CN113034428A - 用于在头部ct平扫图像中检测急性颅内出血的深度学习系统 - Google Patents

用于在头部ct平扫图像中检测急性颅内出血的深度学习系统 Download PDF

Info

Publication number
CN113034428A
CN113034428A CN202010867753.8A CN202010867753A CN113034428A CN 113034428 A CN113034428 A CN 113034428A CN 202010867753 A CN202010867753 A CN 202010867753A CN 113034428 A CN113034428 A CN 113034428A
Authority
CN
China
Prior art keywords
computer
slices
ich
intracranial hemorrhage
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010867753.8A
Other languages
English (en)
Inventor
黄超
钱正
谭辉
谢于晟
林斯姚
王堃
陈宪中
霍志敏
范伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent America LLC
Original Assignee
Tencent America LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent America LLC filed Critical Tencent America LLC
Publication of CN113034428A publication Critical patent/CN113034428A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Databases & Information Systems (AREA)
  • Neurosurgery (AREA)
  • Pulmonology (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)

Abstract

提供了用于在头部CT平扫图像中检测急性颅内出血的深度学习系统，用于接收与患者关联的断层扫描对应的数据，从已接收的断层扫描数据中提取切片，及为已提取切片中的每个切片确定相邻切片。可将已提取的切片和相邻切片分组为厚片，识别与厚片关联的特征。可确定已识别的特征对应的厚片包括与ICH关联的特征。

Description

用于在头部CT平扫图像中检测急性颅内出血的深度学习系统
技术领域
本公开总体涉及医学领域，具体涉及颅内出血(ICH)的检测。
背景技术
颅内出血(intracranial hemorrhage，ICH)是由颅腔内的出血引起的危急状况。ICH在世界范围内引起约两百万例中风，并且需要即时诊断以便优化患者结果。患者头部的计算机断层(CT)平扫(non-contrast)用于在头部外伤或类似中风症状的情况下的初步成像。
发明内容
各实施例涉及用于检测颅内出血的方法、系统和计算机可读介质。根据一个方面，提供了用于检测颅内出血的方法。该方法可包括计算机接收与患者关联的断层扫描对应的数据，从已接收的断层扫描数据中提取一个或多个切片。为已提取的切片中的每个切片确定一个或多个相邻切片，将所述已提取的切片以及所述一个或多个相邻切片分组为一个或多个厚片。所述计算机可识别与所述一个或多个厚片关联的一个或多个特征；及确定一个或多个已识别的特征对应的厚片包括与ICH关联的特征。
根据另一个方面，提供了用于检测颅内出血的计算机系统。计算机系统可包括一个或多个处理器、一个或多个计算机可读存储器、一个或多个有形的计算机可读存储设备，以及存储在一个或多个存储设备中的至少一个存储设备中的程序指令，该程序指令用于由一个或多个处理器中的至少一个处理器利用一个或多个存储器中的至少一个存储器执行，由此该计算机系统能够执行一个方法。该方法可包括计算机接收与患者关联的断层扫描对应的数据，从已接收的断层扫描数据中提取一个或多个切片。为已提取的切片中的每个切片确定一个或多个相邻切片，将所述已提取的切片以及所述一个或多个相邻切片分组为一个或多个厚片。所述计算机可识别与所述一个或多个厚片关联的一个或多个特征；及确定一个或多个已识别的特征对应的厚片包括与ICH关联的特征。
根据又一个方面，提供了用于检测颅内出血的计算机可读介质。该计算机可读介质可包括一个或多个计算机可读存储设备以及存储在一个或多个有形存储设备中的至少一个有形存储设备中的程序指令。该程序指令可由处理器执行以用于执行一个方法。相应地，该方法可包括计算机接收与患者关联的断层扫描对应的数据，从已接收的断层扫描数据中提取一个或多个切片。为已提取的切片中的每个切片确定一个或多个相邻切片，将所述已提取的切片以及所述一个或多个相邻切片分组为一个或多个厚片。所述计算机可识别与所述一个或多个厚片关联的一个或多个特征；及确定一个或多个已识别的特征对应的厚片包括与ICH关联的特征。
各实施例的技术方案将多个2D头部CT切片组成一个厚片，检测厚片是否包括ICH特征，因此考虑了相邻CT切片之间的相关性，因此检测更准确，能产生更好的临床结果。同时，相比3D图像处理，厚片的处理可视为准3D处理，计算量显著减少。
附图说明
这些以及其它目的、特征和优点将在以下示意性实施例并结合附图的详细描述中更加明显。由于附图是用于结合详细描述来方便本领域技术人员清楚地理解本公开，因此附图的各种特征并非按比例绘制。在附图中：
图1示出至少一个实施例的联网计算机环境；
图2是至少一个实施例的检测颅内出血的程序的框图；
图3是至少一个实施例的如图2所示的特征变换滤波器的功能框图；
图4是至少一个实施例的由检测颅内出血的程序执行的步骤的操作流程图；
图5是至少一个实施例的图1中所示的计算机和服务器的内部组件和外部组件的框图；
图6是至少一个实施例的包括图1所示的计算机系统的云计算环境的示意性框图；及
图7是至少一个实施例的图6的示意性云计算环境的功能层的框图。
具体实施方式
本文公开了所要求保护的结构和方法的详细实施例；但是，可以理解，所公开的实施例仅仅是所要求保护的结构和方法的示例，这些结构和方法可以以各种形式实施。然而，本公开的各方面可以以许多不同的形式来实施，并不应被解释为限于本文阐述的示例性实施例。更确切地说，提供这些示例性实施例是为了使本公开更加全面和完整，并向本领域技术人员充分传达本公开的范围。在描述中，公知特征和技术的细节可能被省略，以避免不必要地模糊所呈现的实施例。
各实施例总体上涉及医学领域，具体涉及颅内出血的检测。以下描述的示例性实施例提供了一种系统、方法和程序产品，至少用于预测相邻的二维(2D)计算机断层(CT)切片是否包含与颅内出血(ICH)关联的模式。一些实施例使得在诊断ICH时使用深度神经网络扩充传统医学临床数据成为可能，因而具有医学上的改进能力。因此，本文公开的计算机实现的方法、计算机系统和计算机可读介质至少适用于确定相邻的2D CT切片之间的相关性，避免三维(3D)深度卷积神经网络(deep convolutional neural network，DCNN)所需的密集计算，并且减轻数据不平衡和标签误差的影响。
如前所述，ICH是由颅腔内的出血引起的危急状况。ICH在世界范围内引起约两百万例中风，需要快速诊断以便改善患者预后。患者头部的CT平扫用于在头部外伤或类似中风症状的情况下进行初步成像。然而，CT扫描本质上是3D图像。因此，神经网络可能需要大量的计算能力来处理和分析3D CT扫描图像。通过使最初的患者鉴别分类过程自动化来简化头部CT扫描解读的工作流程，可能能够显著减少诊断时间并加速治疗。这继而可降低中风和头部损伤导致的发病率和死亡率。自动头部CT扫描鉴别分类系统可被用于对具有假定ICH的成像结果进行解读的优先级进行自动管理，并且帮助优化放射科的工作流程。
2D DCNN可被用于检测CT图像中的ICH。然而，由于CT图像本质上是3D的，所以2DDCNN可能无法考虑2D CT切片之间的相关性。因此，基于2D DCNN的头部CT鉴别分类系统的性能在临床实践中没能产生令人满意的结果。为了避免2D DCNN在检测3D CT图像中的ICH时的局限性，可将3D DCNN用于头部CT鉴别分类系统。然而，尽管3D DCNN适于分析3D CT图像，但是3D DCNN的运行是计算密集的。例如，由于图形处理单元(GPU)存储空间有限，训练3D DCNN时，批尺寸可能，例如，仅能设置为一。此外，相比2D DCNN，3D DCNN可能使用数目小得多的训练数据点。因此，3D DCNN在临床环境中的应用有限。
因此，为了避免2D DCNN和3D DCNN的限制，利用半3D DCNN更好，该半3D DCNN可采用多个2D头部CT切片作为输入，并且可输出对CT图像的ICH检测，使得该计算可与处理2D图像相当。可考虑相邻CT切片之间的相关性。因此，使用计算机算法的头部成像的自动鉴别分类可能更早地检测出ICH，最终导致更好的临床结果。通过使用深度学习系统来基于平扫头部计算机断层(CT)图像自动检测急性ICH，半3D深度卷积神经网络(DCNN)可被用于分析CT图像，从而避免3D DCNN的局限性，例如计算强度、数据可用性和“维数灾难”。此外，可修改半3D DCNN的损失函数以解决数据不平衡和标签误差的问题，以便避免3D DCNN在计算上的局限性并实现ICH检测中的放射学专家级的性能。
本文结合一些实施例的方法、装置(系统)和计算机可读介质的流程图的图示和/或框图描述了本公开的各个方面。应当理解，流程图图示和/或框图的每个框，以及流程图图示和/或框图中的框的组合可由计算机可读程序指令实现。
以下描述的示例性实施例提供了检测和诊断患者的颅内出血的系统、方法和程序产品。根据本实施例，该检测可通过使用深度学习来分析CT图像数据以检测与颅内出血相关联的模式来实现。基于这些模式的检测，可诊断和治疗颅内出血。
现参考图1，图1示出了联网计算机环境的功能框图，其中示出了颅内出血检测系统100(以下被称为“系统”)，用于对颅内出血进行改进后的检测。应当理解，图1仅提供一种实现方式的说明，并不意味着对不同实施例的各环境进行任何限制。可基于设计和实现需求对所描绘的环境进行各种修改。
系统100可包括计算机102和服务器计算机114。计算机102可经由通信网络110(以下称为“网络”)与服务器计算机114通信。计算机102可包括处理器104以及软件程序108。软件程序108存储在数据存储设备106中，能够与用户联系以及与服务器计算机114通信。如下面参考图5所述，计算机102可分别包括内部组件800A和外部组件900A，且服务器计算机114可分别包括内部组件800B和外部组件900B。计算机102可以是，例如，移动设备、电话、个人数字助理、上网本、笔记本电脑、平板电脑、台式计算机或者能够运行程序、访问网络和访问数据库的任何类型的计算设备。
服务器计算机114还可运行在云计算服务模型中，例如软件即服务(SaaS)、平台即服务(PaaS)或基础架构即服务(IaaS)，如下面在图6和图7所描述的。服务器计算机114还可位于云计算部署模型中，例如私有云、社区云、公有云或混合云。
服务器计算机114用于对颅内出血进行检测、诊断和通知用户该颅内出血时，可运行能与数据库112交互的颅内出血检测程序116(以下称为“程序”)。下面将参照图4对颅内出血检测程序方法进行更详细地解释。在一个实施例中，计算机102可作为包括用户接口的输入设备运行，而程序116可主要在服务器计算机114上运行。在其它实施例中，程序116可主要在一个或多个计算机102上运行，而服务器计算机114可用于处理和存储程序116所使用的数据。应注意，程序116可以是独立的程序，或者可被集成到更大的颅内出血检测程序中。
然而，应当注意，在一些实例中，程序116的处理可以以任何比例分由计算机102和服务器计算机114共同完成。在另一个实施例中，程序116可运行在一个以上计算机、服务器计算机或者计算机和服务器计算机的某些组合中，例如，通过网络110与单个服务器计算机114通信的多个计算机102。在另一个实施例中，例如，程序116可运行在多个服务器计算机114中，该多个服务器计算机114通过网络110与多个客户端计算机通信。可替代地，该程序16可在网络服务器上运行，该网络服务器通过网络与服务器和多个客户端计算机通信。
网络110可包括有线连接、无线连接、光纤连接或其某种组合。通常，网络110可以是支持计算机102和服务器计算机114之间的通信连接和协议的任何组合。网络110可包括各种类型的网络，包括，例如，局域网(LAN)、广域网(WAN)(如Internet)、电信网络(如公共交换电话网络(PSTN))、无线网络、公共交换网络、卫星网络、蜂窝网络(例如，第五代(5G)网络、长期演进(LTE)网络、第三代(3G)网络、码分多址(CDMA)网络等)、公共陆地移动网络(PLMN)、城域网(MAN)、专用网络、自组织网络、内联网、基于光纤的网络等，和/或这些网络或其它类型网络的组合。
图1所示的设备和网络的数目和布置是作为示例提供的。实际上，可存在其它的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络、或者与图1所示的设备和/或网络部署方式不同的设备和/或网络。此外，图1所示的两个或更多个设备可在单个设备中实现，或者图1所示的单个设备可被实现为多个分布式的设备。此外或可替代地，系统100的一组设备(例如，一个或多个设备)可执行被描述为由系统100的另一组设备执行的一个或多个功能。
参考图2，图2为颅内出血检测程序116的框图。可借助于图1的示例性实施例来描述图2。根据一个或多个实施例，颅内出血检测程序116可位于计算机102(图1)或服务器计算机114(图1)中。因此，颅内出血检测程序116可相应地，至少包括预处理模块202和深度神经网络204。预处理模块202可包括数字信号处理(DSP)模块208并用于获取数据206。根据一个实施例，可从计算机102上的数据存储设备106(图1)获取该数据206。在其它实施例中，可从服务器计算机114上的数据库112(图1)获取该数据206。数据206可至少包括从患者处采集的CT图像。其中，CT图像可至少具有不同的大小和窗口设置。因此，预处理模块202可裁剪CT图像，使得仅对患者头部的图像部分进行分析。预处理模块202可调整裁剪后的CT图像的大小。例如，可将CT图像的大小调整为256×256像素的大小。图像的像素值可被转换为Hounsfield单位并且可经过滤波成为特定值，例如，作为示例，在0和130之间。当选择窗口设置时，也可考虑图像内存在的钙化。
DSP模块208可从CT数据中提取一个或多个2D CT图像切片。在预处理之后，可通过DSP模块将相邻CT切片分组为一个或多个厚片，其中每个切片被用作DCNN的一个输入通道。可理解的是，厚片可包括任意数目个相邻CT切片。例如，在四个切片组成一个厚片的情况下，如果第二切片和/或第三切片中出现与ICH关联的模式，则可认为该厚片对于ICH呈阳性。由于头部CT图像的数据不平衡，例如事实上，具有ICH特征的图像可比正常CT图像出现的频率更低、且某些类型的ICH(例如硬膜外出血)可比其它类型的ICH(例如大脑内出血)出现的频率更低的)，可使用过采样、样本权重和聚焦损失函数来减轻数据不平衡产生的影响。由于头部CT切片可手动进行标记，所以DSP模块208可采用标签平滑和平滑截断损失函数来解决可能的标签误差。由于CT图像可以是不平衡的，因此DSP模块208可使用聚焦损失函数来减轻数据不平衡的影响，使得在损失函数中为少数数据点分配较大权重。此外，DSP模块208可利用标签平滑和平滑截断损失函数来减轻标签误差的影响。DSP模块208还可对数据206进行数据清洗和过滤，以便由深度神经网络204进行更好的处理。
深度神经网络204可至少包括输入矩阵210、一个或多个隐藏层212、214和218、特征变换层216、池化层220、及一个或多个连接层222和224。可理解的是，图2仅描绘了深度神经网络204的一种实现方式，而深度神经网络204不限于这些确切的层和层的顺序。深度神经网络204可包含任何顺序的任何数目个层，包括添加或省略所描绘的层中的任一个。
输入矩阵210可以是，例如，维度为n×k的二维矩阵，其中n可以是用于分析的CT切片的数目，k-1可以是CT切片中的每个CT切片的相邻CT切片的数目。例如，如果使用64个CT切片中的每个CT切片的三个相邻CT切片来分析64个CT切片，则输入矩阵210的大小为64×4。然而，可理解的是，n和k可以是可基于可用计算能力选择的任何值，使得对于较大的k值，可以为每个CT切片保留更多的邻域信息。
特征变换层216可被用于提取一个或多个特征。下面结合图3进一步详细描述特征变换层216。虽然仅描绘了一个特征变换层216，但可理解的是，深度神经网络204可包含更多的特征变换层216，这些特征变换层216可被串行或并行地应用于数据206。一个或多个隐藏层212、214和218可用于进一步将数据处理为可由深度神经网络204使用的形式。池化层220可用于聚集一个或多个特征，并对分析后的数据进行向下采样以便识别一个或多个特征。池化层220可应用最大池化策略、平均池化策略或其它池化方法。第一完全连接层222可用于，例如，对聚集的特征进行分类并将这些特征与一个或多个模式进行比较。可通过深度学习来产生模式，使得模式的创建过程不需要人类干预。第二完全连接层224可用于通过分析第一完全连接层222的输出来对数据206是否包含与颅内出血关联的模式进行分类。第二完全连接层224可以，例如，对数据应用指示符功能，比如，如果数据包含与颅内出血关联的模式，则输出“1”，而如果数据不包含与颅内出血关联的模式，则输出“0”。深度神经网络204可对CT数据内存在ICH模式做出判定，并且可将该判定传输给用户，使得用户可至少进行任何相关的诊断。
现参考图3，图3描绘了一个或多个实施例的特征变换层216的示例性功能框图。特征变换层216可包括矩阵302和卷积滤波器304。作为示例而非限制，卷积滤波器304被描绘为具有四个元素306A-306D的2×2矩阵。然而，可理解的是，实质上卷积滤波器304可以具有任何数目个元件和任意大小。矩阵302可以是，例如，维度为n×k的二维矩阵，其中n表示用于分析的CT切片的数目，且k-1表示相邻切片的数目。因此，切片308A、310A和312A到nA可被存储在矩阵302的第1列内。此外，分别与切片308A、310A、312A和nA中的每个切片关联的相邻切片308B-k、310B-k、312B-k和nB-k可被存储在矩阵302的第2列到第k列中。例如，在切片308A、310A和312A对应于相邻切片的情况下，可理解的是，切片308A、310B和312C可相同、基本上相同或相似。卷积滤波器304可应用于矩阵302中的任一个或全部的与卷积滤波器304的大小相同、基本上相同或相似的分量子矩阵(component submatrix)，例如，子矩阵A，其包含切片308B、308C、310B和310C。计算矩阵302的上述分量子矩阵中的每个分量子矩阵与卷积滤波器304的向量的标量积(即，点积)的结果，从而生成矩阵302′。例如，308B′可以是子矩阵A和卷积滤波器304的点积。
现参考图4，描绘是由检测颅内出血的程序执行的步骤的操作流程图400。可借助图1、图2和图3描述图4。如前所述，颅内出血检测程序116(图1)可快速且有效地检测颅内出血。
在402，计算机接收对应于与患者关联的断层扫描的数据。断层扫描可至少包括计算机断层(CT)扫描、磁共振成像(MRI)扫描、功能磁共振成像(fMRI)扫描或正电子发射断层(PET)扫描。断层扫描数据可包括对应于患者的头部的图像。在操作中，颅内出血检测程序116(图1)可部署在计算机102(图1)或服务器计算机114(图1)中。颅内出血检测程序116可经由通信网络110(图1)接收数据206(图2)或者可从数据库112(图1)提取数据206。
在404，计算机从已接收的断层扫描数据中提取一个或多个切片。例如，接收的断层扫描数据可以是由一个或多个2D图像切片组成的3D断层图像的形式。因此，从3D图像提取一个或多个2D图像切片可通过支持在相邻切片之间进行比较来支持对CT数据进行定性分析。n个CT切片可被存储在n×k二维矩阵的一列中。在操作中，DSP模块208(图2)可从数据206(图2)中识别出一个或多个2D CT图像切片。DSP模块208可以，例如，将数据206存储在输入矩阵210(图2)的第一列中。
在406，计算机确定提取的切片中的每个切片的一个或多个相邻切片。其中，相邻CT切片可以至少为待分析的CT切片中的每个CT切片提供数据，并且可以，例如，支持检测非直观模式以帮助诊断和治疗ICH。相邻CT切片可被存储在矩阵的第二列和后续列中。例如，对于n个CT切片中的每个CT切片，可存在k-1个相邻CT切片，这些相邻CT切片可被存储在二维矩阵的第2列至第k列中。在操作中，DSP模块208(图2)可针对存在于数据206(图2)内的CT切片中的每个CT切片识别出其相邻CT切片的数目。DSP模块208可将该信息存储在输入矩阵210(图2)的第二列和后续列中。
在408，计算机将提取出的切片和一个或多个相邻切片分组为一个或多个厚片。因为可将一个或多个卷积滤波器应用于数据，所以通过聚集特征对数据进行下采样可能有一些好处，例如，可以使数据处理更易于管理并节省计算资源。在操作中，特征变换层216(图2)可将卷积滤波器304(图3)应用于矩阵302(图3)。卷积滤波器304可以是，例如，大小为2×2的数组，并应用于矩阵302，用于计算与矩阵302的2×2分量数组中的每个分量数组的点积。因此，将卷积滤波器304应用于矩阵302，可产生大小为(k-1)×(n-1)的矩阵302′(图3)。可理解的是，一个或多个卷积滤波器304可被同时应用于矩阵302，从而产生一个或多个矩阵302′。这些矩阵302′可通过，例如，隐藏层218(图2)，相互附加，以创建高阶多维数组。池化层220(图2)可对矩阵302′应用一个或多个池化策略，例如最大池化或平均池化。例如，池化层220可将最大池化应用于矩阵302′，使得矩阵302′的每个非重叠2×2分量子矩阵中的最大值可被放入尺寸近似(n-1)/2×(k-1)/2的矩阵中的单元(cell)中。
在410，计算机识别与一个或多个厚片关联的一个或多个特征。在特征聚集之后，系统可从这些特征当中识别出一个或多个模式，例如与ICH关联的模式。在操作中，深度神经网络204(图2)的第一完全连接层222(图2)可分析由池化层220(图2)输出的下采样矩阵，以确定数据206(图2)内是否存在与ICH一致的任何模式。如果检测到任何这种模式，则系统可基于此些模式的存在而相应地对这些模式进行分类。
在412，计算机确定与一个或多个识别出的特征对应的厚片包括与ICH关联的特征。在确定数据内存在一个或多个模式之后，计算机至少可以确定这些模式中的一个或多个模式是否对应于ICH。通过学习，基于数据中的模式，可在没有人为干预以及模型开发时不存在偏差的情况下进行这种状况的识别，即数据是否包含ICH。在操作中，深度神经网络204(图2)的第二完全连接层224(图2)可对第一完全连接层222(图2)的输出应用一个滤波器，以确定数据206中是否存在与ICH对应的模式。例如，如果确定数据206内可能存在ICH模式，则第二完全连接层224可输出“1”。例如，如果确定数据206内可能不存在ICH模式，则第二完全连接层224可额外输出“0”。
可理解的是，图4仅提供一种实现方式的说明，并不意味着对不同实施例中的实现方式进行任何限制。可基于设计和实现需求对所描绘的环境进行各种修改。
各实施例还提供一种用于检测颅内出血(ICH)的计算机系统。该计算机系统可以包括：
接收模块，用于接收与患者关联的断层扫描对应的数据；
提取模块，用于从已接收的断层扫描数据中提取一个或多个切片；
确定模块，用于为已提取的切片中的每个切片确定一个或多个相邻切片；
分组模块，用于将所述已提取的切片以及所述一个或多个相邻切片分组为一个或多个厚片；
识别模块，用于识别与所述一个或多个厚片关联的一个或多个特征；及
确定模块，用于确定一个或多个已识别的特征对应的厚片包括与ICH关联的特征。
图5是示意性实施例的图1中所描绘的计算机的内部组件和外部组件的框图500。应当理解，图5仅提供一种实现方式的说明，并不意味着对不同实施例的环境的实现方式进行任何限制。可基于设计和实现需求对所描绘的环境进行各种修改。
计算机102(图1)和服务器计算机114(图1)可包括图5所示的内部组件集合800A、800B和相应的外部组件集合900A、900B。每个内部组件集合800包括一个或多个总线826上的一个或多个处理器820、一个或多个计算机可读RAM 822以及一个或多个计算机可读ROM824，以及一个或多个操作系统828和一个或多个计算机可读有形存储设备830。
处理器820以软件、固件或硬件和软件的组合来实现。处理器820是中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、或者另一种类型的处理组件。在一些实现方式中，处理器820包括能够被编程用于执行某种功能的一个或多个处理器。总线826包括支持在内部组件800A、800B之间进行通信的组件。
服务器计算机114(图1)中的一个或多个操作系统828、软件程序108(图1)和颅内出血检测程序116(图1)存储在相应的计算机可读有形存储设备830中的一个或多个存储设备中，用于由相应的处理器820中的一个或多个处理器利用相应的RAM 822(其通常包括高速缓冲存储器)中的一个或多个RAM执行。在图5所示的实施例中，计算机可读有形存储设备830中的每个存储设备是内部硬盘驱动器的磁盘存储设备。可替代地，计算机可读有形存储设备830中的每个存储设备是半导体存储设备，诸如ROM 824、EPROM、闪存、光盘、磁光盘、固态盘、压缩盘(CD)、数字多功能盘(DVD)、软盘、盒式磁盘、磁带和/或可存储计算机程序和数字信息的另一种类型的非暂时性计算机可读有形存储设备。
每个内部组件集合800A、800B还包括R/W驱动器或接口832，以从一个或多个便携式计算机可读有形存储设备936(例如CD-ROM、DVD、记忆棒、磁带、磁盘、光盘或半导体存储设备)读取或向其写入。软件程序(诸如软件程序108(图1)和颅内出血检测程序116(图1))可存储在相应的便携式计算机可读有形存储设备936中的一个或多个存储设备中、利用相应的R/W驱动或接口832被读取并且被装载到相应的硬盘驱动器830中。
每个内部组件集合800A、800B还包括网络适配器或接口836(诸如TCP/IP适配卡)、无线Wi-Fi接口卡、或者3G、4G或5G无线接口卡或其它有线或无线通信链路。可从外部计算机经由网络(例如，因特网、局域网或其它广域网)和相应的网络适配器或接口836将服务器计算机114(图1)上的软件程序108(图1)和颅内出血检测程序116(图1)下载到计算机102(图1)和服务器计算机114。从网络适配器或接口836，服务器计算机114上的软件程序108和颅内出血检测程序116被加载到相应的硬盘驱动器830中。网络可包括铜线、光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。
各个外部组件集合900A、900B中的每个集合可包括计算机显示器920、键盘930和计算机鼠标934。外部组件集合900A、900B还可包括触摸屏、虚拟键盘、触摸板、指向设备和其它人机接口设备。各内部组件集合800A、800B中的每个集合还包括设备驱动器840，以与计算机显示监视器920、键盘930和计算机鼠标934相连。设备驱动器840、R/W驱动器或接口832以及网络适配器或接口836包括硬件和软件(存储在存储设备830和/或ROM 824中)。
应预先理解，尽管本公开包括对云计算的详细描述，但本文所提及的技术的实现不限于云计算环境。相反，一些实施例能够结合现在已知的或以后开发的任何其它类型的计算环境来实现。
云计算是用于实现对可配置计算资源(例如，网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机和服务)的共享池的方便的按需网络访问的服务递送模型，该可配置计算资源可用最少的管理工作或与服务提供者的交互来快速地供应和释放。该云模型可包括至少五个特性、至少三个服务模型和至少四个部署模型。
特点如下：
按需自助服务：云消费者可根据需要自动地单方面安排诸如服务器时间和网络存储等计算能力，而无需与服务的提供者进行人工交互。
广泛的网络接入：能力在网络上可用并且通过标准机制获取，该标准机制促进了在异构的精简客户端平台或厚客户端平台(例如，移动电话、笔记本电脑和PDA)中的使用。
资源池化：提供者的计算资源被归入资源池以通过多租户模型服务多个消费者，其中按需将不同的物理资源和虚拟资源动态地分配和重分配。一般情况下，消费者不能控制或并不知晓所提供的资源的确切位置，但能够在较高抽象级别(例如，国家、州或数据中心)上指定位置，因此具有位置无关性。
快速弹性：可快速且弹性地安排各种能力，在一些情况下，可以快速水平扩展以及快速垂直扩展。对于消费者来说，可用于供应的能力通常看起来是无限的，并且可在任何时间购买任何数量。
可度量的服务：云系统通过充分利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的可计量的能力，自动地控制和优化资源的使用。可对资源的使用进行监视、控制和报告，从而为已利用的服务的提供者和消费者双方提供透明度。
服务模型如下：
软件即服务(SaaS)：提供给消费者的能力是能够使用提供者在云基础架构上运行的应用。这些应用可由各种客户端设备通过精简客户端接口，例如web浏览器(如基于web的电子邮件)进行访问。可能除了有限的用户专用的应用配置设置外，消费者既不管理也不控制底层云基础架构，包括网络、服务器、操作系统、存储、或甚至单个应用的能力。
平台即服务(PaaS)：提供给消费者的能力是能够将消费者创建的或获取的应用部署到云基础设施上，这些应用是使用提供者支持的编程语言和工具创建的。消费者既不管理也不控制底层云基础架构，包括网络、服务器、操作系统或存储，但对已部署应用具有控制权，并且对应用托管环境配置可能也具有控制权。
基础架构即服务(IaaS)：提供给消费者的能力是供应处理、存储、网络和其它基础计算资源，消费者能够在其中部署并运行包括操作系统和应用的任意软件。消费者既不管理也不控制底层云基础架构，但是对操作系统、存储、已部署应用具有控制权，并且对选择网络组件(例如，主机防火墙)可能具有有限的控制权。
部署模型如下：
私有云：云基础架构单独为某个组织运行。它可由该组织或第三方管理，并且可基于自有部署或外部部署。
社区云：云基础架构被若干组织共享并且支持有共同关注点(例如，任务使命、安全要求、政策和合规考虑)的特定社区。它可由该组织或第三方管理，并且可基于自有部署或外部部署。
公有云：云基础架构可供公众或大型产业群体使用并由出售云服务的组织所拥有。
混合云：云基础设施是两个或更多个云(私有、社区或公共)的组合，该两个或更多个云仍为独立实体，但是通过标准化技术或专有技术被绑定在一起，该标准化技术或专有技术实现数据和应用可移植性(例如，用于云之间的负载平衡的云爆发)。
云计算环境是面向服务的，其焦点在于无状态、低耦合、模块化和语义互操作性。云计算的核心是其基础架构包括互连节点构成的网络。
参考图6，描绘了示意性云计算环境600。如图所示，云计算环境600包括一个或多个云计算节点10，通过这些云计算节点10，云消费者使用的本地计算设备，例如个人数字助理(PDA)或蜂窝电话54A、台式计算机54B、膝上型计算机54C和/或汽车计算机系统54N，可实现相互通信。云计算节点10可相互通信。这些云计算节点10可被物理地或虚拟地分组(未示出)到一个或多个网络中，例如如上所述的私有云、社区云、公共云或混合云或其组合。这样，云计算环境600可以提供基础架构即服务、平台即服务和/或软件即服务，云消费者不需要为该服务维护本地计算设备上的资源。可理解，图6所示的计算设备54A至54N的类型仅出于说明的目的，且云计算节点10和云计算环境600可在任何类型的网络和/或网络可寻址连接(例如，使用web浏览器)中与任何类型的计算机化设备通信。
参考图7，示出了由云计算环境600(图6)提供的一组功能抽象层700。应预先理解，图7所示的组件、层和功能仅出于说明的目的，并且本公开的实施例不限于此。如图所示，提供了以下层和相应功能：
硬件和软件层60包括硬件组件和软件组件。硬件组件的示例包括：大型机61、基于RISC(Reduced Instruction Set Computer、精简指令集计算机)体系结构的服务器62、服务器63、刀片服务器64、存储设备65、以及网络和联网组件66。在一些实施例中，软件组件包括网络应用服务器软件67和数据库软件68。
虚拟化层70提供抽象层，从该抽象层可提供以下虚拟实体的示例：虚拟服务器71、虚拟存储72、虚拟网络73(包括虚拟专用网络)、虚拟应用和操作系统74、以及虚拟客户机75。
在一个示例中，管理层80可提供在下面描述的功能。资源供应81提供计算资源和用于在云计算环境中执行任务的其它资源的动态获取。计量和定价82在云计算环境内对资源的使用进行费用跟踪，并且为这些资源的消耗提供帐单和发票。在一个示例中，这些资源可包括应用软件许可证。安全性为云消费者和任务提供身份验证，并保护数据和其它资源。用户门户83为消费者和系统管理员提供对云计算环境的访问。服务水平管理84提供云计算资源分配和管理，使得满足所需的服务水平。服务水平协议(Service Level Agreement，SLA)规划和履行85提供对云计算资源的预安排和采购，其中根据SLA预测未来需求。
工作负载层90提供可利用云计算环境的功能的示例。可从该层提供的工作负载和功能的示例包括：地图绘制及导航91、软件开发及生命周期管理92、虚拟教室教学提供93、数据分析处理94、交易处理95、以及颅内出血检测96。颅内出血检测96可对与患者的颅内出血关联的模式进行检测和分类。
一些实施例可涉及在任何可能的集成技术的技术细节水平上的系统、方法和/或计算机可读介质。计算机可读介质可包括非暂时性计算机可读存储介质，其中存储有用于使处理器执行操作的计算机可读程序指令。
计算机可读存储介质可以是有形设备，有形设备可保存和存储用于由指令执行设备使用的指令。计算机可读存储介质可以是，例如但不限于，电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何合适设备的组合。计算机可读存储介质的更具体的非穷举的示例列表包括以下项：便携式计算机磁盘、硬盘驱动器、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码装置(诸如穿孔卡片或凹槽中的其上记录有指令的凸起结构)，以及前述的任何合适的组合。本文使用的计算机可读存储介质不应被解释为是瞬时信号本身，诸如无线电波或其它自由传播的电磁波、通过波导或其它传输介质传播的电磁波(例如，通过光缆的光脉冲)，或通过导线传输的电信号。
本文描述的计算机可读程序指令可从计算机可读存储介质被下载到相应的计算/处理设备，或者经由网络(例如，因特网、局域网、广域网和/或无线网络)被下载到外部计算机或外部存储设备。网络可包括铜传输缆线、光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或网络接口从网络接收计算机可读程序指令，并且转发计算机可读程序指令以用于存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行操作的计算机可读程序代码/指令可以是汇编指令、指令集体系结构(instruction-set-architecture，ISA)指令、机器指令、机器依赖指令、微代码、固件指令、状态设置数据、用于集成电路的配置数据，或者以一种或多种编程语言的任何组合编写的源代码或目标代码，这些编程语言包括面向对象的编程语言(诸如SmallTalk、C++等)以及面向过程的编程语言(诸如“C”编程语言或类似编程语言)。计算机可读程序指令可完全在用户的计算机上执行、部分地在用户的计算机上执行、作为独立软件包、部分地在用户的计算机上并且部分地在远程计算机上或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机，或者可连接到外部计算机(例如，通过使用因特网服务提供商的因特网)。在一些实施例中，电子电路，包括，例如，可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，可通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以使电子电路个性化，从而执行本公开的各方面或操作。
这些计算机可读程序指令可被提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器以产生机器，使得指令经由计算机或其它可编程数据处理装置的处理器执行后创建用于实现上述流程图和/或框图的框或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可被存储在计算机可读存储介质中，该计算机可读存储介质可指导计算机、可编程数据处理装置和/或其它设备以特定方式运行，使得其中存储有指令的计算机可读存储介质包括这样的制造物，该制造物包括用于实现流程图和/或框图的框或多个框中指定的功能/动作的各方面的指令。
还可将计算机可读程序指令加载到计算机、其它可编程数据处理装置或其它设备上，使得将在计算机、其它可编程装置或其它设备上执行一系列操作步骤，以产生计算机实现的处理，使得在计算机、其它可编程装置或其它设备上执行的指令实现在流程图和/或框图的框或多个框中指定的功能/动作。
附图中的流程图和框图说明了各实施例的系统、方法和计算机可读介质的可能实施例的体系结构、功能和操作。在这点上，流程图或框图中的每个框可表示指令的模块、段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。方法、计算机系统和计算机可读介质可包括额外的框、更少的框、不同的框，或者与附图中所描绘的顺序不同的框。在一些可替代的实现方式中，在框中指出的功能可不按照附图中指定的顺序发生。例如，连续示出的两个框实际上可同时或基本同时被执行，或者这些框有时可以以相反的顺序被执行，这取决于所涉及的功能。还应注意，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可由基于专用硬件的系统来实现，该系统执行指定功能或动作或执行专用硬件和计算机指令的组合。
显然，本文描述的系统和/或方法可以以不同形式的硬件、固件或硬件和软件的组合来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码不限于这些实现方式。因此，在不参考特定软件代码的情况下本文描述了系统和/或方法的操作和行为——应当理解，可基于在本文的描述来设计软件和硬件以实现上述系统和/或方法。
除非明确说明，本文中使用的元件、动作或指令都不应被解释为关键的或必要的。此外，如本文所用，冠词“一”和“一个”旨在包括一个或多个项目，并且可与“一个或多个”互换使用。此外，如本文所用，术语“集合”旨在包括一个或多个项目(例如，相关项目、不相关项目、相关项目和不相关项目的组合等)，并且可与“一个或多个”互换使用。当仅意指一个项目时，使用术语“一个”或类似语言。此外，如本文所用，术语“具有”、“有”、“带有”等是开放式术语。进一步地，除非另外说明，短语“基于”旨在表示“至少部分地基于”。
上面以说明的目的描述了对各方面和实施例，但该描述并非穷举或局限在所公开的实施例。虽然特征的组合在权利要求中陈述和/或在说明书中公开，但是这些组合并不旨在对可能的实现方式的公开内容进行限制。事实上，这些特征中的许多特征可以以权利要求中未具体列举和/或说明书中未公开的方式组合。虽然下面列出的每个从属权利要求可直接从属于仅一个权利要求，但是公开的可能的实现方式包括与权利要求组中的每个其它权利要求的组合的每个从属权利要求。在不脱离所描述的实施例的范围的情况下，许多修改和变化对于本领域普通技术人员是显而易见的。本文使用的术语是经过选择以能够最佳地解释实施例的原理、实际应用或相对于市场中已有技术的技术改进，或者使得本领域普通技术人员能够理解本文公开的实施例。

Claims (13)

1.一种检测颅内出血(ICH)的方法，其特征在于，包括：
计算机接收与患者关联的断层扫描对应的数据；
所述计算机从已接收的断层扫描数据中提取一个或多个切片；
所述计算机为已提取的切片中的每个切片确定一个或多个相邻切片；
所述计算机将所述已提取的切片以及所述一个或多个相邻切片分组为一个或多个厚片；
识别与所述一个或多个厚片关联的一个或多个特征；及
所述计算机确定一个或多个已识别的特征对应的厚片包括与ICH关联的特征。
2.根据权利要求1所述的方法，其特征在于，所述切片被存储在二维数组中，所述二维数组对应于所述一个或多个已提取的切片以及其中每个切片的所述一个或多个已确定的相邻切片。
3.根据权利要求2所述的方法，其特征在于，响应于将一个或多个卷积滤波器层应用于所述二维阵列所生成的多维数组，识别所述特征。
4.根据权利要求3所述的方法，其特征在于，确定所述一个或多个已识别的特征对应的所述厚片包含与ICH关联的特征包括：将完全连接层应用于所述多维数组。
5.根据权利要求1-4中任一权利要求所述的方法，其特征在于，进一步包括：
所述计算机向用户传输所述一个或多个已识别的特征对应的厚片包括与ICH关联的特征的判定。
6.根据权利要求1-4中任一权利要求所述的方法，其特征在于，将与所述已提取的切片关联的一个或多个像素转换为与所述像素关联的特征对应的Hounsfield单位。
7.根据权利要求1-4中任一权利要求所述的方法，其特征在于，识别所述一个或多个特征包括：将最大池化层应用于所述一个或多个切片和所述一个或多个相邻切片。
8.根据权利要求1-4中任一权利要求所述的方法，其特征在于，识别所述一个或多个特征包括：将平均池化层应用于所述一个或多个切片和所述一个或多个相邻切片。
9.根据权利要求1-4中任一权利要求所述的方法，其特征在于，进一步包括：
所述计算机基于聚焦损失函数为所述切片分配权重值。
10.根据权利要求1-4中任一权利要求所述的方法，其特征在于，所述断层扫描包括以下中的一个或多个：计算机断层(CT)扫描、磁共振成像(MRI)扫描、功能磁共振成像(fMRI)扫描或正电子发射断层(PET)扫描。
11.一种用于检测颅内出血(ICH)的计算机系统，其特征在于，包括：
接收模块，用于接收与患者关联的断层扫描对应的数据；
提取模块，用于从已接收的断层扫描数据中提取一个或多个切片；
确定模块，用于为已提取的切片中的每个切片确定一个或多个相邻切片；
分组模块，用于将所述已提取的切片以及所述一个或多个相邻切片分组为一个或多个厚片；
识别模块，用于识别与所述一个或多个厚片关联的一个或多个特征；及
确定模块，用于确定一个或多个已识别的特征对应的厚片包括与ICH关联的特征。
12.一种用于检测颅内出血(ICH)的计算机系统，其特征在于，包括：
一个或多个非暂时性计算机可读存储介质，用于存储计算机程序代码；及
一个或多个计算机处理器，用于访问所述计算机程序代码，并按照所述计算机程序代码的指示执行根据权利要求1-10中任一权利要求所述的方法。
13.一种非暂时性计算机可读介质，存储有用于检测颅内出血(ICH)的计算机程序，其特征在于，所述计算机程序用于使一个或多个计算机处理器执行根据权利要求1-10中任一权利要求所述的方法。
CN202010867753.8A 2019-12-09 2020-08-25 用于在头部ct平扫图像中检测急性颅内出血的深度学习系统 Pending CN113034428A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/706,998 2019-12-09
US16/706,998 US20210174939A1 (en) 2019-12-09 2019-12-09 Deep learning system for detecting acute intracranial hemorrhage in non-contrast head ct images

Publications (1)

Publication Number Publication Date
CN113034428A true CN113034428A (zh) 2021-06-25

Family

ID=76210535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010867753.8A Pending CN113034428A (zh) 2019-12-09 2020-08-25 用于在头部ct平扫图像中检测急性颅内出血的深度学习系统

Country Status (2)

Country Link
US (1) US20210174939A1 (zh)
CN (1) CN113034428A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11842492B2 (en) * 2021-04-16 2023-12-12 Natasha IRONSIDE Cerebral hematoma volume analysis
CN115932687A (zh) * 2021-08-12 2023-04-07 安徽华米健康科技有限公司 磁共振成像mri的扫描方法、装置和电子设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080031400A1 (en) * 2004-05-06 2008-02-07 Luc Beaulieu 3D Localization Of Objects From Tomography Data
US9418458B2 (en) * 2015-01-05 2016-08-16 Superfish Ltd. Graph image representation from convolutional neural networks
CN106296647A (zh) * 2016-06-30 2017-01-04 广州极飞科技有限公司 一种地图影像切片更新方法及装置
DE102016124123A1 (de) * 2016-12-13 2018-06-14 Connaught Electronics Ltd. Verfahren zum Erzeugen eines Clusters von Bildbereichen zum Erfassen eines Zielobjekts in einem Bild, Computerprogrammprodukt, Kamerasystem und Kraftfahrzeug
US11064902B2 (en) * 2018-06-29 2021-07-20 Mayo Foundation For Medical Education And Research Systems, methods, and media for automatically diagnosing intraductal papillary mucinous neosplasms using multi-modal magnetic resonance imaging data
CN109117894B (zh) * 2018-08-29 2022-05-27 汕头大学 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法
CN109222972B (zh) * 2018-09-11 2020-09-22 华南理工大学 一种基于深度学习的fMRI全脑数据分类方法
US11170504B2 (en) * 2019-05-02 2021-11-09 Keyamed Na, Inc. Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network

Also Published As

Publication number Publication date
US20210174939A1 (en) 2021-06-10

Similar Documents

Publication Publication Date Title
US10373312B2 (en) Automated skin lesion segmentation using deep side layers
US10176574B2 (en) Structure-preserving composite model for skin lesion segmentation
US10229499B2 (en) Skin lesion segmentation using deep convolution networks guided by local unsupervised learning
US11416772B2 (en) Integrated bottom-up segmentation for semi-supervised image segmentation
US8873836B1 (en) Cluster-based classification of high-resolution data
US10588590B2 (en) Detection and characterization of aortic pathologies
US20160171682A1 (en) Cloud-based infrastructure for feedback-driven training and image recognition
US11596344B2 (en) Deep neural network on ECG Poincare plot for atrial fibrillation classification
CN110996772B (zh) 乳腺癌检测
US10123747B2 (en) Retinal scan processing for diagnosis of a subject
US10127664B2 (en) Ovarian image processing for diagnosis of a subject
CN113826120B (zh) 神经网络的数据集相关的低秩分解
US10249040B2 (en) Digital data processing for diagnosis of a subject
EP3979132A1 (en) Dual encoder attention u-net
CN113034428A (zh) 用于在头部ct平扫图像中检测急性颅内出血的深度学习系统
WO2022135765A1 (en) Using disentangled learning to train an interpretable deep learning model
US10398385B2 (en) Brain wave processing for diagnosis of a subject
US20210133956A1 (en) Hierarchical processing technique for lesion detection, classification, and segmentation on microscopy images
US20210266607A1 (en) Neural network model compression with selective structured weight unification
US11409564B2 (en) Resource allocation for tuning hyperparameters of large-scale deep learning workloads
US20230177729A1 (en) Object oriented image normalization
CN109410187B (zh) 用于在全片图像中检测癌症转移的系统、方法和介质
US11164078B2 (en) Model matching and learning rate selection for fine tuning
US20220309810A1 (en) Method for the detection, segmentation and morphological mapping on neural cell images of the whole brain
Tesfamariam Distributed Processing of Large Remote Sensing Images Using Mapreduce-A Case of Edge Detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40046001

Country of ref document: HK

CB03 Change of inventor or designer information

Inventor after: Huang Chao

Inventor after: Qian Zhen

Inventor after: Tang Hui

Inventor after: Xie Yucheng

Inventor after: Lin Siyao

Inventor after: Wang Kun

Inventor after: Chen Xianzhong

Inventor after: Huo Zhimin

Inventor after: Fan Wei

Inventor before: Huang Chao

Inventor before: Qian Zheng

Inventor before: Tan Hui

Inventor before: Xie Yucheng

Inventor before: Lin Siyao

Inventor before: Wang Kun

Inventor before: Chen Xianzhong

Inventor before: Huo Zhimin

Inventor before: Fan Wei

CB03 Change of inventor or designer information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination