CN111107783B - 用于计算机辅助分诊的方法和系统 - Google Patents

用于计算机辅助分诊的方法和系统 Download PDF

Info

Publication number
CN111107783B
CN111107783B CN201880051238.3A CN201880051238A CN111107783B CN 111107783 B CN111107783 B CN 111107783B CN 201880051238 A CN201880051238 A CN 201880051238A CN 111107783 B CN111107783 B CN 111107783B
Authority
CN
China
Prior art keywords
expert
computing system
remote computing
images
centerline
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
Application number
CN201880051238.3A
Other languages
English (en)
Other versions
CN111107783A (zh
Inventor
克里斯托弗·曼西
大卫·戈兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Witz Artificial Intelligence
Original Assignee
Witz Artificial Intelligence
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Witz Artificial Intelligence filed Critical Witz Artificial Intelligence
Publication of CN111107783A publication Critical patent/CN111107783A/zh
Application granted granted Critical
Publication of CN111107783B publication Critical patent/CN111107783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
    • 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
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20072—Graph-based image processing
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20081—Training; Learning
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30172—Centreline of tubular or elongated structure

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Neurology (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Neurosurgery (AREA)
  • Biophysics (AREA)
  • Psychology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

用于计算机辅助分诊的系统可以包括路由器、远程计算系统和客户端应用。用于计算机辅助分诊的方法可以包括确定与数据包相关联的参数，基于该参数来确定治疗方案，以及将信息传输到与第二护理点相关联的设备。

Description

用于计算机辅助分诊的方法和系统
相关申请的交叉引用
本申请要求2017年7月24日提交的美国临时申请号62/535,973、2017年7月24日提交的美国临时申请号62/535,970和2017年6月19日提交的美国临时申请号62/521,968的利益，每个临时申请通过这个引用被全部并入。
技术领域
本发明大体上涉及医学诊断领域，并且更特别地涉及用于在医学诊断领域中的计算机辅助分诊(computer-aided triage)的新的且有用的系统和方法。
背景
在当前的分诊工作流程中，尤其是在紧急环境中的那些分诊工作流程中，患者在第一护理点处就诊(presents)，在该第一护理点执行例如成像的评定。然后，图像数据被发送到标准放射科工作流程，其通常涉及：图像被上传到放射科医生的队列，放射科医生在工作站处查看图像，放射科医生生成报告，急诊科医生查看放射科医生的报告，急诊科医生确定并联系专家，以及做出如何治疗患者和/或将患者转移到第二护理点的决定。该工作流程通常是非常耗时的，这增加了治疗患者和/或将患者转移到专家所花费的时间。在许多情况、尤其是涉及中风的情况下，时间是极其敏感的，因为估计在中风的情况下患者在中风未经治疗每分钟失去大约190万个神经元(Saver等人)。此外，当时间过去时，治疗方案的数量和类型(例如机械祛栓)减少了。
因此，在分诊领域中存在对创建用于减少确定和开始对呈现危急疾病的患者的治疗所花费的时间的改进的和有用的系统和方法的需要。
附图的简述
图1是用于计算机辅助分诊的系统的示意图。
图2是用于计算机辅助分诊的方法的示意图。
图3描绘用于计算机辅助分诊的方法的变形。
图4描绘在用于计算机辅助分诊的方法期间确定患者疾病的变形。
图5A和5B描绘在用户设备上的应用的变形。
图6描绘用于计算机辅助分诊的方法的变形。
优选实施例的描述
本发明的优选实施例的以下描述并不意欲将本发明限制为这些优选实施例，而是使本领域中的任何技术人员能够制造并且使用本发明。
1.概述
如图1所示，用于计算机辅助分诊的系统100包括路由器110、远程计算系统120和客户端应用130。此外或可选地，系统100可以包括任何数量的计算系统(例如，本地的、远程的)、服务器(例如，PACS服务器)、存储装置、查找表、存储器或任何其他合适的部件。
如图2所示，用于计算机辅助分诊的方法200包括确定与数据包相关联的参数S220，基于参数来确定治疗方案S230，以及向与第二护理点相关联的设备传输信息S250。此外或可选地，方法200可以包括下列操作中的任一个或全部：在第一护理点处接收数据集S205、向远程计算系统传输数据S208、准备用于分析的数据包S210、准备用于传送的数据包S240、汇集数据S260或以任何合适的顺序执行的任何其他合适的步骤。
2.益处
用于计算机辅助分诊的系统和方法可以带来优于当前的系统和方法的若干益处。
在一些变形中，该系统和/或方法带来减少匹配呈现有疾病(例如中风、LVO)的患者和/或将患者转移到专家的时间的益处。例如，在一些示例中，在生成计算机断层扫描血管造影(CTA)数据集和通知专家之间的平均时间减少了(例如，从超过50分钟到少于8分钟)。
在一些变形中，该方法提供了与传统工作流程(例如，标准放射科工作流程)并行的过程，其可以带来减少确定治疗方案的时间的益处，同时在非决定性的或不准确的确定(例如，假阴性、假阳性等)从该方法产生的情况下具有传统工作流程的结果作为备份。
在一些变形中，该方法被配置为具有高灵敏度(例如，87.8％，大约88％、在81％和93％之间、大于87％等)，其起作用来检测大量真阳性情况，并帮助这些患者更快地获得治疗。如果这导致假阳性，则对专家只造成较小的干扰(如果有的话)，如果若有此事这可忽视地影响专家的工作流程(例如，小于5分钟)。此外或可选地，该方法可以被配置为具有高特异性(例如，89.6％、大约90％、在83％和94％之间、大于89％等)，这可以降低确定假阴性的概率。
在一些变形中，该方法带来重新组织患者的队列的益处，其中具有某种疾病的患者被早期发现并被优先考虑(例如，移动到队列的前面)。
在一些变形中，该方法带来确定可操作分析以优化工作流程(例如急诊室分诊工作流程)的益处。
此外或可选地，该系统和方法可以带来任何其他益处。
3.系统
如图1所示，用于计算机辅助分诊的系统100包括路由器110、远程计算系统120和客户端应用130。此外或可选地，系统100可以包括任何数量的计算系统(例如，本地的、远程的)、服务器(例如，PACS服务器)、存储装置、查找表、存储器或任何其他合适的部件。
系统100可以实现方法200或任何其他合适的方法中的任一个或全部。
系统100优选地与一个或多个护理点(例如，第一护理点、第二护理点、第三护理点等)通过接口连接，这些护理点每个一般是医疗保健设施(healthcare facility)。第一护理点在本文指患者的医疗保健设施，通常在该医疗保健设施中患者第一次就诊(例如，在紧急环境中)。照惯例，医疗保健设施包括分支设施(spoke facilities)(其常常是一般(例如，非专家、紧急等)设施)和中心(hub)(例如，专家)设施，其可以被装备或更好地装备(例如，与分支设施相比)用于某些程序(例如，机械祛栓)、疾病或患者。患者通常被送到(present to)第一护理点处的分支设施，但可以可选地被送到中心设施，例如当他们的症状反映了什么疾病是明显的时，当他们有严重疾病的既往历史时，当疾病发展到高度严重时，当随机地或由于任何其他原因中心设施是最接近的时。医疗保健设施可以包括下列项中的任一个或全部：医院、诊所、救护车、医生的办公室、成像中心、实验室、初级卒中中心(PSC)、综合卒中中心(CSC)、卒中准备中心、介入准备中心或涉及患者护理和/或诊断测试的任何其他合适的设施。
患者可能表现出疾病的症状、无症状(例如，为例行测试而就诊)或为了任何其他合适的系统而就诊。在一些变形中，患者表现出一种或更多种中风症状(例如，缺血性中风症状)，例如但不限于虚弱、麻木、说话异常和面部下垂。一般地，这些患者然后根据中风协议(stroke protocol)被治疗，中风协议通常涉及在成像设备(imaging modality)处的成像协议，例如但不限于头部的非增强CT(non-contrast CT)(NCCT)扫描、头部和颈部的CTA、头部的CT灌注(CTP)。
医疗保健工作者在本文指与医疗保健设施相关联的任何个人或实体，例如但不限于：医生、急诊室医生(例如，根据中风协议要求适当的实验室和成像测试)、放射科医生(例如，值班放射科医生、查看完成的成像研究的医疗保健工作者、编写最终报告的医疗保健工作人员等)、神经系放射学家、专家(例如，神经血管专家、血管神经病学家、神经介入专家、神经血管内专家、在例如机械祛栓方面的过程中的行家/专家、心脏专家等)、行政助理、医疗保健设施雇员(例如，员工)、紧急响应者(例如，紧急医疗技术人员)或任何其他合适的个人。
图像数据可以包括计算机断层扫描(CT)数据(例如，射线照相CT、非增强CT、CT灌注等)，优选地CT血管造影(CTA)数据(例如，轴向数据、轴向系列等)，但可以此外或可选地是任何其他合适的图像数据。图像数据优选地在成像设备(例如，在第一护理点处的扫描仪)处生成，例如CT扫描仪、磁共振成像(MRI)扫描仪、超声系统或任何其他扫描仪。此外或可选地，图像数据可以从照相机、用户设备生成、从数据库或基于网络的平台被访问、被绘制、草拟或以其他方式获得。
3.1系统-路由器110
系统100可以包括起作用来接收数据包(例如，数据集)的路由器110(例如，医疗路由系统)，该数据包包括经由与第一护理点相关联的计算系统(例如，扫描仪、工作站、PACS服务器)在成像设备(例如扫描仪)处被获取的实例(例如，图像、扫描等)。实例优选地在医学数字成像和通信(DICOM)文件格式中，以及根据DICOM协议生成和在计算系统之间传送，但可以此外或可选地在任何合适的格式中。此外或可选地，实例可以包括任何合适的医疗数据(例如，诊断数据、患者数据、患者病史、患者人口统计信息等)，例如但不限于PACS数据、健康水平7(HL7)数据、电子健康记录(EHR)数据或任何其他合适的数据，并将数据转发到远程计算系统。
实例优选地包括(例如，被标记有)一组元数据和/或与该组元数据相关联，但可以此外或可选地包括多组元数据、无元数据、提取的(例如，移除的)元数据(例如，为了监管目的、符合HIPAA等)、更改(例如加密的、解密的等)的元数据或任何其他合适的元数据、标签、标识符或其他合适的信息。
路由器110可以指或包括虚拟实体(例如，虚拟机、虚拟服务器等)和/或物理实体(例如，本地服务器)。路由器可以是本地的(例如，在第一医疗保健设施处、第二医疗保健设施等处)并与下列项中的任一个或全部相关联(例如，连接到下列项中的任一个或全部)：与任何或全部成像设备相关联的现场服务器、医疗保健设施的PACS架构(例如，与医生工作站相关联的服务器)、或任何其他合适的本地服务器或DICOM兼容设备。此外或可选地，路由器可以是远程的(例如，位于远程设施、远程服务器、云计算系统等处)，并与下列项中的任一个或全部相关联：与PACS系统相关联的远程服务器、设备或另一个DICOM兼容设备(如DICOM路由器)。
路由器110优选地在第一护理点处、但此外或可选地在第二护理点处的系统(例如，计算系统、工作站、服务器、PACS服务器、成像设备、扫描仪等)、与第一护理点和第二护理点中的一个或两个相关联的远程服务器(例如，物理的、虚拟的等)(例如，PACS服务器、EHR服务器、HL7服务器)、数据存储系统(例如，患者记录)或任何其他合适的系统上操作(例如，集成到其中)。在一些变形中，系统(路由器在该系统上操作)是物理的(例如，物理工作站、成像设备、扫描仪等)，但可以此外或可选地包括虚拟部件(例如，虚拟服务器、虚拟数据库、云计算系统等)。
路由器110优选地被配置成从成像设备、优选地在第一护理点(例如分支、中心等)处、但可以此外或可选地在第二护理点(例如，中心、分支等)、多个护理点或任何其他医疗保健设施处的成像设备(例如，CT扫描仪、MRI扫描仪、超声机器等)接收数据(例如，实例、图像、研究、系列(series)等)。路由器可以以任何合适的方式耦合(例如，有线连接、无线连接等)到成像设备(例如，直接连接的、经由PACS服务器间接地连接的等)。此外或可选地，路由器100可以连接到医疗保健设施的PACS架构或者任何护理点或医疗保健设施的其他服务器或DICOM兼容设备。
在一些变形中，路由器包括在计算系统(例如，计算机、工作站、用户设备等)上操作的虚拟机、成像设备(例如扫描仪)、服务器(例如PACS服务器、在第一医疗保健设施处的服务器、在第二医疗保健设施处的服务器等)或其他系统。在特定示例中，路由器是虚拟机服务器的一部分。在另一个特定示例中，路由器是本地服务器的一部分。
3.2系统-远程计算系统120
系统100可包括远程计算系统120，其可起作用来接收和处理数据包(例如，来自路由器的数据集)，确定治疗方案(例如，选择第二护理点，选择专家等)，与用户设备(例如，移动设备)通过接口连接，压缩数据包，从数据包提取和/或移除元数据(例如，以服从监管机构)或者执行任何其他合适的功能。
优选地，方法200的一部分在远程计算系统(例如，基于云的)处被执行，但此外或可选地所有方法200可以在远程计算系统处被执行，方法200可以在任何其他合适的计算系统处被执行。在一些变形中，远程计算系统120提供用于技术支持(例如，对客户端应用)和/或分析的接口。在一些变形中，远程计算系统包括存储装置，并且被配置为存储和/或访问查找表，其中查找表起作用来确定治疗方案(例如，第二护理点)、与第二护理点相关联的联系人和/或任何其他合适的信息。
在一些变形中，远程计算系统120连接多个医疗保健设施(例如，通过客户端应用、通过消息传送平台等)。
在一些变形中，远程计算系统120起作用来接收一个或更多个输入和/或监控(例如，在用户设备上执行的、在工作站上执行的等)一组客户端应用。
3.3系统-应用130
系统100可以包括单独地或共同地起作用来向联系人提供一个或更多个输出(例如，来自远程计算系统)的一个或更多个应用130(例如，客户端、客户端应用、在设备上执行的客户端应用等)，例如在图5A和图5B中所示的应用。此外或可选地，它们可以单独地或共同地起作用来接收来自联系人的一个或更多个输入，向医疗保健设施(例如，第一护理点、第二护理点等)提供一个或更多个输出，在医疗保健设施之间建立通信或执行任何其他合适的功能。
在一些变形中，应用的一个或更多个特征(例如，外观、信息内容、所显示的信息、用户界面、图形用户界面等)基于下列项中的任一个或全部被确定：应用在什么类型的设备上操作(例如，用户设备相对于医疗保健设施设备、移动设备相对于固定设备)、设备位于什么地方(例如，第一护理点、第二护理点等)、谁与应用交互作用(例如，用户标识符、用户安全许可、用户权限等)或任何其他特征。在一些变形中，例如在医疗保健设施上执行的应用将显示第一组信息(例如，未压缩的图像、元数据等)，而在用户设备上执行的应用将显示第二组信息(例如，压缩图像、无元数据等)。在一些变形中，基于下列项中的任一个或全部来确定要显示的数据的类型：应用标识符、移动设备标识符、工作站标识符或任何其他合适的标识符。
应用的输出可以包括下列项中的任一个或全部：警报或通知(例如，推送通知、文本消息、呼叫、电子邮件等)、图像集、用于与图像集交互作用(例如，摇摄、变焦、旋转、窗口调平、滚动、最大强度投影、改变3D扫描的定向等)的一组工具、消息传送平台(例如，文本、视频等)、远程通信平台、联系人信息(例如，第一护理点联系人信息、第二护理点联系人信息等)的目录、工作流程或活动(例如，患者状态/工作流程/以及其它等等的实时或接近实时更新)的跟踪、基于跟踪或与跟踪相关的分析(例如，预测分析，例如在放射科工作流程中剩余的预测时间或在中风达到某个严重程度之前的预测时间、在工作流程中的平均时间、过渡到第二护理点的平均时间等)或任何其他合适的输出。
输入可以包括前面描述的输出、(例如，在触敏表面处接收的)触摸输入、音频输入、光学输入或任何其他合适的输入中的任一个或全部。该组输入优选地包括指示由联系人接收到输出的输入。这可以包括来自联系人的主动输入(例如，联系人在应用处做出选择)、被动输入(例如，已读回执)或任何其他输入。
在一个变形中，系统100包括都连接到远程计算系统的移动设备应用130和工作站应用130，其中共用的用户标识符(例如，专家账户、用户账户等)可用于连接应用(例如，检索案例、图像集等)并确定在每个应用处将被显示的信息(例如，图像数据集的变化)。在一个示例中，待显示的信息(例如，压缩图像、高分辨率图像等)可以基于系统类型(例如，移动设备、工作站)、应用类型(例如，移动设备应用、工作站应用)、用户帐户(例如，权限等)、任何其他合适的信息被确定，或者以其他方式被确定。
该应用可以包括用于分析的任何合适的算法或过程，并且方法200的部分或全部可以由与该应用相关联的处理器执行。
该应用优选地包括前端(例如，在用户设备上执行的应用、在工作站上执行的应用等)和后端部件(例如，软件、在远程计算系统处的处理等)，但可以此外或可选地仅包括前端或后端部件或者在任何合适的系统处实现的任何数量的部件。
3.4系统-附加部件
系统100和/或系统100的任何部件可以可选地包括任何适合的部件或耦合到任何适合的部件用于操作，这些部件例如但不限于：处理模块(例如，处理器、微处理器等)、控制模块(例如控制器、微控制器)、电源模块(例如电源、电池、可再充电电池、市电、感应充电器等)、传感器系统(例如，光学传感器、照相机、麦克风、运动传感器、位置传感器等)或任何其他合适的部件。
3.5系统-变形
在一个变形中，该系统包括在第一护理点处的计算系统处操作并从成像设备接收图像数据的路由器110。路由器将图像数据传输到远程计算系统，其中一系列算法(例如，机器学习算法)在远程计算系统处被执行，远程计算系统基于图像数据和/或任何相关联的元数据来确定可疑疾病是否存在的假设。基于该确定，从(例如，在远程计算系统的存储装置中的)查找表确定联系人，其中该联系人在用户设备(例如，个人设备)处被通知并且通过在用户设备上执行的客户端应用被发送图像数据。可以在远程计算系统处接收在应用处的来自联系人的一个或更多个输入，远程计算系统可以用于确定患者的下一个护理点。
4.方法
如图2所示，方法200包括确定与数据包相关联的参数S220，基于参数来确定治疗方案S230，以及向与第二护理点相关联的设备传输信息S250。此外或可选地，方法200可以包括下列操作中的任一个或全部：在第一护理点处接收数据集S205、向远程计算系统传输数据S208、准备用于分析的数据包S210、准备用于传送的数据包S240、汇集数据S260或以任何合适的顺序执行的任何其他合适的步骤。
方法200优选地与标准放射科工作流程(例如，如图3所示的)分开地但与标准放射科工作流程并行地(例如，与标准放射科工作流程同时地、与标准放射科工作流程并发地等)被执行，但可以此外或可选地在标准工作流程中实现，相对于标准工作流程在单独的时间处被执行，或者在任何合适的时间处被执行。
方法200可以用系统100或用任何其他合适的系统部分地或全部实现。
方法200起作用来改善跨越医疗保健设施网络(例如，中风网络、分支和中心等)的通信并减少将有可疑时间敏感疾病(例如，脑疾病、中风、缺血性中风、大血管闭塞(LVO)、心脏事件、外伤等)的患者从第一护理点(例如，分支、非专家设施、卒中中心、救护车等)转移到第二护理点(例如，中心、专家设施、综合卒中中心等)所需的时间，其中第二护理点指被装备来治疗患者的医疗保健设施。在一些变形中，第二护理点是第一护理点，其中患者在他或她最初就诊的医疗保健设施处被治疗。
方法200优选地用作并行工作流程工具，其中并行工作流程与标准放射科工作流程(例如，放射科医生队列)同时地(例如，并行地、在标准放射科工作流程期间、部分地在标准放射科工作流程期间)被执行，但可以此外或可选地在标准工作流程中实现(例如，以使标准工作流程过程的一部分自动化，减少执行标准工作流程过程所需的时间等)，在除放射科工作流程之外的工作流程期间(例如，在例行检查工作流程期间)或在任何其他合适的时间被执行。
方法200优选地响应于患者在第一护理点处就诊而被执行。第一护理点可以是紧急环境(例如急诊室、救护车、成像中心等)或任何合适的医疗保健设施，例如前面描述的那些医疗保健设施。患者通常表现出(或被怀疑表现出)时间敏感疾病，例如神经血管疾病(例如，中风、缺血性中风、闭塞、大血管闭塞(LVO)、血栓、动脉瘤等)、心脏事件或疾病(例如，心血管疾病、心脏病发作等)、外伤(例如急性外伤、失血等)或者任何其他时间敏感(例如，危急生命的)疾病。在其他变形中，该方法针对到例行医疗保健环境(例如，非紧急环境、诊所、成像中心等)就诊的患者来执行，例如用于例行测试、筛查、诊断、成像、临床检查、实验室测试(例如血液测试)或任何其他原因。
可以使用任何数量的深度学习(例如，机器学习)模块来执行任何或所有方法。每个模块可以利用下列项中的一个或更多个：监督学习(例如，使用逻辑回归、使用反向传播神经网络、使用随机森林、决策树等)、无监督学习(例如，使用先验算法、使用K均值聚类)、半监督学习、强化学习(例如，使用Q学习算法、使用时间差分学习)以及任何其他合适的学习风格。多个模块中的每个模块可以实现下列项中的任一个或更多个：回归算法(例如，普通最小二乘法、逻辑回归、逐步回归、多元自适应回归样条、局部估计散点平滑等)、基于实例的方法(k最近邻算法、学习向量量化法、自组织映射等)、正则化方法(例如，岭回归、最小绝对收缩和选择算子、弹性网络等)、决策树学习方法(例如，分类和回归树、迭代二分器3(iterative dichotomiser 3)、C4.5、卡方自动交互检测法、决策树桩、随机森林、多元自适应回归样条、梯度推进机等)、贝叶斯方法(例如，朴素贝叶斯、平均独依赖估计(averagedone-dependence estimator)、贝叶斯置信网络等)、核方法(例如，支持向量机、径向基函数、线性判别分析等)、聚类方法(例如，k均值聚类、期望最大化等)、关联规则学习算法(例如，先验算法、Eclat算法等)、人工神经网络模型(例如，感知方法、反向传播方法、Hopfield网络方法、自组织映射方法、学习向量量化方法等)、深度学习算法(例如，受限玻尔兹曼机、深度置信网络方法、卷积网络方法、栈式自动编码器方法等)、降维方法(例如，主成分分析、部分最小二乘回归、Sammon映射、多维标度、投影追踪等)、集成方法(例如，推进、自举聚合、AdaBoost、堆栈泛化、梯度推进机方法、随机森林方法等)以及任何适当形式的机器学习算法。每个模块可此外或可选地是：概率模块、启发式模块、决定性模块、或是运用任何其他合适的计算方法的任何其他合适的模块、机器学习方法或其组合。
每个模块都可以基于新接收的最新测量结果、在操作期期间记录的过去的测量结果、在过去的操作期期间记录的历史测量结果而被验证、检验、强化、校准或以其他方式更新；或者基于任何其他合适的数据被更新。每个模块可以一次、以预定的频率、每当该方法被执行时、每当未预料到的测量值被接收到时或者以任何其他合适的频率被运行或更新。该组模块可以与一个或更多个其他模块同时、连续地、以变化的频率或在任何其他合适的时间被运行或更新。每个模块可以基于新接收的最新数据、过去的数据被验证、检验、强化、校准或以其他方式更新；或者基于任何其他合适的数据被更新。每个模块可以响应于实际结果不同于预期结果的确定或者以任何其他合适的频率被运行或更新。
4.1方法-从第一护理点接收数据S205
方法200可以包括从第一护理点接收数据(例如数据包)S205，第一护理点起作用来收集与评估患者疾病相关的数据。
优选地在路由器110处接收数据，其中路由器是在耦合到成像设备(例如，CT扫描仪、MRI扫描仪等)或是成像设备的一部分的计算系统(例如，计算机、工作站、质量保证(QA)工作站、阅读工作站、PACS服务器等)上操作的虚拟机或任何其他合适的路由器的形式中。此外或可选地，可以在远程计算系统(例如，从成像设备、从数据库、例如PACS服务器的服务器、互联网搜索、社交媒体等)或者在任何其他合适的计算系统(例如服务器)或存储站点(例如数据库)处接收数据。在一些变形中，例如，在路由器处接收数据的子集(例如，图像数据)，而在远程计算系统处接收数据的另一子集(例如，患者信息、患者病史等)。在特定示例中，在路由器处接收的数据子集最终被传输到远程计算系统用于分析。
第一护理点常常是分支设施(例如，非专家设施)，但可以可选地是中心设施(例如，专家设施)、移动设施或运输工具(例如，救护车)或任何其他合适的医疗保健设施。
优选地响应于数据(例如，一组实例中的每一个)在成像设备处生成(例如，在医疗专业人员的提示下，在数据在成像设备处生成之后、与数据在成像设备处生成实时地、与数据在成像设备处生成实质上实时地、以预定的延迟、以小于10秒的延迟、以小于1分钟的延迟)来执行S205。此外或可选地，可以响应于一组多个实例由成像设备生成(例如，在部分系列被生成之后，在完整系列被生成之后，在研究被生成之后，等等)、响应于元数据标签被生成(例如，对于实例、对于系列、对于研究等)、响应于触发(例如，对图像的请求)、在整个方法中(例如，当患者的病例被访问时，当信息被输入服务器时，当信息从服务器被检索时，等等)或者在任何其他合适的时间处执行S205。
S205可以被执行一次或多次(例如，顺序地，在该方法中的不同时间处，一旦患者疾病已经发展，等等)。在一个变形中，每个实例在它被生成时(例如，在路由器处、在远程计算系统等处)单独地被接收。在第二变形中，一组多个实例(例如，多个图像、完整系列等)一起被接收(例如，在扫描完成之后，在特定解剖成分被成像之后，等等)。
路由器(例如，虚拟机、虚拟服务器、在图像采样系统上运行的应用或连接到图像采样系统的计算系统等)可以持续地“倾听”(例如，在扫描模式、接收模式中操作，耦合到或包括在合适模式中操作的无线电设备，等等)来自成像设备的信息，可以响应于医疗保健设施工作人员的提示、响应于特定扫描类型被发起(例如，响应于头部CTA扫描被发起)或者响应于任何其他合适的触发来接收信息。
优选地在路由器处从成像设备(例如扫描仪)接收(例如，直接、间接地等)图像数据，数据在该成像设备处生成。此外或可选地，可以从与医疗保健设施的PACS服务器相关联的任何计算系统、任何DICOM兼容设备(例如DICOM路由器)或任何其他合适的计算系统接收图像数据或任何其他数据。图像数据优选地在DICOM格式中，但可以此外或可选地包括任何其他数据格式。
除了图像数据之外或作为图像数据的替代，数据可以包括血液数据、电子病历(EMR)数据、非结构化EMR数据、健康水平7(HL7)数据、HL7消息、临床笔记或与患者的医疗状态、疾病或病史相关的任何其他合适的数据。
数据优选地包括一组一个或更多个实例(例如，图像)，其可以是无组织的、被组织(例如，成系列、成研究、基于实例创建时间、采集时间、图像位置、实例号、唯一标识(UID)、其他采集参数或元数据标签、解剖特征或在身体内的位置等的连续的一组实例)、完整的、不完整的、随机地被布置或以其他方式被布置。
每个实例优选地包括(例如，被标记有)与图像数据集相关联的一组元数据，例如但不限于：一个或更多个患者标识符(例如，姓名、识别号、UID等)、患者人口统计信息(例如，年龄、种族、性别等)、就诊的原因(例如，呈现症状、医学严重性分数等)、患者病史(例如，先前的扫描、先前的诊断、先前的医疗遭遇等)、病历(例如，当前疾病的历史、过去的病史、过敏症、药物治疗、家族史、社会史等)、扫描信息、扫描时间、扫描类型(例如，被扫描的解剖区域、扫描设备、扫描仪标识符等)、在扫描中的图像的数量、与扫描采集相关的参数(例如，时间戳、剂量、轮床位置、扫描协议、造影剂团注(contrast bolus)协议等)或任何其他合适的信息。
在一些变形中，任何或所有数据(例如，图像数据)被标记有与标准DICOM协议相关联的元数据。
在一些变形中，在成像设备处生成数据之后，一个或更多个标签被生成和/或应用于数据。在一些示例中，标签是与第一护理点相关联的标识符(例如，第一护理点位置、成像设备标识符等)，其可由第二护理点检索，以便定位患者(例如，实现患者的快速转移，通知专家联系谁或在哪里找到患者，等等)。
此外或可选地，可以在没有相关联的元数据(例如，在该方法中稍后识别的元数据、在该方法中稍后用元数据私下标记的数据集等)的情况下接收图像数据。
可以通过有线连接(例如，局域网(LAN)连接)、无线连接或通过连接和信息路径的任何组合来(例如，在路由器处)接收数据。
在一些变形中，响应于标准卒中协议在成像设备(例如，CT扫描仪)处生成图像。
4.2方法-向远程计算系统传输数据S208
该方法可以包括向远程计算系统(例如，远程服务器、PACS服务器等)传输数据S208，远程计算系统起作用来实现数据的远程处理、数据集的鲁棒处理或快速处理(例如，比在临床工作流程中完成的分析更快、比在标准放射科工作流程中完成的更快、处理少于20分钟、处理少于10分钟、处理少于7分钟等)。
数据(例如，图像数据、图像数据和元数据等)优选地从连接到与医疗保健设施相关联的计算系统(例如，扫描仪、工作站、PACS服务器等)的路由器(例如，在扫描仪上操作的虚拟机)传输到远程计算系统，该医疗保健设施进一步优选地是患者受限就诊的地方(例如，第一护理点)，但可以此外或可选地从任何医疗保健设施、计算系统或存储站点(例如，数据库)被传输。
数据集(例如，图像数据集)的每个实例(例如，图像)优选地在它在成像设备处生成和/或在路由器处被接收到时单独地被发送，但此外或可选地，多个实例可以在预定集合(例如，系列、研究等)被生成之后、在预定的时间间隔过去(例如，实例每10秒被发送一次)之后、在医学专业人员的提示时或者在任何其他合适的时间处被一起发送。进一步此外或可选地，实例被发送到远程计算系统的顺序可以取决于这些实例(例如，元数据)的一个或更多个属性。S208可以被执行一次或多次(例如，在每个实例被生成之后)。
S208可以包括传输所有数据集(例如，图像数据集和元数据)、数据集的一部分(例如，仅图像数据集、图像数据集和元数据的子集等)或任何其他信息或附加信息(例如，补充信息，例如补充用户信息)。
数据优选地通过安全通道、进一步优选地通过提供纠错的通道(例如，在第一护理点的TCP/IP堆栈上)来传输，但可选地可以通过任何合适的通道来发送。
S208可以包括在向远程计算系统传输数据之前或期间执行的任何数量的合适子步骤。这些子步骤可以包括下列操作中的任一个或全部：在传输到远程计算系统之前将任何或全部数据集(例如，患者信息)加密、移除信息(例如，敏感信息)、用附加信息(例如，补充患者信息、研究的补充系列等)补充数据集、压缩任何或所有数据集或执行任何其他合适的过程。
4.3方法-准备用于分析的数据包S210
方法200优选地包括准备用于分析的数据包S210，这可以起作用来减少分析数据包所需的时间，从进一步的分析消除不相关的数据包，从数据包去除不相关的数据(例如，不相关的解剖区域)，或者执行任何其他合适的功能。
准备用于分析的数据包可以包括将一组实例(例如，图像、切片、扫描等)优选地组织成系列，但此外或可选地组织成研究或图像的任何其他合适的分组。该组织优选地响应于生成一组实例(例如，在成像设备处)而被执行，但可以此外或可选地响应于在一个位置(例如，路由器、远程计算系统、例如PACS服务器的服务器等)处接收到一组实例、应个人(例如医疗保健工作者)的请求、响应于触发或在任何其他合适的时间处被执行。此外或可选地，可以在整个方法中执行该组实例多次(例如，基于相同的组织方案/元数据，基于不同的组织方案/元数据，等等)。可以在远程计算系统、医疗保健设施计算系统、(例如，在医疗保健设施计算系统上操作的)虚拟机处或者在物理的或虚拟的、本地的(例如，在医疗保健设施处)或远程的任何其他合适的计算或处理系统处完成该组织。该组图像优选地基于一组元数据(例如，元数据标签、传统的DICOM元数据标签等)来被组织，但可以此外或可选地以任何其他合适的方式被组织(例如，按接收的时间、按重要性排序等来组织)。在一个变形中，基于一组元数据来将一组图像组织成一系列，其中该系列由具有对应于下列项中的任一个或全部的元数据的图像形成：在轴向系列中获取的图像、各自对应于薄切片(例如，0.625毫米(mm)或更薄)的图像、无缺失切片(例如，没有在相邻图像之间的切片数中的跳跃)、跨越该系列的一致像素间距以及对齐的实例数和位置。此外或可选地，任何其他元数据可以用于确定该系列。
在一些变形中，该方法包括如果一组元数据(例如但不限于上面列出的元数据)中的一个或更多个不被满足则将数据包(例如，一组实例)排除在进一步处理之外。
准备数据包可以此外或可选地包括数据(例如，在一组实例(例如，系列)中的一个或更多个材料或特征)的提取，这可以起作用来减少该方法的一个或更多个剩余步骤的计算成本和时间(例如，通过移除在一个或更多个实例中的不相关的特征)。这可以包括下列项中的任一个或全部：基于像素的方法、基于体素的方法、将非图像数据(例如，血液测试结果)与一个或更多个预定阈值进行比较或者任何其他合适的方法。数据优选地在数据包被组织(例如，成一系列)之后被提取，但可以此外或可选地在没有被组织的数据包的情况下、响应于触发、在整个方法中的多个步骤中和/或在多个时间处(例如，提取第一材料，以及然后提取该材料的子集)或者在该方法期间的任何其他点处被执行。数据优选地在远程计算系统(例如，单个计算系统)处被提取，但可以此外或可选地在任何合适的计算系统处被执行。数据可以基于下列项中的任一个或全部被提取：HU值阈值化、光掩模、膨胀、侵蚀或任何其他技术。
在一些变形(例如涉及表现为中风症状或疾病(例如大血管闭塞)的患者的变形)中，这可以包括提取图像的对应于软物质(例如，脑组织、脑脊液、血液等)的部分和/或移除图像的对应于硬物质(例如，骨头、头盖骨等)的部分。这优选地通过运用软物质对应于一组低亨氏单位(HU)值的事实来完成，该软物质与对应于一组高HU值的任何周围硬物质(例如骨头、头盖骨)有差异。
在特定示例中，骨掩模(bone mask)被确定并定义为具有高于预定阈值(例如，750HU、700HU、800HU、在600HU和900HU之间等)的HU值的一组体素。然后用增加的尺寸的一系列核来使骨掩模膨胀，直到它完全包围低HU值(例如，小于预定阈值)的一组体素为止，从而定义软物质掩模。软物质掩模被膨胀以补偿骨掩模的膨胀。如果定义软物质掩模的过程失败，这可以指示头盖骨已经历颅骨切开术，其在一些情况下可以在确定诊断、通知联系人或第二护理点时或者在该方法中的任何其他点中被使用。一旦软物质掩模被膨胀，该掩模然后可以应用于该组实例(例如，被组织的一组实例、系列等)，并且在掩模外部的体素的HU值被设置为零。
准备数据包优选地包括评估在该组实例中的一个或更多个排除标准，其可起作用来证实一组实例对在该方法的其余部分中的评估是相关的，通过消除不相关组的实例来节省时间和/或资源，将对应于一个或更多个排除标准的一组实例按规定路线发送到在医疗保健设施中的另一工作流程，或者执行任何其他合适的功能。可选地，该方法可以部分地或全部处理所有组实例。排除标准优选地在数据被提取之后被应用(例如，以减少处理时间)，但可以此外或可选地在数据的提取之前或没有数据的提取的情况下在整个方法中多次(例如，根据该组实例的处理的程度应用的不同的排除标准)或者在该方法期间的任何其他合适的时间被执行。针对排除标准评估数据优选地在远程计算系统处被执行，但可以此外或可选地在任何其他计算系统处被执行。
排除标准优选地包括下列项中的任一个或全部：在该组实例中的一个或更多个中的伪影的存在(例如，金属伪影、动脉瘤夹等)、该组实例在成像设备处被获取时的不正确定时(例如，过早定时、团注(bolus)的不正确定时等)、在该组实例(例如，不完整的头盖骨、不完整的血管、不完整的软物质区域等)中的一个或更多个不完整区域(例如，特征、解剖特征等)、不正确的扫描类型或身体部分(例如，非头部CT扫描、非增强CT扫描等)、差的图像质量(例如，模糊的图像、低对比度等)、在扫描期间的患者的移动或任何其他合适的排除标准。
在一个变形中，一组实例(例如，图像、系列等)被评估以确定伪影是否存在，其中如果伪影被发现，则该组实例被排除在该方法中的进一步的步骤之外。在特定示例中，该方法包括检查在软物质掩模中的体素的HU值，其中具有高于预定阈值(例如，3000HU、在2000和4000HU之间等)的值的体素被确定为金属伪影(例如动脉瘤夹)。
在第二变形中，评估一组实例以确定不良团注定时是否在成像设备处在该组实例的生成期间出现。在特定示例中，软物质掩模用宽核(wide kernel)侵蚀，该宽核起作用来去除由于由骨体素引起的部分体积效应而导致的潜在的高HU体素。在侵蚀的掩模内的体素的HU值被检查，并且具有高于预定阈值(例如，100HU、在10和200HU之间等)的值的体素的数量可以被计数(例如，与体积相关)并用于确定扫描的定时是否过早。如果扫描时间过早，在增强CT扫描中的对比物(例如，造影剂、染料等)例如在软物质中不应该是可见的，并且体素的一般HU值将低于预定阈值(例如，小于100HU)。如果具有大于预定阈值的值的体素的总体积小于预定体积阈值(例如，10cc、20cc、5cc等)，该组实例(例如，系列)可以基于不良团注定时(例如，过早扫描)而被拒绝。在一些特定示例中，该过程选择性地被应用(例如，仅应用于软物质的前部以避免将脉络丛或松果体的钙化误认为对比物)。
在第三变形中，评估一组实例以确定解剖特征是不完整的还是从该组实例中缺失。在特定示例中，评估该组实例以确定完整或接近完整的(例如，高于预定阈值的面积或体积)头盖骨是否存在。这可以包括检查在特定切片(例如顶部切片)中的脑软物质的总面积，其中如果总面积超过预定阈值(例如80平方厘米、90平方厘米、在70和100平方厘米之间等)，该组实例由于不完整而被排除。
S210可以包括一个或更多个配准步骤(例如，图像配准步骤)，其中该组实例中的任一个或全部(例如，从该组实例提取的软物质)被配准到参考组实例(例如，参考系列)，其可以起作用来对准、按比例缩放、校准或以其它方式调整该组实例。配准步骤优选地响应于数据包通过一组排除标准被过滤而被执行，但可以此外或可选地在过滤之前或在没有过滤的情况下、在整个方法中多次或者在任何其他合适的时间处被执行。
配准步骤可以是基于强度的、基于特征的或任何其他类型或配准，并且可以包括点映射、特征映射或任何其他合适的过程中的任一个或全部。参考组实例优选地从训练集被确定，但可以可选地从任何合适的数据集被确定、是计算机生成的或者以其他方式被确定。可以针对定向、尺寸、三维定位、清晰度、对比度或任何其他特征中的任一个或全部选择参考系列。在一个变形中，从训练集选择参考系列，其中基于特征参数(例如，最大特征尺寸，诸如最大头盖骨、最小特征尺寸等)和/或对准程度(例如，最大对准、高于预定阈值的对准等)来选择参考系列。此外或可选地，可以使用任何其他标准来确定参考系列，参考系列可以随机地被选择、由汇集多组实例(例如，多个患者系列)形成或者以任何其他合适的方式被确定。在一些变形中，用一个或更多个特定软件包(例如，SimpleElastix)来执行配准。在特定示例中，在每个配准步骤中通过具有一组预定(例如，默认)参数和迭代(例如，4096次迭代、在3000和5000次迭代之间、高于1000次迭代、高于100次迭代等)的仿射配准(例如，在SimpleElastix中)来执行配准。
在一个变形中，头盖骨剥离系列(例如，软物质被提取的系列)被配准到从训练集选择的参考系列，其中参考系列基于它具有大的头盖骨尺寸和在它的一组实例当中的高水平的对准来被选择。
在第二变形中，头盖骨剥离系列被配准到由汇聚的一组系列形成的参考系列。
此外或可选地，准备数据包可以包括任何其他合适的步骤。
4.4方法-确定与数据包相关联的参数S220
方法200优选地包括确定与数据包相关联的参数S220(例如，如图4所示)，这起作用来评估患者疾病，其随后通知方法200的其余部分。此外或可选地，S220可以起作用来减少将患者转移到第二护理点的时间、停止疾病的发展或执行任何其他合适的功能。S220优选地完全在远程计算系统(例如，远程服务器、基于云的服务器等)、进一步优选地具有图形处理单元(GPU)的远程计算系统处被执行，但可以此外或可选地在任何合适的远程计算系统处部分地被执行，在本地计算系统(例如工作站)、服务器(例如PACS服务器)处、在用户设备的处理器处或在任何其他系统处部分地或全部被执行。优选地使用包括一个或更多个算法、进一步优选地包含被训练(例如，通过机器学习被训练、通过深度学习被训练、连续地被训练等)或未经训练的(例如，基于规则的图像处理算法或启发法)步骤的一个或更多个多步骤算法的软件来部分地或全部执行S220。此外或可选地，可以实现任何软件。
S220优选地包括识别(例如，定位、隔离、测量、量化等)在数据包内、进一步优选地在图像的配准系列内、但可选地在任何合适的图像数据集内的解剖特征S222。这可以通过任何数量的计算机视觉技术(例如，对象辨识(object recognition)、对象识别(objectidentification)、对象检测或任何其他形式的图像分析)来被执行。在一些变形中，至少部分地通过图像分割来执行解剖特征分析，其中分割包括下列项中的任一个或全部：阈值化、聚类方法、双重聚类方法、基于压缩的方法、基于直方图的方法、区域生长方法、基于偏微分方程的方法、变分法、图分割方法、分水岭变换、基于模型的分割、多标度分割、半自动分割、可训练分割或任何合适形式的分割。该方法可以此外或可选地包括任何数量的分割后处理步骤，例如阈值化、连通性分析或任何其他处理。分割优选地用卷积神经网络(CNN)、进一步优选地前馈深层CNN(例如，使用三维卷积、二维卷积等)被执行，但可以此外或可选地使用任何合适的算法或过程被执行。
在例如涉及中风(例如，缺血性中风、LVO等)的变形中，解剖特征可以是一个或更多个血管(例如动脉、大的成对动脉等)，例如颈内动脉(ICA)(例如末端ICA(t-ICA))、大脑中动脉(MCA)或任何其他血管或其他解剖特征。此外或可选地，解剖特征可以是软组织(例如脑组织)、硬物质(例如骨)或任何其他特征。在其他变形中，解剖特征可以是心脏的一部分(例如，血管、动脉、叶等)、骨(例如断骨)或身体的任何其他部分。
S222优选地在图像数据(例如，系列)被配准到参考系列之后被执行，但可以此外或可选地在配准步骤之前或在没有配准步骤的情况下、响应于触发、在整个方法中多次或者在任何其他合适的时间处被执行。
在一些变形中，例如在患者表现为中风(例如，缺血性中风、血管闭塞、LVO等)的情况下，大血管区域(例如，t-ICA和MCA-M1段)被分割。
在其他变形中，在血管内的解剖特征(例如，血栓、动脉瘤等)被识别。例如，在特定示例中，凝块被分割。所分割的凝块可以被评估(例如，使用方法200的其他过程)以确定例如凝块的一个或更多个参数(例如，尺寸、长度、体积等)并将一个或更多个参数与一个或更多个预定阈值(例如，解剖阈值或参数)进行比较。
在还有其他变形中，可以识别在脑血管系统外部的解剖特征，例如肿瘤、组织区域(例如，梗塞组织)、肿胀区域或任何其他合适的特征。
该方法进一步优选地包括确定与解剖特征相关联的参数S224，这起作用来评估(例如量化)解剖特征。优选地使用例如可以包括下列项中的任一个或全部的一种或更多种计算机视觉/图像处理技术来执行S224：中心线提取、中心线延伸、距离测量(例如，在特征的两端之间、在中心线的两端之间等)、尺寸测量(例如，长度、宽度、厚度、体积、所估计的质量等)、方向或定向测量、强度测量或任何合适的测量。
在该方法的一些变形(例如针对可疑血管闭塞(例如LVO)实现的变形)中，通过中心线延伸过程来确定中心线长度。这可以通过下列项中的任一个或全部来被执行：二元掩模、体素阈值化、一个或更多个修剪(trimming)步骤、三维并行细化算法或任何其他过程。例如，在示例中，中心线延伸过程包括基于一个或更多个体素(例如，末端体素、相邻于大血管闭塞的中心线末端的体素、中间体素、具有高于预定阈值的HU值的体素、具有低于预定阈值的HU值的体素、具有在预定范围内的HU值的体素等)的一组HU值来延伸大血管中心线以生成延伸的中心线。然后可以例如从延伸的中心线计算参数(例如，中心线长度)。
在一个特定示例中，针对血管分割(例如，先前描述的血管分割(例如，概率血管分割))确定中心线长度。确定中心线长度可以包括下列项中的任一个或全部：将图像数据转换成掩模(例如，二元掩模)、阈值化、将掩模转换成中心线(例如，通过三维并行细化算法)、使中心线生长(例如，基于预定的一组标准)、中心线骨架的融合、保持一个或更多个条件或特征(例如，拓扑的、几何的等)、预处理、后处理或任何其他合适的过程。
在一些变形中，算法(例如，用于确定中心线长度)被确定为优化速度。此外或可选地，可以选择算法来优化噪声敏感度或任何其他合适的特征。
在一些变形中，重复该过程，直到一组条件中的一个或更多个被满足为止。这些条件可以包括例如参数(例如，距离、长度、体积、面积、体素值、像素值等)以预定的方式与决策阈值相关(例如，在决策阈值之内、之上、之下等)，该过程被重复预定次数(例如，5次、10次等)或任何其他合适的标准。
在一些变形中，在每次迭代结束时执行修剪步骤以移除不相关的特征。例如，在特定示例中，执行修剪步骤以移除(例如，清除)不代表大血管的短分支。
该方法优选地包括将参数与阈值进行比较S226，这起作用来确定(或可选地排除)可疑疾病。疾病通常指假设的患者疾病或诊断(例如，LVO、动脉瘤、中风等)，但可以此外或可选地包括严重性(例如，基于预定的严重性标度)、紧急性或任何其他特征。
S226优选地在S224之后并响应于S224来被执行，但可以此外或可选地在该方法中的任何合适的时间被执行。优选地基于临床数据和/或解剖数据(例如，解剖特征的几何特征、解剖特征的尺寸(例如，平均尺寸、总尺寸、随机尺寸、最佳尺寸、最大尺寸等)、特征(例如，造影剂填充的血管)的强度或任何其他合适的特征来确定阈值(例如，界限值)。在一些变形中，基于一个或更多个训练数据集来确定阈值，其中训练集用于开发在该方法中使用的一种或更多种算法。
S226可以可选地包括确定阈值。在一些变形中，阈值被选择为大于相应解剖特征的值(例如，平均值、最高值、标准范围的上限、最佳值等)，这可起作用来增加患者疾病的确定的灵敏度，增加假阳性的数量(例如，当假阳性对工作流程有可忽略的影响时)，影响患者疾病的确定的特异性(例如，降低)，或执行任何其他合适的功能。例如，在一个示例中，阈值(血管的中心线长度(例如，t-ICA加上近侧MCA-M1)与该阈值比较)被选择为大于相应的解剖长度(例如，t-ICA和近侧MCA-M1的平均总长度、t-ICA和近侧MCA-M1的最大总长度等)。可选地，阈值可以被选择为更小的、近似平均的、最优的或以其他方式与解剖特征可比较的。
在该方法的一些变形(例如，在表现出LVO的患者中实现的变形)中，所计算的中心线长度被确定并与阈值中心线长度(例如，大于平均中心线长度)比较。如果计算出的中心线长度小于阈值，则怀疑有LVO。如果中心线长度大于阈值，则不怀疑有LVO。这可以用于确定患者是否应该被转移到专家，在第一护理点处通知医疗保健工作者，或者用于任何其他合适的目的。在特定示例中，大血管区域(例如，t-ICA和近侧MCA-M1)的总长度被确定为具有特定值(例如，50mm、53mm、在50mm和60mm之间、小于60mm、小于70mm等)，并且阈值长度被选择为比那个值更大(例如，60mm、大于60mm等)以优化真阳性。
在一些变形中，S226可以包括在训练步骤期间执行过程，其中该过程用于确定最佳阈值。例如，在特定示例中，执行一个或更多个接收器操作特性(ROC)分析以针对各种潜在阈值研究算法的性能，从而确定最佳阈值(例如肘点)。
在一个变形中，用户校准的距离阈值用于确定在所提取的中心线的近侧部分和远侧部分之间的距离是否指示(例如，在阈值的范围内)LVO。在特定示例中，用户校准的强度阈值用于确定部分LVO是否存在。
方法200还可以包括对一组特殊情况进行测试，这可以起作用来增加在该方法期间检测到真阳性的概率。特殊情况(特殊疾病)通常对应于疾病(例如LVO)的不太常见的解剖或临床配置，但可以此外或可选地对应于一组实例的下降的图像质量或者任何其他合适的事件。例如，在表现为LVO的患者的一些变形中，即使中心线长度高于预定阈值，也可能存在LVO。这可以包括研究解剖特征的一个或更多个特征及其参数，例如解剖特征的定向(例如血管中心线的定向)、几何特征(例如血管的宽度)或指示特殊情况的任何其他合适的特征。
在一个示例中，该方法包括检查部分闭塞。在这种情况下，造影剂仍然可以部分地填充血管，因此中心线延伸可以成功并导致高于预定阈值的中心线长度。检查部分闭塞可以包括将中心线体素的HU值与一组紧邻体素的HU值进行比较。如果在体素组之间看到大于预定阈值(例如，200HU)的差异，则可以在未来步骤中检测和/或指示LVO。
在第二个示例中，该方法包括检查胎源性脑后动脉(PCA)，其对应于在胎源性PCA分叉之后立即出现的LVO，因为中心线延伸延长到PCA内而不是MCA内。这可以通过检查中心线延伸的定向来被检测，并且如果中心线在比它向远侧延伸更大的程度上向后部延伸，则LVO可以在未来的步骤中被检测和/或指示。
此外或可选地，可以以任何合适的方式检查任何其他特殊情况。
4.5方法-确定治疗方案S230
该方法可以包括优选地在疾病被检测到的情况下(例如，基于与阈值的比较)确定治疗方案S230，但可以此外或可选地在疾病没有被检测到时、在分析是非决定性的时或在任何合适的情形中确定治疗方案。S230可以起作用来发起患者到第二护理点(例如，专业设施)的转移，发起专家到第一护理点的转移，或者发起患者在第一护理点内的治疗(例如，机械祛栓)，或者执行任何其他合适的功能。在一些变形中，治疗方案是第二护理点，其中确定(例如，建议、指定等)患者应该在第二护理点处被治疗。此外或可选地，治疗方案可以是程序(例如，外科手术程序、机械祛栓、动脉瘤线圈的放置、支架的放置、血栓的取回等)、治疗(例如，组织纤溶酶原激活剂(TPA)、止痛药、血液稀释剂等)、康复计划(例如，物理治疗、言语治疗等)或任何其他合适的治疗。
治疗优选地基于在从数据包确定的参数和阈值之间的比较来被确定，但可以此外或可选地基于附加数据(例如，患者信息(例如，人口统计信息、患者病史、患者治疗偏好等)、来自一个或多个个体(例如，授权书、主治医生、急诊科医生等)的输入)或任何其他合适的信息)来被确定。
S230优选地至少部分地用在远程计算系统(例如，远程服务器)处操作的软件来被执行，但可以此外或可选地在与前面的远程计算系统分离的远程计算系统、本地计算系统(例如，本地服务器、耦合到医疗保健设施服务器的虚拟机、连接到PACS服务器的计算系统)处或在任何其他位置处被执行。
优选地在患者疾病在方法200期间被确定之后执行S230。此外或可选地，可以在患者疾病在替代工作流程中(例如，在第一护理点处，在标准放射科工作流程期间在放射科医生工作站处，在假阴性的情况下，等等)被确定之后、在患者疾病的确定之前或在没有患者疾病的确定的情况下(例如，基于来自在远程计算系统处的医疗保健工作者的输入，当患者被接纳到第一护理点时，等等)、在整个方法中多次(例如，在第一治疗方案失败之后，在第一专家无反应之后，例如在阈值量的时间(例如30秒、1分钟、2分钟等之后))或者在该方法期间的任何其他时间处执行S230。
S230优选地利用位于在远程计算系统(例如云计算系统)处可访问的数据库中的查找表来确定治疗方案。此外或可选地，查找表可以存储在医疗保健设施计算系统(例如，PACS服务器)处、在用户设备处的存储装置中或在任何其他位置处。
在其他变形中，可以由算法(例如，预测算法、经训练的算法等)、个人(例如专家)、决策支持工具或通过任何其他过程或工具来确定治疗方案。
该查找表优选地使第二护理点(例如，医疗保健设施、中心、医生、专家、神经介入者等)、进一步优选地专家或联系人(例如，行政人员、急诊室医生等)与患者疾病(例如，LVO的存在、病状的存在、严重程度等)关联，但可以此外或可选地使任何治疗方案与患者疾病关联。查找表还可以此外或可选地使治疗方案与补充信息(例如，患者病史、人口统计信息、启发式信息等)关联。
联系人(例如，医疗保健提供者、神经介入专家等)优选地是医疗保健工作者，但可以此外或可选地是与患者的治疗相关联的任何个人和/或与和患者有关的任何医疗保健设施(例如，患者的先前医疗保健设施、当前医疗保健设施、所推荐的医疗保健设施)相关联。联系人还优选地是专家(例如，神经介入专家、神经外科医生、神经血管外科医生、普通外科医生、心脏专家等)，但可以此外或可选地包括与专家相关联的行政人员、联系人的多个点(例如，排序、组等)或任何其他合适的个人或个人的组。联系人优选地与中心设施相关联，其中中心设施被确定为对于第二护理点的选项，但可以此外或可选地与分支设施(例如，当前设施、未来设施选项等)、与患者有关的个人(例如，家庭成员、雇主、朋友、熟人、紧急联系人等)或任何其他合适的个人或实体(例如雇主、保险公司等)相关联。
查找表优选地基于多种类型的信息(例如但不限于：位置信息(例如，第一护理点的位置、第二护理点的位置、在护理点之间的距离等))、时间信息(例如，在护理点之间的中转的时间、自从患者在第一护理点处就诊以来经过的时间等)、疾病的特征(例如，闭塞的大小、疾病的严重程度等)、患者人口统计数据(例如，年龄、一般健康状况、病史等)、专家信息(例如，时间表、候命时间、历史响应时间、技能水平、经验年数、专业程序、历史成功或程序等)、医疗保健设施信息(例如，患者的当前数量、可用床位、可用机器等))来被确定，但可以此外或可选地基于单一类型的信息或以任何其他合适的方式来被确定。信息可以是实际的、被估计、被预测或以其他方式被确定或收集。
位置可以是一组地理坐标(例如纬度和经度)、地名(例如，县、城市、地标、十字路口等)、物理街道地址、距给定位置的距离、距给定位置的在指定半径内的在场、在地图上的图形描绘或任何其他合适的位置表达。可以基于由设备提供的GPS坐标、在移动电话塔和公共桅杆(例如辅助GPS)之间的三角测量、Wi-Fi连接位置、在IP地址或MAC地址上执行的WHOIS、GSM/CDMA小区ID、由用户自己报告的位置信息或者以任何其他合适的方式来确定位置。
在一些变形中，方法200包括将信息(例如，患者疾病、从分析确定的数据、最佳一组实例、系列、数据包等)传输到与查找表相关联的计算系统。
4.6方法-准备用于传送的数据包S240
方法200可以包括准备用于传送的数据包，这可以起作用来产生压缩数据包、部分地或完全匿名化数据包(例如，以遵守患者隐私准则、遵守健康保险流通和责任法案(HIPAA)条例、遵守通用数据保护条例(GDRP)协议等)、最小化传送数据包的时间或执行任何其他合适的功能。此外或可选地，可以传送先前描述的任一个或全部数据包。
数据包优选地被传送(例如，一旦当数据包被生成，在预定延迟之后，等等)到联系人，进一步优选地专家(例如，与第二护理点相关联，位于第一护理点处，等等)，但可以此外或可选地被发送到另一个医疗保健设施工作人员(例如，在第一护理点处，放射科医生等)、个人(例如亲戚、患者等)、医疗保健设施计算系统(例如工作站)、服务器或数据库(例如PACS服务器)或任何其他合适的位置。
S240优选地包括压缩一组图像(例如，系列)，但可以此外或可选地保持该组图像未被压缩，压缩部分的一组图像(例如，描述疾病的子集)，或者压缩数据包的任何其他部分。压缩数据包起作用来使数据包能够被发送到用户设备(例如移动设备)、在用户设备(例如移动设备)处被接收并在用户设备(例如移动设备)上被查看。压缩数据包可以包括下列操作中的任一个或全部：移除特定图像区域(例如，对应于空气的区域、对应于硬物质的区域、没有对比染料的区域、不相关的解剖区域等)、体素值的阈值化(例如，低于预定阈值的所有值被设置为固定值，高于预定阈值的所有值被设置为固定值，低于-500HU的所有值被设置为-500，对应于特定区域的所有体素值被设置为固定值，对应于空气的所有体素被设置为预定固定值，等等)、减小每个图像的尺寸(例如，将图像尺寸按比例缩放0.9倍，将图像尺寸按比例缩放0.7倍，将图像尺寸按比例缩放0.5倍，将图像尺寸按比例缩放在0.1和0.9之间的倍数，将图像尺寸减小4倍，等等)或者通过任何其他压缩方法。
在一个变形中，可以基于接收设备(例如，用户设备、移动设备等)的一个或更多个存储器约束来确定一组图像的尺寸的减小。
在一些变形(例如涉及表现出脑疾病(例如，LVO)的患者的变形)中，通过确定在每个图像中的对应于空气的近似或精确区域(例如，基于HU值、基于位置、基于体积等)并设置空气区域(例如，对应于空气区域的体素、对应于空气区域的像素等)具有固定值来压缩在成像设备(例如，CT扫描仪)处获取的图像。此外或可选地，任何非关键区域(例如，骨、未受影响的区域等)或其他区域可以在压缩期间被改变(例如，被设置为固定值、被移除等)。例如，在特定示例中，对应于空气的一组体素被设置为都具有公共固定值(例如，上限值、下限值、在0和1之间的值、预定值等)。
在一些变形中，S240包括识别待传输(例如，从远程计算系统)和接收(例如，在用户设备处)的最佳可视化，这起作用来为第二护理点(例如，专家)准备最佳输出，减少查看数据包所需的时间，引起对最相关的图像数据的注意，或者实现任何其他合适的结果。
在一些变形中，这涉及反向配准过程。例如，在特定示例中，这通过最大强度投影(MIP)来完成，其中基于哪些图像包含在MIP图像中的感兴趣的所分割的解剖区域的最大百分比来确定实例的最佳范围。
此外或可选地，S240可以包括移除和/或改变(例如，加密)来自数据包的元数据或任何不必要的、私有的、机密的或敏感的信息。在一些变形中，从数据包移除患者信息(例如，患者可识别信息)，以便遵守管制准则。在其他变形中，所有元数据被提取并从数据包被移除。
在一些变形中，S240包括存储数据集(例如，在远程服务器处、在本地服务器处、在PACS服务器处，等等)。在一个示例中，元数据从图像数据被提取，并与图像数据分开地存储在关系数据库中。在另一个示例中，存储(例如，临时地、永久地等)任何或所有数据包以在一个或更多个未来的分析过程中被使用，这些分析过程可以起作用来改进方法、更好地将患者与合适的治疗方案相匹配或者用于任何其他合适的目的。
在一些变形中，S240包括应用低带宽实现处理，其可起作用来减少在专家接收到第一数据段或数据包(例如，不完整系列、不完整研究、单个实例、单个图像、最佳图像、显示闭塞的图像等)之前的时间、减少通知专家潜在的患者疾病所需的处理、减少由专家查看所需的数据的数量、减少从远程计算系统传输到移动设备的数据的数量或执行任何其他合适的功能。低带宽实现处理可以包括下列操作中的任一个或全部：组织(组块)数据(例如，基于解剖区域使一系列图像组块)、将数据重新排序(例如，将在CT系列中的切片重新排序)、将数据包(例如，系列、研究、一组图像等)的一部分(例如，单个图像、单个切片等)传输到设备(例如，用户设备、移动设备、医疗保健设施工作站、计算机等)、发送数据包的剩余部分(例如，仅响应于请求，在预定时间过去之后，一旦数据包被完全处理，等等)或任何其他处理。例如，在特定示例中，在远程计算系统处从扫描仪接收的图像数据(例如切片)被组块、重新排序，并且单个切片被首先发送到与专家相关联的设备(例如，在发送剩余的一组切片之前)。
此外或可选地，S240可以包括以任何合适的顺序执行的任何其他合适的步骤。
该方法可以此外或可选地包括用于准备数据包的任何其他合适的子步骤。
4.7方法-向与第二护理点相关联的设备传输信息S250
向与第二护理点(例如，专家、联系人等)相关联的设备传输信息S250(例如，如图6所示)起作用来发起从第一护理点到第二护理点的牵拉，这可以减少护理的时间，提高护理的质量(例如，改善在患者疾病和专家之间的匹配)，或者具有任何其他合适的结果。优选地，第二护理点是中心设施(例如，专家设施、介入中心、综合卒中中心等)。在一些变形中，第一护理点(例如，患者最初就诊的医疗保健设施)也起第二护理点的作用，例如当合适的专家与第一护理点相关联时，第一护理点是中心(例如，专家设施、介入中心、综合卒中中心等)，转移患者(例如疾病具有高严重程度)是不建议的，或为了任何其他原因。
S250优选地在第二护理点被确定之后(例如，响应于第二护理点被确定)被执行，但可以此外或可选地在数据包(例如，压缩数据包、加密数据包等)被确定之后、在整个方法中多次(例如，到多个接收者，用多个数据包，用已更新的信息，在自从通知被发送到第一选择专家以来预定量的时间已过去之后，等等)或在方法200期间的任何其他时间处被执行。
该设备优选地是用户设备，进一步优选地是移动设备。用户设备的示例包括平板计算机、智能手机、移动电话、膝上型计算机、手表、可穿戴设备(例如眼镜)或任何其他合适的用户设备。用户设备可以包括电力储存器(例如电池)、处理系统(例如CPU、GPU、存储器等)、用户输出(例如，显示器、扬声器、振动机构等)、用户输入(例如键盘、触摸屏、麦克风等)、定位系统(例如，GPU系统)、传感器(例如，光学传感器(例如光传感器和照相机)、定向传感器(例如加速度计、陀螺仪和高度计)、音频传感器(例如麦克风)等)、数据通信系统(例如，WiFi模块、BLE、蜂窝模块等)或任何其他合适的部件。
该设备优选地关联与第二护理点相关联的专家或其他个人(例如，由专家或其他个人拥有，属于专家或其他个人，由专家或其他个人可访问，等等)，但可以此外或可选地与在第一护理点处的个人或计算系统、患者或任何其他合适的个人或系统相关联。
在一个变形中，设备是专家的个人移动电话。在另一个变形中，设备是在医疗保健设施(例如，第一护理点、第二护理点等)处的工作站。
信息优选地包括数据包，进一步优选地是在S240中准备的数据包。此外或可选地，信息可以包括数据包的子集、原始数据包、任何其他图像数据集或任何其他合适的数据。信息进一步优选地包括通知，其中该通知提示个人在设备处查看数据包(例如，记载“紧急：请查看！”的消息)。此外或可选地，通知可以提示个人在单独的设备(例如在医疗保健设施中的工作站、PACS服务器或任何其他位置)上查看数据(例如，原始数据包、未压缩图像等)。进一步此外或可选地，通知可以包括任何合适的信息，例如但不限于：指令(例如，用于治疗患者、用于到达医疗保健设施的指示)、联系人信息(例如，用于在第一护理点处的急诊科医生、行政助理等)、患者信息(例如，患者病史)或任何其他合适的信息。
通知优选地包括SMS文本消息，但可以此外或可选地包括电子邮件消息、音频消息(例如，发送到移动电话的记录)、推送通知、电话呼叫或任何其他合适的通知。
信息优选地通过在用户设备上执行的客户端应用被发送到设备，但可以此外或可选地通过消息传送平台、网络浏览器或其他平台被发送。
在一些变形中，发送提示个人提供输入的通知，其中该输入可以指示个人将查看、已经查看信息(例如，图像数据)或在查看信息(例如，图像数据)的过程中，看到疾病的存在(例如，真阳性、严重疾病、时间敏感疾病等)，看不到疾病的存在(例如假阳性、严重疾病、时间敏感疾病等)，已经接受患者的治疗(例如向右滑动、向上滑动、点击复选标记等)，拒绝患者的治疗(例如向左滑动、向下滑动、点击“x”等)，想要例如通过消息传送平台(例如，设备本地的，由客户端应用启用的，等等)与另一个人(例如，在第一护理点处的医疗保健工作者)通信)或任何其他输入。在一些变形中，向个人提供一个或更多个附加通知(例如，基于输入的内容)，这可以由查找表、操作员、个人、决策引擎或其他工具确定。在一个示例中，例如，如果个人指示该疾病为真阳性，与患者的转移相关的信息(例如，估计到达时间、到患者的位置的方向等)可以被提供(例如，在转移请求中，其中患者转移到指定位置(例如第二护理点)可以在接收到转移请求时被发起)。在一些变形中，响应于用户与通知的交互作用(例如，响应于输入接收)，数据(例如，图像)被显示在用户设备(例如，移动设备、工作站)上。然而，输入可以触发任何合适的行动或以其他方式被使用。
此外或可选地，当个人已经打开数据包、查看通知或以任何其他合适的方式与客户端应用交互作用时，输入可以自动从客户端应用被接收，例如阅读收条。在一个示例中，如果在预定量的时间(例如，10秒)内没有(例如，在远程计算系统处)从设备接收到阅读收条，则第二通知和/或数据包(例如，压缩的一组图像)被发送给第二个人(例如，基于查找表的第二选择专家)。
在一些变形中，各种输出可以从客户端应用(例如，在用户设备处)被发送到一个或更多个接收者(例如，到第二用户设备、在工作站上、在计算系统上的客户端应用等)，例如与第一护理点相关联的接收者(例如放射科医生、急诊科医生等)。输出可以基于在与个人相关联的客户端应用处接收的输入(例如，病例的接受、真阳性的验证等)、基于查找表来被确定，或者以其他方式被确定。输出优选地不改变标准放射科工作流程(例如，不与放射科医生共享；放射科医生未被通知)，这起作用来确保方法200是真正的并行过程，并且标准放射科工作流程导致患者的独立评估，但可以此外或可选地缩短工作流程，比正常情况更早地让专家参与患者病例，或者影响在医疗保健设施中的任何其他过程。
4.8方法–汇集数据S260
方法200可以可选地包括任何数量的子步骤，其涉及在方法200期间涉及和/或生成的数据的汇集，这可以起作用来改进方法200的未来迭代(例如，更好地将患者与专家匹配，减少治疗患者的时间，增加灵敏度，增加特异性等)。汇集的数据优选地在一个或更多个分析步骤中被使用(例如，以改进治疗方案、对药物或程序提出建议等)，但可以此外或可选地用于任何其他合适的目的。
在一些变形中，例如，在方法200期间检查的患者的结果被记录并与它们的相应数据包相关联，这些数据包可用于评估所选择的特定治疗方案的成功，并更好地告知在未来病例中的治疗选项。
4.9方法-变形
在一个变形中，该方法起作用来增强与该方法并行地操作的标准放射科工作流程，其可以包括下列操作中的任一个或全部：在远程计算系统处(例如，远离第一护理点)接收(例如，患者的脑的)一组图像，其中该组图像同时被发送到与该方法并行地操作的标准放射科工作流程，以及从该组图像自动检测疾病(例如，潜在的大血管闭塞)。在检测到疾病时，该方法可以包括下列操作中的任一个或全部，自动地：从标准放射科工作流程确定第二专家，其中该专家与第二护理点相关联；在放射科医生通知第一专家之前在与第二专家相关联的移动设备上通知第二专家；以及在移动设备上显示该组图像的压缩版本。
在特定示例中，该方法包括在远程计算系统处接收与患者相关联的一组医学数字成像和通信(DICOM)脑图像，其中该组DICOM脑图像同时被发送到与该方法并行地操作的标准放射科工作流程。在标准放射科工作流程中，放射科医生分析该组DICOM脑图像并基于在工作站处对该组DICOM脑图像的视觉评估来通知专家，其中标准放射科工作流程花费第一时间量。然后，该方法可以包括从该组DICOM脑图像检测潜在的脑动脉闭塞，这包括下列操作中的任一个或全部：从该组DICOM脑图像识别大血管区域；从大血管区域提取中心线；基于中心线来确定大血管区域的中心线长度；将中心线长度与预定阈值进行比较；以及当中心线长度小于预定阈值时检测潜在的脑动脉闭塞。在检测到潜在的脑动脉闭塞时，该方法可以包括，自动地：从标准放射科工作流程确定专家，其中该专家与第二护理点相关联；在与专家相关联的移动设备上通知专家，其中专家在比第一时间量短的第二时间量内被通知，其中放射科医生在检测到潜在的脑动脉闭塞时不被自动通知；在移动设备上显示该组DICOM脑图像的压缩版本；以及在与专家相关联的工作站上显示该组DICOM脑图像的高分辨率版本。此外或可选地，该方法可以包括任何其他合适的过程。
在另一变形中，该方法用于确定专家(例如，独立于放射科工作流程的执行，与放射科医生工作流程并行地，绕过放射科工作流程，等等)，其中该方法包括：接收包括在第一护理点处采样的一组图像(例如，患者的脑的CT图像)的数据包，其中数据包同时被发送到标准放射科工作流程；从该组图像确定解剖特征(例如，大血管区域)；从该区域提取特征(例如，大血管中心线)；确定特征的参数(例如，计算中心线长度)；以及将参数(例如中心线长度)与预定阈值进行比较。在一个示例中，该方法然后可以包括当中心线长度小于预定阈值时检测大血管闭塞。响应于疾病的检测(例如，大血管闭塞检测)，该方法可以包括下列操作中的任一个或全部：在与来自标准放射科工作流程的专家相关联的移动设备上呈现通知，专家与第二护理点相关联；响应于与通知的交互作用而在移动设备上显示该组图像的压缩版本；或任何其他合适的过程。
在特定示例中，该方法包括：在远程计算系统处接收来自第一护理点的数据包，该数据包包括一组计算机断层扫描(CT)图像和与该组CT图像相关联的一组元数据；在远程计算系统处处理数据包，这可以包括下列操作中的任一个或全部：基于元数据来将该组CT图像组织成一个系列；基于软物质掩模来从该系列识别软物质体素，软物质掩模包括预定的亨氏单位(HU)阈值；将软物质体素配准到一组参考CT图像，从而确定所配准的一组体素；分割(例如，利用前馈深度卷积网络)在所配准的该组体素中的大血管区域；提取所分割的大血管区域的中心线；以及基于中心线来确定所述分割的大血管区域的长度。在有中心线长度的情况下，该方法然后可以包括：将中心线长度与预定阈值进行比较，其中预定阈值大于相应的解剖长度。当中心线长度小于预定阈值时，可以基于查找表来确定专家。然后，通知和包括一组压缩图像的第二数据包可以被传输到与专家相关联的用户设备。
此外或可选地，该方法可以包括以任何合适的顺序执行的任何其他步骤。
虽然为了简洁而被省略，但优选实施例包括各种系统部件和各种方法过程的每个组合和排列，其中方法过程可以以任何合适的次序顺序地或同时被执行。
如本领域中的技术人员从前面的详细描述及从附图和权利要求将认识到的，可以对本发明的优选实施例做出修改和变化而不偏离在所附的权利要求中限定的本发明的范围。

Claims (39)

1.一种用于计算机辅助分诊的远程计算系统，所述远程计算系统远离第一护理点，并且所述远程计算系统包括处理器，所述处理器被配置为：
接收与患者相关联的一组医学数字成像和通信DICOM脑图像，其中所述一组DICOM脑图像同时被发送到并行地操作的标准放射科工作流程，其中在所述标准放射科工作流程中，放射科医生分析所述一组DICOM脑图像，并基于在工作站处对所述一组DICOM脑图像的视觉评估来通知专家，其中所述标准放射科工作流程花费第一时间量；
从所述一组DICOM脑图像自动检测潜在的脑动脉闭塞，包括：
从所述一组DICOM脑图像识别大血管区域；
从所述大血管区域提取中心线；
基于所述中心线来计算所述大血管区域的中心线长度；
将所述中心线长度与预定阈值进行比较；以及
当所述中心线长度小于所述预定阈值时，检测潜在的脑动脉闭塞；
在检测到潜在的脑动脉闭塞时，自动地：
根据所述标准放射科工作流程确定所述专家，其中所述专家与第二护理点相关联；
向与所述专家相关联的移动设备发送通知，其中所述专家在比所述第一时间量短的第二时间量内被通知，其中在检测到潜在的脑动脉闭塞时所述放射科医生不被自动通知；
向所述移动设备发送所述一组DICOM脑图像的压缩版本以在所述移动设备上显示；
其中，所述一组DICOM脑图像的高分辨率版本在与所述专家相关联的工作站上被显示。
2.根据权利要求1所述的远程计算系统，其中，所述预定阈值大于与所述大血管区域相关联的大血管的标准组合解剖长度的上限。
3.根据权利要求1所述的远程计算系统，其中，所述第二时间量小于8分钟。
4.根据权利要求1所述的远程计算系统，其中，所述处理器还配置为在接收到所述一组DICOM脑图像之后的预定时间段已过去之后发起对所述一组DICOM脑图像的处理。
5.根据权利要求1所述的远程计算系统，其中：
与所述一组DICOM脑图像相关联的转移请求在所述工作站处被接收；以及
所述转移请求被接收到后，所述患者从所述第一护理点到所述第二护理点的转移被发起。
6.根据权利要求1所述的远程计算系统，其中，通知所述专家包括在所述移动设备上呈现通知，其中，在所述移动设备显示所述一组DICOM脑图像的压缩版本之前：
与所述通知相关联的输入被监控；
所述输入被接收到之后，所述一组DICOM脑图像的压缩版本在所述移动设备上被显示；以及
当在预定时间阈值内没有接收到所述输入时，第二专家被确定并且所述通知在与所述第二专家相关联的第二移动设备上被呈现。
7.根据权利要求6所述的远程计算系统：
其中所述通知在所述移动设备上执行的移动设备应用上被呈现，并且所述一组DICOM脑图像的压缩版本在所述移动设备应用上被显示，其中所述专家和/或所述第二专家通过专家账户登录到所述移动设备应用中；以及
其中所述一组DICOM脑图像的高分辨率版本在所述工作站上执行的工作站应用上被显示，其中所述专家和/或所述第二专家通过所述专家账户登录到所述工作站应用中。
8.根据权利要求1所述的远程计算系统，其中，所述一组DICOM脑图像中的每一个是相关联的一组元数据，所述处理器还被配置为生成所述一组DICOM脑图像的压缩版本，包括：
压缩所述一组DICOM脑图像；以及
从所述一组元数据移除患者信息。
9.根据权利要求1所述的远程计算系统，其中，确定所述专家包括基于在所述第二护理点和所述第一护理点之间的地理接近度来确定所述专家。
10.根据权利要求8所述的远程计算系统，其中，所述一组元数据包括与所述第一护理点相关联的标识符，并且其中查找表将所述专家与所述标识符相关联，并且其中所述查找表基于所述第一护理点的位置和所述专家的位置来被确定。
11.一种用于增强标准放射科工作流程的远程计算系统，所述远程计算系统远离第一护理点，并且所述远程计算系统包括处理器，所述处理器被配置为：
接收患者的一组脑图像，其中所述一组脑图像同时被发送到并行地操作的所述标准放射科工作流程，其中在所述标准放射科工作流程中，放射科医生分析所述一组脑图像，并响应于确定大血管闭塞的存在而通知第一专家；
从所述一组脑图像自动检测潜在的大血管闭塞；
在检测到潜在的大血管闭塞时，自动地：
根据所述标准科放射工作流程确定第二专家，其中所述第二专家与第二护理点相关联；
在所述放射科医生通知所述第一专家之前，向与所述第二专家相关联的移动设备发送通知；以及
向所述移动设备发送所述一组脑图像的压缩版本以用于在所述移动设备上显示。
12.根据权利要求11所述的远程计算系统，其中，从所述一组脑图像自动检测潜在的大血管闭塞包括：
从所述一组脑图像识别大血管区域；
从所述大血管区域提取中心线；
基于所述中心线计算所述大血管区域的中心线长度；
将所述中心线长度与预定阈值进行比较；以及
当所述中心线长度小于所述预定阈值时，检测潜在的大血管闭塞。
13.根据权利要求12所述的远程计算系统，其中，所述预定阈值大于与所述大血管区域相关联的大血管的标准组合解剖长度的上限。
14.根据权利要求11所述的远程计算系统，其中，在检测到潜在的大血管闭塞时所述放射科医生不被自动通知，其中在移动设备上通知所述第二专家之后的第二时间，所述放射科医生在所述标准放射科工作流程中通知所述第一专家。
15.根据权利要求11所述的远程计算系统，所述处理器还被配置为：
从连接到CT扫描仪的医疗路由系统接收被拦截的在去往所述标准放射科工作流程的途中的所述一组脑图像。
16.根据权利要求11所述的远程计算系统，其中，所述一组脑图像的高分辨率版本在与所述第二专家相关联的工作站处被显示。
17.根据权利要求16所述的远程计算系统，其中，与所述一组脑图像相关联的转移请求在所述工作站处被接收；以及
在所述转移请求被接收到时，患者从所述第一护理点到所述第二护理点的转移被发起。
18.根据权利要求16所述的远程计算系统：
其中所述通知在所述移动设备上执行的移动设备应用上被呈现，并且所述一组脑图像的压缩版本在所述移动设备应用上被显示，其中所述第二专家通过专家账户登录到所述移动设备应用中；以及
其中所述一组脑图像的高分辨率版本在所述工作站上执行的工作站应用上被显示，其中所述第二专家通过所述专家账户登录到所述工作站应用中。
19.根据权利要求18所述的远程计算系统，其中所述处理器还被配置为：
响应于检测到大血管闭塞，在确定所述第二专家之前，通知预备专家；以及
在与所述预备专家相关联的预备专家账户中监控与所述一组脑图像相关联的活动；
其中，当在所述预备专家账户中没有活动在预定时间窗口内被检测到时，所述第二专家被确定。
20.一种用于在第一护理点处针对表现出中风症状的患者确定专家的远程计算系统，所述远程计算系统包括处理器，所述处理器被配置为：
接收来自所述第一护理点的第一数据包，其中所述第一数据包包括一组计算机断层扫描CT图像和与所述一组CT图像相关联的一组元数据；
处理所述第一数据包，包括：
基于所述元数据来将所述一组CT图像组织成一个系列；
基于软物质掩模从所述系列识别软物质体素，所述软物质掩模包括预定的亨氏单位HU阈值；
将所述软物质体素配准到一组参考CT图像，从而确定所配准的一组体素；
利用前馈深度卷积网络来分割在所述配准的一组体素中的大血管区域；
提取所分割的大血管区域的中心线；以及
基于所述中心线来确定所分割的大血管区域的长度；以及
将所述中心线长度与预定阈值进行比较，其中所述预定阈值大于相应的解剖长度；
当所述中心线长度小于所述预定阈值时，基于查找表来确定专家；以及
向与所述专家相关联的用户设备传输通知和包括一组压缩图像的第二数据包。
21.根据权利要求20所述的远程计算系统，其中，增强的标准放射科工作流程在第一护理点处与标准放射科工作流程并行地被执行，其中在所述标准放射科工作流程中，所述第一数据包在放射科医生工作站处被同时查看，并且其中所述放射科医生基于在所述工作站处对所述一组计算机断层扫描CT图像的视觉评估来确定所述专家并通知所述专家。
22.根据权利要求20所述的远程计算系统，其中，所述一组元数据包括与所述第一护理点相关联的标识符，其中所述查找表将所述专家与所述标识符相关联，并且其中所述查找表基于所述第一护理点的位置和所述专家的位置被确定。
23.根据权利要求20所述的远程计算系统，其中，所述处理器还被配置为：确定特殊疾病；当所述特殊疾病被确定时，将所述第二数据包和所述通知传输给所述专家。
24.根据权利要求23所述的远程计算系统，其中，所述特殊疾病包括部分闭塞和胎源性脑后动脉中的至少一个。
25.根据权利要求24所述的远程计算系统，其中，确定部分闭塞包括：
识别在所分割的大血管区域内沿着所述大血管区域的中心线平放的中心线体素；
当所述中心线体素的HU值与相邻体素的HU值相差大于阈值时检测到所述部分闭塞。
26.根据权利要求24所述的远程计算系统，其中，确定所述胎源性脑后动脉包括：
确定所述中心线的定向；以及
当所述定向比远端更靠后时，检测到所述胎源性脑后动脉。
27.根据权利要求20所述的远程计算系统，其中，所述处理器还被配置为确定所述一组压缩图像，包括：
确定对应于空气的第一组图像的一部分；以及
将对应于所述一部分的一组体素中的每一个设置为单个预定值。
28.根据权利要求20所述的远程计算系统，其中，所述处理器还被配置为接收到所述第一数据包之后在预定时间段过去之后处理所述第一数据包。
29.根据权利要求20所述的远程计算系统，其中，所述处理器还被配置为确定所述第二数据包，包括：从所述第一数据包的所述一组元数据移除患者信息。
30.一种用于计算机辅助分诊的装置，所述装置包括增强标准放射科工作流程的处理系统，所述处理系统被配置为：
接收包括在第一护理点处采样的患者的脑的一组计算机断层扫描CT图像的数据包，其中所述数据包同时被发送到与增强的标准放射科工作流程并行地操作的标准放射科工作流程；
从所述一组CT图像确定大血管区域；
从所述大血管区域提取大血管中心线；
计算所述大血管中心线的中心线长度；以及
将所述中心线长度与预定阈值进行比较；
当所述中心线长度小于所述预定阈值时，检测大血管闭塞；
响应于检测到大血管闭塞：
根据所述标准放射科工作流程在与专家相关联的移动设备上呈现通知，所述专家与第二护理点相关联；以及
响应于与所述通知的交互作用而在所述移动设备上显示所述一组CT图像的压缩版本。
31.根据权利要求30所述的装置，其中，所述大血管区域包括大脑中动脉M1区域和末端颈内动脉区域。
32.根据权利要求30所述的装置，所述装置还包括连接到CT扫描仪的医疗路由系统，所述医疗路由系统被配置为：
拦截在去往所述标准放射科工作流程的途中的所述一组CT图像；以及
将所述一组CT图像传输到远程计算系统，其中所述处理系统是所述远程计算系统。
33.根据权利要求32所述的装置，其中，所述处理系统还被配置为接收到所述数据包之后在预定时间段经过之后发起从所述一组CT图像确定大血管区域。
34.根据权利要求30所述的装置，其中，确定所述大血管区域包括：
从所述一组CT图像提取软物质区域；
将所述软物质区域配准到具有目标血管区域的参考系列；
在配准之后，概率地分割落在所述目标血管区域内的所述软物质区域；以及
将二元掩模应用于落在所述目标血管区域内的概率地分割的软物质区域，其中，具有高于阈值概率的概率的体素被包括在所述大血管区域中。
35.根据权利要求34所述的装置，其中，提取所述软物质区域包括将软物质掩模应用于所述一组CT图像，所述软物质掩模包括预定的亨氏单位阈值。
36.根据权利要求31所述的装置，其中，确定所述大血管区域包括使用三维卷积用前馈深度卷积网络来从所述一组CT图像分割所述大血管区域。
37.根据权利要求31所述的装置，其中，所述预定阈值大于与所述大血管区域相关联的大血管的标准解剖长度，从而增加假阳性的平均出现率。
38.根据权利要求31所述的装置，其中所述处理系统还被配置为：
检测部分闭塞，包括：
识别在所述大血管区域内沿着所述大血管中心线平放的中心线体素；
当所述中心线体素的HU值与相邻于所述中心线体素的相邻体素的HU值相差大于阈值时检测到部分闭塞；以及
在部分闭塞被检测到时确定所述专家并在所述移动设备上呈现所述通知。
39.根据权利要求31所述的装置，其中所述处理系统还被配置为：
相邻于所述大血管中心线的中心线末端基于末端体素的HU值来延伸所述大血管中心线，以生成延伸的中心线，其中所述中心线长度根据所述延伸的中心线被计算；
检测胎源性脑后动脉PCA，包括：
确定中心线延伸的定向；以及
当所述定向比远端更靠后时，检测所述胎源性PCA；以及
在检测到所述胎源性PCA时确定所述专家并在所述移动设备上呈现所述通知。
CN201880051238.3A 2017-06-19 2018-06-19 用于计算机辅助分诊的方法和系统 Active CN111107783B (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US201762521968P 2017-06-19 2017-06-19
US62/521,968 2017-06-19
US201762535973P 2017-07-24 2017-07-24
US201762535970P 2017-07-24 2017-07-24
US62/535,970 2017-07-24
US62/535,973 2017-07-24
PCT/US2018/038334 WO2018236905A1 (en) 2017-06-19 2018-06-19 METHOD AND SYSTEM FOR COMPUTER-ASSISTED SORTING

Publications (2)

Publication Number Publication Date
CN111107783A CN111107783A (zh) 2020-05-05
CN111107783B true CN111107783B (zh) 2022-08-05

Family

ID=64657480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880051238.3A Active CN111107783B (zh) 2017-06-19 2018-06-19 用于计算机辅助分诊的方法和系统

Country Status (10)

Country Link
US (6) US10346979B2 (zh)
EP (2) EP3973863A1 (zh)
JP (1) JP6964769B2 (zh)
CN (1) CN111107783B (zh)
AU (2) AU2018288766B2 (zh)
CA (1) CA3066644A1 (zh)
DK (1) DK3642743T3 (zh)
ES (1) ES2905660T3 (zh)
PT (1) PT3642743T (zh)
WO (1) WO2018236905A1 (zh)

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7533068B2 (en) 2004-12-23 2009-05-12 D-Wave Systems, Inc. Analog processor comprising quantum devices
EP2145294A4 (en) 2007-04-05 2010-12-22 Dwave Sys Inc PHYSICAL ACHIEVEMENTS OF A UNIVERSAL ADIABATIC QUANTUM COMPUTER
US10002107B2 (en) 2014-03-12 2018-06-19 D-Wave Systems Inc. Systems and methods for removing unwanted interactions in quantum devices
ES2905660T3 (es) 2017-06-19 2022-04-11 Viz Ai Inc Procedimiento y sistema para el triaje asistido por ordenador
US10733730B2 (en) 2017-06-19 2020-08-04 Viz.ai Inc. Method and system for computer-aided triage
ES2965868T3 (es) * 2017-07-31 2024-04-17 Servicio Andaluz De Salud Método para predecir o pronosticar el riesgo de muerte o vasoespasmo de un paciente con hemorragia subaracnoidea
EP3665702A4 (en) * 2017-08-11 2021-05-26 Elucid Bioimaging Inc. QUANTITATIVE MEDICAL IMAGING REPORTING
CN111788588A (zh) 2017-12-20 2020-10-16 D-波系统公司 量子处理器中耦合量子位的系统和方法
US20190290128A1 (en) * 2018-03-20 2019-09-26 Aic Innovations Group, Inc. Apparatus and method for user evaluation
US11495353B2 (en) 2018-05-10 2022-11-08 Mohamed Anver Jameel Method, apparatus, and computer readible media for artificial intelligence-based treatment guidance for the neurologically impaired patient who may need neurosurgery
US11389131B2 (en) 2018-06-27 2022-07-19 Denti.Ai Technology Inc. Systems and methods for processing of dental images
US11165694B2 (en) * 2018-07-31 2021-11-02 Mcafee, Llc Methods, systems, articles of manufacture and apparatus to identify applications
CA3108684C (en) 2018-08-08 2024-02-20 Minnetronix Neuro, Inc. Systems, catheters, and methods for treating along the central nervous system
CA3109460A1 (en) * 2018-08-12 2020-02-20 The Trustees Of Columbia University In The City Of New York System, method, and computer-accessible medium for magnetic resonance value driven autonomous scanner
EP3617733A1 (en) * 2018-08-30 2020-03-04 Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. Method and apparatus for processing magnetic resonance data using machine learning
US11037030B1 (en) * 2018-10-29 2021-06-15 Hrl Laboratories, Llc System and method for direct learning from raw tomographic data
JP7049974B2 (ja) * 2018-10-29 2022-04-07 富士フイルム株式会社 情報処理装置、情報処理方法、及びプログラム
CN109978902B (zh) * 2019-03-07 2023-02-17 福建工程学院 一种不规则带状目标中心线自动提取方法
EP3948887B1 (en) * 2019-04-02 2024-01-10 Koninklijke Philips N.V. Automated system for rapid detection and indexing of critical regions in non-contrast head ct
US11514339B2 (en) * 2019-04-24 2022-11-29 Optum, Inc. Machine-learning based recommendation engine providing transparency in generation of recommendations
EP3991134A4 (en) 2019-06-27 2023-07-05 Viz.ai, Inc. METHOD AND SYSTEM FOR COMPUTER-ASSISTED TRIAGE IN STROKE
EP4004946A4 (en) 2019-07-30 2023-08-02 Viz.ai, Inc. METHOD AND SYSTEM FOR COMPUTER ASSISTED STROKE TRIAGE
CN112446522A (zh) * 2019-09-02 2021-03-05 中国林业科学研究院资源信息研究所 面对多尺度分割的产草量估算方法、装置及存储介质
US11676701B2 (en) 2019-09-05 2023-06-13 Pearl Inc. Systems and methods for automated medical image analysis
US10984529B2 (en) 2019-09-05 2021-04-20 Pearl Inc. Systems and methods for automated medical image annotation
US11278233B2 (en) * 2019-11-15 2022-03-22 Biosense Webster (Israel) Ltd. Method and apparatus to find abnormal activations in intra-cardiac electrocardiograms based on specificity and sensitivity
US11687778B2 (en) 2020-01-06 2023-06-27 The Research Foundation For The State University Of New York Fakecatcher: detection of synthetic portrait videos using biological signals
US11055789B1 (en) 2020-01-17 2021-07-06 Pearl Inc. Systems and methods for insurance fraud detection
KR102165840B1 (ko) * 2020-05-21 2020-10-16 주식회사 휴런 인공지능 기반 뇌졸중 진단 장치 및 방법
EP4185193A1 (en) 2020-07-24 2023-05-31 Viz.ai, Inc. Method and system for computer-aided aneurysm triage
TR202011991A2 (tr) * 2020-07-28 2020-10-21 Asli Goerek Dilektasli Medi̇kal ki̇osk i̇çeren mobi̇l tri̇yaj i̇stasyonu
WO2022081922A1 (en) * 2020-10-14 2022-04-21 Ischemaview, Inc. Identifying vessel occlusions using spatial patterns
CN112287232B (zh) * 2020-11-09 2024-04-16 北京京东拓先科技有限公司 生成推荐信息的方法、装置
WO2022150821A1 (en) 2021-01-06 2022-07-14 Pearl Inc. Computer vision-based analysis of provider data
KR102289648B1 (ko) * 2021-02-03 2021-08-18 주식회사 휴런 의료 영상 기반 허혈성 뇌졸중 검출 및 형태 분류 방법, 장치 및 시스템
US11694807B2 (en) * 2021-06-17 2023-07-04 Viz.ai Inc. Method and system for computer-aided decision guidance
WO2023059742A1 (en) * 2021-10-05 2023-04-13 Neumora Therapeutics, Inc. Machine learning systems for processing multi-modal patient data
CN113888690B (zh) * 2021-10-19 2022-08-12 柏意慧心(杭州)网络科技有限公司 用于确定血管中的目标区段的方法、设备和介质
US11980483B2 (en) 2022-06-14 2024-05-14 Viz.ai Inc. Method and system for cardiac signal processing

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105023073A (zh) * 2014-04-16 2015-11-04 北京百和园科技有限公司 一种基于人工神经网络的医院智能评估分诊系统
CN105264569A (zh) * 2013-06-05 2016-01-20 爱克发医疗保健公司 Cta容积中的自动化主动脉检测
CN105765584A (zh) * 2013-11-13 2016-07-13 皇家飞利浦有限公司 基于临床决策支持系统的分诊决策制定

Family Cites Families (84)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6349330B1 (en) 1997-11-07 2002-02-19 Eigden Video Method and appparatus for generating a compact post-diagnostic case record for browsing and diagnostic viewing
US7343195B2 (en) 1999-05-18 2008-03-11 Mediguide Ltd. Method and apparatus for real time quantitative three-dimensional image reconstruction of a moving organ and intra-body navigation
US7244230B2 (en) 2002-11-08 2007-07-17 Siemens Medical Solutions Usa, Inc. Computer aided diagnostic assistance for medical imaging
US7155046B2 (en) 2003-02-12 2006-12-26 Pie Medical Imaging Bv Method of determining physical parameters of bodily structures
US7912528B2 (en) 2003-06-25 2011-03-22 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for heart related diseases and conditions
US8090164B2 (en) 2003-08-25 2012-01-03 The University Of North Carolina At Chapel Hill Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
US20080021502A1 (en) * 2004-06-21 2008-01-24 The Trustees Of Columbia University In The City Of New York Systems and methods for automatic symmetry identification and for quantification of asymmetry for analytic, diagnostic and therapeutic purposes
US8396329B2 (en) 2004-12-23 2013-03-12 General Electric Company System and method for object measurement
US8145503B2 (en) * 2005-02-25 2012-03-27 Virtual Radiologic Corporation Medical image metadata processing
WO2007099525A2 (en) 2006-03-03 2007-09-07 Medic Vision - Brain Technologies Ltd. System and method of automatic prioritization and analysis of medical images
EP2194844A4 (en) 2007-09-07 2012-05-16 Agency Science Tech & Res METHOD FOR EVALUATING STROKE PICTURES
US10123803B2 (en) 2007-10-17 2018-11-13 Covidien Lp Methods of managing neurovascular obstructions
US8320647B2 (en) 2007-11-20 2012-11-27 Olea Medical Method and system for processing multiple series of biological images obtained from a patient
WO2009073185A1 (en) * 2007-12-03 2009-06-11 Dataphysics Research, Inc. Systems and methods for efficient imaging
US8116542B2 (en) 2008-05-09 2012-02-14 General Electric Company Determining hazard of an aneurysm by change determination
WO2010015956A2 (en) 2008-08-07 2010-02-11 Koninklijke Philips Electronics, N.V. Interactive method of locating a mirror line for use in determining asymmetry of an image
JP5562598B2 (ja) 2008-10-24 2014-07-30 株式会社東芝 画像表示装置、画像表示方法および磁気共鳴イメージング装置
US20110172550A1 (en) 2009-07-21 2011-07-14 Michael Scott Martin Uspa: systems and methods for ems device communication interface
US11462314B2 (en) * 2009-10-14 2022-10-04 Trice Imaging, Inc. Systems and devices for encrypting, converting and interacting with medical images
EP3528392B1 (en) 2009-11-13 2024-01-03 Zoll Medical Corporation Community-based response system
US8849000B2 (en) 2009-12-04 2014-09-30 Shenzhen Institute Of Advanced Technology, Chinese Academy Of Sciences Method and device for detecting bright brain regions from computed tomography images
JP5636588B2 (ja) * 2010-07-20 2014-12-10 スキルアップジャパン株式会社 救急患者治療支援システム
US20180110475A1 (en) 2010-07-30 2018-04-26 Fawzi Shaya System, method and apparatus for performing real-time virtual medical examinations
US20120065987A1 (en) * 2010-09-09 2012-03-15 Siemens Medical Solutions Usa, Inc. Computer-Based Patient Management for Healthcare
US8374414B2 (en) * 2010-11-05 2013-02-12 The Hong Kong Polytechnic University Method and system for detecting ischemic stroke
US10460078B2 (en) 2010-12-03 2019-10-29 Parallel 6, Inc. Systems and methods for remote demand based data management of clinical locations
US9345411B2 (en) * 2011-02-09 2016-05-24 Orsan Medical Technologies, Ltd. Devices and methods for monitoring cerebral hemodynamic conditions
WO2013009890A2 (en) 2011-07-13 2013-01-17 The Multiple Myeloma Research Foundation, Inc. Methods for data collection and distribution
WO2013036842A2 (en) * 2011-09-08 2013-03-14 Radlogics, Inc. Methods and systems for analyzing and reporting medical images
WO2013111031A1 (en) 2012-01-26 2013-08-01 Koninklijke Philips N.V. Method and system for cardiac ischemia detection
US8682049B2 (en) 2012-02-14 2014-03-25 Terarecon, Inc. Cloud-based medical image processing system with access control
US8553965B2 (en) 2012-02-14 2013-10-08 TerraRecon, Inc. Cloud-based medical image processing system with anonymous data upload and download
US9439622B2 (en) 2012-05-22 2016-09-13 Covidien Lp Surgical navigation system
US10433740B2 (en) 2012-09-12 2019-10-08 Heartflow, Inc. Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology
US9749232B2 (en) * 2012-09-20 2017-08-29 Masimo Corporation Intelligent medical network edge router
US20140142982A1 (en) 2012-11-20 2014-05-22 Laurent Janssens Apparatus for Securely Transferring, Sharing and Storing of Medical Images
US20140222444A1 (en) 2013-02-04 2014-08-07 Dixit S.R.L. Method And System For Clinical Trial Management
US10262108B2 (en) 2013-03-04 2019-04-16 Board Of Regents Of The University Of Texas System System and method for determining triage categories
US9087370B2 (en) 2013-05-22 2015-07-21 Siemens Aktiengesellschaft Flow diverter detection in medical imaging
JP6463742B2 (ja) 2013-06-10 2019-02-06 ユニバーシティー オブ ミシシッピ メディカル センター 医用画像処理法
US10846370B2 (en) 2013-08-19 2020-11-24 University Of Virginia Patent Foundation Techniques facilitating mobile telemedicine for stroke patients
US20150104102A1 (en) 2013-10-11 2015-04-16 Universidade De Coimbra Semantic segmentation method with second-order pooling
US20150208994A1 (en) 2014-01-27 2015-07-30 Aspect Imaging Ltd. Ct/mri integrated system for the diagnosis of acute strokes and methods thereof
US9504529B2 (en) 2014-02-24 2016-11-29 Vida Diagnostics, Inc. Treatment outcome prediction for lung volume reduction procedures
US10203389B2 (en) 2014-04-23 2019-02-12 University of Pittsburgh—of the Commonwealth System of Higher Education Method and system for monitoring glucose transport and metabolism by spin-lock magnetic resonance
US10586618B2 (en) * 2014-05-07 2020-03-10 Lifetrack Medical Systems Private Ltd. Characterizing states of subject
US10216902B2 (en) 2014-08-31 2019-02-26 General Electric Company Methods and systems for improving connections within a healthcare ecosystem
JP6986262B2 (ja) * 2014-11-14 2021-12-22 ゾール メディカル コーポレイションZOLL Medical Corporation 医療前兆イベント予測のシステムおよび当該システムを操作するための方法
US10373718B2 (en) * 2014-12-01 2019-08-06 Bijoy Menon Professional Corporation Decision support tool for stroke patients
KR20170128232A (ko) * 2015-01-14 2017-11-22 뉴로트릭스 엘엘씨 뇌 자극에 대한 신경 혈관 반응을 결정하기 위한 시스템들 및 방법들
US20160217260A1 (en) * 2015-01-22 2016-07-28 Koninklijke Philips N.V. System, method and computer program product for patient triage
US10402981B2 (en) 2015-02-18 2019-09-03 Vanderbilt University Image segmentation via multi-atlas fusion with context learning
US20180085001A1 (en) * 2015-05-10 2018-03-29 Abraham Berger Neuroprotection apparatus
US11638550B2 (en) 2015-07-07 2023-05-02 Stryker Corporation Systems and methods for stroke detection
WO2017087816A1 (en) * 2015-11-19 2017-05-26 Penumbra, Inc. Systems and methods for treatment of stroke
WO2017106645A1 (en) 2015-12-18 2017-06-22 The Regents Of The University Of California Interpretation and quantification of emergency features on head computed tomography
US10853449B1 (en) 2016-01-05 2020-12-01 Deepradiology, Inc. Report formatting for automated or assisted analysis of medical imaging data and medical diagnosis
US10206646B2 (en) * 2016-03-10 2019-02-19 Siemens Healthcare Gmbh Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields
US10534894B2 (en) * 2016-04-15 2020-01-14 BR Invention Holding, LLC Mobile medicine communication platform and methods and uses thereof
US10163040B2 (en) 2016-07-21 2018-12-25 Toshiba Medical Systems Corporation Classification method and apparatus
US10025902B2 (en) 2016-08-12 2018-07-17 Verily Life Sciences Llc Enhanced pathology diagnosis
US10582907B2 (en) * 2016-10-31 2020-03-10 Siemens Healthcare Gmbh Deep learning based bone removal in computed tomography angiography
US11139079B2 (en) 2017-03-06 2021-10-05 International Business Machines Corporation Cognitive stroke detection and notification
ES2905660T3 (es) 2017-06-19 2022-04-11 Viz Ai Inc Procedimiento y sistema para el triaje asistido por ordenador
US10733730B2 (en) 2017-06-19 2020-08-04 Viz.ai Inc. Method and system for computer-aided triage
US10346728B2 (en) 2017-10-26 2019-07-09 Hitachi, Ltd. Nodule detection with false positive reduction
US10629305B2 (en) 2017-11-09 2020-04-21 General Electric Company Methods and apparatus for self-learning clinical decision support
AU2018386091B2 (en) 2017-12-13 2024-01-04 Washington University System and method for determining segments for ablation
US11039783B2 (en) 2018-06-18 2021-06-22 International Business Machines Corporation Automatic cueing system for real-time communication
US11087864B2 (en) 2018-07-17 2021-08-10 Petuum Inc. Systems and methods for automatically tagging concepts to, and generating text reports for, medical images based on machine learning
US20200058410A1 (en) 2018-08-14 2020-02-20 Medris, LLC Method and apparatus for improving subject treatment and navigation related to a medical transport telepresence system
CA3127833A1 (en) 2019-01-29 2020-08-06 Andromeda Medical Imaging Inc. System and method for generating perfusion functional maps from temporally resolved helical computed tomographic images
EP3935577A4 (en) 2019-03-08 2022-11-16 University Of Southern California IMPROVED HISTOPATHOLOGY CLASSIFICATION THROUGH MACHINE SELF-LEARNING FROM TISSUE FINGERPRINTS
US11436732B2 (en) 2019-03-12 2022-09-06 The General Hospital Corporation Automatic segmentation of acute ischemic stroke lesions in computed tomography data
US11195277B2 (en) 2019-04-25 2021-12-07 GE Precision Healthcare LLC Systems and methods for generating normative imaging data for medical image processing using deep learning
CA3137866A1 (en) 2019-05-16 2020-11-19 Supriya KAPUR Systems and methods for processing images to classify the processed images for digital pathology
EP3991134A4 (en) 2019-06-27 2023-07-05 Viz.ai, Inc. METHOD AND SYSTEM FOR COMPUTER-ASSISTED TRIAGE IN STROKE
EP4004946A4 (en) 2019-07-30 2023-08-02 Viz.ai, Inc. METHOD AND SYSTEM FOR COMPUTER ASSISTED STROKE TRIAGE
US20210057112A1 (en) 2019-08-23 2021-02-25 Viz.ai Inc. Method and system for mobile triage
US11676704B2 (en) 2019-12-20 2023-06-13 PAIGE.AI, Inc. Systems and methods for processing electronic images for health monitoring and forecasting
TWI791979B (zh) 2020-04-28 2023-02-11 長庚醫療財團法人林口長庚紀念醫院 三維醫學影像的建立方法
EP4185193A1 (en) 2020-07-24 2023-05-31 Viz.ai, Inc. Method and system for computer-aided aneurysm triage
CA3195806A1 (en) 2020-10-23 2022-04-28 Leo Grady Systems and methods to process electronic images to identify diagnostic tests
US11694807B2 (en) 2021-06-17 2023-07-04 Viz.ai Inc. Method and system for computer-aided decision guidance

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105264569A (zh) * 2013-06-05 2016-01-20 爱克发医疗保健公司 Cta容积中的自动化主动脉检测
CN105765584A (zh) * 2013-11-13 2016-07-13 皇家飞利浦有限公司 基于临床决策支持系统的分诊决策制定
CN105023073A (zh) * 2014-04-16 2015-11-04 北京百和园科技有限公司 一种基于人工神经网络的医院智能评估分诊系统

Also Published As

Publication number Publication date
US20200193599A1 (en) 2020-06-18
US20180366225A1 (en) 2018-12-20
US11321834B2 (en) 2022-05-03
JP2020524064A (ja) 2020-08-13
AU2021202168B2 (en) 2023-03-09
CN111107783A (zh) 2020-05-05
PT3642743T (pt) 2021-12-07
US20210224988A1 (en) 2021-07-22
US20190272636A1 (en) 2019-09-05
AU2018288766B2 (en) 2021-01-21
AU2021202168A1 (en) 2021-05-06
EP3642743A1 (en) 2020-04-29
ES2905660T3 (es) 2022-04-11
CA3066644A1 (en) 2018-12-27
US20220215549A1 (en) 2022-07-07
US11967074B2 (en) 2024-04-23
WO2018236905A1 (en) 2018-12-27
JP6964769B2 (ja) 2021-11-10
US10346979B2 (en) 2019-07-09
EP3642743A4 (en) 2021-01-20
EP3642743B1 (en) 2021-11-17
US11295446B2 (en) 2022-04-05
DK3642743T3 (da) 2021-12-06
US20180365828A1 (en) 2018-12-20
AU2018288766A1 (en) 2020-01-16
US10614572B2 (en) 2020-04-07
US10373315B2 (en) 2019-08-06
EP3973863A1 (en) 2022-03-30

Similar Documents

Publication Publication Date Title
CN111107783B (zh) 用于计算机辅助分诊的方法和系统
US11488299B2 (en) Method and system for computer-aided triage
US11462318B2 (en) Method and system for computer-aided triage of stroke
US11625832B2 (en) Method and system for computer-aided triage of stroke
US11328400B2 (en) Method and system for computer-aided aneurysm triage
US12008742B2 (en) Method and system for computer-aided aneurysm triage
US20220148166A1 (en) Systems and methods for assessing a likelihood of cteph and identifying characteristics indicative thereof

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