用于根据从三维医学图像提取的形态学特性进行计算机辅助诊断的方法和系统与流程
背景技术：
：：1、自医学诞生以来，形态学或形态学特性就一直在提供症状表型，这些症状表型丰富了医生用来确立临床诊断可用的信息。形态学涉及对有机体的形态(form)和结构及其特定的结构特征的研究，特别是二维或三维解剖结构(例如器官或亚组织)。2、根据生物学中结构与功能之间的对应关系的一般原则，生物过程的功能障碍总是伴随着基本生物结构的病理变形。3、为了利用形态学来便于临床诊断，题目为“methods for the detection andstaging of liver fibrosis from image acquired data”的第10130295b2号美国专利中提出，使用定量方法来测量肝表面结节度并计算肝表面结节度评分(score)。形态学特征是一种从二维图像或三维体积的近似几何或拓扑来计算标量的函数、过程或观测。遗憾的是，形态学特征往往难以量化。4、一些出版物涉及通过客观量化形态学特性来表征器官或亚组织的变形，诸如choiw.et al.,reproducible and interpretable spiculation quantification for lungcancer screening,computer methods and programs in biomedicine.vol.200(2021)；以及题目为“aneurysm rupture risk prediction method and device and storagemedium”的第113066583a号中国专利。5、然而，这样的量化限于粗略且粗糙的几何量化符(quantifier)，诸如距离面积或体积的函数，它们通常无法考虑到形态学的全部信息。6、此外，使用这样的量化符来执行诊断预测的系统将无法达到高的预测准确度。同时，器官或亚组织局部变形通常是不错的病理几何和拓扑指标(indicator)，因为疾病往往导致各向异性或局部膨胀。7、因此，一种期望的方法是恰当地利用形态学特性进行准确的疾病预测，特别是优化对于疾病严重程度的预测的性能，该性能例如通过auc-roc评分进行评估。技术实现思路1、根据第一方面，公开了一种用于根据多个三维医学图像生成用于预测疾病的严重程度风险的机器学习模型的方法，所述方法包括以下步骤：2、-提供多个三维医学图像，所述多个三维医学图像中的每个图像包括患者的至少一个解剖结构；3、-从多个三维医学图像中的每个图像获取至少一个三维分割掩码，所述至少一个三维分割掩码的每个掩码包括至少一个解剖结构；4、-根据每个三维分割掩码来重建(reconstructing)网格；5、-从每个重建的网格提取形态学特征；以及6、-对机器学习模型进行训练以对疾病的严重程度风险执行分类，其中，7、针对所提取的形态学特征执行该训练。8、在一些示例中，根据每个三维分割掩码重建网格包括通过使用行进立方体(marching cube)来从三维分割掩码提取网格，以及优选地，根据每个三维分割掩码重建网格包括通过使用莱温纳(lewiner)行进立方体来从三维分割掩码提取网格。此外，根据每个三维分割掩码重建网格还包括对每个重建的网格进行简化的步骤，以消除不一致。另外，根据所述至少一个三维分割掩码的每个掩码重建网格还包括：在对每个重建的网格进行简化后，进行平滑步骤，以检测伪影并且去除伪影。可以根据分割掩码中所包括的解剖结构来确定所述平滑步骤，优选地，所述平滑步骤为以下各者之一：9、-各向异性平滑和/或拉普拉斯(laplacian)平滑；或者10、-各向异性平滑和/或托宾(taubin)平滑。11、在一些示例中，形态学特征可以至少包括重建的网格的曲率分布，优选地，形态学特征可以包括重建的网格的离散曲率分布。此外，提取形态学特征可以包括对重建的网格的曲率分布和相关联网格的能量进行计算。更特别地，对重建的网格的曲率分布进行计算可以包括以下步骤：12、-对关于网格的平均曲率或高斯曲率进行计算，优选地，通过使用斯坦纳(steiner)公式的近似来对关于网格的平均曲率或高斯曲率进行计算，13、-对关于网格的平均曲率或高斯曲率的概率分布进行计算，以及14、-将所述概率分布分箱为分布直方图。15、除所述曲率分布外，形态学特征还可以包括基线特征。所述基线特征可以包括以下各者中的至少一者：16、-所述至少一个解剖结构的体积；17、-所述至少一个解剖结构的伸长率；18、-所述至少一个解剖结构的定向边界框的最小尺寸和/或最大尺寸；以及19、-所述至少一个解剖结构的hpi平均值。20、在一些示例中，被训练的机器学习模型是监督分类器模型，优选地，被训练的机器学习模型是基于决策树的分类器。21、在一些示例中，根据本发明第一方面的方法还可以包括：22、-提供关于每个患者的临床信息，以及23、其中，还针对患者的临床信息执行该训练。24、在一些示例中，根据本发明第一方面的方法还可以包括：25、-从多个三维医学图像提取形态学特征以外的其他影像组学特征，以及其中，还针对所述其他影像组学特征执行该训练。26、所述其他影像组学特征可以包括以下各者中的至少一者：van griethuysen等人提供的最先进的影像组学库，包括haralick glcm(灰度级共现矩阵)、glrlm(灰度级运行长度矩阵)、glszm(灰度级大小区矩阵)、ngtdm(邻近灰度级差异矩阵)、gldm(灰度级依赖矩阵)特征、图像灰度级强度特征的标准统计和典型形态学相关特征。27、在一些示例中，针对形态学特征以及针对患者临床信息和其他影像组学特征中的至少一种类型的特征执行所述训练。28、根据第二方面，公开了一种通过应用机器学习模型根据多个三维医学图像来预测疾病的严重程度风险的方法，所述方法包括以下步骤：29、-接收多个三维医学图像，所述多个三维医学图像中的每个图像包括患者的至少一个解剖结构；30、-将多个医学图像中的一个医学图像提供作为候选图像以进行预测；31、-从所述候选图像获取至少一个候选三维分割掩码，所述至少一个候选三维分割掩码中的每个掩码包括至少一个解剖结构；32、-根据所述至少一个候选三维分割掩码中的每个掩码重建候选网格；33、-从每个重建的候选网格提取形态学特征；34、-将所提取的形态学特征输入到机器学习模型，以对疾病的严重程度风险执行分类。35、在一些示例中，所述机器学习模型已通过实施根据本发明第一方面的用于生成机器学习模型的方法而生成。36、在一些示例中，根据所述至少一个候选三维分割掩码中的每个掩码重建候选网格包括通过使用行进立方体来从三维分割掩码提取网格，以及优选地，根据所述至少一个候选三维分割掩码中的每个掩码重建候选网格包括通过使用莱温纳行进立方体来从三维分割掩码提取网格。此外，根据所述至少一个候选三维分割掩码中的每个掩码重建候选网格还可以包括以下步骤：对每个重建的候选网格进行简化，以消除不一致。另外，根据所述至少一个候选三维分割掩码中的每个掩码重建候选网格还包括：在对每个重建的候选网格进行简化后，进行平滑步骤，以检测伪影并且去除伪影。可以基于候选分割掩码中所包括的候选解剖结构来确定所述平滑步骤，优选地所述平滑步骤为以下各者之一：37、-各向异性平滑和/或拉普拉斯(laplacian)平滑；或者38、-各向异性平滑和/或托宾(taubin)平滑。39、在一些示例中，形态学特征可以至少包括重建的候选网格的曲率分布，优选地，形态学特征可以包括重建的候选网格的离散曲率分布。此外，提取形态学特征可以包括对重建的候选网格的曲率分布和相关联候选网格的能量进行计算。更特别地，对重建的候选网格的曲率分布进行计算可以包括以下步骤：40、-对关于网格的平均曲率或高斯曲率进行计算，优选地，通过使用斯坦纳公式的近似来对关于网格的平均曲率或高斯曲率进行计算，41、-对关于网格的平均曲率或高斯曲率的概率分布进行计算，以及42、-将所述概率分布分箱为分布直方图。43、除所述曲率分布外，形态学特征还可以包括基线特征。所述基线特征可以包括以下各者中的至少一者：44、-所述至少一个解剖结构的体积；45、-所述至少一个解剖结构的伸长率；46、-所述至少一个解剖结构的定向边界框的最小尺寸和/或最大尺寸；以及47、-所述至少一个解剖结构的hpi平均值。48、根据本发明的第一方面或第二方面，三维医学图像可以包括计算机断层扫描(ct)图像和/或磁共振成像(mri)图像。49、本公开的另外的方面涉及一种非暂态计算机可读介质，该非暂态计算机可读介质存储有指令，当指令由至少一个数字处理设备执行时，该指令至少执行根据本发明第一方面的方法的步骤和/或根据本发明第二方面的方法的步骤。50、本公开的另一方面涉及一种计算机程序产品，该计算机程序产品包括指令，当指令由至少一个数字处理设备执行时，该指令至少执行根据本发明第一方面的方法的步骤和/或根据本发明第二方面的方法的步骤。51、根据下文对一些示例性实施方式的描述，本文所公开的本发明的其他目的、特征和优点及其各种实施方式/方面可能会变得明显。当前第1页12当前第1页12
技术特征：
1.一种用于根据多个三维医学图像生成用于预测疾病的严重程度风险的机器学习模型的方法(100)，所述方法包括以下步骤：
2.根据权利要求1所述的方法(100)，其中，根据每个三维分割掩码来重建(130)网格包括通过使用行进立方体来从三维分割掩码提取(133)网格，以及优选地，根据每个三维分割掩码来重建(130)网格包括通过使用莱温纳行进立方体来从三维分割掩码提取(133)网格。
3.根据权利要求2所述的方法(100)，其中，根据每个三维分割掩码重建(130)网格还包括以下步骤：对每个重建的网格进行简化(135)，以消除不一致。
4.根据权利要求3所述的方法(100)，其中，根据所述至少一个三维分割掩码的每个掩码重建(130)网格还包括：在对每个重建的网格进行简化(135)后，进行平滑(137)步骤，以检测伪影并且去除伪影。
5.根据权利要求4所述的方法(100)，其中，基于分割掩码中所包括的解剖结构来确定所述平滑(137)步骤，优选地，所述平滑(137)步骤为以下各者之一：
6.根据前述权利要求中任一项所述的方法(100)，其中，形态学特征至少包括重建的网格的曲率分布，优选地，形态学特征包括重建的网格的离散曲率分布。
7.根据权利要求6所述的方法(100)，其中，提取(140)形态学特征包括对重建的网格的所述曲率分布和相关联网格的能量进行计算(143)。
8.根据权利要求7所述的方法(100)，其中，对重建的网格的所述曲率分布进行计算(143)包括以下步骤：
9.根据权利要求6至8中任一项所述的方法(100)，其中，所述形态学特征还包括基线特征，所述基线特征包括以下各者中的至少一者：
10.根据前述权利要求中任一项所述的方法(100)，其中，被训练(150)的机器学习模型是监督分类器模型，优选地，被训练(150)的机器学习模型是基于决策树的分类器。
11.根据前述权利要求中任一项所述的方法(100)，所述方法还包括：
12.根据前述权利要求中任一项所述的方法(100)，其中，三维医学图像包括计算机断层扫描(ct)图像和/或磁共振成像(mri)图像。
13.一种通过应用机器学习模型根据多个三维医学图像来预测疾病的严重程度风险的方法(200)，所述方法包括以下步骤：
14.根据权利要求13所述的方法(200)，其中，所述机器学习模型已通过实施根据权利要求1至12中任一项所述的用于生成机器学习模型的方法(100)而生成。
15.根据权利要求13至14中任一项所述的方法(200)，其中，根据所述至少一个候选三维分割掩码中的每个掩码重建(230)候选网格包括通过使用行进立方体来从三维分割掩码提取(233)网格，以及优选地，根据所述至少一个候选三维分割掩码中的每个掩码重建(230)候选网格包括通过使用莱温纳行进立方体来从三维分割掩码提取(233)网格。
16.根据权利要求15所述的方法(200)，其中，根据所述至少一个候选三维分割掩码中的每个掩码重建(230)候选网格还包括以下步骤：
17.根据权利要求16所述的方法(200)，其中，根据所述至少一个候选三维分割掩码中的每个掩码重建(230)候选网格还包括：在对每个重建的候选网格进行简化(235)之后，进行平滑(237)步骤，以检测伪影并且去除伪影。
18.根据权利要求17所述的方法(200)，其中，基于候选分割掩码中所包括的候选解剖结构来确定所述平滑(237)步骤，优选地，所述平滑(237)步骤为以下各者之一：
19.根据权利要求13至18中任一项所述的方法(200)，其中，形态学特征至少包括重建的候选网格的曲率分布，优选地，形态学特征包括重建的候选网格的离散曲率分布。
20.根据权利要求19所述的方法(200)，其中，提取(140)形态学特征包括对重建的候选网格的所述曲率分布和相关联候选网格的能量进行计算(143)。
21.根据权利要求20所述的方法(200)，其中，对重建的候选网格的所述曲率分布进行计算(143)包括以下步骤：
22.根据权利要求19至21中任一项所述的方法(200)，其中，所述形态学特征还包括基线特征，所述基线特征包括以下各者中的至少一者：
23.根据权利要求13至22中任一项所述的方法(200)，其中，所述三维医学图像包括计算机断层扫描(ct)图像和/或磁共振成像(mri)图像。
24.一种计算机程序产品，所述计算机程序产品包括指令，当所述指令由至少一个数字处理设备执行时，所述指令执行根据权利要求1至12所述的方法(100)的步骤中的至少一个步骤以及根据权利要求13至23所述的方法(200)的步骤中的至少一个步骤。
技术总结
提供了一种用于根据多个三维医学图像生成用于预测疾病的严重程度风险的机器学习模型的方法和系统。该方法包括以下步骤：提供多个三维医学图像，多个三维医学图像中的每个图像包括患者的至少一个解剖结构；从多个三维医学图像中的每个图像获取至少一个三维分割掩码，所述至少一个三维分割掩码的每个掩码包括至少一个解剖结构；根据所述至少一个三维分割掩码的每个掩码重建网格；从每个重建的网格提取形态学特征；以及对机器学习模型进行训练以对疾病的严重程度风险执行分类，针对所提取的形态学特征执行该训练。还提供了一种通过应用针对相同目的而生成的机器学习模型根据多个三维医学图像来预测疾病的严重程度风险的方法和系统。
技术研发人员：伯努瓦·于埃,皮埃尔·博多,埃利亚斯·穆诺茨,埃塞基耶尔·热雷米亚,让-克里斯托夫·布里塞,弗拉基米尔·格罗扎
受保护的技术使用者：梅迪安技术公司
技术研发日：
技术公布日：2024/12/5