建立机器学习模型以预测医学成像测量的语义上下文信息制造技术

本发明专利技术涉及建立机器学习模型以预测医学成像测量的语义上下文信息。建立机器学习模型，以针对造影增强医学成像测量来预测语义背景信息。以无监督方式预先训练机器学习模型，以基于从造影增强医学成像测量获取的数据来预测与时间相关的信息。然后该预训练机器学习模型用于建立另一个机器学习模型，以针对从造影增强医学成像测量中确定的图像预测语义上下文信息。

【技术实现步骤摘要】

本公开内容的各种示例一般地涉及造影增强(ce)医学成像。本公开内容的各种示例具体涉及在ce多阶段成像中的机器学习(ml)模型的训练。

技术介绍

1、造影增强(ce)成像利用造影剂的扩散和灌注特性，改进正常或异常关注区域(roi)与周围解剖结构相比的可视性。这一过程通常涉及在使用造影剂之前和之后，按时间顺序获取roi在不同分布阶段的一系列图像。ce成像技术的一些示例包括：使用ce计算机断层扫描(ct)进行癌症分期、治疗或治疗计划的病变/肿瘤表征，使用ct血管造影来诊断血管状况(动脉瘤、堵塞)，或者使用ce磁共振成像(mri)来检测和表征大脑异常。

2、从ce图像中检测和分割roi通常是繁琐的过程，涉及专家对与检查区域的不同切片和每个分布阶段相关联的单个图像进行详尽、耗时的检查。这可能导致不确定性和错误。基于造影剂的基本扩散情况，roi内的结构的可视性在不同的分布阶段会有所不同。用于获取不同分布阶段(以下简称阶段)的临床方案的可变性导致缺乏标准化，并且进一步助长了解释的主观性。

3、在图像中检测roi的常规解决方案基于监督学习方法，如机本文档来自技高网...

【技术保护点】

1.一种计算机实现的方法，所述计算机实现的方法包括：

2.根据权利要求1所述的计算机实现的方法，

3.根据权利要求1或2所述的计算机实现的方法，

4.根据权利要求2或3所述的计算机实现的方法，

5.根据前述权利要求中任一项所述的计算机实现的方法，

6.根据前述权利要求中任一项所述的计算机实现的方法，

7.根据前述权利要求中任一项所述的计算机实现的方法，

8.根据前述权利要求中任一项所述的计算机实现的方法，

9.根据前述权利要求中任一项所述的计算机实现的方法，

10.根据权利要求9所...

【技术特征摘要】

1.一种计算机实现的方法，所述计算机实现的方法包括：

2.根据权利要求1所述的计算机实现的方法，

3.根据权利要求1或2所述的计算机实现的方法，

4.根据权利要求2或3所述的计算机实现的方法，

5.根据前述权利要求中任一项所述的计算机实现的方法，

6.根据前述权利要求中任一项所述的计算机实现的方法，

7.根据前述权利要求中任一项所述的计算机实现的方法，

8.根据前述权利要求中任一项所述的计算机实现的方法，

9.根据前述权利要求中任一项所述的计算机实现的方法，

10.根据权利要求9所述的计算机实现的方法，其中，所述预训练ml模型的所述至少一部分在所述另外的ml模型中生成来自所述至少一个推断图像的嵌入式特征，基于所述嵌入式特征来确定所述至少一个推断图像的语义上下文信息。

1...

【专利技术属性】
技术研发人员：马丁·克劳斯，马纳希·达塔尔，多米尼克·纽曼，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：