CN112567471A - 处理医学图像 - Google Patents
处理医学图像 Download PDFInfo
- Publication number
- CN112567471A CN112567471A CN201980052804.7A CN201980052804A CN112567471A CN 112567471 A CN112567471 A CN 112567471A CN 201980052804 A CN201980052804 A CN 201980052804A CN 112567471 A CN112567471 A CN 112567471A
- Authority
- CN
- China
- Prior art keywords
- image
- medical
- processor
- computer
- medical image
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 claims 1
- 238000002059 diagnostic imaging Methods 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000003902 lesion Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000010392 Bone Fractures Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种用于处理与对象相关联的医学图像的装置(100)。所述装置包括:临床信息提取器(102),其用于确定与所述医学图像相关联的临床信息;多个图像处理器(104),每个图像处理器用于执行关于所述医学图像的至少一个图像处理任务;以及图像处理管理器(106),其用于至少基于所确定的与所述医学图像相关联的临床信息来确定所述多个图像处理器中的至少一个图像处理器以执行关于所述医学图像的一个或多个任务。
Description
技术领域
本发明涉及处理医学图像,更具体地,涉及使用多个图像处理器中的一个或多个来处理医学图像。本发明还涉及一种方法和一种计算机可读介质。
背景技术
在医学领域中,工作流(也被称为临床工作流)可能特别复杂,在工作流中有不同的任务要由许多不同的医务人员来执行。随着时间的流逝,工作流可以在质量和效率方面得到优化,使得负责工作流中的任务的每个医务人员都能效果好且效率高地执行他们的相关任务,从而避免在工作流中引入其他任务方面的延迟。
在放射学领域中可以有效实施工作流的一个例子是,放射学检查可以由一名或多名医务人员(例如,放射科医师)进行处理和分析,以解读该检查并从放射学检查中建立一些理解。尽管适当的医务人员可有效地执行各种任务,但是每个任务可能特别耗时,从而占用了医务人员的宝贵时间。
可以使用自动处理机制(例如,计算机处理技术)来处理放射学检查。例如,计算机实施的图像处理技术可以用于分析形成放射学检查的一部分的医学图像,以便执行原本要由医务人员执行的处理任务。例如,结合了人工智能(AI)机制(包括例如机器学习算法)的计算机实施的技术可以用于执行图像处理技术。然而,计算机实施的图像处理技术当前的标准不足以替代熟练医务人员的工作。与由计算机实施的自动机制执行的这种处理技术相比,在处理放射学检查时,医务人员的经验、见解和专业知识可以导致更有效且更准确的结果。
因此,尽管使用自动图像处理技术将有利于节省医务人员的时间,但是这种自动技术并未达到足以使其能够取代医务人员的角色的标准。
发明内容
本公开的发明人已经意识到,尽管计算机实施的图像处理技术可能仍不能代替医务人员进行放射学检查的所有分析和处理,但是可能存在一些处理任务可以适当地通过自动机制来执行,而不是由医务人员来执行。这样的任务例如可以包括相对简单的处理任务、可以由医务人员容易检查/确认的任务和/或极有可能有特定结果的任务。可能适合由计算机实施的图像处理器进行处理(例如,分析)的放射学检查是这样的检查,其中解读或分析是高度可预测,并且不需要来自特定知识领域的大量输入(例如,来自高技能医务人员的输入)。
因此,本文公开的实施例提供了一种机制,通过该机制,对于放射学检查,可以基于与放射学检查相关的信息确定哪些处理任务(如果有的话)可以由计算机实施的图像处理器而不是医务人员来执行。
根据第一方面,本文公开的实施例提供了一种用于处理与对象相关联的医学图像的装置,所述装置包括:临床信息提取器,其用于确定与所述医学图像相关联的临床信息;多个图像处理器,每个图像处理器用于执行关于所述医学图像的至少一个图像处理任务;和图像处理管理器,其用于至少基于所确定的与所述医学图像相关联的临床信息来确定所述多个图像处理器中的至少一个图像处理器以执行关于所述医学图像的一个或多个任务。
以这种方式,自动(例如,计算机实施的)图像处理器可以用于执行关于所述医学图像的某些适当的图像处理任务。由自动图像处理器执行的特定任务的适当性基于与所述医学图像相关联的临床信息来确定。例如,被认为非常有可能具有特定结果的图像处理任务可以被认为适合于自动化。更一般地,如果对于多幅医学图像(例如放射学检查),图像处理任务的自动执行可以实现并提供相关输出,则该任务可以被认为适合于自动化。所述装置使得能够创建使用计算机实施的图像处理机制的工作流,由此减少处理医学图像所需的专家人工时间量。
在一些实施例中,所述临床信息提取器可以被配置为根据以下中的至少一项来确定与所述医学图像相关联的临床信息:所述医学图像;与所述对象相关联的电子健康记录;放射学信息系统;以及包含与所述对象相关联的记录的数据库。
所述临床信息可以包括以下中的至少一项:与所述对象相关联的医学状况的临床指示;以及与所述对象相关联的医学状况的国际疾病分类(ICD)标识符的指示。
在一些实施例中,每个图像处理器可以包括以下中的至少一个:人工智能引擎;图像处理引擎;预测模型引擎;机器学习引擎;以及统计分析引擎。
在一些实施例中,所述装置还可以包括用于确定所述医学图像是否是一系列相关医学图像之一的相关图像检测器。所述图像处理管理器可以被配置为进一步基于对所述医学图像是一系列相关医学图像之一的确定来确定所述多个图像处理器中的至少一个图像处理器以执行关于所述医学图像的任务。
所述相关图像检测器可以被配置为将与所述医学图像相关联的信息和与一个或多个先前采集的医学图像相关联的对应信息进行比较,以便确定所述医学图像是否是一系列相关医学图像之一。
在一些实施例中,响应于确定多个图像处理器以执行关于所述医学图像的任务,所述图像处理管理器可以被配置为确定所确定的多个图像处理器的操作顺序。
所述图像处理管理器可以被配置为至少基于所述图像处理器中的至少一个的输出来确定所确定的多个图像处理器的操作顺序。
在一些实施例中,所述装置还可以包括用户界面,用于向用户呈现对所确定的至少一个图像处理器的指示。
在一些实施例中,所述用户界面可以被进一步配置为接收用户输入,以定义或调节所确定的至少一个图像处理器的参数。
根据第二方面,本文公开的实施例提供了一种工作站,该工作站包括本文公开的装置。
根据第三方面,本文公开的实施例提供了一种用于处理医学图像的方法,其包括:确定与医学图像相关联的临床信息;并且至少基于所确定的与所述医学图像相关联的临床信息来确定多个图像处理器中的至少一个图像处理器以执行关于所述医学图像的一个或多个图像处理任务,其中,每个图像处理器被配置为执行至少一个图像处理任务。
在一些实施例中,所述方法还可以包括确定所述医学图像是一系列相关医学图像之一。对所述至少一个图像处理器的确定可以至少基于对所述医学图像是一系列相关医学图像之一的确定。
在一些实施例中,确定至少一个图像处理器可以包括确定多个图像处理器。所述方法还可以包括确定所确定的多个图像处理器的操作顺序。
根据第四方面,本文公开的实施例提供了一种计算机程序产品,其包括非暂时性计算机可读介质,所述计算机可读介质具有在其中实现的计算机可读代码,所述计算机可读代码被配置为使得在由适当的计算机或处理器运行时,使所述计算机或处理器执行本文公开的方法中的任一种。
参考下文描述的实施例,本发明的这些方面和其他方面将变得显而易见并得到阐明。
附图说明
为了更好地理解本发明,并更清楚地示出本发明如何实施,现在将仅以举例的方式参考附图,在附图中:
图1是根据各个实施例的用于处理医学图像的装置的示例的示意图;
图2是根据各个实施例的用于处理医学图像的装置的另一示例的示意图;
图3是根据各个实施例的用于处理医学图像的工作站的示意图;
图4是用于处理医学图像的方法的示例的流程图;
图5是用于处理医学图像的方法的另一示例的流程图;以及
图6是处理器和计算机可读介质的示例的简化图示。
具体实施方式
本文公开的实施例提供了一种机制,通过该机制可以获得与放射学检查的医学图像相关的数据,并且该数据可以用于确定是否可以通过计算机实施的或自动图像处理机制,而不是人类医务人员(诸如放射科医师)来执行关于医学图像要执行的任何图像处理任务。当前,一些图像处理任务是相对简单的,并且可以由技术支持人员而不是放射科医师以较低的成本和较低的可变性来执行。设想到,一些图像处理任务(例如,那些相对简单的任务)可以由计算机实施的图像处理器适当地执行,从而减少了审阅和分析放射学检查要花费的工时数。
根据第一方面,本文公开的各个实施例提供了一种用于处理与对象相关联的医学图像的装置。图1是这种装置100的示例的简化示意图。所述医学图像可以形成放射学检查(也被称为放射学检查研究或医学成像研究)的一部分。在一些实施例中,放射学检查可以仅包括一幅医学图像,而在其他实施例中,放射学检查可以包括一幅或多幅医学图像(例如,一堆或一系列医学图像),以及其他信息,诸如文本、包含于一个或多个数据字段中的数据、注释等。所述医学图像可以使用任何医学成像模态或技术(例如包括X射线成像、磁共振成像(MRI)、超声扫描或超声、正电子发射断层摄影(PET)、计算机断层摄影(CT)以及单光子发射计算机断层摄影(SPECT))来采集。本领域技术人员熟悉的其他成像模态也可以用于采集所述医学图像。
如本文所使用的,术语“对象”旨在指代可以例如使用上述技术之一来采集其医学图像的任何人或动物。所述对象例如可以包括医学机构的患者,针对该患者例如为了调查、诊断或预后目的已经采集了其的医学图像。
所述装置100包括:临床信息提取器102,其用于确定与所述医学图像相关联的临床信息。临床信息提取器102例如可以包括被配置为获得与所述医学图像相关的临床信息的模块、引擎或处理器。在一些实施例中,临床信息提取器102可以从所述医学图像本身获得或确定与所述医学图像相关联的临床信息。例如,所述医学图像可以包括指示导致对所述医学图像的采集的医学状况的性质的信息、所述医学图像中捕获的身体部位和/或解剖目标的指示、识别对象的信息(例如,对象的姓名、出生日期、患者识别号、病历号、医学成像研究登录ID等)和/或相关医学状况(例如,对象正遭受或怀疑遭受的医学状况,或者构成医学成像研究主题的医学状况)的临床指示。在一些实施例中,所述临床信息可以被称为检查指示,其包括与医学图像相关的医学成像检查的类型和/或性质的指示。
在一些实施例中,所述临床信息或检查指示可以包括指示与医学图像相关的医学成像研究的类型和/或医学状况的代码(例如,临床指示代码)。例如,所述临床信息可以包括来自定义的词汇表(例如,词典)或来自定义的层次结构(例如,本体)的词语或代码。在一些实施例中,临床信息可以包括如根据国际疾病分类(ICD)定义的代码。在一些情况下,当医学图像由医学成像系统捕获时,临床信息(例如,临床指示)可以与医学图像相关联和/或被添加到医学图像。这样的信息可以由医学成像系统自动地或由这种系统的操作者或医务人员手动地提供到医学图像。
在一些实施例中,临床指示代码可以使用由临床信息提取器102获得或确定的其他临床信息来完善。例如,所述临床指示代码可以使用与用于捕获医学图像的成像模态相关的信息和/或医学成像研究的身体部位或解剖目标的指示来完善。每个独特组合(例如,每个成像模态与每个身体部位或解剖目标的组合)可以被映射为一组临床指示代码中的代码。例如,如果用于捕获医学图像的成像模态被识别为低剂量CT扫描,并且成像研究的身体部位被识别为胸部,则可以确定相关临床指示代码是对应于“肺结节筛查指示”的代码。
在一些实施例中,要由临床信息提取器102提取的临床信息可以包括医学成像研究的“临床问题”的指示。临床问题可以包括医学图像或医学成像研究的相关性的指示,并且可以提供关于医学图像为什么被捕获和/或打算从医学图像确定什么信息的指示。在一些示例中,临床问题和/或临床指示代码可以由医务人员(例如,放射科医师)输入。临床问题和/或临床指示代码可以从示例性临床问题和/或临床指示的列表(例如,下拉列表)中选择。在其他示例中,临床问题和/或临床指示代码可以由用户作为自由文本输入。在一个示例中,自然语言处理技术可以被应用于解读临床问题中包括的信息,例如理解和扩展缩写,提取临床问题中包括的概念,以及确定临床问题中包括的表达的否定的范围。可以使用临时(ad hoc)映射技术或使用与本体相关联或形成本体一部分的规则或推理模式将临床问题中包括的非否定概念映射到一个或多个代码(例如,临床指示代码),本体诸如医学本体(例如,SNOMED)。
尽管在一些示例中临床信息可以从医学图像本身获得或确定,但是在其他范例中临床信息可以从其他来源获得。因此,临床信息提取器102可以被配置为从以下各项中的至少一项确定与医学图像相关联的临床信息:医学图像;与对象相关联的电子健康记录;放射学信息系统(RIS);以及包含与对象相关联的记录的数据库。对象的电子健康记录可以例如经由计算机系统或经由共享的计算网络来存储和获得。从对象的电子健康记录提取的临床信息可以包括对象正遭受或先前遭受的任何医学状况的指示、与对象相关的任何先前医学成像研究的指示和/或先前已经就该对象捕获了的任何医学图像的指示。因此,从对象的电子健康记录中,有可能确定已为其捕获医学图像的医学状况是对象的新状况或是正在进行的问题或复发的问题。放射学信息系统可以包括已经关于对象执行的任何先前放射学检查研究的详情以及与其相关联的医学图像。因此,有可能从RIS确定特定医学图像是与新医学状况相关还是与先前识别的或复发的医学状况相关。与该对象相关联的信息可以被存储在数据库中的一个或多个记录中,并且可以从此类记录或数据库中获取与医学图像相关联的临床信息。在其他示例中,与医学图像相关联的临床信息可以从另一来源获得或确定。
所述临床信息可以包括以下中的至少一项:与所述对象相关联的医学状况的临床指示;以及与所述对象相关联的医学状况的国际疾病分类(ICD)标识符的指示。与对象相关联的医学状况例如可以包括对象正遭受的医学状况或预期对象遭受的医学状况。例如,对象可能经历表明他或她遭受特定医学状况的症状,结果,医务人员(例如,医生)可能会安排拍摄医学成像扫描以进一步调查。在其他示例中,所述临床信息可以包括另一类型的信息或数据。
所述装置100还包括多个图像处理器104,每个图像处理器104用于执行关于所述医学图像的至少一个图像处理任务。在图1所示的示例中,所述装置100包括图像处理器104a、104b…104n-1、104n,其中n是图像处理器的数目。每个图像处理器104例如可以包括被配置为执行一个或多个图像处理任务的电路或引擎。在一些示例中,每个图像处理器104可以包括以下各项中的至少一项:人工智能引擎;图像处理引擎;预测模型引擎;机器学习引擎;以及统计分析引擎。机器学习引擎可以采用机器学习技术,例如包括决策树算法、人工神经网络、深度学习神经网络、支持向量机、贝叶斯网络等,这对于机器学习领域的技术人员来说是熟悉的。
图像处理器104可以被配置为执行任何图像处理任务,特别是与医学图像分析领域相关的图像处理任务。在一些示例中,图像处理器104可以被配置为检测医学图像中所定义实体的存在。例如,图像处理器可以被配置为检测医学图像中可见或可检测的病灶、肿瘤、异常、断裂、撕裂、或一些其他特征的存在。在一些示例中,图像处理器104可以被配置为定位或确定医学图像中所定义实体(例如,病灶、肿瘤、异常等)的位置(例如,识别位置,例如使用坐标系来识别位置)。在一些示例中,图像处理器104可以被配置为确定所定义实体或检测到的实体的边界。例如,一旦图像处理器104之一检测到所定义实体,图像处理器(例如,执行检测的同一图像处理器或图像处理器中的不同图像处理器)可以定位和/或检测所定义实体的一个或多个边界。在一些示例中,图像处理器104可以确定所定义实体或检测到的实体的至少一个大小、尺寸或体积。例如,尺寸可以包括长度、宽度、高度或深度。这可以被称为所定义实体的量化。所定义实体的体积可以使用所确定的尺寸中的一个或多个和/或一种或多种其他方法来确定或估计。在一些示例中,图像处理器104可以被配置为关于医学图像中的所定义实体执行分割任务(例如,病灶分割)。例如,可以将所定义实体(例如,病灶)与医学图像的其他部分进行分割、勾画或在视觉上分离。在一些示例中,图像处理器104可以被配置为确定医学图像的一个或多个特性或特征随时间的变化(例如,与先前捕获的医学图像相比)。图像处理器104可以被配置为确定对所定义实体的诊断。例如,图像处理器104可以被配置为识别或确定医学图像中存在的代表特定医学状况的特征。在做出这种确定时,图像处理器的输出可以与从另一来源(例如与对象相关联的电子健康记录)获得的信息进行组合。在一些实施例中,图像处理器104可以被配置为基于检测到的实体来确定处置选项。例如,可以使用查找表或数据库、基于所定义实体的性质和/或使用预测模型(例如,机器学习模型)来进行这种确定。
在一些示例中,图像处理器104可以被配置为执行多个图像处理任务,例如以上讨论的那些图像处理任务。
在以上任何示例中,“所定义实体”可以是由用户定义的实体或(例如,使用识别模型或机器学习预测模型)自动选择的实体。例如,取决于医学成像研究的性质以及正被处理的医学图像的性质,图像处理器104可以确定要检测、测量、诊断等的所定义实体。在其他示例中,图像处理器104可以被配置为关于特别定义的实体执行特定图像处理任务。例如,图像处理器104可以被配置为仅检测骨骼中的断裂。
所述装置100还包括:图像处理管理器106,其用于至少基于所确定的与所述医学图像相关联的临床信息来确定多个图像处理器中的至少一个图像处理器104以执行关于医学图像的一个或多个任务。图像处理管理器106可以包括处理电路(例如,处理器)或控制器。例如,图像处理管理器106可以包括被配置为执行指令集的处理器。在一些实施例中,图像处理管理器106可以使用一个或多个规则来确定应当实施哪个图像处理器104(如果有的话)以便执行关于医学图像的任务。图像处理管理器106做出的确定基于所确定的与医学图像相关联的临床信息。以这种方式,图像处理管理器106能够在适当的情况下实施适当的图像处理器104。例如,图像处理管理器106可以确定被配置为检测骨骼断裂的图像处理器104可以在这种确定的结果的确定性很高的情况下被实施。例如,从对象的电子健康记录中提取的临床信息可能指示骨骼断裂的可能性极低,并且可能已经执行了X射线扫描以便确认这一点。图像处理管理器106可以确定应当实施特定图像处理器104来执行对X射线扫描图像的处理,而不是让放射科医师花费时间来审阅医学图像(即,该X射线扫描图像)。在其他示例中,当要执行的处理任务相对简单和/或图像处理任务的结果不是特别重要时,图像处理管理器106可以确定应当实施特定图像处理器104。在其他示例中,当已知图像处理器的输出将在某个时刻由医务人员检查时,可以实施图像处理器104。
如果图像处理管理器106确定没有图像处理器104可以被适当地实施以执行关于医学图像的图像处理任务,则将不实施图像处理器。在这样的场情下,图像处理管理器106可以生成和/或输出这种确定以呈现给用户。以这种方式,用户(例如,医务人员)将知道需要人工输入,因此,可以适当地提供资源以使工作流能够完成。如果图像处理管理器106确定一个或多个图像处理器104用于执行关于医学图像的一个或多个图像处理任务,则可以输出这种确定以呈现给用户。在一些示例中,图像处理管理器106可以控制图像处理器104中的一个或多个来执行任务。
图2是用于处理与对象相关联的医学图像的装置200的另一示例的简化示意图。装置200可以包括如本文所述的临床信息提取器102、多个图像处理器104和/或图像处理管理器106。在图2中还示出了电子健康记录202、放射学信息系统(RIS)204和数据库206,它们均与临床信息提取器102通信。图2还示出了与对象相关联的医学图像208以及一幅或多幅相关医学图像210。如上所述,临床信息提取器102可以从电子健康记录202、RIS204、数据库206以及医学图像208中的一个或多个提取或确定临床信息。
所述装置200还可以包括:相关图像检测器212,其用于确定所述医学图像208否是一系列相关医学图像210之一。图像处理管理器106可以被配置为进一步基于对所述医学图像是一系列相关医学图像210之一的确定来确定多个图像处理器中的至少一个图像处理器104以执行关于医学图像208的任务。如果例如医学图像108被捕获作为随访检查的一部分,则所述医学图像可以是一系列相关医学图像210之一。这样的检查对于正在接受针对特定医学状况的持续处置的对象可能是相关的。例如,对象可能已经进行了一次或多次先前医学成像扫描以便研究特定医学状况。安排在一段时间内捕获一系列医学图像210以便可以检查医学状况的进展可能是合适的。这些先前采集的医学图像可以被存储在可由装置100、200的部件(例如图像处理管理器106)访问的存储介质中。在一些示例中,可以预期的是,形成一系列医学图像210的一部分的医学图像将类似于先前捕获的相关图像中的一幅或多幅(例如,如果在捕获两幅图像之间医学状况已经有了相对很少的发展)。在这种情况下,使用一个或多个图像处理器104来执行关于医学图像208(即,随访图像)的图像处理任务可能是适当的,因为图像处理的结果很可能符合预期(例如,与一系列相关图像210中的先前医学图像没有变化)。另外,由于关于随访图像可能仅需要相对很少的图像处理,因此在工作流中实施图像处理器104可能比让医务人员手动执行图像处理更为有效。
相关图像检测器212可以使用各种技术来确定所述医学图像208是否是一系列相关医学图像210之一。例如,相关图像检测器212可以实施基于规则的机制,通过该机制,如果满足了一个或多个定义的规则或准则,则医学图像208可以被确定为该系列相关医学图像210中的一幅随访图像。在一些示例中,相关图像检测器212可以实施统计分析机制,通过该统计分析机制,如果统计可能性超过阈值(例如,如果医学图像208在统计上与该系列相关医学图像210相似),则医学图像208可以被认为是该系列相关医学图像210中的一幅随访图像。在一些示例中,相关图像检测器212可以实施机器学习模型或预测模型,通过该机器学习模型或预测模型,基于从一组学习数据获得的理解来做出确定。
在一些实施例中,相关图像检测器212可以使用来自医学图像208和来自该系列医学图像210的信息以便确定医学图像是否形成了该系列相关医学图像210的一部分。例如,用于做出这种确定的信息可以包括以下中的一项或多项:与用于捕获医学图像的成像模态相关的信息;与医学图像中的身体部位或解剖目标相关的信息;指示该系列相关医学图像210中的每幅图像之间的时间间隔和/或捕获医学图像208和该系列相关图像中的一幅或多幅之间的时间间隔的信息;与对象和/或与医学图像208、210相关联的排序代码和/或计费代码相关的信息;以及包括在与该系列相关医学图像210中的图像中的一幅或多幅相关或与之关联的报告中的信息。排序代码是当医学研究被输入医学计算系统中时由转诊医师分配或分派的代码。排序代码可以提供所述研究的高级描述,例如包括成像模态类型、要成像的解剖结构等。计费代码是表示被实际执行的研究类型的代码。例如,这可能是医学机构可以收费的研究。
在一个示例中,如果确定在先前图像之后的3个月左右捕获到该系列相关医学图像210中的每幅图像,并且确定在先前医学图像之后的3个月左右捕获了医学图像208,则可以确定最新医学图像形成了该系列相关医学图像210的一部分。在一些示例中,如果阈值数量的准则被满足(例如,如果确定成像模态和身体部位相同,并且捕获随后医学图像之间的时间间隔恒定),则医学图像208可以被确定为该系列相关医学图像210的一部分。
因此,在一些实施例中,相关图像检测器212可以被配置为将与医学图像208相关联的信息和与一个或多个先前采集的医学图像相关联的对应信息进行比较以便确定所述医学图像是否是一系列相关医学图像210之一。
如果相关图像检测器212确定医学图像208是一系列相关医学图像210之一,则针对医学图像108可以应用针对该系列医学图像所应用的相同或相似的图像处理器104。例如,图像处理管理器106可以确定哪些图像处理器104被使用在处理医学图像210中,并且安排相同的图像处理器以用于处理医学图像208中。
尽管在一些实施例中图像处理管理器106可以确定仅一个图像处理器104来执行关于医学图像208的图像处理任务,但是在其他实施例中,所述图像处理管理器可以确定多个图像处理器来确定多个图像处理任务。例如,图像处理管理器106可以确定第一图像处理器(例如,104a)将执行第一图像处理任务(例如,检测医学图像208中的所定义实体,例如肿瘤),而第二图像处理器将执行第二图像处理任务(例如,确定所定义实体/肿瘤的体积)。因此,根据一些实施例,响应于确定多个图像处理器104来执行关于医学图像208的任务,图像处理管理器106可以被配置为确定所确定的多个图像处理器的操作顺序。确定多个图像处理器104的操作顺序有助于将各种图像处理任务合并到工作流中。以这种方式,医务人员可以能够精确地确定哪些图像处理任务正在由图像处理器104执行以及哪些将由人类用户(例如,放射科医师)来执行。医务人员还可以能够确定每个图像处理任务要被执行的顺序。可以传送由图像处理管理器106确定的图像处理器104和/或确定的图像处理任务要被执行的顺序,以将其呈现给用户。
在一些实施例中,图像处理器104中的一个或多个可以由用户(例如,医务人员)提供。例如,用户可以定义图像处理器的一个或多个参数,并且/或者可以配置图像处理器以提供预期输出。然而,在其他实施例中,来自一个图像处理器104的输出可以用作另一图像处理器的输入。因此,根据一些实施例,图像处理管理器106可以被配置为至少基于图像处理器中的至少一个的输出来确定所确定的多个图像处理器104的操作顺序。例如,如果第一图像处理器104确定医学图像208中存在所定义实体,那么图像处理管理器106可以确定另一图像处理器将执行进一步的图像处理任务。在一些示例中,来自一个图像处理器104的输出可以确定哪个图像处理器来执行下一图像处理任务。
在多个图像处理器104被确定/选择执行图像处理任务的实施例中,图像处理管理器106可以在一些示例中确定通过各种图像处理器的顺序轨迹或路线。可以基于已知顺序或序列(例如,如果已知图像处理任务的特别有效的序列)或基于如上所述的图像处理器中的一个或多个的输出来确定图像处理器104的实施顺序。
在一些实施例中,所述装置200还可以包括用于向用户呈现所确定的至少一个图像处理器104的指示的用户界面214。例如,用户界面214可以向用户显示被选择执行一个或多个图像处理任务的(一个或多个)图像处理器104的表示的指示。以这种方式,用户能够监视工作流并监视构成工作流的一部分的各种图像处理任务的进展。
除了向用户呈现信息,用户界面214还可以使得用户能够输入信息。用户界面214例如可以能够经由用户输入设备接收用户输入,所述用户输入设备诸如键盘、触摸屏、触摸板、鼠标、麦克风(例如,经由语音输入)或本领域技术人员熟悉的一些其他方式。在一些实施例中,用户界面214还可以被配置为接收用户输入以定义或调节所确定的至少一个图像处理器104的参数。例如,用户(例如,诸如放射科医师的医务人员)可以定义一个或多个用户界面104的一个或多个参数,并且/或者可以调节一个或多个先前定义的参数。以这种方式,用户能够选择每个图像处理器104如何操作每个图像处理器如何执行其相应的(一个或多个)图像处理任务。例如,用户可能想要增加配置为检测特定定义实体(例如,病灶)的图像处理器104的灵敏度,使得图像处理器具有用于检测该特定定义实体的较低阈值。
在一些实施例中,用户界面214可以例如以图表中的一系列框的形式图形化地呈现用户界面104的预期操作顺序。随着工作流进展(例如,随着每个图像处理器104执行其(一个或多个)任务),每个框的外观都会发生变化(例如,一旦特定图像处理器已经执行了其一个或多个任务,对应于该图像处理器的框可以改变颜色)。在一些实施例中,用户可以浏览图像处理器104的图形表示,例如以允许他或她选择图像处理器之一以便调节参数。
在一些示例中,图像处理管理器106可以确定在工作流中的特定点处,可以由多个图像处理器104执行多个图像处理任务。在这样的示例中,用户界面214可以向用户呈现各种选项,使得用户可以选择哪个图像处理器将执行任务和/或图像处理器将执行各种任务的顺序。对应当在工作流中的这种分支点处实施哪个处理器104的确定可以部分基于来自其他图像处理器中的一个或多个的输出和/或用户提供的输入或决策。
在一些实施例中,图像处理管理器106可以确定没有另外的图像处理任务要使用图像处理器104来执行和/或已经执行了医学图像208的所有预期图像处理。确定没有另外的任务要由图像处理器104来执行,然后可以生成报告以呈现给用户/医务人员。该报告可以由与装置100、200相关联的处理器来生成,并且在一些实施例中,该报告可以使用图像处理管理器106来生成。在一些示例中,装置200还可以包括用于基于一个或多个图像处理器104的输出来生成报告的报告生成器(未示出)。在一些实施例中,该报告可以包括初步报告,该初步报告可以提供给医务人员进行审查。在一些示例中,报告可以以机器可理解的语言或人类可理解的语言来创建,并且报告可以被集成到放射诊断报告中。因此,使用装置100、200生成的报告的至少部分可以与由人类(例如,放射科医师)生成的报告的至少部分进行组合,以创建的完整诊断报告。
装置100、200的元件(诸如用户界面214)可以被并入计算系统或软件(诸如影像归档与通信系统(PACS)客户端)中或与之集成。以此方式,一旦所有图像处理任务已经由图像处理器104执行,来自图像处理器的输出或由装置100、200生成的报告可以被提供到PACS报告引擎和/或PACS解读/诊断引擎以用于进一步处理。在其他示例中,装置100、200的元件可以被并入可在计算系统上运行的独立应用程序(例如,软件应用程序)中。
在一些实施例中,装置100、200可以包括或被并入计算设备中,计算设备例如台式计算机、膝上型计算机、平板计算机、智能电话、可穿戴计算设备和/或分布式计算系统(例如,在云计算环境中)。
根据第二方面,本文公开的各种实施例提供了一种工作站。在一些示例中,装置100、200可以包括或被并入工作站中。图3是工作站300的示例的简化示意图。工作站300可以包括如本文所公开的装置100、200。工作站300还可以包括显示屏302和/或用户输入设备304(诸如键盘)。
根据第三方面,本文公开的各种实施例提供了一种用于处理医学图像的方法。图4是用于处理医学图像(例如,医学图像208)的方法400的示例的流程图。方法400包括在步骤402处确定与医学图像相关联的临床信息。医学图像可以例如包括本文讨论的图像208。在一些实施例中,在步骤402中确定的临床信息可以使用本文讨论的临床信息提取器102来确定。在步骤404处,方法400包括:至少基于所确定的与所述医学图像相关联的临床信息来确定多个图像处理器中的至少一个图像处理器以执行关于所述医学图像的一个或多个图像处理任务,其中,每个图像处理器被配置为执行至少一个图像处理任务。图像处理器可以包括本文讨论的图像处理器104。因此,方法400可以由装置100、200来执行和/或可以使用工作站300来执行。
使用方法400来处理医学图像可以有助于减少医务人员(例如,放射科医师)执行关于医学图像的图像处理任务(作为工作流的部分)所需要的时间量。因此,可以改进和/或优化医学图像的处理以及通过工作流的进度。
图5是用于处理医学图像的方法500的另一示例的流程图。方法500可以包括以上讨论的方法400的步骤。在一些实施例中,方法500还可以包括在步骤502处确定医学图像是一系列相关医学图像之一。这样的确定可以使用本文讨论的技术来做出。对至少一个图像处理器的确定(步骤404)可以至少基于对医学图像是一系列相关医学图像之一的确定。因此,如果确定医学图像形成一系列相关医学图像的一部分,那么可以确定一些图像处理任务可以使用图像处理器而不是人类(例如,医务人员)来适当地执行。因此,做出这样的确定,然后可以在工作流中实施一个或多个图像处理器。
在一些实施例中,确定至少一个图像处理器(步骤404)可以包括确定多个图像处理器。换言之,可以确定,多个图像处理器可以用来执行关于医学图像的多个图像处理任务。在这种情况下,方法500还可以包括在步骤504处确定所确定的多个图像处理器的操作顺序。对一个或多个图像处理器的确定和/或所确定的多个图像处理器的操作顺序可以被提供用于例如使用本文讨论的用户界面214呈现给用户。
根据第四方面,本文公开的各种实施例提供了一种计算机程序产品。图6是处理器602和计算机可读介质604的示例的简化示意图。根据一些实施例,计算机程序产品包括非暂时性计算机可读介质604,所述计算机可读介质具有在其中实现的计算机可读代码,所述计算机可读代码被配置为使得:在由适当的计算机或处理器602运行时,使所述计算机或处理器执行本文公开的方法400、500的步骤。在一些实施例中,处理器602可以包括用作本文公开的图像处理器管理器106的部分或与该图像处理管理器相关联地进行操作。类似地,多个图像处理器104中的一个或多个可以形成处理器602的一部分。
处理器602可以包括:一个或多个处理器、处理单元、多核处理器或模块,其被配置或编程为以本文描述的方式来控制装置100、200的元件。在特定实施方式中,处理器602可以包括:多个软件和/或硬件模块,每个软件和/或硬件模块被配置为执行或用于执行本文描述的方法的单个步骤或多个步骤。
如本文所使用的,术语“模块”旨在包括:硬件部件,诸如被配置为执行特定功能处理器或处理器的部件;或软件部件,诸如当由处理器运行时具有特定功能的一组指令数据。
将认识到,本发明的实施例还适用于适于将本发明付诸于实践的计算机程序,特别是载体上或中的计算机程序。程序可以采用源代码、目标代码、代码中间源和目标代码(诸如采用部分编译的形式)的形式,或采用适合于使用在根据本发明的实施例的方法的实施方式中的任何其他形式。还将认识到,这样的程序可以具有许多不同的架构设计。例如,实施根据本发明的方法或系统的功能的程序代码可以被细分成一个或多个子例程。将功能分布在这些子例程之中的许多不同的方式对于技术人员而言将是显而易见的。子例程可以被一起存储在一个可执行文件中以形成自包含程序。这样的可执行文件可以包括计算机可执行指令,例如处理器指令和/或解释器指令(例如,Java解释器指令)。备选地,子例程中的一个或多个或全部可以被存储在至少一个外部库文件中并且与主程序静态地或动态地(例如在运行时)链接。主程序包含对子例程中的至少一个的至少一次调用。子例程可以还包括对彼此的函数调用。涉及计算机程序产品的实施例包括与本文阐述的方法中的至少一个的每个处理阶段相对应的计算机可执行指令。这些指令可以被细分成子例程和/或存储在可以被静态地或动态地链接的一个或多个文件中。涉及计算机程序产品的另一实施例包括与本文中阐述的系统和/或产品中的至少一个的每个单元相对应的计算机可执行指令。这些指令可以被细分成子例程和/或存储在可以被静态地或动态地链接的一个或多个文件中。
计算机程序的载体可以是能够承载程序的任何实体或设备。例如,载体可以包括数据存储装置(诸如ROM,例如,CD ROM或半导体ROM)或磁记录介质(例如硬盘)。另外,载体可以是可传输载体,诸如电信号或光信号,其可以经由电缆或光缆或通过无线电或其他单元来传送。当程序被体现在这样的信号中时,载体可以由这样的线缆或其他设备或单元构成。备选地,载体可以是程序被嵌入其中的集成电路,该集成电路适于执行相关方法或被使用在对相关方法的执行中。
通过研究附图、公开内容和权利要求书,本领域技术人员在实践要求保护的发明时能够理解并实现对所公开的实施例的变型。在权利要求书中,词语“包括”不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求书中记载的若干项的功能。在互不相同的从属权利要求中记载了特定措施的仅有事实并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/分布在与其他硬件一起或作为其他硬件的部分提供的诸如光学存储介质或固态介质的适当的介质上,但是也可以诸如经由互联网或其他有线或无线的远程通信系统以其他形式分布。权利要求书中的任何附图标记不应当被解释为对范围的限制。
Claims (15)
1.一种用于处理与对象相关联的医学图像的装置(100),所述装置包括:
临床信息提取器(102),其用于确定与所述医学图像相关联的临床信息;
多个图像处理器(104),每个图像处理器用于执行关于所述医学图像的至少一个图像处理任务;以及
图像处理管理器(106),其用于至少基于所确定的与所述医学图像相关联的临床信息来确定所述多个图像处理器中的至少一个图像处理器以执行关于所述医学图像的一个或多个任务。
2.根据权利要求1所述的装置(100、200),其中,所述临床信息提取器(102)被配置为根据以下中的至少一项来确定与所述医学图像相关联的临床信息:所述医学图像;与所述对象相关联的电子健康记录;放射学信息系统;以及包含与所述对象相关联的记录的数据库。
3.根据权利要求1或权利要求2所述的装置(100、200),其中,所述临床信息包括以下中的至少一项:与所述对象相关联的医学状况的临床指示;以及与所述对象相关联的医学状况的国际疾病分类ICD标识符的指示。
4.根据前述权利要求中的任一项所述的装置(100、200),其中,每个图像处理器(104)包括以下中的至少一个:人工智能引擎;图像处理引擎;预测模型引擎;机器学习引擎;以及统计分析引擎。
5.根据前述权利要求中的任一项所述的装置(100、200),还包括:
相关图像检测器(212),其用于确定所述医学图像(208)是否是一系列相关医学图像(210)之一;
其中,所述图像处理管理器(106)被配置为进一步基于所述医学图像是一系列相关医学图像之一的确定来确定所述多个图像处理器中的至少一个图像处理器(104)以执行关于所述医学图像的任务。
6.根据权利要求5所述的装置(100、200),其中,所述相关图像检测器(212)被配置为将与所述医学图像(208)相关联的信息和与一个或多个先前采集的医学图像相关联的对应信息进行比较,以便确定所述医学图像是否是一系列相关医学图像(210)之一。
7.根据前述权利要求中的任一项所述的装置(100、200),其中,响应于确定多个图像处理器(104)以执行关于所述医学图像的任务,所述图像处理管理器(106)被配置为确定所确定的多个图像处理器的操作顺序。
8.根据权利要求7所述的装置(100、200),其中,所述图像处理管理器(106)被配置为至少基于所述图像处理器中的至少一个的输出来确定所确定的多个图像处理器(104)的操作顺序。
9.根据前述权利要求中的任一项所述的装置(100、200),还包括:
用户界面(214),其用于向用户呈现对所确定的至少一个图像处理器(104)的指示。
10.根据权利要求9所述的装置(100、200),其中,所述用户界面(214)还被配置为接收用户输入,以定义或调节所确定的至少一个图像处理器(104)的参数。
11.一种工作站(300),其包括根据前述权利要求中的任一项所述的装置(100、200)。
12.一种用于处理医学图像的方法(400),包括:
使用处理器来确定(402)与医学图像相关联的临床信息;并且
使用处理器,至少基于所确定的与所述医学图像相关联的临床信息来确定(404)多个计算机实施的图像处理器中的至少一个计算机实施的图像处理器以执行关于所述医学图像的一个或多个图像处理任务,其中,每个计算机实施的图像处理器被配置为执行至少一个图像处理任务。
13.根据权利要求12所述的方法(400、500),还包括:
使用处理器来确定(502)所述医学图像是否是一系列相关医学图像之一;
其中,对所述至少一个计算机实施的图像处理器的所述确定(404)至少基于对所述医学图像是一系列相关医学图像之一的确定。
14.根据权利要求12或权利要求13所述的方法(400、500),其中,所述的确定(404)至少一个计算机实施的图像处理器包括确定多个计算机实施的图像处理器,所述方法还包括:
确定(504)所确定的多个计算机实施的图像处理器的操作顺序。
15.一种计算机程序产品,包括非瞬态计算机可读介质,所述计算机可读介质(604)具有在其中实现的计算机可读代码,所述计算机可读代码被配置为使得:在由适当的计算机或处理器(602)运行时,使所述计算机或处理器执行根据权利要求12至14中的任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18187723.4A EP3608914A1 (en) | 2018-08-07 | 2018-08-07 | Processing medical images |
EP18187723.4 | 2018-08-07 | ||
PCT/EP2019/071128 WO2020030643A1 (en) | 2018-08-07 | 2019-08-06 | Processing medical images |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112567471A true CN112567471A (zh) | 2021-03-26 |
Family
ID=63168332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980052804.7A Pending CN112567471A (zh) | 2018-08-07 | 2019-08-06 | 处理医学图像 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11869654B2 (zh) |
EP (2) | EP3608914A1 (zh) |
JP (1) | JP2021532888A (zh) |
CN (1) | CN112567471A (zh) |
WO (1) | WO2020030643A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7289638B2 (ja) * | 2018-11-29 | 2023-06-12 | キヤノン株式会社 | 医用情報処理システム及びプログラム |
US20230342913A1 (en) * | 2022-04-26 | 2023-10-26 | GE Precision Healthcare LLC | Generating high quality training data collections for training artificial intelligence models |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004298209A (ja) * | 2003-03-28 | 2004-10-28 | Fuji Photo Film Co Ltd | 画像処理装置 |
US20090022377A1 (en) * | 2007-07-17 | 2009-01-22 | Kabushiki Kaisha Toshiba | Medical image observation system |
JP2010061521A (ja) * | 2008-09-05 | 2010-03-18 | Pfu Ltd | 電子化カルテ管理装置および電子化カルテ管理方法 |
US20150149211A1 (en) * | 2013-11-27 | 2015-05-28 | General Electric Company | Cloud-based clinical information systems and methods of use |
US20160350919A1 (en) * | 2015-06-01 | 2016-12-01 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
WO2017129564A1 (en) * | 2016-01-27 | 2017-08-03 | Koninklijke Philips N.V. | Predictive model for optimizing clinical workflow |
US20180032547A1 (en) * | 2016-07-26 | 2018-02-01 | Konica Minolta, Inc. | Image management device, image display system, and image display method |
WO2018071575A1 (en) * | 2016-10-12 | 2018-04-19 | Terarecon, Inc. | System and method for medical image interpretation |
CN108305671A (zh) * | 2018-01-23 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 由计算机实现的医学图像调度方法、调度系统及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4640845B2 (ja) * | 2007-03-05 | 2011-03-02 | 富士フイルム株式会社 | 画像処理装置およびそのプログラム |
WO2011121457A1 (en) * | 2010-04-01 | 2011-10-06 | Telerad Tech Pvt. Ltd. | System and method for radiology workflow management and a tool therefrom |
US8908947B2 (en) * | 2012-05-21 | 2014-12-09 | Terarecon, Inc. | Integration of medical software and advanced image processing |
JP2016126477A (ja) * | 2014-12-26 | 2016-07-11 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
US9519753B1 (en) * | 2015-05-26 | 2016-12-13 | Virtual Radiologic Corporation | Radiology workflow coordination techniques |
EP3255573A1 (en) * | 2016-06-10 | 2017-12-13 | Electronics and Telecommunications Research Institute | Clinical decision supporting ensemble system and clinical decison supporting method using the same |
-
2018
- 2018-08-07 EP EP18187723.4A patent/EP3608914A1/en not_active Withdrawn
-
2019
- 2019-08-06 US US17/266,605 patent/US11869654B2/en active Active
- 2019-08-06 EP EP19746517.2A patent/EP3834206A1/en active Pending
- 2019-08-06 CN CN201980052804.7A patent/CN112567471A/zh active Pending
- 2019-08-06 JP JP2021505337A patent/JP2021532888A/ja active Pending
- 2019-08-06 WO PCT/EP2019/071128 patent/WO2020030643A1/en unknown
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004298209A (ja) * | 2003-03-28 | 2004-10-28 | Fuji Photo Film Co Ltd | 画像処理装置 |
US20090022377A1 (en) * | 2007-07-17 | 2009-01-22 | Kabushiki Kaisha Toshiba | Medical image observation system |
JP2009022368A (ja) * | 2007-07-17 | 2009-02-05 | Toshiba Corp | 医用画像観察支援システム |
JP2010061521A (ja) * | 2008-09-05 | 2010-03-18 | Pfu Ltd | 電子化カルテ管理装置および電子化カルテ管理方法 |
US20150149211A1 (en) * | 2013-11-27 | 2015-05-28 | General Electric Company | Cloud-based clinical information systems and methods of use |
US20160350919A1 (en) * | 2015-06-01 | 2016-12-01 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
WO2017129564A1 (en) * | 2016-01-27 | 2017-08-03 | Koninklijke Philips N.V. | Predictive model for optimizing clinical workflow |
US20180032547A1 (en) * | 2016-07-26 | 2018-02-01 | Konica Minolta, Inc. | Image management device, image display system, and image display method |
WO2018071575A1 (en) * | 2016-10-12 | 2018-04-19 | Terarecon, Inc. | System and method for medical image interpretation |
CN108305671A (zh) * | 2018-01-23 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 由计算机实现的医学图像调度方法、调度系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3608914A1 (en) | 2020-02-12 |
JP2021532888A (ja) | 2021-12-02 |
WO2020030643A1 (en) | 2020-02-13 |
US20210313047A1 (en) | 2021-10-07 |
US11869654B2 (en) | 2024-01-09 |
EP3834206A1 (en) | 2021-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10937164B2 (en) | Medical evaluation machine learning workflows and processes | |
CN107004043B (zh) | 优化检测和标记感兴趣解剖结构的系统和方法 | |
CN110140178B (zh) | 用于知道上下文的图像质量收集和反馈的闭环系统 | |
Laserson et al. | Textray: Mining clinical reports to gain a broad understanding of chest x-rays | |
JP6818424B2 (ja) | 診断支援装置、情報処理方法、診断支援システム及びプログラム | |
CN110993063B (zh) | 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 | |
US20210035680A1 (en) | Systems and methods for automating clinical workflow decisions and generating a priority read indicator | |
EP2812828B1 (en) | Interactive optimization of scan databases for statistical testing | |
KR20200077852A (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
Mabotuwana et al. | Automated tracking of follow-up imaging recommendations | |
US10957038B2 (en) | Machine learning to determine clinical change from prior images | |
US20230108955A1 (en) | Deep-learning-based medical image interpretation system for animals | |
US20220285011A1 (en) | Document creation support apparatus, document creation support method, and program | |
US11869654B2 (en) | Processing medical images | |
Moreno-García et al. | Assessing the clinicians’ pathway to embed artificial intelligence for assisted diagnostics of fracture detection. | |
CN110993091B (zh) | 从数据生成向量 | |
JP7478518B2 (ja) | 読影支援装置および読影支援方法 | |
US20210217535A1 (en) | An apparatus and method for detecting an incidental finding | |
CN112447287A (zh) | 自动化的临床工作流程 | |
JP7418406B2 (ja) | 画像プロセッサの制御 | |
Bach et al. | Assessing the clinicians' pathway to embed artificial intelligence for assisted diagnostics of fracture detection. | |
EP4328855A1 (en) | Methods and systems for identifying a candidate medical finding in a medical image and providing the candidate medical finding | |
US20230099284A1 (en) | System and method for prognosis management based on medical information of patient |
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 |