【技术实现步骤摘要】
【国外来华专利技术】
本专利技术总体上涉及一种确定医学图像之间相似度的计算机实施方法、一种相应的计算机程序、一种存储该程序的计算机可读存储介质、一种执行该程序的计算机以及一种包括电子数据存储装置和上述计算机的系统。
技术介绍
1、医学图像数据库管理中时常将新的医学图像输入到数据库中。于是，需要在数据库中寻找与新图像相似或源自同一患者的图像，同时避免将患者标识符作为元数据与图像关联存储。
2、本专利技术目的是提供一种根据医学图像相似度或医学图像源自同一患者来支持医学图像分组的方法及系统。
3、下文公开了本专利技术各方面、示例和示例性步骤及其实施例。根据本专利技术可组合本专利技术不同示例性特征，只要技术上适宜可行即可。
技术实现思路
1、
技术实现思路
示例简述
2、下文对本专利技术具体特征予以简要描述，不应理解为本专利技术仅限于本部分中描述的特征或特征组合。
3、本公开方法包括：确定新输入到数据存储的医学图像和先前已存储的医学图像的图像块，即子集；分析用于定义图像特征的降维参考系中相似图像特征的图像块；计算降维参考系中图像特征之间的距离；基于针对新输入图像和先前存储医学图像所计算的距离的比较结果，确定医学图像是否相似或例如是否源自同一患者。降维参考系又称“潜在空间”、“嵌入空间”或“特征空间”，用作定义图像数据降维表示的参考系。图像数据降维表示可以通过用作向量空间的降维参考系中定义的向量来体现。采用人工智能来生成图像特征的降维表示，即编码医学图像以供本公开方法及
4、
技术实现思路
概述
5、本
技术实现思路
中，例如通过参照本专利技术可行实施例对本专利技术一般特征予以描述。
6、一般而言，为了实现上述目的，本专利技术第一方面提出了一种训练可训练算法来确定医学图像子集与子集降维表示之间对应关系的计算机实施医疗方法。根据第一方面所述方法包括：在至少一台计算机(例如，至少一台作为一部分导航系统的计算机)的至少一个处理器上，执行由至少一个处理器执行的下列示例性步骤。
7、根据第一方面所述方法的(例如第一)示例性步骤中，获取训练图像子集数据，该训练图像子集数据描述训练医学图像的子集。例如，每个子集构成从训练医学图像中获取的图像块。
8、根据第一方面所述方法的(例如第二)示例性步骤中，确定变换数据，该变换数据描述定义了医学图像中位置的训练图像位置参考系与不同于训练图像参考系的比较参考系之间的变换。
9、根据第一方面所述方法的(例如第三)示例性步骤中，基于训练图像子集数据和变换数据来确定第一距离数据，该第一距离数据描述比较参考系中子集之间的距离。例如，第一距离数据确定为在比较参考系中子集的位置之间的欧几里得距离。某一示例中，距离可以是基于解剖向量，例如指向图谱空间中某点的向量的例如范数和例如角度或其他函数，或作为图谱空间中从第一位置指向第二位置的向量。
10、根据第一方面所述方法的(例如第四)示例性步骤中，通过编码训练图像子集数据来确定降维表示数据，该降维表示数据描述与训练图像参考系相比降维的降维参考系中每个子集的降维表示。
11、根据第一方面所述方法的(例如第五)示例性步骤中，基于降维表示数据来确定第二距离数据，该第二距离数据描述降维参考系中降维表示之间的距离。例如，第二距离数据确定为降维参考系中子集的位置之间的欧几里得距离。某一示例中，距离可以是基于解剖向量，例如指向图谱空间中某点的向量的例如范数和例如角度或其他函数，或作为图谱空间中从第一位置指向第二位置的向量。
