1.一种用于在患者医学图像中进行解剖对象检测的方法，包括：
接收包括目标解剖对象的患者的医学图像；以及
使用针对每个边缘搜索空间的相应经训练的深度神经网络，在具有递增维度的一系列边缘参数空间中检测医学图像中目标解剖对象的姿势。
2.权利要求1所述的方法，其中每个相应经训练的深度神经网络输入医学图像的图像块并在边缘参数空间中的相应边缘参数空间内计算目标解剖对象的一个或多个候选。
3.权利要求1所述的方法，其中每个相应经训练的深度神经网络直接对输入至经训练的深度神经网络的每个图像块的像素或体素进行操作，以在边缘参数空间中的相应边缘参数空间内计算目标解剖对象的一个或多个候选。
4.权利要求1所述的方法，其中针对至少一个边缘参数空间的相应经训练的深度神经网络包括判别式深度神经网络，该判别式深度神经网络输入所述相应边缘参数空间内的假设图像块，并针对每个假设图像块计算所述假设图像块是所述相应边缘参数空间中目标解剖对象的图像块的概率。
5.权利要求1所述的方法，其中针对至少一个边缘参数空间的所述相应经训练的深度神经网络包括深度神经网络回归器，深度神经网络回归器输入所述相应边缘参数空间内的假设图像块，并针对每个假设图像块计算将所述假设图像块映射到所述相应边缘参数空间中目标解剖对象的预测图像块的偏移向量。
6.权利要求5所述的方法，其中所述深度神经网络回归器还针对每个假设图像块计算所述相应边缘参数空间中目标解剖对象的对应预测图像块的概率。
7.权利要求5所述的方法，其中通过将每个预测图像块返回输入至深度神经网络回归器中并且针对每个预测图像块计算将预测图像块映射到所述相应边缘参数空间内经细化的预测图像块的偏移向量，所述深度神经网络回归器迭代地细化相应边缘参数空间中目标解剖对象的预测图像块。
8.权利要求1所述的方法，其中所述一系列边缘参数空间包括位置参数空间、位置-定向参数空间、和位置-定向-尺度参数空间。
9.权利要求8所述的方法，其中使用针对每个边缘搜索空间的相应经训练的深度神经网络，在具有递增维度的一系列边缘参数空间中检测医学图像中目标解剖对象的姿势包括：
使用第一经训练的深度神经网络检测医学图像中的位置候选，第一经训练的深度神经网络输入以医学图像中多个体素中的每一个为中心的图像块；
基于检测到的位置候选生成位置-定向假设；
使用第二经训练的深度神经网络检测医学图像中的位置-定向候选，第二经训练的深度神经网络输入对应于位置-定向假设的图像块；
基于检测到的位置-定向候选生成位置-定向-尺度假设；以及
使用第三经训练的深度神经网络检测医学图像中目标解剖对象的姿势，第三经训练的深度神经网络输入对应于位置-定向-尺度假设的图像块。
10.权利要求9所述的方法，其中基于检测到的位置候选生成位置-定向假设包括：
将以每个检测到的位置候选为中心的相应图像块旋转至从针对目标解剖对象的定向的预定范围采样的多个定向。
11.权利要求9所述的方法，其中基于检测到的位置-定向候选生成位置-定向-尺度假设包括：
将对应于每个检测到的位置-定向候选的相应图像块缩放至从针对目标解剖对象的尺度的预定范围采样的多个尺度。
12.权利要求9所述的方法，其中第二经训练的深度神经网络是经训练的深度神经网络回归器，并且基于检测到的位置候选生成位置-定向假设包括：
通过使用以每个检测到的位置候选为中心的图像块作为所述相应位置-定向假设，生成针对每个检测到的位置候选的相应位置-定向假设。
13.权利要求9所述的方法，其中第二经训练的深度神经网络是经训练的深度神经网络回归器，并且基于检测到的位置-定向候选生成位置-定向-尺度假设包括：
通过使用对应于每个检测到的位置-定向候选的图像块作为所述相应位置-定向-尺度假设，生成针对每个检测到的位置-定向候选的相应位置-定向-尺度假设。
14.权利要求1所述的方法，其中针对每个边缘参数空间的相应深度神经网络是使用堆叠式去噪自动编码器(DAE)训练的多层深度神经网络。
15.权利要求1所述的方法，其中针对每个边缘参数空间的相应深度神经网络是使用卷积神经网络(CNN)、堆叠式受限玻尔兹曼机(RBM)、或堆叠式自动编码器(AE)之一训练的多层深度神经网络。
16.权利要求1所述的方法，其中通过如下步骤训练针对每个边缘参数空间的相应经训练的深度神经网络：在无监督预训练阶段中顺序地训练多个隐藏层中的每一个以重构对每个隐藏层的相应输入，以及在有监督训练阶段中基于相应边缘参数空间内的完全真实训练图像块来训练深度神经网络以检测相应边缘参数空间内的目标解剖对象。
17.权利要求16所述的方法，其中通过下列步骤在有监督训练阶段中训练针对每个边缘参数空间的相应经训练的深度神经网络：针对相应边缘参数空间添加用于目标输出的输出层，以及使用后向传播来训练多个隐藏层和输出层以最小化针对解剖对象的所检测到的图像块与相应边缘参数空间内完全真实训练图像块之间的误差。
18.权利要求16所述的方法，其中通过下列步骤在有监督训练阶段中训练针对每个边缘参数空间的相应经训练的深度神经网络：将所述多个隐藏层的输出视为高等级图像特征，以及基于由所述多个隐藏层输出的高等级图像特征来训练判别式分类器。
19.权利要求1所述的方法，其中使用从训练图像集采样的训练图像块训练针对边缘参数空间中的第一边缘参数空间的经训练的深度神经网络，以及使用训练图像块训练针对边缘参数空间中的每个随后的边缘参数空间的经训练的深度神经网络，所述训练图像块通过将由先前边缘参数空间内的经训练的深度神经网络检测到的训练图像块扩充为具有从训练图像中当前边缘搜索空间的范围采样的当前边缘搜索空间的附加参数。
20.权利要求1所述的方法，其中使用针对每个边缘搜索空间的相应经训练的深度神经网络，在具有递增维度的一系列边缘参数空间中检测医学图像中目标解剖对象的姿势包括：
针对至少一个边缘参数空间：
计算针对所述边缘参数空间的相应经训练的深度神经网络的逼近；以及
使用针对所述边缘参数空间的相应经训练的深度神经网络的逼近，在所述边缘参数空间内检测针对目标解剖对象的一个或多个候选。
21.权利要求20所述的方法，其中计算针对所述边缘参数空间的相应经训练的深度神经网络的逼近包括：
计算针对所述边缘参数空间的相应经训练的深度神经网络的训练权重的降秩逼近。
22.权利要求21所述的方法，其中计算针对所述边缘参数空间的相应经训练的深度神经网络的训练权重的降秩逼近包括：
计算低秩张量分解以逼近针对所述边缘参数空间的相应经训练的深度神经网络的训练权重。
23.权利要求21所述的方法，其中计算针对所述边缘参数空间的相应经训练的深度神经网络的训练权重的降秩逼近包括：
使用稀疏逼近矩阵，逼近针对所述边缘参数空间的相应经训练的深度神经网络的训练权重。
24.一种用于在患者的医学图像中进行解剖对象检测的装置，包括：
用于接收包括目标解剖对象的患者的医学图像的装置，以及
用于使用针对每个边缘搜索空间的相应经训练的深度神经网络在具有递增维度的一系列边缘参数空间中检测所述医学图像中目标解剖对象的姿势的装置。
25.权利要求24所述的装置，其中每个相应经训练的深度神经网络输入所述医学图像的图像块并在边缘参数空间中的相应边缘参数空间内计算目标解剖对象的一个或多个候选。
26.权利要求24所述的装置，其中每个相应经训练的深度神经网络直接对输入至经训练的深度神经网络的每个图像块的像素或体素进行操作，以在边缘参数空间中的相应边缘参数空间内计算目标解剖对象的一个或多个候选。
27.权利要求24所述的装置，其中针对至少一个边缘参数空间的相应经训练的深度神经网络包括判别式深度神经网络，该判别式深度神经网络输入所述相应边缘参数空间内的假设图像块，并针对每个假设图像块计算所述假设图像块是所述相应边缘参数空间中目标解剖对象的图像块的概率。
