CN110881992A - 使用双能量计算机断层扫描的针对外伤性出血的检测和量化 - Google Patents

Abstract

公开了使用双能量计算机断层扫描的针对外伤性出血的检测和量化。提供用于针对外伤性出血进行自动检测和量化的系统和方法。使用全身双能量CT扫描仪来获取图像数据。经机器学习的网络检测在来自双能量CT扫描图像数据的出血图上的一个或多个出血区域。从出血图生成显像。对所预测的出血区域进行量化，并且生成风险值。将显像和风险值呈现给操作者。

Description

使用双能量计算机断层扫描的针对外伤性出血的检测和量化

技术领域

本实施例涉及医学计算机断层扫描成像和诊断。

背景技术

外伤性出血是事故死亡的主要原因之一。外伤性出血要求立即治疗和紧急护理。所有具有致命结果的外伤患者中的超过50%的患者在受伤的24小时之内死亡。对具有大出血的外伤患者的适当管理包括对潜在出血来源的早期标识，随后是立刻采取措施以最小化失血、恢复组织灌注并且实现稳定。然而，外伤性出血的检测是非常有挑战性的，尤其是当皮肤或者颅骨表面上没有明显缺陷时。

计算机断层扫描（CT）先前已经被用于对外伤患者进行扫描。使用CT扫描仪，总的全身扫描时间可以被减少到少于30秒。虽然CT扫描仪能够捕获外伤患者的图像，但是对结果数据的分析—特别是标识出血—是困难并且不便的。潜在的出血可能位于患者身上的任何地方（例如，大脑、GI、胸腔、腹腔等），因而要从各式各样的周围结构中区分出血。进一步地，出血的外观存在巨大的变化性。此外，针对CT图像，可能利用与其它结构—例如骨骼和血管—相似的强度值来描绘出血区域，这可能使诊断区域复杂化。

发明内容

通过介绍的方式，在下面描述的优选的实施例包括用于对外伤性出血进行自动检测和量化的实施例。使用全身双能量CT扫描来获取图像数据。经机器学习的网络根据双能量CT扫描生成出血概率图。根据出血概率图生成显像。对所预测的出血区域进行量化，并且生成风险值。将显像和风险值呈现给操作者。

在第一方面中，提供用于检测患者体内的出血区域的方法。使用对患者的双能量CT全身扫描来获取双能量图像数据。使用被训练为标识并且分类被给定有双能量图像数据的一个或多个出血区域的神经网络来在出血区域图上检测出血区域。生成并且显示出血图的显像。

在第二方面中，提供用于自动评估外伤性出血的方法。使用双能量CT扫描来获取患者的DECT图像数据。从所述DECT图像数据中移除骨骼材料。在DECT图像数据中跟踪血管。使用被训练为标识并且分类被给定有DECT图像数据的出血区域的第一经机器学习的网络来预测一个或多个出血区域。确定针对一个或多个出血区域的严重性评级。计算针对一个或多个出血区域的大小。针对一个或多个出血区域生成作为一个或多个出血区域的大小和严重性评级的函数的等级。使用被训练为表述总体风险的第二经机器学习的网络来估计针对患者的风险值。

在第三方面中，提供用于自动评估外伤性出血的系统。所述系统包括双能量计算机断层扫描扫描仪、图像处理器、以及显示器。双能量计算机断层扫描扫描仪被配置为获取患者的高KV CT 图像数据和低KV CT图像数据。图像处理器被配置为将高KV CT 图像数据和低KV CT图像数据输入到被训练为预测被给定有图像数据的出血区域的经机器学习的网络中；所述图像处理器进一步被配置为生成由经机器学习的网络预测的出血区域的显像。显示器被配置为显示所述显像。

本发明由随后的权利要求来限定，并且在本节中的任何内容不应被当作对那些权利要求的限制。在下面结合优选的实施例讨论本发明的进一步的方面和优点并且稍后可以独立地或者组合地要求保护本发明的进一步的方面和优点。

附图说明

组件和各图未必成比例，相反重点被放在图示本发明的原理上。此外，在各图中，同样的参考标号贯穿于不同的示图指定对应的部分。

图1描绘CT系统的示例。

图2描绘根据实施例的用于针对外伤性出血的自动检测和量化的系统。

图3描绘根据实施例的用于外伤性出血的自动检测的方法。

图4描绘示例双能量CT系统。

图5描绘根据实施例的用于针对外伤性出血的自动检测和量化的方法。

图6描绘根据另一实施例的用于针对外伤性出血的自动检测和量化的系统。

具体实施方式

提供用于使用全身扫描来检测并且量化外伤性出血的实施例。对患者执行双能量CT扫描以生成多个成像数据集。将多个成像数据集输入到经机器学习的网络中，所述经机器学习的网络被训练为基于不同的成像数据集标识具有出血的区域。所述区域被自动地量化并且分等级。向操作者提供总体风险评估。

图1描绘示例CT成像系统100。目标110（例如，患者）被定位在工作台120上，所述工作台120被经由机动化系统配置为使工作台通过CT成像系统100中的圆形开口130移动到多个位置。X射线源140（或者其它辐射源）和（多个）检测器元件150是CT成像系统的一部分并且被配置为在台架上的对象110在开口130的内部的同时围绕该对象旋转。所述旋转可以与床的移动组合以沿着患者的纵向范围进行扫描。替换地，台架使源140和检测器150在围绕患者的螺旋状路径上移动。在CT成像系统100中，单次旋转可能花费大约一秒或者更少的时间。在X射线源140和/或检测器的旋转期间，X射线源140产生穿过被成像的对象110的身体的目标部分的窄扇形（或者圆锥形）X射线束。（多个）检测器元件150（例如，多环检测器元件）与X射线源140相对，并且配准穿过被成像的对象的身体的X射线，并且在该处理中，记录被用于创建图像的快照。通过X射线源140和/或（多个）检测器元件150的一次或多次旋转来采集在通过对象的许多角度下的许多不同的快照。由所采集的快照生成的图像数据被传输到控制单元，所述控制单元存储图像数据或者基于快照将图像数据处理成由CT成像系统100扫描的对象的身体内部（例如，内部器官或者组织）的一个或若干个横截面图像或者体积。

虽然CT 扫描对于某些医学诊断而言是有用的，但是对于检测外伤性出血而言，标准CT扫描包括弊端。为了进行标识和量化，要求针对全身的通用解决方案，因为出血的潜在位置可能是任何地方（例如，大脑、GI、胸腔、腹腔等）。附加地，关于不同区和不同类型的损伤，外伤性出血的外观存在巨大的变化性。最后，出血区域可能包括与例如骨骼和血管的其它结构相似的强度值。

实施例提供了使用双能量CT（DECT）扫描来检测和量化外伤性出血。图2描绘用于检测和量化外伤性出血的示例系统200。图2的系统200包括DECT扫描仪20、图像处理器25、经机器学习的网络30、显示器35、以及评估器40。图像处理器25、经机器学习的网络30、以及评估器40可以是计算机、服务器、或者云计算环境中的组件或者模块。可以提供附加的、不同的或者更少的组件，诸如不包括其中将输出存储在存储器中或者通过网络转移的显示器35。

DECT扫描仪20以两个不同的能量水平（kV水平）获取图像。图像处理器25使用材料图来分割和处理图像，例如，基于不同材料在两个CT图像处的强度来标识不同的材料。与单能量CT图像相反，材料图和两个CT图像中的差异有助于区分具有相似强度值的材料。经机器学习的网络30被配置为自动标识被给定有来自图像处理器25的图像数据的出血区域。经机器学习的网络将两个水平的CT图像当作输入并且生成外伤性出血概率图作为输出。通过评估器40基于临床报告对（多个）出血区域进行量化。显示器35被配置为显示所述评估以及由图像处理器25和经机器学习的网络生成的显像。该高效处理的输出是对患者体内的外伤性出血的精确评估。

图3描绘用于检测外伤性出血的方法的一个实施例。由图2、图4、图6的系统、其它的系统、工作站、计算机、和/或服务器执行动作。以所示出的顺序（例如，从上到下）或者其它顺序执行动作。可以执行附加的动作，诸如在输入到经机器学习的网络30中之前处理来自扫描的DECT图像数据。

在动作A110处，使用DECT扫描仪获取目标的DECT图像数据（也被称为双能量图像数据）。DECT图像数据可以是标量值（例如，衰减系数或者亨斯菲尔德单位（Hounsfieldunit））或者可以是要被用于形成图像的成像数据（例如，医学成像数据）。通过医学成像设备使数据、图像、或者成像数据可用或者在医学成像设备内使数据、图像、或者成像数据可用。替换地，从存储部或者存储器进行获取，诸如从图片存档和通信系统（PACS）中获取先前创建的数据集。处理器可以从图片存档通信系统或者医疗记录数据库中提取数据。DECT图像数据包括通过使用两个不同的能量水平对目标（例如，患者）进行扫描而获取的两个或更多个数据集。可以从所获取的数据中获取或者得出附加的数据集。

DECT图像数据是表示患者的二维切片或三维体积的数据。例如，DECT图像数据的每个数据集将患者的区域或者切片表示为像素值。作为另一个示例，DECT图像数据表示体素的体积或者三维分布。三维表示可以被格式化为堆叠或多个二维平面或切片或者被格式化为网格中的体素。针对以二维或者三维分布的多个位置中的每个提供值。

数据可以采用任何格式。虽然使用了术语“图像”和“成像”，但是图像或者成像数据可以采用在图像的实际显示之前的格式。例如，成像数据可以是以与显示格式不同的笛卡尔坐标或者极坐标格式表示不同位置的多个标量值。作为另一个示例，图像可以是输出到显示器35的多个红色、绿色、蓝色（例如，RGB）值，以用于生成采用显示格式的图像。成像数据是可以被用于进行成像的数据集，诸如扫描数据或者表示患者的所生成的图像。对于三维图像而言，来自检测器的原始数据可以被重新构建为三维表示。成像数据表示患者的组织、液体、和/或骨骼。

使用DECT扫描来获取DECT图像数据。在DECT扫描期间，可以使用两个或更多个不同的能量水平来获取两个或更多个数据集。常规的单能量CT（SECT）使用从单个源发射并且由单个检测器接收的单个多色X射线束（在从70kVp至140kVp范围内，例如典型地为120kVp）。SECT图像数据集的对比度取决于构成目标的各种材料（例如，人类身体的软组织、空气、钙、脂肪）的光子衰减上的差异。材料将使X射线束衰减的程度取决于组织成分和光子能量水平以及它有多接近于超出材料的k边界（例如，内电子层结合能）。

虽然与SECT扫描相似，但是DECT扫描使用两个（或更多个）能量水平（例如，80kVp和140kVp）来获取数据，所述数据被处理以生成两个或更多个数据集（例如，针对每个能量水平生成一个）。多个数据集通过在两个不同的能量水平下的图像获取来提供对材料成分的分析。例如组织、液体等的材料根据线性衰减系数在不同的能量水平下具有独特的衰减轮廓。多个数据集提供在暴露于低能量X射线束和高能量X射线束这两者时的组织的视图。具有低原子序数的材料（例如，水）在高X射线能量和低X射线能量之间展现出在衰减上的小的差异，而具有高原子序数的材料（例如，碘）在不同的光子能量下示出在衰减上的大的差异。可以取决于所使用的扫描仪、患者、和/或所使用的材料图来调整两个能量水平。

