用于冠状动脉疾病的自动评估的冠状动脉管腔和参考壁分割制造技术

提供了用于脉管的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。使用通过利用多任务学习被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。所述多个脉管评估任务包括从所述一个或多个输入医学图像对脉管的参考壁的分割以及从所述一个或多个输入医学图像对脉管的管腔的分割。输出所述多个脉管评估任务的结果。输出所述多个脉管评估任务的结果。输出所述多个脉管评估任务的结果。

【技术实现步骤摘要】
用于冠状动脉疾病的自动评估的冠状动脉管腔和参考壁分割


[0001]本专利技术总体上涉及CAD冠状动脉疾病的自动评估，并且特别地涉及用于冠状动脉疾病的自动评估的冠状动脉管腔和参考壁分割。

技术介绍

[0002]CAD（冠状动脉疾病）的特征是冠状动脉中的斑块的积聚，从而导致冠状动脉变窄和去往心脏的血流减少。冠状动脉的变窄被称为狭窄（stenosis）。狭窄评估是基于冠状动脉CTA（计算机断层摄影血管造影术）成像来执行的。
[0003]已经提出了各种方法来自动评估狭窄。在一个常规方法中，通过内插（interpolate）冠状动脉的健康端部之间的管腔的直径或面积、或者通过迭代地将线拟合到管腔的直径或面积简档（profile），从而根据冠状动脉CTA成像来估计健康冠状动脉的直径或面积。然而，当斑块积聚扩散且较长时或者当斑块积聚通过冠状动脉中的分叉时，这种常规方法不能够准确地评估狭窄。在另一个常规方法中，基于AI（人工智能）的系统被训练成基于合成生成的脉管树（vessel tree）来评估狭窄。然而，这种常规方法也遭受仅使用管腔的直径或面积简档的限制，从而降低了其准确度。

技术实现思路

[0004]根据一个或多个实施例，提供了用于脉管的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。使用通过利用多任务学习基于从所述一个或多个输入医学图像提取的共享特征被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。所述多个脉管评估任务包括从所述一个或多个输入医学图像对脉管的参考壁的分割以及从所述一个或多个输入医学图像对脉管的管腔的分割。输出所述多个脉管评估任务的结果。
[0005]在一个实施例中，所述基于机器学习的模型基于针对脉管的解剖锥形化（tapering）的正则化被训练成用于脉管的参考壁的分割。
[0006]在一个实施例中，所述基于机器学习的模型基于针对不具有异常或病变（lesion）的区域中的脉管的参考壁的分割结果与脉管的管腔的分割结果之间的一致性的正则化被训练成用于脉管的参考壁的分割和脉管的管腔的分割。针对不具有异常或病变的区域中的脉管的参考壁的分割结果与脉管的管腔的分割结果之间的一致性的正则化基于针对所述异常的地面真值标记和针对所述病变的地面真值标记。
[0007]在一个实施例中，所述基于机器学习的模型基于针对具有异常或病变的区域中的参考壁的分割的正则化被训练成用于脉管的参考壁的分割。针对具有异常或病变的区域中的参考壁的分割的正则化基于针对所述异常的地面真值标记和针对所述病变的地面真值标记。
[0008]在一个实施例中，所述基于机器学习的模型基于针对地面真值狭窄分级与基于脉管的参考壁的分割结果和管腔的分割结果的狭窄分级之间的一致性的正则化被训练成用
于脉管的参考壁的分割和脉管的管腔的分割。
[0009]在一个实施例中，所述基于机器学习的模型针对地面真值管腔分割与管腔的分割结果之间的一致性被训练成用于脉管的管腔的分割。
[0010]在一个实施例中，所述多个脉管评估任务进一步包括脉管中的狭窄的基于图像的狭窄分级，并且其中基于图像的狭窄分级的结果、参考壁的分割结果、以及管腔的分割结果是一致的。
[0011]在一个实施例中，基于脉管的参考壁的分割和脉管的管腔的分割来确定脉管中的狭窄的狭窄等级。
[0012]在一个实施例中，确定所述多个脉管评估任务中的每一个的不确定性估计。
[0013]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将对本领域普通技术人员是明显的。
附图说明
[0014]图1示出了根据一个或多个实施例的用于脉管的自动评估的方法；图2示出了根据一个或多个实施例的基于机器学习的模型的多任务学习框架，该基于机器学习的模型使用多任务学习被训练成执行多个脉管评估任务；图3示出了根据一个或多个实施例生成的用于脉管的参考壁的分割和用于脉管的管腔的分割的脉管评估任务的结果；图4示出了根据一个或多个实施例的用于从各种输入医学图像的脉管参考壁分割和脉管管腔分割的脉管评估任务的结果；图5示出了根据一个或多个实施例的用于训练多任务AI（人工智能）系统以执行多个脉管评估任务的框架；图6示出了根据一个或多个实施例的利用不确定性估计所确定的基于机器学习的模型的多任务学习框架，该基于机器学习的模型使用多任务学习被训练成执行多个脉管评估任务；图7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8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9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
[0015]本专利技术总体上涉及用于CAD（冠状动脉疾病）的自动评估的冠状动脉管腔和参考壁分割的方法和系统。本文中描述了本专利技术的实施例以给出对这种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。
[0016]本文中所描述的实施例提供了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脉管的参考壁的分割和脉管的管腔的分割、连同用于CAD评估的其他脉管评估任务（例如，狭窄分级）。通过该单个基于机器
学习的模型进行的参考壁分割和管腔分割的联合确定提供了准确的分割以及对图像伪影和不良图像质量鲁棒的狭窄分级结果。通过利用该单个基于机器学习的模型，确保了该多个脉管评估任务中的每一个的结果是一致的。此外，该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。
[0017]图1示出了根据一个或多个实施例的用于脉管的自动评估的方法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9的计算机902）来执行。
[0018]在图1的步骤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、患者的颅内或颅外脉管、患者的主动脉、患者的外周脉管等。输入医学图像可以描绘脉管壁上的斑块或其他异常（例如，病变、结节或任何其他异常）。
[0019]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的特征。
[0020]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。这种CTA图像可以是单相CTA图像或多相CTA本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机实现的方法，包括：接收患者的脉管的一个或多个输入医学图像；使用通过利用多任务学习基于从所述一个或多个输入医学图像提取的共享特征被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，所述多个脉管评估任务包括从所述一个或多个输入医学图像对脉管的参考壁的分割以及从所述一个或多个输入医学图像对脉管的管腔的分割；以及输出所述多个脉管评估任务的结果。2.根据权利要求1所述的计算机实现的方法，其中所述基于机器学习的模型基于针对脉管的解剖锥形化的正则化被训练成用于脉管的参考壁的分割。3.根据权利要求1所述的计算机实现的方法，其中所述基于机器学习的模型基于针对不具有异常或病变的区域中的脉管的参考壁的分割结果与脉管的管腔的分割结果之间的一致性的正则化被训练成用于脉管的参考壁的分割和脉管的管腔的分割。4.根据权利要求3所述的计算机实现的方法，其中针对不具有异常或病变的区域中的脉管的参考壁的分割结果与脉管的管腔的分割结果之间的一致性的正则化基于针对所述异常的地面真值标记和针对所述病变的地面真值标记。5.根据权利要求1所述的计算机实现的方法，其中所述基于机器学习的模型基于针对具有异常或病变的区域中的参考壁的分割的正则化被训练成用于脉管的参考壁的分割。6.根据权利要求5所述的计算机实现的方法，其中针对具有异常或病变的区域中的参考壁的分割的正则化基于针对所述异常的地面真值标记和针对所述病变的地面真值标记。7.根据权利要求1所述的计算机实现的方法，其中所述基于机器学习的模型基于针对地面真值狭窄分级与基于脉管的参考壁的分割结果和管腔的分割结果的狭窄分级之间的一致性的正则化被训练成用于脉管的参考壁的分割和脉管的管腔的分割。8.根据权利要求1所述的计算机实现的方法，其中所述基于机器学习的模型针对地面真值管腔分割与管腔的分割结果之间的一致性被训练成用于脉管的管腔的分割。9.根据权利要求1所述的计算机实现的方法，其中所述多个脉管评估任务进一步包括脉管中的狭窄的基于图像的狭窄分级，并且其中基于图像的狭窄分级的结果、参考壁的分割结果、以及管腔的分割结果是一致的。10.根据权利要求1所述的计算机实现的方法，进一步包括：基于脉管的参考壁的分割和脉管的管腔的分割来确定脉管中的狭窄的狭窄等级。11.根据权利要求1所述的计算机实现的方法，其中使用通过利用多任务学习基于从所述一个或多个输入医学图像提取的共享特征被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中的每一个的不确定性估计。12.一种设备，包括：用于接收患者的脉管的一个或多个输入医学图像的装置；用于使用通过利用多任务学习基于从所述一个或多个输入医学图像提取的共享特征被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的装置，所述多个脉管评估任务包括从所述一个或多个输入医...

【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：