CN104115149B - 用于统计学测试的扫描数据库的交互式优化 - Google Patents
用于统计学测试的扫描数据库的交互式优化 Download PDFInfo
- Publication number
- CN104115149B CN104115149B CN201380008416.1A CN201380008416A CN104115149B CN 104115149 B CN104115149 B CN 104115149B CN 201380008416 A CN201380008416 A CN 201380008416A CN 104115149 B CN104115149 B CN 104115149B
- Authority
- CN
- China
- Prior art keywords
- image
- gathers
- patient
- quality metric
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/13—File access structures, e.g. distributed indices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
生成患者图像集合(34)包括接收多个候选图像(20)和相关联的数据。向所述多个候选图像和所述相关联的数据应用将至少一个包含/排除规则(44),这得到候选图像的子集(32)。对所述候选图像进行测试,其将得到至少一个质量度量(40)。审查所述至少一个质量度量(40)和相关联的候选图像。基于经审查的至少一个质量度量(40)来通过以下中的至少一项来细化所述至少一个包含/排除规则(44):增加规则、修改规则、删除规则、移除候选图像、以及增加候选图像。重复应用所述至少一个包含/排除规则直到细化所述至少一个包含/排除规则的步骤,直到基于集合大小和所述至少一个质量度量(40)生成了优化图像集合为止。将所生成的集合输出至数据存储器(34)。
Description
技术领域
本申请总体上涉及医学成像。本申请特别结合标称参考图像数据库的生成和维护而使用,并将参考其对本申请进行描述。但是,应当理解,本申请也适用于其他使用场景,而不必局限于上述应用。
背景技术
一种用于解释扫描患者图像的技术是将其与标称参考图像进行比较。参考图像是从被认为正常的患者群体生成的。在诸如神经学和心脏学的医学领域正在越来越多地通过逐体素统计检验使用参考图像来完成对扫描患者图像的评估。针对解剖学模板对图像进行拟合或将其翘曲,并比较各个体素。逐体素统计检验确定了单个图像与一组参考图像中的变化范围之间的差异。
选择表示正常群体的一组参考图像或集合应当覆盖健康受试者的变化性,以提供更加准确的临床解释。针对表示正常群体的正常集合选择图像不应偏离共同的变化性。例如,如果参考图像的正常集合仅包括年轻人的图像,那么诸如增大的心室或降低的全身代谢活动的年龄效应将不正确地指示正常年长患者体内出现异常,而实际其是健康的。
标准图像集合可从很多来源获得。但是,各种本地成像实现方式中存在的变化表明,标准集合可能不表示最适合成像设备或医学设施的具体实现方式的集合。成像的本地变化反映在成像中采用的临床协议和技术参数中,例如,所采用的重建算法、所应用的后处理滤波器、在特定位置采用特定设备所做的患者衰减校正。可以在诸如区域照明和协议变化的患者成像环境中发现差异,所述差异将反映在患者图像中。在将本地扫描患者图像与所述集合进行比较时,反映在患者图像中的所述差异将影响逐体素测试。
尽管一般建议存在本地变化并且健康护理从业者必须审查和修订扫描图像的集合以包含本地变化,但是一直都没有这样做的方法和对这样做的支持。此外,新的协议和技术被不断引入,这将影响各本地成像场所并入和管理针对其本地集合正在发生着的变化的时间和能力。标准集合不应是一个固定的参考图像集合,而是其最好是不断演变的图像集合,该集合将反映所使用的设备的类型、所使用的成像技术、与标准表示相关的患者特性和本地变化。设备的类型、图像类型、制造商等。所使用的成像技术包括使用的包括所使用的设备协议、所使用的同位素、所使用的CT或MRI造影剂等。相关患者特性根据协议而变化,但是可以包括年龄、种族、性别等。相关患者特性可以包括来自其他审查的信息。
发明内容
本申请公开了一种新的、改进的对图像集合的交互式优化,其解决了上文提到的问题以及其他问题。
根据另一方面,生成患者图像集合的成像系统包括数据存储器以及一个或多个处理器。所述数据存储器存储图像的集合。所述一个或多个处理器被编程为接收多个候选图像和相关联的数据用于包含到所述图像集合中。所述一个或多个处理器向所述多个候选图像和所述相关联的数据应用至少一个包含/排除规则,这得到候选图像的子集。所述一个或多个处理器基于至少一个质量度量来对候选图像进行测试。所述一个或多个处理器审查所述至少一个质量度量和所述候选图像,并基于所述至少一个质量度量通过以下中的至少一项来细化所述至少一个包含/排除规则:增加规则、修改规则、删除规则、移除候选图像、以及增加候选图像。所述一个或多个处理器重复从应用至少一个包含/排除规则开始直到基于集合大小和经审查的至少一个质量度量而生成经优化的图像集合的步骤。所述一个或多个处理器将至少一个所生成的集合输出至数据存储器或显示器。
根据一个方面,一种用于生成患者图像集合的方法包括接收多个候选图像和相关联的数据。将至少一个包含/排除规则应用于所述多个候选图像和所述相关联的数据,这得到候选图像的子集。基于至少一个质量度量来对所述候选图像进行测试。审查所述至少一个质量度量和所述候选图像。基于经审查的至少一个质量度量通过以下中的至少一项来细化所述至少一个包含/排除规则:增加规则、修改规则、删除规则、移除候选图像、以及增加候选图像。重复应用所述至少一个包含/排除规则直到细化所述至少一个包含/排除规则的步骤,直到基于集合大小和所述至少一个质量度量而生成了经优化的图像集合为止。将所生成的集合输出至数据存储器。
根据另一方面,一种成像系统包括数据存储器以及一个或多个处理器。所述数据存储器存储处于公共空间中的图像集合。所述一个或多个处理器被配置为接收候选图像,将候选图像变换至公共空间,从所述数据存储器检索所述图像集合并且通过应用基于(i)各个图像特征、(ii)关于患者和患者历史的可用信息、以及(iii)来自其他医学审查的临床信息的规则和/或质量度量而向所述图像集合增加候选图像以及从所述图像集合排除图像,来对所述图像集合进行细化。
一个优点是能够使集合能够快速、有效率地适应到本地。
另一个优点在于健康护理从业者能够以交互的方式定义本地集合。
另一个优点在于健康护理从业者能够针对特定场所或实现方式来将集合本地化。
本领域普通技术人员在阅读和理解以下详细描述之后,将认识到本申请的其他优点。
附图说明
本发明可以采取各种部件和各部件布置,以及各种步骤和各步骤安排的形式。附图仅仅为了例示优选实施例而不应被解释为限制本发明。
图1示意性地示出了集合在逐体素统计检验中的当前使用。
图2图解地地示出了生成集合的系统的一个实施例。
图3示出了通过质量保证引擎来迭代地定义集合的系统的一个实施例。
图4示出了用于离群图像的交互式审查的显示的一个实施例。
图5示出了用于图像子集的交互式审查的显示的一个实施例。
图6示意性地示出了健康护理提供者环境中的系统的一个实施例。
图7示出了生成集合的一个实施例的流程图。
图8示出了生成集合的另一实施例的流程图。
具体实施方式
参考图1,示意性地示出了集合在逐体素统计检验中的当前使用。由扫描器生成患者图像10。平滑患者图像并且然后后将其变换至通过模板定义的公共空间。使用逐体素统计检验14将患者图像10与标准集合12进行比较,标准集合12表示标准患者的变化性。集体12中的图像也受到了平滑处理,并变换至公共空间。图像10和/或集合12通常存储在系统的数据库中,例如,所述系统为医院信息支持系统(HISS)、图片存档及通信系统(PACS)、放射医学信息系统(RIS)、临床决策支持系统(CDS)等。所述集合可以包括以医学文献、实际患者研究等为基础的图像,其表示对于各种成像协议而言的标准群体。
逐体素统计检验14是本领域公知的。将患者图像的各个体素的强度与标准集合12的图像进行比较。集合12包括针对公共空间中的每一体素的强度分布。将图像10的各个体素与集合12进行比较,通过与集合12的强度的统计分布的偏差来确定与标准的差异。如果个体体素不同于所述集合,则确定统计学概率。针对所有体素的概率构成了统计图16,其用于通过颜色、灰度级、交叉影线等的差异来视觉地在显示器上表示患者图像的异常区域。
图2示意性地示出了生成或维护所述集合的系统18的一个实施例。集体20的候选图像25是从各种源检索到的,例如,使用扫描器递送的,从网站下载的或者通过其他方式提供的标准集合12以及本地生成的图像22。可以将本地生成的图像22存储到本地数据库或者作为更大的系统的部分的数据库内,所述更大的系统例如为HISS、PACS、RIS、CDS等。检索可以是受试者级或数据库级、系统级或网络级检索。检索包括检索图像和图像属性。图像和属性可以具有标准格式,例如,医学数字影像和通讯(DICOM)。DICOM标准定义了图像的成百上千种可能的属性。关于所述图像中表示的患者的额外信息可以从患者医学记录数据库24中检索到,该数据库包括来自其他审查的临床信息。例如,候选图像的来源可以包括对在诸如MMSE的神经心理学测试中具有最高标准分值的患者的图像初始搜索。或者,在无法获得医学记录信息的情况下,可以向健康护理从业者提供校验表,以验证具体的图像满足候选标准。
图3示出了通过质量保证引擎来迭代地定义集合的系统的一个实施例。系统18迭代地处理候选图像,从而根据一组规则和度量来细化出患者图像的集合,由此将得到参考患者图像集合34。所述规则的一个范例是包含在诸如MMSE的神经心理学测试中具有最高标准分值的患者的20幅图像。这是按数据源来定义候选图像的替代方案。通过一个或多个处理器28进行处理,其将对图像进行测试并提供指示应当将图像或者图像子集包含到集合34中还是应当将其从所述集合中排除的测量。与健康护理从业者的交互是通过显示设备26以及一个或多个诸如键盘或鼠标的输入设备30来进行的。所述迭代过程包括构造候选图像的子集,并为了包含到所述集合中而对它们进行排序。可以根据需要将构造成子集的图像32进行本地存储,以供健康护理从业者审查。提供质量测量,其将对各幅图像和图像子集进行测试,以确定对其进行包含还是排除。
所述迭代过程将一个或多个集合输出到数据存储器内。所述数据存储器定义了本地图像集合34。可以对本地集合34定义的图像进行本地存储,或者使用指向远程对象的本地指针对其进行单独存储。多个本地集合包括针对具体的用途由标准群体定义的各个集合,例如,所采用的具体协议、所使用的同位素、所使用的重建算法、所应用的后处理滤波器、衰减校正、患者特性等。如果一幅图像满足针对是否包含到每一集合中而建立的必要标准,那么其可能参与多个本地集合。健康护理从业者可以审查所述系统输出的推荐本地集合,或者在一个实施例中可以交互式地审查每一步骤。健康护理从业者可以审查与每一图像相关的质量度量,例如,患者历史数据、来自其他审查的数据、诸如来自其他模态的图像的其他患者图像等等。如果不满足质量度量,那么显示警告或通知35。
图4示出了用于离群图像的交互式审查的显示36的一个实施例。可以使用测量与其他候选图像的偏差的质量测量,例如留一法测试,来对所述集合的候选图像进行测试,从而找出离群者。一个范例是将候选图像的每一体素与其余候选图像的体素进行统计比较。阈值量或偏差指示离群。可以使用质量度量40,例如,超过阈值的突出显示或有色像素或者统计学极坐标图、条形图等,来示出整幅图像38的偏差。统计学极坐标图尤其适用于心脏图像。可以示出每幅图像的所述质量度量。系统18根据超过显著异常代谢的阈值量的体素的体积、超过阈值量的数量的百分比等来基于与所有图像或子集内的图像的偏差而指示每幅图像是否是离群图像38。所述体积可以包括整幅图像或者图像的部分,例如,感兴趣区域或者解剖学特征。可以依据超过阈值的量或百分比来将所述图像按顺序排序。可以与该特定图像的体积一起提供包括在超过所述阈值的所述体积的所有其他图像上求得的平均值的参考的另一质量度量42。在示范性显示中,底部的黑条表示除了这一幅图像之外的所有候选图像的平均总数量。带阴影的条表示这一幅图像的所述的超过阈值的数量。将图像作为离群者排除是移除该图像作为所述集合的候选图像的资格。可以通过将所述图像从所考虑的候选图像中移除或者通过添加排除所述特定图像的规则而完成所述排除。
在一些情况下,由健康护理从业者审查供审查的候选离群者38的显示36。或者,也可以通过阈值处理来自动排除离群者38。替代实施例减少或消除了健康护理从业者审查各幅图像的时间。
图5示出了针对子集的交互式审查的显示50的一个实施例。第二种类型的测试包括对候选图像的子集32以及相关联的质量度量的子集审查。所述子集是基于针对包含和/或排除所建立的规则52的。规则的范例包括:所述集合至少应当包括处于50-75岁的年龄范围内的20幅图像;所述集合应当包括40-60%之间的男性患者图像;所述集合总共应当包括20到30幅的图像;所述集合应当包括线性年龄分布(+/-10%);等等。在所述显示中,所述集合应当包括40-60%之间的男性患者图像的规则的范例示出了候选图像不满足所述规则的地方。当前有10幅男性图像和20幅女性图像,其中,男性图像的百分比为33%,低于所述规则所设定的40%的最小值。
规则52中的一个被突出显示,并且示出了诸如目标人群中的图像百分比分布的质量度量54。额外的质量度量包括方差分析(ANOVA)、描述性统计等。在不满足规则约束条件的情况下可以提供警告和/或通知,例如,通过突出显示规则,突出显示图像的子集,给出书面解释等。质量度量包括被表达为数字或者图形的统计学度量,例如,所述图形为极坐标图、条形图、饼形图等。统计学度量可以包括图像子集中的强度分布和/或包括从图像属性或者从患者医学记录获得的患者特性。对进一步包含哪些候选项的细化是基于所述质量度量。另一质量度量将候选图像的逐体素分布与最大范围进行比较,以确保对偏离标准的敏感性或者确保强度比例允许的异常情况进行测试。在另一实施例中,将合成损害(synthetic lesion)添加至一幅或多个图像,并且质量度量包括逐体素测试能够检测到所述所述损害的程度。
任选地向健康护理从业者提供建议56,从而通过包含其他图像和/或排除当前图像以交互地对子集进行修正。在示范性显示中,所提供的建议是移除5幅女性图像,这样提高了男性图像的百分比,从而满足了男性图像处于40-60%之间的规则。
图6示意性地示出了健康护理提供者环境中的系统18的一个实施例。健康护理从业者与系统18进行交互,从而使用工作站60来定义一个或多个本地集合。在所示的范例中,健康护理提供者包括扫描器62,例如,处于诸如A、B、C的多个位置的MRI、PET和SPECT以及组合扫描器。在几个位置上,例如,位置A和B上,发现了相同的扫描器型号。在位置C上发现了类似但不同的扫描器型号64。在具有可能有些不同但相当的扫描器型号的两个位置B和C之间,诸如照明和协议变化的环境特征是最为相似的。使用系统18以及来自所述位置中的每个的图像定义每一位置的本地集合34。本地集合34、扫描器62、64、医学记录数据库24、本地生成的图像22可通过网络66访问。所述集合还可以包括默认集合68等,其最初可以是使用所述扫描器中的一个来递送的。
默认集合68起着起始点的作用,所述起始点是针对健康护理提供者协议、患者协议等定制的。随着新的协议开发出来,新的图像被增加到默认集合68中和/或原始图像被从默认集合68中移除。本地扫描器62、64针对新的协议而使用默认集合68,随着更多本地图像的创建,能够生成为该扫描器或位置所特有的本地集合34。本地集合34能够对面向特定图像子集的包含的规则进行权重设定,其中,为默认集合提供较低权重,为本地生成的图像22提供最高的包含权重。根据本地生成的图像的矢量以及本地集合受到修订的频率,本地集合34最初将反映默认集合68,但是随着时间的推移将变得越来越反映本地生成的图像。
类似地,在健康护理提供者处新安装的扫描器也能够通过将所述候选图像包含到用于图像包含的图像源和加权规则中来从其他使用相同的扫描器型号的本地集合34取得候选图像。此外,可以在迭代过程中考虑环境因素。可以通过包含来自所述用于图像包含的图像源和加权规则的候选图像来包含来自共享共同的环境因素的各个相的扫描器的候选图像。在新的本地集合34的建立过程中,能够从多个来源取得图像,其中,应用加权选择对新的本地集合最为有利的图像。所述本地集合能够利用健康护理提供者的一般经验以及选定位置的特定经验继续添加和扩展。
图7示出了生成本地集合34的一个实施例的流程图。一个实施例使用迭代过程,其输入所提供的或者默认的集合68以及候选本地图像22,并生成建议的本地集合,之后健康护理从业者将接受或者修改所述本地集合。
在步骤70中,系统18检索针对图像包含/排除的规则52。在一个实施例中,所述规则对于健康护理从业者是透明的。在步骤72中,系统使用从健康护理从业者那里获得的用户参数的输入,以选择供包含的候选图像。用户参数包括由协议频繁地定义的具体属性或患者特性。用户参数还可以包括对集合的尺寸设定或者对输入源的加权。
在步骤74中将针对包含/排除的规则52应用于候选图像22。根据图像属性或其他数据源在排除规则中排除候选图像中的一些图像。具有包含数据属性或其他患者数据特征的图像的候选图像中的一些被包含。可以将所述规则和候选图像作为优化问题处理,所述处理是通过在候选图像、相关联的数据和数据属性的可能的选择中找到最佳的集合来进行的。
在下一个步骤76中,根据满足所述规则规定的约束条件将结果集合排序成各个子集。所述子集允许根据满足一个或多个规则约束条件的共同特征来对图像进行分组。例如,最高子集仅包括满足所有规则的图像。下一子集满足大部分但非全部规则。在图5所示的范例中,如果将5幅女性图像的图像移除,那么男性图像将满足各个规则。在各子集中,男性图像的子集处于女性图像之前。
在步骤78中对候选图像和结果集合中的各个图像子集应用各种测试,以检验与质量度量的符合性。质量度量包括针对各幅图像的质量度量,例如,参考图4讨论的异常值检验。质量度量包括针对各个子集的质量度量,例如,参考图5讨论的子集测试。质量度量可以包括总体图像质量、总体的或者特定区域内的体素强度的图像分布等的度量。质量度量可以包括患者数据、其他测试结果、其他条件等的统计测量结果。
在步骤80中审查所推荐的供接受的集合。基于质量度量、候选图像的数量、目标大小的推荐集合等执行额外的迭代。如果执行另一迭代,以降低所推荐的集合的尺寸,或者基于质量度量来排除候选图像等等,那么在步骤82中对规则进行修订,并执行所述过程的另一迭代,所述迭代从向当前结果集合应用经修订的包含/排除规则开始。
如果接受了所推荐的集合,那么在步骤84中将其输出。所推荐的集合的输出可以任选地包括健康护理从业者对新的集合的审查。将所述新的集合输出至定义集合34的数据存储器。可以将所述图像与集合的定义存储在一起,或者仅将其存储为对所述图像的索引,而所述图像则存储在诸如HISS、PACS、RIS、CDS等的系统中。如参考图1所讨论,所述的新的集合可用于逐体素统计检验。
图8示出了生成集合的另一实施例的流程图。这一实施例以及其变型使用任选步骤对图7的方法进行了扩充。在任选的步骤90中,健康护理从业者能够添加、修改和删除规则。所述系统能够提供默认和模型规则,可以根据健康护理从业者的需要对其进一步细化。
在领域任选的步骤92中,输入数据源的身份。所述数据源包括患者记录、非标准属性等,其将在所述集合中提供进一步的细化。在步骤94中,使各个位置、默认集合、所提供的集合等为系统所知。对所述源的加权可以任选是针对两种数据源以及针对图像源的输入。对数据源的整合可以是受试者和/或数据库级的、系统级的或者网络级的。数据源身份的输入可以包括直接输入、浏览或发现功能。
将测试和所得到的质量度量分解到多个步骤中,以供健康护理从业者进行交互式审查。在步骤96中执行对各幅图像的测试,例如,参考图4所讨论的。下一步骤98是显示各幅图像的质量度量(例如,如图4所示的)以供健康护理从业者审查。在未示出的任选步骤中,健康护理从业者能够显示各幅被突出显示为离群者的图像,并将离群图像与标准参考或另一幅图像进行比较,以判断是包括还是排除所述离群图像。在步骤100中,健康护理从业者通过(例如)点击图像图标指示是包括还是排除所述离群者。
在步骤102中执行类似的群组测试,例如,参考图5讨论的。在步骤104中显示子集和质量度量以供健康护理从业者查看。健康护理从业者审查子集的列表,并且能够在任选的步骤中下探到图像子集中,从而对子集内的图像做进一步的审查和比较,或者将子集的特征与其他子集进行比较。与个体图像的包含/排除类似,健康护理从业者能够在步骤108中指示包括/排除哪些子集。子集可以是一幅或多个图像。
已经参考表示标准群体的集合的生成描述了所述方法。还可以使用所述方法生成表示异常集合,例如,指定疾病状态的集合。这将逐体素测试从测试与标准集合的不同之处转换为对与异常集合的相同之处的逐体素测试。其中,图1中的逐体素测试的统计图输出表示各个体素不同于标准的概率,或者统计图可以表示与异常不同或者与异常共通的概率。可以在自动化诊断中使用异常集合或者一系列异常集合来判断疾病的存在及其发展程度。
应当认识到,结合文中介绍的具体示范性实施例,将某些结构和/或功能特征描述为结合到了所定义的元件和/或部件中。但是,可以设想在适当的情况下也可以出于相同或类似的益处将这些特征类似地结合到其他元件和/或部件中。还应当认识到可以适当地有选择地使用示范性实施例的不同方面获得适于预期应用的其他替代实施例,所述其他替代实施例由此实现了结合于其中的所述各个方面的相应优点。
还应当认识到,文中描述的具体元件或部件可以使其功能通过硬件、软件、固件或其组合适当地实现。此外,应当认识到某些在文中被描述为结合到一起的元件在适当的情况下可以是独立的元件或者可以被划分。类似地,被描述为通过一个具体的元件执行的多项特定功能可以通过多个独立操作以执行各项功能的分立元件执行,或者可以对某些各别功能进行拆分,并通过多个协调工作的分立元件执行。或者,在适当的情况下可以将在文中被描述和/或图示为相互分立的一些元件或部件进行物理或功能合并。
简而言之,已经参考优选实施例阐述了本说明书。显然,在阅读了并理解了本说明书的情况下,本领域技术人员可以认识到对其的修改和变化。旨在将本发明理解为包括所有此类落在权利要求书或者其等价方案的范围内的修改和变化。也就是说,应当认识到,如果希望可以将各种各样的上文公开的以及其他特征和功能或其替代方案组合到很多其他不同的系统或应用中,以及以后本领域技术人员可以对其做出当前无法预见或预料的替代方案、修改、变化或改进也类似地旨在被权利要求所涵盖。
Claims (25)
1.一种生成患者图像集合(34)的成像系统(18),包括:
数据存储器,其存储图像的集合(34);
一个或多个处理器(28),其被编程为:
a)接收(73)多个候选图像(20)和相关联的数据用于包含到所述图像的集合(34)中;
b)向所述多个候选图像和所述相关联的数据应用(74)至少一个包含/排除规则(44),这得到候选图像的子集(32);
c)基于至少一个质量度量来测试(78)所述候选图像;
d)审查(79)所述至少一个质量度量和所述候选图像;
e)基于经审查的至少一个质量度量(40)通过以下中的至少一项来细化(82)所述至少一个包含/排除规则(44):增加规则、修改规则、删除规则、移除候选图像、以及增加候选图像;
重复b)-e)直到基于集合大小和经审查的至少一个质量度量(40)而生成了经优化的图像的集合为止;并且
将至少一个所生成的集合输出(84)至所述数据存储器或显示器(26)。
2.根据权利要求1所述的生成患者图像集合(34)的成像系统(18),还包括:
工作站(61),其包括:
连接至一个或多个处理器(28)的显示器(26),所述显示器显示所述至少一个质量度量和所述候选图像;以及
连接至所述一个或多个处理器的至少一个输入设备(30),所述至少一个输入设备输入来自对所述质量度量(40)和所述候选图像中的至少一项进行交互式审查的健康护理从业者的包含/排除信息。
3.根据权利要求1所述的生成患者图像集合(34)的成像系统(18),其中,所述处理器还被编程为:
将患者图像变换至公共空间;并且在逐体素统计检验中将经变换的患者图像与所述图像的集合(34)进行比较。
4.根据权利要求1-3中的任一项所述的生成患者图像集合(34)的成像系统(18),其中,所述数据存储器包括多个集合。
5.根据权利要求1-3中的任一项所述的生成患者图像集合(34)的成像系统(18),其中,所述多个候选图像(20)包括默认集合(60)。
6.根据权利要求5所述的生成患者图像集合(34)的成像系统(18),其中,所述多个候选图像(20)是医学数字影像和通讯(DICOM)格式的图像。
7.根据权利要求1-3中的任一项所述的生成患者图像集合(34)的成像系统(18),其中,所述多个候选图像(20)包括来自不同位置的集合(34);并且
其中,所述至少一个包含/排除规则(44)包括将作为候选图像(20)的所述的不同位置集合(34)进行加权。
8.一种用于生成患者图像集合(34)的方法,包括:
a)接收(73)多个候选图像(20)和相关联的数据;
b)向所述多个候选图像和所述相关联的数据应用(74)至少一个包含/排除规则(44),这得到候选图像的子集(32);
c)基于至少一个质量度量来对所述候选图像(32)进行测试(78);
d)审查(79)所述至少一个质量度量(40)和所述候选图像(32);
e)基于经审查的至少一个质量度量(40)通过以下中的至少一项来细化(82)所述至少一个包含/排除规则:增加规则、修改规则、删除规则、移除候选图像、以及增加候选图像;
重复b)-e)直到基于集合大小和所述至少一个质量度量(40)而生成了经优化的图像的集合为止;并且
将所生成的集合输出(84)到数据存储器或显示器(26)。
9.根据权利要求8所述的用于生成患者图像集合(34)的方法,其中,存在多个所述包含/排除规则(44)并且还包括对所述包含/排除规则进行加权。
10.根据权利要求8和9中的任一项所述的用于生成患者图像集合(34)的方法,其中,所述多个候选图像和所述相关联的数据包括来自患者医学记录(24)的图像和数据。
11.根据权利要求8-9中的任一项所述的用于生成患者图像集合(34)的方法,其中,所述至少一个质量度量(40)包括异常值检验,在所述异常值检验中,留出每一候选图像同时对其余候选图像进行针对相似性的检查。
12.根据权利要求8-9中的任一项所述的用于生成患者图像集合(34)的方法,其中,所述至少一个质量度量(40)包括对逐体素的子集分布的统计测量,所述统计测量识别出其分布超过阈值量的图像的子集。
13.根据权利要求8-9中的任一项所述的用于生成患者图像集合(34)的方法,其中,所述审查(79)包括生成候选图像变化的统计测量结果的视觉显示(36)。
14.根据权利要求13所述的用于生成患者图像集合(34)的方法,其中,所述视觉显示(36)为统计极坐标图。
15.根据权利要求8-9中的任一项所述的用于生成患者图像集合(34)的方法,其中,所述审查(79)包括显示超过了统计参数的图像区被突出显示的图像。
16.根据权利要求8-9中的任一项所述的用于生成患者图像集合(34)的方法,其中,所述审查(79)包括生成图像子集的表示和至少一个子集测量结果的表示的视觉显示(42)。
17.一种用于生成患者图像集合(34)的装置,包括:
a)用于接收(73)多个候选图像(20)和相关联的数据的单元;
b)用于向所述多个候选图像和所述相关联的数据应用(74)至少一个包含/排除规则(44)的单元,这得到候选图像的子集(32);
c)用于基于至少一个质量度量来对所述候选图像(32)进行测试(78)的单元;
d)用于审查(79)所述至少一个质量度量(40)和所述候选图像(32)的单元;
e)用于基于经审查的至少一个质量度量(40)通过以下中的至少一项来细化(82)所述至少一个包含/排除规则的单元:增加规则、修改规则、删除规则、移除候选图像、以及增加候选图像;
重复用于接收(73)的单元、用于应用(74)的单元、用于测试(78)的单元、用于审查(79)的单元以及用于细化(82)的单元的操作直到基于集合大小和所述至少一个质量度量(40)而生成了经优化的图像的集合为止;以及
用于将所生成的集合输出(84)到数据存储器或显示器(26)的单元。
18.根据权利要求17所述的用于生成患者图像集合(34)的装置,其中,存在多个所述包含/排除规则(44)并且还包括用于对所述包含/排除规则进行加权的单元。
19.根据权利要求17和18中的任一项所述的用于生成患者图像集合(34)的装置,其中,所述多个候选图像和所述相关联的数据包括来自患者医学记录(24)的图像和数据。
20.根据权利要求17-18中的任一项所述的用于生成患者图像集合(34)的装置,其中,所述至少一个质量度量(40)包括异常值检验,在所述异常值检验中,留出每一候选图像同时对其余候选图像进行针对相似性的检查。
21.根据权利要求17-18中的任一项所述的用于生成患者图像集合(34)的装置,其中,所述至少一个质量度量(40)包括对逐体素的子集分布的统计测量,所述统计测量识别出其分布超过阈值量的图像的子集。
22.根据权利要求17-18中的任一项所述的用于生成患者图像集合(34)的装置,其中,所述审查(79)包括生成候选图像变化的统计测量结果的视觉显示(36)。
23.根据权利要求22所述的用于生成患者图像集合(34)的装置,其中,所述视觉显示(36)为统计极坐标图。
24.根据权利要求17-18中的任一项所述的用于生成患者图像集合(34)的装置,其中,所述审查(79)包括显示超过了统计参数的图像区被突出显示的图像。
25.根据权利要求17-18中的任一项所述的用于生成患者图像集合(34)的装置,其中,所述审查(79)包括生成图像子集的表示和至少一个子集测量结果的表示的视觉显示(42)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261595851P | 2012-02-07 | 2012-02-07 | |
US61/595,851 | 2012-02-07 | ||
PCT/IB2013/050361 WO2013118001A1 (en) | 2012-02-07 | 2013-01-15 | Interactive optimization of scan databases for statistical testing |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104115149A CN104115149A (zh) | 2014-10-22 |
CN104115149B true CN104115149B (zh) | 2017-11-17 |
Family
ID=47846090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380008416.1A Expired - Fee Related CN104115149B (zh) | 2012-02-07 | 2013-01-15 | 用于统计学测试的扫描数据库的交互式优化 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9053213B2 (zh) |
EP (1) | EP2812828B1 (zh) |
CN (1) | CN104115149B (zh) |
BR (1) | BR112014019162A8 (zh) |
WO (1) | WO2013118001A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150331908A1 (en) | 2014-05-15 | 2015-11-19 | Genetic Finance (Barbados) Limited | Visual interactive search |
US10606883B2 (en) | 2014-05-15 | 2020-03-31 | Evolv Technology Solutions, Inc. | Selection of initial document collection for visual interactive search |
US10102277B2 (en) | 2014-05-15 | 2018-10-16 | Sentient Technologies (Barbados) Limited | Bayesian visual interactive search |
CN107209796B (zh) * | 2014-12-19 | 2022-01-25 | 皇家飞利浦有限公司 | 质量保证规则的自动化导出 |
US9585455B2 (en) * | 2015-04-10 | 2017-03-07 | Station 22, LLC | Nail polish container holder |
US11353533B2 (en) | 2016-02-24 | 2022-06-07 | Ohio State Innovation Foundation | Methods and devices for contrast agent magnetic resonance imaging |
US10909459B2 (en) | 2016-06-09 | 2021-02-02 | Cognizant Technology Solutions U.S. Corporation | Content embedding using deep metric learning algorithms |
US10755142B2 (en) | 2017-09-05 | 2020-08-25 | Cognizant Technology Solutions U.S. Corporation | Automated and unsupervised generation of real-world training data |
US10755144B2 (en) | 2017-09-05 | 2020-08-25 | Cognizant Technology Solutions U.S. Corporation | Automated and unsupervised generation of real-world training data |
US11574201B2 (en) | 2018-02-06 | 2023-02-07 | Cognizant Technology Solutions U.S. Corporation | Enhancing evolutionary optimization in uncertain environments by allocating evaluations via multi-armed bandit algorithms |
US11060981B2 (en) * | 2018-03-20 | 2021-07-13 | Applied Materials Israel Ltd. | Guided inspection of a semiconductor wafer based on spatial density analysis |
US10631791B2 (en) | 2018-06-25 | 2020-04-28 | Caption Health, Inc. | Video clip selector for medical imaging and diagnosis |
US11397977B1 (en) * | 2019-06-26 | 2022-07-26 | Block, Inc. | Integration of image capturing mechanism into ecommerce application |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101061509A (zh) * | 2004-11-19 | 2007-10-24 | 皇家飞利浦电子股份有限公司 | 用于医疗成像数据内的肿瘤边界的自动检测和分割的系统和方法 |
CN101087555A (zh) * | 2004-10-27 | 2007-12-12 | 罗伯特L·英格兰 | 病人慢性疼痛的客观测定 |
CN101188021A (zh) * | 2006-09-19 | 2008-05-28 | 西门子公司 | 自动图形识别应用的结果滤波器和选择结果数据的方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6941323B1 (en) | 1999-08-09 | 2005-09-06 | Almen Laboratories, Inc. | System and method for image comparison and retrieval by enhancing, defining, and parameterizing objects in images |
US6954729B2 (en) * | 2000-01-27 | 2005-10-11 | Bowe Bell & Howell Postal Systems Company | Address learning system and method for using same |
IL139655A0 (en) | 2000-11-14 | 2002-02-10 | Hillman Yitzchak | A method and a system for combining automated medical and psychiatric profiling from combined input images of brain scans with observed expert and automated interpreter using a neural network |
US7873405B2 (en) | 2004-06-02 | 2011-01-18 | Siemens Medical Solutions Usa, Inc. | Automated detection of Alzheimer's disease by statistical analysis with positron emission tomography images |
US20090226065A1 (en) * | 2004-10-09 | 2009-09-10 | Dongqing Chen | Sampling medical images for virtual histology |
JP5424902B2 (ja) | 2007-03-06 | 2014-02-26 | コーニンクレッカ フィリップス エヌ ヴェ | Pet/mrフロー推定を用いて補われる自動診断及び自動整列 |
US8494227B2 (en) * | 2007-04-17 | 2013-07-23 | Francine J. Prokoski | System and method for using three dimensional infrared imaging to identify individuals |
US8600771B2 (en) * | 2007-11-21 | 2013-12-03 | General Electric Company | Systems and methods for generating a teaching file message |
US8566122B2 (en) * | 2008-08-27 | 2013-10-22 | General Electric Company | Method and apparatus for navigation to unseen radiology images |
US20100074480A1 (en) | 2008-09-22 | 2010-03-25 | University Of Washington | Device for generating alternative of normal brain database |
WO2011135573A1 (en) * | 2010-04-28 | 2011-11-03 | Given Imaging Ltd. | System and method for displaying portions of in-vivo images |
-
2013
- 2013-01-15 CN CN201380008416.1A patent/CN104115149B/zh not_active Expired - Fee Related
- 2013-01-15 US US14/373,914 patent/US9053213B2/en not_active Expired - Fee Related
- 2013-01-15 EP EP13708905.8A patent/EP2812828B1/en not_active Not-in-force
- 2013-01-15 WO PCT/IB2013/050361 patent/WO2013118001A1/en active Application Filing
- 2013-01-15 BR BR112014019162A patent/BR112014019162A8/pt not_active IP Right Cessation
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101087555A (zh) * | 2004-10-27 | 2007-12-12 | 罗伯特L·英格兰 | 病人慢性疼痛的客观测定 |
CN101061509A (zh) * | 2004-11-19 | 2007-10-24 | 皇家飞利浦电子股份有限公司 | 用于医疗成像数据内的肿瘤边界的自动检测和分割的系统和方法 |
CN101188021A (zh) * | 2006-09-19 | 2008-05-28 | 西门子公司 | 自动图形识别应用的结果滤波器和选择结果数据的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104115149A (zh) | 2014-10-22 |
BR112014019162A2 (zh) | 2017-06-20 |
WO2013118001A1 (en) | 2013-08-15 |
EP2812828B1 (en) | 2018-11-28 |
EP2812828A1 (en) | 2014-12-17 |
US9053213B2 (en) | 2015-06-09 |
BR112014019162A8 (pt) | 2017-07-11 |
US20150036948A1 (en) | 2015-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104115149B (zh) | 用于统计学测试的扫描数据库的交互式优化 | |
US20190220978A1 (en) | Method for integrating image analysis, longitudinal tracking of a region of interest and updating of a knowledge representation | |
US10275876B2 (en) | Methods and systems for automatically selecting an implant for a patient | |
US9014485B2 (en) | Image reporting method | |
JP2019093137A (ja) | 放射線学的所見のためのポイントオブケア警報を送達するためのシステムおよび方法 | |
JP5952835B2 (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
US20190214118A1 (en) | Automated anatomically-based reporting of medical images via image annotation | |
US7996240B2 (en) | Knowledge-based system for supporting radiological assessment and diagnostics | |
JP6830068B2 (ja) | 意味的にカテゴライズされたタイムラインを表示するための装置、システム及び方法 | |
WO2020102914A1 (en) | System and method for assessing medical images | |
US20180055468A1 (en) | Tracking anatomical findings within medical images | |
CN106462661A (zh) | 用于自动选择针对医学研究的悬挂协议的系统和相关方法 | |
Chan et al. | Deep learning for mammographic breast density assessment and beyond | |
CN108604462A (zh) | 用于优化临床工作流程的预测模型 | |
US20220399107A1 (en) | Automated protocoling in medical imaging systems | |
Lekadir et al. | FUTURE-AI: Guiding principles and consensus recommendations for trustworthy artificial intelligence in future medical imaging | |
WO2023223060A1 (en) | Method for training a system adapted for aiding evaluation of a medical image | |
CN117912626A (zh) | 提供用于创建医学评定报告的文档模型结构的方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171117 Termination date: 20200115 |
|
CF01 | Termination of patent right due to non-payment of annual fee |