【技術實現(xiàn)步驟摘要】
【國外來華專利技術】
本文描述的主題一般涉及機器學習，并且更具體地涉及用于年齡相關性黃斑變性(amd)中新生地圖狀萎縮(nga)的基于機器學習的診斷和病變定位技術。
技術介紹
1、已經(jīng)開發(fā)了各種成像技術來捕獲組織的醫(yī)學圖像，然后可以對這些醫(yī)學圖像進行分析以確定疾病的存在或進展。例如，光學相干斷層掃描(oct)是指一種技術，在這種技術中使用光波來捕獲患者的組織(諸如視網(wǎng)膜)的二維切片圖像和三維體積圖像，然后可以對這些圖像進行分析以對患者進行診斷、監(jiān)測、治療等。然而，對這種可能包含大量數(shù)據(jù)的圖像的分析通常由主題專家手動執(zhí)行，并且因此可能繁瑣且非常昂貴。因此，可能希望具有便于對大量醫(yī)學圖像(諸如oct圖像)進行一致、準確和快速分析的方法和系統(tǒng)，用于對患者進行診斷、監(jiān)測和治療。
技術實現(xiàn)思路
1、以下內容概述本公開的一些實施例，以提供對所討論技術的基本理解。這種概述不是本公開的所有預期特征的廣泛綜述，并且既不旨在識別本公開的所有實施例的關鍵或重要元素，也不旨在描繪本公開的任何或所有實施例的范圍。其唯一目的是以概述形式呈現(xiàn)本公開的一個或多個實施例的一些概念，作為稍后呈現(xiàn)的更詳細描述的序言。
2、在一個或多個實施例中，一種系統(tǒng)包括：至少一個數(shù)據(jù)處理器；和存儲指令的至少一個存儲器，所述指令在由至少一個數(shù)據(jù)處理器執(zhí)行時引起包括以下的操作：應用機器學習模型，所述機器學習模型經(jīng)訓練以至少基于患者的光學相干斷層掃描(oct)體積來確定針對所述患者的關于新生地圖狀萎縮(nga)的診斷；至少基于與關于新生地圖狀萎縮的
3、在一個或多個實施例中，提供了一種計算機實現(xiàn)的方法。所述方法包括：應用機器學習模型，所述機器學習模型經(jīng)訓練以至少基于患者的光學相干斷層掃描(oct)體積來確定針對所述患者的關于新生地圖狀萎縮(nga)的診斷；至少基于與關于新生地圖狀萎縮的所述診斷相關聯(lián)的顯著性圖來確定一個或多個新生地圖狀萎縮病變的位置；以及驗證關于新生地圖狀萎縮的所述診斷和/或所述一個或多個新生地圖狀萎縮病變的所述位置。
4、在一個或多個實施例中，一種非暫時性計算機可讀介質存儲指令，所述指令當由至少一個數(shù)據(jù)處理器執(zhí)行時引起包括以下的操作：應用機器學習模型，所述機器學習模型經(jīng)訓練以至少基于患者的光學相干斷層掃描(oct)體積來確定針對所述患者的關于新生地圖狀萎縮(nga)的診斷；至少基于與關于新生地圖狀萎縮的所述診斷相關聯(lián)的顯著性圖來確定一個或多個新生地圖狀萎縮病變的位置；以及驗證關于新生地圖狀萎縮的所述診斷和/或所述一個或多個新生地圖狀萎縮病變的所述位置。
5、在一個或多個實施例中，提供了一種方法。所述方法包括：接收受試者的視網(wǎng)膜的光學相干斷層掃描(oct)體積圖像；經(jīng)由深度學習模型，使用所述oct體積圖像生成輸出，其中所述輸出指示是否檢測到新生地圖狀萎縮；以及使用顯著性映射算法生成針對所述深度學習模型的圖輸出，其中所述圖輸出指示所述oct體積圖像中的一組區(qū)域對由所述深度學習模型生成的輸出的貢獻水平。
6、在一個或多個實施例中，一種系統(tǒng)包括：非暫時性存儲器；和硬件處理器，其與所述非暫時性存儲器耦合并且被配置成從所述非暫時性存儲器讀取指令以使所述系統(tǒng)：接收受試者的視網(wǎng)膜的光學相干斷層掃描(oct)體積圖像；經(jīng)由深度學習模型，使用所述oct體積圖像生成輸出，其中所述輸出指示是否檢測到新生地圖狀萎縮；使用顯著性映射算法生成針對所述深度學習模型的圖輸出，其中所述圖輸出指示所述oct體積圖像中的一組區(qū)域對由所述深度學習模型生成的輸出的貢獻水平；以及顯示所述圖輸出。
