專利名稱：自動(dòng)開發(fā)在醫(yī)學(xué)診斷成像中產(chǎn)生醫(yī)學(xué)有意義的描述符的高性能分類器的方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明基本涉及醫(yī)學(xué)成像領(lǐng)域，尤其涉及用于自動(dòng)選擇高性能分類器的系統(tǒng)和方法，所述分類器用于在超聲醫(yī)學(xué)圖像中產(chǎn)生醫(yī)學(xué)有意義的特征描述符。
背景技術(shù)：
超聲，也稱作診斷醫(yī)學(xué)超聲波檢查、超聲波檢查或者超聲波心動(dòng)描記術(shù)，是利用高頻聲波產(chǎn)生人體內(nèi)部結(jié)構(gòu)的圖像的成像技術(shù)。這些圖像提供了在診斷和指導(dǎo)疾病治療時(shí)有用的信息。例如，在懷孕期間頻繁使用超聲確定胎兒的健康和發(fā)育。超聲也用作在頸部、腹部和骨盆的器官中辨認(rèn)健康和不健康組織之間的微妙差別的診斷輔助。其對(duì)于定位和確定血管中疾病程度也非常有用。心臟超聲成像稱作超聲波心動(dòng)描記術(shù)，用于診斷許多心臟狀況。超聲引導(dǎo)程序提供了腫瘤和活檢針附近的健康組織的圖像，通過使用該程序促進(jìn)了腫瘤的精確活檢和治療。
使用診斷超聲設(shè)備執(zhí)行常規(guī)醫(yī)學(xué)超聲波檢查，所述設(shè)備將聲能發(fā)射到人體中并且接收由諸如心臟、肝臟或腎臟的身體組織和器官反射的信號(hào)。血細(xì)胞的運(yùn)動(dòng)導(dǎo)致了反射信號(hào)中的多普勒頻移。在時(shí)域中，可以觀測(cè)到這些頻移表現(xiàn)為反射信號(hào)的互相關(guān)函數(shù)的移位。反射信號(hào)通常顯示成稱為彩色流成像或彩色速度成像的二維形式。通常利用這種顯示檢查血流圖案。典型超聲系統(tǒng)在多個(gè)路徑上發(fā)射脈沖并且將在多個(gè)路徑上從對(duì)象上接收的回波轉(zhuǎn)換成用于產(chǎn)生超聲數(shù)據(jù)的電信號(hào)，從該超聲數(shù)據(jù)可以顯示超聲圖像。獲得原始超聲數(shù)據(jù)的過程通常稱為“掃描”、“掃掠”或“轉(zhuǎn)向束(steering a beam)”，從該原始超聲數(shù)據(jù)產(chǎn)生圖像數(shù)據(jù)。
可以實(shí)時(shí)執(zhí)行超聲波檢查法，這涉及在進(jìn)行掃描時(shí)超聲圖象的快速、順序呈現(xiàn)。通常利用一組排成一行并由電脈沖激勵(lì)的換能器元件(稱為“陣列”)，以電子方式執(zhí)行掃描，對(duì)多個(gè)循環(huán)序列中的每一個(gè)，每個(gè)元件有一個(gè)脈沖。脈沖通常定時(shí)成貫穿要成像的診斷區(qū)域進(jìn)行掃描。
在超聲掃描器中的信號(hào)處理從使應(yīng)用到陣列的每個(gè)元件的激勵(lì)脈沖的整形和延遲開始，以產(chǎn)生聚焦的、轉(zhuǎn)向的和切趾的脈沖束，其至少部分地傳播進(jìn)入人體組織。切趾指的是使用加權(quán)函數(shù)(weightingfunction)使波束變細(xì)以減少或消除旁瓣(side lobe)的處理。已發(fā)射聲波脈沖的特性可以調(diào)整或“整形”以相應(yīng)于特定成像模式的設(shè)置。例如，脈沖整形可以包括根據(jù)回波將用于B-掃描、脈沖多普勒還是彩色多普勒成像模式而調(diào)整脈沖的長度。脈沖整形也可以包括調(diào)整脈沖頻率，在新式寬帶換能器中，所述脈沖頻率設(shè)置成寬范圍，并且可以根據(jù)正掃描的人體部位而選擇。許多掃描器也調(diào)整脈沖包絡(luò)(即，高斯包絡(luò))以提高產(chǎn)生的聲波的傳播特性。
組織結(jié)構(gòu)散射聲波而產(chǎn)生的回波信號(hào)，由換能器陣列中所有元件接收，并且隨后處理。這些回波信號(hào)的處理通常在單個(gè)元件級(jí)別或者在通道級(jí)別執(zhí)行，其中一個(gè)通道包括一個(gè)或多個(gè)元件。信號(hào)處理從應(yīng)用切趾函數(shù)、動(dòng)態(tài)聚焦和轉(zhuǎn)向延遲開始。信號(hào)處理中最重要的要素之一是波束形成。在換能器陣列中，通過在不同的時(shí)刻激勵(lì)每個(gè)元件使波束聚焦和轉(zhuǎn)向，使得每個(gè)元件發(fā)射的聲波將與來自陣列中所有其他元件的聲波同時(shí)到達(dá)預(yù)期的焦點(diǎn)。
據(jù)美國癌癥學(xué)會(huì)報(bào)道，乳癌是女性死亡的主導(dǎo)原因，每年因此導(dǎo)致的死亡人數(shù)估計(jì)為46000。通常認(rèn)為，乳房X射線成像術(shù)是早期診斷乳癌的最有效方法，并且指出無癥狀女性的周期檢查確實(shí)降低了死亡率。各種醫(yī)學(xué)組織已經(jīng)推薦使用乳房X射線成像術(shù)檢查用于早期檢測(cè)乳癌。因而，乳房X射線成像術(shù)已經(jīng)成為放射科醫(yī)師常規(guī)了解的最大量x-射線過程之一。根據(jù)放射線成像檢測(cè)的腫塊損傷或微鈣化的簇，檢測(cè)到許多乳癌，并且推薦進(jìn)行外科活檢。雖然現(xiàn)有用于在良性和惡性乳房X射線成像辨認(rèn)的乳房損傷之間進(jìn)行區(qū)分的基本規(guī)則，但是使用這種常規(guī)方法發(fā)生了相當(dāng)大量的損傷誤分類。據(jù)報(bào)道，平均來說，推薦進(jìn)行外科乳房活檢的腫塊中，實(shí)際上僅有不到30％是惡性的。能夠以客觀和可靠方式檢測(cè)和分析良性和惡性腫塊的計(jì)算機(jī)化方法，可以通過減少惡性腫瘤的假陽性診斷而幫助放射科醫(yī)師，由此減少患者發(fā)病率，以及執(zhí)行的外科活檢及其相關(guān)并發(fā)癥的數(shù)量。
