CN115205192A - 根据头部ct图像的自动出血扩张检测 - Google Patents
根据头部ct图像的自动出血扩张检测 Download PDFInfo
- Publication number
- CN115205192A CN115205192A CN202210299474.5A CN202210299474A CN115205192A CN 115205192 A CN115205192 A CN 115205192A CN 202210299474 A CN202210299474 A CN 202210299474A CN 115205192 A CN115205192 A CN 115205192A
- Authority
- CN
- China
- Prior art keywords
- medical image
- input medical
- input
- map
- features
- 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
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
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10076—4D tomography; Time-sequential 3D tomography
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
提供了用于评估异常的扩张的系统和方法。接收患者的第一输入医学图像和患者的第二输入医学图像,第一输入医学图像描绘了第一时间下的异常,第二输入医学图像描绘了第二时间下的所述异常。将第二输入医学图像与第一输入医学图像进行配准。从1)第一输入医学图像来分割所述异常以生成第一分割图,并且从2)经配准的第二输入医学图像来分割所述异常以生成第二分割图。将第一分割图和第二分割图进行组合以生成组合图。基于所述组合图从第一输入医学图像和经配准的第二输入医学图像中提取特征。使用经训练的基于机器学习的网络基于所提取的特征来评估所述异常的扩张。输出所述评估的结果。
Description
技术领域
本发明总体上涉及出血扩张检测,并且特别地涉及根据头部CT(计算机断层摄影)图像的自动出血扩张检测。
背景技术
脑出血通常由脑部内的血管破裂从而导致周围组织中的局部流血所引起。出血的扩张(被称为出血扩张)已经被标识为重要的生物标志物,其指示早期神经系统恶化的高风险、以及较差的长期临床结果。因此,准确地检测患者内的出血扩张以有效地对患者进行分层并定制细致且及时的患者护理是重要的。
在当前的临床实践中,由放射科医师定性地读取在不同时间点处获取的患者头部CT(计算机断层摄影)图像对来手动检测出血扩张。然而,由于读取CT图像中涉及的大量人机交互和判断,对出血扩张的手动检测是耗时的并且受评分者间和评分者内可变性所限制,因此妨碍了及时诊断。
最近,已经提出了用于在患者的基线和后续头部CT图像对中定位出血的自动化系统。在这种自动化系统中,从基线和后续图像来分割出血,并且比较所分割的出血以评估出血扩张。然而,由于成像伪影和不完美的分割,通过比较出血分割来评估出血扩张是不可靠的。
发明内容
根据一个或多个实施例,提供了用于评估异常的扩张的系统和方法。接收患者的第一输入医学图像和患者的第二输入医学图像,第一输入医学图像描绘了第一时间下的异常,第二输入医学图像描绘了第二时间下的所述异常。将第二输入医学图像与第一输入医学图像进行配准。从a)第一输入医学图像来分割所述异常以生成第一分割图,并且从b)经配准的第二输入医学图像来分割所述异常以生成第二分割图。将第一分割图和第二分割图进行组合以生成组合图。基于所述组合图从第一输入医学图像和经配准的第二输入医学图像中提取特征。使用经训练的基于机器学习的网络基于所提取的特征来评估所述异常的扩张。输出所述评估的结果。
在一个实施例中,所述异常包括出血。第一输入医学图像和第二输入医学图像可以是患者头部的CT(计算机断层摄影)图像。
在一个实施例中,通过如下方式来基于所述组合图从第一输入医学图像和经配准的第二输入医学图像中提取特征:基于第一输入医学图像、经配准的第二输入医学图像、以及所述组合图来生成输入图像,从所生成的输入图像的切片中提取2D平面内特征,以及从所提取的2D平面内特征中提取平面外特征。可以通过基于所提取的平面外特征确定扩张得分来评估所述异常的扩张。可以将所述扩张得分与一个或多个阈值进行比较。可以通过生成包括第一输入医学图像、经配准的第二输入医学图像、以及所述组合图的3通道输入图像来生成所述输入图像。
在一个实施例中,提取所述2D平面内特征是使用第一经训练的基于机器学习的特征提取网络来执行的,并且提取所述平面外特征是使用第二经训练的基于机器学习的特征提取网络来执行的,并且所述经训练的基于机器学习的网络、第一经训练的基于机器学习的特征提取网络和第二经训练的基于机器学习的特征提取网络是联合训练的。
在一个实施例中,通过对第一分割图和第二分割图应用逐体素OR运算来将第一分割图和第二分割图进行组合以生成所述组合图。
通过参考以下详细描述和附图,本发明的这些和其他优点对于本领域普通技术人员来说将是明显的。
附图说明
图1示出了根据一个或多个实施例的用于评估异常的扩张的方法;
图2示出了根据一个或多个实施例的用于评估出血的扩张的工作流;
图3示出了根据一个或多个实施例所确定的对出血的扩张的评估结果;
图4示出了将常规的基于分割的检测系统与根据本文中描述的实施例的纵向检测网络进行比较的表格;
图5示出了可以用于实现一个或多个实施例的示例性人工神经网络;
图6示出了可以用于实现一个或多个实施例的卷积神经网络;以及
图7示出了可以用于实现一个或多个实施例的计算机的高级框图。
具体实施方式
本发明总体上涉及用于根据头部CT(计算机断层摄影)图像的自动出血扩张检测的方法和系统。本文中描述了本发明的实施例,以给出对这种方法和系统的视觉理解。数字图像通常由一个或多个对象(或形状)的数字表示组成。在本文中通常在标识和操纵对象方面来描述对象的数字表示。这种操纵是在计算机系统的存储器或其他电路/硬件中完成的虚拟操纵。因此,要理解的是,可以使用存储在计算机系统内的数据在计算机系统内执行本发明的实施例。此外,本文中对图像像素的引用可以等同地指代图像的体素,并且反之亦然。
