CN116868280A - 放射学图像的后处理 - Google Patents
放射学图像的后处理 Download PDFInfo
- Publication number
- CN116868280A CN116868280A CN202280010147.1A CN202280010147A CN116868280A CN 116868280 A CN116868280 A CN 116868280A CN 202280010147 A CN202280010147 A CN 202280010147A CN 116868280 A CN116868280 A CN 116868280A
- Authority
- CN
- China
- Prior art keywords
- images
- stack
- dimensional images
- dimensional
- radiological
- 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
- 238000012805 post-processing Methods 0.000 title description 31
- 238000003384 imaging method Methods 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 74
- 230000003993 interaction Effects 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 43
- 238000002591 computed tomography Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 30
- 210000004072 lung Anatomy 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 210000003484 anatomy Anatomy 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 5
- 238000002600 positron emission tomography Methods 0.000 claims description 5
- 230000000241 respiratory effect Effects 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 210000005166 vasculature Anatomy 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims 1
- 238000013170 computed tomography imaging Methods 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 11
- 210000000988 bone and bone Anatomy 0.000 description 10
- 238000012800 visualization Methods 0.000 description 10
- 230000003902 lesion Effects 0.000 description 9
- 238000011976 chest X-ray Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 7
- 210000000038 chest Anatomy 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000002872 contrast media Substances 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 208000010378 Pulmonary Embolism Diseases 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010968 computed tomography angiography Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012432 intermediate storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种用于读取成像扫描(410)的计算机(110)实现的方法包括访问成像扫描(410)。成像扫描(410)包括放射学图像的堆叠。该方法还包括根据成像扫描(410)的截面数据生成多个二维图像。多个二维图像包括来自放射学图像的堆叠的投影信息。投影信息包括全成像体积或自动选择的子体积、以及图像强度的全范围或图像强度的自动选择的子范围。该方法还包括在高级解释环境(380)的用户界面(UI)中显示所生成的多个二维图像或其子集。用户界面通过启用与所生成的多个二维图像的交互来提供对放射学图像的堆叠或从放射学图像的堆叠导出的附加信息的访问。
Description
相关申请的交叉引用
本国际专利申请根据《美国法典》第35卷第119(e)节要求于2021年1月15日向美国专利商标局提交的第63/138,087号美国临时申请的优先权,该申请的全部内容通过引用并入本文。
技术领域
本公开涉及用于读取三维放射学成像检查的工作流程管理,包括筛查工作流程和诊断临床工作流程。
背景技术
胸部x射线(CXR)是最常见的放射学检查类型,约占全球所有放射学检查的一半。CXR采集速度快,并且使患者暴露于小剂量的X射线(~0.1mSv)。CXR是通过诊断X射线“Bucky”系统采集的,与诸如磁共振成像(MRI)和计算机断层成像(CT)等其他成像方式相比,该系统具有成本效益。CXR提供了显著但有限的诊断价值。当放射科医生在CXR上标识出可疑发现时,通常需要进行适当的随访检查,诸如计算机断层成像(CT)或正电子发射断层成像(PET或PET-CT)研究。被命令更明确地评估这一发现。
常规CT图像的采集通常会使患者暴露在比CXR高得多的辐射剂量下(~7mSv),同时产生比CXR具有更高诊断价值的截面图像。为了避免剂量暴露的增加,CT方案被设计为使用低和超低辐射剂量。对于癌症筛查,可以获取所谓的低剂量(LDCT)图像、以及最近的超低剂量CT(ULDCT)图像(~1mSv或更少),从而获取保留足够图像质量和诊断价值的图像,以用于筛查目的。
在最近的一项研究中(Kroft等人,Journal of Thoracic Imaging,2019,179-186),对200名患者的CXR图像和ULDCT图像的诊断价值进行了比较。参与的患者在同一天接受了CXR研究和ULDCT研究。同一位放射科医生首先阅读了CXR研究,然后阅读了ULDCT研究。在200名患者中的40名患者中,与仅基于CXR发现而发起的护理路径相比,ULDCT发现影响了护理管理。例如,基于对新检测到的发现和/或由于ULDCT发现而被确定为不存在的发现或被确定为存在但不重要的发现的确认中的一个或两个,改进了护理管理。放射科医生解释ULDCT的诊断置信度明显高于CXR,而辐射剂量(分别为0.07mSv和0.04mSv)和室内时间具有可比性。
