CN107423551A - 用于执行医学检查的成像方法 - Google Patents

用于执行医学检查的成像方法 Download PDF

Info

Publication number
CN107423551A
CN107423551A CN201710365029.3A CN201710365029A CN107423551A CN 107423551 A CN107423551 A CN 107423551A CN 201710365029 A CN201710365029 A CN 201710365029A CN 107423551 A CN107423551 A CN 107423551A
Authority
CN
China
Prior art keywords
decision tree
patient
data
training dataset
imaging system
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.)
Granted
Application number
CN201710365029.3A
Other languages
English (en)
Other versions
CN107423551B (zh
Inventor
T·阿尔门丁格
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 AG
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 CN107423551A publication Critical patent/CN107423551A/zh
Application granted granted Critical
Publication of CN107423551B publication Critical patent/CN107423551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Cardiology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种用于执行成像医学检查的方法，具有以下步骤：基于训练数据集(107)生成(S101)决策树(103)，每个所述训练数据集均包括关于患者属性的数据和分配的扫描方案；基于所生成的决策树(103)和患者数据集(111)选择(S102)扫描方案(109)，所述患者数据集(111)包括关于待检查患者的患者属性的数据；以及基于所选择的扫描方案(109)通过成像设备(115)生成(S103)图像。

Description

用于执行医学检查的成像方法
技术领域
本发明涉及用于执行成像检查的方法和成像设备。
背景技术
当操作CT扫描仪时，基于临床要求选择定义用于生成CT图像的所有技术参数的扫描方案。然而，可能需要基于个体患者属性来适配这些参数中的一些参数。
需要这种适配的最常见的患者属性包括患者的体重和身高、闭气的能力、合作的一般准备状态以及在心血管检查的情况下的心率和心律。
扫描方案的这种适配可能是复杂的，因此经常在操作时不能最佳地实现。结果，扫描方案的适配优选是自动化的。在使扫描方案自动适应于特定患者的这种过程中，重要的是扫描方案的参数变化的原因对CT扫描仪的操作人员是可理解的。特别是在CT扫描仪的情况下，不可能使用不同的扫描方案进行多次检查以便随后选择最佳可能的图像，因为在这些检查的每一次检查期间，患者都暴露于辐射。在操作人员执行扫描之前，操作人员应该确信扫描方案的参数的可信性。
这是可以解决的，通过将用于确定扫描方案的自动算法保持简单到足以确保可理解性。复杂的高级非线性决策程序如神经网络不能使操作人员识别扫描方案的参数已经被算法改变的原因。另一方面，过度的简单性限制了成像方法的图像质量以及使成像方法进行训练或学习的方法。
另一种方法需要对复杂算法进行精确的记录和广泛的训练，例如剂量调节。然而，由于固有的复杂性导致难以调节个体配置。
