CN113393417A - 用于检测医学图像的偏侧性的系统和方法 - Google Patents

用于检测医学图像的偏侧性的系统和方法 Download PDF

Info

Publication number
CN113393417A
CN113393417A CN202110165930.2A CN202110165930A CN113393417A CN 113393417 A CN113393417 A CN 113393417A CN 202110165930 A CN202110165930 A CN 202110165930A CN 113393417 A CN113393417 A CN 113393417A
Authority
CN
China
Prior art keywords
laterality
image
unclassified
ray image
neural network
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
Application number
CN202110165930.2A
Other languages
English (en)
Inventor
卡勒德·赛勒穆·尤尼斯
拉维·索尼
凯特琳·罗斯·奈
吉雷沙·钦塔马尼·拉奥
约翰·迈克尔·萨博尔
亚什·N·沙阿
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.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
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 GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Publication of CN113393417A publication Critical patent/CN113393417A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/60—Rotation of a whole image or part thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Abstract

本发明题为用于检测医学图像的偏侧性的系统和方法。本发明提供了一种x射线图像偏侧性检测系统(200)。该x射线图像偏侧性检测系统包括检测计算设备(202，800)。计算设备的处理器(814)被编程为执行用于分析x射线图像的神经网络模型，其中神经网络模型(204，338，600，1600，2600，3600)用训练x射线图像作为输入以及用与训练x射线图像相关联的所观察偏侧性类别作为输出来训练。该过程还被编程为接收未分类x射线图像，使用神经网络模型分析未分类x射线图像，并且将偏侧性类别分配给未分类x射线图像。如果所分配的偏侧性类别不是目标偏侧性，则处理器被编程为调节未分类x射线图像以导出具有目标偏侧性的校正的x射线图像并输出校正的x射线图像。如果所分配的偏侧性类别是目标偏侧性，则处理器被编程为输出未分类x射线图像。

Description

用于检测医学图像的偏侧性的系统和方法
背景技术
本公开的领域整体涉及检测图像的偏侧性的系统和方法，并且更具体地，涉及使用神经网络模型检测医学图像的偏侧性的系统和方法。
医学图像通常根据医学数字成像和通信(DICOM)标准通过图片存档和通信系统(PACS)进行存储和传输。根据DICOM标准，除了图像数据之外，医学图像还包括元数据。元数据是与图像相关联的数据，诸如与患者、图像采集和成像设备相关的信息。例如，元数据包括患者的偏侧性，该患者的偏侧性指示患者的哪一侧被示出在图像的左侧。元数据通常基于用于采集医学图像的成像协议生成。DICOM标准允许医学图像的通信和管理以及医疗设备诸如跨不同制造商的扫描仪、工作站和PACS查看器的集成。
由于其移动性和相对小的尺寸，便携式x射线成像已成为医学成像领域中最普遍的成像模式之一。由于人为误差，通过便携式x射线成像采集的图像的偏侧性可能不正确。具有正置偏侧性的医学图像被显示为示出患者左侧的图像的右侧。然而，设备的操作者可能以错误的方式错误地放置检测器，诸如在拍摄前后(AP)视图的胸部x射线图像时将检测器放置在患者前面，或者在用户界面中输入图像的错误偏侧性。因此，生成翻转的图像。虽然医师具有医学技能来确定所生成的图像反映与存储在图像元数据中的偏侧性不同的偏侧性，但不正确的偏侧性仍然可能导致医师在执行诊断之前花费额外的时间来确定图像的正确偏侧性。此外，元数据中具有错误的偏侧性信息可导致挂起协议的问题，该挂起协议用于以用户在将图像发送到PACS时感觉更有用的方式显示图像。在将图像发送到PACS之前手动旋转图像并将正确的偏侧性存储在元数据中属于对技术人员时间的低效利用。此外，如果具有错误偏侧性的图像用作输入，则它们可能降低计算机辅助诊断系统或人工智能诊断系统的性能。
发明内容
在一个方面，提供了x射线图像偏侧性检测系统。x射线图像偏侧性检测系统包括检测计算设备，该检测计算设备包括与至少一个存储器设备通信的至少一个处理器。至少一个处理器被编程为执行用于分析x射线图像的神经网络模型，其中神经网络模型用训练x射线图像作为输入以及用与训练x射线图像相关联的所观察偏侧性类别作为输出来训练。至少一个处理器还被编程为接收未分类x射线图像，使用神经网络模型分析未分类x射线图像，并且基于分析将偏侧性类别分配给未分类x射线图像。如果所分配的偏侧性类别不是目标偏侧性，则至少一个处理器被编程为调节未分类x射线图像以导出具有目标偏侧性的校正的x射线图像并输出校正的x射线图像。如果所分配的偏侧性类别是目标偏侧性，则至少一个处理器被编程为输出未分类x射线图像。
在另一方面，提供了图像偏侧性检测系统。图像偏侧性检测系统包括检测计算设备，该检测计算设备包括与至少一个存储器设备通信的至少一个处理器。至少一个处理器被编程为执行神经网络模型以用于分析图像、接收训练图像和与训练图像相关联的所观察偏侧性类别，以及分析训练图像。至少一个处理器被进一步编程为使用神经网络模型确定训练图像的预测偏侧性类别，将预测偏侧性类别与所观察偏侧性类别进行比较，以及基于比较来调节神经网络模型。
在又一方面，提供了检测医学图像的偏侧性的方法。该方法包括执行用于分析医学图像的神经网络模型，其中神经网络模型被配置为检测医学图像的偏侧性。该方法还包括接收未分类医学图像，使用神经网络模型分析未分类医学图像，以及使用神经网络模型检测未分类医学图像的偏侧性。该方法还包括基于所检测到的偏侧性警示用户未分类医学图像是否具有目标偏侧性。
附图说明
图1A是用于拍摄胸部x射线图像的装置的示意图。
图1B是使用图1A所示的装置的示例性胸部x射线图像。
图1C是用于拍摄胸部x射线图像的另一装置的示意图。
图1D是使用图1C所示的装置的示例性胸部x射线图像。
图2A是检测医学图像的偏侧性的示例性系统的示意图。
图2B是根据本公开的一个方面的图2A所示系统中的数据流的示例性序列图。
图2C是根据本公开的另一方面的图2A所示系统中的数据流的示例性序列图。
图3A是根据本公开的又一方面的图2A所示系统中的数据流的示例性序列图。
图3B是根据本公开的又一方面的图2A所示系统中的数据流的另一示例性序列图。
图4是图3B所示系统的数据流的示例性序列图。
图5A是神经网络模型的示意图。
图5B是图5A所示的神经网络模型中的神经元的示意图。
图6A是示例性卷积神经网络的框图。
图6B是另一示例性卷积神经网络的框图。
图6C是又一示例性卷积神经网络的框图。
图6D是又一示例性卷积神经网络的框图。
图7A是检测医学图像的偏侧性的示例性方法的流程图。
图7B是检测医学图像的偏侧性的另一示例性方法的流程图。
图8是示例性计算设备的框图。
具体实施方式
本公开包括用于使用神经网络模型检测图像的偏侧性的系统和方法。本文所用的偏侧性是医学图像是正置表示患者的左侧还是医学图像被显示为好像翻转一样的状态。被翻转可为水平地翻转、竖直地翻转或沿倾斜轴线翻转。图1B和图1D中的胸部x射线图像用作示例性图像以示出本文所述的系统和方法。然而，系统和方法的适用性不限于胸部x射线图像。系统和方法还适用于其他解剖结构或乳房摄影图像的x射线图像，并且适用于其他类型的医学图像，诸如磁共振成像(MRI)图像、计算机断层摄影(CT)图像、正电子发射断层摄影(PET)图像和超声图像。方法方面将在以下描述中部分明显并且部分明确地讨论。
用便携式x射线系统执行的胸部检查是最频繁执行的程序之一。采集的图像通常处于前-后渲染视图中，其中图像的拍摄方式为好像相机从患者的前面朝向患者的后面瞄准患者。
图1A至图1D示出了示例性偏侧性类别。为了采用针对AP视图的协议拍摄胸部x射线图像，将检测器放置在患者后面并且将x射线源101放置在患者前面(如图1A所示)。图1B示出了具有检测器的这种定位的采集的x射线图像102。x射线图像102的元数据指示图像的右侧示出了患者的左侧。PACS中的挂起协议通常基于DICOM元数据。因此，患者的心脏104在x射线图像102中被正确地示出为定位在患者的左侧上(如图1B所示)。x射线图像102具有正置的偏侧性类别。相比之下，当技术人员将检测器放置在患者前面而x射线源101放置在患者后面时，预期视图为后前(PA)(如图1C所示)。相反，技术人员错误地选择AP的协议。图1D示出了具有检测器的这种定位的另一采集的x射线图像106。因为x射线图像106的偏侧性的元数据指示图像的右侧示出了患者的左侧，所以患者的左侧示出在x射线图像106的左侧，使得患者的心脏104被不正确地显示成在患者的右侧(如图1D所示)。即，x射线图像106被显示为水平翻转或镜像。x射线图像106具有翻转的偏侧性类别。两个偏侧性类别仅用作示例。本文所公开的系统和方法的具体实施不限于两个偏侧性类别。例如，偏侧性类别可包括两个以上正置和翻转的类别，并且还可包括水平翻转、竖直翻转、沿倾斜轴翻转或它们的任何组合。
传统上，将引导标记108放置在患者解剖结构的旁边，从而指示患者的左侧或右侧。引导标记需要附加的工作流程步骤并且易于出现人为错误，诸如使用错误的字母或因为忽略而漏掉字母。在x射线图像102中(如图1B所示)，字母L的引导标记108被正确地示出为在患者左侧。然而，在x射线图像106中(如图1D所示)，引导标记108被翻转并且被不正确地示出为在患者的右侧。
为了评估镜像胸部x射线图像的发生率，进行了7,057个临床图像的分析。分析显示18.65％的图像是镜像的。在许多系统中，在向PACS发送图像之前，技术人员需要手动旋转图像以校正镜像图像。如果技术人员双击以校正镜像图像，则技术人员可能每年在手动校正上花费6.74小时。在本文所述的系统和方法中的人工智能(AI)算法准确率为99.3％的情况下，技术人员可能每年在手动校正上花费15分钟。此外，可完全消除引导标记，从而减少人为错误并加快工作流。
图2A是用于图像的偏侧性检测的示例性系统200的示意图。图像可以是医学图像。系统200包括偏侧性检测计算设备202，该偏侧性检测计算设备被配置为检测和校正输入图像的偏侧性。计算设备202还包括神经网络模型204。
在示例性实施方案中，系统200还包括被配置为更新图像的元数据的元数据编辑器206。系统200还可包括用户界面管理器208，该用户界面管理器被配置为接收用户输入，这些用户输入关于基于这些输入检测和校正输入图像的偏侧性时的选择。例如，用户可打开或关闭输入图像的偏侧性的校正。由于罕见的医学病症诸如右位心和内脏转位(其中人的心脏可驻留在胸部的右侧)，当所检测到的偏侧性对于正常解剖结构而言将是不正确的时，用户可能不希望图像自动翻转。
系统200还可包括后处理器210，用于在图像的偏侧性已被分类和/或图像已被校正之后对图像进行后处理。后处理可包括但不限于应用强度水平的映射以增强图像，从而匹配放射科医生的偏好。在一些实施方案中，系统200被配置为检测引导标记是否被翻转，并且将结果与输入图像的所检测到的偏侧性进行比较，以确定在图像的偏侧性为正置时引导标记是否被翻转放置，或者引导标记是否由于被翻转图像的偏侧性而翻转显示。后处理还可包括与引导标记和/或数字标记相关联的后处理，诸如阻止错误放置或翻转的引导标记、替换翻转的标记、替换错误的数字标记或生成和显示数字标记。
图2B示出了在没有用户界面管理器208进行用户输入的情况下流过系统200的数据的示例性序列图250。在序列250中，未分类图像209被输入到偏侧性检测计算设备202中。来自计算设备202的输出被输入到后处理器210和元数据编辑器206中。然后将来自后处理器210和元数据编辑器206的输出输入到用户界面212中，以显示来自后处理器210的具有图像的更新的元数据216的输出图像。输出图像可以是未分类图像209的校正图像。另选地，如果用户已关闭偏侧性的校正，则输出图像可以是未经校正的未分类图像209的后处理图像。可在图像显示器214或用户界面212上提供指示所显示图像的偏侧性的警示。警示可指示偏侧性是正置的还是翻转的。警示还可指示标记的正置放置。在一个示例中，警示可以指示所检测到的偏侧性是否匹配所使用的协议、放置的引导标记、放置的数字标记或它们的任何组合。在另一个示例中，警示可以指示翻转了未分类图像209的偏侧性，并且已经调节或校正了所显示图像的偏侧性。在另一个示例中，警示可以指示引导标记或数字标记是否正置放置。来自后处理器210和元数据编辑器206的输出也可被发送到PACS以用于存档和传输到其他系统以供进一步处理。
图2C示出了流过系统200的数据的另一示例性序列图260，其中用户输入从用户界面管理器208提供。用户界面管理器208接收包括来自用户的输入的用户策略。用户可选择检测输入图像的偏侧性类别而不校正其偏侧性。用户还可以选择既检测偏侧性类别又校正输入图像的偏侧性。在一些实施方案中，用户可选择执行偏侧性检测计算设备202的功能的时机。例如，当要获取胸部x射线时，用户可选择不校正偏侧性。
在示例性实施方案中，用户界面管理器208与计算设备202、元数据编辑器206和后处理器210通信以传输用户输入并更新用户界面上的显示。在序列260中，未分类图像209被提供给偏侧性检测计算设备202。计算设备202的输出被提供给后处理器210和用户界面管理器208。输出图像218由后处理器210输出。将输入图像元数据220提供给元数据编辑器206。输出图像元数据222从元数据编辑器206输出。与序列250相比，在序列260中，其中关于检测和校正偏侧性的过程的用户策略是预定义的，用户策略由用户界面管理器208提供。
图3A示出了系统200中的数据流的示例性序列图320(在图2A中示出)。将尚未针对其偏侧性类别进行分类处理的未分类图像209输入到神经网络模型204中。未分类图像209可能已被预处理，诸如被调节尺寸以导出调节尺寸的图像。在一些实施方案中，未分类图像209可能尚未被预处理。神经网络模型204被配置为输出未分类图像209的偏侧性类别。在示例性实施方案中，神经网络模型204提供包括未分类图像209的偏侧性类别的一个或多个输出333。计算设备202还可包括被配置为校正未分类图像22的偏侧性的校正器324。如果基于神经网络模型204输出的偏侧性类别打开偏侧性校正，则未分类图像209被调节为具有目标偏侧性的偏侧性，诸如在图像右侧示出患者左侧的情况下是正置的。因此，从偏侧性检测计算设备202输出具有目标偏侧性的输出图像218。在一些实施方案中，当关闭偏侧性校正时，即使神经网络模型204所检测到的偏侧性类别不是目标偏侧性，也不调节输出图像218的偏侧性。
在示例性实施方案中，为了训练神经网络模型204，训练x射线图像作为神经网络模型的输入提供，并且与训练x射线图像相关联的所观察偏侧性类别作为神经网络模型204的输出提供。所观察偏侧性类别可包括正置的(参见图1B)和翻转的(参见图1D)。
训练x射线图像可在被提供给神经网络模型之前被预处理。示例性预处理算法包括但不限于查找表映射、直方图均衡、归一化、强度变换、梯度计算、边缘检测或它们的组合。训练x射线图像可在提供给神经网络模型之前缩小尺寸，以减轻神经网络模型在计算设备上的计算负担。可通过减小训练x射线图像的图像分辨率来缩小训练x射线图像的尺寸，以生成缩小尺寸的训练x射线图像。在一个示例中，未分类图像209可能在被输入到偏侧性检测计算设备202中之前已经与这些预处理一起应用。
在一些实施方案中，可在提供给神经网络模型之前提取训练x射线图像的特征。图像特征通常来源于图像像素的强度值的分布。例如，通过分析图像的局部区域中的梯度偏侧性来导出取向梯度(HOG)特征的直方图。将图像分成不同尺寸的小区域(称为单元)。相邻单元可在称为块的较大区域中组合。HOG特征对于偏侧性并非不变。特征可指示训练x射线图像或界标(诸如患者的某些解剖结构)中的边缘。然后将从训练x射线图像提取的特征提供给神经网络模型。这些特征可用在神经网络模型的监督学习算法中。
图3B示出了系统200中数据流的另一示例性序列图350。与图3A所示的神经网络模型不同，神经网络模型204被配置成检测和校正输入图像的偏侧性。将未分类图像209输入到神经网络模型204中。神经网络模型204将未分类图像209直接转换成校正图像218，如果打开偏侧性校正，则该校正图像具有目标偏侧性。
图4示出了系统200中数据流的示例性序列图400，其中计算设备202用神经网络模型204实现，该神经网络模型被配置为检测和校正未分类图像209的偏侧性。将未分类图像209输入到神经网络模型204中。神经网络模型204将未分类图像209直接转换成具有诸如正置的目标偏侧性的校正图像218。具体地，在神经网络模型204中，翻转未分类图像209以导出翻转图像334。将包括翻转图像334和未分类图像209的多个图像335输入到卷积神经网络338中，以预测图像中的哪个具有目标偏侧性。卷积神经网络338预测与具有目标偏侧性的图像相关联的索引。神经网络模型204中的选择器层或操作340选择并输出与预测索引相关联的图像218。
在示例性实施方案中，通过将具有已知(实况)偏侧性的图像输入到神经网络模型204来训练神经网络模型204。在神经网络模型204内部，生成包括输入图像和输入图像的翻转图像的多个图像。翻转是一种操作，并且不具有可训练的参数。基于输入图像和翻转图像之间的哪个图像具有目标偏侧性的实况生成实况向量。例如，[10]的实况矢量指示输入图像具有目标偏侧性，[01]的实况矢量指示翻转图像具有目标偏侧性。将翻转图像和输入图像连同实况向量一起提供给卷积神经网络338，以训练“选择器”模型，即卷积神经网络338。卷积神经网络338预测与具有目标偏侧性的图像相关联的索引。基于与实况矢量相比的预测索引来更新卷积神经网络338的权重。选择器层或操作选择并输出与预测的索引相关联的图像。
尽管图4中示出了正置的和翻转的两个类别，但偏侧性类别还可包括水平翻转、竖直翻转、沿倾斜轴翻转或它们的任何组合。输入到神经网络模型338中的图像335可包括沿各个轴翻转的多个翻转图像334。
图5A示出了示例性人工神经网络模型204。示例性神经网络模型204包括神经元层502、504-1至504-n和506，其中包括输入层502、一个或多个隐藏层504-1至504-n和输出层506。每个层可包括任何数量的神经元，即，图5A中的q、r和n可为任何正整数。应当理解，可使用与图5A所示出的结构和配置不同的结构和配置的神经网络来实现本文所述的方法和系统。
在示例性实施方案中，输入层502可接收不同的输入数据。例如，输入层502包括表示训练x射线图像的第一输入a1、表示在训练x射线图像中识别的图案的第二输入a2、表示训练x射线图像的边缘的第三输入a3等。输入层502可包括数千个或更多个输入。在一些实施方案中，神经网络模型204所使用的元素的数量在训练过程期间改变，并且如果例如在神经网络的执行期间确定一些神经元具有较小相关性，则这些神经元被绕过或忽略。
在示例性实施方案中，隐藏层504-1至504-n中的每个神经元处理来自输入层502的一个或多个输入和/或来自先前隐藏层中的一个隐藏层中的神经元的一个或多个输出，以生成决定或输出。输出层506包括一个或多个输出，每个输出指示标签、置信因子、描述输入的权重和/或输出图像。置信因子和/或权重反映输出偏侧性类别指示图像的偏侧性的强度。然而，在一些实施方案中，除了来自输出层506的输出之外或代替这些输出，从隐藏层504-1至504-n获得神经网络模型204的输出。
在一些实施方案中，每个层相对于输入数据具有离散的、可识别的功能。例如，如果n＝3，则第一层分析输入的第一维度，第二层分析输入的第二维度，并且最后层分析输入的第三维度。尺寸可对应于被认为是强确定性的方面，然后对应于被认为是中等重要性的那些方面，并且最后对应于被认为是不太相关的那些方面。
在其他实施方案中，这些层在其执行的功能方面未被清楚地描绘。例如，隐藏层504-1至504-n中的两个或更多个隐藏层可共享与标记相关的决定，其中没有单个层作出关于标记的独立决定。
图5B示出了根据一个实施方案的对应于在图5A的隐藏层504-1中标记为“1，1”的神经元的示例神经元550。对神经元550的每个输入(例如，图5A中的输入层502中的输入)进行加权，使得输入a1至ap对应于在神经网络模型204的训练过程期间确定的权重w1至wp。
在一些实施方案中，一些输入缺少明确的权重，或者具有低于阈值的权重。权重被应用于函数α(由附图标号510标记)，该函数可为求和并且可产生值z1，该值被输入到被标记为f1，1(z1)的函数520。函数520为任何合适的线性或非线性函数。如图5B所示，函数520产生多个输出，这些输出可被提供给后续层的神经元，或者用作神经网络模型204的输出。例如，输出可对应于标签列表的索引值，或者可为用作后续函数的输入的计算值。
应当理解，所示出的神经网络模型204和神经元550的结构和功能仅用于说明目的，并且存在其他合适的配置。例如，任何给定神经元的输出可不仅取决于由过去的神经元确定的值，而且取决于未来的神经元。
神经网络模型204可包括卷积神经网络、深度学习神经网络、强化或强化学习模块或程序，或者在两个或更多个感兴趣的领域或方面中学习的组合学习模块或程序。与非深度学习网络相比，深度学习网络在准确度方面表现出优异的性能。神经网络模型204可使用受监督或无监督机器学习程序来训练。机器学习可以涉及识别和认识现有数据中的模式，以便对后续数据进行预测。可基于示例性输入来创建模型，以便对新型输入进行有效且可靠的预测。
除此之外或另选地，可通过将样本数据集或某些数据诸如图像以及对象统计和信息输入程序中来训练机器学习程序。机器学习程序可利用深度学习算法，该深度学习算法可主要集中于模式识别，并且可在处理多个示例之后进行训练。机器学习程序可单独或组合地包括贝叶斯程序学习(BPL)、语音识别和合成、图像或物体识别、光学字符识别和/或自然语言处理。机器学习程序还可包括自然语言处理、语义分析、自动推理和/或机器学习。
可使用受监督和无监督机器学习技术。在受监督机器学习中，处理元件可设置有示例性输入及其相关联的输出，并且可试图发现将输入映射到输出的一般规则，使得当提供后续新型输入时，处理元件可基于所发现的规则准确地预测正确的输出。在无监督机器学习中，处理元件可能需要在未标记的示例性输入中找到其自身的结构。
基于这些分析，神经网络模型204可学习如何识别然后可应用于分析图像数据、模型数据和/或其他数据的特性和模式。例如，模型204可学习以识别输入图像的偏侧性。
图6A示出了根据本公开的一个方面的示例性卷积神经网络600。神经网络模型204包括卷积神经网络600，诸如卷积神经网络338(如图4所示)。卷积神经网络600包括卷积层608。在卷积层608中，使用卷积代替神经网络模型中的一般矩阵乘法。神经网络600包括一个或多个卷积层块602、其中该层中的神经元与前一层中的每个神经元连接的完全连接的层604、以及提供输出的输出层606。
在示例性实施方案中，卷积层块602包括卷积层608和池化层610。每个卷积层608在其深度方面是灵活的，诸如卷积过滤器的数量和卷积过滤器的尺寸。池化层610用于通过将前一层处的神经元群集的输出组合成池化层610中的单个神经元来简化底层计算并减少数据的维度。卷积层块602还可包括卷积层608与池化层610之间的归一化层612。归一化层612用于归一化训练图像批内的分布并且在归一化之后更新层中的权重。神经网络600中的卷积层块602的数量可取决于训练x射线图像的图像质量和所提取特征中细节的水平。
在操作中，在训练中，将训练x射线图像和其他数据诸如训练x射线图像的提取特征输入到一个或多个卷积层块602中。所观察偏侧性类别和/或校正的训练x射线图像作为输出层606的输出提供。在训练期间调节神经网络600。一旦神经网络600被训练，输入x射线图像被提供给一个或多个卷积层块602，并且输出层606提供包括偏侧性类别并且还可包括输入x射线图像的校正的x射线图像的输出。
卷积神经网络600可被实现为卷积神经网络1600(图6B所示)、2600(图6C所示)、3600(图6D所示)。图6B示出了包括多个卷积层608的示例性卷积神经网络1600。神经网络1600包括层1602-1628。层1602-1614中的每个层包括卷积层608与归一化层612和池化层610的各种组合。例如，层1602包括卷积层608和池化层610。除了卷积层608和池化层610之外，层1604、1606、1610、1614还包括归一化层612。层1608、1612包括卷积层608和归一化层612。在一个示例中，层1616、1618包括卷积层608。层1620是全局平均池化层614。全局平均池化层614通过减少参数的数量来减少过度拟合。全局平均池化层614还可以使提取的特征在空间上相关。将全局平均池化层614的输出提供给层1624。层1624、1626为完全连接的层604。神经网络1600的最后层1628是输出层606，该输出层确定输入1630是翻转图像还是正置图像，或者是具有翻转还是正置的偏侧性类别。
图6C示出了又一示例性卷积神经网络2600。卷积神经网络2600包括一对或多对2602卷积块2604和残差块2606。卷积块2604包括卷积层608。在残差块中，层可以将其输出提供给并非紧接在前面的前层。卷积神经网络2600还包括对2602之后的卷积层608。
图6D示出了又一示例性卷积神经网络3600。卷积神经网络3600包括多个层：卷积层608、归一化层612、池化层610、又一个卷积层608，然后是全局平均池化层614。在卷积神经网络1600、2600、3600中，卷积层608、归一化层612、池化层610和全局平均池化层614的参数在不同层上可以不同或保持相同。
图7A示出了检测x射线图像的偏侧性的示例性方法700的流程图。方法700包括执行702神经网络模型。方法700还包括接收704训练x射线图像和与训练x射线图像相关联的所观察偏侧性类别。所观察偏侧性类别是训练x射线图像的偏侧性类别，诸如正置或翻转。将训练x射线图像和所观察偏侧性类别输入到神经网络中，其中训练x射线图像作为输入并且所观察偏侧性类别作为输出。
在示例性实施方案中，方法700还包括分析706训练x射线图像。此外，方法700包括使用神经网络模型计算708训练x射线图像的预测偏侧性类别。此外，方法700包括将校正的训练x射线图像的偏侧性与目标偏侧性进行比较710。方法700还包括基于比较来调节712神经网络模型。例如，基于比较来调节神经网络模型的参数以及层和神经元的数量。
在一个示例中，不是接收所观察偏侧性类别，而是接收与训练x射线图像相关联的所观察x射线图像。所观察x射线图像是被调节为具有目标偏侧性诸如正置的训练x射线图像。将训练x射线图像和所观察x射线图像提供给神经网络模型，其中训练x射线图像作为输入并且所观察x射线图像作为输出。神经网络模型预测对应于训练x射线图像并具有目标偏侧性的x射线图像。比较预测的x射线图像和所观察x射线图像。基于比较来调节神经网络模型。
图7B示出了检测输入图像的偏侧性的另一示例性方法750的流程图。方法750包括执行752神经网络模型。神经网络模型用训练x射线图像作为输入以及用与训练x射线图像相关联的偏侧性类别作为输出来训练。
在示例性实施方案中，方法750还包括接收754未分类x射线图像，其偏侧性尚未分类。方法750还包括使用神经网络模型分析756未分类x射线图像。然后基于该分析分配758未分类x射线图像的偏侧性类别。如果所分配的偏侧性类别是目标偏侧性，诸如是正置的，则未分类x射线图像具有正确的偏侧性并被输出764。如果所分配的偏侧性类别不是目标偏侧性，则调节760未分类x射线图像。
在一些实施方案中，通过翻转未分类x射线图像以具有目标偏侧性的偏侧性来调节未分类x射线图像。如果正在翻转所分配的偏侧性类别，则将未分类图像翻转到目标偏侧性。在一个示例中，如果正在翻转所分配的偏侧性类别，则可以数字方式阻挡或覆盖引导标记，使得引导标记不会使阅读者混淆。在另一个示例中，可基于用户定义的逻辑生成新的数字标记，从而指示图像的正确偏侧性。数字标记可以是字母“L”或“R”。字母“L”的数字标记可放置在医学图像的右侧以指示患者的左侧。另选地，字母“R”的数字标记可放置在医学图像的左侧以指示患者的右侧。
在一个示例中，不是使用与训练x射线图像相关联的所观察偏侧性类别，而是用训练x射线图像作为输入以及用与训练x射线图像相关联的所观察x射线图像作为输出来训练神经网络模型，其中所观察x射线图像具有目标偏侧性。使用神经网络模型调节未分类x射线图像，其中神经网络模型输出与未分类x射线图像相关联的校正的x射线图像。
方法750还包括输出762校正的x射线图像。在一些实施方案中，方法750包括使用神经网络模型同时输出校正的x射线图像和输入图像的偏侧性类别。即，神经网络模型输出校正的x射线图像和输入图像的偏侧性类别两者。
在一些实施方案中，即使所检测到的偏侧性类别正在翻转，也不校正未分类图像。相反，在分配758偏侧性类别之后，提供关于未分类图像的偏侧性的警示。
在示例性实施方案中，可基于所检测到的偏侧性类别来更新与未分类x射线图像相关联的元数据。然后生成与输出x射线图像相关联的元数据以反映更新。
本文所述的计算设备202、后处理器210、用户界面管理器208、元数据编辑器206和用户界面212可在任何合适的计算设备和其中实现的软件上实现。图8是示例性计算设备800的框图。在该示例性实施方案中，计算设备800包括从用户接收至少一个输入的用户界面804。用户界面804可包括使得用户能够输入相关信息的键盘806。用户界面804还可包括例如指向设备、鼠标、触笔、触敏面板(例如，触摸板和触摸屏)、陀螺仪、加速度计、位置检测器和/或音频输入接口(例如，包括麦克风)。
此外，在该示例性实施方案中，计算设备800包括向用户呈现信息诸如输入事件和/或验证结果的呈现界面807。呈现界面807还可包括联接到至少一个显示设备810的显示适配器808。更具体地，在该示例性实施方案中，显示设备810可为可视显示设备，诸如阴极射线管(CRT)、液晶显示器(LCD)、发光二极管(LED)显示器和/或“电子墨水”显示器。另选地，呈现界面807可包括音频输出设备(例如，音频适配器和/或扬声器)和/或打印机。
计算设备800还包括处理器814和存储器设备818。处理器814经由系统总线820联接到用户界面804、呈现界面807和存储器设备818。在该示例性实施方案中，处理器814与用户通信，诸如通过经由呈现界面807提示用户和/或通过经由用户界面804接收用户输入。术语“处理器”通常是指任何可编程系统，包括系统和微控制器、精简指令集计算机(RISC)、复杂指令集计算机(CISC)、专用集成电路(ASIC)、可编程逻辑电路(PLC)以及能够执行本文所述功能的任何其它电路或处理器。以上示例仅是示例性的，并且因此不旨在以任何方式限制术语“控制器”的定义和/或含义。
在该示例性实施方案中，存储器设备818包括使信息诸如可执行指令和/或其他数据能够被存储和检索的一个或多个设备。此外，存储器设备818包括一个或多个计算机可读介质，诸如但不限于动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、固态磁盘和/或硬盘。在该示例性实施方案中，存储器设备818存储但不限于应用程序源代码、应用程序对象代码、配置数据、附加输入事件、应用程序状态、断言语句、验证结果和/或任何其他类型的数据。在该示例性实施方案中，计算设备800还可包括经由系统总线820联接到处理器814的通信接口830。此外，通信接口830通信地联接到数据采集设备。
在该示例性实施方案中，处理器814可通过使用一个或多个可执行指令对操作进行编码以及在存储器设备818中提供可执行指令来编程。在该示例性实施方案中，处理器814被编程为选择从数据采集设备接收的多个测量值。
在操作中，计算机执行体现在存储在一个或多个计算机可读介质上的一个或多个计算机可执行部件中的计算机可执行指令，以实现本文所述和/或所示的本发明的各方面。除非另外指明，否则本文所示和所述的本发明实施方案中的操作的执行或实施顺序不是必需的。即，除非另外指明，否则这些操作可以任何顺序执行，并且本发明的实施方案可包括比本文所公开的那些操作更多或更少的操作。例如，可以设想，在另一个操作之前、同时或之后执行或实施特定操作在本发明的各方面的范围内。
本文所述的系统和方法的至少一个技术效果包括(a)x射线图像的偏侧性的自动检测；(b)x射线图像的偏侧性的自动调节；以及(c)通过提供用户界面管理器以接收用户输入来增加灵活性。
上文详细描述了检测和/或校正医学图像的偏侧性的系统和方法的示例性实施方案。这些系统和方法不限于本文所述的特定实施方案，而是系统的部件和/或方法的操作可与本文所述的其他部件和/或操作独立地和分开地使用。此外，所描述的部件和/或操作也可在其他系统、方法和/或设备中限定，或与其他系统、方法和/或设备结合使用，并且不限于仅用本文所述的系统来实践。
尽管可在一些附图中，而不是在其他附图中示出本发明的各种实施方案的特定特征，但这仅是为了方便起见。根据本发明的原理，附图的任何特征可结合任何其他附图的任何特征来引用和/或要求保护。
该书面描述使用示例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明的专利范围由权利要求书限定，并且可包括本领域技术人员想到的其它示例。如果此类其他示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其他示例旨在落入权利要求书的范围内。

Claims (15)

1.一种x射线图像偏侧性检测系统(200)，包括：
检测计算设备(202，800)，所述检测计算设备包括与至少一个存储器设备(818)通信的至少一个处理器(814)，其中所述至少一个处理器被编程为：
执行用于分析x射线图像的神经网络模型，其中所述神经网络模型(204，338，600，1600，2600，3600)用训练x射线图像作为输入以及用与所述训练x射线图像相关联的所观察偏侧性类别作为输出来训练；
接收未分类x射线图像；
使用所述神经网络模型分析所述未分类x射线图像；
基于所述分析将偏侧性类别分配给所述未分类x射线图像；
如果所分配的偏侧性类别不是目标偏侧性，则所述至少一个处理器被编程为：
调节所述未分类x射线图像以导出具有所述目标偏侧性的校正的x射线图像；以及
输出所校正的x射线图像；以及
如果所分配的偏侧性类别是所述目标偏侧性，则所述至少一个处理器被编程为输出所述未分类x射线图像。
2.根据权利要求1所述的系统(200)，其中在没有引导标记(108)的情况下采集所述未分类x射线图像(209)。
3.根据权利要求1所述的系统(200)，其中所述神经网络模型(204，338，600，1600，2600，3600)是深度学习神经网络模型。
4.根据权利要求1所述的系统(200)，其中所述神经网络模型(204，338，600，1600，2600，3600)包括全局平均池化层。
5.根据权利要求1所述的系统(200)，还包括元数据编辑器(206)，所述元数据编辑器被配置为：
基于所述未分类x射线图像的所检测到的偏侧性类别来更新与所述未分类x射线图像相关联的元数据；以及
生成与所输出的x射线图像相关联的元数据。
6.根据权利要求1所述的系统(200)，其中所述至少一个处理器(814)被进一步编程为：
生成指示所述输出x射线图像的偏侧性的数字标记；以及
将所述数字标记覆盖在所述输出x射线图像上。
7.根据权利要求1所述的系统(200)，还包括用户界面管理器(208)，所述用户界面管理器被配置为：
接收用户输入；以及
基于所述用户输入生成用户策略，
其中所述至少一个处理器(814)被进一步编程为基于所述用户策略校正所述未分类x射线图像的偏侧性。
8.根据权利要求1所述的系统(200)，其中对所述未分类x射线图像(209)进行预处理。
9.根据权利要求1所述的系统(200)，其中所述至少一个处理器(814)被配置为警示用户所述未分类x射线图像不具有所述目标偏侧性，并且所述输出x射线图像为所校正的x射线图像。
10.根据权利要求1所述的系统(200)，其中所述至少一个处理器(814)被配置为提供指示所述未分类x射线图像的所检测到的偏侧性的警示。
11.一种检测医学图像的偏侧性的方法(700，750)，所述方法包括：
执行(702，752)用于分析所述医学图像的神经网络模型，其中所述神经网络模型被配置为检测所述医学图像的偏侧性；
接收(754)未分类医学图像；
使用所述神经网络模型分析(756)所述未分类医学图像；
使用所述神经网络模型检测所述未分类医学图像的偏侧性；以及
基于所检测到的偏侧性警示用户所述未分类医学图像是否具有目标偏侧性。
12.根据权利要求11所述的方法(700，750)，还包括：
调节(760)所述未分类医学图像以导出校正的医学图像。
13.根据权利要求12所述的方法(700，750)，其中所述神经网络模型(204，338，600，1600，2600，3600)用训练医学图像作为输入以及用与所述训练医学图像相关联的所观察医学图像作为输出来训练，所观察医学图像是被调节为具有目标偏侧性的所述训练医学图像，并且调节(760)所述未分类医学图像还包括使用所述神经网络模型将所述未分类医学图像调节为具有所述目标偏侧性。
14.根据权利要求11所述的方法(700，750)，其中接收(754)未分类医学图像包括接收在没有引导标记的情况下采集的未分类x射线医学图像。
15.根据权利要求11所述的方法(700，750)，其中所述神经网络模型(204，338，600，1600，2600，3600)用训练医学图像作为输入以及用与所述训练医学图像相关联的所观察偏侧性类别作为输出来训练，所述方法还包括：
基于所述分析将偏侧性类别分配(758)给所述未分类医学图像；
如果所分配的偏侧性类别不是所述目标偏侧性，则所述方法还包括：
调节(760)所述未分类医学图像以导出具有所述目标偏侧性的校正的医学图像；以及
输出(762)所校正的医学图像；以及
如果所分配的偏侧性类别是所述目标偏侧性，则所述方法还包括(764)输出所述未分类医学图像。
CN202110165930.2A 2020-02-27 2021-02-05 用于检测医学图像的偏侧性的系统和方法 Pending CN113393417A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/803,209 2020-02-27
US16/803,209 US11113577B1 (en) 2020-02-27 2020-02-27 Systems and methods for detecting laterality of a medical image

Publications (1)

Publication Number Publication Date
CN113393417A true CN113393417A (zh) 2021-09-14

Family

ID=74591774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110165930.2A Pending CN113393417A (zh) 2020-02-27 2021-02-05 用于检测医学图像的偏侧性的系统和方法

Country Status (3)

Country Link
US (2) US11113577B1 (zh)
EP (1) EP3872757A1 (zh)
CN (1) CN113393417A (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023079156A1 (en) * 2021-11-05 2023-05-11 Radiobotics Aps Systems and methods for identifying laterality errors in medical reports and x-ray images
US20230165555A1 (en) * 2021-11-26 2023-06-01 GE Precision Healthcare LLC X-Ray Lead Marker Detection System for X-Ray Imaging System
US11587232B1 (en) * 2022-05-06 2023-02-21 Camerad Technologies Systems and methods for preventing errors in medical imaging
EP4345833A1 (en) * 2022-09-29 2024-04-03 Siemens Healthineers AG Computer-implemented method for a post-acquisition check of an x-ray image dataset
CN117456111B (zh) * 2023-12-25 2024-04-05 慧创科仪(北京)科技有限公司 一种基于近红外脑功能成像数据的标签显示方法及装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7440600B2 (en) * 2003-04-23 2008-10-21 Carestream Health, Inc. System and method for assigning mammographic view and laterality to individual images in groups of digitized mammograms
US7796793B2 (en) 2006-09-20 2010-09-14 Carestream Health, Inc. Determining mammographic image view and laterality
GB0813666D0 (en) 2008-07-25 2008-09-03 Ixico Ltd Image data management systems
US8520920B2 (en) 2009-11-11 2013-08-27 Siemens Corporation System for dynamically improving medical image acquisition quality
WO2017148751A1 (en) 2016-02-29 2017-09-08 Koninklijke Philips N.V. Device, system and method for verifying image-related information of a medical image
US10346728B2 (en) * 2017-10-26 2019-07-09 Hitachi, Ltd. Nodule detection with false positive reduction
US20190130561A1 (en) * 2017-10-27 2019-05-02 Konica Minolta Laboratory U.S.A., Inc. Medical image processing apparatus
EP3553740A1 (en) * 2018-04-13 2019-10-16 Koninklijke Philips N.V. Automatic slice selection in medical imaging
CA3100495A1 (en) * 2018-05-16 2019-11-21 Benevis Informatics, Llc Systems and methods for review of computer-aided detection of pathology in images
US20210219839A1 (en) * 2018-05-31 2021-07-22 Vuno, Inc. Method for classifying fundus image of subject and device using same
CN109003260B (zh) * 2018-06-28 2021-02-09 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
WO2020102914A1 (en) * 2018-11-24 2020-05-28 Densitas Incorporated System and method for assessing medical images
US11120585B2 (en) * 2019-11-28 2021-09-14 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image reconstruction
US11282192B2 (en) * 2019-12-19 2022-03-22 Varian Medical Systems International Ag Training deep learning engines for radiotherapy treatment planning

Also Published As

Publication number Publication date
US11113577B1 (en) 2021-09-07
EP3872757A1 (en) 2021-09-01
US11776150B2 (en) 2023-10-03
US20210350186A1 (en) 2021-11-11
US20210271931A1 (en) 2021-09-02

Similar Documents

Publication Publication Date Title
US11776150B2 (en) Systems and methods for detecting laterality of a medical image
KR101864380B1 (ko) 수술영상데이터 학습시스템
US10811135B2 (en) Systems and methods to determine disease progression from artificial intelligence detection output
US8194965B2 (en) Method and system of providing a probability distribution to aid the detection of tumors in mammogram images
JP2021536057A (ja) 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体
US20190088359A1 (en) System and Method for Automated Analysis in Medical Imaging Applications
US20230394853A1 (en) System for automatic tumor detection and classification
KR20190088375A (ko) 수술영상데이터 학습시스템
US20120053446A1 (en) Voting in image processing
US20220198214A1 (en) Image recognition method and device based on deep convolutional neural network
US20220114389A1 (en) Systems and methods of automatic medical image labeling
CN109741812A (zh) 发送医学图像的方法以及执行所述方法的医学成像设备
WO2022133590A1 (en) Automatic annotation of condition features in medical images
US11682135B2 (en) Systems and methods for detecting and correcting orientation of a medical image
CN112074912A (zh) 使用介入x射线图像和深度学习的交互式冠状动脉标记
US20240062367A1 (en) Detecting abnormalities in an x-ray image
WO2023077238A1 (en) Hybrid classifier training for feature annotation
EP4344642A1 (en) Computer-implemented method for setting x-ray acquisition parameters
US20220277452A1 (en) Methods for analyzing and reducing inter/intra site variability using reduced reference images and improving radiologist diagnostic accuracy and consistency
US11967424B2 (en) Information processing apparatus, information processing method, and recording medium
EP4134971A1 (en) Method and devices for supporting the observation of an abnormality in a body portion
EP4343687A1 (en) Image segmentation with improved expert guidance
EP4002275A1 (en) System and method for visualizing placement of a medical tube or line
US20210232967A1 (en) Methods and systems for tuning a static model
CN117409273A (zh) 基于数据扩增的识别模型的优化方法、设备及介质

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