[发明专利]用于医学成像的顺序分布外检测

说明书

本文公开了一种医学系统(100、300、400)，所述医学系统包括存储器(110)，所述存储器存储可训练机器学习模块(122)，所述可训练机器学习模块是使用描述训练数据分布(600)的训练数据来训练的，以响应于接收到测量的医学图像数据(128)作为输入而输出重建的医学图像(136)。所述医学系统包括计算系统(104)。对机器可执行指令(120)的运行使所述计算系统：接收(200)所述测量的医学图像数据；并且以通过序列确定的顺序连续地确定(202)分布外评分和分布内准确度评分；在对所述序列的运行期间，使用所述分布外评分和/或所述分布内准确度评分来检测(204)对所述测量的医学图像数据的拒绝；如果检测到对所述测量的医学图像数据的所述拒绝，那么提供(206)警告信号(134)。所述分布外评分是通过将所述测量的医学图像数据输入到所述分布外估计模块中来确定的。所述分布内准确度评分是通过将所述测量的医学图像数据输入到所述分布内准确度估计模块中来确定的。

技术领域

本发明涉及医学成像，特别涉及使用机器学习进行图像重建或增强的医学成像技术。

背景技术

能够使用各种不同的技术来生成描述对象的解剖结构的医学图像。常见的成像模态包括磁共振成像、计算机断层摄影、正电子发射断层摄影、超声等。可以使用人工智能技术进行诸如图像重建、移除伪影、去噪和其他图像处理任务之类的任务。

国际专利申请WO 2020025696 A1公开了一种生成患者的组织的增强图像的方法，其中，每幅增强图像将至少一个组织参数与组织图像的区域或像素相关联，所述方法包括以下步骤：获得所述组织的一幅或多幅多光谱图像，并且应用基于机器学习的回归器或分类器，或者应用用于确定关于多光谱图像或所述多光谱图像的部分与给定训练数据集的接近度的信息的分布外(OOD)检测算法，或者将改变检测算法应用于所述一幅或多幅多光谱图像的至少部分或从所述多光谱图像导出的图像，或者将改变检测算法应用于多光谱图像的时间序列、多幅图像的部分或从多幅图像导出的图像，从而导出与对应的多光谱图像的图像区域或像素相关联的一个或多个组织参数。

发明内容

本发明在独立权利要求中提供了医学系统、计算机程序和方法。在从属权利要求中给出了实施例。

如上面所提到的，可以使用人工智能进行图像重建以及图像处理和增强。将这些技术应用于医学成像的特殊困难是：如果输入到可训练机器学习模块中的数据在训练数据分布之外，那么使用可训练机器学习模块产生的重建医学图像可能是不正确的。所得到的重建医学图像可能看起来像正确的医学图像，但它并不是正确的。

已经开发了各种技术来检测输入到可训练机器学习模块的数据是否已被开发。这些技术的一个问题是它们通常不能广泛应用，只能在有限的环境下工作。也就是说，它们本身可能给出不可靠的结果。

实施例可以提供更好的手段来检测输入到可训练机器学习模块中的所述测量的医学图像数据是否会产生正确的结果。实施例可以通过使用不同软件模块的层次或序列来实现这一点，每个软件模块被配置为检测以不同量超出训练数据分布的数据。在一个示例中，顺序使用分布外估计模块和分布内准确度估计模块。在另一示例中，额外使用了异常检测模块。

在一个方面，本发明提供了一种医学系统，所述医学系统包括存储机器可执行指令的存储器。所述存储器还存储可训练机器学习模块，所述可训练机器学习模块是使用描述训练分布的训练数据来训练的，并且所述存储器被配置为响应于接收到测量的医学图像数据作为输入而输出重建的医学图像。训练数据分布是可训练机器学习模块被理想地配置用于重建图像的数据分布。训练数据是旨在表示完整训练数据分布的子样本或部分。在不同的示例中，测量的医学图像数据可以采取不同的形式。在一个示例中，测量的医学图像数据可以在图像空间中。在其他示例中，测量的医学图像数据也可以是由医学成像系统做出的测量结果(例如，磁共振成像系统的原始数据或计算机断层摄影系统的吸收线)。在其他示例中，测量的医学图像数据可以包括医学成像系统的这些测量结果以及图像空间中的图像。