CN109817304A - 针对放射学发现物传送现场护理警报的系统和方法 - Google Patents

Abstract

公开了针对放射学发现物传送护理现场警报的装置、系统和方法。示例成像装置包括图像数据存储、图像质量检查器、以及训练学习网络。示例图像数据存储存储使用成像装置采集到的图像数据。示例图像质量检查器与图像质量测量相对比地来评估来自图像数据存储的图像数据。示例训练的学习网络对图像数据进行处理，以在图像数据中识别临床发现物，该临床发现物的识别在成像装置处触发通知，以关于临床发现物通知医疗保健从业者并提示相对于与图像数据相关联的患者的响应动作。

Description

针对放射学发现物传送现场护理警报的系统和方法

技术领域

本公开文本总的来说涉及改进的医疗系统，并且更具体地涉及用于医疗图像处理的改进的学习系统和方法。

背景技术

各种经济上的、操作上的、技术上的以及管理上的障碍挑战着医疗保健设施(诸如医院、诊所、医生办公室、成像中心、远程放射学等)向患者提供优质护理。经济驱动力、不太熟练的工作人员、较少的工作人员、复杂的设备、以及新兴的用于对跨医疗保健企业的辐射照射剂量使用进行控制和标准化的认证为用于患者的检查、诊断、以及治疗的成像和信息系统的有效管理和使用制造了困难。

医疗保健提供者的合并创建了地理上分布的医院网络，在该医院网络中，与系统的物理接触太昂贵了。与此同时，咨询医师想要对报告中的支持性数据有更直接的访问，也想要更好的协作渠道。医师具有较多的患者、较少的时间、且被大量的数据淹没，并且他们渴望协助。

医疗保健提供者(例如，X射线技师、医生、护士等)的任务(包括图像处理和分析、质量确保/质量控制等)是耗费时间且资源密集型的任务，这些任务即便有可能由人类单独完成，也是不切实际的。

发明内容

某些示例提供了改进成像质量控制、图像处理、图像数据中的发现物的识别、以及在患者的护理现场或附近生成通知的的装置、系统、和方法。

某些示例提供了包括成像数据存储、图像质量检验器、以及训练的学习网络的成像装置。示例图像数据存储存储使用成像装置采集到的图像数据。示例图像质量检验器对来自图像数据存储的图像数据与图像质量测量作比较地来进行评估。示例经训练的学习网络对图像数据进行处理，以便在图像数据中识别临床发现物，临床发现物的识别触发成像装置处的通知，以便关于该临床发现物通知医疗保健从业者并提示相对于与图像数据相关联的患者的响应动作。

某些示例提供了成像装置中的计算机可读存储介质，该计算机可读存储介质包括指令，该指令当被执行时使成像装置中的处理器至少实现图像数据存储，以存储使用成像装置采集的图像数据。示例指令当被执行时使处理器实现图像质量检验器，以对来自图像数据存储的图像数据与图像质量测量作比较地来进行评估。示例指令当被执行时使处理器实现/执行经训练的学习网络，以对图像数据进行处理，以在图像数据中识别临床发现物，临床发现物的识别触发成像装置处的通知，以便关于该临床发现物通知医疗保健从业者并提示相对于与图像数据相关联的患者的响应动作。

某些示例提供了计算机实现的方法，该计算机实现的方法包括：在移动成像装置处，与图像质量测量作比较地来对使用图像装置采集到的图像数据进行评估。示例方法包括：当图像数据满足图像质量测量时，经由学习网络来处理图像数据，以便在图像数据中识别临床发现物。示例方法包括基于临床发现物的识别来在成像装置处触发警报，以便关于所述临床发现物通知医疗保健从业者并提示相对于与所述图像数据相关联的患者的响应动作。

附图说明

图1A-图1B示出示例的成像系统，本文中公开的方法、装置和制品可应用于该示例的成像系统。

图2示出示例的移动成像系统。

图3表示示例的学习神经网络。

图4示出示例神经网络作为卷积神经网络的特定实现。

图5表示图像分析卷积神经网络的示例实现。

图6A示出将学习网络应用于处理和/或以其他方式评估图像的示例配置。

图6B示出多个学习网络的组合。

图7示出学习网络的示例训练和部署阶段。

图8示出借助于经训练的网络包来提供深度学习产品供应的示例产品。

图9A-图9C示出各种深度学习设备配置。

图10示出示例图像处理系统或装置。

图11-图12示出根据图1-图10的系统和/或装置的用于呈现在护理现场的发现物的自动化处理和图像分析的示例方法的流程图。

图13-图24示出根据与图1-图12相结合在以上描述的装置、系统、和方法来提供输出和促进交互的示例显示器。

图25是构造为执行示例机器可读指令以便实现本文中公开和描述的部件的处理器平台的框图。

当结合附图阅读时，将更好地理解前述发明内容以及本发明的某些实施例的以下详细描述。为了说明本发明的目的，在附图中示出某些实施例。然而，应当理解的是，本发明不限于附图中所示的安排和手段。所述附图并非成比例。在任何可能的情况下，贯穿附图和所附书写的说明书将使用相同的附图标记来指代相同或相似的部分。

具体实施方式

在以下详细说明中，参考了附图，这些附图形成详细说明的一部分，并且其中通过图解的方式示出可以实践的具体示例。这些示例得到足够详细的描述以便使得本领域技术人员能够实践主题，并且应当理解的是，可以利用其他示例并且可以在不脱离本公开文本的主题的范围的情况下做出逻辑的、机械的、电的和其他的改变。因此，以下详细说明被提供来描述示例性实现方式，并且并非被看作是对在本公开文本中所描述的主题的范围的限制。可以将来自以下描述的不同方面的某些特征进行组合，以形成以下所讨论的主题的另一些新的方面。

当介绍本公开文本的各种实施例的元素时，冠词“一(a)”、“一个”、“该”和“所述”意在表示存在一个或多个元素。术语“包含”、“包括”和“具有”意在是包容性的，并且意味着除了所列元素之外可以存在附加的元素。

尽管以下在医疗系统或医疗保健系统的情境中对某些示例进行了描述，但可在医疗环境之外实现其他示例。例如，可将某些示例应用于非医疗成像(诸如非破坏性测试、爆炸物检测等等)。

I.概览

成像设备(例如，伽玛射线相机、正电子发射断层扫描(PET)扫描仪、计算机断层扫描(CT)扫描仪、X射线机、荧光透视机、磁共振(MR)成像机、超声扫描仪等等)生成表示身体部位(例如，器官、组织等等)的医疗图像(例如，原始医学数字成像和通信(DICOM)图像)以诊断和/或治疗疾病。医疗图像可以包括体积数据，该体积数据包括与医疗图像中捕捉到的身体部位相关联的体元。医疗图像可视化软件允许临床医生在医疗图像的各种位置上分割、注释、测量和/或报告功能特征或解剖特征。在一些示例中，临床医生可以利用医疗图像可视化软件来识别医疗图像的感兴趣的区域。

医疗图像数据的采集、处理、质量控制、分析和存储在医疗保健环境中对患者的诊断和治疗起着重要作用。医疗成像工作流程和该流程中所涉及的设备可贯穿该医疗成像工作流程和设备的操作进行配置、监测以及更新。机器和/或深度学习可用于协助配置、监测以及更新医疗成像工作流程和设备。

某些示例提供和/或促进改进的成像设备，该成像设备改进了诊断准确度和/或覆盖面。某些示例促进了改进的图像重构以及进一步的处理，以便提供改进的诊断准确度。

机器学习技术(不管是深度学习网络还是其他经验性/观察性学习系统)可用于比如对图像中的对象进行定位、理解语音并将语音转换成文本、以及改善搜索引擎结果的相关性。深度学习是使用深度图(该深度图具有包括线性变换和非线性变换的多个处理层)的机器学习的子集，其使用一组算法对数据中的高级抽象进行建模。虽然许多机器学习系统被植入初始特征和/或网络权重，该初始特征和/或网络权重将在该机器学习网络的学习和更新中被修改，但深度学习网络对其自身进行训练来识别“好的”特征以用于分析。使用多层架构，采用深度学习技术的机器相比于使用传统机器学习技术的机器能够更好地处理原始数据。使用评估或抽象的不同的层来促进对高度相关值或区别主题的群组的数据进行检查。

贯穿说明书和权利要求书，以下术语采用本文中明确相关联的含义，除非上下文清楚地另作规定。术语“深度学习”是利用多个数据处理层来识别数据集中的各种结构并且以高精确度对数据集进行分类的机器学习技术。深度学习网络可以是基于多个输出和输入来学习模式的训练网络(例如，训练网络模型或设备)。深度学习网络可以是从训练网络生成并且响应于输入来提供输出的经部署的网络(例如，经部署的网络模型或设备)。

术语“监督学习”是一种深度学习训练方法，在该深度学习训练方法中，向机器提供来自人类源的已经分类的数据。术语“无监督学习”是一种深度学习训练方法，在该深度学习训练方法中，不向机器给予已经分类的数据，但使机器用于异常检测的。术语“半监督学习”是一种深度学习训练方法，在该深度学习训练方法中，向机器提供与较大量的机器可用的未经分类的数据相比而言少量的来自人类源的已经分类的数据。

