CN110464326B - 一种扫描参数推荐方法、系统、装置及存储介质 - Google Patents
一种扫描参数推荐方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN110464326B CN110464326B CN201910764364.XA CN201910764364A CN110464326B CN 110464326 B CN110464326 B CN 110464326B CN 201910764364 A CN201910764364 A CN 201910764364A CN 110464326 B CN110464326 B CN 110464326B
- Authority
- CN
- China
- Prior art keywords
- heart rate
- parameter
- scanning
- scanned object
- parameters
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 133
- 230000008569 process Effects 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims description 47
- 230000000747 cardiac effect Effects 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 8
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000002872 contrast media Substances 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 210000001013 sinoatrial node Anatomy 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 206010006322 Breath holding Diseases 0.000 description 1
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001734 parasympathetic effect Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/488—Diagnostic techniques involving pre-scan acquisition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/54—Control of apparatus or devices for radiation diagnosis
- A61B6/541—Control of apparatus or devices for radiation diagnosis involving acquisition triggered by a physiological signal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/54—Control of apparatus or devices for radiation diagnosis
- A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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]
Abstract
本申请实施例公开了一种扫描参数推荐方法、系统、装置及存储介质。所述方法包括:根据当前被扫描对象在未扫描过程中的第一心率参数预测所述当前被扫描对象在实际扫描过程中的第二心率参数;至少基于所述当前被扫描对象的第二心率参数,得到所述当前被扫描对象的至少一个扫描参数;以及,将所述当前被扫描对象的所述至少一个扫描参数推荐给用户。本申请根据未扫描过程中的第一心率参数预测实际扫描过程中的第二心率参数,并根据预测的第二心率参数为用户推荐适当的扫描参数,从而降低辐射剂量,缩短扫描时间,提升扫描成功率,进而提高用户的使用体验。
Description
技术领域
本申请涉及医疗技术领域,尤其涉及一种扫描参数推荐方法、系统、装置及存储介质。
背景技术
随着医疗技术的发展,医疗扫描装置的时间分辨率和图像质量越来越高。尽管如此,现有扫描装置仍然拥有一些问题,例如,无法模拟造影剂注射对于身体体征(例如,心率、血压)的影响;扫描参数比较固定,无法优化,不能满足患者的个体差异;人工设定扫描参数对用户的经验和装置熟悉度要求较高;辐射剂量超过实际扫描所需剂量等。因此,有必要提供一种扫描参数推荐方法。
发明内容
本申请实施例之一提供一种扫描参数推荐方法。所述扫描参数推荐方法可以包括:根据当前被扫描对象在未扫描过程中的第一心率参数预测所述当前被扫描对象在实际扫描过程中的第二心率参数;至少基于所述当前被扫描对象的第二心率参数,得到所述当前被扫描对象的至少一个扫描参数;以及,将所述当前被扫描对象的所述至少一个扫描参数推荐给用户。
在一些实施例中,所述根据当前被扫描对象在未扫描过程中的第一心率参数预测所述当前被扫描对象在实际扫描过程中的第二心率参数可以包括:利用心率预测模型预测所述当前被扫描对象在实际扫描过程中的第二心率参数。
在一些实施例中,所述心率预测模型的训练过程可以包括:获得样本数据,所述样本数据包括:多个历史被扫描对象在未扫描过程中的第一心率参数、以及所述多个历史被扫描对象在实际扫描过程中的第二心率参数;以所述第一心率参数作为输入,所述第二心率参数作为标识,训练所述心率预测模型。
在一些实施例中,所述心率参数可以包括:平均心率和心率波动。
在一些实施例中,所述未扫描过程可以包括所述当前被扫描对象处于平静且自由呼吸状态和/或处于模拟扫描状态。
在一些实施例中,利用心率预测模型预测所述当前被扫描对象在实际扫描过程中的第二心率参数之后,还可以包括:将预测的所述第二心率参数与所述当前被扫描对象在实际扫描过程中的实际心率做比较,基于比较结果对所述心率预测模型进行优化。
在一些实施例中,所述至少基于所述当前被扫描对象的所述第二心率参数,可以得到所述当前被扫描对象的至少一个扫描参数,所述当前被扫描对象的至少一个扫描参数可以包括:利用参数推荐模型得到所述当前被扫描对象的至少一个扫描参数。
在一些实施例中,所述参数推荐模型的训练过程可以包括:获得样本数据,所述样本数据中包括:多个历史被扫描对象的所述第二心率参数、所述多个历史被扫描对象的病历信息、以及所述多个历史被扫描对象在实际扫描过程中采用的实际扫描参数;以所述第二心率参数和病历信息作为输入,所述实际扫描参数作为标识,训练所述参数推荐模型。
在一些实施例中,将所述病历信息输入所述参数推荐模型前,还可以包括:对所述病例信息进行文本分词处理。
在一些实施例中,得到所述当前被扫描对象的至少一个扫描参数后,还可以包括:根据所述扫描参数获得扫描图像;通过至少调整所述扫描参数调整所述扫描图像的图像质量;比较多组所述扫描图像的图像质量;选择图像质量最佳的扫描图像对应的一组扫描参数,并将该组扫描参数作为优化扫描参数;将所述优化扫描参数及其对应的所述第二心率参数和病历信息补充至所述训练样本中,利用补充后的训练样本重新训练所述参数推荐模型,得到优化后的参数推荐模型。
在一些实施例中,所述扫描参数可以包括以下至少一种:采集心动周期数、采集时相范围、螺旋时的螺距以及剂量调控的时相范围。
本申请实施例之一提供一种扫描参数推荐系统,可以包括:第二心率参数获取模块:用于根据当前被扫描对象在未扫描过程中的第一心率参数预测所述当前被扫描对象在实际扫描过程中的第二心率参数;扫描参数获取模块:用于至少基于所述当前被扫描对象的所述第二心率参数,得到所述当前被扫描对象的至少一个扫描参数;以及输出模块:用于将所述当前被扫描对象的所述至少一个扫描参数推荐给用户。
本申请实施例之一提供一种扫描参数推荐装置,所述装置可以包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如扫描参数推荐方法中任意一项所述的操作。
本申请实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当所述计算机指令被处理器执行时可以实现如扫描参数推荐方法中任意一项所述的操作。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。其中:
图1是根据本申请的一些实施例所示的扫描参数推荐系统的结构框图;
图2是根据本申请的一些实施例所示的示例性流程图;
图3是根据本申请的一些实施例所示的心率预测模型的网络结构图;
以及图4是根据本申请的一些实施例所示的参数推荐模型的网络结构图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在车辆客户端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请的扫描参数推荐方法适用于计算机断层扫描仪(CT)、螺旋CT等扫描装置及其服务器、系统等。由于其可以模拟实际扫描过程中的心率情况,本申请的扫描参数推荐方法特别适用于心率对扫描结果影响较大的扫描检查,例如心脏CT扫描;由于其操作简便、可以不断优化,保证推荐的扫描参数的准确性,因而也适用于初级医生,或经验不足或对扫描装置熟悉度不高的医生。
图1是根据本申请的一些实施例所示的扫描参数推荐系统的结构框图。如图1所示,在本申请的一些实施例中,所述扫描参数推荐系统100可以包括:第二心率参数获取模块110:用于根据当前被扫描对象在未扫描过程中的第一心率参数预测所述当前被扫描对象在实际扫描过程中的第二心率;扫描参数获取模块120:用于至少基于所述当前被扫描对象的所述第二心率参数,得到所述当前被扫描对象的至少一个扫描参数;以及输出模块130:用于将所述当前被扫描对象的所述至少一个扫描参数推荐给用户。
应当理解,图1所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于候选项显示、确定系统及其模块的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,在一些实施例中,例如,图1中披露的第二心率参数获取模块110、扫描参数获取模块120可以是一个系统中的不同模块,也可以是一个模块实现上述的两个模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本申请的保护范围之内。
图2是根据本申请的一些实施例所示的示例性流程图,用于说明所述扫描参数推荐方法的实现步骤。在本申请的另一些实施例中,提供了一种扫描参数推荐方法,所述方法可以包括如下步骤:
步骤101:根据当前被扫描对象在未扫描过程中的第一心率参数预测所述当前被扫描对象在实际扫描过程中的第二心率参数。在一些实施例中,该步骤可以由系统100中的第二心率参数获取模块110执行。
在一些实施例中,第一心率参数可以是未扫描过程中根据心电图(ECG)信号记录的被扫描对象的心率参数。所述第一心率参数可以包括平均心率、心率波动等。所述平均心率可以是在未扫描过程中根据心电图信号记录的被扫描对象的心率的平均值,例如60次/分、70次/分、80次/分。所述心率波动可以是在未扫描过程中根据心电图信号记录的被扫描对象的心率的波动情况,例如60-90次/分、70-90次/分、80-105次/分等。所述心率波动还可以是在未扫描过程中根据心电图信号记录的被扫描对象的心率变化情况,例如第一个2分钟内,心率的平均值为60次/分,第二个2分钟内,心率的平均值为65次/分等。
在一些实施例中,所述未扫描过程可以是被扫描对象未被扫描的准备过程。具体地,所述未扫描过程可以包括所述当前被扫描对象处于平静且自由呼吸状态和/或处于模拟扫描状态。所述平静且自由呼吸状态可以指被扫描对象在准备过程中保持得身心平静且呼吸自由的状态。所述未扫描过程中的模拟扫描状态可以是在不进行造影剂注射和X射线曝光的条件下,根据实际扫描过程中的部分条件对被扫描对象进行模拟扫描训练。其中,所述部分条件可以包括模拟实际扫描过程中的憋气、模拟实际扫描过程中的病床移动、模拟实际扫描过程中的扫描时间、模拟实际扫描过程中的扫描声音等。
在一些实施例中,可以利用心率预测模型预测得到所述第二心率参数。所述第二心率参数可以是所述当前被扫描对象在实际扫描过程中的实际心率参数,其可以包括实际平均心率、实际心率波动等。
在一些实施例中,所述心率预测模型可以是统计模型或机器学习模型中的一种,包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-NearestNeighbor,kNN)模型、朴素贝叶斯(Naive Bayes,NB)模型、支持向量机(Support VectorMachine,SVM)、决策树(Decision Tree,DT)模型、随机森林(Random Forests,RF)模型、回归树(Classification and Regression Trees,CART)模型、梯度提升决策树(GradientBoosting Decision Tree,GBDT)模型、xgboost(eXtreme Gradient Boosting)、轻量级梯度提升机器(Light Gradient Boosting Machine,LightGBM)、梯度提升机(GradientBoosting Machines,GBM)、LASSO(Least Absolute Shrinkage and Selection Operator,LASSO)、人工神经网络(Artificial Neural Networks,ANN)模型等。
在一些实施例中,所述心率预测模型可以是长短时记忆网络(LSTM)模型。获取被扫描对象的第一心率参数(所述第一心率参数可以从脉搏信号中获得)作为LSTM模型的输入信号,选择所述被扫描对象的活动状态对应的预测模型,从而获得心率情况(第二心率参数)。所述活动状态可以是被扫描对象处于平静且自由呼吸状态和/或处于模拟扫描状态。
在一些实施例中,所述心率预测模型可以是逆高斯几率模型。逆高斯几率模型源于心电信号产生的生理机制;而心电信号的产生既来自心脏窦房节的自律性电活动,同时,又受到神经的支配。虽然交感和副交感神经输入到窦房节持续很短的时间,但它们的影响可持续数秒,即当前的心率应与历史心率(第一心率参数)有关,因此,可以将当前心率表示成具有时变的系数和方差的历史心率信号的线性组合。以逆高斯几率模型为心率模型,结合心率信号的相关性,通过点过程自适应预测算法估计逆高斯几率模型的时变参数,以此进行心率情况(第二心率参数)的预测。
在一些实施例中,所述心率预测模型可以是以数学方式限定的、基于被扫描对象的生理机能预测心率情况(第二心率参数)。因为在被扫描对象的活动水平与对象的身体所经受的生理能量需求之间存在一些映射,所以所述活动水平可以被转换为推断的生理负荷值。当生理负荷被施加到个人的生理机能时,所述被扫描对象的身体通过改变心率和心搏量(heart stroke volume)使输送到肌肉的氧气的量与生理负荷相匹配。因而,对于一特定可持续生理负荷,个体将具有一个心率,在所述心率下氧气的供应和代谢能量的需求相当地匹配。在该心率预测模型中,目标心率被指定为在恒定负荷下的特定活动状态下的心率情况(第二心率参数)。所述特定活动可以是被扫描对象处于平静且自由呼吸状态和/或处于模拟扫描状态。
