CN108701493A - 用于验证医学图像的图像相关信息的设备、系统和方法 - Google Patents

用于验证医学图像的图像相关信息的设备、系统和方法 Download PDF

Info

Publication number
CN108701493A
CN108701493A CN201780013675.1A CN201780013675A CN108701493A CN 108701493 A CN108701493 A CN 108701493A CN 201780013675 A CN201780013675 A CN 201780013675A CN 108701493 A CN108701493 A CN 108701493A
Authority
CN
China
Prior art keywords
image
anatomical features
information
medical image
consistency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201780013675.1A
Other languages
English (en)
Inventor
T·比洛
T·诺德霍夫
S·扬
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN108701493A publication Critical patent/CN108701493A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • 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

本发明涉及用于验证医学图像的图像相关信息的设备、系统和方法。为了确保所述医学图像的所述图像相关信息的正确性，所述设备包括：图像输入部(21)，其用于获得医学图像和相关联的图像相关信息；转化器(22)，其用于将一条或多条图像相关信息转化为期望的解剖特征信息；检测器(23)，其用于在所获得的医学图像中搜索所述期望的解剖特征信息或者用于在所获得的医学图像中检测一个或多个给定解剖特征并将所述一个或多个给定解剖特征与所述期望的解剖特征信息进行比较；评价器(24)，其用于评价所述检测器的结果以生成指示所述图像相关信息与所述相关联的医学图像的一致性的一致性度量；以及输出接口(25)，其用于在所生成的一致性度量低于预定一致性阈值的情况下输出不一致性指示。

Description

用于验证医学图像的图像相关信息的设备、系统和方法
技术领域
本发明涉及用于验证医学图像的图像相关信息的设备、系统和方法。
背景技术
US 2011/0110572 A1公开了一种用于动态地改进医学图像采集质量的系统。该系统将使用包括图像分析器、校正处理器和消息生成器的至少一个处理设备来动态地改进医学图像的质量。图像分析器自动地解析并分析表示由医学图像采集设备所采集的患者的特定解剖特征的图像的数据以通过针对与图像缺陷相关联的预定图案检查表示图像的数据来识别图像中的缺陷。校正处理器使用将图像缺陷与对应的校正图像采集参数相关联的预定信息映射来确定用于在响应于所识别的缺陷使用图像采集设备重新采集图像中使用的校正的图像采集参数。消息生成器生成呈现给用户的指示所识别的缺陷并且建议使用校正图像采集参数以用于重新采集图像的消息。
无论何时使用医学成像设备采集医学图像(诸如放射学图像)，在图像被存储在例如数据库中(例如，通过将其发送到PACS(图像存档和通讯系统))之前，额外信息(即，相关联的图像相关信息)(诸如“所检查的身体部分”、“图像偏侧化”、“视图位置”等)连同图像一起被存储，例如在DICOM(医学数字成像和通信，其是用于处理、存储、打印和传送医学成像中的信息的众所周知的标准)中，该额外信息为图像的标头。通常地，该额外的图像相关信息由技术专家手动录入。
类似所有手动录入的信息，前述条目易于出错。一旦具有错误图像相关信息的图像被存储，这样的错误就难以校正。在后续图像查看中，例如根据指定悬片协议，不正确的图像相关信息可能导致图像的不正确的显示并且因此妨碍审查工作流程。
US 2011/0188718 A1公开了一种用于准许包括图像数据和相关联的元数据的医学图像数据的系统，该系统包括：输入单元，其被布置为从至少一个源接收图像数据；存储器，其已经在其中存储了定义至少一个一致性准则的一致性数据；以及处理单元，其被布置为分析图像数据以确定其是否满足一致性准则，并且在其不满足的情况下修改图像数据使得其满足一致性准则。单独的元数据匹配和图像匹配被执行以用于确定相对于参考图像的一致性。
发明内容
本发明的目的是提供用于验证医学图像的图像相关信息的设备、系统和方法，以便确保医学图像的图像相关信息的正确性。
在本发明的第一方面中，呈现了一种用于验证医学图像的图像相关信息的设备，所述设备包括：
-图像输入部，其用于获得医学图像和相关联的图像相关信息；
-转化器，其用于将一条或多条图像相关信息转化为期望的解剖特征信息；
-检测器，其用于在所获得的医学图像中搜索期望的解剖特征信息或者用于在所获得的医学图像中检测一个或多个给定解剖特征并将所述一个或多个给定解剖特征与所述期望的解剖特征信息进行比较；
-评价器，其用于评价所述检测器的结果以生成指示所述图像相关信息与所述相关联的医学图像的一致性的一致性度量；以及
-输出接口，其用于在所生成的一致性度量低于预定一致性阈值的情况下输出不一致性指示。
在本发明的另一方面中，呈现了一种用于验证医学图像的图像相关信息的系统，所述系统包括：
-图像源，其用于提供医学图像和相关联的图像相关信息；以及
-如本文所公开的设备，其用于验证由所述图像源提供的医学图像的图像相关信息。
在本发明的又一方面中，呈现了一种用于验证医学图像的图像相关信息的对应的方法。
在本发明的另外的其他方面中，提供了：一种包括程序代码单元的计算机程序，当在计算机上执行所述计算机程序时，所述程序代码单元用于使所述计算机执行本文所公开的方法的步骤；以及一种非暂态计算机可读记录介质，其在其中存储计算机程序产品，所述计算机程序产品当由处理器运行时使本文所公开的方法被执行。
在从属权利要求中限定本发明的优选实施例。应当理解，要求保护的方法、计算机程序和介质具有与要求保护的系统相似和/或相同的优选实施例，特别是如在从属权利要求中所限定的并且如本文所公开的。
本发明基于以下构思：执行用于分析图像内容的图像分析以检查图像内容与已经由用户(例如，医师、技术专家、护士等)提供或者(例如，基于自动图像分析)已经自动地与图像相关联的图像相关信息的一致性。如果检测到不一致性，则输出对应的信息。所述输出信息可以是像拼写检查程序那样运行的一种警报机制并且将用户的注意吸引到可能不正确的条目。所述输出信息还可以是例如利用不同的期望的图像相关信息重复所述检测的控制信号或者触发器，以检查其是否更好地适合医学图像。
在检查中使用的不一致性阈值可以是预定的且固定的，或者可以对于图像的种类是单独的。在实施例中，用户还可以根据期望改变或者设定不一致性阈值。针对不一致性阈值进行检查的一致性度量可以因此是数字(诸如绝对数字或者相对百分比)，其指示图像相关信息与相关联的医学图像多么一致。对于该检查而言，使用期望的解剖特征信息，该期望的解剖特征信息从给定图像相关信息导出并且可以是例如期望存在于医学图像中的界标、距离信息、大小信息、解剖特征。
在实施例中，所述检测器被配置为生成指示一条或多条期望的解剖特征信息已经在所获得的医学图像中被检测到或者所获得的医学图像中的一个或多个给定解剖特征与所述期望的解剖特征信息相对应的置信度的置信度度量，并且其中，所述评价器被配置为在对所述一致性度量的所述生成中使用所生成的置信度度量。这改进确定一致性度量中的准确度。
为了获得甚至更精确的结果，所述检测器被配置为针对来自两条或更多条图像相关信息的期望的解剖特征信息单独地执行所述检测以生成每条图像相关信息的置信度度量，并且其中，所述评价器被配置为将所生成的置信度度量进行组合以用于对所述一致性度量的所述生成。备选地，所述转化器可以被配置为将两条或更多条图像相关信息中的每条单独地转化为单独条期望的解剖特征信息，其中，所述检测器被配置为针对两条或更多条期望的解剖特征信息单独地执行所述检测以生成每条图像相关信息的置信度度量，并且其中，所述评价器被配置为将所生成的置信度度量进行组合以用于对所述一致性度量的所述生成。