可以使用不同的扫描仪来执行DECT扫描。例如，双源DECT（dsDECT）扫描仪利用两个X射线管和两个检测器来同时获得双能量获取和数据处理。单源DECT（ssDECT）扫描仪使用在低能量和高能量之间迅速替换（快速切换）的单个X射线管和快速配准来自两种能量的信息的单个检测器。对于基于检测器的谱CT而言，具有全剂量调制能力的单个X射线管被与同时检测两个能量水平的由两个层制成的检测器（夹层检测器）配对。可以使用替换的扫描仪或者DECT技术来获取DECT图像数据。不同的医院或者机构可以使用不同的协议或者不同的扫描仪。在此描述的方法可以为特定的扫描仪、特定的机构量身定制，或者可以是跨所有扫描仪类型和参数而全局地使用的。在实施例中，可以请求使用多能量CT（MECT）。MECT使用光子计数检测器来在图像中标识材料。在MECT中，获得患者的衰减的多个能量选择性测量值。MECT可以被用于创建单能量图像以用于在检测出血区域当中使用。将MECT数据与一个或多个算法一起使用以生成一组特定于材料的参数，诸如有效原子序数和密度。特定于材料的参数可以被用于标识材料和出血区域。

图4描绘示例DECT扫描仪。DECT扫描仪包括第一发射器401、第二发射器403、第一检测器405、以及第二检测器407。第一发射器401被配置为生成具有高kVp的X射线。第二发射器403被配置为生成具有低kVp的X射线。第一检测器405配准来自第一发射器401的信息。第二检测器407配准来自第二发射器403的信息。第一发射器401、第二发射器403、第一检测器405、以及第二检测器407可以被配置在一个或多个台架上以围绕患者110旋转。

DECT扫描提供同一目标的数据的至少两个数据集。因为数据集中的每个是使用不同的能量水平获取的，所以所得到的图像不同并且可以被用于对材料、组织、或者液体进行区分。作为示例，在低能量扫描中可以容易地对骨骼进行标识，而在高能量扫描中可以容易地标识某些组织。如果仅使用一种扫描，则操作者可能难以标识患者的骨骼和组织这两者。然而，当将这两组扫描数据（其被同时地或者几乎同时地获取并且因此描绘相同的场景）进行组合时，可以标识骨骼和组织这两者，导致更精确的诊断。

此外或者作为替换，可以通过DECT扫描来使用不同的设置以获取附加的数据集。可以通过对所获取的低能量（80kVp）数据和高能量（140kVp）数据进行组合来创建混合的图像数据集以模拟120kVp数据集。可以生成虚拟单色（VMC）图像数据集或者虚拟单能量（VME）图像数据集以模拟在单个能量水平下获得的扫描。可以针对不同的临床应用而将VMC图像数据集定制为特定的能量水平。低能量VMC图像可以被建议用于在损伤和相邻的组织之间以高对比度进行研究（例如，CT血管造影；45keV至55keV）。中等能量VMC图像（60keV至75keV）由于在足够的对比度和减少的图像噪声之间的平衡而可以被用于对软组织进行评价。高能量VMC图像（95keV至140keV）可以被用于减少来自金属植入物的伪影。在实施例中，可以通过使用基于投影的材料分解算法和基础材料的质量衰减来从双能量数据集中重新构建多个VMC图像（例如，在从40keV至140keV的范围内以10keV的增量）。取决于用于获取双能量数据的成像系统，基础材料分解的方法可能不同。对于利用单源快速千伏切换技术获取的双能量CT数据而言，在投影域中执行基础材料分解。对于利用双源CT系统获取的双能量CT数据而言，典型地使用图像域基础材料分解。对于VME图像数据集而言，可以对来自两个检测器的数据进行组合，并且可以通过将低能量数据和高能量数据分解成衰减的光电数据分量和康普顿数据分量来获得附加的谱分析。

不同的数据集在被输入到在下面描述的经机器学习的网络30中时可以被组合或者被组合使用。例如，可以获取或者合成不同kV水平的数据或者具有不同keV水平的单能量图像并且将其用作为输入。

在实施例中，可以处理从DECT扫描获取的DECT图像数据以生成一个或多个附加的数据集。材料图可以被用于标识数据集中的不同组织或者材料。材料图提供针对不同材料的值或者值的范围。将来自DECT扫描的DECT图像数据对照材料图进行比较以对扫描中的不同材料进行分类。材料图可以标识DECT图像数据中的材料中的每个或者材料的子集。可以将不同的材料图用于不同的扫描、机器、能量水平、和/或设置。使用材料图，每个像素或者体素可以被标记为特定材料，例如，骨骼或者组织。可以使用材料图标识血管和其它边界。可以在材料图中标识界标。

在实施例中，将材料图与分割处理一起使用以对DECT图像数据中的每个像素/体素分派材料类型。可以使用用于进行分割的任何方法。例如，除了其它分割技术之外，分割还可以是基于阈值、基于区、基于形状、基于模型、基于邻接、和/或基于机器学习的。基于阈值的方法通过基于图像衰减值创建二元划分来分割DECT图像数据，所述图像衰减值是通过DECT图像数据中的结构的相对衰减确定的。基于区的分割将CT图像中的一个像素与邻接的像素进行比较，并且如果满足预先限定的区准则（例如，同质性），则那么将像素分派成与其邻接像素中的一个或多个相同的类别。基于形状的技术使用基于图集的方法或者基于模型的方法来找出器官或者内部结构的边界。基于模型的方法使用之前的形状信息，与基于图集的方法相似；然而，为了更好地适应形状变化性，基于模型的方法通过使用优化过程来使器官或者其它身体结构的统计学形状或者模型外观匹配于图像。以邻接解剖结构为指导的方法使用邻接解剖结构的空间环境。在基于机器学习的方法中，可以在从DECT图像数据中提取的特征的基础上预测边界和材料。

在实施例中，生成包括在移除任何骨骼材料的情况下的体积的附加的数据集。可以从分割的数据中标识骨骼材料和/或使用材料图来标识骨骼材料。可以掩蔽（例如，移除）骨骼材料或者使骨骼材料透明。

在实施例中，生成包括血管跟踪的附加的数据集。可以从分割的数据标识血管和/或通过使用材料图来标识血管。血管可以被突出显示或者增强。替换地，可以掩蔽血管或者使血管透明。

在A120处，使用被输入到经机器学习的网络30中的DECT图像数据来预测出血区域，所述经机器学习的网络30被训练为在输入DECT图像数据时标识并且分类一个或多个出血区域。在示例中，来自对患者的DECT扫描的DECT图像数据被输入到经机器学习的网络30中。DECT图像数据可以包括来自DECT扫描的高部分和低部分的数据集和/或任何经处理的数据（例如，包括骨骼材料被移除或者包括血管跟踪的DECT图像数据）。经机器学习的网络30输出标识描绘出血的患者的一个或多个区（及其范围）的图。

经机器学习的网络30被训练为使用包括已经被标识的外伤性出血区域的训练数据来标识出血区或者出血区域。可以可以通过使用患者的多个DECT扫描（例如，样本）并且将特定的区分类为出血区域（即，基础事实）来随时间的经过获取训练数据。可以手动地或者自动地完成分类。训练处理包括将训练数据输入到机器网络中、接收输出、评价输出（例如，对照已经被标识的出血区域）、以及基于所述评价调整机器网络。训练处理可能牵涉数百或者数千次迭代。当机器网络能够标识先前被标识的出血区域时，训练处理结束。经机器学习的网络可以被利用新的训练数据更新或者可以被手动地调整以提供更精确的评估。

在实施例中，训练可以集中在DECT图像数据的小区块上从而并不强制空间关系。经机器学习的网络30由此可以被训练为标识身体的任何区中的出血。一种方法是将输入DECT图像数据切分成片段或者区块。然后将每个片段或者区块输入到经机器学习的网络30中，经机器学习的网络30输出包括出血的估计区域。区块或者片段可以连同分类一起被重新构建为全部的身体体积或者图像。因此机器网络的训练可以忽略任何空间关系并且可以集中在检测出血上而不管区是怎样的。区块或者片段可以被限制为仅包括感兴趣的区或者可以表示通过DECT扫描获取的整个体积。

在实施例中，可以通过图像处理器25从输入数据掩蔽掉预先分割的骨骼和血管区以用于训练和/或用于应用。材料图可以被用于掩蔽掉骨骼或者血管区。在动作A110中，可以使用其它技术来如在上面描述那样预先处理数据。被掩蔽掉的区可以包括患者的全身或者仅包括感兴趣的区。

经机器学习的网络30被限定为多个相继的特征单元或者层。使用“相继”来指示来自一个层的输出特征值输入到下一个层的一般流向。来自下一个层的信息被馈送到再下一个层，并且以此类推直到最终输出。可以使用跳跃连接，诸如一个层输出到相继的下一个层以及其它层。各层可以仅前向地馈送或者可以是双向的，包括对先前的层的一些反馈。每一层或者每个单元的节点可以与先前的和/或随后的层或者单元的所有节点相连接或者仅与先前的和/或随后的层或者单元的节点的子集相连接。

经机器学习的网络30的深架构被配置为基于预先处理或者未预先处理的输入DECT图像数据以不同的抽象水平学习特征，而不是预先编程特征并且试图将特征与属性相关联。对特征进行学习以重新构建更低水平的特征（即，在更抽象的或者压缩的水平下的特征）。例如，学习用于重新构建图像的特征。针对下一个单元，学习用于重新构建先前的单元的特征的特征，提供更多的抽象性。单元的每个节点表示特征。提供不同的单元以用于学习不同的特征。

可以使用各种单元或者层，诸如卷积层、池化层（例如，最大池化层）、反卷积层、全连接层、或者其它类型的层。在单元或者层内提供任何数量的节点。例如，提供100个节点。之后的或者随后的单元可以具有更多、更少、或者相同数量的节点。一般来说，对于卷积而言，随后的单元具有更多的抽象性。例如，第一单元提供来自图像的特征，诸如一个节点或者特征是在图像中找到的线。下一个单元将线进行组合，从而节点中的一个是角。下一个单元可以组合来自先前的单元的特征（例如，线的角和长度），从而节点提供形状指示。为了转置卷积以进行重新构建，反转抽象水平。每个单元或者每个层都降低抽象或压缩的水平。最后一层可以例如按照是否描绘出血区来对每个像素或区进行分类。

在一个实施例中，经机器学习的网络30的布置是用于进行深度学习的神经网络。可以使用其它网络布置，诸如支持向量机、暹罗网络、生成对抗网络、或者其它深架构。暹罗网络包括两个相同的网络，每个网络取得两个输入图像中的一个。然后，两个网络的最后一层于是被馈送到对比损失函数，其被用于计算两个图像之间的相似性。网络通过学习两个输入之间的相似性来学习在两个输入之间进行区分。其它深架构包括卷积神经网络（CNN）或者深度信念网（DBN）。CNN学习前馈映射函数，而DBN学习数据的生成模型。此外，CNN针对所有局部区使用共享权重，而DBN是全连接网络（例如，针对图像的所有区包括不同的权重）。通过后向传播，CNN的训练是完全判别的。另一方面，DBN采用逐层的无监督训练（例如，预先训练），随后是利用后向传播进行判别改良，如果必要的话。在实施例中，经机器学习的网络30的布置是全卷积网络（FCN）。可以使用替换的网络布置，例如，3D非常深卷积网络（3D-VGGNet）。VGGNet堆叠了许多层块，所述层块包含窄卷积层，在其后是最大池化层。可以使用3D深残余网络（3D-ResNet）架构。Resnet使用残余块和跳跃连接以学习残余映射。可以使用其它网络架构，例如，除了其它网络架构之外，还可以使用深度强化学习、生成对抗网络、图像到图像、或者U-Net。替换地，可以使用基于支持向量机、贝叶斯分类器、k均值聚类、决策树或者归纳编程的其它机器学习实现。

