用于自动估计病变特质的光声图像分析方法和系统技术方案

提供了用于执行光声分类预测的系统和方法。该方法针对感兴趣体积利用与接收OA特征分数相关的一个或多个处理器，该OA特征分数与从患者检查中收集的OA图像相关。感兴趣体积包括病变。该方法将所述OA特征分数应用于分类模型以获得指示病变的特质的预测结果。

【技术实现步骤摘要】
【国外来华专利技术】用于自动估计病变特质的光声图像分析方法和系统相关申请的交叉引用本申请要求2019年6月19日提交的美国非临时申请第16/445,765号的优先权，并要求2018年10月11日提交的美国临时申请第62/744,606号的优先权，其中每个申请的主题通过引用全部并入本文。
本文的实施例总体涉及光声(OA)成像方法。
技术介绍
在世界范围内，乳腺癌是最常见的诊断癌症，并且是女性癌症死亡的第二大原因。虽然近20年来，乳腺癌的死亡率已经显著下降，但乳腺癌仍是西方女性发病率和死亡率的主要原因之一。如今，超声被用于可疑乳腺肿块的评估，以及指导活检。然而，由乳腺超声成像非侵入地评估组织架构不能提供关于癌症的足够的预后信息，因此除了对肿瘤大小和形态的评估外，对临床医生具有的价值有限。仍然需要改进最优声学图像分析。
技术实现思路
根据本文的实施例，提供了用于执行光声分类预测的方法。该方法针对感兴趣体积利用与接收OA特征分数相关的一个或多个处理器，该OA特征分数与从患者检查中收集的OA图像相关。感兴趣体积包括病变。方法将OA特征分数应用于分类模型以获得指示病变的特质的预测结果，并输出该预测结果。可选地，方法可以针对感兴趣体积接收与从患者检查中收集的非OA图像相关的非OA特征分数。方法可以将非OA特征分数与OA特征分数结合应用于分类模型以获得预测结果。预测结果可以是i)指示病变可能是处于恶性类或良性类的可能性，ii)指示护理路径决策，和/或iii)病变可能是处于恶性类或良性类的恶性可能性(LOM)标志符。LOM标志符可以表示平均置信度区间。预测结果还可以包括置信度区间范围。应用操作可以包括将OA特征分数应用到分类模型的集合(ensemble)。至少一部分分类模型可以输出对应的预测结果。可选地，该方法还可以包括组合预测结果以形成指示病变可能处于恶性类的可能性的复合预测结果。分类模型可以表示决策树，该决策树可以包括决策点、分支和病变特质。应用操作可以包括在决策点处测试OA特征分数，并且可以基于测试通过决策树进行分支，直到达到病变特质之一。分类模型可以利用预测性机器学习分类器和标签数据集来建立，该标签数据集可以包括OA特征分数和针对数据集中病变的恶性或良性标签。根据本文的实施例，提供了用于建立与光声(OA)分类预测相关的分类模型的方法。方法利用与接收针对多个患者的标签数据集相关的一个或多个处理器。标签数据集包括来自针对多个患者的检查的感兴趣体积的OA图像中的病变的OA特征分数。标签数据集包括指示病变特质的类标志符。该方法基于标签数据集利用预测性机器学习(PML)分类器来以建立分类模型的集合。分类模型中的每一个都包括指示病变特质的预测结果。可选地，标签数据集可以包括以下各项的组合：i)来自针对多个患者的检查的OA图像的OA特征分数，ii)已经被确定并与OA特征分数一起记录的类标志符，以及iii)针对来自多个患者的检查的非OA图像的非OA特征分数。PML分类器可以包括分类和回归树(CART)、C4.5决策树、K最近邻、支持向量机(SVM)和朴素贝叶斯分类器中的一种或多种。PML分类器可以利用随机森林算法来形成对应于分类模型的决策树的集合。PML分类器可以利用极端梯度提升算法，与分类和回归树(CART)决策树组合来形成分类模型。