乳房超聲波檢查法用作診斷乳房X射線成像術(shù)的重要輔助手段，并且通常執(zhí)行以評(píng)估可觸知的由乳房X射線成像辨認(rèn)的腫塊，以便于確定它們的囊腫或?qū)嵭奶匦?。已?jīng)報(bào)道在診斷簡單的良性囊腫中，超聲的精確度達(dá)到96％到100％。特征為良性囊腫的腫塊不需要進(jìn)一步評(píng)估。然而，據(jù)報(bào)道，75％的腫塊證明在超聲波檢查時(shí)是不確定的或者實(shí)心的，并且因而成為進(jìn)一步介入的備選。
過去，由于相對(duì)較高的假陰性和假陽性率，超聲未用于篩查的目的。如在Stavros等人的“Solid Breast NodulesUse of Sonography toDistinguish Bettween Benign and Malignant Lesions”，放射學(xué)196123-134，1995中所描述的，所述文獻(xiàn)在此全文引入作為參考，通常不使用乳房超聲波檢查區(qū)分良性和惡性實(shí)心腫塊，這是由于在它們的超聲波檢查表現(xiàn)上具有相當(dāng)大的重疊和相似。隨著現(xiàn)代高頻換能器的出現(xiàn)，其已經(jīng)提高了空間和對(duì)比分辨率，大量的超聲波檢查圖或者中等(mid-level)特征已經(jīng)成為惡性腫塊的可能標(biāo)志，而其他中等特征是良性腫塊的標(biāo)志。例如，良性特征包括高回聲(hyperechogenicity)、橢圓形、輕微的分片(lobulation)以及薄回波的假囊。惡性特征包括針狀(spiculation)、有角邊緣、顯著低回聲、后方聲影(posterior acousticshadowing)以及大于0.8的深度寬度比率。Stavros等人已經(jīng)使用了這些和其他特征表征腫塊為良性、不確定和惡性。他們的分類方案具有98.4％的靈敏度和99.5％的陰性預(yù)言值。然而，這些研究人員所述的超聲波檢查評(píng)估與在通常在乳房成像中心執(zhí)行的相比要昂貴、復(fù)雜得多。眾所周知，超聲檢查是依賴于操作者的模式，除非其他研究人員通過附加研究確認(rèn)了這些令人鼓舞的結(jié)果，否則仍不清楚該超聲波檢查分類方案能夠應(yīng)用于多廣的范圍。
根據(jù)已報(bào)道的良性和惡性腫塊的超聲波檢查特征，可以客觀可靠地分類損傷的自動(dòng)技術(shù)，尤其當(dāng)與它們的乳房X射線成像特征組合時(shí)，可以顯著地改進(jìn)乳房腫塊的乳房成像評(píng)估的特異性。已經(jīng)將計(jì)算機(jī)輔助技術(shù)應(yīng)用于乳房腫塊的彩色多普勒評(píng)估，結(jié)果很好。然而，彩色多普勒成像是一種僅關(guān)注損傷的血管分布的技術(shù)。由于并非所有超聲波檢查可見的癌癥具有顯而易見的新血管，該技術(shù)自然受到一些限制。
應(yīng)用于灰階超聲波檢查圖像的計(jì)算機(jī)輔助診斷技術(shù)是客觀和可靠地分類損傷的另一種方法。然而，這些方法通常是不可靠的，因?yàn)槠鋸尼t(yī)學(xué)圖像中提取有意義特征的能力受到一些限制。例如，根據(jù)醫(yī)學(xué)圖像(例如，超聲、CT、MRI等)的計(jì)算機(jī)輔助診斷依賴于從圖像中提取特征的算法。這些特征通常提供到某個(gè)算法以推斷最終診斷結(jié)果(例如，惡性或良性)。該方法受到算法設(shè)計(jì)者的特征提取能力的限制，提取的特征為產(chǎn)生診斷結(jié)果提供所必須的輸入。在一些情況下，存在診斷知識(shí)，但是沒有已知算法用于提取產(chǎn)生診斷結(jié)果所必須的特征。因此，需要一種方法，用于在已知診斷程序和已知方法之間搭橋，所述已知診斷程序需要不可由已知常規(guī)方法計(jì)算的中等特征，而所述已知方法用于從醫(yī)學(xué)圖像中提取低等(low-level)特征。

發(fā)明內(nèi)容
本發(fā)明是一種用于根據(jù)醫(yī)學(xué)圖像的計(jì)算機(jī)輔助診斷方法和裝置，例如，確定在從人類患者獲取的超聲醫(yī)學(xué)圖像中存在或不存在惡性特征的方法和裝置。
最初，獲自實(shí)際患者的各種類型的損傷的多幅基礎(chǔ)比較或訓(xùn)練圖像，由諸如醫(yī)生、放射科醫(yī)師或?qū)I(yè)醫(yī)學(xué)技術(shù)人員的一位或多位圖像閱讀專家檢查和分析。雖然可以使用一幅圖像和一位專家，但是大量的圖像和大量可靠、有經(jīng)驗(yàn)的專家將增強(qiáng)本發(fā)明的可靠性。雖然可以使用二維圖像，但是也可以使用三維圖像。由專家評(píng)估的圖像可以通過超聲、x-射線、CAT掃描、核磁共振譜成像等獲得。這些專家每位分析這些圖像中的每幅，并且根據(jù)他們的教育和經(jīng)驗(yàn)，根據(jù)在該類型圖像中可以觀察到的已知可能中等特征的列表，分類在每幅圖像中的觀察到的每處損傷或者其他觀察到的特征。對(duì)于每個(gè)可能的中等特征，每位專家提供關(guān)于是否在所觀察的損傷中存在惡性特征的是或否的評(píng)估，以創(chuàng)建第一數(shù)據(jù)庫陣列。這種中等特征的范例包括損傷中在組織中鈣鹽的異常沉積、損傷是否為規(guī)則的橢圓形，和/或是否損傷包括不同類型或特性的元素。
其次，使用一種或多種圖像處理算法，確定相同的多幅基礎(chǔ)比較或訓(xùn)練圖像中每處損傷的低等特征，以獲取第二數(shù)據(jù)庫陣列組。在可獲得的低等特征中，有傅立葉描述符、矩(moment)、形狀以及隨機(jī)、同現(xiàn)且自相關(guān)的參數(shù)。合適的算法包括快速傅立葉變換(FFT)、傅立葉逆變換、直方圖算法、均值、變量和高階矩，或者在M.L.Giger等人在Acad.Radiol.1999，6665-674的“Computerized Analysis ofLesions in US Images of the Breast”中公開的算法。
然后，優(yōu)選將第一數(shù)據(jù)庫陣列組和第二數(shù)據(jù)庫陣列組組合以創(chuàng)建訓(xùn)練數(shù)據(jù)庫陣列組。接著，訓(xùn)練數(shù)據(jù)庫陣列組輸入到開發(fā)了分類器的學(xué)習(xí)系統(tǒng)，所述分類器從低等特征的至少一個(gè)子組映射到低等特征的第一數(shù)據(jù)庫陣列組中專家的是或否評(píng)估。合適的分類器包括神經(jīng)網(wǎng)絡(luò)，和樸素貝葉斯分類器( Bayes classifier)，其基于所謂的“貝葉斯定理”，并且尤其適合于分類器的輸入維度較高時(shí)。
開發(fā)了一種高性能分類器，用于將低等特征映射到第一數(shù)據(jù)陣列的專家產(chǎn)生的中等特征。在此，遺傳算法(GA)優(yōu)選用于根據(jù)訓(xùn)練數(shù)據(jù)庫陣列中的低等特征而選擇特征子組。遺傳算法使用達(dá)爾文進(jìn)化模型，來發(fā)現(xiàn)低等特征的高性能子組，其中高性能是分類器正確分類特定訓(xùn)練情況的趨勢(shì)。這種遺傳算法公開在Larry J.Eshelman，“The CHCAdaptive Search AlgorithmHow to Have Safe Search When Engagingin Nontraditional Genetic Recomination”，F(xiàn)oundations of GeneticAlgorithms，Morgan Kaufmann，San Francisco，第265-283頁，1991。
分類器分析第一數(shù)據(jù)庫陣列組的每個(gè)條目，并且改變或最優(yōu)化其算法，從而可靠地獲得如專家察覺到的相應(yīng)中等特征。實(shí)際上，分類器“學(xué)習(xí)”通過將低等特征與專家確定的中等特征相關(guān)，從圖像處理器產(chǎn)生的低等特征中正確地預(yù)測(cè)中等特征。
每個(gè)子組包括相應(yīng)于訓(xùn)練數(shù)據(jù)庫陣列組中的特定低等特征的數(shù)量。GA包括多個(gè)“染色體”，并且每個(gè)染色體擁有一組基因，即相應(yīng)于損傷的特定低等特征的數(shù)量。出于本發(fā)明的目的，染色體是基因組中特定低等特征的子組。根據(jù)本發(fā)明的方法，GA確定染色體，用于提供最優(yōu)分類器，其將正確地把損傷的低等特征“映射”到由有經(jīng)驗(yàn)的專家分類的損傷的中等特征。
一旦確定了高性能分類器，其可以僅根據(jù)圖像，優(yōu)選數(shù)字形式圖像，確定患者損傷圖像中特定中等特征的存在。例如，輸出可以包括一些醫(yī)學(xué)有意義特征或?qū)傩曰蛑械忍卣鞯拇嬖谂c否，例如，損傷周圍的組織中鈣鹽的異常沉積、損傷是否為規(guī)則的橢圓形，和/或是否損傷包括不同類型或性質(zhì)的元素?；蛘撸斎肟梢允鞘褂靡粋€(gè)或多個(gè)圖像處理算法獲得的實(shí)際圖像的低等特征。由醫(yī)生、放射科醫(yī)師或?qū)I(yè)醫(yī)學(xué)技術(shù)人員使用輸出以協(xié)助確定損傷為良性或惡性。
根據(jù)本發(fā)明的方法，優(yōu)選用單個(gè)分類器產(chǎn)生每個(gè)特定中等特征。即，一個(gè)分類器用于確定是否損傷包括一個(gè)特定中等特征，另一分類器用于確定是否損傷包括另一個(gè)中等特征等。
本發(fā)明在用于從醫(yī)學(xué)圖像中提取低等特征的已知方法和需要不能由已知常規(guī)方法計(jì)算的中等特征的已知診斷程序之間搭橋。本發(fā)明將使得放射科醫(yī)師和其他醫(yī)學(xué)專業(yè)人員具有快速核實(shí)/確認(rèn)損傷中存在或不存在惡性的能力。另外，本發(fā)明的方法有效地為位于遠(yuǎn)地的醫(yī)院提供了訪問放射學(xué)領(lǐng)域中“專家”的通路。


參考隨附附圖，從下面給出的本發(fā)明的典型實(shí)施例的詳細(xì)描述中，本發(fā)明的前述和其他優(yōu)點(diǎn)和特征將更加明顯，其中圖1是具有由一位或多位專家評(píng)估的損傷的多幅典型圖像的圖示；圖2是根據(jù)圖1的多幅圖像的典型數(shù)據(jù)庫陣列組的圖示，其將圖像處理算法產(chǎn)生的低等特征和專家確定的中等特征組合起來；圖3是示出根據(jù)本發(fā)明與識(shí)別到分類器的正確輸入相關(guān)的功能對(duì)象的結(jié)構(gòu)示意圖；圖4是染色體的典型基因組的圖示；圖5是示出說明根據(jù)本發(fā)明方法的步驟的流程圖；以及圖6是用于實(shí)施本發(fā)明方法的通用計(jì)算機(jī)的結(jié)構(gòu)示意圖。
具體實(shí)施例方式
本發(fā)明是一種基于醫(yī)學(xué)圖像的計(jì)算機(jī)輔助診斷方法和裝置，例如，確定獲自人類患者的超聲醫(yī)學(xué)圖像中存在或不存在惡性特征。
最初，獲自實(shí)際患者的各種類型的損傷的多幅基礎(chǔ)比較或訓(xùn)練圖像，由諸如醫(yī)生、放射科醫(yī)師或?qū)I(yè)醫(yī)學(xué)技術(shù)人員的一位或多位圖像閱讀專家檢查和分析。雖然可以使用一幅圖像和一位專家，但是大量的圖像和大量可靠、有經(jīng)驗(yàn)的專家將增強(qiáng)本發(fā)明的可靠性。雖然可以使用二維圖像，但是也可以使用三維圖像。由專家評(píng)估的圖像可以通過超聲、x-射線、CAT掃描、核磁共振譜成像等獲得。這些專家每位分析這些圖像中的每幅，并且根據(jù)他們的教育和經(jīng)驗(yàn)，根據(jù)在該類型圖像中可以觀察到的已知可能中等特征的列表，分類在每幅圖像中觀察到的每處損傷或者其他觀察到的特征。對(duì)于每個(gè)可能的中等特征，每位專家提供關(guān)于是否在所觀察的損傷中存在惡性特征的是或否的評(píng)估，以創(chuàng)建第一數(shù)據(jù)庫陣列。這種中等特征的范例包括損傷中在組織中鈣鹽的異常沉積、損傷是否為規(guī)則的橢圓形，和/或是否損傷包括不同類型或特性的元素。在優(yōu)選實(shí)施例中，中等特征由一位以上的專家評(píng)估，其中該方法的宗旨是“越多越好”。
使用預(yù)定詞匯表定義中等特征。在本發(fā)明的優(yōu)選實(shí)施例中，使用的詞匯表獲自Stavros等人的“Solid Breast NodulesUse of Sonographyto Distinguish Bettween Benign and Malignant Lesions”，放射學(xué)196123-134，1995。根據(jù)本發(fā)明，根據(jù)在Stavros A.T.等人的文章中推薦的算法，做出最終惡性確定。如由美國放射學(xué)會(huì)(ACR)BI-RADS所界定的，由Stavros等人推薦的算法需要使用位于圖像中對(duì)象內(nèi)損傷的中等特征。對(duì)于惡性特征，中等特征至少是i)針狀化，粗厚的暈圈(未分辨的)；ii)有角邊緣(angular margin)；iii)微片化(microlobulation)；iv)高寬比，即對(duì)象的高度寬度比的程度；v)鈣化；vi)管延伸和分枝圖案(branching pattern)；vii)鈣化；(viii)相對(duì)于脂肪的低回聲(50％CA)；以及ix)異質(zhì)的質(zhì)地。對(duì)于良性特征，該中等特征至少是i)損傷的寬高比的程度，即逆高寬比；ii)分片(lobulation)，例如，規(guī)則的橢圓形，即幾乎無分片；iii)連續(xù)、光滑囊；iv)同質(zhì)質(zhì)地。
關(guān)于惡性特征，針狀化指的是損傷包含從圖中所示的損傷表面或?qū)嵭慕Y(jié)節(jié)垂直放射的交替強(qiáng)回聲和低回聲的程度。在強(qiáng)回聲纖維組織圍繞的損傷中，在圖像中超聲波檢查法僅可見回聲推測(cè)(echogenicspeculation)。強(qiáng)回聲組織是高反射的組織。回聲指的是組織反射超聲能量的傾向。
有角邊緣指的是實(shí)心結(jié)節(jié)的相對(duì)強(qiáng)回聲或等回聲(isoechoic)中心部分與周圍組織的交界處。這些角度可以是銳角、鈍角或者90°。
當(dāng)在圖像對(duì)象的表面發(fā)現(xiàn)許多小(例如，1-2mm)的片時(shí)，發(fā)生微片化。高寬比指的是圖像中對(duì)象高度和寬度之比。鈣化是對(duì)象周圍的組織中鈣鹽的異常沉積，如由組織硬化所證明的。
“相對(duì)于脂肪的低回聲”(50％CA)是圖像中對(duì)象與周圍等回聲脂肪相比更輕的程度。
管延伸是從實(shí)心對(duì)象的突出，其在管內(nèi)部或周圍放射狀延伸，而所述管延伸遠(yuǎn)離乳腺的乳頭。分枝圖案定義為從位于延伸遠(yuǎn)離乳頭的管內(nèi)部或周圍的對(duì)象的多個(gè)突出。
對(duì)象表面包括相同類型或性質(zhì)的元素的程度，是其異質(zhì)的量度。
關(guān)于良性特征，損傷寬度與高度之比的程度是“逆高寬比”。分片指的是圖像中對(duì)象邊界寬高比的程度，即，對(duì)象是否為規(guī)則橢圓形，即，幾乎沒有分片在其本應(yīng)是的光滑橢圓形上和下顯示微小的隆起和凹處。具有同質(zhì)質(zhì)地的對(duì)象表明對(duì)象包含不同類型或性質(zhì)的元素。本領(lǐng)域技術(shù)人員將意識(shí)到可以定義其他中等特征。
圖1是具有由一位或多位專家100評(píng)估的損傷A1...n的對(duì)象X1...n的多幅圖像Y1...n的示例性圖示。根據(jù)本發(fā)明，對(duì)象X1...n的這些圖像(即，基礎(chǔ)比較或訓(xùn)練圖像)可以通過超聲、x-射線、CAT掃描、核磁共振譜成像等獲得。參考圖1，圖像Y1...n示出的對(duì)象X1...n中的每處觀察到的損傷A1...n，由一位或多位專家100根據(jù)他們的教育和經(jīng)驗(yàn)評(píng)估，以分類損傷A1...n的中等特征，從而獲得第一數(shù)據(jù)庫陣列組。
接著，使用一個(gè)或多個(gè)圖像處理算法進(jìn)行確定相同的多幅基礎(chǔ)比較或訓(xùn)練圖像中的每處損傷A1...n的低等特征，以獲得第二數(shù)據(jù)庫陣列組。在可以獲得的低等特征中，有傅立葉描述符、矩、形狀以及隨機(jī)、同現(xiàn)和自相關(guān)的參數(shù)。合適的算法包括快速傅立葉變換(FFT)、反傅立葉變換、直方圖算法、均值、變量和高階矩，或者在M.L.Giger等人在Acad.Radiol.1999，6665-674的“Computerized Analysis ofLesions in US Images of the Breast”中公開的算法。
圖2是根據(jù)圖1的多幅圖像的示例性數(shù)據(jù)庫陣列組的圖示，其組合了圖像處理算法產(chǎn)生的低等特征和專家確定的中等特征。當(dāng)專家100確定在圖像Y中存在特定中等特征，在第一數(shù)據(jù)庫陣列組中輸入和存儲(chǔ)1，以指示在圖像Y中存在該中等特征，如第三欄中所示。在圖2中，如第二欄中所示的數(shù)據(jù)庫陣列組的參數(shù)x11...x1A表示圖像Y的低等特征，這些低等特征使用已知圖像算法從圖像中提取而得。圖像A的組的專家分類欄中的0指示專家100推斷圖像Y1-n0不包含特定中等特征，而另一組圖像B的專家分類欄中的1指示專家推斷圖像Y1-z1包含特定中等特征。圖1的圖像Y1...n優(yōu)選由不止一位專家評(píng)估，并且與他們的評(píng)估一起存儲(chǔ)在數(shù)據(jù)陣列組中，以增加醫(yī)學(xué)有意義特征的預(yù)定義感知的有效性的置信度。在這種情況下，在圖2的第一數(shù)庫據(jù)陣列組中，對(duì)每位專家創(chuàng)建1’和0’的附加欄。
然后，第一數(shù)據(jù)庫陣列組和第二數(shù)據(jù)庫陣列組可以優(yōu)選組合以創(chuàng)建訓(xùn)練數(shù)據(jù)庫陣列組?；蛘?，兩個(gè)數(shù)據(jù)庫陣列組不需要組合，而在組合中分別使用。接著，訓(xùn)練數(shù)據(jù)庫陣列組輸入到開發(fā)分類器的學(xué)習(xí)系統(tǒng)，所述分類器精確地從低等特征的至少一個(gè)子組映射到低等特征的第一數(shù)據(jù)庫陣列組中專家的是或否的評(píng)估。合適的分類器包括神經(jīng)網(wǎng)絡(luò)，諸如在美國專利號(hào)No.6,601,053、題為“Optimized Artificial NeuralNetworks”中所述的神經(jīng)網(wǎng)絡(luò)，所述文獻(xiàn)在此全文引入作為參考，以及基于所謂“貝葉斯定理”并且當(dāng)輸入到分類器的維度較高時(shí)尤其適用的樸素貝葉斯分類器。本領(lǐng)域技術(shù)人員將意識(shí)到，也可以使用其他分類器。
圖3是描述根據(jù)本發(fā)明與辨認(rèn)用于高性能分類器的正確輸入相關(guān)的功能對(duì)象的結(jié)構(gòu)示意圖。通過使用遺傳算法(GA)根據(jù)諸如x11...x1A的訓(xùn)練數(shù)據(jù)庫陣列組中的低等特征，在圖2中所示的訓(xùn)練數(shù)據(jù)庫陣列組中選擇特征子組，開發(fā)了高性能分類器，用于將低等特征映射到第一數(shù)據(jù)陣列的專家產(chǎn)生的中等特征。遺傳算法使用了達(dá)爾文進(jìn)化模型來發(fā)現(xiàn)低等特征的高性能子組，其中高性能是分類器正確分類特定訓(xùn)練情況的傾向。這種遺傳算法公開在Larry J.Eshelman，“The CHCAdaptive Search AlgorithmHow to Have Safe Search When Engagingin Nontraditional Genetic Recombination”，F(xiàn)oundations of GeneticAlgorithms，Morgan Kaufmann，San Francisco，第265-283頁，1991。
該分類器分析第一數(shù)據(jù)庫陣列組的每個(gè)條目，并且改變或盡可能最優(yōu)化其算法，以便可靠地獲得如由專家感知的相應(yīng)中等特征。實(shí)際上，分類器“學(xué)習(xí)”基于將低等特征與專家確定的中等特征關(guān)聯(lián)，來根據(jù)圖像處理器產(chǎn)生的低等特征正確地預(yù)測(cè)中等特征。
每個(gè)子組包括與訓(xùn)練數(shù)據(jù)庫陣列組中的特定低等特征x11...x1A對(duì)應(yīng)的整數(shù)。參考圖3，GA包括多個(gè)“染色體”，每個(gè)擁有一組基因，即與損傷的特定低等特征對(duì)應(yīng)的數(shù)。出于本發(fā)明的目的，染色體指定該組基因中的特定低等特征的子組，如下面參考圖4所示。GA確定將發(fā)現(xiàn)/學(xué)習(xí)高性能分類器的染色體，所述分類器用于將損傷的低等特征映射到由專家分類的損傷的中等特征。例如，選擇神經(jīng)網(wǎng)絡(luò)進(jìn)行映射操作。提供了一組用于該網(wǎng)絡(luò)的輸入-輸出對(duì)，并且將這些輸入-輸出對(duì)分成訓(xùn)練組和評(píng)估組。初始定義的網(wǎng)絡(luò)用訓(xùn)練組進(jìn)行訓(xùn)練，并且而后使用評(píng)估組進(jìn)行評(píng)估。然后，選擇最優(yōu)的(多個(gè))神經(jīng)網(wǎng)絡(luò)，使用該神經(jīng)網(wǎng)絡(luò)執(zhí)行優(yōu)化。
修改代表所選網(wǎng)絡(luò)結(jié)構(gòu)的符號(hào)串產(chǎn)生代表新神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的新符號(hào)串。然后，這些新神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)訓(xùn)練組訓(xùn)練、由評(píng)估組評(píng)估，并再次選擇性能最優(yōu)的網(wǎng)絡(luò)。再次修改改進(jìn)的網(wǎng)絡(luò)的符號(hào)串表示，然后繼續(xù)該過程直到實(shí)現(xiàn)充分優(yōu)化的網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)。對(duì)于用于最優(yōu)化神經(jīng)網(wǎng)絡(luò)的處理的詳細(xì)描述，可以參考授予Schaffer等人、題為“Optimized Artificial Neural Networks”的美國專利號(hào)No.6,601,053，所述文獻(xiàn)在此全文引入作為參考。
一旦開發(fā)了高性能分類器，其可以僅根據(jù)圖像，優(yōu)選數(shù)字形式的圖像，確定患者損傷圖像中特定中等特征的存在。例如，輸出可以包括一些醫(yī)學(xué)有意義特征或?qū)傩曰蛑械忍卣鞯拇嬖谂c否，例如，損傷周圍的組織中鈣鹽的異常沉積、損傷是否為規(guī)則的橢圓形，和/或是否損傷包括不同類型或特征的元素?；蛘撸斎肟梢允鞘褂靡粋€(gè)或多個(gè)圖像處理算法獲得的實(shí)際圖像的低等特征。由醫(yī)生、放射科醫(yī)師或?qū)I(yè)醫(yī)學(xué)技術(shù)人員使用輸出以協(xié)助確定損傷為良性或惡性。
圖5是示出根據(jù)本發(fā)明的方法的步驟的流程圖。通過檢查和分析獲自實(shí)際患者的各種類型損傷的多幅基礎(chǔ)比較或訓(xùn)練圖像Y1...n以創(chuàng)建第一數(shù)據(jù)庫陣列，而實(shí)施本發(fā)明的方法，如步驟510中所示。在此，由諸如醫(yī)生、放射科醫(yī)師或?qū)I(yè)醫(yī)學(xué)技術(shù)人員的一位或多位圖像閱讀專家檢查圖像Y1...n。雖然可以使用一幅圖像和一位專家，但是大量的圖像和大量可靠、有經(jīng)驗(yàn)的專家將增強(qiáng)本發(fā)明的可靠性。雖然可以使用二維圖像，但是也可以使用三維圖像。
由專家100評(píng)估的圖像Y1...n可以通過超聲、x-射線、CAT掃描、核磁共振譜成像等獲得。這些專家每位分析這些圖像Y1...n中的每幅，并且根據(jù)他們的教育和經(jīng)驗(yàn)，根據(jù)在該類型圖像中可以觀察到的已知可能中等特征的列表，分類在每幅圖像中的每處觀察到的損傷A1...n或者其他觀察到的特征。對(duì)于每個(gè)可能的中等特征，每位專家提供關(guān)于是否在所觀察的損傷中存在特征的是或否的評(píng)估以創(chuàng)建第一數(shù)據(jù)庫陣列。這種中等特征的范例包括損傷中在組織中鈣鹽異常沉積、是否損傷是規(guī)則的橢圓形，和/或是否損傷包括不同類型或性質(zhì)的元素。
接著，使用一種或多種圖像處理算法，確定相同的多幅基礎(chǔ)比較或訓(xùn)練圖像Y1...n中每處損傷A1...n的低等特征，以獲取第二數(shù)據(jù)庫陣列組，如在步驟520中所示。在可獲得的低等特征中，有傅立葉描述符、矩、形狀以及隨機(jī)、同現(xiàn)且自相關(guān)的參數(shù)。合適的算法包括快速傅立葉變換(FFT)、反傅立葉變換、直方圖算法、均值、變量和高階矩，或者在M.L.Giger等人在Acad.Radiol.1999，6665-674的“Computerized Analysis of Lesions in US Images of the Breast”中公開的算法。
然后，第一數(shù)據(jù)庫陣列組和第二數(shù)據(jù)庫陣列組可以組合以創(chuàng)建訓(xùn)練數(shù)據(jù)庫陣列組，如在步驟530中所示?；蛘?，這兩個(gè)數(shù)據(jù)庫陣列組不需要組合，而在組合中分別使用。接著，將訓(xùn)練數(shù)據(jù)庫陣列組輸入到開發(fā)分類器的學(xué)習(xí)系統(tǒng)，所述分類器從低等特征的子組映射到低等特征的第一數(shù)據(jù)庫陣列組中專家的是或否的評(píng)估，如在步驟540中所示。合適的分類器包括神經(jīng)網(wǎng)絡(luò)，以及基于所謂“貝葉斯定理”并且當(dāng)分類器的輸入維度較高時(shí)尤其適用的樸素貝葉斯分類器。
通過使用遺傳算法(GA)根據(jù)訓(xùn)練數(shù)據(jù)庫陣列中的低等特征選擇特征子組，開發(fā)高性能分類器，用于將低等特征映射到第一數(shù)據(jù)陣列的專家產(chǎn)生的中等特征。遺傳算法使用達(dá)爾文進(jìn)化的模型，以發(fā)現(xiàn)低等特征的高性能子組，其中高性能是分類器正確分類特定訓(xùn)練情況的傾向。這種遺傳算法公開在Larry J.Eshelman，“The CHC AdaptiveSearch AlgorithmHow to Have Safe Search When Engaging inNontraditional Genetic Recomination”，F(xiàn)oundations of GeneticAlgorithms，Morgan Kaufmann，San Francisco，第265-283頁，1991。
一旦開發(fā)了高性能分類器，其用于僅根據(jù)圖像，確定患者損傷圖像中特定中等特征的存在，如步驟550中所示。
最終，輸出特定中等特征的存在與否，用于隨后確定損傷是良性還是惡性的，如步驟560中所示。例如，該輸出可以包括一些醫(yī)學(xué)有意義特征或?qū)傩曰蛑械忍卣鞯拇嬖诨虿淮嬖?，例如，損傷周圍的組織中鈣鹽的異常沉積、是否損傷是規(guī)則的橢圓形，和/或是否損傷包括不同類型或性質(zhì)的元素?；蛘?，輸入可以是使用一個(gè)或多個(gè)圖像處理算法獲得的實(shí)際圖像的低等特征。由醫(yī)生、放射科醫(yī)師或?qū)I(yè)醫(yī)學(xué)技術(shù)人員使用輸出以協(xié)助確定損傷為良性或惡性。
根據(jù)本發(fā)明的方法，使用單個(gè)分類器產(chǎn)生每個(gè)特定中等特征。即，一個(gè)分類器用于確定損傷是否包括一個(gè)特定中等特征，另一個(gè)分類器用于確定是否損傷包括另一個(gè)中等特征等。
可以通過使用根據(jù)本說明書的教導(dǎo)編程的常規(guī)通用數(shù)字計(jì)算機(jī)或者微處理器實(shí)施本發(fā)明的方法，這對(duì)于計(jì)算機(jī)領(lǐng)域的技術(shù)人員而言是顯而易見的。正如對(duì)于軟件領(lǐng)域技術(shù)人員將是顯然的，根據(jù)本公開內(nèi)容的教導(dǎo)，熟練的程序設(shè)計(jì)員可以容易地準(zhǔn)備合適的軟件編碼。
本發(fā)明包括一種計(jì)算機(jī)程序產(chǎn)品，其是一種存儲(chǔ)媒介，包括可以用于編程計(jì)算機(jī)以執(zhí)行本發(fā)明方法的指令。該存儲(chǔ)媒介可以包括，但是不局限于，任何類型的盤，包括軟盤、光盤、CD-ROM和磁光盤、ROM、RAM、EPROM、EEPROM、磁或光卡或者包括適于存儲(chǔ)電子指令的硬盤驅(qū)動(dòng)的任何類型的介質(zhì)。
圖6是用于實(shí)施本發(fā)明方法的通用計(jì)算機(jī)600的結(jié)構(gòu)示意圖。在圖6中，例如，計(jì)算機(jī)600包括諸如具有觸摸屏界面的觸摸屏監(jiān)視器的顯示設(shè)備602，鍵盤604，指點(diǎn)裝置606，鼠標(biāo)墊或數(shù)字化墊608，硬盤610或者使用諸如SCSI總線、增強(qiáng)IDE總線、PCI總線等合適的設(shè)備總線連接的其他固定的高密度介質(zhì)驅(qū)動(dòng)器，軟盤驅(qū)動(dòng)器612，具有磁帶或CD介質(zhì)616的磁帶或CD ROM驅(qū)動(dòng)器614，或者諸如磁光介質(zhì)等的其他可拆卸介質(zhì)設(shè)備，以及主板618。例如，主板618包括處理器620、RAM 622、ROM 624、用于耦合到圖像采集設(shè)備(未示出)的I/O端口626，以及用于執(zhí)行諸如聲處理、圖像處理、信號(hào)處理、神經(jīng)網(wǎng)絡(luò)處理等的專用硬件/軟件功能的任選專用硬件628，擴(kuò)音器630以及一個(gè)或多個(gè)揚(yáng)聲器640。
存儲(chǔ)在上述存儲(chǔ)介質(zhì)(計(jì)算機(jī)可讀介質(zhì))中任一上，本發(fā)明包括編程以控制計(jì)算機(jī)600的硬件和使計(jì)算機(jī)600能夠與人類用戶交互。這種編程可以包括，但不局限于，用于實(shí)現(xiàn)設(shè)備驅(qū)動(dòng)器、操作系統(tǒng)和用戶應(yīng)用的軟件。這種計(jì)算機(jī)可讀介質(zhì)還包括編程或軟件指令以指導(dǎo)通用計(jì)算機(jī)600根據(jù)本發(fā)明執(zhí)行任務(wù)。
通用計(jì)算機(jī)600的編程可以包括軟件模塊，其用于數(shù)字化和存儲(chǔ)獲自圖像采集設(shè)備的圖像?；蛘?，應(yīng)當(dāng)理解的是，本發(fā)明也可以實(shí)施以處理通過其他手段(諸如圖像存檔和通信系統(tǒng)(PACS))獲取的數(shù)字圖像數(shù)據(jù)。
使用本發(fā)明的裝置和方法，提供了一種在需要不能由已知常規(guī)方法計(jì)算的中等特征的已知診斷程序和用于從醫(yī)學(xué)圖像中提取低等特征的已知方法之間搭橋的方法。此外，醫(yī)學(xué)專業(yè)人員具有快速核實(shí)存在或不存在惡性腫瘤的能力。此外，本發(fā)明的裝置和方法有效地為位于遠(yuǎn)地的醫(yī)院提供了訪問放射學(xué)領(lǐng)域“專家”的通路。
因而，雖然如應(yīng)用到本發(fā)明的優(yōu)選實(shí)施例而已經(jīng)示出、描述并指出了本發(fā)明的基本新特征，需要理解的是，本領(lǐng)域技術(shù)人員不脫離本發(fā)明的精神，可以進(jìn)行示出的設(shè)備的形式和細(xì)節(jié)以及他們的操作中的各種省略、替代和改變。例如，明顯地，意圖是，以基本上相同的方式執(zhí)行基本上相同的功能以達(dá)到相同結(jié)果的那些元件和/或方法步驟的所有組合，都在本發(fā)明的范圍內(nèi)。而且，應(yīng)當(dāng)意識(shí)到，為了設(shè)計(jì)選擇的基本方便，與本發(fā)明的任何公開的形式和實(shí)施例相關(guān)的示出和/或描述的結(jié)構(gòu)和/或元件和/或方法步驟，可以包括在任何其他公開或描述或建議的形式或?qū)嵤├?。因此，本發(fā)明的意圖是僅由隨附的權(quán)利要求的范圍所示而進(jìn)行限制。
權(quán)利要求
1.一種用于確定在輸入醫(yī)學(xué)圖像中的對(duì)象中存在至少一個(gè)醫(yī)學(xué)有意義特征的方法，包括如下步驟創(chuàng)建第一數(shù)據(jù)庫，其包括由至少一位專家對(duì)多幅訓(xùn)練醫(yī)學(xué)圖像中至少一個(gè)對(duì)象的評(píng)估；由數(shù)據(jù)處理器分析訓(xùn)練圖像中的該至少一個(gè)對(duì)象，以識(shí)別其中的特征，來創(chuàng)建包括所識(shí)別特征的第二數(shù)據(jù)庫；將第一和第二數(shù)據(jù)庫輸入到分類器數(shù)據(jù)處理器；訓(xùn)練所述分類器以根據(jù)第一和第二數(shù)據(jù)庫模擬至少一個(gè)醫(yī)學(xué)有意義特征的預(yù)定義感知；以及分析數(shù)據(jù)處理器和受訓(xùn)練的分類器中的醫(yī)學(xué)圖像，以輸出在醫(yī)學(xué)圖像中存在對(duì)象的所述至少一個(gè)醫(yī)學(xué)有意義特征的至少一個(gè)指示。
2.根據(jù)權(quán)利要求1的方法，其中所述至少一個(gè)對(duì)象是損傷。
3.根據(jù)權(quán)利要求1的方法，其中分類器是神經(jīng)網(wǎng)絡(luò)。
4.根據(jù)權(quán)利要求1的方法，其中每個(gè)評(píng)估包括對(duì)醫(yī)學(xué)圖像中每個(gè)對(duì)象的特征的分類。
5.根據(jù)權(quán)利要求1的方法，其中所識(shí)別的特征是對(duì)象的低等特征。
6.根據(jù)權(quán)利要求1的方法，其中低等特征由至少下列之一表示傅立葉描述符、矩、形狀以及隨機(jī)、同現(xiàn)且自相關(guān)的參數(shù)。
7.根據(jù)權(quán)利要求1的方法，其中所述至少一個(gè)醫(yī)學(xué)有意義的特征是對(duì)象的中等特征。
8.根據(jù)權(quán)利要求7的方法，其中該中等特征是對(duì)象的至少一個(gè)惡性特征。
9.根據(jù)權(quán)利要求8的方法，其中惡性特征是至少下列之一損傷的針狀化，損傷的有角邊緣，損傷的微片化，損傷的高寬比，損傷中的鈣化，損傷中管延伸和分枝圖案，鈣化，相對(duì)于脂肪的低回聲，以及損傷的異質(zhì)質(zhì)地。
10.根據(jù)權(quán)利要求7的方法，其中該中等特征是損傷的至少一個(gè)良性特征。
11.根據(jù)權(quán)利要求10的方法，其中良性特征是至少下列之一損傷的寬高比的程度，損傷的分片，損傷的連續(xù)，損傷的光滑囊特性，以及損傷的同質(zhì)質(zhì)地。
12.根據(jù)權(quán)利要求4的方法，其中所述多幅訓(xùn)練醫(yī)學(xué)圖像包含了預(yù)期惡性的完整譜。
13.根據(jù)權(quán)利要求1的方法，其中通過使用遺傳算法根據(jù)訓(xùn)練醫(yī)學(xué)圖像中的已識(shí)別特征選擇特征的基因子組，來發(fā)展已識(shí)別的特征。
14.根據(jù)權(quán)利要求12的方法，其中遺傳算法是自適應(yīng)搜索算法。
15.根據(jù)權(quán)利要求12的方法，其中所識(shí)別的特征是與基因子組中的數(shù)對(duì)應(yīng)的低等特征。
16.根據(jù)權(quán)利要求15的方法，其中基因子組屬于染色體的一組基因。
17.根據(jù)權(quán)利要求1的方法，其中所述訓(xùn)練步驟包括產(chǎn)生高性能分類器的步驟，該分類器用于將對(duì)象的所識(shí)別特征映射到所述至少一個(gè)醫(yī)學(xué)有意義特征。
18.根據(jù)權(quán)利要求16的方法，其中所述產(chǎn)生步驟包括下列步驟提供一組輸入-輸出對(duì)到分類器，將輸入-輸出對(duì)分成訓(xùn)練組和評(píng)估組；用訓(xùn)練組使分類器適應(yīng)，以及用訓(xùn)練組評(píng)估已適應(yīng)的分類器。
19.根據(jù)權(quán)利要求1的方法，其中分類器是樸素貝葉斯分類器。
20.根據(jù)權(quán)利要求7的方法，其中使用單獨(dú)的分類器產(chǎn)生每個(gè)中等特征。
21.根據(jù)權(quán)利要求7的方法，其中使用單獨(dú)的分類器產(chǎn)生每個(gè)中等特征。
22.根據(jù)權(quán)利要求10的方法，其中使用單獨(dú)的分類器產(chǎn)生每個(gè)中等特征。
23.根據(jù)權(quán)利要求4的方法，其中所述對(duì)象是損傷。
24.一種用于確定圖像中的對(duì)象中存在至少一個(gè)醫(yī)學(xué)有意義特征的方法，包括如下步驟創(chuàng)建第一數(shù)據(jù)庫，其具有由至少一位專家對(duì)至少一幅訓(xùn)練圖像中至少一個(gè)對(duì)象的評(píng)估；分析該至少一幅訓(xùn)練圖像中該至少一個(gè)對(duì)象以識(shí)別其中的特征，來創(chuàng)建已識(shí)別特征的第二數(shù)據(jù)庫；將第一和第二數(shù)據(jù)庫陣列組輸入到分類器；訓(xùn)練該分類器以根據(jù)第一和第二數(shù)據(jù)庫模擬至少一個(gè)有醫(yī)學(xué)意義特征的預(yù)定義感知；以及使用受訓(xùn)練的分類器分析醫(yī)學(xué)圖像，以輸出在醫(yī)學(xué)圖像中存在對(duì)象的所述至少一個(gè)醫(yī)學(xué)有意義特征的至少一個(gè)指示。
25.一種用于確定在輸入醫(yī)學(xué)圖像中的對(duì)象中存在至少一個(gè)醫(yī)學(xué)有意義特征的裝置，包括第一數(shù)據(jù)庫，用于存儲(chǔ)由至少一位專家對(duì)多幅訓(xùn)練醫(yī)學(xué)圖像中至少一個(gè)對(duì)象的評(píng)估；第二數(shù)據(jù)庫，用于存儲(chǔ)醫(yī)學(xué)圖像的已識(shí)別特征；數(shù)據(jù)處理器，可操作地耦合到第一和第二數(shù)據(jù)庫，所述處理器還可用于執(zhí)行下列步驟提供由至少一位專家對(duì)多幅訓(xùn)練醫(yī)學(xué)圖像中的至少一個(gè)對(duì)象的評(píng)估，用于存儲(chǔ)在第一數(shù)據(jù)庫中；由該數(shù)據(jù)處理器分析訓(xùn)練圖像中該至少一個(gè)對(duì)象以識(shí)別其中的特征，用于存儲(chǔ)在第二數(shù)據(jù)庫中；將第一和第二數(shù)據(jù)庫輸入到分類器數(shù)據(jù)處理器；訓(xùn)練分類器以根據(jù)第一和第二數(shù)據(jù)庫模擬至少一個(gè)有醫(yī)學(xué)意義特征的預(yù)定義感知；以及分析該數(shù)據(jù)處理器和受訓(xùn)練的分類器中的醫(yī)學(xué)圖像，以輸出在醫(yī)學(xué)圖像中存在對(duì)象的所述至少一個(gè)醫(yī)學(xué)有意義特征的至少一個(gè)指示。
26.根據(jù)權(quán)利要求25的裝置，其中分類器是神經(jīng)網(wǎng)絡(luò)或樸素貝葉斯分類器。
全文摘要
本發(fā)明涉及一種用于在醫(yī)學(xué)圖像中確定存在或不存在惡性特征的方法，其中獲自實(shí)際患者的各種類型的損傷的多幅基礎(chǔ)比較或訓(xùn)練圖像，由一位或多位圖像閱讀專家檢查，以創(chuàng)建第一數(shù)據(jù)陣列。使用一種或多種圖像處理算法確定相同多幅基礎(chǔ)比較或訓(xùn)練圖像中每處損傷的低等特征，以獲取第二數(shù)據(jù)庫陣列組。第一和第二數(shù)據(jù)庫陣列組合以創(chuàng)建訓(xùn)練數(shù)據(jù)庫陣列組，其輸入到發(fā)現(xiàn)/學(xué)習(xí)分類器的學(xué)習(xí)系統(tǒng)，所述分類器從低等特征的子組映射到第一數(shù)據(jù)庫陣列組中的專家評(píng)估。該分類器用于僅根據(jù)圖像確定在患者的損傷圖像中存在特定中等特征。
文檔編號(hào)G06K9/62GK101084511SQ200580043467
公開日2007年12月5日 申請(qǐng)日期2005年12月13日 優(yōu)先權(quán)日2004年12月17日
發(fā)明者J·D·謝菲爾, W·阿利, L·J·埃舍爾曼, C·科亨－巴克里, J·－M·拉格朗熱, C·萊夫里耶, N·維蘭, R·R·恩特雷金 申請(qǐng)人:皇家飛利浦電子股份有限公司