CN107016032A - 用于医疗图像获取协议的自动检测的方法和系统 - Google Patents

用于医疗图像获取协议的自动检测的方法和系统 Download PDF

Info

Publication number
CN107016032A
CN107016032A CN201611205952.2A CN201611205952A CN107016032A CN 107016032 A CN107016032 A CN 107016032A CN 201611205952 A CN201611205952 A CN 201611205952A CN 107016032 A CN107016032 A CN 107016032A
Authority
CN
China
Prior art keywords
medical image
image
agreement
feature
medical
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
CN201611205952.2A
Other languages
English (en)
Inventor
P.S.布哈蒂亚
A.卡勒
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.)
Siemens Healthcare GmbH
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN107016032A publication Critical patent/CN107016032A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30204—Marker
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及用于医疗图像获取协议的自动检测的方法和系统。本发明涉及用于从一组医疗图像确定解剖的至少一部分的方法和设备。其后，基于所确定的解剖来自动地确定与医疗图像相关联的图像获取协议。通过提取表征获取协议的与医疗图像相关联的一个或多个特征来自动地确定图像获取协议。其后，基于所述特征将医疗图像分类。此外，基于医疗图像的分类为医疗图像分配获取协议标记。用各协议标记来显示医疗图像。此外，显示在不同时间实例处用相同的图像获取协议获取的医疗图像以用于比较分析。