分类模型可以表示决策树，该决策树包括决策点、分支和病变特质。根据本文的实施例，提供了用于执行光声分类预测的系统。该系统包括被配置为存储程序指令的存储器。提供了一个或多个处理器，该一个或多个处理器当执行程序指令时，被配置为：针对感兴趣体积接收与从患者检查中收集的OA图像相关的OA特征分数，感兴趣体积包括病变，将OA特征分数应用于分类模型以获得指示病变是处于恶性类或良性类的可能性的预测结果，并输出预测结果。可选地，一个或多个处理器还可以被配置为：针对感兴趣体积接收与从患者检查中收集到的非OA图像相关的非OA特征分数。系统可以将非OA特征分数与OA特征分数组合应用于分类模型以获得预测结果。预测结果可以包括病变可能是处于恶性类或良性类的恶性可能性(LOM)标志符。LOM标志符可以表示平均置信度区间。预测结果还可以包括置信度区间范围。一个或多个处理器还可以被配置为将OA特征分数应用到分类模型的集合。至少一部分分类模型可以输出对应的预测结果。可选地，处理器还可以被配置为组合预测结果以形成指示病变可能处于恶性类的可能性的复合预测结果。分类模型可以表示决策树，该决策树包括决策点、分支和病变特质。应用操作可以包括在决策点处测试OA特征分数，并且可以基于测试通过决策树进行分支，直到达到病变特质之一。分类模型可以利用预测性机器学习分类器和标签数据集来建立，该标签数据集可以包括OA特征分数和数据集中病变的恶性或良性标签。根据本文的实施例，提供了用于建立与光声(OA)分类预测相关的分类模型的系统。该系统包括被配置为存储程序指令的存储器。提供了一个或多个处理器，该一个或多个处理器当执行程序指令时，被配置为接收多个患者的标签数据集。标签数据集包括来自多个患者的检查的感兴趣体积的OA图像中的病变的OA特征分数。标签数据集包括表示病变是处于良性类还是恶性类的类标志符。该系统利用预测性机器学习(PML)分类器来基于标签数据集建立分类模型的集合。分类模型中的每一个都包括指示病变处于恶性类或良性类的可能性的预测结果。可选地，标签数据集可以包括以下各项的组合：i)来自针对多个患者的检查的OA图像的OA特征分数，ii)已经被确定并与OA特征分数一起记录的类标志符，以及iii)针对来自多个患者的检查的非OA图像的非OA特征分数。PML分类器可以包括分类和回归树(CART)、C4.5决策树、K最近邻、支持向量机(SVM)和朴素贝叶斯分类器中的一种或多种。PML分类器可以利用随机森林算法来形成对应于分类模型的决策树的集合。PML分类器可以利用极端梯度提升算法，与分类和回归树(CART)决策树组合来形成分类模型。分类模型可以表示决策树，该决策树包括决策点、分支和病变特质。附图说明图1示出了根据本文实施例的PML分类系统的基本组件的框图。图2A示出了根据本文实施例的用于建立分类模型的集合的过程。图2B示出了来自根据本文实施例建立的分类模型的决策树的示例。图3示出了根据本文实施例的交叉验证的示例。图4示出了本文实施例的分类概率与测量的PPV之间的关系。图5A示出了分布式操作图，以进一步描述根据本文实施例由临床医生计算设备和计算服务器执行的操作。图5B示出了根据本文实施例将OA(和非OA)特征分数应用于分类模型以获得指示病变处于恶性类或良性类的可能性的病变特质的过程。图6示出了根据本文实施例可以以其显示作为结果的预测结果的方式的示例。图7示出了根据本文实施例经由光路和电路连接到系统底盘的探头。图8示出了根据本文实施例的过程。具体实施方式下面的描述和图示是例示性的，不应解释为限制性本文档来自技高网...

