[发明专利]用于自动估计病变特质的光声图像分析方法和系统

说明书

提供了用于执行光声分类预测的系统和方法。该方法针对感兴趣体积利用与接收OA特征分数相关的一个或多个处理器，该OA特征分数与从患者检查中收集的OA图像相关。感兴趣体积包括病变。该方法将所述OA特征分数应用于分类模型以获得指示病变的特质的预测结果。

相关申请的交叉引用

本申请要求2019年6月19日提交的美国非临时申请第16/445,765号的优先权，并要求2018年10月11日提交的美国临时申请第62/744,606号的优先权，其中每个申请的主题通过引用全部并入本文。

技术领域

本文的实施例总体涉及光声(OA)成像方法。

背景技术

在世界范围内，乳腺癌是最常见的诊断癌症，并且是女性癌症死亡的第二大原因。虽然近20年来，乳腺癌的死亡率已经显著下降，但乳腺癌仍是西方女性发病率和死亡率的主要原因之一。

如今，超声被用于可疑乳腺肿块的评估，以及指导活检。然而，由乳腺超声成像非侵入地评估组织架构不能提供关于癌症的足够的预后信息，因此除了对肿瘤大小和形态的评估外，对临床医生具有的价值有限。

仍然需要改进最优声学图像分析。

发明内容

根据本文的实施例，提供了用于执行光声分类预测的方法。该方法针对感兴趣体积利用与接收OA特征分数相关的一个或多个处理器，该OA特征分数与从患者检查中收集的OA图像相关。感兴趣体积包括病变。方法将OA 特征分数应用于分类模型以获得指示病变的特质的预测结果，并输出该预测结果。

可选地，方法可以针对感兴趣体积接收与从患者检查中收集的非OA图像相关的非OA特征分数。方法可以将非OA特征分数与OA特征分数结合应用于分类模型以获得预测结果。预测结果可以是i)指示病变可能是处于恶性类或良性类的可能性，ii)指示护理路径决策，和/或iii)病变可能是处于恶性类或良性类的恶性可能性(LOM)标志符。LOM标志符可以表示平均置信度区间。预测结果还可以包括置信度区间范围。应用操作可以包括将OA特征分数应用到分类模型的集合(ensemble)。至少一部分分类模型可以输出对应的预测结果。

可选地，该方法还可以包括组合预测结果以形成指示病变可能处于恶性类的可能性的复合预测结果。分类模型可以表示决策树，该决策树可以包括决策点、分支和病变特质。应用操作可以包括在决策点处测试OA特征分数，并且可以基于测试通过决策树进行分支，直到达到病变特质之一。分类模型可以利用预测性机器学习分类器和标签数据集来建立，该标签数据集可以包括OA特征分数和针对数据集中病变的恶性或良性标签。

根据本文的实施例，提供了用于建立与光声(OA)分类预测相关的分类模型的方法。方法利用与接收针对多个患者的标签数据集相关的一个或多个处理器。标签数据集包括来自针对多个患者的检查的感兴趣体积的OA图像中的病变的OA特征分数。标签数据集包括指示病变特质的类标志符。该方法基于标签数据集利用预测性机器学习(PML)分类器来以建立分类模型的集合。分类模型中的每一个都包括指示病变特质的预测结果。

可选地，标签数据集可以包括以下各项的组合：i)来自针对多个患者的检查的OA图像的OA特征分数，ii)已经被确定并与OA特征分数一起记录的类标志符，以及iii)针对来自多个患者的检查的非OA图像的非OA特征分数。PML分类器可以包括分类和回归树(CART)、C4.5决策树、K最近邻、支持向量机(SVM)和朴素贝叶斯分类器中的一种或多种。PML分类器可以利用随机森林算法来形成对应于分类模型的决策树的集合。PML分类器可以利用极端梯度提升算法，与分类和回归树(CART)决策树组合来形成分类模型。分类模型可以表示决策树，该决策树包括决策点、分支和病变特质。