使用人工神经网络确定肌肉结构的特性

技术特征：
1.一种计算机实现的方法，包括：获得一个或多个医学图像，所述一个或多个医学图像描绘患者的肌肉结构，其中所述肌肉结构包括至少一块肌肉和至少一根肌腱，以及使用至少一个人工神经网络来确定肌肉结构的至少一个特性的量化。2.根据权利要求1所述的计算机实现的方法，进一步包括：使用所述至少一个人工神经网络中的第一个，确定所述一个或多个医学图像中与肌肉结构相关联的感兴趣的区域的分割。3.根据权利要求2所述的计算机实现的方法，进一步包括：确定与肌肉结构相关联的感兴趣的区域的预分割，其中分割是基于预分割来确定的。4.根据权利要求3所述的计算机实现的方法，其中使用卷积神经网络来确定预分割，卷积神经网络提供像素概率图作为输出，其中通过对像素概率图的概率值应用阈值比较并选择最大邻接区域来获得预分割作为像素掩模。5.根据权利要求4所述的计算机实现的方法，其中所述分割包括基于像素掩模确定的边界框。6.根据权利要求2所述的计算机实现的方法，进一步包括：使用所述至少一个人工神经网络中的至少第二个，基于感兴趣的区域的分割和所述一个或多个医学图像，确定指示所述至少一个特性的量化的值。7.根据权利要求2所述的计算机实现的方法，其中所述一个或多个医学图像是多切片图像，其中所述方法进一步包括：基于分割来确定感兴趣的区域的参考点，基于参考点从一个或多个医学图像的多个切片中选择给定切片，其中基于给定切片中肌肉结构的外观来确定所述至少一个特性的量化。8.根据权利要求1所述的计算机实现的方法，其中所述获得一个或多个医学图像包括基于界标检测算法预处理一个或多个医学图像，所述界标检测算法被配置成检测一个或多个医学图像中的感兴趣的区域，所述感兴趣的区域与肌肉结构相关联。9.根据权利要求1所述的计算机实现的方法，其中所述至少一个特性包括多个特性，其中所述至少一个人工神经网络包括多个解码器分支，所述多个解码器分支被配置成基于共享的潜在特征集来确定所述多个特性的量化，所述共享的潜在特征集是基于所述一个或多个医学图像来确定的。10.根据权利要求1所述的方法，其中所述至少一个特性的量化包括肌腱撕裂的长度、宽度、厚度或肌肉腱连接位置。11.根据权利要求10所述的方法，其中所述至少一个人工神经网络包括第一人工神经网络，所述第一人工神经网络被配置成确定以下各项中的至少一个：1）所述至少一根肌腱中肌腱撕裂的存在或不存在，或2）
所述至少一根肌腱中肌腱撕裂的类型。12.根据权利要求11所述的方法，其中所述至少一个人工神经网络包括第二人工神经网络，所述第二人工神经网络被配置成确定肌腱撕裂的长度、宽度、厚度或肌肉腱连接位置，其中第二人工神经网络获得第一人工神经网络的输出作为输入。13.根据权利要求1所述的方法，其中所述至少一个特性包括所述肌肉结构的至少一块肌肉的肌肉萎缩。14.根据权利要求13所述的方法，其中所述至少一个人工神经网络包括第二人工神经网络，所述第二人工神经网络被配置成确定肌肉萎缩的量化。15.根据权利要求1所述的方法，其中所述至少一个特性包括肌肉结构的至少一块肌肉的脂肪浸润。16.根据权利要求15所述的方法，其中所述至少一个人工神经网络包括第二人工神经网络，所述第二人工神经网络被配置成确定脂肪浸润。17.根据权利要求1所述的方法，进一步包括：使用至少一个人工神经网络来确定肌肉结构的至少一个特性或至少一个另外的特性的分类。18.一种系统，包括：至少一个处理器；以及至少一个存储器，其中在加载和执行来自所述至少一个存储器的程序代码时，所述至少一个处理器被配置成：获得一个或多个医学图像，所述一个或多个医学图像描绘患者的肌肉结构，其中所述肌肉结构包括至少一块肌肉和至少一根肌腱，以及使用至少一个人工神经网络来确定肌肉结构的至少一个特性的量化。19.一种医学成像扫描仪，所述医学成像扫描仪包括权利要求18所述的系统。20.一种存储计算机程序指令的非暂时性计算机可读介质，当由处理器执行时，所述计算机程序指令使处理器执行操作，包括：获得一个或多个医学图像，所述一个或多个医学图像描绘患者的肌肉结构，其中所述肌肉结构包括至少一块肌肉和至少一根肌腱，以及使用至少一个人工神经网络来确定肌肉结构的至少一个特性的量化。

技术总结
使用人工神经网络确定肌肉结构的特性。公开了确定包括至少一块肌肉和至少一根肌腱的肌肉结构的至少一个特性的量化的技术。可以通过使用至少一个人工神经网络并基于描绘患者的肌肉结构的一个或多个医学图像来确定肩袖的至少一个特性的量化。的至少一个特性的量化。的至少一个特性的量化。


技术研发人员：M
受保护的技术使用者：纽约大学
技术研发日：2022.06.01
技术公布日：2022/12/5