CN110313928A - 用于确定放射性结果数据的分析方法和分析单元 - Google Patents
用于确定放射性结果数据的分析方法和分析单元 Download PDFInfo
- Publication number
- CN110313928A CN110313928A CN201910243926.6A CN201910243926A CN110313928A CN 110313928 A CN110313928 A CN 110313928A CN 201910243926 A CN201910243926 A CN 201910243926A CN 110313928 A CN110313928 A CN 110313928A
- Authority
- CN
- China
- Prior art keywords
- data
- radiology
- ray
- data record
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 66
- 238000001228 spectrum Methods 0.000 claims abstract description 66
- 238000005259 measurement Methods 0.000 claims description 17
- 238000002591 computed tomography Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 241001269238 Data Species 0.000 abstract description 10
- 230000005855 radiation Effects 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 29
- 230000003595 spectral effect Effects 0.000 description 15
- 239000000306 component Substances 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 208000000913 Kidney Calculi Diseases 0.000 description 5
- 206010029148 Nephrolithiasis Diseases 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000002601 radiography Methods 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- A61B6/482—Diagnostic techniques involving multiple energy imaging
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus 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
- A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
- A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
- A61B6/4241—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using energy resolving detectors, e.g. photon counting
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/54—Control of apparatus or devices for radiation diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于由放射学数据记录(D1,D2,D3,D4)自动确定放射结果数据的分析方法,包括以下步骤:‑至少基于具有不同的X射线能量谱(E1,E2,E3,E4)的X射线数据提供至少两个放射学数据记录(D1,D2,D3,D4),‑提供分析单元(6),该分析单元包括设计用于分析放射学数据记录(D1,D2,D3,D4)的神经网络,该神经网络(NN)包括具有多个单元(Z)的输入层(N0)、中间层(N1)和输出层(Ni),‑通过神经网络(NN)分析放射学数据记录(D1,D2,D3,D4),其中,第一放射学数据记录(D1)的和至少第二放射学数据记录(D2,D3,D4)的子集被分配给输入层(N0)的单元,以用于共同处理,‑在输出层处获取结果数据。本发明此外涉及一种相应的分析单元或神经网络和相应的控制装置,该控制装置用于控制X射线采集系统中,一种相应的诊断站,和一种相应的医学成像系统。
Description
技术领域
本发明涉及一种用于自动确定放射学数据记录的放射性结果数据的分析方法和分析单元或神经网络,特别是用于控制X射线采集系统的相应控制装置,用于与X射线采集系统耦合连接的相应诊断站,以及相应的医学成像系统。
背景技术
在放射成像中,放射图像的有效分析和进一步处理是必不可少的。为此,越来越多地使用基于机器学习的方法。利用这样的方法,图像中的对象,例如,病理变化被自动识别并显示给诊断医生。
经常使用的方法基于神经网络或这种方法基于模拟神经元。这种神经网络的例子是深度神经网络(英语:Deep Learning)或卷积网络(英语:Convolutional NeuralNetworks“CNN”)。神经网络通常包括:输入层(第一层),待处理的数据被输入到该输入层中;多个中间层,该中间层用于进行处理;以及输出层,该输出层提供处理的结果。
例如,在此在网络的输入层中将像素(在二维测量的情况中)或将体素(在三维测量的情况中)分配给层的单元(“神经元”),使得每个神经元接收相关像素的信号值作为输入变量。在输出层中包含有尽可能多的神经元,因为分类的不同结果是可能的。
在放射学技术的背景下,特别是在计算机断层摄影(“CT”)方面,越来越多地应用这样的记录方法,该记录方法使用多个记录能量。最近,在一些设备中甚至使用光谱检测器,该光谱检测器不再仅生成每个像素的一个信号值,而且还区分入射光子的光谱能量。
然而,这种具有多个记录能量或能量光谱的记录方法目前尚未得到最佳利用,鉴于这种记录的潜力,这代表了严重的缺点。根据CT光谱数据,通常仅用每个像素的一个信号值重建常规CT图像,其中,不同的光谱分量被不同地加权,以产生特定的图像印象(例如,突出显示具有特定吸收光谱的造影剂)。
发明内容
本发明的一个目的是提供一种替代的、更方便的分析方法,分析单元或神经网络,用于自动确定放射学数据记录的放射性结果数据,以及一种用于控制X射线采集系统的相应控制装置,一种用于与X射线采集系统耦合连接的相应诊断站,以及一种用于相应的医学成像系统,利用该系统可以避免上述缺点。
该目的通过根据权利要求1所述的分析方法,根据权利要求8所述的分析单元,根据权利要求9所述的神经网络,根据权利要求10所述的控制装置,根据权利要求11所述的诊断站和根据权利要求12的所述医学成像系统来实现。
根据本发明的分析方法或根据本发明的分析单元用于基于放射学数据记录或由放射学数据记录自动确定放射性结果数据。
放射学数据记录优选地是借助于计算机断层摄影系统生成的CT数据记录。但是该数据记录也可以在另外的利用X射线工作的设备上生成,例如简单的X射线透视设备,乳房X射线摄影设备,血管造影设备等。
在下文中,放射学数据记录可以理解为直接在设备上、例如在计算机断层扫描系统上测量的原始数据记录。然而,同样地,这也可以理解为一种图像数据记录,该图像数据记录以该原始数据记录为基础进行重建。这仅取决于,是否在神经网络中应该直接利用原始数据还是图像数据进行工作。
这些放射学数据记录在此代表具有若干X射线能谱的不同射线记录。在此应当注意,实际上即使“X射线能谱”是窄带,在X射线记录的情况中也总是具有一定的能量宽度。然而,记录通常被称为离散X射线能量的值,例如在X射线源处受调节的电压。
如果检测器能够能量选择性地工作,那么X射线能谱例如通过调整X射线源或检测器或通过选择检测器的测量数据来确定。就“X射线能谱的X射线数据”而言,可以理解为诸如计算机断层摄影系统的X射线采集系统的测量数据,这些测量数据利用相应的X射线能谱实现。
在此,“光谱”放射学数据记录是优选的,该数据记录利用X射线采集系统记录,该X射线采集系统发射具有宽X射线能谱的X射线,其中,该检测器系统被设计成,不再仅仅产生每个像素的一个信号值,而是还可以区分入射光子的光谱能量,也就是说是能量选择性的。也就是说,光谱放射学数据记录可以在每个像素点或测量点的单个灰度值的位置处具有多个值,这些值再现广谱上的记录值。然而,原则上,这种光谱放射学数据记录也可以通过不同X射线能谱的X射线数据的组合产生,而不管是否在例如利用能量选择检测器进行的测量过程中记录或时间上前后地记录不同X射线能谱的X射线数据。
根据本发明的分析方法包括以下步骤:
-提供第一放射学数据记录
第一放射学数据记录至少基于第一X射线能谱的X射线数据。第一放射学数据记录是在第一X射线能量期间记录的。
-提供至少一个第二放射学数据记录
第二放射学数据记录至少基于第二X射线能谱的X射线数据,该第二X射线能谱与第一X射线能谱不同。然而,两个X射线能谱必须始终完全不相交并非绝对必要,即使这对于大多数应用是非常有利的。然而,如果第一和第二X射线能谱重叠或者一个X射线能谱包括在另一个X射线能谱中,则对于某些特定应用可能是有利的。
术语“至少”意味着还可以提供另外的放射学数据记录,该放射学数据记录利用另外的X射线能谱记录,这同样适用于关于第二X射线能谱的这些另外的X射线能谱:不同的X射线能谱不应该彼此相同,但是如果需要的话可以包括其他X射线能谱的部分。例如,在两个以上的放射学记录,其中一个放射学记录也可以表示许多其他放射学记录的(可能是标准化的)总和。
优选地,该方法被设计为利用至少三个、四个、五个或六个放射学数据记录一起工作。
-提供分析单元
该分析单元包括特别是已经(预先)训练的神经网络,该神经网络被设计用于分析放射学数据记录,该神经网络包括输入层、多个中间层和输出层。输入层在此具有多个单元,这些单元在许多神经网络中也被称为“神经元”。输出层代表放射性结果,例如,一系列可能的发现,尤其是与这些发现在记录中存在的概率一同。
-分析
在该步骤中,借助于神经网络执行第一放射学数据记录和至少第二放射学数据记录的分析。为此目的,输入层的单元为了共同处理而分配有第一放射学数据记录的和至少第二放射学数据记录的子集。这些子集优选地是一组像素值(例如,单个或多个像素或体素),一组原始数据值(其也可以表示单个原始数据值)或一些图像信息。神经网络在此被设计为从输入层中的数据生成输出层中的结果数据。
因此,根据本发明提出了输入层(Input Layer)的单元到输入数据或x射线采集系统的检测器(测量装置和信号处理装置)的特定分配关系。原则上,在输入层和输出层之间的处理层(中间层或“隐藏层”)可以根据需要选择,但是优选使用“深度”网络,也就是具有多于一个的中间层。输出层对应于放射性“属性”,该属性可以从图像信息中获取,或者如果可能,可以直接从原始数据中获取。这可以是例如诊断(肺癌:是/否),形态学特征(肺结节的存在)或定量特征(肺结节的体积)。
通过训练神经网络修改网络架构中的连接权重。通常,在此这样训练神经网络,以使用成对输入数据和(有效的)与之匹配的结果数据。在当前情况中可能是光谱放射学数据记录(例如,CT数据记录)和放射性结果的对,例如,由专家手动或通过其他方法自动完成的调查结果,诊断或测量。也可以使用合成对,例如,在放射学记录中随机地生成具有已知直径的结节并且然后将其用于训练。然后可以通过已知方法实现训练,例如,反向传播。
在这一点上指出,同样在分析的上下文中,例如通过验证结果数据可以进一步训练神经网络并因此改进神经网络。
–获取结果数据
在由神经网络处理放射学数据记录之后,处理的结果数据如所述的那样存在于输出层并且可以在那里被获取。
因此,根据本发明的分析单元包括:
-数据接口,用于获取至少两个放射学数据记录。如上面已经详细解释的,第一放射学数据记录至少基于第一X射线能谱的X射线数据,第二放射学数据记录至少基于第二X射线能谱的X射线数据。如上所述,可以获取另外的放射学数据记录。
-神经网络,设计用于分析放射学数据记录,该神经网络包括输入层、多个中间层和输出层。以上适用于各层。
根据本发明的分析单元在此被设计用于,借助于神经网络分析第一放射学数据记录和至少第二放射学数据记录(以及可能的其他放射学数据记录)。为此目的,输入层的单元为了共同处理而分配有第一放射学数据记录的和至少第二放射学数据记录的子集(如上所述)。
此外,分析单元设计用于在输出层处获取结果数据。
根据本发明的神经网络包括具有多个单元的输入层、多个中间层和表示放射学结果的输出层。该神经网络设计为,使得输入层的单元为了共同处理而分配有至少基于第一X射线能谱的X射线数据的第一放射学数据记录的以及至少基于第二X射线能谱的X射线数据的至少一个第二放射学数据记录的至少子集。此外,神经网络设计用于生成放射性结果数据并使放射性结果数据提供给输出层。
根据本发明的用于控制x射线采集系统,特别是计算机断层摄影系统的控制装置包括根据本发明的分析单元或者被设计用于执行根据本发明的分析方法。