经机器学习的网络30的输出是对正在出血的一个或多个区域的分类。可以对各单独的像素或者体素进行分类，或者可以对像素或者体素的组进行分类。像素和体素可以定义概率图，所述概率图使用像素和体素的位置来存储与所预测的出血区域相关的值。这些值可以如将1用于所预测的出血并且将0用于所预测的没有出血一样简单，或者可以是颗粒的并且是基于标度的。除了分类之外，经机器学习的网络30还可以输出置信度得分或者概率值，所述置信度得分或概率值指示在分类中网络包括的置信度的水平。

在A130处，生成出血图的显像。显像可以由图像处理器25生成或者可以是从经机器学习的网络30直接输出的。显像可以表示患者的全身或者仅表示某些区。图像处理器25可以处理显像以包括与扫描、患者、出血、或者其它信息相关的附加数据或者信息。显像可以突出显示（例如，绘图或者着色）或者在视觉上指示被分类为出血的区域。可以利用高亮度水平或者利用不同的颜色来渲染被预测为出血的区域。显像可以排除或者掩蔽掉某些组织或者骨骼结构。血管可以被突出显示。在示例中，所检测到的骨骼和血管可以被移除或者被设置为具有高透明度以突出显示出血区域。

在A140处，由显示器35显示显像。显像可以被实时提供给操作者和/或可以被存储以用于稍后使用。在实施例中，显像可以用于由操作者进行诊断。可以扫描患者，并且将显像呈现给操作者。显像提供对患者和所预测的外伤性出血区域的增强的描绘。可以利用与出血区域或者患者相关的其它数据来对显像进行注解。

在实施例中，显像被用于提供对外伤的严重性和风险的总体评估。严重性协定可以是基于解剖空间关系生成的，并且生成针对外伤性出血概率图的严重性图，所述解剖空间关系通过使用深度强化学习的全身界标检测来实现。可以测量所预测的出血区域的直径、体积、和/或任何其它度量。出血区域的等级可以是通过将大小和严重性测量值进行组合来计算的。可以将来自图像的发现与历史临床报告进行组合来表述基于深度学习的预测模型，以估计患者的总体风险。

图5描绘用于自动评估外伤性出血的方法的一个实施例。由图2、图4、图6的系统、其它系统、工作站、计算机、和/或服务器来执行动作。以所示出的顺序（例如，从上到下）或者其它顺序来执行动作。某些动作可以被排除。例如，可以不通过图像处理器25来处理DECT图像数据（动作A220）。

在动作A210处，使用对患者的DECT扫描来获取DECT图像数据。在DECT中，获得同一切片的两组数据，一组在较低能量下获得，例如在80kV或者100kV下，另一组在诸如140kV的较高能量下获得。可以从两个发射器生成不同能量的X射线。发射器可以与彼此成90度角。X射线也可以来自在两个不同能量之间进行切换的单个源。两个检测器被用于检测X射线。替换地，检测器可以配准特定于来自多能量X射线束的不同能量的数据。来自DECT的数据可以被处理成图像数据，或者可以被提供为原始数据（例如，来自计算机断层扫描的标量值）。例如，如果先前已经执行了扫描并且DECT图像数据被存储以用于稍后使用，则可以从PACS获取DECT图像数据。

在动作A220处，通过图像处理器25来处理DECT图像数据以移除骨骼材料并且跟踪血管边界。DECT图像数据可以是2D或者3D的。DECT图像数据可以是彩色的或者灰度的。DECT图像数据包括针对得自于DECT扫描的像素（2D）或者体素（3D）的值。材料图可以被用于标识所述值在DECT图像数据中所表示的材料。例如，一个值（或者值的范围）可以表示骨骼，而另一个值可以表示特定类型的组织。可以对DECT图像数据进行分割以标识结构（器官、骨骼、血管等）的边界。然后，骨骼材料可以被移除（掩蔽）或者被渲染为透明。可以标识并且增强（或者减弱）血管边界。针对两组数据（高KV/低KV）的DECT图像数据可以被单独处理或者可以被组合并且一起处理。

在动作A230处，使用第一经机器学习的网络30来预测一个或多个出血区域，所述第一经机器学习的网络30被训练为标识并且分类出血区域。经机器学习的网络30输出对包括内部出血的患者的一个或多个区（及其范围）进行预测的概率图。经机器学习的网络30被训练为使用包括已经被标识的外伤性出血区域的训练数据来标识出血区或者出血区域。可以通过使用患者的多个DECT扫描并且将某些区域分类为出血区域来随时间的经过获取训练数据。分类可以被手动地或者自动地完成。训练处理包括将训练数据输入到机器网络中、接收输出、评价输出（例如，对照已经被标识的出血区域）、以及基于评价来调整机器网络。训练处理可能牵涉数百或者数千次迭代。当机器网络能够标识先前标识的出血区域时，训练处理结束。经机器学习的网络可以被利用新的训练数据更新或者可以被手动地调整以提供更精确的评估。

可以使用不同的经机器学习的网络结构和训练方法。例如，除了其它网络架构之外，经机器学习的网络架构还可以包括卷积神经网络、深度信念网络、深残余学习、深度强化学习、循环神经网络、暹罗网络、生成对抗网络、或者自编码器。替换地，可以使用基于支持向量机、贝叶斯分类器、k均值聚类、决策树、或者归纳编程的其它机器学习实现。

在动作A240处，通过评估器40计算针对一个或多个出血区域的大小。第一经机器学习的网络30的输出包括对DECT图像数据中的像素或者体素进行的分类。使用分类来计算大小，例如，出血区的范围。可以从DECT图像数据测量出血区的直径、体积、和/或任何其它度量。

在动作A250处，通过评估器40计算针对一个或多个出血区域的严重性评级。第一经机器学习的网络30的输出包括对出血区域的标识。针对每个出血区域，使用界标检测来标识出血区域的位置。所述位置被输入到标识位置的严重性的模型中。在简单的示例中，在末端处的区域与例如接近内部器官的区域相比可能不太严重。所预测的每个出血区域可以被单独评级或者被作为一组一起评级。此外，严重性评级可以被计算为失血的函数。可以对失血进行量化以预测患者经受低血容量性休克的风险。诸如游离血或者血肿的特征可以被用于对已经发生的失血进行量化，诸如反差性潮红/外渗或者撕裂的特征可以被用于对正在发生的失血进行量化。

在动作A260处，通过评估器40将针对一个或多个出血区域的等级确定为所述一个或多个出血区域的大小和严重性评级的函数。可以使用利用先前的数据建立的模型来确定等级，所述先前的数据例如为先前的具有外伤性出血的患者的临床报告。可以使用机器学习来生成模型。替换地，使用加权函数或者其它函数来确定等级。

在动作A270处，通过评估器40使用被训练为估计总体风险的第二经机器学习的网络来估计针对患者的风险值。患者的历史临床报告可以被用作为用于第二经机器学习的网络的训练数据。包括大小和严重性的针对外伤性出血患者的历史数据可以被输入到机器网络中。机器网络进行学习以在被给定有输入数据的情况下预测结果。可以使用其它输入，例如，患者数据（大小、年龄、性别等）、受伤数据（例如，受伤原因、从受伤起的时间……）、医疗过程数据等。可以使用不同的经机器学习的网络结构和训练方法。例如，除了其它网络架构之外，第二经机器学习的网络架构还可以包括卷积神经网络、深度信念网络、深残余学习、深度强化学习、循环神经网络、暹罗网络、生成对抗网络、或者自编码器。替换地，可以使用基于支持向量机、贝叶斯分类器、k均值聚类、决策树、或者归纳编程的其它机器学习实现。一旦被训练，第二经机器学习的网络就被配置为在被给定有得自于DECT图像数据和A220至A260的动作的实时患者数据的情况下输出预测结果。所预测的结果可以包括对外伤损伤的医学诊断以及操作者可能期待的在患者身上接下来会发生什么。例如，如果不治疗，则一个区域中的出血可能造成器官衰竭。所预测的结果可以向操作者提供针对患者的风险值。所预测的结果可以提供要针对患者执行的一个或多个有用的过程。在动作A280处，可以使用显示器35将风险值和DECT图像数据（或者经处理的DECT图像数据）呈现给操作者。

图6描绘用于自动评估外伤性出血的系统的实施例。系统包括控制单元10、成像系统20（这里被描绘为DECT扫描仪20）、以及服务器28。控制单元10包括图像处理器25、存储器24、显示器35、以及至少一个经机器学习的网络30。可以提供附加的、不同的、或者更少的组件。例如，可以提供网络连接或者界面，以诸如用于与医学成像网络或者数据档案系统联网。在另一个示例中，用户界面被提供为显示器35或者DECT扫描仪20的一部分。在又一些实施例中，不提供服务器28或者DECT扫描仪20。

图像处理器25、存储器24、以及显示器35、经机器学习的网络30是控制单元10的一部分。替换地，图像处理器25、存储器24、以及经机器学习的网络30是诸如与医疗记录数据库工作站或者服务器相关联、与DECT扫描仪20分离的档案和/或图像处理系统的一部分。在其它实施例中，图像处理器25、经机器学习的网络30、以及存储器24是诸如桌上型计算机或者膝上型计算机的个人计算机、工作站、服务器28、网络、或者它们的组合。可以提供图像处理器25、显示器35、经机器学习的网络30、以及存储器24，而没有用于通过扫描患者来获取数据的其它组件。

控制单元10、图像处理器25、存储器24、显示器35、至少一个经机器学习的网络30、以及DECT扫描仪20被提供在同一个位置处。该位置可以是同一个房间、同一栋建筑、或者同一个设施。所述设备相对于彼此是本地的，并且是远离服务器28的。服务器28由于在不同的设施中或者由于在不同的市、乡、州、或者国家中而被通过网络在空间上分隔开。服务器28可以远离于DECT扫描仪20的位置。

DECT扫描仪20是医学诊断成像系统。DECT扫描仪20是DECT系统。DECT扫描仪20可以包括发射器并且包括用于进行扫描或者接收表示患者内部的数据的检测器。DECT扫描仪20被配置为获取图像切片（2D）或者图像体积（3D）。DECT扫描仪20可以随时间的经过获取可以被用于生成视频的多个图像体积。

两个X射线源连接到台架。两个检测器也与X射线源相对地和台架连接。患者被定位在源和检测器之间。源和检测器在患者的相对的侧上，并且绕着患者旋转和/或平移。所检测到的穿过患者的X射线能量被转换、重新构建、或者变换成表示在患者体内的不同空间位置的数据。

存储器24可以是图形处理存储器、视频随机存取存储器、随机存取存储器、系统存储器、高速缓冲存储器、硬盘驱动器、光学介质、磁介质、闪速驱动器、缓冲区、数据库、它们的组合、或者用于存储数据或视频信息的其它现在已知或者以后开发的存储器设备。存储器24是DECT扫描仪20的一部分、与图像处理器25相关联的计算机的一部分、数据库的一部分、另外的系统的一部分、图片档案存储器、或者独立设备。

存储器24存储医学成像数据、图形或者显示设置、和/或图像。存储器24可以针对应用在处理期间存储数据和/或可以存储用于经机器学习的网络30的训练数据。存储器24可以存储与根据从CT DECT扫描仪20获取的数据生成的生物力学模型相关的数据。

替换地或者附加地，存储器24或者其它存储器是非暂态计算机可读存储介质，其存储表示由经编程的图像处理器25可执行的指令的数据，所述指令用于针对外伤性出血的自动检测和量化。在非暂态计算机可读存储介质或者存储器上提供用于实现在此讨论的处理、方法和/或技术的指令，所述非暂态计算机可读存储介质或者存储器诸如为高速缓存、缓冲器、RAM、可移除介质、硬盘驱动器、或者其它计算机可读存储介质。非暂态计算机可读存储介质包括各种类型的易失性和非易失性存储介质。响应于存储在计算机可读存储介质中或者存储在计算机可读存储介质上的一个或多个指令集来执行在各图中图示或者在此描述的功能、动作或者任务。所述功能、动作或者任务独立于特定类型的指令集、存储介质、处理器或者处理策略，并且可以由软件、硬件、集成电路、固件和微代码等（它们是单独地或者以组合方式操作的）执行。同样，处理策略可以包括多处理、多任务处理和并行处理等。

在一个实施例中，指令被存储在可移除介质设备上以用于由本地系统或者远程系统读取。在其它实施例中，指令被存储在远程位置中以用于通过计算机网络或者经由电话线进行传送。在又一些实施例中，指令被存储在给定的计算机、CPU、GPU或者系统之内。

经机器学习的网络30可以被配置在软件或者硬件中。经机器学习的网络30可以是图像处理器25的一部分和/或可以被存储在存储器24中。可以关于存储在存储器24中的和/或由DECT扫描仪20获取的数据来训练经机器学习的网络30。经机器学习的网络30可以被配置为输入由DECT扫描仪20获取的或者被存储在存储器24中的DECT图像数据。经机器学习的网络30可以被配置为使用深度学习来标识出血区域并且输出出血概率图或者分类。深度学习机制包括训练数据、基于学习的评价算法、以及预测模型。深度学习机制可以基于如下架构中的一个：卷积神经网络、深度信念网络、深残余学习、深度强化学习、循环神经网络、暹罗网络、生成对抗网络、或者自编码器。替换地，可以使用基于支持向量机、贝叶斯分类器、k均值聚类、决策树、或者归纳编程的其它机器学习实现。

可以训练并且存储附加的经机器学习的网络。附加的经机器学习的网络可以是图像处理器25的一部分和/或可以被存储在存储器24中。附加的经机器学习的网络可以被配置为对风险评估或者出血区域的严重性进行建模。可以使用历史临床报告和先前执行的图像扫描来训练附加的经机器学习的网络。

图像处理器25是一般处理器、中央处理单元、控制处理器、图形处理单元、数字信号处理器、三维渲染处理器、图像处理器、专用集成电路、现场可编程门阵列、数字电路、模拟电路、它们的组合、或者用于处理和评估图像数据的其它现在已知或者以后开发的设备。图像处理器25是串行、并行、或者分离地进行操作的单个设备或者多个设备。图像处理器25可以是计算机—诸如膝上型计算机或者桌上型计算机—的主处理器，或者可以是用于在较大的系统中—诸如在DECT扫描仪20或者服务器28中—处置一些任务的处理器。图像处理器25被通过指令、设计、硬件、和/或软件配置以执行在此讨论的动作。

图像处理器25和/或服务器28被配置为执行在上面讨论的动作以用于使用深度学习技术在双能量CT上执行针对外伤性出血的自动检测和量化。图像处理器25被配置为提供可以使用材料图改进的骨骼移除解决方案。图像处理器25被配置为提供可以利用材料图改进的血管跟踪解决方案。图像处理器25可以被配置为量化失血以预测患者经历低血容量性休克的风险。图像处理器25可以被配置为生成出血区域的显像，其中所检测到的骨骼和血管被移除或者被设置为高透明度以突出显示出血区域。图像处理器25可以被配置为测量直径、体积、和/或所预测的出血区域的任何其它度量。图像处理器25可以被配置为基于解剖空间关系来预先建立严重性协定并且生成严重性图，所述解剖空间关系通过使用深度强化学习的全身界标检测来实现。图像处理器25可以被配置为将大小和严重性测量值进行组合来计算对于每个所预测的出血区域的总体等级。图像处理器25可以被配置为将来自图像的发现与历史临床报告进行组合以表述基于深度学习的预测模型，以估计总体风险。

图像处理器25和/或服务器28被配置为将图像提供给显示器35或者存储器24。显示器35是监视器、LCD、投影仪、等离子体显示器、CRT、打印机、或者用于输出视觉信息的其它现在已知或者以后开发的设备。显示器35接收图像、图形、文本、数量、或者来自图像处理器25、存储器24、DECT扫描仪20、和/或服务器28的其它信息。显示器35被配置为将图像体积提供给操作者。

控制单元10还可以包括被配置为接收来自用户的一个或多个选择的用户界面（未示出）。用户界面可以包括输入设备，诸如一个或多个按钮、小键盘、键盘、鼠标、触控笔、轨迹球、摇杆开关、触摸板、语音识别电路、或者用于输入数据的其它设备或者组件。用户界面和显示器35可以被组合为触摸屏，所述触摸屏可以是电容式的或者电阻式的。

服务器28经由网络连接到DECT扫描仪20。网络是局域网、广域网、企业网、另外的网络、或者它们的组合。在一个实施例中，网络至少部分地是互联网。使用TCP/IP通信，网络提供用于在图像处理器25和服务器28之间的通信。可以使用用于通信的任何格式。在其它实施例中，使用专用的或者直接的通信。

服务器28是一个处理器或者一组处理器。可以提供多于一个的服务器28。通过硬件和/或软件对服务器28进行配置。服务器28可以包括一个或多个图像处理器25。所述一个或多个图像处理器25可以串行地或者并行地操作，以处理并且渲染从DECT扫描仪20接收的DECT图像数据。

在一个实施例中，指令被存储在可移除介质设备上以用于由本地系统或者远程系统读取。在其它实施例中，指令被存储在远程位置中以用于通过计算机网络或者经由电话线进行传送。在又一些实施例中，指令被存储在给定的计算机、CPU、GPU或者系统之内。

虽然已经在上面参考各种实施例描述了本发明，但是应当理解的是可以在不脱离本发明的范围的情况下作出许多改变和修改。因此，有将前面的详细描述视为是说明性的而不是限制的意图，并且要理解随后的权利要求—包括所有等同物—有限定本发明的精神和范围的意图。

Claims (20)

1.一种用于预测患者体内的出血区域的方法，所述方法包括：

使用对患者的双能量CT全身扫描来获取双能量图像数据；

使用被训练为对被给定有双能量图像数据的出血区域进行标识以及分类的神经网络来在出血区域图上预测一个或多个出血区域；

生成所述一个或多个出血区域的显像；以及

显示所述显像。

2.如权利要求1所述的方法，其中双能量图像数据至少包括高kV CT图像数据和低kVCT图像数据。

3.如权利要求1所述的方法，进一步包括：

从双能量图像数据合成虚拟单色图像数据；

其中所合成的虚拟单色图像数据被用于检测出血区域。

4.如权利要求1所述的方法，进一步包括：

其中双能量图像数据包括具有不同keV水平的单能量图像数据。

5.如权利要求1所述的方法，进一步包括：

处理双能量图像数据以移除骨骼材料并且跟踪血管。

6.如权利要求5所述的方法，其中处理包括：

使用材料图在双能量图像数据中标识材料类型；

使用材料类型分割双能量图像数据；

使用所分割的双能量图像数据掩蔽骨骼材料；以及

使用所分割的双能量图像数据来跟踪血管。

7.如权利要求1所述的方法，其中神经网络是卷积神经网络。

8.如权利要求7所述的方法，其中使用手动注解的出血患者的全身图像来训练神经网络。

9.如权利要求1所述的方法，进一步包括：

标识双能量图像数据中感兴趣的一个或多个区；

代替双能量图像数据将针对所述感兴趣的一个或多个区的图像数据输入到神经网络中。

10.如权利要求1所述的方法，进一步包括：

量化所述一个或多个出血区域的严重性；其中利用针对所述一个或多个出血区域的量化的指示来生成所述显像。

11.一种用于自动评估外伤性出血的方法，所述方法包括：

使用双能量CT扫描来获取患者的DECT图像数据；

从DECT图像数据中移除骨骼材料；

在DECT图像数据中跟踪血管；

使用被训练为对被给定有DECT图像数据的出血区域进行标识和分类的第一经机器学习的网络来预测一个或多个出血区域；

确定针对所述一个或多个出血区域的严重性评级；

计算针对所述一个或多个出血区域的大小；

针对所述一个或多个出血区域生成作为所述一个或多个出血区域的大小和严重性评级的函数的等级；

使用被训练为表述总体风险的第二经机器学习的网络来估计针对患者的风险值；以及

输出所述风险值。

12.如权利要求11所述的方法，其中确定严重性评级包括：

使用界标检测和历史临床报告来生成严重性图；以及

使用严重性图来对每个所预测的出血区域的严重性进行评级。

13.如权利要求11所述的方法，其中移除骨骼材料包括：

使用材料图标识图像数据中的骨骼材料；

分割图像数据；以及

掩蔽所分割的图像数据中的骨骼材料。

14.如权利要求11所述的方法，其中计算大小包括：

标识针对所述一个或多个出血区域中的每个的体积和直径。

15.如权利要求11所述的方法，其中第一经机器学习的网络包括基于深度学习的分类器。

16.如权利要求11所述的方法，进一步包括：

输出所述一个或多个出血区域的显像和风险值。

17.一种用于自动评估外伤性出血的系统，所述系统包括：

双能量计算机断层扫描扫描仪，被配置为获取患者的高kV CT 图像数据和低kV CT图像数据；

图像处理器，被配置为将高kV CT 图像数据和低kV CT图像数据输入到被训练为预测被给定有图像数据的出血区域的经机器学习的网络中；图像处理器进一步被配置为生成由经机器学习的网络预测的出血区域的显像；以及

显示器，被配置为显示所述显像。

18.如权利要求17所述的系统，其中双能量计算机断层扫描扫描仪被配置为执行对患者的全身扫描。

19.如权利要求17所述的系统，进一步包括：

评估模块，其被配置为使用第二经机器学习的网络来估计针对患者的风险值，所述第二经机器学习的网络被训练为表述给定有一个或多个所预测的出血区域的总体风险。

20.如权利要求19所述的系统，其中评估模块被进一步配置为通过计算针对所述一个或多个所预测的出血区域的大小和严重性评级来估计风险值。

Images