[发明专利]利用机器训练的异常检测的COPD分类

说明书

对于医学成像系统中的COPD分类，机器学习用于学习对患者是否患有COPD进行分类。图像到图像网络深度学习指示各种或任何类型的COPD的空间特征。肺部功能测试可以用作训练所述特征和从空间特征的分类的基础事实。由于肺部功能测试结果和对应的CT扫描的可用性高，因此有很多训练样本。然后，来自图像到图像网络的经学习的特征的值用于创建COPD级别的空间分布，从而提供对区分COPD的类型有用的信息，而无需在训练中对COPD的空间分布的基础事实注释。

背景技术

本实施例涉及慢性阻塞性肺部疾病（COPD）分类。COPD是由于气流不足导致的阻塞性肺疾病。COPD的两个主要基础原因是肺气肿和气道疾病。通常通过使用呼吸管的肺部功能测试来诊断COPD。功能性肺部测试的主要输出是1秒内的用力呼气值（FEV1）和用力肺活量（FVC）。这些值基于人口分布被正则化，并计算GOLD分数（COPD严重性分数），其中GOLD 0：FEV1/FVC 0.7（无COPD）；GOLD1（COPD的轻度/风险）：FEV1/FVC 0.7和FEV1 0.8；GOLD2（中度COPD）：FEV1/FVC 0.7和0.79 FEV1 0.5；GOLD3（中度-严重COPD）：FEV1/FVC 0.7和0.5 FEV1 0.3；以及GOLD 4（严重COPD）：FEV1/FVC 0.7和0.3 FEV1。肺部功能变化可归因于几种不同的状况，诸如支气管炎和哮喘，因此无法提供完整的诊断。

肺的计算机断层摄影（CT）扫描用于确认诊断。肺气肿是肺组织的破坏，这在高分辨率CT扫描上可检测到。肺气肿的特征是在吸气式CT扫描上低衰减（-950 亨氏(Hounsfield)单位）的总区域。气道疾病的特征是支气管壁增厚，这在高分辨率CT扫描上也可见。COPD的特征还在于CT扫描上可见的各种其他结构变化，诸如脉管系统的变化。在CT上注释这些多个结构变化是耗时的且难以建立。通常，使用简单的度量（诸如低衰减区域的百分比）来表征CT扫描。这些测量值足以检测出严重的COPD，但却漏掉对具有不十分明显的CT特性的轻度和中度情况的检测。

成像生物标记物用于在预后预测和治疗管理中识别COPD。CT上可见的结构变化与COPD的预后因素和症状相关。研究示出了这些成像生物标记物的相关性，但未展现其预测能力。自动检测聚焦于通过使用CT扫描中的基于纹理的特征来识别肺气肿和对肺气肿类型进行分类。肺气肿仅占COPD的一部分。在机器学习方法中，吸气和呼气之间的相对差异可以用于识别受肺气肿、气道疾病或这两者影响的肺区域。但是，由于在CT扫描中区分COPD类型的注释数据集数量有限，因此准确识别或甚至对指导识别有用的信息都难以捉摸。

发明内容

作为介绍，以下描述的优选实施例包括用于医学成像系统中的COPD分类的方法、计算机可读介质和系统。机器学习用于学习对患者是否患有COPD进行分类。图像到图像网络深度学习指示各种或任何类型的COPD的空间特征。肺部功能测试可以用作训练特征和根据空间特征分类的基础事实（ground truth）。由于肺部功能测试结果和对应的CT扫描的可用性很高，因此有很多训练样本。然后，来自图像到图像网络的已学习特征的值用于创建COPD级别的空间分布，从而提供有用的信息用于区分COPD类型，而无需在训练中对COPD的空间分布进行基础事实注释。

在第一方面，提供了一种用于医学成像系统中的COPD分类的方法。医学扫描仪扫描患者的肺。所述扫描提供第一成像数据，第一成像数据表示患者的肺的多维区域。成像数据是要用于成像的扫描数据或被格式化用于显示的数据。图像处理器将机器学习的生成网络应用于第一成像数据。机器学习的生成网络已被训练为输出COPD分类。根据来自机器学习的生成网络的特征的值生成激活映射。激活映射按照多维区域内的位置表示COPD的级别。在显示器上输出来自激活映射的图像。

在一个实施例中，CT系统扫描三维区域，并且激活映射是三维映射。所述图像可以作为激活映射的二维表示被输出。