CN109464199A - 确定用于调整检查协议的分类数据的方法和数据处理单元 - Google Patents

确定用于调整检查协议的分类数据的方法和数据处理单元 Download PDF

Info

Publication number
CN109464199A
CN109464199A CN201811033018.6A CN201811033018A CN109464199A CN 109464199 A CN109464199 A CN 109464199A CN 201811033018 A CN201811033018 A CN 201811033018A CN 109464199 A CN109464199 A CN 109464199A
Authority
CN
China
Prior art keywords
agreement
inspection
state parameter
data
medical imaging
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
CN201811033018.6A
Other languages
English (en)
Inventor
D·容
U·福伊尔莱茵
R·劳帕赫
T·阿尔门丁格尔
C·科赫
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 CN109464199A publication Critical patent/CN109464199A/zh
Pending legal-status Critical Current

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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/08—Accessories or related features not otherwise provided for
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • 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
    • A61B6/44—Constructional features of apparatus for radiation diagnosis
    • A61B6/4429—Constructional features of apparatus for radiation diagnosis related to the mounting of source units and detector units
    • A61B6/4435—Constructional features of apparatus for radiation diagnosis related to the mounting of source units and detector units the source unit and the detector unit being coupled by a rigid structure
    • A61B6/4441—Constructional features of apparatus for radiation diagnosis related to the mounting of source units and detector units the source unit and the detector unit being coupled by a rigid structure the rigid structure being a C-arm or U-arm
    • 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
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • 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
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Business, Economics & Management (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pulmonology (AREA)

Abstract

公开了确定用于调整检查协议的分类数据的方法和数据处理单元。本发明涉及一种用于确定分类数据的方法，该分类数据用于基于医学成像检查的基本检查协议、根据医学成像检查的状态参数来调整检查协议，其中该方法包括以下步骤：‑提供一组训练数据集，其中每个训练数据集均具有状态参数数据集和与该状态参数数据集相关联的一项调整信息，状态参数数据集具有医学成像检查的状态参数的值，其中调整信息与检查协议基于医学成像检查的基本检查协议、特别是根据状态参数的调整有关，‑基于机器学习算法和该组训练数据集来确定分类数据。

Description

确定用于调整检查协议的分类数据的方法和数据处理单元
技术领域
本发明涉及：用于确定分类数据的方法和数据处理单元、用于优化检查协议调整算法的分类数据的用途、用于优化基本检查协议数据库的分类数据的用途、用于调整检查协议的方法和数据处理单元，并且涉及计算机程序产品和计算机可读介质。
背景技术
通常，用于最常见检查的基本检查协议被永久地存储在成像系统上。然而，这些基本检查协议不仅仅以固定的形式被使用，而是根据具体情况而特别地改变，例如患者的状况，特别是他们的实验室值、心率、体型等。这些具体情况可以涉及例如采集参数、重建参数和/或造影剂参数。此外，经调整的计算基础可以以这种方式被提供给算法，特别是重建算法和/或图像处理算法。为了保持基本检查协议的数目可管理，并非所有子类型都被存储为单独协议。这种类型的过程需要附加的规则通信并且容易出错。
同时，许多用户不知道在成像系统上存在以下自动化机制，该自动化机制支持检查协议能够根据状态参数而被自动调整。特别地，这例如可以是根据通过患者的X射线辐射衰减的自动剂量系统，例如，根据心率和/或心率变化等对用于采集和重建的最佳心脏相位的自动确定。特别地，这例如涉及通过软件升级而新添加的功能，并且必须是在经过努力并完全具备对功能的必要理解的情况下而将这些功能并入现有方案中。
如今，通常存在对基本检查协议的进行补充的规范，其涉及根据状态参数、从基本检查协议开始对检查协议进行手动调整。这些协议以以下形式对用户可用：作为单独的计算机上的电子文档、以打印的形式或有时甚至仅作为手写笔记的集合。关于特定于患者的医学成像设备的自动化的可能性，制造商通常提供培训，但是用户通常不能完全理解。结果是，特定于患者的自动性在许多情况下根本没有被使用，或是甚至不正确地被使用。
检查协议的手动调整通常基于最佳参考患者的数据。然而，在很多情况下，这样的参考数据是不可配置的，并且除了少数例外之外(诸如，例如体重参数)，该参考数据不表示真实患者的任何其他特性，例如心率、已有症状等。因此，用户通常不能使用参考患者对待检查的患者进行最佳分类，特别是在特定于患者的调整的情况下。
此外，到目前为止，因为输入数据通常仅在实际扫描过程中起作用，还不可能全面检测默认值中的输入阈值和参考点的合理性。由于数据输入及其在扫描过程中产生的结果的这种分离，透明度和理解会受到影响。这转而可能导致基本检查协议几乎不被检测、理解或改变，并且导致优化的潜力经常无法被开发，特别是在特定于患者的自动调整的情况下。
US 8000510 B2公开了一种用于控制截面图像采集系统的方法，其中从多个扫描方案中选择一个扫描方案。
US8401872 B2公开了一种用于操作医学诊断设备的方法，借助于该方法，医学问题将得到解决。
US 8687762 B2公开了一种用于扫描患者的CT系统，其具有至少一个可以控制CT系统的计算机系统，其中用于指定的逻辑决策树的评估单元被集成在计算机系统中。
US 9615804 B2公开了一种用于医学领域中的图像生成和图像评估的方法，其中借助于指定的医学模态，特别是计算机断层摄影，原始数据根据指定的模态参数来生成。
US 9636077 B2公开了一种用于自动选择用于断层摄影采集患者的X射线图像的扫描方案的方法。
发明内容
本发明的目的是使得能够基于基本的检查协议、根据医学成像检查的状态参数实现对检查协议的改进调整。独立权利要求的每个技术方案分别实现该目的。本发明的其他有利方面在从属权利要求中被考虑。
本发明涉及一种用于确定分类数据的方法，该分类数据用于基于医学成像检查的基本检查协议、根据医学成像检查的状态参数来调整检查协议，其中该方法包括以下步骤：
-提供一组训练数据集，其中每个训练数据集均具有状态参数数据集和与该状态参数数据集相关联的一项调整信息，状态参数数据集具有医学成像检查的状态参数的值，其中调整信息例如与一个或多个用户基于医学成像检查的基本检查协议、特别是根据状态参数而对检查协议的手动调整有关，
-基于机器学习算法和该组训练数据集来确定分类数据。
本发明的一个实施例提供：分类数据形成决策树，和/或机器学习算法是基于递归划分的。特别地，分类数据可以借助于递归划分、通过训练决策树来确定。基于决策树，例如，从基本检查协议开始并根据状态参数，可以限定和/或修改该检查协议的至少一个检查协议参数。
在本申请的上下文中，机器学习算法特别地被用来意指被设计用于机器学习的算法。机器学习算法例如可以借助于决策树、数学函数和/或通用编程语言来实现。机器学习算法可以被设计为例如用于监督学习和/或用于无监督学习。机器学习算法可以被设计用于例如深度学习和/或用于强化学习和/或用于边缘空间学习。特别是在监督学习的情况下，一类函数可以被使用，其基于例如决策树、随机森林、逻辑回归、支持向量机、人工神经网络、内核方法、贝叶斯分类器等或其组合。机器学习算法的可能实现可以使用例如人工智能。本领域技术人员已知的优化方法可以被用于优化。特别是在优化期间的计算可以例如借助于处理器系统来执行。处理器系统可以具有例如一个或多个图形处理器。
特别地，检查协议可以具有至少一个检查协议参数，该参数从由采集参数、重建参数、造影剂参数及其组合所构成的组中被选择。检查协议参数特别地可以是采集参数。采集参数可以与以下有关：例如管电压、管电流、旋转时间、螺旋间距、在心动周期中用于管电流调制的一个或多个触发瞬间等或其组合。特别地，检查协议参数可以是重建参数。重建参数可以例如与以下有关：卷积核、卷积算法、切片厚度、切片增量等或其组合。特别地，检查协议参数可以是造影剂参数。造影剂参数可以例如与以下有关：造影剂的量、流速等或其组合。
特别地，医学成像检查的状态参数可以是患者参数和/或检查参数。状态参数特别地可以是患者参数，患者参数例如与要利用检查协议来检查的患者的状况的一个方面或多个方面有关。患者状况的方面特别地可以是人口统计、生理和/或种族方面。
患者参数可以例如是心率、心率变化、在患者身体的特定区域中和/或特定投影方向上的X射线辐射的大小或衰减、年龄、性别、体重、身高、体重指数、实验室值(例如肌酐值)、患者体内的材料的密度或浓度或由其得到的变量、合作的意愿、历史、既往症等或其组合。例如，与患者合作意愿有关的患者参数可以指示患者不合作。例如，与患者的既往症有关的患者参数可以指示患者最近中风了。
特别地，状态参数可以是检查参数，检查参数例如与医学成像检查的一个或多个方面和/或包含医学成像检查的临床过程有关。检查参数可以例如与以下有关：推荐患者进行医学成像检查的推荐医师、正在执行医学成像检查的用户、手术指征等或其组合。
本发明还涉及一种用于确定分类数据的数据处理单元，该分类数据用于基于医学成像检查的基本检查协议、根据医学成像检查的状态参数来调整检查协议，该数据处理单元具有：
-训练数据集提供单元，被设计用于提供一组训练数据集，其中每个训练数据集均具有状态参数数据集和与该状态参数数据集相关联的一项调整信息，状态参数数据集具有医学成像检查的状态参数的值，其中调整信息例如与一个或多个用户基于医学成像检查的基本检查协议、特别是根据状态参数而对检查协议的手动调整有关，
-分类数据确定单元，被设计用于基于机器学习算法和该组训练数据集来确定分类数据。
特别地，数据处理单元可以被设计用于确定分类数据，以执行根据本申请中所公开的一个或多个方面的、用于确定分类数据的方法。
本发明还涉及分类数据用于优化检查协议调整算法的用途，该分类数据已经由根据本申请中所公开的一个或多个方面的、用于确定分类数据的方法确定，检查协议调整算法特别地被设计用于：基于医学成像检查的基本检查协议、根据医学成像检查的状态参数来自动调整检查协议。特别地，优化检查协议调整算法可以意指对检查协议调整算法进行训练。
特别地，检查协议调整算法可以基于分类数据自动地，特别是连续地被优化。备选地或附加地，用于优化检查协议调整算法的建议可以基于分类数据来生成，该建议可以被用户采用。
特别地，可以提供表示用户行为的多个训练数据集，例如，在哪些状态参数下，由用户对检查协议做出的特定改变。出于该目的，检查协议的调整，特别是检查协议的检查协议参数相对于基本检查协议的改变，与用于许多医学成像检查的状态参数(特别地，其中使用相同的基本检查协议)一起被记录。
调整信息可以例如是：基本检查协议参数的改变值，或基本检查协议的改变值相对于基本检查协议参数的改变。这样的改变可以例如绝对地或相对地被指示。调整信息可以例如指示该改变的符号，即，值的减少或增加或维持不变。此外，调整信息可以例如指示将该改变(特别是强或弱的改变)分配到预定义的改变类别中。
通过使用机器学习，依赖性可以由此被标识，和/或规则被导出。然后，现有的自动化可以自动或半自动地被配置，以用于调整检查协议。除了确定重要的依赖性之外，还可以通过这种方式确定：多个用户做出这一决策的一致性，以及在没有手动干预的情况下自动化是否将实现相同行为。
本发明还涉及分类数据用于优化具有多个基本检查协议的基本检查协议数据库的用途，该分类数据已经由根据本申请中所公开的一个或多个方面的、用于确定分类数据的方法确定，
-其中基于分类数据，在基本检查协议数据库中确定用于扫描的至少一个另外的基本检查协议，和/或
-其中多个基本检查协议的基本检查协议基于分类数据而被分类。
特别地，基于分类数据，可以确定和/或在基本检查协议数据库中包括：先前未被包括在基本检查协议数据库中的至少一个另外的基本检查协议。特别地，另外的基本检查协议可以基于分类数据和根据本申请中所描述的方面之一的、用于调整检查协议的方法来确定。
特别地，如果未提供对检查协议的自动调整，则通过例如基于分类数据来建议有利的基本检查协议类别，分类数据能够实现对永久存储的基本检查协议的优化。因此，本发明的解决方案使得可以通过借助于机器学习自动地使检查协议调整算法和/或基本检查协议数据库适应用户的实际使用来简化医学成像检查的实现和配置。这降低了对培训的需要，例如在软件更新之后，该软件更新可获得新功能，在没有相应指示的情况下用户将不知道该软件更新。
本发明还涉及一种用于调整医学成像检查的检查协议的方法，其中该方法包括以下步骤：
-选择医学成像检查的基本检查协议，
-提供数据结构，在数据结构中状态参数数据集的状态参数的值可以被存储和改变，
-基于基本检查协议、根据状态参数数据集中的状态参数来调整检查协议。
检查协议特别地可以被自动地调整。检查协议特别地可以借助于检查协议调整算法被调整，该检查协议调整算法例如已经使用分类数据而被优化，该分类数据已经由根据本申请中所公开的一个或多个方面的、用于确定分类数据的方法所确定。特别地，首先可以在数据结构中修改状态参数数据集中的状态参数的至少一个值，然后，基于基本检查协议、根据状态参数数据集中的状态参数的至少一个改变值，检查协议可以被调整。
本发明的一个实施例提供：
-显示具有状态参数输入元素的用户界面，
-获取与状态参数有关的用户输入借助于状态参数输入元素，
-基于与状态参数有关的用户输入，改变状态参数的值。
本发明的一个实施例提供：
-用户界面具有基本检查协议输入元素，
-借助于基本检查协议输入元件来获取与基本检查协议有关的用户输入，
-基于与基本检查协议有关的用户输入来选择基本检查协议。
本发明的一个实施例提供：
-用户界面具有检查协议输出元素，
-借助于检查协议输出元素来显示经调整的检查协议的检查协议参数的值和/或基本检查协议的检查协议参数的值。
本发明还涉及一种用于调整医学成像检查的检查协议的数据处理单元，其中该数据处理单元包括以下：
-选择单元，被设计用于选择医学成像检查的基本检查协议，
-数据结构提供单元，被设计用于提供数据结构，在数据结构中状态参数数据集的状态参数的值可以被存储和改变，
-调整单元，被设计用于基于基本检查协议、根据状态参数数据集中的状态参数来调整检查协议。
特别地，数据处理单元可以被设计用于调整检查协议，以执行根据本申请中所公开的一个或多个方面的、用于调整检查协议的方法。可选地，数据处理单元可以具有改变单元，用于调整检查协议，该检查协议被设计用于在数据结构中改变状态参数数据集中的状态参数的至少一个值。
本发明还涉及一种具有计算机程序的计算机程序产品，该计算机程序可以被直接加载到计算机的存储设备中，计算机程序具有程序段，以便当计算机程序在计算机中被执行时，执行根据本申请中所公开的一个或多个方面的方法的所有步骤。
本发明还涉及一种计算机可读介质，其上存储有能够由计算机读入和执行的程序段，以便当程序段由计算机执行时，执行根据本申请所公开的方面之一的方法的所有步骤。
数据结构可以以虚拟患者的形式进行设计，在该数据结构中，状态参数数据集中的状态参数的值可以被存储和改变。因而，可以例如配置虚拟患者，并且特别地，可以检查所输入的这些状态参数的合理性和/或使这些状态参数可视化。因此，临床设置，特别是检查协议调整算法，可以在真实临床病例之外的这样的虚拟患者上来验证和配置。虚拟患者的状态参数可以以图形方式来显示和/或使用医学术语、以简单且易于标识的方式来显示。
特别地，以这种方式，参考患者的状态参数可以对于用户是一致地并且全面地可视化的。此外，由制造商提供的作为默认值的状态参数数据集对应于最常见的患者类型，由此可以以虚拟患者的形式被提供给用户，以供用于选择和/或进一步调整。本发明的解决方案使得：特别是对于用户，例如借助于用户界面来单独地编译状态参数数据集，并且例如使状态参数数据集适应于待检查的患者。
对于特别是以虚拟患者的形式的状态参数数据集的配置，可以借助于用户界面向用户提供状态参数池，然后该状态参数池可以例如通过用户交互来选择和调整。
表示虚拟患者的状态参数数据集还可以基于真实的患者数据来创建。例如，很好地表示经常治疗的患者组的患者的状态参数可以以虚拟患者的形式而被存储在医学成像设备的计算机中。更真实和完整的信息可以以这种方式来提供。然后，对临床设置的改变可以在代表性虚拟患者上被验证。特别地，专门针对特定类型的患者的医院对这类的应用会有兴趣。也可设想其他应用，例如用于对预设置的演示，这是因为以这种方式，复杂的算法可以使用容易想象的虚拟患者来测试和解释。在不会使真实患者本人暴露于增加的风险的情况下，可以尝试和演示可能导致真实患者的风险增加的不正确输入和限制值。
归因于以虚拟患者的形式的状态参数数据集的配置，本发明的解决方案使得能够对非常技术性的参数进行清楚地表示和处理，并且由此对输入数据进行合理性检测。除了对输入数据有更好的理解和更高的标识度之外，由于不正确的输入可以被最小化，因此质量也会提高。另外的优点是：可以通过其通常的个人名字来称呼虚拟患者。这也增强了标识和改善了沟通，因为所讨论的不是技术参数，而是各个虚拟患者。
用于确定分类数据的数据处理单元和/或用于调整检查协议的数据处理单元和/或其一个或多个组件可以由数据处理系统形成。数据处理系统可以具有例如硬件形式的一个或多个组件和/或软件形式的一个或多个组件。
数据处理系统可以例如至少部分地在云计算系统处形成。数据处理系统可以是和/或具有例如云计算系统、计算机网络、计算机、平板计算机、智能手机等或其组合。硬件可以例如与软件协作和/或借助于软件来配置。软件可以例如借助于硬件来执行。硬件可以是例如存储系统、FPGA系统(现场可编程门阵列)、ASIC系统(专用集成电路)、微控制器系统、处理器系统及其组合。处理器系统可以具有例如微处理器和/或多个协作微处理器。
特别地，根据在本申请中所公开的方面之一的、数据处理单元的一个组件被设计用来执行根据在本申请中所公开的方面之一的方法的给定步骤，该组件可以以硬件的形式来实现，该硬件被配置用于执行给定步骤和/或其被配置用于执行计算机可读指令，使得该硬件可以借助于用于执行给定步骤的计算机可读指令来配置。特别地，系统可以具有存储区域，例如以计算机可读介质的形式，其中计算机可读指令例如以计算机程序的形式被存储。
数据可以在数据处理系统的组件之间(例如分别借助于合适的数据传输接口)被传输。用于向数据处理系统的组件和/或从数据处理系统的组件传输数据的数据传输接口可以至少部分地以软件的形式和/或至少部分地以硬件的形式来实现。数据传输接口可以被设计例如用于在存储系统的扇区中存储数据和/或用于从存储系统的扇区加载数据，可以在存储系统的该扇区上访问数据处理系统的一个或多个组件。
特别地，与例如医学图像、检查协议参数、状态参数或分类数据有关的数据可以通过例如从存储系统的扇区加载数据而被提供，和/或例如借助于医学成像设备而被生成。
计算机程序可以被加载到数据处理系统的存储系统中，并由数据处理系统的处理器系统执行。数据处理系统可以被设计用于：例如借助计算机程序，使得当计算机程序由数据处理系统执行时，数据处理系统可以执行根据本申请中所公开的实施例之一的方法的步骤。
计算机程序产品可以是例如计算机程序，或包括除了计算机程序之外的至少一个附加组件。计算机程序产品的至少一个附加组件可以被设计为硬件和/或软件。计算机程序产品可以具有存储介质，其上例如存储有计算机程序产品的至少一些，和/或用于计算机程序产品的用户认证的密钥，特别是以加密狗的形式。
计算机程序产品和/或计算机程序可以具有例如云应用程序，云应用程序被设计用于在云计算系统的各种处理单元，特别是各种计算机之间分配计算机程序的程序段，其中每个处理单元被设计用于执行计算机程序的一个或多个程序段。例如，根据本申请中所公开的实施例之一的计算机程序产品，和/或根据本申请中所公开的实施例之一的计算机程序可以被存储在计算机可读介质上。计算机可读介质可以是例如记忆棒、硬盘或其他数据载体，其特别地可以可拆卸地被连接到数据处理系统或永久地被集成在数据处理系统中。计算机可读介质可以形成例如数据处理系统的存储系统的扇区。
医学成像检查特别地可以是借助于医学成像设备的医学成像检查。医学成像设备可以例如从成像模态组中选择，该成像模态组包括：X射线装置、C形臂X射线装置、计算机断层扫描仪(CT扫描仪)、分子成像扫描仪(MI扫描仪)、单光子发射计算机断层扫描仪(SPECT扫描仪)、正电子发射断层扫描仪(PET扫描仪)、磁共振断层扫描仪(MR扫描仪)及其组合，特别是PET-CT扫描仪和PET-MR扫描仪。医学成像设备还可以具有辐照模态和例如从成像模态组中选择的成像模态的组合。辐照模态可以具有例如用于治疗性辐照的辐照单元。医学成像设备可以具有例如造影剂注射器。
在不限制总体发明思想的情况下，在一些实施例中，计算机断层扫描仪通过示例的方式被引用作为医学成像设备。
根据本发明的一个实施例，医学成像设备具有采集单元，该采集单元被设计用于对采集数据进行采集。特别地，采集单元可以具有辐射源和辐射检测器。本发明的一个实施例提供，辐射源被设计用于发射和/或激发辐射，特别是电磁辐射，和/或辐射检测器被设计用于检测辐射，特别是电磁辐射。辐射可以例如从辐射源传递到待成像的区域和/或在与待成像的区域交互之后传递到辐射检测器。在与待成像的区域的交互期间，辐射被修改，并由此成为与待成像的区域有关的信息的载体。在辐射与检测器的交互期间，该信息以采集数据的形式被采集。
特别是对于计算机断层扫描仪和C形臂X射线装置，采集数据可以是投影数据，采集单元可以是投影数据采集单元，辐射源可以是X射线源，辐射检测器可以是X射线检测器。X射线检测器特别地可以是量子计数和/或能量分辨X射线检测器。
在本发明的上下文中，关于本发明的不同实施例和/或不同的权利要求类别(方法、用途、设备、系统、布置等)来描述的特征可以被组合，以形成本发明的其他实施例。例如，与设备有关的权利要求也可以利用以下特征来开发，这些特征结合方法被描述或要求保护，反之亦然。方法的功能性特征可以通过适当设计的具体组件来实现。除了在本申请中所明确描述的本发明的实施例之外，本发明的各种其他实施例是可设想的，本领域技术人员可以在不脱离本发明范围的情况下实现其他实施例，只要其由权利要求指定。
不定冠词“一”或“一个”的使用并不排除相关特征也多次出现。表达“具有”的使用并不排除借助于表达“具有”链接的术语是相同的。例如，医学成像设备具有医学成像设备。表达“单元”的使用并不排除表达“单元”所指的物品具有多个在空间上彼此分开的组件。在本申请的上下文中，表达“基于”特别地可以被理解为在表达“使用”的含义内。特别地，基于第二特征生成(备选地：确认、确定等)第一特征的表达，不排除基于第三特征生成(备选地：确认、确定等)第一特征。
附图说明
本发明将在下文中使用示例性实施例并参考附图来说明。附图中的图示是示意性的、高度简化的并且不一定按比例绘制。
在附图中：
图1示出了用于确定分类数据的方法的流程图，
图2示出了用于确定分类数据的数据处理单元的示意图示，
图3至图5示出了用于调整检查协议的分类数据的示意图示，
图6示出了用于调整检查协议的方法的流程图，
图7示出了用于调整检查协议的数据处理单元的示意图示，
图8示出了用于调整检查协议的用户界面，以及
图9示出了医学成像设备。
具体实施方式
图1示出了用于确定分类数据的方法的流程图，该分类数据用于基于医学成像检查的基本检查协议、根据医学成像检查的状态参数来调整检查协议，其中该方法包括以下步骤：
-提供PT一组训练数据集，其中每个训练数据集均具有状态参数数据集和与该状态参数数据集相关联的一项调整信息，状态参数数据集具有医学成像检查的状态参数的值，其中该调整信息与基于医学成像检查的基本检查协议来调整检查协议有关，
-基于机器学习算法和该组训练数据集来确定DC分类数据。
图2示出了用于确定分类数据的数据处理单元35-1的示意图，该分类数据用于基于医学成像检查的基本检查协议、根据医学成像检查的状态参数来调整检查协议，该数据处理单元35-1具有：
-训练数据集提供单元PT-U，被设计用于提供PT一组训练数据集，其中每个训练数据集均具有状态参数数据集和与该状态参数数据集相关联的一项调整信息，状态参数数据集具有医学成像检查的状态参数的值，其中该调整信息与基于医学成像检查的基本检查协议来调整检查协议有关，
-分类数据确定单元DC-U，被设计用于基于机器学习算法和该组训练数据集来确定DC分类数据。
图3至图5示出了学习决策树的示例。在此，当在分类数据中所考虑的全部状态参数的仅一个子集可用于查询时，也可以进行决策。然后，对检查协议的特定部分方面的决策可以通过确定单独的分支来支持，在这些分支的节点中仅可用状态参数被查询。
如图3所示的决策树与以下有关：根据患者13的年龄、心率和心率变化选择采集方法。在节点Q31中，建议具有高螺距的螺旋方法，并且查询：患者13与哪个年龄组(成人A31或儿童B31)相关联。如果患者13与年龄组成人A31相关联，则在节点Q32中建议触发序列，并且查询：心率是否超过Y特定阈值，例如每分钟65次心跳，或者不超过N特定阈值。如果心率不超过N特定阈值，则在节点Q33中建议具有高螺距的螺旋方法，并且查询：心率变化是否超过Y特定阈值，例如每分钟7次心跳，或者不超过N特定阈值。如果心率变化超过Y特定阈值，则在节点Q34中建议触发序列。
如图4所示的决策树与以下有关：根据Agatston分数(钙分数)修改辐射照射量。在节点Q41中建议辐射照射量的默认值，并且查询：Agatston分数是否超过Y特定阈值(例如400)，或者不超过N特定阈值。如果Agatston分数超过Y特定阈值，则在节点Q42中建议辐射照射量，其增加到用于辐射照射量的默认值的特定倍数(例如1.5)。
如图5所示的决策树与以下有关：根据平均患者直径调整重建算法。在节点Q51中建议第一内核(例如内核Br40)，并且查询：平均患者直径是否超过Y特定的第一阈值(例如38cm)，或者不超过N特定的第一阈值。在节点Q52中建议第二内核(例如内核Br36)，并且查询：平均患者直径是否超过Y特定的第二阈值，例如50cm，或者不超过N特定的第二阈值。在节点Q53中建议第三内核(例如内核Br32)。
图6示出了用于调整医学成像检查的检查协议的方法的流程图，其中该方法包括以下步骤：
-选择SB医学成像检查的基本检查协议，
-提供PD数据结构，在数据结构中状态参数数据集的状态参数值可以被存储和改变，
-改变CV数据结构中的状态参数集的状态参数的至少一个值，
-基于基本检查协议、根据状态参数数据集中的状态参数来调整AP检查协议。
图7示出了用于调整医学成像检查的检查协议的数据处理单元的示意图示，该数据处理单元具有：
-选择单元SB-U，被设计用于选择SB医学成像检查的基本检查协议，
-数据结构提供单元PD-U，被设计用于提供PD数据结构，在数据结构中，状态参数数据集的状态参数值可以被存储和改变，
-调整单元AP-U，被设计用于基于基本检查协议、根据状态参数数据集中的状态参数来调整AP检查协议。
图8示出了用于调整检查协议的用户界面UI。用户界面UI具有用于选择基本检查协议的、下拉列表形式的基本检查协议输入元素V1。标签L1“造影剂方案”与基本检查协议输入元素V1相关联，并且这指向基本检查协议输入元件V1的功能。
用户界面UI在状态参数输入区域SP中具有以下状态参数输入元素：患者的性别：按钮V21为男性，V22为女性；患者体重：文字输入字段V3；患者的年龄组：例如按钮V41为18-30岁，V42为30-65岁，V43为65岁以上；肾功能效率：按键V51为正常，V52为降低，V53为严重损坏。标签L2“性别”、L3“体重”、L4“年龄”和L5“肾功能效率”分别与状态参数输入元素相关联，并且这些标签指向对应的状态参数输入元素的功能。另外，状态参数输入元素本身可以各自具有更详细地描述其值的标签，该值可以利用状态参数输入元素来输入。
用户界面UI在检查协议输出区域PP中、具有文本显示字段形式的以下检查协议输出元素，其分别与造影剂参数有关：PV1为造影剂名称：Ultravist、PV2为碘浓度(mg/ml)：370、PV3为流量(ml/s)：3.3、PV4为体积(ml)：80、PV5为持续时间(s)：24、PV6为造影剂比例(百分比)：100。标签PL1“造影剂名称”、PL2“碘浓度(mg/ml)”、PL3“流量(ml/s)”、PL4“体积(ml)”、PL5“持续时间(秒)”、PL6“造影剂比例(％)”分别与检查协议输出元素相关联，并且这些标签指向对应的检查协议输出元素的功能。
另外，用户界面UI具有文本显示字段形式的检查协议输出元素PV30和PV40，其中PV30根据基本检查协议来显示以ml/s为单位的流量值，并且PV40根据基本检查协议来显示以s为单位的体积值。检查协议输出元素还可以被提供，其中检查协议参数的值相对于基本检查协议的相对或绝对改变而被显示。
在不限制总体发明思想的情况下，造影剂参数通过示例的方式被示出作为检查协议参数。作为造影剂参数的备选或附加，还可以调整其他检查协议参数，例如采集参数和/或重建参数。
例如，所选择的虚拟患者的化身可以在图像显示区域13A中被示出。使用按钮DS，根据未被改变的状态参数数据集的默认值可以针对所选择的虚拟患者而被加载。使用按钮SIM，可以基于当前状态参数和所选择的基本检查协议而开始确定用于检查协议参数的值。还可以被提供的是，检查协议参数根据经改变的状态参数被实时更新。
在不限制总体发明思想的情况下，计算机断层摄影扫描仪通过示例的方式被示出以用于医学成像设备1。医学成像设备1具有机架20、隧道状开口9、患者支撑设备10和控制设备30。机架20具有固定支撑框架21、倾斜框架22和转子24。倾斜框架22借助于倾斜轴承设备被布置在固定支撑框架21上，以便可相对于固定支撑框架21、围绕倾斜轴线倾斜。转子24借助于枢转轴承设备被布置在倾斜框架22上，以便可相对于倾斜框架22、围绕旋转轴线旋转。
患者13可以被引入隧道状开口9中。采集区域4位于隧道状开口9中。患者13的待成像区域可以位于采集区域4中，使得辐射27可以从辐射源26传递到待成像的区域，并且在与待成像的区域交互之后，传递到辐射检测器28。患者支撑设备10具有用于支撑患者13的支撑基座11和支撑面板12。支撑面板12被布置在支撑基座11上，以便可相对于支撑基座11移动，使得支撑面板12可以沿支撑面板12的纵向方向，特别是沿系统轴线AR被引入到采集区域4中。
医学成像设备1被设计用于：基于电磁辐射27来进行采集数据的采集。医学成像设备1具有采集单元。采集单元是具有辐射源26(例如X射线源)和检测器28(例如X射线检测器，特别是能量分辨X射线检测器)的投影数据采集单元。辐射源26被布置在转子24上，并且被设计用于：利用辐射量子27来发射辐射27，例如X射线辐射。检测器28被布置在转子24上，并且被设计用于检测辐射量子27。辐射量子27可以从辐射源26传递到患者13的待成像区域，并且在与待成像的区域交互之后，撞击检测器28。以这种方式，待成像的区域的采集数据可以借助于采集单元、以投影数据的形式被采集。
控制设备30被设计用于接收由采集单元采集的采集数据。控制设备30被设计用于控制医学成像设备1。控制设备30具有数据处理单元35、计算机可读介质32和处理器系统36。控制设备30，特别是数据处理单元35，由具有计算机的数据处理系统形成。数据处理单元35可以是用于确定分类数据的数据处理单元35-1和/或用于调整检查协议的数据处理单元35-2。控制设备30具有图像重建设备34。医学图像数据集可以借助于图像重建设备34、基于采集数据来重建。
医学成像设备1具有输入设备38和输出设备39，它们分别被连接到控制设备30。输入设备38被设计用于输入控制信息，例如图像重建参数、检查参数等。输出设备39特别地被设计用于输出控制信息、图像和/或声信号。输出设备39特别地可以是屏幕，利用该屏幕可以显示用户界面UI。

Claims (15)

1.一种用于确定分类数据的方法，所述分类数据用于基于医学成像检查的基本检查协议、根据所述医学成像检查的多个状态参数来调整检查协议，其中所述方法包括以下步骤：
-提供(PT)一组训练数据集，其中每个训练数据集均具有一个状态参数数据集和与所述状态参数数据集相关联的一项调整信息，所述状态参数数据集具有所述医学成像检查的所述多个状态参数的值，其中所述调整信息与所述检查协议基于所述医学成像检查的所述基本检查协议的调整有关，
-基于机器学习算法和所述一组训练数据集来确定(DC)所述分类数据。
2.根据权利要求1所述的方法，
-其中所述分类数据形成一个决策树，和/或
-其中所述机器学习算法是基于递归划分的。
3.根据权利要求1至2中的任一项所述的方法，
-其中所述检查协议具有至少一个检查协议参数，所述至少一个检查协议参数从如下组中被选择，所述组包括一个采集参数、一个重建参数、一个造影剂参数及其组合。
4.根据权利要求1至3中的任一项所述的方法，
-其中所述医学成像检查的所述多个状态参数是多个患者参数和/或多个检查参数。
5.一种用于确定分类数据的数据处理单元(35-1)，所述分类数据用于基于医学成像检查的基本检查协议、根据所述医学成像检查的多个状态参数来调整检查协议，所述数据处理单元(35-1)具有：
–一个训练数据集提供单元(PT-U)，被设计用于提供(PT)一组训练数据集，其中每个训练数据集均具有一个状态参数数据集和与所述状态参数数据集相关联的一项调整信息，所述状态参数数据集具有所述医学成像检查的所述多个状态参数的值，其中所述调整信息与所述检查协议基于所述医学成像检查的所述基本检查协议的调整有关，
-一个分类数据确定单元(DC-U)，被设计用于基于机器学习算法和所述一组训练数据集来确定(DC)所述分类数据。
6.分类数据用于优化检查协议调整算法的用途，所述分类数据根据权利要求1至4中的任一项所述的方法已被确定，所述检查协议调整算法被设计用于：基于医学成像检查的基本检查协议、根据所述医学成像检查的多个状态参数来调整检查协议。
7.分类数据用于优化基本检查协议数据库的用途，所述分类数据根据权利要求1至4中的任一项所述的方法已被确定，所述基本检查协议数据库具有多个基本检查协议，
-其中基于所述分类数据，在所述基本检查协议数据库中，至少一个另外的基本检查协议被确定用于扫描，和/或
-其中所述多个基本检查协议中的所述基本检查协议基于所述分类数据被分类。
8.一种用于调整医学成像检查的检查协议的方法，其中所述方法包括以下步骤：
-选择(SB)所述医学成像检查的一个基本检查协议，
-提供(PD)一个数据结构，在所述数据结构中一个状态参数数据集的多个状态参数的值能够被存储和改变，
-基于所述基本检查协议、根据所述状态参数数据集的所述多个状态参数来调整(AP)检查协议。
9.根据权利要求8所述的方法，
-其中对所述检查协议的所述调整(AP)借助于检查协议调整算法来进行，所述检查协议调整算法已经使用分类数据来优化，所述分类数据已经根据权利要求1至4中的任一项所述的方法所确定。
10.根据权利要求8至9中的任一项所述的方法，
-其中一个用户界面(UI)被显示，所述用户界面具有一个状态参数输入元素，
-其中与所述状态参数有关的用户输入借助于所述状态参数输入元素来获取，
-其中所述状态参数的所述值基于所述用户输入而被改变，所述用户输入与所述状态参数有关。
11.根据权利要求8至10中的任一项所述的方法，
-其中所述用户界面(UI)具有一个基本检查协议输入元素(V1)，
-其中与所述基本检查协议有关的用户输入借助于所述基本检查协议输入元素(V1)来获取，
-其中所述基本检查协议基于所述用户输入而被选择，所述用户输入与所述基本检查协议有关。
12.根据权利要求8至11中的任一项所述的方法，
-其中所述用户界面(UI)具有一个检查协议输出元素，
-其中经调整的所述检查协议的一个检查协议参数的一个值和/或所述基本检查协议的所述检查协议参数的一个值借助于所述检查协议输出元素而被显示。
13.一种用于调整医学成像检查的检查协议的数据处理单元，其中所述数据处理单元包括：
-选择单元(SB-U)，被设计用于选择(SB)所述医学成像检查的一个基本检查协议，
-数据结构提供单元(PD-U)，被设计用于提供(PD)一个数据结构，在所述数据结构中一个状态参数数据集的多个状态参数的值能够被存储和改变，
-调整单元(AP-U)，被设计用于基于所述基本检查协议、根据所述状态参数数据集的多个状态参数来调整(AP)检查协议。
14.一种具有计算机程序的计算机程序产品，所述计算机程序能够被直接加载到计算机(30)的存储设备中，所述计算机程序具有程序段，以便于当所述计算机程序在所述计算机(30)中被执行时，执行根据权利要求1至4中的任一项或者根据权利要求8至12中的任一项所述的方法的全部步骤。
15.一种计算机可读介质(32)，其上存储有能够由计算机(30)读入和执行的程序段，以便当所述程序段由所述计算机(30)执行时，执行根据权利要求1至4中的任一项或者根据权利要求8至12中的任一项所述的方法的全部步骤。
CN201811033018.6A 2017-09-07 2018-09-05 确定用于调整检查协议的分类数据的方法和数据处理单元 Pending CN109464199A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017215829.8A DE102017215829A1 (de) 2017-09-07 2017-09-07 Verfahren und Datenverarbeitungseinheit zum Ermitteln von Klassifikationsdaten für eine Adaption eines Untersuchungsprotokolls
DE102017215829.8 2017-09-07

Publications (1)

Publication Number Publication Date
CN109464199A true CN109464199A (zh) 2019-03-15

Family

ID=64279298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811033018.6A Pending CN109464199A (zh) 2017-09-07 2018-09-05 确定用于调整检查协议的分类数据的方法和数据处理单元

Country Status (3)

Country Link
US (1) US20190074083A1 (zh)
CN (1) CN109464199A (zh)
DE (1) DE102017215829A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018215034A1 (de) 2018-09-04 2020-03-05 Siemens Healthcare Gmbh Medizinischer Bilddatensatz für eine Radiotherapieplanung
EP3828578A1 (de) * 2019-11-28 2021-06-02 Siemens Healthcare GmbH Verfahren zur einstellung einer mrt-sequenz
EP3889969A1 (en) * 2020-04-02 2021-10-06 Koninklijke Philips N.V. Medical imaging system
WO2023097009A1 (en) * 2021-11-25 2023-06-01 GE Precision Healthcare LLC Network settings management for imaging protocols
CN114500688B (zh) * 2022-01-28 2023-12-05 厦门科灿信息技术有限公司 设备协议识别的方法、装置、终端及存储介质

Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1535433A (zh) * 2001-07-04 2004-10-06 库吉萨姆媒介公司 基于分类的可扩展交互式文档检索系统
US20050020903A1 (en) * 2003-06-25 2005-01-27 Sriram Krishnan Systems and methods for automated diagnosis and decision support for heart related diseases and conditions
US20070161871A1 (en) * 2005-11-22 2007-07-12 Sultan Haider Medical diagnostic apparatus and method for the operation thereof
US20100040268A1 (en) * 2008-08-12 2010-02-18 Dieter Boeing Method and control device to control a slice image acquisition system
US20110179059A1 (en) * 2010-01-20 2011-07-21 Siemens Product Lifecycle Management Software Inc. System and Method for Data Retrieval
US20110185130A1 (en) * 2010-01-25 2011-07-28 Hitachi, Ltd. Computer system and storage consolidation management method
US20120014499A1 (en) * 2010-07-16 2012-01-19 Siemens Aktiengesellschaft CT System
US20120143037A1 (en) * 2009-04-07 2012-06-07 Kayvan Najarian Accurate Pelvic Fracture Detection for X-Ray and CT Images
US20120190962A1 (en) * 2011-01-20 2012-07-26 Karlheinz Glaser-Seidnitzer Method for computer-assisted configuration of a medical imaging device
US20120189180A1 (en) * 2008-09-29 2012-07-26 General Electric Company Systems and Methods for Machine Learning Based Hanging Protocols
CN103150195A (zh) * 2011-12-07 2013-06-12 西门子公司 将以自动化语言表示的控制程序翻译为中间语言的方法
US20150036685A1 (en) * 2013-07-30 2015-02-05 Cisco Technology, Inc. Multicast label distribution protocol over a remote loop-free alternative
US20150085971A1 (en) * 2013-09-25 2015-03-26 Siemens Aktiengesellschaft Method and system for the automatic selection of a scanning protocol
CN104751431A (zh) * 2013-12-31 2015-07-01 西门子医疗保健诊断公司 一种基于图像处理的方法和装置
CN105308558A (zh) * 2012-12-10 2016-02-03 维迪特克公司 基于规则的数据处理系统和方法
CN105393252A (zh) * 2013-04-18 2016-03-09 数字标记公司 生理数据采集和分析
CN106156078A (zh) * 2015-03-31 2016-11-23 西门子公司 数据分析方法与装置
CN106462801A (zh) * 2014-10-07 2017-02-22 谷歌公司 在分区训练数据上训练神经网络
US9615804B2 (en) * 2011-06-29 2017-04-11 Siemens Aktiengesellschaft Method for image generation and image evaluation
CN106725476A (zh) * 2016-11-24 2017-05-31 太原理工大学 基于卷积神经网络的多发性硬化病灶检测及分类方法
CN106846210A (zh) * 2017-03-11 2017-06-13 广东省中医院 一种基于患者诊疗信息的病友推荐系统
CN106933954A (zh) * 2017-01-22 2017-07-07 四川用联信息技术有限公司 基于决策树分类算法实现搜索引擎优化技术
CN106992965A (zh) * 2017-02-27 2017-07-28 南京邮电大学 一种基于网络行为的木马检测方法
CN106997574A (zh) * 2017-02-15 2017-08-01 王梅 一种基于云服务的健康数据互动方法和系统
CN107072739A (zh) * 2014-08-01 2017-08-18 史密夫和内修有限公司 提供用于手术程序的植入物
CN107092771A (zh) * 2016-02-17 2017-08-25 西门子保健有限责任公司 采用定期数据整合的个性化模型
CN107106020A (zh) * 2014-10-29 2017-08-29 组织分析股份有限公司 用于分析并且传输与哺乳动物皮损病有关的数据、图像和视频的系统与方法
US20170344701A1 (en) * 2016-05-24 2017-11-30 Siemens Healthcare Gmbh Imaging method for carrying out a medical examination
US20180038930A1 (en) * 2016-08-08 2018-02-08 Siemens Healthcare Gmbh Method and apparatus for setting and/or adjusting a parameter value of a parameter of a magnetic resonance protocol for a magnetic resonance sequence

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014226824A1 (de) * 2014-12-22 2016-06-23 Siemens Aktiengesellschaft Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem

Patent Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1535433A (zh) * 2001-07-04 2004-10-06 库吉萨姆媒介公司 基于分类的可扩展交互式文档检索系统
US20050020903A1 (en) * 2003-06-25 2005-01-27 Sriram Krishnan Systems and methods for automated diagnosis and decision support for heart related diseases and conditions
US20070161871A1 (en) * 2005-11-22 2007-07-12 Sultan Haider Medical diagnostic apparatus and method for the operation thereof
US20100040268A1 (en) * 2008-08-12 2010-02-18 Dieter Boeing Method and control device to control a slice image acquisition system
US20120189180A1 (en) * 2008-09-29 2012-07-26 General Electric Company Systems and Methods for Machine Learning Based Hanging Protocols
US20120143037A1 (en) * 2009-04-07 2012-06-07 Kayvan Najarian Accurate Pelvic Fracture Detection for X-Ray and CT Images
US20110179059A1 (en) * 2010-01-20 2011-07-21 Siemens Product Lifecycle Management Software Inc. System and Method for Data Retrieval
US20110185130A1 (en) * 2010-01-25 2011-07-28 Hitachi, Ltd. Computer system and storage consolidation management method
US20120014499A1 (en) * 2010-07-16 2012-01-19 Siemens Aktiengesellschaft CT System
US20120190962A1 (en) * 2011-01-20 2012-07-26 Karlheinz Glaser-Seidnitzer Method for computer-assisted configuration of a medical imaging device
US9615804B2 (en) * 2011-06-29 2017-04-11 Siemens Aktiengesellschaft Method for image generation and image evaluation
CN103150195A (zh) * 2011-12-07 2013-06-12 西门子公司 将以自动化语言表示的控制程序翻译为中间语言的方法
CN105308558A (zh) * 2012-12-10 2016-02-03 维迪特克公司 基于规则的数据处理系统和方法
CN105393252A (zh) * 2013-04-18 2016-03-09 数字标记公司 生理数据采集和分析
US20150036685A1 (en) * 2013-07-30 2015-02-05 Cisco Technology, Inc. Multicast label distribution protocol over a remote loop-free alternative
US20150085971A1 (en) * 2013-09-25 2015-03-26 Siemens Aktiengesellschaft Method and system for the automatic selection of a scanning protocol
CN104751431A (zh) * 2013-12-31 2015-07-01 西门子医疗保健诊断公司 一种基于图像处理的方法和装置
CN107072739A (zh) * 2014-08-01 2017-08-18 史密夫和内修有限公司 提供用于手术程序的植入物
CN106462801A (zh) * 2014-10-07 2017-02-22 谷歌公司 在分区训练数据上训练神经网络
CN107106020A (zh) * 2014-10-29 2017-08-29 组织分析股份有限公司 用于分析并且传输与哺乳动物皮损病有关的数据、图像和视频的系统与方法
CN106156078A (zh) * 2015-03-31 2016-11-23 西门子公司 数据分析方法与装置
CN107092771A (zh) * 2016-02-17 2017-08-25 西门子保健有限责任公司 采用定期数据整合的个性化模型
US20170344701A1 (en) * 2016-05-24 2017-11-30 Siemens Healthcare Gmbh Imaging method for carrying out a medical examination
US20180038930A1 (en) * 2016-08-08 2018-02-08 Siemens Healthcare Gmbh Method and apparatus for setting and/or adjusting a parameter value of a parameter of a magnetic resonance protocol for a magnetic resonance sequence
CN106725476A (zh) * 2016-11-24 2017-05-31 太原理工大学 基于卷积神经网络的多发性硬化病灶检测及分类方法
CN106933954A (zh) * 2017-01-22 2017-07-07 四川用联信息技术有限公司 基于决策树分类算法实现搜索引擎优化技术
CN106997574A (zh) * 2017-02-15 2017-08-01 王梅 一种基于云服务的健康数据互动方法和系统
CN106992965A (zh) * 2017-02-27 2017-07-28 南京邮电大学 一种基于网络行为的木马检测方法
CN106846210A (zh) * 2017-03-11 2017-06-13 广东省中医院 一种基于患者诊疗信息的病友推荐系统

Also Published As

Publication number Publication date
DE102017215829A1 (de) 2018-12-06
US20190074083A1 (en) 2019-03-07

Similar Documents

Publication Publication Date Title
CN109464199A (zh) 确定用于调整检查协议的分类数据的方法和数据处理单元
US10614597B2 (en) Method and data processing unit for optimizing an image reconstruction algorithm
AU2019449137B2 (en) sCT image generation using cyclegan with deformable layers
Hamerla et al. Comparison of machine learning classifiers for differentiation of grade 1 from higher gradings in meningioma: A multicenter radiomics study
US20200294288A1 (en) Systems and methods of computed tomography image reconstruction
RU2541126C2 (ru) Визуализация перфузии
EP3338636B1 (en) An apparatus and associated method for imaging
CN108537774B (zh) 用于检查医学图像的方法以及用于调整检查协议的方法
JP2015510157A (ja) 受領者に対して最適化された医用撮像再構成
US10754665B2 (en) Method for configuring a medical imaging device, system for configuring a medical imaging device, computer program product and computer readable medium
CN108352058A (zh) 针对低剂量和/或高分辨率pet成像的数据和扫描器规格指导的智能滤波
JP2022545440A (ja) 深層学習を用いた正確且つ迅速な陽電子放出断層撮影のためのシステム及び方法
US20220198655A1 (en) Computer-implemented method for operating a medical imaging device, imaging device, computer program and electronically readable data medium
CN108538368B (zh) 用于选择针对医学成像检查的协议的方法和数据处理单元
US9947117B2 (en) Reconstruction of a resultant image taking account of contour significance data
US10430947B2 (en) Correspondence probability map driven visualization
KR102628041B1 (ko) 단층 영상 처리 장치, 방법, 및 컴퓨터 프로그램 제품
US20220399107A1 (en) Automated protocoling in medical imaging systems
US11901074B2 (en) Medical information processing apparatus, medical information processing method, and non-transitory computer-readable storage medium storing program
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
EP3696819A1 (en) Calculation of diagnostic similarity between different mr protocols
US20190311503A1 (en) Apparatus and method for generating tomography image
EP4202955A1 (en) A system and method for processing medical images
CN108039202A (zh) 一种校正表的升级方法、医学图像重建方法及系统
Simoni et al. 3D Vessel Segmentation in CT for Augmented and Virtual Reality

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190315