[发明专利]参数化评估医学图像数据集的函数的计算机实现的方法

说明书

本申请涉及用于参数化评估医学图像数据集的函数的计算机实现的方法，其中函数包括处理算法和表示生成器，其中表示生成器被设计为基于医学图像数据集和相应的表示参数化生成至少一个表示，并且其中处理算法被设计为基于至少一个表示和多个算法参数确定至少一个输出参数，该方法包括使用优化算法确定处理算法和至少一个表示参数化，其中优化算法通过改变至少一个表示参数化的内容和/或所使用的表示参数化的数目以及处理算法和算法参数来优化处理算法对一组训练表示进行操作时的性能的度量，一组训练表示通过将表示生成器应用于训练医学图像数据集而生成。

技术领域

本发明涉及一种用于参数化评估与感兴趣区域相关的医学图像数据集的函数的计算机实现的方法。此外，本发明涉及一种用于评估医学图像数据的计算机实现的方法、一种提供系统、一种计算机程序和一种计算机可读介质。

背景技术

深度学习技术是用于在医学图像分析中进行任务自动化的有希望的候选。通过使用有监督学习和足够大的训练数据集，通常需要训练有素的医务人员进行手动图像分析的很多任务可以被自动化或至少得到深度学习技术的支持。G.Litjens等人的文章“A Surveyon Deep Learning in Medical Image Analysis”(Medical image analysis,42(2017),S.60)中描述了可以通过深度学习技术解决的多个任务。

使用深度学习技术的一个主要挑战是设计合适的神经架构，例如神经网络的架构，或更具体地设计非常适合手头任务的卷积神经网络。虽然使用强连接架构以及例如输入权重等的本质上自由的参数化对于某些任务可能是有利的，但是通常限制在学习过程中学习的自由参数的数目以避免需要过大的训练数据集和过长的学习时间也是有利的。

由于手工制作神经架构很费力，需要很长的测试时间并且通常基于反复试错，因此用于确定神经架构的自动化系统的方法是近年来非常活跃的话题。T.Elsen等人的文章“Neural Architecture Search:A Survey”(Journal of Machine Learning Research 20(2019),S.1)中给出了相关技术的概述。就在下文中讨论神经架构搜索而言，示例将侧重于一次性架构搜索、尤其是H.Pham等人在“Efficient Neural Architecture Search viaParameter Sharing”(International conference on machine learning,2018)一文中讨论的高效神经架构搜索(ENAS)。

深度学习架构(尤其是在与自动神经架构搜索结合时)的一个遗留问题是对高维输入数据的依赖，高维输入数据例如通过计算机断层扫描、磁共振断层扫描或类似的医学成像方法以相对较高分辨率记录的三维医学图像数据集。增加要分析的个体数据集中的数据量会增加必要神经架构的复杂性，因此会增加找到良好的网络架构、在训练期间实现收敛的必要时间以及必要的训练数据量。即使是成百上千的代表性案例通常也不足以达到经训练的算法的良好性能。

虽然这个问题已经利用诸如数据增强等各种技术进行了跟踪，例如通过使用生成对抗网络和/或正则化、例如通过批次归一化、自动编码器等，但是目前没有可用的普遍适用的方法。因为医学研究人员通常无法直接使用这些先进技术，并且通常需要在深度学习架构和方法方面拥有丰富的经验才能真正改善结果，因此没有可用的普遍适用的方法尤其成问题。