[发明专利]针对医学成像中的灌注的深度学习

说明书

本发明涉及针对医学成像中的灌注的深度学习。为了基于医学成像中的灌注进行决策支持，经机器学习的模型（诸如，用深度学习训练的模型）根据患者的CT扫描生成灌注检查信息。诸如患者特定的信息之类的其他信息可以与CT扫描一起用于生成灌注检查信息。由于使用了经机器学习的模型，因此可以根据空间和/或时间上稀疏的扫描拍摄数量或CT剂量的量来估计灌注检查信息。可以以小于当前的、标准的或典型的辐射剂量的方式提供灌注成像的结果。

背景技术

本实施例涉及医学成像中的灌注检查。在心脏成像中，灌注成像同时对心脏的详细解剖结构和功能进行成像。基于计算断层摄影（CT）的灌注成像可以提供优势。例如，CT灌注成像可以通过消去一些住院时间、削减测试次数、和/或加速患者诊断来降低健康护理成本。这些优势被源于患者暴露于CT成像中的x射线辐射的风险所抵消。因为灌注成像测量造影剂随时间推移的浓度，因此患者会由于反复扫描而暴露于更多的x射线辐射。

发明内容

通过介绍，下面描述的优选实施例包括用于基于医学成像中的灌注的决策支持的方法、系统、指令和非暂时性计算机可读介质。经机器学习的模型（诸如，用深度学习训练的模型）根据患者的CT扫描生成灌注检查信息。其他信息（诸如患者特定的信息）可以与CT扫描一起用于生成灌注检查信息。由于使用了经机器学习的模型，因此可以根据空间和/或时间上稀疏的扫描拍摄数量或CT剂量的量来估计灌注检查信息。可以以小于当前的、标准的或典型的辐射剂量的方式提供灌注成像的结果。

在第一方面中，提供了一种用于由医学成像器估计心肌灌注的方法。计算断层摄影（CT）系统扫描患者。所述扫描提供了表示随时间推移所述患者的心脏中的造影剂的冠状动脉CT数据。除了所述冠状动脉CT数据之外，还获取针对所述患者的信息。通过深度学习训练过的经机器学习的模型估计心肌灌注。所述经机器学习的模型响应于所述冠状动脉CT数据和所述信息的输入而输出心肌灌注。显示心肌灌注，诸如量或图像。

在一个实施例中，在所述扫描中使用少于五个拍摄。响应于来自不多于所述五个拍摄的所述冠状动脉CT数据的输入而执行所述估计。在其他实施例中，在给定扫描协议的情况下，所述扫描使用少于1/2的有效剂量。响应于与不多于所述有效剂量相对应的所述冠状动脉CT数据的输入而执行所述估计。

可以获取各种类型的患者信息以用于估计。例如，获取针对所述患者的患者属性。患者属性是临床信息，诸如体重、身高、体重指数、性别、年龄、或性能测量（例如，心脏输出）。作为另一示例，获取所述患者的CT血管造影图像。在仍另一示例中，获取针对所述患者的动脉增强曲线信息。由于阻塞或其他疾病改变了动脉中的造影剂的流动，因此动脉增强曲线对于不同的患者可能会有所不同，其中，流动的差异导致针对心肌灌注的造影剂的不同的时机和/或量。作为患者信息的仍另一示例，获取针对所述患者的静态心肌测量。可以计算和输入在给定的时间处或在给定的事件时的峰值灌注或其他灌注定量。

经机器学习的模型通过输入不同的信息（诸如，所述患者信息、所述冠状动脉CT数据和注射协议参数）来进行估计。所述注射协议参数表征针对所述患者的造影剂的注射，诸如造影剂注射的类型、速率、容量和/或位置。

可以生成各种类型的输出。例如，所述心肌灌注被估计为参数化图像。针对每个空间位置确定任何灌注量，诸如峰值灌注的时间、数据点值、或其他灌注曲线表征，并且针对该参数生成图像。作为另一示例，所述心肌灌注被估计为灌注量，诸如峰值、到峰值的时间、血流量、血容量、平均通过时间、或其组合。在其他实施例中，图像处理器根据所估计的心肌灌注和/或根据所述经机器学习的模型的应用来确定诊断或治疗。可以显示诊断或治疗结论或建议。

可以使用各种类型的经机器学习的模型。对于通过深度学习学习过的模型，经机器学习的模型可以是卷积神经网络、经过对抗训练的生成网络、或递归神经网络。