CN105359161A - 用于医学图像分析和概率诊断的系统和方法 - Google Patents

用于医学图像分析和概率诊断的系统和方法 Download PDF

Info

Publication number
CN105359161A
CN105359161A CN201480033168.0A CN201480033168A CN105359161A CN 105359161 A CN105359161 A CN 105359161A CN 201480033168 A CN201480033168 A CN 201480033168A CN 105359161 A CN105359161 A CN 105359161A
Authority
CN
China
Prior art keywords
key feature
patient
medical image
feature pattern
diagnosis
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.)
Pending
Application number
CN201480033168.0A
Other languages
English (en)
Inventor
罗伯特·尼古拉斯·布赖恩
爱德华·H·赫斯科维茨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Pennsylvania Penn
Original Assignee
University of Pennsylvania Penn
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Pennsylvania Penn filed Critical University of Pennsylvania Penn
Publication of CN105359161A publication Critical patent/CN105359161A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

公开了一种用于基于患者的医学图像来获得概率诊断的方法和系统。在示例性实施例中，这样的方法包括以下步骤：扫描患者的一些或全部，以获得医学图像；针对一个或更多个指定关键特征评估医学图像；将离散值分配给一个或更多个指定关键特征，以形成患者扫描关键特征图案；以及将一个或更多个指定关键特征的值传送给处理器，该处理器被编程为将患者扫描关键特征图案与一个或更多个已知疾病特异性关键特征图案进行匹配，以生成概率诊断，并且将概率诊断传送给用户。关联的系统包括：医学成像装置，该医学成像装置能够产生患者的一些或全部的医学图像；以及处理器，该处理器被编程为生成概率诊断。