本文中描述的实施例提供了对出血和其他异常的扩张的自动评估。出血的扩张在临床上被称为出血扩张。本文中描述的实施例应用出血分割系统以有效地区分基线输入医学图像与后续输入医学图像之间的病理学改变。将分割结果进行组合,并且基于组合的分割结果从基线输入医学图像和后续输入医学图像中提取特征。应用经训练的基于机器学习的分类器网络,以基于所提取的特征来评估出血的扩张。有利地,本文中描述的实施例提供了与常规方法相比具有更高准确度的对出血扩张的自动评估。
图1示出了根据一个或多个实施例的用于评估异常的扩张的方法100。图2示出了根据一个或多个实施例的用于评估出血扩张的工作流200。将一起描述图1和图2。方法100的步骤可以由一个或多个合适的计算设备(诸如例如,图7的计算机702)来执行。
在图1的步骤102处,接收患者的第一输入医学图像和患者的第二输入医学图像,第一输入医学图像描绘了第一时间下的异常,第二输入医学图像描绘了第二时间下的该异常。在一个实施例中,如图2的工作流200中那样,该异常是出血。然而,该异常可以是患者的任何其他异常,诸如例如病变、结节、以及其中涉及组织变形和伪影的其他异常。第一输入医学图像可以是该异常的基线输入医学图像,并且第二输入医学图像可以是该异常的后续输入医学图像。例如,如图2的工作流200中所示,第一输入医学图像可以是患者头部的基线扫描202,并且第二输入医学图像可以是患者头部的后续扫描205。
在一个实施例中,第一输入医学图像和/或第二输入医学图像是CT图像。然而,第一输入医学图像和/或第二输入医学图像可以包括任何其他合适的模态,诸如例如MRI(磁共振成像)、超声、x射线、或任何其他医学成像模态或医学成像模态的组合。第一输入医学图像和/或第二输入医学图像可以是2D(二维)图像和/或3D(三维)体积,并且可以包括单个输入医学图像或多个输入医学图像。在一个实施例中,第一输入医学图像和/或第二输入医学图像包括2.5D(2D加时间)图像。可以在获取输入医学图像时直接从图像获取设备(诸如例如,CT扫描仪)接收输入医学图像,或者可以通过从计算机系统的存储装置或存储器加载先前获取的输入医学图像、或者从远程计算机系统接收输入医学图像来接收输入医学图像。
在图1的步骤104处,将第二输入医学图像与第一输入医学图像进行配准。该配准使第一输入医学图像和第二输入医学图像在空间上对准。在一个示例中,在框206处,在空间上对准图2的工作流200中的基线扫描202和后续扫描204,以生成后续扫描204的对准图像208。可以使用任何合适的方法(诸如例如,已知的刚性配准或线性配准技术)将第二输入医学图像与第一输入医学图像进行配准。
在图1的步骤106处,从a)第一输入医学图像来分割该异常以生成第一分割图,并且从b)经配准的第二输入医学图像来分割该异常以生成第二分割图。在一个示例中,在图2的工作流200中,从基线扫描202来分割出血以生成流血图212,并且从后续扫描204的对准图像208来分割出血以生成流血图216。工作流200中的流血图212和流血图216可以是二进制分割图,其中例如体素(或像素)强度值1指示在该体素处存在异常,并且体素强度值0指示在该体素处不存在异常。
在一个实施例中,使用经训练的基于机器学习的分割网络来执行该分割。经训练的基于机器学习的分割网络可以使用U-NET、密集U-Net、或任何其他合适的基于机器学习的架构来实现。经训练的基于机器学习的分割网络是在先前离线或训练阶段期间使用基准真值注释图被训练的,以从医学图像分割异常。一旦被训练,就在在线或测试阶段期间应用经训练的基于机器学习的分割网络(例如,在图1的步骤106处)。
在图1的步骤108处,将第一分割图和第二分割图进行组合以生成组合图。例如,将图2的工作流200中的流血图212和流血图216进行组合以生成注意力图218。在一个实施例中,通过对第一分割图和第二分割图应用逐体素(或逐像素)OR运算来将第一分割图和第二分割图进行组合,使得例如第一分割图或第二分割图中的任一个中的对应体素处的体素值1会导致组合图中的该体素处的体素值为1,否则体素值为0。还考虑了用于将第一分割图和第二分割图进行组合的其他方法。
在图1的步骤110处,基于该组合图从第一输入医学图像和经配准的第二输入医学图像中提取特征。可以使用任何合适的方法、基于该组合图从第一输入医学图像和经配准的第二输入医学图像中提取特征。该组合图标识其中该异常位于第一分割图中或者位于第二分割图中的特定区域,从而使得能够在聚焦于由该组合图标识的特定区域的情况下、从第一输入医学图像和经配准的第二输入医学图像中提取特征。
在一个实施例中,通过首先基于第一输入医学图像、经配准的第二输入医学图像、以及该组合图生成输入图像来提取特征。输入图像可以是包括第一输入医学图像、经配准的第二输入医学图像、以及该组合图的3通道输入图像。例如,在图2的工作流200中,在框220处构造3通道输入体积。
然后,从3通道输入图像中提取2D平面内特征。例如,在图2的工作流200中,由2D平面内特征提取器222从3通道输入体积中提取2D平面内特征。2D平面内特征包括从3通道输入图像的每个2D切片中提取的隐特征。3通道输入图像被用作注意力图,以将2D平面内特征的提取聚焦到该组合图中标识的区域。可以使用任何合适的基于2D机器学习的分割网络来提取2D平面内特征,诸如例如预训练的2D分割网络、或利用公共数据集(例如,ImageNet)预训练的Res-Net32/Res-Net50网络。
然后,从2D平面内特征中提取顺序平面外特征。例如,在图2的工作流200中,通过顺序平面外特征提取器224从2D平面内特征中提取顺序平面外特征。顺序平面外特征对3通道输入图像的3D上下文进行建模。可以使用被训练以学习2D平面内特征与顺序平面外特征之间的关系的任何合适的顺序平面外特征提取器来提取顺序平面外特征。顺序平面外特征提取器可以使用具有LSTM(长短期记忆)的RNN(递归神经网络)、BGRU(双向门控递归单元)或任何其他合适的基于机器学习的网络来实现。
在图1的步骤112处,使用经训练的基于机器学习的网络基于所提取的特征来评估该异常的扩张。经训练的基于机器学习的网络可以是任何合适的经训练的基于机器学习的分类器网络。经训练的基于机器学习的分类器网络接收所提取的顺序平面外特征作为输入,并且生成扩张得分。例如,在图2的工作流200中,出血的扩张由HE(出血扩张)分类器226基于顺序平面外特征来评估,以确定HE得分228。经训练的基于机器学习的分类器网络首先通过最大池化、全局平均池化或任何其他合适的池化方法从所提取的顺序平面外特征来估计全局隐特征向量。然后,通过全连接层或全卷积块、基于全局隐特征向量来预测扩张得分。扩张得分表示该异常在第一输入医学图像与第二输入医学图像之间的扩张的可能性。可以将扩张得分与一个或多个阈值进行比较,以提供最终结果(例如,扩张/无扩张、或扩张/无扩张/不确定)。
