CN108206052A - 生物启发式智能体扫描仪 - Google Patents
生物启发式智能体扫描仪 Download PDFInfo
- Publication number
- CN108206052A CN108206052A CN201711382314.2A CN201711382314A CN108206052A CN 108206052 A CN108206052 A CN 108206052A CN 201711382314 A CN201711382314 A CN 201711382314A CN 108206052 A CN108206052 A CN 108206052A
- Authority
- CN
- China
- Prior art keywords
- configuration
- scanner
- operator
- recommended
- input
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000013016 learning Effects 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 31
- 230000004048 modification Effects 0.000 claims description 17
- 238000012986 modification Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 13
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 238000003058 natural language processing Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims 1
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000035045 associative learning Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012800 visualization 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
- 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
- G16H40/40—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 management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- 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]
-
- 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
- A61B6/54—Control of apparatus or devices for radiation diagnosis
- A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
-
- 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
- G16H40/63—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 local 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—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]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及生物启发式智能体扫描仪。一种智能医学成像扫描仪系统包括图像扫描仪、操作者接口、数据库、处理器和储存介质。所述数据库包括用于使所述图像扫描仪的配置与操作者输入需求相关的学习模型。所述储存介质包含编程指令,所述编程指令在被执行时使所述处理器确定所述学习模型是否可以用于生成与新输入需求相对应的所述图像扫描仪的配置。如果能够生成所述配置,则所述处理器使用该配置以使用所述图像扫描仪来获取患者的图像。如果不能生成所述图像扫描仪的所述配置,则所述处理器执行包括下述各项的顺应过程:(a)将所述学习模型修改成生成与所述新输入需求相对应的所述图像扫描仪的新配置;以及(b)使用所述新配置以使用所述图像扫描仪来获取所述患者的图像。
Description
技术领域
本发明总体上涉及与采用生物启发式扫描规程的医学扫描仪相关联的方法、系统和装置。所公开的方法、系统和装置可以被应用于用于任何成像模态的扫描仪。
背景技术
在传统医学成像检查中,通常在初始计划阶段中定义诊断扫描的协议。放射科医生然后解释所获取的图像并将报告发送到进行送交的内科医生以用于进一步诊断。在该工作流程内存在两个主要问题。第一,在诊断需求与扫描仪的实际输入/输出之间存在差距。扫描的质量最终在很大程度上取决于操作者的专业知识。如果操作者缺乏专业知识,则可能未足够准确地取得测量结果以针对成功诊断提供足够信息。关于该工作流程的第二个问题是:尽管所有扫描仪具有大量的预先安装的标准协议和算法,但这些协议和算法一般不足够鲁棒以适用于在其下执行扫描的所有条件。此外,操作者/放射科医生难以在面对新需求时调整设置或搜索最优解决方案。
为了解决上述缺陷,提出了智能扫描仪,其聚焦于利用后处理技术以增强图像质量或成像速度。例如,超声中的图像融合技术可以将图像缝合在一起并生成目标对象的更大视场;配准算法可以从MR扫描识别大脑的正中矢状平面,并提供诊断扫描的一致几何结构;运动校正方案可以通过减小来自心脏运动的影响来改进心脏的可视化。然而,这些开发仍然非常依赖于操作者的专业知识来确定协议并组织工作流程。对扫描仪的输入是相当一般性的(例如,用于所有目的的快速初步扫描),或者专用于某种疾病/患者(例如,被设计成对疾病进行成像的复杂设置)。现代图像扫描仪实质上是传统图像扫描和附加成像分析器的组合。
相应地,期望提供一种扫描系统,其不对针对不同类型的诊断需求提供定制扫描施加限制,同时也不过度依赖于操作者的专业知识。
发明内容
本发明的实施例通过提供与生物启发式人体扫描仪相关的方法、系统和装置来解决并克服上述缺点和缺陷中的一个或多个。
根据本发明的一些实施例,一种智能医学成像扫描仪系统包括图像扫描仪、操作者接口、数据库、一个或多个处理器、以及与所述一个或多个处理器可操作地通信的非瞬变计算机可读储存介质。所述操作者接口被配置成接收操作者输入。所述数据库包括:学习模型,用于使所述图像扫描仪的配置与操作者输入需求相关。所述计算机可读储存介质包含一个或多个编程指令,所述一个或多个编程指令在被执行时使所述处理器:响应于经由所述操作者接口接收到新输入需求,确定所述学习模型是否可以用于生成与所述新输入需求相对应的所述图像扫描仪的配置。如果能够基于所述新输入需求来生成所述图像扫描仪的所述配置,则所述处理器使用所述配置以使用所述图像扫描仪来获取患者的一个或多个图像。如果不能基于所述新输入需求来生成所述图像扫描仪的所述配置,则所述处理器执行包括下述各项的顺应(accommodation)过程:(a)将所述学习模型修改成生成与所述新输入需求相对应的所述图像扫描仪的新配置;以及(b)使用所述新配置以使用所述图像扫描仪来获取所述患者的所述一个或多个图像。
可以在本发明的不同实施例中对上述系统作出各种改善、增强或其他修改。例如,在一些实施例中,所述处理器使用自然语言处理以基于经由所述操作者接口接收到的新输入需求来导出针对所述学习模型的输入参数。然后,所述处理器应用特征提取模型以基于所述新输入需求来改善针对所述学习模型的输入参数。在其他实施例中,所述处理器可以用于基于所述一个或多个图像来预测疾病后果。在一些实施例中,基于操作者或患者对由所述图像扫描仪对所述一个或多个图像的获取的反馈来在所述顺应过程期间修改所述学习模型。
在上述系统的一些实施例中,基于所述图像扫描仪的新配置来导出针对所述图像扫描仪的工作流程。所述操作者接口可以被配置成接收与针对所述图像扫描仪的工作流程相关的操作者反馈,并且其中所述学习模型是基于所述操作者反馈来修改的。该操作者反馈可以包括例如在操作者正在执行所述工作流程时由所述智能医学成像扫描仪系统自动检测到的对所述工作流程的修改。
根据本发明的另一方面,一种用于执行医学图像获取的计算机实现方法包括:确定是否可以使用一个或多个学习模型以生成与经由图像扫描仪的操作者接口接收到的输入需求相对应的所述图像扫描仪的配置。该配置可以包括例如所推荐的获取参数、所推荐的工作流程、所推荐的图像处理参数和所推荐的图像处理算法。如果能够基于所述输入需求来生成所述图像扫描仪的所述配置,则基于所述输入需求、利用所述学习模型生成所述配置。如果不能基于所述输入需求来确定所述图像扫描仪的所述配置,则将所述学习模型修改成生成与所述输入需求相对应的所述图像扫描仪的所述配置。然后,应用所述配置以使用所述图像扫描仪来获取患者的一个或多个图像。在一些实施例中,所述方法进一步包括:使用自然语言处理以从所述输入需求提取扫描仪相关特征,这些扫描仪相关特征可以由学习模型在导出所述配置时使用。
上述方法中使用的学习模型一般可以是本领域中已知的任何类型的学习模型,其包括而不限于深度学习人工神经网络。在一些实施例中,所述方法进一步包括:接收包括操作者对所推荐的获取参数、所推荐的工作流程和所推荐的图像处理参数或所推荐的图像处理算法的修改的反馈。然后,可以基于所述反馈来修改所述学习模型。在一个实施例中,三个不同模型被所述方法使用:第一模型,被配置成基于所述输入需求来导出所推荐的获取参数;第二模型,被配置成基于所述输入需求来导出所推荐的工作流程;以及第三模型,被配置成基于所述输入需求来导出所推荐的图像处理参数和所推荐的图像处理算法。响应于接收到包括操作者对所推荐的获取参数的修改的第一反馈,可以相应地修改所述第一模型。附加地,所述第二模型可以被配置成如所述第一反馈中修改的那样基于所述输入需求来导出所推荐的工作流程。还可以基于包括操作者对所推荐的工作流程的修改的第二反馈来修改所述第二模型。所述第一和第二反馈还可以被所述第三模型使用以导出所推荐的图像处理参数和所推荐的图像处理算法。附加地,可以基于包括操作者对所推荐的工作流程的修改的第三反馈来修改所述第三模型;以及。
根据本发明的其他实施例,一种用于配置智能医学扫描仪的计算机实现方法包括:接收与患者的医学成像扫描相对应的输入需求;以及利用学习模型处理所述输入需求,以确定是否存在与所述输入需求兼容的所述智能医学扫描仪的预先存在的配置。如果不存在所述预先存在的配置,则收集与使用所述智能医学扫描仪执行的一个或多个先前图像获取相对应的操作者反馈。然后,基于所述操作者反馈来修改所述学习模型,以基于所述输入需求来生成新配置。
将使本发明的附加特征和优势从参照附图继续进行的对说明性实施例的以下详细描述中变得显而易见。
附图说明
在结合附图阅读时,从以下详细描述最佳地理解本发明的前述和其他方面。出于图示本发明的目的,在附图中示出了目前优选的实施例,然而,应当理解,本发明不限于所公开的具体手段。在附图中包括以下附图:
图1提供了图示可以如何应用智能医学成像扫描仪以执行医学图像获取的系统的高级视图;
图2A提供了根据一些实施例的可以在典型成像场景中如何使用由智能医学成像扫描仪使用的学习模型的图示;
图2B提供了根据一些实施例的可以在典型成像场景中如何使用由智能医学成像扫描仪使用的学习模型的附加图示;
图3图示了示例性计算环境,在该计算环境内,可以实现本发明的实施例;以及
图4图示了示例性计算环境。
具体实施方式
本文描述了总体上涉及与生物启发式人体扫描仪相关的各种技术的系统、方法和装置。人工智能正被用在越来越多的领域中,并且其已经被证明在保健产业中是成功的。已经开发各种智能系统以辅助医生努力提供更安全、更快速且更准确的检查。关于医学成像设备,使扫描仪能够提高应对新问题或最优地解决现存问题的能力是必不可少的。本文描述的技术提供了对人类智力开发的模型进行模仿的智能扫描仪的创新设计,尤其是包括从过去经验中学习的能力。可以在没有专家干预的情况下通过从扫描仪的先前扫描中学习和训练来显著地增强扫描仪的性能。本文描述的技术一般可以被应用于任何成像模态。
简言之,本文描述的技术将瑞士心理学家Jean Piaget的智力开发模型中的构思应用于医学成像扫描仪的操作。在Piaget的理论中,人们将知识组织进了“图式(schema)”中。每一个图式向个体告知如何对传入信息作出反应。被称作“同化”的过程允许现存图式应对新对象或情形。当现存图式未解决该对象或情形时,通过被称作“顺应”的过程来修改图式。在本文描述的技术的情况下,扫描仪的“图式”是其如何针对扫描需求而组织对所有组件(功能模块、协议等)进行组织的各种组件。扫描仪的能力随着对输入需求的适配(调整)的过程而增长。当接收到新扫描需求时,扫描仪确定使用现存图式是否可以被用在选择用于执行扫描的适用组件时。如果是,则应用现存图式(例如协议、参数)的知识以执行扫描。这类似于同化,如Piaget的理论中所定义。顺应过程在现存图式不生效时出现,且需要被改变以应对新扫描需求。这驱动了基于来自各种源的反馈对图式进行更新的学习过程。
图1提供了根据一些实施例的图示可以如何应用智能医学成像扫描仪105以执行医学图像获取的系统100的高级视图。简言之,系统100包括由操作者110操作的智能医学成像扫描仪105。智能医学成像扫描仪105提供了操作者接口(图1中未示出),通过该操作者接口,智能医学成像扫描仪105可以从操作者110接收输入需求并呈现与扫描规程相关的信息。智能医学成像扫描仪105包括处理模块105A、105B、105C、105D和105E的组。每一个个体模块自身可以是可由智能医学成像扫描仪105上的处理器执行的应用。可替换地,可以在一个或多个可执行应用中组合各种模块。在图1的示例中,扫描仪是磁共振成像(MRI)扫描仪,然而,原则上,可以使用任何类型的图像扫描仪(例如计算机断层扫描等)。
智能医学成像扫描仪105的学习模块105A被设计成以与Piaget所提出的人类智力开发模型类似的方式进行操作。在Piaget的理论中,儿童的智力开发从被命名为同化和顺应的两个认知过程导出。儿童使用这两个过程以创建智力框架,以便感知和解释他们从外部世界体验的内容。在该上下文中,“同化”意指将新信息并入到已经存在的认知框架中。该现存框架被称为“图式”,其为当儿童与其物理和社交环境交互时创建的构思的结构化集群。例如,如果儿童知道如何解决两个数之和的问题,则该儿童已经获得了用于计算和问题的认知结构且因而能够通过将新信息并入到现存结构中来解决类似问题。智力开发的第二个过程“顺应”意味着儿童修改现存框架或形成新信息可被并入到其中的全新框架。例如,当儿童被要求学习如何解决从前从未应对过的乘法问题时,就牵涉顺应过程以应对新对象或事件。
该智力开发模型提供了针对智能扫描仪的系统设计的基本思想,其可以针对任何特殊诊断需求而学习和优化扫描规程。为了实现该目标,第一个步骤是使智能扫描仪仿效“同化”过程,这意指将新信息并入到已经存在的框架中。认知图式在我们的智能扫描系统中的类比是智能医学成像扫描仪105的硬件/软件架构和功能模块。例如,假设智能医学成像扫描仪105具有可利用的预定义协议105C、参数设置和后处理算法的集合。对于要实现的来自操作者110的传入扫描需求,医学成像扫描仪115能够将该需求适合到当前框架中并选择最适当的协议、参数、算法、工作流程等。
传统扫描规程类似于“同化”,但其需要人为干预以控制过程。扫描仪具有大量的预定义协议、参数和图像处理算法存储在其中。为了进行成功扫描,传统系统需要操作者掌握具体应用领域的特定测量技术和详细知识。然而,根据本文描述的技术设计的智能医学成像扫描仪105可以在没有专家的人为干预或专业直觉/经验的情况下执行成功测量。因此,智能医学成像扫描仪105包括特征选择105D模块,其使用高级特征选择和提取技术以将现实世界需求转换成扫描仪框架下的表示。在转换之后,可以将来自操作者110的输入信息并入到扫描仪系统框架中以搜索经优化的解决方案。可以通过各种机器学习方法或深度学习网络来实现特征选择105D模块的功能。
另一扩展问题是如何在扫描仪系统中精确地呈现实际需求。根据本发明的一些实施例,智能医学成像扫描仪105提供了面向问题的用户接口以及经由自然语言处理(NLP)模块105B而对人类语言的解释的功能。使用NLP模块105B,应当提取和处理相对于扫描需求的语义信息。NLP研究已经提供用于将语义空间和数学向量空间相联系的许多解决方案,这些解决方案中的任一个可以被应用以允许操作者110以更自然的方式与智能医学成像扫描仪105通信。例如,操作者110可以提供诸如正在执行的扫描的类型和期望输出图像类型之类的信息。智能医学成像扫描仪105可以使用NLP模块105B以解释该信息并从预定义协议105C中进行选择,以便确定用于执行扫描的参数集。附加患者特定信息可以由操作者110提供以进一步改善该过程,诸如人口统计学信息、病史等。
“同化”过程的实现可能不适于智能医学成像扫描仪105应对新问题。更重要的特性是当环境改变时进行学习和适配的能力。“顺应”的类比是当新扫描需求被发送到智能扫描仪时该智能扫描仪的学习规程。与传统扫描仪相比,智能医学成像扫描仪105中的一个显著改进是使用实时可编程架构以替换固定架构。该动态可编程架构包括硬件系统和软件系统二者。在动态系统的情况下,智能医学成像扫描仪105能够针对具体扫描需求而更新现存协议和参数或者甚至针对新需求而生成新协议。可以使用本领域中一般已知的诸如深度强化学习架构和模型之类的机器学习技术以实现该目标(例如深度神经网络、深度信念网络、递归神经网络等)。通过大量的训练(使用真实数据和仿真数据二者),智能医学成像扫描仪105可以实现对于人类而言有挑战性(或非常困难)的功能,诸如:提供辐射剂量的经优化的解决方案、建议最高生产率的用户工作流程、针对目标对象找到最佳视场等。最终目标是选择最佳协议、最小化电离辐射(在X光或CT的情况下)、避免高成本重复扫描的发生以及降低不正确诊断的风险(这些可以是用于训练模型的目标功能)。可以使用操作者反馈120(诸如对新生成的协议、工作流程和处理参数的修改)以进一步改善学习模块105A。
根据Piaget的模型,同化和顺应不孤立地工作。人类智力的开发表示上述两个过程之间的动态平衡。因此,智能医学成像扫描仪105的实现应当允许新扫描贯穿全部两个过程。一种实现该目标的方式是经由将概率模型和评估功能进行集成。概率模型提供了新扫描需求有多少能够适合到现存框架中的置信水平,并且评估功能在更新系统之后建议了对改进的量化测量。
智能医学成像扫描仪105的另一突出特性是与外部环境的交互的能力。典型的交互是与操作者110,操作者110可以评估扫描结果,因此扫描仪使用评估以改进其性能。然而,交互可以不仅与操作者而且与正在被扫描的患者。在一些实施例中,智能医学成像扫描仪105被配置成例如使用所收集的成像数据或其他生物传感器(例如,心电图)来从患者收集生物反馈115。生物反馈115可以用于检测患者的复杂生理参数并接受与其病史有关的更多类型的输入信息。智能医学成像扫描仪105然后可以将所有信息进行整合以在扫描期间监视患者的状态并相应地调整参数。
除了管理图像获取过程之外,在一些实施例中,智能医学成像扫描仪105可以附加地被用于基于生物反馈115预测疾病后果。在图1的示例中,智能医学成像扫描仪105具有后果预测105E模块,其结合学习模块105E进行操作以分析生物反馈115并提供疾病预测。应当注意,在一些实施例中,后果预测可以基于除生物反馈115外的附加信息。例如,在一些实施例中,系统可以分析仅被获取的图像以提供疾病预测或识别图像中的异常(例如器官的异常体积、器官的变形等)。
在一些实施例中,后果预测105E模块的内容可以是一个或多个疾病预测模型和用于与智能医学成像扫描仪105的其他组件交互(例如,以便促进生物反馈115的检索)的接口。在其他实施例中,可以利用学习模块105A内的模型。由后果预测105E提供的预测可以被用作针对学习模块105A的附加形式的反馈。这样,随着时间的推移,学习模块105A可以学习如何导出针对疾病预测提供最优条件的获取参数、工作流程和处理参数。
在一些实施例中,在智能医学成像扫描仪105中或在辅助系统中提供图形用户接口(GUI)以支持各个级别处的通信。例如在一些实施例中,GUI包括:面向问题的接口,其是非常普遍且用户友好的,但对系统设施的应用有限制。该接口可以以自然语言格式提供诸如患者的综合征的描述、病史和临时诊断之类的相关信息。GUI还可以包括:较低级接口,其类似于在传统医学成像扫描仪上提供的接口。因此,操作者/技术人员可以确定每一个具体参数的意义,因此他们可以根据他们的知识来定制扫描。
图2A和2B图示了可以在典型成像场景中如何使用由智能医学成像扫描仪使用的学习模块225。简言之,学习模块225用于生成所推荐的获取参数、工作流程和处理参数以用于执行成像扫描。原则上,可以在执行扫描之前生成这些项目中的每一个,并且如果必要的话,可以由操作者修改这些项目中的每一个。然而,图2A和2B示出了可替换过程,其中随着操作者继续进行通过四个步骤205、210、215和220,分别将由学习模块225推荐的获取参数、工作流程和处理参数呈现给操作者。基于操作者如何利用所推荐的数据,收集和使用反馈以改善学习模块225中的各种模型。
图2A示出了操作者接口与学习模块225之间的数据流程。开始于步骤205处,由操作者输入成像需求,并且将成像需求发送到学习模块225。学习模块225然后生成向智能医学成像扫描仪的操作者呈现的所推荐的参数的列表。接着,在步骤210处,操作者授权用于执行扫描的成像参数。这些可以是由学习模块225提供的参数,或者(如下面参照图2B所描述),这些参数可以是由学习模块225提供的那些参数的经修改的版本。基于参数,学习模块225给操作者提供所推荐的工作流程。术语“工作流程”这里指代要由操作者可能结合智能医学成像扫描仪执行以实现期望成像数据的一个或多个任务。例如,工作流程任务可以包括将患者放置在扫描仪台面、安全规程等上。在步骤215处,操作者执行工作流程以获取原始图像数据。学习模块225然后建议用于将原始图像数据变换成可查看的图像的处理参数。这些处理参数可以包括例如用于执行图像重构的参数。然后,图像在步骤220处由操作者和/或放射科医生查看之前基于处理参数而生成(带有或具有来自操作者的修改)。
图2B示出了可以在步骤205、210、215和220期间如何收集来自操作者的反馈。一般地,可以收集任何类型的反馈。例如,在步骤210处,反馈可以是二元的(即,操作者接受还是拒绝所推荐的参数),或者其可以包括对所推荐的参数的修改的列表。可以关于由学习模块225推荐的工作流程和处理参数来收集类似反馈。在其中图像由操作者或放射科医生查看的步骤220之后,可以收集附加反馈,诸如图像是否提供期望结果。再一次,可以使用二元系统(例如接受或拒绝)或者可以使用更多反馈机制。例如,在一些实施例中,放射科医生可以提供诸如“太高对比度”之类的注释,其可以由智能医学成像扫描仪的自然语言功能解释且被用于进一步改善学习模型。
图3图示了根据一些实施例的用于操作智能医学成像扫描仪系统的过程300。出于该示例的目的,可以假定智能成像扫描仪系统包括:图像扫描仪;操作者接口,被配置成接收操作者输入;一个或多个处理器;以及数据库,包括用于使图像扫描仪的配置与操作者输入需求相关的学习模型。学习模型类似于Piaget的理论中使用的图式。
开始于步骤305处,经由操作者接口来接收新输入需求。在一些实施例中,一旦接收到,就在需求上执行预处理以准备这些需求以供学习模型使用。例如,在一个实施例中,使用自然语言处理以基于新输入需求来导出针对学习模型的输入参数。附加地(或可替换地),可以应用特征提取模型以基于需求来改善针对学习模型的输入参数。
步骤310-315表示同化过程。在步骤310处,智能医学成像扫描仪确定学习模型是否可以用于生成与新输入需求相对应的图像扫描仪的配置。如果能够生成配置,则智能医学成像扫描仪在步骤315处使用配置以使用图像扫描仪来获取患者的一个或多个图像。
如果不能基于新输入需求来生成图像扫描仪的配置,则在步骤320和325处执行顺应过程。在步骤320处,将学习模型修改成生成与新输入需求相对应的图像扫描仪的新配置。在一些实施例中,基于患者或操作者对先前由图像扫描仪获取的一个或多个图像的反馈来在顺应过程期间修改学习模型。然后,在步骤325处,使用新配置以使用图像扫描仪来获取患者的图像。
附加地,图像获取中,智能医学成像扫描仪可以被配置成执行其他临床功能。例如,在一个实施例中,智能医学成像扫描仪可以使用一个或多个模型以基于图像来预测疾病后果。在其他实施例中,智能医学成像扫描仪基于图像扫描仪的新配置来生成针对图像扫描仪的工作流程。可以在导出新配置时在顺应过程期间使用关于工作流程的任何操作者反馈。该反馈可以由操作者手动输入,或者在一些实例中,由系统自动检测。例如,在一个实施例中,反馈包括在操作者正在执行工作流程时由智能医学成像扫描仪系统自动检测到的对工作流程的修改。
图4图示了示例性计算环境400,在计算环境400内,可以实现本发明的实施例。例如,该计算环境400可以用于实现上面关于图2A、2B和3描述的过程。在一些实施例中,计算环境400可以用于实现图1的系统100中图示的组件中的一个或多个。计算环境400可以包括计算机系统410,计算机系统410是可在其上实现本发明实施例的计算系统的一个示例。计算机和计算环境(诸如计算机系统410和计算环境400)对本领域技术人员来说是已知的,且因而在这里简要描述。
如图4中所示,计算机系统410可以包括诸如总线421之类的通信机构或用于在计算机系统410内传送信息的其他通信机构。计算机系统410进一步包括与总线421耦合以用于处理信息的一个或多个处理器420。处理器420可以包括一个或多个中央处理单元(CPU)、图形处理单元(GPU)或本领域中已知的任何其他处理器。
计算机系统410还包括耦合到总线421以用于存储要由处理器420执行的指令和信息的系统存储器430。系统存储器430可以包括以易失性和/或非易失性存储器的形式存在的计算机可读储存介质,诸如只读存储器(ROM)431和/或随机存取存储器(RAM)432。系统存储器RAM 432可以包括(一个或多个)其他动态储存设备(例如动态RAM、静态RAM和同步DRAM)。系统存储器ROM 431可以包括(一个或多个)其他静态储存设备(例如可编程ROM、可擦除PROM和电可擦除PROM)。附加地,系统存储器430可以用于在由处理器420执行指令期间存储临时变量或其他中间信息。包含有助于在计算机系统410内的元件之间传送信息(诸如在启动期间)的基本例程的基本输入/输出系统(BIOS)433可以存储在ROM 431中。RAM 432可以包含对处理器420来说立即可访问和/或目前由处理器420操作的数据和/或程序模块。系统存储器430可以附加地包括例如操作系统434、应用程序435、其他程序模块436和程序数据437。