Description

用于医学图像分析和概率诊断的系统和方法
相关申请的交叉引用
本申请要求分别于2013年4月13日和2013年4月15提交的名称都为“SystemandMethodforMedicalImageAnalysisandProbabilisticDiagnosis,”的美国临时申请No.61/811,731和美国临时申请No.61/812,112的优先权，二者的全部内容通过引用合并于此，用于所有目的。
政府的权利
本文所公开的主题可能是在由国家健康协会授予的授权号为AG014971和HC095178的政府支持下做出的。政府具有本发明内容的特定权利。
技术领域
本发明涉及医学成像和医学图像解释。
背景技术
最近，出现了数字成像数据的爆炸性增长，这造成挑战和机遇。当代计算技术可以分析巨大量的复杂数据，并且正在被纳入决策支持的应用程序。
每年$100B的医学成像业务目前基于高科技“拍照”前端，该前端向负责创建官方最终产品-报告的低科技人力后端进行馈送。在该传统处理中，包含在来自CT、MR、PET和实时超声系统的当今计算机生成的医学图像中的广泛而显著复杂的信息最后变成被不充分地概括为少于100字的放射科医生的简短、主观、定性的报告。当代数字成像装置和模拟人类读者之间的技术不匹配，不仅操作效率低，而且极大地限制了研究的临床价值。
医学图像解释技术没有跟上医学图像生成技术。一般成像和具体的生物医学成像具有两种不同的元素-图像生成和图像解释。两者对于任何实际应用都是必需的。虽然密切相关和相互需要，但是图像生成和解释实际上是单独的处理。在过去的30年中，在将来自大多数身体部位的信号精致地结合成视觉冲击力的图像方面，'爆炸性'地出现了使用CT、MRI、US、PET和SPECT现在加入了X射线的新的和日益有用的医学图像产生技术。不幸的是，图像解释从伦琴的时代开始没有改变。医学图像解释者仍是传统的观察人员，尽管其比1900年的观察者更加训练有素、知识渊博。虽然专门的观察人员如放射科医生能非常好地执行其解释性的任务，但其必然使用人类视觉系统，从而根本上受人类视觉系统限制。此外，目前的放射科工作流程效率低下。放射科医生用于观看和报告标准的放射照相研究的平均时间为3分钟，其中约25％专门用于报告生成的机制。报告生成需要的行政部分不仅是单调乏味的，而且明显的不愉快，目前的语音识别(VR)系统使得该部分更是如此。
所有放射科医生和其他影像学专家是其观察中的内在变量，对小的信号变化不敏感，不理解复杂的空间图案，以及是非定量的。随着图像采集技术的进步，这些人的局限性越来越限制可从更优化的图像数据获得的有用信息。医学图像现在本质上是数字的，所有的医学图像从计算机处理得出。与人工图像分析相比，计算结果是不变的，对肉眼(fMRI)感知不到的微小的信号变化敏感，反映非常复杂的空间图案(阿尔茨海默病萎缩图案)以及在本质上为定量的，这使得能够进行更复杂的统计分析。计算机分析也提供了降低医学图像分析的成本的机会，计算机更加经济和高效地执行平凡的解释性任务，将要求更高的任务留给更昂贵的专业读者。然而，尽管存在有许多生物医学图像分析的计算机算法，但是多数在相对平缓的节奏下工作，而且范围有限，以特设的方式针对特定研究假设所规定的定义非常狭窄的任务而工作。
没有感知到图像发现是漏诊、最重要的临床和法医学解释性错误的主要贡献者。降低错过发现的长期公认的机制是“双重阅读”。双重阅读涉及到两个观察人员观看和解释同一图像研究。该方法已被证明能够降低漏诊。不幸的是，除了某些具体情况之外，双重阅读的后勤需求和成本禁止了一般性用途。筛查乳房X线照片的双重阅读是大不列颠的护理标准。这种做法现在已经被使用乳房X线摄影CAD软件来执行“第二阅读”更新。在灵敏度和特异性方面，放射科医生和CAD的结合在大的临床试验中被证明表现与两个放射科医生一样好，但周转时间更快且费用更少。虽然该研究证明了使用计算机图像分析来改善单个放射科医生的解释质量和效率二者的概念，但是这种做法没有在放射学实践中广泛采用。
在当前的软件功能/方法方面，存在阻止其广泛用于医学图像解译的限制。虽然从计算机软件获得诊断支持的构思并不新鲜，但是早期的系统由于不成熟的软件功能、硬件限制、工作效率低和成本而限制了临床成功。虽然技术的改进使得能够在如乳房X线照片的解释这样的领域中应用，但是筛查乳房X线照片是具有非常有限的诊断选择和几乎没有紧迫性的相对独特的解释性任务。这些条件可以使用“niche”软件和相对原始的计算资源来满足。迄今，没有图像分析软件工具健壮到足以被广泛地应用于医学图像解释并能够在紧急护理的时间表内进行操作。现代的图像分析软件仍然是非常任务特定的(虽然SPM和各种图像分析工具包提供更广泛的分析能力)，操作上要求很高，且相对于临床环境较慢。
需要一种高效、廉价和最大程度地减少人为错误的用于解释医学图像的系统化方法和系统。
发明内容
公开了一种用于获得患者的概率诊断的方法。在示例性实施例中，这样的方法包括以下步骤：扫描患者的一些或全部，以获得医学图像；识别医学图像中的一个或更多个指定关键特征；将离散值分配给一个或更多个指定关键特征，以形成患者扫描关键特征图案；以及将患者扫描关键特征图案传送给处理器，该处理器被编程为将患者扫描关键特征图案与一个或更多个已知疾病特异性关键特征图案进行匹配，以生成概率诊断并且将概率诊断传送给用户。关键特征识别步骤可以由人来执行、由计算机程序来执行或由人和计算机程序的组合来执行。在一些实施例中，所分配的值是定量的，而在另一些实施例中，所分配的值是半定量的。在另一些实施例中，这样的方法包括以下步骤：扫描患者的一些或全部，以获得医学图像；以及将所述医学图像传送给处理器，该处理器被编程为通过以下步骤来生成概率诊断：针对一个或更多个指定关键特征来评估医学图像；将定量值分配给一个或更多个指定关键特征，以形成患者扫描关键特征图案；将患者扫描关键特征图案与一个或更多个已知疾病特异性关键特征图案进行匹配，以生成概率诊断；以及将概率诊断传送给用户。
也公开了一种用于获得患者的概率诊断的系统。在示例性实施例中，这样的系统包括：医学成像装置，该医学成像装置能够产生患者的一些或全部的医学图像；以及处理器，该处理器被编程为：通过将包括与从医学图像提取的指定关键特征对应的一个或更多个定量值或半定量值的患者扫描关键特征图案与一个或更多个已知疾病特异性关键特征图案进行匹配来生成概率诊断，并且将该概率诊断传送给用户。处理器还可以被编程为：在与患者扫描关键特征图案进行匹配之前提取与来自医学图像的指定关键特征对应的一个或更多个定量值，例如通过识别医学图像中的一个或更多个指定关键特征以及将定量值分配给所述一个或更多个指定关键特征来形成患者扫描关键特征图案。在一些实施例中，与关键特征对应的值是依序排列的半定量值。在另一些实施例中，与关键特征对应的值是定量的。
附图说明
当结合附图阅读时将进一步理解本申请。出于说明本主题的目的，在附图中示出了本主题的示例性实施例；然而，本公开的主题不限于所公开的特定方法、装置和系统。此外，附图不一定按比例绘制。在附图中：
图1A示意性地示出了本发明的系统的实施例的元件；
图2示出了在贝叶斯网络中实例化的专家系统；
图3A图形地描绘了本发明的方法的实施例的步骤；
图3B图形地描绘了本发明的方法的另一实施例的步骤；
图4示出了可以通过其对关键特征提取工具进行编程以工作的方法的流程图；以及
图5示出了具有来自脑疾病/KF表的对应的KF概率的DDx疾病列表的提取子集。
具体实施方式
通过参考下面结合附图和示例进行的描述，可以更容易地理解本发明，所有所述附图和示例形成本公开的一部分。应理解，本发明不限于在本文中描述和/或示出的特定产品、方法、条件或参数，并且本文中使用的术语是出于仅作为示例的方式来描述特定实施例的目的，并且不意在限制任何要求保护的发明。类似地，除非另有具体陈述，否则对可能的机制或动作方式或改进原因的任何描述仅意在是说明性的，本文中的发明不受任何这样建议的机制或动作方式或改进原因的正确与否的限制。贯穿本文本，应认识到所述描述涉及使用系统以进行概率诊断的特征和方法两者以及系统自身，反之亦然。
应认识到，为清楚起见本文在单独的实施例的上下文中描述的本发明的某些特征，也可以组合地提供在单个实施例中。也就是说，除非明显不相容或被具体排除，否则每个个体的实施例被视为可以与任何其他实施例组合，并且这样的组合被认为是另一实施例。相反，为简单起见在单个实施例的上下文中描述的本发明的各个特征，也可以单独地或以任何子组合的方式提供。还应指出，权利要求可以被起草为排除任何可选元件。因此，该陈述意在用作将如“单独地”、“仅仅”等的排他性术语与权利要求要素的叙述相结合使用或使用“否定性”限制的先行基础。最后，尽管实施例可以被描述为一系列步骤的一部分或更通用结构的一部分，但每个所述步骤本身也可以被视为独立的实施例。
除非另有限定，否则在本文中使用的所有技术和科学术语具有与本发明所属领域的普通技术人员通常理解的相同的含义。尽管与本文中描述的相似或等同的任何方法和材料也可用于本发明的实践或试验，但在本文中描述了典型的说明性方法和材料。
图1A示出了本发明的系统(100)，系统(100)包括：医学成像装置(105)，其能够产生患者的一些或全部的医学图像；以及处理器(115)，其被编程为通过将包括与从医学图像提取的指定关键特征对应的一个或更多个定量值或半定量值的患者扫描关键特征图案与一个或更多个已知疾病特异性关键特征图案进行匹配来生成概率诊断以及将概率诊断传送给用户。贯穿全文，概率诊断也被称为鉴别诊断，并且可以指代一个或更多个候选诊断，每个由其可能性排名。合适的医学成像装置(105)包括产生患者的一些或全部的视觉图像的任何装置，包括但不限于，CT、MRI、US、PET、X射线和SPECT。处理器还可以被编程为：在与患者扫描关键特征图案进行匹配之前，提取与来自医学图像的一个或更多个指定关键特征对应的定量值，例如通过识别医学图像中的一个或更多个指定关键特征并且将定量值分配给一个或更多个指定关键特征以形成患者扫描关键特征图案。关键特征是医学图像的可以由图像的信号来识别的方面，例如亮度，在图像内的空间如大小、形状和位置，以及在多个图像之间随时间的变化如稳定性。患者扫描关键特征图案是指一个或更多个关键特征的组和分配给一个或更多个关键特征的定量值或半定量值。已知疾病特异性关键特征图案是指一个或更多个指定关键特征的组和与特定疾病相关的相应概率。贯穿本公开，被编程为提取患者扫描关键特征图案并且将患者扫描关键特征图案施加到一个或更多个已知疾病特异性关键特征图案二者的这样的处理器(115)可以被称为RadDx。在一些实施例中，本发明的系统还可以包括报告生成器(RG)，其向医学专业人员或医学界传达关键特征和/或诊断。RG可以用书面报告或电子报告的形式来传达关键特征和/或诊断。包括将患者扫描关键特征图案施加到一个或更多个已知疾病特异性关键特征图案的编程或处理器上的编程的处理器(115)在本文中还被称为专家系统(ES)。在一些实施例中，该系统还包括以下处理器，该处理器可以被编程为执行以下步骤:识别医学图像中的一个或更多个指定关键特征，并且将定量值分配给一个或更多个指定关键特征。传输可以包括电子传输，例如通过互联网或内联网进行传输。
可以在贝叶斯网络中将患者扫描关键特征图案与已知疾病特异性关键特征图案进行匹配。图2示出了根据本发明的示例贝叶斯网络(400)的一部分。外围节点(405)与涉及个体患者扫描的关键特征对应，即，外围节点代表患者扫描关键特征图案。中心节点(410)与包括与关键特征中的每个关键特征有关的概率的已知疾病特异性关键特征图案对应；图2示出了用于脓肿的关键特征。本发明的ES可被编程为包括任何数量的已知疾病的已知疾病特异性关键特征图案。ES可被编程为将患者扫描关键特征图案与被编程的已知疾病特异性关键特征图案中的每个进行匹配，并且基于匹配来提供可能的诊断。
已开发出原型贝叶斯专家系统，其将在图像中检测到的关键特征(KF)用作输入，并且输出由后验概率排名的鉴别诊断(DDx)。该方法基于从三个固有图像域：信号、空间和时间来限定和提取的关键特征(KF)。这些KF和适当的临床信息被馈送到得出临床鉴别诊断(DDx)的贝叶斯网络专家系统(ES)。报告生成器(RG)可以将KF合并到“发现”中并且将DDX合并到标准临床报告的“印象”部分，标准临床报告可以被结合作为自由文本或电子病历(EMR)中所限定的字段。算法是自学习的，因为其也产生KF和DDx的关系知识库，该关系知识库可链接至EMR的其他部分以用于进一步的科学分析和贝叶斯ES的不断更新。这样的系统可以包括适用于任何图像类型的软件。
提供了临床数字图像分析和报告系统，其可以取代目前用于医学成像的报告生成工具。RadDx工具在临床环境和时间框架下可以与放射科医生协同工作，呈现用于由合适的临床医师进行审查和核实的倒数第二报告。由于其增加的临床应用价值和工作效率，本发明的系统可以与放射科医生完全集成，以使得最终报告得益于并且反映计算机和人的独特的贡献。
图3A示出了包括以下步骤的方法：扫描(205)患者的一些或全部以获得医学图像；识别(207)医学图像中的一个或更多个指定关键特征；将离散值分配(210)给一个或更多个指定关键特征以形成关键特征图案；以及将患者扫描关键特征图案传送(212)给处理器(215)，处理器(215)被编程为将患者扫描关键特征图案与一个或更多个已知疾病特异性关键特征模型进行匹配，以生成概率诊断；以及将概率诊断传送给用户。识别步骤(207)可以由人来执行，由计算机程序来执行，或者由人和计算机程序的组合来执行。在识别步骤中，可以识别关键特征，并且在分配步骤中可以向关键特征给出离散值。在一些实施例中，所分配的值是定量的，而在另一些实施例中，所分配的值可以是半定量的。半定量的值是离散的，同时半定量的值不一定是数字的，其也可以是序数如依序排列的值，或类别。分配给关键特征的值可以在传送(212)给专家系统之前输入到计算机接口中。当识别和分配步骤由计算机来执行时，识别和分配步骤可以同时进行。传输可以包括电子传输，例如通过互联网或内联网进行传输。
图3B示出了包括以下步骤的方法：扫描(205)患者中的一些患者或全部患者以获得医学图像；以及将医学图像传送(212)给处理器，该处理器被编程为通过以下步骤生成概率诊断：识别医学图像中的一个或更多个指定关键特征；将定量值分配给患者扫描关键特征图案的一个或更多个指定关键特征，以形成患者扫描关键特征图案；将患者扫描关键特征图案与一个或更多个已知疾病特异性关键特征图案进行匹配以生成概率诊断；以及将概率诊断传送给用户。识别和分配步骤可以同时进行。传输可以包括电子传输，例如通过互联网或内联网进行传输。
已开发出用于解释医学图像的方法，这可以导致以一致的精确度高效地解释医学图像。通用图像分析处理可以概括为：1)将个体的图像归一化到共同的参考空间；2)将图像数据解构到3个固有图像域中-信号(亮度)、空间(大小、形状和位置)和时间(稳定性)；3)从每个域中提取KF；以及4)将个体检查KF与基于疾病模型的关键特征进行概率匹配。
本发明的系统可包括被编程为运行以下算法的计算机，该算法能够跨三个固有图像域即信号、空间和时间从广泛的医学图像中提取KF。本发明的核心理论创新是以下通用图像解释的构思：基于在这三个固有图像域中对图像数据进行解构和分析并且将其与优化的专家系统例如贝叶斯网络进行集成，该专家系统不仅利用图像数据而且还利用包含在现代电子病历(EMR)中其他相关的非图像数据来得到概率鉴别诊断。
