用于扫描仪内患者数据采集分析的改进的医学扫描方案的制作方法

本发明涉及一种用于扫描仪内患者数据采集分析的改进方法和装置。更具体地说，本发明涉及一种响应于一个或多个指标的扫描选择和采集的改进方法和装置。至少一个指标可以包括病理指示度量或定量参数。
背景技术：
一种用于使脑和其它身体区域成像的非侵入性技术是计算机断层摄影(CT)扫描，其组合从身体周围的不同角度拍摄的一系列X射线图像，并使用计算方法来创建体内的骨、血管和软组织的横截面图像(切片)。另一种技术是正电子发射断层摄影(PET)，其可用于产生身体内部的详细三维图像。PET扫描使用放射性示踪剂，所述放射性示踪剂是包含少量可在PET扫描中检测到的放射性材料的分子。它们被设计成积聚在癌性肿瘤或炎症区域中。也可以使它们与体内的特定蛋白结合。越来越优选的技术是结构磁共振成像(MRI)。MRI是一种用于检查身体的物理结构(例如，计算组织体积)的非侵入性技术。这对于监测组织损伤，特别是神经退行性疾病具有很高的价值。众所周知，MRI基于原子核的磁化特性。大而均匀的外部磁场使检查中的组织的水核内的蛋白质对齐。然后该对齐被外部射频(RF)信号干扰。核通过许多不同的弛豫过程回到静止对齐，在弛豫过程中发射RF信号。通过改变RF脉冲的发射和检测顺序，可以测量检查中的组织的不同特性。重复时间(TR)是施加到同一切片上的连续脉冲序列之间的时间量。回波时间(TE)是RF脉冲的递送和回波信号的接收之间的时间。许多MRI技术是可用的。T1加权和T2加权扫描是常见的。T1(纵向弛豫时间)是确定被激发的质子与所施加的外部磁场重新排列的速率的时间常数。T2(横向弛豫时间)是确定被激发的质子失去与具有垂直于所施加的外部磁场的自旋的核的相位相干性的速率的时间常数。T1加权图像以短TE和TR时间为特征。相反，通过使用较长的TE和TR时间来产生T2加权图像。越来越多使用的序列是流体衰减反转恢复(FLAIR)。FLAIR类似于T2加权图像，除了TE和TR时间很长之外。使用该方法，异常保持明亮，但是脑脊液稀释，因此在获得的图像中变暗。这种系统也被称作T2FLAIR扫描。扩散加权成像(DWI)是MRI的一种形式，它基于测量被测组织的体素(体积像素)内水分子的随机布朗运动。通常，高度细胞组织或具有细胞溶胀的组织表现出较低的扩散系数。扩散在肿瘤特征和大脑局部缺血中特别有用。对比度增强MRI(CE-MRI)和动态对比度增强MRI(DEC-MRI)也是可用的技术。在CE-MRI中，钆造影剂用于改善可用成像的清晰度。CE-MRI例如可以改善炎症、血管和肿瘤的可见性。DCE-MRI，在给药造影剂之后顺序地获取多个MR图像。这允许监测造影剂的对比(“洗入”和“洗出”)，从而能够改进对例如血管损伤和肿瘤的检测。更进一步的技术是梯度回波(GRE)MRI扫描。这是由单个RF脉冲结合梯度反转产生的。在RF脉冲之后，梯度波瓣的第一负部分引起进动自旋的相位色散。当反转该梯度时，自旋重新聚焦并形成梯度(回叫)回波。GRE扫描通常涉及短TR和短TE值，因此提供了快速信号采集。因此，GRE序列可以提供快速成像和MR血管造影技术。磁敏感加权成像(SWI)是3D高空间分辨率速度校正的梯度回波MRI序列，其使用具有顺磁性、抗磁性和铁磁特性的化合物。这样的顺磁性化合物包括脱氧血红蛋白、铁蛋白和血铁黄蛋白。抗磁性化合物包括骨矿物质和营养不良钙化。GRE的变体是磁敏感加权血管造影术(SWAN)。SWAN允许在一个序列中高分辨率地观察脑静脉和动脉，而不使用造影剂，并且扫描时间比其它排列明显缩短。涡轮自旋回波(TSE)(也称为快速自旋回波-FSE)是设计用于减少成像时间的常规自旋回波(SE)捕获技术的自适应。在标准SE序列中，在每个重复时间(TR)期间测量单个回波。在TSE中，在每个TR之后记录多个回波。这是通过以预定间隔发送一系列180度反相脉冲并根据不同的相位编码梯度记录相应的回波信号来实现的。这样，可以在单个90度脉冲之后对多个相位编码步骤进行编码。以上是一个非穷举列表，并且可以考虑其它技术。扫描可以涉及上述测试中的一个或多个。通常，这些技术被组合以在称为共配准或图像融合的过程中提供增强的医学数据。实际上，扫描仪是可用的，它能够在一次扫描中执行多种诊断方法；例如，单光子发射计算机断层摄影/计算机断层摄影(SPECT/CT)和正电子发射断层摄影/计算机断层摄影(PET/CT)单元能够同时执行多个成像检查。不管所使用的技术如何，现有的扫描装置都存在许多问题。患者扫描对于服务提供商来说是昂贵的，并且对于患者来说潜在地是不方便和紧张的。因此，希望最小化需要扫描的患者的次数。然而，通常采集患者扫描数据，并且当以后分析时，由于采集不正确或不足，或者由于质量控制缺陷，发现扫描数据在诊断过程中不可用，所述质量控制缺陷导致图像质量对于医学诊断目的太差。在这样的可能性中，患者以后必须被再次召回以进行进一步的扫描。这显然是不希望的，并且可能(例如，在使用PET的情况下，或者在利用造影剂的情况下)导致患者遭受额外的和不必要的风险。因此，在本领域中需要一种改进的方法，该方法降低患者被再次召回以进行进一步扫描的可能性，从而能够获得进一步的图像。存在的技术问题是，现有的用于扫描数据采集的方法太慢且不够自适应，从而不能在单个扫描会话期间获取所有必需的数据并防止采取不必要的扫描步骤。技术实现要素：在本发明的实施方式中解决了上述问题。下面描述和要求保护的本发明可以与所有上述技术一起使用，但不限于此。根据本发明的第一方面，提供了一种使用医学成像系统执行受试者的医学扫描的方法，该方法包括：a)启动医学扫描会话；b)在医学扫描会话期间使用医学成像系统执行第一图像采集序列，以获得第一图像扫描数据；c)使用计算机系统对在所述第一图像采集序列期间获取的第一图像扫描数据执行图像分析，以识别病理和/或图像质量的一个或多个定量指标；d)基于在步骤c)中对一个或多个定量指标的所述识别，使用计算机系统确定在所述医学扫描会话期间是否需要任何附加的图像采集序列；和，如果需要，则：e)基于一个或多个定量指标使用计算机系统来确定第二图像采集序列；和f)在医学扫描会话期间使用医学成像系统执行第二图像采集序列，以获得第二图像扫描数据。在一个实施方式中，第一图像扫描数据和/或第二图像扫描数据包括二维图像扫描数据。在一个实施方式中，第一图像扫描数据和/或第二图像扫描数据包括三维图像扫描数据。在一个实施方式中，第一图像扫描数据和/或第二图像扫描数据包括受试者的选择的身体部分的一个或多个图像。在一个实施方式中，第一图像扫描数据和/或第二图像扫描数据包括受试者的选择的身体部分的一个或多个2D和/或3D图像。在一个实施方式中，所述定量指标是从利用不相关图像扫描数据的先前训练过程中导出的。在一个实施方式中，使用分类器来执行步骤c)，并且所述一个或多个定量指标包括体素分类。在一个实施方式中，步骤c)还包括：g)从所述第一图像扫描数据生成体素分类图。在一个实施方式中，步骤g)还包括：h)将体素分类图聚合成第一图像扫描数据的总分类。