[发明专利]用于使用深度学习提高癌症检测的方法与系统

说明书

描述了一种在纵向和当前的图像数据集和/或多模态图像数据集中生成癌症的存在/不存在的概率预测以及癌症的位置的方法和系统。所述方法和系统使用深度学习模型的集成。所述集成包括基于全局从数据集中提取指示癌症存在的特征的3D卷积神经网络(CNN)形式的全局模型。所述集成也包括两阶段预测模型，所述两阶段预测模型包括：第一阶段或检测模型，识别癌症检测候选(数据集中3D数据的含有可能是癌症的候选的不同裁剪体积)；以及第二阶段或概率模型，合并纵向数据集(或多模态数据集中的多模态图像)和来自全局模型的提取特征，并且将癌症概率p分配给每个癌症检测候选。例如，使用Noisy‑OR方法，从由第二阶段模型分配的概率获得癌症概率的总体预测。

对相关申请的交叉引用

本申请要求于2018年6月18日提交的美国临时申请序列号为62/686,541和于2018年8月31日提交的美国临时申请序列号为62/726,178的优先权。

背景技术

本公开涉及一种用于提高癌症检测和筛查的方法和系统。所述方法适合与各种成像数据集一起使用，包括，例如，来自计算机断层扫描(CT)的用于肺癌检测的CT数据集以及用于前列腺癌检测的多模态核磁共振成像(MRI)。本公开的特征可以应用于低剂量胸部CT(LDCT)数据集的情境和来自诊断胸部CT数据集的一般肺癌检测。所述方法和系统可以使用深度学习方法来实现。

纵向和多模态成像技术有助于提高癌症筛查诊断。“纵向成像”是指在检测和诊断癌症中可用于与当前的或最近的图像进行比较的先前患者图像。“多模态MRI”用于指在单次核磁共振成像(MRI)研究期间获得的多个脉冲序列。术语“多模态成像”也用于表示获得对象的不同类型的图像，例如MRI，CT扫描和正电子发射断层扫描(PET)，以及可以或不可以同时获得的此类图像。

通常，成像数据集的解释是由放射科医生通过跨多个时间点或模态比较图像的同一区域手动或半自动执行的。使用深度学习的自动化方法能够提供跨多个图像识别微妙线索以识别和分类癌症的能力。我们提出了一种结合纵向或多模态成像以检测和分类癌症的通用方法。

在以下描述中，呈现了根据LDCT图像进行肺癌筛查的主题。但是，所描述的方法可以推广到其他癌症主题，例如用于前列腺癌检测和分类的多模态MRI。

作为背景，低剂量筛查CT是用于处于和早于55-80岁吸烟者的早期肺癌检测的推荐指南的一部分。作为美国国家肺癌筛查试验(NLST)的结果，每年使用CT或X射线对患者进行一次筛查，所述结果表明CT组的患者死亡率比X射线组的患者的低。美国放射科学院(ACR)已发布了肺部CT筛查报告和数据系统(Lung-RADS)TM指南，该指南用于基于对各种发现的图像评估来对低剂量肺癌筛查CT病例进行解释和管理，各种发现包括：是否存在肺结节；结节大小和密度；结节形态；和肿瘤的继发体征(例如淋巴结肿大)。在通常通过CT扫描的肺癌检测的情境下，Fleischner Society指南描述了用于识别和表征可能是或可能不是癌性的肺结节的标准。手动设计的指南，例如Lung-RADS和Fleischner指南，相对于影像学研究的主观评估具有多种优势，包括更高的一致性、标准化程度以及通常提高的总体性能。但是，这些系统固有地受到定义它们的标准的限制，从而为更复杂的分析系统提供了另外地提高性能的机会，可能同时提高灵敏度和特异性。