在一些实施例中,所述心率预测模型可以基于被扫描对象的心率和能耗之间的关系预测心率情况。例如,通过加速度传感器采集被扫描对象在活动过程中的加速度矢量,计算被扫描对象在活动过程所产生的合加速度;通过分析合加速度在时间轴上的变化,计算被扫描对象在活动过程中能耗的变化,建立合加速度和能耗之间的关系模型;采集被扫描对象的基础信息,通过计算得到被扫描对象的基础代谢率、最大心率、最大心率下的摄氧量以及最大心率下的能耗;建立被扫描对象活动过程中心率和能耗之间的关系模型,所述能耗包括根据加速度变化所计算出的运动过程的能耗X与最大心率下的能耗Xmax,利用能耗的变化计算心率的变化,实现活动过程中针对被扫描对象心率的预测。所述活动过程可以是被扫描对象处于平静且自由呼吸状态和/或处于模拟扫描状态。
在一些实施例中,所述心率预测模型可以是自适应模型。所述自适应模型包括至少一个自适应参数,该自适应参数基于心率需求值和心率估计值(或者基于改进的心率估计值)是可调节的,且其可作为反馈不断地提供给自适应模型。获取被扫描对象的体力消耗和在同一时段内的心率情况作为输入信息;基于被扫描对象的体力消耗确定体能输出估计值;基于所述体能输出估计值和至少一个自适应参数确定用于改进心率估计值的心率需求值;以及基于所述心率需求值和所述心率情况确定对应于所述被扫描对象的预测心率情况(第二心率参数)。
在一些实施例中,所述心率预测模型可以是由被扫描对象的相关数据进行训练后得到的。所述心率预测模型的训练过程可以包括:获得样本数据。所述样本数据可以包括:多个历史被扫描对象在未扫描过程中的第一心率参数、以及所述多个历史被扫描对象在实际扫描过程中的第二心率参数。特别的,所述样本数据的对象是符合一定扫描测试的扫描条件,并且涵盖不同年龄的男性和女性。
在一些实施例中,所述心率预测模型的训练过程还可以包括:以所述第一心率参数作为输入,所述第二心率参数作为标识,训练所述心率预测模型。
图3是根据本申请的一些实施例所示的心率预测模型的网络结构图。下面以采用循环神经网络RNN作为心率预测模型,结合图3具体说明心率预测模型的训练过程。
为了刻画一个序列的当前时刻的输出信息和之前时刻的信息之间的关系,循环神经网络RNN(Recurrent neural network)可以使用长短时记忆结构LSTM(Long short-termmemory)。通过所述长短时记忆结构,循环神经网络可以记忆之前时刻的信息,并且利用所述记忆的之前时刻的信息影响之后时刻的输出信息。如图3所示,循环神经网络的隐藏层之间的节点是有连接的,隐藏层的输入信息不仅可以包括输入层的输出信息,还可以包括上一节点的隐藏层的输出信息。
因而,本申请将心率预测问题表示成为一个回归问题,并且建立对应的循环神经网络模型。
其中,t代表时刻,x代表输入层,s代表隐藏层,o代表输出层,矩阵W代表隐藏层上一次的值作为这一次的输入的权重,矩阵U是输入层到隐藏层的连接权重,矩阵V是隐藏层到输出层的连接权重。任何时间点的隐藏状态的值都是前一时刻步骤中的隐藏状态值和当前时刻的输入值进行函数计算的结果。
在一些实施例中,将被扫描对象处于平静且自由呼吸状态的第一心率参数Trainning_HRrest和被扫描对象处于模拟扫描状态的第一心率参数Trainning_HRtest按照Trainning_HRrest×alpha+Trainning_HRtest×(1-alpha)作为循环神经网络模型的输入。其中,所述alpha为模型的一个训练参数,介于0到1之间;根据所述第一心率参数(Trainning_HRrest与Trainning_HRtest的计算结果)得到的心率曲线xt输入至输入层。根据模型的输出信息和对应的所述历史被扫描对象在实际扫描过程中的第二心率参数Trainning_HRscan之间的损失函数,通过使用时间反向传播算法BPTT(Backpropagationthrough time)可以计算每次迭代之后的梯度下降,从而更新模型中的权重矩阵。当满足某一预设条件时,例如,迭代次数达到预定的次数、训练样本数量达到预定的数量、或者模型的预测正确率大于某一预定的正确率阈值,训练过程停止,并且将训练后的稳定模型指定为所述心率预测模型。
在一些实施例中,实际使用所述心率预测模型时,用户只需要输入被扫描对象的Trainning_HRrest和Trainning_HRtest,就可以预测被扫描对象的第二心率参数,即在实际扫描过程中的实际平均心率和实际心率波动。
在一些实施例中,还可以对训练好后的心率预测模型进行优化,例如,将预测的所述第二心率参数与所述当前被扫描对象在实际扫描过程中的实际平均心率和实际心率波动做比较,基于比较结果对所述心率预测模型进行优化。
具体的,被扫描对象完成扫描后,扫描装置可以自动计算得到实际扫描过程中的被扫描对象的实际心率HRscan,并且将其与预测的第二心率参数predict_HRscan进行对照。如果HRscan和predict_HRscan的差别超过预定阈值,则保存所述被扫描对象的扫描前后的ECG信号和心率参数,并且对被扫描对象进行标注。所述差别可以是HRscan和predict_HRscan的差值,此时所述预定阈值可以是绝对数值,例如10、15、20等。所述差别也可以是HRscan和predict_HRscan的比值,此时所述预定阈值可以是百分数,例如80%、85%、90%等。
当被标注的被扫描对象数量超过预定阈值时,扫描装置可以提示用户是否要优化心率预测模型。如果用户选择优化,扫描装置可以允许用户浏览所有被标注的被扫描对象的ECG信号和心率参数,并且确定是否将对应数据补充入所述样本数据。当用户确定新的样本数据后,扫描装置可以使用补充后的样本数据按照上述训练方法重新训练心率预测模型,并且在后续的扫描中应用优化后的心率预测模型。
步骤103:至少基于所述当前被扫描对象的所述第二心率参数,得到所述当前被扫描对象的至少一个扫描参数。在一些实施例中,该步骤可以由系统100中的扫描参数获取模块120执行。
在一些实施例中,所述扫描参数可以包括采集心动周期数、采集时相范围、螺旋时的螺距、剂量调控的时相范围、曝光时间、剂量调制的范围等中的至少一个参数。所述心动周期数可以是限定被扫描对象在特定数目的心动周期内完成扫描。例如,扫描参数推荐系统可以推荐用户在3个心动周期内完成对被扫描对象的扫描。所述采集时相范围可以是对被扫描对象进行扫描的时相范围。例如,扫描参数推荐系统可以推荐用户采集时相范围为30-70%,具体地,可以将一个心动周期作为一个运动时相,在一些实施例中,设定一个心动周期的时长为1,则仅采集时相范围为30-70%(即整个心动周期中时间范围为0.3~0.7)的数据,其余时间不采集数据,进一步缩短曝光时间,减小扫描对被扫描对象的影响。所述螺旋时的螺距指螺旋CT中的螺距,例如0.5、3.5、5.5等。剂量调控的时相范围可以是调节照射剂量的时相范围,例如0.45~0.85的时相范围内使用大剂量扫描,其余时相范围内使用小剂量扫描等。所述曝光时间可以是扫描射线照射被扫描对象的时间。例如,扫描参数推荐系统可以推荐用户曝光时间为1秒。所述剂量调制的范围可以是扫描被扫描对象所需的剂量。例如,扫描参数推荐系统可以推荐用户扫描的剂量调制的范围为1-3毫希(mSv)。
在一些实施例中,可以利用参数推荐模型得到所述扫描参数,所述参数推荐模型可以是统计模型或机器学习模型中的一种,包括但不限于分类与逻辑回归(LogisticRegression)模型、k-最近邻算法(K-Nearest Neighbor,kNN)模型、朴素贝叶斯(NaiveBayes,NB)模型、支持向量机(Support Vector Machine,SVM)、决策树(Decision Tree,DT)模型、随机森林(Random Forests,RF)模型、回归树(Classification and RegressionTrees,CART)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型、xgboost(eXtreme Gradient Boosting)、轻量级梯度提升机器(Light Gradient BoostingMachine,LightGBM)、梯度提升机(Gradient Boosting Machines,GBM)、LASSO(LeastAbsolute Shrinkage and Selection Operator,LASSO)、人工神经网络(ArtificialNeural Networks,ANN)模型等。
