[发明专利]使用深度学习生成用于医学图像处理的规范成像数据的系统和方法在审

专利信息
申请号: 202010226902.2 申请日: 2020-03-27
公开(公告)号: CN111862249A 公开(公告)日: 2020-10-30
发明(设计)人: 达蒂什·达亚南·尚巴格;阿拉蒂·斯雷库马里;桑迪普·S·考希克 申请(专利权)人: 通用电气精准医疗有限责任公司
主分类号: G06T11/00 分类号: G06T11/00;G06N3/04;G06N3/08;G16H30/00
代理公司: 上海专利商标事务所有限公司 31100 代理人: 侯颖媖;钱慰民
地址: 美国威*** 国省代码: 暂无信息
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 使用 深度 学习 生成 用于 医学 图像 处理 规范 成像 数据 系统 方法
【说明书】:

本公开提供了用于从异常医学图像生成规范医学图像的方法和系统。在一个示例中,该方法包括:接收异常医学图像,其中异常医学图像包括异常数据;使用生成对抗网络(GAN)的经过训练的生成网络将异常医学图像映射到规范医学图像,其中异常医学图像的异常数据被映射到规范医学图像中的规范数据。在一些示例中,该方法可以进一步包括经由显示设备显示规范医学图像,以及/或者利用规范医学图像用于进一步的图像分析任务,以从异常医学图像中生成稳健的结果。

技术领域

本文公开的主题的实施方案涉及使用深度学习为异常医学图像生成规范的成像数据。

背景技术

在存在诸如非浸润性肿瘤(例如神经胶质瘤、胶质母细胞瘤等)的病变情况下,周围的健康组织被生长中的肿瘤压迫。当考虑对这些患者进行治疗,以及从组织的基线状态研究肿瘤生长的进展时,了解肿瘤出现之前的脑结构可能是有帮助的。患者的基线非病变图像也有助于标记健康的周围组织,以便在放射治疗或手术期间避开关键的功能区域。此外,在一些深度学习应用程序中,用于执行特定任务(例如,扫描平面分割)的神经网络已经用“正常”数据训练过。将该模型应用于“异常”数据(例如病灶),可能无法产生理想的结果。目前生成此类基线图像的方法包括使用细化生物力学模型或基于配准的反演方法。然而,这些方法依赖于关于病变位置的先验信息,并且必须利用对感兴趣区域的描绘,这将利用附加的计算资源和时间。

发明内容

本公开通过使用生成对抗网络(GAN)来估计给定异常数据集的规范数据,至少部分地解决了上述问题。在一个实施方案中,一种用于从异常医学图像生成规范医学图像的方法包括:接收异常医学图像,其中异常医学图像包括异常数据;使用生成对抗网络(GAN)的经过训练的生成网络将异常医学图像映射到规范医学图像,其中异常医学图像的异常数据被映射到规范医学图像中的规范数据;以及经由显示设备显示规范医学图像。

由于GAN可以隐含地对数据分布的参数形式进行建模,因此GAN可能对于学习数据样式转换很有用。以这种方式,上述方法缓和了对输入和输出数据的约束,使其不需要一一对应的精确匹配,这解决了在病变存在的情况下获得精确匹配的数据的困难(例如,由于许多病变不能被预测,扫描只能在病变存在之后完成,并且当个体健康时,可能没有可用的扫描)。此外,本文描述的方法可以利用更少的计算资源、依赖更少的预先信息(例如,病变位置),并且比上述现有方法更快地生成规范数据。

在单独或与附图联系时,本说明书的以上优势以及其他优势和特征将从以下具体实施方式中显而易见。应当理解,提供以上概述是为了以简化的形式介绍在详细描述中进一步描述的一些概念。这并不意味着识别所要求保护的主题的关键或必要特征,该主题的范围由具体实施方式后的权利要求书唯一地限定。此外,所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。

附图说明

通过参考附图阅读以下对非限制性实施方案的描述将更好地理解本公开,其中以下:

图1示出了用于处理医学图像的图像处理系统的示例性实施方案。

图2示出了包括生成网络的规范数据生成系统的示例框图。

图3示出了使用生成网络从医学图像生成规范数据并可选地进一步处理规范数据的示例方法的流程图。

图4示出了用于训练生成网络以从异常医学图像生成规范数据的示例方法的流程图。

图5示出了用于从膝盖的异常医学图像合成规范数据的示例工作流。

图6示出了用于从大脑的异常医学图像合成规范数据并对规范数据执行图像配准的示例工作流。

图7示出了使用数据管护模块对输入大脑的异常扫描进行的示例参考数据选择。

图8示出了使用生成网络对包括异常的输入大脑的扫描进行的示例规范图像生成。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于通用电气精准医疗有限责任公司,未经通用电气精准医疗有限责任公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010226902.2/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top