ULDCT在某些方面可以优于CXR,在很多其他方面也具有可比性。然而,CT的放射科医生解释时间明显高于CXR的放射科医生解释时间。CT解释可能需要十(10)到十五(15)分钟,而CXR解释通常需要一(1)到三(3)分钟,这取决于病例复杂性和患者成像史。尽管ULDCT的广泛采用有望提高护理标准,但ULDCT同时可能会使放射科医生的阅读时间增加三到五倍。阅读时间的大幅增加实际上无法被当前(和未来)的放射科医生队伍所吸收,他们已经承受着严重的超负荷和高倦怠率。
发明内容
根据本公开的一个方面,一种用于读取成像扫描的计算机实现的方法包括访问成像扫描。成像扫描包括放射学图像的堆叠。该方法还包括根据成像扫描的截面数据生成多个二维图像。多个二维图像包括来自放射学图像的堆叠的投影信息。投影信息包括全成像体积或自动选择的子体积、以及图像强度的全范围或图像强度的自动选择的子范围。该方法还包括在高级解释环境的用户界面(UI)中显示所生成的多个二维图像或其子集。用户界面通过启用与所生成的多个二维图像的交互来提供对放射学图像的堆叠或从放射学图像的堆叠导出的附加信息的访问。
根据本公开的另一方面,一种用于读取成像扫描的系统包括存储指令的存储器和执行指令的处理器。该指令在由处理器执行时使得该系统访问成像扫描。成像扫描包括放射学图像的堆叠。该指令还使得该系统根据成像扫描的截面数据生成多个二维图像。多个二维图像包括来自放射学图像的堆叠的投影信息。投影信息包括全成像体积或自动选择的子体积、以及图像强度的全范围或图像强度的自动选择的子范围。该指令还使得该系统在高级解释环境的用户界面(UI)中显示所生成的多个二维图像或其子集。用户界面通过启用与所生成的多个二维图像的交互来提供对放射学图像的堆叠或从放射学图像的堆叠导出的附加信息的访问。
根据本公开的另一方面,一种用于读取成像扫描的控制器包括存储指令的存储器和执行指令的处理器。该指令由处理器执行时使得包括控制器的系统访问成像扫描。成像扫描包括放射学图像的堆叠。该指令还使得该系统根据成像扫描的截面数据生成多个二维图像。多个二维图像包括来自放射学图像的堆叠的投影信息。投影信息包括全成像体积或自动选择的子体积、以及图像强度的全范围或图像强度的自动选择的子范围。该指令还使得该系统在显示器上在高级解释环境的用户界面(UI)中显示所生成的多个二维图像或其子集。用户界面通过启用与所生成的多个二维图像的交互来提供对放射学图像的堆叠或从放射学图像的堆叠导出的附加信息的访问。
附图说明
当结合附图阅读时,从以下详细描述中可以最好地理解示例实施例。需要强调的是,各种特征不一定是按比例绘制的。事实上,为了讨论的清楚性,尺寸可以任意增加或减少。在适用和实用的情况下,相同的附图标记指代相同的元素。
图1A示出了根据代表性实施例的用于对放射学图像进行后处理的系统。
图1B示出了根据代表性实施例的用于对放射学图像进行后处理的控制器。
图2示出了根据代表性实施例的用于对放射学图像进行后处理的方法。
图3示出了根据代表性实施例的用于对放射学图像进行后处理的环境架构。
图4示出了根据代表性实施例的用于对放射学图像进行后处理的视图流程。
图5示出了根据代表性实施例的用于对放射学图像进行后处理的基于ROI的伪影检测。
图6示出了根据代表性实施例的用于对放射学图像进行后处理的子空间查看器。
图7示出了根据代表性实施例的用于对放射学图像进行后处理的用户界面。
图8示出了根据另一代表性实施例的计算机系统,在该计算机系统上实现了用于对放射学图像进行后处理的方法。
具体实施方式
在以下详细描述中,出于解释而非限制的目的,提出了公开具体细节的代表性实施例,以提供对根据本教导的实施例的全面理解。可以省略对已知系统、设备、材料、操作方法和制造方法的描述,以避免混淆对代表性实施例的描述。尽管如此,在本领域普通技术人员的范围内的系统、设备、材料和方法在本教导的范围内,并且可以根据代表性实施例来使用。应当理解,本文中使用的术语仅用于描述特定实施例的目的,而不旨在限制。所定义的术语是在本教导的技术领域中通常理解和接受的所定义术语的技术和科学含义之外的术语。
应当理解,尽管术语第一、第二、第三等可以在本文中用于描述各种元件或组件,但这些元件或组件不应受到这些术语的限制。这些术语仅用于将一个元件或组件与另一元件或组件区分开来。因此,在不偏离本发明概念的教导的情况下,下面讨论的第一元件或组件可以称为第二元件或组件。
本文中使用的术语仅用于描述特定实施例,而非限制性的。如说明书和所附权利要求中使用的,术语“一”、“一个”和“该”的单数形式旨在包括单数和复数形式,除非上下文另有明确规定。此外,术语“包括(comprises)”和/或“包括有(comprising)”和/或类似术语当在本说明书中使用时指定所述特征、元件和/或组件的存在,但不排除一个或多个其他特征、元件、组件和/或其组的存在或添加。如本文中使用的,术语“和/或”包括一个或多个相关列出项目的任何和所有组合。
除非另有说明,当一个元件或组件称为“连接到”、“耦合到”或“邻近”另一元件或组件时,应当理解为该元件或组件可以直接连接或耦合到另一元件或组件,或者可以存在介入元件或组件。也就是说,这些和类似的术语包括可以采用一个或多个中间元件或组件来连接两个元件或组件的情况。然而,当一个元件或组件称为“直接连接”到另一元件或组件时,这仅包括两个元件或组件在没有任何中间或介入元件或组件的情况下相互连接的情况。
因此,通过其各个方面、实施例和/或特定特征或子组件中的一个或多个,本公开旨在带来以下特别指出的优点中的一个或多个。出于解释而非限制的目的,提出了公开具体细节的示例实施例,以便提供对根据本教导的实施例的全面理解。然而,与本公开一致的、偏离本文中公开的具体细节的其他实施例仍在所附权利要求的范围内。此外,可以省略对公知的装置和方法的描述,从而不模糊对示例实施例的描述。这样的方法和装置在本公开的范围内。
图1A示出了根据代表性实施例的用于对放射学图像进行后处理的系统100。
图1A中的系统100是用于对放射学图像进行后处理的系统,并且包括可以一起提供或者可以是分布式的组件。系统100包括计算机110、记录存储器115、成像系统170、显示器180和AI训练系统195(人工智能训练系统)。
计算机110可以具有控制器150,如图1B所示并且如下所述。计算机110被提供对来自成像系统170的成像扫描的直接或间接访问。计算机110被配置为直接从成像系统170或者从对成像扫描进行预处理的中间存储和/或处理系统访问成像扫描。成像扫描包括放射学图像的堆叠。计算机110还被配置为根据成像扫描的截面数据生成多个二维图像。多个二维图像包括来自放射学图像的堆叠的投影信息。投影信息包括全成像体积或自动选择的子体积、以及图像强度的全范围或图像强度的自动选择的子范围。计算机110还可以被配置为生成或控制显示在显示器180上的画面的生成。
计算机110可以存储和执行子模块以处理截面数据。不同子模块可以用于处理截面数据的不同实例,诸如基于患者数据、疾病数据、成像模态数据等。由不同子模块进行的处理可能导致不同类型的二维图像的呈现。二维图像的变化可以包括可编辑特征,诸如那些突出、强调或抑制脂肪、骨骼和/或(软)组织的特征,这些特征可以根据提供给正在处理截面数据的子模块的数据从二维图像中编辑出来。
记录存储器115表示存储记录的存储器系统,诸如与成像扫描的患者相对应的简档数据对象。简档数据对象可以包括患者数据。患者数据可以从放射学信息系统(RIS)、HL7代理(健康等级七代理)或电子医疗记录(EMR)系统中的一个或多个提供。HL7是指在医疗保健软件应用之间传输临床和管理数据的一套国际标准。可以用作选择子模块的基础的患者数据可以是来自记录存储器115的患者数据、或者从由成像系统170提供的(DICOM)图像数据中提取的元信息。