本发明包括通过在实时临床环境中工作的软件进行的计算机实现的医学图像解释处理。本发明还包括系统，该系统可以包括用于临床图像解释的一般化软件，该临床图像解释可被放射科医生用作“第二阅读”。
根据本发明的另一方面，可以使用计算机来执行人根本无法做到的图像分析任务。计算机的分析能力使得能够向医师报告以更多利用现在低于人类观察阈值的图像数据。例如，70岁男性的大脑的高分辨率、多模态的MRI不仅可以用来诊断成胶质细胞瘤的质量，而且还证明运动皮层的损伤与一致阿尔茨海默病的微妙萎缩模式的关系。传统的放射科医生目前仅对基本诊断有贡献，而该情况下的第二两个图像发现需要由计算机贡献。此外，计算机的结果在本质上是定量和高度结构化的，适用于现代电子病历和信息系统二者。计算机解释的定量、结构化的结果使得能够进行详细图像数据的更精确、直接的通信，减少由于定性口头报告的模糊性引起的实践变化，以及使得演进的信息学工具能够利用离散的图像数据类型以进行后面的实践和结果分析。
提出的计算机化图像解释系统可以给放射科医生的有价值但定性的观察人员角色补充根据定量计算分析的更可靠的科学成果。该进步符合将离散数据、计算机和现代信息学总体合并到医学中。
生成与人工生成的报告“同等质量”的报告并且减少解释时间20％的“合理成本”的“实时”计算机报告系统会立即取代目前的报告生成系统。如果系统向目前的定性结果添加定量的结果，则其实践价值和经济价值将更大。如果系统提高了诊断的准确性，则其将成为实践要求。当然，必须限定“实时”，“合理的价格”和“同等质量”。随着当前和预计的专业补偿下降，所提出的系统在消除记录人工解释的令人讨厌的任务并且减少解释时间25％方面将存在显著的心理和经济价值。
在一种实施例中，特征提取软件可用于脑MRI研究的定量分析。软件可从协议限定的MRI检查中提取关键图像特征，并且定量报告这些关键图像特征以用于随后对研究假设的统计测试。从多信号(FLAIR、PD、T1、T2、DTI、ASL和fMRI)MRI研究提取的KF可以包括：相对信号强度(信号域)、体积、解剖位置(空间域)以及随时间的变化(时间域)。软件可以被修改以提取由使用者的临床目标限定的KF。
本发明的软件可以采用来自图片档案系统(PACS)存档如宾夕法尼亚大学医院系统(UPHS)临床PACS存档的为标准DICOM格式的数字数据，并且呈现包括KF和DDx的结构化报告。分析处理包括两个连续的步骤：1)KF提取，以及2)DDx生成，后者基于前者。此任务特定软件能够对任何器官中的任何病理组织进行分类。算法将数据解构到三个固有图像域：信号、空间和时间中。KF嵌入在这些域中并从这些域提取。每个域被单独而不是并行地分析。分析是基于体素/病灶/器官的，其中，个体患者的图像量度被归一化并且与参考群体进行统计比较。针对每个域的KF的结果被统计归纳，即Z评分，然后可以将其分类为具有任意动态范围的类别数值或文字描述符，动态范围例如，三(减小、正常、增加)或七((-3，-2，-1，n，+1，+2，+3；正常，轻度，中度，严重增加/减少)。针对每个度量具有参考分布的训练集从正常和临床数字图像存档得出。然后，将从个体患者提取的KF馈送至专家系统(ES)，专家系统(ES)将患者图像KF与特定疾病KF库进行最佳匹配。ES基于图像数据和用于预测模型的任何其他临床数据按照该患者的可能性的排序来输出DDx。最后，报告生成器(RG)将KF和DDx合并到标准化放射性报告的“发现”和“印象”部分中。KF和DDx还被添加到不断更新的关系知识库，该关系知识库可以用于图像分析软件的其他目的，包括工作流管理、结果分析以及统计验证。
关键特征提取工具
图4示出了通过其可以对关键特征提取工具进行编程以工作的方法的流程图。图3的流程图还表示用于执行本发明的方法中的评价医学图像中的关键特征的步骤的处理。
如图4所示，步骤1涉及制备帧内患者研究操作，包括图像传输(305)之后的仿射对准(310)和研究图像共同配准(315)。步骤2明确地提取(320)要进行评估的每个主要器官。例如，脑提取工具(BET)可以应用于脑分析。步骤3涉及个体患者图像的信号和空间归一化(325)。来自给定的检查(特定器官的X射线、CT、MRI等)的信号的分布被归一化成参考群体的信号强度的相应分布。可以使用组织分割工具将总体信号分布细分成各个器官的主要组织类型(即，骨、水、脂肪等)(330)。可以将这些组织标记分配给每个患者图像体素，患者图像体素中的每一个现在具有信号和组织标记。
仍参照图4，对于空间KF分析的步骤4，可以使用配准算法将组织标记的器官图像与相应的解剖模板非线性地配准(335)，这是基于概率和总体的。患者图像现在处于可比较的信号(亮度)和空间(解剖)参考空间。每个体素具有归一化的信号强度和解剖标记。空间配准处理不仅解剖地标记体素，而且根据其基于总体的范式定量地限定每个体素的空间变化，以使得能够进行明确的空间分析。在初始组织分类步骤中，个体的体素被分配给器官并且根据信号强度分类为正常或异常，后面的状态被限定为“病灶”(340)。空间域分析可以在器官、病灶或体素级别来进行。使用形态测量工具，各器官或病灶可以由传统的空间描述符如数量、大小、形状和位置来描述。该分析步骤可以输出，例如，“脑室和脑沟是适度放大的”。
对于信号KF分析的步骤4，可以使用例如利用支持向量机(SVM)工具根据训练集构造的非线性模式分类器将每个体素的全局归一化信号强度与来自参考群体中在空间上对应的体素的信号的分布进行比较(345)。SVM可以计算用于每个体素的属性向量(AV)，其被限定为：
F(v)＝{I(tm)|tm∈Ω(vm)，m∈S1，S2...Sn}
然后，可以在Hilbert空间中计算距预定义的“正常”组织的距离。AV可以具有一个或更多个信号分量。在MRI的情况下，这些信号分量可以包括PD、T2以及前和后对比度T1。SVM的输出是通过最佳阈值被转换为任何类别尺度的异常的标量量度。例如使用3尺度分类器，患者图像中的每个体素可以被分类为正常或异常增加或减少。当患者图像被解剖地标记时，异常信号强度的位置可以被解剖地限定(350)。例如，根据X射线CT扫描，该分析步骤可以输出，“在右尾状核中信号强度(放射密度)显著增加。”
步骤7中的时间域KF分析(360)由时间的变化来驱动，并且需要来自同一患者的在不同时间通常治疗前和治疗后拍摄的至少两组图像。对于该分析，预备步骤包括将第二研究与用于第一研究的相同解剖模板进行空间配准。差分算子限定了根据第一检查信号强度或空间位置变化的第二图像中的体素。时间变化被报告为：没有变化，渐进(相比于第一检查，比正常模板不同更多)或解析(相比于第一检查，更类似于正常模板)。该步骤可以输出，例如，“相比于先前的研究，脑室和脑沟尺寸减小”。
上面的分析步骤根据患者的成像研究产生信号、以及空间和时间KF(355)。这些KF可以在多维表中表示，其中每个器官或病灶具有信号、空间(和时间)KF，并且被如此传送至专家系统和知识库。
鉴别诊断专家系统(ES)
对于DDx开发，ES使用贝叶斯网络将患者研究的KF与特定疾病KF库进行最佳匹配，贝叶斯网络被设计成基于预定的KF来输出DDx。KF可以由观察人员(放射科医生)、特定的软件、或观察人员和放射科医生二者来提取。图5示出具有来自脑MRI疾病/KF表的对应KF表的DDx疾病列表的提取子集。在该表中，存在有6个MRI信号，10个空间图像KF和一个时间图像KF，外加1个基于非图像的预测因子(年龄)。
对于简单的操作示例，ES可以采取理论“未知”的情况下的KF，并且将其输入作为包含疾病结果节点和对因果联系的概率估计的贝叶斯网络中的预测节点(图2)。程序将执行概率计算，导致在DDx中：1)脑膜炎(P＝0.7)，2)大脑炎(P＝0.2)。
ES可以基于贝叶斯网络的概率支撑，其中，KF和DDx由通过关系连接链接到疾病特定节点的‘事务-的-状态’节点来表示。在一个实施例中，脑ES程序可以有大约120种疾病、20个图像KF和4个初始非图像预测因子。