12、根据第一方面所述方法的(例如第六)示例性步骤中，确定描述可训练算法参数的算法参数数据，该算法参数数据例如基于第一距离数据和第二距离数据来确定，例如通过迭代方式确定，从而将参数调整为反映如果降维表示之间的距离对应于比较参考系中训练医学图像的子集之间的距离，则低维表示对应于这些子集。
13、根据第一方面所述方法的示例中，获取图谱数据，该图谱数据描述解剖身体部位的数字模型，其中，比较参考系描述该数字模型中的位置。数字模型例如是由组织类别来定义，这些组织类别定义人体组织对医学成像方式的反应，并例如通过颜色(例如灰度、色值)、例如通过亨氏(hounsfield)单位来定义。替选地或附加地，数字模型定义为各向异性模型，该各向异性模型定义身体组织对磁共振成像反应的各向异性。例如，将子集变换到参考系，该参考系中定义了数字模型中的位置，该参考系中确定第一距离数据，其中，至少大致为零的距离和/或子集与数字模型中特定解剖对象的重叠(例如预定量重叠)表示子集同一性。
14、根据第一方面所述方法的另一示例性步骤中，确定特征分布数据，该特征分布数据针对每个子集描述相应子集的图像特征在不同类别上的分布。基于特征分布数据来确定分布之间的差异。为了计算两个子集之间的距离，例如，估算每个子集与数字模型(图谱)中所定义的每个类别的重叠。然后，通过与数字模型中各个类别的相应重叠的差异来定义两个子集之间的距离。然后，基于分布之间的差异来确定第一距离数据。例如，第一距离数据所描述的距离定义为分布之间的差异。该分布可以由特征直方图来体现，直方图类别可以由相似的面积、体积、例如特征的预定比值或长宽比方面的最大扩展来定义。例如，根据第一方面所述方法包括获取图谱数据的步骤，然后类别例如定义数字模型中划分的解剖结构。
15、本专利技术第二方面涉及一种训练可训练算法来确定医学图像子集与子集降维表示之间对应关系的计算机实施医疗方法。根据第二方面所述方法包括：在至少一台计算机(例如，至少一台作为一部分导航系统的计算机)的至少一个处理器上，执行由至少一个处理器执行的下列示例性步骤。
16、根据第二方面所述方法的(例如第一)示例性步骤中，获取医学图像子集数据，该医学图像子集数据描述医学图像的子集。这些子集例如是医学图像的严格子集(又称真子集)，即包括比医学图像更少的图像信息。
17、根据第二方面所述方法的(例如第二)示例性步骤中，确定降维表示数据，其中将医学图像子集数据输入到配置为确定降维表示的可训练算法中并且促使该可训练算法确定降维表示。例如，可训练算法配置为通过执行根据第一方面所述方法来确定降维表示。
18、根据第二方面所述方法的另一示例性步骤中，获取描述医学图像的医学图像数据。本示例中，通过从医学图像数据中提取子集来确定图像子集数据。
19、根据第二方面所述方法的另一示例性步骤中，确定聚类数据，该聚类数据描述子集的低维表示的聚类。例如，确定聚类数据是通过应用聚类分析算法(例如使用基于形心的聚类、基于分布的聚类、基于密度的聚类或基于网格的聚类等聚类分析算法)来分组医学图像数据子集的降维表示。
20、根据第二方面所述方法的示例中，通过应用至少一项下列标准从医学图像数据中提取子集：
21、-每个子集仅包括医学图像中彼此不超过预定距离的单元；
22、-每个子集中包含的黑色图像内容不超过预定量；
23、-每个本文档来自技高网...
