專利名稱：基于樣本的診斷決策支持的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及自動診斷支持，更具體而言，涉及提供相似的已知病例的樣本的支持。
保健診斷決策支持系統(tǒng)或計算機輔助診斷(CAD)系統(tǒng)是用于將數(shù)字圖像上所檢測出的未明腫瘤分類成不同的類別，例如惡性的或良性的。通常，使用機器學習技術(shù)，比如決策樹和神經(jīng)網(wǎng)絡(luò)，來根據(jù)具備真實狀況的大量已知病例(即，診斷已經(jīng)得到病變的證實的病例)來構(gòu)造分類器。一旦創(chuàng)建了用于接受特征集合作為輸入的分類器，就通過從未明腫瘤病例中提取上述特征以供輸入到分類器中來執(zhí)行診斷。所述分類器輸出表示未明腫瘤的估計性質(zhì)(例如，惡性的/良性的)可選的還有置信值。隨著醫(yī)學成像設(shè)備的精確度提高，這類計算機輔助診斷作為供醫(yī)生用的工具，變得越來越重要。
Giger(在下文中稱″Giger″)等人的美國專利公開2001/0043729 A1，其名稱為″Method，System and ComputerReadable Medium for an Intelligent Search Workstation forComputer Assisted Interpretationof Medical Images(用于醫(yī)學圖像的計算機輔助解釋的智能搜索工作站的方法、系統(tǒng)和計算機可讀介質(zhì))″，將該篇公開的全部內(nèi)容引入于此以供參考，該公開內(nèi)容披露了用以自動確定包含病變可能性的診斷的分類器的使用，所述設(shè)備還從數(shù)據(jù)庫中檢索出已被確定與正在診斷的病例相類似的已知病例或樣本并將其顯示在屏幕上。所取出的病例在顯示器中經(jīng)過顏色編碼，以表明腫瘤是惡性的還是良性的。
根據(jù)兩個病例之間的歐幾里德距離，來評定測試病例和已知病例之間的相似性。具體來講，視為與存在/不存在病變有關(guān)的特征，比如邊緣、形狀、密度和腫瘤圖像中的可辨毛刺征，每一個特征都在n維空間中被分配了維度。對應測試病例和已知病例的每一個特征的數(shù)值差確定了一個n維標量，其長度為測試病例和已知病例之間的歐幾里德距離。選擇具有最小歐幾里德距離的預定數(shù)量的病例，惡性的或良性的，來充滿顯示器以便由放射科醫(yī)師或醫(yī)生查看。
然而，在以一對一基礎(chǔ)上評估相似性的過程中，Giger專利公開沒有解決特征之間的相互影響，因此傳遞給顯示器一組并非最優(yōu)的病例。
另外，如在Giger中那樣將惡性和良性的病例緊挨著分散顯示，可能會混淆和限制用于顯示期望數(shù)量的相同類型的相似病例(即，惡性的或良性的)的屏幕區(qū)的總量。
提出本發(fā)明來解決現(xiàn)有技術(shù)中的上述缺陷。本發(fā)明的一個目的是，選擇已知病例的圖像來顯示，以作為將腫瘤自動診斷為惡性或良性的補充，所述已知病例的相似性是利用一對多度量評定的，所述一對多度量提供了比能利用歐幾里德距離得到的相似性更大的相似性。
簡言之，將腫瘤的測試醫(yī)學多特征化圖像同確定為惡性腫瘤的參考醫(yī)學多特征化圖像的集合進行比較，或者同相似的非惡性腫瘤圖像的集合進行比較，以辨認同測試圖像有相似特征的參考圖像。參考圖像是從指定的集合中選出來的以形成各組被選圖像。將遺傳算法應用于變動組，并且根據(jù)測試圖像的特征值以及該組的那些參考圖像的特征值來判斷這些組中的哪一組與測試圖像處于最小距離。
