用于数据分割的相异配对神经网络架构

本发明大体上涉及处理和显现数据，具体地说，涉及在临床环境中用于处理和显现大脑的左、右半球的图像以确定指示急性缺血性中风的大脑中动脉高密度征的存在的计算机实施的系统/方法。

背景技术：

1、急性缺血性中风(ais)是世界各地死亡和严重残疾的主要原因(powers等人，《中风》(stroke)2019，50(12)，e344-e418)。非对比度增强计算机断层扫描(ncct)由于其广泛的可用性、成像速度、低成本和患者耐受性而被美国心脏协会推荐为ais检测紧急评估的首要诊断测试(jauch等人，《中风》2013，44(3)，870-947)。指示血栓栓塞的大脑中动脉高密度征(hmcas)已被宣布为ais诊断中血管内血栓的重要计算机断层扫描发现(marks等人，《中风》1999，30(2)，389-392；lim等人，《神经成像杂志》(j.of neuroimaging)2017，28(2)，212-216；barber等人，《中风》2001，32(1)，84-88)。高密度与大脑中动脉分支在外侧裂中的栓塞闭塞有关(barber等人，《中风》2001，32(1)，84-88)。ncct图像上存在的缺血性病变程度的准确量化在预后影响中起着重要作用(barber等人，《柳叶刀》(the lancet)2000，355(9216)，1670-1674；man等人，《神经成像杂志》2014，25(2)，263-268；kim等人，《神经学杂志》(j.of neurology)，264(12),2450-2456)。hmcas的早期检测和分割对于开发脑血管临床医师的决策支持系统非常重要。

2、利用ncct对hmcas进行定量估计具有挑战性，因为它表现为细微的血管强度和纹理变化。由经验丰富的放射学家进行的hmcas分割和分类的评分者间信度通常不高(abulkasim等人，《印度神经学》(neurology india)2009，57(2)，143；ernst等人，《神经放射学》(neuroradiology)2014，56(12)，1063-1068)。这主要是由于脑组织图像中的低信噪比和低对比度。骨骼结构，如前床突，非常靠近大脑中动脉路线，并且在老化大脑中常见共存的血管钙化很难与真正的hmcas区分开来。此外，切片厚度的变化和旋转后的大脑进一步加剧了病变分割的难度。

3、关于缺血性中风中的自动ncct解释的大多数研究都针对已形成的梗塞的检测和分割(maldjian，《美国神经放射学杂志》(amer.j.ofneuroradiology)2001，22(6)，1050-1055；qiu等，《放射学》(radiology)2020，294(3)，638-644；kuang等人，《医学图像计算和计算机辅助干预国际会议会刊》(proc.int.conf.med.image comput.comput.-assist.intervent)，2019，856-863)，所述已形成的梗塞由于受影响区域的血液供应不足而导致组织病理或死亡。关于医学成像的先前文献通常采用传统的基于图像的解决方案，包含强度阈值、区域生长和可变形模型。这些方法在很大程度上依赖于手工特征，并且特征表示能力有限。对ncct的早期尝试采用了传统无监督解决方案，如具有预定义种子的区域生长方法(riedel等人，《中风》2010，41(8)，1659-1664)或具有手工特征的有监督机器学习分类器(等人，《视觉计算机生物医学研讨会会刊》(proc.vis.comput.biol.med.workshop)2017,125-129；takahashi等人，《放射物理学技术》(radiol.phys.technol)2014，7(1)，79-88)。等人(等人，《视觉计算机生物医学研讨会会刊》2017,125-129)通过阈值化和连通分量聚类提取了可能的候选对象。然后提取特征并将特征输入到随机森林分类器中进行模型训练。类似地，takahashi等人(takahashi等人，《放射物理学技术》2014，7(1)，79-88)提出用通过一系列预处理步骤获得的特征向量来学习支持向量机分类器，所述预处理步骤包含形态学变换、假阳性减少和其它基于规则的方案。

4、近年来，深度学习在计算机视觉任务中得到了应用，特别是在医学图像诊断(litjens等，《医学图像分析》(med.image anal.)2017，42，60-88)中，例如癌症检测(han等，《jama皮肤病学》(jama dermatology)2020，156(1)，29)，突变预测(coudray等，《自然·医学》(nature med)2018，24(10)，1559-1567)，以及病变分割(havaei等，《医学图像分析》2017，35，18-31)。在hmcas测评的背景下，lisowska的团队(lisowskaet等人，《医学图像理解与分析年度会议会刊》(proc.annual conf.med.imag.underst.and anal.)2017，494-505)将对侧特征和图谱信息纳入卷积神经网络(cnn)架构。然而，其工作目标是中风体征检测，没有进行精确分割。lucas等人(lucas等人，proc.informatik aktuellbildverarbeitung für die medizin 2019，74-79)提出了一种两级神经网络来分割和分类大脑中动脉和颈内动脉内的凝块，但由于假阳性率高，该模型的性能远不能令人满意。因此，开发能够增强成像数据分析的系统和/或方法，特别是在医疗环境中，仍然是一个未满足的需求，也是个存在积极研究的领域。

5、因此，本发明的目的是提供一种计算机实施的系统和/或方法，其在考虑两组单独的输入数据的变化的情况下分析数据。

6、本发明的另一目的是提供一种计算机实施的系统和/或方法，其在考虑两组单独的输入成像数据的变化的情况下分析成像数据。

7、本发明的另一目的是提供一种计算机实施的系统和/或方法，其在考虑两组单独的输入医学成像数据的变化的情况下分析医学成像数据。

8、本发明的另一目的是提供一种计算机实施的系统和/或方法，其在考虑从哺乳动物体内成对存在的生物器官获得的两组单独的输入医学成像数据的变化的情况下分析医学成像数据。

9、本发明的另一目的是提供一种计算机实施的系统和/或方法，其在考虑从哺乳动物体内存在并具有双侧对称性的生物器官获得的两组单独的输入医学成像数据的变化的情况下分析医学成像数据。

技术实现思路

1、提供描述一种不限于任何特定硬件或操作系统的计算机实施的系统(cis)和/或计算机实施的方法(cim)以用于处理和/或分析医学成像输入数据。所述医学成像数据是非对比度增强计算机断层扫描(ct)扫描。在执行分析之前，cis或cim将所述成像数据重新定位在立体定位坐标系上。

2、所述cis含有(i)建立在孪生架构上的权重相等的两个u-net架构(孪生u-net)，以及(ii)以可操作方式连接到所述两个u-net架构的相异块。相异块建立在孪生u-net架构顶上以形成相异-孪生u-net架构(dsu-net)。在此架构内，相异块实施一种算法，所述算法比较从独立和单独的医学成像数据中提取的特征的变化，其中所述特征来自所述两个u-net架构中的对应编码块。所述相异块另外经由跳过连接以可操作方式连接到每个u-net架构的解码路径。所述跳过连接允许解码路径进一步吸收从编码路径导出的额外输入。

3、还描述了使用cis的方法，所述方法包含但不限于诊断大脑的疾病或病症，例如急性缺血性中风和/或血栓栓塞。急性缺血性中风的诊断取决于大脑中动脉高密度征的存在。在这种情况下，相异块利用了左、右半球之间特征表示的变化。