用于医学成像中的异常评估的基于噪声标签的机器学习的制作方法

用于医学成像中的异常评估的基于噪声标签的机器学习
1.相关申请本专利文件根据美国法典第35章第119(e)条要求2020年7月22日提交的美国临时专利申请序列号63/054,823的权益，其通过引用并入本文。


背景技术：

2.本实施例涉及机器学习。机器学习算法在医学图像的计算机辅助分类方面显示出了巨大的前景。例如，机器学习被用来开发自动胸片系统。胸片的评估被用于胸部疾病和异常的检测。然而，开发这些系统具有挑战性，因为在胸片的解读中，评定者间可变性很大。由于注释方法，例如基于自然语言处理（nlp）的方法，注释中的高错误率以及病理外观的固有歧义导致不正确的数据集标签。在基于机器学习的系统的背景下，这些因素导致对未知数据泛化较差的过度自信的系统。众所周知在其他领域表现良好的深度学习方法可能仍然过度自信。
3.为了纠正这一点，更高质量的放射科医师重新注释的测试集可以被用来训练。可以使用主观逻辑将预测不确定性估计为预测的异常概率的正交量度。然而，标签噪声仍可能导致机器学习模型执行不佳。


技术实现要素：

4.作为介绍，以下描述的优选实施例包括用于医学成像中的异常评估的机器学习以及机器学习模型的应用的方法、系统、指令和计算机可读介质。机器学习使用损失的正则化，诸如被用于训练胸片的异常分类的正则化。正则化可以是噪声和/或相关性正则化，其针对训练数据的嘈杂的地面真值（ground truth）标签。由于在训练中使用了噪声和/或相关性正则化，结果得到的机器学习模型可以更好地对医学图像中的异常进行分类。
5.在第一方面，提供了一种用于由机器对医学成像中的异常评估进行机器学习的方法。获得训练数据，该训练数据包括医学图像和针对医学图像的地面真值标签。该地面真值标签指明由医学图像所表示的任何异常。机器根据训练数据对模型进行机器训练。机器训练使用包含正则化的损失函数。正则化是噪声正则化和/或相关性正则化。由机器训练导致的模型被存储在存储器中。
6.在一个实施例中，机器训练包括利用损失函数的机器训练，该损失函数是将模型的异常输出的分类与地面真值标签进行比较的交叉熵函数。可以使用其他损失函数。在另一个实施例中，机器训练包括利用地面真值标签和损失函数的机器训练，地面真值标签是针对异常的存在或不存在的二元标签，并且损失函数被加权为训练数据的医学图像中的异常的正实例数和负实例数的函数。可以使用其他标签，诸如等级或得分。
7.在一个实施例中，损失函数的正则化是噪声正则化。例如，地面真值标签的噪声水平被测量。机器训练包括利用作为噪声水平的函数的噪声正则化的机器训练。在一种方法中，噪声水平由针对异常的地面真值标签的特异性和敏感性表示。噪声正则化包括作为特异性的函数的第一权重和作为敏感性的函数的第二权重或者描述标签噪声比的任何其他
量度。噪声正则化可以是任何函数，诸如逆二元交叉熵函数。
8.在另一个实施例中，地面真值标签指明至少第一和第二类型的异常。损失函数的正则化是相关性正则化。相关性正则化将针对第一类型的异常的地面真值标签与针对第二类型的异常的地面真值标签相关。在一种方法中，相关性正则化是协方差。例如，提供至少四种类型的异常。相关性正则化是所有至少四种类型的异常之间的协方差之和。
9.在其他实施例中，噪声正则化和相关性正则化二者都被用来进行训练。
10.可以使用各种类型的医学图像和/或异常。例如，训练数据的医学图像为胸片，并且异常包括积液、心脏肥大、实变、肺不张和肿块。
11.在应用中，由机器训练导致的模型被应用于针对患者的患者图像。应用输出患者图像的分类具有或没有任何异常。
12.在第二方面，提供了一种用于医学成像中的异常检测的系统。医学成像系统，被配置为生成患者的图像。处理器被配置为将机器学习模型应用于患者的图像。机器学习模型利用噪声和/或相关性正则化进行训练以检测图像中的异常。显示器被配置为基于来自应用的检测来将患者的分类显示为具有或没有异常。
