[发明专利]基于机器学习的血管成像中的分辨和操纵决策焦点

说明书

一种用于确定影响总体诊断度量的血管医学图像的多个图像特征(F_n)中的每个图像特征的相对重要性的系统(SY)，所述总体诊断度量是根据自动生成的诊断规则针对所述图像计算的。医学图像数据库(MIDB)包括多幅血管医学图像(M_1..k)。规则生成单元(RGU)分析多幅血管医学图像，并基于血管医学图像的子集共有的多个图像特征自动生成与多幅血管医学图像的子集的公共诊断相对应的至少一个诊断规则。图像提供单元(IPU)提供包括多个图像特征的当前血管医学图像(CVMI)。诊断度量计算单元(DMCU)通过将至少一个自动生成的诊断规则应用于当前血管医学图像来计算针对当前血管医学图像的总体诊断度量。决策传播单元(DPU)在当前血管医学图像中识别多个图像特征中的每个图像特征对所计算的总体诊断度量的相对重要性。

技术领域

本发明涉及图像引导治疗领域。更具体地，其涉及血管成像领域的决策制定。

背景技术

诸如血管内超声(即IVUS)或光学相干断层摄影(即OCT)的血管成像模态在对冠状动脉以及周围血管进行成像中起着越来越重要的作用。应用包括评价冠状动脉斑块以及钙化负担、狭窄水平表征或在支架置入背景下的成像支持。

数据驱动的决策支持系统也在这一领域发展。这越来越呈现需要临床医师理解自动导出的决策源自何处，并且在必要时与决策查找过程进行交互。本申请解决了这个需要和其他需要。

以下文档在本发明和相关领域中是已知的：

[1]Dmitry Nemirovsky,Imaging of High-Risk Plaque,Cardiology 100:160–175；2003.

[2]Grégoire Montavon,Wojciech Samek,and Klaus-Robert Müller:Methodsfor Interpreting and Understanding Deep Neural Networks Digital SignalProcessing,73:1-15,2017.

[3]Zeiler,Matthew D.,and Rob Fergus.Visualizing and understandingconvolutional networks.Computer Vision–ECCV 2014.Springer.InternationalPublishing,818-833,2014.

[4]R.R.Salakhutdinov and G.E.Hinton.Deep Boltzmann machines.InProceedings of the International Conference on Artificial Intelligence andStatistics,volume 12,2009.

另一文档WO2015095282公开了用于预测冠状动脉斑块易损性的系统和方法。一种方法包括采集患者的血管系统的至少部分的解剖图像数据；使用处理器对解剖图像数据执行一个或多个图像特性分析、几何分析、计算流体动力学分析和结构力学分析；使用处理器预测患者的血管系统中存在的冠状动脉斑块易损性，其中，预测冠状动脉斑块易损性包括基于对解剖图像数据的图像特性分析、几何分析、计算流体动力学分析和结构力学分析的结果来计算不良斑块特性；并且使用处理器来报告所计算的不良斑块特性。

发明内容

诸如IVUS或(冠状动脉)计算断层摄影血管造影(即(C)CTA)的血管成像技术，在对冠状动脉和周围血管成像中起着越来越重要的作用。应用包括评价冠状动脉斑块以及钙化负担、狭窄水平表征或在支架置入的背景下的成像支持。

在该领域中的数据驱动的决策支持系统的出现生成以下需要：使临床医师理解自动导出的决策源自何处，以及在必要时与决策查找过程进行交互。决策水平越高且越抽象，对理解过程的需求就越大。