经训练的基于机器学习的分类器网络在先前的离线或训练阶段期间使用带注释的训练图像对来训练。训练图像对可以被注释为扩张,其中该训练图像对描绘了例如该异常的体积中的至少33%的增加。可以选择该异常的体积中的任何其他阈值增加,以用于将训练图像注释为描绘了扩张。一旦被训练,就在在线或测试阶段期间应用经训练的基于机器学习的分类器网络(例如,在图1的步骤112处)。
在图1的步骤114处,输出评估的结果。例如,可以通过在计算机系统的显示设备上显示评估结果、将评估结果存储在计算机系统的存储器或存储装置上、或者通过将评估结果传输到远程计算机系统来输出评估的结果。
有利地,本文中描述的实施例对在不同时间点处获取的医学图像中的纵向图像特征进行建模,从而改进性能。由于用于提取2D平面内特征和顺序平面外特征的基于机器学习的网络可以利用2D图像切片来训练以对3D纵向放射特征进行建模,因此与常规系统相比,需要更少的3D训练图像,从而降低了数据获取的成本。此外,本文中描述的实施例可以利用现有预训练的基于机器学习的网络,从而得到更快的训练收敛和过拟合减少,同时降低开发成本。
在一个实施例中,方法100中使用的基于机器学习的网络中的至少一些可以是联合训练的。例如,第一经训练的基于机器学习的特征提取网络可以用于2D平面内特征提取(在步骤110处),第二经训练的基于机器学习的特征提取网络可以用于顺序平面外特征提取(在步骤110处),并且第一经训练的基于机器学习的特征提取网络、第二经训练的基于机器学习的特征提取网络、以及经训练的基于机器学习的网络(在步骤112处)可以使用诸如例如Adam之类的优化器来联合训练。
图3示出了根据一个或多个实施例所确定的对出血的扩张的评估结果。第一输入医学图像302示出了描绘在第一时间下的出血的患者头部的基线扫描,并且第二输入医学图像204示出了描绘在第二时间下的出血的患者头部的后续扫描。如图3中所示,第一输入医学图像302被手动评估为具有9.9ml(毫升)的GT(基准真值)出血体积,而第二输入医学图像304被手动评估为具有17.3ml的GT出血体积。根据本文中描述的实施例,第一输入医学图像302和第二输入医学图像304被评估为具有0.9756的HE得分。
图4示出了将常规的基于分割的检测系统和根据本文中描述的实施例的纵向检测网络进行比较的表格400。表格400比较了AUC(曲线下面积)、SEN(灵敏度)、SPC(特异度)、精确度、召回率(recall)和F1得分。
本文中描述的实施例是关于所要求保护的系统以及所要求保护的方法来描述的。本文中的特征、优点或替代实施例可以分派给其他要求保护的目的,并且反之亦然。换句话说,可以利用在方法的上下文中描述或要求保护的特征来改进用于系统的权利要求。在这种情况下,该方法的功能特征通过提供系统的目标单元来体现。
此外,本文中描述的某些实施例是关于利用经训练的基于机器学习的网络(或模型)的方法和系统、以及关于用于训练基于机器学习的网络的方法和系统来描述的。本文中的特征、优点或替代实施例可以分派给其他要求保护的目的,并且反之亦然。换句话说,可以利用在用于利用经训练的基于机器学习的网络的方法和系统的上下文中描述或要求保护的特征来改进用于训练基于机器学习的网络的方法和系统的权利要求,并且反之亦然。
特别地,在本文中描述的实施例中应用的经训练的基于机器学习的网络可以通过用于训练基于机器学习的网络的方法和系统来适配。此外,经训练的基于机器学习的网络的输入数据可以包括训练输入数据的有利特征和实施例,并且反之亦然。此外,经训练的基于机器学习的网络的输出数据可以包括输出训练数据的有利特征和实施例,并且反之亦然。
一般来说,经训练的基于机器学习的网络模仿了人类与其他人类心智进行关联的认知功能。特别地,通过基于训练数据的训练,经训练的基于机器学习的网络能够适应新情况并且检测和推断出模式。
一般来说,可以借助于训练来适配基于机器学习的网络的参数。特别地,可以使用有监督训练、半监督训练、无监督训练、强化学习和/或主动学习。此外,可以使用表示学习(替代术语是“特征学习”)。特别地,可以通过若干个训练步骤来迭代地适配经训练的基于机器学习的网络的参数。
特别地,经训练的基于机器学习的网络可以包括神经网络、支持向量机、决策树和/或贝叶斯网络,和/或经训练的基于机器学习的网络可以基于k均值聚类、Q学习、遗传算法和/或关联规则。特别地,神经网络可以是深度神经网络、卷积神经网络或卷积深度神经网络。此外,神经网络可以是对抗网络、深度对抗网络和/或生成式对抗网络。
图5示出了根据一个或多个实施例的人工神经网络500的实施例。“人工神经网络”的替代术语是“神经网络”、“人工神经网”或“神经网”。本文中描述的机器学习网络(诸如,图1的方法100和图2的工作流200中使用的基于机器学习的网络)可以使用人工神经网络500来实现。
人工神经网络500包括节点502-522和边532、534……536,其中每个边532、534……536是从第一节点502-522到第二节点502-522的有向连接。一般而言,第一节点502-522和第二节点502-522是不同的节点502-522,也有可能第一节点502-522和第二节点502-522是相同的。例如,在图5中,边532是从节点502到节点506的有向连接,并且边534是从节点504到节点506的有向连接。从第一节点502-522到第二节点502-522的边532、534……536还被表示为针对第二节点502-522的“传入边”、以及被表示为针对第一节点502-522的“传出边”。
在该实施例中,人工神经网络500的节点502-522可以被布置在层524-530中,其中这些层可以包括由节点502-522之间的边532、534……536引入的固有次序。特别地,边532、534……536可以仅存在于节点的相邻层之间。在图5中所示的实施例中,存在仅包括节点502和504而没有传入边的输入层524、仅包括节点522而没有传出边的输出层530、以及在输入层524与输出层530之间的隐藏层526、528。一般而言,可以任意地选择隐藏层526、528的数量。输入层524内的节点502和504的数量通常与神经网络500的输入值的数量有关,并且输出层530内的节点522的数量通常与神经网络500的输出值的数量有关。