Description

用于医疗图像获取协议的自动检测的方法和系统
技术领域
本发明涉及一种用于使用图像分析和机器学习进行医疗成像获取协议的自动检测的方法和系统。
背景技术
现今，医疗成像技术突飞猛进。正在使用诸如x射线、超声计算机断层成像（CT）扫描、磁共振（MR）成像、核医学（NM）成像、正电子发射计算机断层成像（PET）等之类的技术来捕捉患者的医疗图像以便以电子方式获取、存储、检索、显示并传输以供医疗人员查看。缩写PACS（图片归档及通信系统）是用于设备和软件的集成系统的行业术语，该系统允许以电子方式获取、存储、检索、显示并传输诸如x射线、超声计算机断层成像（CT）扫描、磁共振（MR）成像、核医学（NM）成像、正电子发射计算机断层成像（PET）等之类的射线照相图像以供医疗人员查看。通常，PACS系统包括接口，其为软件应用程序，其帮助访问和检索存储在PACS数据库中的图像。借助于存储在PACS中的图像的DICOM头部来匹配针对一组图像接收到的查询。
医学中的数字成像和通信（DICOM）标准描述了用于介质存储和图像分发的文件格式。该标准由国家电气制造业协会（NEMA）创建以帮助分发和查看医疗图像，诸如CT扫描、MEDICALI以及超声波。DICOM格式由头部部分和图像数据部分组成。
DICOM格式使用一系列预定义标签，并且允许定义新标签，其对于给定数据集而言可以存在或者可以不存在。此灵活性是使得DICOM格式对于医疗成像而言如此受欢迎的特征之一。然而，这种受欢迎性已导致标签定义的倍增，并且因此有时难以知道使用哪些标签并且它们是什么意思，使得头部信息的提取更加困难。通常，DICOM标签包括元信息，其提供与医疗图像相关联的信息，诸如患者的细节、医疗器械制造商、临床发现等。在某些情况下，DICOM标签还可以包含图像获取协议。有时，DICOM头部不包含图像获取协议，因为其是可选标签。这在需要比较特定成像协议的多个系列的图像以用于分析时成为了问题。如果DICOM头部不包含图像获取协议，则医疗人员必须手动搜索图像。此程序消耗大量的时间和努力。因此，需要一种用以识别图像集的图像获取协议的更容易的方法。此外，还需要在不依赖于DICOM标签来参考图像获取协议的情况下比较具有相同协议的两个图像集以用于分析。
发明内容
因此，本发明的目的是提供一种用于执行医疗图像获取协议的自动检测的方法和设备。本方法和设备利用图像分析和统计算法以便自动地检测医疗图像的图像获取协议。
通过提供一种自动地检测医疗成像协议的方法来实现本发明的目的。本方法包括由处理器使用特征点检测算法从一组磁共振（MR）图像确定在考虑中的解剖。此外，本方法包括基于所确定的解剖来自动地识别与该组医疗图像相关联的图像获取协议。此外，在不同的时间实例处从医疗图像数据库识别用已识别图像获取协议获取的医疗图像。最后，在显示单元上提供医疗图像的比较视图以用于分析。
在示例性实施例中，基于所确定的解剖自动地识别与该组医疗图像的获取相关联的协议的步骤包括，确定表征获取协议的与医疗图像相关联的至少一个特征。此外，为医疗图像分配图像获取协议标记，其中，基于医疗图像的分类来分配获取协议标记。
在另一示例性实施例中，将医疗图像分类包括基于所述至少一个特征来检测离群点图像获取协议。其后，基于所述特征将医疗图像分类到至少一个图像获取协议中。
在某些实施例中，在显示单元上显示该组医疗图像的已识别图像获取协议。
在某些其它实施例中，彼此邻近地显示类似图像获取协议的多组医疗图像。
在某些实施例中，基于所确定的解剖来自动地识别与该组医疗图像的获取相关联的协议的方法包括，确定表征获取协议的与医疗图像相关联的至少一个特征。此外，基于所述至少一个特征将医疗图像分类。其后，基于医疗图像的分类为医疗图像分配获取协议标记。
在某些实施例中，所述特征包括二维局部二值模式（LBP）、三维LBP和LBP的显著性加权直方图。
在某些实施例中，将医疗图像分类的方法包括基于所述至少一个特征来检测离群点图像获取协议。此外，基于所述特征将医疗图像分类到至少一个图像获取协议中。
在某些实施例中，检测离群点图像获取协议的方法包括确定与医疗图像的特征相关联的误差值。此外，将所述误差值与阈值值相比较以确定图像获取协议是否是离群点。其后，显示指示医疗图像的图像获取协议是离群点的结果。
在某些实施例中，使用概率和非概率分类器中的至少一个来执行医疗图像的分类。
在某些其它实施例中，使用统计变换算法来执行离群点检测。
本发明的另一目的是提供一种用以自动地检测一组医疗图像的图像获取协议的设备。该设备包括处理器和存储器，该存储器包括处理器可执行指令，所述指令被配置用于自动地检测医疗图像的图像获取协议。
附图说明