成像系统170可以是计算机断层成像成像系统,诸如ULDCT。然而,本文中描述的用于放射学图像的后处理的应用不限于ULDCT,甚至一般不限于CT。用于放射学图像的后处理的应用也不限于胸部(胸腔)的成像,因为本文中描述的教导可以应用于各种类型的解剖结构的成像。成像系统170的示例包括但不限于产生常规CT扫描、LDCT或ULDCT扫描的所谓的常规CT成像系统。此外,除了常规CT成像系统之外,诸如双能CT成像系统、光谱CT成像系统、暗场CT成像系统和光子计数CT成像系统或这些成像系统的某种组合都可以用于生成CT、LDCT和/或ULDCT,如上所述,并且因此可以用作图1A中的成像系统170,以生成与本文所述教导一致的图像。此外,产生MR扫描的磁共振(MR)成像系统、或者产生正电子发射断层成像(PET)扫描的PET或组合PET-CT成像系统可以用作图1A中的成像系统170。
显示器180可以是计算机110的本地显示器,也可以经由标准网络接口远程连接到计算机110。显示器180可以经由诸如以太网电缆等本地有线接口或者经由诸如Wi-Fi连接等本地无线接口连接到计算机110。显示器180可以与其他用户输入设备接口,用户可以通过这些设备输入指令,包括鼠标、键盘、指轮等。
显示器180可以是监视器,诸如计算机监视器、移动设备上的显示器、增强现实显示器、电视或投影设备、电子白板、或被配置为显示电子图像的另一屏幕。显示器180还可以包括可以将其他元件或组件连接到计算机110的一个或多个输入接口、以及被配置为向用户显示提示并且收集来自用户的触摸输入的交互式触摸屏。
AI训练系统195是训练由计算机110应用的人工智能的系统的表示。已训练AI可以被应用以生成多个二维图像、编辑多个二维图像、和/或改变多个二维图像。已训练AI也可以被应用以分析放射学图像的堆叠,以便生成、编辑和/或改变多个二维图像。已训练AI可以用于对放射学图像的堆叠执行一个或多个人工智能过程。使用这种人工智能过程而执行的功能的示例包括但不限于检测放射学图像的堆叠中的解剖特征。来自放射学图像的堆叠的投影信息可以基于从一个或多个人工智能过程检测到的解剖特征来导出。AI可以包括机器学习(ML),特别是深度学习(DL)方法,但也可以或替代地包括传统统计方法和/或源自临床和/或工作流程知识的基于规则的引擎。
图1B示出了根据代表性实施例的用于对放射学图像进行后处理的控制器150。
控制器150包括存储器151、处理器152、第一接口156、第二接口157、第三接口158和第四接口159。存储器151存储由处理器152执行的指令。处理器152执行这些指令。控制器150可以设置在计算机110中,尽管控制器150可以替代地设置为独立的控制器。
第一接口156、第二接口157、第三接口158和第四接口159可以包括端口、磁盘驱动器、无线天线或其他类型的接收器电路装置。第一接口156、第二接口157、第三接口158和/或第四接口159可以将计算机110连接到记录存储器115、成像系统170、显示器180和AI训练系统195。
控制器150可以直接执行本文中描述的操作中的一些,也可以间接执行本文中描述的其他操作。例如,控制器150可以通过执行用于检索成像扫描的指令来直接或间接地访问来自成像系统170的成像扫描。控制器150还可以根据成像扫描的截面数据直接生成多个二维图像。控制器150可以例如通过生成和传输要在显示器180上显示的内容来间接控制操作。因此,当处理器152执行来自存储器151的指令时由控制器150实现的处理可以包括不由控制器150直接执行的步骤。
图2示出了根据代表性实施例的用于对放射学图像进行后处理的方法。
图2的方法可以由包括计算机110和显示器180的系统100执行。
在S201,图2的方法包括执行对包括放射学图像的堆叠的成像扫描的成像和创建。成像扫描的成像和创建可以由成像系统170执行,作为本文中描述的放射学图像的后处理的前体。例如,成像系统170可以执行成像和创建成像扫描,然后将图像存储在计算机110可访问的中间医学成像系统或图片存档和通信系统(PACS)中。
在S210,图2的方法包括访问成像扫描。成像扫描包括放射学图像的堆叠。成像扫描的访问可以由图1A中的计算机110执行。在S210处访问的成像扫描可以是例如CT扫描、LDCT、ULDCT扫描、光谱或双能CT扫描、MR扫描或PET或PET-CT扫描中的任何一种。
在S213,图2的方法包括访问简档数据对象。简档数据对象可以由计算机110从图1A中的记录存储器115和/或(DICOM)图像数据中的元信息访问。简档数据对象可以对应于成像扫描的患者。简档数据对象可以包括来自放射信息系统(RIS)、HL7代理或电子医疗记录(EMR)系统中的一个或多个的患者数据。
在S216,图2的方法包括确定子模块。所确定的子模块可以存储在多个子模块中的存储器151中并且从存储器151中检索。子模块可以被选择以基于所访问的简档数据对象来处理成像扫描的截面数据。不同子模块可以基于简档数据对象生成不同类型和集合的二维图像。
在S220,图2的方法包括生成二维图像。多个二维图像是根据成像扫描的截面数据生成的。多个二维图像包括来自放射学图像的堆叠的投影信息。投影信息包括由放射学图像的堆叠覆盖的全体积或自动选择的子体积、以及放射学图像的堆叠中包含的图像强度的全范围或图像强度的自动选择的子范围,例如对于CT图像的堆叠,仅与软组织相对应的Hounsfield值或仅与骨骼相对应的Hounsfield值。除了基于根据所访问的简档数据对象而选择的子模块来改变处理之外,多个二维图像可以是选择性可编辑的。多个二维图像可以用于部分重构或以其他方式重构具有和不具有在成像扫描中捕获的各种特征的成像扫描。重构图像可以基于一个或多个检测到的解剖特征根据放射学图像的堆叠来合成地生成。二维图像可以是基于检测到的解剖特征根据放射学图像的堆叠合成地生成的重构图像。
在一些实施例中,在S220生成二维图像可以包括对放射学图像的堆叠执行一个或多个AI过程。一个或多个AI过程可以被配置为检测放射学图像的堆叠中的解剖特征。例如,来自放射学图像的堆叠的投影信息可以基于从一个或多个AI过程检测到的解剖特征来导出。这种检测到的解剖特征的示例包括病变、或解剖结构类型(诸如骨骼或组织)、或解剖类型(诸如器官、血管/脉管系统树、或支气管或气道/呼吸系统树)。
在S230,图2的方法包括显示所生成的多个二维图像或其子集,并且启用交互。所显示的多个二维图像可以被显示在显示器180上。多个二维图像可以被交互式地选择和编辑,诸如以示出存在于某些二维图像对或三元组中但不存在于其他二维图像对或三元组中的特定特征。作为一个示例,成对或三元组的二维图像可以抑制在成像扫描中捕获的骨骼的可视化,诸如当骨骼的显示是相对于手头任务在多个二维图像上的不相关噪声的形式时。类似地,当(软)组织的显示是相对于手头的任务在多个二维图像上的不相关噪声的形式时,成对或三元组的二维图像可以抑制组织的可视化。
与二维图像一起显示在显示器180上的信息的示例包括一个或多个测量的列表,诸如检测到的病变的测量。这样的测量可以标记偶然发现,并且可以链接到与感兴趣区域指示符相对应的图像位置。偶然发现可以是因为它们位于视场内而看到的发现,但与扫描指示无关——例如,冠状动脉CT血管造影照片上看到的潜在恶性肺结节。显示在显示器180上的信息的其他示例可以包括覆盖在多个二维图像中的一个或多个上的感兴趣对象的半透明渲染。感兴趣对象可以是肺、脉管系统树或呼吸系统树中的一项。
在S240,图2的方法包括基于交互来选择性地编辑所生成的多个二维图像或其子集。例如,S240处的选择性地编辑可以包括选择性地编辑在放射学图像的堆叠中捕获的对象。多个二维图像可以是能够被编辑的以选择性地显示少于在放射学图像的堆叠中捕获的所有类型的解剖结构。在S220生成的多个二维图像中的至少一个可以包括选择性地编辑的对象。所显示的成对二维图像或三元组的二维图像可以基于经由用户界面从用户接受的指令来被选择性地编辑以移除骨骼或组织。例如,成对二维图像可以显示后前位和侧位(PA+LAT)视图,而三元组的二维图像可以移除单个LAT典型的左半胸和右半胸的重叠。记住,在典型PA视图中,左右两侧是互换的(就像在看从患者前面拍摄的照片一样,从而“看到”照片最右边的左臂),在三元组画面中,从中心线开始的“左半”横向投影可以显示在PA视图的右边更远,从而使PA上的左半胸与左半胸LAT对准,再加上与PA上的右半胸左侧相邻的“右半”LAT。在其他示例中,作为基于经由用户界面从用户接受的指令的编辑形式,成对或三元组的二维图像可以从显示器移除并且由其他成对或三元组的二维图像代替。选择性地编辑可以由计算机110执行并且反映在显示器180上显示的多个二维图像中。
