CN113469934A - 根据胸部ct图像对与疾病相关联的异常区域的评估 - Google Patents
根据胸部ct图像对与疾病相关联的异常区域的评估 Download PDFInfo
- Publication number
- CN113469934A CN113469934A CN202110346295.8A CN202110346295A CN113469934A CN 113469934 A CN113469934 A CN 113469934A CN 202110346295 A CN202110346295 A CN 202110346295A CN 113469934 A CN113469934 A CN 113469934A
- Authority
- CN
- China
- Prior art keywords
- segmented
- lung
- disease
- abnormal region
- medical imaging
- 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
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 103
- 201000010099 disease Diseases 0.000 title claims abstract description 102
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 91
- 210000004072 lung Anatomy 0.000 claims abstract description 120
- 208000025721 COVID-19 Diseases 0.000 claims abstract description 66
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 32
- 206010035737 Pneumonia viral Diseases 0.000 claims abstract description 12
- 201000003176 Severe Acute Respiratory Syndrome Diseases 0.000 claims abstract description 12
- 208000009421 viral pneumonia Diseases 0.000 claims abstract description 12
- 208000001528 Coronaviridae Infections Diseases 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007596 consolidation process Methods 0.000 claims description 7
- 230000003612 virological effect Effects 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 25
- 238000002591 computed tomography Methods 0.000 description 19
- 230000015654 memory Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 206010035664 Pneumonia Diseases 0.000 description 11
- 210000000038 chest Anatomy 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 208000025370 Middle East respiratory syndrome Diseases 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000002538 fungal effect Effects 0.000 description 5
- 238000003757 reverse transcription PCR Methods 0.000 description 5
- 201000001178 Bacterial Pneumonia Diseases 0.000 description 4
- 208000001572 Mycoplasma Pneumonia Diseases 0.000 description 4
- 201000008235 Mycoplasma pneumoniae pneumonia Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 208000029523 Interstitial Lung disease Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010003757 Atypical pneumonia Diseases 0.000 description 1
- 241001678559 COVID-19 virus Species 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000034486 Multi-organ failure Diseases 0.000 description 1
- 208000010718 Multiple Organ Failure Diseases 0.000 description 1
- 241000204031 Mycoplasma Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003149 assay kit Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000416 exudates and transudate Anatomy 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000029744 multiple organ dysfunction syndrome Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000013185 thoracic computed tomography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
提供了用于评估疾病的***和方法。接收患者肺的医学成像数据。从医学成像数据分割肺,并且从医学成像数据分割与疾病相关联的异常区域。基于分割的肺和分割的异常区域来确定对疾病的评估。该疾病可以是COVID‑19(冠状病毒疾病2019)或者诸如例如SARS(严重急性呼吸综合征)、MERS(中东呼吸综合征)或其它类型的病毒性和非病毒性肺炎之类的疾病。
Description
相关申请的交叉引用
本申请要求2020年3月31日提交的美国临时申请号63/002,457的权益,其公开内容通过引用以其整体并入本文中。
技术领域
本发明一般涉及根据胸部计算机断层摄影图像对与疾病相关联的异常区域的评估,并且特别地涉及对与COVID-19(冠状病毒疾病2019)相关联的异常区域的评估。
背景技术
COVID-19(冠状病毒疾病2019)是由严重急性呼吸综合征冠状病毒2(SARS-Cov2)引起的传染疾病。COVID-19的常见症状包括发烧、咳嗽和呼吸困难。在严重病例中,COVID-19可能引起肺炎、严重急性呼吸综合征和多器官衰竭。在大多数病例中,感染有COVID-19的患者经历不需要住院的轻度至中度症状。然而,COVID-19对显著比例的感染患者来说是致命的。由于高繁殖数(R0)和COVID-19的传染性质,用于快速测试和评价的工具对于跟踪和减轻其传播是重要的。
在当前的临床实践中,COVID-19是经由RT-PCR(逆转录聚合酶链反应)诊断的。然而,RT-PCR的灵敏度已经被发现低至60%至70%,潜在地导致假阴性。附加地,RT-PCR测试试剂盒的有限可用性导致COVID-19未被检测到的传播。
发明内容
根据一个或多个实施例,提供了用于评估疾病的***和方法。接收患者肺的医学成像数据。从医学成像数据分割肺,并且从医学成像数据分割与疾病相关联的异常区域。基于分割的肺和分割的异常区域来确定对疾病的评估。在一个实施例中,疾病可以是COVID-19(冠状病毒疾病2019),并且与COVID-19相关联的异常区域包括毛玻璃不透明度(GGO)、固结和散乱片石铺砌模式中的一种或多种的不透明度。然而,该疾病可以是任何其它疾病,诸如例如,SARS(严重急性呼吸综合征)、MERS(中东呼吸综合征)、其它类型的病毒性肺炎 、细菌性肺炎、真菌性肺炎、支原体肺炎以及其它类型的肺炎。
在一个实施例中,通过基于从分割的肺确定的肺的体积和从分割的异常区域确定的异常区域体积计算不透明度百分比度量来确定对疾病的评估。在另一实施例中,通过以下各项来确定对疾病的评估:基于从分割的肺确定的每个肺叶的体积和从分割的异常区域确定的每个肺叶中异常区域的体积来计算肺的每个肺叶的不透明度百分比度量,基于其不透明度百分比度量来给每个肺叶分配分数,以及对分数求和以计算肺严重度分数。
在一个实施例中,通过以下各项来确定对疾病的评估:基于从分割的异常区域确定的异常区域的体积、从分割的肺确定的肺的体积、以及从在比医学成像数据更先前的时间点处获取的在先医学成像数据确定的异常区域的体积以及从在先医学成像数据确定的肺的体积来评价疾病的进展。在另一实施例中,通过以下各项来确定对疾病的评估:基于分割的肺和分割的异常区域来计算量化疾病的度量,以及将所计算的度量与基于在采集医学成像数据之前的时间点处获取的在先医学成像数据计算的量化疾病的度量进行比较。
在一个实施例中,通过将疾病分类为病毒性肺炎、细菌性肺炎、真菌性肺炎、支原体肺炎或其它肺炎中的一种来确定对疾病的评估。进一步的病毒性肺炎分类可以进一步细分为COVID-19、SARS、MERS和其它形式的病毒性肺炎。在另一实施例中,通过基于分割的肺、分割的异常区域和患者数据检测肺中COVID-19的存在来确定对疾病的评估。
通过参考以下详细描述和附图,本发明的这些和其它优点对于本领域普通技术人员来说将是显而易见的。
附图说明
图1示出了根据一个或多个实施例的用于评估患者中的COVID-19(冠状病毒疾病2019)的框架;
图2示出了根据一个或多个实施例的用于评估患者中的COVID-19的工作流程;
图3示出了根据一个或多个实施例的用于评估患者中的疾病的方法;
图4示出了根据一个或多个实施例的用于分割与疾病相关联的异常区域的各向异性U-Net的网络架构;
图5示出了根据一个或多个实施例的用于训练和测试用于肺分割的网络的数据集细节的表;
图6示出了根据一个或多个实施例的用于训练和测试用于异常区域分割的网络的数据集细节的表;
图7示出了根据一个或多个实施例的比较基础真值和预测的肺严重度分数的散点图;
图8示出了根据本文中所描述的一个或多个实施例的分割的异常区域的***输出与输入的胸部计算机断层摄影图像的比较;以及
图9示出了计算机的高级框图。
具体实施方式
本发明一般涉及用于根据胸部CT(计算机断层摄影)图像对与COVID-19(冠状病毒疾病2019)相关联的异常区域的评估的方法和***。本文中描述了本发明的实施例,以给出对这样的方法和***的视觉理解。数字图像经常由一个或多个对象(或形状)的数字表示组成。对象的数字表示在本文中经常是依据标识和操纵对象来描述的。这样的操纵是在计算机***的存储器或其它电路/硬件中完成的虚拟操纵。因此,应当理解,可以使用存储在计算机***内的数据在计算机***内施行本发明的实施例。
COVID-19是一种传染疾病,其通常存在诸如发烧、咳嗽和呼吸困难之类的呼吸综合征。患有COVID-19的患者的肺的CT成像示出异常的射线照相区域。这样的异常射线照相区域的程度与COVID-19的严重度相关。本文中所描述的实施例提供了对通常存在于COVID-19中的异常射线照相区域的自动化检测和评估,以由此评价患者中的COVID-19。有利的是,根据本文中所描述的实施例对这样的异常射线照相区域的检测和评估为疑似或确认为患有COVID-19的患者的预后预测、风险优先化和治疗响应提供了洞察力。
应该理解的是,虽然本文中所描述的实施例是关于患者中的COVID-19评估来描述的,但是这样的实施例不限于此。实施例可以应用于对任何疾病的评估,所述任何疾病诸如例如,其它类型的病毒性肺炎(例如,SARS(严重急性呼吸综合征)、MERS(中东呼吸综合征)等)、细菌性肺炎、真菌性肺炎、支原体肺炎和其它类型的肺炎。
图1示出了根据一个或多个实施例的用于评估患者中COVID-19的框架100。在框架100中,接收患者肺的胸部CT 102作为输入。通过从胸部CT 102分割肺来生成肺分割104,并且通过从胸部CT 102分割与COVID-19相关联的异常区域来生成异常分割106。与COVID-19相关联的异常区域可以包括例如:不透明度,诸如GGO(毛玻璃不透明度)、固结、散乱片石铺砌模式等。基于肺分割104和异常分割106来确定对COVID-19的评估108。如框架100中所示出的,评估108描绘了肺的肺叶方向严重度,并且根据POO(不透明度百分比)度量和LSS(肺严重度分数)度量来量化COVID-19的严重度。在一些实施例中,评估108还可以确定对COVID-19进展的评估,将COVID-19与其它类型的疾病区分开来,以将异常区域分类为与COVID-19相关联,并检测COVID-19的存在以诊断患者。框架100的进一步细节在下面关于图2和3进行描述。