在一个实施方式中，该方法还包括步骤：i)识别属于预定体素分类的体素分类图中的任何斑点；和j)将所述识别的斑点与预定阈值进行比较；和k)如果超过所述预定阈值，则识别潜在病理的阳性指示。在一个实施方式中，步骤i)包括：l)执行各向异性高斯斑点检测；各向同性高斯斑点检测和/或脊线检测中的一个或多个，以识别所述斑点。在一个实施方式中，计算机系统包括神经网络算法。在一个实施方式中，神经网络算法包括卷积神经网络算法。在一个实施方式中，神经网络算法包括U-网。在一个实施方式中，卷积神经网络包括编码部分和解码部分。在一个实施方式中，编码部分包括收缩路径，解码部分包括扩展路径。在一个实施方式中，编码部分包括多个卷积，每个卷积之后是经整流的线性单元和合并操作。在一个实施方式中，该方法还包括，在步骤a)之前：m)使用包含一组医学扫描元组的训练集来训练神经网络算法，以识别所述定量指标。在一个实施方式中，步骤m)包括使用相关的基本事实注释。在一个实施方式中，步骤c)可操作用于盲预测病理和/或图像质量的所述定量指标。在一个实施方式中，步骤c)不需要所述特定受试者的先前扫描图像数据。在一个实施方式中，第一图像采集序列包括多个不同的扫描类型。在一个实施方式中，医学成像系统包括MRI扫描仪，并且所述多个扫描类型选自T2FLAIR；DWI；3DSWI；T2*梯度回波和T1TSE的组。在一个实施方式中，步骤b)包括执行第一类型的第一图像扫描，随后执行第二类型的第二图像扫描。在一个实施方式中，在进行第二图像扫描的同时，对来自所述第一图像扫描的图像扫描数据执行步骤c)。在一个实施方式中，定量指标提供以下一种或多种潜在病理的指示：肿瘤(一般)；神经胶质瘤；肉芽肿；脓肿；出血；微出血；梗塞；局部缺血变化；脱髓鞘；赘生物；神经退行性疾病和脑积水。在一个实施方式中，步骤d)还包括：m)基于在步骤c)对病理的一个或多个所述定量指标的所述识别，使用计算机系统确定是否应当生成通知，如果是，则该方法还包括；n)在医学扫描会话期间，生成与所述识别的定量指标相对应的通知。在一个实施方式中，步骤d)还包括：m)基于在步骤c)对病理的一个或多个所述定量指标的所述识别，使用计算机系统确定是否应当生成通知，如果是，则该方法还包括；n)在医学扫描会话期间，生成与所述识别的定量指标相关联的可能病理相关的通知。在一个实施方式中，该通知在医学扫描会话期间被提供给医学成像系统的操作者和/或医学专业人员。在一个实施方式中，该通知指示对所述受试者的紧急治疗的可能需要。在一个实施方式中，步骤c)中识别的一个或多个定量指标提供以下中的一个或多个的指示：出血；微出血；或梗塞；涉及中风的紧急治疗。在一个实施方式中，该通知指示可能需要进行：溶栓治疗；血液稀释药物；或避免血液稀释药物的治疗。在一个实施方式中，步骤m)包括：o)将所述一个或多个识别的定量指标的一个或多个值与所述一个或多个识别的与正常健康受试者相关的定量指标的值和/或与已知病理相关的值相关联。根据本发明的第二方面，提供了一种使用医学成像系统执行受试者的医学扫描的方法，该方法包括：a)启动医学扫描会话；b)在医学扫描会话期间使用医学成像系统执行图像采集序列，以获得图像扫描数据；c)使用计算机系统对在所述图像采集序列期间获取的图像扫描数据进行图像分析，以识别病理的一个或多个定量指标；d)基于在步骤c)中对病理的一个或多个所述定量指标的所述识别，使用计算机系统确定是否应当生成通知，如果是，则该方法还包括：e)在医学扫描会话期间，生成与所述识别的定量指标相关联的可能病理相关的通知。在一个实施方式中，该通知在医学扫描会话期间被提供给医学成像系统的操作者和/或医学专业人员。在一个实施方式中，该通知指示对所述受试者的紧急治疗的可能需要。在一个实施方式中，步骤c)中识别的一个或多个定量指标提供以下中的一个或多个的指示：出血；微出血；或梗塞；涉及中风的紧急治疗。在一个实施方式中，该通知指示可能需要：溶栓治疗；血液稀释药物；或避免血液稀释药物的治疗。在一个实施方式中，步骤c)还包括：f)使用计算机系统对在所述图像采集序列期间获取的图像扫描数据执行图像分析，以识别图像质量的一个或多个定量指标。在一个实施方式中，步骤d)还包括g)基于在步骤c)中对一个或多个定量指标的所述识别，使用计算机系统确定在所述医学扫描会话期间是否需要任何附加的图像采集序列；和，如果需要，则：h)基于所述一个或多个定量指标使用所述计算机系统来确定第二图像采集序列；和i)在所述医学扫描会话期间使用所述医学成像系统执行第二图像采集序列，以获得第二图像扫描数据。在一个实施方式中，第一图像扫描数据和/或第二图像扫描数据包括二维图像扫描数据。在一个实施方式中，第一图像扫描数据和/或第二图像扫描数据包括三维图像扫描数据。在一个实施方式中，使用分类器来执行步骤c)，并且所述一个或多个定量指标包括体素分类。在一个实施方式中，步骤c)还包括：j)从所述图像扫描数据生成体素分类图。在一个实施方式中，步骤g)还包括：k)将体素分类图聚合成图像扫描数据的总分类。在一个实施方式中，还包括以下步骤：l)识别属于预定体素分类的体素分类图中的任何斑点；和m)将所述识别的斑点与预定阈值进行比较；和n)如果超过所述预定阈值，则识别潜在病理的阳性指示。在一个实施方式中，计算机系统包括神经网络算法。在一个实施方式中，神经网络算法包括卷积神经网络算法。在一个实施方式中，神经网络算法包括U-网。在一个实施方式中，在步骤a)之前还包括：o)使用包含一组医学扫描元组的训练集来训练神经网络算法，以识别所述定量指标。在一个实施方式中，步骤o)包括使用相关的基本事实注释。在一个实施方式中，步骤c)可操作用于盲预测病理和/或图像质量的所述定量指标。在一个实施方式中，步骤c)不需要所述特定受试者的先前图像扫描数据。在一个实施方式中，图像采集序列包括多个不同的扫描类型。在一个实施方式中，医学成像系统包括MRI扫描仪，并且所述多个扫描类型选自T2FLAIR；DWI；3DSWI；T2*梯度回波和T1TSE的组。在一个实施方式中，步骤b)包括执行第一类型的图像扫描，随后执行第二类型的第二图像扫描。在一个实施方式中，在进行第二图像扫描的同时，对来自所述图像扫描的图像扫描数据执行步骤c)。在一个实施方式中，医学成像系统包括MRI扫描仪，并且所述图像扫描数据由磁共振成像(MRI)产生。在一个实施方式中，医学成像系统包括MRI扫描仪，并且通过使用选自T1加权和T2加权MRI扫描；FLAIR扫描；扩散加权成像(DWI)；对比度增强MRI(CE-MRI)；动态对比度增强MRI(DEC-MRI)；梯度回波(GRE)；磁敏感加权成像(SWI)；和涡轮自旋回波(TSE)的组中的一种或多种技术的磁共振成像(MRI)来产生所述图像扫描数据。在一个实施方式中，医学成像系统包括CT扫描仪，并且所述图像扫描数据包括计算机断层摄影(CT)数据。在一个实施方式中，医学成像系统包括PET扫描仪，并且所述图像扫描数据包括PET数据。