[发明专利]使用深度学习确定肺结节的恶性程度

说明书

描述了用于确定结节的恶性程度的系统和方法。接收患者的结节的医学图像。在所述医学图像中识别围绕所述结节的补片。使用经训练的深度图像到图像网络预测所述补片中的所述结节的恶性程度。

技术领域

本发明一般涉及确定肺结节的恶性程度，并且更特别地涉及通过使用机器学习模型分析医学图像来确定肺结节的恶性程度。

背景技术

用于针对肺癌筛查患者的当前标准是计算机断层扫描（CT）成像。如果在患者的CT成像中发现了肺结节，则可以执行活组织检查以取回结节的部分，以通过组织病理学检查确定其恶性程度。执行活组织检查的决定基于CT成像的简单特征，诸如结节的数量、结节的大小、结节的形状以及结节的生长。然而，CT成像的这样的简单特征构成了CT成像中可用的全部信息中的少量信息。CT成像中可用的大量信息在确定是否要执行活组织检查时仍未使用。

肺活组织检查是执行昂贵的程序。对于经历活组织检查的许多患者，发现他们的结节是良性的。减少经历这样的不必要的活组织检查的患者的数量将导致显著的医学成本节省，同时还减少患者暴露于不必要的医学程序。

发明内容

根据一个或多个实施例，提供了用于确定结节的恶性程度的系统和方法。接收患者的结节的医学图像，并且在医学图像中定义围绕结节的补片（patch）。使用经训练的深度图像到图像网络来预测补片中的结节的恶性程度。在一个实施例中，经训练的深度图像到图像网络包含深度推理器网络。

根据一个实施例，使用描绘特定节点的训练图像以及特定结节的组织病理学检查结果来训练深度图像到图像网络。可以附加地或替换地使用描绘附加结节的附加训练图像和附加结节的放射科医师检查结果来训练（例如，其中特定结节的组织病理学检查结果不足以训练深度图像到图像网络）深度图像到图像网络。

根据一个实施例，通过确定指示结节的恶性程度的得分或通过将结节分类为恶性的或非恶性的来预测结节的恶性程度。基于结节的所预测的恶性程度，可以接收患者的结节的另一个医学图像。例如，可以响应于满足一个或多个阈值的结节的所预测的恶性程度（例如，指示结节的恶性程度的得分）而接收另一个医学图像。另一个医学图像可以是比初始的医学图像更详细的结节的医学图像。可以在另一个医学图像中定义围绕结节的另一个补片，并且可以使用经训练的深度图像到图像网络来预测另一个补片中的结节的恶性程度。

根据一个或多个实施例，经训练的深度图像到图像网络可以包含编码器和解码器。补片被输入到编码器中，并且编码器将补片转换成低级表示。解码器从低级表示预测补片中结节的恶性程度。

通过参考下面详细的描述和附图，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确定结节的恶性程度的说明性系统；

图2示出了根据一个或多个实施例的用于预测肺结节的恶性程度的高级工作流；

图3示出了根据一个或多个实施例的用于预测患者的结节的恶性程度的方法；

图4示出了根据一个或多个实施例的具有结节的患者的肺的示例性医学图像；

图5示出了根据一个或多个实施例的用于预测患者结节的恶性程度的深度图像到图像网络的网络架构；

图6示出了根据一个或多个实施例的用于预测患者结节的恶性程度的高级网络架构；

图7示出了根据一个或多个实施例的用于训练和应用用于预测患者结节的恶性程度的机器学习模型的工作流；

图8示出了根据一个或多个实施例的用于生成用于训练用于预测患者的结节的恶性程度的机器学习模型的训练数据的工作流；以及

图9示出了计算机的高级框图。

具体实施方式