发明内容
本发明的目的是定义一种扫描方案，其用于执行患者特定的成像医学检查，从而实现良好的图像质量并且使得所执行的参数变化是可理解的。
该目的通过根据本发明所要求保护的主题来实现。有利的实施例是说明书和附图的主题。
根据第一方面，该目的通过一种用于执行成像医学检查的方法来实现，该方法具有以下步骤：基于训练数据集生成决策树，每个训练数据集包括关于患者属性的数据和分配的扫描方案；基于所生成的决策树以及患者数据集选择扫描方案，该患者数据集包括关于待检查患者的患者属性的数据；以及基于所选择的扫描方案通过成像设备生成图像。例如，这实现了以可理解的方式选择实现高图像质量的扫描方案的技术优点。
在该方法的一个技术上有利的实施例中，基于C4.5算法和/或ID3算法生成决策树。例如，这实现了通过很少的消耗就能够生成决策树的技术优点。
在该方法的另一个技术上有利的实施例中，基于多个决策树的平均化来生成决策树。例如，这实现了提高决策树的重要性的技术优点。
在该方法的另一个技术上有利的实施例中，由用户通过评估装置评估所生成的图像。例如，这实现了可以为图像存储关于图像质量的信息的技术优点。
在该方法的另一技术上有利的实施例中，将关于患者属性的数据和经评估的图像的相关扫描方案用作另外的训练数据集。例如，这实现了增加训练数据量的技术优点，从而改善了扫描方案的选择。
在该方法的另一技术上有利的实施例中，通过数据接口从多个成像设备所连接至的中央数据存储器来调用训练数据集。例如，这实现了可以求助于大型数据库的技术优点。
根据第二方面，该目的通过一种用于执行医学检查的成像系统来实现，该成像系统具有：决策树生成器，用于基于训练数据集生成决策树的，每个训练数据集包括关于患者属性的数据和分配的扫描方案；选择装置，用于基于所生成的决策树以及患者数据集选择扫描方案，该患者数据集包括关于待检查患者的患者属性的数据；以及成像设备，用于基于所选择的扫描方案通过该成像设备生成图像。该成像系统实现了与根据第一方面的方法实现的技术优点相同的技术优点。
在成像系统的一个技术上有利的实施例中，决策树生成器被实施为基于C4.5算法和/或ID3算法生成决策树。
在成像系统的另一技术上有利的实施例中，决策树生成器被实施为基于多个决策树的平均化来生成决策树。
在成像系统的另一技术上有利的实施例中，成像设备包括用于通过用户评估所生成的图像的评估装置。
在成像系统的另一技术上有利的实施例中，决策树生成器被实施为将关于患者属性的数据和经评估的图像的相关扫描方案用作另外的训练数据集。
在成像系统的另一技术上有利的实施例中，成像系统包括用于从多个成像设备所连接至的中央数据存储器调用训练数据集的数据接口。
在成像系统的另一技术上有利的实施例中，成像设备是计算机断层扫描仪或磁共振扫描仪。
根据第三方面，该目的通过一种包括软件代码部分的计算机程序产品来实现，该软件代码部分可以直接加载到数字计算机的存储器中，当所述软件代码部分由该数字计算机执行时，通过该软件代码部分执行根据第一方面的方法。
该计算机程序产品可以由计算机程序形成，或者除了计算机程序之外还包括至少一个附加组成部分。所述至少一个附加组成部分可以被实施为硬件和/或软件。
被实施为硬件的所述至少一个附加组成部分的一个示例是能够由数字计算机读取和/或存储有所述软件代码部分的存储介质。
被实施为软件的所述至少一个附加组成部分的一个示例是实施为将所述软件代码部分分配到云计算系统的不同处理单元、特别是不同计算机的云应用程序，其中每个处理单元被实施为执行一个或多个软件代码部分。
特别地，当软件代码部分由云计算系统的处理单元执行时，软件代码部分能够用于执行根据第一方面的方法。
附图说明
本发明的示例性实施例在附图中示出并在下面更详细地描述。附图示出：
图1：成像系统的示意图；
图2：决策树的示意生成；
图3：具有患者属性的散点图；
图4：用于训练数据的决策树的自动生成结果；以及
图5：用于执行成像医学检查的方法的框图。
具体实施方式
图1是成像系统100的示意图。该系统包括成像设备115，成像设备115基于扫描方案生成待检查的患者的图像123。扫描方案规定了用于执行成像检查的技术参数，例如辐射剂量或脉冲长度。这些技术参数由成像设备115在进行检查时使用。成像设备115例如是磁共振断层扫描仪或计算机断层扫描仪。
成像设备115包括决策树生成器101，决策树生成器101用于基于训练数据集生成决策树103。训练数据集各自包括关于相关的患者属性的数据和分配给这些患者属性的扫描方案。决策树生成器101使用C4.5算法来进行关于用于扫描参数的自动确定的决策树的训练。所使用的输入数据是专家用户的CT扫描仪操作，这些专家不需要毫不隐讳地披露他们的知识。
成像设备115还包括选择装置105，选择装置105用于基于所生成的决策树103并且基于包括关于待检查患者的患者属性的数据的患者数据集111来选择扫描方案109。患者数据集111能够由操作人员手动输入至成像设备115。
通常，决策树生成器101和选择装置105不仅可以布置在成像设备115的内部，而且可以布置在成像系统100的其他位置上。决策树生成器101和选择装置105可以通过计算机程序或数字电路来实现。
成像系统100还包括用于描绘所获得的图像和所生成的决策树的显示器121，例如平面屏幕。在显示器121上，能够在显示器121处设置或形成评估装置113，该评估装置113允许用户评估所生成的图像123。这使得可以为图像123生成另外的训练数据集107，训练数据集107包括关于所输入的患者属性、所使用的扫描方案和用户对图像质量的评估的数据。
成像设备115还包括数据接口117，经由该数据接口117可以从中央服务器下载训练数据。数据接口117还能够将其他的训练数据集107上传到中央服务器。中央服务器可以向多个成像装置115提供训练数据。
图2以压缩形式示出了如何生成和训练决策树103。首先，基于训练数据集107生成决策树103。训练数据集107各自包括关于对于在成像设备115上的检查相关的患者属性的数据和分配的扫描方案，利用该扫描方案可以在过去生成高质量的图像。
例如，可以使用C4.5算法或ID3算法来生成决策树103。C4.5算法是概念学习算法，即一种机器学习的形式。C4.5算法是ID3算法的扩展。C4.5算法用于从训练数据集107生成决策树103。借助于C4.5算法通过自动学习所生成的决策树103可以以简单的图形形式显示。还表明，基于这些数据的决策具有低复杂度，并且基本上仅取决于心率。
C4.5算法分析数据集，并根据关于当前患者属性的最大信息内容对数据集进行排列。以这种方式生成决策树103，该决策树103包含对于决策最重要的决策标准作为根。在决策树103的后续进程中，相关性降低。这具有将复杂规则转换成能够清楚理解的决策树103的优点。
ID3算法的基本结构包括训练数据集107的输入。如果训练数据集107的所有数据集都属于同一类，则生成新的树叶并用相应的类来标记。
如果不是所有的训练数据集107都属于同一类，则首先根据启发函数选择一个特性(属性)。然后，生成具有该特性的新节点作为测试。然后，对于该特性的每个值，确定具有符合该特性的值的所有数据集的集合，使用ID3算法对于该特定集合构建决策树103，并生成将节点连接到该决策树103的边。最后，输出所生成的决策树103。
通过以下方式可以确定信息增益：当一个特性将训练数据集107划分为多个子集时，计算平均熵，并将总和与原始的训练数据的熵进行比较。
对于特性A、集合S和子集Si，信息增益可以计算为：
选择的特性A是使差最大化的特性，即最大程度地减少无序的特性。在这种情况下，信息增益的最大化等同于平均熵的最小化，因为E(S)对于所有特性A是恒定的。
然后，使用所生成的决策树103对患者数据集111进行分类并将其分配给扫描方案109。患者数据集111包括关于与成像设备115上的检查相关的患者属性的数据，所述患者属性例如为年龄、体重或患者能够闭气的时间。患者数据集111可以用于从根开始穿过决策树103，从而在决策树103的树叶处获得将用于患者数据集111的扫描方案109。
然后在成像检查期间，成像设备115使用以这种方式选择的扫描方案109。
图3显示了散点图。数据基于描绘输入量与扫描方案之间的关系的模拟。在这种情况下，所模拟的行为代表了具有慎重考虑的决策的专家。
针对由规则人为地划分的数据集，示出了在训练数据中具有的、在患者属性(例如心率(hr)、心率差异性(hrv)和年龄(a))与在学习中使用的扫描方案目标量(301-“高节距”，302-“序列”，303-“螺旋”)之间的关系。
图4示出了用于模拟专家知识的训练数据的、自动生成的决策树103。借助于C4.5算法通过自动学习生成的决策树103可以以简单的图形显示。还表明，该决策主要取决于心律(hrv)，并且次要取决于平均心率(hr)。准确度为92％，这是程序一致性的度量。
通过基于训练数据集107的行为或用户分析，决策树生成器101提供分层的决策树103，分层的决策树103将各个所涉及的决策关于扫描方案109按照这些决策的重要性进行排列。来自训练数据集107的这些知识以自动生成的决策树103的形式表示。这对于在使用成像设备115时向操作人员说服所选择的扫描方案109的精度和可信性是有利的。该决策的可理解性在于以决策树103形式以及以从决策树103导出的旭日图的视觉形式的简单表示。使用修改的升压方法还使得能够将关于扫描结果的简单的反馈环集成到算法中。
作为决策树103的简单表示还能够通过缩短、扩展或组合分支来手动适配决策树103。该算法还使得能够例如在不知道患者的体重时处理关于患者属性的缺失信息。
图5是用于执行成像医学检查的方法的框图。该方法包括基于训练数据集107生成决策树103的步骤S101，其中每个训练数据集均包括关于患者属性的数据和分配的扫描方案。在步骤S102中，基于所生成的决策树103和患者数据集111选择扫描方案109，该患者数据集111包括关于待检查患者的患者属性的数据。在步骤S103中，基于所选择的扫描方案109，通过成像设备115生成图像。
数据库可以包括作为训练数据集107的、来自相应临床领域的公认的专家用户的行为的数据。另外，根据从操作人员到评估装置113的交互式反馈来判断扫描是否成功(升压)，可以控制决策树103的训练。这使得新的训练数据集107能够作为正面示例或负面示例而被包含在决策树103的训练中。另外，也可以以简单的方式来手动改变和适配自动生成的决策树103。当自动性作为软件的一部分被提供时，该属性对于自动性的维护和配置是有利的。
以这种方式，自动生成的决策树103可以用来选择扫描方案109，该决策树103基于专家的调节并且在应用中产生关于扫描方案109的可理解的决策。除了传统的树形表示之外，还可以使用旭日图来使过程可视化。也可以使多个决策树103平均化，以便能够提供用于选择扫描方案109的手段。
数据评估的类型还使得能够针对扫描方案的选择来分析装置特定或区域特定的程序，并且可选地作为透明的自动程序的框架内的进一步的建议方案被转发给其他用户。此时可以使用直接比较从所生成的决策树103中得出能够以简单的方式确定特定扫描方案的临床允许的心率的简单结论。
也能够想到的是对其他决策的概括。这里，基础和主要的步骤是使用专用的决策树算法，该算法通过对现有数据的评估来提供人可容易理解的分层的决策树103。
在进行学习的决策树的基础上，算法可以分析操作人员的先前行为并从中导出新的最优决策树。先前的行为例如存储在数据库中，该数据库具有已经执行的扫描作为训练数据集107，该训练数据集107包括患者的个体输入标准，例如体重、年龄、心率、心律和在这种情况下使用的扫描方案。
此外，基于真实数据的训练和关于剂量或时间的数据的额外评估的组合使得可以在树形表示中提供不同的策略，所述不同的策略然后对于相同的检查生成“低剂量”树或“夜班”树。
所有结合本发明的单个实施例所解释和展示的特征都可以被提供在根据本发明的主题的不同组合中，以便同时实现其有利效果。
所有方法步骤可以由适于执行相应方法步骤的设备来实现。所有通过实体特征执行的功能都可以是方法的方法步骤。
本发明的保护范围由权利要求书提供，不限于说明书或附图中阐述的特征。

Claims (14)

1.一种用于执行成像医学检查的方法，具有以下步骤：
-基于训练数据集(107)生成(S101)决策树(103)，每个所述训练数据集均包括关于患者属性的数据和分配的扫描方案；
-基于所生成的决策树(103)和患者数据集(111)选择(S102)扫描方案(109)，所述患者数据集(111)包括关于待检查患者的患者属性的数据；以及
-基于所选择的扫描方案(109)通过成像设备(115)生成(S103)图像。
2.根据权利要求1所述的方法，其中基于C4.5算法和/或ID3算法生成所述决策树(103)。
3.根据前述权利要求中任一项所述的方法，其中基于多个决策树的平均化来生成所述决策树(103)。
4.根据前述权利要求中任一项所述的方法，其中由用户通过评估装置(113)评估所生成的图像。
5.根据权利要求4所述的方法，其中将所述关于患者属性的数据和用于经评估的图像的相关扫描方案用作另外的训练数据集(107)。
6.根据前述权利要求中任一项所述的方法，其中所述训练数据集(107)通过数据接口(117)从多个成像设备(115)所连接至的中央数据存储器调取。
7.一种用于执行医学检查的成像系统(100)，具有：
-决策树生成器(101)，所述决策树生成器(101)用于基于训练数据集(107)生成决策树(103)，每个所述训练数据集均包括关于患者属性的数据和分配的扫描方案；
-选择装置(105)，所述选择装置(105)用于基于所生成的决策树(103)和患者数据集(111)选择扫描方案(109)，所述患者数据集(111)包括关于待检查患者的患者属性的数据；以及
-成像设备(115)，所述成像设备(115)用于基于所选择的扫描方案(109)通过所述成像设备(115)生成图像。
8.根据权利要求7所述的成像系统(100)，其中所述决策树生成器(101)被实施为基于C4.5算法和/或ID3算法生成所述决策树。
9.根据权利要求7或8所述的成像系统(100)，其中所述决策树生成器(101)被实施为基于多个决策树的平均化来生成所述决策树。
10.根据权利要求7至9中任一项所述的成像系统(100)，其中所述成像设备(115)包括用于由用户评估所生成的图像的评估装置(113)。
11.根据权利要求10所述的成像系统(100)，其中所述决策树生成器(101)被实施为将所述关于患者属性的数据和经评估的图像的相关扫描方案用作另外的训练数据集(107)。
12.根据权利要求7至11中任一项所述的成像系统(100)，其中所述成像系统(100)包括用于从多个成像设备(115)所连接至的中央数据存储器调取所述训练数据集(107)的数据接口(117)。
13.根据权利要求7至12中任一项所述的成像系统(100)，其中所述成像设备(115)是计算机断层扫描仪或磁共振扫描仪。
14.一种包括软件代码部分的计算机程序产品，所述软件代码部分能够直接加载到数字计算机的存储器中，当所述软件代码部分由所述数字计算机执行时，通过所述软件代码部分执行根据权利要求1至6中任一项所述的方法。
CN201710365029.3A 2016-05-24 2017-05-22 用于执行医学检查的成像方法和成像系统 Active CN107423551B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016209032.1A DE102016209032B3 (de) 2016-05-24 2016-05-24 Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt
DE102016209032.1 2016-05-24

Publications (2)

Publication Number Publication Date
CN107423551A true CN107423551A (zh) 2017-12-01
CN107423551B CN107423551B (zh) 2021-06-04

Family

ID=59700550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710365029.3A Active CN107423551B (zh) 2016-05-24 2017-05-22 用于执行医学检查的成像方法和成像系统

Country Status (3)

Country Link
US (1) US20170344701A1 (zh)
CN (1) CN107423551B (zh)
DE (1) DE102016209032B3 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058184A (zh) * 2018-01-19 2019-07-26 北京绪水互联科技有限公司 冷头效率计算指标、及利用该指标实现冷头效率计算和监测的方法、系统
CN110084429A (zh) * 2019-04-29 2019-08-02 东软医疗系统股份有限公司 扫描时间的预测方法、装置、存储介质及电子设备
CN110517757A (zh) * 2018-05-21 2019-11-29 美国西门子医疗系统股份有限公司 调谐的医学超声成像
CN110556177A (zh) * 2018-05-31 2019-12-10 通用电气公司 自动扫描工作流程
CN111128345A (zh) * 2019-11-19 2020-05-08 上海联影智能医疗科技有限公司 医学图像的获取方法、医学扫描设备和计算机存储介质
CN111599474A (zh) * 2019-02-20 2020-08-28 西门子医疗有限公司 检查基于x射线的医学成像应用的流程的特征参数的方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017215829A1 (de) * 2017-09-07 2018-12-06 Siemens Healthcare Gmbh Verfahren und Datenverarbeitungseinheit zum Ermitteln von Klassifikationsdaten für eine Adaption eines Untersuchungsprotokolls
EP3546973A1 (en) * 2018-03-26 2019-10-02 Koninklijke Philips N.V. Predictive modification of magnetic resonance imaging protocols
WO2019243400A1 (en) * 2018-06-22 2019-12-26 Koninklijke Philips N.V. A method for enabling magnetic resonance imaging of a subject
DE102018217886A1 (de) * 2018-10-18 2020-04-23 Siemens Healthcare Gmbh Bereitstellen eines medizinischen Bilddatensatzes eines Patienten mittels einer Röntgenröhre eines Computertomographiesystems
EP3901964A1 (en) * 2020-04-22 2021-10-27 Siemens Healthcare GmbH Intelligent scan recommendation for magnetic resonance imaging
CN113379862A (zh) * 2021-06-08 2021-09-10 苏州晟诺医疗科技有限公司 获得扫描参数值的方法、装置、介质和电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101091656A (zh) * 2006-04-13 2007-12-26 通用电气公司 用于相对灌注和/或活性的方法和装置
US20120143037A1 (en) * 2009-04-07 2012-06-07 Kayvan Najarian Accurate Pelvic Fracture Detection for X-Ray and CT Images
CN103942122A (zh) * 2014-04-22 2014-07-23 南京邮电大学 一种识别AVI类型block的方法
US20140297303A1 (en) * 2013-03-27 2014-10-02 Mirko Appel Method and Arrangement for the Optimized Setting of Medical Systems
CN104434162A (zh) * 2013-09-25 2015-03-25 西门子公司 用于自动选择扫描协议的方法和系统
CN105009171A (zh) * 2013-03-01 2015-10-28 因派克医药系统有限公司 用于学习增强的基于图谱的自动分割的方法和装置
CN105069308A (zh) * 2015-08-19 2015-11-18 天津瑟威兰斯科技有限公司 医疗设备智能监控系统
CN105447525A (zh) * 2015-12-15 2016-03-30 中国科学院软件研究所 一种数据预测分类方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090062623A1 (en) * 2007-08-30 2009-03-05 Kimberly-Clark Worldwide, Inc. Identifying possible medical conditions of a patient
WO2009142758A1 (en) * 2008-05-23 2009-11-26 Spectral Image, Inc. Systems and methods for hyperspectral medical imaging
DE102010034430A1 (de) * 2010-08-16 2012-02-16 Siemens Aktiengesellschaft Verfahren zur Konfiguration einer Bildgebungsvorrichtung
DE102011002928A1 (de) * 2011-01-20 2012-07-26 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Konfiguration einer medizinischen Bildgebungsvorrichtung
US20150081685A1 (en) * 2011-11-04 2015-03-19 BigML, Inc. Interactive visualization system and method
US9330454B2 (en) * 2012-09-12 2016-05-03 Bruce Reiner Method and apparatus for image-centric standardized tool for quality assurance analysis in medical imaging
US20140276023A1 (en) * 2013-03-12 2014-09-18 Volcano Corporation Systems and methods for determining a probability of a female subject having a cardiac event
US9427185B2 (en) * 2013-06-20 2016-08-30 Microsoft Technology Licensing, Llc User behavior monitoring on a computerized device
GB201320216D0 (en) * 2013-11-15 2014-01-01 Microsoft Corp Predicting call quality
US20150142457A1 (en) * 2013-11-20 2015-05-21 Toshiba Medical Systems Corporation Apparatus for, and method of, data validation
US20160104094A1 (en) * 2014-10-09 2016-04-14 Microsoft Corporation Future meeting evaluation using implicit device feedback

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101091656A (zh) * 2006-04-13 2007-12-26 通用电气公司 用于相对灌注和/或活性的方法和装置
US20120143037A1 (en) * 2009-04-07 2012-06-07 Kayvan Najarian Accurate Pelvic Fracture Detection for X-Ray and CT Images
CN105009171A (zh) * 2013-03-01 2015-10-28 因派克医药系统有限公司 用于学习增强的基于图谱的自动分割的方法和装置
US20140297303A1 (en) * 2013-03-27 2014-10-02 Mirko Appel Method and Arrangement for the Optimized Setting of Medical Systems
CN104434162A (zh) * 2013-09-25 2015-03-25 西门子公司 用于自动选择扫描协议的方法和系统
CN103942122A (zh) * 2014-04-22 2014-07-23 南京邮电大学 一种识别AVI类型block的方法
CN105069308A (zh) * 2015-08-19 2015-11-18 天津瑟威兰斯科技有限公司 医疗设备智能监控系统
CN105447525A (zh) * 2015-12-15 2016-03-30 中国科学院软件研究所 一种数据预测分类方法及装置

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058184A (zh) * 2018-01-19 2019-07-26 北京绪水互联科技有限公司 冷头效率计算指标、及利用该指标实现冷头效率计算和监测的方法、系统
CN110058184B (zh) * 2018-01-19 2021-06-08 北京绪水互联科技有限公司 冷头效率的计算方法、及冷头效率的监测方法和系统
CN110517757A (zh) * 2018-05-21 2019-11-29 美国西门子医疗系统股份有限公司 调谐的医学超声成像
CN110517757B (zh) * 2018-05-21 2023-08-04 美国西门子医疗系统股份有限公司 调谐的医学超声成像
CN110556177A (zh) * 2018-05-31 2019-12-10 通用电气公司 自动扫描工作流程
CN111599474A (zh) * 2019-02-20 2020-08-28 西门子医疗有限公司 检查基于x射线的医学成像应用的流程的特征参数的方法
US11829195B2 (en) 2019-02-20 2023-11-28 Siemens Healthcare Gmbh Method for checking a characteristic variable of an application procedure of an X-ray based medical imaging application
CN111599474B (zh) * 2019-02-20 2024-02-13 西门子医疗有限公司 检查基于x射线的医学成像应用的流程的特征参数的方法
CN110084429A (zh) * 2019-04-29 2019-08-02 东软医疗系统股份有限公司 扫描时间的预测方法、装置、存储介质及电子设备
CN111128345A (zh) * 2019-11-19 2020-05-08 上海联影智能医疗科技有限公司 医学图像的获取方法、医学扫描设备和计算机存储介质
CN111128345B (zh) * 2019-11-19 2024-03-22 上海联影智能医疗科技有限公司 医学图像的获取方法、医学扫描设备和计算机存储介质

Also Published As

Publication number Publication date
CN107423551B (zh) 2021-06-04
US20170344701A1 (en) 2017-11-30
DE102016209032B3 (de) 2017-09-14

Similar Documents

Publication Publication Date Title
CN107423551A (zh) 用于执行医学检查的成像方法
US7657074B2 (en) Method for determining acquisition parameters for a medical tomography device, and an associated apparatus
Gatta et al. Towards a modular decision support system for radiomics: A case study on rectal cancer
CN110858315B (zh) 考虑较少训练数据的基于深度机器学习的磁共振成像质量分类
US8938113B2 (en) Adaptive visualization for direct physician use
US8333508B2 (en) Multi-functional medical imaging quality assurance sensor
CN110114834A (zh) 用于医疗程序的深度学习医疗系统和方法
CN108784655A (zh) 针对医疗患者的快速评估和后果分析
US20230071400A1 (en) System and method for assessing medical images
KR20200087310A (ko) 인공지능 영상판독 딥러닝 학습을 위한 애노테이션 학습데이터 생성과 증강 시스템 및 방법
EP3528179A1 (en) Training a neural network
CN103999087A (zh) 针对接收方优化的医学成像重建
US20210398650A1 (en) Medical imaging characteristic detection, workflows, and ai model management
CN107951500A (zh) 用于成像方法的拍摄参数的确定
WO2020226751A1 (en) Interpretable neural network
US10950343B2 (en) Highlighting best-matching choices of acquisition and reconstruction parameters
CN106663210A (zh) 基于感受的多媒体处理
DE102021210435A1 (de) Verfahren und Vorrichtung zur Visualisierung von dreidimensionalen Objekten
Auconi et al. Understanding interactions among cephalometrics variables during growth in untreated Class III subjects
US11933870B2 (en) Contrast and/or system independent motion detection for magnetic resonance imaging
CN112101438B (zh) 一种左右眼分类方法、装置、服务器和存储介质
CN110457329A (zh) 一种实现个性化推荐的方法及装置
CN109106389A (zh) 一种x射线曝光指数范围生成方法和x射线系统
CN108229491A (zh) 从图片中检测物体关系的方法、装置和设备
CN112651885A (zh) 用于减少图像记录噪声的方法和装置

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
GR01 Patent grant
GR01 Patent grant