[发明专利]使用深度学习确定3D数据集中对象的增长速度

说明书

描述了一种用于自动确定3D数据集中对象的增长速度的方法，其中，该方法可以包括：第一经训练的3D检测深度神经网络(DNN)确定当前的3D数据集中的一个或多个第一VOI和先前的3D数据集中的一个或多个第二VOI，VOI与异常相关联；配准算法，优选地，基于经训练的3D配准DNN的配准算法，确定一个或多个第一VOI和一个或多个第二VOI之间的映射，该映射为当前的3D数据集中的第一VOI提供先前的3D数据集中对应的第二VOI；第二经训练的3D分割DNN将第一VOI的体素分割成表示异常的第一体素并将对应的第二VOI的体素分割成表示异常的第二体素；以及基于第一体素确定异常的第一体积且基于第二体素确定异常的第二体积，并使用第一体积和第二体积来确定增长速度。

技术领域

本发明涉及使用深度学习自动确定3D数据集中对象的增长速度；并且尤其涉及但不仅限于，使用深度学习自动确定3D数据集中对象的增长速度的方法和系统、对用于自动确定3D数据集中对象的增长速度的深度神经网络进行训练的训练方法、以及执行这种方法的计算机程序产品。

背景技术

异常或病变是癌症的先兆。因此，及早检测这些病变是重要的放射学任务，放射学任务可以进行治疗性干预。美国国家癌症研究所的国家肺部筛查试验(NLST)证明了筛查肺结节的成本效益。因此，已经开发了计算机辅助检测与诊断(CAD)系统，其可以帮助建立有效且可靠的筛查方案。这样的CAD系统现在已经在市场上销售了很多年，并且能够实现肺结节的(半)自动检测。通常，这些系统灵敏度低(或者相反地，假阳性率非常高)，并且因此医学界的采用率很低。随着深度学习技术的最新发展，肺结节检测已经变得更加准确，并且多家公司正在开发基于AI的系统。申请人已经成功开发出了用于检测3D数据集(例如，由诸如CT扫描系统之类的扫描系统生成的3D x射线数据)中的异常的高准确度检测模型，并已获准用于法规用途。

医学专家可以从3D数据集中得出的信息包括异常的大小、体积和形状。另外，基于3D数据集的时间序列，可以得出异常的增长速度。这样的参数可能具有很大的诊断重要性。然而，对于计算机而言，自动确定这些参数并不是一件容易的事。虽然理论上可以手动检测并在每个出现的图像中分割异常，但是在实践中，这种方法非常耗时，并且容易出错或至少不准确。因此，常规上，计算机辅助的检测与诊断系统使用计算机视觉与机器学习算法，以通过让合格的用户手动选择“种子点”并应用公知的“区域增长”算法找到这种异常的边界，从而半自动地创建异常的分割。例如，R.Wiemker等人在其文章Aspects of computer-aided detection(CAD)and volumetry of pulmonary nodules using multislice CT(使用多层CT的计算机辅助检测(CAD)和肺结节体积的各方面)，The British Journal ofRadiology(英国放射学杂志)，78(2005)中描述了一种用于检测、分割和配准结节的系统。检测、分割和配准是人工操作员执行的单独任务，并且不提供单个自动化管线(pipeline)。此外，分割是基于区域增长方法，并且配准是基于刚性仿射变换。这种方案具有明显的缺点，即，要求用户将其放射学工作流程从其阅读流程中移开，并在不同的软件应用中执行手动操作。这需要几分钟，并且在实践中通常不会完成。相反，使用数字卡尺进行2D测量是出于必要性而作为近似执行的，使得放射科医生从图像中得出的信息不是很准确。更一般地，依赖于常规图像处理技术的CT扫描中的结节的检测和体积定量的已知CAD系统不能提供全自动系统，该全自动系统以至少与医学专家的准确度相匹配的准确度提供关于结节的体积信息。