图2是根据一个或多个实施例的用于评估患者中的COVID-19的工作流程200。图3是根据一个或多个实施例的用于评估患者中疾病的方法300。将继续参考图1的同时讨论图2和图3。方法300的步骤可以由一个或多个合适的计算设备(诸如图9的计算机902)来施行。
在步骤302处,接收患者肺的医学成像数据。在一个实施例中,医学成像数据是CT医学成像数据。例如,医学成像数据可以是图1的胸部CT图像102或图2的输入胸部CT图像224。然而,医学成像数据可以具有任何合适的模态,诸如例如,MRI(磁共振成像)、超声波、x射线或任何其它模态或模态的组合。医学成像数据可以包括一个或多个2D图像或3D体积。当获取医学成像数据时,医学成像数据可以直接从图像采集设备(诸如例如,CT扫描仪)接收,或者可以通过从计算机***的存储装置或存储器加载先前获取的医学成像数据或者接收已经从远程计算机***传输的医学成像数据来接收。
在一个实施例中,也可以接收患者数据。在一个示例中,患者数据是图2的补充输入204。患者数据可以包括与患者相关的任何数据,诸如例如,临床数据、基因数据、实验室测试数据、人口统计数据等。
在步骤304处,从医学成像数据分割肺。在一个示例中,在图2的预处理步骤202处分割肺,并且分割的肺可以是图1的肺分割104。
在一个实施例中,通过首先使用多尺度深度强化学习检测贯穿医学成像数据的解剖标志,从医学成像数据分割肺。然后,基于检测到的标志来提取医学成像数据的感兴趣区域(ROI)。具体地,使用检测到的隆凸分叉的标志来提取肺ROI。可以附加地或替代地利用其它检测到的标志。例如,胸骨尖端可以用于从医学成像数据提取肺ROI,其中隆凸分叉超出医学成像数据的图像视野。肺ROI朝向隆凸分叉(或其它检测到的标志)的大小和相对位置是根据经注释的数据指定的。接下来,将提取的肺ROI图像重采样到例如2mm各向同性体积,并馈送到经训练的深度图像到图像网络(DI2IN)中,以在肺ROI内生成分割掩模。最终,分割掩模被转移到与医学成像数据具有相同尺寸和分辨率的独特掩模。独特掩模作为最终的肺分割掩模输出。DI2IN在之前的离线或训练阶段期间进行训练。在一个实施例中,DI2IN在没有病毒性肺炎流行的患者群组上进行训练,并在具有包括固结、渗出物、团块等的异常区域的另一群组上进行微调,以改进在感染区域之上肺分割的鲁棒性。
在步骤306处,从医学成像数据分割与疾病相关联的异常区域。在一个实施例中,该疾病是COVID-19,并且与COVID-19相关联的异常区域包括不透明度,诸如但不限于GGO、固结和散乱片石铺砌模式。其它示例性疾病包括例如其它类型的病毒性肺炎(例如,SARS、MERS等)、细菌性肺炎、真菌性肺炎、支原体肺炎以及其它类型的肺炎疾病。在一个示例中,使用特征提取器206从图2中的输入胸部CT图像224分割异常区域,以生成异常分割208,所述异常分割208可以覆盖在输入胸部CT图像224上,以生成输出掩模210。特征提取器206可以是基于机器学习的特征提取器,诸如例如DenseUNet。然而,可以应用任何其它合适的基于机器学习的网络来分割异常区域。在另一示例中,分割的异常区域可以是图1的异常分割106。
异常区域的分割可以表述为涉及二进制类的语义分割问题。训练具有各向异性核的DenseUNet,以将医学成像数据转移到相同大小的分割掩模。肺中全部或部分包括GGO、固结或散乱片石铺砌模式(或与疾病相关联的任何其它类型的异常)的所有体素被定义为正体素。肺内图像区域的剩余部分和肺外的整个区域被定义为负体素。DenseUNet在端到端的分割***中进行训练。使用分割的肺来过滤由DenseUNet生成的分割掩模,以仅标识肺内存在的异常区域。过滤的分割掩模作为最终异常掩模输出。最终的异常掩模可以覆盖在医学成像数据上。下面关于图4进一步详细讨论DenseUNet。
在步骤308处,基于分割的肺和分割的异常区域来确定对疾病的评估。在一个示例中,评估是图1中的评估108或图2中的输出216-222。
在一个实施例中,对疾病的评估是如通过基于分割的肺和分割的异常区域计算的度量来测量的疾病的量化。示例性度量包括POO度量和LSS度量。在一个示例中,这样的度量被示出为图1中的评估108和从图2中的输出掩模210确定的输出216。肺的POO度量表示疾病相对于肺的体积的总体传播。根据等式(1)将肺的POO度量计算为受疾病影响的肺的总百分比体积:
其中肺中异常区域的体积被确定为分割的异常区域的体积,并且肺的体积被确定为分割的肺的体积。LSS度量是对跨肺的每个肺叶的疾病中的肺涉及程度的累积测量。对于每个肺叶,根据等式(2)将POO计算为受疾病影响的肺叶的总百分比体积:
其中肺叶中异常区域的体积被确定为肺叶的分割的异常区域的体积,并且从分割的肺确定肺叶的体积。基于POO,肺叶被分配0和4之间的分数。在一个示例中,在肺叶不受影响的情况下(即,POO为0%),肺叶被分配为0的分数;在POO为1-25%的情况下,肺叶被分配为1的分数;在POO为25-50%的情况下,肺叶被分配为2的分数;在POO为50-70%的情况下,肺叶被分配为3的分数;以及在POO为75-100%的情况下,肺叶被分配为4的分数。将肺的五个肺叶中的每一个的分数求和以计算出总LSS,从而得到范围从0到20的LSS分数。为0的LSS分数指示没有肺叶被涉及,而为20的LSS分数指示全部五个肺叶都受到疾病严重影响。
在一个实施例中,对疾病的评估是疾病随时间的进展对进展、严重度和类型的评价。在一个示例中,对进展、严重度和类型的评价是图2中的输出218。分析不同类型异常的分布,以基于纵向扫描来输出疾病的进展。在一个实施例中,通过使用来自不同时间点的医学成像数据多次施行方法300并比较对不同时间点的疾病评估来评价疾病的进展。例如,相对于分割肺的体积的分割的异常区域的体积及其对应于异常区域的亨斯菲尔德(Hounsfield)单位(HU)密度的直方图可以与相对于从在先医学成像数据及其对应于异常区域的HU密度的直方图确定的肺的体积的异常区域的体积进行比较,其中在先医学成像数据是在采集医学成像数据之前的时间点获取的。在另一示例中,通过估计在不同时间点量化疾病的度量(例如,POO或LSS)的变化来评价疾病的进展。可以基于分割的肺和分割的异常区域或者直接从(在步骤302处接收的)其它患者数据来确定度量。在一个示例中,可以在每个时间点对患者进行成像,以确定量化度量。在一个实施例中,通过数据配准和背景减除,通过比较来自两个或更多个时间点的数据来评价疾病的进展。
在一个实施例中,对疾病的评估是通过在不同的疾病之间进行区分的疾病的分类(例如,如为COVID-19、SARS、MERS等)。在一个示例中,分类可以是图2中的输出220,其示出了与其它肺炎相比,该疾病如为COVID-19的分类。图2中的全局分类器212用不同疾病的训练图像来训练,所述不同疾病诸如例如COVID-19、SARS、MERS和其它病毒性和非病毒性肺炎(例如,细菌性、真菌性、支原体等)。在在线或测试阶段期间,全局分类器212从特征提取器206和异常分割208接收异常区域的特征,以生成疾病的分类作为输出220。在一个实施例中,疾病的分类由全局分类器212基于相对于肺的体积的体积异常区域、HU密度直方图、纹理和肺中存在的异常的其它放射性特征来确定。在一个实施例中,疾病的分类由全局分类器212直接从(在步骤302处接收的)患者数据来确定。
在一个实施例中,对疾病的评估是用于筛查的疾病诊断。在一个示例中,诊断可以是图2中用于COVID-19筛查的输出222。图2中的全局分类器214用成像数据以及其它患者数据来训练,所述其它患者数据诸如例如临床数据、基因数据、实验室测试、人口统计、DNA数据、症状、流行病学因素等。在在线或测试阶段期间,全局分类器214从特征提取器206接收患者数据204和异常区域的特征,以生成诊断作为输出222。在一个实施例中,全局分类器214基于分割的肺、分割的异常区域和异常特征来估计对疾病的检测。在另一实施例中,通过将所有集成的患者数据馈送到被训练来检测疾病的存在的全局分类器214中,全局分类器214根据集成的患者数据(例如,图像、DNA、流行病学风险等)来估计对疾病的检测。全局分类器214可以是神经网络,诸如例如深度剖析器。
在步骤310处,输出对疾病的评估。例如,可以通过在计算机***的显示设备上显示对疾病的评估,在计算机***的存储器或存储装置上存储对疾病的评估,或者通过将对疾病的评估传输到远程计算机***,来输出对疾病的评估。
有利的是,本文中所描述的实施例提供了对诸如例如COVID-19之类的疾病的严重度和进展的自动化评分和评价,以使能对需要住院或进入ICU(重症监护室)的患者优先化。实施例可以在不同的时间点评估疾病,以评价疾病进展或对药物的响应。实施例可以在具有例如COVID-19和基于与COVID-19相关联的独特异常模式的其它类型的肺炎的患者之间进行区分。通过结合其它患者数据使用成像数据,可以将实施例用作诸如例如COVID-19之类的疾病的筛查工具,从而提高检测的总体灵敏度。
图4示出了根据一个或多个实施例的用于分割与诸如例如COVID-19之类的疾病相关联的异常区域的各向异性U-Net的网络架构400。网络架构400可以是图2的特征提取器206的网络架构或在图3的步骤306处应用的特征提取器的网络架构。
使用重采样到1×1×3mm分辨率的训练图像来训练U-Net。在将图像强度形式化为[0,1]之前,使用具有宽度1500 HU和水平-600 HU的标准肺窗对图像强度进行修剪。预测的肺掩模用于计算肺的几何中心,然后用大小为384×384×384的固定边界框来剪裁图像。通过以随机间隔[-20,20]扰动图像强度并且然后以50%的几率在三维中的一维中翻转图像来增强训练图像。贯穿训练和推理阶段,张量3D维度保持在z-y-x次序。
如网络架构400中所示出的,3D输入张量402被馈送到3D 1×3×3卷积层404中,随后是批量标准化406和LeakyReLU 408。特征被传播到编码器块410-416。在编码器块410和412中,特征由相应的1×2×2卷积下采样核420和422以1×2×2的步幅进行下采样。各向异性下采样核420和422被设计为保留输入张量402的切片间分辨率。编码器块414-418具有以2×2×2的步幅的各向同性的相应下采样核424-428。如图4中所示出的,每个解码器块430-438的输入是通过将来自编码器块410-416的相同分辨率的输出特征和从先前解码器块430-438上采样的特征连结起来而获得的。上采样核440-448是用转置卷积核构建的,其具有与其对应的编码器块410-416相同的大小和步幅。通过将特征图投影到1×3×3卷积层450,随后是在被softmax激活458激活之前的批量标准化452、LeakyReLU 454和1×1×1卷积层456而导出最终的网络输出。
使用雅卡尔(Jaccard)指数作为训练损失函数来训练网络。概率预测张量p和基础真值张量y之间的损失函数L(p,y)仅根据等式(3)在预计算的肺分割内计算:
本文中所描述的实施例被实验验证用于评估患者中的COVID-19。
用于肺分割的网络在图5的表500中详述的数据集上被训练和测试。对于训练,每个训练数据集的基础真值由专家用户用定制注释工具生成。用户可以加载匿名化的3D CT系列(体积),与图像(包括3个多平面重格式化的图像)交互,绘制和编辑轮廓,并用被预指定的每个肺叶的特定标签标记区域。最终的掩模与原始匿名化的CT系列的参考一起被保存为文件。注释被审查为标准化质量指南。如由第二个更有经验的用户对每个注释进行审查。对于测试,基础真值是使用与训练数据相同的方法生成的,然而最终的审查是由委员会认证的放射科医师施行的。
在图6的表600中详述的数据集上训练和测试了用于异常区域分割的网络。对于训练,标识了三组数据集:1)COVID-19数据集,2)非典型肺炎数据集,包括SARS、MERS,以及具有与COVID-19的类似表现并在训练数据集中用作合理的代替物的其它病毒性肺炎,以及3)与GGO和固结一起存在的其它间质性肺疾病(ILD),这对于学***面重格式化的图像)交互,绘制和编辑轮廓,并用预指定的与COVID-19相关的异常的特定标签来标记区域。最终的掩模与原始匿名化CT系列的参考一起被保存为文件。根据标准化的质量指南,由委员会认证的放射科医师对注释进行审查。对于测试,基础真值是使用与训练数据相同的方法生成的,然而最初的注释和最终的审查二者是由委员会认证的放射科医师施行的。测试包括由RT-PCR测试确认患有COVID-19的15个CT图像。除了确认COVID-19的患者之外,测试集还包括肺区域中没有异常的12个患者对照。
分析结果,根据预测的感染区域分割,测量肺中的总POO。从15个COVID-19阳性病例和12个对照病例计算在预测的POO值和基础真值测量之间的皮尔逊(Pearson)系数相关性。肺中总POO的相关性为0.94()。
图7示出了在基础真值和预测的LSS之间的散点图700。从15个COVID-19阳性病例和12个对照病例计算在预测的严重度分数和基础真值测量之间的皮尔逊系数相关性和肯德尔-陶(Kendall-Tau)等级相关性。相关性在皮尔逊相关性系数和肯德尔-陶等级相关性系数(分别为和)二者中为0.94。
图8示出了根据本文中所描述的实施例的分割的异常区域的***输出与病例A和病例B的输入胸部CT图像相比较的可视化800。也示出了POO和LSS。
本文中所描述的***、装置和方法可以使用数字电路或者使用一个或多个计算机来实现,所述一个或多个计算机使用众所周知的计算机处理器、存储器单元、存储设备、计算机软件和其它组件。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。
本文中所描述的***、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,在这样的***中,客户端计算机远离服务器计算机定位,并经由网络进行交互。客户端-服务器关系可以由在相应的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。
