[发明专利]用于执行多重分析的神经网络的权重的分层学习

说明书

提供用于执行医学成像分析的系统和方法。输入医学成像数据被接收用于执行多个医学成像分析其中特定的一个。在使用被训练用于执行所述多个医学成像分析的神经网络的情况下生成输出，该输出提供关于输入医学成像数据的特定医学成像分析的结果。通过在使用与多个医学成像分析其中的不同的一个相关联的一个或多个权重的情况下学习与特定医学成像分析相关联的一个或多个权重来训练该神经网络。输出用于执行该特定医学成像分析的所生成的输出。

相关申请的交叉引用

本申请要求保护2017年2月8日提交的美国临时申请No. 62/456,368的权益，通过引用将该申请的公开内容以其整体合并于此。

技术领域

本发明总体上涉及医学成像分析，并且更特别地涉及用于利用（exploit） 不同医学成像分析中的共性（commonality）的分层方法（hierarchical approach）。

背景技术

医学成像分析涉及从医学成像数据提取信息以用于执行医学任务，诸如界标检测（landmark detection）、解剖检测、病灶检测、解剖学分割（anatomy segmentation）、分割和定征、跨模态图像配准（cross-modality image registration）、图像去噪等等。机器学习方法已经被广泛地用于医学影像分析的自动化。通过从带有注释的训练成像数据的大型数据库中对关系进行学习，机器学习方法能够从医学成像数据提取具有代表性的特征并作出有意义的预测。最近，神经网络（NN）、并且尤其是卷积神经网络（CNN））已经被广泛地用在医学成像分析中。CNN主要通过其网络架构以及与卷积层相关联的内核系数（kernelcoefficient）来表征，该网络架构指定如何将卷积池化（convolution pooling）的多个层堆叠成一个计算实体。卷积CNN（利用它们自己的网络架构）来被构造并（利用它们自己的内核系数）来被学习，以用于执行与特定模态、解剖和任务相关联的特定医学成像分析。

被开发用于执行特定医学成像分析的常规CNN没有考虑不同医学成像分析之间固有的共性。例如，这样的共性可能包括成像模态、目标解剖结构、以及低层级特征（例如通常在属于早期CNN卷积层的内核中所发现的类似Gabor（Gabor-like）的特征）。

发明内容

根据一个或多个实施例，提供用于执行医学成像分析的系统和方法。接收用于执行多个医学成像分析其中的特定一个的输入医学成像数据。通过使用被训练用于执行这多个医学成像分析的神经网络来生成如下输出，该输出提供关于输入医学成像数据的特定医学成像分析的结果。通过在使用与多个医学成像分析其中不同的一个医学成像分析相关联的一个或多个权重的情况下学习与特定医学成像分析相关联的一个或多个权重来训练该神经网络。用于执行该特定医学成像分析的所生成的输出被输出。

根据一个或多个实施例，这多个医学分析中的每一个与不同的模态（modality）、解剖（anatomy）和/或任务相关联。该任务包括检测、识别、分割和配准（registration）其中至少之一。

根据一个或多个实施例，通过学习对于神经网络的每个节点的权重集合来训练该神经网络。对于在每个节点的权重集合中的权重具有分层关系（hierarchicalrelationship）以使得在分层关系的顶部层级处的权重与多个医学成像分析中的每一个相关联并且在分层关系的底部层级处的权重各自与多个医学成像分析其中的相应一个相关联。

根据一个或多个实施例，对于每个节点的权重集合包括：终极网（hypernet）权重，该终极网权重包括在分层关系的顶部层级处的权重；一个或多个各自与模态相关联的超级网（ultranet）权重以及一个或多个各自与解剖相关联的超级网权重；一个或多个各自与模态和解剖相关联的超网（supernet）权重；以及多个目标网络权重，这多个目标网络权重包括在分层关系的底部层级处的权重。