自动开发在医学诊断成像中产生医学有意义的描述符的高性能分类器的方法和装置的制作方法

文档序号:6553347阅读:233来源:国知局
专利名称:自动开发在医学诊断成像中产生医学有意义的描述符的高性能分类器的方法和装置的制作方法
技术领域
本发明基本涉及医学成像领域,尤其涉及用于自动选择高性能分类器的系统和方法,所述分类器用于在超声医学图像中产生医学有意义的特征描述符。
背景技术
超声,也称作诊断医学超声波检查、超声波检查或者超声波心动描记术,是利用高频声波产生人体内部结构的图像的成像技术。这些图像提供了在诊断和指导疾病治疗时有用的信息。例如,在怀孕期间频繁使用超声确定胎儿的健康和发育。超声也用作在颈部、腹部和骨盆的器官中辨认健康和不健康组织之间的微妙差别的诊断辅助。其对于定位和确定血管中疾病程度也非常有用。心脏超声成像称作超声波心动描记术,用于诊断许多心脏状况。超声引导程序提供了肿瘤和活检针附近的健康组织的图像,通过使用该程序促进了肿瘤的精确活检和治疗。
使用诊断超声设备执行常规医学超声波检查,所述设备将声能发射到人体中并且接收由诸如心脏、肝脏或肾脏的身体组织和器官反射的信号。血细胞的运动导致了反射信号中的多普勒频移。在时域中,可以观测到这些频移表现为反射信号的互相关函数的移位。反射信号通常显示成称为彩色流成像或彩色速度成像的二维形式。通常利用这种显示检查血流图案。典型超声系统在多个路径上发射脉冲并且将在多个路径上从对象上接收的回波转换成用于产生超声数据的电信号,从该超声数据可以显示超声图像。获得原始超声数据的过程通常称为“扫描”、“扫掠”或“转向束(steering a beam)”,从该原始超声数据产生图像数据。
可以实时执行超声波检查法,这涉及在进行扫描时超声图象的快速、顺序呈现。通常利用一组排成一行并由电脉冲激励的换能器元件(称为“阵列”),以电子方式执行扫描,对多个循环序列中的每一个,每个元件有一个脉冲。脉冲通常定时成贯穿要成像的诊断区域进行扫描。
在超声扫描器中的信号处理从使应用到阵列的每个元件的激励脉冲的整形和延迟开始,以产生聚焦的、转向的和切趾的脉冲束,其至少部分地传播进入人体组织。切趾指的是使用加权函数(weightingfunction)使波束变细以减少或消除旁瓣(side lobe)的处理。已发射声波脉冲的特性可以调整或“整形”以相应于特定成像模式的设置。例如,脉冲整形可以包括根据回波将用于B-扫描、脉冲多普勒还是彩色多普勒成像模式而调整脉冲的长度。脉冲整形也可以包括调整脉冲频率,在新式宽带换能器中,所述脉冲频率设置成宽范围,并且可以根据正扫描的人体部位而选择。许多扫描器也调整脉冲包络(即,高斯包络)以提高产生的声波的传播特性。
组织结构散射声波而产生的回波信号,由换能器阵列中所有元件接收,并且随后处理。这些回波信号的处理通常在单个元件级别或者在通道级别执行,其中一个通道包括一个或多个元件。信号处理从应用切趾函数、动态聚焦和转向延迟开始。信号处理中最重要的要素之一是波束形成。在换能器阵列中,通过在不同的时刻激励每个元件使波束聚焦和转向,使得每个元件发射的声波将与来自阵列中所有其他元件的声波同时到达预期的焦点。
据美国癌症学会报道,乳癌是女性死亡的主导原因,每年因此导致的死亡人数估计为46000。通常认为,乳房X射线成像术是早期诊断乳癌的最有效方法,并且指出无症状女性的周期检查确实降低了死亡率。各种医学组织已经推荐使用乳房X射线成像术检查用于早期检测乳癌。因而,乳房X射线成像术已经成为放射科医师常规了解的最大量x-射线过程之一。根据放射线成像检测的肿块损伤或微钙化的簇,检测到许多乳癌,并且推荐进行外科活检。虽然现有用于在良性和恶性乳房X射线成像辨认的乳房损伤之间进行区分的基本规则,但是使用这种常规方法发生了相当大量的损伤误分类。据报道,平均来说,推荐进行外科乳房活检的肿块中,实际上仅有不到30%是恶性的。能够以客观和可靠方式检测和分析良性和恶性肿块的计算机化方法,可以通过减少恶性肿瘤的假阳性诊断而帮助放射科医师,由此减少患者发病率,以及执行的外科活检及其相关并发症的数量。
乳房超声波检查法用作诊断乳房X射线成像术的重要辅助手段,并且通常执行以评估可触知的由乳房X射线成像辨认的肿块,以便于确定它们的囊肿或实心特性。已经报道在诊断简单的良性囊肿中,超声的精确度达到96%到100%。特征为良性囊肿的肿块不需要进一步评估。然而,据报道,75%的肿块证明在超声波检查时是不确定的或者实心的,并且因而成为进一步介入的备选。
过去,由于相对较高的假阴性和假阳性率,超声未用于筛查的目的。如在Stavros等人的“Solid Breast NodulesUse of Sonography toDistinguish Bettween Benign and Malignant Lesions”,放射学196123-134,1995中所描述的,所述文献在此全文引入作为参考,通常不使用乳房超声波检查区分良性和恶性实心肿块,这是由于在它们的超声波检查表现上具有相当大的重叠和相似。随着现代高频换能器的出现,其已经提高了空间和对比分辨率,大量的超声波检查图或者中等(mid-level)特征已经成为恶性肿块的可能标志,而其他中等特征是良性肿块的标志。例如,良性特征包括高回声(hyperechogenicity)、椭圆形、轻微的分片(lobulation)以及薄回波的假囊。恶性特征包括针状(spiculation)、有角边缘、显著低回声、后方声影(posterior acousticshadowing)以及大于0.8的深度宽度比率。Stavros等人已经使用了这些和其他特征表征肿块为良性、不确定和恶性。他们的分类方案具有98.4%的灵敏度和99.5%的阴性预言值。然而,这些研究人员所述的超声波检查评估与在通常在乳房成像中心执行的相比要昂贵、复杂得多。众所周知,超声检查是依赖于操作者的模式,除非其他研究人员通过附加研究确认了这些令人鼓舞的结果,否则仍不清楚该超声波检查分类方案能够应用于多广的范围。
根据已报道的良性和恶性肿块的超声波检查特征,可以客观可靠地分类损伤的自动技术,尤其当与它们的乳房X射线成像特征组合时,可以显著地改进乳房肿块的乳房成像评估的特异性。已经将计算机辅助技术应用于乳房肿块的彩色多普勒评估,结果很好。然而,彩色多普勒成像是一种仅关注损伤的血管分布的技术。由于并非所有超声波检查可见的癌症具有显而易见的新血管,该技术自然受到一些限制。
应用于灰阶超声波检查图像的计算机辅助诊断技术是客观和可靠地分类损伤的另一种方法。然而,这些方法通常是不可靠的,因为其从医学图像中提取有意义特征的能力受到一些限制。例如,根据医学图像(例如,超声、CT、MRI等)的计算机辅助诊断依赖于从图像中提取特征的算法。这些特征通常提供到某个算法以推断最终诊断结果(例如,恶性或良性)。该方法受到算法设计者的特征提取能力的限制,提取的特征为产生诊断结果提供所必须的输入。在一些情况下,存在诊断知识,但是没有已知算法用于提取产生诊断结果所必须的特征。因此,需要一种方法,用于在已知诊断程序和已知方法之间搭桥,所述已知诊断程序需要不可由已知常规方法计算的中等特征,而所述已知方法用于从医学图像中提取低等(low-level)特征。

发明内容
本发明是一种用于根据医学图像的计算机辅助诊断方法和装置,例如,确定在从人类患者获取的超声医学图像中存在或不存在恶性特征的方法和装置。
最初,获自实际患者的各种类型的损伤的多幅基础比较或训练图像,由诸如医生、放射科医师或专业医学技术人员的一位或多位图像阅读专家检查和分析。虽然可以使用一幅图像和一位专家,但是大量的图像和大量可靠、有经验的专家将增强本发明的可靠性。虽然可以使用二维图像,但是也可以使用三维图像。由专家评估的图像可以通过超声、x-射线、CAT扫描、核磁共振谱成像等获得。这些专家每位分析这些图像中的每幅,并且根据他们的教育和经验,根据在该类型图像中可以观察到的已知可能中等特征的列表,分类在每幅图像中的观察到的每处损伤或者其他观察到的特征。对于每个可能的中等特征,每位专家提供关于是否在所观察的损伤中存在恶性特征的是或否的评估,以创建第一数据库阵列。这种中等特征的范例包括损伤中在组织中钙盐的异常沉积、损伤是否为规则的椭圆形,和/或是否损伤包括不同类型或特性的元素。
