申请/专利权人：西门子保健有限责任公司

申请日：2015-05-11

公开（公告）日：2021-10-12

公开（公告）号：CN107636659B

主分类号：G16H30/00(20180101)

分类号：G16H30/00(20180101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.10.12#授权;2018.02.27#实质审查的生效;2018.01.26#公开

摘要：公开了用于使用深度神经网络来检测医学图像中的解剖地标的方法和系统。对于定心在医学图像中的多个体素中的相应一个体素处的多个图像分块中的每一个图像分块，基于预确定的采样图案将该图像分块内的体素的子集输入到经训练的深度神经网络。基于从所述多个图像分块中的每一个图像分块输入到经训练的深度神经网络的体素的子集，使用经训练的深度神经网络来检测医学图像中的目标地标的位置。

主权项：1.一种用于检测医学图像中的地标的方法，包括：对于定心在所述医学图像中的多个体素中的相应一个体素处的多个图像分块中的每一个图像分块，基于预确定的采样图案将该图像分块内的体素的子集输入到经训练的深度神经网络；以及基于从所述多个图像分块中的每一个图像分块输入到所述经训练的深度神经网络的体素的所述子集，使用所述经训练的深度神经网络来检测所述医学图像中的目标地标的位置，其中所述预确定的采样图案是对数极坐标采样图案，所述对数极坐标采样图案在该图像分块的中心附近选择较高密度的体素来输入到所述经训练的深度神经网络以及在更远离该图像分块的中心处选择较低密度的体素来输入到所述经训练的深度神经网络。

全文数据：使用深度神经网络检测医学图像中的地标的方法和系统背景技术[0001]本发明涉及检测医学图像中的解剖地标，并且更具体地，涉及使用深度神经网络检测医学图像中的解剖地标。[0002]深度学习模仿哺乳动物大脑的行为以便从高维输入中提取有意义的表示。数据通过网络的多个层传递。初级层提取低水平线索，诸如针对自然图像的边缘和角落。较深的层将来自之前各层的简单线索合成为较高水平的特征。以该方式，强有力的表示出现在网络的末尾处。深度网络的逐步构造防止学习过早地遭遇高复杂性的数据。若干理论研宄示出了某些种类的函数例如，指示函数可以由深度网络表示，但是对于具有非充足深度的网络则要求指数计算。[0003]最近，己经以高精度应用深度学习以便图案化pattern图像中的识别问题。深度神经网络可以被用在图像相关任务中，诸如检测和分割。然而，由于评估阶段期间的高计算成本，用于深度神经网络的计算时间可能过于大，可能防止深度神经网络被应用于许多有用的应用。发明内容[0004]本发明提供了用于医学图像中的地标检测的方法和系统。本发明的实施例提供了一种用于以高效的方式将深度神经网络应用于检测3D医学图像中的3D地标的方法。[0005]在本发明的实施例中，对于定心在医学图像中的多个体素中的相应一个体素处的多个图像分块中的每一个图像分块，基于预确定的采样图案将该图像分块内的体素的子集输入到经训练的深度神经网络。基于从所述多个图像分块中的每一个图像分块输入到经训练的深度神经网络的体素的所述子集而使用经训练的深度神经网络来检测医学图像中的目标地标的位置。[0006]本发明的这些和其它优点将通过参照以下详细描述和附图而对于本领域技术人员显而易见。附图说明[0007]图1图示了根据本发明的实施例用于使用深度神经网络检测医学图像中的地标的方法；图2图示了根据本发明的第一实施例用于在图像分块内采样的示例性采样图案；图3图示了根据本发明的第二实施例用于在图像分块内采样的示例性采样图案|图4图示了示例性AE神经网络；以及’图5是能够实现本发明的计算机的高水平框图。具体实施方式[0008]本发明涉及用于使用深度神经网络检测医学图像中的地标的方法和系统。在本文描述本发明的实施例以便给出用于检测医学图像中的地标的方法的视觉理解。数字图像通常包括一个或多个对象或形状的数字表示。在本文中通常在标识和操控对象的方面来描述对象的数字表示。这样的操控是在计算机系统的存储器或其它电路系统硬件中达成的虚拟操控。相应地，要理解到，本发明的实施例可以使用存储在计算机系统内的数据而在计算机系统内加以执行。[0009]本发明的实施例利用直接就医学图像数据而被训练的深度神经网络来学习复杂的图像图案以及基于复杂的图像图案来检测医学图像数据中的解剖地标。深度神经网络是基于机器学习的神经网络，其在输入数据和输出数据之间具有所学习的特征或变量的多个隐藏层。深度神经网络将典型地利用三个或更多个隐藏层来加以实现。深度神经网络典型地被用在直接多类分类场景中并且典型地没有应用于解剖地标检测任务，因为深度神经网络向这样的解剖地标检测任务的扩展可能在计算上是非常复杂的。[0010]在地标检测任务中，可以使用滑动窗口方案，在该滑动窗口方案中通过使某一尺寸的窗口在整个图像或整个体积上滑动来检查大量图像分块。深度神经网络直接对每一个图像分块中的图像数据进行操作，并且典型地将图像分块中的每一个体素或像素输入到深度神经网络的输入层的对应节点。出于实际原因，在各向同性1mm体积中可以使用20x20x20体素的图像分块尺寸，这导致向深度神经网络输入8000维输入向量。要理解到，本文描述的方法不限于该特定图像分块尺寸，并且可以类似地应用于任何尺寸的图像分块。例如，也可以使用50x50x50体素的图像分块尺寸。从这样的图像分块向深度神经网络输入的输入向量的大尺寸使这样的深度神经网络难以直观地用于实际应用，所述实际应用诸如地标检测。本发明的实施例提供了用于降低针对给定图像分块的输入向量的维度以及由此实现使用深度神经网络的地标检测任务的加速的方法。[0011]图1图示了根据本发明的实施例用于使用深度神经网络检测医学图像中的地标的方法。图1的方法变换表示患者的解剖结构的医学图像以便检测医学图像中的地标，诸如解剖地标。在步骤102处，接收患者的医学图像。在有利的实施例中，医学图像是3D医学图像，其还可以称为体积，但是本发明不限于此并且也可以类似地应用于2D医学图像或者4D3D+时间）医学图像。一般将医学图像视为3D医学图像的本发明的实施例的描述将医学图像的元素指代为体素。要理解到，本文描述的实施例可以类似地应用于2D图像，并且贯穿本公开内容，术语“像素”可以替换“体素”。医学图像可以使用任何类型的成像模态来加以采集，诸如计算机断层扫描（CT、核磁共振成像MRI、超声、x射线荧光、正电子发射型断层扫描PET、DynaCT等。医学图像可以从图像采集设备直接接收，所述图像采集设备诸如CT扫描仪、MR扫描仪、超声探针、PET扫描仪等，或者医学图像可以通过加载之前存储在计算机系统的存储器或存储装置上的医学图像或者通过经由网络传输从另一个计算机系统接收医学图像来接收。[0012]在步骤104处，基于采样图案将医学图像的多个图像分块中的每一个图像分块中的体素的子集输入到经训练的深度神经网络。在有利的实施例中，可以使用滑动窗口方案以便通过使具有某一尺寸的窗口在整个3D医学图像上滑动来评估所述多个图像分块。例如，该窗口可以定心在医学图像中的每一个体素处，使得所得到的多个图像分块包括定心在医学图像的每一个体素处的相应图像分块。在示例性实现中，每一个图像分块的尺寸对于各向同性1mm医学图像体积而言可以是2〇x20x20体素，但是本发明不限于此，并且也可以使用其它尺寸的图像分块例如，50x50x50体素）。[0013]根据有利的实施例，代替于将特定图像分块中的所有体素馈送至经训练的深度神经网络，使用预确定的采样图案来选择每一个图像内的体素集合的子集以便输入到经训练的深度神经网络。图2和图3图示了可以用于对每一个图像分块中的体素的子集进行采样的两个不同的采样图案。要理解到，针对定心在医学图像中的相应体素处的每一个图像分块而对输入到深度神经网络的体素进行采样不同于对以下体素进行采样一一针对这些体素通过深度神经网络来评估图像分块。也就是说，在有利的实施例中，医学图像中的每一个体素都由深度神经网络通过评估定心在医学图像中的每一个体素处的相应图像分块来评估。然而，对与医学图像中的体素对应的每一个图像分块都进行采样以便确定该图像分块内的要输入到深度神经网络的体素的子集。[0014]图2图示了根据本发明的第一实施例用于在图像分块内采样的示例性采样图案。在图2的实施例中，使用基于网格的采样图案202,其对图像分块200稀疏地采样。尽管在图2中作为二维中的正方形示出，但是在应用于3D医学图像时，图像分块200和对应的采样图案2〇2被类似地实现为3D盒。在该情况下，图像分块200和对应的采样图案204中的每一个小正方形都表示医学图像的体素。当应用于2D医学图像时，每一个小正方形都表示2D医学图像的像素。在一种实现中，如在图2的示例中所图示的，采样图案202选择该图像分块内的每一个维度中的每隔一个体素。在图2的采样图案202中，带阴影的正方形表示由采样图案202选择来输入到深度神经网络的体素。当应用于2〇x20x20图像分块时，选择该图像分块内的每一个维度中的每隔一个体素的采样图案2〇2导致输入向量维度减少12.5%。另外还可以以较大的步长尺寸实现类似的网格采样图案，以便实现更积极的采样。特别地，可以通过在每一个方向上都在输入到深度神经网络的每一个体素之间跳过每n个体素来实现网格采样图案，其中n是大于或等于1的整数。还可能的是，使用下采样例程来对每一个图像分块进行下采样。[0015]图3图示了根据本发明的第二实施例的用于对图像分块进行采样的示例性采样图案。在图3的实施例中，使用对数极坐标采样图案300来选择要输入到深度神经网络的体素的子集，所述对数极坐标采样图案300具有在分块中心附近的较高密度以及更远离分块中心时的较低密度。这允许对象部分在远离中心时的较大失真。在2D空间中，采样图案300对定心在医学图像的每一个像素处的相应圆形对数极坐标图像分块内的像素进行采样。在3D空间中，采样图案300对定心在医学图像的每一个体素处的相应球形图像分块的体素进行采样。采样图案300将圆形球形图像分块划分为很多个分区，所述很多个分区在该图像分块的中心附近较小且彼此较靠近并且随着距该图像分块的中心的距离增加而更大且伸展得更开。在有利的实现中，选择最接近采样图案300的每一个分区的矩心的体素来输入到深度神经网络。这导致接近分块中心的经采样的体素的较高密度以及更远离分块中心的经采样的体素的较低密度。在另一种可能的实现中，可以对采样图案300的每一个分区内的体素值进行平均，并且对于每一个分区，可以将表示该分区中的体素的平均的单个体素值输入到深度神经网络。[0016]返回到图1，在步骤106处，基于针对所述多个图像分块中的每一个图像分块所输入的体素的子集而使用经训练的深度神经网络来检测医学图像中的地标的位置。在有利的应用中，地标可以是解剖地标，所述解剖地标是与器官或其它解剖对象相关联的医学图像中的点例如，体素）。[0017]深度神经网络是基于机器学习的神经网络，其在输入数据和输出数据之间具有所学习的特征或变量的多个隐藏层。根据有利的实现，深度神经网络将典型地利用三个或更多个隐藏层来加以实现。在有利的实施例中，对深度神经网络进行训练以便检测医学图像数据中的解剖地标的位置。特别地，可以对深度神经网络进行训练以便检测2D医学图像中的解剖地标的2D位置x,y或者检测3D医学图像中的解剖地标的3D位置x，y，z。如上文所提及的，本文中使用术语“体素”来指代医学图像的元素，而不管维度如何。基于存储在数据库中的多个训练图像来训练深度神经网络。训练图像可以是使用任何医学成像模态所采集的2D或3D医学图像，所述医学成像模态诸如但不限于CT、MRI、超声、X射线荧光、DynaCT等。至少训练图像的子集被标注有目标解剖对象的位置。训练图像另外还可以包括未标注图像。在第一种可能的实现中，经训练的深度神经网络可以是有辨别力的深度神经网络，其针对定心在体素处的图像分块来计算目标地标位于该体素处的可能性。在第二种可能的实现中，经训练的深度神经网络可以是深度神经网络回归器（回归函数），其针对定心在体素处的图像分块来计算从该体素到目标地标的预测位置的差向量。[0018]在检测所接收的医学图像中的地标之前，在离线训练阶段中训练深度神经网络。直接就图像数据对深度神经网络进行训练以便学习复杂的图像图案并且基于复杂的图像图案来检测解剖地标。根据本发明的有利实施例，基于预确定的采样图案，诸如图2的采样图案或者图3的采样图案，直接就从训练图像分块采样的体素来训练深度神经网络。前馈神经网络是具有高效的训练算法称为后向传播的神经网络结构。尽管强有力到足以逼近复杂目标函数，但是大的前馈神经网络趋向于使训练数据过拟合。难以利用良好的泛化能力来训练具有多于两个隐藏层的网络。在可能的实施例中，随后是受监管的精细调谐的不受监管的预训练可以用于克服过拟合问题。该技术可以用于训练具有三个或更多隐藏层的网络。可以将预训练视为不受监管的学习过程以便从输入图像数据中发现强有力的图像特征。各种深度学习技术，诸如自动编码器AE、去噪自动编码器（DAE或受限玻尔兹曼机RBM，可以用于对隐藏层进行预训练。图4图示了示例性AE神经网络。如图2中所示，AE200是具有一个隐藏层404的前馈神经网络。AE400具有输入层U402、隐藏层L2和输出层L3406。在有利的实现中，输入层402中的每一个节点对应于使用图像分块内的采样图案所采样的体素或像素子集中的相应一个。忽略偏项在图2中标示为+1的节点），输入层402和输出层406分别具有相同数目的节点。AE的目标是最小化输入向量和输出向量之间的差异。如果隐藏层404具有等于或大于输入层402的尺寸，则AE可能学习恒等变换。为了防止这样的平凡解，可以利用具有比输入层4〇2少的节点的隐藏层404来设立AE。隐藏层404的节点可以作为偏项和输入层402的节点的加权和的函数来加以计算，其中向输入层402的节点与隐藏层404中的节点之间的每一个连接分配相应权重。在训练AE400时学习偏项以及输入层402与隐藏层404之间的权重，例如使用后向传播算法。隐藏层404的节点可以被认为是从自每一个图像分块（由输入层4〇2的节点表示所采样的体素的子集中提取的特征，并且所学习的权重可以被认为是滤波器，所述滤波器对输入图像数据进行滤波以便生成所述特征。[0019]去噪自动编码器DAE可以用于学习输入图像数据的更有意义的表示。在DAE中，随机选择要受干扰例如，将值设置为等于零）的某一百分比（例如，50%的输入节点，并且要求DAE在给定受污染观察的情况下重构原始输入向量。这显著增加了所得到的经训练的深度神经网络的鲁棒性。DAE中的隐藏层可以具有比输入层多的节点以便实现过完备表示。在有利的士施例中，使用两级的堆叠式去噪自动编码器①AE对深度神经网络进行训练。第一级7E不受监管的，其中多层深度神经网络的每一层被训练为重构输入图像数据。在该级中，在训练了具有对输入层进行重构的输出层的DAE之后，摒弃该输出层，并且使用己经训练的隐藏层的激活响应作为向新的DAE的输入来堆叠另一个ME。该过程可以重复以便一层接一层地对网络进行训练和扩展。第二级是受监管的，并且，相对于从预训练的网络权重开始的输出训练数据而最小化了整个网络误差。例如，为了训练有辨别力的深度神经网络，在预训练了很多个隐藏层之后，可以将用于目标输出的附加层添加到该网络，并且可以使用后向传播来细化整个网络。可替换地，隐藏层的输出可以被视作高水平图像特征，并且用于训练有辨别力的分类器以用于检测解剖对象。为了训练深度神经网络回归器，可以使用线性函数直接回归输出参数空间，或者该输出参数空间可以相对于参数范围（例如，，y或者U，y,z被离散化并且作为多类分类问题进行求解。第二种构想具有以下优点：它可以直接对输出概率编码并且可以生成多种假设，例如针对不同的解剖对象。[0020]在图1的步骤106中，经训练的深度神经网络基于体素的子集来评估医学图像中的每一个体素以便检测医学图像中的解剖地标的位置，所述体素的子集从定心在该体素处的图像分块输入到深度神经网络的输入层。在经训练的深度神经网络是有辨别力的深度神经网络的情况下，经训练的深度神经网络基于从定心在该体素处的图像分块输入到深度神经网络的体素的子集来计算针对每一个体素的概率，并且要么选择具有最高概率的体素要么使具有最高概率的很多个体素成群，以便确定医学图像中的地标的位置。在经训练的深度神经网络是深度神经网络回归器的情况下，经训练的深度神经网络针对每一个体素而基于从定心在该体素处的图像分块输入到深度神经网络的体素的子集来计算位移向量，所述位移向量将该体素的位置映射到医学图像中的地标的预测位置。然后经训练的深度神经网络可以使针对每一个体素计算的预测地标位置成群以便确定医学图像中的地标的位置。[0021]在步骤108处，输出地标检测结果。地标检测结果可以显示在计算机系统的显示设备上。例如，医学图像或者医学图像的部分可以显示在显示设备上，并且可以在所显示的图像中突显或者标注地标位置。在可能的实施例中，其中为医学图像的每一个体素分配对应于检测概率的颜色的概率图可以显示在显示设备上，所述检测概率是通过经训练的深度神经网络针对该体素来计算的。[0022]如上文所述，图1的方法使用经训练的深度神经网络执行医学图像中的地标检测。在有利实施例中，由经训练的深度神经网络检测的地标可以是医学图像中的解剖对象的中心点，并且可以执行图1的方法以实现以下第一阶段:在边缘空间深度学习MSDL或者边缘空间深度回归MSDR框架下，在具有增加维度的一系列边缘搜索空间中针对医学图像中的解剖对象来检测姿势参数位置、方位和比例），如在以其整体通过引用并入本文的2015年4月16日提交的、题为“MethodandSystemforAnatomicalObjectDetectionUsingMarginalSpaceDeepNeuralNetworks”的美国临时申请号62148,273中所述。在该情况下，用于地标检测的经训练的深度神经网络可以提供很多个位置候选，这些位置候选然后用于检测第二边缘搜索空间中的位置-方位候选，接着是在第三边缘搜索空间中检测全姿势参数位置、方位和比例）。此外，在可能的实现中，还可以使用以上描述的采样图案之一对由针对第二和第三边缘搜索空间的相应深度神经网络所评估的图像分块进行采样。[0023]以上描述的用于使用深度神经网络检测医学图像中的地标的方法可以实现在使用公知的计算机处理器、存储器单元、存储设备、计算机软件和其它组件的计算机上。这样的计算机的高水平框图在图5中图示。计算机502包含处理器504,所述处理器504通过执行计算机程序指令来控制计算机502的总体操作，所述计算机程序指令定义这样的操作。计算机程序指令可以存储在存储设备512例如，磁盘）中并且在期望要执行计算机程序指令时加载到存储器510中。因而，图1的方法的步骤可以由存储在存储器510和或存储装置512中的计算机程序指令来定义并且通过执行计算机程序指令的处理器504来控制。图像采集设备520,诸如CT扫描设备、MR扫描设备、超声设备等，可以连接到计算机502以便向计算机502输入图像数据。可能将图像采集设备520和计算机502实现为一个设备。还可能的是，图像采集设备52〇和计算机5〇2通过网络无线地通信。在可能的实施例中，计算机502可以关于图像采集设备52〇远程定位，并且方法步骤可以作为基于服务器或云的服务的部分来加以执行。计算机5〇2还包括用于经由网络与其它设备通信的一个或多个网络接口506。计算机502还包括使得能够实现与计算机5〇2的用户交互的其它输入输出设备508例如，显示器、键盘、鼠标、扬声器、按钮等）。这样的输入输出设备5〇8可以作为标注工具与计算机程序的集合结合使用以便标注从图像采集设备52〇接收的体积。本领域技术人员将认识到，实际计算机的实现也可以包含其它组件，并且出于说明性目的，图5是这样的计算机的一些组件的高水平表示。[0024]前面的“具体实施方式”要理解为在每一方面都是说明性和示例性的，而不是限制性的，并且本文公开的发明的范围不由“具体实施方式”来确定，而是由如根据专利法所准许的全宽度而解读的权利要求来确定。要理解到，本文示出和描述的实施例仅是说明本发明的原理，并且各种修改可以由本领域技术人员实现而没有超出本发明的范围和精神。本领域技术人员可以实现各种其它特征组合而没有超出本发明的精神和范围。

权利要求：1.一种用于检测医学图像中的地标的方法，包括：对于定心在所述医学图像中的多个体素中的相应一个体素处的多个图像分块中的每一个图像分块，基于预确定的采样图案将该图像分块内的体素的子集输入到经训练的深度神经网络；以及基于从所述多个图像分块中的每一个图像分块输入到所述经训练的深度神经网络的体素的所述子集，使用所述经训练的深度神经网络来检测所述医学图像中的目标地标的位置。2.权利要求1所述的方法，其中所述预确定的采样图案是基于网格的采样图案，所述基于网格的采样图案选择该图像分块内的每一个维度中的每隔一个体素来输入到所述经训练的深度神经网络。3.权利要求1所述的方法，其中所述预确定的采样图案是基于网格的采样图案，所述基于网格的采样图案在该图像分块内的每一个维度中跳过在被选择为输入到所述经训练的深度神经网络的每一个体素之间的n个体素。4.权利要求1所述的方法，其中所述预确定的采样图案是对数极坐标采样图案，所述对数极坐标采样图案在该图像分块的中心附近选择较高密度的体素来输入到所述经训练的深度神经网络以及在更远离该图像分块的中心处选择较低密度的体素来输入到所述经训练的深度神经网络。5.权利要求4所述的方法，其中所述对数极坐标采样图案将该图像分块分为多个分区，其中更接近该图像分块的中心的分区小于更远离该图像分块的分区，并且对于该图像分块的所述多个分区中的每一个分区，选择最接近该分区的矩心的体素来输入到所述经训练的深度神经网络。6.权利要求4所述的方法，其中所述对数极坐标采样图案将该图像分块分为多个分区，其中更接近该图像分块的中心的分区小于更远离该图像分块的分区，并且对于该图像分块的所述多个分区中的每一个分区，计算该分区中的体素值的平均并且将具有针对该分区的平均体素值的体素输入到所述经训练的深度神经网络。7.权利要求1所述的方法，其中所述经训练的深度神经网络是有辨别力的深度神经网络，并且基于从所述多个图像分块中的每一个图像分块输入到所述经训练的深度神经网络的体素的所述子集而使用所述经训练的深度神经网络检测所述医学图像中的目标地标的位置包括：在定心在所述多个体素中的每一个体素处的相应图像分块内，基于输入到所述经训练的深度神经网络的体素的子集集合来计算针对所述医学图像中的所述多个体素中的每一个体素的概率;以及将所述目标地标的位置检测为所述医学图像中的所述多个体素中具有最高概率的一个体素的位置。8.权利要求1所述的方法，其中所述经训练的深度神经网络是深度神经网络回归器，并且基于从所述多个图像分块中的每一个图像分块输入到所述经训练的深度神经网络的体素的所述子集而使用所述经训练的深度神经网络检测所述医学图像中的目标地标的位置包括：对于所述医学图像中的所述多个体素中的每一个体素，在定心于该体素处的相应图像分块内基于输入到所述经训练的深度神经网络的体素的子集集合来计算位移向量，所述位移向量将该体素映射到所述医学图像中的所述目标地标的预测位置;以及通过使针对所述医学图像中的所述多个体素中的每一个体素所计算的所述目标地标的预测位置成群来检测所述目标地标的位置。9.权利要求1所$的方法，其中基于在多个训练图像分块中的每一个训练图像分块内使用所述预确定的采样图案所采样的体素的相应子集，对所述经训练的深度神经网络进行训练。10.—种用于检测医学图像中的地标的装置，包括：用于针对定心在所述医学图像中的多个体素中的相应一个体素处的多个图像分块中的每一个图像分块，基于预确定的采样图案将该图像分块内的体素的子集输入到经训练的深度神经网络的部件；以及用于基于从所述多个图像分块中的每一个图像分块输入到所述经训练的深度神经网络的体素的所述子集，使用所述经训练的深度神经网络检测所述医学图像中的目标地标的位置的部件。11.权利要求10所述的装置，其中所述预确定的采样图案是基于网格的采样图案，所述基于网格的采样图案选择该图像分块内的每一个维度中的每隔一个体素来输入到所述经训练的深度神经网络。12.权利要求10所述的装置，其中所述预确定的采样图案是基于网格的采样图案，所述基于网格的采样图案在该图像分块内的每一个维度上跳过在被选择为输入到所述经训练的深度神经网络的每一个体素之间的n个体素。13.权利要求10所述的装置，其中所述预确定的采样图案是对数极坐标采样图案，所述对数极坐标采样图案在该图像分块的中心附近选择较高密度的体素来输入到所述经训练的深度神经网络以及在更远离该图像分块的中心处选择较低密度的体素来输入到所述经训练的深度神经网络。14.权利要求13所述的装置，其中所述对数极坐标采样图案将该图像分块分为多个分区，其中更接近该图像分块的中心的分区小于更远离该图像分块的分区，并且对于该图像分块的所述多个分区中的每一个分区，选择最接近该分区的矩心的体素来输入到所述经训练的深度神经网络。15.权利要求13所述的装置，其中所述对数极坐标采样图案将该图像分块分为多个分区，其中更接近该图像分块的中心的分区小于更远离该图像分块的分区，并且对于该图像分块的所述多个分区中的每一个分区，计算该分区中的体素值的平均并且将具有针对该分区的平均体素值的体素输入到所述经训练的深度神经网络。16.权利要求10所述的装置，其中基于在多个训练图像分块中的每一个训练图像分块内使用所述预确定的采样图案所采样的体素的相应子集，对所述经训练的深度神经网络进行训练。17.—种非暂时性计算机可读介质，存储有用于在医学图像中检测地标的计算机程序指令，所述计算机程序指令在由处理器执行时使所述处理器执行以下操作，包括：针对定心在所述医学图像中的多个体素中的相应一个体素处的多个图像分块中的每一个图像分块，基于预确定的采样图案将该图像分块内的体素的子集输入到经训练的深度神经网络；以及基于从所述多个图像分块中的每一个图像分块输入到所述经训练的深度神经网络的体素的所述子集，使用所述经训练的深度神经网络检测所述医学图像中的目标地标的位置。18.权利要求17所述的非暂时性计算机可读介质，其中所述预确定的采样图案是基于网格的采样图案，所述基于网格的采样图案选择该图像分块内的每一个维度中的每隔一个体素来输入到所述经训练的深度神经网络。19.权利要求17所述的非暂时性计算机可读介质，其中所述预确定的采样图案是基于网格的采样图案，所述基于网格的采样图案在该图像分块内的每一个维度中跳过在被选择为输入到所述经训练的深度神经网络的每一个体素之间的n个体素。20.权利要求17所述的非暂时性计算机可读介质，其中所述预确定的采样图案是对数极坐标采样图案，所述对数极坐标采样图案在该图像分块的中心附近选择较高密度的体素来输入到所述经训练的深度神经网络以及在更远离该图像分块的中心处选择较低密度的体素来输入到所述经训练的深度神经网络。21.权利要求20所述的非暂时性计算机可读介质，其中所述对数极坐标采样图案将该图像分块分为多个分区，其中更接近该图像分块的中心的分区小于更远离该图像分块的分区，并且对于该图像分块的所述多个分区中的每一个分区，选择最接近该分区的矩心的体素来输入到所述经训练的深度神经网络。22.权利要求20所述的非暂时性计算机可读介质，其中所述对数极坐标采样图案将该图像分块分为多个分区，其中更接近该图像分块的中心的分区小于更远离该图像分块的分区，并且对于该图像分块的所述多个分区中的每一个分区，计算该分区中的体素值的平均并且将具有针对该分区的平均体素值的体素输入到所述经训练的深度神经网络。23.权利要求17所述的非暂时性计算机可读介质，其中所述经训练的深度神经网络是有辨别力的深度神经网络，并且基于从所述多个图像分块中的每一个图像分块输入到所述经训练的深度神经网络的体素的所述子集而使用所述经训练的深度神经网络检测所述医学图像中的目标地标的位置包括：在定心于所述多个体素中的每一个体素处的相应图像分块内，基于输入到所述经训练的深度神经网络的体素的子集集合来计算针对所述医学图像中的所述多个体素中的每一个体素的概率;以及将所述目标地标的位置检测为所述医学图像中的所述多个体素中具有最高概率的一个体素的位置。24.权利要求17所述的非暂时性计算机可读介质，其中所述经训练的深度神经网络是深度神经网络回归器，并且基于从所述多个图像分块中的每一个图像分块输入到所述经训练的深度神经网络的体素的所述子集而使用所述经训练的深度神经网络检测所述医学图像中的目标地标的位置包括：对于所述医学图像中的所述多个体素中的每一个体素，在定心于该体素处的相应图像分块内基于输入到所述经训练的深度神经网络的体素的子集集合来计算位移向量，所述位移向量将该体素映射到所述医学图像中的所述目标地标的预测位置;以及_通过使针对所述医学图像中的所述多个体素中的每一个体素所计算的所述目标地标的预测位置成群来检测所述目标地标的位置。25.权利要求17所述的非暂时性计算机可读介质，其中基于在多个训练图像分块中的每一个训练图像分块内使用所述预确定的采样图案所采样的体素的相应子集，对所述经训练的深度神经网络进行训练。

百度查询： 西门子保健有限责任公司 使用深度神经网络检测医学图像中的地标的方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD