CN107644671A - 在评价图像数据集时支持报告医师的方法和图像记录系统 - Google Patents
在评价图像数据集时支持报告医师的方法和图像记录系统 Download PDFInfo
- Publication number
- CN107644671A CN107644671A CN201710608547.3A CN201710608547A CN107644671A CN 107644671 A CN107644671 A CN 107644671A CN 201710608547 A CN201710608547 A CN 201710608547A CN 107644671 A CN107644671 A CN 107644671A
- Authority
- CN
- China
- Prior art keywords
- information
- data set
- image data
- algorithm
- record
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 title claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims abstract description 8
- 238000003745 diagnosis Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000002203 pretreatment Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 16
- 238000003384 imaging method Methods 0.000 description 6
- 206010009944 Colon cancer Diseases 0.000 description 5
- 208000029742 colonic neoplasm Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 208000007474 aortic aneurysm Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001454 recorded image Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000005305 organ development Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013396 workstream Methods 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
- A61B6/566—Details of data transmission or power supply, e.g. use of slip rings involving communication between diagnostic systems
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- 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
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Optics & Photonics (AREA)
Abstract
在此描述的实施例涉及用于在评价图像数据集时支持报告医师的方法、图像记录系统、计算机程序和电子可读数据载体。一种用于在利用图像记录系统(10)记录的患者的图像数据集的评价中支持报告医师的方法，其中图像数据集由至少一个预处理算法自动地处理用于显示给报告医师，其中至少一个预处理算法和/或将至少一个预处理算法参数化的至少一个预处理参数由人工智能的选择算法根据以下而自动地选择：描述图像数据集的记录和/或记录区域的记录信息(1)的至少一项，和/或关于患者的先前检查的附加信息(3a，3b，3c，3d)的至少一项。
Description
技术领域
本发明涉及一种用于在患者的图像数据集的评价中支持报告医师的方法，其中图像数据集利用图像记录系统来记录，并由至少一个预处理算法自动地处理以用于向报告医师显示。另外，本发明涉及图像记录系统、计算机程序和电子可读数据载体。
背景技术
为了使得报告医师能够对患者检查所记录的图像数据集做出最优评价并且由此能够做出可靠诊断，通常提供对图像数据集的预处理或预评价，这种预处理或预评价是有用的。为此，目前已知的是：将图像数据集加载到例如在诊断工作站计算机上的临床应用中。报告医师继而可以选择专用的图像后处理算法，这导致在结果最终能够用于进一步评价之前需要一段很长的等待时间。对于放射工作流而言，这将会造成严重的性能损失。
为了尝试解决该问题，已提出将临床应用设计成使图像数据集可视化，以允许报告医师可以手动地配置规则，从而允许针对描述图像数据集的记录和/或记录区域的特定记录信息(例如可以被包含在图像数据集的DICOM头部中)来选择特殊预处理算法，该特殊预处理算法继而被自动执行。这种预处理算法对图像数据集所再现的物理状态和技术状态进行评价，以便可靠地改善图像和再现信息。例如，可以在血管成像等中提供预处理算法，以保持对血管的追踪。
然而，在这种方法中，用户必须手动识别和指定记录信息中的关键片段，从而触发对图像数据集的图像数据的特殊计划规划和特殊预处理。这种规则不仅配置起来非常麻烦，而且在不同的临床设备甚至不同的用户之间是各异的。这种规则的确允许记录协议特定的预处理，但不能记录病例特定的预处理，即，不能记录针对个体患者而定制的预处理程序。尽管诊断问题完全不同，相同的记录协议和/或记录参数也往往总是被使用。因此，由于评估是根据手动调整的规则而准备的，即使这种自动化也可能产生无法令人满意的结果。
发明内容
因此，本发明的目的是指定一种对用于诊断的图像数据集的改进型、完全自动化处理。
为了实现该目的，在根据本发明的上述类型的方法中，使得能够借助于人工智能的选择算法，根据描述图像数据集的记录和/或记录区域的记录信息的至少一项、和/或关于患者的先前检查的附加信息的至少一项，而自动地选择至少一个预处理算法和/或用于对该至少一个预处理算法进行参数化的至少一个预处理参数。
因此，本发明提出：使用以选择算法的形式的人工智能来完全精确地选择所需的预处理程序(“预处理”)，而无需手动定义规则和/或任何其他用户干预，从而能够使预处理或预评价(即，用于报告医师的处理)完全自动化，特别是能够脱离进行诊断的工作站计算机来实现预处理或预评价。在大多数情况下，除记录信息之外还更加详细地描述诊断问题的附加信息是可获得的；通过额外考虑这种附加信息，可以允许自动的、病例特定的预处理，以便甚至在报告医师打开图像数据集之前就对诊断案例做出优化处理。因此，除了语义记录信息之外，还采用来自患者的先前检查或程序的语义附加信息，来对图像数据集进行最优预处理。这能够弥合记录信息特定的初步预处理与案例特定的预处理之间的差异，从而提高报告医师对图像数据集的评价质量，并且由于能够节省了大量时间而更加高效地操作。取得此种效果的原因是：不再要求对规则进行手动配置，并且也不再需要用于等待对图像处理选项的随后选择的时间。
记录信息在原理上是已知的，并且可以例如被可用地存储在图像数据集的DICOM头部中。记录信息可以例如包含特定记录协议的规范，可以理解，记录信息还可以明确地包括图像记录系统的特定记录参数。然而，如将在以下更详细讨论的，如果将相关联的标准(例如，所谓的RadLex标准)用于记录信息的语义描述将是特别优选的，这种标准被建立用以基于描述成像检查的元素(例如，要检查的模态或身体部位)来描述放射学程序。为此，提供了用于放射学研究的标准名称和代码。
本发明可以最终应用于任何可预见的医疗成像模态，在此，将更多地将计算机断层摄影图像数据集作为示例来加以讨论。在计算机断层摄影图像记录系统的情况中，记录信息可以特别地包括例如某些器官程序等的记录协议/扫描协议。其他可能的程序模态包括例如磁共振成像和超声波成像。
本发明的有利的实施例提供了使用对预处理程序进行建模的工作流本体(ontology)的选择算法，在工作流本体中建立预处理信息与诊断信息的联系，预处理信息包括预处理算法和/或预处理参数，和/或能够从预处理信息中得到预处理算法和/或预处理参数，诊断信息包括记录信息和/或附加信息，和/或能够从诊断信息中得到记录信息和/或附加信息。本体包含特别区域中的概念集的非书面规划的表示和正式组织的表示以及它们之间的关系。本体还可以包括推论和完整性规则(换言之，用于结论和用于确保其有效性的规则)，并因此代表可以在人工智能中特别有利地使用的一种知识表示。因此，在本发明的范围内，还描绘了以工作流本体形式的对于图像数据集的所要求的预处理程序，其中例如可以使用OWL-S标准。本体对预处理步骤、所要求的输入与输出信息和可用的预处理算法与工具进行建模，从而包含用于预处理的选项的完整知识。顺序的工作流和基于条件的工作流都可以被包含在工作流本体中。接着，将选择算法(其例如可以采用语义推理)应用于工作流本体的实例，以得出针对可用检查的对应预处理步骤。
特别地，工作流本体可以存储在中央计算设备、特别是服务器上，并且借助于通信连接来访问。以此方式，被设计成执行根据本发明的方法的若干图像处理系统支持对工作流本体的访问，此外一旦知道新临床要求和/或用于自动化图像分析的新选项，就可以以简单的方式对工作流本体进行持续扩展或更新。
一般而言，人工智能的选择算法可以使用统计信息和/或逻辑依赖性(特别地，其形式是推导规则)，和/或也可以被设计为机器学习算法。因此，选择算法所得出的结论可以使用统计信息以及逻辑依赖性二者，这些是人工智能领域中的两个主要途径。同样可适用于本发明的人工智能的算法已经变得已知，并且同时在现有技术中被大量描述，所以在此将不再详述。自学习算法的原理也是已知的，这种算法例如使用训练数据，在训练数据中输入信息被指派给预处理信息。
在选择了自动建议的病例特定的预处理步骤(其形式上是将要使用的预处理算法和/或预处理参数的)之后，继而执行相应的预处理步骤，以实现作为诊断准备的处理。
在本发明的特别有利的实施例中，提供了一种在图像处理设备的计算设备(特别是控制设备上)执行的预处理算法，由此使得经过处理的图像数据集在工作站计算机上可用于报告医师。特别有利的是，当经过处理的图像数据集被存储在专用服务器上的图像归档系统中时，报告医师能够从该图像归档系统得到图像数据集。在本发明的范围内，可以自动确定针对特殊诊断问题而调整的预处理步骤，这一选项允许独立地使用通常已经广泛可用的图像记录系统本身的图像处理能力，由此将在这方面通常已经配备的计算设备(特别是图像记录系统的控制设备)用于预处理，由此不仅缓解图像处理系统的其他计算设备、特别是设置在诊断工作站的工作站计算机的压力，还缓解用来实现图像归档系统(PACS)的至少一个计算设备的压力。在不同的数据图像集最终可以按照已处理形式被存储在图像归档系统中之前，如果需要在同一图像归档系统中为这些不同的图像数据集提供特殊的预处理计划，这将是极为复杂和繁琐的。如果预处理由图像记录系统本身来执行，则已被处理以用于诊断的数据集可被立刻插入到图像归档系统中，报告医师仅需从图像归档系统取出并相应地处理该数据集，以便相应地进行诊断和评价。
还提供了本发明的有利的演进：对于至少部分并非根据针对本体所特别提供的语义标准而提供的附加信息和/或记录信息，借助于语义分析、特别是包括文本组件的比较的语义分析，将对应的部分信息转换成语义标准。在工作流本体中，有利地假设特定的语义标准，以避免需要为本体的各元素提供不同的名称。例如，当以文本格式频繁地起草诊断报告时，不一定符合这种语义标准。然而已经表明：至少利用文本组件、当然在很多情况中也利用其他组件(例如用图形表现的组件)，借助于对应的语义分析可以提供符合语义标准的明确的成像。例如，使用参考本体是可行的，其中例如自由表达的文本可以被搜索，以便能够找到关于相应语义概念的成像。参考本体可以对应于相应语义标准的描述。有利地，如上所述，至少部分以RadLex标准来提供记录信息。该标准由北美放射学会(RSNA)引入为所谓的RadLex Playbook，这是RadLex本体的扩展，并且提供了放射成像程序的标准化的综合字典，这特别地也是语义性定义的记录协议。这些语义记录协议通过图像记录程序提供了标准化的可即时访问的语义信息。
此外，优选地，至少部分地以SNOMED-CT标准和/或以HL7标准和/或以CDA标准和/或作为结构化DICOM报告来提供附加信息。结构化DICOM报告(DICOM SR)经常包括来自所谓的受控专门用语的术语(例如SNOMED CT)作为语义标准。因此，来自患者的先前检查的结构化DICOM报告包含具有语义上可用格式的有价值信息。然而，也以其他方式、例如在信息系统中，频繁地使用例如HL7-CDA标准、将报告或诊断结果以标准化形式存档，该HL7-CDA标准同样使用诸如SNOMED CT的受控专门用语。
总之，如果记录信息和附加信息两者均已处于在语义上可用的格式、并因此而使用语义标准，则不需要对该信息进行预分析，特别是用以支持使用同样基于这些语义标准的工作流本体。
在一个有利的演进中，可以使用分配给图像数据集和/或包含在记录信息中的患者识别信息来确定附加信息。记录信息也常常已经包含患者识别信息，患者识别信息替代地和/或另外地也可在图像数据集中所得到或被分配给图像数据集。该患者识别信息使得能够搜索各种源来查找可能存在的附加信息，以便相应地获取这些信息并将其用于对图像数据集的最优处理。
在该上下文中并且不失一般性，有利的是：至少部分地从信息系统、特别是从医院信息系统(HIS)和/或放射学信息系统(RIS)获取附加信息。如果患者多次拜访相同临床站点、例如特定医院和/或特定放射学实践，则附加信息(即，关于先前检查的报告)通常已经在对应信息系统中被分配给该患者，可以从该对应信息系统获取或使用该附加信息。很自然还可想到的是，当患者在图像记录系统所在的临床站点处进行初始注册之后，对应的转移文档被进行数字化(这些转移文档是记录图像数据集的现在所进行的检查的原因)，使这些文档也可存在于信息系统中。
原则上，有利的是将以下诊断用作附加信息，该诊断是图像数据集的记录的因果性的诊断，和/或是基于先前记录的图像数据集(尤其至少是先前刚刚记录的图像数据集)而做出的诊断。例如，常常将结构化DICOM报告与相应的图像数据集一起存档在图像归档系统中，并且在图像归档系统中保持可用。特别有利地，根据本发明的方法可以被用于关于相同的治疗/诊断总是重复记录图像数据集的所有情况中，例如，在本体中，和/或当计划和/或复查干预(例如微创干预)的情况中。
可以在本发明的范围内使用的预处理算法的示例是：分段算法，和/或突出算法，和/或测量算法，和/或注册算法。当然，也可想到在图像数据集的处理的范围内的可用于诊断的多个进一步的处理算法及其相相应的参数。此外，在本发明的范围内以下情况可以是有利的，即，当根据附加信息、通过至少一个预处理算法而将特别是要与图像数据集的图像数据一起显示的和/或与该图像数据有关的有用信息添加至图像数据集。例如，该有用信息可以包括用于评价的基础、比例等。
举例而言，如果要对患者的腹部的计算机断层摄影图像数据进行预处理，则从附加信息可能得出患者已经诊断出患有结肠癌的结论。例如，目前基于工作流本体中的相应关系已知，这种结肠癌常常扩散到肝脏，由此可以进而得出结论，即肝脏是关于转移的相关检查对象。可以采取相应的预处理步骤，例如相应的分段程序、突出程序、测量、对有用信息(诸如尺寸图表等)的添加等。所有这些都在图像数据集传送到图像归档系统之前完全自动地且有利地进行，从而使得在图像归档系统处可用的图像数据集已经完全经过处理并准备好用于诊断。
根据本发明的方法可以通过一种图像处理系统来实现，一般而言，该图像处理系统例如具有被设计成执行根据本发明的方法的控制设备。然而，由于优选在图像记录系统中执行预处理，所以本发明特别地还涉及一种图像记录系统，该图像记录系统具有被设计成执行根据本发明的方法的控制设备。控制设备可以具有针对通常已经存在于图像记录系统上的记录信息和附加信息的检测单元，其中如果适用，则可以使用图像记录系统的产生通信连接的相应通信设备。然后，在选择单元中，通过选择算法对记录信息和附加信息进行分析，以便得出继而由预处理单元执行的相应预处理步骤。此后，将经过处理的图像数据集优选地转发至与图像记录系统连接的图像归档系统(PACS)。
本发明进一步涉及一种计算机程序，其当被在计算机设备(例如图像记录系统的控制设备)上执行时，执行根据本发明的方法的步骤。为此，计算机程序可以例如被直接加载到控制设备的存储器中并具有程序资源，以当该程序在控制设备上执行时使得本文所描述的方法的步骤得以执行。计算机程序可以被存储在根据本发明的电子可读数据载体上，其因此包括电子可读控制信息，该电子可读控制信息包含至少一个指定的计算机程序，并且被设计成当在控制设备中使用数据载体时执行本文所描述的方法。数据载体可以是非暂时性数据载体、特别地是CD-ROM。
附图说明
本发明的进一步优点和细节将从下文中所描述的示例性实施例并参照附图得以显现。在图中：
图1示出用以说明根据本发明的方法的图，
图2示出附加信息的利用的图示，以及
图3示出可以在其中使用根据本发明的方法的图像处理系统。
具体实施方式
根据本发明的方法的示例性实施例使得：预处理程序(预处理)的适当预处理步骤能够针对图像数据集得以完全自动地选择和执行，这尤其是针对期望的诊断问题而准备的。在图像记录系统本身的控制设备中执行以下所述的根据本发明的方法的示例性实施例行，从而使得已经过处理的图像数据集得以转发至图像归档系统(PACS)。
该方法首先使用在图像记录系统的一部分上已经可用的记录信息1(参见图1)，来作为输入数据。记录信息1可根据北美放射学会(RSNA)的RadLex Playbook而得到，因此其在语义标准方面符合人工智能所使用的工作流本体2中的语义标准，这将在下文中更详细地描述。
在该情况下，记录信息1还包括患者识别信息，该患者识别信息可以被用于从通过通信连接可访问的各种其他源来获取附加信息3a、3b。附加信息涉及相同患者的先前的检查，特别是他们的诊断结果。附加信息3a包括被分配给图像归档系统(PACS)中的、具有所分配的先前图像集的形式的结构化DICOM报告的附加信息，其中工作流本体2的语义标准得以遵循，以使得在相关部分被提取之后的必要情况下，附加信息3a同样是立即可用的。
附加信息3b所涉及的是另一情况，在该情况下，附加信息3b从信息系统(例如医院信息系统(HIS)或放射学信息系统(RIS))而获取。这包括具有文本格式的先前诊断报告，其未必满足工作流本体2所基于的语义标准。因此在步骤4中针对相应的附加信息3b进行语义分析，其中具体是将文本组件与最终符合工作流本体2中使用的语义标准的参考本体5中的那些组件进行比较。除了上述RadLex标准之外，还可以使用SNOMED CT、HL7和CDA，来作为用于附加信息的语义标准。
在步骤6中，将以相应的语义标准描述的记录信息1、附加信息3a和附加信息3b添加到人工智能的选择算法，该选择算法使用与预处理信息建立联系的工作流本体2对其进行评价。优选地，在选择算法中使用语义推理，其中可以以与以下预处理步骤的逻辑依赖性相同的方式来使用统计信息，该预处理步骤是最终推导处理程序的、使用某些预处理算法和/或预处理参数的特定预处理步骤。该选择算法可以是一个学习算法。
在以同样方式考虑了附加信息3a、3b之后，进行病例特定预处理，并因此准备用于后续诊断的图像数据集，因为这可以得出具体诊断问题。在步骤7中还相应地通过图像记录系统的控制设备来执行所确定的预处理步骤，由此将以该方式预处理的图像数据集转发至图像归档系统，预处理的图像数据集在该图像归档系统中可用于诊断。
图2以示意图的形式描绘了根据本发明的方法的显著优点。基本上涉及两个不同的患者，这两个患者具有两个不同诊断问题需要得到响应，然而，使用了由相同记录信息1描述的相同计算机断层摄影记录协议，在该特定示例中是使用造影剂后的胃部的两阶段计算机断层摄影扫描。然而，由于还使用附加信息，在此为第一患者的附加信息3c和第二患者的附加信息3d，所以由此在语义上清楚可知：第一患者患有结肠癌，并且图像数据集是化疗期间的随访检查。然而，根据附加信息3d在语义上得出患有主动脉动脉瘤(AAA)的第二患者在执行了血管内主动脉瘤修复(EVAR)之后而进行检查。
当使用步骤6中的人工智能的选择算法时，使得现在对这两个患者使用完全不同的预处理步骤8a和8b。因此，对于第一患者的预处理步骤8a可以包括：
-从图像归档系统中获取先前记录的预先数据集，并且将图像数据的项目彼此注册，以能够在诊断期间并排地看到它们，
-执行作为预处理算法的CAD算法，用于检测初级散射中心中的转移的病变，其中典型的散射区域包括肝、肺和腹膜，
-将先前记录的预先数据集和当前图像数据集中的检测到的病变分段，并且预先计算出病变的尺寸上的改变，
-执行骨骼器官发育算法以在检测转移时支持报告医师，
-将用于结肠癌的TNM分类指南添加到图像数据集，以作为要在检索图像数据集时针对诊断而被显示的有用信息，和
-同样添加结肠癌治疗指南，以作为用于在诊断期间显示的有用信息。
相比而言，用于第二患者或其图像数据集的预处理步骤8b包括：
-自动地追踪主动脉并将其可视化，
-自动地检测主动脉中的动脉瘤并将其分段，
-适当地将已经插入的支架可视化，
-自动地检测干预之后的典型并发症、例如斑块栓塞、内漏等，
和
-添加用于内漏的分类的指南，以作为图像数据集中的有用信息，并且在用于诊断的检索时显示该指南。
尽管使用了相同的成像技术并且特别是还有相同的图像采集参数，显然附加信息也使得能够区分完全不同的诊断问题和自动实现相应的预处理。
图3示出可以在其中执行根据本发明的方法的图像处理系统9的示意图。图像处理系统9包括例如是计算机断层摄影图像记录系统的至少一个图像记录系统10。该系统具有与图像归档系统12(PACS)的通信连接11，图像数据集可以被存档在图像归档系统12中。通过进一步的通信连接13的方式，工作站计算机14可以访问图像归档系统12上的诊断工作站，该进一步的通信连接13可通过与通信连接11相同的网络实现。
优选地，根据本发明的方法通过图像记录系统10的控制设备15来执行，使得可以将已经处理的预处理图像数据集插入图像归档系统12中。以该方式，显著降低了工作站计算机14的计算要求和等待时间。
作为图像处理系统9的一部分，还可以提供中央计算设备17，其可以实施信息系统18，例如HIS或RIS，和/或可以被存档在工作流本体12上，以便被若干图像记录系统获取和/或访问(参见箭头19)。工作流本体2的中央存储使得能够实现简单的更新和/或扩展。要指出的是，也可以将新添加到工作流本体2的预处理算法保存在被设计为服务器的中央计算设备17上，以便被控制设备15获取，使得当在步骤6中通过人工智能的选择算法确定相应的预处理步骤时，也可以有效地执行这些相应的预处理步骤。
虽然已通过示例性实施例更详细地图示出并描述了本发明，但是本发明不受所公开的示例所限，并且本领域技术人员可以在不脱离本发明的范围的情况下得出其他变型。
Claims (12)
1.一种用于在评价利用图像记录系统(10)记录的患者的图像数据集时支持报告医师的方法，其中所述图像数据集由至少一个预处理算法自动地处理以用于向所述报告医师显示，其特征在于，所述至少一个预处理算法和/或将所述至少一个预处理算法参数化的至少一个预处理参数由人工智能的选择算法根据以下而自动地选择：描述所述图像数据集的记录和/或记录区域的记录信息(1)的至少一项，和/或关于所述患者的先前检查的附加信息(3a，3b，3c，3d)的至少一项。
2.如权利要求1所述的方法，其特征在于，所述选择算法使用对预处理程序进行建模的工作流本体(2)，在所述工作流本体中建立所述预处理信息与诊断信息的联系，所述预处理信息包括所述预处理算法和/或预处理参数，和/或能够从所述预处理信息中得到预处理算法和/或预处理参数，所述诊断信息包括记录信息(1)和/或附加信息(3a，3b，3c，3d)，和/或能够从所述诊断信息中得到记录信息(1)和/或附加信息(3a，3b，3c，3d)。
3.如权利要求1或2所述的方法，其特征在于，所述预处理算法在所述图像记录系统(10)的控制设备(15)上执行，由此使得经过处理的图像数据集在工作站计算机(14)上对于报告医师是可用的。
4.如权利要求3所述的方法，其特征在于，所述经过处理的图像数据集被存储在分配的服务器上的图像归档系统(13)中，所述经过处理的图像数据集从所述图像归档系统(13)处对于所述报告医师是可用的。
5.如前述权利要求中的任一项所述的方法，其特征在于，对于至少部分不是依照针对所述工作流本体(2)所特别提供的语义标准的可用的记录信息(1)和/或附加信息(3a，3b，3c，3d)，相应的部分信息借助于语义分析、特别是包括文本组件的比较的语义分析而转换成所述语义标准。
6.如前述权利要求中的任一项所述的方法，其特征在于，所述记录信息(1)至少部分以RadLex标准来提供，和/或所述附加信息(3a，3b，3c，3d)至少部分以SNOMED CT标准和/或以HL7标准和/或以CDA标准和/或作为结构化DICOM报告来提供。
7.如前述权利要求中的任一项所述的方法，其特征在于，所述附加信息(3a，3b，3c，3d)使用分配给所述图像数据集的和/或被包含在所述记录信息(1)中的患者识别信息而被确定，和/或所述附加信息(3a，3b，3c，3d)至少部分地从信息系统(17)、特别是从医院信息系统和/或放射学信息系统中被获取，和/或产生所述图像数据集的所述记录的诊断和/或产生先前记录的图像数据集的诊断、特别是至少紧接之前记录的所述图像数据集的诊断被用作附加信息(3a，3b，3c，3d)。
8.如前述权利要求中的任一项所述的方法，其特征在于，所述人工智能的所述选择算法使用统计信息和/或逻辑依赖性、特别是以推论规则的形式，和/或所述选择算法是机器学习算法。
9.如前述权利要求中的任一项所述的方法，其特征在于，
所述预处理算法包括：分段算法，和/或突出算法，和/或测量算法和/或注册算法，和/或
根据所述附加信息(3a，3b，3c，3d)、通过至少一个预处理算法、将特别是与所述图像数据集的图像数据一起显示的有用信息添加到所述图像数据集。
10.一种图像记录系统(10)，具有控制设备(15)，所述控制设备(15)被设计成执行如前述权利要求中的任一项所述的方法。
11.一种计算机程序，当被在计算机设备上执行时，所述计算机程序执行如权利要求1至9中的任一项所述的方法的步骤。
12.一种电子可读数据载体，如权利要求11所述的计算机程序被存储在所述电子可读数据载体上。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102016213515.5 | 2016-07-22 | ||
| DE102016213515.5A DE102016213515A1 (de) | 2016-07-22 | 2016-07-22 | Verfahren zur Unterstützung eines Befunders bei der Auswertung eines Bilddatensatzes, Bildaufnahmeeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107644671A true CN107644671A (zh) | 2018-01-30 |
Family
ID=60242609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710608547.3A Pending CN107644671A (zh) | 2016-07-22 | 2017-07-24 | 在评价图像数据集时支持报告医师的方法和图像记录系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20170323442A1 (zh) |
| CN (1) | CN107644671A (zh) |
| DE (1) | DE102016213515A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111954908A (zh) * | 2018-04-11 | 2020-11-17 | 西门子医疗有限公司 | 用于控制医学技术装置的运行的方法、操作设备、操作系统、医学技术装置、计算机程序和电子可读的数据载体 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3435295A1 (de) * | 2017-07-26 | 2019-01-30 | Siemens Aktiengesellschaft | Vorverarbeitung für einen klassifikationsalgorithmus |
| EP3451211B1 (de) | 2017-09-01 | 2024-02-28 | Siemens Healthineers AG | Verfahren und steuereinrichtung zur steuerung eines medizintechnischen bildgebenden systems |
| EP3471106A1 (en) | 2017-10-10 | 2019-04-17 | Siemens Healthcare GmbH | Method and system for supporting clinical decisions |
| CN109447940B (zh) * | 2018-08-28 | 2021-09-28 | 天津医科大学肿瘤医院 | 卷积神经网络训练方法、超声图像识别定位方法及系统 |
| WO2020210278A1 (en) * | 2019-04-08 | 2020-10-15 | The University Of Vermont And State Agricultural College | Method and apparatus for analyzing aortic aneurysms and endoleaks in computed tomography scans |
| EP3786978A1 (en) * | 2019-08-30 | 2021-03-03 | Siemens Healthcare GmbH | Automated clinical workflow |
| DE102019214560A1 (de) * | 2019-09-24 | 2020-09-17 | Siemens Healthcare Gmbh | Verfahren zur automatischen Auswahl von medizinischen Strukturen und Vorrichtung |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10324908A1 (de) * | 2003-05-30 | 2004-12-23 | Siemens Ag | Selbstlernendes Verfahren zur Bildaufbereitung von digitalen Röntgenbildern sowie zugehörige Vorrichtung |
| CN1985258A (zh) * | 2003-11-26 | 2007-06-20 | 皇家飞利浦电子股份有限公司 | 高处理量成像环境的工作流优化 |
| US7630947B2 (en) * | 2005-08-25 | 2009-12-08 | Siemens Medical Solutions Usa, Inc. | Medical ontologies for computer assisted clinical decision support |
| US20160209995A1 (en) * | 2015-01-19 | 2016-07-21 | Samsung Electronics Co., Ltd. | Image processing apparatus, medical imaging apparatus, and image processing method |
-
2016
- 2016-07-22 DE DE102016213515.5A patent/DE102016213515A1/de active Pending
-
2017
- 2017-07-20 US US15/654,769 patent/US20170323442A1/en not_active Abandoned
- 2017-07-24 CN CN201710608547.3A patent/CN107644671A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10324908A1 (de) * | 2003-05-30 | 2004-12-23 | Siemens Ag | Selbstlernendes Verfahren zur Bildaufbereitung von digitalen Röntgenbildern sowie zugehörige Vorrichtung |
| CN1985258A (zh) * | 2003-11-26 | 2007-06-20 | 皇家飞利浦电子股份有限公司 | 高处理量成像环境的工作流优化 |
| US7630947B2 (en) * | 2005-08-25 | 2009-12-08 | Siemens Medical Solutions Usa, Inc. | Medical ontologies for computer assisted clinical decision support |
| US20160209995A1 (en) * | 2015-01-19 | 2016-07-21 | Samsung Electronics Co., Ltd. | Image processing apparatus, medical imaging apparatus, and image processing method |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111954908A (zh) * | 2018-04-11 | 2020-11-17 | 西门子医疗有限公司 | 用于控制医学技术装置的运行的方法、操作设备、操作系统、医学技术装置、计算机程序和电子可读的数据载体 |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102016213515A1 (de) | 2018-01-25 |
| US20170323442A1 (en) | 2017-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107644671A (zh) | 在评价图像数据集时支持报告医师的方法和图像记录系统 | |
| US11850021B2 (en) | Dynamic self-learning medical image method and system | |
| CN100498809C (zh) | 处理医学重要数据的方法 | |
| US10092213B2 (en) | Method and arrangement for computer-assisted representation and/or evaluation of medical examination data | |
| US11170891B2 (en) | Image generation from a medical text report | |
| US8184854B2 (en) | Method and system for evaluation of the behavior of users of a digital image information system | |
| CN108784655A (zh) | 针对医疗患者的快速评估和后果分析 | |
| CN107292086A (zh) | 图像分析问答 | |
| US10984894B2 (en) | Automated image quality control apparatus and methods | |
| Liu et al. | Integrate domain knowledge in training CNN for ultrasonography breast cancer diagnosis | |
| US9588950B2 (en) | Assignment of measurement data to information data | |
| US20070133851A1 (en) | Method and apparatus for selecting computer-assisted algorithms based on protocol and/or parameters of an acquisistion system | |
| JP6667240B2 (ja) | 装置、方法、システム及びプログラム。 | |
| US20210202072A1 (en) | Medical image diagnosis assistance apparatus and method for providing user-preferred style based on medical artificial neural network | |
| JP7071441B2 (ja) | 装置、方法、システム及びプログラム | |
| WO2021153648A1 (ja) | 記憶媒体、診断支援装置及び診断支援方法 | |
| US10734102B2 (en) | Apparatus, method, system, and program for creating and displaying medical reports | |
| Cook et al. | Algorithmic versus expert human interpretation of instantaneous wave-free ratio coronary pressure-wire pull back data | |
| US20160004818A1 (en) | Network system and method for controlling a computer tomograph | |
| CN115115570A (zh) | 医学图像分析方法和装置、计算机设备及存储介质 | |
| Kawa et al. | Radiological atlas for patient specific model generation | |
| JPWO2019208130A1 (ja) | 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム | |
| Rosnati et al. | Automatic lesion analysis for increased efficiency in outcome prediction of traumatic brain injury | |
| CN109906487A (zh) | 用于针对临床护理连续性进行工作流程敏感的结构化发现对象（sfo）推荐的系统和方法 | |
| CN112447287A (zh) | 自动化的临床工作流程 |
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 |