特别地,可以将(实数)数字作为值分派给神经网络500的每个节点502-522。在这里,x(n) i标示第n层524-530的第i个节点502-522的值。输入层524的节点502-522的值等同于神经网络500的输入值,输出层530的节点522的值等同于神经网络500的输出值。此外,每个边532、534……536可以包括作为实数的权重,特别地,权重是在区间[-1,1]内或区间[0,1]内的实数。在这里,w(m,n) i,j标示第m层524-530的第i个节点502-522与第n层524-530的第j个节点502-522之间的边的权重。更进一步地,缩写w(n) i,j被定义用于权重w(n,n+1) i,j。
特别地,为了计算神经网络500的输出值,使输入值传播通过神经网络。特别地,可以基于第n层524-530的节点502-522的值通过以下公式来计算第(n+1)层524-530的节点502-522的值:
在本文中,函数f是传递函数(另一个术语是“激活函数”)。已知的传递函数是阶跃函数、sigmoid函数(例如,逻辑函数、广义逻辑函数、双曲正切函数、反正切函数、误差函数、平滑阶跃函数(smoothstep function))或整流函数(rectifier function)。传递函数主要被用于归一化目的。
特别地,使这些值逐层传播通过神经网络,其中输入层524的值由神经网络500的输入给出,其中第一隐藏层526的值可以基于神经网络的输入层524的值来计算,其中第二隐藏层528的值可以基于第一隐藏层526的值来计算等等。
为了设置边的值w(m,n) i,j,必须使用训练数据来训练神经网络500。特别地,训练数据包括训练输入数据和训练输出数据(被表示为ti)。对于训练步骤,将神经网络500应用于训练输入数据以生成所计算的输出数据。特别地,训练数据和所计算的输出数据包括某个数量的值,所述数量等于输出层的节点数量。
特别地,使用所计算的输出数据与训练数据之间的比较来递归地适配神经网络500内的权重(反向传播算法)。特别地,根据以下公式来改变权重:
其中γ是学习率,并且如果第(n+1)层不是输出层,则可以基于δ(n+1) j递归地将数字δ(n) j计算为:
并且如果第(n+1)层是输出层530,则将其计算为:
其中f'是激活函数的一阶导数,并且y(n+1) j是输出层530的第j个节点的比较训练值。
图6示出了根据一个或多个实施例的卷积神经网络600。可以使用卷积神经网络600来实现本文中描述的机器学习网络,诸如例如在图1的方法100和图2的工作流200中使用的基于机器学习的网络。
在图6中所示的实施例中,卷积神经网络600包括输入层602、卷积层604、池化层606、全连接层608和输出层610。可替代地,卷积神经网络600可以包括若干个卷积层604、若干个池化层606和若干个全连接层608、以及其他类型的层。可以任意地选择这些层的次序,通常全连接层608被用作输出层610之前的最后的层。
特别地,在卷积神经网络600内,可以认为一个层602-610的节点612-620被布置为d维矩阵或d维图像。特别地,在二维情况下,在第n层602-610中用i和j索引的节点612-620的值可以被表示为x(n) [i, j]。然而,一个层602-610的节点612-620的布置对在卷积神经网络600内执行的计算本身没有影响,这是因为它们仅由边的结构和权重所给出。
特别地,卷积层604的特征在于基于某个数量的核而形成卷积操作的传入边的结构和权重。特别地,选择传入边的结构和权重,使得卷积层604的节点614的值x(n) k基于前一层602的节点612的值x(n-1)而被计算为卷积,其中卷积在二维情况下被定义为:
在这里,第k个核Kk是d维矩阵(在该实施例中是二维矩阵),该矩阵与节点612-618的数量相比通常较小(例如,3×3矩阵或5×5矩阵)。特别地,这意味着传入边的权重不是独立的,而是被选择成使得它们产生所述卷积公式。特别地,对于作为3×3矩阵的核而言,仅存在9个独立权重(核矩阵中的每个条目对应于一个独立权重),而与相应层602-610中的节点612-620的数量无关。特别地,对于卷积层604而言,卷积层中的节点614的数量等同于前一层602中的节点612的数量乘以核的数量。
如果前一层602的节点612被布置为d维矩阵,则使用多个核可以被解释为添加另外的维度(被表示为“深度”维度),使得卷积层614的节点614被布置为(d+1)维矩阵。如果前一层602的节点612已经被布置为包括深度维度的(d+1)维矩阵,则使用多个核可以被解释为沿着深度维度进行扩张,使得卷积层604的节点614也被布置为(d+1)维矩阵,其中(d+1)维矩阵关于深度维度的大小是在前一层602中的(d+1)维矩阵关于深度维度的大小的核数量倍。
使用卷积层604的优点在于:可以通过在相邻层的节点之间强制执行局部连接性模式、特别是通过将每个节点仅连接到前一层的节点的较小区域,来利用输入数据的空间局部相关性。
在图6中所示的实施例中,输入层602包括被布置为二维6×6矩阵的36个节点612。卷积层604包括被布置为两个二维6×6矩阵的72个节点614,这两个矩阵中的每一个是输入层的值与核进行卷积的结果。等同地,卷积层604的节点614可以解释为被布置为三维6×6×2矩阵,其中最后一个维度是深度维度。
池化层606的特征在于基于非线性池化函数f而形成池化操作的其节点616的激活函数以及传入边的结构和权重。例如,在二维情况下,池化层606的节点616的值x(n)可以基于前一层604的节点614的值x(n-1)而被计算为:
换句话说,通过使用池化层606,可以通过在池化层中用单个节点616来替换前一层604中的数量d1·d2的相邻节点614,从而减少节点614、616的数量,该单个节点616是根据所述数量的相邻节点的值来计算的。特别地,池化函数f可以是最大值函数、平均值或L2-范数。特别地,对于池化层606而言,传入边的权重是固定的,并且不通过训练来修改。
使用池化层606的优点在于减少了节点614、616的数量和参数的数量。这导致网络中的计算量减少,并且导致对过拟合的控制。
在图6中所示的实施例中,池化层606是最大池化,用仅一个节点来替换四个相邻节点,该值是四个相邻节点的值中的最大值。最大池化被应用于前一层的每个d维矩阵;在该实施例中,最大池化被应用于两个二维矩阵中的每一个,从而将节点数量从72个减少到18个。
