用于标识医学图像集中的异常图像的方法和系统技术方案

本文公开了一种用于标识医学图像集中的异常图像以针对医学图像进行最佳评估的方法和系统。基于与每个全局特征相关联的预训练权重，从每个医学图像中提取多个全局特征。类似地，通过分析从与每个医学图像相对应的较高分辨率图像生成的预定义数目的像斑，从每个医学图像中提取多个局部特征。此外，基于与通过拼接多个全局特征和多个局部特征而获得的组合特征集相关联的权重，来确定每个医学图像的异常分数。此后，当医学图像的异常分数高于预定义的第一阈值分数时，将医学图像标识为异常图像。像。像。

【技术实现步骤摘要】
【国外来华专利技术】用于标识医学图像集中的异常图像的方法和系统


[0001]本技术方案总体上涉及图像处理
，并且更具体地但不排他地，涉及用于标识医学图像集中的异常图像的方法和系统。

技术介绍

[0002]医学图像，例如胸部X射线(CXR)，是用于诊断的第一选择中的一个选择，并且是许多患者路径的基础，揭示了一些不期望的病理变化。通常，医学图像由经训练的放射科医师来检查，并且检查很大程度上取决于放射科医师的经验和专业知识。目前，放射科医师面临医学图像的解释的复杂性的各种挑战。
[0003]放射科医师面临的一些挑战可能是由于胸部结构的重叠导致的图像中解剖噪声的存在、一些疾病的放射学表现中的相似性以及一些无法区分的病理的细微性。其它挑战可能在时间方面，其中每个经训练的放射科医师花费几分钟来审查单个医学图像并且编写报告。而且，许多放射科医师必须长时间工作，这又可能增加由于衰竭而误诊的机会。此外，在对伤亡事故平片的比较研究中，诊断可能存在显著差异，这占总审查的5％－9％。因此，异常的存在更可能引起观察者的变化。这种变化可以被分类为感知的或认知的。当图像特征(尽管被记录)未被审查者理解时，感知误差出现。认知误差可能导致假阳性或假阴性报告。因此，需要使图像分析过程自动化。
[0004]然而，现有的自动化系统在学习和分析方面面临许多挑战。例如，为了训练自动计算机辅助诊断系统，可能需要高质量和更大量的数据集。在较大的数据集上，图像的标签可能是正常的或异常的，并且可能不是非常精确，这是因为打标签过程是通过基于自然语言处理(NLP)的算法读取放射学报告而自动化的。以此做法，附加的误差层可能被引入到基础真值中。而且，大多数现有的自动化系统集中于提取和概括全局特征，如感兴趣的区域的边界、形状、边缘属性，而不集中于分类正常和异常图像。
[0005]因此，目前需要一种自动图像分析系统，其解决上述问题并且导致医学图像的最佳评估。
[0006]在本公开部分的
技术介绍
中公开的信息仅用于增强对本专利技术的一般
技术介绍
的理解，而不应当被认为是对该信息形成本领域技术人员已知的现有技术的确认或任何形式的建议。

技术实现思路

[0007]本文公开了一种用于标识医学图像集中的异常图像以针对医学图像进行最佳评估的方法。术语“异常图像”是指显示临床诊断为不正常的任何状况的医学图像。例如，当图像显示医学图像中存在肺炎、结节等时，这种图像是异常图像并且显示患者的一个或多个器官中的异常。该方法包括基于与多个全局特征中的每个全局特征相关联的预训练权重，从医学图像集中的每个医学图像中提取多个全局特征。医学图像被基线分辨率特征化。此外，该方法包括通过分析与每个医学图像相对应的预定义数目的像斑，来从每个医学图像
中提取多个局部特征。使用预定义的权重来提取局部特征，该预定义的权重使用CNN来被确定。通过获得与每个医学图像相对应的较高分辨率图像并且分割每个较高分辨率图像，来生成预定义数目的像斑。较高的分辨率是指比医学图像的基线分辨率更大/更高的分辨率。通过对医学图像或医学图像的一部分进行上采样，来生成较高的分辨率图像。在提取多个局部特征时，该方法包括基于与组合特征集相关联的权重来确定用于每个医学图像的异常分数，该组合特征集是通过拼接多个全局特征和多个局部特征而获得的。使用预训练特征分类器确定异常分数。最后，该方法包括：当医学图像的异常分数高于预定义的第一阈值分数时，将医学图像标识为异常图像。
[0008]此外，本公开涉及一种用于标识医学图像集中的异常图像以针对医学图像进行最佳评估的自动评估系统。该自动化系统包括处理器和存储器。存储器通信地耦合到处理器并且存储处理器可执行指令，处理器可执行指令在执行时使处理器以基于与多个全局特征中的每个全局特征相关联的预训练权重来从医学图像组中的每个医学图像中提取多个全局特征。此外，指令使处理器通过分析与每个医学图像相对应的预定义数目的像斑来从每个医学图像中提取多个局部特征。通过获得与每个医学图像相对应的较高分辨率图像并且分割每个较高分辨率图像，来生成预定义数目的像斑。此后，指令使处理器以基于与通过拼接多个全局特征和多个局部特征而获得的组合特征集相关联的权重，来确定每个医学图像的异常分数。使用预训练特征分类器确定异常分数。最后，当医学图像的异常分数高于预定义的第一阈值分数时，指令使处理器将医学图像标识为异常图像。
[0009]前述
技术实现思路
仅是说明性的，并不旨在以任何方式进行限制。除了上述说明性方面、实施例和特征之外，通过参考附图和以下详细描述、其它方面、实施例和特征将变得显而易见。
附图说明
[0010]结合在本公开中并且构成其一部分的附图示出了示例性实施例，并与说明书一起解释了所公开的原理。在附图中，附图标记的最左边的(多个)数字表示附图标记首次出现的附图。在所有附图中使用相同的附图标记来表示相同的特征和组件。现在仅通过示例并且参考附图来描述根据本主题的实施例的系统和/或方法的一些实施例，其中：
[0011]图1示出了根据本公开的一些实施例的用于标识医学图像集中的异常图像以针对医学图像进行最佳评估的示例性架构。
[0012]图2示出了示出根据本公开的一些实施例的用于标识医学图像集中的异常图像的自动评估系统的详细框图。
[0013]图3示出了根据本公开的实施例的异常图像的报告的框图。
[0014]图4示出了示出根据本公开的一些实施例的准备医学图像的干净训练数据集的方法的流程图。
[0015]图5示出了示出根据本公开的一些实施例的从医学图像中提取局部和全局特征的方法的流程图。
[0016]图6示出了示出根据本公开的一些实施例的准备和分配用于医学图像的专家分析的工作列表的方法的流程图。
[0017]图7示出了示出根据本公开的一些实施例的基于医学图像的专家分析来创建分析
报告的方法的流程图。
[0018]图8示出了根据本公开的一些实施例的用于标识医学图像集中的异常图像以对医学图像进行最佳评估的方法的流程图。
[0019]图9示出了用于实现根据本公开的实施例的示例性计算机系统的框图。
[0020]本领域技术人员应当理解，本文中的任何框图表示体现本主题原理的说明性系统的概念图。类似地，应当理解任何流程图、流图、状态转移图、伪代码等表示可以基本上在计算机可读介质中表示并且由计算机或处理器执行的各种过程，无论这种计算机或处理器是否被明确示出。
具体实施方式
[0021]在本文中，词语“示例性”在本文中用于表示“用作示例、实例或说明”。在本文中被描述为“示例性”的本主题的任何实施例或实现不必被解释为比其它实施例优选或有利。
[0022]尽管本专利技术允许各种修改和替代形式，但其特定实施例已经通过附图中的示例展示且将在下文详细描述。然而，应当理解，这并不旨在将本公开限制为所公开的特定形式，相反，本公开将覆盖落入本公开的精神和范围内的所有修改、等同物和替换物。
[0023]术语“包括”、“包括为”、“包括有”或其任何其它变型本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种标识医学图像集中的异常图像以针对所述医学图像进行最佳评估的计算机实现的方法，所述方法包括：基于与多个全局特征中的每个全局特征相关联的预训练权重，从所述医学图像集中的每个医学图像中提取所述多个全局特征，其中使用卷积神经网络CNN向所述全局特征分配所述预训练权重；通过分析与每个医学图像相对应的预定义数目的像斑来从每个医学图像中提取多个局部特征，其中所述预定义数目的像斑通过获得与每个医学图像相对应的较高分辨率图像并且分割每个较高分辨率图像而被生成；基于与通过拼接所述多个全局特征和所述多个局部特征而获得的组合特征集相关联的权重，来确定用于每个医学图像的异常分数，其中所述异常分数使用预训练特征分类器而被确定；以及当所述医学图像的所述异常分数高于预定义的第一阈值分数时，将所述医学图像标识为异常图像，其中所述第一CNN不同于所述第二CNN。2.根据权利要求1所述的方法，其中所述多个全局特征和所述多个局部特征使用预训练的特征提取模型而被提取。3.根据权利要求2所述的方法，其中训练所述特征提取模型包括：获取多个训练医学图像；提取与所述多个训练医学图像中的每个训练医学图像相对应的基础真值标签，其中所述基础真值标签包括一个或多个系统分配的基础真值标签和对应的一个或多个专家分配的标签；将所述一个或多个系统分配的基础真值标签与所述对应的一个或多个专家分配的标签进行比较，以确定具有一致性的图像类；从不具有一致性的图像类中提取一个或多个系统预测的基础真值标签；将所述一个或多个系统预测的基础真值标签与所述对应的系统分配的基础真值标签进行比较，以确定具有匹配的基础真值标签的训练医学图像；以及提供一个或多个所述匹配的基础真值标签和对应的所述训练医学图像，以用于训练所述特征提取模型。4.根据权利要求1所述的方法，其中所述多个全局特征从与每个医学图像相对应的较低分辨率图像中被提取。5.根据权利要求1所述的方法，其中用于提取所述多个全局特征的所述医学图像的分辨率小于用于提取所述多个局部特征的所述医学图像的分辨率。6.根据权利要求1所述的方法，其中确定用于每个医学图像的所述异常分数包括将与所述组合特征集相关联的所述权重和与所述预训练特征分类器相关联的对应的所存储的权重进行比较。7.根据权利要求1所述的方法，进一步包括：当所述图像的所述异常分数大于预定义的第二阈值分数时，将所述异常图像分类为关键异常图像，其中所述预定义的第二阈值分数大于所述预定义的第一阈值分数；以及当所述异常图像的所述异常分数大于所述预定义的第一阈值分数并且小于所述预定
义的第二阈值分数时，将所述异常图像分类为挑战性异常图像。8.根据权利要求1所述的方法，其中标识所述异常图像进一步包括：动态地创建包括所述异常图像中的每个异常图像的工作列表；以及将所述工作列表分配给专家分析师，以用于评估包括一个或多个关键异常图像和一个或多个挑战性异常图像的所述异常图像。9.根据权利要求8所述的方法，其中所述一个或多个挑战性异常图像中的每个挑战性异常图像被提供给专家分析师以用于评估，并且所述一个或多个关键异常图像中的每个关键异常图像被标记为优先并且被提供给所述专家分析师以用于立即评估。10.一种用于标识医学图像集中的异常图像以针对所述医学图像进行最佳评估的自动评估系统，所述自...

【专利技术属性】
技术研发人员：V，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：