[发明专利]用于解剖树结构的疾病量化建模的方法及系统

说明书

本公开涉及一种用于解剖树结构的疾病量化建模的方法及系统。该方法包括获得解剖树结构的中心线。该方法还包括基于图生成图神经网络，其中，每个节点对应于中心线点，并且边由中心线定义，每个节点的输入为相应的中心线点的疾病相关特征或2D/3D图像块，每个节点的输出为疾病量化参数。该方法还包括获得一组节点的标签数据，该组节点的节点数小于图神经网络中的节点的总数。此外，该方法包括过基于该组节点的标签数据通在该组节点和其他节点之间传递信息来训练所述图神经网络。

相关申请的交叉引用

本申请要求2019年6月19日提交的美国临时申请第62/863,472号的优先权的权益，其全部内容通过引用合并于本文中。

技术领域

本公开总体上涉及医学图像处理和分析，并考虑在具有可用于训练的标签数据(诸如地面真值)的情况(例如，在解剖树结构中只有一个或几个侵入性值可用)下，解剖树结构(例如，血管、气道树等)的疾病量化的学习问题。

背景技术

精确诊断需要解剖树结构的准确疾病量化。例如，已证明血流储备分数(FFR)是评估心脏缺血的可靠指标。FFR可以通过压力导丝进行测量，但是此手术具有侵入性，并且在整个树中仅测量了一个或几个值。已经尝试使用基于学习的方法来估计FFR。这种基于学习的FFR估计基本上是一个低数据问题，因为仅在一个、很少几个或几个位置提供了地面真实性测量。图1显示了几种具有地面真实FFR值的场景：一个点(图1(a))，几个孤立点(图1(b))，或沿一段的值(图1(c))。由于仅有少量的侵入性FFR值(通过压力导丝测得)可用于训练过程，因此要对整个冠状动脉树提供准确的预测非常具有挑战性。现有的基于机器学习的方法需要仿真的FFR值作为训练模型的地面真值。但是，仿真的FFR值通常是通过基于数值流仿真的方法计算的，这既耗时，对于训练机器学习模型又不准确。因此，基于机器学习的方法的性能受到仿真方法的高度限制。

发明内容

提供本公开以克服用于利用学习网络进行解剖树结构的疾病定量建模的常规方法中的缺点。本公开的目标是直接利用测得的侵入性FFR来训练FFR模型，而不是使用仿真的FFR作为用于训练FFR模型的地面真值。注意的是，与其他值(例如通过算法计算出的值)作为地面真值相比，测量得到的侵入性FFR值作为用于训练模型的地面真值是最准确的值。

在一个方面，提供了一种用于解剖树结构的疾病量化建模的计算机实现的方法。该方法对每个训练图像包括如下步骤以执行相应的训练/学习。该方法可以包括从训练图像获得解剖树结构的中心线。该方法还可以包括由处理器基于图生成图神经网络。其中，每个节点可以对应于中心线点，并且边由中心线定义，每个节点的输入为相应的中心线点的疾病相关特征或2D/3D图像块，每个节点的输出为疾病量化参数。此外，该方法可以包括：获得一组节点的标签数据，该组节点的节点数小于图神经网络中的节点的总数。更进一步，该方法可以包括由处理器基于该组节点的标签数据通过在该组节点和其他节点之间传递信息来训练所述图神经网络。

在另一方面，提供了一种用于解剖树结构的疾病量化建模的系统。该系统可以包括接口和处理器。接口可以被配置为接收包含解剖树结构的训练图像。处理器可以被配置为针对每个训练图像执行以下步骤。处理器可以被配置为获得解剖树结构的中心线。处理器可以进一步被配置为基于图生成图神经网络。其中，每个节点可以对应于中心线点，并且边由中心线定义，每个节点的输入为相应的中心线点的疾病相关特征或2D/3D图像块，每个节点的输出为疾病量化参数。所述处理器可以进一步被配置为获得一组节点的标签数据，该组节点的节点数小于图神经网络中的节点的总数。此外，处理器被配置为基于该组节点的标签数据通过在该组节点和其他节点之间传递信息来训练所述图神经网络。