本文中所描述的***、装置和方法可以在基于网络的云计算***内实现。在这样的基于网络的云计算***中,连接到网络的服务器或另一处理器经由网络与一个或多个客户端计算机通信。例如,客户端计算机可以经由在客户端计算机上驻留并操作的网络浏览器应用与服务器通信。客户端计算机可以将数据存储在服务器上,并经由网络访问数据。客户端计算机可以经由网络向服务器传输数据请求或在线服务请求。服务器可以施行所请求的服务并向(一个或多个)客户端计算机提供数据。服务器还可以传输适于使客户端计算机施行特定功能的数据,所述特定功能例如施行计算,在屏幕上显示指定的数据等。例如,服务器可以传输适于使客户端计算机施行本文中所描述的方法和工作流程的一个或多个步骤或功能(包括图2-3的一个或多个步骤或功能)的请求。本文中所描述的方法和工作流程的某些步骤或功能,包括图2-3的一个或多个步骤或功能,可以由服务器或由基于网络的云计算***中的另一处理器来施行。本文中所描述的方法和工作流程的某些步骤或功能,包括图2-3的一个或多个步骤,可以由基于网络的云计算***中的客户端计算机来施行。本文中所描述的方法和工作流程的步骤或功能,包括图2-3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***中的客户端计算机以任何组合来施行。
本文中所描述的***、装置和方法可以使用有形地体现在信息载体中(例如在非暂时性机器可读存储设备中)的计算机程序产品来实现,用于由可编程处理器执行;并且本文中所描述的方法和工作流程步骤,包括图2-3的一个或多个步骤或功能,可以使用可由这样的处理器执行的一个或多个计算机程序来实现。计算机程序是计算机程序指令集,其可以直接或间接在计算机中使用,以施行某个活动或产生某个结果。计算机程序可以用任何形式的编程语言(包括编译或解释语言)编写,并且它可以以任何形式部署,包括作为独立程序或作为模块、组件、子例程或适合供在计算环境中使用的其它单元。
图9中描绘了可以用于实现本文中所描述的***、装置和方法的示例计算机902的高级框图。计算机902包括可操作地耦合到数据存储设备912和存储器910的处理器904。处理器904通过执行定义这样的操作的计算机程序指令来控制计算机902的总体操作。计算机程序指令可以存储在数据存储设备912或其它计算机可读介质中,并且当期望执行计算机程序指令时加载到存储器910中。因此,图2-4的方法和工作流程的步骤或功能可以由存储在存储器910和/或数据存储设备912中的计算机程序指令来定义,并且由执行计算机程序指令的处理器904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的计算机可执行代码,以施行图2-4的方法和工作流程步骤或功能。因此,通过执行计算机程序指令,处理器904执行图2-4的方法和工作流程步骤或功能。计算机902还可以包括一个或多个网络接口906,用于经由网络与其它设备通信。计算机902还可以包括使能与计算机902进行用户交互的一个或多个输入/输出设备908(例如,显示器、键盘、鼠标、扬声器、按钮等)。
处理器904可以包括通用和专用微处理器二者,并且可以是计算机902的唯一处理器或多个处理器中的一个。例如,处理器904可以包括一个或多个中央处理单元(CPU)。处理器904、数据存储设备912和/或存储器910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)、由它们补充或并入在它们中。
数据存储设备912和存储器910每个包括有形的非暂时性计算机可读存储介质。数据存储设备912和存储器910每个可以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)或其它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)、压缩盘只读存储器(CD-ROM)、数字多功能盘只读存储器(DVD-ROM)或其它非易失性固态存储设备。
输入/输出设备908可以包括外设,诸如打印机、扫描仪、显示屏等。例如,输入/输出设备908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、以及用户可以通过其向计算机902提供输入的定点设备(诸如鼠标或轨迹球)。
图像采集设备914可以连接到计算机902以将图像数据(例如,医学图像)输入到计算机902。可能的是将图像采集设备914和计算机902实现为一个设备。也可能的是图像采集设备914和计算机902通过网络无线通信。在可能的实施例中,计算机902可以相对于图像采集设备914远程定位。
本文中所讨论的任何或所有***和装置,包括图2的特征提取器206、全局分类器212和全局分类器214以及图4的网络架构400,可以使用诸如计算机902之类的一个或多个计算机来实现。
本领域技术人员将认识到,实际计算机或计算机***的实施方式可以具有其它结构,并且也可以包含其它组件,并且为了说明性的目的,图9是这样的计算机的一些组件的高级表示。
前述详细描述应该理解为在各个方面中是说明性和示例性的,而不是限制性的,并且本文中所公开的本发明的范围不是从详细描述确定的,而是从如根据专利法准许的全部幅度解释的权利要求确定的。应当理解,本文中所示出和描述的实施例仅说明本发明的原理,并且在不脱离本发明的范围和精神的情况下,本领域技术人员可以实现各种修改。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它特征组合。
Claims (20)
1.一种方法,包括:
接收患者肺的医学成像数据;
从医学成像数据分割肺;
从医学成像数据分割与疾病相关联的异常区域;以及
基于分割的肺和分割的异常区域来确定对疾病的评估。
2.根据权利要求1所述的方法,其中所述疾病是COVID-19(冠状病毒疾病2019),并且与COVID-19相关联的异常区域包括毛玻璃不透明度(GGO)、固结和散乱片石铺砌模式中的一种或多种的不透明度。
3.根据权利要求1所述的方法,其中基于分割的肺和分割的异常区域来确定对疾病的评估包括:
基于从分割的肺确定的肺的体积和从分割的异常区域确定的异常区域的体积来计算不透明度百分比度量。
4.根据权利要求1所述的方法,其中基于分割的肺和分割的异常区域来确定对疾病的评估包括:
基于从分割的肺确定的每个肺叶的体积和从分割的异常区域确定的每个肺叶中的异常区域的体积来计算肺的每个肺叶的不透明度百分比度量;
基于每个肺叶的不透明度百分比度量来给每个肺叶分配分数;以及
对分数求和以计算肺严重度分数。
5.根据权利要求1所述的方法,其中基于分割的肺和分割的异常区域来确定对疾病的评估包括:
基于从分割的异常区域确定的异常区域的体积、从分割的肺确定的肺的体积、以及从在采集医学成像数据之前的时间点处获取的在先医学成像数据确定的异常区域的体积、以及从在先医学成像数据确定的肺的体积来评价疾病的进展。
6.根据权利要求1所述的方法,其中基于分割的肺和分割的异常区域来确定对疾病的评估包括:
基于分割的肺和分割的异常区域来计算量化疾病的度量;以及
将所计算的度量与基于在比医学成像数据更先前的时间点处获取的在先医学成像数据计算的量化疾病的度量进行比较。
7.根据权利要求1所述的方法,其中基于分割的肺和分割的异常区域来确定对疾病的评估包括:
将疾病分类为COVID-19(冠状病毒疾病2019)、SARS(严重急性呼吸综合征)、MERS(中东呼吸综合征)中的一个。
8.根据权利要求1所述的方法,其中基于分割的肺和分割的异常区域来确定对疾病的评估包括:
基于分割的肺、分割的异常区域和患者数据来检测肺中COVID-19的存在。
9.根据权利要求1所述的方法,其中所述疾病是病毒性肺炎。
10.一种装置,包括:
用于接收患者肺的医学成像数据的部件;
用于从医学成像数据分割肺的部件;
用于从医学成像数据分割与疾病相关联的异常区域的部件;以及
用于基于分割的肺和分割的异常区域来确定对疾病的评估的部件。
11.根据权利要求10所述的装置,其中所述疾病是COVID-19(冠状病毒疾病2019),并且与COVID-19相关联的异常区域包括毛玻璃不透明度(GGO)、固结和散乱片石铺砌模式中的一种或多种的不透明度。
12.根据权利要求10所述的装置,其中用于基于分割的肺和分割的异常区域来确定对疾病的评估的部件包括:
用于基于从分割的肺确定的肺的体积和从分割的异常区域确定的异常区域的体积来计算不透明度百分比度量的部件。
13.根据权利要求10所述的装置,其中用于基于分割的肺和分割的异常区域来确定对疾病的评估的部件包括:
用于基于从分割的肺确定的每个肺叶的体积和从分割的异常区域确定的每个肺叶中的异常区域的体积来计算肺的每个肺叶的不透明度百分比度量的部件;
用于基于每个肺叶的不透明度百分比度量来给每个肺叶分配分数的部件;以及
用于对分数求和以计算肺严重度分数的部件。
14.根据权利要求10所述的装置,其中用于基于分割的肺和分割的异常区域来确定对疾病的评估的部件包括:
用于基于从分割的异常区域确定的异常区域的体积、从分割的肺确定的肺的体积、以及从在采集医学成像数据之前的时间点处获取的在先医学成像数据确定的异常区域的体积、以及从在先医学成像数据确定的肺的体积来评价疾病的进展的部件。
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当由处理器执行时使处理器施行包括以下各项的操作:
接收患者肺的医学成像数据;
从医学成像数据分割肺;
从医学成像数据分割与疾病相关联的异常区域;以及
基于分割的肺和分割的异常区域来确定对疾病的评估。
16.根据权利要求15所述的非暂时性计算机可读介质,其中所述疾病是COVID-19(冠状病毒疾病2019),并且与COVID-19相关联的异常区域包括毛玻璃不透明度(GGO)、固结和散乱片石铺砌模式中的一种或多种的不透明度。
17.根据权利要求15所述的非暂时性计算机可读介质,其中基于分割的肺和分割的异常区域来确定对疾病的评估包括:
基于分割的肺和分割的异常区域来计算量化疾病的度量;以及
将所计算的度量与基于在比医学成像数据更先前的时间点处获取的在先医学成像数据计算的量化疾病的度量进行比较。
18.根据权利要求15所述的非暂时性计算机可读介质,其中基于分割的肺和分割的异常区域来确定对疾病的评估包括:
将疾病分类为COVID-19(冠状病毒疾病2019)、SARS(严重急性呼吸综合征)和MERS(中东呼吸综合征)中的一个。
19.根据权利要求15所述的非暂时性计算机可读介质,其中基于分割的肺和分割的异常区域来确定对疾病的评估包括:
基于分割的肺、分割的异常区域和患者数据来检测肺中COVID-19的存在。
20.根据权利要求15所述的非暂时性计算机可读介质,其中所述疾病是病毒性肺炎。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063002457P | 2020-03-31 | 2020-03-31 | |
US63/002457 | 2020-03-31 | ||
US16/837979 | 2020-04-01 | ||
US16/837,979 US11430121B2 (en) | 2020-03-31 | 2020-04-01 | Assessment of abnormality regions associated with a disease from chest CT images |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469934A true CN113469934A (zh) | 2021-10-01 |
Family
ID=75277828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110346295.8A Pending CN113469934A (zh) | 2020-03-31 | 2021-03-31 | 根据胸部ct图像对与疾病相关联的异常区域的评估 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11430121B2 (zh) |
EP (1) | EP3889892A1 (zh) |
CN (1) | CN113469934A (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220059221A1 (en) * | 2020-08-24 | 2022-02-24 | Nvidia Corporation | Machine-learning techniques for oxygen therapy prediction using medical imaging data and clinical metadata |
US20230128966A1 (en) * | 2021-10-21 | 2023-04-27 | Imam Abdulrahman Bin Faisal University | System, method, and computer readable storage medium for accurate and rapid early diagnosis of covid-19 from chest x ray |
WO2023220416A1 (en) * | 2022-05-12 | 2023-11-16 | Veytel, Llc | Method and system for quantification of severity of a lung disease |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1739453A (zh) * | 2004-08-10 | 2006-03-01 | 西门子共同研究公司 | 用于肺灌注或密度的3d显示及其统计分析的***和方法 |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN105339982A (zh) * | 2013-06-19 | 2016-02-17 | 皇家飞利浦有限公司 | 肺测量 |
CN108805209A (zh) * | 2018-06-14 | 2018-11-13 | 清华大学深圳研究生院 | 一种基于深度学习的肺结节筛查方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7196328B1 (en) | 2001-03-08 | 2007-03-27 | General Nanotechnology Llc | Nanomachining method and apparatus |
US7236619B2 (en) * | 2002-10-31 | 2007-06-26 | University Of Chicago | System and method for computer-aided detection and characterization of diffuse lung disease |
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
US7949162B2 (en) * | 2006-08-14 | 2011-05-24 | Siemens Medical Solutions Usa, Inc. | System and method for solid component evaluation in mixed ground glass nodules |
US8731255B2 (en) * | 2008-11-05 | 2014-05-20 | University Of Louisville Research Foundation, Inc. | Computer aided diagnostic system incorporating lung segmentation and registration |
JP4931027B2 (ja) * | 2010-03-29 | 2012-05-16 | 富士フイルム株式会社 | 医用画像診断支援装置および方法、並びにプログラム |
EP2844291B1 (en) * | 2012-05-03 | 2019-02-13 | Fibrogen, Inc. | Methods for treating idiopathic pulmonary fibrosis |
RU2637171C1 (ru) * | 2017-04-06 | 2017-11-30 | Федеральное государственное бюджетное учреждение "Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова" Министерства здравоохранения Российской Федерации | Способ посмертной диагностики гипоплазии легких у новорожденного |
US20200085382A1 (en) | 2017-05-30 | 2020-03-19 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
KR20200054203A (ko) | 2017-08-14 | 2020-05-19 | 소마젠 인크 | 질병-관련 마이크로바이옴 특성화 프로세스 |
US10970829B2 (en) | 2017-08-24 | 2021-04-06 | Siemens Healthcare Gmbh | Synthesizing and segmenting cross-domain medical images |
-
2020
- 2020-04-01 US US16/837,979 patent/US11430121B2/en active Active
-
2021
- 2021-03-29 EP EP21165531.1A patent/EP3889892A1/en active Pending
- 2021-03-31 CN CN202110346295.8A patent/CN113469934A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1739453A (zh) * | 2004-08-10 | 2006-03-01 | 西门子共同研究公司 | 用于肺灌注或密度的3d显示及其统计分析的***和方法 |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN105339982A (zh) * | 2013-06-19 | 2016-02-17 | 皇家飞利浦有限公司 | 肺测量 |
CN108805209A (zh) * | 2018-06-14 | 2018-11-13 | 清华大学深圳研究生院 | 一种基于深度学习的肺结节筛查方法 |
Non-Patent Citations (3)
Title |
---|
FEI SHAN ETL: "Lung Infection Quantification of COVID-19 in CT Images with Deep Learning", 《 AL ARXIV.ORG》, pages 1 - 19 * |
FENG SHI ETL: "Large-Scale Screening of COVID-19 from Community Acquired Pneumonia using Infection Size-Aware Classification", 《ARXIV.ORG》, pages 1 - 8 * |
陈坚: "胸部CT 图像中感兴趣区域的提取与量化分析", 《中国医学物理学杂志》, vol. 25, no. 6, pages 895 - 898 * |
Also Published As
Publication number | Publication date |
---|---|
EP3889892A1 (en) | 2021-10-06 |
US20210304408A1 (en) | 2021-09-30 |
US11430121B2 (en) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Precise diagnosis of intracranial hemorrhage and subtypes using a three-dimensional joint convolutional and recurrent neural network | |
Ardila et al. | End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography | |
Shen et al. | An automated lung segmentation approach using bidirectional chain codes to improve nodule detection accuracy | |
Bakas et al. | Advancing the cancer genome atlas glioma MRI collections with expert segmentation labels and radiomic features | |
Pan et al. | Automatic opportunistic osteoporosis screening using low-dose chest computed tomography scans obtained for lung cancer screening | |
Ho et al. | A 3D-CNN model with CT-based parametric response mapping for classifying COPD subjects | |
EP3889892A1 (en) | Assessment of abnormality regions associated with a disease from chest ct images | |
Le et al. | Assessing robustness of carotid artery CT angiography radiomics in the identification of culprit lesions in cerebrovascular events | |
JP5331299B2 (ja) | 解剖学的構造内の疾患に関する疾患関連の変化の患者特異的解析を実行するための方法及びシステム | |
Schultheiss et al. | A robust convolutional neural network for lung nodule detection in the presence of foreign bodies | |
US7236619B2 (en) | System and method for computer-aided detection and characterization of diffuse lung disease | |
EP3806035A1 (en) | Reducing false positive detections of malignant lesions using multi-parametric magnetic resonance imaging | |
US10265040B2 (en) | Method and apparatus for adaptive computer-aided diagnosis | |
US10130323B2 (en) | Method and apparatus for planning computer-aided diagnosis | |
US20030103663A1 (en) | Computerized scheme for distinguishing between benign and malignant nodules in thoracic computed tomography scans by use of similar images | |
Brugnara et al. | Automated volumetric assessment with artificial neural networks might enable a more accurate assessment of disease burden in patients with multiple sclerosis | |
Pino Peña et al. | Automatic emphysema detection using weakly labeled HRCT lung images | |
US20210327583A1 (en) | Determination of a growth rate of an object in 3d data sets using deep learning | |
KR102307995B1 (ko) | 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법 | |
Boehm et al. | Automated classification of normal and pathologic pulmonary tissue by topological texture features extracted from multi-detector CT in 3D | |
Yuan et al. | Prognostic Impact of the Findings on Thin-Section Computed Tomography in stage I lung adenocarcinoma with visceral pleural invasion | |
Gonçalves et al. | Learning lung nodule malignancy likelihood from radiologist annotations or diagnosis data | |
Hosseini et al. | Detection and severity scoring of chronic obstructive pulmonary disease using volumetric analysis of lung CT images | |
Negahdar et al. | An end-to-end deep learning pipeline for emphysema quantification using multi-label learning | |
Bermejo-Peláez et al. | Deep learning-based lesion subtyping and prediction of clinical outcomes in COVID-19 pneumonia using chest CT |
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 |