积神经网络层针对所述多个二维切片中的每一个提取的所述一组特征包括透过所述三维图像卷检测空间模式和变化。7.根据前述权利要求中任一项所述的系统，其中，所述疾病检测模型包括两个双向单元对，其中，每个单元包括所述卷积层和所述卷积长短期记忆层。8.根据前述权利要求中任一项所述的系统，其中，所述两个双向单元对包括第一单元、第二单元、第三单元、以及第四单元，所述第一单元按照所述多个二维切片的升序将32个滤波器应用于所述三维图像卷，所述第二单元按照所述多个二维切片的降序将32个滤波器应用于所述三维图像卷，所述第三单元按照所述升序将64个滤波器应用于所述三维图像卷，所述第四单元按照所述降序将64个滤波器应用于所述三维图像卷。9.根据前述权利要求中任一项所述的系统，其中，所述一个或多个处理器被配置为通过将来自所述多个二维切片中顺序上最后的单组特征输出至S形激活致密层来处理来自所述卷积长短期记忆层的针对所述多个二维切片中顺序上最后的二维切片的输出，以生成所述疾病的概率。10...

【专利技术属性】
技术研发人员：N，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：