[发明专利]机器学习中具有密集特征金字塔网络架构的医学图像对象检测

权利要求书

1.一种用于采用医学成像系统的淋巴结检测的方法，该方法包括：

接收患者的医学图像；

由机器学习的检测器检测医学图像中表示的淋巴结，机器学习的检测器包括密集连接的单元的多个集合的密集特征金字塔神经网络，其中该集合和与下采样依次连接的第一组集合以及与上采样依次连接的第二组集合一起被布置，并且其中第一组的集合与具有相同分辨率的第二组的集合连接，以及

从医学成像系统输出淋巴结的检测。

2.根据权利要求1所述的方法，其中医学成像系统包括计算机断层摄影（CT）系统，并且其中接收医学图像包括接收表示患者的体积的CT数据。

3.根据权利要求1所述的方法，其中通过机器学习的检测器检测包括用全卷积网络检测。

4.根据权利要求1所述的方法，其中检测包括：用密集特征金字塔神经网络检测，该密集特征金字塔神经网络包括对医学图像下采样的初始卷积层。

5.根据权利要求1所述的方法，其中检测包括：用包括层的序列的集合中的每一个检测，其中序列的每个层连结来自序列中的层的所有先前层的输出特征。

6.根据权利要求1所述的方法，其中检测包括：用序列中的第一组的集合检测，该序列具有在第一组的每个集合之间的下采样，第一组的每个集合具有与第一组的其它集合不同的分辨率。

7.根据权利要求1所述的方法，其中检测包括：用序列中的第二组的集合检测，该序列具有在第二组的每个集合之间的上采样，第二组的每个集合具有与第二组的其它集合不同的分辨率。

8.根据权利要求1所述的方法，其中检测包括：用包括编码器的第一组以及包括解码器的第二组检测。

9.根据权利要求1所述的方法，其中检测包括：用密集特征金字塔神经网络检测，该密集特征金字塔神经网络被配置成以医学图像的分辨率输出热图。

10.根据权利要求1所述的方法，其中通过机器学习的检测器检测包括：响应于将医学图像输入到密集特征金字塔神经网络而将阈值应用于输出。

11.根据权利要求10所述的方法，其中通过机器学习的检测器检测进一步包括：对阈值的应用的结果执行非最大抑制。

12.根据权利要求1所述的方法，其中输出包括：用针对淋巴结的注释生成医学图像的表示。

13.根据权利要求1所述的方法，其中通过机器学习的检测器检测包括：通过基于作为训练数据中的淋巴结的分割的高斯斑点训练的机器学习的检测器检测，并且其中检测包括针对医学图像输出高斯斑点。

14.一种用于对象检测的医学成像系统，该医学成像系统包括：

医学扫描仪，被配置成扫描患者的三维区域；

图像处理器，被配置成将机器学习的检测器应用于来自扫描的数据，机器学习的检测器具有架构，该架构包括密集连接的卷积块的模块、在模块中的一些之间的上采样层、以及在模块中的一些之间的下采样层；机器学习的检测器被配置成输出如在来自扫描的数据中表示的对象的位置；以及

显示器，被配置成基于输出在该位置处显示具有对象的注释的医学图像。

15.根据权利要求14所述的医学成像系统，其中医学扫描仪包括计算机断层摄影系统，并且其中图像处理器和显示器是计算机断层摄影系统的一部分。

16.根据权利要求14所述的医学成像系统，其中机器学习的检测器的架构包括第一组模块和第二组模块，第一组模块与在第一组的模块中的每一个之间的下采样层之一被依次布置，第二组模块与在第二组的模块中的每一个之间的上采样层之一被依次布置。