术语“表征学习”是用于将原始数据变换成可在机器学习任务中利用的表征或特征的一种领域的方法。在监督学习中，经由被标记的输入来学习特征。

术语“卷积神经网络”或“CNN”是深度学习(该深度学习用于检测、分割和识别数据集中的相关的对象和区域)中所使用的互连数据的生物性启发的网络。CNN对形式为多个阵列的原始数据进行评估，将数据分解成一系列阶段，检查经学习的特征的数据。

术语“迁移学习”是机器存储信息的过程，该信息在恰当地或不恰当地解决一个问题以便解决具有与第一个问题相同或相似性质的另一个问题中被使用。迁移学习也可以被称作“归纳学习”。例如，迁移学习能利用来自之前的任务的数据。

术语“主动学习”是一种机器学习的过程，在该机器学习的过程中，机器选择一组示例以用于接收训练数据，而不是被动地接收由外部实体选择的示例。例如，当机器进行学习时，可允许机器选择被该机器确定为对于学习而言将是最有帮助的示例，而不是仅依赖外部人类专家或外部系统来识别和提供示例。

术语“计算机辅助检测”或“计算机辅助诊断”是指为了提出可能的诊断的目的来对医疗图像进行分析的计算机。

某些示例使用神经网络和/或其他机器学习来实现用于图像和相关联患者分析的新的工作流程，包括基于放射学发现物生成警告，该警告可以在放射检查的护理现场生成和传送。某些示例使用人工智能(AI)算法来立即(例如，以一定的数据处理、传输和/或存储/检索延时)处理放射检查(例如，图像或一组图像)，并且基于护理现场的自动化的检查分析来提供警告。警告和/或其他通知可在可视显示器上被看见，可由传感器来表现(例如，灯光、颜色等)，可以是可听见的响声/音调，和/或可作为消息被发送(例如，短消息服务(SMS)、健康等级7(Health Level 7，HL7)、DICOM标题标签、电话呼叫等等)。警告可以旨在针对获取检查的技师、临床团队提供者(例如，护士、医生等等)、放射科医生、行政部门、经营、和/或甚至患者。例如，警告可以指示特定的质量控制或多个质量控制和/或在检查图像数据中有或没有(一个或多个)放射学发现物。

在某些示例中，AI算法可以(1)嵌入在放射系统内，(2)运行于移动设备(例如，平板电脑、智能手机、膝上型电脑、其他手持或移动计算设备等等)上，和/或(3)运行于云端中(例如，机房内或机房外)并且经由网页浏览器来传送警告(例如，这可以出现在放射系统、移动设备、计算机等上)。这样的配置可以是供应商中立的并且可与传统成像系统相兼容。例如，如果AI处理器正在移动设备上和/或在“云端”中运行，则该配置可以如下方式来接收图像：(A)直接从X射线和/或其他成像系统(例如，创建为二次推送目的地，诸如医学数字成像和通信(DICOM)节点等等)中；(B)通过接入冗余图像存取的图像编档和通信系统(PAC)目的地；(C)经由嗅探器方法通过检索图像数据(例如，一旦生成DICOM图像，则将该DICOM图像拉出系统)等等。

深度学习以及其他机器学习

深度学习是采用表征学习方法的一类机器学习技术，其允许将原始数据给予机器并确定数据分类所需的表征。深度学习使用用于改变深度学习机器的内部参数(例如，节点权重)的反向传播算法来确认数据集中的结构。深度学习机器可利用各种多层架构和算法。尽管机器学习例如涉及要在训练网络中使用的特征的识别，但深度学习却在没有外部识别的情况下处理原始数据来识别感兴趣的特征。

神经网络环境中的深度学习包括被称作神经元的大量互连节点。从外部源激活的输入神经元基于由机器参数所支配的其他神经元的连接来激活那些其他神经元。神经网络基于其自己的参数以某一方式运作。学习改善了机器参数并且引申开来改善了网络中的神经元之间的连接，使得神经网络以所期望的方式运作。

利用卷积神经网络的深度学习使用卷积滤波器来划分数据，以便定位和识别数据中学习到的、可观察的特征。CNN架构的每个滤波器或层变换输入数据以便提高数据的选择性和不变性。该数据的抽象允许机器关注数据中其试图分类和忽略不相关背景信息的特征。

深度学习在许多数据集包括含有低级特征的高级特征的理解上进行操作。当例如检查图像而不是寻找对象时，寻找形成基本图案(该基本图案形成部位，该部位形成被寻找的对象)的边缘是更有效的。可在许多不同形式的数据(诸如语音和文本等等)中找到特征的这些层次结构。

学习到的可观察的特征包括监督学习期间机器所学习的对象以及可量化的规律。较好的是配备被提供有经良好分类的大数据集的机器，以便对新数据的成功分类相关的特征进行区分和提取。

利用迁移学习的深度学习机器可以恰当地将数据特征连接至由人类专家确认的某些分类。相反地，相同的机器能够在人类专家通知有不正确分类时更新用于分类的参数。例如，可由设置和/或其他配置信息的学习使用来指导设置和/或其他配置信息，并且，当使用系统更多(例如，重复地和/或由多个用户使用)时，对于给定的情形，可降低设置和/或其他配置信息的变化和/或其他可能性的次数。

例如，示例深度学习神经网络可在经专家分类的数据集上进行训练，并可对该示例深度学习神经网络进行分类和进一步地注释以用于对象定位。该数据集建立了用于神经网络的第一参数，并且这将是监督学习的阶段。在监督学习的阶段期间，可测试神经网络是否已经达到所期望的行为。

一旦已经达到所期望的神经网络行为(例如，已经训练机器使其根据指定的阈值来操作，等等)，可部署机器以供使用(例如，用“真实”数据来测试机器，等等)。在操作期间，可确认或拒绝(例如，由专家用户、专家系统、参考数据库等等)神经网络分类以便继续改善神经网络行为。随后，随着基于正在进行的交互更新了用于确定神经网络行为的分类的参数，示例神经网络处于迁移学习的状态。在某些示例中，神经网络可向另一个过程提供直接反馈。在某些示例中，神经网络输出在被提供至另一个过程之前被缓冲(经由云端等等)和验证的数据。

使用卷积神经网络(CNN)的深度学习机器可用于图像分析。CNN分析的阶段可用于神经图像中的面部识别、计算机辅助诊断(CAD)等等。

可使用一个或多个成像模态(诸如X射线、计算机断层扫描(CT)、分子成像和计算机断层扫面(MICT)、磁共振成像(MRI)等等)来采集高质量的医疗图像数据。医疗图像质量经常不受生成图像的机器影响但受患者的影响。例如，MRI期间的患者移动会产生可阻碍精确诊断的模糊的或扭曲的图像。

医疗图像的解释(不管质量如何)仅是最近的发展。主要由医师来解释医疗图像，但是这些解释可能是主观的，其受到该领域中的医师的经验和/或疲劳的状况的影响。经由机器学习的图像分析可支持医疗保健从业者的工作流程。

例如，深度学习机器可提供计算机辅助检测支持，以便改善它们关于图像质量和分类的图像分析。然而，应用于医疗领域的深度学习机器所面临的问题经常导致各种错误分类。深度学习机器例如必须克服小训练数据集以及必须需要反复调整。

在最小训练的情况下，深度学习机器可用于确定例如医疗图像的质量。半监督深度学习机器和无监督深度学习机器可用于定量地测量图像的定性方面。例如，可在已采集到图像之后利用深度学习机器来确定图像的质量是否对于诊断是足够的。监督深度学习机器也可用于计算机辅助诊断。例如，监督学习可帮助减少对错误分类的敏感性。

深度学习机器可在与医师进行交互时利用迁移学习来抵消监督训练中可用的小数据集。这些深度学习机器可通过训练和迁移学习而随时间来改进它们的计算机辅助诊断。

II.示例的描述

示例成像系统

可将本文中所描述的方法、装置、和制品应用于各种医疗保健系统和非医疗保健系统。在一个特定的示例中，可将本文中所描述的方法、装置、和制品应用于计算机断层扫描(CT)成像系统的部件、配置、以及操作。图1A-图1B示出本文中公开的方法、装置、和制品可应用于其中的CT成像扫描仪的示例实现方式。图1A和图1B示出包括台架12的CT成像系统10。台架12具有旋转构件13，该旋转构件13具有将X射线束16投射向位于旋转构件13的相对一侧的检测器组件18的X射线源14。可采用主轴承将旋转构件13附连至台架12的固定结构。X射线源14包括静止靶或旋转靶。检测器组件18由多个检测器20以及数据采集系统(DAS)22形成，并且可包括准直器。多个检测器20感测穿过对象24的经投射的X射线，并且DAS 22将数据转换为数字信号以用于后续处理。每个检测器20产生代表撞击的X射线束以及由此随着其穿过对象24而衰减的射束的强度的模拟或数字电信号。在为了采集x射线投影数据的扫描期间，旋转构件13和安装在其上的部件可关于旋转的中心进行旋转。

由CT系统10的控制机构26来管理旋转构件13的旋转以及X射线源14的操作。控制机构26可包括向X射线源14提供功率和定时信号的X射线控制器28和X射线发生器30以及控制旋转构件13的旋转速度和位置的台架电机控制器32。图像重构器34从DAS 22接收经采样和数字化的X射线数据并且执行高速图像重构。将经重构的图像输出至将图像存储在计算机存储设备38中的计算机36。

计算机36还经由操作者控制台40从操作者接收命令和扫描参数，操作者控制台40具有某种形式的操作者界面(诸如键盘、鼠标、触摸感应控制器、语音激活控制器、或任何其他合适的输入装置)。显示器42允许操作者观察来自计算机36的经重构的图像和其他数据。计算机36使用操作者提供的命令和参数来向DAS 22、X射线控制器28和台架电机控制器32提供控制信号和信息。此外，计算机36操作工作台电机控制器44，该工作台电机控制器44控制机动化的工作台46来放置对象24和台架12。特别地，工作台46移动对象24整个或部分地穿过台架开口48或孔口。坐标系50限定患者或Z轴52(对象24沿其移入或移出开口48)、台架圆周或X轴54(检测器组件18沿其穿过)、以及Y轴56(其沿从X射线管14的焦点到检测器组件18的方向穿过)。

由此，某些示例可将机器学习技术应用于CT扫描仪10和其台架12、旋转构件13、X射线源14、检测器组件18、控制机构26、图像重构器34、计算机36、操作者控制台40、显示器42、工作台控制器44、工作台46、和/或台架开口48等的配置和/或操作。例如，可基于输入、期望的输出、实际输出等来对部件配置、操作等进行监控，以便学习和建议对配置、操作、和/或图像捕捉的(多个)改变和/或扫描仪10和/或其的部件的处理。

图2示出X射线成像系统200的便携式变型。可相对于病床来放置示例数字移动X射线系统200，而无需患者在静止成像系统10的患者工作台46上移动自身和改变自身位置。无线技术使得用于图像和/或其他数据的无线通信(例如，利用自适应、自动信道切换等)能够转移至移动成像系统200和从移动成像系统200转移过来。可在成像系统200处获取和分析数字图像和/或将数字图像转移至另一个系统(例如PACS等)以用于进一步的分析、注释、存储等。

移动成像系统200包括源202和可相对于要成像的患者解剖结构被放置在下面和/或以其他方式放置的无线检测器204。示例移动系统200还包括显示器206以显示来自无线检测器204的图像采集的结果。示例移动系统200包括处理器210以配置和控制图像采集、图像处理、图像数据传输等。

在一些示例中，成像系统10、200可包括计算机和/或其他处理器36、210以在成像系统10、200处对获取到的图像数据进行处理。例如，计算机和/或其他处理器36、210可实现人工神经网络和/或其他机器学习构造以处理采集到的图像数据并且输出分析、警报、和/或其他结果。

示例学习网络系统

图3表示示例学习神经网络300。示例神经网络300包括层320、340、360以及380。层320和层340与神经连接330相连接。层340和层360与神经连接350相连接。层360和层380与神经连接370相连接。数据流经由输入312、314、316从输入层320前进至输出层380并且前进至输出390。

层320是输入层，在图3的示例中，该输入层包括多个节点322、324、326。层340和层360是隐藏层，并且在图3的示例中，其包括节点342、344、346、348、362、364、366、368。神经网络300可以包括与所示的相比更多的或更少的隐藏层340和360。层380是输出层，并且在图3的示例中，该输出层包括具有输出390的节点382。每个输入312-316对应于输入层320的节点322-326，并且输入层320的每个节点322-326具有至隐藏层340的每个节点342-348的连接330。隐藏层340的每个节点342-348具有至隐藏层360的每个节点362-368的连接350。隐藏层360的每个节点362-348具有至输出层380的连接370。输出层380具有输出390以提供来自示例神经网络300的输出。

在神经网络300中，在连接330、350以及370中，可以将增加的权重给予某些示例连接332、352、372，而可以将较少的权重给予其他示例连接334、354、374。例如，通过经由输入312-316接收输入数据来激活输入节点322-326。通过向前的数据流经由连接330和350通过网络300，隐藏层340和360的节点342-348和362-368分别被激活。在经由连接370发送隐藏层340和360中被处理的数据之后，输出层380的节点382被激活。当输出层380的输出节点382被激活时，节点382基于神经网络300的隐藏层340和360中所完成的处理来输出合适的值。

图4示出示例神经网络300作为卷积神经网络的特定实现方式。如图4的示例中所示，将输入310提供至对输入310进行处理并将输入310传播至第二层340的第一层320。在第二层340中进一步处理输入310并且将输入310传播至第三层360。第三层360对要提供至输出层380的数据进行归类。更具体地，如图4的示例中所示，将卷积404(例如，5x5卷积等)施加至第一层320中的输入310(例如32x32数据输入等)的一部分或窗口(也被称为“接受域”)402，以提供特征映射406(例如，(6x)28x28特征映射等)。卷积404将来自输入310的元素映射至特征映射406。第一层320还提供二次采样(例如，2x2二次采样等)以生成减小的特征映射410(例如，(6x)14x14特征映射等)。特征映射410经历卷积412并且从第一层320被传播至第二层340，其中，特征映射410变成扩展的特征映射414(例如，(16x)10x10特征映射等)。在第二层340中的二次采样416之后，特征映射414变成减小的特征映射418(例如，(16x)4x5特征映射等)。特征映射418经历卷积420并且被传播至第三层360，其中，例如，特征映射418变成分类层422，该分类层形成N个类别的输出层424，该输出层具有至被卷积的层422的连接426。

图5表示图像分析卷积神经网络500的示例实现方式。卷积神经网络500接收输入图像502并且在卷积层504中对图像进行抽象以识别学习的特征510-522。在第二卷积层530中，将图像变换成多个图像530-538，其中，在各个子图像530-538中强调每一个学习的特征510-522。进一步处理图像530-538以关注图像540-548中的感兴趣的特征510-522。随后通过池化层(pooling layer)来处理得到的图像540-548，该池化层减小图像540-548的尺寸以将图像540-548包括感兴趣的特征510-522的部分550-554隔离。卷积神经网络500的输出550-554接收来自最后的非输出层的值，并且基于从最后的非输出层接收到的数据来对图像进行分类。在某些示例中，卷积神经网络500可以包含卷积层、池化层、学习的特征、以及输出等的很多不同的变化。

图6A示出将学习(例如，机器学习、深度学习等)网络应用于处理和/或以其他方式评估图像的示例配置600。机器学习可应用于包括图像采集、图像重构、图像分析/诊断等的各种过程。如图6A的示例配置600中所示，将原始数据610(例如，从成像扫描仪(诸如X射线扫描仪、计算机断层扫描扫描仪、超声扫描仪、磁共振扫描仪等)获取到的原始数据610(诸如声谱记录原始数据等))馈送进学习网络620。学习网络620处理数据610以将原始数据610关联和/或以其他方式组合到经处理的数据630(例如，得到的图像等)(例如，“良好质量”的图像和/或提供足够质量以用于诊断的其他图像等)中。学习网络620包括节点和连接(例如，路径)以将原始数据610与经处理的数据630相关联。例如，学习网络620可以是学习连接并处理反馈以建立连接并识别模式的训练网络。例如，学习网络620可以是从训练网络中生成并且借助训练网络中所建立的连接和模式来获得输入原始数据610并生成得到的图像630的经部署的网络。

一旦训练了学习620并从原始图像数据610生成了良好图像630，则网络620能够继续“自学习”过程并随其操作来改善其性能。例如，输入数据(原始数据)610中存在“冗余”且网络620中存在冗余，并且可利用该冗余。

如果检查学习网络620中分配至节点的权重，则可能存在具有非常低权重的许多连接和节点。低权重指示这些连接和节点对学习网络620的总体性能贡献很小。因此，这些连接和节点是冗余的。可评估这样的冗余以减少输入(原始数据)610中的冗余。例如，减少输入610冗余可使得节省了扫描仪硬件、减少了对部件的需求、并且也减少了用于患者的暴露剂量。

在部署中，配置600形成包括输入定义610、经训练的网络620、以及输出定义630的包600。可相对于另一个系统(诸如成像系统、分析引擎等)来部署和安装包600。图像增强器625可借助学习网络620和/或以其他方式与学习网络620一起工作以处理原始数据610并提供结果(例如，经处理的图像数据和/或其他经处理的数据630等)。例如，经训练的学习网络620的节点之间的路径和连接使得图像增强器625能够处理原始数据610，以形成图像和/或其他经处理的数据结果630。

如图6B的示例中所示，学习网络620可与多个学习网络621-623相链接和/或以其他方式相组合以形成更大的学习网络。例如，网络620-623的组合可用于进一步改善对于输入的响应和/或将网络620-623分配给系统的各个方面。

在一些示例中，在操作中，可将“弱”连接和“弱”节点初始地设为零。随后学习网络620在再训练过程中处理其节点。在某些实施例中，不允许被设为零的节点和连接在再训练期间变化。假设网络620中存在冗余，则很可能将生成同样良好的图像。如图6B中所示，在再训练之后，学习网络620变成DLN(学习网络)621。也检查学习网络621以识别弱连接和节点并将它们设为零。该进一步再训练的网络是学习网络622。示例学习网络622包括学习网络621中的“零点”以及所述一组新的节点和连接。学习网络622继续重复处理，直到在学习网络623处达到良好的图像质量，这被称作“最小可行网络(WVN)”。学习网络623是MVN，因为如果在学习网络623中试图将附加的连接或节点设为零，则图像质量会变差。

一旦已经利用学习网络623获取到MVN，则将“零点”区域(例如，图表中的暗的、不规律的区域)映射至输入610。可能将每个暗的地带映射至输入空间中的一个或一组参数。例如，可以将零点区域之一链接至原始数据中的视图的数量和信道的数量。由于可减少对应于这些参数的网络623中的冗余，所以很可能能够减少输入数据并生成同样良好的输出。为了减少输入数据，获取对应于减少的参数的新的原始数据集，并且该原始数据集贯穿学习网络621。可以简化或可以不简化网络620-623，但是对学习网络620-623中的一个或多个学习网络进行处理，直到达到原始数据输入610的“最小可行输入(MVI)”为止。在MVI处，输入原始数据610的进一步减少可能导致图像630质量下降。例如，MVI能够导致数据采集的复杂度降低、对系统部件的需求减少、患者的压力降低(例如，较少的屏住呼吸或相反的动作)，和/或用于患者的剂量减少。

通过迫使学习网络620-623中的连接和节点中的一些连接和节点为零，网络620-623建立要补偿的“旁系”。在所述过程中，获得对学习网络620-623的拓扑的洞察。注意到，例如，由于已迫使一些节点和/或连接为零，所以网络621和网络622具有不同的拓扑。有效地将连接和节点从网络中移除的该过程延伸超出了“深度学习”并且例如可被称为“深度－深度学习”。

在某些示例中，可将输入数据处理和深度学习阶段实现为分开的系统。然而，作为分开的系统，可能两个模块均不知道用于选择重要的/感兴趣的输入参数的较大的输入特征评估回路。由于输入数据处理选择对于生成高质量输出是要紧的，所以来自深度学习系统的反馈可用于经由模型来执行输入参数选择优化或改进。可实现主动学习的变化，而不是在整组输入参数上进行扫描来创建原始数据(例如，这是用蛮力并且会是昂贵的)。使用主动学习的该变化，可确定启动参数空间，以在模型中生成所期望的或“最佳的”结果。随后可随机地减少参数值，以生成原始输入(该原始输入降低了结果的质量，但仍然保持可接受范围或阈值的质量，并且通过对模型的质量影响很小的输入进行处理减小了运行时间)。

图7示出学习网络(诸如深度学习或其他机器学习网络)的示例训练和部署阶段。如图7的示例中所示，在训练阶段，将一组输入702提供至网络704以用于处理。在该示例中，输入组702可包括要识别的图像的面部特征。网络704在前进方向706上处理输入702以关联数据元素和识别模式。网络704确定输入702表示肺节结708。在训练中，将网络结果708与已知结果712进行对比(710)。在该示例中，已知结果712是前胸(例如，输入数据集702表示前胸识别，而不是肺节结)。由于网络704的确定(708)不匹配(710)已知结果712，所以生成错误714。错误714触发反向的、沿穿过网络704的向后路径716的对已知结果712和相关联的数据702的分析。由此，训练网络704从前向通道706和后向通道716学习，数据702和712通过网络704。

一旦根据某一标准或阈值(例如，相匹配n次、匹配度高于百分之x等)网络输出708与已知输出712的对比是匹配的(710)，则训练网络704可用于利用外部系统生成用于部署的网络。一旦被部署，则将单个输入720提供至经部署的学习网络722以生成输出724。在该情况下，基于训练网络704，经部署的网络722确定输入720是前胸724的图像。

图8示出借助于经训练的网络包来提供深度和/或其他机器学习产品供应的示例产品。如图8的示例中所示，提供输入810(例如，原始数据)以用于预处理820。例如，预处理820原始输入数据810以检查格式、完整性等。一旦已预处理820数据810，则创建830数据的补片。例如，以某一尺寸和格式来创建830数据的补片或部分或“块”以用于处理。随后将补片馈送至经训练的网络840中以用于处理。基于学习的模式、节点和连接，经学习的网络840基于输入的补片来确定输出。对输出进行组装850(例如，将输出组合和/或以其他方式集合到一起以生成可用的输出等)。所述输出随后被显示860和/或以其他方式输出至用户(例如，人类用户、临床系统、成像模态、数据存储(例如，云存储、本地存储、边缘设备等)等)。

如以上所讨论地，可将学习网络打包成用于训练、部署、以及对各种系统的应用的设备。图9A-9C示出各种学习设备配置。例如，图9A示出通用学习设备900。示例设备900包括输入定义910、学习网络模型920以及输出定义930。输入定义910可包括经由网络920转化为一个或多个输出930的一个或多个输入。

图9B示出示例训练设备901。即，训练设备901是配置为训练学习网络设备的设备900的示例。在图9B的示例中，将多个训练输入911提供至网络921，以开发网络921中的连接并提供要由输出评估器931评估的输出。随后，由输出评估器931将反馈提供至网络921中，以进一步开发(例如，训练)网络921。可将附加的输入911提供至网络921，直到输出评估器931确定网络921被训练(例如，根据某一阈值、误差裕度等，输出已经满足输入到输出的已知的相关性)。

图9C描绘了示例经部署的设备903。一旦训练设备901已经学习到必要水平，则可部署训练设备901以用于使用。例如，在训练设备901处理多个输入来进行学习的同时，经部署的设备903处理单个输入来确定输出。如图9C的示例中所示，经部署的设备903包括输入定义913、经训练的网络923、以及输出定义933。例如，一旦充分地训练了网络921，则可从网络921生成经训练的网络923。例如，经部署的设备903接收系统输入913并经由网络923来处理输入913以生成输出933，该输出随后可被已经与经部署的设备903相关联的系统使用。

用于确定放射学发现物的示例图像处理系统和方法

图10示出包括成像系统1010的示例图像处理系统或装置1000，该成像系统具有处理器1020以处理存储在存储器1030中的图像数据。如图10的示例中所示，示例处理器1020包括将信息提供至输出1030的图像质量检查器1022、预处理器1024、学习网络1026、和图像增强器1028。由成像系统1010从患者采集到的图像数据可被存储在存储器1030的图像数据存储1035中，并且可由处理器1020检索和处理这样的数据。

例如，通过将STAT图像放在第一位、其后跟从最旧到最新顺序的图像，从而为放射科医生工作清单排出优先级。按照惯例，大多数重症监护病房(ICU)的胸部X射线被排序为STAT。由于有如此多的图像被排序为STAT，放射科医生会不知道在所有STAT图像中哪些图像是真正最危急的。在大的美国医疗保健机构中，例如，通常将来自急诊室(ER)的STAT X射线预定的优先级排为由放射科医生首先阅览并期望在大约一小时之内被阅览/报告。通常将其他STAT X射线预定(诸如在ICU中获得的那些)的优先级排到其次，从而使得可能要花费两到四个小时来阅读和报告它们。通常期望在一个放射科医生轮班(例如，6-8个小时等)内阅览/报告标准的X射线预定。

通常，如果有通宵的放射科医生(例如，在较大的医疗保健设施等中)，则通宵的放射科医生专注于阅读高级的成像检查(例如，CT、MR等等)，并且仅在有特殊要求的情况下才会阅览X射线的。通常，每天在ICU中要进行早晨的胸部X射线查房，而且是在早晨非常早的时间(例如，早上5点等)进行。但是白天放射科医生的轮班可能直到早上8点才开始。随后，放射科医生将会坐下并阅览所有的早晨查房图像。如果有危急的发现物，则放射科医生可能在拍摄下图像之后的数个小时内都没有发现该发现物。

此外，当将管或线放在患者体内时，标准的做法是照X射线来验证管或线的正确放置。由于放射科医生阅览/报告上的延迟，临床护理团队(例如，护士、监护医师等)可能自己来阅读(多个)胸部X射线图像，以确定是否需要任何干预(例如，药物改变以管理肺内流体、对错位的线/管的调整、或确认正确安放了管由此他们能够打开呼吸机或饲管等)。例如，取决于临床照护团队的经验、技能、或对细节的关注度，他们可能遗漏危急的发现物，这会由于耽误诊断而危急患者的健康。当放射科医生在X射线中发现危急的发现物时，对于他们来说的标准做法是物理地呼叫预定的医师并讨论该发现物。在一些情况中，预定的医师确认他们自己知道并看到了问题；在其他情况中，这是他们第一次听到这个消息并将需要快速地进行干预以帮助患者。

因此，为了改进图像可用性、系统灵活性、诊断时间、针对治疗的反应时间等，某些示例提供了临床发现物的设备上/护理现场的通知，使得当图像很有可能包括危急发现物时，在护理现场(例如，在患者的床边等)告知临床团队来复查图像。对于具有危急发现物的图像，当将图像推送至诸如PACS的存储时，还可将HL7消息发送至相关联的PACS/放射信息系统(RIS)和/或DICOM标签，其指示危急的发现物。例如，医院信息系统可随后创建/配置规则来基于该信息对放射科医生的工作清单排出优先级。

转至图10的示例，图像质量检查器1022根据一个或多个图像质量测量处理检索到的图像数据以评估图像数据的质量，以便帮助确保图像具有足够的质量(例如，良好的质量、其他所期望的质量等)用于图像数据的自动化(例如，机器学习、深度学习、和/或其他人工智能等)处理。未能通过相对于一个或多个图像质量测量的质量检查的图像数据可作为质量不够而被拒绝，并生成通知以向技师和/或其他用户发出质量控制失效的警报。在某些示例中，可将人工智能(AI)应用于分析图像数据以评估图像质量。

通过将AI算法主存在成像设备1010上，可在“危急情况AI”之前执行“质量检查AI”算法，以帮助确保图像具有良好质量/所期望的质量，使得“危急状况AI”执行良好。诸如当技师(“Tech”)在他们采集到的图像上执行质量保证(QA)/质量检查(QC)实践时，可在设备上使用“质量检查AI”作为协助技师的助手。例如，在采集到每个图像之后，技师可以复查图像以确保正确的患者定位、准直、暴露/技术、无患者珠宝或衣物阻碍、无伪影等。如果技师认为图像具有良好质量，则技师将“接受”该图像。然而，如果图像未通过QC检查，则技师可“拒绝”图像并“重拍”图像(例如，通过后续图像采集来再获取图像数据)。

取决于技师的经验和技能，技师可以对接受/拒绝图像质量具有不同的忍受度。然而，使用嵌入设备1010中的AI允许设备1010处理器1020评估和通知技师图像是否未通过“质量检查AI”。例如，如果图像具有太差的质量以至于无法可靠地运行通过“危急状况AI”算法，则图像不会通过质量检查AI，但同时还向技师指示，可能图像应该也无法通过他们人工的/传统的QC活动，并且技师应该考虑“重拍”。由此，例如，图像质量检查器1022可实时地(或假设有数据处理、传输和/或存储/检索延迟的话基本上实时地)提供反馈(诸如在患者的床边经由移动X射线系统200、1010的输出1030，该输出1030指示/推荐应该重新采集图像)。

因此，并非取决于技师的人工评估，质量检查器1022能够借助AI和/或其他处理来对图像解剖结构、取向/位置、充足的对比度、合适的剂量、过多的噪声/伪影等进行分析以评估图像质量和是否足以能够进行进一步自动化分析。

如果图像质量对于分析是足够的和/或以其他方式说是合适的(例如，正确的视图/位置、正确的解剖结构、可接受的对比度和/或噪声水平等)，则预处理器1024处理图像数据并准备用于临床分析的图像数据。例如，可调理图像数据以用于由机器学习(诸如深度学习网络等)进行处理，以便识别图像数据中的感兴趣的一个或多个特征。例如，预处理器1024可应用技术(诸如图像分割)来识别和划分图像中的不同区域或地带。例如，预处理器1024可应用技术(诸如剪切)以选择图像中的某个感兴趣的区域用于进一步的处理和分析。例如，预处理器1024可应用技术(诸如下采样)来缩放或减小图像数据尺寸以用于进一步的处理(例如，通过呈现较少样本表示图像数据的学习网络1026等)。

将预处理的图像数据提供至学习网络1026以用于处理图像数据，以便识别一个或多个临床的/危急的发现物。如以上所讨论地，学习网络1026(诸如深度学习网络、其他的CNN、和/或其他的机器学习网络等)在其输入节点处接收经预处理的图像数据并根据学习网络1026的节点和连接路径来评估图像数据，以将在预处理的图像数据中识别出的特征与危急的和/或其他的临床发现物相关联。基于图像强度值、参考坐标位置、接近度、和/或其他特性，可将图像数据中所确定的项与可能危急的和/或其他的临床发现物(诸如严重的气胸、右主干内的管、肠道中的自由空气等)相关联。

例如，可使用一组大的、高度策划(curated)的X射线图像来训练深度卷积网络(例如，图3-5的示例网络等)，该深度卷积网络包括离线计算密集型环境中的数个层。训练网络以输出描绘检测的病理的分类标记，并且该分类标记能够提取可局部化和限制对于检测的病理是感兴趣区域的特征。开发和训练专门网络以输出量化度量(诸如流体密度、不透明性和测定体积的测量等)。如图6A-9C的示例中所示，将(一个或多个)训练的模型部署在X射线设备(例如成像设备10、200、1010等)上，该X射线设备是移动的或者被安装在固定的X射线室中。处理器1020借助(一个或多个)经训练的、经部署的模型，通过将X射线图像输入到(一个或多个)训练的网络模型中来推断图像数据的性质、特征、和/或其他方面。例如，(一个或多个)经部署的模型帮助经由图像质量检查器1022检查用于推断的图像的质量和适合性并经由学习网络1026来推断发现物。可基于生成图像的采集状况来实时地预处理图像，以改进推断过程的精确度和功效。在某些示例中，基于附加的策划数据的采集来连续地和/或周期性地训练、更新、和重新部署(一个或多个)学习网络1026。结果，将更精确的和经特征增强的网络部署在成像设备1010上。

在某些示例中，可将概率和/或置信度指示符或分值与以下各项相关联：(一个或多个)危急的和/或其他临床发现物的指示、与发现物相关联的置信度、发现物的位置、发现物的严重性、发现物的尺寸、和/或与另一个发现物一起出现所述发现物或在无另一个发现物的情况下出现所述发现物等。例如，学习网络1026中的相关性或连接的强度可转化成百分比或数字分值，该百分比或数字分值指示图像数据中的发现物的正确检测/诊断的概率、发现物的识别的置信度等。

可经由输出1030来提供图像数据和(一个或多个)相关联的发现物，用于对该图像数据和发现物进行显示、报告、记录、和/或以其他方式用于对医疗保健从业者(诸如技师、护士、重症监护医师、创伤外科医生等)的通知或警报中，以快速地对危急的和/或其他临床发现物采取行动。在一些示例中，概率和/或置信度分值，和/或与发现物的类型、发现物的尺寸、发现物的位置等相关联的危急度指数/分值可用于确定对医疗保健提供者的警告/通知的严重度、程度、和/或其他升级。例如，某些检测的状况导致对提供者发出基于文字的警报，以提示提供者进行更近距离的复查。其他的更严重的状况导致对一个或多个提供者发出可听和/或可视的警报以采取更迅速的行动。例如，(一个或多个)警报和/或其他的(一个或多个)通知可与可能检测的状况的即时性和/或其他严重度成比例地逐步升级。

可将图像数据和(一个或多个)相关联的发现物提供至图像增强器1028用于图像后处理，以增强图像数据。例如，图像增强器1028可基于(一个或多个)发现物来处理图像数据，以在得到的图像中加强(一个或多个)发现物。因此，例如当将增强的图像数据提供至输出1030用于显示(例如，经由一个或多个设备(诸如移动设备1040、显示器1042、PACS和/或其他信息系统1044等))时，在得到的被显示的图像中强调、突出、标注、和或以其他方式增强(一个或多个)发现物。

通过在成像设备1010上运行AI，可借助AI发现物来实施增强的图像处理。例如，如果AI检测到在图像数据中存在管/线，则设备软件可使用对于察看管/线而言最佳的图像处理技术来处理图像。例如，可通过图像处理算法(该算法将图像数据分解成一组空间频带)来在图像数据中强调或增强管和/或其他的线(例如，导管、饲管、胃(NG)管、气管(ET)导管、胸管、起搏器导联等)。可将非线性函数应用于频带，以增强对比度并减少每个带中的噪声。增强包括管和线的空间频率，而抑制包括噪声的空间频率。结果，管和线在得到的图像中更明显。类似地，例如，可在得到的图像中强调和/或以其他方式增强表示发现物的气胸(例如，在肺和胸部之间的胸膜腔中的空气的异常聚集)、骨折、其他异物等。

可经由输出1030来输出增强的图像数据和(一个或多个)相关联的发现物用于显示、存储、参考、进一步的处理、提供给计算机辅助诊断(CAD)系统等。例如，输出1030可将信息提供给多个连接的设备1040-1044用于查验、存储、接替、和/或进一步的动作。

虽然结合图1-10示出了示例实现方式，但是可组合、划分、重新布置、省略、消除和/或以任何其他方式实现结合图1-10所示出的元件、过程和/或设备。进一步，可通过硬件、机器可读指令、软件、固件、和/或硬件、机器可读指令、软件和/或固件的任何组合来实现本文中所公开和描述的部件。因此，例如，可通过(一个或多个)模拟电路和/或数字电路、(一个或多个)逻辑电路、(一个或多个)可编程处理器、(一个或多个)专用集成电路((一个或多个)ASIC)、(一个或多个)可编程逻辑设备((一个或多个)PLD)、和/或(一个或多个)现场可编程逻辑器件((一个或多个)FPLD)来实现本文中所公开和描述的部件。当阅读到涵盖纯软件实现和/或固件实现的本专利的装置或系统权利要求中的任一项时，多个部件中的至少一个部件在此被明确地定义为包括存储软件和/或固件的有形计算机可读存储设备或存储盘，诸如，存储器、数字通用光盘(DVD)、压缩盘(CD)、蓝光盘等。

