[发明专利]用于脑肿瘤分类的视觉表示学习

说明书

相关申请

根据35U.S.C.§119(e)，本专利文献要求于2015年8月4日的提交日期提交的序列号为No.62/200,678的临时美国专利申请的权益，其在此通过引用并入本文中。

背景技术

本实施方式涉及脑肿瘤的图像的分类。共聚焦激光显微内镜(CLE)是用于检查脑组织肿瘤的体内成像技术的替代方法。CLE允许以前仅在组织切片上可能的规模上实时检查身体组织。神经外科切除术是该技术的早期采用者之一，其中任务是使用探测器或显微内镜人工识别人脑内(例如，硬脑膜、枕叶皮层、顶叶皮层或其他位置)的肿瘤。然而，考虑到该技术的当前初期状态，这个任务可能是非常耗时且易出错的。

此外，对于仅有5％存活率的作为侵略性恶性小脑肿瘤的多形性成胶质细胞瘤，采用自动图像识别技术进行小脑组织分类的需求日益增加。受成胶质细胞瘤和脑膜瘤影响的组织通常分别以具有尖锐的粒状图案和光滑的均匀图案为特征。然而，当前的CLE成像系统的低分辨率以及探测区域中的健康组织中存在两种图案使得区分各种类型的肿瘤和/或区分肿瘤组织与健康组织的普通图像分类算法遇到了极大的挑战。图1A和图1B分别示出了从诊断为多形性胶质母细胞瘤和脑膜瘤的不同患者的小脑组织获得的CLE图像样本。图1C示出了健康尸体小脑组织的CLE图像样本。如在图1A至图1C中所见，由于在不同的图像中存在粒状图案和均匀图案两者，因此在CLE影像限制下的视觉差异不是非常明显。

CLE影像的自动分析采用基于视觉词袋(bag-of-visual words)的通用图像分类技术。在这种技术中，作为训练步骤的一部分，收集包含不同肿瘤的图像并且从其中提取低级特征(图像补丁的特性)。从训练集中的所有图像，于是通常通过无监督聚类或通过监督字典学习技术使用词汇或字典学习来获得也被称为视觉单词的表示特征。之后，将所收集的训练图像中的每个训练图像以统一的方式表示为词汇中的视觉单词的袋或集合。接下来是训练分类器，如支持向量机(SVM)或随机森林(RF)，以使用每个图像的统一表示。给定未标记图像，提取特征，并且根据已经学习的视觉单词依次表示图像。最后，将该表示输入至预先训练的分类器，该分类器基于其与预先观察的训练图像的相似性来预测给定图像的标记。然而，分类的准确度低于预期。

发明内容

提供了用于脑肿瘤分类的系统、方法和计算机可读介质。独立子空间分析(ISA)用于学习CLE图像的过滤器核。卷积和堆叠用于利用ISA的无监督学习以得到过滤器核。分类器被训练以基于使用过滤器核所提取的特征对CLE图像进行分类。所得到的过滤器核和训练的分类器在神经外科切除术期间或作为神经外科切除术的一部分被用于辅助诊断脑肿瘤的发生。分类可以辅助医生检测CLE检查的脑组织是否健康和/或肿瘤的类型。

在第一方面中，提供了一种用于医疗图像系统中的脑肿瘤分类的方法。从患者的脑部的共聚焦激光显微内镜图像提取局部特征。使用在第一层和第二层中的每层中根据独立子空间分析学习的过滤器来提取局部特征，其中第二层基于来自第一层的输出与所述图像的卷积。编码局部特征。机器学习式分类器根据所编码的局部特征进行分类。所述分类指示所述图像是否包括肿瘤。生成表示所述分类的图像。

在第二方面中，提供了一种用于在医疗系统中学习脑肿瘤分类的方法。一个或更多个共聚焦激光显微内镜获取表示肿瘤脑组织和健康脑组织的共聚焦激光显微内镜图像。医疗系统的机器学习式计算机对每个利用独立子空间分析的多个层中的图像执行无监督学习。所述层中的所述学习被贪婪地执行。过滤器利用从无监督学习输出的过滤器核对所述图像进行过滤。在一个实施方式中，对过滤的图像进行编码。对编码的输出进行池化。在另一个实施方式中，在不进行编码的情况下对过滤的输出进行池化。医疗系统的机器学习式计算机利用机器学习对分类器进行训练，以基于作为输入向量的所述输出的池化来区分表示肿瘤脑组织的图像与表示健康脑组织的图像。

在第三方面中，医疗系统包括被配置成获取患者的脑组织的图像的共聚焦激光显微内镜。过滤器被配置成将所述图像与多个过滤器核进行卷积。过滤器核是来自第一级的学习过滤器核的层级的机器学习核，与来自第一级的学习过滤器核进行卷积，以及从卷积的结果的输入中学习过滤器核。机器学习式分类器被配置成基于所述图像与过滤器核的卷积来对所述图像进行分类。显示器被配置成显示所述分类的结果。