由医学图像进行联合异常检测和生理状况估计的系统和方法技术方案

本公开涉及一种由医学图像进行联合异常检测和生理状况估计的系统和方法。所述方法可以包括经由至少一个处理器接收由图像获取装置获取的医学图像。所述医学图像包括解剖结构。所述方法可以进一步包括，经由所述至少一个处理器，基于所述医学图像应用联合学习模型来联合地确定所述解剖结构的异常状况连同生理参数。所述联合学习模型满足在所述异常状况与所述生理参数之间的预定约束关系。如此，能够基于包含血管的医学图像，利用联合学习模型，联合地预测解剖结构上的血管异常连同功能性的生理参数，且显著提升血管异常的预测结果和血管的生理参数的预测结果之间的一致性。和血管的生理参数的预测结果之间的一致性。和血管的生理参数的预测结果之间的一致性。

【技术实现步骤摘要】
由医学图像进行联合异常检测和生理状况估计的系统和方法
[0001]相关申请的交叉引用
[0002]本申请基于2020年1月4日提交的美国临时申请第63/133,754号并要求其优先权，该申请通过引用整体结合于此。


[0003]本公开涉及医学图像的处理和分析的
，更具体地，涉及用于进行联合异常检测和生理状况估计的医学图像的处理和分析的


技术介绍

[0004]冠状动脉疾病(CAD)是冠状动脉管腔狭窄可导致心肌缺血的一种危重疾病。心肌缺血的早期和有效的评估对最佳治疗计划是重要的，以便于提升生活质量和减少医疗费用。各种成像技术为包括血管病变程度在内的冠状动脉的结构的评估提供有效的方法。然而，解剖血管病变不一定导致显著的功能性血流动力学改变，仅仅基于解剖血管病变并不能实现精准的诊断和最佳治疗。
[0005]病变可能会导致患者的冠状动脉狭窄或闭塞，从而导致心肌供血不足甚至心肌缺血。另一方面，可以使用血流储备分数(FFR)或瞬时无波率(iFR)或其他测量值来评估生理条件。例如，FFR可以包括在充血条件下平均远端病变与主动脉血压之间的比值。iFR可以在不需要充血的条件下测量，并正在成为一种替代指标。可以在导管实验室中通过压力导丝有创地测量包括FFR和iFR的这些指标。然而，这些方法都是有创的，并且导致患者痛苦。因此，希望一种基于图像的冠状动脉疾病分析系统，以在日常手术中帮助医生进行诊断治疗。
[0006]机器学习在多个领域中已经成为了复杂系统建模的有用工具。最新的机器学习进展已经使其可以应用于就解剖异常评估和生理参数估计来说的CAD分析。然而，现有方法通过针对各个任务分别训练独立模型使得两个不同的模型用于处理这两个任务(例如解剖异常评估和生理参数估计这两个任务)，从而分立地处理这两个任务。结果导致这两个模型没有考虑到这两个任务的相关性，并且来自这两个模型的预测结果可能不一致。此外，由于这两个模型的各个模型都是在对应的任务上用独立的标注数据集训练的，训练过程可能没有充分利用数据标注。

技术实现思路

[0007]本公开提供一种由医学图像进行联合异常检测和生理状况估计的系统和方法，其能够基于包含解剖结构(例如血管)的医学图像，联合地预测解剖结构上的异常(例如血管异常)和所述解剖结构的功能性生理参数，且显著提升解剖结构的异常的预测结果和解剖结构的功能性生理参数的预测结果之间的一致性。
[0008]根据本公开的第一方案，提供一种由医学图像进行联合异常检测和生理状况估计的方法。所述方法可以包括经由至少一个处理器接收由图像获取装置获取的医学图像。所述医学图像包括解剖结构。所述方法可以进一步包括，经由所述至少一个处理器，基于所述
医学图像应用联合学习模型来联合地确定所述解剖结构的异常状况连同生理参数。所述联合学习模型满足在所述异常状况与所述生理参数之间的预定约束关系。该联合学习模型可以采用多任务学习框架，或者串行模型，或将异常检测和生理参数轨迹这两个任务融合的学习框架。
[0009]根据本公开的第二方案，提供一种由医学图像进行联合异常检测和生理状况估计的系统。所述系统可以包括通信接口，其配置为接收由图像获取装置获取的所述医学图像。所述医学图像包含解剖结构。所述系统进一步包括至少一个处理器。所述至少一个处理器可以配置为基于所述医学图像应用联合学习模型来联合地确定所述解剖结构的异常状况连同生理参数。所述联合学习模型满足在所述异常状况与所述生理参数之间的预定约束关系。
[0010]根据本公开的第三方案，提供一种非暂时性计算机可读存储介质，其上存储有计算机可执行的指令。当所述计算机可执行指令由处理器执行时，可以执行一种由医学图像进行联合异常检测和生理状况估计的方法。所述方法可以包括接收由图像获取装置获取的医学图像。所述医学图像包括解剖结构。所述方法可以进一步包括基于所述医学图像应用联合学习模型来联合地确定所述解剖结构的异常状况连同生理参数。所述联合学习模型满足在所述异常状况与所述生理参数之间的预定约束关系。
[0011]根据本公开的系统和方法，能够基于医学图像利用联合学习模型，联合地预测解剖结构的异常(血管异常，诸如血管病变)连同解剖结构的功能性生理参数。通过应用所述联合学习模型，本文公开的系统和方法能够显著提升解剖结构的异常的预测结果和解剖结构的生理参数的预测结果之间的一致性。
[0012]上述的一般描述和以下的详细描述只是示例性和说明性的，并不旨在限制要求保护的专利技术。
附图说明
[0013]在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的类似附图标记可以表示相似组件的不同示例。附图通过举例而不是以限制的方式大体上示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是说明性和示例性的，而并非旨在作为本方法、装置、系统或具有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他的实施例。
[0014]图1A示出根据本公开实施例的一种进行联合异常检测和生理状况估计的示例性方法的流程图。
[0015]图1B示出根据本公开实施例的一种进行联合异常检测和生理状况估计的另一示例性方法的流程图。
[0016]图2示出根据本公开实施例的用于联合的病变检测和生理参数预测的联合学习模型的示例性结构的示意图。
[0017]图3示出根据本公开实施例的用于联合的病变检测和生理参数预测的联合学习模型的另一示例性结构的示意图。
[0018]图4示出根据本公开实施例的用于训练联合学习模型的损失函数中的偏离损失项
的示意图。
[0019]图5示出根据本公开实施例的联合学习模型的训练过程的流程图。
[0020]图6示出根据本公开实施例的对于包含血管树的医学图像进行病变检测连同生理参数预测的分析过程的流程图。
[0021]图7示出根据本公开实施例的一种进行联合异常检测和生理状况估计的系统的示意性框图。
具体实施方式
[0022]现在将详细参考示例性实施例，其示例在附图中示出。
[0023]在本公开中，解剖结构可以包括血管或任何其他适合的解剖结构。在不损失通用性的情况下，下文中的说明以血管(诸如冠脉)作为解剖结构的示例来进行，但该说明也可应用于任何其他解剖结构。
[0024]根据本公开，血管的异常状况表示与血管的正常组织结构区别开的状况，诸如血管的异常状况。例如，血管的异常状况可以表示与血管的病变或亚健康相关的状况，例如但不限于血管解剖结构中生成的血管斑块、心肌桥、血管瘤等中的至少一种。在另一示例中，血管的异常状况也可以表示在血管组织中引入了异物，例如但不限于支架、导管、或导丝中的至少一种。
[0025]图1A示出根据本公开实施例的一种进行联合异常检测和生理状况估计的示例性方法的流程图。如图1A所示，所述方法可以始于步骤101，获取由图像获取装置获取的医学图像。所述医学图像可以包括血管。例如，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种由医学图像进行联合异常检测和生理状况估计的方法，包括：经由至少一个处理器，接收由图像获取装置获取的医学图像，其中，所述医学图像包括解剖结构；以及经由所述至少一个处理器，基于所述医学图像应用联合学习模型来联合地确定所述解剖结构的异常状况连同生理参数，其中，所述联合学习模型满足在所述异常状况与所述生理参数之间的预定约束关系。2.根据权利要求1所述的方法，其特征在于，所述联合学习模型包括：联合特征提取部，其配置为基于所述医学图像提取联合特征；异常检测部，其配置为基于所提取的联合特征确定所述解剖结构的异常状况；以及生理参数预测部，其配置为基于所提取的联合特征确定解剖结构的生理参数。3.根据权利要求1所述的方法，其特征在于，所述联合学习模型基于异常标注数据集连同生理参数标注数据集使用联合训练来训练，且所述联合训练的损失函数对所述血管的异常状况与生理参数之间的预定约束关系的偏离进行惩罚。4.根据权利要求1所述的方法，其特征在于，所述异常状况与生理参数之间的所述预定约束关系建模到所述联合学习模型的模型结构中，以减少所述异常状况与生理参数之间的预定约束关系的偏离。5.根据权利要求2所述的方法，其特征在于，所述解剖结构包括血管，所述联合特征包括沿着所述血管的中心线的至少一个位置的特征的序列，各个位置的对应特征包括人工设计特征、原始图像、自主学习特征或者血管蒙版中的至少一种，所述血管的异常状况包括沿着所述血管的中心线的至少一个位置的异常蒙版、异常的代表性坐标、异常的类型、异常的位置和异常的尺寸中的至少一种，以及其中，所述血管的生理参数包括沿着所述血管的中心线的至少一个位置的生理功能状态中的以下血管功能参数中的至少一种：血流压力、血流速度、血流量、壁面剪切力、血流储备分数(FFR)参数、微循环阻力指数(IMR)、瞬时无波形比值(iFR)参数、相较邻近位置的相对FFR变化参数或相对iFR变化参数。6.根据权利要求3所述的方法，其特征在于，所述解剖结构包括血管，其中所述联合训练使用的损失函数包含偏离损失项，并且其中所述偏离损失项针对血管中心线的非异常区域的各个位置，累计该位置处的血管功能参数相较上游邻近位置的变化绝对值。7.根据权利要求5所述的方法，其特征在于，所述异常检测部被配置为为沿着所述血管的中心线的各个位置检测该位置处是否发生异常；其中，所述生理参数预测部被配置为：针对各个位置，预测该位置的血管功能参数相较上游邻...

【专利技术属性】
技术研发人员：孔斌，尹游兵，王昕，陆易，杨皓宇，白军杰，宋麒，
申请(专利权)人：深圳科亚医疗科技有限公司，
类型：发明
国别省市：