一种先进的阅读环境,其中可以使用放射学图像的后处理,例如,提供增强、注释和可视化,使得放射科医生能够高效地阅读三维CT、LDCT和ULDCT研究。通过将检查集中在根据截面图像数据自动创建的有限数目的二维类CXR视图上,可以获取效率。基于模型和启用AI的工具可以从基础的全三维ULDCT研究中提取相关信息,并且将其作为单独的视图和/或覆盖图呈现。因此,ULDCT的高诊断价值可以以与CXR相当的放射科医生阅读时间来获取。
此外,本文中描述的增强阅读环境有利于放射科医生在没有对比度和有对比度以及没有光谱或双能信息或有光谱或双能量信息的情况下对正常和低剂量CT的解释。
如本文所述,从3D ULDCT图像数据到后前(PA)方向的2D投影的转换模拟了常规PA胸部X射线。此外,来自ULDCT的3D信息允许分别重构右肺和左肺的2D侧视图。与常规胸部X射线通常获取的单侧视图(其中右肺和左肺相互投影并且无法单独评估)相比,这种方法增加了具有临床价值的额外视图。结合诸如解剖特征的基于AI的检测和对所生成的多个二维图像的选择性地编辑等特征,放射科医生能够快速处理包括放射学图像的堆叠的成像扫描的结果。
图3示出了根据代表性实施例的用于对放射学图像进行后处理的环境架构。
在图3所示的示例中,增强阅读环境包括环境架构,该环境架构包括简档引擎320、数据库330、编排引擎340、图像处理引擎350和高级解释环境380。
简档引擎320获取关于多维放射学图像的堆叠和患者的相关元数据。例如,图像堆叠可以是DICOM(医学中的数字成像和通信)图像集,诸如ULDCT DICOM图像集。简档引擎320将相关元数据存储到数据库330以及从数据库330中检索相关元数据。编排引擎340接收多维放射学图像的堆叠,并且基于从简档引擎320接收的输入将DICOM图像集路由到图像处理引擎350的后续图像处理模块。图像处理引擎350的图像处理模块处理多维放射学图像的堆叠,并且从输入DICOM图像集导出附加图像、视图和分析。
数据库370存储图像处理引擎350的输出、和原始图像。高级解释环境380是DICOM查看环境,放射科医生可以在其中查看由图像处理引擎350创建的ULDCT图像、视图和分析。高级解释环境380实现用户界面(UI)特征以与图像、视图和分析进行高效交互。
简档引擎320接收ULDCT DICOM图像,并且提取关于检查和关于患者的元数据。提取的元数据然后可以用来自RIS/PACS(放射学信息系统/图片归档和通信系统)和/或EMR系统的可用信息来丰富。简档引擎320可以被配置为根据数据对象(例如,XML、JSON等)提取指定元数据,在该数据对象中,每个字段用字段中包含的信息类型被标记。可以由简档引擎320提取的元数据的示例包括例如对比度使用适应症、临床问题、癌症适应症、糖尿病适应症和诸如发烧等症状适应症。
简档引擎320可以从DICOM图像中提取检查元数据,例如,关于造影剂的使用和相应量的信息。根据DICOM标准,检查元数据存储在具有明确预定义语义的受控字段中。
关于患者的相关数据可以从DICOM图像本身的选择字段中提取,并且可选地,可以从以下项中提取:相关的医院信息技术(IT)系统,诸如放射学信息系统,用于症状和检查原因;HL7代理,用于最近的实验室价值、临床笔记、最近的放射学、心脏病学和病理学报告;和/或电子病历(EMR)系统,用于最近的实验室值、临床笔记、最近的放射学、心脏病学和病理学报告、药物和合并症)。
根据从这些系统接收的信息的性质,可以使用专用软件来规范其内容。例如,对于自由文本文档(例如,笔记、报告等),自然语言处理(NLP)技术可以用于将结构强加给这些文档(例如,节-小节-段落-句子),从受控词汇表或存在论(例如,SNOMED、RadLex等)中提取概念,提取否定,以及馈送搜索诊断的阳性出现的模块。其他信息源(例如,实验室值、问题列表等)可以包括来自受控词汇表(例如,LOINC、ICD-10等)的元素列表和数值。
编排引擎340接收ULDCT DICOM图像,将ULDCT DICOM图像发送给简档引擎320,并且接收简档数据对象。例如,编排引擎340可以从模态/扫描仪或从图像路由器或从图片档案和通信系统接收ULDCT DICOM图像。编排引擎340然后可以根据简档数据对象中的信息将ULDCT DICOM图像发送给图像处理引擎350中的模块。编排引擎340可以访问手动编码或使用AI工具创建的规则库,其中每个规则将简档数据对象中的信息映射到图像处理引擎350中的一个或多个模块上。例如,下面的规则1是用于应用肺栓塞检测模块的规则的示例,其中接收的ULDCT DICOM图像的对应患者年龄大于十八(18)并且在检查中使用对比度。
(patient_has_age>18)&&(contrast_use==是)=>
应用模块“detect_plumonary_embolism”
规则1规则库还可以包括具有空先行词的规则。这样的规则适用于每个简档数据对象,并且因此总是触发模块。
图像处理引擎350包括一个或多个子模块,每个子模块创建新的相应图像、视图或分析。这些子模块的输出可以作为二次捕获(例如,DICOM图像中的新系列)添加到ULDCTDICOM图像,或者以适当格式(例如,jpg或DICOM叠加、DICOM-SR、自由文本等)存储在数据库370中。
图像处理引擎350的子模块使用诸如投影、高级可视化和(启用AI的)计算机辅助检测的技术来实现,以用于增强和注释。子模块可以串行应用,或者以其他有意义的组合应用。
放射科医生在二维CXR视图(主要是后前位和侧位视图)的即时审查方面非常熟练。这些视图可以使用本领域公知的技术根据ULDCT图像合成地重构。此外,使用相同的技术,可以根据ULDCT图像创建其他非标准视图。图4示出了根据放射学图像的堆叠计算的标准PA视图(DRR)。非标准视图也可以根据放射学图像的堆叠重新创建。可以根据与本文中的教导一致的放射学图像的堆叠来计算的非标准视图的示例包括但不限于左半胸和/或右半胸的二维投影图像、在三维中分割和移除骨骼之后不存在骨骼的二维图像、以及其他非标准二维视图。
图4示出了根据代表性实施例的用于对放射学图像进行后处理的视图流程。
在图4中,超低剂量CT成像扫描410是包括放射学图像的堆叠的成像扫描。超低剂量CT成像扫描410用于根据超低剂量CT成像扫描410的截面数据生成多个二维图像。二维图像包括后前视图420。
高级可视化(AV)技术可以应用于超低剂量CT成像扫描410,该扫描是三维的,以创建图像数据的视图。相关AV的实例包括血管树、呼吸或支气管树、选定器官以及肋骨、椎骨和其他骨骼的分割和可视化等。如果在成像中使用对比度,则可以应用血管树的分割和可视化。可以应用分割和可视化或抑制的选择器官的示例包括但不限于心脏、肋骨、肺、肺叶等。
三维AV技术可以用于包括或排除某些解剖结构(例如,肺、心脏、肋骨、脊椎等),从而集中或抑制这些解剖结构,然后创建标准的后前(PA)和侧位类CXR视图,以获取清晰的二维数据视图。因此,肋骨抑制技术可以通过例如首先从图像中移除三维分割的肋骨,然后创建标准的二维PA和侧位视图来实现。
AV技术创建的分割或覆盖也可以用于创建测量,诸如主动脉测量。这些测量本身可以被投影为DICOM图像中的视图(例如,作为注释、jpeg等)或数据库370中的单独文件(例如,.txt、.csv等),并且可以用于标识偶然发现以向放射科医生突出显示,例如当它们相对于标准值超出界限时。
多个高级二维可视化和/或投影可以由高级解释环境380获取,如下所述,并且可以表示放射科医生在阅读和解释工作流程时提高效率的关键方面。
现有技术中的AI技术可以用于自动检测CT图像上的病变(例如,骨折、恶性肿瘤、肺栓塞等)。这种AI技术可以在三维中应用于ULDCT图像集,以用于相关发现的自动检测。此外,在某些情况下,在迁移学习步骤之后,AI技术可以应用于根据ULDCT重构的重构二维视图,因为计算的“CXR”类投影显示出与标准CXR图像不同的噪声统计(并且从而显示出不同的信噪比)。
在一个示例中,可以将基于模型或启用AI的分割应用于ULDCT,以标记属于该模型检测到的器官和/或组织类型中的一个的所有体素,诸如心脏、肺、肋骨等。分割模型可以具有任意粒度,使得(作为示例)AI能够检测肺体素以及属于肺的下级或下部的体素或左下叶。
在一个示例中,AI可以在检测到的病变周围绘制感兴趣区域(ROI),并且用从三维图像集导出的解剖位置对其进行注释。感兴趣区域可以被定位在适于相应扫描的三维分割模型内。此外,可以针对每个AI检测到的病变自动提取解剖位置。例如,AI可以得出肺结节位于左下叶(肺的下级或下部)内。
类似地,AI可以在检测到的伪影周围绘制感兴趣区域,并且用从三维图像集导出的解剖位置对其进行注释。例如,可以检测图像中包括的诸如心电图(ECG)导联等成像伪影。
图5示出了根据代表性实施例的用于对放射学图像进行后处理的基于ROI的伪影检测。
这里,已经在一个图像中检测到并且突出显示了ECG导联伪影,并且在另一图像中,已经根据检测到ECG导联的感兴趣区域标记了左下叶(肺的下级或下部)中的ECG导联。
可以根据ULDCT图像创建二维视图,并且AI检测的感兴趣区域和AI检测的感兴趣区域的位置可以作为元数据与ULDCT相关联。相关联的元数据可以包括二维视图上的像素区域。量化的结果也可以例如显示为仅可以在三维图像数据中计算的标准体积或直径。
高级解释环境380包括标准DICOM查看器,该标准DICOM查看器能够显示ULDCTDICOM图像、二次捕获和根据ULDCT而重构的视图。除了标准的图像查看能力之外,高级解释环境380实现高级用户交互原理,该原理允许放射科医生通过有限数目的二维视图和交互来查询三维ULDCT图像。交互可以包括对子空间的旋转、定位和聚焦。
放射科医生可以根据需要或偏好通过旋转预先计算的视图(例如,旋转远离标准PA或侧视图)来创建新视图。对于关节图像,这可以提供采集后的角度,诸如在关节没有或不能以标准姿势成像的情况下。对于脊柱的图像,通过重新定向用于创建(多个)二维图像的投影方向而不是需要重拍,可以缓解患者站在X射线检测器前面的旋转姿势的问题。
放射科医生可以通过用户界面交互,诸如通过特定的鼠标和/或键盘快捷键,请求AI检测到的感兴趣区域的确切位置。实际上,放射科医生可以通过界面、选项、菜单、选择/点击感兴趣对象或区域等以最小导航来快速高效地探索检测到的感兴趣区域。
放射科医生可以在三维中观察二维感兴趣区域。例如,放射科医生可以在特定区域周围绘制圆圈,然后选择(例如,从下拉菜单、上下文菜单等)标记为“检查三维中的二维平面”等的选项。作为响应,DICOM视图可以被生成并且被提供给放射科医生(例如,通过弹出窗口等),该DICOM视图以传统冠状或矢状视图显示ULDCT上的区域。当放射科医生在AI检测到的发现周围绘制感兴趣区域圆圈时,“三维检查”选项可以将显示的三维子空间限制在病变周围的区域,包括在感兴趣对象处相交的三(3)个正交(例如,CC、冠状和矢状)切片。
图6示出了根据代表性实施例的用于对放射学图像进行后处理的子空间查看器。
图6示出了响应于子空间选择而显示常规冠状视图的子空间视图的示例。在图6中,插图包括在主2D投影上可以可见或可以不可见的结节,其中本文中描述的AI可以检测结节,并且基于检测结节使插图中所示的区域可选择为感兴趣区域。
子空间查看器提供了多种好处。由于读者可以快速验证感兴趣区域位于身体的三维空间内的何处,因此改进了读者的空间定位。例如,读者可以检查检测到的病变是否在肺内或附着在胸壁上。此外,通过子空间查看器的检查可以揭示附加特征,以改进整体分析,诸如确定病变可以是恶性还是良性,或者使放射组学能够或促使放射组学提出肿瘤亚型(然后可以用于建议适当的治疗等)。
为了能够在与读取二维胸部X射线(CXR)图像对类似的时间范围内对三维ULDCT数据堆叠进行放射学解释,可以将上述特征结合在自动或引导的工作流程中。
获取三维ULDCT。图3中的编排引擎340然后可以利用来自图3的简档引擎320的元信息来应用来自图3中图像处理引擎350的子模块的适当集合或序列,包括任何相关的AI子模块。放射科医生可以查看一组增强的、带注释的二维伪CXR图像,这些图像携带完整的三维信息,但仅显示二维投影。
图3中的高级解释环境380向放射科医生示出了标准的和经处理的PA和横向投影。标准投影可以包括根据三维ULDCT(“原始”)图像数据计算的两(2)个图像或三(3)个图像。两(2)个图像可以对应于传统的成对PA和横向投影,并且三(3)个图像从中心平面可以包括部分左侧投影和部分右侧投影。
经处理的投影可以包括两(2)个图像或三(3)个图像,这些图像包括来自背景处理的任何AI发现的突出显示。放射科医生可以通过旋转二维视图或通过进入完整的三维截面视图来接受、拒绝或更深入地检查经处理的投影的二维视图。AI发现可以通过对三维数据以及标准二维投影进行背景处理来生成。
高级解释环境380还可以显示放射科医生投影、或感兴趣对象的半透明渲染,其可以包括作为来自三维分割的注释的相关测量。感兴趣对象可以包括肺、脉管系统树和/或呼吸系统树中的一个的半透明视图、以及任何可疑的发现。
此外,高级解释环境380可以显示测量的列表。偶然发现可以被标记并且与到图像位置的链接相关联,以通过上述处理的投影特征进行审查。
二维图像可以作为静态投影进行检查,而不需要任何进一步的交互,并且具有改进的信噪比,因为它们是根据无散射的CT图像计算的,并且诸如骨骼和其他有噪声的解剖元件等结构已经根据所检查的解剖结构被移除或隔离。可以为每个二维伪CXR图像对或三元组自动设置级别和窗口设置,并且可以根据成像请求或临床问题为感兴趣的解剖结构自动设置缩放和裁剪,或者突出显示可疑的感兴趣区域。设置级别和窗口可以包括通过指定灰度值的级别(例如,中点值)和窗口(例如,宽度值)来选择灰度值的子集,然后可以将其拉伸到全黑白范围以使相关对比度最大化。
因此,可以避免在多视图模式下经常不必要地滚动ULDCT切片的大部分。相反,可以检查少量的二维图像。可以通过与用户界面交互并且根据需要旋转来以聚焦的方式进一步探索二维图像。同时,在ULDCT切片的整个堆叠上操作的基于模型和人工智能的后台处理提高了读取的质量、准确性和价值。伪X射线可视化更紧密地遵循现有图像阅读范式,从而更容易地利用放射科医生已经建立的经验和现有教科书知识。
所述方法和系统也可以用于支持对比度和非对比度双能或光谱CT、以及下一代光谱CT,有时称为光子计数CT。在这种情况下,基于结构的材料特性的结构的三维分割可以用于可视化和读取物理特性而不是三维吸收值或三维材料/特性图的可旋转二维投影。在一些示例中,ULDCT可以与低体积或非常低体积的造影剂组合。此外,即使没有造影剂,“常开”的当前和未来光谱CT也可以实现血管树的分割,在这种情况下,本文中描述的系统和方法可以进一步节省时间,因为每次扫描都必须读取血管树中的发现,并且必须进行所有相关测量。
很多其他应用也是可能的,包括“二维X射线”的纵向随访比较(例如,用于关节、骨折等)和/或器官疾病进展的纵向跟踪,例如,肺部等(例如,COVID、肺炎等),其中吸气状态和姿势也必须在三维空间中被标准化和/或登记。由于二维姿态等的变化,这些其他应用可以在其他方面非常困难,但通过三维弹性配准可以更可行,而由上述系统和方法生成的伪CXR图像在位置和灰度值上与先前图像数据精确匹配。
图7示出了根据代表性实施例的用于对放射学图像进行后处理的用户界面。
在图7中,ULDCT成像扫描710包括放射学图像的堆叠。二维图像对或三元组#1721、二维图像对或三元组#2 722、二维图像对或三元组#3和二维图像对或三元组#4根据ULDCT成像扫描710的截面数据生成。图7中的各种二维图像对和三元组是可变的和可编辑的,使得用户可以交互地获取用户所寻求的信息。例如,各种二维图像对和/或三元组中的一个或多个图像可以包括指示感兴趣区域的可交互感兴趣区域指示符。感兴趣区域可以是人工智能已经在其中检测到病变、骨折或将引起放射科医生注意的另一种形式的医疗问题的区域。
图1A的系统100可以接受来自用户的交互式指令,使得感兴趣区域的进一步检查可以由用户指定并且由系统100接受。对感兴趣区域的进一步检查导致(或可能导致)生成可导航子空间视图,通过该视图,与所生成的多个二维图像或其子集相比,用户可以在放大视图中探索成像扫描内的对应解剖区域。换言之,对感兴趣区域指示符的选择可能导致弹出窗口或覆盖或新视图,其在放大视图中示出所选择的感兴趣区域,使得所选择的感兴趣区域中的细节可以被更清楚地看到。感兴趣区域指示符可以被配置为实现对感兴趣区域的接受、拒绝或进一步检查中的一个或多个。
图8示出了根据另一代表性实施例的计算机系统,在该计算机系统上实现了用于对放射学图像进行后处理的方法。
参考图8,计算机系统800包括一组软件指令,这些指令可以被执行以使得计算机系统800执行本文中公开的任何方法或基于计算机的功能。计算机系统800可以作为独立设备操作,或者可以例如使用网络801连接到其他计算机系统或外围设备。在实施例中,计算机系统800基于经由模数转换器而接收的数字信号来执行逻辑处理。
在联网部署中,计算机系统800以服务器的身份操作,或者在服务器-客户端用户网络环境中作为客户端用户计算机操作,或者在对等(或分布式)网络环境中作为对等计算机系统操作。计算机系统800也可以被实现为或并入到各种设备中,诸如计算机110、包括控制器150的工作站、固定计算机、移动计算机、个人计算机(PC)、膝上型计算机、平板计算机、或能够执行指定该机器要采取的动作的一组软件指令(顺序或其他)的任何其他机器。计算机系统800可以被合并为设备或被合并在设备中,该设备又被合并在包括附加设备的集成系统中。在一个实施例中,计算机系统800可以使用提供语音、视频或数据通信的电子设备来实现。此外,虽然计算机系统800以单数形式示出,但术语“系统”也应当被视为包括单独或联合执行一组或多组软件指令以执行一个或多个计算机功能的系统或子系统的任何集合。
如图8所示,计算机系统800包括处理器810。处理器810可以被认为是控制器的处理器的代表性示例,并且执行指令以实现本文中描述的方法和过程的一些或全部方面。处理器810是有形的并且是非暂态的。如本文中使用的,术语“非暂态”不应当被解释为一个状态的永恒特征,而是将持续一段时间的状态的特征。术语“非暂态”特别否认了短暂的特征,诸如载波或信号或其他形式的特征,这些特征在任何时间、任何地点都只是暂时存在的。处理器810是制造品和/或机器组件。处理器810被配置为执行软件指令以执行如本文中的各个实施例中所述的功能。处理器810可以是通用处理器,或者可以是专用集成电路(ASIC)的一部分。处理器810也可以是微处理器、微型计算机、处理器芯片、控制器、微控制器、数字信号处理器(DSP)、状态机或可编程逻辑器件。处理器810也可以是逻辑电路,包括可编程门阵列(PGA),诸如现场可编程门阵(FPGA),或者包括离散门和/或晶体管逻辑的另一类型的电路。处理器810可以是中央处理单元(CPU)、图形处理单元(GPU)或这两者。此外,本文中描述的任何处理器可以包括多个处理器、并行处理器或这两者。多个处理器可以被包括在单个设备或多个设备中,或者被耦合到单个设备或多个设备。
本文中使用的术语“处理器”包括能够执行程序或机器可执行指令的电子组件。对包括“处理器”的计算设备的引用应当解释为包括一个以上的处理器或处理核,如在多核处理器中。处理器也可以是指单个计算机系统内或分布在多个计算机系统之间的处理器的集合。术语计算设备还应当被解释为包括计算设备的集合或网络,每个计算设备包括一个或多个处理器。程序具有由一个或多个处理器执行的软件指令,这些处理器可以在同一计算设备内或者可以分布在多个计算设备上。
计算机系统800还包括主存储器820和静态存储器830,其中计算机系统800中的存储器经由总线808彼此通信以及与处理器810通信。主存储器820和静态存储器830中的任一者或两者可以被认为是控制器的存储器的代表性示例,并且存储用于实现本文中描述的方法和过程的一些或全部方面的指令。本文中描述的存储器是用于存储数据和可执行软件指令的有形存储介质,并且在软件指令被存储在其中期间是非暂态的。如本文中使用的,术语“非暂态”不应当被解释为一个状态的永恒特征,而是将持续一段时间的状态的特征。术语“非暂态”特别否认了短暂的特征,诸如载波或信号或其他形式的特征,这些特征在任何时间、任何地点都只是暂时存在的。主存储器820和静态存储器830是制造品和/或机器组件。主存储器820和静态存储器830是计算机(例如,处理器810)可以从中读取数据和可执行软件指令的计算机可读介质。主存储器820和静态存储器830中的每个可以被实现为随机存取存储器(RAM)、只读存储器(ROM)、闪存、电可编程只读存储器(EPROM)、电可擦除可编程只读存储(EEPROM)、寄存器、硬盘、可移动盘、磁带、光盘只读存储器(CD-ROM)、数字多功能盘,软盘、蓝光光盘或本领域已知的任何其他形式的存储介质。存储器可以是易失性或非易失性的、安全和/或加密的、不安全的和/或未加密的。
“存储器”是计算机可读存储介质的一个示例。计算机存储器是处理器可以直接访问的任何存储器。计算机存储器的示例包括但不限于RAM存储器、寄存器和寄存器文件。对“计算机存储器”或“存储器”的引用应当被解释为可以是多个存储器。存储器例如可以是同一计算机系统内的多个存储器。存储器也可以是分布在多个计算机系统或计算设备之间的多个存储器。
如图所示,计算机系统800还包括视频显示单元850,诸如液晶显示器(LCD)、有机发光二极管(OLED)、平板显示器、固态显示器或阴极射线管(CRT)。此外,计算机系统800包括输入设备860(诸如键盘/虚拟键盘或触敏输入屏幕或具有语音识别的语音输入)、以及光标控制设备870(诸如鼠标或触敏输出屏幕或键盘)。计算机系统800还可选地包括磁盘驱动单元880、信号生成设备890(诸如扬声器或遥控器)和/或网络接口设备840。
在一个实施例中,如图8所示,磁盘驱动单元880包括其中嵌入有一组或多组软件指令884(软件)的计算机可读介质882。该组软件指令884从计算机可读介质882中读取以由处理器810执行。此外,当由处理器810执行时,软件指令884执行如本文中描述的方法和过程的一个或多个步骤。在一个实施例中,软件指令884在由计算机系统800执行期间全部或部分驻留在主存储器820、静态存储器830和/或处理器810内。此外,计算机可读介质882可以包括软件指令884,或者响应于传播的信号而接收和执行软件指令884,使得连接到网络801的设备通过网络801传送语音、视频或数据。软件指令884可以经由网络接口设备840通过网络801被传输或接收。
在一个实施例中,诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑阵列和其他硬件组件等专用硬件实现被构造为实现本文中描述的一个或多个方法。本文中描述的一个或多个实施例可以使用两个或更多个特定的互连硬件模块或设备来实现功能,该模块或设备具有可以在模块之间和通过模块进行传送的相关控制和数据信号。因此,本公开包括软件、固件和硬件实现。本申请中的任何内容都不应当被解释为仅用软件而不是硬件(诸如有形的非暂态处理器和/或存储器)来实现或可实现。
根据本公开的各种实施例,本文中描述的方法可以使用执行软件程序的硬件计算机系统来实现。此外,在示例性的非限制性的实施例中,实现可以包括分布式处理、组件/对象分布式处理和并行处理。虚拟计算机系统处理可以实现如本文中描述的方法或功能中的一个或多个,并且本文中描述的处理器可以用于支持虚拟处理环境。
因此,放射学图像的后处理使放射科医生能够快速处理包括放射学图像的堆叠的成像扫描的结果。放射科医生可以参考根据成像扫描的截面数据而生成的二维图像,并且选择性地控制所生成的二维图像的布置、重新布置和编辑。
尽管已经参考若干示例性实施例描述了放射学图像的后处理,但是应当理解,已经使用的词语是描述和说明的词语,而不是限制性词语。在不偏离放射学图像的后处理的各方面的范围和精神的情况下,可以在所附权利要求的范围内进行改变,如当前陈述的和经修改的。尽管已经参考特定的手段、材料和实施例描述了用于放射学图像的后处理,但是用于放射线成像的后处理并不旨在限于所公开的细节;相反,辐射图像的后处理扩展到诸如在所附权利要求的范围内的所有功能等效的结构、方法和用途。
本文中描述的实施例的图示旨在提供对各种实施例的结构的一般理解。这些图示并非旨在用作本文中描述的本公开的所有元件和特征的完整描述。很多其他实施例对于本领域技术人员在回顾本公开后可以是很清楚的。可以利用其他实施例并且从本公开导出其他实施例,使得可以在不脱离本公开的范围的情况下进行结构和逻辑替换和改变。此外,这些插图只是代表性的,可能不会按比例绘制。插图中的某些比例可能被夸大,而其他比例可能被最小化。因此,本公开和附图应当被视为说明性的而非限制性的。
本公开的一个或多个实施例在本文中可以单独和/或统称为术语“发明”,仅为方便起见,并不打算自愿将本申请的范围限制为任何特定发明或发明概念。此外,尽管本文中已经示出和描述了特定的实施例,但是应当理解,被设计为实现相同或类似目的的任何后续布置都可以代替所示的特定实施例。本公开旨在覆盖各种实施例的任何和所有后续的改编或变化。以上实施例以及本文中未具体描述的其他实施例的组合对于本领域技术人员在回顾描述后将是很清楚的。
提供“摘要”是为了符合《美国联邦法规》第37卷第1.72(b)条的规定,提交时应当理解其不会被用于解释或限制权利要求的范围或含义。此外,在前述“具体实施方式”中,为了简化本公开的目的,可以将各种特征分组在一起或在单个实施例中进行描述。本公开不应当被解释为反映所要求保护的实施例需要比每个权利要求中明确列举的更多特征的意图。相反,如以下权利要求所反映的,本发明的主题可以针对少于任何公开的实施例的所有特征。因此,以下权利要求被结合到详细说明书中,每个权利要求独立地定义单独要求保护的主题。
提供公开的实施例的前述描述是为了使得本领域任何技术人员能够实践本公开中描述的概念。因此,上述公开的主题被认为是说明性的,而不是限制性的,并且所附权利要求旨在覆盖落入本公开的真正精神和范围内的所有这样的修改、增强和其他实施例。因此,在法律允许的最大范围内,本公开的范围将由以下权利要求及其等同物的最广泛的允许解释来确定,并且不应受到前述详细描述的约束或限制。
Claims (15)
1.一种用于读取成像扫描(410)的计算机(110)实现的方法,所述方法包括:
访问所述成像扫描(410),所述成像扫描(410)包括放射学图像的堆叠;
根据所述成像扫描(410)的截面数据生成多个二维图像,所述多个二维图像包括来自所述放射学图像的堆叠的投影信息,并且所述投影信息包括全成像体积或自动选择的子体积、以及图像强度的全范围或图像强度的自动选择的子范围;以及
在高级解释环境(380)的用户界面(UI)中显示所述多个二维图像或其子集,所述用户界面通过启用与所生成的所述多个二维图像的交互来提供对所述放射学图像的堆叠或从所述放射学图像的堆叠导出的附加信息的访问。
2.根据权利要求1所述的计算机(110)实现的方法,还包括:
访问与所述成像扫描(410)的患者相对应的简档数据对象,所述简档数据对象包括来自以下中的一项或多项的患者数据:放射学信息系统(100)(RIS)、HL7代理、电子医疗记录(EMR)、图片档案和通信系统(100)(PACS)或所述成像扫描(410)中的元信息;以及
基于所访问的所述简档数据对象,确定用于处理所述截面数据的子模块;
其中生成所述多个二维图像还包括由所确定的所述子模块处理所述截面数据和所述患者数据,并且所显示的所述多个二维图像包括指示感兴趣区域的可交互感兴趣区域指示符。
3.根据权利要求2所述的计算机(110)实现的方法,其中所述感兴趣区域指示符被配置为启用对所述感兴趣区域的接受、拒绝或进一步检查中的一项或多项,其中对所述感兴趣区域的进一步检查导致生成可导航子空间视图,通过所述可导航子空间视图,用户能够在与所生成的所述多个二维图像或其子集相比的放大视图中探索所述成像扫描(410)内的对应解剖区域。
4.根据权利要求3所述的计算机(110)实现的方法,其中所述用户界面还包括一个或多个测量的列表,所述一个或多个测量中的一个测量标记偶然发现并且链接到与所述感兴趣区域指示符相对应的图像位置。
5.根据权利要求1所述的计算机(110)实现的方法,其中所述用户界面还包括覆盖在所生成的所述多个二维图像或其子集上的感兴趣对象的半透明渲染,所述感兴趣对象包括肺、脉管系统树或呼吸树中的一项。
6.根据权利要求1所述的计算机(110)实现的方法,其中所述成像扫描(410)是以下中的一种:计算机断层成像(CT)扫描、低剂量CT(LDCT)、超低剂量CT(ULDCT)扫描、光谱或双能CT扫描、光子计数CT扫描、磁共振(MR)扫描或正电子发射断层成像(PET或PET-CT)扫描。
7.根据权利要求1所述的计算机(110)实现的方法,其中生成所述多个二维图像还包括对所述放射学图像的堆叠执行一个或多个人工智能过程。
8.根据权利要求7所述的计算机(110)实现的方法,
其中所述一个或多个人工智能过程被配置为检测所述放射学图像的堆叠中的解剖特征,并且
其中来自所述放射学图像的堆叠的所述投影信息是基于从所述一个或多个人工智能过程检测到的解剖特征来导出的。
9.根据权利要求1所述的计算机(110)实现的方法,还包括:
选择性地编辑在所述放射学图像的堆叠中捕获的对象,
其中所述多个二维图像中的至少一个二维图像包括选择性地编辑的所述对象。
10.根据权利要求1所述的计算机(110)实现的方法,其中所述多个二维图像能够被编辑,以选择性地显示(180)少于在所述放射学图像的堆叠中捕获的所有类型的解剖结构。
11.根据权利要求1所述的计算机(110)实现的方法,还包括:
自动检测所述放射学图像的堆叠中的解剖特征,以及
基于自动检测所述放射学图像的堆叠中的所检测的所述解剖特征,生成所述多个二维图像。
12.根据权利要求11所述的计算机(110)实现的方法,
其中所述多个二维图像是基于所检测的所述解剖特征并且根据所述放射学图像的堆叠合成地生成的重构图像。
13.一种用于读取成像扫描(410)的系统(100),包括:
存储器(151),所述存储器存储指令;以及
处理器(152),所述处理器执行所述指令,
其中所述指令在由所述处理器(152)执行时使得所述系统(100):
访问所述成像扫描(410),所述成像扫描(410)包括放射学图像的堆叠;
根据所述成像扫描(410)的截面数据生成多个二维图像,所述多个二维图像包括来自所述放射学图像的堆叠的投影信息,并且所述投影信息包括全成像体积或自动选择的子体积、以及图像强度的全范围或图像强度的自动选择的子范围;以及
在高级解释环境(380)的用户界面(UI)中显示(180)所生成的所述多个二维图像或其子集,所述用户界面通过启用与所生成的所述多个二维图像的交互来提供对所述放射学图像的堆叠或从所述放射学图像的堆叠导出的附加信息的访问。
14.根据权利要求13所述的系统(100),还包括:
显示器(180),所述显示器提供用于显示所生成的所述多个二维图像或其子集的所述用户界面。
15.一种用于读取成像扫描(410)的控制器(150),包括:
存储器(151),所述存储器存储指令;以及
处理器(152),所述处理器执行所述指令,
其中所述指令在由所述处理器(152)执行时使得包括所述控制器(150)的系统(100):
访问所述成像扫描(410),所述成像扫描(410)包括放射学图像的堆叠;
根据所述成像扫描(410)的截面数据生成多个二维图像,所述多个二维图像包括来自所述放射学图像的堆叠的投影信息,并且所述投影信息包括全成像体积或自动选择的子体积、以及图像强度的全范围或图像强度的自动选择的子范围;以及
在显示器(180)上在高级解释环境(380)的用户界面(UI)中显示(180)所生成的所述多个二维图像或其子集,所述用户界面通过启用与所生成的所述多个二维图像的交互来提供对所述放射学图像的堆叠或从所述放射学图像的堆叠导出的附加信息的访问。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63/138,087 | 2021-01-15 | ||
US202263296221P | 2022-01-04 | 2022-01-04 | |
US63/296,221 | 2022-01-04 | ||
PCT/EP2022/050509 WO2022152733A1 (en) | 2021-01-15 | 2022-01-12 | Post-processing for radiological images |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116868280A true CN116868280A (zh) | 2023-10-10 |
Family
ID=88227250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280010147.1A Pending CN116868280A (zh) | 2021-01-15 | 2022-01-12 | 放射学图像的后处理 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116868280A (zh) |
-
2022
- 2022-01-12 CN CN202280010147.1A patent/CN116868280A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10304198B2 (en) | Automatic medical image retrieval | |
US10129553B2 (en) | Dynamic digital image compression based on digital image characteristics | |
KR101943011B1 (ko) | 피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치 | |
US7747050B2 (en) | System and method for linking current and previous images based on anatomy | |
US20190172199A1 (en) | Integration of medical software and advanced image processing | |
US7756314B2 (en) | Methods and systems for computer aided targeting | |
US8526693B2 (en) | Systems and methods for machine learning based hanging protocols | |
US20080025583A1 (en) | System and method for on-demand visual enhancement of clinical conitions in images | |
US10803354B2 (en) | Cross-modality image synthesis | |
US20170221204A1 (en) | Overlay Of Findings On Image Data | |
US11468659B2 (en) | Learning support device, learning support method, learning support program, region-of-interest discrimination device, region-of-interest discrimination method, region-of-interest discrimination program, and learned model | |
WO2019200349A1 (en) | Systems and methods for training a deep learning model for an imaging system | |
US20220399107A1 (en) | Automated protocoling in medical imaging systems | |
WO2019200351A1 (en) | Systems and methods for an imaging system express mode | |
WO2019200346A1 (en) | Systems and methods for synchronization of imaging systems and an edge computing system | |
US20240054700A1 (en) | Post-processing for radiological images | |
CN116868280A (zh) | 放射学图像的后处理 | |
US20230154594A1 (en) | Systems and methods for protocol recommendations in medical imaging | |
WO2022264757A1 (ja) | 医用画像診断システム、医用画像診断方法及びプログラム | |
US20230056923A1 (en) | Automatically detecting characteristics of a medical image series | |
Satoh et al. | Computer-aided diagnosis workstation and database system for chest diagnosis based on multihelical CT images | |
WO2019200353A1 (en) | Systems and methods for deploying deep learning applications to an imaging system |
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 |