[发明专利]根据头部计算机断层摄影解释和量化急症特征

权利要求书

1.一种基于计算机的方法，用于在神经急症的情况下临床评估头部计算机断层摄影(CT)图像，所述方法包含：

分析所述图像存在或不存在以下中的一种或多种：颅内出血、颅内占位效应和脑疝；向临床医生提供此信息潜在地便于其立即作出临床决策。

2.根据权利要求1所述的方法，其中深度学习用于识别、定位和量化颅内出血以及颅内占位效应，如中线移位和脑疝。

3.根据权利要求2所述的方法，其中所述深度学习包括卷积神经网络。

4.根据权利要求3所述的方法，其中所述卷积神经网络为完全卷积神经网络，并且进一步包括使用来自所述头部CT图像的手动分割的致密逐像素标记，训练所述卷积神经网络。

5.根据权利要求4所述的方法，其中所述卷积神经网络包括多类逐像素标记，用于将所关注的所述特征分类，如将颅内出血分类为实质内、蛛网膜下、硬膜下或硬膜外。

6.根据权利要求4所述的方法，其中所述卷积神经网络仅在所述逐像素标记的子集上训练以有助于检测、定位和量化所述图像的稀少特征，如少量颅内出血。

7.根据权利要求3所述的方法，其中所述卷积神经网络包括采用扩张接收域的卷积核。

8.根据权利要求3所述的方法，其中所述卷积神经网络采用深度残差学习。

9.根据权利要求3所述的方法，其中所述卷积神经网络是基于区域的卷积神经网络，其采用具有多类别特征分类和限界框回归的背景事实限界框标记。

10.根据权利要求3所述的方法，其中所述卷积神经网络并有空间位置信息。

11.根据权利要求3所述的方法，其中在其它类型的机器学习分类器存在或不存在的情况下，使用卷积神经网络的集合。

12.根据权利要求3所述的方法，其中微调，也被称为迁移学习，用于加速训练和改进所述卷积神经网络的性能。

13.根据权利要求3所述的方法，其中使用多个GPU，采用分布式深度学习以实施模型并行性和/或数据并行性。

14.根据权利要求1到13中任一项所述的方法，进一步包含：

评估所述头部CT图像中的定量特征。

15.根据权利要求1到14中任一项所述的方法，其中对所述图像进行所述分析包含确定包含一定体积的异常的定量特征。

16.根据权利要求14所述的方法，其中所述异常为颅内出血。

17.根据权利要求1到16中任一项所述的方法，进一步包含：

识别解剖学特征，如大脑镰、鞍背和基底脑池以及眼球。

18.根据权利要求17所述的方法，其中所述识别基于霍夫(Hough)变换。

19.根据权利要求1到18中任一项所述的方法，包含确定出血的解剖学位置，其中所述出血的所述解剖学位置通过与图谱自动配准确定。

20.一种基于计算机的方法，用于在神经急症的情况下临床评估头部计算机断层摄影(CT)图像，所述方法包含：

接受患者颅骨的原始计算机断层摄影(CT)图像集；

从所述图像集去除颅骨特征、头皮、面部骨和其它颅外软组织；

分析所述图像存在或不存在以下中的一种或多种：颅内出血、颅内占位效应、中线移位和脑疝；和

向临床医生提供此信息以便其立即作出临床决策。