至少结合图11-12来示出表示用于实现本文中所公开和描述的部件的示例机器可读指令的流程图。在示例中，机器可读指令包括由处理器(诸如结合图13在以下所讨论的示例处理器平台1300中所示的处理器1312)执行的程序。程序可以体现在被存储在有形计算机可读存储介质(诸如CD-ROM、软盘、硬盘驱动、数字通用光盘(DVD)、蓝光盘或与处理器1312相关联的存储器)上的机器可读指令中，但是整个程序和/或其部分可以可替代地由设备而不是处理器1312来执行和/或体现在固件或专用硬件中。进一步地，尽管参考至少结合图11-12所示的流程图对示例程序进行了描述，但是可以可替代地使用实现本文中所公开和描述的部件的许多其他方法。例如，可以改变框的执行次序，和/或可以改变、消除或组合所描述的框中的一些框。尽管至少图11-12的流程图描绘了以所示顺序的示例操作，但这些操作不是穷举的并且不限于所示的顺序。此外，可以由本领域技术人员在本公开文本的精神和范围内作出各种变化和修改。例如，流程图中所示的框可以以可替换的顺序进行或者可以并行地进行。

如以上所述，可以使用存储在有形计算机可读存储介质(诸如信息可被存储在其中持续任何时长(例如，持续延长的时间段、永久地、短暂片刻、暂时地缓冲、和/或高速缓存信息)的硬盘驱动、闪存存储器、只读存储器(ROM)、致密盘(CD)、数字通用光盘(DVD)、缓存、随机存取存储器(RAM)和/或任何其他存储设备或存储盘)上的经编码的指令(例如，计算机和/或机器可读指令)来实现至少图11-12的示例过程。如在本文中所使用的，术语“有形计算机可读存储介质”被明确定义为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播的信号和传输媒介。如在此所使用的，“有形计算机可读存储介质”和“有形机器可读存储介质”可互换使用。附加或可替代地，可使用存储在非瞬态计算机和/或机器可读介质(诸如信息可被存储在其中持续任何时长(例如，持续延长的时间段、永久地、短暂片刻、暂时地缓冲、和/或高速缓存信息)的硬盘驱动、闪存、只读存储器、致密盘、数字通用光盘、高速缓存、随机存取存储器和/或任何其他存储设备或存储盘)上的编码指令(例如，计算机和/或机器可读指令)实现至少图11-12的示例过程。如本文中所使用，术语“非瞬态计算机可读介质”被明确地限定为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播信号和传输媒介。如在此所使用的，当短语“至少”被用作权利要求前序部分中的过渡术语时，其与术语“包括”是开放式的方式相同也是开放式的。此外，术语“包含”是与术语“包括”是开放式的方式相同也是开放式的。

如图11中所描绘的示例方法1100中所示，可通过成像设备1010来在图像采集的位置(例如，患者床边、成像室等)处分析经采集的图像数据，以评估图像质量并识别可能危急的和/或其他的临床发现物，从而触发进一步的图像和患者复查和动作。在框1110处，设备1010处理由设备1010采集的采集图像数据以评估图像数据的质量，以便帮助确保图像具有足够的质量(例如，良好的质量、其他所期望的质量等)用于图像数据的自动化(例如，机器学习、深度学习、和/或其他人工智能等)处理。

可以以不具有足够的质量而拒绝未能通过质量检查的图像数据，生成通知向技师和/或其他用户发出质量控制失效的警报。在某些示例中，可由图像质量检查器1022来将人工智能(AI)应用于分析图像数据以评估图像质量。

通过将AI算法主存在成像设备1010上，可在“危急状况AI”之前执行“质量检查AI”算法，以便帮助确保图像具有良好质量/所期望的质量，使得“危急状况AI”执行良好。诸如当技师在他们采集到的图像上执行质量保证(QA)/质量检查(QC)实践时，可在设备上使用“质量检查AI”作为协助技师(“Tech”)的助手。使用嵌入设备1010中的AI允许设备1010处理器1020来评估和通知1115技师，图像是否未通过“质量检查AI”。例如，如果图像具有太差的质量以至于无法可靠地运行通过“危急状况AI”算法，则图像不会通过质量检查AI，但同时还向技师指示，可能图像也应该无法通过他们人工的/传统的QC活动，并且技师应该考虑“重拍”。由此，例如，图像质量检查器1022可实时地(或假设有图像数据处理、传输和/或存储/检索延迟的话基本上实时地)提供反馈(诸如在患者的床边经由移动X射线系统200、1010的输出1030，该输出1030经由通知1115来指示/推荐应该重新采集图像)。例如，通知1115可经由移动设备1040、显示器1042等上的覆盖物来提供，以示出AI发现物的定位(例如，经由热图等)和/或相关联的信息。

因此，并非取决于技师的人工评估，质量检查器1022能够借助AI和/或其他处理来对图像解剖结构、取向/位置、充足的对比度、合适的剂量、过多的噪声/伪影等进行分析，以评估图像质量和充分性，以便能够进行进一步的自动化分析。

如果图像质量对于分析是足够的和/或以其他方式说是合适的(例如，正确的视图/位置，正确的解剖结构，可接受的患者定位、对比度和/或噪声水平等)，则在框1120处，预处理图像数据以准备用于临床分析的图像数据。例如，可调理图像数据用于由机器学习(诸如深度学习网络等)进行处理，以便识别图像数据中感兴趣的一个或多个特征。例如，预处理器1024可应用技术(诸如图像分割)来识别和划分图像中不同的区域或地带。例如，预处理器1024能够应用技术(诸如剪切)以选择图像中某个感兴趣的区域用于进一步的处理和分析。预处理器1024可应用技术(诸如下采样、解剖分割、利用训练量的平均值和/或标准偏差进行归一化、对比度增强等)来缩放或减小图像数据尺寸用于进一步的处理(例如，通过呈现较少样本表现图像数据的学习网络1026等)。

在框1130处，将预处理的图像数据提供至学习网络1026用于处理图像数据，以识别一个或多个临床的/危急的发现物。如以上所讨论地，学习网络1026(诸如深度学习网络、其他的CNN和/或其他的机器学习网络等)在其输入节点处接收经预处理的图像数据并根据学习网络1026的节点和连接路径来评估图像数据，以便将在经预处理的图像数据中识别出的特征与危急的和/或其他的临床发现物相关联。基于图像强度值、参考坐标位置、接近度、和/或其他特性，可将图像数据中所确定的项与可能危急的和/或其他的临床发现物(诸如严重的气胸、右主干内的管、肠道中的自由空气等)相关联。

例如，可使用一组大的、高度策划的X射线图像来训练深度卷积网络(例如，图3-5的示例网络等)，该深度卷积网络包括离线计算密集型环境中的数个层。训练网络以输出描绘检测的病理的分类标记，并且该分类标记能够提取可局部化和限制对于检测的病理是感兴趣区域的特征。开发和训练专门网络以输出量化度量(例如，流体密度、不透明性和测定体积的测量等)。如图6A-9C的示例中所示，将(一个或多个)训练的模型部署在X射线设备(诸如成像设备10、200、1010等)上，该X射线设备是移动的或者被安装在固定的X射线室中。处理器1020借助(一个或多个)经训练的、经部署的模型，通过将X射线图像输入到(一个或多个)训练的网络模型中来推断图像数据的性质、特征和/或其他方面。例如，(一个或多个)部署的模型帮助经由图像质量检查器1022检查用于推断的图像的质量和适合性，并经由学习网络1026来推断发现物。可基于生成图像的采集状况来实时地预处理图像，以改进推断过程的精确度和功效。在某些示例中，基于附加的策划数据的采集来连续地和/或周期性地训练、更新、和重新部署(一个或多个)学习网络1026。结果，将更精确的和经特征增强的网络部署在成像设备1010上。

在某些示例中，可将概率和/或置信度指示符或分值与(一个或多个)危急的和/或其他临床发现物以及发现物的尺寸、发现物的位置、发现物的严重性等相关联。例如，学习网络1026中的相关性或连接的强度可转化成百分比或数字分值，该百分比或数字分值指示图像数据中的发现物的正确检测/诊断的概率、发现物的识别的置信度等。

可经由输出1030来提供图像数据和(一个或多个)相关联的发现物，以使该图像数据和相关联的发现物被显示、报告、记录、和/或以其他方式用于对医疗保健从业者(诸如技师、护士、重症监护医师、创伤外科医生和/或临床系统等)的通知或警报1135中，以快速地对危急的和/或其他临床发现物采取行动。在一些示例中，概率和/或置信度分值、和/或与发现物的类型相关联的危急度指数/分值可用于确定对医疗保健提供者的警告/通知的严重度、程度、和/或其他升级。例如，某些检测的状况导致对提供者发出基于文字的警报，以提示提供者进行更近距离的复查。其他的更严重的状况导致对一个或多个提供者发出可听的和/或可视的警报用于采取更迅速的行动。例如，(一个或多个)警报和/或其他的(一个或多个)通知可与可能检测的状况的即时性和/或其他严重度成比例地逐步升级。

在框1140处，基于学习网络1026所识别的(一个或多个)相关联的发现物来增强图像数据。例如，图像增强器1028可基于(一个或多个)发现物来处理图像数据以在得到的图像中加强(一个或多个)发现物。因此，例如当将增强的图像数据提供至输出1030用于显示(例如，经由一个或多个设备(诸如移动设备1040、显示器1042、PACS和/或其他信息系统1044等))时，在得到的被显示的图像中强调、突出、标注、和或以其他方式增强(一个或多个)发现物。

通过在成像设备1010上运行AI，可借助AI发现物来实施增强的图像处理。例如，如果AI在图像数据中检测到管/线，则设备软件可使用对于查看管/线而言为最佳的图像处理技术来处理图像。

可经由输出1030来输出增强的图像数据和相关联的(一个或多个)发现物用于显示、存储、参考、进一步的处理、提供给计算机辅助诊断(CAD)系统等。例如，输出1030可将信息提供给多个连接的设备1040-1044用于查验、存储、接替、和/或进一步动作。如图11的示例中所示，可输出增强的图像数据和(一个或多个)相关联的发现物用于在设备1150(例如，手持或移动设备等)上显示、在工作站1152(例如，信息系统、与成像设备1010相关联的显示器等)上显示、和/或发送至临床信息系统(诸如PACS、RIS、企业编档等)用于存储和/或进一步的处理1154。

图12示出检查图像质量(1110)和将人工智能(1130)应用于图像数据以确定图像数据中的危急和/或其他临床发现物的示例实现方式的流程图。

将便携式、实时的、在患者护理现场、在成像采集点、动态确定和提示进一步动作整合到成像设备中。在1202，从移动X射线成像设备(例如，设备200和/或1010等)提供图像数据(诸如DICOM图像数据)。在1204，对与图像数据(例如，DICOM标题信息、其他相关联的元数据等)相关联的元数据进行分析，以确定图像数据是否与元数据所指示的位置和区域匹配。例如，如果DICOM元数据指示图像是前(例如，前后的(AP)或后前的(PA))胸图像，那么对图像数据的分析应该确认该位置(例如，地点和方向等)。如果图像不匹配其所指示的位置和区域，则在1026生成指示图像可能不正确的通知、警报和/或警告。例如，警告可以是可听的、可视的、和/或系统警报或其他通知，并且能够提示用户进行进一步的行动(例如，重新采集图像数据等)、触发系统进行进一步动作、记录可能的错误等。

如果图像数据表现为匹配其规定的位置和区域，则在1208，对图像数据进行分析以确定图像是否通过了(一个或多个)图像质量控制检查。例如，对图像数据进行分析以确定相关联的图像是否具有良好的患者放置(例如，放置患者使得感兴趣的解剖结构或区域位于图像的中心等)。其他的质量控制检查可包括对足够对比度的评估、对图像中的噪声或伪影的水平的分析、剂量对于图像清晰是否合适/充足的检查等。

如果图像未能通过质量控制检查，则在1210生成图像质量受损的警告。例如，用户、其他系统等可接收图像质量对于评估图像数据以确定(一个或多个)临床发现物而言可能不够和/或可能存在问题的警报和/或其他通知(例如，经由消息、记录符号、触发器等的在屏幕上的可视和/或可听的警报)。在1212，评估设置和/或其他输入以确定是否继续进行进一步的图像处理。例如，响应于通知的用户输入可指示是否无论如何都继续进行，和/或配置设置等可指定关于是否即使存在图像质量问题都继续进行进一步的图像分析的默认指令或阈值。如果指令是不继续，则过程1200结束。

如果继续进行分析(例如，因为图像通过了(一个或多个)质量检查，和/或指令指示即使有图像质量问题也继续等)，则在1214，相对于临床检查来评估图像数据。例如，将深度学习网络、机器学习、和/或其他AI应用于分析图像数据以检测危急和/或其他临床发现物的存在。例如，可由学习网络1026来处理图像数据以在图像数据中识别严重的气胸和/或其他状况(例如，管在右主干内、肠道中的自由空气、骨折、肿瘤、病变、其他异物等)。如果确定没有发现物，则过程1200结束。

但是，如果确定了发现物，则在1216生成发现物警报和/或其他通知。例如，基于气胸、不正确的ET管的位置、右主干中的管的位置等的识别来生成危急发现物的警报。例如，可与临床发现物的严重度/紧急度、对发现物的置信度、发现物的类型、发现物的位置、和/或发现物与另一发现物一同出现或在没有另一发现物的情况下出现成比例和/或以其他方式关联地生成警报。例如，可相比于较不危急的临床发现物更紧急地向医疗保健从业者和/或其他用户发出危急发现物的警报。(一个或多个)屏幕上的警报可以是13－显示的，可将HL7消息提供至RIS等。在某些示例中，可再处理图像数据(诸如通过图像增强器1028)以更优化地向用户显示(一个或多个)发现物。

图13-图20示出根据与图1-图12相结合在以上描述的装置、系统、和方法来提供输出和促进交互(包括屏幕上的警报、指示符、通知等)的示例显示器。可经由成像设备10、200、1010、和/或单独的手持或移动计算设备、工作站等来提供示例显示器。

图13示出包括偏差指数(DI)1310(例如，正确的图像采集技术的指示为0.0是完美的照射)以及优先级指示1320(例如，来自由包括AI的系统1000所进行的处理)的示例图形用户界面(GUI)1300。如图13的示例中所示，优先级指示1320是高1322。图14示出优先级指示1320为中等1324的示例GUI 1300。图15示出优先级指示1320为低1326的示例GUI 1300。

图16示出示例GUI 1600，该示例1600包括：DI 1610、质量控制指示符1620(例如，通过或未通过可接受的质量等)、危急度指数1630(例如，正常、不正常、危急等)、与危急度指数1630相关联的危急度值1635、发现物的指示1640(例如，团块、骨折、气胸等)以及尺寸或严重度的指示1650(例如，小、中等、大等)。由此，用户能够与示例GUI 1600进行交互并评估DI 1610、质量指示1620、对临床影响的危急度范围1630和危急度值1635、发现物的类型1640、以及发现物的严重度1650。

图17示出与示例GUI 1600相似但被简化的另一个示例GUI 1700，其包括DI 1710、危机度影响1720、发现物的指示1730、以及严重度的指示1740。图18示出与示例GUI 1700相似的示例GUI 1800，其进一步包括图像上的发现物的覆盖物1810。

图19示出示例GUI 1900，其在GUI 1900的图像观察者显示器上覆盖的窗口1910中提供来自AI的可能发现物。图20示出示例GUI 1900的另一个视图，在该视图中，已将AI发现物窗口1910中的条目2002、2004进行了扩展，以展现关于各个发现物2002、2004的进一步的信息。图21示出示例GUI 1900的又一个视图，在该视图中，已将AI发现物窗口1910缩小成微型表示2110，该微型表示2110可被选择用于查看关于发现物的信息。

图22示出示例GUI 2200，在该示例GUI 2200中，在相关联的图像上突出发现物2210，且还显示出相关的信息2220。图23示出用于配置AI来处理图像和/或其他数据并生成发现物的示例配置界面2300。

图24示出可显示在智能手机2410和/或其他计算设备上的第一示例小型GUI 2400(例如，基于网页的GUI等)以及在平板电脑2430上显示的第二小型GUI 2420。如图24的示例中所示，例如，可将平板电脑2430相对于成像设备10、200、1010进行安装，用于由X射线技师和/或其他医疗保健从业者查看和交互。

图25是构造为执行至少图11-12的指令以便实现本文中所公开和描述的示例部件的示例处理器平台2500的框图。处理器平台2500可以是，例如，服务器、个人计算机、移动设备(例如，手机、智能电话、诸如iPadTM的平板电脑)、个人数字助理(PDA)、互联网家电、或任何其他类型的计算设备。

所示示例的处理器平台2500包括处理器2512。所示示例的处理器2512是硬件。例如，可由来自任何所期望的家族或制造商的集成电路、逻辑电路、微处理器或控制器来实现处理器2512。

所示示例的处理器2512包括本地存储器2513(例如，高速缓存)。图25的示例处理器2512执行至少图11-12的指令以实现图1-24的系统、基础架构、显示器、以及相关联的方法(诸如图像质量检查器1022、预处理器1024、学习网络1026、图像增强器1028、以及处理器1020/2512的输出1030等)。所示示例的处理器2512经由总线2518与包括易失性存储器2514和非易失性存储器2516的主存储器通信。可由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)和/或任何其他类型的随机存取存储器设备来实现易失性存储器2514。可由闪存和/或其他任何所期望类型的存储器设备来实现非易失性储存器2516。由时钟控制器来控制对主存储器2514、2516的访问。

所示示例的处理器平台2500还包括接口电路2520。可以由任何类型的接口标准(诸如，以太网接口、通用串行总线(USB)、和/或PCI快速接口)来实现接口电路2520。

在所示的示例中，将一个或多个输入设备2522连接到接口电路2520。(一个或多个)输入设备2522准许用户将数据和命令输入到处理器2512中。可由例如传感器、麦克风、相机(照相机或摄像机，RGB或深度等)、键盘、按钮、鼠标、触摸屏、轨迹板、轨迹球、等位点(isopoint)和/或语音识别系统来实现所述(一个或多个)输入设备。

也将一个或多个输出设备2524连接到所示示例的接口电路2520。可例如由显示设备(例如，发光二极管(LED)、有机发光二极管(OLED)、液晶显示器、阴极射线管显示器(CRT)、触摸屏、触觉输出设备、和/或扬声器)来实现输出设备2524。因而，所示示例的接口电路2520通常包括图形驱动卡、图形驱动器芯片或图形驱动处理器。

所示示例的接口电路2520还包括通信设备(诸如发射器、接收器、收发器、调制解调器和/或网络接口卡)以便经由网络2526(例如，以太网连接、数字用户线(DSL)、电话线、同轴电缆、蜂窝电话系统等)促进与外部机器(例如，任何种类的计算设备)的数据交换。

所示示例的处理器平台2500还包括用于存储软件和/或数据的一个或多个大容量存储设备2528。这种大容量存储设备2528的示例包括软盘驱动、硬盘驱动、致密盘驱动、蓝光盘驱动、RAID系统和数字通用盘(DVD)驱动。

图25的经编码的指令2532可被存储在大容量存储设备2528中、易失性存储器2514中、非易失性存储器2516中、和/或可移除有形计算机可读存储介质(诸如，CD或DVD)上。

从前文中将理解，已经公开以上所揭示的方法、装置、和制品，用于使用多个深度学习和/或其他机器学习技术来监测、处理、和改进成像的操作和/或其他医疗保健系统。

由此，某些示例促进在护理现场的图像采集和分析(诸如经由患者成像点处的便携式成像设备)。如果应该重拍图像、应该立刻进行进一步的分析、和/或应该尽早而不是稍后探查其他危机度，则本文中所公开和描述的示例系统、装置、和方法可促进这样的行动以使分析自动化、精简工作流程并改进患者照护。

某些示例在护理现场为危重护理团队提供特别配置的成像装置，该装置能够采集图像并作为决定支持工具进行操作。某些示例提供了用作医疗设备的成像装置，该装置在护理现场提供和/或促进诊断以检测放射学发现物等。所述装置能够为放射科医生和/或危重护理团队触发危急警报以使他们立刻关注患者。所述装置使得能够在患者的检查之后对患者进行分诊(诸如在筛查环境中)，其中，阴性测试允许患者回家，而阳性测试将会要求患者在回家之前由医师诊察。

在某些示例中，移动设备和/或云产品使得供应商中立的解决方案成为可能，其在任何数字X射线系统上提供护理现场警报(例如，完全集成的、升级套件等)。在某些示例中，在移动成像系统(诸如移动X射线机器等)上执行的嵌入式AI算法在图像采集期间和/或实时地跟随图像采集等来提供护理现场警报。

通过将AI主存在成像设备上，例如，移动X射线系统可用于不具有医院信息技术网络的乡村地区，或者甚至在为患者社区带来成像的移动卡车上。此外，如果将图像发送至服务器或者云端存在长的延迟，则相反地可执行成像设备上的AI并生成返回至成像设备的输出用于进一步的动作。图像处理、分析、以及输出能够实时地(或假设有一些数据传输/检索、处理和输出延迟的话基本上实时地)发生，以便在临床护理团队和设备仍和患者一起或者在患者附近的同时提供对临床护理团队的相关通知，而不是让X射线技术人员移动到下一个患者并且X射线设备不再位于和临床护理团队在一块的患者的床边。例如，对于创伤情况，需要快速地做出治疗决定，并且某些示例缓解了在利用其他临床决定支持工具的情况下被发现的延迟。

移动X射线系统行驶穿过整个医院到患者的床边(例如，急症室、手术室、重症监护室等)。在医院内，网络通信在医院的“死”区(例如，地下室、具有电信号干扰或阻挡的房间等)中可能是不可靠的。例如，如果X射线设备依赖于建筑物Wi－Fi来将图像推送至服务器或云端(该服务器或云端主存AI模型)并且随后等待接收返回至X射线设备的AI输出，则患者处于当需要危急警报时危急警报不可靠的风险。进一步地，如果网络或电力中断影响通信，则在成像设备上操作的AI能够继续用作自给式、移动处理单元。

为一般放射生成的警报的示例可包括(例如，用于移动X射线等)危急警报(诸如气胸、管和线的放置、胸腔积液、肺叶塌陷、气腹、肺炎等)；(例如，用于固定的X射线等)筛查警报(诸如肺结核、肺结节等)；(例如，用于移动和/或固定的X射线等)质量警报(诸如，患者放置、剪切的解剖结构、不足的技术、图像伪影等)。

尽管已在本文中描述了某些示例方法、装置和制品，但本专利的覆盖范围不限于此。相反地，本专利覆盖了完全落入本专利权利要求书的范围内的所有方法、装置和制品。

Claims (23)

1.一种成像装置，包括：

图像数据存储，所述图像数据存储存储使用所述成像装置采集到的图像数据；

图像质量检查器，所述图像质量检查器与图像质量测量相对比地评估来自所述图像数据存储的图像数据；以及

训练的学习网络，所述训练的学习网络处理所述图像数据，以在所述图像数据中识别临床发现物，所述临床发现物的识别触发所述成像装置处的通知，以关于所述临床发现物通知医疗保健从业者并提示相对于与所述图像数据相关联的患者的响应动作。

2.如权利要求1所述的装置，其特征在于，所述成像装置是移动成像装置。

3.如权利要求2所述的装置，其特征在于，所述成像装置是移动X射线成像装置。

4.如权利要求1所述的装置，其特征在于，进一步包括显示器，其中，经由图形用户界面来输出所述通知，所述图形用户界面经由所述成像设备处的所述显示器来显示。

5.如权利要求4所述的装置，其特征在于，所述通知的呈现对应于所述临床发现物的危急度。

6.如权利要求1所述的装置，其特征在于，所述训练的学习网络包括在参考图像数据和相关联的发现物上训练、并且部署至所述成像装置的深度学习网络。

7.如权利要求1所述的装置，其特征在于，进一步包括预处理器，所述预处理器准备所述图像数据以用于在由所述图像质量检查器评估之后由所述训练的学习网络进行处理。

8.如权利要求1所述的装置，其特征在于，进一步包括图像增强器，所述图像增强器处理所述图像数据，以增强从所述图像数据中得到的被显示图像中的所述临床发现物。

9.一种成像装置中的计算机可读存储介质，该介质包括指令，所述指令在被执行时使所述成像装置中的处理器至少实现：

图像数据存储，所述图像数据存储存储使用所述成像装置采集到的图像数据；

图像质量检查器，所述图像质量检查器与图像质量测量相对比地来评估来自所述图像数据存储的图像数据；以及

训练的学习网络，所述训练的学习网络处理所述图像数据，以在所述图像数据中识别临床发现物，所述临床发现物的识别触发所述成像装置处的通知，以关于所述临床发现物通知医疗保健从业者并提示相对于与所述图像数据相关联的患者的响应动作。

10.如权利要求9所述的计算机可读存储介质，其特征在于，所述成像装置是移动成像装置。

11.如权利要求9所述的计算机可读存储介质，其特征在于，所述指令在被执行时使所述处理器经由在所述成像装置处显示的图形用户界面来输出所述通知。

12.如权利要求11所述的计算机可读存储介质，其特征在于，所述通知的呈现对应于所述临床发现物的危急度。

13.如权利要求9所述的计算机可读存储介质，其特征在于，所述训练的学习网络包括在参考图像数据和相关联的发现物上训练、并且部署至所述成像装置的深度学习网络。

14.如权利要求9所述的计算机可读存储介质，其特征在于，所述指令在被执行时使所述处理器进一步实现预处理器，以准备所述图像数据以用于在由所述图像质量检查器评估之后由所述学习网络进行处理。

15.如权利要求9所述的计算机可读存储介质，其特征在于，所述指令在被执行时使所述处理器进一步实现图像增强器，以处理所述图像数据从而增强从所述图像数据得到的被显示图像中的所述临床发现物。

16.一种计算机实现的方法，包括：

在移动成像装置处，与图像质量测量相对比地来对使用所述图像装置采集到的图像数据进行评估；

当所述图像数据满足所述图像质量测量时，经由训练的学习网络来处理所述图像数据，以在所述图像数据中识别临床发现物；以及

基于临床发现物的识别在所述成像装置处触发通知，以关于所述临床发现物通知医疗保健从业者并提示相对于与所述图像数据相关联的患者的响应动作。

17.如权利要求16所述的方法，其特征在于，经由图形用户界面与所述临床发现物的危急度成比例地来呈现所述通知。

18.如权利要求16所述的方法，其特征在于，进一步包括准备所述图像数据用于在关于所述图像质量测量的评估之后由所述学习网络进行处理。

19.如权利要求16所述的方法，其特征在于，进一步包括处理所述图像数据以增强从所述图像数据得到的被显示图像中的所述临床发现物。

20.如权利要求16所述的方法，其特征在于，进一步包括接受输入以继续进行经由所述训练的学习网络处理所述图像数据，以便当所述图像数据不满足所述图像质量测量时在所述图像数据中识别临床发现物。

21.如权利要求16所述的方法，其特征在于，所述训练的学习网络位于基于云的服务器或边缘服务器中的至少一个上。

22.如权利要求16所述的方法，其特征在于，进一步包括：发送所述医学数字成像和通信(DICOM)标签或健康等级7(HL7)的消息中的至少一个，以为图像编档和通信系统(PACS)创建工作清单的优先级规则以响应临床发现物的识别。

23.如权利要求1所述的装置，其特征在于，所述训练的学习网络通过基于云的服务器或边缘服务器中的至少一个连接所述成像装置，以在图像数据中识别所述临床发现物，并输出所述成像装置处的通知。