將借助于下列附圖描述在這里所公開的本發(fā)明的細節(jié)，其中

圖1是示出根據(jù)本發(fā)明的系統(tǒng)綜述的流程圖；圖2是舉例說明根據(jù)本發(fā)明的過程示例的流程圖；圖3是根據(jù)本發(fā)明的圖像搜索過程的示意圖；和圖4是根據(jù)本發(fā)明的另一個圖像搜索過程的示意圖。
圖1示出了根據(jù)本發(fā)明的示例性的基于樣本的診斷決策支持系統(tǒng)100中的處理流程。所述系統(tǒng)100可以作為運行根據(jù)本發(fā)明的軟件的Giger(美國專利公開2001/0043729 A1)的圖9中所示的通用計算機來實現(xiàn)，或者作為選擇，作為同樣并入本發(fā)明的相應專用處理器來實現(xiàn)。
如圖1所示，所述系統(tǒng)100包括分類器104、已知病例的數(shù)據(jù)庫108和輸入/輸出模塊112，所述輸入/輸出模塊包括諸如顯示屏和鍵盤(未示出)之類的應用邏輯和元件。所述分類器104是按照來自于數(shù)據(jù)庫108或其它數(shù)據(jù)庫中的大量已知腫瘤病例來訓練的。學習過程可以利用許多現(xiàn)有機器學習方法中的任何一種來實施，比如那些采用決策樹、人工神經(jīng)網(wǎng)絡(luò)或強化神經(jīng)網(wǎng)絡(luò)的機器學習方法等。
為了分析新的腫瘤，利用輸入/輸出模塊112提取特征并將其饋送到分類器104。分類結(jié)果可能是惡性的、良性的或者確定的惡性可能性。
當接收到這個結(jié)果時，輸入/輸出模塊112就向數(shù)據(jù)庫108發(fā)送請求，所述請求包括新腫瘤的每一個所提取出的特征的數(shù)值、腫瘤的性質(zhì)(即，惡性的或良性的)，以及所需的實例數(shù)量。如果分類結(jié)果是大于50％的可能性，則腫瘤的性質(zhì)就是惡性的；否則，它是良性的。數(shù)據(jù)庫108被分成兩個集合，一個僅僅具有惡性的病例，而另一個僅僅具有良性的病例。如果新腫瘤的性質(zhì)是惡性的，則搜索具有惡性病例的集合以查找相似的病例；否則，搜索另一個集合。
一旦相似的病例被檢索出來，所述輸入/輸出模塊112就向用戶顯示分類結(jié)果，以及新腫瘤的圖像和最相似的病例的圖像。
圖2借助于非限定的示例舉例說明了根據(jù)本發(fā)明的過程。在使用系統(tǒng)100來查找與新腫瘤相似的病例之前，對數(shù)據(jù)庫108做準備工作，通過根據(jù)病變劃分數(shù)據(jù)庫108來將它劃分成惡性的集合和良性的集合。這優(yōu)選是通過獨立地對每個集合中的病例進行連續(xù)編號來實現(xiàn)。所以，如果存在1000個惡性的病例，則例如它們可能被編號為從0到999(步驟204)。
在處理新腫瘤的過程中，從指定的集合中，即從按分類器104根據(jù)新腫瘤所確定的分類結(jié)果而命名的集合中，檢索出相似的病例。
將檢索限制到一類病例增加了可能被同時顯示給醫(yī)生的病例的數(shù)量。病例數(shù)量的增加及其單一的類型，即惡性的或良性的，提高了本發(fā)明所采用的一對多距離度量的效率。通過使用如下面更詳細描述的遺傳算法，克服了查找適合于一對多距離度量的病例組的困難。
根據(jù)本發(fā)明的方法，所述檢索首先涉及從指定的集合中選擇預定數(shù)目的病例的初始選擇。這一選擇可以是隨機的，因為本發(fā)明的遺傳算法將經(jīng)過選擇方面的迭代變換，不論最初選擇了哪些病例都將傳送最終的最優(yōu)病例組。為此，可以將隨機數(shù)發(fā)生器包含在系統(tǒng)100中。盡管如此，為了更快速的結(jié)果，可以根據(jù)相對粗糙的相似性測量來選擇最初的病例組。例如可以采用諸如歐幾里德距離之類的一對一度量。
最初選擇的病例被分配到組或″基因″中。因此，例如n×m個被選病例可以被劃分成n個基因的集合，每個基因都由m幅參考圖像組成(步驟208)。最初選擇的病例的數(shù)量優(yōu)選基于由放射科醫(yī)師或醫(yī)生指定的期望的實例數(shù)目，并且可以為其提供缺省值。每個基因優(yōu)選通過將分別對應于該基因的m幅圖像的病例編號連在一起來形成。在圖3中示出了一個例子，為示范簡明起見，假定給所指定的集合僅有16幅參考圖像，編號為0-15。由于m設(shè)置等于4，因而最初為基因304選擇編號為9、1、11和3的圖像，所述基因是通過將對應于那些圖像9、1、11、13的位308連在一起而形成的。實際上，所述連接將對應于四個圖像編號9、1、11、13的四個位串集合成一個復合的位串308。通常，如果在一個集合中有N幅參考圖像，則最好給圖像編號配置以取頂(LOG2(N))位，取頂函數(shù)上舍入獲得下一個最大的整數(shù)。因此，利用每一個具有10位的圖像編號來索引1000幅圖像的集合。
現(xiàn)在返回圖2，為剛根據(jù)遺傳算法所形成的n個基因集合中的每一個確定馬哈拉諾比斯距離(Mahalanobis)(步驟216、220)。正如將進一步在下面更詳細論述的那樣，根據(jù)本發(fā)明的一個方面所述遺傳算法重復地計算馬哈拉諾比斯距離，除非它早已為所述基因被計算出來。馬哈拉諾比斯距離(或″度量″)是未知樣本與一組已知樣本之間的相似性的測量，每一個樣本都具有其數(shù)值依樣本而不同的匹配特征。所述度量在部分上是基于組內(nèi)方差和協(xié)方差的，其使馬哈拉諾比斯距離變?yōu)橐粚Χ嘞嗨菩缘母鼑烂艿臏y量。當應用在這個發(fā)明中時，計算測試圖像(即，新腫瘤的測試圖像)和一組參考圖像或基因之間的馬哈拉諾比斯距離。優(yōu)選地，那一組的圖像都是相同類型的已知病變，要么是惡性的要么是良性的。與一對一相似性技術(shù)相比，這允許馬哈拉諾比斯度量傳送所述組與測試圖像之間的更合理的相似性評估，即根據(jù)其能夠推斷相似病變。在操作上，為利用遺傳算法重復改變后的基因計算馬哈拉諾比斯距離，以達到最小距離，因此是最佳的基因。馬哈拉諾比斯距離的標準公式為D2G(T)＝(T-μG)SG-1(T-μG)’其中D是馬哈拉諾比斯距離，T是測試圖像的特征值的行矩陣，SG組內(nèi)協(xié)方差矩陣，μG是組特征值均值的行矩陣。
起先，根據(jù)馬哈拉諾比斯距離來查找最優(yōu)參考圖像組的任務(wù)不是一個簡單明了的問題，并且如果數(shù)據(jù)庫包含大量已知的病例，則嘗試所請求數(shù)量的參考圖像的所有可能組合的蠻干手段就時間和處理資源而言是不可行的。
遺傳算法是一類適合于解決如下問題的方法，即不知道其求解方法但是很容易評價所提出的解決方案的問題。補充一組問題解決器以便每一個都提供對所述問題的各自的解決方案。針對優(yōu)點評定解決方案，并且選擇提供最佳解決方案的問題解決器以便將它們的遺傳物質(zhì)傳遞給下一代的問題解決器，從而隨時間反復以達到能合人意地良好的最終解決方案。用于傳遞遺傳物質(zhì)的遺傳算法中所運用的技術(shù)是隨機突變的并且相互交叉的，其中例如將隨機波動限制在性能最佳的問題解決器，以便偶然地產(chǎn)生更好的問題解決器?？梢噪S著一次迭代到下一次迭代丟棄所識別的低性能問題解決器。照此，演化出越來越好的解決方案。
根據(jù)本發(fā)明，并且再次參照圖2，一旦為每個基因確定了馬哈拉諾比斯距離(步驟216、220)，就判斷是否已經(jīng)滿足停止標準(步驟224)。停止標準可以是諸如預定的馬哈拉諾比斯距離或處理期限之類的閾值。
如果尚未滿足停止閾值，則可以將一個或多個隨機交叉和/或突變應用于具有到測試圖像的最小馬哈拉諾比斯距離的基因(步驟228)。隨著交叉和/或突變，產(chǎn)生新的基因，并且優(yōu)選丟棄那些具有最大馬哈拉諾比斯距離的基因，并且優(yōu)選地丟棄的范圍保持基因總體的恒定數(shù)目。
再次返回到圖3，對基因308的零位312執(zhí)行了一個示例性的突變，以將該位改變?yōu)?位316。實際上，1位取代了0位，以使1的圖像編號320變成了5的圖像編號324。換言之，參考圖像1被參考圖像5代替，以便優(yōu)選地創(chuàng)建一個新的額外基因328作為正在利用遺傳算法處理的基因集合的額外成員。突變不必發(fā)生在算法的每一次迭代中，并且最好是被隨機地應用到基因的所述位。重要的是，任何給定的突變一般都影響基因的不超過一個圖像，并且非常優(yōu)選是小于基因的所有圖像，因為所述遺傳算法是以傳遞遺傳物質(zhì)為基礎(chǔ)的。
圖4示范了兩個交叉的例子。如第一個例子所示，在一次對換中，圖4中標識為深色的基因404的其中三位被調(diào)換到基因408中，同樣，標識為淺色的基因408的其中三位被調(diào)換到基因404中。在第二個例子中對基因412和416所做的對換是針對不完全連續(xù)的三個位進行的。優(yōu)選地，隨機地將對換應用于所述位并且以比突變應用地更頻繁。所對換的位的數(shù)目，像所述算法的其它參數(shù)一樣，可以被設(shè)置成在查找最大相似性的精確度和按經(jīng)驗確定的處理時間和資源之間達到期望的折中。
正如上面已經(jīng)示范的那樣，本發(fā)明給用戶提供了自動診斷決策支持，其包括顯示更相似的已知腫瘤病例并且提供比已知的一對一相似性度量所提供的更可靠的病變預測器。
雖然已經(jīng)示出并描述了所認為的本發(fā)明的優(yōu)選實施例，但是顯然應理解在不脫離本發(fā)明的精神的前提下可以容易地作出形式或細節(jié)上的各種修改和變化。例如，用戶可以忽略分類結(jié)果以令系統(tǒng)100根據(jù)相反結(jié)果進行搜索，從而醫(yī)生能夠首先看到相似的惡性病例然后看到相似的良性病例，或者反之亦然。因此，本發(fā)明不限于所描述和舉例說明的確切形式，而是應該被認為涵蓋可能落入所附權(quán)利要求范圍內(nèi)的所有修改。
權(quán)利要求
1.一種設(shè)備，用于將腫瘤的測試醫(yī)學多特征化圖像同確定為惡性的腫瘤的參考醫(yī)學多特征化圖像的集合(204)進行比較或者同確定為非惡性的腫瘤的參考醫(yī)學多特征化圖像的集合(204)進行比較(112、220)，以便識別與該測試圖像特征相似的一些參考圖像，測試和醫(yī)學圖像的每一個特征都具有各自的數(shù)值，所述設(shè)備包括處理器(100)，其被配置用于指定所述兩個集合中的一個，從指定的一個集合中選擇參考圖像以形成相應的被選圖像組(208)，應用遺傳算法來改變所述組中的一些組(228)并且根據(jù)所述數(shù)值來確定哪一個組處于到測試圖像的最小距離(216、220)。
2.根據(jù)權(quán)利要求1所述的設(shè)備，其中所述選擇形成所述組的集合，并且其中所述應用根據(jù)從測試圖像到所述集合的組中各組的距離，從所述集合的組迭代地導出(228)所述集合的新組，直至滿足停止標準為止(224)。
3.根據(jù)權(quán)利要求2所述的設(shè)備，所述處理器被配置用來計算像馬哈拉諾比斯距離這樣的距離(216)。
4.根據(jù)權(quán)利要求2所述的設(shè)備，所述設(shè)備被配置用來執(zhí)行迭代導出，其是通過以下步驟來完成根據(jù)所述數(shù)值并針對尚未計算馬哈拉諾比斯距離的每一個組來計算測試圖像和那個組之間的馬哈拉諾比斯距離，判斷是否已經(jīng)滿足停止標準，并且如果尚未滿足該標準(224)，在所述至少一個組中用指定集合中的不同圖像替換至少其中一個所述被選圖像(228)并且重復所述計算以開始另一次迭代(216、220)。
5.根據(jù)權(quán)利要求4所述的設(shè)備，所述設(shè)備被配置用于執(zhí)行以下步驟為指定集合中每一個所述圖像分配各自的編號(204)；從所述編號中進行選擇(208)；以及將表示被選編號的位串進行組合以形成與所述組的各組相對應的多個復合位串(212、304、308)。
6.根據(jù)權(quán)利要求5所述的設(shè)備，所述處理器被配置成在執(zhí)行所述替換的過程中改變所述多個復合位串中至少一個位串的至少一位，以便以不改變在所述組合中作為分量的至少一個位串的形式，來形成至少一個額外的復合位串(312、316)。
7.根據(jù)權(quán)利要求5所述的設(shè)備，其中在形成復合位串的過程中，所述組合將代表性的位連接起來(304、308)。
8.根據(jù)權(quán)利要求5所述的設(shè)備，其中所述替換包括從復合位串中進行選擇，并且改變被選的其中一個復合位串的至少其中一位，以形成至少一個額外的復合位串(228、312、316)。
9.根據(jù)權(quán)利要求5所述的設(shè)備，其中所述替換包括在一對復合位串(404、408、412、416)之間對換位的步驟。
10.根據(jù)權(quán)利要求5所述的設(shè)備，其中在至少其中一個所述組中的替換包括為所述替換隨機地選擇至少其中一個參考圖像的步驟(228)。
11.根據(jù)權(quán)利要求1所述的設(shè)備，所述處理器被配置為計算像馬哈拉諾比斯距離這樣的距離(216)。
12.根據(jù)權(quán)利要求1所述的設(shè)備，包括隨機數(shù)發(fā)生器，用于在參考圖像中進行選擇的過程中進行隨機選擇(208)。
13.一種方法，用于將腫瘤的測試醫(yī)學多特征化圖像同確定為惡性的腫瘤的參考醫(yī)學多特征化圖像的集合(204)進行比較或者同確定為非惡性的腫瘤的參考醫(yī)學多特征化圖像的集合(204)進行比較(112、220)，以便識別與測試圖像特征相似的一些參考圖像，測試和醫(yī)學圖像的每一個特征都具有各自的數(shù)值，所述方法包括下列步驟a)指定兩個集合中的一個(204)；b)從指定的一個集合中選擇參考圖像以形成相應的被選圖像組(208)；以及c)應用遺傳算法來改變其中一些組并且根據(jù)所述數(shù)值來確定哪一個組處于到測試圖像的最小距離(216、220、224、228)。
14.根據(jù)權(quán)利要求13所述的方法，其中所述距離是馬哈拉諾比斯距離(216)。
15.根據(jù)權(quán)利要求13所述的方法，其中步驟b)形成所述組(212)的集合，并且其中所述步驟c)根據(jù)從測試圖像到所述集合的各組的距離來迭代地從所述集合的組中導出(228)所述集合的新組直至滿足停止標準為止(224)。
16.根據(jù)權(quán)利要求13所述的方法，還包括下列步驟給指定集合中的每一個所述圖像分配各自的編號(204)；從所述編號中進行選擇(208)；以及將表示被選編號的位串進行組合以形成與所述組中各組相對應的多個復合位串(212、304、308)。
17.根據(jù)權(quán)利要求13所述的方法，其中所述步驟c)還包括下列步驟d)根據(jù)所述數(shù)值并且針對尚未計算馬哈拉諾比斯距離的每一個組來計算測試圖像和那個組之間的馬哈拉諾比斯距離(216、220)；e)判斷是否已經(jīng)滿足停止標準(224)；以及f)如果尚未滿足該標準，在至少一個所述組中用指定集合中的一個不同圖像來替換至少一個參考圖像(228)，并且返回到步驟d)(216)。
18.根據(jù)權(quán)利要求17所述的方法，還包括下列步驟給指定集合中的每一個所述圖像分配各自的編號(204)；從所述編號中進行選擇(208)；以及將表示被選編號的位串進行組合以形成與所述組中各組相對應的多個復合位串(212、304、308)；其中所述替換步驟f)包括改變多個復合位串的至少其中一個的至少其中一位，以便以不改變在所述組合中作為分量的至少一個位串的方式來形成至少一個額外的復合位串的步驟(312、316)。
19.一種計算機程序產(chǎn)品，具有包含可由處理器(100)執(zhí)行的計算機程序的計算機可讀介質(zhì)，所述程序用于將腫瘤的測試醫(yī)學多特征化圖像同確定為惡性的腫瘤的參考醫(yī)學多特征化圖像的集合(204)進行比較或者同確定為非惡性的腫瘤的參考醫(yī)學多特征化圖像的集合(204)進行比較(112、220)，以便識別與測試圖像特征相似的一些參考圖像，測試和醫(yī)學圖像的每一個特征都具有各自的數(shù)值，所述程序包括a)用于指定兩個集合中的一個(204)的指令序列；b)用于從指定的一個集合中選擇參考圖像以形成各個被選圖像組(208)的指令序列；以及c)用于應用遺傳算法來改變其中一些組并且根據(jù)所述數(shù)值來確定哪一個組處于到測試圖像的最小距離(216、220、224、228)的指令序列。
全文摘要
一種計算機輔助診斷(CAD)技術(shù)將未確診腫瘤的圖像與一組已知惡性病變或良性病變(104、208)的腫瘤的各幅圖像進行匹配。指定惡性腫瘤圖像的數(shù)據(jù)庫，或者指定良性腫瘤的數(shù)據(jù)庫(112)。從指定的數(shù)據(jù)庫中查找就相似性而言最相近的一組參考腫瘤圖像(228)。測試圖像和參考圖像組之間的相似性是由測試圖像與參考圖像之間的最小馬哈拉諾比斯距離來確定的(216)。利用遺傳算法變動該組以包含不同圖像，繼而對距離進行測試，在停止標準的控制下重復地執(zhí)行這一過程(216、220、224、228)。
文檔編號G06F19/00GK1914641SQ200580003148
公開日2007年2月14日 申請日期2005年1月21日 優(yōu)先權(quán)日2004年1月26日
發(fā)明者L·趙 申請人:皇家飛利浦電子股份有限公司