在一些实施例中,所述参数推荐模型可以根据扫描图像质量评分推荐参数。所述参数推荐模型利用扫描装置,通过设置扫描参数梯度多次获取扫描仿真人体模型的图像,获得客观图像质量指标和主观图像质量评价指标,并且建立对应关系;利用扫描装置,获取仿真图像,并且根据所述对应关系,筛选出最低有效辐射吸收剂量所对应的扫描参数。
在一些实施例中,所述参数推荐模型可以是自学模型。所述自学模型可以利用相关参数(所述相关参数可以是在扫描仪上本地可用或者在所连接的数据库中可用的参数),从属性池中识别相关特征,并且导出汇集成目标参数。所述参数推荐模型可以接收与被扫描对象的医学成像扫描相对应的输入参数,并且基于所述输入参数确定用于扫描装置的最优目标参数(推荐的扫描参数)。
在一些实施例中,所述参数推荐模型可以是经机器学习的非线性模型。所述参数推荐模型可以获取被扫描对象的历史数据,从所述历史数据中提取特征,并且针对扫描图像的参数输出推荐的扫描参数。
在一些实施例中,所述参数推荐模型可以提取被扫描对象特性、采集参数、操作者特性和/或图像质量之间关系。所述参数推荐模型可以接收被扫描对象数据,被扫描对象数据包括一个或多个重建、一个或多个初步扫描或被扫描对象信息,以及一个或多个采集参数;基于被扫描对象数据计算一个或多个被扫描对象特性;计算与所述一个或多个重建相关联的一个或多个图像特性;以及基于所述一个或多个图像特性、所述被扫描对象数据与一个或多个其它被扫描对象数据,识别适合于所述被扫描对象数据的一个或多个图像采集参数。
在一些实施例中,所述参数推荐模型可以是由被扫描对象的相关数据进行训练后得到的。所述参数推荐模型的训练过程可以包括:获得样本数据。所述样本数据可以包括:多个历史被扫描对象的所述第二心率参数、所述多个历史被扫描对象的病历信息、以及所述多个历史被扫描对象在实际扫描过程中采用的实际扫描参数。特别的,所述样本数据的对象是符合一定扫描测试的扫描条件、涵盖不同年龄的男性和女性,并且被扫描对象的扫描图像满足临床诊断的要求。当然,此处用于训练的实际扫描参数也应该是经过筛选的对应了优质图像质量的实际扫描参数。
所述参数推荐模型的训练过程可以包括:以所述第二心率参数和病历信息作为输入,所述实际扫描参数作为标识,训练所述参数推荐模型。
在一些实施例中,所述病历信息至少可以包括:被扫描对象的年龄信息、性别信息、身高体重指数、使用的药物、与被扫描对象的受试部位相关联的信息、与造影剂的注射相关的信息、扫描的诊疗目标信息(例如冠脉狭窄评估、心功能分析等)等中的至少一个。
在一些实施例中,将所述病历信息输入所述参数推荐模型前,还可以对所述病历信息进行预处理,例如文本分词处理。所述文本分词处理是中文文本处理的一个基础步骤,用于进行中文和人机语言的交互。所述文本分词处理可以包括去非文本部分、去停用词等,用于去掉样本数据中的无关信息。所述文本分词处理还可以包括Bag of Words词袋模型、N-gram语言模型、Word2vec分布式模型等模型,针对中文文本进行分词。
在一些实施例中,可以使用word2vec把被扫描对象的病历信息中的文本信息进行预处理,表达为向量的形式。具体的,建立一个包含所有词的词典,每个词在词典里面有一个唯一的编号;任意一个词都可以用一个N维的one-hot向量来表示。
通过上述向量化方法,可以将模型的原始输入(被扫描对象的年龄信息、性别信息、身高体重指数、使用的药物、与被扫描对象的受试部位相关联的信息、与造影剂的注射相关的信息、扫描的诊疗目标信息等)转换为一个高维、稀疏的向量;之后使用降维的方法,将高维的稀疏向量转变为低维的稠密向量,从而作为参数推荐模型的输入。所述降维方法可以包括缺失值比率法、低方差滤波法、高相关滤波法、主成分分析法、反向特征消除法、前项特征构造法等。
图4是根据本申请的一些实施例所示的参数推荐模型的网络结构图。下面以采用卷积神经网络作为参数推荐模型,结合图4具体说明参数推荐模型的训练过程。
本申请根据推荐的扫描参数的不同类型,可以将预测“采集心动周期数”的问题表示成为一个分类问题,并且建立对应的卷积神经网络模型1;将预测“采集时相范围”的问题表示成为一个分类问题,并且建立对应的卷积神经网络模型2。
在所述卷积神经网络模型1中,x表示输入信息,即经所述预处理方法预处理后的样本数据;y表示输出信息,即“采集心动周期数”,是某一个合理地正整数(例如,范围可以设为1-5)。可以将所述经预处理的样本数据输入所述卷积神经网络模型1中,对所述卷积神经网络模型1进行训练。当满足某一预设条件时,例如,训练样本数量达到预定的数量、或者模型的预测正确率大于某一预定的正确率阈值,训练过程停止,并且将训练后的稳定模型指定为所述参数推荐模型。
在所述卷积神经网络模型2中,x表示输入信息,即经所述预处理方法预处理后的样本数据;y表示输出信息,即“采集时相范围”,是一个处于0~1范围内的区间,精度为0.01,可以将其表示为长度为100的向量A。例如,当推荐30%~60%的时相范围时,对应向量A中的第30个元素到第60个元素全为1,其余为0。可以将所述经预处理的样本数据输入所述卷积神经网络模型2中,对所述卷积神经网络模型2进行训练。当满足某一预设条件时,例如,训练样本数量达到预定的数量、或者模型的预测正确率大于某一预定的正确率阈值,训练过程停止,并且将训练后的稳定模型指定为所述参数推荐模型。
在一些实施例中,当所述卷积神经网络模型1和所述卷积神经网络模型2训练完成后,还可以指定所述卷积神经网络模型1和所述卷积神经网络模型2组合成的卷积神经网络模型为所述参数推荐模型。
在一些实施例中,还可以对参数推荐模型进行优化,例如,根据所述扫描参数获得扫描图像;通过至少调整所述扫描参数调整所述扫描图像的图像质量;比较多组所述扫描图像的图像质量;选择图像质量最佳的扫描图像对应的一组扫描参数,并将该组扫描参数作为优化扫描参数;将所述优化扫描参数及其对应的所述第二心率参数和病历信息补充至所述训练样本中,利用补充后的训练样本重新训练所述参数推荐模型,即可得到优化后的参数推荐模型。
具体的,针对已经完成扫描的新的被扫描对象,用户可以浏览和调整其数据,获得质量优化的图像。所述被扫描对象的数据是富余的,在获得扫描图像过程中只有其中一部分数据被使用,因而用户可以调整数据范围,使用其他部分数据,获得不同的扫描图像。
根据用户调整后的成像效果,用户可以重新确定针对所述被扫描对象的优化的采集方案,并且将优化扫描参数及其对应的所述第二心率参数和病历信息等被扫描对象的相关信息补充进所述训练样本。所述优化的采集方案可以是被扫描对象的扫描图像优化后的扫描参数。
在另一些实施例中,当补充的训练样本超过一定阈值时,还可以提示用户是否执行模型优化。如果用户选择执行优化,可以采用补充后的训练样本重新训练所述参数推荐模型,并且在后续的扫描中应用优化后的参数推荐模型。
步骤105:将所述当前被扫描对象的所述至少一个扫描参数推荐给用户。在一些实施例中,该步骤可以由系统100中的输出模块130执行。
在一些实施例中,所述用户可以是计算机断层扫描仪(CT)、螺旋CT等扫描装置及其服务器、系统等的使用者,例如,影像科医生、初级医生、经验不足或对扫描装置熟悉度不高的医生,或者扫描装置的研究人员等。
在一些实施例中,用户可以使用所述扫描参数推荐系统推荐的扫描参数控制扫描装置对被扫描对象进行扫描。用户还可以根据扫描结果判断扫描参数是否合理,进而为优化扫描参数推荐系统提供参考。
需要注意的是,以上描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解本申请的原理后,可以在不背离这一原理的情况下,对实施上述扫描参数推荐方法进行形式和细节上的各种修正和改变。然而,这些变化和修改不脱离本申请的范围。
在本申请的另一些实施例中,提供了一种扫描参数推荐装置。所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如扫描参数推荐方法中任意一项所述的操作。
在本申请的另一些实施例中,提供了一种计算机可读存储介质,所述存储介质存储计算机指令,当所述计算机指令被处理器执行时实现如扫描参数推荐方法中任意一项所述的操作。
需要注意的是,以上描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解本申请的原理后,可以在不背离这一原理的情况下,对实施上述扫描参数推荐系统、方法、装置、存储介质进行形式和细节上的各种修正和改变。然而,这些变化和修改不脱离本申请的范围。例如,步骤101中的心率预测模型和步骤103中的参数推荐模型可以是一个机器学习模型的两个部分等。
本申请实施例可能带来的有益效果包括但不限于:(1)根据未扫描过程中的第一心率参数预测实际扫描过程中的第二心率参数,并根据预测的第二心率参数为用户推荐适当的扫描参数,从而降低辐射剂量,缩短扫描时间,提升扫描成功率,进而提高用户的使用体验;(2)利用真实数据训练心率预测模型,可以更好地适应不同被扫描对象的个体差异,并且兼顾由于实际扫描和模拟训练的差异导致的被扫描对象的心率变化;(3)参数推荐模型可以结合被扫描对象心率情况和其他病历信息,更好地应用于不同的被扫描对象和临床应用场景;(4)在实际使用过程中,可以采用新产生的数据不断优化心率预测模型和参数推荐模型。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
以上内容描述了本申请和/或一些其他的示例。根据上述内容,本申请还可以做出不同的变形。本申请披露的主题能够以不同的形式和例子所实现,并且本申请可以被应用于大量的应用程序中。后文权利要求中所要求保护的所有应用、修饰以及改变都属于本申请的范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”、或“一个实施例”、或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
本领域技术人员能够理解,本申请所披露的内容可以出现多种变型和改进。例如,以上所描述的不同系统组件都是通过硬件设备所实现的,但是也可能只通过软件的解决方案得以实现。例如:在现有的服务器上安装系统。此外,这里所披露的位置信息的提供可能是通过一个固件、固件/软件的组合、固件/硬件的组合或硬件/固件/软件的组合得以实现。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信能够将软件从一个计算机设备或处理器加载到另一个。例如:从放射治疗系统的一个管理服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供确定轮椅目标结构参数所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,例如,局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述属性、数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档、物件等,特将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不限于本申请明确介绍和描述的实施例。
Claims (12)
1.一种扫描参数推荐方法,其特征在于,所述方法由至少一个处理器执行,所述方法包括:
根据当前被扫描对象在未扫描过程中的第一心率参数预测所述当前被扫描对象在实际扫描过程中的第二心率参数;
至少基于所述当前被扫描对象的所述第二心率参数,得到所述当前被扫描对象的至少一个扫描参数;以及
将所述当前被扫描对象的所述至少一个扫描参数推荐给用户。
2.根据权利要求1所述的方法,其特征在于,所述根据当前被扫描对象在未扫描过程中的第一心率参数预测所述当前被扫描对象在实际扫描过程中的第二心率参数包括:
利用心率预测模型预测所述当前被扫描对象在实际扫描过程中的第二心率参数。
3.根据权利要求2所述的方法,其特征在于,所述心率预测模型的训练过程包括:
获得样本数据,所述样本数据中包括:多个历史被扫描对象在未扫描过程中的第一心率参数、以及所述多个历史被扫描对象在实际扫描过程中的第二心率参数;
以所述第一心率参数作为输入,所述第二心率参数作为标识,训练所述心率预测模型。
4.根据权利要求1所述的方法,其特征在于,所述未扫描过程包括所述当前被扫描对象处于平静且自由呼吸状态和/或处于模拟扫描状态。
5.根据权利要求2所述的方法,其特征在于,利用心率预测模型预测所述当前被扫描对象在实际扫描过程中的第二心率参数之后,还包括:将预测的所述第二心率参数与所述当前被扫描对象在实际扫描过程中的实际心率做比较,基于比较结果对所述心率预测模型进行优化。
6.根据权利要求1所述的方法,其特征在于,所述至少基于所述当前被扫描对象的所述第二心率参数,得到所述当前被扫描对象的至少一个扫描参数包括:
利用参数推荐模型得到所述当前被扫描对象的至少一个扫描参数。
7.根据权利要求6所述的方法,其特征在于,所述参数推荐模型的训练过程包括:
获得样本数据,所述样本数据中包括:多个历史被扫描对象的所述第二心率参数、所述多个历史被扫描对象的病历信息、以及所述多个历史被扫描对象在实际扫描过程中采用的实际扫描参数;
以所述第二心率参数和病历信息作为输入,所述实际扫描参数作为标识,训练所述参数推荐模型。
8.根据权利要求6所述的方法,其特征在于,得到所述当前被扫描对象的至少一个扫描参数后,还包括:
根据所述扫描参数获得扫描图像;
通过至少调整所述扫描参数调整所述扫描图像的图像质量;
比较多组所述扫描图像的图像质量;
选择图像质量最佳的扫描图像对应的一组扫描参数,并将该组扫描参数作为优化扫描参数;
将所述优化扫描参数及其对应的所述第二心率参数和病历信息补充至训练样本中,利用补充后的训练样本重新训练所述参数推荐模型,得到优化后的参数推荐模型。
9.根据权利要求1所述的方法,其特征在于,所述扫描参数包括以下至少一种:采集心动周期数、采集时相范围、螺旋时的螺距以及剂量调控的时相范围。
10.一种扫描参数推荐系统,其特征在于,包括:
第二心率参数获取模块:用于根据当前被扫描对象在未扫描过程中的第一心率参数预测所述当前被扫描对象在实际扫描过程中的第二心率参数;
扫描参数获取模块:用于至少基于所述当前被扫描对象的所述第二心率参数,得到所述当前被扫描对象的至少一个扫描参数;以及
输出模块:用于将所述当前被扫描对象的所述至少一个扫描参数推荐给用户。
11.一种扫描参数推荐装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当所述计算机指令被处理器执行时实现如权利要求1至9中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764364.XA CN110464326B (zh) | 2019-08-19 | 2019-08-19 | 一种扫描参数推荐方法、系统、装置及存储介质 |
US16/997,005 US11967429B2 (en) | 2019-08-19 | 2020-08-19 | Systems and methods for scan preparation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764364.XA CN110464326B (zh) | 2019-08-19 | 2019-08-19 | 一种扫描参数推荐方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110464326A CN110464326A (zh) | 2019-11-19 |
CN110464326B true CN110464326B (zh) | 2022-05-10 |
Family
ID=68511076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910764364.XA Active CN110464326B (zh) | 2019-08-19 | 2019-08-19 | 一种扫描参数推荐方法、系统、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11967429B2 (zh) |
CN (1) | CN110464326B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11516515B2 (en) * | 2018-09-19 | 2022-11-29 | Nippon Telegraph And Telephone Corporation | Image processing apparatus, image processing method and image processing program |
US11883206B2 (en) | 2019-07-29 | 2024-01-30 | Hologic, Inc. | Personalized breast imaging system |
WO2021062284A1 (en) | 2019-09-27 | 2021-04-01 | Hologic, Inc. | Ai system for predicting reading time and reading complexity for reviewing 2d/3d breast images |
CN112529289A (zh) * | 2020-12-07 | 2021-03-19 | 北京嘀嘀无限科技发展有限公司 | 人流扩散风险的预测方法、装置、电子设备及存储介质 |
CN114692822A (zh) * | 2020-12-31 | 2022-07-01 | 武汉联影生命科学仪器有限公司 | 扫描模型训练方法、扫描方法、装置及存储介质 |
EP4023152A1 (en) * | 2021-01-05 | 2022-07-06 | Koninklijke Philips N.V. | System and method of patient profile creation |
EP4340728A1 (en) * | 2021-05-18 | 2024-03-27 | Hologic, Inc. | Systems and methods for machine learning based optimal exposure technique prediction for acquiring mammographic images |
CN113610217B (zh) * | 2021-07-14 | 2024-04-02 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站环境温度预测方法及装置 |
CN117338315A (zh) * | 2022-06-27 | 2024-01-05 | 上海联影医疗科技股份有限公司 | 一种光子计数ct的成像方法和系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6154516A (en) * | 1998-09-04 | 2000-11-28 | Picker International, Inc. | Cardiac CT system |
CN1440725A (zh) * | 2002-02-27 | 2003-09-10 | 株式会社东芝 | X射线计算机层析摄影装置 |
EP1350539A1 (en) * | 2002-04-03 | 2003-10-08 | Osypka Medical GmbH | Apparatus for automatic determination of hemodynamically optimal cardiac pacing parameter values |
WO2005067383A2 (en) * | 2004-01-13 | 2005-07-28 | Spectrum Dynamics Llc | Multi-dimensional image reconstruction |
CN101472381A (zh) * | 2007-12-29 | 2009-07-01 | Ge医疗系统环球技术有限公司 | 控制x射线ct系统中的x射线曝光的方法 |
EP2205156A2 (en) * | 2007-10-30 | 2010-07-14 | Koninklijke Philips Electronics N.V. | Prospective cardiac gating in computed tomography |
CN102576387A (zh) * | 2009-10-22 | 2012-07-11 | 皇家飞利浦电子股份有限公司 | 扫描参数策略 |
CN103083035A (zh) * | 2013-01-14 | 2013-05-08 | 包头市中心医院 | Flash双源CT大螺距扫描模式心脏头颈部血管联合成像方法 |
CN103892860A (zh) * | 2012-12-28 | 2014-07-02 | Ge医疗系统环球技术有限公司 | 为造影扫描自动确定参数的方法和系统 |
CN103961117A (zh) * | 2013-01-24 | 2014-08-06 | 西门子公司 | 对预计的造影剂变化的预测 |
CN104224218A (zh) * | 2014-08-06 | 2014-12-24 | 沈阳东软医疗系统有限公司 | 一种提供扫描协议的参考信息的方法及装置 |
CN108348212A (zh) * | 2015-10-28 | 2018-07-31 | 皇家飞利浦有限公司 | 用于发射断层摄影中的suv确定的设备和方法 |
CN108814580A (zh) * | 2018-04-18 | 2018-11-16 | 深圳市康年颐华智能科技有限公司 | 一种无接触式心率测试的方法及相关设备 |
CN108926338A (zh) * | 2018-05-31 | 2018-12-04 | 中南民族大学 | 基于深度学习的心率预测方法及装置 |
TW201843647A (zh) * | 2017-05-02 | 2018-12-16 | 美商艾維泰公司 | 用於促進影像系統之自主控制的系統及方法 |
CN109409053A (zh) * | 2017-08-15 | 2019-03-01 | 南昌欧菲生物识别技术有限公司 | 跑步机控制设备和方法 |
CN109686433A (zh) * | 2018-12-28 | 2019-04-26 | 上海联影医疗科技有限公司 | 医学影像设备设置方法、装置、设备和非暂态存储介质 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030208106A1 (en) * | 2002-05-03 | 2003-11-06 | Cortex Biophysik Gmbh | Method of cardiac risk assessment |
CN100518652C (zh) * | 2005-09-07 | 2009-07-29 | 株式会社东芝 | X射线计算机断层摄影装置 |
US20100217139A1 (en) * | 2005-11-30 | 2010-08-26 | Koninklijke Philips Electronics N.V. | Heart rate measurement |
US7974682B2 (en) * | 2006-11-22 | 2011-07-05 | Marcela Gonzalez Molezzi | System and method to adaptively control contrast-enhanced diagnostic imaging procedure |
WO2008155738A2 (en) * | 2007-06-21 | 2008-12-24 | Koninklijke Philips Electronics N.V. | Adjusting acquisition protocols for dynamic medical imaging using dynamic models |
US8237788B2 (en) | 2007-08-23 | 2012-08-07 | 3D Systems, Inc. | Methods of automatic geometric calibration using laser scanning reflectometry |
US10872322B2 (en) * | 2008-03-21 | 2020-12-22 | Dressbot, Inc. | System and method for collaborative shopping, business and entertainment |
US8577442B2 (en) * | 2009-03-24 | 2013-11-05 | Kabushiki Kaisha Toshiba | Magnetic resonance imaging apparatus and magnetic resonance imaging method |
JP5954764B2 (ja) * | 2010-12-13 | 2016-07-20 | 東芝メディカルシステムズ株式会社 | 超音波診断装置、画像処理装置及び画像処理方法 |
KR20130049523A (ko) * | 2011-11-04 | 2013-05-14 | 오수미 | 인트라 예측 블록 생성 장치 |
US10485503B2 (en) * | 2012-02-27 | 2019-11-26 | Koninklijke Philips N.V. | Spectral imaging |
FR3025112A1 (fr) * | 2014-09-02 | 2016-03-04 | Univ Bordeaux | Methode de controle d'une zone ciblee du cœur, methode d'ablation d'une zone ciblee du cœur, systemes associes |
US10321886B2 (en) * | 2016-01-25 | 2019-06-18 | Samsung Electronics Co., Ltd. | Workstation, medical imaging apparatus having the same and method for controlling thereof |
EP3406189A1 (en) | 2017-05-25 | 2018-11-28 | Tata Consultancy Services Limited | System and method for heart rate estimation |
US10950343B2 (en) | 2017-06-29 | 2021-03-16 | Siemens Healthcare Gmbh | Highlighting best-matching choices of acquisition and reconstruction parameters |
JP2021502196A (ja) * | 2017-11-13 | 2021-01-28 | バイオコンパティブルズ ユーケー リミテッド | 磁気共鳴イメージング検出を備えた冷凍アブレーションシステム |
EP3626167A1 (en) | 2018-09-21 | 2020-03-25 | IMEC vzw | A method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation |
CN110420019B (zh) | 2019-07-29 | 2021-04-20 | 西安电子科技大学 | 一种心冲击图信号的深度回归心率估计方法 |
CN111128345B (zh) | 2019-11-19 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 医学图像的获取方法、医学扫描设备和计算机存储介质 |
CN110811623A (zh) | 2019-11-21 | 2020-02-21 | 上海联影医疗科技有限公司 | 医学图像扫描计划方法、装置、设备及存储介质 |
-
2019
- 2019-08-19 CN CN201910764364.XA patent/CN110464326B/zh active Active
-
2020
- 2020-08-19 US US16/997,005 patent/US11967429B2/en active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6154516A (en) * | 1998-09-04 | 2000-11-28 | Picker International, Inc. | Cardiac CT system |
CN1440725A (zh) * | 2002-02-27 | 2003-09-10 | 株式会社东芝 | X射线计算机层析摄影装置 |
EP1350539A1 (en) * | 2002-04-03 | 2003-10-08 | Osypka Medical GmbH | Apparatus for automatic determination of hemodynamically optimal cardiac pacing parameter values |
WO2005067383A2 (en) * | 2004-01-13 | 2005-07-28 | Spectrum Dynamics Llc | Multi-dimensional image reconstruction |
EP2205156A2 (en) * | 2007-10-30 | 2010-07-14 | Koninklijke Philips Electronics N.V. | Prospective cardiac gating in computed tomography |
CN101472381A (zh) * | 2007-12-29 | 2009-07-01 | Ge医疗系统环球技术有限公司 | 控制x射线ct系统中的x射线曝光的方法 |
CN102576387A (zh) * | 2009-10-22 | 2012-07-11 | 皇家飞利浦电子股份有限公司 | 扫描参数策略 |
CN103892860A (zh) * | 2012-12-28 | 2014-07-02 | Ge医疗系统环球技术有限公司 | 为造影扫描自动确定参数的方法和系统 |
CN103083035A (zh) * | 2013-01-14 | 2013-05-08 | 包头市中心医院 | Flash双源CT大螺距扫描模式心脏头颈部血管联合成像方法 |
CN103961117A (zh) * | 2013-01-24 | 2014-08-06 | 西门子公司 | 对预计的造影剂变化的预测 |
CN104224218A (zh) * | 2014-08-06 | 2014-12-24 | 沈阳东软医疗系统有限公司 | 一种提供扫描协议的参考信息的方法及装置 |
CN108348212A (zh) * | 2015-10-28 | 2018-07-31 | 皇家飞利浦有限公司 | 用于发射断层摄影中的suv确定的设备和方法 |
TW201843647A (zh) * | 2017-05-02 | 2018-12-16 | 美商艾維泰公司 | 用於促進影像系統之自主控制的系統及方法 |
CN109409053A (zh) * | 2017-08-15 | 2019-03-01 | 南昌欧菲生物识别技术有限公司 | 跑步机控制设备和方法 |
CN108814580A (zh) * | 2018-04-18 | 2018-11-16 | 深圳市康年颐华智能科技有限公司 | 一种无接触式心率测试的方法及相关设备 |
CN108926338A (zh) * | 2018-05-31 | 2018-12-04 | 中南民族大学 | 基于深度学习的心率预测方法及装置 |
CN109686433A (zh) * | 2018-12-28 | 2019-04-26 | 上海联影医疗科技有限公司 | 医学影像设备设置方法、装置、设备和非暂态存储介质 |
Non-Patent Citations (1)
Title |
---|
邸杰.心率过快、心律不齐患者64层螺旋CT冠状动脉成像与冠状动脉造影的对比研究.《 中国优秀硕士论文电子期刊网-医药卫生科技》.2012,E062-41. * |
Also Published As
Publication number | Publication date |
---|---|
US20200381125A1 (en) | 2020-12-03 |
US11967429B2 (en) | 2024-04-23 |
CN110464326A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110464326B (zh) | 一种扫描参数推荐方法、系统、装置及存储介质 | |
US11517235B2 (en) | Machine differentiation of abnormalities in bioelectromagnetic fields | |
US11538161B2 (en) | Systems and methods for determining blood vessel conditions | |
CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
US10984905B2 (en) | Artificial intelligence for physiological quantification in medical imaging | |
US20190150867A1 (en) | Diagnostic Method, Method for Validation of Diagnostic Method, and Treatment Method | |
US20210151187A1 (en) | Data-Driven Estimation of Predictive Digital Twin Models from Medical Data | |
US11900660B2 (en) | Diagnostic method, method for validation of diagnostic method, and treatment method | |
Xie et al. | Benchmark Machine Learning Approaches with Classical Time Series Approaches on the Blood Glucose Level Prediction Challenge. | |
US11903714B2 (en) | Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease | |
US20190117088A1 (en) | Diagnostic Method, Method for Validation of Diagnostic Method, and Treatment Method | |
US20200258627A1 (en) | Systems, devices, software, and methods for a platform architecture | |
US20150325139A1 (en) | Apparatus and method for supporting rehabilitation of brain-damaged patient | |
US20190117181A1 (en) | Diagnostic Method, Method for Validation of Diagnostic Method, and Treatment Method | |
WO2018106146A2 (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
US20220130520A1 (en) | System and methods for radiographic image quality assessment and protocol optimization | |
Khan et al. | AT2GRU: A human emotion recognition model with mitigated device heterogeneity | |
WO2020106284A1 (en) | Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease | |
US20210241116A1 (en) | Quantification and estimation based on digital twin output | |
EP4000520A1 (en) | Method and system for sensor signals dependent dialog generation during a medical imaging process | |
CN114795268A (zh) | 智能呼吸导航的方法、装置及存储介质 | |
CN114241261A (zh) | 基于图像处理的皮肤病识别方法、装置、设备及存储介质 | |
WO2020163593A1 (en) | Systems, devices, software, and methods for a platform architecture | |
Dey et al. | Artificial neural network–based modelling of pacemaker and its pace tracking using discrete wavelet transform–based finite dimension repetitive controller |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |