医学图像中生物对象的基于机器学习的分割制造技术

技术编号:41969890 阅读:22 留言:0更新日期:2024-07-10 16:50
在一个实施例中,一种方法包括:从一组计算机断层扫描(CT)扫描图像中访问第一扫描图像,其中每个CT扫描图像处于第一分辨率;通过将所述第一扫描图像重采样到低于所述第一分辨率的第二分辨率来生成所述第一扫描图像的第一缩小图像;由第一机器学习模型基于所述第一缩小图像来确定与在所述第一扫描图像中描绘的器官对应的粗分割;基于所述粗分割来提取所述第一扫描图像的片段,其中每个提取的片段处于所述第一分辨率;由第二机器学习模型基于所述提取的片段来确定与在所述提取的片段中描绘的相应器官对应的精细分割;以及基于所述精细分割来生成所述第一扫描图像的经分割图像,其中所述经分割图像包括与所述器官对应的经确认分割。

【技术实现步骤摘要】
【国外来华专利技术】

本公开涉及用于使用医学图像来识别和分割生物对象的系统和方法。前言医学成像(例如ct扫描、x射线或mri扫描)被广泛用于肿瘤检测,以辅助癌症(例如肺癌、乳腺癌等)的诊断和治疗。在许多情况下,医疗保健专业人员通过测量肿瘤大小或体积的变化来评估药物和/或治疗方案的疗效。实体瘤疗效评价标准(recist)是一种评估癌症受试者疗效的标准化方法,并且是用于新肿瘤药物批准的监管标准的一部分。recist需要训练有素的专业人员(例如,放射科医生)花费大量时间。具体地,(例如,由放射科医生)手动操作注释器识别多达5个靶病变和多达10个非靶病变。注释器会在描绘靶病变横截面的每次扫描中识别每个靶病变的周界,并记录每个靶病变的横截面直径。然后为所有靶病变确定定量度量(例如,最长直径的总和)。定性评估非靶病变,指示在扫描中是否观察到非靶病变,以及是否有明确的变化。可以在多个时间点采集扫描,并且可以为每个时间点确定用于靶病变和非靶病变的度量。然后可以使用一段时间内度量的变化来评估疾病进展和/或被有效治疗到什么程度。然而,recist包括若干限制。即,该方法不考虑整个疾病“负荷”,因为recist经常只测量每本文档来自技高网...

【技术保护点】

1.一种方法,其包括由一个或多个计算系统:

2.一种方法,其包括由一个或多个计算系统:

3.根据权利要求2所述的方法,其进一步包括:

4.根据权利要求2所述的方法,其进一步包括:

5.根据权利要求2所述的方法,其进一步包括:

6.根据权利要求5所述的方法,其中将所述一个或多个精细分割映射到所述第一扫描图像包括:

7.根据权利要求2所述的方法,其中所述第一扫描图像描绘躯干的第一部分,其中所述第一扫描图像的所述经分割图像包括与所述一个或多个器官中的第一器官对应的所述一个或多个经确认分割中的第一经确认分割,其中所述第一扫描...

【技术特征摘要】
【国外来华专利技术】

1.一种方法,其包括由一个或多个计算系统:

2.一种方法,其包括由一个或多个计算系统:

3.根据权利要求2所述的方法,其进一步包括:

4.根据权利要求2所述的方法,其进一步包括:

5.根据权利要求2所述的方法,其进一步包括:

6.根据权利要求5所述的方法,其中将所述一个或多个精细分割映射到所述第一扫描图像包括:

7.根据权利要求2所述的方法,其中所述第一扫描图像描绘躯干的第一部分,其中所述第一扫描图像的所述经分割图像包括与所述一个或多个器官中的第一器官对应的所述一个或多个经确认分割中的第一经确认分割,其中所述第一扫描图像与并置线相关联,并且其中所述方法进一步包括:

8.根据权利要求2所述的方法,其中所述一个或多个器官中的第一器官包括空气,其中所述第一器官包括第一空气通道,并且其中所述方法进一步包括:

9.根据权利要求2所述的方法,其进一步包括:

10.根据权利要求2所述的方法,其中所述第一机器学习模型或所述第二机器学习模型中的至少一者基于神经网络模型,其中所述第一机器学习模型或所述第二机器学习模型中的至少一者基于两个或更多个神经网络模型的集成模型,并且其中所述第一机器学习模型或所述第二机器学习模型中的至少一者基于所述集成模型的蒸馏模型。

11.根据权利要求10所述的方法...

【专利技术属性】
技术研发人员:M·S·耶马Y·A·佩特罗夫王晓勇N·G·T·本特松R·A·D·卡拉诺
申请(专利权)人:基因泰克公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1