其次,使用一种或多种图像处理算法,确定相同的多幅基础比较或训练图像中每处损伤的低等特征,以获取第二数据库阵列组。在可获得的低等特征中,有傅立叶描述符、矩(moment)、形状以及随机、同现且自相关的参数。合适的算法包括快速傅立叶变换(FFT)、傅立叶逆变换、直方图算法、均值、变量和高阶矩,或者在M.L.Giger等人在Acad.Radiol.1999,6665-674的“Computerized Analysis ofLesions in US Images of the Breast”中公开的算法。
然后,优选将第一数据库阵列组和第二数据库阵列组组合以创建训练数据库阵列组。接着,训练数据库阵列组输入到开发了分类器的学习系统,所述分类器从低等特征的至少一个子组映射到低等特征的第一数据库阵列组中专家的是或否评估。合适的分类器包括神经网络,和朴素贝叶斯分类器( Bayes classifier),其基于所谓的“贝叶斯定理”,并且尤其适合于分类器的输入维度较高时。
开发了一种高性能分类器,用于将低等特征映射到第一数据阵列的专家产生的中等特征。在此,遗传算法(GA)优选用于根据训练数据库阵列中的低等特征而选择特征子组。遗传算法使用达尔文进化模型,来发现低等特征的高性能子组,其中高性能是分类器正确分类特定训练情况的趋势。这种遗传算法公开在Larry J.Eshelman,“The CHCAdaptive Search AlgorithmHow to Have Safe Search When Engagingin Nontraditional Genetic Recomination”,Foundations of GeneticAlgorithms,Morgan Kaufmann,San Francisco,第265-283页,1991。
分类器分析第一数据库阵列组的每个条目,并且改变或最优化其算法,从而可靠地获得如专家察觉到的相应中等特征。实际上,分类器“学习”通过将低等特征与专家确定的中等特征相关,从图像处理器产生的低等特征中正确地预测中等特征。
每个子组包括相应于训练数据库阵列组中的特定低等特征的数量。GA包括多个“染色体”,并且每个染色体拥有一组基因,即相应于损伤的特定低等特征的数量。出于本发明的目的,染色体是基因组中特定低等特征的子组。根据本发明的方法,GA确定染色体,用于提供最优分类器,其将正确地把损伤的低等特征“映射”到由有经验的专家分类的损伤的中等特征。
一旦确定了高性能分类器,其可以仅根据图像,优选数字形式图像,确定患者损伤图像中特定中等特征的存在。例如,输出可以包括一些医学有意义特征或属性或中等特征的存在与否,例如,损伤周围的组织中钙盐的异常沉积、损伤是否为规则的椭圆形,和/或是否损伤包括不同类型或性质的元素。或者,输入可以是使用一个或多个图像处理算法获得的实际图像的低等特征。由医生、放射科医师或专业医学技术人员使用输出以协助确定损伤为良性或恶性。
根据本发明的方法,优选用单个分类器产生每个特定中等特征。即,一个分类器用于确定是否损伤包括一个特定中等特征,另一分类器用于确定是否损伤包括另一个中等特征等。
本发明在用于从医学图像中提取低等特征的已知方法和需要不能由已知常规方法计算的中等特征的已知诊断程序之间搭桥。本发明将使得放射科医师和其他医学专业人员具有快速核实/确认损伤中存在或不存在恶性的能力。另外,本发明的方法有效地为位于远地的医院提供了访问放射学领域中“专家”的通路。


参考随附附图,从下面给出的本发明的典型实施例的详细描述中,本发明的前述和其他优点和特征将更加明显,其中图1是具有由一位或多位专家评估的损伤的多幅典型图像的图示;图2是根据图1的多幅图像的典型数据库阵列组的图示,其将图像处理算法产生的低等特征和专家确定的中等特征组合起来;图3是示出根据本发明与识别到分类器的正确输入相关的功能对象的结构示意图;图4是染色体的典型基因组的图示;图5是示出说明根据本发明方法的步骤的流程图;以及图6是用于实施本发明方法的通用计算机的结构示意图。
具体实施例方式
本发明是一种基于医学图像的计算机辅助诊断方法和装置,例如,确定获自人类患者的超声医学图像中存在或不存在恶性特征。
最初,获自实际患者的各种类型的损伤的多幅基础比较或训练图像,由诸如医生、放射科医师或专业医学技术人员的一位或多位图像阅读专家检查和分析。虽然可以使用一幅图像和一位专家,但是大量的图像和大量可靠、有经验的专家将增强本发明的可靠性。虽然可以使用二维图像,但是也可以使用三维图像。由专家评估的图像可以通过超声、x-射线、CAT扫描、核磁共振谱成像等获得。这些专家每位分析这些图像中的每幅,并且根据他们的教育和经验,根据在该类型图像中可以观察到的已知可能中等特征的列表,分类在每幅图像中观察到的每处损伤或者其他观察到的特征。对于每个可能的中等特征,每位专家提供关于是否在所观察的损伤中存在恶性特征的是或否的评估,以创建第一数据库阵列。这种中等特征的范例包括损伤中在组织中钙盐的异常沉积、损伤是否为规则的椭圆形,和/或是否损伤包括不同类型或特性的元素。在优选实施例中,中等特征由一位以上的专家评估,其中该方法的宗旨是“越多越好”。
使用预定词汇表定义中等特征。在本发明的优选实施例中,使用的词汇表获自Stavros等人的“Solid Breast NodulesUse of Sonographyto Distinguish Bettween Benign and Malignant Lesions”,放射学196123-134,1995。根据本发明,根据在Stavros A.T.等人的文章中推荐的算法,做出最终恶性确定。如由美国放射学会(ACR)BI-RADS所界定的,由Stavros等人推荐的算法需要使用位于图像中对象内损伤的中等特征。对于恶性特征,中等特征至少是i)针状化,粗厚的晕圈(未分辨的);ii)有角边缘(angular margin);iii)微片化(microlobulation);iv)高宽比,即对象的高度宽度比的程度;v)钙化;vi)管延伸和分枝图案(branching pattern);vii)钙化;(viii)相对于脂肪的低回声(50%CA);以及ix)异质的质地。对于良性特征,该中等特征至少是i)损伤的宽高比的程度,即逆高宽比;ii)分片(lobulation),例如,规则的椭圆形,即几乎无分片;iii)连续、光滑囊;iv)同质质地。
关于恶性特征,针状化指的是损伤包含从图中所示的损伤表面或实心结节垂直放射的交替强回声和低回声的程度。在强回声纤维组织围绕的损伤中,在图像中超声波检查法仅可见回声推测(echogenicspeculation)。强回声组织是高反射的组织。回声指的是组织反射超声能量的倾向。
有角边缘指的是实心结节的相对强回声或等回声(isoechoic)中心部分与周围组织的交界处。这些角度可以是锐角、钝角或者90°。
当在图像对象的表面发现许多小(例如,1-2mm)的片时,发生微片化。高宽比指的是图像中对象高度和宽度之比。钙化是对象周围的组织中钙盐的异常沉积,如由组织硬化所证明的。
“相对于脂肪的低回声”(50%CA)是图像中对象与周围等回声脂肪相比更轻的程度。
管延伸是从实心对象的突出,其在管内部或周围放射状延伸,而所述管延伸远离乳腺的乳头。分枝图案定义为从位于延伸远离乳头的管内部或周围的对象的多个突出。
对象表面包括相同类型或性质的元素的程度,是其异质的量度。
关于良性特征,损伤宽度与高度之比的程度是“逆高宽比”。分片指的是图像中对象边界宽高比的程度,即,对象是否为规则椭圆形,即,几乎没有分片在其本应是的光滑椭圆形上和下显示微小的隆起和凹处。具有同质质地的对象表明对象包含不同类型或性质的元素。本领域技术人员将意识到可以定义其他中等特征。
图1是具有由一位或多位专家100评估的损伤A1...n的对象X1...n的多幅图像Y1...n的示例性图示。根据本发明,对象X1...n的这些图像(即,基础比较或训练图像)可以通过超声、x-射线、CAT扫描、核磁共振谱成像等获得。参考图1,图像Y1...n示出的对象X1...n中的每处观察到的损伤A1...n,由一位或多位专家100根据他们的教育和经验评估,以分类损伤A1...n的中等特征,从而获得第一数据库阵列组。
接着,使用一个或多个图像处理算法进行确定相同的多幅基础比较或训练图像中的每处损伤A1...n的低等特征,以获得第二数据库阵列组。在可以获得的低等特征中,有傅立叶描述符、矩、形状以及随机、同现和自相关的参数。合适的算法包括快速傅立叶变换(FFT)、反傅立叶变换、直方图算法、均值、变量和高阶矩,或者在M.L.Giger等人在Acad.Radiol.1999,6665-674的“Computerized Analysis ofLesions in US Images of the Breast”中公开的算法。
图2是根据图1的多幅图像的示例性数据库阵列组的图示,其组合了图像处理算法产生的低等特征和专家确定的中等特征。当专家100确定在图像Y中存在特定中等特征,在第一数据库阵列组中输入和存储1,以指示在图像Y中存在该中等特征,如第三栏中所示。在图2中,如第二栏中所示的数据库阵列组的参数x11...x1A表示图像Y的低等特征,这些低等特征使用已知图像算法从图像中提取而得。图像A的组的专家分类栏中的0指示专家100推断图像Y1-n0不包含特定中等特征,而另一组图像B的专家分类栏中的1指示专家推断图像Y1-z1包含特定中等特征。图1的图像Y1...n优选由不止一位专家评估,并且与他们的评估一起存储在数据阵列组中,以增加医学有意义特征的预定义感知的有效性的置信度。在这种情况下,在图2的第一数库据阵列组中,对每位专家创建1’和0’的附加栏。
然后,第一数据库阵列组和第二数据库阵列组可以优选组合以创建训练数据库阵列组。或者,两个数据库阵列组不需要组合,而在组合中分别使用。接着,训练数据库阵列组输入到开发分类器的学习系统,所述分类器精确地从低等特征的至少一个子组映射到低等特征的第一数据库阵列组中专家的是或否的评估。合适的分类器包括神经网络,诸如在美国专利号No.6,601,053、题为“Optimized Artificial NeuralNetworks”中所述的神经网络,所述文献在此全文引入作为参考,以及基于所谓“贝叶斯定理”并且当输入到分类器的维度较高时尤其适用的朴素贝叶斯分类器。本领域技术人员将意识到,也可以使用其他分类器。
图3是描述根据本发明与辨认用于高性能分类器的正确输入相关的功能对象的结构示意图。通过使用遗传算法(GA)根据诸如x11...x1A的训练数据库阵列组中的低等特征,在图2中所示的训练数据库阵列组中选择特征子组,开发了高性能分类器,用于将低等特征映射到第一数据阵列的专家产生的中等特征。遗传算法使用了达尔文进化模型来发现低等特征的高性能子组,其中高性能是分类器正确分类特定训练情况的倾向。这种遗传算法公开在Larry J.Eshelman,“The CHCAdaptive Search AlgorithmHow to Have Safe Search When Engagingin Nontraditional Genetic Recombination”,Foundations of GeneticAlgorithms,Morgan Kaufmann,San Francisco,第265-283页,1991。
该分类器分析第一数据库阵列组的每个条目,并且改变或尽可能最优化其算法,以便可靠地获得如由专家感知的相应中等特征。实际上,分类器“学习”基于将低等特征与专家确定的中等特征关联,来根据图像处理器产生的低等特征正确地预测中等特征。
每个子组包括与训练数据库阵列组中的特定低等特征x11...x1A对应的整数。参考图3,GA包括多个“染色体”,每个拥有一组基因,即与损伤的特定低等特征对应的数。出于本发明的目的,染色体指定该组基因中的特定低等特征的子组,如下面参考图4所示。GA确定将发现/学习高性能分类器的染色体,所述分类器用于将损伤的低等特征映射到由专家分类的损伤的中等特征。例如,选择神经网络进行映射操作。提供了一组用于该网络的输入-输出对,并且将这些输入-输出对分成训练组和评估组。初始定义的网络用训练组进行训练,并且而后使用评估组进行评估。然后,选择最优的(多个)神经网络,使用该神经网络执行优化。
修改代表所选网络结构的符号串产生代表新神经网络结构的新符号串。然后,这些新神经网络结构经训练组训练、由评估组评估,并再次选择性能最优的网络。再次修改改进的网络的符号串表示,然后继续该过程直到实现充分优化的网络,即神经网络。对于用于最优化神经网络的处理的详细描述,可以参考授予Schaffer等人、题为“Optimized Artificial Neural Networks”的美国专利号No.6,601,053,所述文献在此全文引入作为参考。
一旦开发了高性能分类器,其可以仅根据图像,优选数字形式的图像,确定患者损伤图像中特定中等特征的存在。例如,输出可以包括一些医学有意义特征或属性或中等特征的存在与否,例如,损伤周围的组织中钙盐的异常沉积、损伤是否为规则的椭圆形,和/或是否损伤包括不同类型或特征的元素。或者,输入可以是使用一个或多个图像处理算法获得的实际图像的低等特征。由医生、放射科医师或专业医学技术人员使用输出以协助确定损伤为良性或恶性。
图5是示出根据本发明的方法的步骤的流程图。通过检查和分析获自实际患者的各种类型损伤的多幅基础比较或训练图像Y1...n以创建第一数据库阵列,而实施本发明的方法,如步骤510中所示。在此,由诸如医生、放射科医师或专业医学技术人员的一位或多位图像阅读专家检查图像Y1...n。虽然可以使用一幅图像和一位专家,但是大量的图像和大量可靠、有经验的专家将增强本发明的可靠性。虽然可以使用二维图像,但是也可以使用三维图像。
由专家100评估的图像Y1...n可以通过超声、x-射线、CAT扫描、核磁共振谱成像等获得。这些专家每位分析这些图像Y1...n中的每幅,并且根据他们的教育和经验,根据在该类型图像中可以观察到的已知可能中等特征的列表,分类在每幅图像中的每处观察到的损伤A1...n或者其他观察到的特征。对于每个可能的中等特征,每位专家提供关于是否在所观察的损伤中存在特征的是或否的评估以创建第一数据库阵列。这种中等特征的范例包括损伤中在组织中钙盐异常沉积、是否损伤是规则的椭圆形,和/或是否损伤包括不同类型或性质的元素。
接着,使用一种或多种图像处理算法,确定相同的多幅基础比较或训练图像Y1...n中每处损伤A1...n的低等特征,以获取第二数据库阵列组,如在步骤520中所示。在可获得的低等特征中,有傅立叶描述符、矩、形状以及随机、同现且自相关的参数。合适的算法包括快速傅立叶变换(FFT)、反傅立叶变换、直方图算法、均值、变量和高阶矩,或者在M.L.Giger等人在Acad.Radiol.1999,6665-674的“Computerized Analysis of Lesions in US Images of the Breast”中公开的算法。
然后,第一数据库阵列组和第二数据库阵列组可以组合以创建训练数据库阵列组,如在步骤530中所示。或者,这两个数据库阵列组不需要组合,而在组合中分别使用。接着,将训练数据库阵列组输入到开发分类器的学习系统,所述分类器从低等特征的子组映射到低等特征的第一数据库阵列组中专家的是或否的评估,如在步骤540中所示。合适的分类器包括神经网络,以及基于所谓“贝叶斯定理”并且当分类器的输入维度较高时尤其适用的朴素贝叶斯分类器。
通过使用遗传算法(GA)根据训练数据库阵列中的低等特征选择特征子组,开发高性能分类器,用于将低等特征映射到第一数据阵列的专家产生的中等特征。遗传算法使用达尔文进化的模型,以发现低等特征的高性能子组,其中高性能是分类器正确分类特定训练情况的倾向。这种遗传算法公开在Larry J.Eshelman,“The CHC AdaptiveSearch AlgorithmHow to Have Safe Search When Engaging inNontraditional Genetic Recomination”,Foundations of GeneticAlgorithms,Morgan Kaufmann,San Francisco,第265-283页,1991。
一旦开发了高性能分类器,其用于仅根据图像,确定患者损伤图像中特定中等特征的存在,如步骤550中所示。
最终,输出特定中等特征的存在与否,用于随后确定损伤是良性还是恶性的,如步骤560中所示。例如,该输出可以包括一些医学有意义特征或属性或中等特征的存在或不存在,例如,损伤周围的组织中钙盐的异常沉积、是否损伤是规则的椭圆形,和/或是否损伤包括不同类型或性质的元素。或者,输入可以是使用一个或多个图像处理算法获得的实际图像的低等特征。由医生、放射科医师或专业医学技术人员使用输出以协助确定损伤为良性或恶性。
根据本发明的方法,使用单个分类器产生每个特定中等特征。即,一个分类器用于确定损伤是否包括一个特定中等特征,另一个分类器用于确定是否损伤包括另一个中等特征等。
可以通过使用根据本说明书的教导编程的常规通用数字计算机或者微处理器实施本发明的方法,这对于计算机领域的技术人员而言是显而易见的。正如对于软件领域技术人员将是显然的,根据本公开内容的教导,熟练的程序设计员可以容易地准备合适的软件编码。
本发明包括一种计算机程序产品,其是一种存储媒介,包括可以用于编程计算机以执行本发明方法的指令。该存储媒介可以包括,但是不局限于,任何类型的盘,包括软盘、光盘、CD-ROM和磁光盘、ROM、RAM、EPROM、EEPROM、磁或光卡或者包括适于存储电子指令的硬盘驱动的任何类型的介质。
图6是用于实施本发明方法的通用计算机600的结构示意图。在图6中,例如,计算机600包括诸如具有触摸屏界面的触摸屏监视器的显示设备602,键盘604,指点装置606,鼠标垫或数字化垫608,硬盘610或者使用诸如SCSI总线、增强IDE总线、PCI总线等合适的设备总线连接的其他固定的高密度介质驱动器,软盘驱动器612,具有磁带或CD介质616的磁带或CD ROM驱动器614,或者诸如磁光介质等的其他可拆卸介质设备,以及主板618。例如,主板618包括处理器620、RAM 622、ROM 624、用于耦合到图像采集设备(未示出)的I/O端口626,以及用于执行诸如声处理、图像处理、信号处理、神经网络处理等的专用硬件/软件功能的任选专用硬件628,扩音器630以及一个或多个扬声器640。
存储在上述存储介质(计算机可读介质)中任一上,本发明包括编程以控制计算机600的硬件和使计算机600能够与人类用户交互。这种编程可以包括,但不局限于,用于实现设备驱动器、操作系统和用户应用的软件。这种计算机可读介质还包括编程或软件指令以指导通用计算机600根据本发明执行任务。
通用计算机600的编程可以包括软件模块,其用于数字化和存储获自图像采集设备的图像。或者,应当理解的是,本发明也可以实施以处理通过其他手段(诸如图像存档和通信系统(PACS))获取的数字图像数据。
使用本发明的装置和方法,提供了一种在需要不能由已知常规方法计算的中等特征的已知诊断程序和用于从医学图像中提取低等特征的已知方法之间搭桥的方法。此外,医学专业人员具有快速核实存在或不存在恶性肿瘤的能力。此外,本发明的装置和方法有效地为位于远地的医院提供了访问放射学领域“专家”的通路。
因而,虽然如应用到本发明的优选实施例而已经示出、描述并指出了本发明的基本新特征,需要理解的是,本领域技术人员不脱离本发明的精神,可以进行示出的设备的形式和细节以及他们的操作中的各种省略、替代和改变。例如,明显地,意图是,以基本上相同的方式执行基本上相同的功能以达到相同结果的那些元件和/或方法步骤的所有组合,都在本发明的范围内。而且,应当意识到,为了设计选择的基本方便,与本发明的任何公开的形式和实施例相关的示出和/或描述的结构和/或元件和/或方法步骤,可以包括在任何其他公开或描述或建议的形式或实施例中。因此,本发明的意图是仅由随附的权利要求的范围所示而进行限制。
权利要求
1.一种用于确定在输入医学图像中的对象中存在至少一个医学有意义特征的方法,包括如下步骤创建第一数据库,其包括由至少一位专家对多幅训练医学图像中至少一个对象的评估;由数据处理器分析训练图像中的该至少一个对象,以识别其中的特征,来创建包括所识别特征的第二数据库;将第一和第二数据库输入到分类器数据处理器;训练所述分类器以根据第一和第二数据库模拟至少一个医学有意义特征的预定义感知;以及分析数据处理器和受训练的分类器中的医学图像,以输出在医学图像中存在对象的所述至少一个医学有意义特征的至少一个指示。
2.根据权利要求1的方法,其中所述至少一个对象是损伤。
3.根据权利要求1的方法,其中分类器是神经网络。
4.根据权利要求1的方法,其中每个评估包括对医学图像中每个对象的特征的分类。
5.根据权利要求1的方法,其中所识别的特征是对象的低等特征。
6.根据权利要求1的方法,其中低等特征由至少下列之一表示傅立叶描述符、矩、形状以及随机、同现且自相关的参数。
7.根据权利要求1的方法,其中所述至少一个医学有意义的特征是对象的中等特征。
8.根据权利要求7的方法,其中该中等特征是对象的至少一个恶性特征。
9.根据权利要求8的方法,其中恶性特征是至少下列之一损伤的针状化,损伤的有角边缘,损伤的微片化,损伤的高宽比,损伤中的钙化,损伤中管延伸和分枝图案,钙化,相对于脂肪的低回声,以及损伤的异质质地。
10.根据权利要求7的方法,其中该中等特征是损伤的至少一个良性特征。
11.根据权利要求10的方法,其中良性特征是至少下列之一损伤的宽高比的程度,损伤的分片,损伤的连续,损伤的光滑囊特性,以及损伤的同质质地。
12.根据权利要求4的方法,其中所述多幅训练医学图像包含了预期恶性的完整谱。
13.根据权利要求1的方法,其中通过使用遗传算法根据训练医学图像中的已识别特征选择特征的基因子组,来发展已识别的特征。
14.根据权利要求12的方法,其中遗传算法是自适应搜索算法。
15.根据权利要求12的方法,其中所识别的特征是与基因子组中的数对应的低等特征。
16.根据权利要求15的方法,其中基因子组属于染色体的一组基因。
17.根据权利要求1的方法,其中所述训练步骤包括产生高性能分类器的步骤,该分类器用于将对象的所识别特征映射到所述至少一个医学有意义特征。
18.根据权利要求16的方法,其中所述产生步骤包括下列步骤提供一组输入-输出对到分类器,将输入-输出对分成训练组和评估组;用训练组使分类器适应,以及用训练组评估已适应的分类器。
19.根据权利要求1的方法,其中分类器是朴素贝叶斯分类器。
20.根据权利要求7的方法,其中使用单独的分类器产生每个中等特征。
21.根据权利要求7的方法,其中使用单独的分类器产生每个中等特征。
22.根据权利要求10的方法,其中使用单独的分类器产生每个中等特征。
23.根据权利要求4的方法,其中所述对象是损伤。
24.一种用于确定图像中的对象中存在至少一个医学有意义特征的方法,包括如下步骤创建第一数据库,其具有由至少一位专家对至少一幅训练图像中至少一个对象的评估;分析该至少一幅训练图像中该至少一个对象以识别其中的特征,来创建已识别特征的第二数据库;将第一和第二数据库阵列组输入到分类器;训练该分类器以根据第一和第二数据库模拟至少一个有医学意义特征的预定义感知;以及使用受训练的分类器分析医学图像,以输出在医学图像中存在对象的所述至少一个医学有意义特征的至少一个指示。
25.一种用于确定在输入医学图像中的对象中存在至少一个医学有意义特征的装置,包括第一数据库,用于存储由至少一位专家对多幅训练医学图像中至少一个对象的评估;第二数据库,用于存储医学图像的已识别特征;数据处理器,可操作地耦合到第一和第二数据库,所述处理器还可用于执行下列步骤提供由至少一位专家对多幅训练医学图像中的至少一个对象的评估,用于存储在第一数据库中;由该数据处理器分析训练图像中该至少一个对象以识别其中的特征,用于存储在第二数据库中;将第一和第二数据库输入到分类器数据处理器;训练分类器以根据第一和第二数据库模拟至少一个有医学意义特征的预定义感知;以及分析该数据处理器和受训练的分类器中的医学图像,以输出在医学图像中存在对象的所述至少一个医学有意义特征的至少一个指示。
26.根据权利要求25的装置,其中分类器是神经网络或朴素贝叶斯分类器。
全文摘要
本发明涉及一种用于在医学图像中确定存在或不存在恶性特征的方法,其中获自实际患者的各种类型的损伤的多幅基础比较或训练图像,由一位或多位图像阅读专家检查,以创建第一数据阵列。使用一种或多种图像处理算法确定相同多幅基础比较或训练图像中每处损伤的低等特征,以获取第二数据库阵列组。第一和第二数据库阵列组合以创建训练数据库阵列组,其输入到发现/学习分类器的学习系统,所述分类器从低等特征的子组映射到第一数据库阵列组中的专家评估。该分类器用于仅根据图像确定在患者的损伤图像中存在特定中等特征。
文档编号G06K9/62GK101084511SQ200580043467
公开日2007年12月5日 申请日期2005年12月13日 优先权日2004年12月17日
发明者J·D·谢菲尔, W·阿利, L·J·埃舍尔曼, C·科亨-巴克里, J·-M·拉格朗热, C·莱夫里耶, N·维兰, R·R·恩特雷金 申请人:皇家飞利浦电子股份有限公司
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1