【技术保护点】
1.一种训练可训练算法来确定医学图像子集与子集降维表示之间对应关系的计算机实施方法，该方法包括下列步骤：
2.根据前述权利要求中任一项所述的方法，其中，所述第一距离数据确定为所述比较参考系中所述子集的位置之间的欧几里得距离。
3.根据前一项权利要求所述的方法，包括：获取描述解剖身体部位的数字模型的图谱数据，其中，所述比较参考系描述所述数字模型中的位置。
4.根据前述权利要求1至3中任一项所述的方法，包括：
5.根据前一项权利要求所述的方法，其中，所述第一距离数据所描述的距离定义为所述分布之间的差异。
6.根据从属于权利要求3的前两项权利要求中任一项所述的方法，所述方法包括例如获取所述图谱数据的步骤，其中，所述类别定义所述数字模型中划分的解剖结构。
7.一种确定医学图像子集的降维表示的计算机实施方法，该方法包括下列步骤：
8.根据从属于权利要求7的前述权利要求中任一项所述的方法，包括：
9.根据从属于权利要求7的前述权利要求中任一项所述的方法，包括：
10.根据从属于权利要求
11.根据从属于权利要求3、7和8的前述权利要求中任一项所述的方法，其中，通过应用聚类分析算法从所述医学图像数据中提取所述子集。
12.一种确定医学图像之间相似度的计算机实施方法，该方法包括下列步骤：
13.根据前述权利要求所述的方法，其中，所述确定分布相似度数据包括：
14.根据前一项权利要求所述的方法，包括：
15.根据权利要求13所述的方法，其中，所述分布相似度数据是通过执行k最近邻搜索来确定，所述k最近邻搜索输出预定数目的最接近所述参考图像的比较医学图像。
16.根据前述权利要求中任一项所述的方法，其中，所述可训练算法包括机器训练算法或由之组成。
17.根据前述权利要求中任一项所述的方法，其中，所述可训练算法包括卷积神经网络或由之组成。
18.根据前述权利要求中任一项所述的方法，其中，所述参数定义所述可训练算法的可学习参数，例如权重。
19.根据权利要求1至7或从属于权利要求7的权利要求8至18中任一项所述的方法，其中，所述可训练算法配置为通过应用三元组网络方法来计算损失函数，以使所述降维参考系中所述降维表示之间的距离最小化，从而如果所述降维表示之间的距离对应于所述比较参考系中所述训练医学图像的子集之间的距离，则确定所述低维表示是否与所述子集相对应。
20.一种程序，在计算机(2)上运行或加载到计算机(2)时使得所述计算机(2)执行根据前述权利要求中任一项所述方法的步骤；和/或
21.一种用于确定医学图像之间相似度的系统(1)，包括：
...【技术特征摘要】
【国外来华专利技术】
1.一种训练可训练算法来确定医学图像子集与子集降维表示之间对应关系的计算机实施方法，该方法包括下列步骤：
2.根据前述权利要求中任一项所述的方法，其中，所述第一距离数据确定为所述比较参考系中所述子集的位置之间的欧几里得距离。
3.根据前一项权利要求所述的方法，包括：获取描述解剖身体部位的数字模型的图谱数据，其中，所述比较参考系描述所述数字模型中的位置。
4.根据前述权利要求1至3中任一项所述的方法，包括：
5.根据前一项权利要求所述的方法，其中，所述第一距离数据所描述的距离定义为所述分布之间的差异。
6.根据从属于权利要求3的前两项权利要求中任一项所述的方法，所述方法包括例如获取所述图谱数据的步骤，其中，所述类别定义所述数字模型中划分的解剖结构。
7.一种确定医学图像子集的降维表示的计算机实施方法，该方法包括下列步骤：
8.根据从属于权利要求7的前述权利要求中任一项所述的方法，包括：
9.根据从属于权利要求7的前述权利要求中任一项所述的方法，包括：
10.根据从属于权利要求7的前述权利要求中任一项所述的方法，其中，通过应用至少一个下列标准从所述医学图像数据中提取所述子集：
11.根据从属于权利要求3、7和8的前述权利要求中任一项所述的方法，其中，通过应用聚类分析算法从所述医学图像数据中提取所述子集。
<...【专利技术属性】
技术研发人员：克里斯托夫·摩瑟，尼古拉斯·布里欧，刘倩玉，桑地耶哥·普赫·希内尔，
申请(专利权)人：博医来股份公司，
类型：发明
国别省市：
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。