全连接层608的特征在于以下事实:先前层606的节点616与全连接层608的节点618之间的大部分边、特别是所有边都存在,并且其中每一个边的权重可以被单独地调整。
在该实施例中,全连接层608的前一层606的节点616既被显示为二维矩阵,又被附加地显示为不相关的节点(它们被指示为一行节点,其中为了更好的展示性,节点数量被减少)。在该实施例中,全连接层608中的节点618的数量等于前一层606中的节点616的数量。可替代地,节点616、618的数量可以不同。
更进一步地,在该实施例中,通过将Softmax函数应用到前一层608的节点618的值上,来确定输出层610的节点620的值。通过应用Softmax函数,输出层610的所有节点620的值的总和是1,并且输出层的所有节点620的所有值是0到1之间的实数。
卷积神经网络600还可以包括ReLU(整流线性单元)层或具有非线性传递函数的激活层。特别是,ReLU层中包含的节点数量和节点结构等同于前一层中包含的节点数量和节点结构。特别地,通过将整流函数应用于前一层的对应节点的值来计算ReLU层中的每个节点的值。
不同卷积神经网络块的输入和输出可以使用求和(残差/密集神经网络)、逐元素乘法(注意力)或其他可微分运算符来连接。因此,如果整个流水线是可微分的,则卷积神经网络结构可以是嵌套的,而不是顺序的。
特别地,可以基于反向传播算法来训练卷积神经网络600。为了防止过拟合,可以使用正则化的方法,例如节点612-620的丢弃(dropout)、随机池化、人工数据的使用、基于L1或L2范数的权重衰减、或最大范数约束。为了训练相同的神经网络,可以组合不同的损失函数,以反映联合训练目标。可以从优化中排除神经网络参数的子集,以保留在其他数据集上预训练的权重。
本文中描述的系统、装置和方法可以使用数字电路来实现,或者使用一个或多个使用公知的计算机处理器、存储器单元、存储设备、计算机软件和其他组件的计算机来实现。通常,计算机包括用于执行指令的处理器和用于存储指令和数据的一个或多个存储器。计算机还可以包括或可以耦合到一个或多个大容量存储设备,诸如一个或多个磁盘、内部硬盘和可移除磁盘、磁光盘、光盘等。
本文中描述的系统、装置和方法可以使用以客户端-服务器关系操作的计算机来实现。通常,在这种系统中,客户端计算机位于远离服务器计算机的位置,并且经由网络进行交互。客户端-服务器关系可以由在相应客户端和服务器计算机上运行的计算机程序来定义和控制。
本文中描述的系统、装置和方法可以在基于网络的云计算系统内实现。在这种基于网络的云计算系统中,连接到网络的服务器或另一个处理器经由网络与一个或多个客户端计算机通信。客户端计算机可以经由例如在客户端计算机上驻留和操作的网络浏览器应用与服务器进行通信。客户端计算机可以将数据存储在服务器上,并且经由网络来访问该数据。客户端计算机可以经由网络将对数据的请求或对在线服务的请求传输到服务器。服务器可以执行所请求的服务,并且将数据提供给(一个或多个)客户端计算机。服务器还可以传输被适配成使客户端计算机执行指定功能(例如,执行计算、在屏幕上显示指定数据等)的数据。例如,服务器可以传输被适配成使客户端计算机执行本文中描述的方法和工作流的一个或多个步骤或功能(包括图1或2的一个或多个步骤或功能)的请求。本文中描述的方法和工作流的某些步骤或功能(包括图1或2的一个或多个步骤或功能)可以由服务器或者由基于网络的云计算系统中的另一个处理器来执行。本文中描述的方法和工作流的某些步骤或功能(包括图1或2的一个或多个步骤)可以由基于网络的云计算系统中的客户端计算机来执行。本文中描述的方法和工作流的步骤或功能(包括图1或2的一个或多个步骤)可以由服务器和/或由基于网络的云计算系统中的客户端计算机以任何组合的形式来执行。
本文中描述的系统、装置和方法可以使用有形地体现在信息载体中(例如,体现在非暂时性机器可读存储设备中)以供可编程处理器执行的计算机程序产品来实现;并且本文中描述的方法和工作流步骤(包括图1或2的一个或多个步骤或功能)可以使用可由这种处理器执行的一个或多个计算机程序来实现。计算机程序是一组计算机程序指令,可以在计算机中直接或间接使用这些指令来执行某个活动或带来某个结果。计算机程序能够以任何形式的编程语言(包括编译或解译的语言)来编写,并且它能够以任何形式来部署,包括作为独立程序或作为模块、组件、子例程、或适合用于计算环境中的其他单元。
图7中描绘了可以被用来实现本文中描述的系统、装置和方法的示例计算机702的高级框图。计算机702包括可操作地耦合到数据存储设备712和存储器710的处理器704。处理器704通过执行定义了计算机702的总体操作的计算机程序指令来控制这种操作。计算机程序指令可以存储在数据存储设备712、或其他计算机可读介质中,并且在期望执行计算机程序指令时被加载到存储器710中。因此,图1或2的方法和工作流步骤或功能可以由存储在存储器710和/或数据存储设备712中的计算机程序指令来定义,并且可以由执行计算机程序指令的处理器704来控制。例如,计算机程序指令可以被实现为由本领域技术人员编程以执行图1或2的方法和工作流步骤或功能的计算机可执行代码。因此,通过执行计算机程序指令,处理器704执行图1或2的方法和工作流步骤或功能。计算机702还可以包括一个或多个网络接口706以用于经由网络与其他设备通信。计算机702还可以包括使得用户能够与计算机702进行交互的一个或多个输入/输出设备708(例如,显示器、键盘、鼠标、扬声器、按钮等)。
处理器704可以包括通用微处理器和专用微处理器两者,并且可以是计算机702的唯一处理器或者多个处理器之一。例如,处理器704可以包括一个或多个中央处理单元(CPU)。处理器704、数据存储设备712和/或存储器710可以包括一个或多个专用集成电路(ASIC)和/或一个或多个现场可编程门阵列(FPGA)、由其补充或者被并入其中。
数据存储设备712和存储器710均包括有形的非暂时性计算机可读存储介质。数据存储设备712和存储器710可以均包括高速随机存取存储器,诸如动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、双倍数据速率同步动态随机存取存储器(DDR RAM)、或其他随机存取固态存储器设备,并且可以包括非易失性存储器,诸如一个或多个磁盘存储设备(诸如,内部硬盘和可移除磁盘)、磁光盘存储设备、光盘存储设备、闪速存储器设备、半导体存储器设备(诸如,可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、紧凑盘只读存储器(CD-ROM)、数字多功能盘只读存储器(DVD-ROM)盘或其他非易失性固态存储设备。
输入/输出设备708可以包括外围设备,诸如打印机、扫描仪、显示屏等。例如,输入/输出设备708可以包括用于向用户显示信息的显示设备(诸如,阴极射线管(CRT)或液晶显示器(LCD)监视器)、键盘以及诸如鼠标或轨迹球之类的定点设备,用户可以通过该定点设备向计算机702提供输入。
图像获取设备714可以连接到计算机702,以将图像数据(例如,医学图像)输入到计算机702。将图像获取设备714和计算机702实现为一个设备是可能的。图像获取设备714和计算机702通过网络进行无线通信也是可能的。在可能的实施例中,计算机702可以相对于图像获取设备714远程地定位。
可以使用一个或多个计算机(诸如,计算机702)来实现本文中讨论的任何或所有系统和装置。
本领域技术人员应当认识到,实际计算机或计算机系统的实现方式可以具有其他结构,并且也可以包含其他组件,并且出于说明性目的,图7是这种计算机中的一些组件的高级表示。
前述具体实施方式应在每个方面被理解为是说明性和示例性的,而非限制性的,并且本文中公开的本发明的范围不是由该具体实施方式确定的,而是从根据专利法允许的全部范围所解释的权利要求来确定的。应当理解的是,本文中所示出和描述的实施例仅仅说明了本发明的原理,并且本领域技术人员可以在不脱离本发明的范围和精神的情况下实现各种修改。本领域技术人员可以在不脱离本发明的范围和精神的情况下实现各种其他特征组合。
Claims (20)
1.一种计算机实现的方法,包括:
接收1)患者的第一输入医学图像和2)患者的第二输入医学图像,第一输入医学图像描绘了第一时间下的异常,第二输入医学图像描绘了第二时间下的所述异常;
将第二输入医学图像与第一输入医学图像进行配准;
从a)第一输入医学图像来分割所述异常以生成第一分割图,并且从b)经配准的第二输入医学图像来分割所述异常以生成第二分割图;
将第一分割图和第二分割图进行组合以生成组合图;
基于所述组合图从第一输入医学图像和经配准的第二输入医学图像中提取特征;
使用经训练的基于机器学习的网络基于所提取的特征来评估所述异常的扩张;以及
输出所述评估的结果。
2.根据权利要求1所述的计算机实现的方法,其中所述异常包括出血。
3.根据权利要求1所述的计算机实现的方法,其中基于所述组合图从第一输入医学图像和经配准的第二输入医学图像中提取特征包括:
基于第一输入医学图像、经配准的第二输入医学图像、以及所述组合图来生成输入图像;
从所生成的输入图像的切片中提取2D平面内特征;以及
从所提取的2D平面内特征中提取平面外特征。
4.根据权利要求3所述的计算机实现的方法,其中使用经训练的基于机器学习的网络基于所提取的特征来评估所述异常的扩张包括:
基于所提取的平面外特征来确定扩张得分。
5.根据权利要求4所述的计算机实现的方法,其中使用经训练的基于机器学习的网络基于所提取的特征来评估所述异常的扩张进一步包括:
将所述扩张得分与一个或多个阈值进行比较。
6.根据权利要求3所述的计算机实现的方法,其中基于第一输入医学图像、经配准的第二输入医学图像、以及所述组合图来生成输入图像包括:
生成包括第一输入医学图像、经配准的第二输入医学图像、以及所述组合图的3通道输入图像。
7.根据权利要求3所述的计算机实现的方法,其中提取所述2D平面内特征是使用第一经训练的基于机器学习的特征提取网络来执行的,并且提取所述平面外特征是使用第二经训练的基于机器学习的特征提取网络来执行的,并且所述经训练的基于机器学习的网络、第一经训练的基于机器学习的特征提取网络和第二经训练的基于机器学习的特征提取网络是联合训练的。
8.根据权利要求1所述的计算机实现的方法,其中将第一分割图和第二分割图进行组合以生成组合图包括:
对第一分割图和第二分割图应用逐体素OR运算以生成所述组合图。
9.根据权利要求1所述的计算机实现的方法,其中第一输入医学图像和第二输入医学图像是患者头部的CT(计算机断层摄影)图像。
10.一种装置,包括:
用于接收1)患者的第一输入医学图像和2)患者的第二输入医学图像的部件,第一输入医学图像描绘了第一时间下的异常,第二输入医学图像描绘了第二时间下的所述异常;
用于将第二输入医学图像与第一输入医学图像进行配准的部件;
用于从a)第一输入医学图像来分割所述异常以生成第一分割图并且从b)经配准的第二输入医学图像来分割所述异常以生成第二分割图的部件;
用于将第一分割图和第二分割图进行组合以生成组合图的部件;
用于基于所述组合图从第一输入医学图像和经配准的第二输入医学图像中提取特征的部件;
用于使用经训练的基于机器学习的网络基于所提取的特征来评估所述异常的扩张的部件;以及
用于输出所述评估的结果的部件。
11.根据权利要求10所述的装置,其中所述异常包括出血。
12.根据权利要求10所述的装置,其中用于基于所述组合图从第一输入医学图像和经配准的第二输入医学图像中提取特征的部件包括:
用于基于第一输入医学图像、经配准的第二输入医学图像、以及所述组合图来生成输入图像的部件;
用于从所生成的输入图像的切片中提取2D平面内特征的部件;以及
用于从所提取的2D平面内特征中提取平面外特征的部件。
13.根据权利要求12所述的装置,其中用于使用经训练的基于机器学习的网络基于所提取的特征来评估所述异常的扩张的部件包括:
用于基于所提取的平面外特征来确定扩张得分的部件。
14.根据权利要求13所述的装置,其中用于使用经训练的基于机器学习的网络基于所提取的特征来评估所述异常的扩张的部件进一步包括:
用于将所述扩张得分与一个或多个阈值进行比较的部件。
15.一种存储计算机程序指令的非暂时性计算机可读介质,所述计算机程序指令在由处理器执行时使得所述处理器执行操作,所述操作包括:
接收1)患者的第一输入医学图像和2)患者的第二输入医学图像,第一输入医学图像描绘了第一时间下的异常,第二输入医学图像描绘了第二时间下的所述异常;
将第二输入医学图像与第一输入医学图像进行配准;
从a)第一输入医学图像来分割所述异常以生成第一分割图,并且从b)经配准的第二输入医学图像来分割所述异常以生成第二分割图;
将第一分割图和第二分割图进行组合以生成组合图;
基于所述组合图从第一输入医学图像和经配准的第二输入医学图像中提取特征;
使用经训练的基于机器学习的网络基于所提取的特征来评估所述异常的扩张;以及
输出所述评估的结果。
16.根据权利要求15所述的非暂时性计算机可读介质,其中基于所述组合图从第一输入医学图像和经配准的第二输入医学图像中提取特征包括:
基于第一输入医学图像、经配准的第二输入医学图像、以及所述组合图来生成输入图像;
从所生成的输入图像的切片中提取2D平面内特征;以及
从所提取的2D平面内特征中提取平面外特征。
17.根据权利要求16所述的非暂时性计算机可读介质,其中基于第一输入医学图像、经配准的第二输入医学图像、以及所述组合图来生成输入图像包括:
生成包括第一输入医学图像、经配准的第二输入医学图像、以及所述组合图的3通道输入图像。
18.根据权利要求17所述的非暂时性计算机可读介质,其中提取所述2D平面内特征是使用第一经训练的基于机器学习的特征提取网络来执行的,并且提取所述平面外特征是使用第二经训练的基于机器学习的特征提取网络来执行的,并且所述经训练的基于机器学习的网络、第一经训练的基于机器学习的特征提取网络和第二经训练的基于机器学习的特征提取网络是联合训练的。
19.根据权利要求15所述的非暂时性计算机可读介质,其中将第一分割图和第二分割图进行组合以生成组合图包括:
对第一分割图和第二分割图应用逐体素OR运算以生成所述组合图。
20.根据权利要求15所述的非暂时性计算机可读介质,其中第一输入医学图像和第二输入医学图像是患者头部的CT(计算机断层摄影)图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/211,927 US11861835B2 (en) | 2021-03-25 | 2021-03-25 | Automatic hemorrhage expansion detection from head CT images |
US17/211927 | 2021-03-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115205192A true CN115205192A (zh) | 2022-10-18 |
Family
ID=80933342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210299474.5A Pending CN115205192A (zh) | 2021-03-25 | 2022-03-25 | 根据头部ct图像的自动出血扩张检测 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11861835B2 (zh) |
EP (1) | EP4064187A1 (zh) |
CN (1) | CN115205192A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11842492B2 (en) * | 2021-04-16 | 2023-12-12 | Natasha IRONSIDE | Cerebral hematoma volume analysis |
CN113205096B (zh) * | 2021-04-26 | 2022-04-15 | 武汉大学 | 一种基于注意力的联合图像与特征自适应的语义分割方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7738683B2 (en) * | 2005-07-22 | 2010-06-15 | Carestream Health, Inc. | Abnormality detection in medical images |
US10002428B2 (en) * | 2015-12-01 | 2018-06-19 | Ottawa Hospital Research Institute | Method and system for identifying bleeding |
US10811135B2 (en) * | 2018-12-27 | 2020-10-20 | General Electric Company | Systems and methods to determine disease progression from artificial intelligence detection output |
US11633146B2 (en) * | 2019-01-04 | 2023-04-25 | Regents Of The University Of Minnesota | Automated co-registration of prostate MRI data |
US11410302B2 (en) * | 2019-10-31 | 2022-08-09 | Tencent America LLC | Two and a half dimensional convolutional neural network for predicting hematoma expansion in non-contrast head computerized tomography images |
US11227683B2 (en) * | 2020-01-23 | 2022-01-18 | GE Precision Healthcare LLC | Methods and systems for characterizing anatomical features in medical images |
US11301720B2 (en) * | 2020-04-28 | 2022-04-12 | International Business Machines Corporation | Training set enrichment with insignificantly-abnormal medical images |
-
2021
- 2021-03-25 US US17/211,927 patent/US11861835B2/en active Active
-
2022
- 2022-03-24 EP EP22163977.6A patent/EP4064187A1/en active Pending
- 2022-03-25 CN CN202210299474.5A patent/CN115205192A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220309667A1 (en) | 2022-09-29 |