报告生成器(RG)
基于将KF嵌入到商业放射学报告应用程序中的RG可以用于结果报告。该工具可以将KF合并到标准放射学报告的发现段中。RG还可以生成包含离散KF和DDx结果的关系数据库。在一种实施例中，RG可能需要人来进行KF提取和数据输入。在另一实施例中，RG可以接受可比较的计算机生成的KF，或者人进行KF提取和输入与计算机进行KF提取和输入的组合。同样，报告的印象段内DDx可以是人产生的，或者可以接受ES产生的DDx。针对所有研究变量，RG可以使用来自RADLEX和SNOMED词典的标准术语。
ES的最终输出可以是包括KF和最终DDx以及统计可能性的标准化文本报告。此外，每种情况下的KF和DDx被添加到用于不断更新贝叶斯ES的演进的知识库。与图像有关的操作和技术因素也可以添加到知识库以用于其他操作，如工作流管理、监管文档、质量控制和结果分析。
软件组件的集成和验证
软件的结果评估可以基于计算机生成的KF和DDx相比于临床或病理定义的基本事实或放射科医生对相同情况的解释的敏感性/特异性和ROC分析。计算机和放射科医生的结果可以根据KF分类，而DDx可以被视为依序排列的离散变量。特征提取软件可以被编程为将KF输出为例如3或7尺度的类别。KF的数目可以相对有限(1至6个信号；2个空间；用于每个模态的1个时间)，但可以有更多的可能DDx变量(例如，在当前的脑疾病表中约为120)。为了具有可比较的人工得到的KF，开发了新的放射学报告工具。自定义模板包括与由计算机生成并且在DDxES中使用的KF对应的字段。因此，这种独特的报告工具使得放射科医生能够在对其常规工作流程的干扰最小的情况下产生可比较的、离散的预测(KF)和结果(DDx)变量。可以使用软件从临床报告中提取这些变量。然后，可以通过计算机分析软件对这些相同的临床病例进行分析。
对于这些验证分析而言，病理证实的病例的评估集合可由放射科医生和计算机来解释。例如，病例可以是在放射科医生的实践中看到的典型病例。病例可通过针对与所选择的测试诊断对应的匹配诊断进行第一搜索来随机选择。然后，这些候选病例可以由放射科医生审查以确认诊断和成像研究的技术质量，所述成像研究必须适用于KF软件。在示例验证过程中，对于每个任务，评估集合可以包括限定数量的疾病情况，所述疾病情况中的每个具有代表性患者研究外加正常病例。使用RG，每个放射科医生可以解释全面评价集合一次或更多次。还可以使用计算机来解释评估集合任意次数，例如两次。这些读数可以产生可用于帧间和帧内人、帧间人/计算机以及帧内计算机读者分析的单独图像解释。
可以针对可比性，对人和计算机结果进行统计测试。可以计算在人和计算机报告对上对一致性评定等级的单因素分析。可以针对整个样本，计算卡帕和加权卡帕统计以及ROC曲线。
示例
下面的示例，虽然说明了个别实施例，但是不旨在限制所描述的本发明的范围，并且读者不应该以此方式对其进行解释。
示例1
使用一小组临床神经放射学MR检查来开发和评估原型神经放射学决策支持应用。读者在不考虑经验水平的情况下选择相似的KF值。在每个读者的最可能的诊断和已知的诊断之间存在极好的一致性。
材料和方法：十一个神经放射学实体(脓肿、脑炎、颅咽管瘤、成胶质细胞瘤、血肿、梗塞、转移瘤、多发性硬化症、脑膜炎、弓形体病、黄色肉芽肿)和正常由高级神经放射科医生评估以识别表征和理想化的成像KF以及这些特征的近似条件概率。这些特征和概率被用来构建用于鉴别诊断的贝叶斯专家系统。两个神经放射科医生从宾夕法尼亚州大学PACS选择100个诊断证实MR检查的测试集合：针对每个实体选择6个测试集合。三个盲诊读者-主治神经放射科医生、神经放射学研究员、PGY-3放射学住院医师-在对每个病例进行审查之后报告KF及其依序排列的DDx。每个读者的KF被输入到模型中，以针对每个病例-读者的组合得到后验概率排名的DDx列表。读者的观察KF彼此进行比较并且与理想疾病特征进行比较，以及读者的DDx与模型的DDx进行比较并且相互比较。DDx列表还与临床证实诊断进行比较。使用百分比一致性、卡铂统计和ROC分析来评估人和计算机读取器性能。
结果：对于个体提取的KF，在不同的读取人员之间存在有中等至极好的一致性(57至91％)，这类似于针对多种疾病在个体读者KF和理想化KF之间的一致性(42至94％)。针对每个特征读者间的一致性类似于读者和模型系统KF之间的一致性。模型，在使用理想病例(即具有由高级神经放射科医生确定的“典型”特征的病例)时，与已知的诊断存在100％的一致性。这些结果表明，模型系统所基于的KF与实际临床病例一致。人类读者的主要诊断相对于证实的诊断显示出77至92％百分比一致性以及K＝0.74至0.91。人类读者的DDX的ROC分析与基于人提取的KF的模型输出诊断都表现出了优异的性能，其中，人(AUC0.91至0.93)的表现仅稍好于模型(AUC0.66至0.82)。
示例2
初始模型贝叶斯网络专家系统基于一个神经放射学专家(RNB)的意见构建，并且用于根据由3个经验不同的盲审读者从代表病例提取的关键特征(KF)来生成鉴别诊断。该网络，被限定为M1P1，集成使用预定义的条件概率(CP)从脑MRI研究提取的数据，以输出11个不同神经放射学实体的后验概率和正常值。为了提高用于神经放射学的计算机辅助鉴别诊断系统的性能，将经由修改的Delphi方法的专家共识和数据驱动方法进行比较。本示例的目的是通过改变模型的条件概率来提高贝叶斯ES模型的性能。
材料和方法。使用两种方法来修改CP：专家共识和数据驱动。对于前者，使用修改的Delphi方法。三个神经放射学专家独立产生用于网络的CP，然后，所产生的CP被共享、审查和独立地修改。经过3轮，读者的表被求平均并输入到被限定为M1P2的模型中。对于数据驱动方式，根据由三个盲诊病例读者所提取的KF来计算每个状态的条件概率，并且将所计算的条件概率输入到被限定为M1P3的模型。贝叶斯ES模型网络结构没有改变。
结果。与单专家模型相比，Delphi共识导致：408个不同CP中的90个CP(22％)的变化大于10％，并且29个CP(7％)的变化大于25％。数据驱动模型使CP中的41％的CP改变10％以上，并且使CP中的18％的CP改变25％或更多。同样的病例KF数据通过单专家模型(M1P1)、共识模型(M1P2)和数据驱动模型(M1P3)来运行，其使用卡帕统计和ROC分析来评估。放射科医生的自生成的诊断(Rad-DDx)和M1P3具有最高的AUC，而M1P1具有最低的AUC。相比于Rad-DDx，M1P1显示了显著差异(P<0.01)，而M1P2和M1P3没有显著差异。局部ROC曲线分析显示了M1P3和M1P1之间显著差异(p＝0.026)以及M1P2和M1P1之间的朝向显著的趋势(P＝0.09)，而M1P2与M1P3没有差异。
Delphi专家共识和数据驱动的分析导致用于神经放射学诊断的贝叶斯ES系统之下的CP变化。专家共识和数据驱动方法可以提高用于神经放射学的原型鉴别诊断系统的性能，其中，专家共识可以减少个人和回忆偏差，数据驱动方法受大小和得出其的样本典型性的限制。
应理解，虽然结合本发明的优选的具体实施例描述了本发明，但是前述描述及其后的示例意在说明而非限制本发明的范围。本领域技术人员应理解，可以做出各种变化并且可以在不背离本发明的范围的情况下使用等同方案替代，此外，其他方面、优点和修改对于本发明所属领域的技术人员来说是明显的。除了本文中描述的实施例之外，本发明考虑并要求保护通过以下组合得到的发明：本文中引用的发明的特征与补充本发明的特征的、引用的现有技术参考文献的特征的组合。类似地，应认识到，任何所描述的材料、特征或物品，可以与任何其他材料、特征或物品组合地使用，并且这样的组合被认为在本发明的范围内。

