CN114080645A - 具有自动的基础事实生成的自学习分布式系统 - Google Patents
具有自动的基础事实生成的自学习分布式系统 Download PDFInfo
- Publication number
- CN114080645A CN114080645A CN202080049273.9A CN202080049273A CN114080645A CN 114080645 A CN114080645 A CN 114080645A CN 202080049273 A CN202080049273 A CN 202080049273A CN 114080645 A CN114080645 A CN 114080645A
- Authority
- CN
- China
- Prior art keywords
- patient
- examination
- medical
- image
- imaging
- 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
- 238000003384 imaging method Methods 0.000 claims abstract description 105
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000005259 measurement Methods 0.000 claims abstract description 64
- 238000010801 machine learning Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000002360 preparation method Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 35
- 210000003484 anatomy Anatomy 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 238000002591 computed tomography Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 8
- 238000003780 insertion Methods 0.000 claims description 6
- 230000037431 insertion Effects 0.000 claims description 6
- 238000002648 combination therapy Methods 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 5
- 229940079593 drug Drugs 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000002661 proton therapy Methods 0.000 claims description 5
- 206010020751 Hypersensitivity Diseases 0.000 claims description 4
- 238000012879 PET imaging Methods 0.000 claims description 4
- 208000026935 allergic disease Diseases 0.000 claims description 4
- 230000007815 allergy Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000002872 contrast media Substances 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 239000007943 implant Substances 0.000 claims description 4
- 230000035935 pregnancy Effects 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000002600 positron emission tomography Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 12
- 238000013170 computed tomography imaging Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000001994 activation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- 210000000746 body region Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000002604 ultrasonography 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/54—Control of apparatus or devices for radiation diagnosis
- A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
- A61B6/563—Details of data transmission or power supply, e.g. use of slip rings involving image data transmission via a network
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Software Systems (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
Abstract
为了生成带注释的基础事实数据,该带注释的基础事实数据用于训练机器学习模型以从检查准备期间观察到的工作流程场景推断出医学成像系统的期望的扫描配置,提供了一种系统,该系统包括传感器数据接口,其被配置成访问被定位成用于成像检查的患者的测量图像。测量图像是基于从传感器装置获得的传感器数据生成的,传感器装置具有包括患者被定位在其中以便成像的区域的至少一部分的视场。该系统还包括医学图像数据接口,其被配置成访问在成像检查期间从医学成像设备获得的患者的医学图像。患者被相对于医学成像设备的参考坐标系定位在给定的几何形状中。该系统还包括检查元数据接口,其被配置成访问成像检查的检查元数据。该系统还包括处理单元,其被配置成通过将医学图像的坐标系中的点映射到测量图像的坐标系中的点来确定测量图像中的一个或多个特征与从医学图像和/或从检查元数据提取的一个或多个特征之间的关联。该系统还包括输出接口,其被配置成与训练集数据库联接,用于将包括标记了测量图像中的一个或多个相关联的特征的数据的测量图像添加到用于训练机器学习模型的训练集数据库。
Description
技术领域
本发明涉及用于生成带注释的基础事实数据的系统和方法,该带注释的基础事实数据用于训练机器学习模型以从检查准备期间观察到的工作流程场景推断出医学成像系统的期望的扫描配置。本发明还涉及包括该系统的医学成像系统,以及包括用于致使处理器系统执行该方法的指令的计算机可读介质。
背景技术
在许多情况下,医学成像检查的适当准备和执行(例如在X射线成像中)涉及到技术操作人员基于他对解剖和生理上的患者特征的理解而手动地选择参数。例如,在计算机断层扫描(CT)成像中,期望的扫描区域的选择分两步进行:首先,使用激光点定义适当的身体区域,这决定了探查扫描的几何形状,然后,在探查图像上选择适当的关注区域。
为了减少成像检查的总时间,并减少人工操作引起的差异性,近年来已经开发了基于计算机的工具(如机器学习),以用于确定医学成像检查的扫描配置。例如,US 2015/0228071 A1描述了深度图像上的地标可以通过使用经过训练的机器学习算法而被识别。
然而,在上述方法中,需要使用已被相应地标记的数据来开发和训练算法,这些数据大多是基于人工或半自动的过程。基础事实生成的这个初始阶段往往是限制算法最终性能的因素,要么是由于准确标注的输入数据数量有限,要么是由于标注的不准确。另一个限制是,机器学习和深度学习系统是在所有可能的数据的子集上训练一次,然后在现场应用于新的数据,而没有可能进一步扩展训练数据库。如果出现具有新的和未预见的特征的数据,要么该系统表现不佳,要么需要开始基于新的标记的数据进行新的训练。
发明内容
可能需要提供一种用于生成带注释的基础事实数据的系统,该带注释的基础事实数据用于训练机器学习模型。
本发明的目的通过独立权利要求的主题得到了解决,其中进一步的实施例被并入从属权利要求中。应指出的是,本发明的以下描述方面也适用于系统、方法、医学成像系统和计算机可读介质。
本发明的第一方面提供了一种用于生成带注释的基础事实数据的系统,该带注释的基础事实数据用于训练机器学习模型以从检查准备期间观察到的工作流程场景推断出医学成像系统的期望的扫描配置,该系统包括:
-检查元数据接口,其被配置成访问利用至少一个医学成像系统进行的成像检查的检查元数据,其中检查元数据包括关于该至少一个医学成像系统的配置的信息;
-传感器数据接口,其被配置成访问患者的测量图像,该患者被相对于用于成像检查的至少一个医学成像系统的医学成像设备的参考坐标系定位在给定的几何形状中,其中,测量图像是基于从传感器装置获得的传感器数据生成的,传感器装置具有包括患者被定位在其中以便成像的区域的至少一部分的视场;和
-医学图像数据接口,其被配置成访问在成像检查期间从医学成像设备获得的患者的医学图像;和
-处理单元,其被配置成通过将医学图像的坐标系中的点映射到测量图像的坐标系中的点来确定测量图像中的一个或多个特征与从医学图像和/或从检查元数据提取的一个或多个特征之间的关联;和
-输出接口,其被配置成与训练集数据库联接,用于将包括标记了测量图像中的一个或多个相关联的特征的数据的测量图像添加到用于训练机器学习模型的训练集数据库。
换句话说,上述系统涉及在成像检查中获得患者的测量图像,该成像检查可能是常规检查或研究检查。测量图像可以是深度图像或RGB图像的形式。测量图像是在患者被定位以进行成像检查时获得的,例如,通过在成像检查的视场内躺着或站着。测量图像不一定要包括患者的整个身体表面;它可能只与患者的身体表面的一部分有关,这与成像检查有关。例如,如果关注的解剖结构是患者的颈部,那么传感器装置可以只捕获患者上半身的测量图像。
上述系统还涉及获得成像检查的检查元数据。检查元数据可以从医学成像设备(如X射线成像设备,或磁共振(MR)成像设备)的日志文件中获得。检查元数据也可以从连接的信息、数据存档系统(如放射学信息系统(RIS)、医院信息系统(HIS)和/或图片存档和通信系统(PACS))、和/或从其他工作站获得。检查元数据可包括由操作人员规划的扫描体积的配置参数,利用该配置参数可以从医学图像中提取一个或多个特征。
上述系统进一步涉及获得在成像检查期间由医学成像设备获取的患者的医学图像。医学图像可包括二维(2D)、三维(3D)或四维(4D)图像,这些图像通过各种获取模式来获取,包括但不限于X射线成像、MR成像、CT成像、正电子发射断层扫描(PET)成像。医学成像设备的进一步示例包括组合式治疗/诊断设备,如MR-Linac设备、MR质子治疗设备和/或锥形束CT设备。
完全自动化的操作可用于计算一个或多个特征,如通过医学成像设备获取的医学图像中的地标、器官边界、关注区域和/或图像标记。一种选择是使用图像处理算法,如图像检测算法,其找到医学图像中的一个或多个特征的近似中心和边界框。另一种选择是从由操作人员规划的扫描体积的配置参数中提取一个或多个特征。
在医学图像中提取的一个或多个特征,例如地标、器官边界、关注区域和/或图像标记,可以被映射到患者的测量图像,以确定测量图像中的一个或多个相关联的特征。在成像检查期间,传感器装置和至少一个医学成像系统之间的相对几何关系可用于映射由传感器装置获取的图像的坐标系中的点和由医学成像设备获取的医学图像的坐标系中的点。术语“相对几何关系”可指传感器装置的视场和成像系统的视场之间的几何关系。带有标记了测量图像中一个或多个相关联的特征的数据的测量图像可被添加到用于机器学习模型的训练数据集数据库中。
通过使用上述系统,关注的内部解剖结构的位置和大小可以在测量图像中自动地标记,以产生带注释的基础事实数据。带注释的基础事实数据可以从一个或多个临床站点的常规检查中产生。这种持续的、无监督的获取带注释的基础事实数据的过程为生成大型基础事实数据库提供了基础,从而克服了通过手动或半自动的过程获得的有限数量的训练集的缺点。标记的准确性也可以得到改善,因为测量图像中的相关联的特征是从医学图像中的特征转化来的,这些特征是通过图像检测算法提取的,或基于由被认为是专家的操作人员规划的扫描体积的配置参数。大量的带注释的基础事实数据可能对训练机器学习模型是至关重要的。例如,对于深度学习方法来说,必须用非常大量的数据来训练神经网络,以避免过拟合效应,即确保经过训练的系统良好地推及到未见过的数据。该系统的另一个优点是,带注释的基础事实数据是从常规检查和研究检查中持续地产生的,从而进一步且持续地扩展训练集数据库。如果出现具有新的和未预见的特征的数据,或者如果需要对训练过的系统的预期结果进行调整,持续扩展的训练集数据库可以允许保留机器学习模型,以用于随时间推移发生的变化。
根据本发明的一实施例,处理单元被配置成使用图像处理算法从医学图像中提取一个或多个特征,和/或从检查元数据中得出医学图像中的一个或多个特征,该检查元数据包括由操作人员规划的扫描体积的配置参数。
在一示例中,图像处理算法可以是图像分割算法,其在医学图像中找到一个或多个特征的轮廓。在另一示例中,图像处理算法可以是图像检测算法,其在医学图像中找到一个或多个特征的近似中心和边界框。作为另一示例,医学图像中的一个或多个特征可以从检查元数据中获得,该检查元数据包括由操作人员规划的扫描体积的配置参数,例如几何参数。因此,识别医学图像中的相关特征不需要用户交互。