28.权利要求24所述的装置，其中针对至少一个边缘参数空间的所述相应经训练的深度神经网络包括深度神经网络回归器，深度神经网络回归器输入所述相应边缘参数空间内的假设图像块，并针对每个假设图像块计算将所述假设图像块映射到所述相应边缘参数空间中目标解剖对象的预测图像块的偏移向量。
29.权利要求28所述的装置，其中所述深度神经网络回归器还针对每个假设图像块计算相应边缘参数空间中目标解剖对象的对应预测图像块的概率。
30.权利要求28所述的装置，其中通过将每个预测图像块返回输入至深度神经网络回归器中并且针对每个预测图像块计算将预测图像块映射到所述相应边缘参数空间内经细化的预测图像块的偏移向量，所述深度神经网络回归器迭代地细化相应边缘参数空间中目标解剖对象的预测图像块。
31.权利要求24所述的装置，其中所述一系列边缘参数空间包括位置参数空间、位置-定向参数空间、和位置-定向-尺度参数空间。
32.权利要求31所述的方法，其中用于使用针对每个边缘搜索空间的相应经训练的深度神经网络在具有递增维度的一系列边缘参数空间中检测所述医学图像中目标解剖对象的姿势的装置包括：
用于使用第一经训练的深度神经网络检测医学图像中的位置候选的装置，第一经训练的深度神经网络输入以医学图像中多个体素中的每一个为中心的图像块；
用于基于检测到的位置候选生成位置-定向假设的装置；
用于使用第二经训练的深度神经网络检测医学图像中的位置-定向候选的装置，第二经训练的深度神经网络输入对应于位置-定向假设的图像块；
用于基于检测到的位置-定向候选生成位置-定向-尺度假设的装置；以及
使用第三经训练的深度神经网络检测医学图像中目标解剖对象的姿势的装置，第三经训练的深度神经网络输入对应于位置-定向-尺度假设的图像块。
33.权利要求24所述的装置，其中针对每个边缘参数空间的相应深度神经网络是使用堆叠式去噪自动编码器(DAE)训练的多层深度神经网络。
34.权利要求24所述的装置，其中针对每个边缘参数空间的相应深度神经网络是使用卷积神经网络(CNN)、堆叠式受限玻尔兹曼机(RBM)、或堆叠式自动编码器(AE)之一训练的多层深度神经网络。
35.权利要求24所述的装置，其中通过如下步骤训练针对每个边缘参数空间的相应经训练的深度神经网络：在无监督预训练阶段中顺序地训练多个隐藏层中的每一个以重构对每个隐藏层的相应输入，以及在有监督训练阶段中基于相应边缘参数空间内的完全真实训练图像块来训练深度神经网络以检测相应边缘参数空间内的目标解剖对象。
36.权利要求35所述的装置，其中通过下列步骤在有监督训练阶段中训练针对每个边缘参数空间的相应经训练的深度神经网络：针对相应边缘参数空间添加用于目标输出的输出层，以及使用后向传播来训练多个隐藏层和输出层以最小化针对解剖对象的所检测到的图像块与相应边缘参数空间内完全真实训练图像块之间的误差。
37.权利要求35所述的装置，其中通过下列步骤在有监督训练阶段中训练针对每个边缘参数空间的相应经训练的深度神经网络：将所述多个隐藏层的输出视为高等级图像特征，以及基于由所述多个隐藏层输出的高等级图像特征来训练判别式分类器。
38.权利要求24所述的装置，其中使用从训练图像集采样的训练图像块训练针对边缘参数空间中的第一边缘参数空间的经训练的深度神经网络，以及使用训练图像块训练针对边缘参数空间中的每个随后的边缘参数空间的经训练的深度神经网络，所述训练图像块通过将由先前边缘参数空间内的经训练的深度神经网络检测到的训练图像块扩充为具有从训练图像中当前边缘搜索空间的范围采样的当前边缘搜索空间的附加参数。
39.权利要求24所述的装置，其中用于使用针对每个边缘搜索空间的相应经训练的深度神经网络在具有递增维度的一系列边缘参数空间中检测医学图像中目标解剖对象的姿势的装置包括：
用于计算针对至少一个边缘参数空间的相应经训练的深度神经网络的逼近的装置；以及