Claims (11)

1.一种用于获得患者的概率诊断的方法，所述方法包括：
扫描患者的一些或全部，以获得医学图像；
识别所述医学图像中的一个或更多个指定关键特征；
将离散值分配给患者扫描的一个或更多个指定关键特征，以形成患者扫描关键特征图案；
将所述患者扫描关键特征图案传送给处理器，所述处理器被编程为将所述患者扫描关键特征图案与一个或更多个已知疾病特异性关键特征图案进行匹配，以生成概率诊断；以及
将所述概率诊断传送给用户。
2.根据权利要求1所述的方法，其中，所述识别步骤由人执行。
3.根据权利要求1所述的方法，其中，所述识别步骤由计算机执行。
4.根据权利要求1所述的方法，其中，分配给关键特征的值是定量的。
5.根据权利要求1所述的方法，其中，分配给关键特征的值是半定量的。
6.一种用于获得患者的概率诊断的方法，所述方法包括：
扫描患者的一些或全部，以获得医学图像；
将所述医学图像传送给处理器，所述处理器被编程为通过以下步骤生成概率诊断：
识别所述医学图像中的一个或更多个指定关键特征；
将定量值分配给患者扫描的一个或更多个指定关键特征，以形成患者扫描关键特征图案；
将所述患者扫描关键特征图案与一个或更多个已知疾病特异性关键特征图案进行匹配，以生成概率诊断；以及
将概率诊断传送给用户。
7.一种用于获得患者的概率诊断的系统，所述系统包括：
医学成像装置，所述医学成像装置能够产生患者的一些或全部的医学图像；以及
处理器，所述处理器被编程为：通过将包括与从所述医学图像提取的指定关键特征对应的一个或更多个定量值或半定量值的患者扫描关键特征图案与一个或更多个已知疾病特异性关键特征图案进行匹配来生成概率诊断，并且将所述概率诊断传送给用户。
8.根据权利要求7所述的系统，其中，所述处理器还被编程为：通过在与所述患者扫描关键特征图案匹配之前提取与来自所述医学图像的指定关键特征对应的一个或更多个定量值或半定量值来生成所述概率诊断。
9.根据权利要求8所述的系统，其中，所述处理器被编程为通过以下步骤来提取与一个或更多个指定关键特征对应的定量值：
识别所述医学图像中的一个或更多个指定关键特征；以及
将定量值分配给所述一个或更多个指定关键特征，以形成患者扫描关键特征图案。
10.根据权利要求7所述的系统，其中，与所述关键特征对应的值是依序排列的半定量值。
11.根据权利要求7所述的系统，其中，与指定关键特征对应的值是定量的。
CN201480033168.0A 2013-04-13 2014-04-11 用于医学图像分析和概率诊断的系统和方法 Pending CN105359161A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201361811731P 2013-04-13 2013-04-13
US61/811,731 2013-04-13
US201361812112P 2013-04-15 2013-04-15
US61/812,112 2013-04-15
PCT/US2014/033715 WO2014169164A1 (en) 2013-04-13 2014-04-11 System and method for medical image analysis and probabilistic diagnosis

Publications (1)

Publication Number Publication Date
CN105359161A true CN105359161A (zh) 2016-02-24

Family

ID=51690020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480033168.0A Pending CN105359161A (zh) 2013-04-13 2014-04-11 用于医学图像分析和概率诊断的系统和方法

Country Status (4)

Country Link
US (1) US9792681B2 (zh)
EP (1) EP2984601A4 (zh)
CN (1) CN105359161A (zh)
WO (1) WO2014169164A1 (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326649A (zh) * 2016-08-18 2017-01-11 冯连元 基于循证医学的真实世界个体医疗辅助信息交互转换平台系统及应用
CN106548038A (zh) * 2016-12-09 2017-03-29 江西中科九峰智慧医疗科技有限公司 一种基于知识的医疗影像采集分析系统
CN109817304A (zh) * 2017-11-22 2019-05-28 通用电气公司 针对放射学发现物传送现场护理警报的系统和方法
CN110140178A (zh) * 2016-11-23 2019-08-16 皇家飞利浦有限公司 用于知道上下文的图像质量收集和反馈的闭环系统
CN110235172A (zh) * 2018-06-07 2019-09-13 深圳迈瑞生物医疗电子股份有限公司 基于超声影像设备的图像分析方法及超声影像设备
CN110335665A (zh) * 2019-04-01 2019-10-15 佛山原子医疗设备有限公司 一种应用于医学图像辅助诊断分析的以图搜图方法及系统
WO2020000721A1 (zh) * 2018-06-29 2020-01-02 平安科技（深圳）有限公司 疾病检测方法、检测服务器及计算机可读存储介质
CN111226287A (zh) * 2017-10-05 2020-06-02 西门子医疗有限公司 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质
CN112236827A (zh) * 2018-05-30 2021-01-15 皇家飞利浦有限公司 用于数字病理学的灵敏度分析
CN113269868A (zh) * 2021-04-30 2021-08-17 哈雷医用(广州)智能技术有限公司 一种人体肿瘤三维虚拟模型的建立方法和装置
CN113366580A (zh) * 2018-12-31 2021-09-07 通用电气精准医疗有限责任公司 使用分布式学习平台促进将人工智能集成到系统中
CN113473896A (zh) * 2018-12-24 2021-10-01 躯体构成技术私人有限公司 分析主体
CN113656600A (zh) * 2021-08-23 2021-11-16 东北农业大学 一种基于知识图谱的dhi报告解读方法、系统及存储介质
CN113742503A (zh) * 2020-05-13 2021-12-03 西门子医疗有限公司 图像检索

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2979210A1 (en) * 2013-03-29 2016-02-03 Koninklijke Philips N.V. A context driven summary view of radiology findings
WO2015134668A1 (en) * 2014-03-04 2015-09-11 The Regents Of The University Of California Automated quality control of diagnostic radiology
US9613181B2 (en) * 2014-05-29 2017-04-04 Globalfoundries Inc. Semiconductor device structure including active region having an extension portion
EP3485412A4 (en) 2016-07-12 2020-04-01 Mindshare Medical, Inc. MEDICAL ANALYSIS SYSTEM
JP6757209B2 (ja) 2016-08-29 2020-09-16 キヤノン株式会社 医用情報処理装置、医用情報処理システム、医用情報処理方法およびプログラム
JP6808422B2 (ja) * 2016-09-27 2021-01-06 キヤノン株式会社 医用情報処理装置、医用情報処理システム、医用情報処理方法およびプログラム
US10970089B2 (en) 2018-06-28 2021-04-06 Radiology Partners, Inc. User interface for determining real-time changes to content entered into the user interface to provide to a classifier program and rules engine to generate results for the content
EP3637425A1 (en) * 2018-10-08 2020-04-15 Smart Reporting GmbH Method and system for generating a report
CN111223563B (zh) * 2018-11-23 2023-11-03 佳能医疗系统株式会社 医用图像诊断装置以及医用图像诊断系统
CN111584043B (zh) * 2019-02-15 2023-02-21 北京新网医讯技术有限公司 影像学扫描方案智能提示系统及其方法
CN113950722A (zh) * 2019-05-22 2022-01-18 布弗莱运营公司 用于分析成像数据的方法和装置
JP7422873B2 (ja) * 2019-11-07 2024-01-26 グーグル エルエルシー 胸部ｘ線写真から胸部状態を診断するためのディープラーニングシステム
WO2022261442A1 (en) * 2021-06-11 2022-12-15 Northwestern University Systems and methods for prediction of hematoma expansion using automated deep learning image analysis

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7333645B1 (en) * 2003-11-25 2008-02-19 Icad, Inc. Multiple image fusion
CN101360453A (zh) * 2005-11-23 2009-02-04 美的派特恩公司 医学图像的计算机辅助定性定量分析的方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7379885B1 (en) * 2000-03-10 2008-05-27 David S. Zakim System and method for obtaining, processing and evaluating patient information for diagnosing disease and selecting treatment
US7236619B2 (en) * 2002-10-31 2007-06-26 University Of Chicago System and method for computer-aided detection and characterization of diffuse lung disease
US8064663B2 (en) 2004-12-02 2011-11-22 Lieven Van Hoe Image evaluation system, methods and database
US20100266179A1 (en) 2005-05-25 2010-10-21 Ramsay Thomas E System and method for texture visualization and image analysis to differentiate between malignant and benign lesions
US8718340B2 (en) * 2008-09-03 2014-05-06 Trustees Of The University Of Pennsylvania System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis
US20110166879A1 (en) * 2008-09-26 2011-07-07 Koninklijke Philips Electronics N.V. System and method for fusing clinical and image features for computer-aided diagnosis

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7333645B1 (en) * 2003-11-25 2008-02-19 Icad, Inc. Multiple image fusion
CN101360453A (zh) * 2005-11-23 2009-02-04 美的派特恩公司 医学图像的计算机辅助定性定量分析的方法和系统

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326649A (zh) * 2016-08-18 2017-01-11 冯连元 基于循证医学的真实世界个体医疗辅助信息交互转换平台系统及应用
CN110140178A (zh) * 2016-11-23 2019-08-16 皇家飞利浦有限公司 用于知道上下文的图像质量收集和反馈的闭环系统
CN110140178B (zh) * 2016-11-23 2023-08-18 皇家飞利浦有限公司 用于知道上下文的图像质量收集和反馈的闭环系统
CN106548038A (zh) * 2016-12-09 2017-03-29 江西中科九峰智慧医疗科技有限公司 一种基于知识的医疗影像采集分析系统
CN111226287A (zh) * 2017-10-05 2020-06-02 西门子医疗有限公司 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质
CN111226287B (zh) * 2017-10-05 2024-04-09 西门子医疗有限公司 用于分析医学成像数据集的方法、系统、程序产品和介质
CN109817304A (zh) * 2017-11-22 2019-05-28 通用电气公司 针对放射学发现物传送现场护理警报的系统和方法
CN112236827A (zh) * 2018-05-30 2021-01-15 皇家飞利浦有限公司 用于数字病理学的灵敏度分析
CN110235172A (zh) * 2018-06-07 2019-09-13 深圳迈瑞生物医疗电子股份有限公司 基于超声影像设备的图像分析方法及超声影像设备
WO2019232742A1 (zh) * 2018-06-07 2019-12-12 深圳迈瑞生物医疗电子股份有限公司 基于超声影像设备的图像分析方法及超声影像设备
WO2020000721A1 (zh) * 2018-06-29 2020-01-02 平安科技（深圳）有限公司 疾病检测方法、检测服务器及计算机可读存储介质
CN113473896A (zh) * 2018-12-24 2021-10-01 躯体构成技术私人有限公司 分析主体
CN113366580A (zh) * 2018-12-31 2021-09-07 通用电气精准医疗有限责任公司 使用分布式学习平台促进将人工智能集成到系统中
CN110335665B (zh) * 2019-04-01 2021-07-20 佛山原子医疗设备有限公司 一种应用于医学图像辅助诊断分析的以图搜图方法及系统
CN110335665A (zh) * 2019-04-01 2019-10-15 佛山原子医疗设备有限公司 一种应用于医学图像辅助诊断分析的以图搜图方法及系统
CN113742503A (zh) * 2020-05-13 2021-12-03 西门子医疗有限公司 图像检索
CN113269868A (zh) * 2021-04-30 2021-08-17 哈雷医用(广州)智能技术有限公司 一种人体肿瘤三维虚拟模型的建立方法和装置
CN113656600A (zh) * 2021-08-23 2021-11-16 东北农业大学 一种基于知识图谱的dhi报告解读方法、系统及存储介质
CN113656600B (zh) * 2021-08-23 2022-04-29 东北农业大学 一种基于知识图谱的dhi报告解读方法、系统及存储介质

Also Published As

Publication number Publication date
US9792681B2 (en) 2017-10-17
WO2014169164A1 (en) 2014-10-16
EP2984601A1 (en) 2016-02-17
US20160048956A1 (en) 2016-02-18
EP2984601A4 (en) 2016-12-07

Similar Documents

Publication Publication Date Title
CN105359161A (zh) 用于医学图像分析和概率诊断的系统和方法
US20210158531A1 (en) Patient Management Based On Anatomic Measurements
CN102395975B (zh) 临床决策支持系统和方法
RU2533500C2 (ru) Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера
US10733727B2 (en) Application of deep learning for medical imaging evaluation
US7929737B2 (en) Method and system for automatically generating a disease severity index
KR20190105210A (ko) 통합 의료 진단 서비스 제공 시스템 및 그 방법
CN109791804B (zh) 对cad系统个性化以提供cad系统推荐的置信水平指示的方法和部件
US8170347B2 (en) ROI-based assessment of abnormality using transformation invariant features
KR101919866B1 (ko) 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치
Mazzanti et al. Imaging, health record, and artificial intelligence: hype or hope?
US20220254022A1 (en) Method and system for automatic multiple lesion annotation of medical images
EP3685401B1 (en) Method and apparatus for deriving a set of training data
Elfarra et al. Computer-aided detection of bone metastasis in bone scintigraphy images using parallelepiped classification method
CN113808738A (zh) 一种基于自识别影像的疾病识别系统
WO2020099941A1 (en) Application of deep learning for medical imaging evaluation
Liu et al. Propagation graph fusion for multi-modal medical content-based retrieval
Okikiola et al. Design and implementation of a fuzzy expert system for diagnosing breast cancer
EP4216229A1 (en) Subscription and retrieval of medical imaging data
US11749398B2 (en) Medical image recognition system and medical image recognition method
CN112508942B (zh) 一种获取bi-rads等级的方法和系统
Przelaskowski Computer-aided diagnosis: From image understanding to integrated assistance
Al-Kafri A Machine Learning and Computer Assisted Methodology for Diagnosing Chronic Lower Back Pain on Lumbar Spine Magnetic Resonance Images
Depeursinge et al. Content-based retrieval and analysis of HRCT images from patients with interstitial lung diseases: a comprehesive diagnostic aid framework
EP3786880A1 (en) Methods for analyzing and reducing inter/intra site variability using reduced reference images and improving radiologist diagnostic accuracy and consistency

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160224

WD01 Invention patent application deemed withdrawn after publication