计算机系统410还包括盘控制器440,盘控制器440耦合到总线421以控制用于存储信息和指令的一个或多个储存设备,诸如硬盘441和可移除介质驱动器442(例如,软盘驱动器、致密盘驱动器、带驱动器和/或固态驱动器)。可以使用适当设备接口(例如,小型计算机系统接口(SCSI)、集成设备电子器件(IDE)、通用串行总线(USB)或火线(FireWire))将储存设备添加到计算机系统410。
计算机系统410还可以包括显示器控制器465,显示器控制器465耦合到总线421以控制用于将信息显示给计算机用户的显示器466,诸如阴极射线管(CRT)或液晶显示器(LCD)。计算机系统包括用户输入接口460以及用于与计算机用户交互并将信息提供给处理器420的一个或多个输入设备,诸如键盘462和指点设备461。指点设备461例如可以是用于将方向信息和命令选择传送到处理器420且用于控制显示器466上的光标移动的鼠标、轨迹球或指点杆。显示器466可以提供触摸屏接口,其允许输入补充或替换由指点设备461对方向信息和命令选择的传送。
计算机系统410可以响应于处理器420执行包含在存储器(诸如系统存储器430)中的一个或多个指令的一个或多个序列而执行本发明的实施例的部分或全部处理步骤。可以将这种指令从另一计算机可读介质(诸如硬盘441或可移除介质驱动器442)读取到系统存储器430中。硬盘441可以包含本发明的实施例所使用的一个或多个数据储存器和数据文件。可以对数据储存器内容和数据文件进行加密以改进安全性。处理器420还可以被用在多处理布置中以执行包含在系统存储器430中的一个或多个指令序列。在可替换实施例中,可以代替软件指令或与软件指令组合而使用硬连线电路。因此,实施例不限于硬件电路和软件的任何具体组合。
如上所陈述,计算机系统410可以包括:至少一个计算机可读介质或存储器,用于保持根据本发明实施例而编程的指令且用于包含本文描述的数据结构、表、记录或其他数据。如本文使用的术语“计算机可读介质”指代参与将指令提供给处理器420以用于执行的任何介质。计算机可读介质可以采取许多形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质的非限制性示例包括光盘、固态驱动器、磁盘和磁光盘,诸如硬盘441或可移除介质驱动器442。易失性介质的非限制性示例包括动态存储器,诸如系统存储器430。传输介质的非易失性示例包括同轴线缆、铜线和光纤,包括组成总线421的导线。传输介质还可以采取声波或光波(诸如,在无线电波和红外数据通信期间生成的那些声波或光波)的形式。
计算环境400可以进一步包括使用到一个或多个远程计算机(诸如远程计算机480)的逻辑连接在联网环境中操作的计算机系统410。远程计算机480可以是个人计算机(膝上型或台式)、移动设备、服务器、路由器、网络PC、对等端设备或其他公共网络节点,且典型地包括上面相对于计算机系统410而描述的许多或所有元件。当在联网环境中使用时,计算机系统410可以包括用于通过网络471(诸如互联网)建立通信的调制解调器472。调制解调器472可以经由用户网络接口470或经由另一适当机构连接到总线421。
网络471可以是本领域中一般已知的任何网络或系统,包括互联网、内联网、局域网(LAN)、广域网(WAN)、城域网(WAN)、直接连接或连接系列、蜂窝电话网络、或者能够促进计算机系统410与其他计算机(例如,远程计算机480)之间的通信的任何其他网络或介质。网络471可以是有线的、无线的或其组合。可以使用以太网、通用串行总线(USB)、RJ-11或本领域中一般已知的任何其他有线连接来实现有线连接。可以使用Wi-Fi、WiMAX、和蓝牙、红外、蜂窝网络、卫星或本领域中一般已知的任何其他无线连接方法来实现无线连接。附加地,若干网络可以单独地或彼此通信地工作以促进网络471中的通信。
可以利用硬件和软件的任何组合实现本公开的实施例。附加地,本公开的实施例可以包括在具有例如计算机可读非瞬变介质的制造品(例如,一个或多个计算机程序产品)中。介质中体现有例如用于提供和促进本公开的实施例的机制的计算机可读程序代码。制造品可以被包括作为计算机系统的一部分或者被分离地销售。
尽管本文已经公开各种方面和实施例,但其他方面和实施例对本领域技术人员来说将是显而易见的。本文公开的各种方面和实施例用于说明的目的,而不意图进行限制,其中真正的范围和精神由所附权利要求指示。
如本文所使用,可执行应用包括用于将处理器调节成例如响应于用户命令或输入而实现预定功能(诸如操作系统、上下文数据获取系统或其他信息处理系统的那些功能)的代码或机器可读指令。可执行规程是用于执行一个或多个特定过程的代码段或机器可读指令、子例程、或者其他不同代码片段或可执行应用部分。这些过程可以包括:接收输入数据和/或参数;在所接收到的输入数据上执行操作和/或响应于所接收到的输入参数而执行功能;以及提供所得输出数据和/或参数。
如本文所使用,图形用户接口(GUI)包括:一个或多个显示图像,由显示处理器生成且实现用户与处理器或其他设备的交互以及关联的数据获取和处理功能。GUI还包括可执行规程或可执行应用。可执行规程或可执行应用将显示处理器调节成生成表示GUI显示图像的信号。这些信号被供给到显示设备,该显示设备显示图像以供用户查看。处理器在可执行规程或可执行应用的控制下响应于从输入设备接收到的信号而操控GUI显示图像。这样,用户可以使用输入设备来与显示图像交互,从而实现用户与处理器或其他设备的交互。
本文的功能和过程步骤可以是自动执行的或者是完全或部分地响应于用户命令而执行的。自动执行的活动(包括步骤)是在用户不直接发起该活动的情况下响应于一个或多个可执行指令或设备操作而执行的。
附图的系统和过程不是排他的。可以根据本发明的原理导出其他系统、过程和菜单,以实现相同目的。尽管已经参照特定实施例描述了本发明,但应当理解,本文示出和描述的实施例和变型仅用于说明目的。对当前设计的修改可以由本领域技术人员在不脱离本发明的范围的情况下实现。如本文所描述,可以使用硬件组件、软件组件和/或其组合来实现各种系统、子系统、代理、管理器和过程。本文的权利要求元素不应在35 U.S.C. 112第六款的规定下理解,除非该元素是明确地使用短语“用于……的装置”来记载的。
Claims (20)
1.一种智能医学成像扫描仪系统,包括:
图像扫描仪;
操作者接口,被配置成接收操作者输入;
数据库,包括用于使所述图像扫描仪的配置与操作者输入需求相关的学习模型;
一个或多个处理器;
非瞬变计算机可读储存介质,与所述一个或多个处理器可操作地通信,其中所述计算机可读储存介质包含一个或多个编程指令,所述一个或多个编程指令在被执行时使所述处理器:
响应于经由所述操作者接口接收到新输入需求,确定所述学习模型是否能够用于生成与所述新输入需求相对应的所述图像扫描仪的配置,
如果能够基于所述新输入需求来生成所述图像扫描仪的所述配置,则使用所述配置以使用所述图像扫描仪来获取患者的一个或多个图像,以及
如果不能基于所述新输入需求来生成所述图像扫描仪的所述配置,则执行包括下述各项的顺应过程:(a)将所述学习模型修改成生成与所述新输入需求相对应的所述图像扫描仪的新配置;以及(b)使用所述新配置以使用所述图像扫描仪来获取所述患者的所述一个或多个图像。
2.如权利要求1所述的智能医学成像扫描仪系统,其中所述计算机可读储存介质进一步包括附加编程指令,所述附加编程指令在被执行时使所述处理器:
使用自然语言处理以基于经由所述操作者接口接收到的新输入需求来导出针对所述学习模型的输入参数;以及
应用特征提取模型以基于所述新输入需求来改善针对所述学习模型的输入参数。
3.如权利要求1所述的智能医学成像扫描仪系统,其中所述计算机可读储存介质进一步包括附加编程指令,所述附加编程指令在被执行时使所述处理器:
基于所述一个或多个图像来预测疾病后果。
4.如权利要求1所述的智能医学成像扫描仪系统,其中所述学习模型是基于操作者对由所述图像扫描仪对所述一个或多个图像的获取的反馈来在所述顺应过程期间修改的。
5.如权利要求1所述的智能医学成像扫描仪系统,其中所述学习模型是基于患者对由所述图像扫描仪获取的一个或多个图像的反馈来在所述顺应过程期间修改的。
6.如权利要求1所述的智能医学成像扫描仪系统,其中应用所述新配置以使用所述图像扫描仪来获取所述患者的所述一个或多个图像包括:
基于所述图像扫描仪的所述新配置来导出针对所述图像扫描仪的工作流程。
7.如权利要求6所述的智能医学成像扫描仪系统,其中所述操作者接口被配置成接收与针对所述图像扫描仪的工作流程相关的操作者反馈,并且其中所述学习模型是基于所述操作者反馈来修改的。
8.如权利要求7所述的智能医学成像扫描仪系统,其中所述操作者反馈包括在操作者正在执行所述工作流程时由所述智能医学成像扫描仪系统自动检测到的对所述工作流程的修改。
9.一种用于执行医学图像获取的计算机实现方法,所述方法包括:
响应于经由图像扫描仪的操作者接口接收到输入需求,确定一个或多个学习模型是否能够用于生成与所述输入需求相对应的所述图像扫描仪的配置;
如果能够基于所述输入需求来生成所述图像扫描仪的所述配置,则基于所述输入需求、利用所述学习模型生成所述配置;
如果不能基于所述输入需求来生成所述图像扫描仪的所述配置,则将所述学习模型修改成生成与所述输入需求相对应的所述图像扫描仪的所述配置;以及
应用所述配置以使用所述图像扫描仪来获取患者的一个或多个图像。
10.如权利要求9所述的方法,进一步包括:
使用自然语言处理以从所述输入需求提取扫描仪相关特征,
其中所述扫描仪相关特征由学习模型在导出所述配置时使用。
11.如权利要求9所述的方法,其中所述配置包括所推荐的获取参数、所推荐的工作流程、所推荐的图像处理参数和所推荐的图像处理算法中的一个或多个。
12.如权利要求11所述的方法,其中所述一个或多个学习模型包括深度学习人工神经网络。
13.如权利要求11所述的方法,进一步包括:
接收包括操作者对所推荐的获取参数、所推荐的工作流程和所推荐的图像处理参数或所推荐的图像处理算法中的一个或多个的修改的反馈;以及
基于所述反馈来更新所述一个或多个学习模型。
14.如权利要求11所述的方法,其中所述一个或多个学习模型包括:
第一模型,被配置成基于所述输入需求来导出所推荐的获取参数,
第二模型,被配置成基于所述输入需求来导出所推荐的工作流程,
第三模型,被配置成基于所述输入需求来导出所推荐的图像处理参数和所推荐的图像处理算法。
15.如权利要求14所述的方法,包括:
接收包括操作者对所推荐的获取参数的修改的第一反馈;以及
基于所述第一反馈来修改所述第一模型。
16.如权利要求15所述的方法,其中所述第二模型被配置成如所述第一反馈中修改的那样基于所述输入需求来导出所推荐的工作流程。
17.如权利要求16所述的方法,包括:
接收包括操作者对所推荐的工作流程的修改的第二反馈;以及
基于所述第二反馈来修改所述第二模型。
18.如权利要求17所述的方法,其中所述第三模型被配置成如所述第一反馈和所述第二反馈中修改的那样基于所述输入需求来导出所推荐的图像处理参数和所推荐的图像处理算法。
19.如权利要求18所述的方法,包括:
接收包括操作者对所推荐的工作流程的修改的第三反馈;以及
基于所述第三反馈来修改所述第三模型。
20.一种用于配置智能医学扫描仪的计算机实现方法,所述方法包括:
接收与患者的医学成像扫描相对应的输入需求;
利用学习模型处理所述输入需求,以确定是否存在与所述输入需求兼容的所述智能医学扫描仪的预先存在的配置;以及
如果不存在所述预先存在的配置,则:(a)收集对使用所述智能医学扫描仪执行的一个或多个先前图像获取的操作者反馈;以及(b)基于所述操作者反馈来修改所述学习模型,以基于所述输入需求来生成新配置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/385691 | 2016-12-20 | ||
US15/385,691 US10079072B2 (en) | 2016-12-20 | 2016-12-20 | Biologically inspired intelligent body scanner |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108206052A true CN108206052A (zh) | 2018-06-26 |
CN108206052B CN108206052B (zh) | 2019-10-11 |
Family
ID=60971887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711382314.2A Active CN108206052B (zh) | 2016-12-20 | 2017-12-20 | 生物启发式智能体扫描仪 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10079072B2 (zh) |
EP (1) | EP3340251A1 (zh) |
CN (1) | CN108206052B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113826037A (zh) * | 2019-05-15 | 2021-12-21 | 莱卡微系统Cms有限责任公司 | 用于提供成像设备的操作设置的控制器和方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3471106A1 (en) * | 2017-10-10 | 2019-04-17 | Siemens Healthcare GmbH | Method and system for supporting clinical decisions |
JP2022073037A (ja) * | 2020-10-30 | 2022-05-17 | オリンパス株式会社 | 管理システム、管理方法、プログラム |
CN117980999A (zh) * | 2021-09-22 | 2024-05-03 | 科利耳有限公司 | 临床医生任务优先级排序 |
CN113645317B (zh) * | 2021-10-15 | 2022-01-18 | 中国科学院自动化研究所 | 一种松散的集群控制方法、装置、设备、介质和产品 |
DE102022106553A1 (de) * | 2022-03-21 | 2023-09-21 | Homag Plattenaufteiltechnik Gmbh | Verfahren zum Betreiben einer Werkzeugmaschine, sowie Werkzeugmaschine |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246509A (zh) * | 2008-02-28 | 2008-08-20 | 上海交通大学 | 基于实例推理技术的轿车整车个性化配置系统 |
US8538109B2 (en) * | 2009-03-18 | 2013-09-17 | Siemens Aktiengesellschaft | Method and system for dynamic pulmonary trunk modeling and intervention planning |
KR20130126041A (ko) * | 2012-05-10 | 2013-11-20 | 안선주 | 상세임상모델의 질 평가도구, 평가도구 개발 방법 및 그 평가 방법 |
CN103999088A (zh) * | 2011-12-14 | 2014-08-20 | 皇家飞利浦有限公司 | 用于防止高剂量c型拱几何位置的实时反馈 |
US20150085971A1 (en) * | 2013-09-25 | 2015-03-26 | Siemens Aktiengesellschaft | Method and system for the automatic selection of a scanning protocol |
CN104881528A (zh) * | 2015-05-17 | 2015-09-02 | 南车青岛四方机车车辆股份有限公司 | 一种高速列车辅助供电系统的设计方法和装置 |
CN105138659A (zh) * | 2015-08-31 | 2015-12-09 | 浪潮(北京)电子信息产业有限公司 | 一种Sybase ASE数据库配置方法及系统 |
CN106126743A (zh) * | 2016-07-06 | 2016-11-16 | 上海携程商务有限公司 | 配置页面的生成方法及系统 |
US20160364527A1 (en) * | 2015-06-12 | 2016-12-15 | Merge Healthcare Incorporated | Methods and Systems for Automatically Analyzing Clinical Images and Determining when Additional Imaging May Aid a Diagnosis |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6950492B2 (en) * | 2003-06-25 | 2005-09-27 | Besson Guy M | Dynamic multi-spectral X-ray projection imaging |
US8897518B2 (en) | 2009-03-19 | 2014-11-25 | Koninklijke Philips N.V. | Functional imaging |
US8920322B2 (en) * | 2011-03-09 | 2014-12-30 | Siemens Aktiengesellschaft | Valve treatment simulation from medical diagnostic imaging data |
US9245091B2 (en) * | 2011-03-09 | 2016-01-26 | Siemens Aktiengesellschaft | Physically-constrained modeling of a heart in medical imaging |
US9349178B1 (en) * | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
-
2016
- 2016-12-20 US US15/385,691 patent/US10079072B2/en active Active
-
2017
- 2017-12-18 EP EP17208028.5A patent/EP3340251A1/en not_active Withdrawn
- 2017-12-20 CN CN201711382314.2A patent/CN108206052B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246509A (zh) * | 2008-02-28 | 2008-08-20 | 上海交通大学 | 基于实例推理技术的轿车整车个性化配置系统 |
US8538109B2 (en) * | 2009-03-18 | 2013-09-17 | Siemens Aktiengesellschaft | Method and system for dynamic pulmonary trunk modeling and intervention planning |
CN103999088A (zh) * | 2011-12-14 | 2014-08-20 | 皇家飞利浦有限公司 | 用于防止高剂量c型拱几何位置的实时反馈 |
KR20130126041A (ko) * | 2012-05-10 | 2013-11-20 | 안선주 | 상세임상모델의 질 평가도구, 평가도구 개발 방법 및 그 평가 방법 |
US20150085971A1 (en) * | 2013-09-25 | 2015-03-26 | Siemens Aktiengesellschaft | Method and system for the automatic selection of a scanning protocol |
CN104881528A (zh) * | 2015-05-17 | 2015-09-02 | 南车青岛四方机车车辆股份有限公司 | 一种高速列车辅助供电系统的设计方法和装置 |
US20160364527A1 (en) * | 2015-06-12 | 2016-12-15 | Merge Healthcare Incorporated | Methods and Systems for Automatically Analyzing Clinical Images and Determining when Additional Imaging May Aid a Diagnosis |
CN105138659A (zh) * | 2015-08-31 | 2015-12-09 | 浪潮(北京)电子信息产业有限公司 | 一种Sybase ASE数据库配置方法及系统 |
CN106126743A (zh) * | 2016-07-06 | 2016-11-16 | 上海携程商务有限公司 | 配置页面的生成方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113826037A (zh) * | 2019-05-15 | 2021-12-21 | 莱卡微系统Cms有限责任公司 | 用于提供成像设备的操作设置的控制器和方法 |
Also Published As
Publication number | Publication date |
---|---|
US10079072B2 (en) | 2018-09-18 |
EP3340251A1 (en) | 2018-06-27 |
US20180173852A1 (en) | 2018-06-21 |
CN108206052B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108206052B (zh) | 生物启发式智能体扫描仪 | |
US20230115439A1 (en) | Tuned medical ultrasound imaging | |
EP3279820B1 (en) | Medical scanner teaches itself to optimize clinical protocols and image acquisition | |
US11443201B2 (en) | Artificial intelligence-based self-learning in medical imaging | |
US20190051215A1 (en) | Training and testing system for advanced image processing | |
CN107403425A (zh) | 从图像自动地生成放射学报告并自动排除没有发现的图像 | |
CN110993063B (zh) | 用于便于由放射科医师和人工智能算法进行联合解释的扫描仪处的医学图像预处理 | |
US20180042566A1 (en) | Classifying views of an angiographic medical imaging system | |
DE102019113493A1 (de) | Abgestimmte medizinische ultraschallbildgebung | |
EP3420913B1 (en) | Ultrasound imaging apparatus and control method thereof | |
CN112292732A (zh) | 用于实现对对象的磁共振成像的方法 | |
CN109147927B (zh) | 一种人机交互方法、装置、设备及介质 | |
US11684334B2 (en) | Methods and systems for protocol management | |
Tran et al. | Artificial intelligence for medical imaging | |
US20230238151A1 (en) | Determining a medical professional having experience relevant to a medical procedure | |
KR20220076296A (ko) | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 | |
US20230368895A1 (en) | Device at the point of imaging for integrating training of ai algorithms into the clinical workflow | |
EP4246526A1 (en) | System and method for providing enhancing or contrast agent advisability indicator | |
Al-Khoury et al. | Erosion Identification in Metacarpophalangeal Joints in Rheumatoid Arthritis using High-Resolution Peripheral Quantitative Computed Tomography | |
JP2010124937A (ja) | 小規模診断システム | |
US20230335270A1 (en) | Systems and methods to contextualize clinical product/workflow issues for streamlined resolutions/recommendations | |
US20240070861A1 (en) | Device for inferring material density image, ct system, storage medium, and method of creating trained neural network | |
JP2010122780A (ja) | 小規模診断システム | |
Skacel et al. | ONLINE MEDICAL INFORMATION SYSTEM TO CREATE A DECISION-MAKING EXPERT SYSTEM FOR RISK ASSESSMENT OF ATHEROSCLEROTIC PLAQUES FROM B-IMAGES AND HISTOLOGICAL PATTERNS | |
Singh et al. | Artificial Intelligence and Healthcare |
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 |