CN114530234A - Irecon:具有预估运行的智能图像重建系统 - Google Patents
Irecon:具有预估运行的智能图像重建系统 Download PDFInfo
- Publication number
- CN114530234A CN114530234A CN202210171396.0A CN202210171396A CN114530234A CN 114530234 A CN114530234 A CN 114530234A CN 202210171396 A CN202210171396 A CN 202210171396A CN 114530234 A CN114530234 A CN 114530234A
- Authority
- CN
- China
- Prior art keywords
- reconstruction
- image
- parameters
- data
- sub
- 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
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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04842—Selection of displayed objects or displayed text elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
IRECON:具有预估运行的智能图像重建系统。一种诊断成像系统,其从多个可访问数据源检索数据(206),所述可访问数据源存储包括以下项的数据:描述要被成像的对象的生理数据、请求的诊断图像的性质、请求诊断图像的临床医师的图像偏好、以及所述对象和/或其他对象的所请求的性质的先前重建图像、用于重建所述先前重建图像的重建参数和/或子例程。所述系统分析(6、12)所检索的数据,以自动生成对所请求的诊断图像的性质、所述对象、以及临床医师图像偏好特异的重建参数和/或子步骤。所述系统控制显示设备(10、216)向所述用户显示所生成的重建参数和/或子例程,以供用户选择。所述系统设置重建处理器系统以使用所选择的重建参数和/或子例程来重建扫描数据。
Description
本申请是2015年7月9日提交的申请号为201580038669.2、名称为“IRECON:具有预估运行的智能图像重建系统”的分案申请。
技术领域
本发明总体上涉及医学成像。本发明尤其与图像重建结合应用,并且将尤其参考其进行描述。然而,应当理解,本发明还应用于其他使用情形,而不必限于上述应用。
背景技术
当前图像重建系统使用“一种方法适合所有”策略,即,重建算法或过程对于所有患者是相同的,而不管他们的人口统计学信息、医学历史、感兴趣疾病、扫描状况等。如果患者特性和扫描状况变化,甚至难以从相同患者的数据实现一致且最优的图像质量。一些系统是封闭的并且技术人员不能够改变任何重建设置或配置。其他系统允许技术人员调谐系统或算法参数;然而,系统不引导技术人员要如何调节和调节什么。为了实现最优图像质量并且改进患者护理,重建系统行为应当适应于患者特有的环境和特性。个人化医学代表了医学决策、实践和产品的趋势。大数据在医学实践中扮演越来越重要的角色,具有在数据集可用性中的改进,和在数据挖掘、机器学习和人工智能中的进步。
需要一种智能重建系统,其推荐用于图像重建技术的参数设置,以递送个人化最优图像质量。本申请公开了一种重建系统,其通过前摄地推荐重建参数来学习、预估并且适应于演进的临床医师偏好,以改进工作流程效率并且最大地利用计算资源。
发明内容
根据一个方面,一种诊断图像生成系统包括一个或多个处理器,所述一个或多个处理器被配置为从多个可访问数据源检索数据,所述可访问数据源存储包括以下项的数据:描述要被成像的对象的生理数据、请求的诊断图像的性质、请求诊断图像的临床医师的图像偏好以及所述对象和/或其他对象的所请求的性质的先前重建图像、用于重建所述先前重建图像的重建参数和/或子例程。所述处理器被配置为分析所检索的数据,以自动选择对所请求的诊断图像的性质、所述对象和临床医师图像偏好特异的重建参数和/或子步骤。所述处理器还被配置为:控制显示设备显示所选择的重建参数和/或子例程和/或设置重建处理器系统以使用所选择的重建参数和/或子例程来重建扫描数据。
根据另一方面,一种iRecon重建系统具有一个或多个处理器,所述一个或多个处理器被配置为:选择针对最终图像的目标;并且生成用于达到所述目标的多个候选重建算法、参数、滤波器和/或子步骤。所述处理器还被配置为访问数据库,所述数据库具有以下中的至少一项的数据:电子医学记录、患者诊断、和/或相似患者记录;并且根据所述数据库的所访问的数据来生成备选的重建算法、参数、滤波器和/或子步骤,其中,每个满足针对所述最终图像的目标。
根据另一方面,一种用于推荐重建参数的方法,包括针对成像扫描对患者进行记录并且收集来自多个数据源的数据。所述方法还包括:设计患者特异的重建系统,所述患者特异的重建系统用于向技术人员推荐重建参数的集合,以用于基于所收集的数据根据所述患者的所述成像扫描重建图像;并且使用设计的重建系统,根据不同重建目标生成重建参数的多个备选集合,所述重建目标包括算法附加、动态采集控制、技术人员偏好和/或扫描特异的参数中的至少一个。所述方法还包括:生成针对重建参数的每个集合的预览图像,其中,所述预览图像使用来自数据库的与重建参数的集合相关联的样本图像来描绘预期图像质量;在显示器上显示所述预览图像;并且从使用所述显示器的技术人员接收预览图像的选择。
根据另一方面,一种重建路径生成器,包括:数据收集器,其被配置为编译以下中的至少一个:扫描特异的数据、采集参数、技术人员偏好、诊断数据、先前重建数据和/或表示重建路径的先前重建图像;数据处理器,其被配置为根据针对特定患者的编译数据来调整所述系统。所述重建路径生成器还包括:预估模块,其被配置为使用经训练的数据来创建并且预测多个重建路径,每个重建路径预估对影响扫描的患者成像数据的最终重建的至少一个重建参数的改变,其中,所述预估基于优化、加权的技术人员偏好、备选算法、和/或备选滤波器;以及交互式GUI,其被配置为向用户显示所述多个重建路径,并且还被配置为接受用户输入。
一个优点在于针对患者的个人化重建成像。
另一个优点在于针对成像重建设置的更有效决策。
本领域的普通技术人员在阅读和理解下面详细描述之后,将认识到本发明的另外的优点。
附图说明
本发明可以采取各种部件和各部件的布置以及各种步骤和各步骤的安排的形式。附图仅出于图示优选实施例的目的并且不应被解释为对本发明的限制。
图1图解地描绘了智能图像重建系统。
图2描绘了用于使用所述系统来重建图像的工作流程。
图3描绘了进一步调谐和分析推荐重建和采集的子步骤和子系统。
图4描绘了被显示到技术人员的预览图像和子步骤预览图像的范例显示。
图5示意性描绘了智能重建系统的备选模块化视图。
图6描绘了被显示到技术人员的可能重建路径。
图7图示了用于智能图像重建的方法。
具体实施方式
参考图1,重建系统2包括具有一个或多个处理器的数据库系统4,所述数据库系统收集并且维持来自机构、医学系统、机构组等的现有患者、扫描和重建信息,并且处理所述数据以用于扫描的成像数据的智能重建。机构能够为重建系统、办公室、医院、诊所、医学护理系统等。数据库系统4从许多源收集或检索信息,以创建用于图像重建的下面更详细讨论的信息水平的分层。在一个实施例中,信息被直接输入到数据库系统4中。
参考图2,并且继续参考图1,描绘了用于采集并且重建患者图像数据的代表性工作流程200。当数据库系统4识别出进入的患者202时,数据库系统4针对成像扫描204对患者进行记录。数据库系统4访问收集的数据以及任何新数据,例如患者特异的数据。数据库系统4收集并且维持患者人口统计学信息、医学历史以及状况。数据库系统4通过接口连接或者包括电子医学记录(EMR)、患者健康记录(PHR)或者相似健康和保健数据存储库。在一个实施例中,数据库系统4从放射信息系统(RIS)、健康信息系统(HIS)或其他源收集信息。数据库系统4执行针对来自不同源的数据的调和。
在一个实施例中,数据库系统4存储针对机构中的每个患者的患者医学历史。患者医学历史包括患者图像的先前重建图像和用于重建的重建参数。先前重建图像能够用于生成下面更详细描述的选定的重建参数的范例预览图像。
数据库系统4将所收集的数据分类206为不同类型的数据,诸如:患者的物理属性、患者的医学历史、扫描的类型,即器官、扫描特异的参数、定量的数量、技术人员偏好、和/或解剖信息,即,PET-CT、PET-MR。患者的属性和医学历史包括生理参数,诸如年龄、体重和身高。扫描细节的类型包括涉及的(一个或多个)器官、成像模态、重建协议、期望的床速度、期望的帧交叠等。扫描细节包括剂量限制、同位素的类型、示踪剂的类型、采集时间限制、重建时间限制等。应认识到,其他类型的数据能够被数据库系统4包括和分类。
数据库系统4接收患者的扫描应当实现的重建目标。数据库系统4从技术人员接收过去诊断或处方,其将患者所需的扫描的类型的因素考虑在内。在一个实施例中,数据库系统4将信息存储在一个或多个计算机可读存储介质上。
数据库系统4记录用于重建患者图像的技术人员偏好。数据库系统4记录实现由技术人员认可的期望图像质量的重建参数。除了技术人员已经输入的先前重建参数之外,数据库系统4记录技术人员完成的对重建参数的改变。数据库系统4还记录技术人员考虑的备选。当技术人员随时间使用系统时,数据库系统4适应于技术人员偏好。在一个实施例中,技术人员偏好是对技术人员喜欢的缺省重建计划、推荐计划或者设置完成的改变,其由数据库系统4随时间预测。作为喜欢的设置的部分,技术人员偏好包括优选的重建算法的类型、优选的滤波器的类型和针对结束图像的特性,诸如更锐利、更平滑、噪声特性等。
数据库系统4根据确定的分层(例如医学网络、医院或者诊所位点、医师等)布置技术人员偏好。技术人员偏好使用规则引擎来描述。数据库系统4采用模糊逻辑等来对每个技术人员偏好进行编码并且移除自然语言中的含糊。当系统不在峰使用(例如,在夜间)时,针对实现各种情况中的最优图像质量的重建参数,数据库系统4被挖掘。数据库系统4记录何时缺省设置由技术人员变更为在缺省设置上的技术人员偏好。例如,针对相同患者,如果特定重建参数被变更多次,则图像根据其被重建的最新近设置被加权更重,并且被维持。在一个实施例中,数据库是SQL或非SQL数据库,以管理数据库系统4中的多个数据集。
当技术人员开始将智能重建系统用于特定患者扫描时,人工智能(AI)引擎6经由神经网络等访问数据库系统4。AI引擎6包括用于计算推荐重建参数的至少一个处理器。AI引擎6根据数据库系统4构建207iRecon系统208,其对患者和患者扫描特异。类似于全球定位系统,iRecon系统208向技术人员提供针对期望的重建目标多个重建参数/选项或路径。iRecon系统208包括来自数据库系统4的扫描特异的数据,所述扫描特异的数据由AI引擎6使用,以推荐针对重建目标的重建参数,即路径,以及在可应用时,任选的备选路径。被包含在iRecon系统208中的数据被适应到患者,所述患者具有不同类型的数据,诸如患者医学历史、患者细节、扫描的类型、扫描特性以及技术偏好。iRecon系统208采取重建目标,并且自动生成针对技术人员的重建和采集决策制定参数作为初始推荐,即开始点。
AI引擎6基于可用于构件iRecon系统207的数据的量来采用分层。在一个实施例中,AI引擎6基于可用数据的量来采用用于对系统分类的三层分层,即,没有数据、中等量的数据、或者许多数据。
在其中数据库系统4不包含数据(例如,初始启动状态)的情况下,AI引擎6适于基于其他信息推荐重建参数的缺省集合。在其他实施例中,AI引擎6使用基于偏好的系统来推荐重建参数。基于偏好的系统能够是使用内置模糊逻辑的基于规则的。例如,规则能够为使用具有针对具有高体重的患者的特定设置的重建。在另一实施例中,当患者人口统计学信息被用作输入并且recon设置的最大后验(MAP)估计是输出,AI引擎6使用编制重建算法的专业知识的贝叶斯网络,或者工作流程被部署。
当数据库系统4包含中等量的数据时,例如当已经由数据库系统4从源积累了一些数据时,AI引擎使用可用数据来自动推荐重建参数。在一个实施例中,AI引擎6使用基于病例的推理。使用基于病例的推理,患者人口统计学信息和其他医学状况被编码为与已经收集的患者的向量相比的向量。在患者向量之中,AI引擎6确定最接近向量,并且针对这些最匹配患者的重建参数被用作针对技术人员的推荐。当寻找最接近患者向量时,AI引擎6计算各个相似度度量,并且每个元素被不同地加权。在一个实施例中,相似度度量基于欧几里得距离或者理论信息。
当数据库系统4包含大量数据时,AI引擎6使用基于学习的方法。AI引擎6使用数据库系统4中的患者数据来回归数学模型。AI引擎6将新的进入的患者数据馈送到数学模型,并且计算重建参数。在一个实施例中,AI引擎6使用神经网络来拟合来自数据库系统4的数据,其中,输入层包括患者数据,并且输出层是推荐的重建参数。在另一实施例中,支持向量机(SVM)被用于计算推荐重建参数。
使用来自AI引擎的重建参数,预估引擎(AE)12创建多个备选重建参数。在一个实施例中,备选重建参数基于技术人员能够从其选择的技术人员偏好。多个备选重建参数能够为AE 12预估技术人员将最可能完成的改变。预估基于当用户使用系统时建立的技术人员特异的偏好,使得由系统自动预估,即预测技术人员的倾向。在另一实施例中,备选重建参数基于要使用的优化、患者人口统计学信息、扫描目标、患者人口统计学信息、和/或特定重建参数。AE 12调用iRecon系统208来创建重建参数的不同集合。iRecon系统208生成决策制定事件的集合并且创建备选重建参数。iRecon系统208通过基于由技术人员给出的输入参数来调谐重建管道而适应于技术人员和患者的请求和要求。iRecon系统208针对给定状况的集合中的最好图像质量而非缺省图像质量来优化重建工作流程。iRecon系统208生成要呈现到技术人员的备选重建参数210。技术人员能够任选地选择缺省推荐重建参数或者针对iRecon系统208的建议来调整重建计划。来自iRecon系统208的建议包括关于质量和速度的折衷。例如,一个推荐具有更快的采集和快速重建,但是具有在图像质量上的特定妥协,而另一推荐以在采集和重建中采取的时间为代价给出更好的图像质量。技术人员基于他的偏好和进入患者的危险程度来确定选择。数据库系统4监测并且记录技术人员的每个选择,以在未来重建规划期间要被解释为技术人员偏好的部分。在一个实施例中,技术人员特异的简档被创建在数据库系统4上,其包括每个选择,即技术人员随时间完成的对推荐或缺省重建的任何改变。访问技术人员特异的简档,并且朝向技术人员简档的选择来对推荐进行加权。
iRecon系统208为技术人员提供了具有灵活性的智能系统,而非仅进行一种采集和一种重建而无论使用哪个患者、协议、器官、示踪剂的系统。iRecon系统208还包括重建参数的初始选择后的子步骤。在一个实施例中,iRecon系统208向技术人员建议算法附加212。例如,如果未针对患者体重优化剂量,则iRecon系统208建议滤波器的不同集合,以改进图像质量。在另一范例中,iRecon系统208推荐得到更好的图像质量的针对患者的平滑附加,或者基于示踪剂信息建议不同的重建算法。iRecon系统208基于由技术人员依据采集和重建目标给出的信息来生成附加。
iRecon系统208向技术人员推荐动态采集控制214,所述动态采集控制详述从患者采集成像数据的模式。动态采集控制214直接影响图像质量和采集时间。动态采集控制214指示扫描患者的生理选项,诸如床速度和/或患者取向。动态采集控制214减少采集时间并且向技术人员给出在采集上的更多推荐。例如,iRecon系统208针对最佳图像质量推荐最优床速度,或者帧之间的交叠的量。iRecon系统208还能够在扫描身体的特定部分时推荐动态地更新床的速度,所述特定部分根据数据库系统4中的诊断和/或扫描的目的不被关注。
最优重建和采集也能够关于图形用户接口216被展示给技术人员。在生成重建参数的备选集合后,AE 12能够调用iRecon系统208来分析重建的子步骤以对技术人员提供另外的备选。参考图3,技术人员能够去往图形用户接口216中的任何子步骤218,并且调用关于子步骤218的更详细分析。这些输出中的每个能够进一步被设计,以向技术人员给予更多控制。技术人员忽视、拒绝、编辑或选择子步骤218中的任一项,其中,针对忽略的子步骤218使用缺省。如果技术人员编辑或者选择子步骤218,则编辑或者选择任选地由数据库系统4记录为技术人员偏好。
子步骤可以是选择特定重建算法。重建算法优化器302向技术人员建议最优重建和滤波算法。技术人员可以通过iRecon系统208选择或者忽视建议。在技术人员选择iRecon系统208的推荐的情况下,重建参数优化器304被调用以进一步优化推荐。重建参数优化器304建议要应用到针对给定患者的重建算法的参数的最优集合。另一子步骤能为选择要用于重建的特定滤波器。
例如,如果技术人员选择重建算法A,则技术人员能够调用iRecon系统208来推荐针对特定情况的参数的(一个或多个)最优集合,其能够使用重建算法A来应用。一旦iRecon系统208推荐最优参数,诸如与选定的重建算法一起工作的最优滤波器,技术人员就能够训练个人决策。重建算法选择由数据库系统4记录,以帮助预估针对该患者和/或未来患者的随后的重建。
在一个实施例中,AE 12调用iRecon系统208来使用推荐重建参数8重建被呈现到技术人员的多个预览图像。基于先前训练,如果多个推荐中的每个由技术人员选择,则iRecon系统208也能够提供预期输出的预览图像。预览增强技术人员的决策制定能力。iRecon系统208还能够推荐技术人员选择床速度和/或帧交叠并且关于图像质量或者结束结果来示出相关折衷。每幅预览图像与重建参数的独特的集合相关联。从多幅预览图像,技术人员选择最接近地类似于技术人员的期望输出图像的预览图像。预览图像使得技术人员在扫描患者和/或重建图像之前意识到结束图像质量。在一个实施例中,技术人员具有对使用自定义的工具(例如,平滑)的集合的选项,以改进针对状况的选定的集合的推荐结束图像质量。在另一实施例中,在选择第一预览图像之后,另外的预览图像被生成并且呈现到技术人员,其示出针对不同子步骤218或子步骤的组合的不同结果。
AE 12具有至少两个模式。在一个模式中,AE 12使用懒惰运行算法来生成预览图像。懒惰运行算法在技术人员滚动以查看更多切片时实时生成切片的预览图像。后端系统控制14从患者的扫描检测的成像数据的采集和重建。后端系统14包括资源排程器16,资源排程器16利用重建参数的推荐集合的列表以及生命周期或时间来管理重建的预估运行以生成各种额外图像。预估运行是根据技术人员的期望改变来生成的重建参数。
后端系统14还包括运行引擎18,其利用选定的重建参数和子步骤运行被扫描的患者图像数据的最终重建。AE 12在懒惰运行期间对技术人员输入(即滚动)进行响应,并且生成针对每幅面板图像的单个切片的个体面板图像。当技术人员滚动通过单幅切片图像的体积时,使用资源排程器16立即生成其他切片,以向技术人员提供快速视觉反馈和降低的计算努力。AE12使用视觉显示器10向技术人员呈现预览图像,所述预览图像表示推荐的重建参数。视觉显示器10包括图形接口216,以接收技术人员输入,即用户选择。视觉显示器10能够为LCD、TFT、LED、CRT或其他屏幕实施方式。
在另一模式中,AE 12使用饥饿运行算法来生成预览图像。技术人员选择重建参数的缺省集合和/或患者数据的子步骤。备选地,技术人员能够经由视觉显示器10选择被显示到技术人员的推荐重建参数和/或子步骤中的一个作为预览图像。如果技术人员选择重建参数的缺省集合,则在后台使用资源排程器16生成预览图像,以确定计算资源何时有用。如果技术人员选择推荐预览图像中的一幅,则也在后台使用资源排程器16来运行其他预览图像,以确定计算资源何时有用。预览图像被运行,其中预期技术人员可能改变其想法并且考虑推荐设置。如果技术人员选择在后台重建的预览图像中的一幅,则结果已经可用。如果患者数据的相关联的重建不是完全的,则经由视觉显示器10通知技术人员,并且资源排程器16安排重建以在患者数据上操作并且使用后端系统14计算资源。在另一实施例中,未由技术人员查看的预览图像在数据库系统4中针对预定义或配置的天数被存储,在所述天数之后,它们将被删除。当最终重建被选择时,后端系统14的运行引擎18控制扫描患者202和根据技术人员选定的重建设置、参数和/或子步骤对扫描图像数据的最终重建220。
参考图4,示出了在视觉显示器10上显示给技术人员的图形接口216的范例显示截面400。顶部行402描绘了针对推荐重建参数、子步骤等的预览图像,其中,预览图像中的一幅的选择404被显示。根据选定的预览图像404,向技术人员显示表示各种子步骤推荐的子图像406。技术人员能够使用显示给技术人员的图形用户接口408来进行选择来改变建议的参数和子步骤。在一个实施例中,利用对应于选定的子图像的重建参数和子步骤来生成新的预览图像。利用相似于或者至少部分不同于对应于新的预览图像的参数和/或子步骤的参数和子步骤重建额外的子图像。该预览能够迭代地重复,以细化和优化参数和子步骤。应认识到,图像显示界面的数量能够根据显示器的尺寸和其他因素来调整。顶部行402能够显示最好的第一图像,并且技术人员能够任选地使用滚动功能来查看更多图像。技术人员还能够滚动以查看行406中的更多子图像。
参考图5,智能图像重建系统的备选模块化视图包含数据收集器702,数据收集器702编译来自各种源的不同类型的数据,并且将收集的数据存储在计算机可读存储介质706或数据库系统4上。数据收集器702编译来自技术人员的关于扫描的类型、请求的扫描模态等的扫描特异的参数706。数据收集器702收集来自技术人员的针对患者的期望扫描的功能和解剖限制707。数据收集器702存储来自机构中的所有患者的患者历史708。患者历史708包括之前的扫描和重建,其被用作表示实现重建目标的特定重建参数709和设置的先前图像。数据收集器702收集来自技术人员或患者的医学文件的患者的诊断710和/或处方。数据收集器702收集针对患者图像的期望重建的采集参数712。数据收集器702存储下面更详细讨论的从交互式GUI 716或图形接口216接收的技术人员偏好714。技术人员偏好714包括技术人员输入的重建的每个选择和改变的记录。技术人员偏好714被用于影响在规划随后的重建时要呈现给技术人员的自动化推荐重建。
数据处理器718处理来自要由智能重建系统使用的数据收集器702的数据。数据处理器704使用训练元件720来根据技术人员偏好714调整智能重建系统。由人工智能驱动训练元件,所述人工智能对技术人员偏好714和其他收集的数据进行加权以训练智能重建系统,以供推荐器模块722或AI 6引擎或AE 12使用。
推荐器模块722使用来自数据处理器718的经训练的数据来创建并且向技术人员推荐重建路径。预估模块经由神经网络724访问来自数据收集器702的数据,并且预测技术人员可能追求的对初始重建路径的未来改变726。在一个实施例中,重建路径基于利用数据收集器702存储的技术人员偏好历史714。在另一实施例中,推荐重建路径基于要使用的优化、扫描目标、患者人口统计学信息、和/或特定重建参数。推荐器模块722预报多个重建路径的得到的图像质量728,并且将重建路径与具有相同重建参数的示范性预览图像相关。
推荐器模块722处理要使用交互式GUI 716显示的预览图像。交互式GUI 716在显示器10上显示预览图像。作为预览图像的显示的部分,交互式GUI 716向技术人员给出各种重建编辑工具,以进一步改变重建参数。使用交互式GUI 716来操控工具,所述交互式GUI被配置为接收来自技术人员的用户输入。工具能够为选项选择器730、特征控制732或者普通/先进用户控制734、736。交互式GUI 716在显示器10上显示由推荐器模块722预报的不同重建路径。交互式GUI 716接收推荐路径的最终用户选择。推荐器模块722然后根据选定的重建路径将患者的扫描的成像数据740处理为最终重建图像。推荐器模块722针对准确性742检查重建图像。
参考图6,不同路径被显示到技术人员,并且详述与从患者A 802行进到最终重建图像804的路径相关联的折衷。在一个实施例中,折衷包括关于缺省路径的图像质量对重建时间。路径详述特定示踪剂、重建算法以及用于创建路径的特定患者因素。例如,路径1 806基于使用的特定示踪剂,即示踪剂浓度X,其导致特定重建算法,即重建算法Y。路径806还详述具有在图像质量上的20%改进但是重建时间将额外耗费3分钟的折衷。路径2 808基于患者人口统计学信息,即患者体重,以及初步CT图,来推荐重建算法的迭代的数量和特定帧交叠,即30%。路径808详述重建时间中的35%减少与图像质量中的6%损失的折衷。路径3810基于特定重建目标,即最快重建时间优化,其中所述路径建议重建算法A和单次散射模拟(SSS)算法H。路径810详述图像质量中的30%损失但是使用35%资源的时间中的50%减少的折衷。应认识到,能够生成折衷和路径变化的许多不同组合。
参考图7,描绘了用于患者成像数据的智能重建的方法500。在步骤502处,患者针对成像扫描被记录。在步骤504处,数据库系统4从各种源收集患者和扫描数据。在步骤506处,AI引擎6向技术人员推荐重建参数的缺省集合。在步骤508处,AE 12生成重建参数的备选集合。备选步骤是技术人员能够基于技术人员已经针对其他重建计划进行的先前改变进行的预估改变。在步骤510处,利用重建参数的备选集合重建的预览图像被生成并且显示到技术人员。预览图像能够为使用各种重建参数从相似生理特性的其他患者生成的图像。在步骤512处,预览图像的技术人员选择经由视觉显示器10来接收。在步骤513处,预览图像的技术人员选择被记录,并且利用针对随后的重建的选择更新收集的数据。在步骤514处,预览图像和子图像,即利用不同参数和/或子步骤重建的来自相同扫描数据的图像被生成,并且显示到技术人员。在步骤516处,接收子步骤预览图像的技术人员选择。子步骤预览图像的技术人员选择还在步骤513处被记录以更新收集的数据。在步骤518处,运行引擎18根据由预览图像选择表示的重建参数的集合来扫描患者以得到成像数据。在步骤520处,运行引擎18根据重建参数和/或子步骤的选定的集合来重建成像数据。
如本文所使用的,存储器包括存储数据的任何设备或系统,诸如随机存取存储器(RAM)或只读存储器(ROM)。此外,如本文所使用的,处理器包括处理输入设备以产生输出数据的任何设备或系统,诸如微处理器、微控制器、图形处理单元(GPU)、专用集成电路(ASIC)、FPGA等;控制器包括控制另一设备或系统的任何设备或系统,并且通常包括至少一个处理器;用户输入设备包括允许用户输入设备的技术人员将输入提供到另一设备或系统的任何设备,诸如鼠标或键盘;并且显示设备包括用于显示数据的任何设备,诸如液晶显示器(LCD)或发光二极管(LED)显示器。
已经参考优选实施例描述了本发明。他人在阅读和理解上述详细描述之后可以进行修改和变型。本发明旨在被解释为包括所有这样的修改和变化,只要其落入权利要求书或其等价方案的范围内。
Claims (15)
1.一种诊断图像生成系统(2),包括一个或多个处理器(4、6、12、18),所述一个或多个处理器被配置为:
从多个可访问数据源检索数据(206),所述可访问数据源存储包括以下项的数据:描述要被成像的对象的生理数据、请求的诊断图像的性质、请求诊断图像的临床医师的图像偏好、以及所述对象和/或其他对象的所请求的性质的先前重建图像、用于重建所述先前重建图像的重建参数和/或子例程;
调用图像重建系统(207、208),所述图像重建系统被配置为:
-选择针对最终图像的一个或多个重建目标;并且
-分析(6、12)所检索的数据,以自动选择或生成对所请求的诊断图像的性质、所述对象和所述临床医师的图像偏好特异的重建参数和/或子例程,以达到所述一个或多个重建目标,选择或生成重建参数和/或子例程包括选择单次散射校正算法、单一校正算法、和/或用于后处理滤波器的核尺寸之中的一个;并且
进行以下项中的至少一项:控制显示设备(10、216)来显示所选择或所生成的重建参数和/或子例程,和/或设置重建处理器系统(18)以使用所选择的重建参数和/或子例程来重建(220)扫描数据。
2.根据权利要求1所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
使用所选择的重建参数和/或子例程来根据来自所述其他对象中的一个的扫描数据生成预览图像;并且
控制所述显示器(10、216)来显示所述预览图像。
3.根据权利要求1或2中的任一项所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
选择多个候选重建参数和/或子例程;并且
生成针对所述候选重建参数中的至少一些的多幅预览图像。
4.根据权利要求1-3中的任一项所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
从用户接口(216)接收选择,通过所述用户接口,所述临床医师选择所述预览图像中的一幅。
5.根据权利要求4所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
针对所选择的预览图像,选择对所选择的重建参数和子例程的变化;并且
使用所选择的变化来生成子图像。
6.根据权利要求5所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
控制所述显示器(10、216)来显示所选择的重建参数的所述变化;
接收对所显示的预览图像或子图像中的一幅的用户选择;并且
配置重建处理器(18),以利用用于生成所选择的预览图像或子图像的所述重建参数和/或子例程来重建扫描的成像数据。
7.根据权利要求1-6中的任一项所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
选择多个候选扫描协议;
生成针对所述候选扫描协议中的至少一些的多幅预览图像;
从用户接口(216)接收选择,通过所述用户接口,所述临床医师选择所述预览图像中的一幅;
针对所选择的预览图像,选择对所选择的扫描协议的变化;并且
使用所选择的变化来生成子图像;
控制所述显示器(10、216)来显示所选择的扫描协议的所述变化;
接收对所显示的预览图像中的一幅的用户选择;并且
配置重建处理器(18),以利用用于生成所选择的预览图像的所述扫描协议来重建扫描的成像数据。
8.根据权利要求1-7中的任一项所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
为了优化重建参数和/或子例程,迭代地重复以下操作:
控制所述显示器(10、216)来显示所选择的重建参数的变化;
接收对所显示的预览图像或子图像中的一幅的用户选择;并且
配置重建处理器(18),以利用用于生成所选择的预览图像或子图像的所述重建参数和/或子例程来重建扫描的成像数据。
9.根据权利要求3-8中的任一项所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
使用对应于所选择的预览图像或子图像的重建参数和/或子例程来将所述对象的扫描数据重建(18)为预览诊断图像;
在后台,利用对应于所选择的预览图像或子图像的所述重建参数和/或子例程的变化来重建(16)所述扫描数据;并且
将所选择的预览图像或子图像的变化显示(10、216)为针对临床医师选择的候选诊断图像。
10.根据权利要求9所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
将扫描数据的部分重建为所述预览图像或子图像;
为了优化重建参数和/或子例程,迭代地重复以下操作:
控制所述显示器(10、216)来显示所选择的重建参数的变化;
接收对所显示的预览图像或子图像中的一幅的用户选择;并且
配置重建处理器,以利用用于生成所选择的预览图像或子图像的所述重建参数和/或子例程来重建扫描的成像数据;
选择所述预览图像或所述子图像中的一幅;并且
使用对应于所选择的预览图像或子图像的重建参数和子例程来重建(18)扫描数据的完整集合。
11.根据权利要求1-10中的任一项所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
根据所述数据库的访问的数据来生成(208、218)备选的重建算法、参数、滤波器、和/或子步骤,其中,每个满足针对所述最终图像的所述一个或多个重建目标。
12.根据权利要求11所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
使用计算的相似度度量来将备选匹配到相似患者记录,其中,所述患者记录包括表示所述备选的重建算法、参数、滤波器、和/或子步骤的重建图像;并且
在显示器上显示所述相似患者记录的所述重建图像,其中,每幅重建图像表示所述最终图像。
13.根据权利要求11和12中的任一项所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
接收来自技术人员的对至少一个不同的重建算法、参数、滤波器和/或子步骤的选择;
将改变记录为针对所述不同的重建算法、参数、滤波器、和/或子步骤的技术人员偏好;并且
使用朝向所述技术人员偏好的加权来预估未来的重建算法、参数、滤波器、和/或子步骤。
14.根据权利要求11-13中的任一项所述的系统,其中,所述一个或多个处理器(4、6、12、18)还被配置为:
接收对重建图像的选择;
根据所述技术人员偏好来生成并显示另外的备选的重建算法、参数、滤波器、和/或子步骤;
接收对备选重建图像的随后选择;
根据对所选择的重建图像特异的所述重建算法、参数、滤波器、和/或子步骤来将所述患者的扫描的成像数据重建为所述最终图像,以满足所选择的重建目标。
15.一种方法,包括:
从多个可访问数据源检索数据(206),所述可访问数据源存储包括以下项的数据:描述要被成像的对象的生理数据、请求的诊断图像的性质、请求诊断图像的临床医师的图像偏好、以及所述对象和/或其他对象的所请求的性质的先前重建图像、用于重建所述先前重建图像的重建参数和/或子例程;
调用图像重建系统(207、208),所述图像重建系统被配置为:
-选择针对最终图像的一个或多个重建目标;并且
-分析(6、12)所检索的数据,以自动选择或生成对所请求的诊断图像的性质、所述对象和临床医师图像偏好特异的重建参数和/或子例程,以达到所述一个或多个重建目标,选择或生成重建参数和/或子例程包括选择单次散射校正算法、单一校正算法、和/或用于后处理滤波器的核尺寸之中的一个;并且
进行以下项中的至少一项:控制显示设备(10、216)来显示所选择或所生成的重建参数和/或子例程,和/或设置重建处理器系统(18)以使用所选择的重建参数和/或子例程来重建(220)扫描数据。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462025050P | 2014-07-16 | 2014-07-16 | |
US62/025,050 | 2014-07-16 | ||
CN201580038669.2A CN106537398A (zh) | 2014-07-16 | 2015-07-09 | Irecon:具有预估运行的智能图像重建系统 |
PCT/IB2015/055182 WO2016009309A1 (en) | 2014-07-16 | 2015-07-09 | Irecon: intelligent image reconstruction system with anticipatory execution |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580038669.2A Division CN106537398A (zh) | 2014-07-16 | 2015-07-09 | Irecon:具有预估运行的智能图像重建系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114530234A true CN114530234A (zh) | 2022-05-24 |
Family
ID=54145961
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580038669.2A Pending CN106537398A (zh) | 2014-07-16 | 2015-07-09 | Irecon:具有预估运行的智能图像重建系统 |
CN202210171396.0A Pending CN114530234A (zh) | 2014-07-16 | 2015-07-09 | Irecon:具有预估运行的智能图像重建系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580038669.2A Pending CN106537398A (zh) | 2014-07-16 | 2015-07-09 | Irecon:具有预估运行的智能图像重建系统 |
Country Status (4)
Country | Link |
---|---|
US (2) | US10275906B2 (zh) |
EP (1) | EP3170112A1 (zh) |
CN (2) | CN106537398A (zh) |
WO (1) | WO2016009309A1 (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
DE102016215109A1 (de) | 2016-08-12 | 2018-02-15 | Siemens Healthcare Gmbh | Verfahren und Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus |
US10127659B2 (en) * | 2016-11-23 | 2018-11-13 | General Electric Company | Deep learning medical systems and methods for image acquisition |
CN108403117B (zh) * | 2017-02-10 | 2021-10-29 | 西门子(深圳)磁共振有限公司 | 磁共振成像预览及建立mr模型的方法和装置 |
CN107146266A (zh) * | 2017-05-05 | 2017-09-08 | 上海联影医疗科技有限公司 | 一种图像重建方法、装置、医学成像系统及存储媒介 |
CN107085860A (zh) * | 2017-05-17 | 2017-08-22 | 上海联影医疗科技有限公司 | 基于计算机断层成像系统的图像重建方法和装置 |
US10987006B2 (en) | 2017-06-02 | 2021-04-27 | Apple Inc. | Wearable computer with fitness machine connectivity for improved activity monitoring using caloric expenditure models |
CN107610763B (zh) * | 2017-09-08 | 2020-12-25 | 上海联影智能医疗科技有限公司 | Ai接口平台及其应用方法、ai应用系统 |
WO2019200346A1 (en) * | 2018-04-13 | 2019-10-17 | General Electric Company | Systems and methods for synchronization of imaging systems and an edge computing system |
EP3581953A1 (en) * | 2018-06-11 | 2019-12-18 | Koninklijke Philips N.V. | A method for configuring a rf transmit assembly |
US11037338B2 (en) * | 2018-08-22 | 2021-06-15 | Nvidia Corporation | Reconstructing image data |
CN109350100A (zh) * | 2018-09-27 | 2019-02-19 | 上海联影医疗科技有限公司 | 医学成像方法、医学成像设备以及计算机可读存储介质 |
CN109199422B (zh) * | 2018-11-14 | 2022-03-25 | 上海联影医疗科技股份有限公司 | Ct预览图像重建优化方法、装置、计算机设备和存储介质 |
CN110189386B (zh) * | 2019-05-06 | 2023-05-26 | 上海联影医疗科技股份有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
US11113588B2 (en) | 2019-10-02 | 2021-09-07 | United States Of America As Represented By The Secretry Of The Navy | Randomization-based hierarchical and associatively assisted vector learning for machine vision |
US11423211B2 (en) | 2019-10-28 | 2022-08-23 | United States Of America As Represented By The Secretary Of The Navy | Transformational randomization for enhanced artificial intelligence capabilities and diagnostic tutoring |
CN111128345B (zh) * | 2019-11-19 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 医学图像的获取方法、医学扫描设备和计算机存储介质 |
CN110889819B (zh) * | 2019-11-29 | 2023-04-28 | 上海联影医疗科技股份有限公司 | 医学图像扫描方法、装置、设备和存储介质 |
CN111062998B (zh) * | 2019-12-11 | 2023-12-12 | 上海联影医疗科技股份有限公司 | 图像重建方法、装置、ct系统及存储介质 |
JP7510775B2 (ja) | 2020-03-31 | 2024-07-04 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置及び医用画像診断装置 |
CN111462271A (zh) * | 2020-04-23 | 2020-07-28 | 上海联影医疗科技有限公司 | 扫描重建参数推荐方法和计算机设备 |
CN113256750B (zh) * | 2021-05-26 | 2023-06-23 | 武汉中科医疗科技工业技术研究院有限公司 | 医疗图像风格重建方法、装置、计算机设备和存储介质 |
CN113555090A (zh) * | 2021-07-21 | 2021-10-26 | 李真林 | 影像设备扫描知识库构建方法及系统 |
EP4345835A1 (de) * | 2022-09-29 | 2024-04-03 | Siemens Healthineers AG | Verfahren und steuereinheit zur steuerung einer medizinischen bildgebungsanlage |
Family Cites Families (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5532122A (en) * | 1993-10-12 | 1996-07-02 | Biotraces, Inc. | Quantitation of gamma and x-ray emitting isotopes |
US6061067A (en) * | 1996-08-02 | 2000-05-09 | Autodesk, Inc. | Applying modifiers to objects based on the types of the objects |
US5977978A (en) * | 1996-11-13 | 1999-11-02 | Platinum Technology Ip, Inc. | Interactive authoring of 3D scenes and movies |
US6239438B1 (en) * | 1998-11-19 | 2001-05-29 | General Electric Company | Dual acquisition imaging method and apparatus |
DE10214254A1 (de) | 2002-03-30 | 2003-10-16 | Philips Intellectual Property | Organspezifische Rückprojektion |
US20040122706A1 (en) * | 2002-12-18 | 2004-06-24 | Walker Matthew J. | Patient data acquisition system and method |
US20040122707A1 (en) * | 2002-12-18 | 2004-06-24 | Sabol John M. | Patient-driven medical data processing system and method |
US20040122709A1 (en) * | 2002-12-18 | 2004-06-24 | Avinash Gopal B. | Medical procedure prioritization system and method utilizing integrated knowledge base |
US7599534B2 (en) * | 2003-08-13 | 2009-10-06 | Siemens Medical Solutions Usa, Inc. | CAD (computer-aided decision) support systems and methods |
US8586932B2 (en) * | 2004-11-09 | 2013-11-19 | Spectrum Dynamics Llc | System and method for radioactive emission measurement |
US9943274B2 (en) * | 2004-11-09 | 2018-04-17 | Spectrum Dynamics Medical Limited | Radioimaging using low dose isotope |
US9316743B2 (en) * | 2004-11-09 | 2016-04-19 | Biosensors International Group, Ltd. | System and method for radioactive emission measurement |
US20100226552A1 (en) * | 2006-03-28 | 2010-09-09 | Koninklijke Philips Electronics N. V. | Identification and visualization of regions of interest in medical imaging |
GB2450073B (en) * | 2006-08-25 | 2009-11-04 | Siemens Molecular Imaging Ltd | Regional reconstruction of spatially distributed functions |
CN101159869A (zh) * | 2006-08-30 | 2008-04-09 | 美国西门子医疗解决公司 | 提供代表性图像信息 |
US20080108895A1 (en) * | 2006-11-06 | 2008-05-08 | General Electric Company | Method and system for defining at least one acquisition and processing parameter in a tomosynthesis system |
US20080130972A1 (en) * | 2006-11-30 | 2008-06-05 | General Electric Company | Storing imaging parameters |
ATE542196T1 (de) | 2007-02-19 | 2012-02-15 | Wisconsin Alumni Res Found | Verfahren zur lokalisierten und stark eingeschränkten bildrekonstruktion |
EP1959397B1 (en) * | 2007-02-19 | 2019-08-07 | Wisconsin Alumni Research Foundation | Iterative HYPR medical image reconstruction |
JP5220125B2 (ja) | 2007-12-20 | 2013-06-26 | ウイスコンシン アラムナイ リサーチ ファウンデーシヨン | 先験的画像制限画像再構成法 |
US20090290773A1 (en) | 2008-05-21 | 2009-11-26 | Varian Medical Systems, Inc. | Apparatus and Method to Facilitate User-Modified Rendering of an Object Image |
JP2010178842A (ja) * | 2009-02-04 | 2010-08-19 | Toshiba Corp | 医用画像データ処理装置及び医用画像データ処理方法 |
JP5813994B2 (ja) | 2010-06-03 | 2015-11-17 | 株式会社東芝 | 医用画像診断装置および画像再構成方法 |
US8811695B2 (en) | 2010-12-14 | 2014-08-19 | General Electric Company | Methods, apparatus and articles of manufacture to adaptively reconstruct medical diagnostic images |
US20130253317A1 (en) * | 2010-12-15 | 2013-09-26 | Koninklijke Philips Electronics N.V. | Ultrasound imaging system with patient-specific settings |
RU2013148017A (ru) * | 2011-03-29 | 2015-05-10 | Конинклейке Филипс Н.В. | Получение изображения и/или модуль рекоммендации параметров, относящихся к изображению |
US20120271840A1 (en) * | 2011-04-25 | 2012-10-25 | General Electric Company | Systems and methods for storing and providing scan protocol information |
DE102011078278A1 (de) * | 2011-06-29 | 2013-01-03 | Siemens Aktiengesellschaft | Verfahren zur Bilderzeugung und Bildauswertung |
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
US8923580B2 (en) | 2011-11-23 | 2014-12-30 | General Electric Company | Smart PACS workflow systems and methods driven by explicit learning from users |
CN103999087B (zh) * | 2011-12-15 | 2020-06-30 | 皇家飞利浦有限公司 | 针对接收方优化的医学成像重建 |
DE102012200076A1 (de) * | 2012-01-04 | 2013-07-04 | Siemens Aktiengesellschaft | Verfahren und System zum Anzeigen von digitalen medizinischen Bildern |
CN102663010A (zh) * | 2012-03-20 | 2012-09-12 | 复旦大学 | 基于标注语义的个性化图像浏览与推荐方法及系统 |
US9436799B2 (en) * | 2012-07-30 | 2016-09-06 | General Electric Company | Systems and methods for remote image reconstruction |
JP6057620B2 (ja) | 2012-08-30 | 2017-01-11 | キヤノン株式会社 | 光断層画像撮像装置、画像処理装置及び光断層画像の表示方法 |
CN103892859A (zh) * | 2012-12-28 | 2014-07-02 | Ge医疗系统环球技术有限公司 | 基于多模式Scout扫描的CT成像方法和CT系统 |
EP3367906B1 (en) * | 2015-10-30 | 2020-04-15 | Koninklijke Philips N.V. | Improved consistency between sessions in hybrid imaging studies |
US10127659B2 (en) * | 2016-11-23 | 2018-11-13 | General Electric Company | Deep learning medical systems and methods for image acquisition |
-
2015
- 2015-07-09 WO PCT/IB2015/055182 patent/WO2016009309A1/en active Application Filing
- 2015-07-09 US US15/326,159 patent/US10275906B2/en active Active
- 2015-07-09 EP EP15763977.4A patent/EP3170112A1/en not_active Withdrawn
- 2015-07-09 CN CN201580038669.2A patent/CN106537398A/zh active Pending
- 2015-07-09 CN CN202210171396.0A patent/CN114530234A/zh active Pending
-
2019
- 2019-01-03 US US16/238,613 patent/US11017895B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
CN106537398A (zh) | 2017-03-22 |
US20190139271A1 (en) | 2019-05-09 |
WO2016009309A1 (en) | 2016-01-21 |
US20170206680A1 (en) | 2017-07-20 |
EP3170112A1 (en) | 2017-05-24 |
US10275906B2 (en) | 2019-04-30 |
US11017895B2 (en) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11017895B2 (en) | Irecon: intelligent image reconstruction system with anticipatory execution | |
US10628943B2 (en) | Deep learning medical systems and methods for image acquisition | |
US10565477B2 (en) | Deep learning medical systems and methods for image reconstruction and quality evaluation | |
US11003988B2 (en) | Hardware system design improvement using deep learning algorithms | |
US10242443B2 (en) | Deep learning medical systems and methods for medical procedures | |
US11061537B2 (en) | Interactive human visual and timeline rotor apparatus and associated methods | |
US20220215961A1 (en) | Clinical decision support | |
WO2012085739A1 (en) | Learning and optimizing care protocols. | |
US11031111B1 (en) | Systems and methods for optimizing clinical workflow using a prioritization engine | |
US20230333860A1 (en) | Methods and systems for workflow automation | |
Li et al. | White learning methodology: A case study of cancer-related disease factors analysis in real-time PACS environment | |
Owusu et al. | Longitudinal healthcare analytics for early detection and progression of neurological diseases: A clinical decision support system. | |
Lyu et al. | Optimizing AIGC Service Provider Selection Based on Deep Q-Network for Edge-enabled Healthcare Consumer Electronics Systems | |
CN117648489A (zh) | 基于医院后台数据的预约推荐方法及系统 | |
Bowman | A Hybrid Data and Hypothesis-Driven Model for Software Development in Support of the Machine-Learning Paradigm | |
CN117809818A (zh) | 用于控制医学成像设备的方法和控制单元 | |
Khanna et al. | Automated Brain Tumor Detection and Classification Through Deep Learning Analysis of MRI Scans | |
Montani et al. | Artificial Intelligence techniques for diabetes management: the T-IDDM project | |
Canale et al. | A Rule-based Approach for Medical Decision Support | |
KR20140058244A (ko) | 증상 가중치 기반 병증 검색 장치 및 방법 | |
Yang et al. | On the algorithm of the medical diagnostic decision support system under the mobile platform | |
Bichindaritz et al. | Case-Based Reasoning in the Health Sciences |
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 |