可以使用各种期望的解剖特征信息，其包括解剖特征的数目和/或种类、期望的图像性质、一个或多个期望的解剖特征的分布和/或位置、和/或一个或多个期望的解剖特征的空间关系的变化性。所述转化器可以因此被配置为将一条或多条图像相关信息转化为期望的解剖特征信息，所述期望的解剖特征信息包括以下项中的一项或多项：解剖特征的数目和/或种类、期望的图像性质、一个或多个期望的解剖特征的分布和/或位置、和/或一个或多个期望的解剖特征的所述空间关系的变化性。
所述设备还可以包括控制器，所述控制器用于控制所述检测器和所述评价器以在所生成的一致性低于所述预定一致性阈值或者另一预定一致性阈值的情况下利用不同条期望的解剖特征信息将所述检测器和所述评价器的操作重复一次或多次。所述不同条期望的解剖特征信息应当与在第一次迭代中使用的第一条期望的解剖特征信息相关但是不同。它们可以被任意地选择或者利用评价第一条期望的解剖特征信息以用于选择的训练选择器来选择。这提供了验证的正确性的增加。
存在用于转化器获得必要信息以用于执行将一条或多条图像相关信息转化为期望的解剖特征信息的各种选项。在一个实施例中，所述转化器被配置为访问存储针对多条图像相关信息的单独的期望的解剖特征信息的数据库以用于将一条或多条图像相关信息转化为期望的解剖特征信息。在另一实施例中，所述转化器被配置为访问存储解剖特征的数目和/或种类、期望的图像性质、一个或多个期望的解剖特征的分布和/或位置、和/或一个或多个期望的解剖特征的空间关系的变化性的数据库。在又一实施例中，所述转化器被配置为访问存储通过从训练医学图像和正确地相关联的图像相关信息中学习而获得的单独的期望的解剖特征信息的数据库。
所述检测和评价可以被重复一次或多次以找到更好地适合医学图像的图像相关信息。因此，在实施例中，所述检测器被配置为在所获得的医学图像中搜索备选解剖特征信息或者在所获得的医学图像中检测一个或多个给定解剖特征并将所述一个或多个给定解剖特征与备选解剖特征信息进行比较，其中，所述评价器被配置为评价所述检测器的结果以生成指示所述备选图像相关信息与所述相关联的医学图像的一致性的一致性度量，并且其中，所述输出接口被配置为在先前所生成的一致性度量和所述备选一致性度量低于预定一致性阈值的情况下输出不一致性指示。
还可能的是，在另一实施例中，为了自动地检查备选假设，例如，如果对于乳房X线照片而言，关于视图位置(“MLO”)的置信度度量是低的，则备选视图位置“CC”、“ML”……可以被检查并在它们中的一个比实际标头信息与图像数据更好地匹配的情况下被建议给用户。该构思可以被扩展用于其他方面，例如，如果在头部CT扫描中头部检测器的结果的置信度是低的，则备选器官检测器可以被应用以调查图像标头中的身体部分描述是否错误。
所述图像输入部可以被配置为获得医学图像文件，所述医学图像文件包括：数据部分，其包括所述医学图像；以及标头，其包括相关联的图像相关信息，所述医学图像文件尤其是根据DICOM标准的医学图像文件。然而，通常也可以使用其他文件格式。
所述输出接口可以被配置为以警报的形式输出不一致性指示，所述不一致性指示尤其包括不一致性的程度。用户然后可以检查所述图像相关信息并对其进行校正。
其他选项包括图像可以被映射到全身的解剖图集，其然后将生成关于哪个器官处在图像中的假设。这可以然后使用所述检测器(例如，专用器官检测器)来明确地检查。不同的器官检测器可以由此被用于不同的器官。对于给定器官而言，本文提到的器官检测器可以与权利要求一中提到的检测器相同。而且，如果器官检测器产生低置信度，则针对器官的预定义列表的器官检测器可以被应用并且具有最高置信度的器官将被建议作为身体部分。更进一步地，如果所述图像信息与视图位置有关，则可以测试用于相同器官的不同的标准视图位置。
所提出的系统包括：图像源，所述图像源可以是成像系统，即，使得所采集的图像在采集并提供有额外图像相关信息之后被直接处理；或者图像数据库，图像(具有或没有所述图像相关信息)被存储于其中并针对与在稍后的时间点处的图像相关信息的符合性进行检查。
所述系统可以可选地还包括以下各中的一项或多项：用户接口，其用于录入所述图像相关信息；输出单元(例如，显示器、控制器、传送单元等)，其用于输出所述一致性信息(例如，警报、仅仅信息、控制信号等)；以及数据库或者存储设备，其保持所述期望的解剖特征信息。所述系统可以包括另外的元件并且可以以各种方式来配置。
附图说明
本发明的这些和其他方面将从下文中所描述的(一个或多个)实施例变得显而易见并且参考下文中所描述的(一个或多个)实施例得以阐述。在以下附图中：
图1示出了根据本发明的系统和设备的第一实施例的示意图；
图2示出了根据本发明的系统和设备的第二实施例的示意图；并且
图3示出了根据本发明的方法的实施例的流程图。
具体实施方式
图1示出了根据本发明的用于验证医学图像的图像相关信息的系统1和设备20的第一实施例的示意图。系统1包括用于提供医学图像和相关联的图像相关信息的图像源。所述图像源可以是图像数据库或者档案10，诸如PACS、PC或者工作站的硬盘、医院的图像储存库等。备选地，图像源可以是成像系统11，诸如CT扫描器、MR扫描器、X射线扫描器、PET扫描器或者任何其他医学成像模态的图像采集设备。
系统1还包括用于验证由图像源10提供的医学图像的图像相关信息的设备20。设备20可以例如是被耦合到成像系统11或者被包括在所述成像系统中的PC或者工作站的处理器，但也可以是被配置为执行医学图像的期望的处理的任何其他处理实体(诸如医院网络中或者医师的PC或者工作站)。例如，设备20可以被提供在医学图像由成像系统11对其的采集与其在档案10(诸如PACS)中的存储之间的路径中的某个地方，使得(例如由医师或者护理者或者护士或者技术专家录入的)其相关联的图像相关信息在其被存储在档案中之前被验证。
图像相关信息可以例如是与对象的成像位置(例如，俯卧、仰卧、直立等)、图像身体部分(例如，胸部、手、等)、视图位置(例如，MLO(中间外侧倾斜)、CC(颅尾)、ML(中间外侧)等)、偏侧化(例如，右、左等)、成像系统11的类型(例如，MR、CT、X射线等)、图像采集设备的参数和设置(例如，辐射剂量、持续时间、图像数目等)有关的信息。可以备选地或者额外地包括其他信息。
设备20包括用于获得医学图像和相关联的图像相关信息的图像输入部21。图像输入部21可以是用于(例如，以无线或有线的方式)接收或者检索医学图像和相关联的图像相关信息的数据接口(例如，USB接口、WiFi接口、LAN接口、HDMI接口等)。例如，每次新图像相关信息被录入或者现有图像相关信息被修改时，该图像相关信息和相关联的医学图像可以被自动地发送到图像输入部以用于由设备20验证。
医学图像和相关联的图像相关信息可以被存储在共同的医学图像文件中，其中，数据部分包括医学图像并且标头包括相关联的图像相关信息。医学图像文件可以例如根据DICOM标准来形成。
设备20还包括用于将一条或多条图像相关信息转化为期望的解剖特征信息的转化器22。期望的解剖特征可以例如是界标、轮廓、形状描述符、模型姿势、骨骼、血管分支等。图像相关信息与期望的解剖特征信息之间的关系可以例如从针对模态、身体部分、视图位置和/或偏侧化的特定组合的正确地标记的训练数据集中学习。特别地，可以学习解剖界标的集合处的图像性质以及其位置的分布和其之间的空间关系的变化性。因此，训练算法可以由转化器22使用，或者存储图像相关信息与期望的解剖特征信息之间的关系的查找表可以被访问以用于执行转化。
转化器22可以特别地被配置为将一条或多条图像相关信息转化为期望的解剖特征信息，所述期望的解剖特征信息包括解剖特征的数目和/或种类、期望的图像性质、一个或多个期望的解剖特征的分布和/或位置、和/或一个或多个期望的解剖特征的空间关系的变化性。
为了执行转化，转化器22可以访问存储针对多条图像相关信息的单独的期望的解剖特征信息的数据库40以用于将一条或多条图像相关信息转化为期望的解剖特征信息。数据库40可以存储解剖特征的数目和/或种类、期望的图像性质、一个或多个期望的解剖特征的分布和/或位置、和/或一个或多个期望的解剖特征的空间关系的变化性。数据库40可以存储通过从训练医学图像和正确地相关联的图像相关信息中学习而获得的单独的期望的解剖特征信息。
设备20还包括检测器23，所述检测器用于在所获得的医学图像中搜索期望的解剖特征信息或者用于在所获得的医学图像中检测一个或多个给定解剖特征并将所述一个或多个给定解剖特征与所述期望的解剖特征信息进行比较。出于该目的，可以使用一个或多个已知检测算法，例如特征检测算法、界标检测算法或者器官检测器。检测器可以特别地被配置为检测解剖特征的数目和/或种类、期望的图像性质、一个或多个期望的解剖特征的分布和/或位置、和/或一个或多个期望的解剖特征的空间关系的变化性。
设备20还包括评价器24，所述评价器用于评价检测器的结果以生成指示图像相关信息与相关联的医学图像的一致性的一致性度量。由此，评价器24可以特别地被配置为关于解剖特征的数目和/或种类、期望的图像性质、一个或多个期望的解剖特征的分布和/或位置、和/或一个或多个期望的解剖特征的空间关系的变化性评价检查结果。取决于所述评价(例如，已经找到期望的解剖特征中的多少、界标的位置与其期望的位置偏差多大等)，生成一致性度量。例如，已经找到的期望的解剖特征的数目是低的和/或存在大的偏差(例如，大于偏差阈值)的情况下，一致性度量比在其中已经找到的期望的解剖特征的数目更高和/或存在小的偏差或没有偏差(例如，低于偏差阈值)的情况高。
设备20还包括输出接口25，所述输出接口用于在所生成的一致性度量低于预定一致性阈值的情况下输出不一致性指示。输出接口25可以例如是发出视觉或听觉信息的用户接口(诸如显示器或者扬声器)或者被包括在这种用户接口中，但也可以是用于以无线或有线的方式(诸如WiFi或者LAN接口)将信息传送到另一实体30的接口，使得可以在所述另一实体30(例如，录入图像相关信息的人或者负责监测或检查图像相关信息和相关联的医学图像的正确性的人的工作站或PC)上发出不一致性指示。不一致性信息可以例如以警报的形式发出并且可以可选地包括不一致性的程度。
输出接口25还可以在实施例中被配置为在图像相关信息已经被验证为正确的情况下(例如，在所生成的一致性度量高于预定一致性阈值的情况下)，将接收到的图像相关信息和相关联的医学图像转发到期望的位置(例如，图像档案10(诸如PACS))。
进一步地，输出接口25可以在实施例中被配置为发出指示图像相关信息已经被验证为正确的一致性指示(例如，在所生成的一致性度量高于预定一致性阈值的情况下)。这样的一致性指示可以由另一实体(例如，图像档案10)使用，以允许将图像相关信息和相关联的医学图像存储在档案10中或者在所述档案10将其标记为已验证。
更进一步地，在实施例中，没有生成并且发出可以例如由图像档案10解读为图像相关信息已经被验证为正确的这样的一致性指示。
预定一致性阈值可以是提前确定的且固定的。在其他实施例中，其可以基于图像相关信息的正确性的期望水平由用户适配。而且，各种阈值可以被用于不同类型的图像(例如，取决于成像模态的种类)或者用于不同的用户(例如，取决于录入图像相关信息或者使用成像系统11采集图像的人或者此人的功能)。
在实施例中，检测器23不仅在所获得的医学图像中搜索期望的解剖特征信息或者在所获得的医学图像中检测一个或多个给定解剖特征，而且额外地生成指示一条或多条期望的解剖特征信息已经在所获得的医学图像中被检测到或者所获得的医学图像中的一个或多个给定解剖特征与期望的解剖特征信息相对应的置信度的置信度度量。评价器24然后在对一致性度量的生成中使用所生成的置信度度量。如果置信度度量较高，则一致性度量通常比在置信度度量较低的情况下高。
优选地，检测器23针对两条或更多条图像相关信息单独地执行检测以生成每条图像相关信息的置信度度量。评价器24然后将所生成的置信度度量进行组合以用于对一致性度量的生成。
在示范性实施方式中，置信度度量被用作在解剖特征检测之后的第二步骤。基于图像相关信息，解剖特征检测将试图将期望的解剖结构(器官/身体部分)定位在图像中并且在最佳适合的情况下返回图像位置。置信度度量(例如，通过评价器官模型的适合度)评估所识别的位置实际上示出期望的解剖结构的可能性(例如，在从0到1的尺度上)。低置信度值将然后指示期望器官不可能在视场内。
另外，转化器22可以被配置为将两条或更多条图像相关信息中的每条单独地转化为单独条期望的解剖特征信息，并且检测器23可以针对两条或更多条期望的解剖特征信息单独地执行检测以生成每条图像相关信息的置信度度量。评价器24然后将所生成的置信度度量进行组合以用于对一致性度量的生成。
图2示出了根据本发明的系统2和设备20’的第二实施例的示意图。在图3中描绘了可以由所述设备20’执行的方法的实施例的流程图。
除设备20的第一实施例的元件之外，设备20’的第二实施例可以包括控制器26，所述控制器用于控制检测器23和评价器24以在所生成的一致性低于预定一致性阈值或者另一预定一致性阈值的情况下利用不同的期望的解剖特征信息将所述检测器和所述评价器的操作重复一次或多次。
如在图3中所示，在第一步骤S10中，获得医学图像和相关联的图像相关信息。在第二步骤S11中，然后将一条或多条图像相关信息转化为期望的解剖特征图像。在第三步骤S12中，在所获得的医学图像中搜索期望的解剖特征信息或者在所获得的医学图像中检测一个或多个给定解剖特征，然后将所述一个或多个给定解剖特征与期望的解剖特征信息进行比较。在第四步骤S13中，评价第三步骤的结果以生成指示图像相关信息与相关联的医学图像的一致性的一致性度量。
在一个实施例中，在第五步骤S14中检查所生成的一致性是否低于预定一致性阈值。如果所生成的一致性高于预定一致性阈值，则在步骤S15中，将医学图像和图像相关信息存储在档案10中或者标记为已验证，并且可选地发出对应的一致性指示。否则，在步骤S16中，输出不一致性指示。
另外，使用设备20’，执行检测器23和评价器24的步骤S12和S13的另一迭代。因此，在步骤S17中选择备选解剖特征，这些备选解剖特征被提供到检测器23。检测器23然后在所获得的医学图像中搜索备选解剖特征信息或者在所获得的医学图像中检测一个或多个给定解剖特征并将所述一个或多个给定解剖特征与备选解剖特征信息进行比较。评价器24然后评价检测器23的结果以生成指示备选图像相关信息与相关联的医学图像的一致性的备选一致性度量。最后，在先前所生成的一致性度量和备选一致性度量低于预定一致性阈值的情况下，输出接口25输出不一致性指示。在这种情况下，一个或多个另外的迭代可以仍然利用作为检测器23的输入的解剖特征的另外的其他集合执行。另外，在实施例中，如果已经利用了解剖特征的集合，则具有最高一致性的特征将被选择为表示最可能的解剖结构。
例如，在示范性实施方式中，如果检测到期望界标但是检测置信度是低的，或者界标的空间关系的位置不符合学习的分布，则可以在图像上执行匹配相关但是不同的图像相关信息的备选检测算法集以确定这些备选中的每个中的置信度。例如，如果检测算法未能检测到与身体部分＝胸部、视图位置＝MLO和偏侧化＝右一致的界标，则图像将针对“偏侧化＝左”和/或“视图位置”＝“CC”或“ML”来测试。可以甚至针对“身体部分”＝“校准体模”测试图像。如果这些备选描述中的任一个具有比原始图像相关信息更高的与图像内容的一致性，则可以向用户提出警报，建议仔细检查提供的实体并且提议图像相关信息的备选集合。
本发明可以是图像处理或者图像管理软件或者工作流程的一部分(例如，以验证工具的形式)，并且可以包括用户接口。在应用方法之后，可以提示用户接受或拒绝自动生成的体积或者由系统自动建议的备选图像相关信息。
虽然已经在附图和前述描述中详细说明和描述本发明，但是这样的说明和描述将被认为是说明性或示范性而非限制性的；本发明不限于所公开的实施例。通过研究附图、说明书和随附的权利要求书，本领域的技术人员在实践所主张的本发明时可以理解和实现所公开的实施例的其他变型。
在权利要求中，词语“包括”不排除其他元件或者步骤，并且词语“一”或“一个”不排除多个。单个元件或者其他单元可以实现权利要求中记载的若干项的功能。互不相同的从属权利要求中记载了特定措施的仅有事实并不指示不能有利地使用这些措施的组合。
计算机程序可以被存储/被分布在适合的非暂态介质(诸如连同其他硬件一起或作为其一部分供应的光学存储介质或固态介质)上，而且可以以其他形式分布(诸如经由因特网或其他有线或无线电信系统)。
权利要求中的任何附图标记不应当被解释为对范围的限制。

Claims (15)

1.一种用于验证医学图像的图像相关信息的设备，所述设备包括：
-图像输入部(21)，其用于获得医学图像和相关联的图像相关信息；
-转化器(22)，其用于将一条或多条图像相关信息转化为期望的解剖特征信息；
-检测器(23)，其用于在所获得的医学图像中搜索期望的解剖特征信息或者用于在所获得的医学图像中检测一个或多个给定解剖特征并将所述一个或多个给定解剖特征与所述期望的解剖特征信息进行比较；
-评价器(24)，其用于评价所述检测器的结果以生成指示所述图像相关信息与所述相关联的医学图像的一致性的一致性度量；以及
-输出接口(25)，其用于在所生成的一致性度量低于预定一致性阈值的情况下输出不一致性指示。
2.根据权利要求1所述的设备，
其中，所述检测器(23)被配置为生成指示一条或多条期望的解剖特征信息已经在所获得的医学图像中被检测到或者所获得的医学图像中的一个或多个给定解剖特征与所述期望的解剖特征信息相对应的置信度的置信度度量，并且其中，所述评价器(24)被配置为在对所述一致性度量的所述生成中使用所生成的置信度度量。
3.根据权利要求2所述的设备，
其中，所述检测器(23)被配置为针对来自两条或更多条图像相关信息的期望的解剖特征信息单独地执行所述检测以生成每条图像相关信息的置信度度量，并且其中，所述评价器(24)被配置为将所生成的置信度度量进行组合以用于对所述一致性度量的所述生成。
4.根据权利要求2所述的设备，
其中，所述转化器(22)被配置为将两条或更多条图像相关信息中的每条单独地转化为单独条期望的解剖特征信息，其中，所述检测器(23)被配置为针对两条或更多条期望的解剖特征信息单独地执行所述检测以生成每条图像相关信息的置信度度量，并且其中，所述评价器(24)被配置为将所生成的置信度度量进行组合以用于对所述一致性度量的所述生成。
5.根据权利要求1所述的设备，
其中，所述转化器(22)被配置为将一条或多条图像相关信息转化为期望的解剖特征信息，所述期望的解剖特征信息包括解剖特征的数目和/或种类、期望的图像性质、一个或多个期望的解剖特征的分布和/或位置、和/或一个或多个期望的解剖特征的空间关系的变化性。
6.根据权利要求1所述的设备，
还包括控制器(26)，所述控制器用于控制所述检测器(23)和所述评价器(24)以在所生成的一致性低于所述预定一致性阈值或者另一预定一致性阈值的情况下利用不同条期望的解剖特征信息将所述检测器和所述评价器的操作重复一次或多次。
7.根据权利要求1所述的设备，
其中，所述转化器(22)被配置为访问存储针对多条图像相关信息的单独的期望的解剖特征信息的数据库(40)以用于将一条或多条图像相关信息转化为期望的解剖特征信息。
8.根据权利要求7所述的设备，
其中，所述转化器(22)被配置为访问存储解剖特征的数目和/或种类、期望的图像性质、一个或多个期望的解剖特征的分布和/或位置、和/或一个或多个期望的解剖特征的空间关系的变化性的数据库(40)。
9.根据权利要求7所述的设备，
其中，所述转化器(22)被配置为访问存储通过从训练医学图像和正确地相关联的图像相关信息中学习而获得的单独的期望的解剖特征信息的数据库(40)。
10.根据权利要求6所述的设备，
其中，所述检测器(23)被配置为在所获得的医学图像中搜索备选解剖特征信息或者在所获得的医学图像中检测一个或多个给定解剖特征并将所述一个或多个给定解剖特征与备选解剖特征信息进行比较；
其中，所述评价器(24)被配置为评价所述检测器的结果以生成指示所述备选图像相关信息与所述相关联的医学图像的一致性的备选一致性度量；并且
其中，所述输出接口(25)被配置为在先前所生成的一致性度量和所述备选一致性度量低于预定一致性阈值的情况下输出不一致性指示。
11.根据权利要求1所述的设备，
其中，所述图像输入部(21)被配置为获得医学图像文件，所述医学图像文件包括：数据部分，其包括所述医学图像；以及标头，其包括相关联的图像相关信息，所述医学图像文件尤其是根据DICOM标准的医学图像文件。
12.根据权利要求1所述的设备，
其中，所述输出接口(25)被配置为以警报的形式输出不一致性指示，所述不一致性指示尤其包括不一致性的程度。
13.一种用于验证医学图像的图像相关信息的系统，所述系统包括：
-图像源(10、11)，其用于提供医学图像和相关联的图像相关信息；以及
-根据权利要求1所述的设备(20、20’)，其用于验证由所述图像源(10、11)提供的医学图像的图像相关信息。
14.一种用于验证医学图像的图像相关信息的方法，所述方法包括：
-获得医学图像和相关联的图像相关信息；
-将一条或多条图像相关信息转化为期望的解剖特征信息；
-在所获得的医学图像中搜索期望的解剖特征信息或者在所获得的医学图像中检测一个或多个给定解剖特征，然后将所述一个或多个给定解剖特征与所述期望的解剖特征信息进行比较；
-评价搜索或检测的步骤的结果以生成指示所述图像相关信息与所述相关联的医学图像的一致性的一致性度量；并且
-在所生成的一致性低于预定一致性阈值的情况下输出不一致性指示。
15.一种包括程序代码单元的计算机程序，当在计算机上执行所述计算机程序时，所述程序代码单元用于使所述计算机执行根据权利要求14所述的方法的步骤。
CN201780013675.1A 2016-02-29 2017-02-21 用于验证医学图像的图像相关信息的设备、系统和方法 Pending CN108701493A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16157840 2016-02-29
EP16157840.6 2016-02-29
PCT/EP2017/053953 WO2017148751A1 (en) 2016-02-29 2017-02-21 Device, system and method for verifying image-related information of a medical image

Publications (1)

Publication Number Publication Date
CN108701493A true CN108701493A (zh) 2018-10-23

Family

ID=55524115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780013675.1A Pending CN108701493A (zh) 2016-02-29 2017-02-21 用于验证医学图像的图像相关信息的设备、系统和方法

Country Status (6)

Country Link
US (1) US10936892B2 (zh)
EP (1) EP3423967B1 (zh)
JP (1) JP7150605B2 (zh)
CN (1) CN108701493A (zh)
RU (1) RU2728900C2 (zh)
WO (1) WO2017148751A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016216203A1 (de) * 2016-08-29 2017-09-14 Siemens Healthcare Gmbh Medizinisches bildgebendes System
CN108197037A (zh) * 2018-02-07 2018-06-22 北京群源电力科技有限公司 一种界面验证方法及其装置
US11113577B1 (en) 2020-02-27 2021-09-07 GE Precision Healthcare LLC Systems and methods for detecting laterality of a medical image
CN113764077B (zh) * 2021-07-27 2024-04-19 上海思路迪生物医学科技有限公司 病理图像的处理方法、装置、电子设备与存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1934589A (zh) * 2004-03-23 2007-03-21 美国西门子医疗解决公司 为医学成像提供自动决策支持的系统和方法
CN101536001A (zh) * 2006-08-11 2009-09-16 皇家飞利浦电子股份有限公司 用于有效诊断的与解剖有关的随图像环境而定的应用
US20110188718A1 (en) * 2008-07-25 2011-08-04 Derek Lionel Glendon Hill Image data management systems
CN102576471A (zh) * 2008-12-18 2012-07-11 皇家飞利浦电子股份有限公司 生成医学图像的视图
CN104933288A (zh) * 2014-03-18 2015-09-23 三星电子株式会社 用于对医学图像中的解剖元素进行可视化的设备和方法
CN105051784A (zh) * 2013-03-15 2015-11-11 哈特弗罗公司 对模拟准确度和性能的图像质量评估

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6868171B2 (en) * 1997-10-24 2005-03-15 Ultratouch Corporation Dynamic color imaging method and system
AU2001291175A1 (en) 2000-09-21 2002-04-02 Md Online Inc. Medical image processing systems
JP2004290329A (ja) 2003-03-26 2004-10-21 Konica Minolta Holdings Inc 医用画像処理装置、医用ネットワークシステム及び医用画像処理装置のためのプログラム
JP4727476B2 (ja) 2006-03-28 2011-07-20 富士フイルム株式会社 医用画像情報の処理装置および確認作業支援プログラム
US8170306B2 (en) 2007-04-25 2012-05-01 Siemens Aktiengesellschaft Automatic partitioning and recognition of human body regions from an arbitrary scan coverage image
WO2009074930A1 (en) * 2007-12-13 2009-06-18 Koninklijke Philips Electronics N.V. A method of retrieving data from a medical image data set
US7941462B2 (en) 2008-09-24 2011-05-10 Toshiba Medical Visualization Systems Europe, Limited Method and apparatus for classification of coronary artery image data
CN102257502B (zh) * 2008-12-18 2015-11-25 皇家飞利浦电子股份有限公司 软件错误和性能缺陷报告系统
JP5343615B2 (ja) 2009-02-25 2013-11-13 コニカミノルタ株式会社 医用画像表示装置及びプログラム
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
US8520920B2 (en) * 2009-11-11 2013-08-27 Siemens Corporation System for dynamically improving medical image acquisition quality
JP5558793B2 (ja) 2009-11-30 2014-07-23 株式会社日立メディコ 画像処理方法、画像処理装置及びプログラム
GB201117808D0 (en) * 2011-10-14 2011-11-30 Siemens Medical Solutions SUV correction following dose infiltration
US8897532B2 (en) * 2012-07-11 2014-11-25 General Electric Company Systems and methods for performing image type recognition
EP2690596B1 (en) 2012-07-24 2018-08-15 Agfa Healthcare Method, apparatus and system for automated spine labeling
US9524582B2 (en) * 2014-01-28 2016-12-20 Siemens Healthcare Gmbh Method and system for constructing personalized avatars using a parameterized deformable mesh
US10154239B2 (en) * 2014-12-30 2018-12-11 Onpoint Medical, Inc. Image-guided surgery with surface reconstruction and augmented reality visualization
US9576356B2 (en) * 2015-05-08 2017-02-21 Siemens Healthcare Gmbh Region clustering forest for analyzing medical imaging data
WO2017080868A1 (en) * 2015-11-09 2017-05-18 Koninklijke Philips N.V. X-ray image inhalation quality monitoring
US20180060488A1 (en) * 2016-08-31 2018-03-01 International Business Machines Corporation Customizing annotations on medical images
DE102016216920A1 (de) * 2016-09-07 2018-03-08 Siemens Healthcare Gmbh Verfahren zu einer Bestimmung eines Ähnlichkeitsparameters für ein Ursprungsprotokoll mit einem Referenzprotokoll
US11375969B2 (en) * 2016-12-15 2022-07-05 Koninklijke Philips N.V. X-ray apparatus having a composite field of view
AU2018264882B2 (en) * 2017-05-09 2024-03-28 Baxter Healthcare Sa Parenteral nutrition diagnostic system, apparatus, and method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1934589A (zh) * 2004-03-23 2007-03-21 美国西门子医疗解决公司 为医学成像提供自动决策支持的系统和方法
CN101536001A (zh) * 2006-08-11 2009-09-16 皇家飞利浦电子股份有限公司 用于有效诊断的与解剖有关的随图像环境而定的应用
US20110188718A1 (en) * 2008-07-25 2011-08-04 Derek Lionel Glendon Hill Image data management systems
CN102576471A (zh) * 2008-12-18 2012-07-11 皇家飞利浦电子股份有限公司 生成医学图像的视图
CN105051784A (zh) * 2013-03-15 2015-11-11 哈特弗罗公司 对模拟准确度和性能的图像质量评估
CN104933288A (zh) * 2014-03-18 2015-09-23 三星电子株式会社 用于对医学图像中的解剖元素进行可视化的设备和方法

Also Published As

Publication number Publication date
RU2018134303A3 (zh) 2020-05-27
WO2017148751A1 (en) 2017-09-08
RU2728900C2 (ru) 2020-08-03
EP3423967B1 (en) 2022-06-22
US20190043195A1 (en) 2019-02-07
EP3423967A1 (en) 2019-01-09
RU2018134303A (ru) 2020-04-01
JP2019512139A (ja) 2019-05-09
US10936892B2 (en) 2021-03-02
JP7150605B2 (ja) 2022-10-11

Similar Documents

Publication Publication Date Title
CN111986784B (zh) 医疗影像的元数据预测装置及方法
CN108701493A (zh) 用于验证医学图像的图像相关信息的设备、系统和方法
EP3499509B1 (en) Method for memorable image generation for anonymized three-dimensional medical image workflows
KR20190105210A (ko) 통합 의료 진단 서비스 제공 시스템 및 그 방법
US11257211B2 (en) Medical image processing apparatus, medical image processing system, and medical image processing method
CN102365641A (zh) 基于诊断信息自动检索报告模板的系统
US20150173705A1 (en) Apparatus and method for adapting diagnostic model for computer-aided diagnosis
US8848994B2 (en) Fetus modeling method and image processing apparatus therefor
CN111260647B (zh) 一种基于图像检测的ct扫描辅助方法、计算机可读存储介质、ct扫描装置
US20220285011A1 (en) Document creation support apparatus, document creation support method, and program
US20040024292A1 (en) System and method for assigning a computer aided detection application to a digital image
US11238974B2 (en) Information processing apparatus, information processing method, and storage medium storing program
US10964074B2 (en) System for harmonizing medical image presentation
CN111226287A (zh) 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质
KR101941209B1 (ko) 인공지능 기반 독립형 자동 질환 진단 시스템 및 방법
WO2022209299A1 (ja) 情報処理システム、生体試料処理装置及びプログラム
KR101938376B1 (ko) 웹기반으로 임상시험 의료영상을 관리하는 시스템, 방법 및 프로그램
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
CN111192679B (zh) 一种影像数据异常的处理方法、装置及存储介质
CN110622255B (zh) 用于通过综合下游需求来确定阅读环境的设备、系统和方法
US20240161298A1 (en) Information processing system, biological sample processing device, and program
WO2023185030A1 (zh) 一种影像参数的配置方法
CN117409273A (zh) 基于数据扩增的识别模型的优化方法、设备及介质
CN110709888B (zh) 信息处理装置和用于控制信息处理装置的方法
CN107257977A (zh) 检测缺失的发现用于自动创建纵向发现视图

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