根据本发明的一实施例,该系统还包括控制单元,该控制单元被配置成执行下列功能中的至少一项:启动带注释的基础事实数据的收集,中断带注释的基础事实数据的收集,以及停止带注释的基础事实数据的收集。
该系统可被配置成执行带注释的基础事实数据的持续的和无监督的获取,以为期望生成大型基础事实数据库提供基础,并将允许保留机器学习模型以适应随时间推移发生的变化。可以提供远程和/或本地控制单元,使其能够在任何时候中断或停止该数据收集和学习过程,例如,如果收集的数据数量被显示为足以实现数据收集的目的。
根据本发明的一实施例,该系统还包括存储装置,用于存储从一个或多个临床站点获得的训练集数据库。
根据本发明的一实施例,处理单元被配置成处理检查元数据以获得成像检查的检查细节,该检查细节包括以下中的至少一项:检查目标的解剖结构、与患者设置和检查准备工作流程有关的数据(包括患者取向和偏侧性(laterality)、用于成像检查的特定装置的存在和/或患者支架插入期间的轨迹)、与成像工作流程有关的数据(包括扫描活动和/或患者支架的运动),以及用于来自分布式子部件的数据的时间配准的方法。输出接口被配置成与训练集数据库联接,用于将包括成像检查的检查细节的数据添加到用于训练机器学习模型的训练集数据库。
成像检查的检查细节可包括关于带注释的测量图像的补充信息。例如,扫描位置可与患者取向和偏侧性和/或患者支架插入期间的轨迹相关。扫描位置也可与扫描活动相关,如间歇性的工作台停止或遮光板激活。所有的偏离中心和成角度的扫描轨迹也可以被记录下来并与扫描位置相关。因此,通过将检查细节附加地添加到训练集数据库,机器学习模型可以被训练以更好地模拟患者和扫描位置之间的关系。
根据本发明的一实施例,处理单元被配置成处理元数据以获得患者的非图像患者数据。患者的非图像患者数据包括以下中的至少一项:患者的体重、BMI、身高、患者的年龄、患者的性别、患者的医学状况(包括怀孕、对某些造影剂或其他物质过敏和/或存在植入物)、患者的健康水平的量化、呼吸速率、脉搏速率、与患者相关的疾病诊断、与患者相关的用药记录以及与患者相关的生命参数记录。输出接口被配置成与训练集数据库联接,用于将成像检查的非图像患者数据添加到用于训练机器学习模型的训练集数据库。
患者的非图像患者数据可以包括通过传感器装置捕获的关于测量图像的补充信息。例如,已知肺部的大小与患者的体重、年龄和性别相关,并可能受到某些疾病如CORP的影响。通过附加地将成像操作期间获得的非患者图像数据添加到训练集数据库,机器学习模型可以被训练以更好地模拟患者和将在检查准备和/或成像期间使用的扫描配置(例如准直设置)之间的关系。
根据本发明的一实施例,传感器装置包括以下中的至少一项:光学传感器、深度传感器、热传感器、压力传感器、超声传感器和射频传感器阵列。
根据本发明的一实施例,期望的扫描配置包括以下中的至少一项:期望的患者取向和偏侧性、相对于医学成像设备的期望的扫描位置、用于成像检查的获取参数以及与扫描配置相关联的附件清单。
在一示例中,成像系统是MR成像系统,获取参数是指定患者相对于MR成像系统的定位的参数、几何学获取参数、预设协议的选择参数、SENSE因数、SENSE方向和LPH扫描偏心和取向中的至少一项。术语“SENSE”指的是灵敏度编码,在Klaas P.Pruessmann等人的文章“SENSE;Sensitivity Encoding for Fast MRI(SENSE:用于快速MRI的灵敏度编码)”(Magnetic Resonance in Medicine 42:952-962(1999))中对此有所描述。SENSE因数是取样不足的因数。SENSE方向是灵敏度编码的方向。在另一示例中,成像系统是X射线成像。获取参数是管电压、管电流、网格、准直窗和准直器的几何参数中的至少一项。在另一示例中,成像系统是CT成像系统。获取参数是电源电平、管电流、剂量调制、扫描规划参数和重建参数中的至少一项。与患者支架的运动有关的数据可用于训练机器学习模型,以得出可使患者支架的整体运动最小化的最佳扫描位置。例如,非图像患者数据中的患者的物理状态和身体状况可能与训练机器学习模型有关,以确定用于X射线成像系统的准直设置、曝光时间设置、管电压设置、焦斑大小设置、X射线敏感区域的选择。带注释的测量图像可能与训练机器学习模型有关,以确定指定患者相对于MR成像系统的定位的参数、几何学获取参数和LPH扫描偏心和取向。
根据本发明的一实施例,医学成像设备包括X射线成像设备、MR成像设备、CT成像设备、PET成像设备。
根据本发明的一实施例,医学成像设备是一种组合式治疗/诊断设备,包括MR-Linac设备、MR质子治疗设备和/或锥形束CT设备。
本发明的第二方面提供了一种医学成像系统,包括:
-医学成像设备,其包括中心系统轴线;
-患者支架,其能够沿该系统轴线移动;
-传感器装置,其被配置成生成被定位以进行成像检查的患者的测量图像,其中传感器装置具有包括患者被定位在其中以便成像的区域的至少一部分的视场;
-计算单元,其被配置成通过将经过训练的机器学习模型应用于测量图像来确定用于执行检查目标的解剖结构的成像检查的期望的扫描配置,其中机器学习模型已经用训练数据进行了训练,该训练数据包括从上文和下文所述的系统中产生的带注释的基础事实数据,以确定用于医学成像设备的一个或多个扫描参数。
通过对测量图像使用机器学习,该机器学习已经使用包括自动生成的基础事实数据的训练集数据库进行了训练,机器学习模型将学会自己预测扫描配置,从而消除了用户交互。例如,机器学习模型可以被训练以将测量图像中的身体表面与训练集数据库中的带注释的测量图像中的关注的内部解剖结构联系起来。
根据本发明的一实施例,该系统还包括控制单元,其被配置成在检查目标的解剖结构的图像获取之前或期间应用扫描设置来控制医学成像设备和/或患者支架的操作。
根据本发明的一实施例,机器学习模型包括以下中的至少一项:人工神经网络,以及分类树,其使用类Haar、标度不变特征转换(SIFT)、加速鲁棒特征(SURF)和图像特征中的至少一项。
该分类树可以使用本领域技术人员已知的其他图像特征。
本发明的另一方面提供了一种用于生成带注释的基础事实数据的方法,该带注释的基础事实数据用于训练机器学习模型以在检查准备期间从观察到的工作流程场景推断出期望的扫描位置,该方法包括:
-访问患者的测量图像,该患者被定位成用于利用至少一个医学成像系统进行的成像检查,其中该患者被相对于该至少一个医学成像系统的医学成像设备的参考坐标系定位在给定的几何形状中,并且测量图像是基于从传感器装置中获得的传感器数据生成的,该传感器装置具有包括患者被定位在其中以便成像的区域的至少一部分的视场;
-访问在成像检查期间从至少一个医学成像系统的医学成像设备获得的患者的医学图像;
-访问利用至少一个医学成像系统进行的成像检查的检查元数据,其中检查元数据包括关于至少一个医学成像系统的配置的信息;以及
-通过将医学图像的坐标系中的点映射到测量图像的坐标系中的点来确定测量图像中的一个或多个特征与从医学图像和/或从检查元数据中提取的一个或多个特征之间的关联;以及
-将包括标记了测量图像中的一个或多个相关联的特征的数据的测量图像添加到用于机器学习模型的训练集数据库。
本发明的另一方面提供了一种计算机可读介质,其包括代表指令的暂时性或非暂时性数据,这些指令被安排成致使处理器系统执行该方法。
本发明的这些和其他方面将从下文描述的实施例中变得明显并得到阐明。
附图说明
参考在以下描述中以示例方式描述的实施例并参考附图,本发明的这些和其他方面将变得明显并得到进一步阐明,其中
图1示意性地示出了一种用于生成带注释的基础事实数据的系统,该带注释的基础事实数据用于训练机器学习模型以从检查准备期间观察到的工作流程场景推断出医学成像系统的期望的扫描配置。
图2示出了一种从常规检查中持续地获取带注释的基础事实数据的系统。
图3示意性地示出了一种用于存储训练集数据库的呈云存储形式的存储装置。
图4示意性地示出了一种医学成像系统。
图5示出了一种用于生成带注释的基础事实数据的方法的流程图,该带注释的基础事实数据用于训练机器学习模型以从检查准备期间观察到的工作流程场景推断出医学成像系统的期望的扫描配置。
应指出的是,这些图纯粹是示意图,且没有按比例绘制。在这些图中,与已经描述的元件相对应的元件可具有相同的附图标记。示例、实施例或可选特征,无论是否标明为非限制性的,都不应被理解为对所要求保护的发明的限制。
具体实施方式
图1示意性地示出了被配置成用于生成带注释的基础事实数据的系统100,带注释的基础事实数据用于训练机器学习模型以从检查准备期间观察到的工作流程场景推断出医学成像系统的期望的扫描配置。期望的扫描配置至少部分地定义了在患者的成像操作之前和/或期间的医学成像系统的成像配置。该系统包括检查元数据接口110、传感器数据接口120、医学图像数据接口130、处理单元140和输出接口150。
检查元数据接口110被配置成访问利用至少一个医学成像系统进行的成像检查的检查元数据30,例如在一个或多个临床站点处的多个医学成像系统,如图3所示。检查元数据包括关于至少一个医学成像系统的配置(例如扫描和系统配置)的信息。在图1的示例中,检查元数据是从医学成像设备50本身获得的。在其他示例中,检查元数据接口可以从连接的信息、从数据存档系统(如放射学信息系统(RIS)、医院信息系统(HIS)和/或图片存档和通信系统(PACS))、和/或从其他工作站访问检查元数据。
传感器数据接口120被配置成访问患者12的测量图像10,患者12被相对于用于成像检查的至少一个医学成像系统的医学成像设备50的参考坐标系定位在给定的几何形状中,例如,躺在患者支架14上,如图1的示例中所示。测量图像10是基于从传感器装置16获得的传感器数据生成的。在图1的示例中,传感器装置包括深度相机。传感器装置16中的传感器的进一步示例可以包括光学传感器、深度传感器、热传感器、嵌置在患者支架14中的压力传感器、例如嵌置在患者支架14中的超声传感器和/或射频传感器阵列。传感器装置16可以被布置成远离医学成像设备50,例如在房间的天花板上,使得传感器装置具有包括患者12被定位在其中以便成像的区域的至少一部分的视场。传感器装置16,例如压力传感器,可以被嵌置在患者支架14中,以实现包括患者12被定位在其中以便成像的区域的至少一部分的视场。传感器数据接口110可以采取各种形式,例如连接到局域网的网络接口,但也可以是视频接口,例如HDMI等。
医学图像接口130被配置成访问在成像检查期间从医学成像设备50获得的患者12的医学图像20。患者12被相对于医学成像设备50的参考坐标系定位在给定的几何形状中,以便进行成像。在图1的示例中,医学成像设备是MR成像设备。医学成像设备50的进一步示例可包括但不限于X射线成像设备、CT成像设备和/或PET成像设备。医学成像设备也可以是组合式治疗/诊断设备,如MR-Linac设备、MR质子治疗设备和锥形束CT设备。医学图像20还可包括定位器图像或探查图像,这些图像在MR和CT研究中用于识别截面图像集合的相对解剖位置。医学图像接口120可以采取各种形式,如连接到局域网的网络接口,但也可以是视频接口,如HDMI等。
处理单元140被配置成通过将医学图像20的坐标系中的点映射到测量图像10的坐标系中的点来确定测量图像10中的一个或多个特征18与从医学图像20和/或从检查元数据30中提取的一个或多个特征28之间的关联。从医学图像20中提取的一个或多个特征28可以包括但不限于通过医学设备50获取的医学图像20中的地标、器官边界、关注区域和/或图像标记。在图1的示例中,从医学图像20中提取的特征28用边界框表示。例如,处理单元140可以被配置成使用图像处理算法从医学图像20中提取一个或多个特征28,例如将找到相关特征的近似中心和边界框的检测算法。替代性地或者另外,处理单元可以被配置成从检查元数据中提取一个或多个特征28,该检查元数据包括由操作人员规划的扫描体积的配置参数。例如,医学成像设备50可以包括手动图形用户界面(GUI),其允许操作人员选择扫描位置和扫描区域以生成扫描参数。扫描参数可被用于从医学图像20中提取一个或多个特征28。
输出接口150被配置成与训练集数据库160联接,以用于将包括标记了测量图像10中的一个或多个特征18的数据的测量图像10添加到用于训练机器学习模型的训练集数据库160。训练集数据库160可以存储在系统100的内部存储装置中。替代性地或另外,训练集数据库160可以存储在外部存储装置中,例如,在云存储中。
通过这种方式,可以实现带注释的基础事实数据的持续和无监督的获取,以便为期望生成大型基础事实数据库提供基础。由于不需要手动编辑或标记输入数据以生成基础事实,因此可以改善时间效率。此外,基础事实数据库还可以进一步且持续地扩展。如果出现具有新的和未预见的特征的数据,或者如果需要对训练过的系统的预期结果进行调整,利用基础事实数据库训练的机器学习模型可以适应这些随时间的推移发生的变化。也就是说,由于可以通过分布式系统收集大量的真实数据,因此可以改善关于输入数据的可变性的鲁棒性。通过使用标记了测量图像中的一个或多个特征的数据,机器学习模型可以被训练以预测例如关注的解剖结构(例如患者的肺部)的大小和位置。一旦预测了关注的解剖结构的位置和大小,就可以确定期望的扫描配置,例如X射线成像系统的适当准直设置,以允许对关注的解剖结构进行最佳成像。关注的解剖结构的位置和大小也可用于推断患者相对于至少一个医学成像系统的医学成像设备的期望的扫描位置。有了期望的扫描位置,就可以预测出具有指定患者相对于至少一个医学成像系统的医学成像设备的定位的参数的扫描配置。该参数可用于自动地引导患者支架以将患者移动到期望的扫描位置。
系统100可以被体现为或体现在一个装置或设备中,如服务器、工作站、成像系统或移动装置。该设备或装置可包括一个或多个微处理器或计算机处理器,它们执行适当的软件。该系统的处理器可以被体现为这些处理器中的一个或多个。该软件可以已经被下载和/或存储在相应的存储器中,例如,易失性存储器(如RAM)或非易失性存储器(如闪存)。该软件可包括配置一个或多个处理器的指令,以执行关于该系统的处理器所描述的功能。替代性地,该系统的功能单元,例如,传感器数据接口、医学图像数据接口、检查元数据接口、处理单元,可以以可编程逻辑的形式在设备或装置中实现,例如,作为现场可编程门阵列(FPGA)。传感器数据接口、医学图像数据接口和检查元数据接口可以由设备或装置的相应的接口来实现。一般来说,系统的每个功能单元可以以电路的形式实现。应指出的是,系统100也可以以分布式方式实现,例如涉及不同的设备或装置。
这些带注释的基础事实数据可以包括更多数据,其允许机器学习模型确定医学成像系统的更多配置参数。例如,处理单元140可以被配置成处理检查元数据30以获得成像检查的检查细节。检查细节可以包括检查目标的解剖结构。
图像细节可以包括与患者设置和检查准备工作流程有关的数据,这些数据可被用于训练机器学习模型,以识别患者是否为成像检查正确地准备。例如,与患者取向和偏侧性有关的数据可被用于训练机器学习模型,以识别患者是否相对于医学成像设备的参考坐标系在给定的几何形状中正确地定位。与患者支架插入期间的轨迹有关的数据可被用于训练机器学习模型,以预测用于成像检查的插入患者支架的路径,。
检查细节可进一步包括与成像工作流程有关的数据,这些数据可被用于训练机器学习算法以选择用于成像检查的获取参数。例如,间歇性的工作台停止或遮光板激活可以被存储并与扫描位置相关。所有的偏离中心和成角度的扫描轨迹可以被记录下来并与扫描位置相关。这些数据可被用于训练机器学习模型,以得出用于关注的解剖结构的最佳扫描位置。
检查细节可进一步包括与扫描配置有关的附件清单。具体装置的示例可包括:MR线圈、生理学装置(如心电图记录装置、脉搏血氧仪、呼吸带)、注射器、注射管线、耳机。
检查细节可进一步包括用于来自分布式子部件的数据的时间配准的方法,例如使用时间戳或同步的/触发的数据采样,这可被用于训练机器学习模型,以识别在检查准备期间和/或成像操作期间的工作流程是否被正确地遵循。
输出接口150被配置成与训练集数据库160联接,用于将包括成像检查的检查细节的数据添加到用于训练机器学习模型的训练集数据库。
在另一示例中,元数据处理单元140被配置成处理元数据30以获得患者的非图像患者数据。患者的非图像患者数据包括患者的体重、BMI、身高、患者的年龄、患者的性别、患者的医学状况(包括怀孕、对某些造影剂或其他物质过敏和/或存在植入物)、患者的健康水平的量化、呼吸速率、脉搏速率、与患者相关的疾病诊断、与患者相关的用药记录和与患者相关的生命参数记录中的至少一项。输出接口被配置成与训练集数据库联接,用于将包括成像检查的检查细节的数据添加到用于训练机器学习模型的训练集数据库。例如,患者的年龄、性别、身体状况、健康状况和医学状况可能与训练机器学习模型有关,以确定用于X射线成像系统的准直设置、曝光时间设置、管电压设置、焦斑尺寸设置和X射线敏感区域的选择。
系统100可以安装在医院或其他环境中,从而允许在类似临床的条件下进行扫描,以从一个或多个临床站点处的常规检查和研究检查收集数据。图2示出了从常规检查中持续地获得带注释的基础事实数据的系统100。系统100还可包括控制单元170,该控制单元被配置成执行下列功能中的至少一项:启动带注释的基础事实数据的收集,中断带注释的基础事实数据的收集,以及停止带注释的基础事实数据的收集。
该系统可以包括存储装置180,用于存储从一个或多个临床站点获得的训练集数据库。图3示出了用于存储训练集数据库160的呈云存储形式的存储装置的示例。换句话说,可以根据要求并在与一个或多个临床站点达成协议后,持续地收集和处理带注释的基础事实数据。带注释的基础事实数据可以被共享和汇总,例如通过云技术,如图3所示。这可以以符合隐私数据法规的方式进行,例如,通过确保输入的数据是匿名的,并且只有中间层的被处理的数据被共享和存储,其中匿名性得到保证。例如,仅深度传感器图像中的随机选择的图像像素处的深度差与相应的医学图像中的目标器官的被分割边界的像素坐标一起被计算。
图4示意性地示出了医学成像系统200。该医学成像系统包括医学成像设备50,其包括中心系统轴线、能够沿系统轴线移动的患者支架14、传感器装置16和计算单元210。
传感器装置16,如照相机或热传感器,被配置成生成被定位以进行成像检查的患者的测量图像。传感器装置具有包括患者被定位在其中以便成像的区域的至少一部分的视场。
计算单元210被配置成通过将经过训练的机器学习模型应用于测量图像来确定用于执行检查目标的解剖结构的成像检查的期望的扫描配置。机器学习模型已经利用训练数据进行了训练,该训练数据包括从如上所述的系统产生的带注释的基础事实数据,以确定用于医学成像设备50的一个或多个扫描参数。在一示例中,机器学习模型可以是个人工神经网络。在另一示例中,机器学习模型可以是使用类Haar、SIFT、SURF、图像特征和本领域技术人员已知的其他图像特征中的至少一项的分类树。
扫描配置可以包括期望的患者取向和偏侧性、相对于医学成像设备的期望的扫描位置和/或用于成像检查的获取参数,如上所述。
可选地,医学成像系统进一步包括控制单元220,其被配置成在检查目标的解剖结构的图像获取之前或期间应用扫描设置来控制医学成像设备和/或患者支架的操作。通过该控制单元,可以实现检查准备和成像检查的自动化工作流程。
图5示出了用于生成带注释的基础事实数据的方法300,带注释的基础事实数据用于训练机器学习模型,以在检查准备期间从观察到的工作流程场景推断出期望的扫描位置。该方法300可以,但不需要,对应于参考图1和其他附图描述的系统100的操作。
在步骤310中,获得患者的测量图像,患者被定位成用于利用至少一个医学成像系统(例如图3中所示的多个医学成像系统)进行的成像检查。患者被相对于至少一个医学成像系统的医学成像设备的参考坐标系定位在给定的几何形状中。测量图像是基于在从传感器装置中获得的传感器数据生成的,该传感器具有包括患者被定位在其中以便成像的区域的至少一部分的视场。测量图像可由传感器装置捕获,该传感器装置包括光学传感器、深度传感器、热传感器、压力传感器、超声传感器和射频传感器阵列中的至少一种。
在步骤320中,在成像检查期间,可以从至少一个医学成像系统的医学成像设备获得患者的医学图像。患者被相对于医学成像设备的参考坐标系定位在给定的几何形状中。医学图像可由选自X射线成像设备、MR成像设备、CT成像设备和/或PET成像设备的医学成像设备获取。医学成像设备的进一步示例可包括组合式治疗/诊断设备,如MR-Linac设备、MR质子治疗设备和/或锥形束CT设备。
在步骤330中,可以获得利用至少一个医学成像系统进行的成像检查的检查元数据。检查元数据包括关于至少一个医学成像系统的配置的信息。检查元数据可以从医学成像设备本身、从连接的信息、从数据存档系统(如RIS、HIS和/或PACS)、和/或从其他工作站中获得。可选地,元数据可包括成像检查的检查细节(如检查目标的解剖结构)、与患者设置和检查准备工作流程有关的数据(包括患者取向和偏侧性、用于成像检查的特定装置的存在、和/或患者支架插入期间的轨迹)、与成像工作流程有关的数据(包括扫描活动和/或患者支架的运动),以及用于来自分布式子部件的数据的时间配准的方法。作为进一步的选择,检查元数据可以包括患者的非图像患者数据,如患者的体重、患者的年龄、患者的性别、患者的医学状况(包括怀孕、对某些造影剂或其他物质过敏和/或存在植入物)、患者的健康水平的量化、呼吸速率、脉搏速率、与患者相关的疾病诊断、与患者相关的用药记录和与患者相关的生命参数记录。
在步骤340中,通过将医学图像的坐标系中的点映射到测量图像的坐标系中的点来确定测量图像中的一个或多个特征与从医疗图像和/或从检查元数据中提取的一个或多个特征之间的关联。可选地,该一个或多个特征可以使用图像处理算法从医学图像中提取。作为另一选择,医学图像中的一个或多个特征可以从检查元数据中得出,该检查元数据包括由操作人员规划的扫描体积的配置参数。
在步骤350中,将包括标记了测量图像中的一个或多个特征的数据的测量图像添加到用于机器学习模型的训练集数据库。
应理解的是,上述操作可以以任何合适的顺序执行,例如,连续地、同时地或其组合,但在适用情况下,特定的顺序是必要的,例如,由于输入/输出关系。
在本发明的另一示例性实施例中,提供了一种计算机程序或计算机程序单元,其特征在于适于在适当的系统上执行根据前述实施例之一所述的方法的方法步骤。
因此,计算机程序单元可被存储在计算机单元上,其也可以是本发明的实施例的一部分。该计算单元可适于执行或诱导执行上述方法的步骤。此外,它可以适于操作上述设备的部件。该计算单元可适于自动操作和/或执行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。因此,该数据处理器可被配备成执行本发明的方法。
本发明的该示例性实施例既覆盖从一开始就使用本发明的计算机程序,也覆盖通过更新的方式将现有程序变成使用本发明的程序的计算机程序。
此外,计算机程序单元能够提供所有必要的步骤来完成如上所述的方法的示例性实施例的操作。
根据本发明的另一示例性实施例,提出了一种计算机可读介质,例如CD-ROM,其中该计算机可读介质具有存储在其上的计算机程序单元,该计算机程序单元通过前述部分进行了描述。
计算机程序可以被存储和/或分布在合适的介质上,例如与其他硬件一起或作为其他硬件的一部分提供的光学存储介质或固态介质,但也可以以其他形式分布,例如通过互联网或其他有线或无线电信系统。
然而,计算机程序也可以通过像万维网这样的网络提供,并可以从这样的网络下载到数据处理器的工作存储器中。根据本发明的另一示例性实施例,提供了一种用于使计算机程序单元可供下载的介质,该计算机程序单元被安排成执行根据本发明的前述实施例之一所述的方法。
应指出的是,参考不同主题描述了本发明的实施例。尤其是,参考方法类型的权利要求描述了一些实施例,而参考装置类型的权利要求描述了另外的实施例。然而,本领域技术人员将从上文和下文描述中得出,除非另有指示,否则除了属于一种类型的主题的特征的任何组合之外,与不同主题相关的特征之间的任何组合也被认为由本申请公开。然而,所有特征都可以组合,从而提供多于特征的简单加和的协同效果。
尽管已经在附图和前面的描述中例示说明和描述了本发明,但这样的例示说明和描述被认为是例示说明性的或示例性的而非限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和从属权利要求,本领域技术人员在实践所要求保护的本发明时,能够理解并实现所公开的实施例的其他变型。
在权利要求中,“包括”一词不排除其他元件或步骤,并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。仅在互不相同的从属权利要求中记载某些措施并不表示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应解释为限制范围。
Claims (15)
1.一种用于生成带注释的基础事实数据的系统(100),所述带注释的基础事实数据用于训练机器学习模型以从检查准备期间观察到的工作流程场景推断出医学成像系统的期望的扫描配置,所述系统包括:
-检查元数据接口(110),其被配置成访问利用至少一个医学成像系统进行的成像检查的检查元数据(30),其中所述检查元数据包括关于所述至少一个医学成像系统的配置的信息;
-传感器数据接口(120),其被配置成访问患者(12)的测量图像(10),所述患者被相对于用于所述成像检查的所述至少一个医学成像系统的医学成像设备(50)的参考坐标系定位在给定的几何形状中,其中所述测量图像是基于从传感器装置(16)获得的传感器数据生成的,所述传感器装置具有包括所述患者被定位在其中以便成像的区域的至少一部分的视场;
-医学图像数据接口(130),其被配置成访问所述患者的医学图像(20),所述医学图像(20)是在所述成像检查期间从所述至少一个医学成像系统的所述医学成像设备获得的;
-处理单元(140),其被配置成通过将所述医学图像的坐标系中的点映射到所述测量图像的坐标系中的点来确定所述测量图像中的一个或多个特征(18)与从所述医学图像和/或从所述检查元数据中提取的一个或多个特征(28)之间的关联;及
-输出接口(150),其被配置成与训练集数据库(160)联接,以用于将包括标记了所述测量图像中的一个或多个相关联的特征的数据的所述测量图像添加到用于训练所述机器学习模型的所述训练集数据库。
2.根据权利要求1所述的系统,
其中,所述处理单元被配置成使用图像处理算法从所述医学图像中提取所述一个或多个特征,和/或从所述检查元数据中得出所述医学图像中的一个或多个特征,所述检查元数据包括由操作人员规划的扫描体积的配置参数。
3.根据权利要求1或2所述的系统,其中,所述系统还包括:
-控制单元(170),其被配置成执行下列功能中的至少一项:
-启动所述带注释的基础事实数据的收集;
-中断所述带注释的基础事实数据的收集;和
-停止所述带注释的基础事实数据的收集。
4.根据前述权利要求中的任一项所述的系统,其中,所述系统还包括:
-存储装置(180),用于存储从一个或多个临床站点获得的所述训练集数据库。
5.根据前述权利要求中的任一项所述的系统,
其中,所述处理单元被配置成处理所述检查元数据以获得所述成像检查的检查细节,所述检查细节包括以下中的至少一项:
-检查目标的解剖结构;
-与患者设置和检查准备工作流程有关的数据,其包括患者取向和偏侧性、用于所述成像检查的特定装置的存在和/或患者支架插入期间的轨迹;
-与成像工作流程有关的数据,其包括扫描活动和/或患者支架的运动;以及
-用于来自分布式子部件的数据的时间配准的方法;以及
其中,所述输出接口被配置成与所述训练集数据库联接,以用于将包括所述成像检查的检查细节的数据添加到用于训练所述机器学习模型的所述训练集数据库。
6.根据前述权利要求中的任一项所述的系统,
其中,所述处理单元被配置成处理所述元数据以获得所述患者的非图像患者数据,所述非图像患者数据包括以下中的至少一项:
-所述患者的体重、BMI、身高;
-所述患者的年龄;
-所述患者的性别;
-所述患者的医学状况,其包括怀孕、对某些造影剂或其他物质过敏,和/或存在植入物;
-所述患者的健康水平的量化;
-呼吸速率;
-脉搏速率;
-与所述患者相关的疾病诊断;
-与所述患者相关的用药记录;以及
-与所述患者相关的生命参数记录;以及
其中,所述输出接口被配置成与所述训练集数据库联接,以用于将所述非图像数据添加到用于训练所述机器学习模型的所述训练集数据库中。
7.根据前述权利要求中的任一项所述的系统,
其中,所述传感器装置包括以下中的至少一种:光学传感器、深度传感器、热传感器、压力传感器、超声传感器和射频传感器阵列。
8.根据前述权利要求中的任一项所述的系统,
其中,所述期望的扫描配置包括以下中的至少一项:
-期望的患者取向和偏侧性;
-相对于所述医学成像设备的期望的扫描位置;
-用于所述成像检查的获取参数;以及
-与所述扫描配置相关联的附件清单。
9.根据前述权利要求中的任一项所述的系统,
其中,所述医学成像设备包括:
-X射线成像设备;
-磁共振MR成像设备;
-计算机断层扫描CT成像设备;和/或
-正电子发射断层扫描PET成像设备。
10.根据前述权利要求中的任一项所述的系统,
其中,所述医学成像设备是组合式治疗/诊断设备,包括:
-MR-Linac设备;
-MR质子治疗设备;和/或
-锥形束CT设备。
11.一种医学成像系统,包括:
-医学成像设备(50),其包括中心系统轴线;
-患者支架(14),其能够沿所述系统轴线移动;
-传感器装置(16),其被配置成生成患者的测量图像,所述患者被定位以进行成像检查,其中所述传感器装置具有包括所述患者被定位在其中以便成像的区域的至少一部分的视场;和
-计算单元(210),其被配置成通过将经过训练的机器学习模型应用于所述测量图像来确定用于执行检查目标的解剖结构的成像检查的期望的扫描配置,其中所述机器学习模型已经被利用训练数据进行了训练,所述训练数据包括从根据权利要求1至10中的任一项所述的系统生成的带注释的基础事实数据,以确定用于所述医学成像设备的一个或多个扫描参数。
12.根据权利要求11所述的医学成像系统,其中,所述医学成像系统还包括:
-控制单元(220),其被配置成在所述检查目标的解剖结构的图像获取之前或期间应用所述扫描设置来控制所述医学成像设备和/或所述患者支架的操作。
13.根据权利要求11或12所述的医学成像系统,
其中,所述机器学习模型包括以下中的至少一项:
-人工神经网络;和
-分类树,其使用类Haar、尺度不变特征转换SIFT、加速鲁棒性特征SURF、图像特征中的至少一种。
14.一种用于生成带注释的基础事实数据的方法(300),所述带注释的基础事实数据用于训练机器学习模型,以从检查准备期间观察到的工作流程场景推断出期望的扫描位置,所述方法包括:
-访问(310)所述患者的测量图像,所述患者被定位成用于利用至少一个医学成像系统进行的成像检查,其中所述患者被相对于所述至少一个医学成像系统的医学成像设备的参考坐标系定位在给定的几何形状中,并且所述测量图像是基于从传感器装置获得的传感器数据生成的,所述传感器装置具有包括所述患者被定位在其中以便成像的区域的至少一部分的视场;
-访问(320)所述患者的医学图像,所述医学图像是在所述成像检查期间从所述至少一个医学成像系统的所述医学成像设备获得的;和
-访问(330)利用所述至少一个医学成像系统进行的所述成像检查的检查元数据,其中,所述检查元数据包括关于所述至少一个医学成像系统的配置的信息。
-通过将所述医学图像的坐标系中的点映射到所述测量图像的坐标系中的点来确定(340)所述测量图像中的一个或多个特征与从所述医学图像和/或从所述检查元数据中提取的一个或多个特征之间的关联;以及
-将包括标记了所述测量图像中的一个或多个相关联的特征的数据的所述测量图像添加(350)到用于所述机器学习模型的训练集数据库中。
15.一种计算机可读介质,其包括代表指令的暂时性或非暂时性数据,所述指令被安排成致使处理器系统执行根据权利要求14所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19184615.3 | 2019-07-05 | ||
EP19184615.3A EP3760125A1 (en) | 2019-07-05 | 2019-07-05 | Self-learning distributed system with automated ground-truth generation |
PCT/EP2020/068791 WO2021004924A1 (en) | 2019-07-05 | 2020-07-03 | Self-learning distributed system with automated ground-truth generation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114080645A true CN114080645A (zh) | 2022-02-22 |
Family
ID=67225997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080049273.9A Pending CN114080645A (zh) | 2019-07-05 | 2020-07-03 | 具有自动的基础事实生成的自学习分布式系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220277835A1 (zh) |
EP (2) | EP3760125A1 (zh) |
CN (1) | CN114080645A (zh) |
WO (1) | WO2021004924A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022269626A1 (en) * | 2021-06-23 | 2022-12-29 | Mimyk Medical Simulations Private Limited | System and method for generating ground truth annotated dataset for analysing medical images |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014033614A1 (en) | 2012-08-27 | 2014-03-06 | Koninklijke Philips N.V. | Patient-specific and automatic x-ray system adjustment based on optical 3d scene detection and interpretation |
US9940545B2 (en) * | 2013-09-20 | 2018-04-10 | Change Healthcare Llc | Method and apparatus for detecting anatomical elements |
US9918701B2 (en) * | 2014-09-03 | 2018-03-20 | Contextvision Ab | Methods and systems for automatic control of subjective image quality in imaging of objects |
WO2017141958A1 (ja) * | 2016-02-15 | 2017-08-24 | 学校法人慶應義塾 | 脊柱配列推定装置、脊柱配列推定方法及び脊柱配列推定プログラム |
EP3537976B1 (en) * | 2016-11-10 | 2020-05-20 | Koninklijke Philips N.V. | Selecting acquisition parameter for imaging system |
US10529088B2 (en) * | 2016-12-02 | 2020-01-07 | Gabriel Fine | Automatically determining orientation and position of medically invasive devices via image processing |
US11478212B2 (en) * | 2017-02-16 | 2022-10-25 | Siemens Healthcare Gmbh | Method for controlling scanner by estimating patient internal anatomical structures from surface data using body-surface and organ-surface latent variables |
US10803555B2 (en) * | 2017-08-31 | 2020-10-13 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for determining a trained neural network model for scattering correction |
WO2019067524A1 (en) * | 2017-09-26 | 2019-04-04 | Rensselaer Polytechnic Institute | TD MONOCHROMATIC IMAGE RECONSTRUCTION FROM CURRENT INTEGRATION DATA VIA AUTOMATIC LEARNING |
US10783634B2 (en) * | 2017-11-22 | 2020-09-22 | General Electric Company | Systems and methods to deliver point of care alerts for radiological findings |
US11497478B2 (en) * | 2018-05-21 | 2022-11-15 | Siemens Medical Solutions Usa, Inc. | Tuned medical ultrasound imaging |
WO2020259600A1 (en) * | 2019-06-24 | 2020-12-30 | Conova Medical Technology Limited | A device, process and system for diagnosing and tracking of the development of the spinal alignment of a person |
-
2019
- 2019-07-05 EP EP19184615.3A patent/EP3760125A1/en not_active Withdrawn
-
2020
- 2020-07-03 WO PCT/EP2020/068791 patent/WO2021004924A1/en unknown
- 2020-07-03 CN CN202080049273.9A patent/CN114080645A/zh active Pending
- 2020-07-03 EP EP20734998.6A patent/EP3993704B1/en active Active
- 2020-07-03 US US17/624,662 patent/US20220277835A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3993704A1 (en) | 2022-05-11 |
US20220277835A1 (en) | 2022-09-01 |
EP3760125A1 (en) | 2021-01-06 |
EP3993704B1 (en) | 2024-03-06 |
WO2021004924A1 (en) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3537976B1 (en) | Selecting acquisition parameter for imaging system | |
JP7120584B2 (ja) | 被検体の位置決め装置、被検体の位置決め方法、被検体の位置決めプログラムおよび放射線治療システム | |
US9858667B2 (en) | Scan region determining apparatus | |
CN106133790B (zh) | 用于在组织种类分离的帮助下基于磁共振图像生成一幅或多幅计算机断层摄影图像的方法和设备 | |
JP7051307B2 (ja) | 医用画像診断装置 | |
JP7027046B2 (ja) | 医用画像撮像装置及び方法 | |
US10628963B2 (en) | Automatic detection of an artifact in patient image | |
JP6929695B2 (ja) | 医用画像診断装置及び管理装置 | |
CN108430376B (zh) | 提供投影数据集 | |
WO2022012541A1 (zh) | 一种医学设备的图像扫描方法和系统 | |
US9367926B2 (en) | Determining a four-dimensional CT image based on three-dimensional CT data and four-dimensional model data | |
EP3993704B1 (en) | Self-learning distributed system with automated ground-truth generation | |
US20230316550A1 (en) | Image processing device, method, and program | |
JP7144129B2 (ja) | 医用画像診断装置及び医用情報管理装置 | |
JP6925786B2 (ja) | X線ct装置 | |
JP6956514B2 (ja) | X線ct装置及び医用情報管理装置 | |
JP2021521942A (ja) | 医療撮像のための自動対象者監視 | |
WO2022054541A1 (ja) | 画像処理装置、方法およびプログラム | |
US20240148351A1 (en) | Image-based planning of tomographic scan | |
JP2010220902A (ja) | 認識結果判定装置および方法並びにプログラム | |
CN118042988A (zh) | 用于获取之前的成像检查的前瞻性质量评估 | |
CN118056244A (zh) | 对医学影像的基于机器学习的质量评估及其在便于成像操作中的应用 | |
AU2021418742A1 (en) | Detection of foreign objects in intraoperative images |
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 |