[发明专利]针对用于自动病理检测的神经网络的多任务深度学习方法

说明书

一种针对用于自动病理检测的神经网络的多任务深度学习方法，包括以下步骤：接收(S1)用于第一图像识别任务的第一图像数据(I)；接收(S2)用于第二图像识别任务的第二图像数据(V)；其中，所述第一图像数据(I)为第一数据类型，所述第二影像数据(V)为第二数据类型，所述第二数据类型不同于所述第一数据类型；通过对所述第一图像数据(I)进行标注来确定(S3)第一经标注图像数据(I_L)，通过对所述第二图像数据(V)进行合成和标注来确定第二合成经标注图像数据(I_SL)；基于接收到的第一图像数据(I)、接收到的第二图像数据(V)、所确定的第一经标注图像数据(I_L)和所确定的第二经标注合成图像数据(I_SL)来训练(S4)所述神经网络；其中，所述第一图像识别任务和所述第二图像识别任务与以下的相同的解剖区域有关，其中，相应的图像数据取自要在相应的图像数据中识别的相同病理和/或与要在相应的图像数据中识别的相同解剖病理有关。

技术领域

本发明涉及一种针对用于病理自动检测的神经网络的多任务深度学习方法、设备、计算机程序和计算机可读介质。

背景技术

在当前的临床实践中，对自动化的需求变得越来越重要，以具有成本效益或让放射科医师从繁琐的日常任务中解脱出来。这些任务中的一项是评估X射线采集。在X射线合成上检测特定疾病可以被认为是一项合理解释任务。目前，基于深度学习方法的神经网络等机器学习算法在不同的应用领域越来越多地用于此类目的。神经网络的训练需要大量带注释的训练数据。他们的成功很大程度上基于该广泛的训练数据库。因此，大多数传统的深度学习方法成功地使用了来自计算机视觉领域的预训练网络。

发明内容

因此可能需要一种针对用于自动病理检测的神经网络的改进的学习方法。

本发明的目标通过独立权利要求的主题得以解决，其中，在从属权利要求中并入了另外的实施例。应当注意，以下描述的本发明的方面同样地应用多任务深度学习方法、设备、计算机程序以及计算机可读介质。

根据一方面，提供了一种针对用于自动病理检测的神经网络的多任务深度学习方法。所述方法包括以下步骤：针对第一图像识别任务接收第一图像数据，针对第二图像识别任务接收第二图像数据，其中，所述第一图像数据为第一数据类型并且所述第二图像数据为第二数据类型，所述第二数据类型不同于所述第一数据类型，通过对所述第一图像数据进行标注来确定第一经标注图像数据，通过对所述第二图像数据进行合成和标注来确定第二经标注合成图像数据，并且基于接收到的第一图像数据、接收到的第二图像数据、所确定的第一经标注图像数据和所确定的第二经标注合成图像数据来训练神经网络，其中，所述第一图像识别任务和所述第二图像识别任务与以下的相同的解剖区域有关，其中，相应的图像数据取自要在相应的图像数据中识别的相同病理和/或与要在相应的图像数据中识别的相同解剖病理有关。

优选地，所述第一图像数据和所述第二图像数据均从患者的相同区域、尤其是从患者的胸部区域确定。

优选地，所述神经网络通过多任务深度学习算法进行训练。

如本文中所使用的术语“合成”包括用于数据选择、几何变换(包括前向投影)、用于数据的转换的物理模拟和/或深度学习方法与用于调整尺寸和配准的图像处理技术相组合的应用的方法。经由前向投影确定合成图像数据(即用于从CT图像生成数字重建射线照片)，优选地包括射线投射和抛雪球算法技术。具体而言，使用射线投射(RayCasting)沿着从假想X射线源到探测器的路径对CT图像的衰减系数进行积分，以近似X射线图像形成的原理。换言之，将第二数据类型的第二图像数据转换为第一图像数据的第一数据类型，或至少类似的数据类型，其中，第一图像数据和第二图像数据可以相互、特别是同时处理。优选地，各图像数据类型在像素分辨率和/或合成几何形状方面是相似的。