EP4064187A1 (en) | 2022-09-28 |
US11861835B2 (en) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11776128B2 (en) | Automatic detection of lesions in medical images using 2D and 3D deep learning networks | |
EP4064187A1 (en) | Automatic hemorrhage expansion detection from head ct images | |
EP3944186A1 (en) | Assessment of abnormality patterns associated with covid-19 from x-ray images | |
EP4160616A1 (en) | Multimodal analysis of imaging and clinical data for personalized therapy | |
EP4160529A1 (en) | Probabilistic tree tracing and large vessel occlusion detection in medical imaging | |
EP4057296A1 (en) | Machine learning for automatic detection of intracranial hemorrhages with uncertainty measures from ct images | |
CN116596830A (zh) | 检测临床工作流程中的机器学习模型的鲁棒性 | |
US11861828B2 (en) | Automated estimation of midline shift in brain ct images | |
US20230252623A1 (en) | Quality assurance workflows for low-field mri prostate diagnostic systems | |
EP4227899A1 (en) | Acute intracranial hemorrhage segmentation on brain images for volume quantification and individual detection | |
US20230404512A1 (en) | Large vessel occlusion detection and classification in medical imaging | |
US20230071558A1 (en) | Fully automated assessment of coronary vulnerable plaque in coronary ct images using radiomic features | |
US20230237647A1 (en) | Ai driven longitudinal liver focal lesion analysis | |
US20230298736A1 (en) | Multi-view matching across coronary angiogram images | |
US20230238141A1 (en) | Subpopulation based patient risk prediction using graph attention networks | |
US20240177343A1 (en) | Lesion tracking in 4d longitudinal imaging studies | |
US20230237648A1 (en) | Coronary lumen and reference wall segmentation for automatic assessment of coronary artery disease | |
US20240104719A1 (en) | Multi-task learning framework for fully automated assessment of coronary arteries in angiography images | |
US20230230228A1 (en) | Out-of-distribution detection for artificial intelligence systems for prostate cancer detection | |
EP4343782A1 (en) | A multi-task learning framework for fully automated assessment of coronary arteries in angiography images | |
EP4220553A1 (en) | Coronary lumen and reference wall segmentation for automatic assessment of coronary artery disease | |
EP4160483A1 (en) | Out-of-domain detection for improved ai performance | |
EP4375927A1 (en) | Lesion tracking in 4d longitudinal imaging studies | |
US20240070853A1 (en) | Self-supervised learning for modeling a 3d brain anatomical representation | |
US20240046453A1 (en) | Semi-supervised learning leveraging cross-domain data for medical imaging analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |