CN107913076A - 用于提供置信信息的方法 - Google Patents

用于提供置信信息的方法 Download PDF

Info

Publication number
CN107913076A
CN107913076A CN201710915757.7A CN201710915757A CN107913076A CN 107913076 A CN107913076 A CN 107913076A CN 201710915757 A CN201710915757 A CN 201710915757A CN 107913076 A CN107913076 A CN 107913076A
Authority
CN
China
Prior art keywords
parameter
medical image
diagnosis
diagnostic system
confidence measure
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
CN201710915757.7A
Other languages
English (en)
Other versions
CN107913076B (zh
Inventor
M.黑姆斯
B.海斯曼
R.卡特曼
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 CN107913076A publication Critical patent/CN107913076A/zh
Application granted granted Critical
Publication of CN107913076B publication Critical patent/CN107913076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • A61B6/58—Testing, adjusting or calibrating apparatus or devices for radiation diagnosis
    • 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
    • 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
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/58—Testing, adjusting or calibrating the diagnostic device
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • 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
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/037—Emission tomography
    • 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
    • A61B6/46—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient
    • A61B6/467—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B6/468—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient characterised by special input means allowing annotation or message recording
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B8/468—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means allowing annotation or message recording
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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

Abstract

本发明涉及一种用于提供置信信息的方法，包括以下方法步骤：提供自动诊断系统，采集患者的医学图像数据，确定描述由诊断系统正确诊断医学图像数据的可靠性的置信度量，以及提供关于由诊断系统正确诊断医学图像数据的可靠性的置信信息，其中置信信息基于所确定的置信度量。

Description

用于提供置信信息的方法
技术领域
本发明涉及一种用于提供置信信息的方法、计算单元、医学成像设备和计算机程序产品。
背景技术
通常借助医学成像设备拍摄医学图像数据，并且医学图像数据可以显示患者身体的解剖结构和/或功能过程。
应用人工智能研究中的方法、例如深度学习被越来越多地应用于医学图像数据和/或其与另外的患者数据的组合。可以预见，医学图像数据的放射诊断可以逐步由计算机补充或甚至接管。由此，例如在例行情况下，可以减轻放射科医生的工作量。计算机辅助的分析还可以实现对于人类来说过于复杂的新的应用。
在此，接受医学图像数据的机器诊断的一个决定性障碍是保证机器诊断的足够的质量或可靠性。通常，放射诊断由人类进行并负责。一旦计算机部分自主或自主地产生诊断，似乎有必要在临床实际中验证该诊断。
发明内容
本发明要解决的技术问题是，确定并提供用于自动诊断系统的置信信息。上述技术问题通过根据本发明的特征来解决。在本发明中描述了优选的实施。
按照本发明的用于提供置信信息的方法包括以下方法步骤：
-提供自动诊断系统，
-采集患者的医学图像数据，
-确定描述诊断系统正确诊断医学图像数据的可靠性的置信度量，和
-提供关于诊断系统正确诊断医学图像数据的可靠性的置信信息，其中置信信息基于所确定的置信度量。
诊断在此尤其可以指标准化注释格式的形式的诊断评估。诊断还可以被视为关于在患者中存在特定临床特征的报告，例如关于存在肿瘤或其它在医学图像数据中可检测的疾病的报告。替换地或附加地，诊断还可以包括关于医学图像数据中的一般的不规律或异常的说明。
提供诊断系统在此可以包括从数据库和/或电子可读的数据载体中调用或加载诊断系统。特别地，提供适用于诊断医学图像数据的诊断系统。诊断系统尤其可以构造为用于关于特定诊断问题对医学图像数据进行分析。这样的特定诊断问题例如可以是是否存在特异性肿瘤、例如乳腺中的可疑病变、直肠癌、肺部中的肿瘤部位、前列腺癌等。特定诊断问题替换地也可以是自动确定是否存在血管疾病，例如冠状动脉心脏病和/或先天性心脏病。特定诊断问题还可以包括神经系统问题，例如确定是否存在阿尔茨海默病或其初期阶段，或检测多发性硬化病变。另外的可能的特定诊断问题对于本领域技术人员是已知的。替换地或附加地，诊断系统还可以构造为用于一般地检测医学图像数据中的不规律或异常。
诊断系统尤其构造为算法，其作为输入数据包括医学图像数据和可能的另外的特定于患者的数据以及作为输出数据包括对医学图像数据的诊断。替换地或附加地，诊断系统还可以构造为用于支持进行最终诊断的放射科医生。诊断系统在此尤其可以具有机器人工智能。诊断系统例如可以使用人工神经网络。诊断系统在此可以使用“深度学习(DeepLearning)”概念所涵盖的已知方法。替换地或附加地，诊断系统可以使用已知的自动分类算法，例如贝叶斯分类器或支持向量机(support-vector-machines，SVM)。此外，诊断系统可以使用用于对医学成像数据进行结构分析和/或预处理和/或分割的算法。自动诊断系统的其它不同的可能形式在此对于本领域技术人员是已知的，从而在此不对其进行详细介绍。
采集医学图像数据可以包括借助医学成像设备拍摄医学图像数据或从数据库中加载医学图像数据。
尤其可以通过确定单元确定置信度量。置信度量在此可以借助确定算法来确定，该确定算法作为输入参数包括可能由医学图像数据的元信息和/或图像内容进行补充的、诊断系统的至少一个特征值，并且作为输出参数包括置信度量。如在以下段落中的一个中还要详细描述的，诊断系统的至少一个特征值在此可以表征诊断系统的平均精度，例如诊断系统的敏感度和/或特异度。
所确定的置信度量尤其表征诊断系统具体关于医学图像数据的正确诊断的可靠性。这尤其可以意味着，所确定的置信度量仅适用于对从患者采集的医学图像数据的诊断的具体情况。替换地还可以想到，置信度量描述诊断系统的正确诊断的一般可靠性。置信度量在此可以是数字或百分比度量。由此，置信度量可以直接量化正确诊断的可靠性。替换地，置信度量还可以包括将正确诊断的可靠性分类为不同的可靠性类别，例如“高可靠性”、“低可靠性”。替换地或附加地，置信信息可以包括可以作为随后的判断的基础的判断信息和/或用于控制进一步处理的指令。置信度量可以直接由最终提供的置信信息形成。置信信息可以直接包括所确定的置信度量或由所确定的置信度量导出的信息。
提供置信信息可以包括在输出单元上、例如在显示单元上输出置信信息。替换地或附加地，可以将置信信息提供给再处理单元，进行进一步处理。提供置信信息可以包括将置信信息或置信度量传输到判断单元。替换地或附加地，提供置信信息可以包括存储置信信息，特别是为记录的目的。提供置信信息在此可以包括直接提供置信度量。
置信信息的提供可以为评估诊断系统是否适用于医学图像数据的自动诊断提供有利的可能性。由此，所提供的置信信息例如可以易化或能够实现是否应当由诊断系统进行诊断的判断。所提供的置信信息还可以关于诊断系统的使用的监管前提条件起重要作用。
一种实施方式在于，基于置信度量判断是由诊断系统自动诊断医学图像数据，还是将医学图像数据提交给放射科医生进行诊断。
判断可以通过向其提供置信度量的判断单元自动进行，或例如由放射科医生人工进行。如果置信度量或所提供的置信信息给出，存在诊断系统正确诊断医学图像数据的高可靠性，则特别地可以判断为由诊断系统自动诊断医学图像数据。否则，由放射科医生人工诊断医学图像数据或在诊断医学图像数据时诊断系统仅支持放射科医生的判断是有意义的。如果判断为将医学图像数据提交给放射科医生进行诊断，则判断可以被扩展。在此，可以想到如下判断的扩展：附加地判断是应当仅由放射科医生人工进行诊断，还是首先由诊断系统自动进行诊断，其中然后还需由放射科医生检查自动诊断。原则上可以想到，基于置信度量判断是否必须由放射科医生检查由诊断系统对医学图像数据进行的诊断。
基于所做出的判断，可以自动进一步处理医学图像数据。由此，所做出的判断可以存储为医学图像数据的元数据。基于判断对医学图像数据进行进一步处理例如可以包括，将医学图像数据传输到诊断系统进行诊断或将医学图像数据放置在放射科医生的工作列表上。置信度量由此可以提供特别有利的基础，用于判断是否可以由放射科医生独自进行诊断、由放射科医生和诊断系统组合地进行诊断或由诊断系统独自进行诊断。
一种实施方式在于，基于所提供的置信信息做出判断。
为此，置信信息的提供尤其包括例如在显示单元上输出置信信息。然后可以基于所输出的置信信息，例如由放射科医生做出判断。置信信息可以向放射科医生提供他可以在何种程度上信赖由诊断系统所做的诊断的有价值的信息。置信信息还可以向放射科医生给出提示，他可能要花费多长时间来监控由诊断系统进行的诊断。
一种实施方式在于，基于置信度量自动做出判断，并且提供置信信息包括提供判断。
在该情况下，判断尤其由判断单元自动做出，该判断单元使用置信度量作为输入参数进行判断。为此，可以将由确定单元确定的置信度量传输到判断单元。如果确定高置信度量，该高置信度量确认诊断系统进行的诊断的可靠性，则尤其做出由诊断系统自动诊断医学图像数据的判断。判断的提供尤其构造为用于确定对医学图像数据的进一步处理，特别是关于医学图像数据的诊断方面。
一种实施方式在于，基于置信度量与置信度量的至少一个阈值的阈值比较自动做出判断。
在最简单的情况下，在此可以对于置信度量定义阈值。如果置信度量超过阈值，则可以做出由诊断系统自动诊断医学图像数据的判断。如果置信度量低于阈值，则可以做出将医学图像数据提交给放射科医生进行诊断的判断。当然也可以想到相反的情况，其中较低的置信度量表明由诊断系统自动诊断的高可靠性。优选地，还可以定义多个阈值。由此可以做出更细地分级的判断，例如虽然可以由诊断系统进行诊断，但随后还必须由放射科医生进行监控。
阈值比较提供用于做出判断的特别简单的可能性。同时，阈值比较能够实现与使用者的个性化期望一致的对至少一个阈值的调整。当然也可以想到如何能够基于置信度量自动做出判断的另外的可能性。
在下面的段落中，描述在确定置信度量时考虑的不同的参数(第一参数，第二参数，第三参数，第四参数，第五参数，第六参数)。由此可以在确定置信度量时考虑至少一个在以下段落中描述的参数。也可以想到在确定置信度量时考虑在以下段落中描述的参数的任意组合。在使用或考虑以下参数中的一个的条件下确定置信度量，尤其意味着，用于确定置信度量的确定算法具有该参数作为输入参数。表达：在使用参数的条件下确定置信度量，其中参数基于输入变量确定，还可以包括直接在使用输入变量的条件下确定置信度量。
一种实施方式在于，在使用第一参数的条件下确定置信度量，其中第一参数表征诊断系统的平均精度。
尤其在诊断系统的临床验证和/或训练中和/或在正在进行的临床操作中确定第一参数。用于确定第一参数的可能性在下面的实施方式中描述。第一参数在此尤其可以独立于待诊断的具体医学图像数据的构造。由此，第一参数可以，特别是仅，表征诊断系统关于诊断医学图像数据的一般可靠性。
第一参数可以基于诊断系统的敏感度和/或特异度，或包括诊断系统的敏感度和/或特异度。在此优选地，第一参数针对诊断系统关于诊断系统应当在医学图像数据中执行的具体诊断的敏感度和/或特异度。替换地或附加地，第一参数可以基于诊断系统的绝对检测率，或包括诊断系统的绝对检测率。
一种实施方式在于，借助以下方法步骤确定第一参数：
-提供医学训练图像数据，对于医学训练图像数据存在由放射科医生进行的人工诊断，
-将诊断系统应用到医学训练图像数据，其中对医学训练图像数据进行自动诊断，
-基于医学训练图像数据的人工诊断与自动诊断的一致程度确定第一参数。
可以提供医学训练图像数据专用于确定第一参数。医学训练图像数据也可以是连续地在临床操作中获取的或在临床操作中由诊断系统诊断的图像数据。如在下面的实施方式中还要详细描述的，医学训练图像数据也可以是用来训练诊断系统的图像数据。
特别地，医学训练图像数据的特征在于，对其分别存在由放射科医生进行的人工诊断。人工诊断在此可以包括书面或口头的诊断评估。医学训练图像数据尤其与人工诊断一起存储在训练数据库中。特别地，在此涉及多个不同的、尤其从不同的患者获取的医学训练图像数据组，与分别为此存储的人工诊断。由此，医学训练图像数据的提供可以包括从数据库一起加载医学训练图像数据和相应的人工诊断。
人工诊断优选地以标准化注释格式存储，如例如由放射科医生协会定义的格式。标准化注释格式可以特别简单地是机器可读的，从而能够简单地确定人工诊断与自动诊断的一致程度。
诊断系统尤其独立于人工诊断被应用于医学图像数据。在此，由诊断系统进行的自动诊断尤其独立于人工诊断进行。执行自动诊断和人工的顺序相应地是不重要的。两个诊断还可以至少部分地同时进行。
为了确定第一参数，特别地自动比较对医学图像数据进行的人工诊断和自动诊断。在比较中可以确定在人工诊断与自动诊断之间的一致程度。例如可以在比较中确定，在多少案件下由诊断系统进行的自动诊断提供与由放射科医生进行的人工诊断相同的结果。
第一参数可以直接由一致程度导出或包括一致程度。一般地，在人工诊断和自动诊断之间的高的一致程度表明，正确执行自动诊断的高可靠性。由此，存在高的一致程度导致了，第一参数证明诊断系统具有高平均精度。然后，置信度量又可以基于第一参数确定，该第一参数描述了由诊断系统正确诊断医学图像数据的高可靠性。在相反情况下，如果对医学训练图像数据进行的人工诊断和自动诊断强烈背离，则由诊断系统正确诊断的可靠性更低。
所建议的安排医学训练图像数据的使用的过程由此可以导致有说服力地确定诊断系统的平均精度。优选地，只要存在由放射科医生进行的人工诊断，在此就可以在诊断系统的临床操作中持续地更新诊断系统的平均精度。
一种实施方式在于，诊断系统的参数基于人工诊断与自动诊断的一致程度调整。
由此，不仅第一参数通过所描述的过程确定，而且诊断系统本身也被调整。由此优选地，可以在使用医学训练图像数据的条件下进行诊断系统的训练。诊断系统可以基于医学训练图像数据和为此存储的人工诊断来学习。诊断系统的参数在此优选地调整为，提高在人工诊断与自动诊断之间的一致程度。诊断系统由此可以同时被改善并且关于诊断精度被验证。
一种实施方式在于，在使用第二参数的条件下确定置信度量，其中第二参数基于患者的医学图像数据确定。
相应地，医学图像数据直接作为输入参数，用于确定用于计算置信度量的第二参数。在此，医学图像数据的图像内容和/或例如以DICOM格式存储的用于医学图像数据的元信息可以用于确定第二参数。元信息在此例如可以包括人口统计的患者信息，例如患者的年龄和/或性别。当然可以考虑用于医学图像数据的另外的元信息，例如所存储的获取参数。在与患者的医学图像数据的具体诊断一致的情况下，能够特别有利地基于医学图像数据确定置信度量。
一种实施方式在于，基于医学图像数据产生医学图像数据的质量度量，其中第二参数基于质量度量确定。
质量度量可以直接从医学图像数据的图像内容中和/或从所存储的用于医学图像数据的元信息中导出。质量度量例如可以包括医学图像数据的信噪比(SNR)对比度噪声比(CNR)或基于这些参数。质量度量可以基于在医学图像数据中出现伪影来确定。质量度量特别有利地可以表征由诊断系统自动诊断的医学图像数据的适用性。也就是，具有较差图像质量或具有伪影的医学图像数据可以典型地通过人类比通过自动系统更可靠地诊断。由此，质量度量可以作为第二参数用于确定置信度量，使得较高的图像质量或较少出现伪影导致由诊断系统正确诊断医学图像数据的更高可靠性。
一种实施方式在于，医学图像数据包括患者的多个医学图像数据组，并且诊断系统分开地对于多个医学图像数据组产生多个独立的诊断，其中在使用第三参数的条件下确定置信度量，其中第三参数基于多个独立的诊断的一致程度确定。
特别地从相同的患者拍摄多个医学图像数据组。可以利用相同的成像模态或利用不同的成像模态获取多个医学图像数据组。如果利用相同的成像模态拍摄多个医学图像数据组，则尤其顺序地、特别是在一个拍摄会话中拍摄多个医学图像数据组。如果利用不同的成像模态拍摄多个医学图像数据组，则在集成的成像设备中还可以考虑同时获取多个医学图像数据组。多个医学图像数据组可以具有不同的图像对比度。如果借助磁共振成像获取多个医学图像数据组，则例如借助不同的磁共振序列获取多个医学图像数据组。
由诊断系统对多个医学图像数据组进行诊断尤其包括对多个医学图像数据组的第一医学图像数据组的第一诊断以及对多个医学图像数据组的第二医学图像数据组的第二诊断。在此，第一诊断和第二诊断尤其彼此独立地进行，使得来自于第一诊断的信息不影响第二诊断并且反之亦然。然后，例如通过比较来自于第一诊断和第二诊断的诊断结果，可以确定第一诊断和第二诊断的一致程度。如果第一诊断和第二诊断指示相同的诊断结果，则确定多个独立的诊断的高的一致程度。该过程可以无问题地扩展到多于两个医学图像数据组，也就是多于两个诊断。原则上，当彼此独立地诊断高数量的多个医学图像数据组并且将各个诊断进行比较时，可以更可靠地确定第三参数。
用于确定置信度量的过程基于如下考虑：多个独立的诊断的高的一致程度基本上可以指示由诊断系统正确诊断的较高可靠性。如果例如所有独立的诊断包括相同的诊断结果，则可以给诊断系统分配比当仅独立的诊断的一半包括相同的诊断结果时或当一部分独立的诊断包括彼此偏差的诊断结果时更高的可靠性。
一种实施方式在于，在使用第四参数的条件下确定置信度量，其中第四参数基于诊断系统的自动诊断对患者的后续治疗的影响的强度确定。
由此，在确定置信度量时考虑由诊断系统自动诊断医学图像数据的可能后果。如果期望自动诊断能够带来轻微的治疗结果，则置信度量可以确定为，使得由诊断系统自动诊断多个案件。相反，如果明显地，患者的严重的治疗后果取决于医学图像数据的正确诊断，则置信度量由此优选地可以确定为，使得医学图像数据被提交给放射科医生用于诊断或用于监控由诊断系统进行的诊断。由此，在使用由此计算的置信度量的条件下可以特别优选地做出已经描述的判断。
一种实施方式在于，在使用第五参数的条件下确定置信度量，其中第五参数基于放射科医生可以提供的用于医学图像数据的诊断的当前时间负荷量(Zeitauslastung)确定。
放射科医生可以提供的时间负荷量可以电子地采集并且相应地作为输入参数用于计算置信度量。该过程基于如下考虑：置信度量可以被计算为，使得当放射科医生呈现较小时间负荷量时，将更多医学图像数据提交给放射科医生，用于诊断或用于监控诊断。如果放射科医生呈现高时间负荷量，则置信度量可以被调整为，使得将多个案件提交给诊断系统用于自动诊断，以便减轻放射科医生的时间负荷量。由此特别有利地，可以在使用由此计算的置信度量的条件下做出已经描述的判断。
一种实施方式在于，在使用第六参数的条件下确定置信度量，其中第六参数基于放射科医生对医学图像数据进行的诊断的预计的成本和/或预计的时间开销确定。
该过程基于如下考虑，即，基于成本计算可以做出判断：是由诊断系统对医学图像数据进行自动诊断还是将医学图像数据提交给放射科医生进行诊断，该成本计算例如将人工和自动诊断的成本互相比较。
一种实施方式在于，基于置信度量自动地生成获取患者的附加的医学图像数据的建议，以支持自动诊断，其中提供置信信息包括提供建议。
特别地，当置信度量指示基于已经存在的医学图像数据自动诊断系统不能进行足够可靠的诊断评估时，由此建议采集附加的医学图像数据。按照该建议，可以获取附加的医学图像数据，使得其具有对于已经存在的医学图像数据改变的图像对比度。建议还可以包括对于附加的医学图像数据的采集向患者给予造影剂的建议。
提供建议可以包括在用户界面上向使用者显示建议。提供建议还可以直接包括借助医学成像设备进行附加测量，以采集附加的医学图像数据。建议由此可以陈述为，使得由诊断系统，特别是结合已经存在的医学图像数据，自动诊断附加的医学图像数据，比仅自动诊断已经存在的医学图像数据具有正确诊断的更高可靠性。
按照本发明的计算单元包括至少一个计算模块，其中计算单元构造为用于执行按照本发明的方法。
由此，计算单元尤其为此构造为，执行计算机可读指令，以便执行按照本发明的方法。特别地，计算单元包括存储单元，其中在存储单元上存储了计算机可读信息，其中计算单元为此构造为，从存储单元加载计算机可读信息并且执行计算机可读信息，以便执行按照本发明的方法。
由此，按照本发明的计算单元为此构造为，执行用于提供置信信息的方法。计算单元为此可以包括用于提供诊断系统的第一提供单元。此外，计算单元可以包括用于采集患者的医学图像数据的采集单元。计算单元还可以包括用于确定置信度量的确定单元，该置信度量描述诊断系统正确诊断医学图像数据的可靠性。最后，计算单元可以包括用于提供关于诊断系统正确诊断医学图像数据的可靠性的置信信息的第二提供单元，其中置信信息基于所确定的置信度量。
计算单元的组件大部分可以以软件组件的形式构造。原则上，该组件也可以部分地，特别是当涉及特别快速的计算时，以软件支持的硬件组件、例如FPGA等的形式实现。同样，所需的接口，例如当仅涉及从另外的软件组件接收数据时，构造为软件接口。但是，其也可以构造为按照硬件构造的接口，其通过合适的软件来控制。当然还可以考虑，多个提到的组件以单独的软件组件或软件支持的硬件组件的形式综合地实现。
按照本发明的医学成像设备包括按照本发明的计算单元。
计算单元可以构造为，将控制信号发送到医学成像设备和/或接收和/或处理控制信号，以执行按照本发明的方法。计算单元可以集成在医学成像设备中。计算单元还可以与医学成像设备分开地安装。计算单元可以与医学成像设备连接。
医学图像数据的采集可以包括借助医学成像设备的拍摄单元来拍摄医学图像数据。医学图像数据然后可以被传输到计算单元用于进一步处理。计算单元然后可以借助采集单元采集医学图像数据。
按照本发明的计算机程序产品可以直接加载到可编程的计算单元的存储器中并且具有程序代码装置，用于当在计算单元中运行计算机程序产品时执行按照本发明的方法。计算机程序产品可以是计算机程序或包括计算机程序。由此，按照本发明的方法可以快速、相同重复地且稳健地实施。计算机程序产品配置为，可以借助计算单元执行按照本发明的方法步骤。在此，计算单元必须分别具有诸如相应的系统内存、相应的显卡或相应的逻辑单元的前提条件，从而可以有效执行各个方法步骤。计算机程序产品例如存储在计算机可读的介质上或存储在网络或服务器上，从那里可以将其加载到与之直接连接或作为部件构造的本地计算单元的处理器中。此外，计算机程序产品的控制信息可以存储在电子可读的数据载体上。电子可读的数据载体的控制信息可以构造为，使得其在使用计算单元中的数据载体时执行按照本发明的方法。由此，计算机程序产品还可以表示电子可读的数据载体。对于电子可读的数据载体的示例是DVD、磁带、硬盘或USB棒，在其上存储了电子可读的控制信息，特别是软件(参见上文)。如果从数据载体读取该控制信息(软件)并且将其存储在控制器和/或计算单元中，则可以执行前面描述的方法的所有按照本发明的实施方式。由此，本发明还可以涉及上述计算机可读的介质和/或上述电子可读的数据载体。
按照本发明的计算机程序产品、按照本发明的医学成像设备和按照本发明的计算单元的优点基本上相应于前面详细描述的按照本发明的方法的优点。在此提到的特征、优选或替换的实施方式同样也可以转用到其它要求保护的对象，并且反之亦然。换言之，具体的权利要求也可以利用结合方法描述或要求保护的特征来扩展。方法的相应的功能性特征在此通过相应的具体的模块、特别是通过硬件模块来构造。
附图说明
下面对照附图所示的实施例对本发明作进一步的描述和说明。
附图中：
图1示出了具有按照本发明的计算单元27的医学成像设备
图2示出了按照本发明的方法的第一实施方式，和
图3示出了按照本发明的方法的第二实施方式。
具体实施方式
图1示出了具有按照本发明的计算单元27的医学成像设备11。
医学成像设备11例如可以是磁共振设备、单光子发射断层成像设备(SPECT-)、正电子发射断层成像设备(PET-)、计算机断层成像设备、超声波设备、射线设备或C形臂设备。在此，组合的医学成像设备11也是可能的，其包括由多个提到的成像模态的任意组合。
在所示的情况下，医学成像设备11示例性地构造为磁共振设备11。
磁共振设备11包括由磁体单元13形成的检测器单元，检测器单元具有用于产生强的、特别是恒定的主磁场18的主磁体17。此外，磁共振设备11具有用于容纳患者15的圆柱形的患者容纳区域14，其中患者容纳区域14在圆周方向上被磁体单元13圆柱形地包围。可以借助磁共振设备11的患者支承装置16使患者15驶入到患者容纳区域14中。患者支承装置16为此具有可移动地布置在磁共振设备11内部的患者台。磁体单元13借助磁共振设备的壳体外壳31向外屏蔽。
此外，磁体单元13具有用于产生磁场梯度的梯度线圈单元19，磁场梯度用于在成像期间进行位置编码。梯度线圈单元19借助梯度控制单元28控制。磁体单元13还包括高频天线单元20，其在所示的情况下构造为固定地集成在磁共振设备11中的身体线圈；和高频天线控制单元29，用于激励在由主磁体17产生的主磁场18中产生的极化。高频天线单元20由高频天线控制单元29控制，并且向基本上由患者容纳区域14形成的检查空间中入射高频磁共振序列。高频天线单元20还构造为用于，特别是从患者15，接收磁共振信号。
为了控制主磁体17、梯度控制单元28和高频天线控制单元29，磁共振设备11具有控制单元24。控制单元24对磁共振设备11进行中央控制，例如执行预先确定的成像梯度回波序列。可以在磁共振设备11的提供单元25上、在该情况下在显示单元25上向使用者提供例如成像参数的控制信息以及重建的磁共振图像。此外，磁共振设备11具有输入单元26，借助其可以在测量过程期间由使用者输入信息和/或参数。控制单元24可以包括梯度控制单元28和/或高频天线控制单元29和/或显示单元25和/或输入单元26。
此外，磁共振设备11包括拍摄单元32。拍摄单元32在该情况下由磁体单元13与高频天线控制单元29和梯度控制单元28一起构成。
