预测解剖结构的疾病量化参数的计算机实现的方法、系统及存储介质技术方案

本发明专利技术公开了一种预测解剖结构的疾病量化参数的计算机实现的方法、系统及存储介质。该方法包括：基于医学图像提取中心线结构；通过利用GNN，其中所述GNN的各个节点对应于所提取的中心线结构上的采样点，且所述GNN的各条边对应于所述采样点之间的空间约束关系，预测所提取的中心线结构上的各个采样点的疾病量化参数，对于各个节点，基于对应采样点的图像块通过使用局部特征编码器提取局部特征；基于一组采样点的一组图像块通过使用全局特征编码器提取全局特征，一组采样点包括对应采样点并具有由中心线结构定义的空间约束关系；基于局部特征和全局特征两者获得嵌入特征，并将嵌入特征输入到该节点。该方法能够将采样点的局部考虑因素和全局考虑因素整合输入到GNN中，提高预测准确度。提高预测准确度。提高预测准确度。

【技术实现步骤摘要】
预测解剖结构的疾病量化参数的计算机实现的方法、系统及存储介质
[0001]交叉引用
[0002]本申请基于并要求2021年4月23日提交的申请号为63/178，940的美国临时申请的优先权，其通过引用结合于此。


[0003]本专利技术涉及利用人工智能进行解剖结构分析的领域，特别涉及一种计算机实现的预测解剖结构的疾病量化参数的方法、系统以及存储介质。

技术介绍

[0004]解剖结构的准确的疾病量化参数有助于实现精确诊断。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，并且在整个血管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。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，使得基于机器学习的方法的预测性能较差，对解剖结构的疾病量化参数的预测准确度较低。

技术实现思路

[0005]本专利技术实施例提供一种计算机实现的预测解剖结构的疾病量化参数的方法，其能够无缝地整合来自整个解剖结构中的中心线结构的采样点的信息，通过将采样点的局部考虑因素和全局考虑因素整合输入到图神经网络(GNN)中，从而实现仅使用有限的标签数据即可准确的预测出解剖结构的疾病量化参数。
[0006]为了解决上述技术问题，本专利技术实施例采用了如下技术方案。
[0007]根据本专利技术的第一方案，提供了一种计算机实现的预测解剖结构的疾病量化参数的方法。所述方法可以包括：获取含有解剖结构的医学图像；基于医学图像提取中心线结构；通过利用图神经网络(GNN)，使得所述GNN的各个节点对应于所提取的中心线结构上的采样点，且所述GNN的各条边对应于两个采样点之间的空间约束关系，预测所提取的中心线结构上的各个采样点的疾病量化参数；基于对应采样点的图像块通过使用局部特征编码器，来提取局部特征；基于一组采样点的一组图像块通过使用全局特征编码器来提取全局特征，所述一组采样点包括所述对应采样点并具有由所述中心线结构定义的空间约束关系；基于所述局部特征和所述全局特征两者来获得嵌入特征，并将所述嵌入特征输入到所述GNN的该节点。
[0008]根据本专利技术的第二方案，提供了一种预测解剖结构的疾病量化参数的系统，所述系统包括：接口，其配置为：获取含有解剖结构的医学图像；以及处理器，其配置为：执行根据专利技术中各个实施例所述的预测解剖结构的疾病量化参数的方法。
[0009]根据本专利技术的第三方案，本专利技术提供了一种非暂时性计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现根据本专利技术中各个实施例所述的预测解剖结构的疾病量化参数的方法。
[0010]本专利技术实施例的有益效果在于：
[0011]该方法通过提取中心线结构的采样点的局部特征，并基于一组采样点来提取全局特征，利用基于局部特征和全局特征来获得用于输入到GNN中的嵌入特征，使得能够无缝地整合来自整个解剖结构中的中心线结构的采样点的信息，通过将采样点的局部考虑因素和全局考虑因素整合到GNN，从而实现仅使用有限的标签数据即可准确的预测出解剖结构的疾病量化参数。
附图说明
[0012]图1(a)示出根据本专利技术实施例的预测解剖结构的疾病量化参数的方法的流程图；
[0013]图1(b)示出根据本专利技术一个实施例的图1(a)所使用的方法的流程图；
[0014]图2(a)示出根据本专利技术一个实施例的预测解剖结构的疾病量化参数的示例性方法的流程图；
[0015]图2(b)示出根据本专利技术实施例的局部特征学习的示例性方法的流程图；
[0016]图2(c)示出根据本专利技术实施例的全局特征学习的示例性方法的流程图；
[0017]图2(d)示出根据本专利技术实施例的利用局部特征和全局特征预测解剖结构的疾病量化参数的示例性方法的流程图；
[0018]图3示出根据本专利技术实施例的利用图神经网络进行解剖结构的图神经网络训练和疾病量化参数预测的示例性方法的框架；
[0019]图4示出根据本专利技术实施例的预测解剖结构的疾病量化参数的系统的框架示意图。
具体实施方式
[0020]为使本领域技术人员更好地理解本专利技术，下面参照附图对本专利技术的实施例进行详细说明，但不作为对本专利技术的限定。
[0021]本专利技术提出了一种预测解剖结构的疾病量化参数的方法。图1(a)示出了根据本专利技术实施例的预测解剖结构的疾病量化参数的方法的流程图。如图1(a)所示，该方法始于步骤S101，获取含有解剖结构的医学图像。
[0022]可以理解的是，本文中的“解剖结构”可以表示具有树结构的血管、气道等，但本专利技术不限于此。“医学图像”可以指完整图像或从完整图像裁剪的图像块，可以为二维(2D)或三维(3D)的形式。可以理解的是，医学图像可以利用各种医疗设备获得，例如，CT图像，MRI图像、超声图像等，例如，含有血管的MRI图像，脑结构MRI图像等。
[0023]在S102，基于医学图像提取中心线结构。
[0024]在一些实施例中，可以利用神经网络来提取中心线结构。神经网络算法是一种模
仿大脑神经网络行为，进行分布式并行信息处理的算法数学模型，这种网络依靠系统的复杂程度，通过调整内部神经元之间相互连接的关系，从而达到处理信息的目的。利用训练好的神经网络来对获得的含有解剖结构的医学图像进行处理，能够快速准确地提取出解剖结构的中心线结构。
[0025]在一些实施例中，可以利用神经网络对含有解剖结构的医学图像进行分割来实现提取中心线结构，此后，可以对中心线结构进行采样来获得采样点。例如，采样点可以是关注疾病量化参数的位置，例如，沿着血管分布的各点中可以选择一组点作为采样点，来获得嵌入特征并预测血管的疾病量化参数(例如FFR)的分布状况。
[0026]然后，可以从这些采样点中提取特征作为图的顶点(节点)以创建图形表示。特别地，这些特征可以是疾病相关特征。
[0027]在一些实施例中，对解剖结构的中心线结构的分割，可以自动、半自动或手动获得。其次，在中心线上的点被采样作为图(G)的顶点(V)。对于中心线上的每个采样点，可以基于各采样点处的图像块(或者蒙版块)来提取特征信息(例如可以称为局部特征图)。对于中心线上的一组采样点，也可以基于对应的一组采样点处的一组图像块来提取特征信息(例如可以称为全局特征图)。下文中主要基于这种情况进行详细说明。但须知，特征信息提取的基础不限于各个(组)采样点处的图像块，也可以包括各个(组)采样点处的各种定义好的疾病相关特征。具体地，疾病相关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测解剖结构的疾病量化参数的计算机实现的方法，其特征在于，所述方法包括：获取含有解剖结构的医学图像；通过至少一个处理器，基于所述医学图像提取中心线结构；并且通过利用图神经网络(GNN)，使得所述GNN的各个节点对应于所提取的中心线结构上的采样点，且所述GNN的各条边对应于两个采样点之间的空间约束关系，预测所提取的中心线结构上的各个采样点的疾病量化参数，其中，预测各个采样点的所述疾病量化参数进一步包括：基于所述采样点的图像块通过使用局部特征编码器，来提取局部特征；基于一组采样点的一组图像块通过使用全局特征编码器来提取全局特征，所述一组采样点包括所述采样点并具有由所述中心线结构定义的空间约束关系；并且基于所述局部特征和所述全局特征两者来获得嵌入特征，并将所述嵌入特征输入到对应于所述采样点的所述GNN的该节点。2.根据权利要求1所述的计算机实现的方法，其特征在于，所述局部特征编码器和所述全局特征编码器中的每一个采用包括第一级注意力块和第二级注意力块的双级注意力机制，其中，所述第一级注意力块被配置为提取病变位置感知注意力图，并且所述第二级注意力块被配置为提取像素到像素的相互依赖注意力图。3.根据权利要求1所述的计算机实现的方法，其特征在于，所述GNN包括高阶GNN。4.根据权利要求1所述的计算机实现的方法，其特征在于，所述解剖结构包括解剖树结构或解剖图结构。5.根据权利要求1所述的计算机实现的方法，其特征在于，所述局部特征编码器包括：结合有用于定位的注意力机制的第一卷积神经网络(CNN)，跟随其的第一自注意力块，所述第一自注意...

【专利技术属性】
技术研发人员：王昕，尹游兵，孔斌，陆易，杨皓宇，郭新宇，宋麒，
申请(专利权)人：深圳科亚医疗科技有限公司，
类型：发明
国别省市：