在一个实施方式中，第一方面的步骤a)至f)和第二方面的步骤a)至e)都在受试者停留在医学成像系统中的同时执行。在一个实施方式中，(第一)图像扫描数据和/或第二图像扫描数据涉及对受试者身体的部分成像。在一个实施方式中，(第一)图像扫描数据和/或第二图像扫描数据涉及对受试者的脑成像。在一个实施方式中，步骤c)和/或步骤f)还包括执行第一图像扫描数据的颅骨剥离，以获得脑组织和脑脊液的体素图。在一个实施方式中，所述颅骨剥离由神经网络算法执行。在一个实施方式中，使用包含一组图像扫描元组的训练集来训练所述神经网络算法，以识别和去除所述第一图像扫描数据和/或第二图像扫描数据的颅骨部分。根据本发明的第三方面，提供了一种计算机系统，其包括被配置为执行第一方面或第二方面的方法的处理设备。根据本发明的第四方面，提供了一种包括指令的计算机可读介质，所述指令在被执行时被配置为执行第一方面或第二方面的方法。根据本发明的第五方面，提供了一种计算机系统，包括：第三方面的处理设备、存储设备和计算机可读介质。附图说明现在将参考附图详细描述本发明的实施方式，其中：图1示出了构成本发明的一部分的示例性计算机系统100；图2示出了在扫描序列工作流程的上下文中的图1的计算机系统100；图3示出了U-网神经网络的示意性布置；图4示出了本发明方法的流程图；图5示出了1级扫描采集过程的示意性工作流程；和图6示出了包括2级和随后的扫描采集的扫描采集过程的示意图。具体实施方式在本发明的实施方式中，本发明涉及一种新型的非侵入式医学成像处理应用，其用于来自一组磁共振(MR)图像的候选发现的自动标记和可视化。输出由用定量指标标记的候选病理的可视化组成。用户需要使用所提供的工具来验证候选发现。本发明旨在向受过训练的医学专业人员提供用于评价和评估MR图像的补充信息，并帮助受过训练的医学专业人员确定用于诊断的合适的附加MR序列和确定优先化的工作流程。本发明涉及一种对路由数字成像和医学中的通信(DICOM)图像进行工作的后处理工作站或云解决方案。根据本发明的实施方式的智能协议可操作用于对在扫描期间获取的数据进行分类，并向医学专业人员提供关于是否建议任何进一步扫描以及建议进行哪些扫描的指示。换言之，智能协议是一个可配置项，其对于给定的医学扫描的输入元组输出推荐的下一个动作(例如，新扫描)。该配置是上下文特定的。本发明的一个独特特征是该方法不需要患者的病史或先前的扫描数据的先前知识。因此，本发明可用于第一次扫描的患者，或者可对不同于先前扫描的医学并发症进行调查的患者。智能协议被实现为决策树，并且在该树中的每个节点处的决策由算法自动进行。该方法包括识别扫描数据中感兴趣的参数的机器学习算法。这些参数通过训练过程来识别，该训练过程能够通过指示一个或多个病理或图像质量的一个或多个定量指标或者参数对图像中的特定特征进行分类。如此训练，该计算过程可以在医学扫描会话期间识别指示特定病理和/或图像质量的定量指标或参数，并推荐可能需要的任何附加扫描序列，和/或在特定实施方式中提供定量指标，该定量指标提供可能需要医学专业人员立即诊断和/或治疗的病理的可能指示。这是对需要在扫描会话完成之后由医学专业人员进行扫描数据分析的已知装置的显著改进。图1示出了构成本发明的一部分的示例性计算机系统100。图2示出了在扫描序列工作流程的上下文中的图1的计算机系统100。本发明涉及一种医学成像系统10。该医学成像系统10包括计算机系统100。计算机系统100可以采取任何合适的形式，并且可以包括，例如，远程计算机、基于云的计算系统、本地工作站或医学成像系统控制台。计算机系统100包括一个或多个处理器102，计算机可读物理存储器104和诸如硬盘驱动器或固态驱动器的非瞬时存储设备106。存储设备106可以采取任何合适的形式，并且可以包括计算机系统100本地的存储设备和/或计算机系统100外部的存储设备。提供接口110以使计算机系统100能够与医学成像系统10中的其它组件通信，计算应用110在计算系统上运行，并且可操作以使计算机系统100执行本发明的方法。如下所述，计算应用包括分类器112和分类器数据库114。图像处理器116还可操作用于与分类器112交互，如下所述。计算应用110可操作用于通过接口108与医学成像设备118通信，在该实施方式中，医学成像设备118采用MRI扫描仪的形式。然而，这并不意味着是限制性的，可以使用其它类型的扫描仪，例如CT或PET，或它们的组合。接口108和扫描仪116以图像归档和通信系统(PACS)的形式与存储设备120进行数据通信。PACS120是用于医学成像的工业标准设备和格式。然而，这并不意味着是限制性的，可以使用其它配置。PACS120可操作用于处理数字成像和医学通信(DICOM)格式的图像和其它数据。然而，也可以使用其它专有或非专有格式。读取站122与PACS120通信，并且可以由执业医师用来读取、解释和分析图像数据。值得注意的是，在该实施方式中，计算机系统100通过放射科医师信息系统或医院信息系统(HIS)进行通信，如124所示。然而，这对于本发明并不重要，其它系统也可以适当地使用。现在将参考图3至图6描述本发明的操作方法。总之，本发明包括一种控制和分析方法，其对于给定的医学扫描的输入元组输出推荐的下一个动作(例如，执行新的扫描)。该配置是上下文特定的，并且由门诊提供以使用智能协议。该智能协议被实现为决策树，并且在该树中的每个节点处的决策由算法自动进行。步骤200：提供算法分类器114包括一种机器学习算法，在一实施方式中，该算法利用来自U-网深度学习算法的聚集的每个体素分类(voxel-wiseclassification)来进行医学图像分割，如参考文献[1a]所述。然而，这并不意味着是限制性的，其它体素级分类器也可以在其位置使用。深度神经网络的构建块是人工神经元或节点。每个输入具有相关联的权重。然后将所有加权输入之和通过非线性激活函数f，以将神经元的预激活水平转换为输出。然后，该输出用作到下一层中的节点的输入。几个激活函数是可用的，它们在如何将预激活水平映射到输出值方面是不同的。最常用的激活函数是整流函数(其中使用它的神经元被称作整流线性单元(ReLU))、双曲正切函数、S型函数和柔性最大值传输函数(softmaxfunction)。后者通常用于输出层，因为它可以计算多类标签的概率。对于第一隐藏层中的每个模式j，非线性函数被应用于加权的输入之和。该变换的结果用作第二隐藏层的输入。该信息通过网络传播到输出层，其中柔性最大值传输函数产生属于每类的给定观察的概率。通常，卷积网络被用于分类任务，其中对图像的输出是单个类别标签。然而，在许多视觉任务中，特别是在生物医学图像处理中，期望的输出应当包括定位，即分配给每个体素的类别标签。在一个示例性实施方式中，U-网算法的网络体系结构示于图3中，并且取自参考文献[1a]。该算法对应于卷积神经网络(CNN)，包括编码部分和解码部分。编码侧包括收缩路径(如左侧所示)，解码部分包括扩展路径(如右侧所示)。收缩路径遵循卷积网络的典型体系结构，并由两个3×3卷积的重复应用组成，每个3×3卷积之后是一个整流的线性单元(ReLU)和一个2×2最大合并操作，其中跨距2用于下采样。在每个下采样步骤中，特征信道的数量增加一倍。扩展路径中的每个步骤包括特征图的上采样，随后是将特征信道的数量减半的2×2卷积(“上卷积”)，与来自收缩路径的相应剪裁的特征图串联，以及两个3×3卷积，每个卷积后面跟随一个ReLU。在实施方式中，如果使用U-网算法的CNN被用作分类器114，则这可以包括不同的形式。例如，可以使用与上述实施例不同的参数的常规3DU-网。可以使用任何适当数量和尺寸的卷积，具有任何适当的内核尺寸和跨距尺寸。例如，可以使用1跨距。在非限制性实施例中，ReLU可以包括：SoftPlus近似值；有噪声的ReLU(包括高斯噪声)；泄漏的ReLU(当ReLU不活动时，其允许小的正梯度)；参数ReLU(其中泄漏的ReLU内的泄漏系数是网络的学习参数)；和/或指数线性单元(ELU)。最后，汇集层可以利用具有任何合适的滤波器和跨距尺寸的最大汇集。可以使用常规U-网算法的替代方案。例如，可以另外使用可变自动编码器(VAE)。VAE的实例在参考文献[1b]中描述。作为另一替代方案，可以使用级联的U-网VAE，其中两组U-网VAE模型被互接，使得第一U-网的输出被串连到输入图像并被馈送到第二U-网。实例参见参考文献[1c]。步骤202：训练算法在深度机器学习神经网络解决方案的上下文中，分类涉及两个主要步骤。在第一步骤中，训练阶段，被称为训练集的可用数据子集被用于优化网络的参数以执行期望的任务(分类)。该模型可以在没有任何预训练的情况下从头开始训练。在第二步中，所谓的测试阶段，即已知为测试集的剩余子集被用于评估训练的模型是否能够盲预测新观察的类别。当可用数据量有限时，也可以在原始数据的不同训练和测试分割上多次运行训练和测试阶段，然后估计模型的平均性能-称为交叉验证的方法。本发明的算法使用训练集来训练，以将医学扫描中的每个体素分类为几个候选类别之一，所述训练集包含具有相关联的基本事实注释的一组医学扫描元组。这些可以来自任何合适的图像采集技术或方法。利用多个输入图像形成包含具有相关联的基本事实注释的一组医学扫描元组的训练集，以将医学扫描中的每个体素分类为几个候选类别之一。数据可以被预处理。例如，可以重新采样输入图像以获得各向同性体素尺寸。为了解决诸如梗塞分割的问题，可以重新采样扩散序列，使得图像首先是各向同性的，然后可以将流体衰减反转恢复(FLAIR)和/或磁敏感加权成像(SWI)序列重新格式化到重新采样的扩散空间。然后可以计算表观扩散系数。以类似的方式，对于出血分割的问题，可以使用SWI空间。在重新采样之后，图像可以被z-归一化，并被馈送到神经网络以用于训练和推理。在使用例如Otsu中值滤波重新采样之后，数据可以被裁剪到非零值的区域。以上实例是示例性的和非限制性的。本领域的技术人员很容易知道可以与本发明一起使用的其它输入图像和/或预处理方法。另外，通过使用数据增强的人工扩展来改进U-网训练。在有限的输入图像可用的情况下，这种数据增强可能是所希望的，以使网络能够被充分地训练。可以使用多个变换来增加训练图像的数据集。例如，可以使用基于随机速度场的变换来扩展输入图像[2]。另外或供选择地，变换的随机选择(其可以不包括增强或变换)可以用于每个训练步骤。如此变换的输入图像可以用成本函数加权，该成本函数具有用于说明差异和伪像(artifact)的预定因子。在一实施方式中，预定因子是0.75和伪像。可以使用可替换的变换，并且这些变换可以包括以下中的一个或多个：旋转、弹性变换、高斯噪声、高斯模糊、对比度、伽马校正和镜像。对于具有VAE分支的模型，由于图像重建规则化，仅可以使用强度变换。最后，图像的后处理可用于改进图像分类性能。在实施方式中，形态学滤波可用于去除图像中的随机预测。对于体系结构选择，可以去除小于特定尺寸的斑点。在实施方式中，可以移除小于5mm3的斑点。也可以使用其它尺寸。例如，可以通过去除小于125mm3的斑点来优化分类性能。分类器112使用分类器数据库114中的图像的训练集来训练。通常，分类器112通过在一个实例(一组自变量值)中获取特定特征(回归中的自变量或预测符)的值来起作用，并预测该实例所属的类别(因变量)。在本医学成像上下文中，所述特征包括体素(体积像素)，并且所述类别可以指示特定的可能病理。分类器112需要从数据库114中的训练数据中学习多个参数。分类器本质上是训练集中的特征和类别标签之间的关系的模型。更正式地，给定实例x，分类器是预测标签的函数f。典型地，神经网络可以通过基于梯度下降的算法进行学习。梯度下降算法的目的是找出使估计输出和真实输出之间的误差(差)最佳地最小的网络权重值。应该注意的是，这些方法本身不是实际的分类器；相反，它们是被预训练以学习数据中有用的模式，然后被馈送到最终层的真实分类器的网络。在示例性实施方式中，使用输入图像的训练集和相应的分割图以随机梯度下降法来训练算法网络。下面是根据参考文献[1a]的一般例子。能量函数由在与交叉熵损失函数相结合的最终特征图上的每个体素柔性最大值传输函数(soft-max)来计算。柔性最大值传输函数定义如方程1)中所述：1)其中ak(x)表示在像素位置x∈Ω的特征信道k中具有的激活，k是类的数量，pk(x)是近似的最大函数，即对于具有最大激活ak(x)的k值，pk(x)≈1，对于所有其他k，pk(x)≈0。然后，交叉熵在每个位置补偿p`(x)(x)与1的偏差，如下面的2)：2)其中l：Ω→{1,...,K}是每个像素的真实标签，w：是引入的权重图，以在训练中给予一些像素更多的重要性。为每个基本事实分割预先计算权重图，以补偿来自训练数据集中某一类别的像素的不同频率，并迫使网络学习在相邻测试单元之间引入的小分离边界。然后根据方程式3)计算权重图：3)其中wC：是平衡类频率的权重图，d1：表示到最近单元边界的距离，以及d2：为到第二最近单元边界的距离。在具有许多卷积层和通过该网络的不同路径的深度网络中，正确地初始化权重是重要的，否则该网络的部分可能会给出过度的激活，而其它部分则永远不会贡献。理想地，初始权重应当被适配为使得网络中的每个特征图具有近似的单位方差。对于具有交替的卷积层和ReLU层的网络，这可以通过从具有标准偏差√2/N的高斯分布中提取初始权重来实现，其中N表示一个神经元的传入节点的数目。例如，对于前一层中的3×3卷积和64个特征信道，N＝9·64＝576。然而，可以使用可选的方法。在一实施方式中，使用骰子作为损耗函数来训练U-网或类似的神经网络。在一个实例中，可以在所有层上使用1e-6的核权重规则化。可以使用在功能上类似于参考文献[1d]的骰子损失函数，该骰子损失函数如方程式[1d]所示：4)其中u是预测的分割，v是基本事实，k是类的数量。预测的分割和基本事实都是一键编码的。S型函数(Sigmoid)被用作激活函数。在一实施方式中，可以通过使用诸如自适应时刻估计或Adam的自适应学习速率法来实现优化。Adam过程利用梯度的第一和第二时刻的估计来适应神经网络的每个权重的学习速率。在一实施方式中，使用学习速率为1e-1的Adam方法作为优化器。在实施方式中，该模型可以训练100个时期，其中一个时期包括750个步骤。在非限制性实施方式中，如果在前10个时期的验证骰子中没有增加，则可以使用学习速率调度器来将学习速率降低5％。然后可以使用具有最佳总体验证骰子的时期来最终推断。然后，验证骰子得分由两个得分组成：a)前景的总骰子，和b)仅对具有前景的图像进行骰子。这两个骰子得分的平均值构成总骰子。虽然可以使用其它方法并且这种配置是非限制性的，但是这种组合具有以下优点：存在具有扩散病理的大量非前景图像，这可能导致大量假阳性。步骤204：测试算法一旦被训练，分类器就可以用于确定所使用的特征是否包含关于实例的类别的信息。通过在测试数据的不同集合上使用所学习的分类器来测试该关系。在本实施方式中，基于T2加权流体衰减反转恢复(FLAIR)、扩散加权成像(DWI)和磁敏性加权血管造影(SWAN)或梯度回波(GRE)MRI序列的元组来进行脑MRI中梗塞的识别。分类器114使用由内部放射医师注释的医学扫描中的手动注释的发现来训练。通过参考已经存在的临床报告和放射学发现来注释医学扫描，并注释与扫描中的这些发现相对应的体素。分类器114的技术可行性是通过计算DICE与同一内部放射医师对不属于训练集部分的医学扫描所做的注释重叠来调查的。分类器114的临床可行性是通过根据临床报告计算对于已知的放射学发现的受试者水平的每个发现(一对多)敏感性和特异性来调查的。临床可行性说明了分类器114作为用于本方法的决策算法的能力。分类器114对29名受试者(16名患有梗塞，13名患有出血)进行训练。经训练的分类器114作为技术评价使用4名患有梗塞的独立受试者，临床评价使用80名独立受试者(60例患有梗塞，20例无发现)。结果示于下表1中。骰子梗塞0.7603背景0.9983无发现表1一旦构成分类器114的算法已经被充分地测试，分类器114可以被用作辅助自动扫描会话的一部分，如下参照图4至6所述。步骤250：准备扫描会话在步骤250，扫描仪为扫描做好准备。这可以包括确定受试者的身体区域的特定部分所需的扫描序列和方案。这可以自动导出，或者执业医师可以指定特定的扫描序列。在一实施方式中，计算应用110可以基于扫描序列的初始输入来计算被认为是特定患者可能需要的通过扫描序列的最可能路径。这也可以由其它数据通知，例如经验数据。例如，患者记录的语义或自然语言分析，给定身体部分的最常见病理的经验知识，或其它数据可用于通知初始“最佳推测”。这充当用于随后的分析或进一步的扫描序列的占位符。以下示例性实施方式涉及脑扫描。然而，这并不是限制性的，原则上可以使用所述方法扫描身体的任何合适的身体部分或区域。步骤252：执行第一扫描序列在步骤252，执行第一扫描序列。在该实施方式中，第一扫描序列包括多个不同的图像采集序列，其构成第一或1级扫描序列的一部分。注意，在该实施方式中示出和描述的序列的以下顺序可以适当地改变，并且可以适当地使用不同的顺序或不同的扫描技术。在该实施方式中，第一扫描序列包括以下技术：T2FLAIRDWI3DSWIT1TSE选择这些技术以提供以下潜在病理的粗略指标：·肿瘤(一般)·神经胶质瘤(最流行的肿瘤类型)·肉芽肿·脓肿·出血·微出血·梗塞·局部缺血变化·脱髓鞘·赘生物·脑积水可以基于重要性来确定所获取的序列的顺序。例如，如果在3D中获得T2FLAIR和SWI，则重新格式化的FLAIR可用于评估与脑积水相关的导水管狭窄，SWI可用于评估钙化和出血/血沉淀蛋白(铁)。因此，对于以上列出的潜在病理的粗略指标，不需要其它序列。图5示出了在1级扫描序列期间图像采集的时间序列的流程图。如图所示，最初使用定位器20-30秒。然后，进行T2FLAIR扫描采集，该过程大约花费3-5分钟。如此获得的数据经由DICOM路由器从扫描仪118经由接口108发送到计算设备100。下一次扫描采集是持续大约2分钟的DWI扫描过程。与该扫描同时，由图像处理器116执行图像处理，并且还发生使用分类器112的分类。这将在下一步骤中描述，尽管在时间上步骤252和254可以同时或至少部分同时发生。有利地，可以在DWI序列结束之前获得来自T2FLAIR过程的扫描解释数据。一旦该扫描完成，数据通过DICOM路由器被发送到图像处理器116和分类器112，用于处理和识别潜在的病理。根据该实施方式的1级扫描采集中的下1级是SWI扫描的确定。这通常需要大约3-4分钟。如果需要，还可以执行T1TSE形式的进一步扫描(在时间线图中未示出)。注意的是，对于每个扫描采集，获得图像扫描数据。这可以包括任何合适的形式；例如，扫描数据可以包括单个图像、多个图像的图像数据或图像数据和元数据的组合。图像扫描数据可以包括二维图像(或者直接作为二维图像获得，或者作为从三维数据获得的二维图像获得)或者三维图像。可供选择地，图像扫描数据可以包括数据和元数据，该数据和元数据不是直接与图像相关，而是用于形成受试者的身体部分的图像。步骤254：图像分析和分类如步骤252中所指出的，步骤254可以与步骤252同时进行，从而可以在1级扫描序列完成之前提供图像分析和分类的结果。这使得在1级和2级之间的转换能够有效地无缝。如上所述，分类器112的U-网算法被训练以将医学扫描中的每个体素分类为几个候选类别之一。当执行1级扫描序列时，分类器112和图像处理器116将每个测量中的所有医学扫描作为元组输入，并产生体素分类图作为输出。该方法可以包括体素分类步骤，其中对每个结构进行感兴趣区域分析和特征选择。在这个实例中，一旦在步骤252获得T2FLAIR数据集元组，就对这些数据集进行处理以产生体素分类图。然后将体素分类图聚集成医学扫描元组的总体分类(即存在一个或几个发现或不存在发现)。这是通过处理每种类型的发现的体素分类图来实现的，并且如果识别出候选发现，则元组被标记为存在该发现。该处理使用连接的组件算法来识别属于某个类别的斑点(或缺陷)，并且如果最小识别的斑点在阈值之上，则认为是阳性结果，并且元组被标记。发现特异性阈值被预先确定为建立特定方案的一部分，并且可以根据需要来确定。可以以多种方式分析缺陷。例如，可以在体素分类图上使用特征检测来识别指示特定病理的缺陷。此外，还可以对与图像质量问题相关的缺陷进行表征和标记。或者，在实施方式中，这包括执行各向异性高斯斑点检测，如以上示例性实施方式中所述。可以使用另外的替代方法。例如，各向同性高斯斑点检测和/或脊线检测可以应用于体素分类图，以识别指示在训练过程中标记的特定病理的缺陷。步骤256：确定下一步骤基于步骤254中医学扫描元组中的标记发现，确定是否需要任何其它序列。可选地或附加地，确定经由步骤254的分析识别的任何潜在病理是否可能需要由医学专业人员立即诊断和/或治疗。如果后一种情况适用，则下一步骤可包括提供所识别的可能病理的通知，以便在扫描会话期间由医学专业人员进行紧急的诊断和/或治疗，如下文在步骤260中所述。要选择的下一步骤取决于在步骤254的分析所指示的潜在病理。下面列出了可由本发明标记的病理和那些病理的潜在指标的非穷举列表：1)肿瘤：T2FLAIR：通常为高强度；T1：通常为低强度；扩散：实体部分的限制；GRE：如果出血，则为低强度；GD增强：通常为实体部分2)肉芽肿：T2FLAIR：低强度(结核瘤)；T2FLAIR：偏心结节(NCC-神经元囊肿)扩散： /-；GRE：如果钙化，则为低强度；GD增强：外周3)脓肿：T2FLAIR：低强度；T1：低等强；扩散：中心限制；GD增强：外围厚度4)梗塞5)局部缺血变化：T2FLAIR：高强度；1：低等强度；GRE：可与微出血有关。6)脱髓鞘：T2FLAIR：高强度；T1：低等强度；扩散：限制性 /-GRE：-GD增强：边缘/实体斑块样/断裂环。7)脑积水：T2FLAIR：心室周围合流性高强度 /-；T1： /-；扩散：-；GRE：-GD增强：软脑膜增强 /-8)出血超急性急性亚急性慢性T2低强度高强度高强度高强度FLAIR低强度高强度高强度高强度T1等强度高强度高强度低强度扩散限制 /- /---GRE /-低强度低强度低强度9)微出血：T2FLAIR：-T1：-扩散： /-GRE：是(在3DGRE上更好)基于上述和从1级扫描获取过程中的分析得出的所述指示，可以确定下一步骤。如上所述，基于1级扫描采集，T2FLAIR和DWI提供8/10种病理(出血和微出血除外)存在的粗略指标。在步骤256，采取步骤来确定在造影剂增强或没有造影剂增强的情况下需要什么后续序列。如果没有发现T2或SWI来近似10/10的病理诊断。如果是指示梗塞的定量指标，确定脑中的微出血和/或出血，则下一步骤可以包括将所识别的可能病理通知给医学专业人员，以便在扫描会话期间可以紧急的进行诊断和/或治疗，这将在下面的步骤260中描述。这一步骤有两个可能的结果：如下所述，什么都没有发现或发现某物。步骤258：什么都没有发现如果在步骤256没有确定潜在病理的指标，则该过程可以终止。然而，可选地，基于临床转诊的自然语言分析，计算应用110可以建议结束检查，或者可以根据严重程度继续进行附加的序列。步骤260：发现某物如果在步骤256识别出潜在病理的阳性指示，则基于学习算法，计算应用110可以建议采取什么其它动作，以便细化和证实使执业医师能够达到诊断所必需的附加图像材料。潜在的下一个序列的列表如图6所示。简要列出地下面的序列已作为上述识别的2级病理的进一步测试得出。如图6所示，可用序列为：赘生物、肿瘤(包括神经胶质瘤)和脓肿：T1TSE 3DT1MPR_GD (SOS灌注_GD 光谱GD)肉芽肿：T1TSE 3DT1MPR_GD梗塞：T2TSE TOF血管造影术或PC静脉造影术(基于DWI结果)局部缺血改变/微出血：3DT1MPR T2TSE SWI T1TSE TOF血管造影术或PC静脉造影术(基于NLP结果)脱髓鞘：T2TSE T1TSE T2sag(全脊柱筛查) 3DT1MPR_GD髓鞘异常：T2TSE T2sag(全脊柱筛查) 光谱出血：T2TSE T1TSE T2*/SWI TOF血管造影术或PC静脉造影术(基于T2FLAIR和DWI结果)先天性异常(未在医学报告中提及)：T2TSE 3DT1MPR发现的不确定异常：继续基于NLP分析的序列一旦完成了2级扫描，该过程进行到3级。在第3级，该过程结束，除非在2级扫描中识别出一些另外的病理，在这种情况下可以进行进一步的扫描。另外，如果在步骤256识别出可能病理的阳性指示，那么，基于学习算法，计算应用110可以建议进一步扫描的附加或替代动作。例如，如果在步骤256识别出可能病理的阳性指示，则可以在医学扫描会话期间提供通知。换言之，在医学扫描会话期间，当受试者仍然在医学成像设备118中时，可以指示与可能病理相关，对应于可能病理或指示可能病理的通知。可以以任何适当的方式提供该通知。例如，它可以被提供为可听信号，或者它可以被提供在一个显示器上或多个显示器上。该通知可以被提供给医学专业人员或医学成像设备10的操作者。在实施方式中，该通知可以指示对所述受试者的紧急治疗的可能需要。因此，该通知可以向医学专业人员或操作者提供指示或信息，然后医学专业人员或操作者可以使用该指示或信息来做出关于当受试者在医学成像设备118中时是否需要对该受试者进行紧急治疗的适当诊断。在实施方式中，一个或多个定量指标可以提供以下中的一个或多个的指示：出血；微出血；或者梗塞，在这种情况下，适当的通知可以向医学专业人员指示受试者中可能存在中风，然后医学专业人员可以诊断所需的病症和治疗。在实施方式中，该通知可以指示可能需要进行以下处理：溶栓处理；血液稀释药物；或避免使用血液稀释药物的治疗。通过提供对这种治疗的可能需要的指示，本发明提供了一种通知，该通知警告和便于执业医师对仍在医学成像设备118中的受试者进行快速诊断和相应的适当治疗。可以使用上述通知和对随后扫描的建议的组合，并且本领域技术人员可以容易地想到这些组合。实验例实施例1在实施例1中，评估适用于本发明方法的不同编码器-解码器体系结构，其试图在医学图像分割的两个不同任务上使用一组超参数：a)中风病变分割和b)出血分割。实施例1：数据本研究共考虑了997名受试者。所有研究具有以下序列：流体衰减反转恢复序列(FLAIR：平均形状(512；512；20)和平均体素尺寸(0.46mm；0.46mm；7mm)，扩散加权图像序列(DWI：平均形状(256；256；20)和平均体素尺寸(1.05mm；1.05mm；7mm)，以及磁敏感加权成像序列(SWI)与T2*梯度回波序列(GRE)(SWI/GRE：平均形状(512；512；72)之一和平均体素尺寸(0.46mm；0.46mm；2mm))。在第一个数据集(数据集-A)中有156例梗塞，67例出血，其余为正常病例和其它病理病例的混合(20％用于性能评估)。数据集-A用于模型选择。一旦选择了一个体系结构，则使用另一个数据集(具有相同的人口统计)来训练和评估所选择的体系结构的多类版本。第二个数据集(数据集-B)总共有773例(125例肿瘤，135例出血，189例出血)。其中98例被保留用于验证和报告分类性能。在这个实施例中考虑了三种模型。所有模型具有如上所述的U-网的相同基础网络。对模型进行如下的附加修改：实施例1-13DU-网，具有编码器-解码器结构，在编码器和解码器的匹配标度之间具有跳转连接。使用两个卷积层(每个12个滤波器)，每个卷积层在输入端和U-网之间具有丢弃(dropout)(0.25％速率)。编码器中的每个标尺表示一个大小为2的最大合并层，并且在解码器中表示上采样层。三线性插值用于上采样。在两个标尺之间，使用两个卷积层，接着使用实例标准化层。每个卷积层都配备了泄露的ReLU(负斜率1e-2)。使用192×192×192的补丁大小。在第一层中使用12个滤波器，然后在编码器中使用24，48和56个滤波器。在解码器中使用相似数量的滤波器，但顺序相反。所有的卷积都以内核大小为3和跨距为1来执行。最后，使用S型函数(Sigmoid)激活函数将模型(logits)转换为属于前景和背景的概率。实施例1-2U-网VAE在该模型中，与参考文献[1b]中所公开的大致对应的是用于调整潜在空间的变分自动编码器(VAE)。VAE分支从编码器的最后一层开始。编码器的第一层产生从其采样32维矢量的正态分布的平均值和标准偏差。然后，矢量被用于重构输入。然后将采样的矢量层连接到与编码器的最后一层相匹配的尺寸层。随后，使用具有内核大小为1的四个卷积层和四个上采样(因子2)层来重构输入。实施例1-3-级联U-网VAE使用具有与实施例1-3相同体系结构的两组U-网VAE模型。第一U-网的输出被连接到输入图像并被馈送到第二网络。在第一U-网中，通过在输入端的缩放层将输入图像缩放0.5倍。然后将输出层按2倍缩放以匹配输入的大小。网络被顺序地训练。注意的是，当训练第二网络时，第一网络是固定的。在训练第二模型时，仅使用第一模型的U-网部分，并且由于VAE分支在推理过程中对分割没有任何影响而丢弃VAE分支。网络的选择仅使用出血和梗塞数据集来找到正确的体系结构。一旦进行了模型之间的比较，则使用最佳体系结构来训练多类网络，即每个网络具有靶标，该靶标具有多个标记(肿瘤、梗塞和出血)而不是二进制标记。训练三个这样的网络。每个网络分别用于分割出血、肿瘤和梗塞。换言之，模型出血仅用于提取出血分割，即使所有三个分割都可以从同一网络获得。如上所述，训练是按照上面有关骰子损失函数和使用Adam的优化进行的。实施例1：结果从两个方面评价模型：a)骰子得分，和b)使用敏感性和特异性得分的检测能力。实施例1的表1总结了数据集A上的梗塞分割的结果，实施例1的表2总结了数据集A上的出血分割的结果。以粗体突出显示最佳执行方法。在两个问题语句中，基线U-网模型优于其它两个模型。实施例1的表3、表4示出了具有较大斑点大小阈值的数据集-B上的性能。从证据可以看出，多类变异仅有助于出血的分类准确(特别是特异性)，而对于其它问题，U-网二元网络也同样有效。表1：数据集A上的梗塞分割结果的汇总。仅考虑超急性、急性和亚急性梗塞。仅针对以骰子表示的最佳执行方式报道了敏感性和特异性，在这种情况下是标准的U-网模型。应用了5mm3的斑点滤波阈值。方法总骰子非零骰子TPFPTNFP敏感性特异性U网0.300.71385094197％66％U网VAE0.290.64------级联U网VAE0.260.69------实施例1的表1表2：数据集A上的出血分割结果的汇总。考虑了所有年龄的脑出血。仅针对以骰子表示的最佳执行方式报道了敏感性和特异性，在这种情况下是标准的U-网模型。应用了5mm3的斑点滤波阈值。方法总骰子非零骰子TPFPTNFP敏感性特异性U网0.160.53385785393％60％U网VAE0.130.55------级联U网VAE0.130.46------实施例1的表2表3：使用数据集B上的二元标准U-网的梗塞、出血和肿瘤分割结果的汇总。应用了125mm3的斑点滤波阈值。方法总骰子非零骰子TPFPTNFP敏感性特异性梗塞0.540.772410620100％86％肿瘤0.060.66762290100％32％出血0.120.32123744286％54％表4：使用数据集B上的多类标准U-网的梗塞、出血和肿瘤分割结果的汇总。应用了125mm3的斑点滤波阈值。方法总骰子非零骰子TPFPTNFP敏感性特异性梗塞0.410.691656940100％77％肿瘤0.010.1164942186％46％出血0.150.2110675472％93％实施例1的表4该实验例表示在日常门诊中可以看到的分析。也就是说，除了没有临床相关异常的图像之外，数据集还包括所有其它病理，如肿瘤、多发性硬化病变、脓肿、年龄相关的局部缺血变化。如图所示，虽然标准的U-网模型优于其它两种方法，但是所有的模型类型都表现良好。这是尽管级联模型具有两倍数量的参数。实施例2在另一实施例中，使用自然语言处理自动扫描2百万份放射学报告，用于选择5000份反映最显著病理：梗塞(超急性和急性)和肿瘤的脑MRI研究的病理。在放射科医师的监督和质量控制下，通过经训练的注释者每个像素(pixelwise)地注释梗塞和肿瘤病理。确立了对临床上正常的患者、患有肿瘤的患者和患有梗塞的患者(以及这两者)应用两组MRI脑方案。这些包括1)使用标准临床方案的对照和2)根据本发明使用4个碱基序列和多达2个另外的专门病理特异性序列的智能方案。实施例2-结果在88次扫描的独立数据集上，从扫描序列到将结果报告回医院系统的周转时间小于60秒。检测的特异性和敏感性分别为：肿瘤95％(88-99％)，78％(52-94％)和梗塞75％(63-85％)，100％(83-100％)。平均而言，对于根据本发明的方法，每个患者获得的序列少1.25个，并且对于患有病理的患者，丢失了总共0.23个专门的序列。这证明了本发明方法的优点。已经特别参考所示的实施例描述了本发明的实施方式。然而，应当理解，可以对本发明范围内所述的实施例进行变化和修改。例如，在实施方式中，通过使用先进的数据增强来人工生成更多的训练数据，可以进一步改进U-网的训练。例如，通过使用可选的PADDIT算法[3]。另外，对于一些发现(例如，在解剖学上)或在丰富的训练数据的情况下，神经网络算法/U-网可以通过输入医学扫描元组作为输入而直接训练用于总的发现，并且不是针对体素注释进行训练，而是直接针对元组中的临床发现进行训练。另外，为了减少由于医学扫描中的偏置场引起的噪声，可以应用偏置场校正。例如，使用朝向模板的差分偏置校正方法[4，5]，或者通过训练U-网来偏置校正。后者需要适当的训练数据，并且可以提供非常快的偏置校正方法。训练集可以是作为输入的原始MRI扫描和作为靶标的N4(现有技术的偏置场校正方法)偏置校正扫描。此外，通过使用多平面U-网[6]和/或随机投影扩展[7]有效地利用3D信息。最后，体素级结果可以通过将颅骨剥离应用于原始医学扫描来进行后处理，以获得脑组织和脑脊液体素的图，该图用于滤除脑外部任何错误分割的体素。可以通过基于头骨剥离的基本事实训练U-网到头骨剥离来获得快速头骨剥离，例如从Robex算法[8]或人工分割获得的。在各方面，本文所述的实施方式涉及一种从数字图像中提取信息的方法。然而，本文所描述的实施方式同样可作为用于执行所述方法的计算机的指令集或作为适当编程的计算机来应用。在使用中，本文所述的方法在运行一个或多个以软件和/或硬件形成的计算机程序并可操作以执行上述方法的合适的计算机系统或设备上执行。合适的计算机系统通常包括硬件和操作系统。术语“计算机程序”是指(但不必限于)应用程序、中间件、操作系统、固件或设备驱动程序或支持可执行程序代码的任何其它介质中的任何一种。术语“硬件”可以认为是指构成计算机系统/设备的物理元件集合中的任何一个或多个，例如但不限于处理器、存储器设备、通信端口、输入/输出设备。术语“固件”可以认为是指任何永久存储器和存储在其中的程序代码/数据，例如但不限于嵌入式系统。术语“操作系统”可以认为是指管理计算机硬件并为计算机程序提供公共服务软件的一个或多个零件，通常是一个集合。该比较步骤也可以利用先前对数据集的测量来执行，对于这些数据集，数值或平均值被存储在这样的计算机中的数据集或存储器位置中。计算机可被编程以将比较结果显示为读出。本文所述的方法可以体现在软件和/或硬件的一个或多个零件中。该软件优选地保持在存储器设备上或以其它方式编码在该存储器设备上，该存储器设备例如但不限于硬盘驱动器、RAM、ROM、固态存储器或被配置为软件的其它适当的存储器设备或组件中的任何一个或多个。所述方法可以通过执行/运行所述软件来实现。附加地或可选地，所述方法可以是硬件编码的。优选地，使用一个或多个处理器来执行以软件或硬件编码的方法。存储器和/或硬件和/或处理器优选地被包括为一个或多个服务器和/或其它合适的计算系统的至少一部分。参考文献1.aRonnebergerO.,FischerP.,BroxT.(2015)“U-Net:ConvolutionalNetworksforBiomedicalImageSegmentation(U-网：用于生物医学图像分割的卷积网络)”In:NavabN.,HorneggerJ.,InMedicalImageComputingandComputer-AssistedIntervention(在医学图像计算和计算机辅助干预中)–MICCAI2015.LectureNotesinComputerScience,vol9351.Springer,Cham1.bMyronenko,A(2018)“3DMRIbraintumorsegmentationusingautoencoderregularization(使用自动编码器正则化的3DMRI脑肿瘤分割)”,arXiv:abs/1810.116541.c.HongyingLiu,XiongjieShen,FanhuaShang,FeihangGe,andFeiWang,“CU-net:CascadedU-netwithlossweightedsamplingforbraintumorsegmentation,MultimodalBrainImageAnalysisandMathematicalFoundationsofComputationalAnatomy(CU-网：具有损失加权采样的级联U-网，用于脑肿瘤分割、多模态脑图像分析和计算解剖学的数学基础)”,Pages102-111,Cham,2019.SpringerInternationalPublishing.ISBN978-3-030-33226-61.d.FabianIsensee,JensPetersen,AndreKlein,DavidZimmerer,PaulF.Jaeger,SimonKohl,JakobWasserthal,GregorKoehler,TobiasNorajitra,SebastianWirkert,andKlausH.Maier-Hein.“Nnu-net:Self-adaptingframeworkforu-net-basedmedicalimagesegmentation(Nnu-net：基于u-网的医学图像分割的自适应框架)”ArXiv,abs/1809.10486,20182.PatriceY.Simard,DaveSteinkraus,JohnC.Platt(2003)BestPracticesforConvolutionalNeuralNetworksAppliedtoVisualDocumentAnalysis(卷积神经网络应用于视觉文档分析的最佳实践),InSeventhInternationalConferenceonDocumentAnalysisandRecognition3.MauricioOrbes-Ortega,LaugeJorgeCardoso,MarcModat,SebastienOurselin,StefanSommer,MadsNielsen,ChristianIgel,AkshayPai(2019)PADDIT:ProbabilisticAugmentationofDatausingDiffeomorphicImageTransformation(PADDIT：使用微分形态图像变换的数据概率增强),InMedicalImaging2019:ImageProcessing,SPIEMedicalImaging2019。4.BinZou,AkshayPai,LaugeMadsNielsen,SimultaneousregistrationandbilateraldifferentialbiascorrectioninbrainMRI(脑MRI中的同时配准和双边微分偏差校正),inMICCAI2014WorkshoponIntelligentImaging:linkingMRacquisitionandprocessing,20145.BinZou,AkshayPai,LaugeMadsNielsen,BiasCorrectioninImages,U.S.patentapplicationUS20170243336A16.KaisarKushibar,SergiValverde,SandraGonzález-Villà,JoseBernal,MarianoCabezas,ArnauOliver,XavierLladó,Automatedsub-corticalbrainstructuresegmentationcombiningspatialanddeepconvolutionalfeatures(结合空间和深度卷积特征的自动皮层下大脑结构分割),MedicalImageAnalysis48,2018,177-186。7.Perslev,Mathias；Pai,AkshaySadanandaUppinakudru；Igel,Christian；Dam,Erik(2018),KneeSegmentationbyMultiplanarDeepLearningNetwork–withdatafromOAI(多平面深度学习网络的膝关节分割——使用来自OAI的数据),In12thInternationalWorkshoponOsteoarthritisImaging。8.IglesiasJE,LiuCY,ThompsonP,TuZ:\"RobustBrainExtractionAcrossDatasetsandComparisonwithPubliclyAvailableMethods(跨数据集的稳健大脑提取以及与公开可用方法的比较)\",IEEETransactionsonMedicalImaging,30(9),2011,1617-1634。当前第1页12