13.在一个实施例中，机器学习模型利用噪声正则化来进行训练。噪声正则化考虑（account for）了机器训练中使用的地面真值标签中的噪声。在另一个实施例中，机器学习模型利用相关性正则化来进行训练，相关性正则化考虑了不同类型的异常之间的错误表征。
14.虽然适用于不同的医学成像环境，但是噪声或相关性正则化可以用于来自x射线成像系统的x射线图像中的异常的地面真值标签。
15.在第三方面，提供了一种用于针对异常分类的机器训练的系统。存储器被配置为存储训练数据并存储机器学习分类器，该训练数据包括解剖学图像和针对图像的地面真值分类。处理器被配置为根据训练数据进行机器训练。机器训练包括利用噪声和/或相关性正则化来计算损失。处理器被配置为利用损失进行机器训练，从而导致机器学习分类器。
16.在一个实施例中，处理器被配置为利用噪声正则化来进行机器训练。在另一个实施例中，处理器被配置为利用相关性正则化来进行机器训练。
17.本发明由以下权利要求限定，并且本部分的任何内容均不应被视为对那些权利要求的限制。本发明的其他方面和优点在下面结合优选实施例来进行讨论，并且可以稍后独立地或组合地要求保护。
附图说明
18.组件和附图不一定按比例绘制，而是重点放在说明本发明的原理上。此外，在图中，相同的附图标号在不同的视图中指明对应的部分。
19.图1是用于利用噪声和/或相关性正则化的机器训练以及结果得到的机器学习模型的应用的方法的一个实施例；图2图示出了用于利用正则化的机器训练的示例架构；图3示出了异常的相关性；和图4是用于使用噪声和/或相关性正则化进行训练并应用经训练模型的系统的实施例的框图。
具体实施方式
20.机器学习改进了基于胸片或其他医学成像中的标签错误率评估的异常分类的泛化。不同的正则化技术可以处理标签噪声，诸如丢弃正则化（dropout regularization） 或维度驱动的学习策略。正则化可以被应用于诸如图像重建或图像分割之类的许多医学成像领域。
21.为了从用于医学成像异常评估的噪声标签中提供稳健的分类，对分类损失应用正则化。为了提高机器学习系统的泛化准确度，对分类损失应用正则化。两个示例正则化组件是基于先验标签噪声概率计算的噪声正则化和基于异常之间相关性的相关性正则化。噪声和相关性正则化都导致异常检测和分类的泛化性能方面的改进。
22.图1示出了用于通过机器进行医学成像中的机器学习异常评估的方法的一个实施例。在胸片中，诸如噪声、相关性或丢弃（drop-out）之类的正则化被使用在训练中。对于一般医学成像（例如，x射线、计算机断层扫描（ct）、磁共振（mr）、超声、单光子发射计算机断层扫描（spect）和/或正电子发射断层扫描（pet）），正则化至少是噪声和/或相关性正则化。用于医学图像分类的噪声和/或相关性正则化降低了噪声标签在训练数据中的影响。
23.该方法由图4的系统或另一系统来实现。例如，该方法由用于训练的系统40来实现，该系统包括用于存储训练数据和学习模型的存储器41和用于利用正则化器执行机器训练的处理器43。不同的设备可以被使用。
24.附加的、不同的或更少的动作可以被提供。例如，不提供应用动作18和/或存储动作16。作为另一个示例，没有提供动作13和14中的任何一个，其中正则化用于胸片。在又一个示例中，仅提供动作13或动作14之一。作为又一个示例，用于设计模型的架构（例如，神经网络的层结构）的动作被包括。
25.动作以所示出的顺序（例如，从上到下或标号）或其他顺序来执行。例如，可以在动作18之后应用动作16。作为另一个示例，动作13和14可以以任何顺序来执行或者可以同时执行（例如，其中噪声和相关性正则化项都被包括在损失函数中）。
26.在动作10中，获得训练数据。通过搜索、数据挖掘、从存储器加载、识别、通过计算机网络传送和/或收集来获得数据。设计者（例如，计算机科学家）获得训练数据，诸如针对特定类型的医学成像、感兴趣的器官、感兴趣的疾病和/或感兴趣的一个或多个异常的数据。计算机、研究和/或数据库可以被用来获得数据。
27.训练数据包括医学图像。获得数十、数百或数千个样本医学图像。例如，可以获得来自许多不同患者的x射线照片。可以使用来自患者的实际医学图像。可替代地，医学成像的模拟被用来生成医学图像。在又其他实施例中，体模的图像被使用。训练数据的医学图像可以来自多个源，诸如患者的实际图像、模拟和体模的成像。可以使用任何领域（例如，超声、mr、ct、pet或spect）的任何数据子集。胸片在本文中被用作示例，因为胸片往往具有嘈杂的地面真值和/或图像中表示的大量异常类型。
28.对于样本图像，其他信息可以被包括。例如，与图像相关联的患者的临床和/或实验室结果被包括。年龄、体重、吸烟史、血液检查和/或其他信息可以作为样本与医学图像一起被提供，以训练分类器从输入图像和其他类型的信息中检测异常。在其他实施例中，在训练数据的样本中仅使用医学图像。
29.训练数据包括针对每个样本的地面真值标签。地面真值标签是从患者记录中挖掘
出来的，由量度（例如，另一个分类器的应用）来指示，和/或由专家对样本的复查来提供。地面真值标签用于异常的存在与否、异常的位置和/或异常的程度或水平（例如，大小或得分）。为每个样本的每种异常类型提供地面真值标签。例如，一张胸片包括一种异常类型的阳性标签和另一种异常类型的阴性标签。地面真值标签指明由每个样本（例如医学图像）所表示的任何异常。
30.地面真值标签可能是嘈杂的。标签中的一些可能是不正确的。由于机器学习依赖于地面真值标签的准确度来学习以对图像是否包括异常进行分类，因此嘈杂的标签会在经训练的分类器中引入错误。错误可能是由于二元意义上（例如，异常x是否被表示）和/或不正确的识别意义上（例如，肿块被标记为积液）的不正确标记。
31.样品和标签可以用于任何数量或类型的异常。例如，标签用于单一类型的异常（例如，癌性病变）。每个样本都被标记有针对样本中是否表现出异常的一个地面真值。作为另一个示例，标签用于两种或更多种、三种或更多种、或四种或更多种类型的异常。在胸片示例中，异常的类型包括积液、心脏肥大、实变、肺不张和肿块。可以对附加的、不同的或更少类型的异常进行分类或标记。每个样本（例如，训练集的医学图像）被标记有一个或多个标签，用于相应的一种或多种类型的异常的表示和/或位置的二元或非二元指示。
32.在动作12中，机器执行机器训练。处理器或计算机使用训练数据进行机器学习。通过基于训练数据建立可学习参数的值来定义和训练模型。样本是输入，并且将结果得到的输出与地面真值标签进行比较。通过优化（例如，adam），训练数据被用来建立导致准确输出的已定义模型的可学习参数的值。
33.可以使用任何训练，诸如用于神经网络的深度学习。可以使用支持向量机、回归或其他机器学习和对应的模型。在一个实施例中，使用深度学习。使用分段可微函数或其他深度学习函数，机器对网络进行训练以响应输入样本（例如医学图像）来输出分类（例如，是否检测到异常）。机器通过回归来对网络进行训练。
34.神经网络是全连接网络（fcn）或卷积神经网络。可以使用其他模型。
35.对已定义模型进行训练以利用损失函数进行估计。可以使用任何损失函数，诸如交叉熵函数、l2（例如，最小二乘误差）、l1距离或其他损失以获得针对网络参数的最佳值。针对训练图像的地面真值标签与模型的预测之间的差异基于损失函数的损失或差异的量度而被最小化。通过优化，可学习参数的值被调整以将损失最小化。
36.损失函数包括正则化。规定损失的一个或多个项被添加。正则化器可以是与损失相加的项。可替代地，正则化器是损失计算中考虑噪声标签的权重或自适应更改。在一个实施例中，正则化是噪声正则化。在另一个实施例中，正则化是相关性正则化。在又一个实施例中，噪声正则化和相关性正则化两者都被使用。附加地或可替代地，可以使用其他正则化，诸如丢弃正则化和/或维度驱动的学习。
37.图2示出了作为流水线的用于机器训练的示例布置或架构。图像20被用作深度学习架构22（即，相关可学习参数的模型）的输入。模型的输出和地面真值被用来确定训练期间的分类损失24。分类损失24包括噪声正则化25和/或相关性正则化26。一旦被训练，模型就输出没有损失和/或正则化的异常分类28。先前使用的损失和正则化为架构22的模型提供值以提供准确的异常分类28。
38.训练数据的地面真值标签是用于样本中是否存在异常的二元标签，因此损失是基
于对许多或所有样本的二元预测。在其他实施例中，标签是连续值或者具有两个以上的离散值，因此损失是基于沿着连续区或跨越离散集的准确度。
39.为了确定损失，标签是集合[c
(1) c
(2) . . . c
(d)
]
ϵ
{0, 1}（分别为不存在或存在异常）并与网络输出[p
(1) p
(2) . . . p
(d)
]
ϵ
[0, 1]进行比较。损失是基于比较来测量的。损失函数提供了比较。
[0040]
在处理训练数据中的不平衡的一个实施例中，损失函数被加权为训练数据的医学图像中的异常的阳性实例数和阴性实例数的函数。由于不平衡问题（例如，阴性样本多于阳性样本），为每个由n索引的异常提供附加的权重常数和。和，其中p
(n)
和n
(n)
分别指示针对整个训练数据集的阳性实例和阴性实例的数量。将权重集成到示例交叉熵损失函数中可提供：（1）损失是基于所有图像或样本上的总和来计算的。函数由i索引，其中f标示集合中的图像总数，并且d标示异常类型的总数。
[0041]
对于动作13，损失函数包括噪声正则化。利用损失函数的正则化（包括噪声正则化）来执行机器训练。地面真值标签的噪声水平被测量并被用来正则化。例如，训练集的地面真值标签的特异性和/或敏感性被用来正则化。
[0042]
在一个实施例中，专家阅读程序被定义。放射科专家阅读样本并盲目地重新标记样本。在没有其他专家访问地面真值标签和/或分类的情况下，一位或多位专家对每个样本进行分类（即识别地面真值）。在专家阅读过程期间未提供原始数据集标签，以避免对原始标签做出有偏见的决定。多个专家可以执行阅读，为每个样本提供地面真值标签的多个实例。对于通过独立阅读未能就所有标签达成共识的所有情况，可以进行公开讨论或多数投票以建立共识标签。假设重新定义的标签是正确的标签，利用原始的和重新定义的标签来计算先验概率。表1示出了原始地面真值标签与专家重新标记的针对胸片的五种被选异常类型的敏感性s
sens
和特异性s
spec
。
[0043]
表1：低得分指示更强的标签噪声。
[0044]
为了将噪声正则化合并到损失函数中，需要将一项添加到损失函数。可以使用任
何正则化项，诸如逆二元交叉熵函数。添加的项是噪声正则化，它是噪声水平的函数。可以使用任何函数。在一个实施例中，添加两个权重，其中一个权重是特异性的函数而另一个权重是敏感性的函数。在其他实施例中，仅敏感性、仅特异性或噪声水平的另一量度被使用。
[0045]
在一个实施例中，将噪声正则化作为逆二元交叉熵函数添加到等式1的损失函数中。结果得到的正则化损失函数被给出为：其中f
p
和fn是阳性例子和阴性例子的个体正则化权重。使用噪声水平的任何函数都可以被使用。在一个实施例中，并且。附加参数λ
noise
是用于定义正则化项的整体影响的另一个权重。针对附加参数，可以使用任何值，诸如0.1。
[0046]
噪声可以以不同的方式被整合到正则化和/或损失函数中，诸如权重、比率、减法或使用不同的正则化函数（例如，l2）。代替权重，噪声水平可以通过加法、减法或其他函数被整合。
[0047]
对于动作14，在机器训练期间在损失函数中使用相关性正则化。相关性正则化使用针对第一类型的异常的地面真值标签与针对第二类型的异常的地面真值标签的相关性。相关性更强的异常更有可能在地面真值标签中被错误分类，从而引入标签噪声源。
[0048]
图3示出了胸片中的示例。每个异常之间的相关性强度被可视化。五种不同类型的异常（积液、心脏肥大、实变、肺不张和肿块）各自之间的相关性水平以图形方式示出。较深的颜色对应于相关性水平，其中黑色为完全相关（例如，相关性系数为1.0），白色为不相关（例如，相关性系数为0.0）。在这些示例中的相关性对于异常与自身的相关性为1.0，并且对于不同异常之间的相关性为在0.0到0.5之间。
[0049]
相关性正则化基于针对异常n的分类标签集合c
(n)
与针对异常r的分类标签集合c
(r)
的相关强烈程度，其中r∈{1
…
d}\{n}。d标示异常的数量。任何相关性系数都可以被用作相关性的量度。图3使用皮尔逊相关性系数。在其他实施例中，相关性系数是协方差。
[0050]
为了将相关性正则化合并到损失函数中，需要将一项添加到损失函数。可以使用任何正则化项，诸如交叉熵函数。添加的项是相关性正则化，它是要被分类的不同类型的异常之间的相关性水平的函数。可以使用任何函数。在一个实施例中，添加在由相关性系数加权的交叉熵的不同类型的异常上的总和。例如，在两个、三个、四个或更多类型的异常上的总和被使用，诸如在图3的示例的五个异常上的总和。
[0051]
在一个实施例中，等式1的原始损失函数适用于考虑在所有异常上的相关性信息，被表示为：
其中λc
orr
是权重（例如，被设置为1.0）并且具有元素(n,r)的conv
(n,r)
测量索引为n的标签和索引为r的标签之间的协方差。取决于协方差矩阵，所有异常标签可能会影响另一个给定的异常。
[0052]
在其他实施例中，损失函数包括两个或更多附加项。例如，噪声和相关性正则化项二者都被包括。相对权重可要被用来控制正则化器对损失的相对贡献。模型使用任意数量的正则化器（诸如噪声和相关性正则化）来进行机器训练。附加的正则化组件可以被添加。
[0053]
再次参考图1，机器（例如，处理器或计算机）在动作16中将由机器训练导致的模型存储在存储器中。供不同机器使用的模型和/或副本可以通过计算机网络来传送。机器学习分类器被存储。例如，在创建之后，机器学习网络包括具有针对各种可学习参数的值的一个或多个层，诸如卷积内核、下采样权重和/或连接。经过训练的参数和/或网络的值被存储。机器学习网络被存储在存储器中，诸如机器的存储器或具有示例的数据库。机器学习网络可以被传输到不同的存储器。机器学习网络可以被复制以供其他设备或机器（诸如x射线扫描仪的处理器）应用。x射线或其他扫描仪的存储器可以存储机器学习网络的副本，以供特定患者应用。
[0054]
在动作18中，机器学习模型被应用。处理器或计算机将模型应用于带有或没有患者的临床数据的患者图像。被用来训练的相同或不同机器应用该模型。
[0055]
为了应用，诸如来自患者的x射线扫描之类的患者图像，在带有或没有其他数据（例如，临床数据）的情况下被应用作为机器学习模型的输入。作为响应，机器学习模型输出患者图像的分类。分类可以是对一个或多个异常类型的检测。一个可用分类可以没有异常。患者图像被分类为包括或不包括一个或多个不同类型的异常。患者具有或没有一个或多个不同类型的异常。已被训练为基于噪声和/或相关性正则化进行分类的机器学习分类器对输入图像和/或数据进行分类。对患者进行成像，并使用机器学习模型对结果得到的图像进行分类。
[0056]
可以生成示出应用结果的图像。可以对图像进行颜色编码、注释或标记以指示分类。图像可以是该分类或者是具有解剖学表示的分类（例如，具有示出针对图像的分类或按图像区域的分类的注释的胸片）。分类可以被添加到患者记录中。
[0057]
噪声和相关性正则化改善了机器学习模型在分类中的性能。对于具有表1的噪声水平和图3的相关性的五个异常的胸片，利用作为基线损失的等式1、用于噪声正则化的等式2以及用于相关性正则化的等式3来训练神经网络。表2示出了针对结果得到的机器学习模型的曲线得分下的面积。
[0058]
表2： 积液心脏肥大实变肺不张肿块基线l
abn
0.9230.9260.8120.8210.804先验标签噪声l
noise
0.9400.9270.8360.8450.829标签相关性l
corr
0.9150.9400.8310.8310.838
[0059]
检测和分类系统的性能和通用性提高。基于损失正则化提高了对标签噪声的鲁棒性。这些改进是通过正则化组件来实现的，该正则化组件避免通过应用于损失函数上的正则化组件生成过度自信的系统。关于针对每个异常的标签噪声的知识增加。专家阅读程序导致原始标签和专家标签之间的噪声比。接收到的标签噪声比有助于对胸片评估中的不同
异常的解释困难进行分析。由于正则化，训练时间可能减少。利用一个或两个正则化组件扩展基线分类损失以处理标签噪声。先验标签噪声概率和异常相关性信息被整合，这提高了分类系统的准确度。
[0060]
图4示出了包括用于针对异常分类的机器训练的系统40和用于医学成像中的异常检测的系统45的布置的一个实施例的框图。使用噪声、相关性和/或其他正则化，用于训练的系统40利用嘈杂的训练数据42来训练机器学习模型44。先前已经利用正则化训练过的结果得到的机器学习模型48被系统45使用以应用于患者。
[0061]
系统40、45是两个独立的系统。唯一共享的组件是用于训练的系统40的最终机器学习模型44，其被复制和/或被用作用于检测的系统45的机器学习模型48。在替代实施例中，一个或多个组件被共享，诸如存储器41和50是相同的存储器和/或处理器43、47是相同的处理器。可以提供一个系统40、45而没有另一个系统45、40。
[0062]
用于训练的系统40包括存储器41和处理器43。存储器41用于存储训练数据42和/或机器学习模型44，诸如存储模型的已定义架构和用于可学习参数的值。处理器43用于机器学习。附加的、不同的或更少的组件可以被提供。例如，网络或网络连接被提供，诸如用于将存储器41与处理器43联网。作为另一个示例，用户接口或用户输入设备与处理器43一起被提供，以用于定义机器学习模型44、控制训练、和/或获得训练数据42。
[0063]
存储器41和处理器43是服务器、工作站或计算机的一部分。存储器41是与处理器43相关联的计算机的一部分，或者是用于通过计算机网络访问的单独或远程数据库，诸如在云托管的电子健康记录或电子病历系统中。
[0064]
用于检测的系统45包括一个或多个医学成像器46、处理器47、存储器50（例如，医疗记录数据库）和显示器49。附加的、不同的或更少的组件可以被提供。例如，在医学成像器46上和/或为处理器47提供用户接口或输入设备。在另一个示例中，网络或网络连接被提供，诸如用于将不同组件联网（例如，医学成像器46与处理器47联网和/或处理器47与存储器50联网）。
[0065]
存储器50、处理器47和/或显示器49是服务器、工作站或计算机的一部分。在一个实施例中，存储器50、处理器47和/或显示器49是服务器或工作站。存储器50可以是与处理器47相同的计算机或不同的计算机的一部分，诸如在云托管的电子健康记录或电子病历系统中。医学成像器46和处理器47位于不同的设施处，诸如彼此远离，或者位于相同的设施处。可替代地，处理器47是医学成像器46的一部分或处于与医学成像器46相同的设施（即，本地）处。
[0066]
存储器41和50是随机存取存储器、系统存储器、高速缓存存储器、硬盘驱动器、光学介质、磁介质、闪存驱动器、缓冲器、数据库、它们的组合或者其它现在已知或以后开发以用于数据的存储器设备。存储器41存储训练数据42、损失数据、正则化数据和/或机器学习模型44。例如，解剖学图像和用于图像的地面真值分类被存储为训练数据42。在一个实施例中，训练数据42是x射线图像，诸如胸片。存储器50存储患者信息（例如，一个或多个图像和临床数据）、机器学习模型48和/或输出检测。
[0067]
存储器41、50或其他存储器可替代地或附加地是存储数据的非暂时性计算机可读存储介质，该数据表示可由程序处理器43、程序处理器47和/或医学成像器46执行的指令。用于实现本文所讨论的过程、方法和/或技术的指令被提供在非暂时性计算机可读存储介
质或存储器上，诸如高速缓存、缓冲器、ram、可移动介质、硬盘驱动器或其他计算机可读存储介质。非暂时性计算机可读存储介质包括各种类型的易失性和非易失性存储介质。响应于存储在计算机可读存储介质中或计算机可读存储介质上的一个或多个指令集来执行图中所图示或本文中所描述的功能、动作或任务。功能、动作或任务与特定类型的指令集、存储介质、处理器或处理策略无关，并且可以由软件、硬件、集成电路、固件、微代码等等来执行，其单独操作或组合操作。同样，处理策略可以包括多处理、多任务、并行处理等。
[0068]
在一个实施例中，指令被存储在可移动介质设备上以供本地或远程系统读取。在其他实施例中，指令被存储在远程位置以通过计算机网络或通过电话线传送。在又其他实施例中，指令被存储在给定的计算机、cpu、gpu、张量处理单元（tpu）、神经处理单元、ai加速器或系统内。
[0069]
处理器43、47是通用处理器、控制处理器、数字信号处理器、专用集成电路、现场可编程门阵列、gpu、ai加速器、神经处理单元、tpu或用于机器训练模型44和/或用于应用机器学习模型48的其他硬件处理器。在一个实施例中，处理器43是计算机、工作站、服务器或被配置为机器训练的其他设备的一部分。处理器47是计算机、工作站、服务器或被配置为针对给定患者应用图像处理和/或应用机器学习模型48的其他设备的一部分。处理器43、47可以是计算设备的网络，诸如多个计算机或服务器。处理器43、47由软件、硬件和/或固件来配置。
[0070]
处理器43被配置为根据训练数据42进行机器训练。机器训练包括利用噪声和/或相关性正则化来计算损失。针对异常和/或异常之间的标签中的噪声通过使用正则化来抵消。专家阅读研究和/或异常和合并症的相关性被用来确定正则化的权重、函数或其他方面。利用正则化损失进行机器训练导致机器学习分类器或模型44。该经训练模型44或副本被提供给系统45以作为机器学习模型48用于检测。
[0071]
为了应用于给定患者，医学成像器46扫描患者和/或来自先前扫描的所存储的一个或多个图像从存储器50进行加载。医学成像器46是mr、ct、x射线、超声、核医学（例如，pet或spect）或其他扫描仪。在又其他实施例中，医学成像器46是多模态设备，诸如核医学和x射线或ct的组合。在又其他实施例中，侵入性、其他非侵入性或微创成像系统被使用。
[0072]
医学成像器46被配置为对患者进行扫描或成像。同一成像器46可以被用来在不同时间扫描不同患者。其他成像器46可以被用来扫描其他患者。医学成像器46被配置为将扫描数据输出到处理器47、存储器50和/或显示器49。扫描数据是在处理的任何阶段由扫描导致的数据。例如，从扫描生成的图像被提供。对于x射线系统，图像可以是胸片。医学成像器46提供图像数据作为由扫描导致的扫描数据，其具有针对生成图像的任何处理量。图像数据可以被格式化以用于显示（诸如rgb值），或者可以是扫描格式（例如，标量值）。
[0073]
处理器47被配置为将机器学习模型48应用于患者的图像。利用噪声和/或相关性正则化对机器学习模型48进行训练以检测图像中的异常。对于机器训练中使用的任何给定异常，噪声正则化考虑了训练数据42的地面真值标签中的噪声。相关性正则化考虑了机器训练中使用的训练数据42的不同类型异常之间的错误表征。处理器47被配置为将机器学习模型48应用于具有或没有其他数据（例如，患者的临床数据）的扫描数据。
[0074]
显示器49是监视器、lcd、投影仪、等离子显示器、crt、打印机或其它现在已知或以后开发以用于基于来自应用的检测来显示患者分类为具有或没有一个或多个异常的图像
的设备。显示器49位于医学成像器46、处理器47、医生的计算机或其他位置处。显示器49接收来自处理器47、医学成像器46或存储器50的输出。处理器47将数据格式化以用于显示（例如，映射到rgb值）并将图像存储在缓冲器中，配置显示器49。显示器49使用缓冲器中的图像生成用于查看的图像。
[0075]
来自机器学习模型48的输出被显示。分类可以与解剖学图像一起进行指示。图像包括图形、字母数字文本、解剖扫描、解剖学的编码空间表示和/或示出分类同时还示出或未示出解剖学或医学图像的组合。
[0076]
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下可以做出许多改变和修改。因此，前面的详细描述旨在被视为说明性的而非限制性的，并且应当理解，旨在定义本发明的精神和范围的是包括所有等同物的以下权利要求。