用于体积量化和个体检测的脑图像上的急性颅内出血分割制造技术

用于体积量化和个体检测的脑图像上的急性颅内出血分割。提供了用于确定出血的分割的系统和方法。接收患者的出血的输入医学图像。使用基于机器学习的轮廓敏感分割网络执行来自输入医学图像的出血的轮廓敏感分割。使用基于机器学习的检测敏感分割网络执行来自输入医学图像的出血的检测敏感分割。基于轮廓敏感分割的结果和检测敏感分割的结果确定来自输入医学图像的出血的最终分割。输出出血的最终分割。分割。分割。

【技术实现步骤摘要】
用于体积量化和个体检测的脑图像上的急性颅内出血分割


[0001]本专利技术一般地涉及脑图像上的急性颅内出血分割，并且特别地涉及用于体积量化(volume quantification)和个体检测(individual detection)的脑图像上的急性颅内出血分割。

技术介绍

[0002]颅内出血(ICH)是指颅骨或脑内的出血。ICH通常是由脑内血管的破裂引起的。急性ICH是潜在的威胁生命的疾病，并且必须迅速进行分类(triage)以减轻神经功能缺损和死亡率。在目前的临床实践中，急性ICH由评估头部非对比计算断层扫描(NCCT)成像的神经放射科医生手动确认。然而，NCCT成像的这样的手动评估是需要受过亚专科训练的神经放射科医生的劳动密集型过程。最近，基于人工智能的方法已经被提议用于ICH的分割和量化。然而，这样的基于人工智能的方法不能提供准确的ICH分割的轮廓和高度敏感的ICH检测两者，从而导致降低的准确性。

技术实现思路

[0003]根据一个或多个实施例，提供了用于确定出血的分割的系统和方法。接收患者的出血的输入医学图像。使用基于机器学习的轮廓敏感分割网络执行来自输入医学图像的出血的轮廓敏感分割。使用基于机器学习的检测敏感分割网络执行来自输入医学图像的出血的检测敏感分割。基于轮廓敏感分割的结果和检测敏感分割的结果确定来自输入医学图像的出血的最终分割。输出出血的最终分割。
[0004]在一个实施例中，根据软骰子损失(softdice loss)或广义骰子损失(generalized dice loss)中的至少一个来训练基于机器学习的轮廓敏感分割网络，并且根据边际交叉熵损失来训练基于机器学习的检测敏感分割网络。
[0005]在一个实施例中，通过组合轮廓敏感分割的结果和检测敏感分割的结果来确定出血的最终分割。在轮廓敏感分割的结果和检测敏感分割的结果中标识出血对象。在轮廓敏感分割的结果中标识与检测敏感分割的结果中的出血对象匹配的出血对象。计算在轮廓敏感分割的结果中和在检测敏感分割的结果中标识的出血对象中的每个的体积。基于匹配的出血对象和计算的出血对象的体积来组合轮廓敏感分割的结果和检测敏感分割的结果。在一个实施例中，通过选择在检测敏感分割的结果中标识的出血对象中的一个或多个，以及用轮廓敏感分割的结果中的匹配的出血对象替换检测敏感分割的结果中的选择的一个或多个出血对象，来组合结果。可以通过选择检测敏感分割的结果中的具有满足阈值的计算的体积的出血对象作为一个或多个出血对象，或者通过选择在检测敏感分割的结果中标识的具有最大体积的前N个出血对象作为一个或多个出血对象，来选择出血对象中的一个或多个，其中N是任何正整数。
[0006]在一个实施例中，输入医学图像包括患者的脑部的3D计算断层摄影图像。
[0007]通过参考以下详细描述和附图，本专利技术的这些和其他优点对于本领域中的那些普
通技术人员而言将是显而易见的。
附图说明
[0008]图1示出了根据一个或多个实施例的用于出血分割的方法；
[0009]图2示出了根据一个或多个实施例的用于出血分割的工作流程；
[0010]图3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；
[0011]图4示出了可以用于实现一个或多个实施例的卷积神经网络；和
[0012]图5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
[0013]本专利技术一般地涉及用于体积量化和个体检测的脑图像上的急性ICH(颅内出血)分割的方法和系统。本文中描述了本专利技术的实施例，以给出对这样的方法和系统的视觉理解(visual understanding)。数字图像通常由一个或多个对象(或形状)的数字表示组成。本文中通常在标识和操纵对象的方面描述对象的数字表示。这样的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，本专利技术的实施例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。
[0014]传统的基于人工智能和机器学习的用于出血分割的方法提供分割出血的准确轮廓或出血的敏感检测，但不能同时提供两者。为了解决准确的ICH体积量化和ICH检测能力之间的不平衡性能，本文中描述的实施例提供了利用两个分割网络的ICH分割：轮廓敏感网络和检测敏感网络。在临床实践中，大出血对象的准确轮廓对于总出血体积量化是重要的。另一方面，小出血对象的准确轮廓是不太重要的，但是它们的准确检测在管理脑外伤和中风患者时可能是临床上更有用的。因此，本文中描述的实施例提供了用于相对较大出血区域的体积量化的准确ICH轮廓和用于相对较小出血区域以提供有效的早期干预的ICH检测两者。有利地，本文中描述的实施例通过提高放射科医生的生产率和准确性来改进用于评估ICH的临床工作流程。
[0015]图1示出了根据一个或多个实施例的用于出血分割的方法100。方法100的步骤可以由一个或多个合适的计算设备来执行，该计算设备诸如例如图5的计算机502。图2示出了根据一个或多个实施例的用于出血分割的工作流程200。将一起描述图1和图2。
[0016]在图1的步骤102处，接收患者的出血的输入医学图像。在一个实施例中，输入医学图像是患者的脑部的脑出血。
[0017]在一个实施例中，输入医学图像为CT(计算断层摄影)图像。例如，如图2中所示，输入医学图像可以是工作流程200的输入CT体积202。然而，输入医学图像可以是任何其他合适的模态，诸如例如MRI(磁共振成像)、超声、x射线或任何其他医学成像模态或医学成像模态的组合。输入医学图像可以是2D(二维)图像或3D(三维)体积。应当理解，本文中对图像的像素的引用可以同样适用于体积的体素(并且反之亦然)。输入医学图像可以包括单个图像或多个图像。当采集输入医学图像时，可以直接从图像采集设备(诸如例如CT扫描仪)接收输入医学图像，或者可以通过从计算机系统的存储装置或存储器加载先前采集的医学图像或者接收已经从远程计算机系统传输的医学图像来接收输入医学图像。
[0018]在图1的步骤104处，使用基于机器学习的轮廓敏感分割网络执行来自输入医学图
像的出血的轮廓敏感分割。轮廓敏感分割产生具有准确出血轮廓的轮廓敏感出血分割掩模(mask)。轮廓敏感出血分割掩模是像素方式(或体素方式)的热图，其具有范围从例如0到1的表示相应像素描绘出血的概率的像素强度值。轮廓敏感出血分割掩模可以是通过将预定义阈值应用于热图而生成的二元掩模。在一个示例中，如图2中所示，轮廓敏感分割被执行为轮廓敏感分割204，以使用轮廓敏感分割网络224从输入CT体积202分割出血，以在工作流程200中生成轮廓敏感出血分割掩模206。
[0019]轮廓敏感分割网络是训练以生成具有出血的准确轮廓的分割的分割网络。轮廓敏感分割网络可以使用任何合适的基于机器学习的分割网络来实现，所述分割网络被训练以生成具有出血的准确轮廓的分割。例如，轮廓敏感分割网络可以是使用轮廓特定损失函数训练的分割网络，所述轮廓特定损失函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机实现的方法，包括：接收患者的出血的输入医学图像；使用基于机器学习的轮廓敏感分割网络执行来自输入医学图像的出血的轮廓敏感分割；使用基于机器学习的检测敏感分割网络执行来自输入医学图像的出血的检测敏感分割；基于轮廓敏感分割的结果和检测敏感分割的结果确定来自输入医学图像的出血的最终分割；以及输出出血的最终分割。2.根据权利要求1所述的计算机实现的方法，其中，根据软骰子损失或广义骰子损失中的至少一个来训练基于机器学习的轮廓敏感分割网络。3.根据权利要求1所述的计算机实现的方法，其中，根据边际交叉熵损失来训练基于机器学习的检测敏感分割网络。4.根据权利要求1所述的计算机实现的方法，其中基于轮廓敏感分割的结果和检测敏感分割的结果确定来自输入医学图像的出血的最终分割包括：组合轮廓敏感分割的结果和检测敏感分割的结果。5.根据权利要求4所述的计算机实现的方法，其中组合轮廓敏感分割的结果和检测敏感分割的结果包括：在轮廓敏感分割的结果和检测敏感分割的结果中标识出血对象；在轮廓敏感分割的结果中标识与检测敏感分割的结果中的出血对象匹配的出血对象；计算在轮廓敏感分割的结果中和在检测敏感分割的结果中标识的出血对象中的每个的体积；以及基于匹配的出血对象和计算的出血对象的体积来组合轮廓敏感分割的结果和检测敏感分割的结果。6.根据权利要求5所述的计算机实现的方法，其中基于匹配的出血对象和计算的出血对象的体积来组合轮廓敏感分割的结果和检测敏感分割的结果包括：选择在检测敏感分割的结果中标识的出血对象中的一个或多个；以及用轮廓敏感分割的结果中的匹配的出血对象替换检测敏感分割的结果中的选择的一个或多个出血对象。7.根据权利要求6所述的计算机实现的方法，其中选择在检测敏感分割的结果中标识的出血对象中的一个或多个包括：选择检测敏感分割的结果中的具有满足阈值的计算的体积的出血对象作为一个或多个出血对象。8.根据权利要求6所述的计算机实现的方法，其中选择在检测敏感分割的结果中标识的出血对象中的一个或多个包括：选择在检测敏感分割的结果中标识的具有最大体积的前N个出血对象作为一个或多个出血对象，其中N是任何正整数。9.根据权利要求1所述的计算机实现的方法，其中，输入医学图像包括患者的脑部的3D计算断层摄影图像。
10.一种装置，包括：用于接收患者的出血的输入医学图像的装置；用于使用基于机器学习的轮廓敏感分割网络执行来自输入医学图像的出血的轮廓敏感分割的装置；用于使用基于机器学习的检测敏感分割网络执行来自输入医学图像的出血的检测敏感分割的装置；用于基于轮廓敏感分割的结果和检测敏感分割的结果确定来自输入医学图像的出血的最终分割的装置；以及用于输出...

【专利技术属性】
技术研发人员：劉永珍，E，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：