现在将参考本发明的附图来论述本发明的上述及其它特征。所示实施例意图举例说明而不是限制本发明。
在后文中参考在附图中示出的所示实施例来进一步描述本发明，在所述附图中：
图1图示出根据实施例的用于评估医疗成像设备的计算设备；
图2图示出根据实施例的特征提取模块、离群点检测模块和分类模块的工作的示例性框图；以及
图3图示出根据实施例的自动地检测图像获取协议所涉及到的示例性方法步骤的流程图。
具体实施方式
参考附图来描述各种实施例，其中自始至终使用相同的参考标号来指代相同的元素。在以下描述中，出于解释的目的，阐述了众多具体细节以便提供对一个或多个实施例的透彻理解。可显而易见的是可在没有这些具体细节的情况下实施此类实施例。
图1图示出根据实施例的用于评估医疗成像设备的计算设备。图1图示出根据实施例的用于生成电子医疗记录的计算设备2的示例性框图1。计算设备2包括处理器4、存储器6、存储单元14、输入/输出（I/O）单元18和通信模块20。计算设备2还被通信耦合到医疗成像设备22。医疗成像设备22可以包括但不限于磁共振成像设备、计算机断层成像成像设备等。通过总线单元21将上述组件彼此连接。如本文所使用的处理器4意指任何类型的计算电路，诸如但不限于微处理器、微控制器、复杂指令集计算微处理器、精简指令集计算微处理器、超长指令字微处理器、显式并行指令计算微处理器、图形处理器、数字信号处理器或任何其它类型的处理电路。处理器4还可以包括嵌入式控制器，诸如通用或可编程逻辑器件或阵列、专用集成电路、单片计算机等。
存储器6可以是易失性存储器和非易失性存储器。可以在存储器6中存储并从其访问各种各样的计算机可读存储介质。存储器6可以包括用于存储数据和机器可读指令的任何适当元件，诸如只读存储器、随机存取储器、可擦可编程只读存储器、电可擦可编程只读存储器、硬驱、用于处理紧凑盘的可移除介质驱动器、数字视频盘、磁盘、盒式磁带、存储卡等。如所描绘的，根据上文所述的一个或多个实施例，存储器6包括用于生成具有预定义协议名称的医疗报告的一个或多个模块。存储器6包括解剖检测模块8、特征提取模块9、统计分类器模块10、离群点协议检测模块11和标记分配模块12。解剖检测模块8包括用于使用特征点检测算法（例如ALPHA）来在医疗图像中识别人体部分的解剖的计算机可读指令。所述医疗图像可以包括如由CT或MR医疗器械捕捉的受试者的解剖的一个或多个切片。其后，特征提取模块9被配置用于从该组医疗图像提取一个或多个特征。所提取的特征可以是例如二维局部二值模式（2D LBP）、三维局部二值模式（3D LBP）和显著性加权局部二值（HSWLBP）模式直方图。然而，本领域技术人员可能能够认识到特征提取模块9可以从医疗图像提取任何其它特征，诸如但不限于基于滤波器的特征。可以通过确定医疗图像的体积中的显著区域来计算特征。此外，可以通过应用模糊滤波器并然后为在平均强度值以上的像素分配显著性值来确定医疗图像的体积中的显著区域。以这种方式，为强度非常低的像素分配高显著性值，这突出了医疗图像中的显著区域。此外，针对特定半径和样本尺寸用已知方法来计算局部二值模式。例如，可以针对1的半径和样本尺寸8计算LBP。此外，特征提取模块9被配置成提取显著性加权较低二值模式（HSWLBP）的直方图。通过开发解剖的所有切片的组合LBP的256维直方图来计算HSWLBP。使用上述特征来将医疗图像分类到来自多个图像获取协议的群组的图像获取协议中。
此外，存储器6包括离群点协议检测模块11，其被配置成检测医疗图像是否不属于一组已知图像获取协议。离群点协议检测模块11通过使用新奇检测算法来确定医疗图像是否是离群点协议的。最初，确定协议的已知集合中的一个中的医疗图像重构的上下文中的与医疗图像相关联的误差值。在误差大于阈值值的情况下，那么将医疗图像的图像获取协议推断为是离群点协议。换言之，医疗图像的图像获取协议不属于图像获取协议的已知集合。此外，存储器6包括统计分类器模块10，其将医疗图像分类到来自一组图像获取协议的图像获取协议中的一个中。统计分类器模块10可以基于由特征提取模块9提取的特征来确定医疗图像的图像获取协议。统计分类器模块10可以被配置成通过使用机器学习算法（诸如随机森林和支持向量机）来执行分类。此外，可以使用已知协议集合的现有医疗图像来训练统计分类器模块10。
存储单元14可以是被配置用于存储包括用各种成像协议获取的医疗图像的医疗图像数据16的非暂时性存储介质。存储单元中的图像数据16可以用来训练统计分类器模块10。
输入输出模块18可以包括键盘、键区、触敏显示屏、鼠标等。输入/输出设备18使得用户能够与设备2相交互以用于控制操作状态。例如，显示单元可以显示包括指示被考虑用于分析的医疗图像的图像获取协议的一个或多个图形对象的屏幕。