根据本发明的诊断站,设计用于与X射线采集系统耦合连接,特别是与计算机断层摄影系统耦合连接。诊断站包括根据本发明的分析单元或设计用于执行根据本发明的分析方法。诊断站可以集成在X射线采集系统中,例如集成在X射线采集系统的控制装置中。然而,在实践中,更常见的情况是该X射线采集系统在放射信息系统(“RIS”)或图像存档和通信系统(“PACS”)的框架内以强大的计算装置的形式存在。
本发明的医学成像系统包括X射线采集系统和根据本发明的分析单元。分析单元优选地在医学成像系统中以根据本发明的诊断站和/或根据本发明的控制装置的形式存在。控制装置也可以是X射线采集系统的一部分。
本发明所必需的大部分上述组件可以完全或部分地以相应装置或控制装置的处理器中的软件模块的形式实现。主要是软件实现具有以下优点,即使先前使用的装置或控制装置也可以通过软件更新以简单的方式改装,以按照本发明的方式工作。该目的还通过具有计算机程序的相应计算机程序产品实现,该计算机程序可以直接加载到X射线采集系统的控制装置的计算机系统或存储装置中,该计算机程序具有程序段,当程序在计算机系统或控制装置中执行时,则程序段执行根据本发明的方法的所有步骤。这样的计算机程序产品除了包括计算机程序之外,还可选择地包括附加组成部分,例如,文档和/或附加组件,还有硬件组件,例如用于使用该软件的硬件密钥(加密狗等)。
计算机可读介质,例如记忆棒,硬盘或其他便携或永久安装的盘可用于到计算机系统或控制装置的传输和/或用于在计算机系统或控制装置上或中的存储,在该计算机可读介质上存储有计算机程序的程序段,该程序段能由计算机系统或控制装置的计算单元读取和执行。计算机单元可例如以为此具有一个或多个协作的微处理器等。
此外,本发明的特别有利的实施例和改进方案将由从属权利要求和以下描述中获得,其中,一个权利要求类别的权利要求也可以类似于权利要求和说明书部分相对于另一个权利要求类别进一步改进,并且特别是不同实施例或者变体方案的个别特征可以组合成新的实施方案或变体方案。
为了分析输入层的多个单元,特别是每个单元,优选的是准确地分配第一放射学数据记录或第二放射学数据记录的一个像素值或原始数据值。因此,这些单元不被赋予大的数据块,而是仅给出像素(像素或体素)或数据字的值。
在此,放射学数据记录的每个单独的像素值和/或每个单独的原始数据值优选地被分配给输入层的单元。因此,由放射学数据记录表示的各个记录被完全传送到网络。
基本上,可以使用二维,三维或四维放射学数据记录,其中四维放射学数据记录包括在不同时间获取的相同体积的多个三维放射学数据记录。因此,得到的阵列具有X射线能谱数量的值n,坐标x,y和z,和时间t,格式[n,x,y,z,t],其中n,x,y必须始终存在。当例如仅仅涉及二维的情况时,分量z和t也可以省略。
例如,如果n个记录作为具有x·y像素的二维图像存在,并且每个单元被分配一个像素,其中n个图像的整个图像信息由神经网络处理,则输入层包含n·x·y个神经元。数字n则是光谱组的数量,因为记录全部代表不相同的记录能量。值x和y也是重建图像在x和y方向上的图像矩阵的大小。在处理具有格式x·y·z的体积图像的三维数据(而不是作为单独的切片图像)的示例情况下,用于处理体素的输入层中的单元的数量是n·x·y·z。类似地,像素的处理或分配在三维和四维测量或放射学数据记录中进行。
在优选的变体方案中,该方法可以多级地构建。在分析步骤中仅分析待分析的放射学数据记录的一部分。然后在至少一个另外的分析步骤中分析待分析的放射学数据记录的另一部分,该步骤优选地类似于前一步骤。因此,放射学记录例如被逐段地分析:一个部分图像到一个部分图像地分析或者对原始数据的各个部分区域一个接一个地进行分析。利用该设计方案,可以将神经网络作为在多个放射学数据记录、尤其是图像数据或图像记录上的“窗口”(英语:“SlidingWindows”)运行,这可以展示出对于非常大量的数据和小结构的分析的计算工作量的显著减少。例如,就此而言,相对较小的神经网络(例如,20·20栅格)可以“驱动”放射学数据记录。
神经网络优选包含至少2个,优选至少5个,特别是至少20个中间层。这具有可以使用“深度学习”原理的优点。
然而,原则上,本发明不限于特定类型的网络。优选的神经网络是卷积神经网络(英语:Convolutional Neural Network“CNN”)或长短期记忆网络(“LTSM”)。当要使用时间分辨(四维)数据时,LTSM网络特别有利。
优选地,所提供的放射学数据记录中的至少一个至少基于两个不同的X射线能谱的X射线数据,优选地基于以不同X射线能谱的X射线数据为基础的放射学数据记录的组合数据。优选地,相关数据以(特别是加权的)和和/或差和/或商和/或产品的形式链接在一起,其中这些算术运算的组合也是优选的,例如,与标准化一起的总和。
优选地,为了提供第一放射学数据记录和第二放射学数据记录,划分总X射线数据记录。在此,该总X射线数据记录利用第三X射线能谱测量,该第三X射线能谱包括第一X射线能谱和第二X射线。这优选地通过利用第三X射线能谱测量的原始数据分成不同的原始数据记录并基于不同的原始数据记录重建不同的图像数据记录来实现。总X射线数据记录在此例如可以(如果可能,排他地)由原始数据形成或包括已经重建的图像数据记录,这取决于分析是应该基于原始数据直接工作还是基于图像数据。优选的分析单元优选地包括设计用于这种划分的分割单元。
在优选的医学成像系统中,X射线采集系统包括能量分辨检测器,更优选地是直接转换检测器。
附图说明
下面将参考附图参考实施例更详细地解释本发明。在各个图中,相同的部件具有相同的附图标记。这些附图通常不按比例。图中示出:
图1示出了根据本发明的分析方法的可能流程的流程图,
图2示出了用于放射学数据记录的划分和分析的实施例的图示,
图3示出了用于分割和分析放射学数据记录的另一实施例的图示,
图4示出了具有根据本发明的控制装置的实施例和用于执行该方法的诊断站的X射线采集系统的粗略示意图。
具体实施方式
图1示出了根据本发明的分析方法的可能流程的流程图,该分析方法用于基于放射学数据记录D1,D2自动确定放射性结果数据。
在步骤I中,基于第一X射线能谱E1的X射线数据提供第一放射学数据记录D1。
在步骤II中,基于第二X射线能谱E2的X射线数据提供第二放射学数据记录D2。第二放射学数据记录D2(以及可能的其他放射学数据记录D3,D4)的提供当然也可以与第一放射学数据记录D1同时实现。
在步骤III中,提供了根据本发明的分析单元6。
在步骤IV中,借助于分析单元6实现了对第一放射学数据记录D1和第二放射学数据记录D2的分析。如其优选地发生的那样,将在图2和3更详细地示出。
在步骤V中,实现结果数据的获取。
在下文中,出于更好理解的目的,作为示例假设利用图像数据进行工作,但是可以使用原始数据来代替图像数据,也就是说,然后可以省去重建步骤。
同样地,下面假设测量是计算机断层摄影记录,但如上所述,本发明不限于计算机断层摄影。
图2示出了用于分析-在此作为示例的四个-放射学数据记录D1,D2,D3,D4的实施例的图示。首先,在该示例中借助于X射线源3和检测器4在分别不同的X射线能谱(E1,E2,E3,E4)时实现四个“分离的”测量或记录。这些记录可以例如利用四对X射线源3和检测器4同时进行,或者顺序地(如果可能,利用单个X射线源,其以不同的加速电压驱动)进行。这些测量或记录产生四个放射学数据记录D1,D2,D3,D4。
在该示例中,如上所述,出于更加清楚的目的,放射学数据记录D1,D2,D3,D4以具有单个像素的二维图像的形式存在,该像素已经在重建过程R中从各个记录的原始数据重建。例如,可以假设这些图像的格式是x像素宽度和y像素高度。
放射学数据记录D1,D2,D3,D4(或更多)中的一个还可以包括来自具有不同X射线能谱(E1,E2,E3,E4)的两个或更多个组合记录构成的数据。
现在根据本发明的方法提供放射学数据记录D1,D2,D3,D4以供分析单元6处理。这包括设计用于分析放射学数据记录的神经网络NN,该放射学数据记录在此为图像记录B的形式,该神经网络包括具有多个单元Z的输入层N0、多个中间层N1和表示放射学结果的输出层Ni。中间层的数量为i-1,i优选为5-20。
为了通过神经网络NN分析放射学数据记录D1,D2,D3,D4,输入层N0的单元Z(神经元)为了共同处理如所示出的那样被分配有放射学数据记录D1,D2,D3,D4的单独像素(该像素在此对应于放射学数据记录D1,D2,D3,D4的子集)。在此,输入层N0包含用于四个放射学数据记录D1,D2,D3,D4的各个像素的4·x·y个单元Z(神经元)。
在处理放射学数据记录D1,D2,D3,D4之后,可以获取输出层Ni处的结果数据ED,例如,由结果数据单元EE接管或读出。根据神经网络NN的类型和训练,这些结果数据ED然后例如指出,记录中是否存在异常,以及如果存在,是什么类型的异常和/或在何种程度上。
图3示出了用于分析放射学数据D1,D2,D3,D4的特别优选的实施例的图示。该图与图2非常相似,至少就分析而言。然而,与图2相反,放射学数据记录D1,D2,D3,D4在此不同地形成。
在该实施例中,仅利用能量分辨或“光谱”检测器执行记录或测量,该能量分辨或“光谱”检测器可以区分入射光子的光谱能量。因此,为该图像记录B的像素给出图像数据BD的光谱S(其可以对应于例如能量的灰度值)。很明显,在这种情况下,所使用的X射线必须具有相应宽的能谱。
在检测器(X射线)处进入的信号在此首先根据阈值分类为四个预定的X射线能谱E1,E2,E3,E4(也可以称为“光谱区域”),并且由用于各个图像的这些数据选择为放射学数据记录D1,D2,D3,D4。四个放射学数据记录D1,D2,D3,D4可以例如具有关于由检测器4接收的光子数据,能量为0至40KeV(基于第一X射线能谱或光谱范围E1的第一放射学数据记录D1),40至65KeV(基于第二X射线能谱或光谱范围E2的第二放射学数据记录D2),65至90KeV(基于第三X射线能谱或光谱范围E3的第三放射学数据记录D3)和大于90KeV的能量(基于第四X射线能谱或光谱范围E4的第四放射学数据记录D4)。
在处理放射学数据记录D1,D2,D3,D4之后,可以例如再次通过结果数据单元EE在输出层Ni处获取结果数据ED。
具体的临床实例是神经网络NN,该神经网络可以表征肾结石。然后输入数据(放射学数据记录D1,D2,D3,D4)例如是四个重建(图像)数据记录,数据记录分别代表在X射线能谱E1,E2,E3,E4时的测量。然后,将每个图像数据记录的每个体素分配给输入层N0的单元Z。
完整的处理链看起来类似于根据图3的实施例,如下:
检测器首先根据旋转期间的X射线能谱E1,E2,E3,E4对输入的原始数据进行“分类”(进入其“箱”(Bins))。然后,由此产生几个正弦图作为原始数据(根据X射线能谱E1,E2,E3,E4)。由此再次重建放射学数据记录D1,D2,D3,D4,并将它们馈送到神经网络NN中。
输入层N0在此可以对应于数据记录的数量和结构,输出层Ni将是分类“存在肾结石”和“尿酸盐vs钙“(在极端情况下只有单个神经元)。
在第一次分析操作之前,首先对该神经网络NN进行充分训练。完成训练后,该神经网络能够识别和分类肾结石,其中,光谱信息(肾结石材料)探讨如形态学(尺寸,位置,纹理)。
为了训练神经网络NN,在该实例中,使用患者P的数据记录,其中肾结石组成部分的存在是已知的,例如,因为肾结石被获得并进行了化学分析。
下面描述X射线系统1的可能结构,在该结构上可以使用该方法。在解释中,假设X射线采集系统1是计算机断层摄影系统1。然而,原则上,该方法也可以用于其他X射线采集系统。
图4粗略地示意性示出了具有用于执行根据本发明的方法的控制装置10的计算机断层摄影系统1。计算机断层摄影系统1以通常的方式具有带有台架的扫描仪,其中X射线源3在该台架中旋转,该X射线源相应地对患者进行透射,该患者通过卧榻5被推入到台架的测量空间中,从而辐射分别入射与X射线源3相对的检测器4上。对此明确地指出,根据图4的实施例仅是CT的示例,并且本发明还可以用于任何CT结构,例如具有环形固定X射线检测器和/或若干X射线源。
同样,在控制装置10中,仅示出了对于解释本发明必不可少或有帮助的部件。基本上,这种CT系统和相关的控制装置在本领域中是已知的,因此不需要详细解释。
在该示例中,X射线源3和检测器4被设计用于使用多个记录能量的记录方法。例如,检测器4可以产生每个像素的多于一个的信号值,并且在此区分入射光子的光谱能量。在另一个实施例中,可以存在两个或更多个X射线源3和检测器4,其被设计用于分别以不同的能量进行记录。
在此,控制装置10的核心部件是处理器11,在其上实现软件模块形式的各种部件。控制装置10还具有终端接口14,终端20连接到该终端接口,操作者可以通过终端接口操作控制装置10并因此操作计算机断层摄影系统1。另一个接口15是用于连接到数据总线21的网络接口,以便分别连接到RIS或PACS。例如,放射学数据D1,D2,D3,D4可以通过该总线21发送到诊断站2。
通过控制接口13,可以由控制器10控制扫描仪,也就是说,例如控制机架的旋转速度,患者卧榻5的位移和X射线源3本身。通过采集接口12从检测器4读出原始数据RD。此外,控制装置10具有存储器单元16,在存储器单元中例如存储各种测量协议。
分析单元6作为软件组件在处理器11上实现。该分析单元6经由数据接口7从图像数据重建单元18接收在该示例中重建的图像数据BD,利用该图像数据重建单元18由经过数据采集接口12获得的原始数据RD重建期望的图像数据BD。然而,该图像数据重建单元18也可以在其他形式的应用中省略,并且在分析时可以直接利用原始数据RD进行工作。
分析单元6还包括分割单元8,该分割单元被设计成,在通过数据接口7获得光谱原始数据RD或在该示例中基于来自具有不同X射线能谱E1,E2,E3,E4的至少两个测量的X射线数据重建的图像数据BD之后,通过根据它们的X射线能谱E1,E2,E3,E4划分原始数据RD或图像数据BD来创建各个放射学数据记录D1,D2,D3,D4。以上在图2和图3的描述中更详细地描述了将数据划分成放射学数据记录D1,D2,D3,D4。
分析单元6还包括特别是已经训练的神经网络NN,该神经网络被设计用于分析放射学数据记录D1,D2,D3,D4,该神经网络具有带有多个单元Z的输入层N0、多个中间层N1和输出层Ni,该输出层代表放射学结果(见图2和3)。在此,分析单元被设计为借助于神经网络NN分析所提供的放射学数据,如上面已经更详细地描述的那样。
诊断站2的结构与控制装置10非常相似。诊断站还包括上述分析单元6。诊断站2和控制装置10如所示出的那样可以一起存在(其中两者都包括根据本发明的分析单元6),但是医学成像系统也可以仅在这两个组件之一中具有根据本发明的分析单元6。
最后,再次指出,上面详细描述的分析方法以及所示出的装置或单元或计算机断层摄影系统1仅仅是实施例,本领域技术人员可以以各种方式对其进行修改而不会脱离本发明的范围。此外,使用不定冠词“一”或“一个”并不排除所讨论的特征也可以多次存在。同样,术语“单元”和“模块”不排除所讨论的组件由若干相互作用的子组件组成,这些子组件也可以是空间分散的。
Claims (15)
1.一种用于从放射学数据记录(D1,D2,D3,D4)自动确定放射性结果数据的分析方法,包括以下步骤:
-至少基于第一X射线能谱(E1)的X射线数据提供一个第一放射学数据记录(D1),
-至少基于第二X射线能量谱(E2,E3,E4)的X射线数据提供至少一个第二放射学数据记录(D2,D3,D4),
-提供一个分析单元(6),所述分析单元包括一个神经网络(NN),所述神经网络设计用于分析所述放射学数据记录(D1,D2,D3,D4),所述神经网络具有带有多个单元(Z)的一个输入层(N0)、多个中间层(N1)和表示放射性结果的一个输出层(Ni),
-通过所述神经网络(NN)分析所述第一放射学数据记录(D1)和至少所述第二放射学数据记录(D2,D3,D4),其中,至少所述第一放射学数据记录(D1)的和第二放射学数据记录的子集(D2,D3,D4)被分配给所述输入层(N0)的不同单元,以用于在所述神经网络(NN)中的共同处理,以及
-在所述输出层处获取结果数据。
2.根据权利要求1所述的分析方法,其中,所述输入层(N0)的多个单元(Z)分别被准确地分配有所述第一放射学数据记录(D1)或所述第二放射学数据记录(D2,D3,D4)的一个像素值或原始数据值,
其中,优选地,所述放射学数据记录(D1,D2,D3,D4)的每个单独的所述像素值和/或每个单独的所述原始数据值被分配给所述输入层(N0)的一个单元(Z)。
3.根据前述权利要求中任一项所述的分析方法,其中,在一个分析步骤中,仅对待分析的所述放射学数据记录(D1,D2,D3,D4)的一部分可进行分析,并且在至少一个另外的分析步骤中对待分析的所述放射学数据记录(D1,D2,D3,D4)的另一部分进行分析。
4.根据前述权利要求中任一项所述的分析方法,其中,所述神经网络(NN)包括至少2个,优选至少5个,更优选至少20个中间层(N1)。
5.根据前述权利要求中任一项所述的分析方法,其中,所述分析单元(6)包括作为所述神经网络(NN)的卷积网络或长短期记忆网络。
6.根据前述权利要求中任一项所述的分析方法,其中,所提供的放射学数据记录(D1,D2,D3,D4)中的至少一个至少基于两个不同的X射线能谱(E1,E2,E3,E4)的X射线数据,优选地基于以下的组合数据:基于不同的X射线能谱(E1,E2,E3,E4)的X射线数据的放射学数据记录(D1,D2,D3,D4),特别是以和和/或差的形式和/或商和/或乘积的形式,特别是这些算术运算的组合。
7.根据前述权利要求中任一项所述的分析方法,其中,为了提供所述第一放射学数据记录(D1)和所述第二放射学数据记录(D2,D3,D4),对总X射线数据记录进行划分,所述总X射线数据记录利用第三X射线能谱来测量,所述第三X射线能谱包括所述第一X射线能谱(E1)和所述第二X射线能谱(E2,E3,E4),
优选地,通过利用所述第三X射线能谱将测量的原始数据(RD)划分成不同的原始数据记录,以及通过基于所述不同的原始数据记录重建不同的图像数据记录。
8.一种分析单元(6),用于从放射学数据记录(D1,D2,D3,D4)自动确定放射性结果数据,包括:
-数据接口(7),用于
i)至少基于第一X射线能谱(E1)的X射线数据获取第一放射学数据记录(D1),以及
ii)至少基于第二X射线能谱(E2,E3,E4)的X射线数据获取至少一个第二放射学数据记录(D2,D3,D4),
-神经网络(NN),设计用于分析放射学数据记录(D1,D2,D3,D4),所述神经网络具有带有多个单元(Z)的一个输入层(N0)、多个中间层(N1)和代表放射学结果的一个输出层(Ni),
其中,所述分析单元设计用于通过所述神经网络(NN)分析所述第一放射学数据记录(D1)和至少所述第二放射学数据记录(D2,D3,D4),其中,所述第一放射学数据记录(D1)和所述第二放射学数据记录(D2,D3,D4)的至少子集被分配给所述输入层(N0)的不同单元,以用于所述神经网络(NN)中的共同处理,以及
其中,所述分析单元被设计用于在所述输出层处获取结果数据。
9.一种特别是用于根据权利要求8所述的分析单元(6)的神经网络,包括具有多个单元(Z)的一个输入层(N0)、多个中间层(N1)和一个输出层(Ni),所述输出层表示放射学结果,所述神经网络设计为,将至少基于第一X射线能谱(E1)的X射线数据的第一放射学数据记录(D1)的以及至少基于第二X射线能谱(E2,E3,E4)的X射线数据的至少一个第二放射学数据记录(D2,D3,D4)的至少子集分配给所述输入层(N0)的不同单元,以用于共同处理,
以及所述神经网络还被设计用于,生成放射性结果数据并将所述放射性结果数据提供给所述输出层(Ni)。
10.一种用于控制x射线采集系统(1)、特别是计算机断层摄影系统(1)的控制装置(10),所述控制装置包括一个根据权利要求8所述的分析单元和/或被设计用于执行根据权利要求1至7中任一项所述的分析方法。
11.一种用于与X射线采集系统(1)、尤其与计算机断层摄影系统(1)耦合连接的诊断站(2),所述诊断站(2)包括一个根据权利要求8所述的分析单元和/或被设计用于执行根据权利要求1到7中任一项所述的分析方法。
12.一种医学成像系统(9),包括一个X射线采集系统(1)和一个根据权利要求8所述分析单元(6),优选地为根据权利要求11所述的诊断站的形式,和/或一个根据权利要求11所述的用于控制所述X射线采集系统(1)的控制装置(10)的形式。
13.根据权利要求12所述的医学成像系统,其中,所述X射线采集系统(1)具有能量分辨检测器,更优选地具有直接转换检测器。
14.一种具有计算机程序的计算机程序产品,所述计算机程序能直接加载到计算机系统的存储器装置中或医学成像系统(1)的控制装置(10)中,所述计算机程序产品具有程序段,从而在所述计算机程序在所述计算机系统中或者所述控制装置(10)中执行时,执行根据权利要求1至7中任一项所述的分析方法的所有步骤。
15.一种计算机可读介质,在所述计算机可读介质上存储有能够由计算机单元读取和执行的程序段,从而在所述程序段由所述计算机单元执行时,执行根据权利要求1至7中任一项所述的分析方法的所有步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18165007.8A EP3547254A1 (de) | 2018-03-29 | 2018-03-29 | Analyse-verfahren und analyseeinheit zur ermittlung radiologischer ergebnisdaten |
EP18165007.8 | 2018-03-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110313928A true CN110313928A (zh) | 2019-10-11 |
CN110313928B CN110313928B (zh) | 2023-10-10 |
Family
ID=61868232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910243926.6A Active CN110313928B (zh) | 2018-03-29 | 2019-03-28 | 用于确定放射性结果数据的分析方法和分析单元 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11918398B2 (zh) |
EP (1) | EP3547254A1 (zh) |
CN (1) | CN110313928B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658193B (zh) * | 2021-07-08 | 2024-04-12 | 西安理工大学 | 基于信息融合的肝脏ct影像肿瘤分割方法 |
JP7238185B1 (ja) | 2022-03-14 | 2023-03-13 | ジーイー・プレシジョン・ヘルスケア・エルエルシー | 画像生成装置、医用装置、および記憶媒体 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07287330A (ja) * | 1994-04-15 | 1995-10-31 | Fuji Photo Film Co Ltd | 画像重ね合せ方法およびエネルギーサブトラクション方法 |
CN101229063A (zh) * | 2006-12-18 | 2008-07-30 | Ge医疗系统环球技术有限公司 | X射线计算机层析摄影设备 |
CN101292877A (zh) * | 2007-04-23 | 2008-10-29 | Ge医疗系统环球技术有限公司 | X射线ct设备 |
CN102215754A (zh) * | 2007-08-15 | 2011-10-12 | 国立大学法人京都大学 | X线ct装置及x线ct方法 |
CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及系统 |
CN105581807A (zh) * | 2014-11-12 | 2016-05-18 | 西门子股份公司 | 用于基于模型的定位的断层成像设备以及方法和计算机程序 |
CN106108928A (zh) * | 2015-05-04 | 2016-11-16 | 西门子股份公司 | 根据ct扫描参数来确定时间依存的造影剂注射曲线 |
CN106251295A (zh) * | 2015-06-15 | 2016-12-21 | 西门子医疗有限公司 | 考虑轮廓显著性数据的结果图像的重建 |
CN106408522A (zh) * | 2016-06-27 | 2017-02-15 | 深圳市未来媒体技术研究院 | 一种基于卷积对神经网络的图像去噪方法 |
US20170046839A1 (en) * | 2015-08-14 | 2017-02-16 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
WO2017031088A1 (en) * | 2015-08-15 | 2017-02-23 | Salesforce.Com, Inc | Three-dimensional (3d) convolution with 3d batch normalization |
CN107133995A (zh) * | 2016-02-29 | 2017-09-05 | 西门子医疗有限公司 | 基于多能量x射线成像生成对比度增强的图像数据 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6422751B1 (en) | 1998-08-07 | 2002-07-23 | General Electric Company | Method and system for prediction of exposure and dose area product for radiographic x-ray imaging |
US7627160B2 (en) * | 2003-06-13 | 2009-12-01 | General Electric Company | Analysis of temporal change using dual or multi-energy decomposition images |
US6950492B2 (en) * | 2003-06-25 | 2005-09-27 | Besson Guy M | Dynamic multi-spectral X-ray projection imaging |
US20050238140A1 (en) * | 2003-08-20 | 2005-10-27 | Dan Hardesty | X-ray imaging system with automatic image resolution enhancement |
WO2007062392A2 (en) * | 2005-11-23 | 2007-05-31 | Riverain Medical Group, Llc | Computer-aided diagnosis using dual-energy subtraction images |
US20130342577A1 (en) * | 2012-06-20 | 2013-12-26 | Carestream Health, Inc. | Image synthesis for diagnostic review |
US9351695B2 (en) * | 2012-11-21 | 2016-05-31 | Carestream Health, Inc. | Hybrid dual energy imaging and bone suppression processing |
US20140243579A1 (en) * | 2013-02-27 | 2014-08-28 | Loyola University Chicago | Dual-energy image suppression method |
US9269168B2 (en) * | 2013-03-15 | 2016-02-23 | Carestream Health, Inc. | Volume image reconstruction using data from multiple energy spectra |
US9730643B2 (en) * | 2013-10-17 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
US9808216B2 (en) | 2014-06-20 | 2017-11-07 | Marquette University | Material decomposition of multi-spectral x-ray projections using neural networks |
CN105939667B (zh) * | 2014-12-05 | 2017-12-12 | 皇家飞利浦有限公司 | 用于生成谱计算机断层摄影投影数据的系统 |
CA2982526C (en) * | 2015-04-13 | 2020-04-14 | Case Western Reserve University | Dual energy x-ray coronary calcium grading |
DE102015207107A1 (de) * | 2015-04-20 | 2016-10-20 | Siemens Healthcare Gmbh | Verfahren zur Erzeugung einer virtuellen Röntgenprojektion anhand eines mittels Röntgenbildaufnahmevorrichtung erhaltenen Bilddatensatzes, Computerprogramm, Datenträger sowie Röntgenbildaufnahmevorrichtung |
US9965863B2 (en) * | 2016-08-26 | 2018-05-08 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
CN110337673B (zh) * | 2017-01-05 | 2023-10-20 | 通用电气公司 | 基于深度学习的在断层摄影重建中估计数据的方法和系统 |
JP7030423B2 (ja) * | 2017-04-27 | 2022-03-07 | シスメックス株式会社 | 画像解析方法、装置、プログラムおよび深層学習アルゴリズムの製造方法 |
US10966670B2 (en) * | 2017-08-07 | 2021-04-06 | Carestream Health, Inc. | Imaging system and method for dual-energy and computed tomography |
US10679346B2 (en) * | 2018-01-30 | 2020-06-09 | General Electric Company | Systems and methods for capturing deep learning training data from imaging systems |
US11382601B2 (en) * | 2018-03-01 | 2022-07-12 | Fujifilm Sonosite, Inc. | Method and apparatus for annotating ultrasound examinations |
-
2018
- 2018-03-29 EP EP18165007.8A patent/EP3547254A1/de not_active Ceased
-
2019
- 2019-03-20 US US16/358,790 patent/US11918398B2/en active Active
- 2019-03-28 CN CN201910243926.6A patent/CN110313928B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07287330A (ja) * | 1994-04-15 | 1995-10-31 | Fuji Photo Film Co Ltd | 画像重ね合せ方法およびエネルギーサブトラクション方法 |
CN101229063A (zh) * | 2006-12-18 | 2008-07-30 | Ge医疗系统环球技术有限公司 | X射线计算机层析摄影设备 |
CN101292877A (zh) * | 2007-04-23 | 2008-10-29 | Ge医疗系统环球技术有限公司 | X射线ct设备 |
CN102215754A (zh) * | 2007-08-15 | 2011-10-12 | 国立大学法人京都大学 | X线ct装置及x线ct方法 |
CN105581807A (zh) * | 2014-11-12 | 2016-05-18 | 西门子股份公司 | 用于基于模型的定位的断层成像设备以及方法和计算机程序 |
CN106108928A (zh) * | 2015-05-04 | 2016-11-16 | 西门子股份公司 | 根据ct扫描参数来确定时间依存的造影剂注射曲线 |
CN106251295A (zh) * | 2015-06-15 | 2016-12-21 | 西门子医疗有限公司 | 考虑轮廓显著性数据的结果图像的重建 |
US20170046839A1 (en) * | 2015-08-14 | 2017-02-16 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
WO2017031088A1 (en) * | 2015-08-15 | 2017-02-23 | Salesforce.Com, Inc | Three-dimensional (3d) convolution with 3d batch normalization |
CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及系统 |
CN107133995A (zh) * | 2016-02-29 | 2017-09-05 | 西门子医疗有限公司 | 基于多能量x射线成像生成对比度增强的图像数据 |
CN106408522A (zh) * | 2016-06-27 | 2017-02-15 | 深圳市未来媒体技术研究院 | 一种基于卷积对神经网络的图像去噪方法 |
Non-Patent Citations (3)
Title |
---|
RIE TACHIBANA: "Deep learning for electronic cleansing in dual-energy CT colonography", 《PROGRESS IN BIOMEDICAL OPTICS AND IMAGING》 * |
THOMAS W. ROGERS: "A deep learning framework for the", 《SPIE DEFENSE AND SECURITY SYMPOSIUM》 * |
WOO-JIN LEE: "Material depth reconstruction method of multi -energy X-ray images using neural network", 《INTERNATIONAL CONFERENCE OR IEEE》 * |
Also Published As
Publication number | Publication date |
---|---|
US11918398B2 (en) | 2024-03-05 |
EP3547254A1 (de) | 2019-10-02 |
CN110313928B (zh) | 2023-10-10 |
US20190298288A1 (en) | 2019-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11373750B2 (en) | Systems and methods for brain hemorrhage classification in medical images using an artificial intelligence network | |
US20060210131A1 (en) | Tomographic computer aided diagnosis (CAD) with multiple reconstructions | |
US10902597B2 (en) | Comparing medical images | |
CN106061393B (zh) | 辐射检测器和包括辐射检测器的计算机断层扫描设备 | |
Orlhac et al. | Radiomics in PET imaging: a practical guide for newcomers | |
US11227391B2 (en) | Image processing apparatus, medical image diagnostic apparatus, and program | |
EP3110333B1 (en) | Diagnostic imaging method and apparatus, and recording medium thereof | |
CN105335945B (zh) | 图像处理装置及图像处理方法 | |
EP3248174B1 (en) | Image data segmentation and display | |
EP2233950A2 (en) | Method and System for Inspection of Containers | |
US10143433B2 (en) | Computed tomography apparatus and method of reconstructing a computed tomography image by the computed tomography apparatus | |
EP3247275B1 (en) | Tomography imaging apparatus and method | |
CN102462504A (zh) | 用于分析和可视化能谱ct数据的系统和方法 | |
US9361711B2 (en) | Lesion-type specific reconstruction and display of digital breast tomosynthesis volumes | |
EP3692498B1 (en) | Image feature annotation in diagnostic imaging | |
WO2019060688A1 (en) | SYSTEM AND METHOD FOR LOW DOSE MULTISPECTRAL X-RAY TOMOGRAPHY | |
CN110313928A (zh) | 用于确定放射性结果数据的分析方法和分析单元 | |
KR20170087320A (ko) | 단층 영상 생성 장치 및 그에 따른 단층 영상 복원 방법 | |
CN108618797B (zh) | 用于设置多能量ct图像表示的对比度的方法和相关设备 | |
US10679742B2 (en) | Vector-valued diagnostic image encoding | |
US10140707B2 (en) | System to detect features using multiple reconstructions | |
US10687766B2 (en) | System to detect features using multiple reconstructions | |
EP4104767A1 (en) | Controlling an alert signal for spectral computed tomography imaging | |
Setianto et al. | Automatic Measurement Application of Heart Area from Chest X-Ray Images Using the U-Net Deep Learning Method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |