CN113539464A - 用于磁共振成像的智能扫描推荐 - Google Patents
用于磁共振成像的智能扫描推荐 Download PDFInfo
- Publication number
- CN113539464A CN113539464A CN202110424338.XA CN202110424338A CN113539464A CN 113539464 A CN113539464 A CN 113539464A CN 202110424338 A CN202110424338 A CN 202110424338A CN 113539464 A CN113539464 A CN 113539464A
- Authority
- CN
- China
- Prior art keywords
- scan
- data
- ihri
- recommendation
- uii
- 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
- 238000002595 magnetic resonance imaging Methods 0.000 title abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 95
- 238000002360 preparation method Methods 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 230000005856 abnormality Effects 0.000 claims abstract description 38
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims description 43
- 230000036541 health Effects 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 20
- 238000003384 imaging method Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 15
- 238000003745 diagnosis Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 12
- 201000010099 disease Diseases 0.000 description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003058 natural language processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 230000002861 ventricular Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000002597 diffusion-weighted imaging Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 210000004885 white matter Anatomy 0.000 description 3
- 208000016192 Demyelinating disease Diseases 0.000 description 2
- 206010012305 Demyelination Diseases 0.000 description 2
- 206010057469 Vascular stenosis Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010020880 Hypertrophy Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010000210 abortion Diseases 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 210000000877 corpus callosum Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—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]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及用于磁共振成像的智能扫描推荐。公开了一种扫描推荐方法,其中,接收包括分类数据(CIA,CMA)的评估数据,其中,分类数据(CIA,CMA)对在关于患者的医疗状况的输入数据(ID,IM,IHRI,UII)中检测到的异常(IA,MA)进行分类。基于评估数据,执行根据患者的MR扫描要执行的下一个推荐MR协议(NRP)的自动确定。此外,公开了一种个人扫描准备方法。此外,描述了一种医学成像方法。还描述了一种扫描工作流程执行方法。为了执行上述方法,还描述了扫描推荐系统(45)、个人扫描准备系统(40)、医学成像系统(50)和扫描工作流程执行系统(60)。
Description
相关申请的交叉引用
本申请要求于2020年4月22日提交的美国临时申请第63/013,825号的优先权,其全部公开内容通过引用被整体并入本文中。
技术领域
本公开内容涉及用于开发针对磁共振成像(MRI)的工作流程的技术,并且尤其涉及用于使用可以是自动化处理的一部分的各种数据源来推荐MR协议的技术。
背景技术
磁共振成像(MRI)是提供生物组织的诊断相关信息的医学成像技术。它的诊断相关性来源于这种成像模式的信息能力和多功能性,它以非侵入性方式提供了差异化和精确的结构信息。磁共振成像是基于对患者身体内部核自旋的受控操纵以及随后对核自旋响应的检测。自旋响应的空间相关编码允许重建患者的结构组成和功能构成,以用于放射科医师执行诊断读取。
常规上,为了生成用于诊断的MR图像,进行MRI扫描的MRI技术人员从MRI扫描仪成像协议库中选择MR协议的顺序排列,其可以基于例如相关身体部位、疑似疾病(例如,通过转诊医生或放射科医师的临床指示)、患者特定的要求(例如,植入物、与运动有关的不符合性)以及稍后将执行用于诊断的MR图像的读取的临床机构和放射科医师的偏好。另外,在扫描过程期间,技术人员通常会执行检查,以确保记录的扫描的图像质量允许进行诊断。然后,技术人员可以进行协议修改,例如,使视野适应患者身体和其他,并且如果需要,将执行重新扫描。
这种经典的MRI扫描工作流程要求MRI技术人员经受紧张的特定模式训练并且获取许多年的扫描经验。如今,执行的MRI扫描的数量在不断增加,而却缺少合格人员,这导致了高昂的操作成本。即使对于训练有素的技术人员,优化执行MRI扫描所需的大量手动步骤以及增加的时间压力也会导致操作失误的重大风险。即使在知名医院中,有时也可能会有训练不足的技术人员不得不操作扫描仪,例如在晚上或在周末。
在US 9,928,589 B2中,描述了一种用于支持多参数图像的获取的设备和方法。该设备包括:疾病选择器,其被配置成基于患者信息选择患者的疑似疾病;以及图像选择器,其被配置成基于多参数磁共振成像模型确定对应于疑似疾病的多参数磁共振图像的成像条件组。然而,在记录医学图像之前,通常很难确定患者的疾病。
在US 2018/0 101 644 A1中,描述了一种基于医学图像数据提供关于诊断系统的诊断的置信度信息的方法。诊断系统被设计为使用医学图像数据和进一步的患者特定数据作为其输入的算法。置信度的测量通过执行确定算法来确定,该确定算法具有以下作为其输入参数:用于诊断系统的特征值,例如诊断系统的灵敏度或特异性;和/或来自医学图像数据的图像内容。此外,可以基于置信度信息提出进一步获取附加图像数据。可以获取附加医学图像数据,使得该数据相对于已经存在的医学图像数据表现出改变的图像对比度。
发明内容
同样,截至今日,大多数MRI扫描是手动执行的,需要技术人员从协议库中选择所需的协议。为了使MR成像工作流程自动化,已经设计了包含顺序排列的协议的应用,这些协议专门用于特定解剖区域和/或疑似疾病的成像。具体地,图像切片计划的步骤已经可以通过模式匹配算法来自动化。然而,截至今日,还没有可以使得未经训练的技术人员能够在考虑患者特定需求或发现的同时以高的成功率执行整个MRI扫描的软件。
因此,本发明的目的是找到用于准备和执行MRI扫描而不需要合格的操作人员的解决方案。
上述问题通过以下来解决:根据本发明的扫描推荐方法、根据本发明的个人扫描准备方法、根据本发明的医学成像方法、根据本发明的扫描工作流程执行方法、根据本发明的扫描推荐系统、根据本发明的个人扫描准备系统、根据本发明的医学成像系统以及根据本发明的扫描工作流程执行系统。
根据本发明的扫描推荐方法包括接收包括分类数据的评估数据的步骤。分类数据对基于关于患者的医疗状况的输入数据而检测到的异常进行分类。优选地,在患者的医学图像数据中检测到异常。分类包括检测到的异常的识别的类型,将针对不同可能类型的异常的概率值分配给检测到的异常。例如,异常可以是在诸如医学图像数据的输入数据中检测到的异常,或者基于关于不同类型的患者的医学数据,它们可以包括关于异常的信息。
在图像数据中检测到的异常包括检测到的图像异常或独特的图像特征,例如高信号区域、低信号区域、异常组织、中线移位、血管狭窄、斑块、脱髓鞘或肿块效应(masseffect)。如下文进一步说明的,异常也可以是检测到的图像度量异常或区别特征。然后,基于评估数据自动确定下一个推荐MR协议,该下一个推荐MR协议旨在与患者的MR扫描一起执行。如以下所说明的,评估不限于图像数据的评估。因此,可以分析关于患者状况的多个不同类型的输入数据以确定评估数据。此外,可以评估关于患者状况的单个特殊类型的输入数据的多个数据组。扫描推荐可以基于接收不同类型的多个评估数据。异常的检测可以基于机器学习方法(例如基于诸如卷积神经网络的神经网络)来实现,该神经网络将诸如图像数据的输入数据作为输入,并且提供输入数据为正常与异常的概率作为输出。检测到的异常的分类也可以使用机器学习方法(例如基于神经网络的技术或者更具体地使用卷积神经网络)来实现。如果针对接收的诸如图像数据的输入数据的检测到的异常的概率值高于某个可定制阈值ξd,则如上述,分配给检测到的异常的诸如图像数据的输入数据被作为用于后续分类步骤的输入。扫描推荐也可以根据基于机器学习的技术特别是如以下所说明的神经网络技术来实现。在最简单的变型中,评估数据简单地包括分类数据。然而,评估数据还可以附加地包括不同类型的数据。根据本发明的方法允许经训练或未经训练的技术人员对每个患者执行高度个性化的MRI扫描工作流程,从而生成用于诊断患者的状况所需的最佳MRI图像组。该方法可以为完全自主优化的MR成像工作流程提供基础,从而还允许由操作者根据需要对其进行手动或电子定制。MR扫描仪操作者可以选择以全自动、全手动或混合模式来运行MR扫描工作流程。
根据本发明的个人扫描准备方法包括以下步骤:接收关于患者的医疗状况的输入数据,例如医学图像数据。通过检测输入数据中的异常,基于检测到的异常确定分类数据作为评估数据,并且执行根据本发明的扫描推荐方法,来确定基于输入数据的评估数据。有利地,异常的分类可以用于使MR协议适应特殊种类的异常。例如,针对推荐的MR协议选择特殊的对比度。此外,个人扫描准备方法共享扫描推荐方法的优点。
根据本发明的医学成像方法包括以下步骤:基于根据本发明的扫描推荐方法确定下一个推荐协议,并且将下一个推荐协议发送至MR扫描系统,并且由MR扫描系统基于所接收到的协议执行MR扫描。医学成像方法共享根据本发明的扫描推荐方法的优点。
根据本发明的扫描工作流程执行方法包括执行根据本发明的医学成像方法的步骤。在医学成像方法的MR扫描之后,在重建的MR图像数据中检测异常,并且基于检测到的异常确定分类数据。然后,在考虑所确定的分类数据的情况下,迭代地执行上述三个步骤,直到获得中止标准为止。换言之,首先基于本发明的扫描推荐方法或根据本发明的个人扫描准备方法来确定下一个推荐协议。然后,下一个推荐协议被发送至MR扫描系统,并且由MR扫描系统基于推荐协议来执行MR扫描。此外,执行迭代协议确定和测量,其包括以下步骤,控制MR扫描、评估重建的MR图像数据并且基于重建的MR图像数据的异常的分类针对下一个推荐协议迭代地改进输入数据。例如,操作者可以首先记录标准的MR协议组,并且基于所记录的第一图像采用扫描推荐方法以用于附加MR扫描,该附加MR扫描可以基于成像信息针对当前患者附加指示。有利地,实现了用于患者的优化MR扫描的完整的自动工作流程,其中,针对MR成像的协议以及因此MR成像本身在每个迭代循环中被优化。必须提到的是,以上描述的所有方法——即扫描推荐方法、个人扫描准备方法、医学成像方法和扫描工作流程执行方法——也可以在操作者没有坐在扫描仪控制台的前面的情况下执行。因此,所有描述的方法都可以在MR扫描系统旁边甚至没有控制台室的情况下执行,即,完全自动化,或者监视操作者坐在其他地方并且进行远程控制。有利地,熟练的操作者可以远程执行患者的调查和医学成像过程的监视,并且因此可以在MR系统可用的情况下访问专业技能。
根据本发明的扫描推荐系统包括至少一个接口,优选地多个输入接口,以用于接收评估数据。评估数据包括分类数据,其中,分类数据对基于输入数据检测到的异常进行分类,其中,输入数据涉及患者的医疗状况。此外,根据本发明的扫描推荐系统包括推荐单元,用于自动确定根据MR扫描要执行的下一个推荐MR协议,基于所接收到的评估数据确定根据患者的MR扫描要执行的下一个推荐MR协议。
换言之,扫描推荐系统可以被配置成完全和自动地推荐下一个诊断上最有洞察力的MR协议以用于测量。用于推荐系统的评估数据可以基于输入的完整组或子组,其包括图像数据(历史的或当前的)、图像导出度量例如组织和腔的几何特性(如血管壁厚度、截面和心室容积等)、电子健康记录信息和/或用户界面输入。根据本发明的扫描推荐系统共享根据本发明的扫描推荐方法的优点。
根据本发明的个人扫描准备系统包括用于接收关于患者的医疗状况的输入数据的输入接口。此外,个人扫描准备系统包括评估单元和根据本发明的扫描推荐系统,评估单元包括:检测单元,用于检测输入数据中的异常;分类单元,用于基于检测到的异常确定分类数据作为评估数据。个人扫描准备系统共享根据本发明的个人扫描准备方法的优点。
根据本发明的医学成像系统包括MR扫描系统和扫描推荐系统或者根据本发明的个人扫描准备系统,其耦接至MR扫描系统,以确定下一个推荐协议,并且将下一个推荐协议发送至MR扫描系统以用于执行MR扫描。根据本发明的医学成像系统共享根据本发明的医学成像方法的优点。
扫描工作流程执行系统包括根据本发明的医学成像系统。此外,扫描工作流程执行系统包括异常检测单元,用于检测所重建的MR图像数据中的异常。此外,扫描工作流程执行系统包括分类单元,用于基于所检测到的异常来确定分类数据。扫描工作流程执行系统还包括迭代单元,以用于基于所确定的分类数据确定是否迭代地执行医学成像、异常检测和异常分类的三个步骤,直到获得中止标准为止。扫描工作流程执行系统共享根据本发明的扫描工作流程执行方法的优点。
根据本发明的扫描推荐系统、根据本发明的个人扫描准备系统、根据本发明的医学成像系统以及根据本发明的扫描工作流程执行系统的基本部件大部分可以以软件部件的形式设计。这尤其适用于扫描推荐系统的推荐单元,该扫描推荐系统可以包括例如完全连接的神经网络或随机森林、个人扫描准备系统的评估单元、检测单元和分类单元,以及扫描工作流程执行系统的异常检测单元和迭代单元,以及输入接口的一部分。然而,原则上,这些部件中的一些也可以以软件支持的硬件的形式例如FPGA等实现,尤其是当涉及到特别快的计算时。同样,所需的接口——例如如果只是从其他软件部件传输数据的问题——可以被设计为软件接口。然而,它们也可以被设计为由合适的软件控制的基于硬件的接口。此外,上述部件的一些部分可以分布并且存储在本地或区域或者全球电子网络或者网络和软件的组合中,特别是云系统中。
很大程度上基于软件的实现具有以下优点:包括已经使用的磁共振成像系统的医学成像系统可以通过软件更新容易地被改造,以便以根据本发明的方式工作。在这方面,该目的还通过具有计算机程序的相应计算机程序产品来实现,该计算机程序可以被直接加载至存储设备,例如医学成像系统的控制设备中,该计算机程序产品具有程序部分,以便在医学成像系统中特别是在控制设备中执行该程序的情况下,执行根据本发明的方法的所有步骤。除了计算机程序之外,这种计算机程序产品可以包含附加部件,例如文档和/或包括用于使用软件的硬件部件例如硬件密钥(加密狗等)的附加部件。
为了运输至医学成像系统和/或存储在医学成像系统上或医学成像系统中,使用计算机可读介质,例如记忆棒、硬盘或一些其它可运输的或永久安装的数据载体,在其上存储可以由医学成像系统的计算机单元读入和执行的计算机程序的程序部分。计算机单元可以包括例如用于此目的的一个或更多个协作微处理器等。也可以通过从申请人的中央网上商店或另一基于互联网的源或基于云的源下载来获得计算机程序。
从属权利要求和以下描述各自包含本发明的特别有利的实施方式和改进。具体地,一个权利要求类别的权利要求也可以类似于另一权利要求类别的从属权利要求进一步改进。另外,在本发明的范围内,不同示例性实施方式和权利要求的各种特征也可以组合以形成新的示例性实施方式。
在根据本发明的扫描推荐方法的变型中,自动扫描推荐基于使用以下软件类型或者软件和硬件的组合类型中的至少一个:
-机器学习模型,优选地包括以下中的至少一个:
-浅层神经网络模型,
-深度神经网络模型,
-卷积神经网络,
-完全连接的神经网络,
-支持向量机,
-决策树,
-随机森林,
-专家系统,
-经典模型算法。
例如,可以使用经训练的模型(例如完全连接的神经网络或随机森林)来执行扫描推荐方法。经训练的模型接收上述评估数据,该评估数据例如包括分类的异常。因此,经训练的模型用于确定根据患者的MR扫描要执行的下一个推荐MR协议。所提到的输入数据——例如患者的图像数据——可以是关于患者的所有种类的信息,这可能影响要计划的成像过程。所提到的输入数据可以直接用作针对经训练的模型的输入,或者可以在他们被馈送至经训练的模型之前,例如通过机器学习或深度学习模型来经历一个或若干个预处理步骤。
优选地,在根据本发明的扫描推荐方法中,评估数据包括第一可能的扫描工作流程方向,该第一可能的扫描工作流程方向通过将基于关于患者的医疗状况的输入数据中的提取的关键词的主题映射至下一个推荐协议的概率来确定。输入数据可以是例如书面信息,即,关于疑似诊断、症状、涉及症状的指示或者身体部位(症状被定位在该身体部位,并且指示或疑似诊断涉及该身体部位)的文本数据。输入数据可以包括电子健康记录信息,该电子健康记录信息包括疑似诊断、疑似疾病、技术人员的相关观察、来自转诊临床医生的指示、身体部位、患者数据或MR协议中的至少一个。因此,电子健康记录信息可以添加关于患者的健康状况的附加信息,并且可以用于修改MR成像协议。此外,协议可以通过由用户的直接输入来修改。因此,输入数据也可以包括由用户输入的数据。关键词提取可以基于专家系统或机器学习方法或深度学习方法或其组合来执行。提取的关键词可以基于数据预处理例如词形还原或词干提取和词袋生成来确定。主题由主题检测算法或生成的主题模型来确定。主题检测可以通过经训练的具有潜在的狄利克雷分配(Latent Dirichletallocation)的无监督主题检测来实现。潜在的狄利克雷分配可以使用以下来执行:经典的机器学习方法例如如在D.Blei等人JMLR 3,2003中描述的利用变分推理训练的分层贝叶斯模型;或者如在Y.Miao等人Proc.ICML,2017中描述的神经变分推理。主题到可能的扫描工作流程方向的映射(即可能的推荐的下一扫描协议组)可以基于专家知识、客户偏好或附加的指定机器学习算法或深度学习算法。针对主题中的每一个分配具有概率值的推荐的下一个扫描协议组。
此外,还可以通过根据本发明的扫描推荐方法来确定第二可能的扫描工作流程方向,其中,包括在评估数据中的分类数据被映射至下一个推荐协议的概率值。这种映射可以使用映射模型例如随机森林或完全连接的神经网络来实现。然后,基于第二可能的扫描工作流程方向并且可选附加地基于第一可能的扫描工作流程方向来执行最终推荐步骤。可以使用第一可能的扫描工作流程方向和第二可能的扫描工作流程方向的加权平均或者使用完全连接的神经网络来实现最终推荐步骤。
在根据本发明的个人扫描准备方法的变型中,输入数据包括图像数据,并且检测异常的步骤包括检测图像数据中的异常。如以上所提到的,图像数据中异常的检测和分类可以使用神经网络例如卷积神经网络来实现。异常可以是图像数据的直接异常或者与图像数据相关的度量的异常。因此,输入数据还可以包括基于图像数据的图像导出度量,并且检测异常的步骤可以包括检测图像导出度量中的异常。图像导出度量包括组织和腔的几何特性,可能与来自队列的标准数据进行比较。这种导出的度量包括血管壁厚度、血管的截面和心室容积、大脑中的灰色质量体积和大脑中的白色质量体积。
同样优选地,在个人扫描准备方法中,输入数据还可以包括电子健康记录信息和/或用户界面输入数据,并且确定评估数据的步骤可以包括以下步骤:从电子健康记录信息和/或用户界面输入中提取关键词,基于提取的关键词确定主题,以及通过将主题映射至下一个推荐协议的概率来确定第一可能的扫描工作流程方向。关键词可以包括例如关于疑似诊断、疑似疾病、技术人员的相关观察、来自转诊临床医生的指示、身体部位、患者数据或MR协议中的至少一个的信息。关键词提取可以基于专家系统或机器学习方法或深度学习方法或其组合来执行。扫描推荐可以通过一个或若干个经典的和或机器学习算法来实现。如以上所提到的,电子健康记录信息可以添加关于患者的健康状况的附加信息,并且可以用于修改MR成像协议。此外,MR成像协议可以通过由用户的直接输入来修改。使用关键词提取使得能够自动分析电子健康记录信息和/或关于MR协议相关内容的用户界面输入。有利的是,也可以基于由用户输入的书面文本或直接协议数据,将关于先前的医学检查的信息集成至扫描推荐中。以这种方式,用于自动确定下一个推荐MR协议的数据库被扩展。
如以上所提到的,不同类型的信息可以组合作为用于自动确定下一个推荐协议的基础。上述列出的输入数据可以包括患者信息、用户信息和医院信息,这些输入数据可以直接用作扫描推荐系统的输入,或者可以在被馈送至扫描推荐系统之前经历一个或若干个预处理步骤(例如,通过机器学习或深度学习模型)。
在根据本发明的扫描推荐系统的变型中,推荐单元包括以下中的至少一个:
-机器学习模型,包括以下中的至少一个:
-浅层神经网络模型,
-深度神经网络模型,
-卷积神经网络,
-完全连接的神经网络,
-决策树,
-随机森林,
-支持向量机,
-专家系统,
-经典模型算法。
所描述的扫描推荐系统的变型共享扫描推荐方法的对应变型的优点。
根据本发明的扫描推荐系统还可以包括用于接收评估数据的输入接口,该评估数据包括第一可能的扫描工作流程方向,该第一可能的扫描工作流程方向通过将基于关于患者的医疗状况的提取的关键词的主题映射至下一个推荐协议的概率值来确定。所描述的扫描推荐系统的变型共享扫描推荐方法的对应变型的优点。
在根据本发明的扫描推荐系统的替选变型中,推荐单元包括:映射单元,用于通过将分类数据自动映射至下一个推荐协议的概率值来确定第二可能的扫描工作流程方向;以及最终协议推荐单元,用于基于第二可能的扫描工作流程方向并且可选附加地基于第一可能的扫描工作流程方向来最终推荐下一个推荐协议。所描述的扫描推荐系统的变型共享扫描推荐方法的相应的变型的优点。
在根据本发明的个人扫描准备系统的变型中,输入接口被配置成接收包括医学图像数据的输入数据,并且检测单元被配置成检测图像数据中的异常。输入接口还可以被配置成接收包括基于图像数据的图像导出度量的输入数据,并且检测单元可以被配置成检测图像导出度量中的异常。个人扫描准备系统的变型共享个人扫描准备方法的相应的变型的优点。
在根据本发明的个人扫描准备系统的另一变型中,输入接口被配置成接收包括电子健康记录信息和/或用户界面输入数据的输入数据。在该变型中,评估单元包括:提取单元,用于从电子健康记录信息和/或用户界面输入中提取关键词;主题发现单元,用于基于所提取的关键词确定主题;以及映射单元,用于通过将主题映射至下一个推荐协议的概率值来确定第一可能的扫描工作流程方向作为评估数据。所描述的个人扫描准备系统的变型共享根据本发明的个人扫描准备方法的相应的变型的优点。
附图说明
根据参照附图对本公开内容的优选实施方式的详细描述,本公开内容的以上和其他特征和优点对于本领域普通技术人员来说将更加明显,在附图中:
图1示出了根据本发明的实施方式的扫描准备方法的流程图,
图2示出了图1所示方法的特定步骤的流程图,
图3示出了根据本发明的实施方式的扫描工作流程执行方法的流程图,
图4示出了示出根据本发明的实施方式的具有扫描推荐系统的个人扫描准备系统的框图,
图5示出了表示具有如图4所描绘的个人扫描准备系统的医学成像系统的框图,
图6示出了示出根据本发明的扫描工作流程执行系统的框图,
图7详细示出了针对图像数据异常分类的示例,
图8详细示出了针对度量异常分类的示例,
图9详细示出了针对基于电子健康记录输入数据或用户界面输入数据的关键词分析的示例,
图10详细示出了根据本发明的实施方式的扫描推荐的功能。
具体实施方式
为了使本公开内容的目的、技术方案和优点更加明显,将在下文中通过实施方式的方式进一步详细描述本公开内容。
图1示出了根据本发明的实施方式的用于推荐针对患者的医学成像的工作流程的扫描准备方法的流程图100。如图1所示,在扫描准备方法的步骤1.I中,获取来自要检查的患者的图像数据ID。可以通过用于创建T1-图和T2-图的初始扫描来获取图像数据ID。此外,可以从以前从患者获取的历史图像中接收图像数据ID。在步骤1.II中,图像数据ID被直接用作用于确定评估数据的第一输入数据。分析关于图像异常IA的图像数据。图像数据ID中的异常IA的检测可以使用卷积神经网络来实现。在步骤1.III中,首先对图像数据ID进行预诊断分析步骤,其中,导出图像数据ID的一些度量IM。例如,检测和测量一些预诊断分析数据,例如,组织和腔的几何特性,如血管壁厚度、截面和心室容积等,并且将其与来自队列的标准数据进行比较。此外,在步骤1.IV中,将这些图像度量IM用作第二输入数据,并且使用完全连接的神经网络对其进行异常检测,其中,可以检测到度量IM的一些异常MA。在步骤1.V中,使用上面提到的卷积神经网络对图像异常IA进行进一步分类。在步骤1.VI中,使用例如完全连接的神经网络、决策树或随机森林来对检测到的度量IM的异常MA进行分类。因此,在步骤1.V和步骤1.VI中,将包括针对图像异常IA和度量异常MA的分类数据CIA、CMA的评估数据提供给稍后的步骤1.XI,这是实际的扫描推荐步骤。关于图像异常IA的分类数据CIA包括针对在步骤1.I中输入至扫描准备方法的图像数据ID中存在不同图像异常IA的概率的概率值组P(i)。关于度量异常MA的分类数据CMA包括针对存在不同度量异常IM的概率的概率值组P(j),这也可以被理解为在步骤1.IV中提供给扫描准备方法的输入数据。
换言之,记录初始图像数据ID以提供第一测量步骤基准,并且随后输入这些图像数据ID,以进行异常检测和异常分类。可以采用每次测量之后的质量保证步骤以确保足够的图像质量,并且如果需要(例如,由于患者运动),则触发重新扫描。异常检测和异常分类可以例如通过卷积神经网络来实现,其可以作为独立的实现。如果应用异常检测/分类,则实施方式有利地包括使用定量MR成像协议,例如,用于T1-图和T2-图以用于测量初始输入图像,以提供用于异常检测和分类的标准化图像输入。
在步骤1.VII中,将一些电子健康记录信息IHRI用作第三输入数据,其包括来自诸如对象的各种源(例如疑似诊断、参考指示等)和/或其他数据源(例如RIS、患者数据等)的数据。在步骤1.VIII中,一些附加信息UII——也被称为用户界面输入UII——包括作为用于个人扫描准备方法的第四输入数据获取的指示例如疑似诊断、参考指示、一个或多个身体部位、所期望的MR协议等的数据。在步骤1.IX中,使用例如自然语言处理(NLP)来处理输入电子健康记录信息IHRI,以执行关键词提取。通过这种方式,获取输入电子健康记录信息IHRI的提取关键词EK-IHRI。进一步继续个人扫描准备方法,在步骤1.X中使用例如NLP处理用户界面输入UII,以附加地或替选地提取关键词EK-UII。如上述和稍后更详细描述的,提取的关键词EK-IHRI、EK-UII然后被分配给不同的主题,并且然后将主题映射至概率值组P(n)、P(o),这表示可能的扫描工作流程方向PDI、PDU。然后,将可能的扫描工作流程方向PDI、PDU作为第三和第四评估数据提供给步骤1.XI的自动扫描推荐方法。在步骤1.XI中,如本文中进一步讨论的,基于各种评估值CIA、CMA、PDI、PDU的组合来执行根据本发明的实施方式的自动扫描推荐,以识别下一个推荐协议。自动扫描推荐可以基于经典或机器学习系统例如完全连接的神经网络(FCNN)来实现。然而,扫描推荐不限于这种实现方式,并且可以根据可以处理输入的经典算法、专家系统或机器学习设计的任何合适类型例如根据经典、训练或学习过程来实现,以基于输入的特定类型来推荐协议。
在图2中,描绘了示出如图1所示的步骤1.I的流程图100a。在步骤1.Ia中,基于患者的初始MR扫描执行T1-图测量,并且获取T1-图T1-M。与检查的主要成像过程相比,可以以低分辨率完成患者的初始扫描,并且不需要花费很多时间。此外,在步骤1.Ib中,基于患者的初始MR扫描执行T2-图测量,并且获取T2-图T2-M。在步骤1.Ic中,对获取的数据T1-M、T2-M执行质量分析,并且提供一些质量证明的图像数据T1-M-A、T2-M-A以进行进一步的处理和分析。在步骤1.Id中,所获取的数据T1-M-A、T2-M-A——由在步骤1.I的上下文中提到的图像数据ID所包括——用于生成合成对比度图像SCA。此外,如以上在图1的上下文中详细讨论的,在步骤1.II和步骤1.III中,所获取的数据T1-M-A、T2-M-A也用作图像数据ID。
在图3中,描绘了流程图300,其示出了包括上述个人扫描准备方法的扫描工作流程执行方法,该个人扫描准备方法包括用于扫描的工作流程的扫描推荐和附加的迭代协议确定以及测量过程,其可以运行直到满足相关的扫描中止标准组合为止。流程图300从步骤3.I开始,其包括完整的个人扫描准备方法,如在包括步骤1.I至步骤1.XI的图1的上下文中详细说明的。因此,在步骤3.I中,执行如图1中描述的方法,并且基于输入数据ID、IM、IHRI、UII创建下一个推荐协议NRP,输入数据ID、IM、IHRI、UII如在图1的上下文中描述的进行分析和处理。下一个推荐协议NRP被放入扫描队列中。此外,在步骤3.II中,由于例如临床标准、健康保险指南、放射线医师或技术人员偏好,将要扫描的一些附加手动或电子选择的协议EP添加至扫描队列。然后在步骤3.III中,将下一个扫描协议NSP从扫描队列发送至MR扫描单元。在步骤3.IV中,执行用于检查患者和获取原始数据的实际扫描过程,作为根据患者重建具有高分辨率和质量的图像数据MR-ID的基础。在步骤3.V中,然后分析关于图像数据MR-ID中的潜在异常MR-IA的重建图像数据MR-ID。在检测到一些异常MR-IA的情况下,这在图3中用“j”表示,过程继续进行至步骤3.VII。在未检测到异常MR-IA的情况下,这在图3中用“n”表示,过程继续进行至步骤3.VI。在步骤3.VI中,确定是否有任何附加项RI保留在队列中,这意味着协议保留在队列中,这必须进行处理。如果是在图3中用“j”表示的情况,则过程继续进行至步骤3.III。在队列中没有保留附加项目RI的情况下,这在图3中用“n”表示,过程继续进行至步骤3.IX,即完成扫描并且将重建的图像数据MR-ID发送至医疗人员。如果该过程继续进行步骤3.VII,则例如使用完全连接的神经网络对检测到的异常MR-IA执行分类。在步骤3.VIII中,确定分类的异常数据MR-CIA的类别i的预测概率P(i)是否全部受到可调概率阈值θc限制。如果是在图3中用“j”表示的这种情况,则过程继续进行步骤3.IX。在类别i的概率P(i)中的至少一个超过可调概率阈值θc的情况下,这在图3中用“n”表示,过程继续进行步骤3.X,其中,检查是否提出了要求完成扫描工作流程的任何扫描中止标志。中止标志可以基于中止标准ACR来提出,该中止标准ACR可以是达到时间限制、达到扫描协议的最大数目或者扫描队列中没有剩余扫描协议。如果不满足中止标准ACR,这在图3中用“n”表示,则过程继续进行步骤3.I,其中,将检测到的异常MR-CIA考虑到下一个MR扫描的扫描推荐中。在满足中止标准ACR中的至少一个的情况下,这在图3中用“j”表示,过程以步骤3.IX结束。
在图4中,示出了框图,其示出了根据本发明的实施方式的个人扫描准备系统40。如参照图4示出和描述的各种块或模块可以被实现为任何合适数目的硬件电路、处理器和/或软件(例如,执行的算法)。个人扫描准备系统40包括接收例如来自初始扫描的上述图像数据ID的图像数据输入接口41。此外,扫描推荐系统40包括接收图像度量IM的度量数据输入接口42。此外,个人扫描准备系统40包括异常检测单元43,其被配置成检测图像数据ID中的一些异常IA和图像度量IM中的一些异常MA。图像异常IA和度量异常MA被发送至异常分类单元44,该异常分类单元44被配置成对检测到的异常IA、MA进行分类,并且将检测到的分类CIA、CMA发送至扫描推荐单元45。
在一个变型中,异常检测单元43可以使用如卷积神经网络来执行异常检测,该卷积神经网络被配置成处理初始图像ID作为输入,并且提供输入图像ID为正常(即,健康)与异常(即,需要进一步成像)的概率作为输出。如果针对所提供的输入图像ID的异常IA的概率高于某个可定制的阈值ξd,则具有标记异常IA的初始输入图像ID可以然后被插入至后续异常分类单元44中,该后续异常分类单元44将异常IA分类至具有不同类别的概率值P(i)的类别i中,该类别i向扫描推荐单元45提供有意义的输入。合适的分类类别i可以包括例如以下示例性分类组中的一个或若干个:疾病类别(肿瘤、出血、MS等)、异常解剖区(白质、暗质、脑干、CSF等)、异常度量(白质体积、血管壁厚度、颈动脉截面等)。然后,具有高预测分类概率P(i)的类别i作为输入之一被转发至扫描推荐单元45。可以例如通过选择定制阈值概率值ξc来执行哪些类别被转发至扫描推荐单元45的选择,使得所有类别i都被转发,其概率P(i)满足P(i)>ξc。在另一变型中,用于类别i的转发标准可以替选地被设置为
满足maxiP(i)并且P(i)>ξc。
附加地,个人扫描准备系统40还包括用于接收电子健康记录信息IHRI的第三输入接口47。患者的这些电子健康记录信息IHRI可以包括例如已知的疾病、症状、用于扫描的临床指示、禁忌症如对比度不耐受,并且可以例如从RIS或包含患者数据的另一电子系统中提取。此外,个人扫描准备系统40包括作为第四输入接口的手动输入接口48,以用于接收一些用户接口输入UII,例如,包含疑似疾病或手动选择的协议以包括在扫描工作流程中。附加接收的数据IHRI、UII被发送至关键词提取单元46,该关键词提取单元46从接收的数据IHRI、UII提取一些相关的关键词EK-IHRI、EK-UII。此外,关键词被分配给主题,主题被映射至基于电子健康记录信息IHRI的可能扫描工作流程方向PDI和基于作为评估值的用户界面输入UII的可能扫描工作流程方向PDU。这些评估值然后也被发送至扫描推荐系统45。扫描推荐系统45基于各种输入CIA、CMA、PDI、PDU的组合来执行自动扫描推荐,以识别下一个推荐协议NRP。识别的下一个推荐协议NRP由输出接口49输出,输出接口49也是个人扫描准备系统40的一部分。在各种实施方式中,个人扫描准备系统40可以被实现为任何合适数目的硬件电路、处理器和/或软件(例如,执行的算法)。作为示例,扫描推荐系统40可以被实现为任何合适类型的经典或机器学习系统,例如,完全连接的神经网络(FCNN)。在实施方式中,个人扫描准备系统40可以与其他经典或机器学习过程、处理器、硬件部件和/或接口、和/或附加执行的算法相结合地进行工作,以经由任何合适数目的输入接收数据。例如,个人扫描准备系统40包括四个输入接口41、42、43、44,并且基于四个输入ID、IM、IHRI、UII进行工作。尽管这是通过示例而非限制的方式。实施方式包括适用于可以大于或小于四个输入的任何合适数目的输入的个人扫描准备系统40,并且可以包括与图4所示的示例不同的替选输入。在各种实施方式中,扫描推荐系统45的输入接口中的每一个可以使用任何合适数目的硬件电路、处理器和/或软件(例如,执行的算法)来实现。在各种实施方式中,扫描推荐系统45的输入接口中的每一个可以被实现为系统(例如,经典或机器学习系统),该系统根据在每个相应输入接口处接收的特定类型的数据被最佳地或优选地配置。
扫描推荐系统45可以基于例如专家系统、机器学习或深度学习方法或其组合来实现。扫描推荐系统45的扫描推荐算法可以例如通过能够接受评估数据(由异常分类单元和关键词提取单元上游预测)的一个或若干个经典或机器学习算法来实现,并且然后预测要添加至扫描队列的最合适的扫描协议(如可以在图6中所见)。作为示例,基于带有合适的单词嵌入的自然语言处理的方法可能适合这个任务。在实施方式中,扫描推荐系统45可以例如基于临床专家知识和医学协会指南来设计/训练。
在图5中,示意性地示出了包括在图4的上下文中详细说明的个人扫描准备系统40的医学成像系统50。医学成像系统50还包括MR扫描系统51,该MR扫描系统51向个人扫描准备系统40提供T1-图数据T1-M和T2-图数据T2-M。此外,医学成像系统50包括对比度图像生成单元52,该对比度图像生成单元52基于T1-图数据T1-M和T2-图数据T2-M生成一些合成对比度图像,以供习惯于具有特定对比度的特定类型图像的放射科医师使用。个人扫描准备系统40的扫描推荐系统针对MR成像过程提出下一个推荐协议NRP。
在图6中,描绘的框图示出了扫描工作流程执行系统60,其具有根据本发明的实施方式的个人扫描准备系统40和附加迭代协议确定以及可以运行直到满足相关扫描中止标准ACR组合为止的测量系统60a。迭代协议确定和测量系统60a包括扫描队列管理单元61,该扫描队列管理单元61从个人扫描准备系统40的扫描推荐系统45接收下一个推荐协议NRP,并且进一步接收一些手动或电子选择的要扫描的协议EP,并且创建包括接收的协议NRP、EP的扫描队列。除了数据驱动的新推荐协议NRP之外,实施方式包括手动或电子地将协议添加至扫描队列。可能需要该选项来使扫描工作流程符合例如当地医院标准、健康保险提供者要求、医疗协会指南、用户偏好等。因此,来自两个通道即个人扫描准备系统40和手动/电子输入的扫描协议NRP、EP被馈送至扫描队列管理单元61。扫描队列管理单元61然后根据例如调度时间、相关性、冗余度或输入通道来排序和/或管理扫描协议作业NRP、EP。扫描队列管理单元61可以(取决于操作者和用户偏好)接受两个协议输入通道,或者在两种极端情况下,拒绝一个或其他输入通道,以在高级别上实施手动或自动模式。取决于操作者和用户偏好,扫描队列管理单元61可以被配置成向扫描队列仅添加特定协议、具有特定参数的协议或满足特定要求的协议。扫描队列中的协议可以在下一个MR扫描仪测量期间执行,从而产生重建的MR图像。在适用的情况下,质量保证步骤和可选的重新扫描(如有指示)可以在此时插入或图像重建之前插入。
因此,迭代协议确定和测量系统60a还包括异常检测单元62,该异常检测单元62被配置成检测从MR扫描系统51接收的MR图像数据MR-ID中的异常MR-IA。异常数据MR-IA被发送至异常分类单元63,该异常分类单元63也是迭代协议确定和测量系统60a的一部分。因此,容易重建的图像MR-ID被插入至适于相应MR扫描协议的异常检测单元62(例如,在功能上类似于以上异常检测单元43)中。如果检测到异常MR-IA,则异常MR-IA可以由上述后续异常分类单元63分类,该后续异常分类单元63例如在功能上类似于以上异常分类单元44。异常分类单元63将异常数据MR-IA排列在异常类别MR-CIA中。也被称为分类数据MR-CIA被发送至迭代单元64,该迭代单元64基于分类数据MR-CIA和预定标准ACR确定扫描是否完成或者是否必须基于分类异常MR-CIA来计划附加的MR扫描。在分类数据MR-CIA的异常类别i的概率P(i)小于阈值θc的情况下,扫描完成。如果异常类别i中的至少一个的概率P(i)高于阈值θc,则确定是否满足中止标准ACR,该中止标准ACR可以是达到时间限制、达到扫描协议的最大数目或者队列中没有剩余扫描协议。在满足这些中止标准ACR之一的情况下,扫描完成。在中止标准ACR都不满足的情况下,基于检测到的异常MR-CA创建新的推荐协议NRP。即分类数据MR-CIA可以用作针对扫描准备系统40的扫描推荐系统45的评估数据,并且使用新推荐的扫描协议执行进一步的MR扫描。
因此,在异常分类之后,可以推荐以下步骤:检查是否出现了要求完成扫描工作流程的任何扫描中止标志,例如,由于达到时间限制、达到扫描协议的最大数目、队列中没有剩余扫描协议等。如果没有扫描工作流程中止标准ACR是肯定的(即被识别),则扫描推荐系统45可以用针对一个或若干个附加扫描推荐循环的新扫描图像数据MR-ID的分类数据MR-CIA再次查询,直到满足以下标准ACR的一个或相关组合并且导致扫描工作流程完成为止:
1.没有检测到附加的异常MR-IA。
2.所有异常类别i的分类概率P(i)低于某个阈值
P(i)≤θc。
3.扫描队列中没有剩余项目。
4.扫描工作流程中止标准ACR的任何或相关组合为肯定的。
在迭代单元64决定必须完成扫描的情况下,则向MR扫描单元51发送命令DO,以用于向医疗人员发送图像数据MR-ID。
在异常检测单元62没有检测到来自MR扫描系统51的MR图像数据MR-ID中的异常MR-IA的情况下,信息N-IA被发送至扫描队列管理单元61,该扫描队列管理单元61确定是否存在保留在队列中的附加项目。然后,扫描队列状态可以决定下一步是否将执行另一待定扫描,或者扫描工作流程是否完成。在第一种情况下,扫描队列管理单元61继续进行队列中的下一个协议。
虽然本文中描述了具有串联连接的异常分类单元的异常检测单元的重复出现的配置,但是这不是唯一的实际配置,并且是通过示例而非限制的方式来提供的。替选地,本文中描述的实施方式可以将图像、图像度量或其他合适的数据同时馈送至异常检测单元和异常分类单元中,以用于两个模块的结果的稍后组合。
此外,实施方式还包括将针对异常检测和异常分类的阈值(例如,ξd、ξc、)修改为不同的最优值,这取决于例如扫描工作流程执行系统60内相应单元的位置、用于图像生成所采用的扫描协议NSP以及其他因素、特定应用等。
本文中描述的方法和系统允许经训练或未经训练的技术人员对每个患者执行高度个性化的MRI扫描工作流程,并且考虑到在记录的图像数据上检测到的潜在异常、电子健康记录信息以及来自操作者方面的手动或电子的设置要求,生成用于诊断该患者的状况所需的最佳MRI图像组。
本文中讨论的这些技术因此可以为完全自主和优化的MR成像工作流程提供基础,该MR成像工作流程仍然允许由操作者根据需要对其进行手动或电子定制。MR扫描仪操作者可以选择以完全自主、完全手动或混合模式运行MR扫描工作流程。
在自主模式下,取决于操作者的偏好,通过设置适当的阈值ξc、和选择相关的扫描中断标准ACR,MR扫描工作流程可以被配置成例如使每个患者的总扫描时间最小化,以及/或者使丢失用于图像读取和诊断所需的相关MR协议的概率最小化。
在另一变型中,操作者可以首先记录标准的MR协议组(借助于适当地设置图3中的工作流程步骤3.II、3.III),并且根据需要采用扫描推荐系统45来确定和记录可能用于当前患者附加指示的任何附加的MR扫描。
在图7中,为了更详细的理解,示出了用于图像数据异常分类的示例。在图7的上部,描绘了图像数据异常分类的训练过程。首先,作为训练数据的标记图像数据L-ID被输入至组合异常检测和分类单元43、44。组合异常检测和分类单元43、44包括卷积神经网络,其创建分类数据CIA作为标记图像数据L-ID的回答。然后,将分类数据CIA与标记分类数据L-CIA进行比较,并且调整卷积神经网络使得分类数据CIA被同化为标记分类数据L-CIA。在图7中,描述了图像异常IA的一些类别,例如,高信号区域hea、低信号区域hoa、异常组织at、中线移位ms、血管狭窄vs、斑块pl、脱髓鞘demy和肿块效应me。异常分类数据可以由1×i向量表示。替选的,组织特异性异常或异常IA也可以用于异常分类。在这种情况下,通过组织类型和异常类型对异常IA进行分类。例如,针对大脑的组织类型可以是白质、灰质、海马体、小脑或胼胝体。异常类型可以是肥大、萎缩或异常形态。在图7的下部,描述了分类过程。首先,图像数据ID被输入至异常检测和分类单元43、44。异常检测和分类单元43、44的训练卷积神经网络现在输出分类数据CIA,该分类数据CIA包括1×i向量,该1×i向量包括用于上述异常IA的概率值P(i)。
在图8中,为了更详细地理解,示出了用于度量异常分类的示例。在图8的上部,描绘了度量异常分类的训练过程。首先,标记度量数据L-IM被输入至异常检测和分类单元43、44作为训练数据。异常检测和分类单元43、44包括卷积神经网络,其创建分类数据CMA作为标记度量数据L-IM的回答。然后,将分类数据CMA与标记分类数据L-CMA进行比较,并且调整卷积神经网络使得分类数据CMA被同化为标记分类数据L-CMA。在图8中,度量数据IM包括关于WMv体积、GMv体积、动脉截面acs、静脉截面vcs、心室容积vv的值以及关于患者年龄pa和患者的性别sm的附加信息。度量数据IM可以由1×k向量表示,并且异常分类数据CMA可以由1×j向量表示,其中,j=k-2,这是因为分类数据CMA不包括关于患者的年龄和性别的信息。在图8的下部,描述了分类过程。首先,度量数据IM被输入至异常检测和分类单元43、44。异常检测和分类单元43、44的训练卷积神经网络现在输出分类数据CMA,该分类数据CMA包括1×j向量,该1×j向量包括用于上述异常MA的概率值P(j)。
在图9中,详细示出了用于基于电子健康记录输入数据IHRI或用户界面输入数据UII的关键词分析的示例。电子健康记录输入数据IHRI可以包括关于疑似诊断SD、症状SP、参考指示RIN、指定身体部位BR和PRR请求的MR协议的信息。关键词提取从数据预处理步骤9.I开始,例如,词形还原和词干提取。然后,在步骤9.II中,执行词袋生成。词干提取是基本的NLP(NLP=自然语言编程)数据预处理步骤,通过该步骤,单词的形态变型(词尾变化和词形变化)追溯到词根(被绊倒->绊倒)。词形还原是重要的NLP数据准备步骤,它将单词从不同的变形形式减少为其基本形式(更好->好)。词袋生成旨在从文本文档中生成预处理的、干净的词(参见以上)的未分类目录,其中,词的频率被解析。此后,在步骤9.III中,执行基于主题模型的主题检测,其中,检测到不同的主题T1、T2、T3、……、TN。然后,将作为关键词组的每个已识别的主题映射至作为推荐的下一个扫描协议组T1w、T2w、T2 FL、DWI、SWI的可能的扫描工作流程方向PDI。该映射可以基于专家知识、客户偏好或附加指定的基于机器学习或深度学习的算法。在图9中,推荐的下一个扫描协议的组PDI由1×n向量表示。推荐的下一个扫描协议的组PDI例如包括T1加权协议T1w、T2加权协议T2w、T2 FLAIR协议T2 FL、扩散加权成像协议DWI和磁化率加权成像(susceptibility weighted imaging)协议SWI。如果不期望或不可能进行从主题到协议的人类映射,则另一可能性是跳过主题检测9.III,而是训练模型,例如,直接从步骤9.II预测协议的模型例如卷积神经网络。这是更直接的,但是对用户提供较差的解释性。
在图10中,详细示出了扫描推荐45的功能。在左侧,描绘了用于图像异常IA和度量异常MA的分类的异常分类单元44。此外,描述了用于从电子健康记录信息数据IHRI和用户输入数据UII中提取关键词的关键词提取单元46。如在图7、图8和图9的上下文中所说明的,不同的分类数据CIA、CMA由分类单元44输出,并且可能的扫描工作流程方向数据PDI、PDU由关键词提取单元46输出。这些数据作为评估数据输入至扫描推荐系统45中。然后,异常分类数据CIA、CMA由映射单元101处理,映射单元101基于协议映射模型例如随机森林模型或完全连接的神经网络运行。以这种方式,创建下一个推荐协议或可能的扫描工作流程方向PDA的一些概率值P(m),其具有与扫描工作流程方向数据PDI、PDU类似的格式。所有这些推荐的下一个协议数据PDA、PDI、PDU然后被输入至最终协议推荐单元102中,该最终协议推荐单元102通过使用加权平均或随机森林模型或完全连接的神经网络来确定最终推荐的协议NRP。因此,确定了用于T2-FLAIR协议T2 FL的高概率值P(p=3)。因此,推荐T2-FLAIR协议T2 FL以用于下一个MR扫描。
以上描述仅仅是本公开内容的优选实施方式,但是不旨在限制本公开内容,并且在本公开内容的精神和原理内做出的任何修改、等同替换、改进等都应当包括在本公开内容的保护范围内。
Claims (22)
1.一种扫描推荐方法,包括以下步骤:
-接收包括分类数据(CIA,CMA)的评估数据,其中,所述分类数据(CIA,CMA)对在关于患者的医疗状况的输入数据(ID,IM,IHRI,UII)中检测到的异常(IA,MA)进行分类,
-基于所述评估数据,根据所述患者的MR扫描自动确定要执行的下一个推荐MR协议(NRP)。
2.根据权利要求1所述的扫描推荐方法,其中,下一个MR协议(NRP)的自动确定基于以下中的至少一个的使用:
-机器学习模型,其包括以下中的至少一个:
-卷积神经网络,
-完全连接的神经网络,
-浅层神经网络模型,
-深度神经网络模型,
-决策树,
-随机森林,
-支持向量机,
-专家系统,
-经典模型算法。
3.根据权利要求1或2所述的扫描推荐方法,其中,所述评估数据包括第一可能的扫描工作流程方向(PDI,PDU),所述第一可能的扫描工作流程方向(PDI,PDU)通过将基于所述输入数据(IHRI,UII)中的关于所述患者的医疗状况的提取的关键词(EK-IHRI,EK-UII)的主题(T1,T2,T3,……,TN)映射至下一个推荐协议(NRP)的概率的概率值(P(n),P(o))来确定。
4.根据权利要求1至3中任一项所述的扫描推荐方法,其中,下一个推荐MR协议(NRP)的自动确定包括以下步骤:
-通过将所述分类数据(CIA,CMA)自动映射至下一个推荐协议(NRP)的概率(P(m))来确定第二可能的扫描工作流程方向(PDA),
-基于所述第二可能的扫描工作流程方向(PDA)并且可选地附加地基于所述第一可能的扫描工作流程方向(PDI,PDU),自动最终推荐所述下一个推荐协议(NRP)。
5.一种个人扫描准备方法,包括以下步骤:
-接收关于患者的医疗状况的输入数据(ID,IM,IHRI,UII),
-基于所述输入数据(ID,IM,IHRI,UII)确定评估数据,包括以下步骤:
-检测所述输入数据(ID,IM,IHRI,UII)中的异常(IA,MA),
-基于所检测到的异常(IA,MA)确定分类数据(CIA,CMA)作为评估数据,
-基于所述评估数据,执行根据权利要求1至4中任一项所述的扫描推荐方法。
6.根据权利要求5所述的个人扫描准备方法,其中,
-所述输入数据(ID,IM,IHRI,UII)包括图像数据(ID),并且
-检测异常(IA,MA)的步骤包括检测所述图像数据(ID)中的异常(IA)。
7.根据权利要求6所述的个人扫描准备方法,其中,
-所述输入数据(ID,IM,IHRI,UII)包括基于图像数据(ID)的图像导出度量(IM),并且
-所述检测异常(IA,MA)的步骤包括检测所述图像导出度量(IM)中的异常(MA)。
8.根据权利要求6或7所述的个人扫描准备方法,其中,
-所述输入数据(ID,IM,IHRI,UII)还包括电子健康记录信息(IHRI)和/或用户界面输入数据(UII),并且确定评估数据的步骤包括以下步骤:
-从所述电子健康记录信息(IHRI)和/或所述用户界面输入(UII)中提取关键词(EK-IHRI,EK-UII),
-基于所提取的关键词(EK-IHRI,EK-UII)确定主题(T1,T2,T3,……,TN),
-通过将所述主题(T1,T2,T3,……,TN)映射至下一个推荐协议(NRP)的概率的概率值(P(n),P(o))来确定所述第一可能的扫描工作流程方向(PDI,PDU)。
9.一种医学成像方法,包括以下步骤:
-基于权利要求1至8中的一项所述的方法确定下一个推荐协议(NRP),
-将所述下一个推荐协议(NRP)发送至MR扫描系统(51),
-由所述MR扫描系统(51)基于所接收到的协议(NRP)执行MR扫描,其中,记录来自所述患者的MR图像数据(MR-ID)。
10.一种扫描工作流程执行方法,包括以下步骤:
-执行根据权利要求9所述的医学成像方法,
-在所重建的MR图像数据(MR-ID)中检测异常(MR-IA),
-基于所检测到的异常(MR-IA)确定分类数据(MR-CIA),
-基于所确定的分类数据(MR-CIA)迭代地执行上述三个步骤,直到获得中止标准(ACR)为止。
11.一种扫描推荐系统(45),包括:
-输入接口(41、42),用于接收包括分类数据(CIA,CMA)的评估数据,其中,所述分类数据(CIA,CMA)对基于关于患者的医疗状况的输入数据(ID,IM,IHRI,UII)而检测到的异常(IA,MA)进行分类,
-推荐单元(101、102),用于基于所接收到的评估数据自动确定根据所述患者的MR扫描要执行的下一个推荐MR协议(NRP)。
12.根据权利要求11所述的扫描推荐系统,其中,所述推荐单元(101,102)包括以下中的至少一个:
-机器学习模型,包括以下中的至少一个:
-卷积神经网络(CNN),
-完全连接的神经网络(FCNN),
-浅层神经网络模型,
-深度神经网络模型,
-决策树,
-随机森林,
-支持向量机,
-专家系统,
-经典算法。
13.根据权利要求11或12所述的扫描推荐系统,包括用于接收评估数据的输入接口,所述评估数据包括第一可能的扫描工作流程方向(PDI,PDU),所述第一可能的扫描工作流程方向(PDI,PDU)通过将基于关于所述患者的医疗状况的提取的关键词(EK-IHRI,EK-UII)的主题(T1,T2,T3,……,TN)映射至下一个推荐协议(NRP)的概率的概率值(P(n),P(o))来确定。
14.根据权利要求11至13中任一项所述的扫描推荐系统,
其中,所述推荐单元(101,102)包括:
-映射单元(101),用于通过将所述分类数据(CIA,CMA)自动映射至下一个推荐协议(NRP)的概率的概率值(P(m))来确定第二可能的扫描工作流程方向(PDA),
-最终协议推荐单元(102),用于基于所述第二可能的扫描工作流程方向(PDA)并且可选地附加地基于所述第一可能的扫描工作流程方向(PDI,PDU)来最终推荐所述下一个推荐协议(NRP)。
15.一种个人扫描准备系统(40),包括:
-输入接口(41、42、47、48),用于接收关于患者的医疗状况的输入数据(ID,IM,IHRI,UII),
-评估单元,包括:
-检测单元(43),用于检测所述输入数据(ID,IM,IHRI,UII)中的异常(IA,MA),
-分类单元(44),用于基于所检测到的异常(IA,MA)确定分类数据(CIA,CMA)作为评估数据,
-根据权利要求11至14中任一项所述的扫描推荐系统(45)。
16.根据权利要求15所述的个人扫描准备系统,其中,
-所述输入接口(41)被配置成接收包括所述医学图像数据(ID)的输入数据(ID),并且
-所述检测单元(43)被配置成检测所述图像数据(ID)中的异常(IA)。
17.根据权利要求15或16所述的个人扫描准备系统,其中,
-所述输入接口(42)被配置成接收包括基于图像数据(ID)的图像导出度量(IM)的输入数据(IM),并且
-所述检测单元(43)被配置成检测所述图像导出度量(IM)中的异常(MA)。
18.根据权利要求15至17中任一项所述的个人扫描准备系统,其中,
-所述输入接口(47、48)被配置成接收包括电子健康记录信息(IHRI)和/或用户界面输入数据(UII)的输入数据(IHRI,UII),
-所述评估单元包括:
-提取单元,用于从所述电子健康记录信息(IHRI)和/或所述用户界面输入(UII)中提取关键词(EK-IHRI,EK-UII),
-主题发现单元,用于基于所提取的关键词(EK-IHRI,EK-UII)确定主题(T1,T2,T3,……,TN),
-映射单元,用于通过将所述主题(T1,T2,T3,……,TN)映射至下一个推荐协议(NRP)的概率的概率值(P(m),P(o))来确定所述第一可能的扫描工作流程方向作为评估数据。
19.一种医学成像系统(50),包括:
-MR扫描系统(51),
-根据权利要求11至权利要求18中任一项所述的系统(40),其耦接至所述MR扫描系统(51)以确定下一个推荐协议(NRP),并且将所述下一个推荐协议(NRP)发送至所述MR扫描系统(51),以用于执行MR扫描。
20.一种扫描工作流程执行系统(60),包括:
-根据权利要求19所述的医学成像系统(50),
-异常检测单元(62),用于检测所重建的MR图像数据(MR-ID)中的异常(MR-IA),
-分类单元(63),用于基于所检测到的异常(MR-IA)确定分类数据(MR-CIA),
-迭代单元(64),用于基于所确定的分类数据(MR-CIA)确定是否迭代地执行医学成像、异常检测和异常分类的三个步骤,直到获得中止标准(ACR)为止。
21.一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被直接加载至医学成像系统(50)的控制设备的存储设备中,当在所述控制设备中执行所述计算机程序时,所述计算机程序产品具有用于执行根据权利要求1至10中任一项所述的方法的所有步骤的程序部分。
22.一种计算机可读介质,其上存储有能够由医学成像系统(50)的计算机单元读入和执行的程序部分,以便当在所述计算机单元中执行所述程序部分时,执行根据权利要求1至10中任一项所述的方法的所有步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063013825P | 2020-04-22 | 2020-04-22 | |
US63/013,825 | 2020-04-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113539464A true CN113539464A (zh) | 2021-10-22 |
Family
ID=75539047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110424338.XA Pending CN113539464A (zh) | 2020-04-22 | 2021-04-20 | 用于磁共振成像的智能扫描推荐 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210335490A1 (zh) |
EP (1) | EP3901964A1 (zh) |
CN (1) | CN113539464A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130311200A1 (en) * | 2011-02-04 | 2013-11-21 | Konninklijke Philips N.V. | Identification of medical concepts for imaging protocol selection |
US20140365244A1 (en) * | 2011-12-30 | 2014-12-11 | Koninklijke Philips N.V. | Imaging Examination Protocol Update Recommender |
US20170344701A1 (en) * | 2016-05-24 | 2017-11-30 | Siemens Healthcare Gmbh | Imaging method for carrying out a medical examination |
US20190041478A1 (en) * | 2017-08-01 | 2019-02-07 | Siemens Healthcare Gmbh | Automatic detection and setting of magnetic resonance protocols based on read-in image data |
CN110447021A (zh) * | 2017-03-13 | 2019-11-12 | Wan迪斯科公司 | 用于在数据中心之间维持元数据和数据的一致性的方法、装置和系统 |
US20190370958A1 (en) * | 2018-05-31 | 2019-12-05 | General Electric Company | Automated scanning workflow |
US20200043579A1 (en) * | 2018-08-06 | 2020-02-06 | David McEwing | Diagnositic and treatmetnt tool and method for electronic recording and indexing patient encounters for allowing instant search of patient history |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140088434A (ko) | 2013-01-02 | 2014-07-10 | 삼성전자주식회사 | 환자별 특성을 기반으로 한 mri 다변수 영상 획득 지원 장치 및 방법 |
US20170156630A1 (en) * | 2015-12-08 | 2017-06-08 | Board Of Regents Of The University Of Texas System | System and method for adaptive and patient-specific magnetic resonance imaging |
US11127495B2 (en) * | 2015-12-08 | 2021-09-21 | Koninklijke Philips N.V. | Quality management of imaging workflows |
US11246551B2 (en) * | 2016-09-20 | 2022-02-15 | KUB Technologies, Inc. | System and method for computer aided detection (CAD) in a breast specimen radiograph |
DE102016219488A1 (de) | 2016-10-07 | 2018-04-12 | Siemens Healthcare Gmbh | Verfahren zum Bereitstellen einer Konfidenzinformation |
US20190320934A1 (en) * | 2018-04-18 | 2019-10-24 | Siemens Healthcare Gmbh | Medical image acquisition with sequence prediction using deep learning |
EP3557274A1 (en) * | 2018-04-19 | 2019-10-23 | Koninklijke Philips N.V. | Automatic artifact detection and pulse sequence modification in magnetic resonance imaging |
US20190371472A1 (en) * | 2018-06-05 | 2019-12-05 | Fresenius Medical Care Holdings, Inc. | Systems and methods for identifying comorbidities |
CN112754458A (zh) * | 2019-11-01 | 2021-05-07 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、系统及存储介质 |
WO2021127012A1 (en) * | 2019-12-16 | 2021-06-24 | Trialmatch.me, Inc. d/b/a/Trialjectory | Unsupervised taxonomy extraction from medical clinical trials |
US11734333B2 (en) * | 2019-12-17 | 2023-08-22 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for managing medical data using relationship building |
EP3865066A1 (en) * | 2020-02-17 | 2021-08-18 | Koninklijke Philips N.V. | Automated scout scan examination |
US20210287783A1 (en) * | 2020-03-11 | 2021-09-16 | GE Precision Healthcare LLC | Methods and systems for a workflow tracker |
-
2021
- 2021-03-29 EP EP21165484.3A patent/EP3901964A1/en active Pending
- 2021-04-19 US US17/233,943 patent/US20210335490A1/en active Pending
- 2021-04-20 CN CN202110424338.XA patent/CN113539464A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130311200A1 (en) * | 2011-02-04 | 2013-11-21 | Konninklijke Philips N.V. | Identification of medical concepts for imaging protocol selection |
US20140365244A1 (en) * | 2011-12-30 | 2014-12-11 | Koninklijke Philips N.V. | Imaging Examination Protocol Update Recommender |
US20170344701A1 (en) * | 2016-05-24 | 2017-11-30 | Siemens Healthcare Gmbh | Imaging method for carrying out a medical examination |
CN110447021A (zh) * | 2017-03-13 | 2019-11-12 | Wan迪斯科公司 | 用于在数据中心之间维持元数据和数据的一致性的方法、装置和系统 |
US20190041478A1 (en) * | 2017-08-01 | 2019-02-07 | Siemens Healthcare Gmbh | Automatic detection and setting of magnetic resonance protocols based on read-in image data |
US20190370958A1 (en) * | 2018-05-31 | 2019-12-05 | General Electric Company | Automated scanning workflow |
US20200043579A1 (en) * | 2018-08-06 | 2020-02-06 | David McEwing | Diagnositic and treatmetnt tool and method for electronic recording and indexing patient encounters for allowing instant search of patient history |
Also Published As
Publication number | Publication date |
---|---|
EP3901964A1 (en) | 2021-10-27 |
US20210335490A1 (en) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108784655B (zh) | 针对医疗患者的快速评估和后果分析 | |
Costafreda | Pooling FMRI data: meta-analysis, mega-analysis and multi-center studies | |
JP5553972B2 (ja) | 電子医療記録影響データ取得、処理および表示システムおよび方法 | |
US20190156477A1 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
US20180107798A1 (en) | Method for aiding a diagnosis, program and apparatus | |
US8652039B2 (en) | Guiding differential diagnosis through information maximization | |
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 | |
US20210151187A1 (en) | Data-Driven Estimation of Predictive Digital Twin Models from Medical Data | |
US20080201170A1 (en) | Knowledge-based system for supporting radiological assessment and diagnostics | |
JP2007524461A (ja) | 乳房撮像の自動診断及び決定支援システム及び方法 | |
US10265040B2 (en) | Method and apparatus for adaptive computer-aided diagnosis | |
EP2812828B1 (en) | Interactive optimization of scan databases for statistical testing | |
CN102483815A (zh) | 临床决策支持 | |
US10130323B2 (en) | Method and apparatus for planning computer-aided diagnosis | |
CN109791804A (zh) | 对cad系统个性化以提供cad系统推荐的置信水平指示的方法和部件 | |
Mendes et al. | Estimating Gender and age from brain structural mri of children and adolescents: A 3D convolutional neural network multitask learning model | |
CN108604462A (zh) | 用于优化临床工作流程的预测模型 | |
GB2555381A (en) | Method for aiding a diagnosis, program and apparatus | |
CN113539464A (zh) | 用于磁共振成像的智能扫描推荐 | |
US11819314B2 (en) | Medical apparatus and test assisting method | |
US20230368892A1 (en) | Method for automating radiology workflow | |
US20220292657A1 (en) | Systems, devices, and methods for harmonization of imaging datasets including biomarkers | |
Ribarska et al. | Unsupervised Analysis of Alzheimer Disease Medical Data | |
Khurana et al. | Artificial Intelligence in Cardiac Imaging | |
Denck | Machine Learning-based Workflow Enhancements in Magnetic Resonance Imaging |
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 |