用于对冠状动脉疾病进行全自动评估的多任务学习框架制造技术

本公开涉及用于对冠状动脉疾病进行全自动评估的多任务学习框架。提供了用于对脉管进行自动评估的系统和方法。接收患者的脉管的一个或多个输入医学图像。使用基于机器学习的模型来执行用于评估脉管的多个脉管评估任务，所述基于机器学习的模型是使用多任务学习来训练的。所述多个脉管评估任务是由所述基于机器学习的模型基于从所述一个或多个输入医学图像中提取的共享特征来执行的。输出所述多个脉管评估任务的结果或所述多个脉管评估任务的结果的组合。结果的组合。结果的组合。

【技术实现步骤摘要】
用于对冠状动脉疾病进行全自动评估的多任务学习框架


[0001]本专利技术总体上涉及对冠状动脉疾病的全自动评估，并且特别地涉及用于根据计算机断层摄影血管造影术图像对冠状动脉疾病进行全自动评估的多任务学习框架。

技术介绍

[0002]CAD（冠状动脉疾病）的特征是由于心脏动脉中的斑块的积聚所致的去往心脏的血流减少。CAD是最常见的心脏病类型。在当前的临床实践中，对疑似患有CAD的患者执行冠状动脉CTA（计算机断层摄影血管造影术）成像，以进行风险分层和诊断。
[0003]常规地，通过单独地训练基于机器学习的模型来自动地执行根据冠状CTA成像对CAD的评估，该基于机器学习的模型用于执行诸如医学成像分析任务，例如病变检测和分类、伪影检测、狭窄分级和管腔分割。然而，用于对CAD进行自动评估的这种常规方法在每个个体医学成像分析任务与总体结果之间缺乏一致性。此外，在一个医学成像分析任务中遇到的错误可能会传播到下游的医学成像分析任务。

技术实现思路

[0004]根据一个或多个实施例，提供了用于对脉管进行自动评估的系统和方法。接收患者的脉管的一个或多个输入医学图像。使用基于机器学习的模型来执行用于评估脉管的多个脉管评估任务，所述基于机器学习的模型是使用多任务学习来训练的。所述多个脉管评估任务是由所述基于机器学习的模型基于从所述一个或多个输入医学图像中提取的共享特征来执行的。输出所述多个脉管评估任务的结果或所述多个脉管评估任务的结果的组合。
[0005]在一个实施例中，所述多个脉管评估任务包括对脉管中的狭窄的基于图像的狭窄分级，并且对脉管中的狭窄的基于图像的狭窄分级是在不使用脉管的管腔分割结果的情况下执行的。
[0006]在一个实施例中，所述多个脉管评估任务包括对脉管中的狭窄的基于图像的狭窄分级和根据所述一个或多个输入医学图像的管腔分割，并且基于图像的狭窄分级的结果和管腔分割的结果是一致的。在另一个实施例中，所述多个脉管评估任务包括对一个或多个血液动力学指数的确定和根据所述一个或多个输入医学图像的管腔分割，并且对一个或多个血液动力学指数的确定的结果和管腔分割的结果是一致的。
[0007]在一个实施例中，所述多个医学成像分析任务包括以下各项中的至少一个：对脉管中的疾病的检测和分类、对所述一个或多个输入医学图像中的伪影的检测和分类、对所述一个或多个输入医学图像中的异常的检测和分类、对脉管中的狭窄的基于图像的狭窄分级、以及根据所述一个或多个输入医学图像的管腔分割。对脉管中的疾病的检测和分类可以包括将疾病分类为钙化、未钙化、混合钙化和未钙化、以及高风险中的一个。对所述一个或多个输入医学图像中的伪影的检测和分类可以包括将伪影分类为成像伪影和图像处理伪影中的一个。对所述一个或多个输入医学图像中的异常的检测和分类可以包括将异常分
类为心肌桥和来自先前介入的异常中的一个。
[0008]在一个实施例中，所述基于机器学习的模型是使用未经注释的临床报告来训练的。所述多个脉管评估任务的结果可以包括针对所述多个脉管评估任务中的每一个的热图。
[0009]在一个实施例中，确定所述多个脉管评估任务的结果的置信度量（confidence measure）或所述多个脉管评估任务的每一个结果的置信度量。
[0010]通过参考以下具体实施方式和附图，本专利技术的这些和其他优点对本领域普通技术人员将是明显的。
附图说明
[0011]图1示出了根据一个或多个实施例的用于对脉管进行自动评估的方法；图2示出了根据一个或多个实施例的使用多任务学习来训练以执行多个脉管评估任务的基于机器学习的模型的多任务学习框架；图3示出了根据一个或多个实施例的用于多个脉管评估任务的示例性复合热图；图4示出了根据一个或多个实施例的用于将基于机器学习的模型训练成用于执行多个脉管评估任务的框架；图5示出了根据一个或多个实施例的用于将一个或多个基于机器学习的模型训练成用于狭窄分级的工作流程；图6示出了根据一个或多个实施例的用于生成合成数据的工作流程，该合成数据用于将一个或多个基于机器学习的模型训练成用于狭窄分级；图7示出了根据一个或多个实施例的用于将基于机器学习的模型训练成用于根据直径简档来生成管腔掩模的框架；图8示出了根据一个或多个实施例的用于将基于机器学习的网络训练成用于对狭窄进行分级的框架；图9示出了可以用于实现一个或多个实施例的示例性人工神经网络；图10示出了可以用于实现一个或多个实施例的卷积神经网络；以及图11示出了可以用于实现一个或多个实施例的计算机的高级框图。
具体实施方式
[0012]本专利技术总体上涉及用于对CAD（冠状动脉疾病）进行全自动评估的多任务学习框架的方法和系统。本文中描述了本专利技术的实施例以给出对这些方法和系统的视觉理解。数字图像通常由一个或多个对象（或形状）的数字表示组成。在本文中通常在标识和操纵对象方面来描述对象的数字表示。这种操纵是在计算机系统的存储器或其他电路/硬件中完成的虚拟操纵。因此，要理解的是，可以使用存储在计算机系统内的数据在计算机系统内执行本专利技术的实施例。参考附图来描述本文中描述的实施例，在附图中，相同的参考数字表示相同或相似的元件。
[0013]本文中描述的实施例提供了一种用于对单个基于机器学习的模型进行端到端训练的多任务学习框架，该单个基于机器学习的模型用于执行用于评估CAD的多个医学成像分析任务。通过利用这种单个基于机器学习的模型，确保了该多个医学成像分析任务中的
每一个的结果是一致的。此外，单个基于端到端机器学习的模型可以产生有意义的结果，而不管个体医学成像分析任务的失败。
[0014]图1示出了根据一个或多个实施例的用于对脉管进行自动评估的方法100。方法100的步骤可以由一个或多个合适的计算设备（诸如例如，图11的计算机1102）来执行。
[0015]在步骤102处，接收患者的脉管的一个或多个输入医学图像。患者的脉管可以是患者的动脉、患者的静脉、或患者的任何其他脉管。例如，脉管可以是患者的冠状动脉分支。在一个实施例中，输入医学图像包括沿着脉管采样的脉管横截面图像。然而，输入医学图像可以包括脉管的任何合适的图像，并且不限于脉管的横截面图像。在一些实施例中，输入医学图像可以包括如下特征：诸如例如脉管的重新格式化视图、脉管的几何特征（例如，到解剖界标或其他感兴趣解剖对象的距离、脉管直径的估计等）、脉管的解剖特征（例如，标识脉管的标签、脉管中的分叉的指示器等）或脉管的任何其他合适特征。
[0016]在一个实施例中，输入医学图像是CT（计算机断层摄影）图像，诸如例如CTA（计算机断层摄影血管造影术）图像。然而，输入医学图像可以属于任何其他合适的模态，诸如例如MRI（磁共振成像）、x射线、US（超声）或任何其他模态或模态组合。输入医学图像可以包括2D（二维）图像或3D（三维）体积，并且可以包括单个图像或多个图像（例如，随时间获取的图像序列）。当获取图像时，可以直接从诸如例如CT扫描仪之类的图像获取设备（例如，图11的图像获取设备1114）接收输入医学图像，或者本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：接收患者的脉管的一个或多个输入医学图像；使用基于机器学习的模型来执行用于评估脉管的多个脉管评估任务，所述基于机器学习的模型是使用多任务学习来训练的，所述多个脉管评估任务是由所述基于机器学习的模型基于从所述一个或多个输入医学图像中提取的共享特征来执行的；以及输出所述多个脉管评估任务的结果或所述多个脉管评估任务的结果的组合。2.根据权利要求1所述的方法，其中所述多个脉管评估任务包括对脉管中的狭窄的基于图像的狭窄分级，并且其中对脉管中的狭窄的基于图像的狭窄分级是在不使用脉管的管腔分割结果的情况下执行的。3.根据权利要求1所述的方法，其中所述多个脉管评估任务包括对脉管中的狭窄的基于图像的狭窄分级和根据所述一个或多个输入医学图像的管腔分割，并且其中基于图像的狭窄分级的结果和管腔分割的结果是一致的。4.根据权利要求1所述的方法，其中所述多个脉管评估任务包括对一个或多个血液动力学指数的确定和根据所述一个或多个输入医学图像的管腔分割，并且其中对一个或多个血液动力学指数的确定的结果和管腔分割的结果是一致的。5.根据权利要求1所述的方法，其中所述多个脉管评估任务包括以下各项中的至少一个：对脉管中的疾病的检测和分类、对所述一个或多个输入医学图像中的伪影的检测和分类、对所述一个或多个输入医学图像中的异常的检测和分类、对脉管中的狭窄的基于图像的狭窄分级、以及根据所述一个或多个输入医学图像的管腔分割。6.根据权利要求5所述的方法，其中对脉管中的疾病的检测和分类包括将所述疾病分类为钙化、未钙化、混合钙化和未钙化、以及高风险中的一个。7.根据权利要求5所述的方法，其中对所述一个或多个输入医学图像中的伪影的检测和分类包括将所述伪影分类为成像伪影和图像处理伪影中的一个。8.根据权利要求5所述的方法，其中对所述一个或多个输入医学图像中的异常的检测和分类包括将所述异常分类为心肌桥和来自先前介入的异常中的一个。9.根据权利要求1所述的方法，其中所述基于机器学习的模型是使用未经注释的临床报告来训练的。10.根据权利要求1所述的方法，其中输出所述多个脉管评估任务的结果或所述多个脉管评估任务的结果的组合包括：输出针对所述多个脉管评估任务中的每一个的热图。11.根据权利要求1所述的方法，其中使用使用多任务学习所训练的基于机器学习的模型来执行用于评估脉管的多个脉管评估任务包括：确定所述多个脉管评估任务的结果的置信度量。12.根据权利要求1所述的方法，其中使用使用多任务学习所训练的基于机器学习的模型来执行用于评估脉管的多个脉...

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