CN110993063B - 用于便于由放射科医师和人工智能算法进行联合解释的扫描仪处的医学图像预处理 - Google Patents

Abstract

公开了一种用于在医学图像扫描仪处进行医学图像预处理的方法和系统，其便于由放射科医师和人工智能算法对医学图像进行联合解释。通过使用医学图像扫描仪实行患者的医学图像扫描来获取原始医学图像数据。获取与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据。使用经训练的基于机器学习的模型、基于与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据，来选择应用于原始医学图像数据的一组预处理算法。通过将所选择的一组预处理算法应用于原始医学图像数据，来根据该原始医学图像数据生成一个或多个医学图像。

Description

用于便于由放射科医师和人工智能算法进行联合解释的扫描 仪处的医学图像预处理

技术领域

本发明涉及在用于获取医学图像数据的医学图像扫描仪处对医学图像数据进行预处理，并且更特别地涉及医学图像扫描仪处的医学图像预处理，以便于由放射科医师和人工智能算法对医学图像进行联合解释。

背景技术

正在快速地引入各种基于人工智能（AI）的图像分析算法，以用于辅助放射学阅读和报告工作流程。这些算法是在回顾性地收集的医学图像上训练的，这些医学图像全部是通过将“预处理”算法应用到由医学图像扫描仪（例如，计算机断层扫描（CT）扫描仪、磁共振（MR）扫描仪、超声扫描仪、正电子发射断层扫描（PET）扫描仪等）获取的原始数据而生成的，其主要目的是生成医学图像以由放射科医师进行视觉分析。结果，原始医学图像数据中的大量信息未被用于训练AI算法。此外，预处理算法是在不了解下游工作流程（即，放射科医师将在有AI系统的帮助下还是在没有AI系统的帮助下阅读图像，并且如果有AI系统帮助，那么将使用何种算法来进行解释）的情况下被应用在扫描仪处的。

为了生成医学图像，医学图像扫描仪对患者进行扫描以获取原始数据，并且预处理算法被应用于原始数据以根据原始数据来重建2D或3D医学图像。在当前的实践中，实行图像重建的主要目的是创建人类可解释的图像，然后放射科医师可以对该人类可解释的图像进行分析。在某些实例中，实行多个重建实例，每个实例使用不同的参数集。此外，还实行其他图像预处理算法（诸如过滤、去噪等）以帮助人类对图像进行视觉解释。然而，这些预处理算法没有被告知关于针对所得医学图像的下游工作流程。

发明内容

本发明提供了一种用于基于计算机的医学图像预处理的方法和系统，该基于计算机的医学图像预处理是基于要对所获取的医学图像数据实行的下游任务而自动定制的。

在本发明的实施例中，一种用于医学图像获取和预处理的方法包括：通过使用医学图像扫描仪实行患者的医学图像扫描来获取原始医学图像数据；获取与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据；使用经训练的基于机器学习的模型、基于与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据，来选择应用于原始医学图像数据的一组预处理算法；以及通过将所选择的一组预处理算法应用于原始医学图像数据，来根据该原始医学图像数据生成一个或多个医学图像。

在实施例中，使用经训练的基于机器学习的模型、基于与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据来选择应用于原始医学图像数据的一组预处理算法包括：选择第一组一个或多个预处理算法，以用于生成用于人类视觉解释的一个或多个医学图像；以及选择第二组一个或多个预处理算法，以用于生成用于使用一个或多个可用下游自动化图像分析算法进行自动化图像分析的一个或多个医学图像。

在实施例中，通过将所选择的一组预处理算法应用于原始医学图像数据来根据该原始医学图像数据生成一个或多个医学图像包括：通过将第一组一个或多个预处理算法应用于原始医学图像数据来生成用于人类视觉解释的一个或多个医学图像；以及通过将第二组预处理算法应用于原始医学图像数据来生成用于自动化图像分析的一个或多个医学图像。

在实施例中，该方法进一步包括：在显示设备上显示使用第一组预处理算法生成的用于人类视觉解释的一个或多个医学图像；以及提供使用第二组预处理算法生成的用于自动化图像分析的一个或多个医学图像，作为对一个或多个可用下游自动化图像分析算法的输入

在实施例中，该方法进一步包括：将由一个或多个可用下游自动化图像分析算法对使用第二组预处理算法生成的一个或多个医学图像实行的自动化图像分析的结果显示在使用第一组预处理算法生成的一个或多个医学图像上。

在实施例中，第一组预处理算法和第二组预处理算法包括具有不同设置的重建算法。

在实施例中，第二组预处理算法包括：与被预测要应用于医学图像扫描的多个可用下游自动化图像分析算法中的每一个相对应的一个或多个预处理算法，并且通过将第二组预处理算法应用于原始医学图像数据来生成用于自动化图像分析的一个或多个医学图像包括：使用第二组预处理算法中的对应的一个或多个预处理算法，来生成适合于被预测要应用于医学图像扫描的多个可用下游自动化图像分析算法中的每一个的相应医学图像。

在实施例中，经训练的基于机器学习的模型是基于使用各种各样的预处理算法获取的训练图像的训练数据库、通过将使用一个或多个可用下游自动化图像处理算法确定的训练图像的输出解释与训练图像的基本事实（ground truth）解释进行比较而被训练的。

在本发明的实施例中，一种用于医学图像获取和预处理的装置包括：用于通过使用医学图像扫描仪实行患者的医学图像扫描来获取原始医学图像数据的部件；用于获取与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据的部件；用于使用经训练的基于机器学习的模型、基于与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据来选择应用于原始医学图像数据的一组预处理算法的部件；以及用于通过将所选择的一组预处理算法应用于原始医学图像数据来根据该原始医学图像数据生成一个或多个医学图像的部件。

在本发明的实施例中，一种非暂时性计算机可读介质存储用于医学图像获取和预处理的计算机程序指令。计算机程序指令在由处理器执行时使处理器实行包括以下各项的操作：通过控制医学图像扫描仪实行患者的医学图像扫描来获取原始医学图像数据；获取与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据；使用经训练的基于机器学习的模型、基于与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据，来选择应用于原始医学图像数据的一组预处理算法；以及通过将所选择的一组预处理算法应用于原始医学图像数据，来根据该原始医学图像数据生成一个或多个医学图像。

通过参考下面的详细描述和附图，本发明的这些优点以及其他优点对本领域普通技术人员来说将是显而易见的。

附图说明

图1图示了根据本发明实施例的系统或实行医学图像预处理和预处理流水线；

图2图示了根据本发明实施例的用于训练机器学习模型的方法，该机器学习模型用于选择针对要对医学图像实行的可能下游任务而定制的预处理算法；

图3图示了根据本发明实施例的医学图像预处理的方法，以便于由放射科医师和人工智能算法对医学图像进行联合解释；以及

图4是能够实现本发明的计算机的高级框图。

具体实施方式

本发明涉及在医学图像扫描仪处进行医学图像预处理，以便于由放射科医师和人工智能算法对医学图像进行联合解释。本发明的实施例提供了一种用于基于计算机的医学图像预处理的方法和系统，该医学图像预处理是基于要对所获取的医学图像数据实行的下游任务而自动定制的。数字图像经常由一个或多个对象（或形状）的数字表示所组成。对象的数字表示经常在本文中就识别和操纵对象方面而被描述。这种操纵是在存储器或计算机系统的其他电路/硬件中完成的虚拟操纵。因此要理解的是，可以在计算机系统内使用存储在该计算机系统或远程计算机系统内的数据来实行本发明的实施例。

在本发明的一个实施例中，医学图像预处理可以指代图像重建的任务，该任务将从医学图像扫描仪获取的原始数据转换成人类可感知的医学图像。在其他实施例中，预处理还可以指代图像过滤、去噪、增强和/或其他类型的医学图像预处理算法。

在当前的实践中，实行预处理步骤的主要目的是创建人类可解释的图像，然后放射科医师可以对该人类可解释的图像进行分析。由放射科医师实行的下游分析任务可以是完全手动的（即，在视觉上观察图像中的图案并且将它们分类为医学发现），或者是半自动化的（即，采用图像处理工具和算法）。然而，预处理步骤没有被告知关于要对所得医学图像实行的下游分析任务。本发明的实施例基于要对获取的医学图像数据实行的下游任务来自动定制预处理算法，这提供了如下益处：生成更适合于要实行的具体分析任务的医学图像，以及便于由放射科医师和人工智能算法对医学图像进行联合解释。

图1图示了根据本发明实施例的系统或实行医学图像预处理和预处理流水线。如图1中所示，该系统包括医学成像扫描仪100和预处理控制器102。医学成像扫描仪100对患者进行扫描并且从该扫描中获取原始医学图像数据。医学成像扫描仪100可以是计算机断层扫描（CT）扫描仪、磁共振（MR）扫描仪、超声扫描仪、正电子发射断层扫描（PET）扫描仪、或者是对应于医学成像模态使用的任何其他类型的扫描仪。取决于医学成像模态的类型，原始医学图像数据可以采用投影图像（例如，CT）、k空间数据（在MR中）、声学数据（超声波）、声波图等的形式。由医学成像扫描仪100获取的原始医学数据由许多预处理算法进行预处理，该预处理算法包括产生用于人类（例如，放射科医师）进行视觉解释的医学图像的第一组预处理算法104（预处理算法1至预处理算法k），而第二组预处理算法106（预处理算法k+1至预处理算法N）生成专门用于由自动化图像分析算法处理的医学图像。

预处理控制器102确定应该执行哪些特定的预处理算法以及针对特定扫描利用哪些参数。预处理控制器102在由结合在医学成像扫描仪100内或连接到医学成像扫描仪100的计算机系统上实现。在有利实施例中，预处理控制器102和医学成像扫描仪100被实现为同一设备的部分。预处理控制器由一个或多个处理器实现，该处理器执行存储在存储装置中以及加载到存储器中的一组计算机程序指令。预处理控制器102基于可以手动配置或自动确定的准则来确定哪些预处理算法要应用于给定扫描以及要使用预处理算法的哪些参数。

在有利实施例中，预处理控制器执行基于自动机器学习的算法，以选择要应用的预处理算法和/或预处理算法的参数。在基于机器学习的算法中，预处理控制器接收以下参数中的一个或多个作为输入：

·医学成像扫描的临床指示；

·扫描的目的——例如，划入具体疾病、排除具体疾病或病症、治疗计划等；

·患者特定的数据，诸如身高、体重、年龄、性别、临床历史、共病等；

·扫描特定的数据，诸如kV电平、所使用的对比度的量、准直设置等；

·来自相同患者的其他先前成像研究；和/或

·来自下游阅读/报告工作流程的信息，包括：

○自动图像处理算法的可用性及其记录的性能准则（例如，针对检测特定异常的灵敏度和特异性；在其上训练可用自动化图像处理算法的输入数据的类型；它们的来自监管机构批准的临床指示；等）；和/或

○将实行解释的放射科医师的临床专业（specialty）。

关于哪些下游自动图像处理算法可用的信息、以及与可用下游自动图像处理算法相关联的准则/信息可以被本地存储在扫描仪/预处理控制器设备的存储装置或存储器中，或者存储在扫描仪/预处理控制器设备可访问的远程数据库中。可以由预处理控制器102从医学成像扫描仪100直接获取扫描特定的数据。包括扫描的临床指示、扫描的目的、患者特定的数据、患者的其他先前医学图像以及将实行医学图像解释的放射科医师的临床专业的输入信息可以从患者的电子病历中被自动读取。例如，患者的包含输入信息的这种电子病历可以存储在患者电子病历的数据库中，该数据库可以由预处理控制器102访问以检索相关信息。替换地，该输入信息中的一些或全部可以由用户（例如，放射科医师）手动输入。

预处理控制器102将输入参数输入到经训练的机器学习模型中，该机器学习模型确定要对医学成像扫描仪100获取的原始数据实行哪些预处理算法、以及预处理算法的具体参数。预处理控制器102/机器学习模型从一组可用的可能预处理算法中选择预处理算法。这导致确定了以下各项：第一组一个或多个预处理算法104，其生成用于由人类108进行视觉解释的医学图像；以及第二组一个或多个预处理算法106，其生成用于由自动图像分析算法110进行处理的医学图像。如图1中所示，由人类108对使用第一组预处理算法104生成的医学图像进行的视觉分析可以与由基于自动化人工智能的图像分析算法110对使用第二组预处理算法106生成的医学图像进行的自动图像分析进行组合，以从患者的医学成像扫描中确定最终发现。因此，图1的系统便于由人类（例如，放射科医师）和基于自动人工智能的图像分析算法对医学成像扫描进行联合下游解释。

图2图示了根据本发明实施例的用于训练机器学习模型的方法，该机器学习模型用于选择针对要对医学图像实行的可能下游任务而定制的预处理算法。在步骤202处，创建使用各种预处理算法和参数所生成的训练图像的数据库。创建训练数据库，该训练数据库包括利用各种各样的预处理算法（其具有不同的参与者（partaker）设置/参数）进行预处理的医学图像、连同针对每一个训练图像的已知输入参数。针对每个训练图像的输入参数可以包括被输入到预处理控制器的上述输入参数的全部或子集。

在步骤204处，针对各种图像分析任务定义基本事实解释，并且针对训练图像确定输出解释。针对每一个训练图像，可以确定由一个或若干个放射科医师和一个或多个人工智能（AI）图像分析算法所做出的输出解释。可以由实行训练图像的相关图像分析任务的一个或多个放射科医师以及通过针对与训练图像相关的每个图像分析任务实行一个或多个AI图像分析算法来实行对给定训练图像的解释。定义每个图像分析任务的基本事实解释，以建立针对图像分析任务结果的对象度量，该对象度量可以与针对每个图像确定的输出解释（即，使用特定算法对给定图像实行图像分析任务的结果）进行比较。每个图像分析任务的基本事实解释可以通过从若干个不同的人类解释和/或用于实行图像分析任务的AI算法中进行多数投票来定义，或者通过针对图像分析任务提供了对象最佳结果的黄金标准临床测验（exam）来定义。例如，在肿瘤识别或分类任务的情况下，基本事实解释可以是来自活组织检查而不是来自医学图像特征的发现。在这种情况下，在训练期间，将使用用于基于图像的肿瘤识别或分类的AI算法的结果而确定的训练图像的输出解释与根据对应患者的活组织检查而确定的训练图像的基本事实解释进行比较。另一个示例针对用于评估冠状动脉中的狭窄严重性的图像分析任务。已经开发了各种非侵入式算法以用于冠状动脉中的狭窄严重性的基于医学图像的评估，该算法包括使用基于机器学习的技术的算法和使用计算流体动力学仿真的算法。在这种情况下，基本事实解释可以是血液动力学量度（诸如，血流储备分数（FFR）或瞬时无波形比率（IFR））的侵入式测量结果而不是图像的视觉或定量评估。在训练期间，将使用用于基于图像的狭窄严重性评估的各种算法而确定的每个训练图像的输出FFR或IFR值与关联于每个训练图像的基本事实侵入性FFR或IFR值进行比较。

在步骤206处，基于训练图像、输入参数、针对训练图像确定的输出解释以及与训练图像相关联的基本事实解释来训练机器学习模型。机器学习模型被训练成：将输入医学图像和相关联的输入参数映射到要对医学图像实行的一组算法和算法设置/参数。机器学习模型被训练成：基于医学图像和相关联的输入参数来识别各种下游医学图像分析任务和/或用以实行与输入医学图像相关联的那些任务的AI算法；以及确定最适合下游图像分析任务和/或用以实行那些任务的AI算法的一组预处理算法。由机器学习模型输出的该组预处理算法可以包括适合于针对一个或多个图像分析任务的医学图像的人类视觉解释的一个或多个预处理算法、以及适合于针对一个或多个图像分析任务的各种AI图像分析算法的一个或多个预处理算法。针对与给定一组训练图像相关的每个任务、以及用以实行该任务的每个可用下游AI算法，机器学习模型将使用AI图像分析算法针对训练图像而确定的输出解释与基本事实解释进行比较。由于训练图像是利用各种不同的预处理算法和设置/参数进行预处理的，因此机器学习模型被训练成学习如下预处理算法和设置：与基本事实解释相比，该预处理算法和设置提供了针对输出解释的最准确的结果。因此，机器学习可以学习哪些预处理算法和设置对于各种可能的下游AI图像分析算法是最佳的。在有利实施例中，机器学习模型可以使用利用任何深度学习算法训练的深度神经网络（DNN）来实现。例如，在可能的实现方式中，机器学习模型可以是使用深度强化学习训练的DNN，但是本发明不限于此。

图3图示了根据本发明实施例的医学图像预处理的方法，以便于由放射科医师和人工智能算法对医学图像进行联合解释。在有利实施例中，图3的方法由医学图像扫描仪处的一个或多个处理器实行。

在步骤302处，由医学图像扫描仪来获取原始医学图像数据。医学成像扫描仪可以是计算机断层扫描（CT）扫描仪、磁共振（MR）扫描仪、超声扫描仪、正电子发射断层扫描（PET）扫描仪、或者是对应于医学成像模态使用的任何其他类型的扫描仪。使用医学图像扫描仪来扫描患者或患者的部分，并且医学图像扫描仪获取表示患者的解剖结构的原始医学图像数据。

在步骤304处，接收/检索与医学图像扫描和可用下游图像处理算法相对应的输入数据。该输入数据可以包括与扫描和患者相关的以下参数中的一个或多个：医学成像扫描的临床指示；扫描的目的，例如，划入具体疾病、排除具体疾病或病症、治疗计划等；患者（作为扫描的主体）的患者特定的数据，诸如身高、体重、年龄、性别、临床历史、共病等；扫描特定的数据，诸如kV电平、所使用的对比度的量、准直设置等；以及来自相同患者的其他先前成像研究。输入数据还可以包括与可用下游图像处理算法以及要实行的下游图像处理任务相关的参数，包括：标识可用下游自动图像处理算法及其记录的性能准则（例如，针对检测特定异常的灵敏度和特异性；在其上训练可用自动化图像处理算法的输入数据的类型；它们的来自监管机构批准的临床指示；等）的信息；以及将实行下游解释的放射科医师的临床专业。

关于哪些下游自动图像处理算法可用的信息、以及与可用下游自动图像处理算法相关联的准则/信息可以从图像获取设备上的本地存储装置或存储器中检索或者从远程数据库中检索。可以从用于实行患者扫描的医学成像扫描仪的设置以及所获取的原始图像数据中直接获取扫描特定的数据。输入数据（包括扫描的临床指示、扫描的目的、患者特定的数据、患者的其他先前医学图像、以及将实行医学图像的解释的放射科医师的临床专业）可以从患者的电子病历中自动读取。替换地，该输入数据中的一些或全部可以由用户（例如，放射科医师）手动输入。

在步骤306处，使用经训练的机器学习模型来确定用于扫描的一组预处理算法。经训练的机器学习模型被训练成将与扫描相关联的输入数据映射到一组预处理算法，该预处理算法将根据该扫描来生成最适合于要对该扫描实行的下游的人类图像分析和基于AI的图像分析的医学图像。根据有利实施例，经训练的机器学习模型选择第一组预处理算法以生成用于人类视觉解释的一个或多个医学图像，并且选择第二组预处理算法以生成最适合于一个或多个自动化基于AI的图像分析算法的一个或多个医学图像。机器学习模型可以预测有可能要对扫描实行的多个不同的自动化基于AI的图像分析算法，并且第二组预处理算法可以包括对应于所预测的多个基于AI的图像分析算法中的每一个的相应预处理算法，用以生成最适合于所预测的基于AI的算法中的每一个的相应医学图像。

第一组预处理算法可以包括多种不同类型的算法，诸如图像重建算法、过滤算法、去噪算法等，它们可以被一起用来生成最适合于人类视觉解释的所得的医学图像。还有可能的是，第一组预处理算法包括：相同类型的多个不同算法（例如，多个重建算法、多个过滤算法等）；或者将导致生成用于合适的人类视觉解释的多个不同医学图像的相同预处理算法的不同版本。在有利实施例中，第二组预处理算法将包括来自第一组预处理算法的不同组的预处理算法。第二组预处理算法可以包括与第一组预处理算法完全不同的预处理算法（例如，用于重建、过滤、去噪等），或者可以包括具有不同设置或参数的相同算法。如本文中使用的，利用不同参数实行的相同预处理算法被认为是该组预处理算法中的两个不同的预处理算法。第二组预处理算法可以包括用于每个所预测的基于AI的图像分析算法的不同预处理算法（或具有不同设置/参数的预处理算法）。第二组预处理算法可以包括多种不同类型的算法（例如，重建、过滤、去噪等），这些算法可以被一起用来生成最适合于每个所预测的下游的基于AI的图像分析算法的医学图像。

使用经训练的机器学习模型，具体下游任务（以及相关联的基于AI的算法）的知识可以用于设置预处理算法（诸如，图像重建算法）的参数。例如，如果要对CT图像实行图像分割，则可以针对实行分割的自动化AI算法选择具有尖锐（sharp）内核的重建，而针对要由放射科医师解释的医学图像使用具有平滑（smooth）内核的重建。在这种情况下，图像分割的结果可以显示在与自动化分割算法所分析的图像不同的图像上。例如，可以在平滑内核图像上向放射科医师呈现在尖锐内核医学图像上实行的分割的结果。

经训练的机器学习模型可以取决于扫描的目的来选择不同的预处理算法。例如，如果扫描的临床指示是划入或者排除特定疾病的发现，则预处理控制器可以被编程为调用针对特定任务而不是针对其他图像解释定制的预处理算法。通过了解下游AI算法对疾病检测的敏感性和特异性，预处理控制器可以创建多个医学图像（通过应用不同的预处理算法），并且基于下游AI算法到该多个医学图像的应用来获得下游AI算法的置信水平。然后可以将该置信水平呈现给放射科医师，或者可以使用该置信水平以将来自放射科医师的解释的结果与AI算法的结果融合。

在步骤308处，使用所确定的一组预处理算法来生成医学图像。第一组预处理算法被应用于由医学图像扫描仪获取的原始医学图像数据，以生成适合于人类视觉解释（例如，由放射科医师进行的解释）的一个或多个医学图像。第二组预处理算法被应用于由医学图像扫描仪获取的原始医学图像数据，以生成适合于由一个或多个自动化基于AI的图像分析算法进行处理的一个或多个医学图像。第二组预处理算法可以被应用于原始医学图像数据，以生成针对要应用的多个所预测的基于AI的图像分析算法中的每一个的相应医学图像。

在步骤310处，输出医学图像。可以通过在图像获取设备或其他显示设备的显示器上显示医学图像，来输出使用第一组预处理算法针对人类视觉解释生成的医学图像。针对一个或多个各种基于AI的图像分析算法生成的医学图像被输出到对应的基于AI的图像分析算法。这些算法可以由图像获取设备的一个或多个处理器直接实行，或者医学图像可以（无线地或经由有线连接）被输出到一个或多个另外的计算机设备，该另外的计算机设备被编程为实行对应的基于AI的图像分析算法。在可能的实施例中，使用第二组预处理算法生成的一个或多个医学图像可以被发送到基于云的计算机系统，并且对应的一个或多个基于AI的图像分析算法可以作为基于云的服务而被实行。还有可能的是，使用第二组预处理算法生成的医学图像可以显示在图像获取设备或另一个显示设备的显示器上。使用第一和第二组预处理算法生成的全部医学图像还可以存储在例如图像获取设备的存储装置或存储器中、或另一个计算机设备的存储装置或存储器中、或者远程数据库中。

一旦使用第二组预处理算法生成的医学图像被输出到对应的基于AI的图像分析算法，就使用针对基于AI的图像分析算法生成的对应医学图像来自动实行基于AI的图像分析算法。例如，这种基于AI的图像分析算法可以包括图像分割算法、图像配准算法、解剖学界标检测算法、疾病检测算法、图像分类算法、用于评估疾病严重性（例如，狭窄严重性）的算法、以及任何其他类型的自动化医学图像分析算法。然后可以将自动化基于AI的医学图像分析算法的结果显示在计算机系统（例如，图像获取设备或另一个计算机系统）的显示设备上。在有利实施例中，使用一个或多个基于AI的图像分析算法实行的自动化图像分析的结果可以是针对人类视觉解释生成的（一个或多个）融合医学图像，或者与人类（放射科医师）视觉解释的结果融合。在可能的实现方式中，对使用第二组预处理算法生成的医学图像实行的自动化图像分析任务的结果可以显示在使用第一组预处理算法生成的医学图像上。例如，对使用具有尖锐内核的重建所生成的医学图像实行的自动化图像分割的结果可以呈现在使用具有平滑内核的重建所生成的医学图像上。在另一个示例中，从自动化疾病检测算法在使用第二组预处理算法生成的多个医学图像上的应用所得到的针对划入或排除疾病的置信水平可以被用来将放射科医师的解释结果与自动化疾病检测算法的结果融合。

在可能的进一步的实施例中，预处理控制器可以具有下游AI算法的具体软件供应商的知识，并且机器学习模型可以被训练成基于该知识以及上面讨论的其他输入数据来定制预处理算法。该知识可以存储在图像获取设备的存储器或存储装置中，或者可以由用户输入。

在另一可能的实施例中，下游AI算法可以具有至预处理控制器的反馈回路，由此下游AI算法可以请求其中多个具体预处理步骤已被应用的医学图像。

可以使用计算机处理器、存储器单元、存储设备、计算机软件和其他组件在一个或多个计算机上实现上述方法。在图4中图示了这种计算机的高级框图。计算机402包含处理器404，该处理器404通过执行定义了计算机402的总体操作的计算机程序指令来控制这种操作。计算机程序指令可以被存储在存储设备412（例如，磁盘）中，并且在期望执行计算机程序指令时被加载到存储器410中。因此，图2和图3的方法步骤可以由存储在存储器410和/或存储装置412中的计算机程序指令来定义，并且由执行计算机程序指令的处理器404来控制。可以将诸如CT扫描设备、X射线扫描设备、C臂图像获取设备、MR扫描设备、超声设备等之类的医学图像扫描仪420连接到计算机402以将图像数据输入到计算机402。在有利实施例中，医学图像扫描仪420和计算机402被实现为一个设备。还有可能的是，医学图像扫描仪420和计算机402可以通过有线连接来连接，或者可以通过网络无线地通信。计算机402还可以包括一个或多个网络接口406以用于经由网络与其他设备通信。计算机402还包括使得能够实现与计算机402的用户交互的其他输入/输出设备408（例如，显示器、键盘、鼠标、扬声器、按钮等）。本领域技术人员将认识到，实际计算机的实现方式也可以包含其他组件，并且出于说明性目的，图4是这种计算机的一些组件的高级表示。

前述的具体实施方式要被理解为在每个方面而言都是说明性和示例性的而不是限制性的，并且本文中公开的本发明的范围不是根据该具体实施方式来确定的，而是根据如按照专利法所许可的全部广度所解释的权利要求来确定的。要理解的是，本文中示出和描述的实施例仅说明了本发明的原理，并且可以在不偏离本发明的范围和精神的情况下由本领域技术人员来实现各种修改。本领域技术人员可以在不偏离本发明的范围和精神的情况下实现各种其他特征组合。

Claims (14)

1.一种用于医学图像获取和预处理的方法，其包括：

通过使用医学图像扫描仪实行患者的医学图像扫描来获取原始医学图像数据；

获取与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据；

使用经训练的基于机器学习的模型、基于与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据，来选择应用于所述原始医学图像数据的一组预处理算法，

其中使用经训练的基于机器学习的模型、基于与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据来选择应用于所述原始医学图像数据的一组预处理算法包括：

选择第一组一个或多个预处理算法，以用于生成用于人类视觉解释的一个或多个医学图像；以及

选择第二组一个或多个预处理算法，以用于生成用于使用一个或多个可用下游自动化图像分析算法进行自动化图像分析的一个或多个医学图像，

通过将所选择的一组预处理算法应用于所述原始医学图像数据，来根据所述原始医学图像数据生成一个或多个医学图像，其中通过将所选择的一组预处理算法应用于所述原始医学图像数据来根据所述原始医学图像数据生成一个或多个医学图像包括：

通过将所述第一组一个或多个预处理算法应用于所述原始医学图像数据来生成用于人类视觉解释的一个或多个医学图像；以及

通过将所述第二组预处理算法应用于所述原始医学图像数据来生成用于自动化图像分析的一个或多个医学图像。

2.根据权利要求1所述的方法，进一步包括：

在显示设备上显示使用所述第一组预处理算法生成的用于人类视觉解释的一个或多个医学图像；以及

提供使用所述第二组预处理算法生成的用于自动化图像分析的一个或多个医学图像，作为对一个或多个可用下游自动化图像分析算法的输入。

3.根据权利要求2所述的方法，进一步包括：

将由一个或多个可用下游自动化图像分析算法对使用所述第二组预处理算法生成的一个或多个医学图像实行的自动化图像分析的结果显示在使用所述第一组预处理算法生成的一个或多个医学图像上。

4.根据权利要求1所述的方法，其中所述第一组预处理算法和所述第二组预处理算法包括具有不同设置的重建算法。

5.根据权利要求1所述的方法，其中所述第二组预处理算法包括：与被预测要应用于医学图像扫描的多个可用下游自动化图像分析算法中的每个算法相对应的一个或多个预处理算法，并且

通过将所述第二组预处理算法应用于所述原始医学图像数据来生成用于自动化图像分析的一个或多个医学图像包括：使用所述第二组预处理算法中的对应的一个或多个预处理算法，来生成适合于被预测要应用于医学图像扫描的多个可用下游自动化图像分析算法中的每一个的相应医学图像。

6.根据权利要求1所述的方法，其中，经训练的基于机器学习的模型是基于使用各种各样的预处理算法获取的训练图像的训练数据库、通过将使用一个或多个可用下游自动化图像处理算法确定的训练图像的输出解释与训练图像的基本事实解释进行比较而被训练的。

7.一种用于医学图像获取和预处理的装置，其包括：

用于通过使用医学图像扫描仪实行患者的医学图像扫描来获取原始医学图像数据的部件；

用于获取与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据的部件；

用于使用经训练的基于机器学习的模型、基于与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据来选择应用于所述原始医学图像数据的一组预处理算法的部件，其中用于使用经训练的基于机器学习的模型、基于与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据来选择应用于所述原始医学图像数据的一组预处理算法的部件包括：

用于选择第一组一个或多个预处理算法以用于生成用于人类视觉解释的一个或多个医学图像的部件；以及

用于选择第二组一个或多个预处理算法以用于生成用于使用一个或多个可用下游自动化图像分析算法进行自动化图像分析的一个或多个医学图像的部件；以及

用于通过将所选择的一组预处理算法应用于所述原始医学图像数据来根据所述原始医学图像数据生成一个或多个医学图像的部件，其中用于通过将所选择的一组预处理算法应用于所述原始医学图像数据来根据所述原始医学图像数据生成一个或多个医学图像的部件包括：

用于通过将所述第一组一个或多个预处理算法应用于所述原始医学图像数据来生成用于人类视觉解释的一个或多个医学图像的部件；以及

用于通过将所述第二组预处理算法应用于所述原始医学图像数据来生成用于自动化图像分析的一个或多个医学图像的部件。

8.根据权利要求7所述的装置，进一步包括：

用于在显示设备上显示使用所述第一组预处理算法生成的用于人类视觉解释的一个或多个医学图像的部件；以及

用于提供使用所述第二组预处理算法生成的用于自动化图像分析的一个或多个医学图像的部件，所述一个或多个医学图像作为对一个或多个可用下游自动化图像分析算法的输入。

9.根据权利要求7所述的装置，其中所述第二组预处理算法包括：与被预测要应用于医学图像扫描的多个可用下游自动化图像分析算法中的每个算法相对应的一个或多个预处理算法，并且

用于通过将所述第二组预处理算法应用于所述原始医学图像数据来生成用于自动化图像分析的一个或多个医学图像的部件包括：用于使用所述第二组预处理算法中的对应的一个或多个预处理算法来生成适合于被预测要应用于医学图像扫描的多个可用下游自动化图像分析算法中的每一个的相应医学图像的部件。

10.根据权利要求7所述的装置，其中经训练的基于机器学习的模型是基于使用各种各样的预处理算法获取的训练图像的训练数据库、通过将使用一个或多个可用下游自动化图像处理算法确定的训练图像的输出解释与训练图像的基本事实解释进行比较而被训练的。

11.一种存储用于医学图像获取和预处理的计算机程序指令的非暂时性计算机可读介质，所述计算机程序指令在由处理器执行时使处理器实行包括以下各项的操作：

通过控制医学图像扫描仪实行患者的医学图像扫描来获取原始医学图像数据；

获取与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据；

使用经训练的基于机器学习的模型、基于与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据，来选择应用于所述原始医学图像数据的一组预处理算法，

其中，使用经训练的基于机器学习的模型、基于与患者的医学图像扫描和可用下游自动化图像分析算法相关联的输入数据来选择应用于所述原始医学图像数据的一组预处理算法包括：

选择第一组一个或多个预处理算法，以用于生成用于人类视觉解释的一个或多个医学图像；以及

选择第二组一个或多个预处理算法，以用于生成用于使用一个或多个可用下游自动化图像分析算法进行自动化图像分析的一个或多个医学图像；以及

通过将所选择的一组预处理算法应用于所述原始医学图像数据，来根据所述原始医学图像数据生成一个或多个医学图像，其中通过将所选择的一组预处理算法应用于所述原始医学图像数据来根据所述原始医学图像数据生成一个或多个医学图像包括：

通过将所述第一组一个或多个预处理算法应用于所述原始医学图像数据来生成用于人类视觉解释的一个或多个医学图像；以及

通过将所述第二组预处理算法应用于所述原始医学图像数据来生成用于自动化图像分析的一个或多个医学图像。

12.根据权利要求11所述的非暂时性计算机可读介质，进一步包括：

在显示设备上显示使用所述第一组预处理算法生成的用于人类视觉解释的一个或多个医学图像；以及

提供使用所述第二组预处理算法生成的用于自动化图像分析的一个或多个医学图像，作为对一个或多个可用下游自动化图像分析算法的输入。

13.根据权利要求12所述的非暂时性计算机可读介质，其中所述第二组预处理算法包括：与被预测要应用于医学图像扫描的多个可用下游自动化图像分析算法中的每一个相对应的一个或多个预处理算法，并且通过将所述第二组预处理算法应用于所述原始医学图像数据来生成用于自动化图像分析的一个或多个医学图像包括：

使用所述第二组预处理算法中的对应的一个或多个预处理算法来生成适合于被预测要应用于医学图像扫描的多个可用下游自动化图像分析算法中的每一个的相应医学图像。

14.根据权利要求11所述的非暂时性计算机可读介质，其中经训练的基于机器学习的模型是基于使用各种各样的预处理算法获取的训练图像的训练数据库、通过将使用一个或多个可用下游自动化图像处理算法确定的训练图像的输出解释与训练图像的基本事实解释进行比较而被训练的。