用于使用针对所述至少一个边缘参数空间的相应经训练的深度神经网络的逼近在所述至少一个边缘参数空间内检测针对目标解剖对象的一个或多个候选的装置。
40.权利要求39所述的装置，其中用于计算针对至少一个边缘参数空间的相应经训练的深度神经网络的逼近的装置包括：
用于计算针对所述至少一个边缘参数空间的相应经训练的深度神经网络的训练权重的降秩逼近的装置。
41.一种非临时性计算机可读介质，存储用于患者的医学图像中的解剖对象检测的计算机程序指令，所述计算机程序指令在由处理器执行时使得处理器执行包括以下步骤的操作：
接收包括目标解剖对象的患者的医学图像；以及
使用针对每个边缘搜索空间的相应经训练的深度神经网络，在具有递增维度的一系列边缘参数空间中检测医学图像中目标解剖对象的姿势。
42.权利要求41所述的非临时性计算机可读介质，其中每个相应经训练的深度神经网络输入医学图像的图像块并在边缘参数空间中的所述相应边缘参数空间内计算目标解剖对象的一个或多个候选。
43.权利要求41所述的非临时性计算机可读介质，其中每个相应经训练的深度神经网络直接对输入至经训练的深度神经网络的每个图像块的像素或体素进行操作，以在边缘参数空间中的所述相应边缘参数空间内计算目标解剖对象的一个或多个候选。
44.权利要求41所述的非临时性计算机可读介质，其中针对至少一个边缘参数空间的相应经训练的深度神经网络包括判别式深度神经网络，该判别式深度神经网络输入所述相应边缘参数空间内的假设图像块，并针对每个假设图像块计算所述假设图像块是所述相应边缘参数空间中目标解剖对象的图像块的概率。
45.权利要求41所述的非临时性计算机可读介质，其中针对至少一个边缘参数空间的所述相应经训练的深度神经网络包括深度神经网络回归器，深度神经网络回归器输入所述相应边缘参数空间内的假设图像块，并针对每个假设图像块计算将所述假设图像块映射到所述相应边缘参数空间中目标解剖对象的预测图像块的偏移向量。
46.权利要求45所述的非临时性计算机可读介质，其中所述深度神经网络回归器还针对每个假设图像块计算所述相应边缘参数空间中目标解剖对象的对应预测图像块的概率。
47.权利要求45所述的非临时性计算机可读介质，其中通过将每个预测图像块返回输入至深度神经网络回归器中并且针对每个预测图像块计算将预测图像块映射到所述相应边缘参数空间内经细化的预测图像块的偏移向量，所述深度神经网络回归器迭代地细化相应边缘参数空间中目标解剖对象的预测图像块。
48.权利要求41所述的非临时性计算机可读介质，其中所述一系列边缘参数空间包括位置参数空间、位置-定向参数空间、和位置-定向-尺度参数空间。
49.权利要求48所述的非临时性计算机可读介质，其中使用针对每个边缘搜索空间的相应经训练的深度神经网络，在具有递增维度的一系列边缘参数空间中检测医学图像中目标解剖对象的姿势包括：
使用第一经训练的深度神经网络检测医学图像中的位置候选，第一经训练的深度神经网络输入以医学图像中多个体素中的每一个为中心的图像块；
基于检测到的位置候选生成位置-定向假设；
使用第二经训练的深度神经网络检测医学图像中的位置-定向候选，第二经训练的深度神经网络输入对应于位置-定向假设的图像块；
基于检测到的位置-定向候选生成位置-定向-尺度假设；以及
使用第三经训练的深度神经网络检测医学图像中目标解剖对象的姿势，第三经训练的深度神经网络输入对应于位置-定向-尺度假设的图像块。
50.权利要求49所述的非临时性计算机可读介质，其中基于检测到的位置候选生成位置-定向假设包括：
将以每个检测到的位置候选为中心的相应图像块旋转至从针对目标解剖对象的定向的预定范围采样的多个定向。
51.权利要求49所述的非临时性计算机可读介质，其中基于检测到的位置-定向候选生成位置-定向-尺度假设包括：
将对应于每个检测到的位置-定向候选的相应图像块缩放至从针对目标解剖对象的尺度的预定范围采样的多个尺度。
52.权利要求49所述的非临时性计算机可读介质，其中第二经训练的深度神经网络是经训练的深度神经网络回归器，并且基于检测到的位置候选生成位置-定向假设包括：
通过使用以每个检测到的位置候选为中心的图像块作为所述相应位置-定向假设，生成针对每个检测到的位置候选的相应位置-定向假设。
53.权利要求49所述的非临时性计算机可读介质，其中第二经训练的深度神经网络是经训练的深度神经网络回归器，并且基于检测到的位置-定向候选生成位置-定向-尺度假设包括：
通过使用对应于每个检测到的位置-定向候选的图像块作为所述相应位置-定向-尺度假设，生成针对每个检测到的位置-定向候选的相应位置-定向-尺度假设。
54.权利要求41所述的非临时性计算机可读介质，其中针对每个边缘参数空间的相应深度神经网络是使用堆叠式去噪自动编码器(DAE)训练的多层深度神经网络。
55.权利要求41所述的非临时性计算机可读介质，其中针对每个边缘参数空间的相应深度神经网络是使用卷积神经网络(CNN)、堆叠式受限玻尔兹曼机(RBM)、或堆叠式自动编码器(AE)之一训练的多层深度神经网络。
56.权利要求41所述的非临时性计算机可读介质，其中通过如下步骤训练针对每个边缘参数空间的相应经训练的深度神经网络：在无监督预训练阶段中顺序地训练多个隐藏层中的每一个以重构对每个隐藏层的相应输入，以及在有监督训练阶段中基于相应边缘参数空间内的完全真实训练图像块来训练深度神经网络以检测相应边缘参数空间内的目标解剖对象。
57.权利要求56所述的非临时性计算机可读介质，其中通过下列步骤在有监督训练阶段中训练针对每个边缘参数空间的相应经训练的深度神经网络：针对相应边缘参数空间添加用于目标输出的输出层，以及使用后向传播来训练多个隐藏层和输出层以最小化针对解剖对象的所检测到的图像块与相应边缘参数空间内完全真实训练图像块之间的误差。
58.权利要求56所述的非临时性计算机可读介质，其中通过下列步骤在有监督训练阶段中训练针对每个边缘参数空间的相应经训练的深度神经网络：将所述多个隐藏层的输出视为高等级图像特征，以及基于由所述多个隐藏层输出的高等级图像特征来训练判别式分类器。
59.权利要求41所述的非临时性计算机可读介质，其中使用从训练图像集采样的训练图像块训练针对边缘参数空间中的第一边缘参数空间的经训练的深度神经网络，以及使用训练图像块训练针对边缘参数空间中的每个随后的边缘参数空间的经训练的深度神经网络，所述训练图像块通过将由先前边缘参数空间内的经训练的深度神经网络检测到的训练图像块扩充为具有从训练图像中当前边缘搜索空间的范围采样的当前边缘搜索空间的附加参数。
60.权利要求41所述的非临时性计算机可读介质，其中使用针对每个边缘搜索空间的相应经训练的深度神经网络，在具有递增维度的一系列边缘参数空间中检测医学图像中目标解剖对象的姿势包括：
针对至少一个边缘参数空间：
计算针对所述边缘参数空间的相应经训练的深度神经网络的逼近；以及
使用针对所述边缘参数空间的相应经训练的深度神经网络的逼近，在所述边缘参数空间内检测针对目标解剖对象的一个或多个候选。
61.权利要求60所述的非临时性计算机可读介质，其中计算针对所述边缘参数空间的相应经训练的深度神经网络的逼近包括：
计算针对所述边缘参数空间的相应经训练的深度神经网络的训练权重的降秩逼近。
62.权利要求61所述的非临时性计算机可读介质，其中计算针对所述边缘参数空间的相应经训练的深度神经网络的训练权重的降秩逼近包括：
计算低秩张量分解以逼近针对所述边缘参数空间的相应经训练的深度神经网络的训练权重。
63.权利要求61所述的非临时性计算机可读介质，其中计算针对所述边缘参数空间的相应经训练的深度神经网络的训练权重的降秩逼近包括：
使用稀疏逼近矩阵，逼近针对所述边缘参数空间的相应经训练的深度神经网络的训练权重。