【技术保护点】
1.一种用于执行光声分类预测的方法，包括：/n关于如下操作，利用一个或多个处理器以：/n接收与从针对感兴趣体积的患者检查中收集的OA图像相关的OA特征分数，所述感兴趣体积包括病变；/n将所述OA特征分数应用于分类模型以获得指示病变的特质的预测结果；以及/n输出所述预测结果。/n

【技术特征摘要】
【国外来华专利技术】20181011 US 62/744,606;20190619 US 16/445,7651.一种用于执行光声分类预测的方法，包括：
关于如下操作，利用一个或多个处理器以：
接收与从针对感兴趣体积的患者检查中收集的OA图像相关的OA特征分数，所述感兴趣体积包括病变；
将所述OA特征分数应用于分类模型以获得指示病变的特质的预测结果；以及
输出所述预测结果。


2.如权利要求1的方法，还包括：接收与从针对感兴趣体积的患者检查中收集的非OA图像相关的非OA特征分数，以及将所述非OA特征分数与所述OA特征分数相组合地应用于分类模型以获得预测结果。


3.如权利要求1所述的方法，其中，所述非OA特征分数涉及以下超声特征中的一个或多个：1)US形状分数，2)US内部纹理，3)US声音传输，4)US囊状区或边界区，5)US外围区，6)患者年龄，7)乳房X光检查-BIRADS，8)病变大小，或9)病变后深度。


4.如权利要求1所述的方法，其中，所述预测结果：i)指示病变是处于恶性类或良性类的可能性，ii)指示护理路径决策；和/或iii)病变是处于恶性类或良性类的恶性可能性(LOM)标志符。


5.如权利要求4的所述方法，其中，所述LOM标志符表示平均置信度区间，并且其中，所述预测结果还包括置信度区间范围。


6.如权利要求1所述的方法，其中，所述应用操作包括将所述OA特征分数应用于分类模型的集合，所述分类模型的至少一部分输出对应的预测结果，所述方法还包括：组合所述预测结果以形成指示病变是处于恶性类的可能性的复合预测结果。


7.如权利要求5所述的方法，其中，所述分类模型表示决策树，所述决策树包括决策点、分支和病变特质，所述应用操作包括在决策点测试OA特征分数，并基于所述测试通过决策树进行分支，直到到达所述病变特质之一。


8.如权利要求1所述的方法，其中，所述分类模型利用预测性机器学习分类器和标签数据集来建立，所述标签数据集包括OA特征分数和针对所述数据集中病变的恶性或良性标签。


9.一种用于建立与光声(OA)分类预测相关的分类模型的方法，包括：
关于如下操作，利用一个或多个处理器以：
接收针对多个患者的标签数据集，所述标签数据集包括来自针对多个患者的检查的感兴趣体积的OA图像中的病变的OA特征分数，所述标签数据集包括指示病变特质的类标志符；以及
基于所述标签数据集，利用预测性机器学习(PML)分类器以建立分类模型的集合，其中，所述分类模型中的每一个分类模型包括指示所述病变特质的预测结果。


10.如权利要求9所述的方法，其中，所述标签数据集包括以下各项的组合：i)来自针对多个患者的检查的OA图像的OA特征分数，ii)已经被确定并与OA特征分数一起记录的类标志符，以及iii)针对来自多个患者的检查的非OA图像的非OA特征分数。


11.如权利要求9所述的方法，其中，所述PML分类器包括分类和回归树(CART)、C4.5决策树、K最近邻、支持向量机(SVM)和朴素贝叶斯分类器中的一种或多种。


12.如权利要求9所述的方法，其中，所述PML分类器利用随机森林算法来形成对应于所述分类模型的决策树的集合。


13.如权利要求9所述的方法，其中，所述PML分类器利用极端梯度提升算法来形成所述分类模型。


14.如权利要求9所述的方法，其中，所述极端梯度提升算法与分类和回归树(CART)决策树组合使用来形成分类模型。


...

【专利技术属性】
技术研发人员：B克林曼，SG戴克斯，
申请(专利权)人：西诺医疗器械股份有限公司，
类型：发明
国别省市：美国;US