7、在一個或多個實施例中，一種系統(tǒng)包括：非暫時性存儲器；和硬件處理器，其與所述非暫時性存儲器耦合并且被配置成從所述非暫時性存儲器讀取指令以使所述系統(tǒng)：使用訓練數(shù)據(jù)集訓練深度學習模型以形成經(jīng)訓練的深度學習模型，所述訓練數(shù)據(jù)集包括已被標記為證明新生地圖狀萎縮或不證明新生地圖狀萎縮的訓練oct圖像；接收受試者的視網(wǎng)膜的光學相干斷層掃描(oct)體積圖像；經(jīng)由所述經(jīng)訓練的深度學習模型，使用所述oct體積圖像生成分類分數(shù)，其中所述分類分數(shù)指示是否檢測到新生地圖狀萎縮；使用顯著性映射算法生成針對所述oct體積圖像的顯著性體積圖，其中所述顯著性體積圖指示所述oct體積圖像中的一組區(qū)域對由所述深度學習模型生成的所述地圖狀萎縮的診斷的貢獻水平；使用所述顯著性體積圖來檢測所述oct體積圖像中的一組潛在生物標志物區(qū)域；以及生成報告，所述報告當所述一組潛在生物標志物區(qū)域中的至少一個潛在生物標志物區(qū)域滿足一組標準并且當所述分類分數(shù)滿足閾值時確認檢測到新生地圖狀萎縮。
本文檔來自技高網(wǎng)...【技術保護點】
1.一種系統(tǒng)，包括：
2.根據(jù)權利要求1所述的系統(tǒng)，其中所述顯著性圖標識與對關于新生地圖狀萎縮的所述診斷的超閾值貢獻相關聯(lián)的所述光學相干斷層掃描體積的一個或多個區(qū)域。
3.根據(jù)權利要求1所述的系統(tǒng)，其中所述顯著性圖是通過應用梯度加權類激活映射(GradCAM)來生成的。
4.根據(jù)權利要求1所述的系統(tǒng)，其中所述顯著性圖包括熱圖。
5.根據(jù)權利要求1所述的系統(tǒng)，其中所述機器學習模型包括基于人工神經(jīng)網(wǎng)絡(ANN)的分類器。
6.根據(jù)權利要求1所述的系統(tǒng)，其中所述機器學習模型包括基于殘差神經(jīng)網(wǎng)絡(RNN)的分類器。
7.根據(jù)權利要求1所述的系統(tǒng)，其中所述光學相干斷層掃描(OCT)體積包括具有多個二維B型掃描的三維體積。
8.根據(jù)權利要求1所述的系統(tǒng)，其中所述機器學習模型是基于包括用逐體積標簽注釋的多個光學相干斷層掃描(OCT)體積的數(shù)據(jù)集來訓練的。
9.根據(jù)權利要求1所述的系統(tǒng)，其中所述一個或多個新生地圖狀萎縮病變的所述位置由一個或多個邊界框來標識。
10.根據(jù)權利要求1所述的系統(tǒng)
11.一種計算機實現(xiàn)的方法，包括：
12.根據(jù)權利要求11所述的方法，其中所述顯著性圖標識與對關于新生地圖狀萎縮的所述診斷的超閾值貢獻相關聯(lián)的所述光學相干斷層掃描體積的一個或多個區(qū)域。
13.根據(jù)權利要求11所述的方法，其中所述顯著性圖是通過應用梯度加權類激活映射(GradCAM)來生成的。
14.根據(jù)權利要求11所述的方法，其中所述顯著性圖包括熱圖。
15.根據(jù)權利要求11所述的方法，其中所述機器學習模型包括基于人工神經(jīng)網(wǎng)絡(ANN)的分類器。
16.根據(jù)權利要求11所述的方法，其中所述機器學習模型包括基于殘差神經(jīng)網(wǎng)絡(RNN)的分類器。
17.根據(jù)權利要求11所述的方法，其中所述光學相干斷層掃描(OCT)體積包括具有多個二維B型掃描的三維體積。
18.根據(jù)權利要求11所述的方法，其中所述機器學習模型是基于包括用逐體積標簽注釋的多個光學相干斷層掃描(OCT)體積的數(shù)據(jù)集來訓練的。
19.根據(jù)權利要求11所述的方法，其中所述一個或多個新生地圖狀萎縮病變的所述位置由一個或多個邊界框來標識。
20.根據(jù)權利要求11所述的方法，其中所述操作進一步包括：
21.一種存儲指令的非暫時性計算機可讀介質，所述指令當由至少一個數(shù)據(jù)處理器執(zhí)行時引起包括以下的操作：
22.一種方法，其包括：
23.根據(jù)權利要求22所述的方法，其中所述顯著性映射算法包括梯度加權類激活映射(GradCAM)算法，并且其中所述圖輸出視覺化地指示所述OCT體積圖像中的所述一組區(qū)域對由所述深度學習模型生成的所述輸出的所述貢獻水平。
24.根據(jù)權利要求22或權利要求23所述的方法，其中所述OCT體積圖像包括二維的多個OCT切片圖像，并且所述方法進一步包括：
25.根據(jù)權利要求24所述的方法，其中所述子組包括少于5％的所述多個OCT切片圖像。
26.根據(jù)權利要求22至25中任一項所述的方法，進一步包括：
27.根據(jù)權利要求26所述的方法，其中所述標識包括：
28.根據(jù)權利要求27所述的方法，其中所述評分度量包括所述潛在生物標志物區(qū)域的大小或針對所述潛在生物標志物區(qū)域的置信度分數(shù)中的至少一者。
29.根據(jù)權利要求22至28中任一項所述的方法，其中生成所述圖輸出包括：
30.根據(jù)權利要求22至28中任一項所述的方法，其中經(jīng)由所述深度學習模型生成輸出包括：
31.一種系統(tǒng)，包括：
32.根據(jù)權利要求31所述的方法，其中所述圖輸出包括疊加在所述OCT體積圖像的單獨OCT切片圖像上的顯著性圖。
33.根據(jù)權利要求31或權利要求32所述的系統(tǒng)，其中所述顯著性映射算法包括梯度加權類激活映射(GradCAM)算法。
34.根據(jù)權利要求31至33中任一項所述的系統(tǒng)，其中所述深度學習模型包括殘差神經(jīng)網(wǎng)絡。
35.一種系統(tǒng)，包括：
36.根據(jù)權利要求35所述的系統(tǒng)，其中所述顯著性映射算法包括梯度加權類激活映射(GradCAM)算法。
37.根據(jù)權利要求35或權利要求36所述的方法，其中所述分類分數(shù)是所述OCT體積圖像證明新生地圖狀萎縮的概率，并且其中所述閾值是在0.5與0.8之間選擇的值。
38.根據(jù)權利要求35至37中任一項所述的系統(tǒng)，其中所述OCT體積圖像...
【技術特征摘要】
【國外來華專利技術】
1.一種系統(tǒng)，包括：
2.根據(jù)權利要求1所述的系統(tǒng)，其中所述顯著性圖標識與對關于新生地圖狀萎縮的所述診斷的超閾值貢獻相關聯(lián)的所述光學相干斷層掃描體積的一個或多個區(qū)域。
3.根據(jù)權利要求1所述的系統(tǒng)，其中所述顯著性圖是通過應用梯度加權類激活映射(gradcam)來生成的。
4.根據(jù)權利要求1所述的系統(tǒng)，其中所述顯著性圖包括熱圖。
5.根據(jù)權利要求1所述的系統(tǒng)，其中所述機器學習模型包括基于人工神經(jīng)網(wǎng)絡(ann)的分類器。
6.根據(jù)權利要求1所述的系統(tǒng)，其中所述機器學習模型包括基于殘差神經(jīng)網(wǎng)絡(rnn)的分類器。
7.根據(jù)權利要求1所述的系統(tǒng)，其中所述光學相干斷層掃描(oct)體積包括具有多個二維b型掃描的三維體積。
8.根據(jù)權利要求1所述的系統(tǒng)，其中所述機器學習模型是基于包括用逐體積標簽注釋的多個光學相干斷層掃描(oct)體積的數(shù)據(jù)集來訓練的。
9.根據(jù)權利要求1所述的系統(tǒng)，其中所述一個或多個新生地圖狀萎縮病變的所述位置由一個或多個邊界框來標識。
10.根據(jù)權利要求1所述的系統(tǒng)，其中所述操作進一步包括：
11.一種計算機實現(xiàn)的方法，包括：
12.根據(jù)權利要求11所述的方法，其中所述顯著性圖標識與對關于新生地圖狀萎縮的所述診斷的超閾值貢獻相關聯(lián)的所述光學相干斷層掃描體積的一個或多個區(qū)域。
13.根據(jù)權利要求11所述的方法，其中所述顯著性圖是通過應用梯度加權類激活映射(gradcam)來生成的。
14.根據(jù)權利要求11所述的方法，其中所述顯著性圖包括熱圖。
15.根據(jù)權利要求11所述的方法，其中所述機器學習模型包括基于人工神經(jīng)網(wǎng)絡(ann)的分類器。
16.根據(jù)權利要求11所述的方法，其中所述機器學習模型包括基于殘差神經(jīng)網(wǎng)絡(rnn)的分類器。
17.根據(jù)權利要求11所述的方法，其中所述光學相干斷層掃描(oct)體積包括具有多個二維b型掃描的三維體積。
18.根據(jù)權利要求11所述的方法，其中所述機器學習模型是基于包括用逐體積標簽注釋的多個光學相干斷層掃描(oct)體積的數(shù)據(jù)集來訓練的。
19.根據(jù)權利要求11所述的方法，其中所述一個或多個新生地圖狀萎縮病變的所述位置由一個或多個邊界框來標識。
20.根據(jù)權利要求11所述的方法，其中所述操作進一步包括：
21.一種存儲指令的...
【專利技術屬性】
技術研發(fā)人員：姚鶴鳴，張淼，S·M·赫杰拉蒂，
申請(專利權)人：基因泰克公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。