CN112750519A - 医学图像数据的匿名化 - Google Patents
医学图像数据的匿名化 Download PDFInfo
- Publication number
- CN112750519A CN112750519A CN202011194574.9A CN202011194574A CN112750519A CN 112750519 A CN112750519 A CN 112750519A CN 202011194574 A CN202011194574 A CN 202011194574A CN 112750519 A CN112750519 A CN 112750519A
- Authority
- CN
- China
- Prior art keywords
- image features
- patient
- specific
- image data
- medical
- 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
- 238000012549 training Methods 0.000 claims abstract description 529
- 230000006870 function Effects 0.000 claims abstract description 274
- 238000000034 method Methods 0.000 claims abstract description 152
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims abstract description 12
- 230000000052 comparative effect Effects 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 10
- 230000008901 benefit Effects 0.000 description 26
- 238000013500 data storage Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000013507 mapping Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 210000003484 anatomy Anatomy 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000013213 extrapolation Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 229910052704 radon Inorganic materials 0.000 description 2
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000003936 working memory 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioethics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于提供分类的图像特征的计算机实现的方法,其包括:‑接收医学图像数据,‑识别医学图像数据中的多个图像特征,以及‑通过将用于对图像特征进行识别和分类的经过训练的函数应用于输入数据,将多个图像特征分类为特定于患者的图像特征和非特定于患者的图像特征,其中,输入数据基于医学图像数据,‑提供分类的图像特征。本发明还涉及一种用于提供综合医学图像数据的计算机实现的方法和用于提供用于对图像特征进行识别和分类的经过训练的函数、用于对特定于患者的图像特征进行分类、用于产生综合医学图像数据的计算机实现的方法。本发明还涉及提供单元、医学成像设备、训练单元、计算机程序产品和计算机可读的存储介质。
Description
技术领域
本发明涉及一种用于提供分类的图像特征的计算机实现的方法、用于提供综合医学图像数据的计算机实现的方法、用于提供用于对图像特征进行识别和分类的经过训练的函数的计算机实现的方法、用于提供用于对特定于患者的图像特征进行分类的经过训练的函数的计算机实现的方法、用于提供用于产生综合医学图像数据的经过训练的函数的计算机实现的方法、用于提供用于产生综合医学图像数据的另一个经过训练的函数的计算机实现的方法、用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数的计算机实现的方法、用于提供分类的图像特征的提供单元、用于提供综合医学图像数据的提供单元、医学成像设备、训练单元、计算机程序产品以及计算机可读的存储介质。
背景技术
可以由医院和/或诊所处理和/或发布的患者数据和/或患者的测量数据,特别是医学图像数据,应当可靠地并且尽可能完全地匿名化。迄今为止,从测量数据中去除描述患者的数据,特别是文本数据和/或元数据,例如名字和出生日期,经常就足够了。在此,测量数据例如可以以DICOM格式存在,其中,描述患者的文本数据和/或元数据经常包含在DICOM头中。
适合用于对患者进行识别的这些特征可以视为生物测量特征。前面描述的特征对于本领域技术人员来说可能是显而易见的,因此经常尝试适当地阻止这种重建。
对于对用于基于机器学习(maschinellem Lernen,ML)对算法进行训练的医学图像数据、特别是临床医学图像数据的不断增长的需求,医学图像数据中的生物测量特征的去除变得非常重要。在此,已知的ML算法可以从对于本领域技术人员来说不能直接检测到的医学图像数据中,提取许多其它的生物测量特征。
发明内容
因此,本发明要解决的技术问题是,使得能够在保持可诊断性的情况下,实现医学图像数据的可靠的匿名化。
根据本发明,上述技术问题通过本发明的相应的主题来解决。具有适宜的扩展方案的有利的实施方式是下面的描述的主题。
下面,不仅关于用于提供分类的图像特征和/或综合医学图像数据的方法和设备,而且关于用于提供经过训练的函数的方法和设备,来描述上述技术问题的根据本发明的解决方案。在此,用于提供分类的图像特征和/或综合医学图像数据的方法和设备中的数据结构和/或函数的特征、优点和替换实施方式,可以转用于用于提供经过训练的函数的方法和设备中的类似的数据结构和/或函数。在此,特别是可以通过使用前缀(Vorsilbe)“训练”,来表示类似的数据结构。此外,特别是可以通过用于提供经过训练的函数的方法和设备,来调整和/或提供在用于提供分类的图像特征和/或综合医学图像数据的方法和设备中使用的经过训练的函数。
在第一方面,本发明涉及一种用于提供分类的图像特征的计算机实现的方法。在此,在第一步骤中,接收医学图像数据。通过将用于对图像特征进行识别和分类的经过训练的函数应用于输入数据,来识别医学图像数据中的多个图像特征,并且将该多个图像特征分类为特定于患者的和非特定于患者的图像特征。在此,输入数据基于医学图像数据。此外,用于对图像特征进行识别和分类的经过训练的函数的至少一个参数,基于训练识别参数与比较识别参数的比较和训练诊断参数与比较诊断参数的比较。此外,在另一个步骤中,提供分类的图像特征。
接收医学图像数据特别是可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。此外,可以由用于记录医学图像数据的医学成像设备的提供单元,来提供医学图像数据。
医学图像数据例如可以具有包括多个图像点、特别是像素和/或体素的二维的和/或三维的图像数据。此外,医学图像数据可以描绘检查对象的至少一个检查区域。在此,检查对象例如可以包括人类和/或动物患者。此外,医学图像数据可以描绘检查对象的时间上的变化过程、例如检查区域上的改变。此外,可以由一个或多个特别是不同的医学成像设备记录医学图像数据。在此,多个医学成像设备中的一个或至少一个,可以构造为X射线设备和/或C形臂X射线设备和/或磁共振设备(MRT)和/或计算机断层成像设备(CT)和/或超声波检查设备和/或正电子发射断层成像设备(PET)。
此外,医学图像数据可以有利地包括元数据。在此,元数据可以包括关于用于记录医学图像数据的医学成像设备的记录参数和/或运行参数的信息。
通过将用于对图像特征进行识别和分类的经过训练的函数,应用于接收到的医学图像数据,可以识别医学图像数据中的多个图像特征。此外,可以将识别出的多个图像特征,分类为特定于患者的图像特征和非特定于患者的图像特征。
医学图像数据中的多个图像特征例如可以包括几何图像特征和/或解剖图像特征。此外,多个图像特征可以包括描绘图像值在医学图像数据内的分布的图像信息,特别是统计图像信息,例如直方图。使用经过训练的函数来识别多个图像特征,特别是可以包括对医学图像数据中的多个图像特征进行定位和/或分割。
此外,对识别出的多个图像特征进行分类,可以包括将多个图像特征区分和/或分组为特定于患者的和非特定于患者的图像特征。在此,特定于患者的图像特征特别是可以包括如下的图像特征,这些图像特征使得能够映射到、特别是唯一地映射到检查对象。此外,特定于患者的图像特征例如可以包括使得能够推断出和/或识别出、特别是唯一地识别出检查对象的生物测量图像特征和/或诊断图像特征。此外,非特定于患者的图像特征例如可以包括不能推断出和/或不能识别出检查对象的诊断和/或其它解剖和/或几何图像特征。例如,可以将对比度(Kontrast)、特别是图像值的比,分类为非特定于患者的图像特征。此外,可以将空间对比度变化过程,例如沿着解剖结构的边缘,识别为解剖图像特征,并且分类为特定于患者的图像特征。特定于患者的图像特征特别是可以包括在医学图像数据中识别出的所有生物测量图像特征。生物测量图像特征例如可以包括至少一个解剖图像特征的空间位置信息和/或空间布置信息和/或形状信息。例如,可以将颅骨形状和/或肿瘤表面和/或器官表面和/或多个解剖图像特征相对于彼此的空间布置,分类为特定于患者的图像特征,特别是分类为生物测量图像特征。
下面描述的经过训练的函数的优点和/或特性,基本上对应于所提出的用于对图像特征进行识别和分类的经过训练的函数的优点。在此提到的特征、优点或替换实施方式同样也可以转用于所提出的其它经过训练的函数,反之亦然。
有利地,经过训练的函数可以通过机器学习方法进行了训练。经过训练的函数特别是可以是神经网络、特别是卷积神经网络(英语:convolutional neural network,CNN)或包括卷积层(英语:convolutional layer)的网络。
经过训练的函数将输入数据映射为输出数据。此外,在此,输出数据特别是可以与经过训练的函数的一个或多个参数有关。可以通过训练来确定和/或调整经过训练的函数的一个或多个参数。对经过训练的函数的一个或多个参数的确定和/或调整,特别是可以基于由训练输入数据和相关的训练输出数据构成的对,其中,将用于产生训练映射数据的经过训练的函数,应用于训练输入数据。确定和/或调整特别是可以基于训练映射数据与训练输出数据的比较。一般将可训练的函数,即具有还没有调整的一个或多个参数的函数,也称为经过训练的函数。
经过训练的函数的其它术语是经过训练的映射规则、具有经过训练的参数的映射规则、具有经过训练的参数的函数、基于人工智能的算法、机器学习算法。经过训练的函数的一个示例是人工神经网络,其中,人工神经网络的边缘权重对应于经过训练的函数的参数。也可能使用术语“神经网”来代替术语“神经网络”。经过训练的函数特别是也可以是深度人工神经网络(英语:deep neural network,deep artificial neural network)。经过训练的函数的另一个示例是“支持向量机(Support Vector Machine)”,此外,特别是其它机器学习算法也可以用作经过训练的函数。
经过训练的函数特别是可以借助反向传播进行了训练。首先,可以通过将经过训练的函数应用于训练输入数据,来确定训练映射数据。之后,可以通过将误差函数应用于训练映射数据和训练输出数据,来确定训练映射数据与训练输出数据之间的偏差。此外,可以基于误差函数相对于经过训练的函数的至少一个参数的梯度,来迭代地调整经过训练的函数、特别是神经网络的至少一个参数、特别是权重。由此,可以有利地在经过训练的函数的训练期间,使训练映射数据与训练输出数据之间的偏差最小。
有利地,经过训练的函数、特别是神经网络具有输入层和输出层。在此,输入层可以被构造为用于接收输入数据。此外,输出层可以被构造为用于提供映射数据。在此,输入层和/或输出层可以分别包括多个通道、特别是神经元。
优选用于对图像特征进行识别和分类的经过训练的函数的至少一个参数,可以基于训练识别参数与比较识别参数的比较以及训练诊断参数与比较诊断参数的比较。在此,可以作为将在下面的描述的过程中说明的、所提出的用于提供用于对图像特征进行识别和分类的经过训练的函数的计算机实现的方法的一部分,来确定训练识别参数、训练诊断参数、比较识别参数和/或比较诊断参数。
此外,提供分类的图像特征,特别是可以包括存储在计算机可读的存储介质上和/或在显示单元上显示和/或传输到提供单元。
由此,能够实现对医学图像数据中的图像特征的特别鲁棒并且可靠的识别和分类。
在所提出的用于提供分类的图像特征的计算机实现的方法的另一个有利的实施方式中,通过将用于对特定于患者的图像特征进行分类的经过训练的函数应用于输入数据,可以将特定于患者的图像特征分类为表型表达(表示)的特定于患者的图像特征和非表型表达的特定于患者的图像特征。在此,输入数据可以基于特定于患者的图像特征。此外,用于对特定于患者的图像特征进行分类的经过训练的函数的至少一个参数,可以基于表型表达的特定于患者的训练图像特征与表型表达的特定于患者的比较图像特征的比较,以及非表型表达的特定于患者的训练图像特征与非表型表达的特定于患者的比较图像特征的比较。此外,可以提供分类的特定于患者的图像特征。
前面描述的经过训练的函数的优点和/或特性,基本上对应于所提出的用于对特定于患者的图像特征进行分类的经过训练的函数的优点。在此提到的特征、优点或替换实施方式可以转用于所提出的用于对特定于患者的图像特征进行分类的经过训练的函数,反之亦然。
有利地,对特定于患者的图像特征的分类可以包括:将特定于患者的图像特征,区分和/或分组为表型表达的特定于患者的图像特征和非表型表达的特定于患者的图像特征。在此,表型表达的特定于患者的图像特征特别是可以包括所有如下的特定于患者的图像特征,这些特定于患者的图像特征使得能够根据特定于患者的图像特征与另一个图像特征之间的比较,对检查对象进行识别、特别是唯一的识别和/或推断出检查对象,可以通过对检查对象的外部观察来检测该另一个图像特征。此外,非表型表达的特定于患者的图像特征特别是可以包括通过对检查对象的外部观察不能检测到的所有特定于患者的图像特征。在此,表型表达的特定于患者的图像特征例如可以包括关于检查对象的脸部和/或体形的至少一部分的信息。此外,非表型表达的特定于患者的图像特征例如可以包括关于检查对象的内部器官的形状信息。
优选用于对特定于患者的图像特征进行分类的经过训练的函数的至少一个参数,可以基于表型表达的特定于患者的训练图像特征与表型表达的特定于患者的比较图像特征的比较,以及非表型表达的特定于患者的训练图像特征与非表型表达的特定于患者的比较图像特征的比较。在此,可以作为将在下面的描述的过程中说明的、所提出的用于提供用于对特定于患者的图像特征进行分类的经过训练的函数的计算机实现的方法的一部分,来确定表型表达的特定于患者的训练图像特征、表型表达的特定于患者的比较图像特征、非表型表达的特定于患者的训练图像特征和/或非表型表达的特定于患者的比较图像特征。
此外,提供分类的特定于患者的图像特征,特别是可以包括存储在计算机可读的存储介质上和/或在显示单元上显示和/或传输到提供单元。
由此,对特定于患者的图像特征的分类可以有利地扩展到表型表达的特定于患者的图像特征,特别是通过对检查对象的外部观察可检测到的特定于患者的图像特征。此外,可以特别可靠地对非表型表达的图像特征、特别是特定于患者的非表型表达的与诊断相关的图像特征进行分类。
在第二方面,本发明涉及一种用于提供综合医学图像数据的计算机实现的方法。在此,在第一步骤中,接收医学图像数据。此外,在第二步骤中,接收通过将所提出的用于提供分类的图像特征的计算机实现的方法的实施方式应用于医学图像数据而分类的图像特征。此外,在第三步骤中,通过将用于产生综合医学图像数据的经过训练的函数,应用于输入数据,来产生综合医学图像数据。在此,输入数据基于特定于患者的图像特征。此外,用于产生综合医学图像数据的经过训练的函数的至少一个参数,基于综合医学训练图像数据与综合医学比较图像数据的比较。在另一个步骤中,提供综合医学图像数据。
接收医学图像数据特别是可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。此外,可以由用于记录医学图像数据的医学成像设备的提供单元,来提供医学图像数据。
与此类似,可以接收通过应用所提出的用于提供分类的图像特征的方法的实施方式而提供的分类的图像特征。在此,接收分类的图像特征可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。在此,接收的分类的图像特征优选可以包括特定于患者的和非特定于患者的图像特征。此外,接收的特定于患者的图像特征可以进一步分类为表型表达的特定于患者的图像特征和非表型表达的特定于患者的图像特征。
前面描述的经过训练的函数的优点和/或特性,基本上对应于所提出的用于产生综合医学图像数据的经过训练的函数的优点。在此提到的特征、优点或替换实施方式,可以转用于所提出的用于产生综合医学图像数据的经过训练的函数,反之亦然。
通过将用于产生综合医学图像数据的经过训练的函数,应用于接收到的特定于患者的图像特征,可以产生综合医学图像数据。在此,用于产生综合医学图像数据的经过训练的函数的至少一个参数,可以基于综合医学训练图像数据与综合医学比较图像数据的比较。在此,可以作为将在下面的描述的过程中说明的、所提出的用于提供用于产生综合医学图像数据的经过训练的函数的计算机实现的方法的一部分,来确定综合医学训练图像数据和综合医学比较图像数据。
有利地,综合医学图像数据具有所有特定于患者的图像特征。在此,综合医学图像数据有利地包括对检查对象的检查区域的至少一个片段的成像。在此,综合医学图像数据可以有利地在其图像特性方面,例如在对比度和/或大小和/或图像几何结构方面,对应于接收到的医学图像数据。此外,可以基于用于记录医学图像数据的医学成像设备或另外的医学成像设备的至少一个记录参数,来产生综合医学图像数据。
此外,提供综合医学图像数据,特别是可以包括存储在计算机可读的存储介质上和/或在显示单元上显示和/或传输到提供单元。
由此,有利地使得能够实现对包含在综合医学图像数据中的特定于患者的图像特征的表型表达的改善的评估。
在第三方面,本发明涉及另一种用于提供综合医学图像数据的计算机实现的方法。在此,在第一步骤中,接收医学图像数据。此外,在第二步骤中,接收通过将所提出的用于提供分类的图像特征的计算机实现的方法的实施方式应用于医学图像数据而分类的图像特征。在第三步骤中,通过将用于产生综合医学图像数据的另一个经过训练的函数应用于输入数据,来产生综合医学图像数据。在此,输入数据基于非特定于患者的图像特征和/或非表型表达的特定于患者的图像特征。此外,用于产生综合医学图像数据的该另一个经过训练的函数的至少一个参数,基于综合医学训练图像数据与综合医学比较图像数据的比较。在另一个步骤中,提供综合医学图像数据。
接收医学图像数据,特别是可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。此外,可以由用于记录医学图像数据的医学成像设备的提供单元,来提供医学图像数据。
与此类似,可以接收通过应用所提出的用于提供分类的图像特征的方法的实施方式而提供的分类的图像特征。在此,接收分类的图像特征,可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。在此,接收的分类的图像特征优选可以包括特定于患者的和非特定于患者的图像特征。此外,接收的特定于患者的图像特征可以进一步分类为表型表达的特定于患者的图像特征和非表型表达的特定于患者的图像特征。
前面描述的经过训练的函数的优点和/或特性,基本上对应于所提出的用于产生综合医学图像数据的另一个经过训练的函数的优点。在此提到的特征、优点或替换实施方式,可以转用于所提出的用于产生综合医学图像数据的另一个经过训练的函数,反之亦然。
通过将用于产生综合医学图像数据的该另一个经过训练的函数,应用于接收到的非特定于患者的图像特征和/或非表型表达的特定于患者的图像特征,可以产生综合医学图像数据。在此,用于产生综合医学图像数据的该另一个经过训练的函数的至少一个参数,可以基于综合医学训练图像数据与综合医学比较图像数据的比较。在此,可以作为将在下面的描述的过程中说明的、所提出的用于提供用于产生综合医学图像数据的另一个经过训练的函数的计算机实现的方法的一部分,来确定综合医学训练图像数据和综合医学比较图像数据。
有利地,综合医学图像数据具有所有非表型表达的特定于患者的图像特征和/或非特定于患者的图像特征。在此,综合医学图像数据有利地包括对检查对象的检查区域的至少一个片段的成像。在此,综合医学图像数据可以有利地在其图像特性方面,例如在对比度和/或大小和/或图像几何结构方面,对应于接收到的医学图像数据。此外,可以基于用于记录医学图像数据的医学成像设备或另外的医学成像设备的至少一个记录参数,来产生综合医学图像数据。
此外,提供综合医学图像数据,特别是可以包括存储在计算机可读的存储介质上和/或在显示单元上显示和/或传输到提供单元。
由此,可以有利地提供特别可靠地匿名化的综合医学图像数据,其可以用作用于另外的图像处理算法和/或用于训练神经网络的输入数据。
在所提出的用于提供分类的图像特征的计算机实现的方法的另一个有利的实施方式中,可以通过将所提出的用于提供综合医学图像数据的计算机实现的方法应用于医学图像数据,来接收综合医学图像数据。在另一个步骤中,可以通过将用于对特定于患者的图像特征进行分类的另一个经过训练的函数应用于输入数据,来将特定于患者的图像特征,分类为表型表达的特定于患者的图像特征和非表型表达的特定于患者的图像特征。在此,输入数据可以基于特定于患者的图像特征和综合医学图像数据。此外,用于对特定于患者的图像特征进行分类的该另一个经过训练的函数的至少一个参数,可以基于表型表达的特定于患者的训练图像特征与表型表达的特定于患者的比较图像特征的比较,以及非表型表达的特定于患者的训练图像特征与非表型表达的特定于患者的比较图像特征的比较。在另一个步骤中,可以提供分类的特定于患者的图像特征。
接收通过应用所提出的用于提供综合医学图像数据的方法的实施方式而提供的综合医学图像数据,特别是可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。此外,可以由用于记录医学图像数据的医学成像设备的提供单元,来提供医学图像数据。
前面描述的经过训练的函数的优点和/或特性,基本上对应于所提出的用于对特定于患者的图像特征进行分类的另一个经过训练的函数的优点。在此提到的特征、优点或替换实施方式,可以转用于所提出的用于对特定于患者的图像特征进行分类的另一个经过训练的函数,反之亦然。
有利地,通过将用于对特定于患者的图像特征进行分类的该另一个经过训练的函数应用于输入数据来对特定于患者的图像特征进行分类,可以包括:将特定于患者的图像特征,区分和/或分组为表型表达的特定于患者的图像特征和非表型表达的特定于患者的图像特征。
由于用于对特定于患者的图像特征进行分类的该另一个经过训练的函数的输入数据,基于特定于患者的图像特征和综合图像数据,因此能够有利地特别准确地和/或在考虑在综合医学图像数据中的表达的情况下,实现对特定于患者的图像特征的分类。
优选用于对特定于患者的图像特征进行分类的该另一个经过训练的函数的至少一个参数,可以基于表型表达的特定于患者的训练图像特征与表型表达的特定于患者的比较图像特征的比较,以及非表型表达的特定于患者的训练图像特征与非表型表达的特定于患者的比较图像特征的比较。在此,可以作为将在下面的描述的过程中说明的、所提出的用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数的计算机实现的方法的一部分,来确定表型表达的特定于患者的训练图像特征、表型表达的特定于患者的比较图像特征、非表型表达的特定于患者的训练图像特征和/或非表型表达的特定于患者的比较图像特征。
此外,提供分类的特定于患者的图像特征,特别是可以包括存储在计算机可读的存储介质上和/或在显示单元上显示和/或传输到提供单元。
由此,使得能够对特定于患者的图像特征,根据其在综合医学图像数据中的表型表达,进行特别可靠并且安全的分类。在此,特别是可以有利地考虑将特定于患者的图像特征的表型表达,用于其它医学成像模态。
在第四方面,本发明涉及一种用于提供用于对图像特征进行识别和分类的经过训练的函数的计算机实现的方法。在此,在第一步骤中,接收多个检查对象的医学训练图像数据。在第二步骤中,通过将用于对图像特征进行识别和分类的经过训练的函数应用于输入数据,来识别医学训练图像数据中的多个训练图像特征,并且将该多个训练图像特征,分类为特定于患者的训练图像特征和非特定于患者的训练图像特征。在此,输入数据基于医学训练图像数据。此外,在第三步骤中,基于分类的训练图像特征,来确定训练识别参数和训练诊断参数。在此,针对分类的训练图像特征中的每一个,和/或针对分类的训练图像特征的组合,确定相应的训练识别参数和相应的训练诊断参数。此外,在第四步骤中,针对每个检查对象,接收相应的比较识别参数和相应的比较诊断参数。在此,一个比较识别参数相应地包括关于检查对象中的一个的识别信息。此外,一个比较诊断参数相应地包括关于检查对象中的一个的诊断信息。在第五步骤中,基于训练识别参数与比较识别参数之间以及训练诊断参数与比较诊断参数之间的比较,来调整用于对图像特征进行识别和分类的经过训练的函数的至少一个参数。此外,在第六步骤中,提供用于对图像特征进行识别和分类的经过训练的函数。
接收多个检查对象的医学训练图像数据,特别是可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。此外,可以由用于记录医学训练图像数据的至少一个医学成像设备的提供单元,来提供医学训练图像数据。有利地,医学训练图像数据描绘多个检查对象、特别是多个不同的检查对象。附加地,医学训练图像数据可以描绘相应的检查对象的多个检查区域、特别是多个不同的检查区域。在此,可以有利地由一个和/或多个医学成像设备、特别是多个不同的医学成像设备,来记录医学训练图像数据。在此,特别是可以由具有不同的成像模态和/或成像方法的多个医学成像设备,来记录医学训练图像数据。
医学训练图像数据特别是可以具有关于用于提供分类的图像特征的计算机实现的方法所描述的医学图像数据的所有特性,反之亦然。特别是,医学训练图像数据可以是医学图像数据。此外,可以模拟医学训练图像数据。
通过将用于进行识别和分类的经过训练的函数,应用于基于医学训练图像数据的输入数据,可以有利地对医学训练图像数据中的多个训练图像特征进行识别。此外,可以将在此识别出的多个训练图像特征,分类为特定于患者的训练图像特征和非特定于患者的训练图像特征。
之后,可以针对分类的训练图像特征中的每一个,和/或针对分类的训练图像特征的组合,确定相应的训练识别参数和相应的训练诊断参数。在此,可以有利地通过将识别函数、例如生物测量和/或解剖识别函数应用于分类的训练图像特征,来确定训练识别参数。有利地,每个训练识别参数可以包括适合用于对多个检查对象中的一个进行识别的识别信息、例如生物测量参数。此外,例如可以通过确定分类的训练图像特征与解剖图集(Anatomieatlas)的偏差,和/或基于人工智能,来确定训练诊断参数。有利地,每个训练诊断参数可以分别包括关于相应的分类的训练图像特征和/或分类的训练图像特征的相应的组合的诊断信息。在此,诊断信息例如可以包括关于临床图像和/或关于相对于解剖结构、特别是健康的解剖结构的解剖结构偏差的概率信息和/或表达信息
此外,可以以半自动的方式,例如通过分类的训练图像特征的注释,来确定训练识别参数和训练诊断参数。特别是可以接收带注释的分类的训练图像特征。
接收关于每个检查对象的相应的一个比较识别参数和相应的一个比较诊断参数,特别是可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。
在此,比较识别参数可以有利地包括关于检查对象中的相应一个的识别信息。例如,识别信息可以包括关于相应的检查对象的生物测量信息和/或成像、特别是照相成像。此外,比较诊断参数可以有利地包括关于检查对象中的相应的一个的诊断信息。在此,诊断信息例如可以包括关于相应的检查对象的临床图像和/或关于相对于解剖结构、特别是健康的解剖结构的相应的检查对象的解剖结构偏差的概率信息和/或表达信息。
此外,可以基于训练识别参数与比较识别参数之间的比较,以及训练诊断参数与比较诊断参数之间的比较,来调整用于对图像特征进行识别和分类的经过训练的函数的至少一个参数。在此,特别是可以将每个训练识别参数与每个比较识别参数进行比较。此外,特别是可以将每个训练诊断参数与每个比较诊断参数进行比较。训练识别参数与比较识别参数之间的比较,和/或训练诊断参数与比较诊断参数之间的比较,可以有利地基于模式识别算法。
因为每个训练识别参数和每个训练诊断参数与分类的训练图像特征中的相应的一个和/或与分类的训练图像特征的一个组合对应,因此可以有利地通过训练识别参数与比较识别参数的比较,以及训练诊断参数与比较诊断参数的比较,来排除不能对检查对象中的一个进行识别和/或不能进行诊断支持的分类的训练图像特征。由此,可以有利地通过将用于对图像特征进行识别和分类的经过训练的函数应用于输入数据,来改善对训练图像特征的识别。
此外,可以有利地通过应用用于对图像特征进行识别和分类的经过训练的函数,特别是通过训练识别参数与比较识别参数的比较,来改善将训练图像特征分类为特定于患者的和非特定于患者的训练图像特征。
提供用于对图像特征进行识别和分类的经过训练的函数,特别是可以包括存储在计算机可读的存储介质上和/或传输到提供单元。
可以有利地利用所提出的用于提供用于对图像特征进行识别和分类的经过训练的函数的方法,来提供用于对图像特征进行识别和分类的经过训练的函数,其可以在用于提供分类的图像特征的计算机实现的方法中使用。
根据用于提供用于对特定于患者的图像特征进行分类的经过训练的函数的计算机实现的方法的另一个有利的实施方式,可以基于分类的训练图像特征,来确定至少一个训练记录参数。此外,可以接收关于多个检查对象的医学训练图像数据的至少一个比较记录参数。在此,比较记录参数可以有利地包括关于用于记录医学训练图像数据的医学成像设备的运行参数的信息和/或关于医学训练图像数据的记录几何结构的信息。在此,用于对图像特征进行识别和分类的经过训练的函数的至少一个参数,特别是可以附加地基于至少一个训练记录参数与至少一个比较记录参数的比较。由此,可以有利地将训练图像特征分类为如下的非特定于患者的训练图像特征,这些非特定于患者的训练图像特征由一个记录参数、特别是由在多个检查对象的医学训练图像数据内唯一的一个记录参数产生。
在第五方面,本发明涉及一种用于提供用于对特定于患者的图像特征进行分类的经过训练的函数的计算机实现的方法。在此,在第一步骤中,接收多个检查对象的医学训练图像数据。在第二步骤中,通过将所提出的用于提供分类的图像特征的计算机实现的方法应用于医学训练图像数据,来接收分类的训练图像特征。在此,提供分类的图像特征,来作为分类的训练图像特征,并且提供特定于患者的图像特征,来作为特定于患者的训练图像特征。在第三步骤中,通过将识别函数、特别是生物测量识别函数应用于特定于患者的训练图像特征,将特定于患者的训练图像特征,分类为表型表达的比较图像特征和非表型表达的比较图像特征。此外,在第四步骤中,通过将用于对特定于患者的图像特征进行分类的经过训练的函数应用于输入数据,将特定于患者的训练图像特征,分类为表型表达的特定于患者的训练图像特征和非表型表达的训练图像特征。在此,输入数据基于特定于患者的训练图像特征。
此外,在第五步骤中,基于表型表达的特定于患者的训练图像特征与表型表达的特定于患者的比较图像特征的比较,以及非表型表达的特定于患者的训练图像特征与非表型表达的特定于患者的比较图像特征的比较,来调整用于对特定于患者的图像特征进行分类的经过训练的函数的至少一个参数。在第六步骤中,提供用于对特定于患者的图像特征进行分类的经过训练的函数。
医学训练图像数据特别是可以具有关于用于提供用于对图像特征进行识别和分类的经过训练的函数的计算机实现的方法描述的医学训练图像数据的所有特性,反之亦然。特别是,医学训练图像数据可以是医学图像数据。
接收多个检查对象的医学训练图像数据,特别是可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。此外,可以由用于记录医学训练图像数据的至少一个医学成像设备的提供单元,来提供医学训练图像数据。此外,可以模拟医学训练图像数据。
与此类似,可以接收通过应用所提出的用于提供分类的图像特征的方法的实施方式而提供的分类的训练图像特征。在此,接收分类的训练图像特征可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。分类的训练图像特征特别是可以具有关于用于提供分类的图像特征的计算机实现的方法描述的分类的图像特征的所有特性,反之亦然。特别是,分类的训练图像特征可以是分类的图像特征。在此,接收的分类的训练图像特征优选可以包括特定于患者的和非特定于患者的训练图像特征。有利地,提供分类的图像特征,来作为分类的训练图像特征。在此,可以有利地提供特定于患者的图像特征,来作为特定于患者的训练图像特征。
可以有利地通过将识别函数、特别是生物测量识别函数,应用于特定于患者的训练图像特征,来将特定于患者的训练图像特征,分类为表型表达的特定于患者的比较图像特征和非表型表达的特定于患者的比较图像特征。有利地,对特定于患者的训练图像特征进行分类可以包括:将特定于患者的训练图像特征,区分和/或分组为表型表达的特定于患者的比较图像特征,和非表型表达的特定于患者的比较图像特征。此外,可以以半自动的方式,例如通过特定于患者的训练图像特征的注释,来对特定于患者的训练图像特征进行分类。特别是可以接收带注释的特定于患者的训练图像特征。
特别是可以通过针对每个特定于患者的训练图像特征,和/或针对特定于患者的训练图像特征的组合,将识别函数应用于特定于患者的训练图像特征,来确定对相应的特定于患者的训练图像特征的表型表达进行评估的概率值。在此,特别是可以基于医学训练图像数据,来考虑相应的特定于患者的训练图像特征的空间定位、例如空间位置和/或取向。此外,在对特定于患者的训练图像特征进行分类时,可以有利地考虑包围相应的特定于患者的训练图像特征的组织的组织参数、例如密度信息。特别是,可以将识别函数应用于特定于患者的训练图像特征,并且附加地应用于医学训练图像数据。
例如,可以通过将识别函数应用于特定于患者的训练图像特征,来模拟对相应的检查对象的外部观察。由此,可以应用例如从现有技术中已知的用于模式识别的算法和/或生物测量识别算法,特别是用于脸部识别的算法,和/或基于人工智能,通过模拟的对相应的检查对象的外部观察,来检测相应的特定于患者的训练图像特征。如果特别是可以通过模拟的对相应的检查对象的外部观察,检测到特定于患者的训练图像特征,那么可以通过识别函数,将特定于患者的训练图像特征,分类为表型表达的特定于患者的比较图像特征。特别是,通过应用识别函数对特定于患者的训练图像特征进行分类,可以包括将特定于患者的训练图像特征与表型表达的生物测量特征、特别是已知的表型表达的生物测量特征进行对照(Abgleich)。如果特定于患者的训练图像特征被识别为表型表达的生物测量特征,那么可以将该特定于患者的训练图像特征分类为表型表达的特定于患者的比较图像特征。
此外,与对通过对相应的检查对象的外部观察不能检测到的特定于患者的训练图像特征相比,可以对在特定情况下通过对相应的检查对象的外部观察可以检测到和/或可能可以检测到的特定于患者的训练图像特征,分配更高的概率值。例如,特别是仅通过借助照相机系统观察检查对象,特别是在特定的光波长范围内,可以检测到特定于患者的训练图像特征。此外,通过照相机系统可以检测到的特定于患者的训练图像特征,使得能够例如通过将人工智能应用于检测到的特定于患者的训练图像特征来识别出相应的检查对象。对此,识别函数可以对相应的特定于患者的训练图像特征分配高的概率值,从而可以将该特定于患者的训练图像特征,分类为表型表达的比较图像特征。
通过应用识别函数来对特定于患者的训练图像特征进行分类可以有利地基于与如下概率值有关的阈值,该概率值与相应的特定于患者的训练图像特征通过对相应的检查对象的外部观察的可检测性有关。
此外,可以有利地通过表型表达的特定于患者的训练图像特征与表型表达的特定于患者的比较图像特征的比较,以及非表型表达的特定于患者的训练图像特征与非表型表达的特定于患者的比较图像特征的比较,来改善通过应用用于对特定于患者的图像特征进行分类的经过训练的函数,将训练图像特征分类为表型表达的特定于患者的训练图像特征和非表型表达的特定于患者的训练图像特征。特别是,可以将每个表型表达的特定于患者的训练图像特征,与每个表型表达的和非表型表达的比较图像特征进行比较。此外,可以将每个非表型表达的特定于患者的训练图像特征,与每个表型表达的和非表型表达的比较图像特征进行比较。
提供用于对特定于患者的图像特征进行分类的经过训练的函数,特别是可以包括存储在计算机可读的存储介质上和/或传输到提供单元。
有利地,可以利用所提出的用于提供用于对特定于患者的图像特征进行分类的经过训练的函数的方法,来提供用于对特定于患者的图像特征进行分类的经过训练的函数,其可以在用于提供分类的图像特征的计算机实现的方法中使用。
在第六方面,本发明涉及一种用于提供用于产生综合医学图像数据的经过训练的函数的计算机实现的方法。在此,在第一步骤中,接收多个检查对象的医学训练图像数据。在第二步骤中,通过将所提出的用于提供分类的图像特征的计算机实现的方法,应用于医学训练图像数据,来接收分类的训练图像特征。在此,提供分类的图像特征,来作为分类的训练图像特征,并且提供特定于患者的图像特征,来作为特定于患者的训练图像特征。此外,在第三步骤中,通过将重建函数应用于特定于患者的训练图像特征,来产生综合医学比较图像数据。在第四步骤中,通过将用于产生综合医学图像数据的经过训练的函数,应用于输入数据,来产生综合医学训练图像数据。在此,输入数据基于特定于患者的训练图像特征。在第五步骤中,基于综合医学比较图像数据与综合医学训练图像数据的比较,来调整用于产生综合医学图像数据的经过训练的函数的至少一个参数。在第六步骤中,提供用于产生综合医学图像数据的经过训练的函数。
医学训练图像数据特别是可以具有关于用于提供用于对图像特征进行识别和分类的经过训练的函数的计算机实现的方法所描述的医学训练图像数据的所有特性,反之亦然。特别是,医学训练图像数据可以是医学图像数据。
接收多个检查对象的医学训练图像数据,特别是可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。此外,可以由用于记录医学训练图像数据的至少一个医学成像设备的提供单元,来提供医学训练图像数据。此外,可以模拟医学训练图像数据。
与此类似,可以接收通过应用所提出的用于提供分类的图像特征的方法的实施方式而提供的分类的训练图像特征。在此,接收分类的训练图像特征,可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。分类的训练图像特征特别是可以具有关于用于提供分类的图像特征的计算机实现的方法所描述的分类的图像特征的所有特性,反之亦然。特别是,分类的训练图像特征可以是分类的图像特征。在此,接收的分类的训练图像特征优选可以包括特定于患者的和非特定于患者的训练图像特征。有利地,提供分类的图像特征,来作为分类的训练图像特征。在此,可以有利地提供特定于患者的图像特征,来作为特定于患者的训练图像特征。
可以有利地通过将重建函数应用于特定于患者的训练图像特征,来产生、特别是重建综合医学比较图像数据。在此,重建函数有利地可以被构造为用于,基于特定于患者的训练图像特征,产生综合医学比较图像数据。有利地,关于每个检查对象的综合医学比较图像数据可以分别包括综合医学比较单图像。在此,综合医学比较单图像例如可以是二维和/或三维的。在此,综合医学比较单图像可以有利地包括对相应的检查对象的检查区域的至少一个片段的成像、特别是二维的和/或三维的成像。
此外,重建函数可以包括变换规则、例如用于傅里叶变换和/或Radon变换的变换规则,和/或用于重建综合医学比较图像数据的内插规则和/或外推规则。有利地,重建函数可以包括用于基于不完整的输入数据、特别是特定于患者的训练图像特征进行重建的规则。此外,通过应用重建函数来产生综合医学比较图像数据,可以包括特别是基于解剖结构信息和/或记录参数对特定于患者的训练图像特征的内插和/或外推和/或变换。此外,可以附加地基于用于记录医学训练图像数据的医学成像设备或另外的医学成像设备的至少一个记录参数,来产生综合医学比较图像数据。
有利地,综合医学比较图像数据具有所有特定于患者的训练图像特征。在此,综合医学比较图像数据可以有利地在其图像特性方面,例如在对比度和/或大小和/或图像几何结构方面,对应于接收到的医学训练图像数据。
有利地,可以通过与综合医学比较图像数据进行比较,来改善通过将用于产生综合医学图像数据的经过训练的函数应用于输入数据而产生的综合医学训练图像数据,输入数据基于特定于患者的训练图像特征。有利地,针对每个检查对象的综合医学训练图像数据可以分别包括综合医学训练单图像。在此,综合医学训练单图像例如可以是二维和/或三维的。此外,可以逐图像点地、特别是逐像素和/或逐体素地进行综合医学训练图像数据与综合医学比较图像数据之间的比较。此外,可以相应地在对应于共同的检查对象的综合医学比较单图像和综合医学训练单图像之间进行比较。
提供用于产生综合医学图像数据的经过训练的函数,特别是可以包括存储在计算机可读的存储介质上和/或传输到提供单元。
有利地,可以利用所提出的用于提供用于产生综合医学图像数据的经过训练的函数的方法,来提供用于产生综合医学图像数据的经过训练的函数,该函数可以在用于提供综合医学图像数据的计算机实现的方法中使用。
在第七方面,本发明涉及一种用于提供用于产生综合医学图像数据的另一个经过训练的函数的计算机实现的方法。在此,在第一步骤中,接收多个检查对象的医学训练图像数据。此外,在第二步骤中,通过将所提出的用于提供分类的图像特征的计算机实现的方法,应用于医学训练图像数据,来接收分类的训练图像特征。在此,提供分类的图像特征,来作为分类的训练图像特征,提供非特定于患者的图像特征,来作为非特定于患者的训练图像特征,和/或提供非表型表达的特定于患者的图像特征,来作为非表型表达的训练图像特征。此外,在第三步骤中,通过将重建函数应用于非表型表达的特定于患者的训练图像特征和/或非特定于患者的训练图像特征,来产生综合医学比较图像数据。
此外,在第四步骤中,通过将用于产生综合医学图像数据的另一个经过训练的函数,应用于输入数据,来产生综合医学训练图像数据。在此,输入数据基于非表型表达的特定于患者的训练图像特征和/或非特定于患者的训练图像特征。在第五步骤中,基于综合医学比较图像数据与综合医学训练图像数据的比较,来调整用于产生综合医学图像数据的另一个经过训练的函数的至少一个参数。在第六步骤中,提供用于产生综合医学图像数据的另一个经过训练的函数。
医学训练图像数据特别是可以具有关于用于提供用于对图像特征进行识别和分类的经过训练的函数的计算机实现的方法所描述的医学训练图像数据的所有特性,反之亦然。
接收多个检查对象的医学训练图像数据,特别是可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。此外,可以由用于记录医学训练图像数据的至少一个医学成像设备的提供单元,来提供医学训练图像数据。此外,可以模拟医学训练图像数据。
与此类似,可以接收通过应用所提出的用于提供分类的图像特征的方法的实施方式而提供的分类的训练图像特征。在此,接收分类的训练图像特征,可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。分类的训练图像特征特别是可以具有关于用于提供分类的图像特征的计算机实现的方法所描述的分类的图像特征的所有特性,反之亦然。此外,分类的训练图像特征可以具有关于用于提供分类的特定于患者的图像特征的计算机实现的方法所描述的分类的特定于患者的图像特征的所有特性,反之亦然。
此外,分类的训练图像特征可以是分类的图像特征。在此,接收的分类的训练图像特征优选可以包括特定于患者的和非特定于患者的训练图像特征。有利地,提供分类的图像特征,来作为分类的训练图像特征。在此,可以有利地提供特定于患者的图像特征,来作为特定于患者的训练图像特征。此外,特定于患者的图像特征可以分类为表型表达的特定于患者的图像特征和非表型表达的特定于患者的图像特征。在此,可以提供非表型表达的特定于患者的图像特征,来作为非表型表达的特定于患者的训练图像特征。
有利地,可以通过将重建函数应用于非表型的特定于患者的训练图像特征,来产生、特别是重建综合医学比较图像数据。在此,重建函数可以有利地被构造为用于,基于非特定于患者的训练图像特征,和/或非表型表达的训练图像特征,产生综合医学比较图像数据。有利地,针对每个检查对象的综合医学比较图像数据可以分别包括综合医学比较单图像。在此,综合医学比较单图像例如可以是二维和/或三维的。在此,综合医学比较单图像可以有利地包括对相应的检查对象的检查区域的至少一个片段的成像、特别是二维的和/或三维的成像。
此外,重建函数可以包括变换规则、例如用于傅里叶变换和/或Radon变换的变换规则,和/或用于重建综合医学比较图像数据的内插规则和/或外推规则。有利地,重建函数可以包括用于基于不完整的输入数据、特别是非特定于患者的训练图像特征和/或非表型表达的特定于患者的训练图像特征进行重建的规则。此外,通过应用重建函数来产生综合医学比较图像数据,可以包括特别是基于解剖结构信息和/或记录参数对非特定于患者的训练图像特征和/或非表型表达的特定于患者的训练图像特征的内插和/或外推和/或变换。此外,可以附加地基于用于记录医学训练图像数据的医学成像设备或另外的医学成像设备的至少一个记录参数,来产生综合医学比较图像数据。
有利地,综合医学比较图像数据具有所有非特定于患者的训练图像特征和/或所有非表型表达的特定于患者的训练图像特征。在此,综合医学比较图像数据可以有利地在其图像特性方面,例如在对比度和/或大小和/或图像几何结构方面,对应于接收到的医学训练图像数据。
有利地,可以通过与综合医学比较图像数据进行比较,来改善通过将用于产生综合医学图像数据的另一个经过训练的函数应用于输入数据而产生的综合医学训练图像数据,输入数据基于非特定于患者的训练图像特征和/或非表型表达的特定于患者的训练图像特征。有利地,针对每个检查对象的综合医学训练图像数据可以分别包括综合医学训练单图像。在此,综合医学训练单图像例如可以是二维和/或三维的。此外,可以逐图像点地、特别是逐像素和/或逐体素地进行综合医学训练图像数据与综合医学比较图像数据之间的比较。此外,可以相应地在对应于共同的检查对象的综合医学比较单图像和综合医学训练单图像之间进行比较。
提供用于产生综合医学图像数据的另一个经过训练的函数,特别是可以包括存储在计算机可读的存储介质上和/或传输到提供单元。
有利地,可以利用所提出的用于提供用于产生综合医学图像数据的另一个经过训练的函数的方法,来提供用于产生综合医学图像数据的另一个经过训练的函数,该另一个经过训练的函数可以在用于提供综合医学图像数据的计算机实现的方法中使用。
在第八方面,本发明涉及一种用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数的计算机实现的方法。在此,在第一步骤中,接收多个检查对象的医学训练图像数据。此外,通过将所提出的用于提供综合医学图像数据的计算机实现的方法,应用于医学训练图像数据,来接收综合医学训练图像数据。在此,提供综合医学图像数据,来作为综合医学训练图像数据,并且提供特定于患者的图像特征,来作为特定于患者的训练图像特征。在第二步骤中,通过将另一个识别函数、特别是生物测量识别函数,应用于特定于患者的训练图像特征和综合医学训练图像数据,来将特定于患者的训练图像特征,分类为表型表达的特定于患者的比较图像特征和非表型表达的特定于患者的比较图像特征。在第三步骤中,通过将用于对特定于患者的图像特征进行分类的另一个经过训练的函数应用于输入数据,将特定于患者的训练图像特征,分类为表型表达的特定于患者的训练图像特征和非表型表达的训练图像特征。在此,输入数据基于特定于患者的训练图像特征和综合医学训练图像数据。在第四步骤中,基于表型表达的特定于患者的训练图像特征与表型表达的特定于患者的比较图像特征的比较,以及非表型表达的特定于患者的训练图像特征与非表型表达的特定于患者的比较图像特征的比较,来调整用于对特定于患者的图像特征进行分类的另一个经过训练的函数的至少一个参数。在第五步骤中,提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数。
医学训练图像数据特别是可以具有关于用于提供用于对图像特征进行识别和分类的经过训练的函数的计算机实现的方法所描述的医学训练图像数据的所有特性,反之亦然。特别是,医学训练图像数据可以是医学图像数据。
接收多个检查对象的医学训练图像数据,特别是可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。此外,可以由用于记录医学训练图像数据的至少一个医学成像设备的提供单元,来提供医学训练图像数据。此外,可以模拟医学训练图像数据。
与此类似,可以接收通过将所提出的用于提供综合医学图像数据的方法的实施方式应用于医学训练图像数据而提供的综合医学训练图像数据。在此,接收综合医学训练图像数据,可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。特别是,综合医学训练图像数据可以具有关于用于提供综合医学图像数据的计算机实现的方法所描述的综合医学图像数据的所有特性,反之亦然。特别是,综合医学训练图像数据可以是综合医学图像数据。有利地,针对多个检查对象中的每一个的综合医学训练图像数据可以分别可以包括训练单图像、特别是二维的和/或三维的训练单图像。
此外,可以提供在应用所提出的用于提供综合医学图像数据的方法时接收的分类的图像特征,来作为分类的训练图像特征。在此,分类的训练图像特征优选可以包括特定于患者的和非特定于患者的训练图像特征。此外,可以有利地提供特定于患者的图像特征,来作为特定于患者的训练图像特征。
有利地,可以通过将另一个识别函数、特别是生物测量识别函数,应用于特定于患者的训练图像特征和综合医学训练图像数据,来将特定于患者的训练图像特征,分类为表型表达的特定于患者的比较图像特征和非表型表达的特定于患者的比较图像特征。有利地,对特定于患者的训练图像特征进行分类,可以包括将特定于患者的训练图像特征,区分和/或分组为表型表达的特定于患者的比较图像特征和非表型表达的特定于患者的比较图像特征。此外,可以以半自动的方式,例如通过特定于患者的训练图像特征的注释,来对特定于患者的训练图像特征进行分类。特别是,可以接收带注释的特定于患者的训练图像特征。在此,特别是可以有利地通过外部观察,来评估综合医学训练图像数据中的特定于患者的训练图像特征的表型表达。
特别是,可以通过针对每个特定于患者的训练图像特征,和/或针对特定于患者的训练图像特征的组合,将另一个识别函数应用于特定于患者的训练图像特征和综合医学训练图像数据,来确定对综合医学训练图像数据中的相应的特定于患者的训练图像特征的表型表达进行评估的概率值。在此,特别是可以考虑综合医学训练图像数据中的相应的特定于患者的训练图像特征的空间定位、例如空间位置和/或取向。此外,在对特定于患者的训练图像特征进行分类时,可以有利地考虑包围相应的特定于患者的训练图像特征的组织的组织参数、例如密度信息。
例如,可以通过将另一个识别函数应用于特定于患者的训练图像特征和综合医学训练图像数据,来模拟对相应的检查对象的外部观察。由此,例如可以在综合医学训练图像数据的训练单图像中,应用从现有技术中已知的用于模式识别的算法和/或生物测量识别算法,特别是用于脸部识别和/或基于人工智能的生物测量识别算法,通过模拟的对相应的检查对象的外部观察,来检测相应的特定于患者的训练图像特征。如果在综合医学训练图像数据中,特别是可以通过模拟的对相应的检查对象的外部观察,检测到特定于患者的训练图像特征,那么可以通过该另一个识别函数,将该特定于患者的训练图像特征,分类为表型表达的特定于患者的比较图像特征。
通过应用另一个识别函数来对特定于患者的训练图像特征进行分类,可以有利地基于与如下概率值有关的阈值,该概率值与相应的特定于患者的训练图像特征通过对综合医学训练图像数据的外部观察的可检测性有关。
此外,可以有利地通过表型表达的特定于患者的训练图像特征与表型表达的特定于患者的比较图像特征的比较,以及非表型表达的特定于患者的训练图像特征与非表型表达的特定于患者的比较图像特征的比较,来改善通过应用用于对特定于患者的图像特征进行分类的另一个经过训练的函数,将训练图像特征分类为表型表达的特定于患者的训练图像特征和非表型表达的特定于患者的训练图像特征。特别是,可以将每个表型表达的特定于患者的训练图像特征,与每个表型表达的和非表型表达的比较图像特征进行比较。此外,可以将每个非表型表达的特定于患者的训练图像特征,与每个表型表达的和非表型表达的比较图像特征进行比较。
提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数,特别是可以包括存储在计算机可读的存储介质上和/或传输到提供单元。
有利地,可以利用所提出的用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数的方法,来提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数,该函数可以在用于提供分类的图像特征的计算机实现的方法中使用。
在第九方面,本发明涉及一种用于提供分类的图像特征的提供单元,其包括计算单元和接口。在此,接口被构造为用于接收医学图像数据。此外,计算单元被构造为用于,通过将用于对图像特征进行识别和分类的经过训练的函数应用于输入数据,来识别医学图像数据中的多个图像特征,并且将该多个图像特征,分类为特定于患者的图像特征和非特定于患者的图像特征。在此,输入数据基于医学图像数据。此外,用于对图像特征进行识别和分类的经过训练的函数的至少一个参数,基于训练识别参数与比较识别参数的比较以及训练诊断参数与比较诊断参数的比较。此外,接口被构造为用于提供分类的图像特征。
用于提供分类的图像特征的这种提供单元,特别是可以被构造为用于实施前面描述的根据本发明的用于提供分类的图像特征的方法和其各方面。通过接口和计算单元被构造为实施相应的方法步骤,用于提供分类的图像特征的提供单元被构造为用于实施这些方法和其各方面。
所提出的用于提供分类的图像特征的提供单元的优点,基本上对应于所提出的用于提供分类的图像特征的计算机实现的方法的优点。在此提到的特征、优点或替换实施方式同样也可以转用于所要求保护的其它主题,反之亦然。
在第十方面,本发明涉及一种用于提供综合医学图像数据的提供单元,其包括计算单元和接口。在此,接口被构造为用于接收医学图像数据。此外,接口被构造为用于,通过将所提出的用于提供分类的图像特征的计算机实现的方法,应用于医学图像数据,来接收分类的图像特征。此外,计算单元被构造为用于,通过将用于产生综合医学图像数据的经过训练的函数应用于输入数据,来产生综合医学图像数据。在此,输入数据基于特定于患者的图像特征。此外,用于产生综合医学图像数据的经过训练的函数的至少一个参数,基于综合医学训练图像数据与综合医学比较图像数据的比较。此外,接口被构造为用于提供综合医学图像数据。
用于提供综合医学图像数据的这种提供单元,特别是可以被构造为用于实施前面描述的根据本发明的用于提供综合医学图像数据的方法和其各方面。通过接口和计算单元被构造为实施相应的方法步骤,用于提供综合医学图像数据的提供单元被构造为用于实施这些方法和其各方面。
所提出的用于提供综合医学图像数据的提供单元的优点,基本上对应于所提出的用于提供综合医学图像数据的计算机实现的方法的优点。在此提到的特征、优点或替换实施方式同样也可以转用于所要求保护的其它主题,反之亦然。
在第十一方面,本发明涉及一种医学成像设备,其包括所提出的用于提供分类的图像特征和/或用于提供综合医学图像数据的提供单元。在此,医学成像设备,特别是所提出的提供单元,被构造为用于实施所提出的用于提供分类的图像特征和/或用于提供综合医学图像数据的计算机实现的方法。在此,医学成像设备例如可以构造为医学X射线设备、特别是C形臂X射线设备和/或计算机断层成像设备(CT)和/或磁共振设备(MRT)和/或超声波检查设备。此外,医学成像设备可以被构造为用于记录和/或接收和/或提供医学图像数据。
医学成像设备特别是可以包括显示单元、例如显示器和/或监视器,其被构造为用于显示医学成像设备和/或提供单元和/或其它部件的信息和/或信息的图形显示。特别是,显示单元可以被构造为用于显示医学图像数据和/或分类的图像特征和/或综合医学图像数据的图形显示。
所提出的医学成像设备的优点,基本上对应于所提出的用于提供分类的图像特征和/或用于提供综合医学图像数据的计算机实现的方法的优点。在此提到的特征、优点或替换实施方式同样也可以转用于所要求保护的其它主题,反之亦然。
在第十二方面,本发明涉及一种训练单元,其被构造为用于实施前面描述的根据本发明的计算机实现的方法和其各方面,这些计算机实现的方法用于提供用于对图像特征进行识别和分类的经过训练的函数,和/或用于提供用于对特定于患者的图像特征进行分类的经过训练的函数,和/或用于提供用于产生综合医学图像数据的经过训练的函数,和/或用于提供用于产生综合医学图像数据的另一个经过训练的函数,和/或用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数。训练单元有利地包括训练接口和训练计算单元。通过训练接口和训练计算单元被构造为用于实施相应的方法步骤,训练单元被构造为用于实施这些方法和其各方面。特别是,训练接口可以被构造为用于接收医学训练图像数据和/或分类的训练图像特征和/或综合医学训练图像数据。此外,训练接口可以被构造为用于提供经过训练的函数。
在第十三方面,本发明涉及一种具有计算机程序的计算机程序产品,计算机程序可以直接加载到提供单元的存储器中,计算机程序具有程序段,用于在由提供单元执行程序段时,实施用于提供分类的图像特征和/或用于提供综合医学图像数据的计算机实现的方法的所有步骤;和/或计算机程序可以直接加载到训练单元的训练存储器中,计算机程序具有程序段,用于在由训练单元执行程序段时,实施所提出的用于提供用于对图像特征进行识别和分类的经过训练的函数、和/或用于提供用于对特定于患者的图像特征进行分类的经过训练的函数、和/或用于提供用于产生综合医学图像数据的经过训练的函数、和/或用于提供用于产生综合医学图像数据的另一个经过训练的函数、和/或用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数的方法和/或其各方面中的一个的所有步骤。
在第十四方面,本发明涉及一种计算机可读的存储介质,在计算机可读的存储介质上存储有提供单元能够读取并且能够执行的程序段,用于在由提供单元执行程序段时,实施用于提供分类的图像特征和/或用于提供综合医学图像数据的计算机实现的方法的所有步骤;和/或在计算机可读的存储介质上存储有训练单元能够读取并且能够执行的程序段,用于在由训练单元执行程序段时,实施用于提供用于对图像特征进行识别和分类的经过训练的函数、和/或用于提供用于对特定于患者的图像特征进行分类的经过训练的函数、和/或用于提供用于产生综合医学图像数据的经过训练的函数、和/或用于提供用于产生综合医学图像数据的另一个经过训练的函数、和/或用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数的方法和/或其各方面中的一个的所有步骤。
在第十五方面,本发明涉及一种计算机程序或计算机可读的存储介质,其包括用于对图像特征进行识别和分类和/或用于对特定于患者的图像特征进行分类和/或用于产生综合医学图像数据的经过训练的函数,和/或用于产生综合医学图像数据和/或用于对特定于患者的图像特征进行分类的另一个经过训练的函数,经过训练的函数和该另一个经过训练的函数通过所提出的计算机实现的方法或其各方面中的一个来提供。
尽可能以软件方式实现具有以下优点,即,也可以通过软件更新,以简单的方式改装迄今为止已经使用的提供单元和/或训练单元,以使其以根据本发明的方式工作。必要时,除了计算机程序之外,这种计算机程序产品还可以包括附加的组成部分、例如文档和/或附加的部件以及硬件部件、例如用于软件的使用的硬件密钥(加密狗(Dongle)等)。
附图说明
在附图中示出了本发明的实施例,并且下面进行详细描述。在不同的附图中,对于相同的特征,使用相同的附图标记。
图1和2示出了所提出的用于提供分类的图像特征的计算机实现的方法的不同的实施方式的示意图,
图3和4示出了所提出的用于产生综合医学图像数据的方法的不同的实施方式的示意图,
图5示出了所提出的用于提供分类的图像特征的计算机实现的方法的另一个实施方式的示意图,
图6示出了所提出的用于提供用于对图像特征进行识别和分类的经过训练的函数的计算机实现的方法的一个实施方式的示意图,
图7示出了所提出的用于提供用于对特定于患者的图像特征进行分类的经过训练的函数的计算机实现的方法的一个实施方式的示意图,
图8示出了所提出的用于提供用于产生综合医学图像数据的经过训练的函数的计算机实现的方法的一个实施方式的示意图,
图9示出了所提出的用于提供用于产生综合医学图像数据的另一个经过训练的函数的计算机实现的方法的一个实施方式的示意图,
图10示出了所提出的用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数的计算机实现的方法的一个实施方式的示意图,
图11示出了所提出的提供单元的示意图,
图12示出了所提出的训练单元的示意图,
图13示出了示例性地用于所提出的医学成像设备的医学C形臂X射线设备的示意图。
具体实施方式
在图1中示意性地示出了所提出的用于提供分类的图像特征的计算机实现的方法的一个实施方式。在此,可以在第一步骤REC-BD中接收医学图像数据BD。通过将用于对图像特征进行识别和分类的经过训练的函数TF-IDCL-BM,应用于基于医学图像数据BD的输入数据,可以识别医学图像数据BD中的多个图像特征。此外,在此,可以将该多个图像特征,分类为特定于患者的图像特征pBM和非特定于患者的图像特征uBM。有利地,用于对图像特征进行识别和分类的经过训练的函数TF-IDCL-BM的至少一个参数,可以基于训练识别参数与比较识别参数的比较以及训练诊断参数与比较诊断参数的比较。可以在另一个步骤PROV-BM中提供分类的图像特征pBM和uBM。
在图2中示意性地示出了所提出的用于提供分类的图像特征的计算机实现的方法的另一个实施方式。在此,通过将用于对特定于患者的图像特征TF-CL-pBM进行分类的经过训练的函数,应用于基于特定于患者的图像特征pBM的输入数据,可以将特定于患者的图像特征pBM,分类为表型表达的特定于患者的图像特征paBM和非表型表达的特定于患者的图像特征naBM。在此,用于对特定于患者的图像特征TF-CL-pBM进行分类的经过训练的函数的至少一个参数,可以基于表型表达的特定于患者的训练图像特征与表型表达的特定于患者的比较图像特征的比较,以及非表型表达的训练图像特征和非表型表达的比较图像特征的比较。可以在另一个步骤PROV-pBM中提供分类的特定于患者的图像特征paBM和naBM。
在图3中示意性地示出了所提出的用于产生综合医学图像数据的计算机实现的方法的一个实施方式。在此,可以在第一步骤REC-BD中接收医学图像数据BD。此外,可以在第二步骤REC-BM中,通过将所提出的用于提供分类的图像特征的计算机实现的方法,应用于医学图像数据BD,来接收分类的图像特征pBM和uBM。在接下来的步骤中,可以通过将用于产生综合医学图像数据的经过训练的函数TF-SBD,应用于输入数据,来产生综合医学图像数据SBD。在此,输入数据可以有利地基于特定于患者的图像特征pBM。此外,用于产生综合医学图像数据的经过训练的函数TF-SBD的至少一个参数,可以基于综合医学训练图像数据和综合医学比较图像数据的比较。可以在另一个步骤PROV-SBD中提供综合医学图像数据SBD。
在图4中示意性地示出了所提出的用于产生综合医学图像数据的计算机实现的方法的另一个实施方式。在此,可以在第一步骤REC-BD中接收医学图像数据BD。此外,可以通过将所提出的用于提供分类的图像特征的计算机实现的方法,应用于医学图像数据,来接收REC-BM分类的图像特征。在此,可以将接收到的分类的图像特征,分类为特定于患者的图像特征pBM和非特定于患者的图像特征uBM。此外,特定于患者的图像特征pBM可以构造为表型表达的特定于患者的图像特征paBM和非表型表达的特定于患者的图像特征naBM。
在另一个步骤中,可以通过将用于产生综合医学图像数据的另一个经过训练的函数TF2-SBD应用于输入数据,来产生综合医学图像数据SBD。在此,输入数据可以有利地基于非特定于患者的图像特征uBM和非表型表达的特定于患者的图像特征naBM。此外,用于产生综合医学图像数据的另一个经过训练的函数TF2-SBD的至少一个参数,可以基于综合医学训练图像数据和综合医学比较图像数据的比较。可以在另一个步骤PROV-SBD中提供综合医学图像数据SBD。
在图5中示意性地示出了所提出的用于提供分类的图像特征的计算机实现的方法的另一个实施方式。在此,可以在另一个步骤REC-SBD中,通过将所提出的用于产生综合医学图像数据的计算机实现的方法,应用于医学图像数据BD,来接收综合医学图像数据SBD。此外,可以通过将用于对特定于患者的图像特征进行分类的另一个经过训练的函数TF2-CL-BM,应用于输入数据,来将特定于患者的图像特征pBM,分类为表型表达的特定于患者的图像特征paBM和非表型表达的特定于患者的图像特征naBM。在此,输入数据可以有利地基于特定于患者的图像特征pBM和综合医学图像数据SBD。此外,用于对特定于患者的图像特征TF2-CL-BM进行分类的另一个经过训练的函数的至少一个参数,可以基于表型表达的特定于患者的训练图像特征与表型表达的特定于患者的比较图像特征的比较,以及非表型表达的训练图像特征与非表型表达的比较图像特征的比较。可以在另一个步骤PROV-pBM中提供分类的特定于患者的图像特征paBM和naBM。
在图6中示意性地示出了所提出的用于提供用于对图像特征进行识别和分类的经过训练的函数TF-IDCL-BM的计算机实现的方法的一个实施方式。在此,可以在第一步骤REC-TBD中接收多个检查对象的医学训练图像数据TBD。在第二步骤中,可以通过将用于对图像特征进行识别和分类的经过训练的函数TF-IDCL-BM应用于输入数据,来对医学训练图像数据TBD中的多个训练图像特征进行识别和分类。在此,输入数据可以基于医学训练图形数据TBD。此外,可以有利地将该多个图像特征,分类为特定于患者的训练图像特征pTBM和非特定于患者的训练图像特征uTBM。之后,可以针对分类的训练图像特征pBM、uBM中的每一个,和/或针对分类的训练图像特征pBM、uBM的组合,分别确定DET-IDDIAGP训练识别参数TIDP-pTBM、TIDP-uTBM,并且分别确定DET-IDDIAGP训练诊断参数TDIAGP-pTBM、TDIAGP-uTBM。
此外,可以分别针对每个检查对象,接收REC-VIDDIAGP比较识别参数VIDP和比较诊断参数VDIAGP。在此,比较识别参数VIDP可以相应地包括关于检查对象中的一个的识别信息。此外,比较诊断参数VDIAGP可以相应地包括关于检查对象中的一个的诊断信息。
在另一个步骤ADJ-TF-IDCL-BM中,可以基于训练识别参数TIDP-pTBM、TIDP-uTBM与比较识别参数VIDP之间的比较,以及训练诊断参数TDIAGP-pTBM、TDIAGP-uTBM与比较诊断参数VDIAGP之间的比较,来调整用于对图像特征进行识别和分类的经过训练的函数TF-IDCL-BM的至少一个参数。之后,可以提供PROV-TF-IDCL-BM用于对图像特征进行识别和分类的经过训练的函数TF-IDCL-BM。
在图7中示意性地示出了所提出的用于提供用于对特定于患者的图像特征进行分类的经过训练的函数TF-CL-pBM的计算机实现的方法的一个实施方式。在此,可以在第一步骤REC-TBD中接收多个检查对象的医学训练图像数据TBD。此外,可以通过将所提出的用于提供分类的图像特征的计算机实现的方法,应用于医学训练图像数据TBD,来接收REC-TBM分类的训练图像特征pTBM和uTBM。在此,可以提供分类的图像特征uBM和pBM,来作为分类的训练图像特征uTBM和pTBM。之后,通过将识别函数CL-pTBM、特别是生物测量识别函数,应用于特定于患者的训练图像特征pTBM,可以将特定于患者的训练图像特征pTBM,分类为表型表达的特定于患者的比较图像特征paVBM和非表型表达的特定于患者的比较图像特征naVBM。此外,可以通过将用于对特定于患者的图像特征进行分类的经过训练的函数TF-CL-pBM应用于输入数据,将特定于患者的训练图像特征pTBM,分类为表型表达的特定于患者的训练图像特征paTBM和非表型表达的特定于患者的训练图像特征naTBM。在此,输入数据可以有利地基于特定于患者的训练图像特征pTBM。
在另一个步骤ADJ-TF-CL-BM中,可以基于表型表达的特定于患者的训练图像特征paTBM与表型表达的特定于患者的比较图像特征paVBM的比较,以及非表型表达的特定于患者的训练图像特征naTBM和非表型表达的特定于患者的比较图像特征naVBM之间的比较,来调整用于对特定于患者的图像特征进行分类的经过训练的函数TF-CL-pBM的至少一个参数。之后,可以提供PROV-TF-CL-pBM用于对特定于患者的图像特征进行分类的经过训练的函数TF-CL-pBM。
在图8中示意性地示出了所提出的用于提供用于产生综合医学图像数据的经过训练的函数TF-SBD的计算机实现的方法的一个实施方式。在此,可以在第一步骤REC-TBD中接收多个检查对象的医学训练图像数据TBD。在第二步骤REC-TBM中,可以通过将所提出的用于提供分类的图像特征的计算机实现的方法,应用于训练图像数据TBD,来接收分类的训练图像特征pTBM和uTBM。在此,可以提供分类的图像特征pBM和uBM,来作为分类的训练图像特征pTBM和uTBM。在第三步骤中,可以通过将重建函数应用于特定于患者的训练图像特征pTBM,来产生GEN-SVBD综合医学比较图像数据SVBD。此外,可以通过将用于产生综合医学图像数据的经过训练的函数TF-SBD,应用于基于特定于患者的训练图像特征pTBM的输入数据,来产生综合医学训练图像数据STBD。之后,可以基于综合医学比较图像数据SVBD与综合医学训练图像数据STBD的比较,来调整ADJ-TF-SBD用于产生综合医学图像数据的经过训练的函数TF-SBD的至少一个参数。可以在另一个步骤PROV-TF-SBD中提供用于产生综合医学图像数据的经过训练的函数TF-SBD。
在图9中示意性地示出了所提出的用于提供用于产生综合医学图像数据的另一个经过训练的函数TF2-SBD的计算机实现的方法的一个实施方式。在此,可以在第一步骤REC-TBD中接收多个检查对象的医学训练图像数据TBD。此外,在第二步骤REC-TBM中,可以通过将所提出的用于提供分类的图像特征的计算机实现的方法,应用于医学训练图像数据TBD,来接收分类的训练图像特征。在此,可以提供分类的图像特征pBM和uBM,来作为分类的训练图像特征pTBM和uTBM。此外,可以提供表型表达的特定于患者的图像特征paBM,来作为表型表达的特定于患者的训练图像特征paTBM。与此类似,可以提供非表型表达的特定于患者的图像特征naBM,来作为非表型表达的特定于患者的训练图像特征naTBM。
在另一个步骤GEN-SVBD中,可以通过将另一个重建函数应用于非特定于患者的训练图像特征uTBM和非表型表达的特定于患者的训练图像特征naTBM,来产生综合医学比较图像数据SVBD。此外,可以通过将用于产生综合医学图像数据的另一个经过训练的函数TF2-SBD,应用于基于非特定于患者的训练图像特征uTBM和非表型表达的特定于患者的训练图像特征naTBM的输入数据,来产生综合医学训练图像数据STBD。之后,可以基于综合医学训练图像数据STBD与综合医学比较图像数据SVBD的比较,来调整用于产生综合医学图像数据的另一个经过训练的函数TF2-SBD的至少一个参数。可以在另一个步骤PROV-TF2-SBD中,提供用于产生综合医学图像数据的另一个经过训练的函数TF2-SBD。
在图10中示意性地示出了所提出的用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数TF2-CL-pBM的计算机实现的方法的一个实施方式。在此,可以在第一步骤REC-BD中接收多个检查对象的医学训练图像数据TBD。在第二步骤REC-STBD中,可以通过将所提出的用于产生综合医学图像数据的计算机实现的方法,应用于医学训练图像数据TBD,特别是应用于特定于患者的训练图像特征pTBM,来接收综合医学训练图像数据SBD。在此,可以提供综合医学图像数据SBD,来作为综合医学训练图像数据STBD,并且可以提供特定于患者的图像特征pBM,来作为特定于患者的训练图像特征pTBM。在第三步骤中,可以通过将另一个识别函数CL2-pTBM、特别是生物测量识别函数,应用于特定于患者的训练图像特征pTBM和综合医学训练图像数据STBD,将特定于患者的训练图像特征pTBM,分类为表型表达的特定于患者的比较图像特征paVBM和非表型表达的特定于患者的比较图像特征naVBM。此外,可以通过将用于对特定于患者的图像特征进行分类的另一个经过训练的函数TF2-CL-pBM应用于输入数据,将特定于患者的训练图像特征pTBM,分类为表型表达的特定于患者的训练图像特征paTBM和非表型表达的特定于患者的训练图像特征naTBM。在此,输入数据可以有利地基于特定于患者的训练图像特征pTBM和综合医学训练图像数据STBD。
之后,可以基于表型表达的特定于患者的训练图像特征paTBM与表型表达的特定于患者的比较图像特征paVBM的比较,以及非表型表达的特定于患者的训练图像特征naTBM与非表型表达的特定于患者的比较图像特征naVBM之间的比较,来调整ADJ-TF2-CL-pBM用于对特定于患者的图像特征进行分类的另一个经过训练的函数TF2-CL-pBM的至少一个参数。可以在另一个步骤PROV-TF2-CL-pBM中,提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数TF2-CL-pBM。
图11示出了提供单元PRVS,其包括接口IF、计算单元CU和存储单元MU。在此,提供单元PRVS可以被构造为用于提供分类的图像特征PROV-BM和/或PROV-pBM。在此,接口IF可以被构造为用于接收医学图像数据BM。此外,计算单元CU可以被构造为用于,识别医学图像数据BD中的多个图像特征,并且通过将用于对图像特征进行识别和分类的经过训练的函数TF-IDCL-BM应用于输入数据,来将多个图像特征,分类为特定于患者的图像特征pBM和非特定于患者的图像特征uBM。在此,输入数据可以基于医学图像数据BD。此外,接口IF可以被构造为用于提供分类的图像特征PROV-BM和/或PROV-pBM。
用于提供分类的图像特征PROV-BM和/或PROV-pBM的这种提供单元PRVS,特别是可以被构造为用于实施前面描述的根据本发明的用于提供分类的图像特征的方法和其各方面。通过接口IF和计算单元CU被构造为用于实施相应的方法步骤,用于提供分类的图像特征PROV-BM和/或PROV-pBM的提供单元PRVS可以被构造为用于实施这些方法和其各方面。
此外,提供单元PRVS可以被构造为用于提供综合医学图像数据PROV-SBD。在此,接口IF可以被构造为用于,接收通过将所提出的用于提供分类的图像特征的计算机实现的方法应用于医学图像数据BD而分类的图像特征。此外,计算单元CU可以被构造为用于,通过将用于产生综合医学图像数据的经过训练的函数TF-SBD应用于输入数据,来产生综合医学图像数据SBD。在此,输入数据可以基于特定于患者的图像特征。此外,接口IF可以被构造为用于提供综合医学图像数据SBD。
用于提供综合医学图像数据PROV-SBD的这种提供单元PRVS,特别是可以被构造为用于实施前面描述的根据本发明的用于提供综合医学图像数据的方法和其各方面。通过接口IF和计算单元CU被构造为用于实施相应的方法步骤,用于提供综合医学图像数据PROV-SBD的提供单元PRVS可以被构造为用于实施这些方法和其各方面。
图12示出了训练单元TRS,其包括训练接口TIF、训练计算单元TCU和训练存储单元TMU。在此,训练单元可以有利地被构造为用于实施前面描述的根据本发明的用于提供用于对图像特征进行识别和分类的经过训练的函数和/或用于提供用于对特定于患者的图像特征进行分类的经过训练的函数和/或用于提供用于产生综合医学图像数据的经过训练的函数和/或用于提供用于产生综合医学图像数据的另一个经过训练的函数和/或用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数的计算机实现的方法和其各方面。通过训练接口TIF和训练计算单元TCU被构造为用于实施相应的方法步骤,训练单元TRS可以被构造为用于实施这些方法和其各方面。训练接口TIF特别是可以被构造为用于接收医学训练图像数据TBD和/或分类的训练图像特征和/或综合医学训练图像数据TSBD。此外,训练接口TIF可以被构造为用于提供经过训练的函数。
特别是,提供单元PRVS和/或训练单元TRS可以是计算机、微控制器或集成电路。替换地,提供单元PRVS和/或训练单元TRS可以是计算机的真实或虚拟联合(真实联合(realerVerbund)的英语专业术语是“Cluster(集群)”,虚拟联合(virtueller Verbund)的英语专业术语是“Cloud(云)”)。提供单元PRVS和/或训练单元TRS也可以构造为在真实的计算机或计算机的真实或虚拟联合上实施的虚拟系统(英语:virtualization(虚拟化))。
接口IF和/或训练接口TIF可以是硬件或软件接口(例如PCI总线、USB或火线接口(Firewire))。计算单元CU和/或训练计算单元TCU可以具有硬件元件或软件元件、例如微处理器或所谓的FPGA(“Field Programmable Gate Array(现场可编程门阵列)”的英语首字母缩写)。存储单元MU和/或训练存储单元TMU可以作为非持久的工作存储器(随机存取存储器,Random Access Memory,简称为RAM)或持久的大容量存储器(硬盘、USB棒、SD卡、固态盘)来实现。
接口IF和/或训练接口TIF特别是可以包括多个子接口,其执行相应的方法的不同的步骤。换言之,该接口IF和/或训练接口TIF也可以理解为多个接口IF或多个训练接口TIF。计算单元CU和/或训练计算单元TCU特别是可以包括多个子计算单元,其执行相应的方法的不同的步骤。换言之,计算单元CU和/或训练计算单元TCU也可以理解为多个计算单元CU或多个训练计算单元TCU。
在图13中示意性地示出了示例性地用于所提出的医学成像设备的医学C形臂X射线设备37。在此,医学C形臂X射线设备37可以有利地包括所提出的提供单元PRVS,用于提供分类的图像特征和/或用于提供综合医学图像数据。在此,医学成像设备37,特别是所提出的提供单元PRVS,被构造为用于实施所提出的用于提供分类的图像特征和/或用于提供综合医学图像数据的计算机实现的方法。
在此,医学C形臂X射线设备37还包括检测器单元34和X射线源33。为了记录医学图像数据BD、特别是至少一个投影X射线图像,C形臂X射线设备37的臂38可以以围绕一个或多个轴可运动的方式支承。此外,医学C形臂X射线设备37可以包括运动设备39,运动设备39使得C形臂X射线设备37能够在空间中运动。
为了记录布置在患者支承装置32上的检查对象31的要成像的检查区域的医学图像数据BD,提供单元PRVS可以向X射线源33发送信号24。随后,X射线源33可以发出X射线射束、特别是锥形束和/或扇形束和/或平行束。在X射线射束在与检查对象31的要成像的区域相互作用之后击中检测器单元34的表面时,检测器单元34可以向提供单元PRVS发送信号21。提供单元PRVS例如可以根据信号21接收医学图像数据BD。
此外,医学C形臂X射线设备37可以包括输入单元41、例如键盘和/或显示单元42、例如监视器和/或显示器。例如在电容式输入显示器的情况下,输入单元41优选可以集成到显示单元42中。在此,通过操作人员在输入单元41上进行输入,使得能够对医学C形臂X射线设备37进行控制。
例如,可以在显示单元42上显示医学图像数据BD和/或分类的图像特征和/或综合医学图像数据SBD的图形显示。
包含在所描述的附图中的示意性的图示不描绘任何比例或大小比。
最后应当再次指出,前面详细描述的方法以及所示出的设备仅仅是实施例,本领域技术人员可以以不同的方式对这些实施例进行修改,而不脱离本发明的范围。此外,不定冠词“一个”或者“一”的使用并不排除涉及的特征也可以以复数的形式存在。术语“单元”和“元件”同样并不排除涉及的部件由多个共同作用的子部件构成,在需要时,这些子部件也可以分布在空间上。
Claims (16)
1.一种用于提供分类的图像特征的计算机实现的方法,其包括:
-接收(REC-BD)医学图像数据(BD),
-对所述医学图像数据(BD)中的多个图像特征进行识别,以及
-通过将用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)应用于输入数据,将所述多个图像特征分类为特定于患者的图像特征(pBM)和非特定于患者的图像特征(uBM),
其中,输入数据基于所述医学图像数据(BD),
其中,用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)的至少一个参数,基于训练识别参数(TIDP-pTBM、TIDP-uTBM)与比较识别参数(VIDP)的比较,以及训练诊断参数(TDIAGP-pTBM、TDIAGP-uTBM)与比较诊断参数(VDIAGP)的比较,-提供(PROV-BM)分类的图像特征(pBM、uBM)。
2.根据权利要求1所述的计算机实现的方法,其还包括:
-通过将用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)应用于输入数据,将特定于患者的图像特征(pBM)分类为表型表达的特定于患者的图像特征(paBM)和非表型表达的特定于患者的图像特征(naBM),
其中,输入数据基于特定于患者的图像特征(pBM),
其中,用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)的至少一个参数,基于表型表达的特定于患者的训练图像特征(paTBM)与表型表达的特定于患者的比较图像特征(paVBM)的比较,以及非表型表达的特定于患者的训练图像特征(naTBM)与非表型表达的特定于患者的比较图像特征(naVBM)的比较,
-提供(PROV-pBM)分类的特定于患者的图像特征(paBM、naBM)。
3.一种用于提供综合医学图像数据的计算机实现的方法,其包括:
-接收(REC-BD)医学图像数据(BD),
-通过将根据权利要求1或2所述的计算机实现的方法应用于医学图像数据(BD),来接收(REC-BM)分类的图像特征,
-通过将用于产生综合医学图像数据的经过训练的函数(TF-SBD)应用于输入数据,来产生综合医学图像数据(SBD),
其中,输入数据基于特定于患者的图像特征(pBD),
其中,用于产生综合医学图像数据的经过训练的函数(TF-SBD)的至少一个参数,基于综合医学训练图像数据(STBD)与综合医学比较图像数据(SVBD)的比较,
-提供(PROV-SBD)综合医学图像数据(SBD)。
4.一种用于提供综合医学图像数据的计算机实现的方法,其包括:
-接收(REC-BD)医学图像数据(BD),
-通过将根据权利要求1或2所述的计算机实现的方法应用于医学图像数据,来接收(REC-BM)分类的图像特征,
-通过将用于产生综合医学图像数据的另一个经过训练的函数(TF2-SBD)应用于输入数据,来产生综合医学图像数据,
其中,输入数据基于非特定于患者的图像特征(uBM)和/或非表型表达的特定于患者的图像特征(naBM),
其中,用于产生综合医学图像数据的所述另一个经过训练的函数(TF2-SBD)的至少一个参数,基于综合医学训练图像数据(STBD)与综合医学比较图像数据(SVBD)的比较,
-提供(PVOV-SBD)综合医学图像数据(SBD)。
5.根据权利要求1或2所述的计算机实现的方法,其还包括:
-通过将根据权利要求3所述的计算机实现的方法应用于医学图像数据(BD),来接收(REC-SBD)综合医学图像数据(SBD),
-通过将用于对特定于患者的图像特征进行分类的另一个经过训练的函数(TF2-CL-pBM)应用于输入数据,将特定于患者的图像特征(pBM)分类为表型表达的特定于患者的图像特征(paBM)和非表型表达的特定于患者的图像特征(naBM),
其中,输入数据基于特定于患者的图像特征(pBM)和综合医学图像数据(SBD),
其中,用于对特定于患者的图像特征进行分类的所述另一个经过训练的函数(TF2-CL-pBM)的至少一个参数,基于表型表达的特定于患者的训练图像特征(paTBM)与表型表达的特定于患者的比较图像特征(paVBM)的比较,以及非表型表达的特定于患者的训练图像特征(naTBM)与非表型表达的特定于患者的比较图像特征(naVBM)的比较,
-提供(PROV-pBM)分类的特定于患者的图像特征(paBM、naBM)。
6.一种用于提供用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)的计算机实现的方法,其包括:
-接收(REC-TBD)多个检查对象的医学训练图像数据(TBD),
-通过将用于对图像特征进行识别和分类的经过训练的函数(TF-IDLC-BM)应用于输入数据,来识别医学训练图像数据(TBD)中的多个训练图像特征,并且将所述多个训练图像特征,分类为特定于患者的训练图像特征(pTBM)和非特定于患者的训练图像特征(uTBM),
其中,输入数据基于医学训练图形数据(TBD),
-基于分类的训练图像特征(pTBM、uTBM),来确定(DET-IDDIAGP)训练识别参数(TIDP-pTBM、TIDP-uTBM)和训练诊断参数(TDIAGP-pTBM、TDIAGP-uTBM),
其中,针对分类的训练图像特征(pTBM、uTBM)中的每一个,和/或针对分类的训练图像特征(pTBM、uTBM)的组合,确定相应的训练识别参数(TIDP-pTBM、TIDP-uTBM)和相应的训练诊断参数(TDIAGP-pTBM、TDIAGP-uTBM),
-针对检查对象中的每一个,接收(REC-VIDDIAGP)相应的比较识别参数(VIDP)和相应的比较诊断参数(VDIAGP),
其中,相应的比较识别参数(VIDP)包括关于检查对象中的一个的识别信息,
其中,相应的比较诊断参数(VDIAGP)包括关于检查对象中的一个的诊断信息,
-基于训练识别参数(TIDP-pTBM、TIDP-uTBM)与比较识别参数(VIDP)之间以及训练诊断参数(TDIAGP-pTBM、TDIAGP-uTBM)与比较诊断参数(VDIAGP)之间的比较,来调整(ADJ-TF-IDCL-BM)用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)的至少一个参数,
-提供(PROV-TF-IDCL-BM)用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)。
7.一种用于提供用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)的计算机实现的方法,其包括:
-接收(REC-TBD)多个检查对象的医学训练图像数据,
-通过将根据权利要求1所述的计算机实现的方法应用于医学训练图像数据,来接收(REC-TBM)分类的训练图像特征,
其中,提供分类的图像特征(pBM、uBM),来作为分类的训练图像特征(pTBM、uTBM),并且提供特定于患者的图像特征(pBM),来作为特定于患者的训练图像特征(pTBM),
-通过将识别函数(CL-pTBM)、特别是生物测量识别函数,应用于特定于患者的训练图像特征(pTBM),将特定于患者的训练图像特征(pTBM),分类为表型表达的特定于患者的比较图像特征(paVBM)和非表型表达的特定于患者的比较图像特征(naVBM),
-通过将用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)应用于输入数据,将特定于患者的训练图像特征(pTBM),分类为表型表达的特定于患者的训练图像特征(paTBM)和非表型表达的特定于患者的训练图像特征(naTBM),
其中,输入数据基于特定于患者的训练图像特征(pTBM),
-基于表型表达的特定于患者的训练图像特征(paTBM)与表型表达的特定于患者的比较图像特征(paVBM)的比较,以及非表型表达的特定于患者的训练图像特征(naTBM)与非表型表达的特定于患者的比较图像特征(naVBM)的比较,来调整(ADJ-TF-CL-pBM)用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)的至少一个参数,
-提供(PROV-TF-CL-pBM)用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)。
8.一种用于提供用于产生综合医学图像数据的经过训练的函数的计算机实现的方法,其包括:
-接收(REC-TBD)多个检查对象的医学训练图像数据(TBD),
-通过将根据权利要求1或2所述的计算机实现的方法应用于医学训练图像数据,来接收(REC-TBM)分类的训练图像特征,
其中,提供分类的图像特征(pBM、uBM),来作为分类的训练图像特征(pTBM、uTBM),并且提供特定于患者的图像特征(pBM),来作为特定于患者的训练图像特征(pTBM),
-通过将重建函数应用于特定于患者的训练图像特征(pBM),来产生(GEN-SVBD)综合医学比较图像数据(SVBD),
-通过将用于产生综合医学图像数据的经过训练的函数(TF-SBD)应用于输入数据,来产生综合医学训练图像数据(STBD),
其中,输入数据基于特定于患者的训练图像特征(pBM),
-基于综合医学比较图像数据(SVBD)与综合医学训练图像数据(STBD)的比较,来调整(ADJ-TF-SBD)用于产生综合医学图像数据的经过训练的函数(TF-SBD)的至少一个参数,
-提供(PROV-TF-SBD)用于产生综合医学图像数据的经过训练的函数(TF-SBD)。
9.一种用于提供用于产生综合医学图像数据的另一个经过训练的函数(TF2-SBD)的计算机实现的方法,其包括:
-接收(REC-TBD)多个检查对象的医学训练图像数据(TBD),
-通过将根据权利要求1或2所述的计算机实现的方法应用于医学训练图像数据,来接收(REC-TBM)分类的训练图像特征,
其中,提供分类的图像特征(pBM、uBM、paBM、naBM),来作为分类的训练图像特征(pTBM、uTBM、paTBM、naTBM),提供非特定于患者的图像特征(uBM),来作为非特定于患者的训练图像特征(uTBM),和/或提供非表型表达的特定于患者的图像特征(naBM),来作为非表型表达的训练图像特征(naTBM),
-通过将重建函数应用于非特定于患者的训练图像特征(uTBM)和/或非表型表达的特定于患者的训练图像特征(naTBM),来产生(GEN-SVBD)综合医学比较图像数据(SVBD),
-通过将用于产生综合医学图像数据的另一个经过训练的函数(TF2-SBD)应用于输入数据,来产生综合医学训练图像数据(STBD),
其中,输入数据基于非特定于患者的训练图像特征(uTBM)和/或非表型表达的特定于患者的训练图像特征(naTBM),
-基于综合医学比较图像数据(SVBD)与综合医学训练图像数据(STBD)的比较,来调整(ADJ-TF2-SBD)用于产生综合医学图像数据的所述另一个经过训练的函数(TF2-SBD)的至少一个参数,
-提供(PROV-TF2-SBD)用于产生综合医学图像数据的所述另一个经过训练的函数(TF2-SBD)。
10.一种用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数(TF2-CL-pBM)的计算机实现的方法,其包括:
-接收(REC-TBD)多个检查对象的医学训练图像数据(TBD),
-通过将根据权利要求3所述的计算机实现的方法应用于医学训练图像数据(TBD),来接收(REC-STBD)综合医学训练图像数据(STBD),
其中,提供综合医学图像数据(SBD),来作为综合医学训练图像数据(STBD),并且提供特定于患者的图像特征(pBM),来作为特定于患者的训练图像特征(pTBM),
-通过将另一个识别函数(CL2-pTBM)、特别是生物测量识别函数,应用于特定于患者的训练图像特征(pTBM)和综合医学训练图像数据(STBD),将特定于患者的训练图像特征(pTBM),分类为表型表达的特定于患者的比较图像特征(paVBM)和非表型表达的特定于患者的比较图像特征(naVBM),
-通过将用于对特定于患者的图像特征进行分类的另一个经过训练的函数(TF2-CL-pBM)应用于输入数据,将特定于患者的训练图像特征(pTBM),分类为表型表达的特定于患者的训练图像特征(paTBM)和非表型表达的特定于患者的训练图像特征(naTBM),
其中,输入数据基于特定于患者的训练图像特征(pTBM)和综合医学训练图像数据(STBD),
-基于表型表达的特定于患者的训练图像特征(paTBM)与表型表达的特定于患者的比较图像特征(paVBM)的比较,以及非表型表达的特定于患者的训练图像特征(naTBM)与非表型表达的特定于患者的比较图像特征(naVBM)的比较,来调整(ADJ-TF2-CL-pBM)用于对特定于患者的图像特征进行分类的所述另一个经过训练的函数(TF2-CL-pBM)的至少一个参数,
-提供(PROV-TF2-CL-pBM)用于对特定于患者的图像特征进行分类的所述另一个经过训练的函数(TF2-CL-pBM)。
11.一种用于提供分类的图像特征的提供单元(PRVS),其包括计算单元(CU)和接口(IF),
-其中,所述接口(IF)被构造为用于接收(REC-BD)医学图像数据(BD),
-其中,所述计算单元(CU)被构造为用于,通过将用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)应用于输入数据,来识别医学图像数据(BD)中的多个图像特征,并且将所述多个图像特征分类为特定于患者的图像特征(pBM)和非特定于患者的图像特征(uBM),
其中,输入数据基于医学图像特征(BD),
其中,用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)的至少一个参数,基于训练识别参数(TIDP-pTBM、TIDP-uTBM)与比较识别参数(VIDP)的比较,以及训练诊断参数(TDIAGP-pTBM、TDIAGP-uTBM)与比较诊断参数(VDIAGP)的比较,-其中,所述接口(IF)还被构造为用于提供(PROV-BM)分类的图像特征(pBM、uBM)。
12.一种用于提供综合医学图像数据的提供单元(PRVS),其包括计算单元(CU)和接口(IF),
-其中,所述接口(IF)被构造为用于接收(REC-BD)医学图像数据(BD),
-其中,所述接口(IF)还被构造为用于,通过将根据权利要求1或2所述的计算机实现的方法应用于医学图像数据(BD),来接收(REC-BM)分类的图像特征(pBM、uBM、paBM、naBM),
-其中,所述计算单元(CU)被构造为用于,通过将用于产生综合医学图像数据的经过训练的函数(TF-SBD)应用于输入数据,来产生综合医学图像数据(SBD),
其中,输入数据基于特定于患者的图像特征(pBM),
其中,用于产生综合医学图像数据的经过训练的函数(TF-SBD)的至少一个参数,基于综合医学训练图像数据(STBD)与综合医学比较图像数据(SVBD)的比较,
-其中,所述接口(IF)还被构造为用于提供(PROV-SBD)综合医学图像数据(SBD)。
13.一种医学成像设备(37),其包括根据权利要求11或12所述的提供单元(PRVS),所述提供单元被构造为用于实施根据权利要求1至5中任一项所述的方法,
其中,所述医学成像设备(37)被构造为用于记录和/或接收和/或提供医学图像数据(BD)。
14.一种训练单元(TRS),其被构造为用于实施根据权利要求6至10中任一项所述的计算机实现的方法。
15.一种具有计算机程序的计算机程序产品,所述计算机程序能够直接加载到提供单元的存储器中,具有程序段,用于在由所述提供单元(PRVS)执行所述程序段时,实施根据权利要求1至6中任一项所述的计算机实现的方法的所有步骤;和/或所述计算机程序能够直接加载到训练单元(TRS)的训练存储器(TMU)中,具有程序段,用于在由所述训练单元(TRS)执行所述程序段时,实施根据权利要求7至10中任一项所述的计算机实现的方法的所有步骤。
16.一种计算机可读的存储介质,在所述计算机可读的存储介质上存储有提供单元(PRVS)能够读取并且能够执行的程序段,用于在由所述提供单元(PRVS)执行所述程序段时,实施根据权利要求1至6中任一项所述的计算机实现的方法的所有步骤;和/或在所述计算机可读的存储介质上存储有训练单元(TRS)能够读取并且能够执行的程序段,用于在由所述训练单元(TRS)执行所述程序段时,实施根据权利要求7至10中任一项所述的计算机实现的方法的所有步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019216745.4A DE102019216745A1 (de) | 2019-10-30 | 2019-10-30 | Anonymisierung von medizinischen Bilddaten |
DE102019216745.4 | 2019-10-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112750519A true CN112750519A (zh) | 2021-05-04 |
Family
ID=75485679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011194574.9A Pending CN112750519A (zh) | 2019-10-30 | 2020-10-30 | 医学图像数据的匿名化 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210133356A1 (zh) |
CN (1) | CN112750519A (zh) |
DE (1) | DE102019216745A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220414256A1 (en) * | 2021-06-25 | 2022-12-29 | Nuance Communications, Inc. | Feedback System and Method |
US11423643B1 (en) * | 2021-11-29 | 2022-08-23 | Deeping Source Inc. | Method for generating obfuscated image to be used in training learning net work and labeling device using the same |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6173068B1 (en) * | 1996-07-29 | 2001-01-09 | Mikos, Ltd. | Method and apparatus for recognizing and classifying individuals based on minutiae |
US20040078238A1 (en) * | 2002-05-31 | 2004-04-22 | Carson Thomas | Anonymizing tool for medical data |
CN101295309A (zh) * | 2008-05-22 | 2008-10-29 | 江苏大学 | 一种医学图像识别的方法 |
US20120173576A1 (en) * | 2010-12-30 | 2012-07-05 | Microsoft Corporation | Patient identification |
US20130202182A1 (en) * | 2011-08-09 | 2013-08-08 | Lumidigm, Inc. | Methods and systems for estimating genetic characteristics from biometric measurements |
US20140188770A1 (en) * | 2011-05-10 | 2014-07-03 | Foteini Agrafioti | System and method for enabling continuous or instantaneous identity recognition based on physiological biometric signals |
CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
US20180101645A1 (en) * | 2016-10-12 | 2018-04-12 | Terarecon, Inc. | System and method for medical image interpretation |
US20180137244A1 (en) * | 2016-11-17 | 2018-05-17 | Terarecon, Inc. | Medical image identification and interpretation |
US20190043611A1 (en) * | 2017-08-02 | 2019-02-07 | Koninklijke Philips N.V. | Anonymizing data |
US20190164643A1 (en) * | 2017-11-28 | 2019-05-30 | Siemens Healthcare Gmbh | Method for controlling an evaluation device for medical images of patient, evaluation device, computer program and electronically readable storage medium |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11183294B2 (en) * | 2019-08-30 | 2021-11-23 | International Business Machines Corporation | Automatic detection and replacement of identifying information in images using machine learning |
-
2019
- 2019-10-30 DE DE102019216745.4A patent/DE102019216745A1/de active Pending
-
2020
- 2020-10-27 US US17/081,237 patent/US20210133356A1/en active Pending
- 2020-10-30 CN CN202011194574.9A patent/CN112750519A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6173068B1 (en) * | 1996-07-29 | 2001-01-09 | Mikos, Ltd. | Method and apparatus for recognizing and classifying individuals based on minutiae |
US20040078238A1 (en) * | 2002-05-31 | 2004-04-22 | Carson Thomas | Anonymizing tool for medical data |
CN101295309A (zh) * | 2008-05-22 | 2008-10-29 | 江苏大学 | 一种医学图像识别的方法 |
US20120173576A1 (en) * | 2010-12-30 | 2012-07-05 | Microsoft Corporation | Patient identification |
US20140188770A1 (en) * | 2011-05-10 | 2014-07-03 | Foteini Agrafioti | System and method for enabling continuous or instantaneous identity recognition based on physiological biometric signals |
US20130202182A1 (en) * | 2011-08-09 | 2013-08-08 | Lumidigm, Inc. | Methods and systems for estimating genetic characteristics from biometric measurements |
CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
US20180101645A1 (en) * | 2016-10-12 | 2018-04-12 | Terarecon, Inc. | System and method for medical image interpretation |
US20180137244A1 (en) * | 2016-11-17 | 2018-05-17 | Terarecon, Inc. | Medical image identification and interpretation |
US20190043611A1 (en) * | 2017-08-02 | 2019-02-07 | Koninklijke Philips N.V. | Anonymizing data |
US20190164643A1 (en) * | 2017-11-28 | 2019-05-30 | Siemens Healthcare Gmbh | Method for controlling an evaluation device for medical images of patient, evaluation device, computer program and electronically readable storage medium |
Also Published As
Publication number | Publication date |
---|---|
DE102019216745A1 (de) | 2021-05-06 |
US20210133356A1 (en) | 2021-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11250569B2 (en) | Systems and methods for functional imaging follow-up evaluation using deep neural network | |
KR102204437B1 (ko) | 컴퓨터 보조 진단 방법 및 장치 | |
EP3355273B1 (en) | Coarse orientation detection in image data | |
US11941812B2 (en) | Diagnosis support apparatus and X-ray CT apparatus | |
US10635924B2 (en) | System and method for surgical guidance and intra-operative pathology through endo-microscopic tissue differentiation | |
JP7486485B2 (ja) | 脳画像内の領域を特定するための装置 | |
CN102938013A (zh) | 医用图像处理装置及医用图像处理方法 | |
US11423554B2 (en) | Registering a two-dimensional image with a three-dimensional image | |
US11182901B2 (en) | Change detection in medical images | |
CN110910342B (zh) | 通过使用深度学习来分析骨骼创伤 | |
CN112750519A (zh) | 医学图像数据的匿名化 | |
JP2024009342A (ja) | 文書作成支援装置、方法およびプログラム | |
Eswaran et al. | Applying Machine Learning for Medical Image Processing | |
JP7007469B2 (ja) | 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム | |
US11645767B2 (en) | Capturing a misalignment | |
WO2021193548A1 (ja) | 文書作成支援装置、方法およびプログラム | |
JP7155274B2 (ja) | 加速化された臨床ワークフローのためのシステムおよび方法 | |
JP2021175454A (ja) | 医用画像処理装置、方法およびプログラム | |
CN113657420A (zh) | 身体表示 | |
JP7361930B2 (ja) | 医用画像処理装置、方法およびプログラム | |
Vasudevan et al. | Analysis of mri images to discover brain tumor detection using cnn and vgg-16 | |
US20230274424A1 (en) | Appartus and method for quantifying lesion in biometric image | |
EP4356837A1 (en) | Medical image diagnosis system, medical image diagnosis system evaluation method, and program | |
EP4343781A1 (en) | Information processing apparatus, information processing method, and information processing program | |
WO2022054541A1 (ja) | 画像処理装置、方法およびプログラム |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240903 Address after: German Phu F Haim Applicant after: Siemens Medical AG Country or region after: Germany Address before: Erlangen Applicant before: Siemens Healthineers AG Country or region before: Germany |