设备2还包括用于经由网络连接与其它设备通信的通信模块20。通信模块20可以包括Wi-Fi收发机、网络接口卡（NIC）等。
图2图示出根据实施例的特征提取模块9的工作的示例性框图。如图2中所示，特征提取模块9从源接收医疗图像。医疗图像的源可以是存储在存储单元14中的图像数据16。在另一情况中，可以直接地从成像医疗器械22获取医疗图像32。此外，特征提取模块9被配置成从医疗图像32提取一个或多个特征（F1，F2 ... FN）。所述特征可以包括二维和三维较低二值模式（LBP）。此外，特征（F1，F2 ... FN）包括显著性加权LBP直方图（HSWLBP）。在一种情况下，可以由特征提取模块9通过使用用于确定图像的LBP的已知算法来确定2D和3D LBP。在示例性实施方式中，使用具有等于一的方差的3D高斯核来对医疗图像32中的体积应用高斯滤波器。其后，如果体素的强度值在整个体积的平均强度值以上，则向体积的模糊版本中的所有体素分配1的显著性，否则分配0的显著性。使用由特征提取模块9计算的特征来确定医疗图像32的图像获取协议。此外，特征提取模块9可能能够提取有助于确定图像获取协议的任何其它特征。此外，由特征提取模块9生成的特征被传递给统计分类器模块11和离群点协议检测模块10。
如图2中所示，由特征提取模块9生成的特征被离群点协议检测模块10接收到。离群点协议检测模块10被配置成处理特征（F1，F2 ... FN）以确定医疗图像32是否是使用未知协议生成的。离群点协议检测模块10可以被配置成实现用于确定离群点协议的新奇检测算法。离群点协议检测模块10可以利用核主成分分析（PCA）算法以用于确定与已知特征空间中的医疗图像的特征的重构相关联的误差值。在误差值超过阈值值的情况下，那么用于获取医疗图像32的图像获取协议被确定为离群点。在示例性情况中，如果用于获取医疗图像32的图像获取协议属于使用核PCA建模的已知协议类别中的一个，那么重构误差将是低的，并且反之亦然。此外，可以凭经验来确定阈值以将样本分类为离群点，对于离群点而言重构误差在阈值以上。在离群点协议检测模块10确定用于获取医疗图像32的协议是离群点协议的情况下，丢弃医疗图像32且不存在对其的进一步处理。
返回图2，在离群点协议检测模块10提供关于用于医疗图像32的图像获取协议的肯定结果的情况下，那么特征（F1，F2 ... FN）被统计分类器模块11接收到。统计分类器模块11处理表征不同图像获取协议的特征（F1，F2 ... FN）。选择特征（F1，F2 ... FN）使得图像获取协议的类别是可线性分离的。统计分类器模块11可以被配置成具有线性内核的支持向量机（SVM）算法以提供成像协议的良好分类。此外，统计分类器模块11可以利用其它分类算法，诸如用于成像协议的分类的随机森林。此外，可以使用训练图像数据来训练统计分类器模块11以用于学习不同成像协议的特征的特性。
图3图示出根据一个或多个实施例的自动地检测图像获取协议所涉及到的示例性方法步骤的流程图50。在步骤52处，检测医疗图像的解剖。在实施例中，可以使用诸如但不限于ALPHA之类的特征点检测算法来检测解剖。在步骤54处，基于解剖来确定与该组医疗图像的获取相关联的图像获取协议。在某些实施例中，基于所确定的解剖来自动地识别与该组医疗图像的获取相关联的协议的方法包括，确定表征获取协议的与医疗图像相关联的至少一个特征。在某些实施例中，所述特征包括二维局部二值模式（LBP）、三维LBP和LBP的显著性加权直方图。
在某些实施例中，将医疗图像分类的方法包括基于所述至少一个特征来检测离群点图像获取协议。此外，基于所述特征将医疗图像分类到至少一个图像获取协议中。在某些实施例中，检测离群点图像获取协议的方法包括确定与医疗图像的特征相关联的误差值。此外，将所述误差值与阈值值相比较以确定图像获取协议是否是离群点。其后，显示指示医疗图像的图像获取协议是离群点的结果。在某些其它实施例中，使用统计变换算法来执行离群点检测。
在步骤56处，基于所述至少一个特征将医疗图像分类。其后，基于医疗图像的分类为医疗图像分配获取协议标记。在某些实施例中，使用概率和非概率分类器算法中的至少一个来执行医疗图像的分类。
在步骤58处，标记并显示来自医疗图像数据库的在不同的时间实例处用已识别协议获取的图像。在某些其它实施例中，彼此邻近地显示类似图像获取协议的多个医疗图像。
虽然已参考某些实施例详细地描述了本发明，但应认识到的是本发明不限于那些实施例。鉴于本公开，许多修改和变更将会自己呈现给本领域技术人员而不脱离如本文所述的本发明的各种实施例的范围。因此，由以下权利要求而不是由前文的描述来指示本发明的范围。落入权利要求的等价物的意义和范围内的所有改变、修改以及变更应被认为在其范围内。

Claims (18)

1.一种自动地检测医疗成像协议的方法，所述方法包括：
由处理器确定来自一组医疗图像的至少一个医疗图像的解剖；
自动地识别与所述至少一个医疗图像相关联的图像获取协议；
在不同的时间实例处从医疗图像数据库识别用相同的图像获取协议获取的医疗图像。
2.根据权利要求1所述的方法，还包括：
在显示单元上显示该组医疗图像的已识别获取协议；以及
在显示单元上提供用相同协议获取的医疗图像的比较视图以用于分析。
3.根据权利要求1所述的方法，其中，自动地识别与医疗图像的获取相关联的协议包括：
确定表征获取协议的与所述至少一个医疗图像相关联的至少一个特征；
基于所述至少一个特征将所述至少一个医疗图像分类；
基于医疗图像的分类为医疗图像分配获取协议标记。
4.根据权利要求3所述的方法，其中，所述至少一个特征包括二维局部二值模式（LBP）、三维LBP和LBP的显著性加权直方图。
5.根据权利要求3所述的方法，其中，将医疗图像分类包括：
基于所述至少一个特征来检测离群点图像获取协议；
基于所述特征将医疗图像分类到至少一个图像获取协议中。
6.根据权利要求5所述的方法，其中，检测离群点图像获取协议包括：
确定与医疗图像的特征相关联的误差值；
将所述误差值与阈值值相比较以确定图像获取协议是否是离群点；以及
显示指示医疗图像的图像获取协议是离群点的结果。
7.根据权利要求3所述的方法，其中，使用概率分类器和非概率分类器来执行医疗图像的分类。
8.根据权利要求5所述的方法，其中，使用至少一个统计变换算法来执行离群点检测。
9.根据权利要求1所述的方法，其中，基于至少一个特征点检测算法来检测医疗图像的解剖。
10.一种用于自动地检测医疗成像协议的设备，所述设备包括：
处理器；
存储器，与所述处理器耦合，其中，所述存储器包括处理器可执行指令，所述指令能够：
确定来自一组医疗图像的至少一个医疗图像的解剖；
基于所确定的解剖来自动地识别与所述至少一个医疗图像的获取相关联的协议；以及
在不同的时间实例处从医疗图像数据库识别用已识别协议获取的医疗图像。
11.根据权利要求10所述的设备，其中，所述处理器可执行指令被配置用于：
在显示单元上显示该组医疗图像的已识别获取协议；以及
在显示单元上提供用所识别的协议获取的医疗图像的比较视图以用于分析。
12.根据权利要求10所述的设备，其中，被配置用于基于所确定的解剖来自动地识别与该组医疗图像的获取相关联的协议的处理器可执行指令包括：
确定表征获取协议的与医疗图像相关联的至少一个特征；以及
向医疗图像分配获取协议标记，其中，基于医疗图像的分类来分配获取协议标记。
13.根据权利要求12所述的设备，其中，被配置用于将医疗图像分类的处理器可执行指令包括：
基于所述至少一个特征来检测离群点图像获取协议；以及
基于所述特征将医疗图像分类到至少一个图像获取协议中。
14.根据权利要求13所述的设备，其中，被配置用于检测离群点图像获取协议的处理器可执行指令包括：
确定医疗图像的重构特征空间中的误差值；以及
基于如与阈值值相比较的误差值而将医疗图像标记为离群点。
15.根据权利要求10所述的设备，其中，所述设备被配置成从成像医疗器械接收磁共振图像。
16.根据权利要求13所述的设备，其中，处理器可执行指令被配置用于将概率和非概率分类器中的至少一个用于将医疗图像分类。
17.根据权利要求14所述的设备，其中，所述处理器可执行指令被配置用于将至少一个统计变换算法用于检测离群点图像获取协议。
18.根据权利要求10所述的设备，其中，基于特征点检测算法来检测医疗图像的解剖。
CN201611205952.2A 2015-12-24 2016-12-23 用于医疗图像获取协议的自动检测的方法和系统 Pending CN107016032A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IN1336/KOL/2015 2015-12-24
IN1336KO2015 2015-12-24

Publications (1)

Publication Number Publication Date
CN107016032A true CN107016032A (zh) 2017-08-04

Family

ID=57860614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611205952.2A Pending CN107016032A (zh) 2015-12-24 2016-12-23 用于医疗图像获取协议的自动检测的方法和系统

Country Status (3)

Country Link
US (1) US10698981B2 (zh)
EP (1) EP3185177A1 (zh)
CN (1) CN107016032A (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3185177A1 (en) * 2015-12-24 2017-06-28 Siemens Aktiengesellschaft Method and system for automatic detection of medical image acquisition protocol
US10878561B2 (en) 2018-05-31 2020-12-29 General Electric Company Automated scanning workflow
US20220249168A1 (en) * 2019-06-28 2022-08-11 Formus Labs Limited Orthopaedic pre-operative planning system
US11961606B2 (en) * 2019-11-26 2024-04-16 Blackford Analysis Ltd. Systems and methods for processing medical images for in-progress studies
CN111755118B (zh) * 2020-03-16 2024-03-08 腾讯科技（深圳）有限公司 医疗信息处理方法、装置、电子设备及存储介质
US20230377719A1 (en) * 2022-05-20 2023-11-23 Blackford Analysis Ltd. Systems and Methods for Routing Medical Images Using Order Data
CN115834453B (zh) * 2023-02-14 2023-06-02 浙江德塔森特数据技术有限公司 手持协议检测终端的协议检测方法和手持协议检测终端

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006006790A (ja) * 2004-06-29 2006-01-12 Konica Minolta Medical & Graphic Inc 医用画像出力システム及び医用画像出力方法
US20080123918A1 (en) * 2006-06-30 2008-05-29 Fujifilm Corporation Image processing apparatus
CN101295309A (zh) * 2008-05-22 2008-10-29 江苏大学 一种医学图像识别的方法
CN103473569A (zh) * 2013-09-22 2013-12-25 江苏美伦影像系统有限公司 基于svm的医学影像分类方法
CN103536305A (zh) * 2012-07-11 2014-01-29 通用电气公司 用于执行图像类型识别的系统和方法
US9092672B1 (en) * 2009-06-12 2015-07-28 Cognitive Electronics, Inc. Power-efficient sensory recognition processor

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001094720A (ja) * 1999-09-27 2001-04-06 Fuji Photo Film Co Ltd 画像出力処理装置および画像出力処理方法
US7072498B1 (en) * 2001-11-21 2006-07-04 R2 Technology, Inc. Method and apparatus for expanding the use of existing computer-aided detection code
EP1665113A2 (en) * 2003-09-17 2006-06-07 Koninklijke Philips Electronics N.V. Repeated examination reporting
US20060008130A1 (en) * 2004-06-29 2006-01-12 Youji Yamamichi Medical image output system, apparatus and method
JP4979334B2 (ja) * 2006-10-18 2012-07-18 富士フイルム株式会社 医用画像読影支援システム及びプログラム
JP4976164B2 (ja) * 2007-03-02 2012-07-18 富士フイルム株式会社 類似症例検索装置、方法、およびプログラム
US20090287505A1 (en) * 2008-05-14 2009-11-19 Wood Christopher H Systems and methods for efficient computer-aided analysis of medical information
US9712498B2 (en) * 2009-10-14 2017-07-18 Trice Imaging, Inc. Systems and devices for encrypting, converting and interacting with medical images
US20140222444A1 (en) * 2013-02-04 2014-08-07 Dixit S.R.L. Method And System For Clinical Trial Management
US9715576B2 (en) * 2013-03-15 2017-07-25 II Robert G. Hayter Method for searching a text (or alphanumeric string) database, restructuring and parsing text data (or alphanumeric string), creation/application of a natural language processing engine, and the creation/application of an automated analyzer for the creation of medical reports
US9626476B2 (en) * 2014-03-27 2017-04-18 Change Healthcare Llc Apparatus, method and computer-readable storage medium for transforming digital images
EP3185177A1 (en) * 2015-12-24 2017-06-28 Siemens Aktiengesellschaft Method and system for automatic detection of medical image acquisition protocol

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006006790A (ja) * 2004-06-29 2006-01-12 Konica Minolta Medical & Graphic Inc 医用画像出力システム及び医用画像出力方法
US20080123918A1 (en) * 2006-06-30 2008-05-29 Fujifilm Corporation Image processing apparatus
CN101295309A (zh) * 2008-05-22 2008-10-29 江苏大学 一种医学图像识别的方法
US9092672B1 (en) * 2009-06-12 2015-07-28 Cognitive Electronics, Inc. Power-efficient sensory recognition processor
CN103536305A (zh) * 2012-07-11 2014-01-29 通用电气公司 用于执行图像类型识别的系统和方法
CN103473569A (zh) * 2013-09-22 2013-12-25 江苏美伦影像系统有限公司 基于svm的医学影像分类方法

Also Published As

Publication number Publication date
US10698981B2 (en) 2020-06-30
US20170185713A1 (en) 2017-06-29
EP3185177A1 (en) 2017-06-28

Similar Documents

Publication Publication Date Title
CN107016032A (zh) 用于医疗图像获取协议的自动检测的方法和系统
Vajda et al. Feature selection for automatic tuberculosis screening in frontal chest radiographs
Yao et al. Weakly supervised medical diagnosis and localization from multiple resolutions
US10332254B2 (en) Computer Aided Diagnosis (CAD) apparatus and method
US10176580B2 (en) Diagnostic system and diagnostic method
Akgül et al. Content-based image retrieval in radiology: current status and future directions
Sedai et al. Deep multiscale convolutional feature learning for weakly supervised localization of chest pathologies in x-ray images
US20090175514A1 (en) Stratification method for overcoming unbalanced case numbers in computer-aided lung nodule false positive reduction
Taghanaki et al. Infomask: Masked variational latent representation to localize chest disease
Yi et al. Automatic catheter and tube detection in pediatric x-ray images using a scale-recurrent network and synthetic data
CN106796621B (zh) 图像报告注释识别
US11468567B2 (en) Display of medical image data
Shen et al. Globally-aware multiple instance classifier for breast cancer screening
Al-Shaikhli et al. Brain tumor classification using sparse coding and dictionary learning
Rashid et al. Hybrid RID network for efficient diagnosis of tuberculosis from chest X-rays
Abdullah et al. Multi-sectional views textural based SVM for MS lesion segmentation in multi-channels MRIs
Lu et al. Computer aided diagnosis using multilevel image features on large-scale evaluation
Gao et al. Holistic interstitial lung disease detection using deep convolutional neural networks: Multi-label learning and unordered pooling
Chowdhury et al. An efficient radiographic image retrieval system using convolutional neural network
Ogiela et al. Natural user interfaces in medical image analysis
Alfadhli et al. Classification of tuberculosis with SURF spatial pyramid features
Kundu et al. Multiple linear discriminant models for extracting salient characteristic patterns in capsule endoscopy images for multi-disease detection
Khan et al. COVID-19 infection analysis framework using novel boosted CNNs and radiological images
Nagarajan et al. Content-based medical image annotation and retrieval using perceptual hashing algorithm
Crockett et al. A Stress Test of Artificial Intelligence: Can Deep Learning Models Trained From Formal Echocardiography Accurately Interpret Point‐of‐Care Ultrasound?

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180824

Address after: Erlangen, Germany

Applicant after: SIEMENS HEALTHCARE GmbH

Address before: Munich, Germany

Applicant before: Siemens AG

RJ01 Rejection of invention patent application after publication

Application publication date: 20170804