这样的磁共振设备11当然可以包括磁共振设备11通常具有的其它组件。此外，磁共振设备11的一般功能由本领域技术人员所公知，从而放弃对其它组件的详细描述。
这样的磁共振设备11包括计算单元27，其包括第一提供单元33、采集单元34、确定单元35和第二提供单元36。由此，计算单元27构造为用于执行按照图2至图3的方法。
为了唯一地实施按照本发明的方法，计算单元27优选地借助采集单元34从数据库中加载医学图像数据。如果组合地由磁共振设备11和计算单元27执行按照本发明的方法，则计算单元27的采集单元34尤其采集借助磁共振设备11的拍摄单元32拍摄的医学图像数据。为此，计算单元27、特别是采集单元34优选地与磁共振设备11的控制单元24关于数据交换而连接。如果组合地由磁共振设备11和计算单元27执行按照本发明的方法，则可以在磁共振设备11的提供单元25上提供由计算单元27确定的置信信息。
图2示出了按照本发明的用于提供置信信息的方法的第一实施方式的流程图。
在第一法步骤40中，借助计算单元27的第一提供单元33提供诊断系统。
在另外的方法步骤41中，借助计算单元27的采集单元采集患者的医学图像数据。
在另外的方法步骤42中，借助计算单元27的确定单元35确定描述由诊断系统正确诊断医学图像数据的可靠性的置信度量。
在另外的方法步骤43中，借助计算单元27的第二提供单元36提供关于由诊断系统正确诊断医学图像数据的可靠性的置信信息，其中置信信息基于所确定的置信度量。
图3示出了按照本发明的用于提供置信信息的方法的第二实施方式的流程图。
下面的描述基本上限于与图2中实施例的区别，其中关于相同的方法步骤参见图2中实施例的描述。基本上相同的方法步骤原则上以相同的附图标记标出。
图3中示出的按照本发明的方法的实施方式基本上包括按照图2的按照本发明的方法的第一实施方式的方法步骤40、41、42、43。附加地，图3中示出的按照本发明的方法的实施方式包括附加的方法步骤和子步骤。还可以考虑作为图3的替换的方法流程，其仅具有一部分图3中示出的附加的方法步骤和/或子步骤。当然，作为图3的替换的方法流程还可以具有附加的方法步骤和/或子步骤。
在图3中示出的情况下，在使用至少一个参数的条件下确定置信度量。在置信度量的确定中在此可以使用提到的参数中的一个。提到的参数的任意组合或子集也可以同时被用于确定置信度量。
在使用第一参数的条件下确定置信度量，其中第一参数表征诊断系统的平均精度。可以在第一参数确定步骤P1中确定第一参数。
在图3中示出的情况下借助第一参数确定步骤P1的以下子步骤P1-1、P1-2、P1-3确定第一参数：
-在第一子步骤P1-1中提供医学训练图像数据，其中由放射科医生对医学训练图像数据进行人工诊断，
-在第二子步骤P1-2中将诊断系统应用到医学训练图像数据，其中对医学训练图像数据进行自动诊断，
-在第三子步骤P1-3中基于医学训练图像数据的人工诊断与自动诊断的一致程度确定第一参数。
在另外的方法步骤44中，可以基于人工诊断与自动诊断的一致程度调整诊断系统的参数。
还可以在使用第二参数的条件下确定置信度量，其中在第二参数确定步骤P2中基于患者的医学图像数据确定第二参数。第二参数确定步骤P2可以包括子步骤P2-1，其中基于医学图像数据产生医学图像数据的质量度量，其中然后在第二参数确定步骤P2中基于质量度量确定第二参数。
此外，按照图3的过程可以设置在第三参数确定步骤P3中确定第三参数。基于第三参数然后可以确定置信度量。
在此，第一医学图像数据组在第一子步骤P3-1中和第二医学图像数据组在第二子步骤P3-2中可以彼此独立地由诊断系统来诊断。在第三子步骤P3-3中可以确定多个独立的诊断的一致程度，其中然后基于多个独立的诊断的一致程度确定第三参数。
一般来说，医学图像数据可以包括患者的多个医学图像数据组。诊断系统然后可以分开地为多个医学图像数据组产生多个独立的诊断，其中在使用第三参数的条件下确定置信度量，其中在第三参数确定步骤P3中基于多个独立的诊断的一致程度确定第三参数。
按照图3，还可以在使用第四参数的条件下确定置信度量，其中在第四参数确定步骤P4中基于诊断系统的自动诊断对患者的后续治疗的影响的强度确定第四参数。
按照图3，还可以在使用第五参数的条件下确定置信度量，其中在第五参数确定步骤P5中基于对于医学图像数据的诊断可供使用的放射科医生的当前时间负荷量确定第五参数。
按照图3，还可以在使用第六参数的条件下确定置信度量，其中在第六参数确定步骤P6中基于放射科医生对医学图像数据进行的诊断的预计的成本和/或预计的时间开销确定第六参数。
最后，按照图3在判断步骤Ex2、Ey中基于置信度量做出判断：是由诊断系统对医学图像数据进行自动诊断还是将医学图像数据提交给放射科医生进行诊断。在此，在第一可能的判断步骤Ey中可以，特别是人工地，基于所提供的置信信息做出判断。替换地，在第二可能的判断步骤Ex2中可以自动地基于置信度量做出判断。在该情况下，置信信息的提供尤其包括判断的提供。此外，在比较步骤Ex1中可以进行置信度量与置信度量的至少一个阈值的阈值比较，用于第二可能的判断步骤Ex2，其中由此在第二可能的判断步骤Ex2中自动地基于阈值比较的结果做出判断。
此外可以考虑，基于置信度量自动地生成获取患者的附加的医学图像数据来支持自动诊断的方案，其中在另外的方法步骤43的子步骤V中置信信息的提供包括方案的提供。
由计算单元执行图2至图3中示出的按照本发明的方法的方法步骤。为此，计算单元包括所需的软件和/或计算机程序，其存储在计算单元的存储单元中。软件和/或计算机程序包括程序装置，其为此设计为，当在计算单元中借助计算单元的处理器单元运行计算机程序和/或软件时执行按照本发明的方法。
示例性地，现在应当在具体情况下阐述部分按照本发明的方法的实施。以下描述当然仅用于说明。
假设一种诊断系统，其使用人工神经元深度学习网络作为人工智能。诊断系统构造为用于实施医学图像数据中的“患者存在肝肿瘤”分类。
首先可以指出的是，“地面真相(Ground Truth)”，也就是，所有受诊断患者的真实诊断，实际上并不完全已知。由此在第一步骤中涉及，诊断系统可以尽可能好地模仿放射科医生的诊断。这在调节的意义上被称为等价(“非劣效性(non-inferiority)”)。然后在第二步骤中才示出，由诊断系统的分类比现有的放射学措施更好，例如通过与临床次要参数、诸如治疗结果或病理的或组织学的信息相比较。
因此在本示例中，首先假设由放射科医生进行的人工诊断作为“地面真相”。通过不断地比较带注释的医学训练图像数据和诊断系统的分类结果，例如确定了，诊断系统模仿医院放射科的人工诊断，对该特定任务的敏感度(真阳性率，True Positive Rate)为98％，特异度(真阴性率，True Negative Rate)为95％。在已经描述的第一参数的确定的范围内可以进行这样的确定。
在该特殊情况下，将由诊断系统进行的自动诊断至少提交给放射科医生用于确认。在该具体示例中完全排除放射科医生是不适当的，因为假阴性率(False NegativeRate)平均仍产生5％的错误结果。这样的错误结果由于以下治疗判断会具有对于患者的潜在的严重后果。在此可以考虑，较高的确定的置信度量导致，放射科医生需要将较少的时间或精力投入到对由诊断系统做出的诊断的诊断或控制。
从长远考虑，诊断的某些部分也由诊断系统自主机器实现。在该情况下，也可以利用其它“基本真相(ground-truth)”方法、例如组织学的和病理学的诊断来训练由诊断系统进行的诊断。不同的自动诊断系统的确定的置信的相互比较也是可能的。重要的是，在该场景中，特别是在平均和在具体患者情况下，可以定量地记录诊断系统的确定的置信度量。从监管的角度来看，这可以是对于自动诊断系统的监管许可的关键步骤。
虽然本发明在细节上通过优选的实施例详细阐述和描述，尽管如此本发明却不受所公开的示例限制，并且可以由本领域技术人员从中导出其它方案，而不脱离本发明的保护范围。

Claims (18)

1.一种用于提供置信信息的方法，包括以下方法步骤：
-提供自动诊断系统，
-采集患者的医学图像数据，
-确定描述诊断系统正确诊断医学图像数据的可靠性的置信度量，以及
-提供关于诊断系统正确诊断医学图像数据的可靠性的置信信息，其中置信信息基于所确定的置信度量。
2.根据权利要求1所述的方法，其中，基于置信度量判断是由诊断系统自动诊断医学图像数据，还是将医学图像数据提交给放射科医生进行诊断。
3.根据权利要求2所述的方法，其中，基于所提供的置信信息做出判断。
4.根据权利要求2所述的方法，其中，基于置信度量自动做出判断，并且提供置信信息包括提供判断。
5.根据权利要求4所述的方法，其中，基于置信度量与置信度量的至少一个阈值的阈值比较自动做出判断。
6.根据上述权利要求中任一项所述的方法，其中，在使用第一参数的条件下确定置信度量，其中第一参数表征诊断系统的平均精度。
7.根据权利要求6所述的方法，其中，第一参数借助以下方法步骤确定：
-提供医学训练图像数据，对于医学训练图像数据存在放射科医生进行的人工诊断，
-将诊断系统应用到医学训练图像数据，其中对医学训练图像数据进行自动诊断，
-基于医学训练图像数据的人工诊断与自动诊断的一致程度确定第一参数。
8.根据权利要求7所述的方法，其中，基于人工诊断与自动诊断的一致程度调整诊断系统的参数。
9.根据上述权利要求中任一项所述的方法，其中，在使用第二参数的条件下确定置信度量，其中第二参数基于患者的医学图像数据确定。
10.根据权利要求9所述的方法，其中，基于医学图像数据产生医学图像数据的质量度量，其中第二参数基于质量度量确定。
11.根据上述权利要求中任一项所述的方法，其中，医学图像数据包括患者的多个医学图像数据组，并且诊断系统分开地对于多个医学图像数据组产生多个独立的诊断，其中在使用第三参数的条件下确定置信度量，其中第三参数基于多个独立的诊断的一致程度确定。
12.根据上述权利要求中任一项所述的方法，其中，在使用第四参数的条件下确定置信度量，其中第四参数基于诊断系统的自动诊断对患者的后续治疗的影响的强度确定。
13.根据上述权利要求中任一项所述的方法，其中，在使用第五参数的条件下确定置信度量，其中第五参数基于放射科医生能够提供的用于医学图像数据的诊断的当前时间负荷量确定。
14.根据上述权利要求中任一项所述的方法，其中，在使用第六参数的条件下确定置信度量，其中第六参数基于放射科医生对医学图像数据进行诊断的预计的成本和/或预计的时间开销确定。
15.根据上述权利要求中任一项所述的方法，其中，基于置信度量自动生成获取患者的附加的医学图像数据的建议，以支持自动诊断，其中提供置信信息包括提供建议。
16.一种计算单元，包括至少一个计算模块，其中，计算单元构造为用于执行根据上述权利要求中任一项所述的方法。
17.一种医学成像设备，包括根据权利要求16所述的计算单元。
18.一种计算机程序产品，其能够直接加载到可编程的计算单元的存储器中，具有程序代码装置，用于当在计算单元中运行计算机程序产品时执行根据权利要求1-15中任一项所述的方法。
CN201710915757.7A 2016-10-07 2017-09-30 用于提供置信信息的方法 Active CN107913076B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016219488.7A DE102016219488A1 (de) 2016-10-07 2016-10-07 Verfahren zum Bereitstellen einer Konfidenzinformation
DE102016219488.7 2016-10-07

Publications (2)

Publication Number Publication Date
CN107913076A true CN107913076A (zh) 2018-04-17
CN107913076B CN107913076B (zh) 2022-02-25

Family

ID=61695617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710915757.7A Active CN107913076B (zh) 2016-10-07 2017-09-30 用于提供置信信息的方法

Country Status (3)

Country Link
US (1) US11302436B2 (zh)
CN (1) CN107913076B (zh)
DE (1) DE102016219488A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020082236A1 (zh) * 2018-10-23 2020-04-30 深圳迈瑞生物医疗电子股份有限公司 一种心脏运动定量分析方法和超声系统
CN111311701A (zh) * 2018-12-10 2020-06-19 通用电气公司 用于生成医学图像的成像系统和方法
CN113096061A (zh) * 2019-12-23 2021-07-09 株式会社日立制作所 图像诊断辅助装置、医用图像取得装置以及计算机可读记录介质
WO2021232320A1 (zh) * 2020-05-20 2021-11-25 深圳迈瑞生物医疗电子股份有限公司 超声图像处理方法、系统及计算机可读存储介质
WO2022141083A1 (zh) * 2020-12-29 2022-07-07 深圳迈瑞生物医疗电子股份有限公司 周期性参数的分析方法和超声成像系统
CN115017844A (zh) * 2022-08-03 2022-09-06 阿里巴巴（中国）有限公司 设计参数调整方法、装置、电子设备和存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101929752B1 (ko) * 2018-05-30 2018-12-17 (주)제이엘케이인스펙션 인공지능 기반 의료기기의 임상적 유효성 평가 방법 및 시스템
CN110853737B (zh) * 2019-10-15 2023-05-23 吉林大学 一种医疗影像识别模型的更新方法及系统
EP3889967A1 (de) * 2020-03-31 2021-10-06 XCoorp GmbH Teleradiologisches system und verfahren
EP3901964A1 (en) 2020-04-22 2021-10-27 Siemens Healthcare GmbH Intelligent scan recommendation for magnetic resonance imaging
CN111798439A (zh) * 2020-07-11 2020-10-20 大连东软教育科技集团有限公司 线上线下融合的医疗影像质量判读方法、系统及存储介质
CA3103872A1 (en) * 2020-12-23 2022-06-23 Pulsemedica Corp. Automatic annotation of condition features in medical images
DE102022209173B3 (de) 2022-09-02 2023-11-30 Siemens Healthcare Gmbh Verfahren und Datenverarbeitungssystem zum Bereitstellen von radiologischen Visualisierungsdaten

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1762304A (zh) * 2004-10-21 2006-04-26 西门子公司 在三维成像尤其是乳腺x射线照片中给出检查结果的方法
CN1839391A (zh) * 2003-06-25 2006-09-27 美国西门子医疗解决公司 用于乳房成像的自动诊断和决策支持的系统和方法
US20080219530A1 (en) * 2006-10-25 2008-09-11 Rcadia Medical Imaging, Ltd Method and system for automatic quality control used in computerized analysis of ct angiography
CN101366059A (zh) * 2005-12-29 2009-02-11 卡尔斯特里姆保健公司 用于多个器官系统的cad检测系统
US20090136107A1 (en) * 2001-11-24 2009-05-28 Image Analysis, Inc. Automatic Segmentation of the Heart and Aorta in Medical 3-D Scans Without Contrast Media Injections
CN101808574A (zh) * 2007-09-28 2010-08-18 佳能株式会社 医用诊断支持系统
CN104573309A (zh) * 2013-10-24 2015-04-29 三星电子株式会社 用于计算机辅助诊断的设备和方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6662051B1 (en) * 2000-03-31 2003-12-09 Stephen A. Eraker Programmable pain reduction device
US7672491B2 (en) * 2004-03-23 2010-03-02 Siemens Medical Solutions Usa, Inc. Systems and methods providing automated decision support and medical imaging
US20060210131A1 (en) * 2005-03-15 2006-09-21 Wheeler Frederick W Jr Tomographic computer aided diagnosis (CAD) with multiple reconstructions
US7672497B2 (en) 2005-12-29 2010-03-02 Carestream Health, Inc. Computer aided disease detection system for multiple organ systems
US8144953B2 (en) * 2007-09-11 2012-03-27 Siemens Medical Solutions Usa, Inc. Multi-scale analysis of signal enhancement in breast MRI
US7876943B2 (en) * 2007-10-03 2011-01-25 Siemens Medical Solutions Usa, Inc. System and method for lesion detection using locally adjustable priors
US8175367B2 (en) * 2007-11-23 2012-05-08 Hologic, Inc. Reducing false positives in computer-aided detection
CN102083370B (zh) * 2008-06-11 2014-03-05 皇家飞利浦电子股份有限公司 多模式计算机辅助诊断系统和方法
US8213700B2 (en) * 2009-03-31 2012-07-03 Icad, Inc. Systems and methods for identifying suspicious anomalies using information from a plurality of images of an anatomical colon under study
US8977575B2 (en) * 2010-07-20 2015-03-10 Lockheed Martin Corporation Confidence level generator for bayesian network
US20120256920A1 (en) * 2011-04-05 2012-10-11 Julian Marshall System and Method for Fusing Computer Assisted Detection in a Multi-Modality, Multi-Dimensional Breast Imaging Environment
US9292576B2 (en) * 2012-08-09 2016-03-22 International Business Machines Corporation Hypothesis-driven, real-time analysis of physiological data streams using textual representations
US20140288440A1 (en) * 2013-03-22 2014-09-25 Children's Medical Center Corporation Systems and methods for quantitative capnogram analysis
DE102014217730A1 (de) * 2014-09-04 2016-03-10 Siemens Aktiengesellschaft Verfahren zur Bildgebung eines Untersuchungsobjekts mittels eines kombinierten Magnetresonanz-Emissionstomographie-Geräts
US9536054B1 (en) * 2016-01-07 2017-01-03 ClearView Diagnostics Inc. Method and means of CAD system personalization to provide a confidence level indicator for CAD system recommendations

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090136107A1 (en) * 2001-11-24 2009-05-28 Image Analysis, Inc. Automatic Segmentation of the Heart and Aorta in Medical 3-D Scans Without Contrast Media Injections
CN1839391A (zh) * 2003-06-25 2006-09-27 美国西门子医疗解决公司 用于乳房成像的自动诊断和决策支持的系统和方法
US20100121178A1 (en) * 2003-06-25 2010-05-13 Sriram Krishnan Systems and Methods for Automated Diagnosis and Decision Support for Breast Imaging
CN1762304A (zh) * 2004-10-21 2006-04-26 西门子公司 在三维成像尤其是乳腺x射线照片中给出检查结果的方法
CN101366059A (zh) * 2005-12-29 2009-02-11 卡尔斯特里姆保健公司 用于多个器官系统的cad检测系统
US20080219530A1 (en) * 2006-10-25 2008-09-11 Rcadia Medical Imaging, Ltd Method and system for automatic quality control used in computerized analysis of ct angiography
CN101808574A (zh) * 2007-09-28 2010-08-18 佳能株式会社 医用诊断支持系统
CN104573309A (zh) * 2013-10-24 2015-04-29 三星电子株式会社 用于计算机辅助诊断的设备和方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020082236A1 (zh) * 2018-10-23 2020-04-30 深圳迈瑞生物医疗电子股份有限公司 一种心脏运动定量分析方法和超声系统
CN112654302A (zh) * 2018-10-23 2021-04-13 深圳迈瑞生物医疗电子股份有限公司 一种心脏运动定量分析方法和超声系统
CN112654302B (zh) * 2018-10-23 2023-11-03 深圳迈瑞生物医疗电子股份有限公司 一种心脏运动定量分析方法和超声系统
CN111311701A (zh) * 2018-12-10 2020-06-19 通用电气公司 用于生成医学图像的成像系统和方法
CN111311701B (zh) * 2018-12-10 2024-03-26 通用电气公司 用于生成医学图像的成像系统和方法
CN113096061A (zh) * 2019-12-23 2021-07-09 株式会社日立制作所 图像诊断辅助装置、医用图像取得装置以及计算机可读记录介质
CN113096061B (zh) * 2019-12-23 2023-09-15 富士胶片医疗健康株式会社 图像诊断辅助装置、医用图像取得装置以及计算机可读记录介质
WO2021232320A1 (zh) * 2020-05-20 2021-11-25 深圳迈瑞生物医疗电子股份有限公司 超声图像处理方法、系统及计算机可读存储介质
WO2022141083A1 (zh) * 2020-12-29 2022-07-07 深圳迈瑞生物医疗电子股份有限公司 周期性参数的分析方法和超声成像系统
CN115017844A (zh) * 2022-08-03 2022-09-06 阿里巴巴（中国）有限公司 设计参数调整方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
DE102016219488A1 (de) 2018-04-12
US11302436B2 (en) 2022-04-12
CN107913076B (zh) 2022-02-25
US20180101644A1 (en) 2018-04-12

Similar Documents

Publication Publication Date Title
CN107913076A (zh) 用于提供置信信息的方法
Wee et al. Identification of MCI individuals using structural and functional connectivity networks
JP5785184B2 (ja) 画像の医療データ及び非画像の医療データの両者の連続的な記憶及び統合された分析のための診断技術
US20200037949A1 (en) Systems and methods for analyzing skin surface temperature rhythms to monitor health conditions
KR101919866B1 (ko) 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치
CN109381805A (zh) 确定涉及多个组织区域的局部的组织功能的功能参数
US20120166211A1 (en) Method and apparatus for aiding imaging diagnosis using medical image, and image diagnosis aiding system for performing the method
Zaharchuk et al. Artificial intelligence for optimization and interpretation of PET/CT and PET/MR images
US11969265B2 (en) Neural network classification of osteolysis and synovitis near metal implants
CN115398555A (zh) 生成放射线图像
Mannil et al. Artificial intelligence and texture analysis in cardiac imaging
Farjam et al. DCE‐MRI defined subvolumes of a brain metastatic lesion by principle component analysis and fuzzy‐c‐means clustering for response assessment of radiation therapy
US20200035363A1 (en) System to predict health outcomes
Tao et al. Machine learning based on multi-parametric MRI to predict risk of breast cancer
Lu et al. Automatic assessment of human gastric motility and emptying from dynamic 3D magnetic resonance imaging
Song et al. Temporal similarity perfusion mapping: A standardized and model-free method for detecting perfusion deficits in stroke
Solal et al. Leveraging healthy population variability in deep learning unsupervised anomaly detection in brain FDG PET
KR102469907B1 (ko) 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법
WO2019190641A1 (en) System and method for evaluation of dynamic data
KR20220110466A (ko) 뇌경색 볼륨 계산 기반의 뇌경색 예측 방법 및 그를 위한 장치
CN115274063A (zh) 用于操作医学图像数据集的评估系统的方法、评估系统
Joshi et al. OncoNet: Weakly Supervised Siamese Network to automate cancer treatment response assessment between longitudinal FDG PET/CT examinations
Masutani et al. Deep Learning Synthetic Strain: Quantitative Assessment of Regional Myocardial Wall Motion at MRI
Avram et al. SLIViT: a general AI framework for clinical-feature diagnosis from limited 3D biomedical-imaging data
EP4170671A1 (en) Method and system for the analysis of medical images

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