CN116895376A - 用于提供中风信息的方法和数据处理系统 - Google Patents
用于提供中风信息的方法和数据处理系统 Download PDFInfo
- Publication number
- CN116895376A CN116895376A CN202310328276.1A CN202310328276A CN116895376A CN 116895376 A CN116895376 A CN 116895376A CN 202310328276 A CN202310328276 A CN 202310328276A CN 116895376 A CN116895376 A CN 116895376A
- Authority
- CN
- China
- Prior art keywords
- variable
- value
- patient
- stroke
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 title claims abstract description 15
- 230000001364 causal effect Effects 0.000 claims abstract description 69
- 210000004556 brain Anatomy 0.000 claims abstract description 14
- 238000013170 computed tomography imaging Methods 0.000 claims abstract description 14
- 238000002059 diagnostic imaging Methods 0.000 claims description 20
- 238000002591 computed tomography Methods 0.000 claims description 17
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002560 therapeutic procedure Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 9
- 208000006011 Stroke Diseases 0.000 description 55
- 206010061216 Infarction Diseases 0.000 description 9
- 230000007574 infarction Effects 0.000 description 9
- 238000010968 computed tomography angiography Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000010412 perfusion Effects 0.000 description 6
- 230000013016 learning Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000035045 associative learning Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013151 thrombectomy Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及用于提供中风信息的方法和数据处理系统。本发明在一个方面中涉及一种用于提供中风信息的计算机实现的方法,该方法包括:接收检查数据,检查数据包括患者的检查区域的计算机断层摄影成像数据,患者的检查区域包括至少一个脑区域,至少一个脑区域受中风影响,基于计算机断层摄影成像数据调整因果模型,从而获得经调整的因果模型,其中经调整的因果模型将第一变量建模为患者的检查区域的外观的第一原因,接收用于第一变量的第一值,基于经调整的因果模型和用于第一变量的第一值来生成中风信息,提供中风信息。
Description
在一个方面,本发明涉及一种用于提供中风信息的计算机实现的方法。在其它方面,本发明涉及数据处理系统、计算机断层摄影设备、计算机程序产品和计算机可读存储介质。
当诊断患有急性缺血性中风的患者时,发作时间在临床上是决定最有希望的治疗选择的关键信息。这是因为较长的治疗时间通常与较差的结果相关联,因此降低了常见治疗措施的预期风险-受益比。不幸的是,发作时间并不总是已知的,并且可能需要被估计。作为一种选择,这可以基于例如计算机断层摄影(CT)或磁共振(MR)成像来完成,并且因此还构成了潜在地适合于使用基于学习的方法的自动化的任务。典型的基于学习的回归模型可以产生估计的时间并且可以提供置信度得分和/或突出显示输入中的决策相关区域的显著度/注意力图。通常没有进一步的解释,深入的研究是不可行的,并且很少为终端用户提供关于结果的临床直觉。
以类似的方式,考虑到相反的时间方向,在给定当前可用信息的情况下,再次以容易被放射科医师或临床医师识别的方式获得预期短期进展的预测将是有用的。
基于在图像内执行的定量测量的开始时间的手动或半自动估计是已知的,并且可以基于计算后的物理模型提供一些解释措施。即例如:可以基于从降低的HU值导出的密度损失来估计吸水率。水吸收又可以通过梗塞导致的水吸收的平均速度与发作时间相关联。然而,这些方法局限于那些特定的静态模型并且不提供任何进一步的视觉直观。
本发明的根本技术问题是便于中风的评估,其在临床用户的直观探索和有效性检查方面进行改进。该问题由独立权利要求的主题解决。从属权利要求涉及本发明的其它方面。
一方面,本发明涉及一种用于提供中风信息的计算机实现的方法,该方法包括:
-接收检查数据,检查数据包括患者的检查区域的计算机断层摄影成像数据,患者的检查区域包括至少一个脑区域,至少一个脑区域受中风影响,
-基于计算机断层摄影成像数据调整因果模型,从而获得经调整的因果模型,其中经调整的因果模型将第一变量建模为患者的检查区域的外观的第一原因,
-接收用于第一变量的第一值,
-基于经调整的因果模型和用于第一变量的第一值来生成中风信息,
-提供中风信息。
因果模型允许对多个变量之间的因果关系进行建模。它们通常可以被可视化为图形。它们不仅可以用于预测未观察到的变量的值,而且可以用于创建所谓的反因子:如果某个变量被“回顾性地”设置为特定值,结果是什么?这被称为干预。
N.Pawlowski,D.Coelho de Castro,B.Glocker,Deep Structural CausalModels for Tractable Counterfactual Inference,Proceedings of NeurIPS 2020,描述了因果模型,通过使用将图像空间链接到低维嵌入的深度生成模型,因果模型已经被扩展为可处理地包括这种图中变量之间的图像。这种经训练的深度结构化因果模型可以基于关于人口统计/临床参数的干预来创建反事实图像。变量是图像、年龄、性别、脑体积和心室体积。可以通过在图形上执行所谓的干预来创建反事实图像,诸如虚拟地改变患者的性别。
第一变量可以是关于中风发作时间的时间信息。关于中风发作时间的时间信息可以是从中风发作所经过的时间。
在这种因果模型上执行关于发作时间的干预将允许用户检查模型预测的、中风诱导的局部缺血随时间的患者特异性效应。这将允许简单、直观的有效性检查和洞察,诸如:“至少在(已知或估计的)发作时间内返回是否消除图像中的所有梗塞迹象?”“在给定时间段内梗塞核心的逐渐生长是否预计以合理的速度发生?”“模型对未来一小时内的恶化程度预测是否符合我的预期?”
经调整的因果模型可以将第二变量建模为患者的检查区域的外观的第二原因,其中第二变量选自由关于患者的人口统计信息、关于患者的基于非成像的诊断信息、医学图像信息、关于中风的疗法的治疗信息及其组合组成的组,其中接收用于第二变量的第一值,其中进一步基于用于第二变量的第一值生成中风信息。检查数据还可以包括第一变量的实际值和/或第二变量的实际值。可以基于第一变量的实际值和/或基于第二变量的实际值来进一步调整因果模型。
除了修改时间轴之外,还可以对图形中的其它变量执行干预以生成用于参考的附加反事实。理想地,如果可能的话,可以以第二变量的形式联合考虑其它变量,以增强因果模型的解释能力。关于患者的人口统计信息,特别是一般人口统计信息可以包括例如关于年龄、性别和/或图像外观的其他原因的信息。关于患者的非基于成像的诊断信息可以包括例如实验室值和/或NIHSS信息。
医学图像信息可以包括例如非造影CT(NCCT)图像、CT血管造影(CTA)图像、CT灌注(CTP)图像、灌注图及其组合。关于中风治疗的治疗信息可以包括,例如,关于正在考虑的治疗措施的信息,例如,溶解和/或血栓切除术。因此,基于相应的反事实图像,不同的治疗选项可以根据它们的预期结果进行评级。
经调整的因果模型可以将图像导出信息建模为第一变量和/或第二变量的影响以及患者的检查区域的外观的中间原因,其中通过将经调整的因果模型应用于第一变量的第一值和/或用于第二变量的第一值上来计算图像导出信息的值,其中进一步基于图像导出信息的计算值来生成中风信息,具体地,通过将经调整的因果模型应用于图像导出信息的计算值来生成中风信息。图像导出信息的实际值可以被包括在检查数据中和/或可以从计算机断层摄影成像数据导出。可以基于图像导出信息的实际值来进一步调整因果模型。
图像导出信息可以包括例如梗塞核心大小和/或半影体积和/或阻塞部位。梗塞核心大小可以被建模为例如检查区域外观的原因和发作时间的影响。例如,可以将阻塞部位建模为检查区域外观的原因以及梗塞核心大小。类似地,可以通过经调整的因果模型将医学图像信息建模为关于患者的人口统计信息和/或关于患者的非基于成像的诊断信息的影响。
经调整的因果模型可以将第一变量建模为根据第一医学成像技术的患者的检查区域的外观的第一原因。经调整的因果模型可以将根据第一医学成像技术的患者的检查区域的外观建模为根据第二医学成像技术的患者的检查区域的外观的原因。第一医学成像技术例如可以是第一计算机断层摄影医学成像技术。第二医学成像技术可以是例如第二计算机断层摄影医学成像技术。
根据具体的临床情况,可以使用不同的成像技术。它们中的几个可以被包括在单个因果模型中。
在一个示例中,第一医学成像技术是非造影计算机断层摄影(NCCT),而第二医学成像技术是CT血管造影(CTA)和/或CT灌注(CTP)。在另一示例中,第一医学成像技术是CTA,并且第二医学成像技术是CTP。在另一示例中,第一医学成像技术是CTP,而第二医学成像技术是灌注图。如果计算机断层摄影成像数据包括双能量和/或光谱采集,则在给定足够的训练数据的情况下,可以类似地沿着时间域研究任何导出的结果,例如碘图和/或XMAP。
可以通过将经调整的因果模型应用于第一变量的第一值和/或用于第二变量的第一值来生成患者的检查区域的第一反事实医学图像,其中,中风信息包括第一反事实医学图像和/或基于第一反事实医学图像来生成。特别地,根据第一医学成像技术和/或根据第二医学成像技术,第一反事实医学图像可以表示患者的检查区域的外观。特别地,根据第一医学成像技术和/或根据第二医学成像技术,第二反事实医学图像可以表示患者的检查区域的外观。
为了更彻底地确保所产生的反事实图像非常类似于原始扫描,例如患者的检查区域的实际医学图像,也在不相关的图像特征(例如,噪声结构)中并且仅在与(因果)介入直接相关的方面不同,由(循环)GAN中常用的那些启发的策略可能是有益的。在一个示例中,身份约束可以确保变换到低维嵌入和返回尽可能精确地保存图像。在另一个示例中,可以使用在图像域中操作的真假鉴别器网络和/或损失函数来促使发生器产生高度真实的图像。另一选择是仅生成差异/剩余图像,其既用于降低模型产生所需的输出空间的复杂度,又用于保存原始图像特性,因为这些特性将被添加到剩余图像之上以获得最终结果。
可以接收第一变量的第二值和/或第二变量的第二值,其中通过将经调整的因果模型应用于第一变量的第二值和/或第二变量的第二值来生成患者的检查区域的第二反事实医学图像,其中中风信息包括第二反事实医学图像和/或进一步基于第二反事实医学图像来生成。第一变量的第二值可以不同于用于第一变量的第一值。第二变量的第二值可以不同于用于第一变量的第一值。
可以基于第一反事实医学图像和第二反事实医学图像来计算差异图,其中中风信息包括差异图和/或进一步基于差异图来生成。差异图可以是例如密度差异图。例如,可以基于参考图像之上的差异图的覆盖,特别是颜色编码的覆盖来生成中风信息。如果通过从第一反事实医学图像中减去第二反事实医学图像来计算差异图,则参考图像可以是第二反事实医学图像。如果通过从第二反事实医学图像中减去第一反事实医学图像来计算差异图,则参考图像可以是第一反事实医学图像。
时间点之间的差分可以被可视化为扫描上的颜色编码覆盖,以在单个图像中直接可视化时间变化(例如,梗塞核心生长)。
检查数据,特别是计算机断层摄影成像数据,可以包括患者的检查区域的实际医学图像,其中基于用于第一变量的第一值、第一变量的第二值、第一反事实医学图像、第二反事实医学图像和实际医学图像,例如通过应用内插和/或外插来确定第一变量的估计值,其中中风信息包括第一变量的估计值和/或进一步基于第一变量的估计值来生成。例如,可以将第一变量的估计值确定为第一变量的实际值的估计,其中,根据经调整的因果模型,第一变量的实际值使得患者的检查区域表现为患者的检查区域的实际医学图像。
可以基于用于第二变量的第一值、第二变量的第二值、第一反事实医学图像、第二反事实医学图像和实际医学图像,例如通过应用内插和/或外插来确定第二变量的估计值,其中中风信息包括第二变量的估计值和/或进一步基于第二变量的估计值来生成。例如,可以将第二变量的估计值确定为第二变量的实际值的估计,其中,根据经调整的因果模型,第二变量的实际值使得患者的检查区域表现为患者的检查区域的实际医学图像。
可以基于第一反事实医学图像和实际医学图像和/或基于第二反事实医学图像和实际医学图像来计算差异图,具体地,如以上针对基于第一反事实医学图像和第二反事实医学图像计算的差异图所描述的。
当没有(临床上或算法上)估计发作时间可用时,因果模型本身可以被用于从给定观察结果概率地推断可能的发作时间。为了进一步完善这种估计,可以通过对估计附近的多个时间点执行干预并来创建反事实图像,并将它们与真实扫描进行比较——然后可以假设显示最小差异的生成图像对应于最准确的发作时间估计。
用于第一变量的第一值可以是中风发作之后的第一时间点。第一变量的第二值可以是中风发作之后的第二时间点。时间信息的估计值可以是在中风发作和采集患者检查区域的计算机断层摄影成像数据之间经过的时间的估计值。
用于自动验证和量化的另一选择是运行算法,该算法能够对健康对象与中风对象进行分类和/或在生成的图像上对中风严重程度进行评级。这种算法然后可以以可再现的方式定量地跟踪结果。例如,可以对连续时间点生成的图像运行自动ASPECT评分算法,随着所有受影响区域中的标记变得越来越可识别,该自动ASPECT评分算法可以从10(还没有可见的标记)连续降低到最终评分。结果可以与图像一起显示在时间轴上,以根据标准化临床评分指示中风征兆的进展。
以呈现的方式,“滑块”元件可以被用于交互地导航时间轴,从而手动地选择在中风发作之后的第一时间点和/或在中风发作之后的第二时间点,同时实时地更新图像,和/或可以以特定的时间间隔预先计算图像并相应地布置显示。
因果模态可以是深层结构因果模型。具体地,因果模型可以基于多个训练数据集进行训练,多个训练数据集中的每个训练数据集包括计算机断层摄影中风成像数据和第一变量的相应值。多个训练数据集中的每个训练数据集还可以包括第二变量的相应值和/或图像导出信息的相应值。多个训练数据集可以包括来自大量患者的训练数据集。基于患者的检查数据,可以针对该患者具体调整因果模型。
在另一个方面中本发明涉及数据处理系统,其包括数据接口和处理器,该数据处理系统被配置用于执行根据本发明的一个方面的方法。
另一方面,本发明涉及一种包括数据处理系统的计算机断层摄影设备。计算机断层摄影设备可以被配置用于采集患者的检查区域的计算机断层摄影成像数据。
在另一个方面中本发明涉及一种计算机程序产品或计算机可读存储介质,包括指令,当指令被计算机执行时,使计算机执行根据本发明的一个方面的方法。
与联想学习相比,使用建议的因果模型确保临床意义。所提出的完整方法允许适当地结合各种中风相关参数。在给定脑部扫描以及相关临床信息的情况下,有可能实际上“返回”或“前进”发作时间并直接在图像中观察估计的患者特异性效应,这似乎满足这些需要。基于经调整的因果模型,临床用户可以探索患者的大脑在中风发作后0h、1h、2h……6h看起来是怎样的,并检查这是否与当前观察相应的(临床确定的或模型预测的)发作时间一致。
该方法允许灵活的、基于学习的发作时间估计和短期结果预测,其不仅结合了基于成像和非成像的信息,而且独特地以放射科医师最了解的“语言”提供了结果的直观探索和解释——临床图像,根据该模型对病例的解释针对任何时间点综合地生成的。与生成深度学习模型相结合的因果模型尤其可以用于结合作为时间因果变量的发作时间以及表示图像空间结果的结果变量,从而允许在不直接观察到的其他时间点合成针对患者特定定制的图像,并且因此在精确医学方面促进更好的病例理解。这允许对中风病例进行更全面的评估。特别地,发作时间和预先生成的图像和/或覆盖图可以被显示为结果文件夹的一部分。
本文提及的任何算法和/或模型可以基于以下架构中的一个或多个:深度卷积神经网络、深度信任网络、随机森林、深度残差学习、深度强化学习、递归神经网络、暹罗网络、生成对抗网络或自动编码器。
计算机程序产品可以是例如计算机程序或包括除计算机程序之外的另一元件。该另一元件可以是硬件,例如存储计算机程序的存储器设备,用于使用计算机程序等的硬件密钥,和/或软件,例如用于使用计算机程序的文档或软件密钥。计算机可读存储介质可以实现为非永久主存储器(例如,随机存取存储器)或永久性大容量存储器(例如,硬盘、USB棒、SD卡、固态盘)。
数据处理系统可以包括例如云计算系统、分布式计算系统、计算机网络、计算机、平板计算机、智能电话等中的至少一个。数据处理系统可以包括硬件和/或软件。硬件可以是例如处理器系统、存储器系统及其组合。硬件可由软件配置和/或可由软件操作。用于执行方法动作的计算可以在处理器中执行。
数据,特别是检查数据、用于第一变量的第一值、用于第二变量的第一值、第一变量的第二值和第二变量的第二值中的每个可以例如通过接收携带数据的信号和/或通过从计算机存储器读取数据和/或通过例如通过图形用户界面的手动用户输入来接收。例如,可以通过传输携带数据的信号和/或通过将数据写入计算机存储器和/或通过在显示器上显示数据来提供数据,特别是中风信息。
在本发明的上下文中,表述“基于”可以特别理解为意指“尤其使用”。特别地,基于第二特征计算(或生成、确定等)第一特征所依据的措辞不排除基于第三特征计算(或生成、确定等)第一特征的可能性。
参考以下事实:所描述的方法和所描述的系统仅仅是本发明的优选示例性实施例,并且在不脱离由权利要求书所指定的本发明的范围的情况下,本领域技术人员可以改变本发明。
下面将参考附图使用示例实施例来说明本发明。附图中的图示是示意性的并且高度简化的,并且不必按比例绘制。
图1示出了表示经调整的因果模型的因果图的示例性模板。
图2示出了在图形用户界面中中风信息的示例性显示。
图3示出了用于提供中风信息的计算机实现的方法的流程图。
图4示出了数据处理系统。
图1示出了用于表示经调整的因果模型的因果图的示例性模板。第一变量是关于中风发作时间的时间信息N。经调整的因果模型将第二变量建模为患者的检查区域的外观的第二原因,其中第二变量选自由关于患者的人口统计信息11、关于患者的非基于成像的诊断信息12、医学图像信息3、关于中风治疗的治疗信息14及其组合组成的组,其中接收用于第二变量的第一值,其中进一步基于用于第二变量的第一值生成中风信息。
经调整的因果模型将图像导出信息2建模为第一变量的影响和患者的检查区域的外观的中间原因,其中通过将经调整的因果模型应用于第一变量的第一值来计算图像导出信息2的值,其中进一步基于图像导出信息2的值来生成中风信息。
在该示例中,所考虑的最基本的相互作用是关于根据非造影计算机断层摄影31在患者的检查区域的外观上关于中风的发作时间的时间信息N的相互作用。虚线箭头指示了进一步的(但不是所有)可能的因果关系。它们并不构成看待因果关系的唯一明智的方式。例如,图像导出信息2也可以被认为是医学图像信息3的影响。所描绘的因果方向可用于通过干预对梗塞核心体积21(其当然独立于是否从图像中量化而存在)对图像外观的影响进行建模。从/到整个组(大框)的箭头表示两个组中变量子集之间的关系,而不是指定这种相互作用的细节,这些将留给具体应用。
图像导出信息2包括梗塞核心体积21、半影体积22和/或阻塞部位23。医学图像信息3包括非造影CT(NCCT)图像31、CT血管造影(CTA)图像32、CT灌注(CTP)图像33和/或后续NCCT图像34(例如,中风发作后和/或治疗后24小时)。导出的医学图像信息4包括双能量和/或光谱成像结果41和/或灌注图42。箭头1A指示关于患者的人口统计信息11和/或基于非成像的诊断信息12可以通过经调整的因果模型建模为关于中风治疗的治疗信息14的原因。
图2示出了在图形用户界面G中的中风信息的示例性显示。检查区域包括具有左大脑半球HL和右大脑半球HR的大脑H。可以通过将具有指针P的滑块元素TP拖动到时间轴T上的相应点来交互地生成不同时间点的反事实图像。箭头TA指示朝向增加时间的方向。
用于第一变量的第一值是中风发作之后的第一时间点T1。第一变量的第二值是中风发作之后的第二时间点T2。通过将经调整的因果模型应用于第一时间点T1形式的用于第一变量的第一值来生成患者的检查区域的第一反事实医学图像B1。中风信息包括第一反事实医学图像B1,并且基于第一反事实医学图像B1生成。接收第一变量的第二值和/或第二变量的第二值,其中通过将经调整的因果模型应用于第二时间点T2的形式的第一变量的第二值,来生成患者的检查区域的第二反事实医学图像B2。中风信息包括第二反事实医学图像B2,并且进一步基于第二反事实医学图像B2来生成。
示出了第一反事实图像B1和第二反事实图像B2,一个在当前扫描之前,一个在当前扫描之后的。B1代表中风发作后4小时的估计外观。B2表示中风发作后8小时的预测外观。BN表示检查数据中检查区域的外观。在中风发作时间和检查数据的采集之间经过的估计时间TN是6小时。
类似地,这种图像可以被安排在时间线上用于非交互式观看。使用图像B2作为差异计算的基线,如复选框C所示,梗塞X的未来范围Y在其他图像中被显示为重叠。
图3示出了用于提供中风信息的计算机实现的方法的流程图,该方法包括:
-接收S1检查数据,检查数据包括患者的检查区域的计算机断层摄影成像数据,患者的检查区域包括至少一个脑区域,至少一个脑区域受中风影响,
-基于计算机断层摄影成像数据调整S2因果模型,从而获得经调整的因果模型,其中经调整的因果模型将第一变量建模为患者的检查区域的外观的第一原因,
-接收S3用于第一变量的第一值,
-基于经调整的因果模型和用于第一变量的第一值来生成S4中风信息,
-提供S5中风信息。
图4示出了包括数据接口8A和处理器8B的数据处理系统8,数据处理系统8被配置为执行关于图3所描述的方法。
Claims (15)
1.一种用于提供中风信息的计算机实现的方法,所述方法包括:
-接收(S1)检查数据,所述检查数据包括患者的检查区域的计算机断层摄影成像数据,所述患者的所述检查区域包括至少一个脑区域,所述至少一个脑区域受中风影响,
-基于所述计算机断层摄影成像数据调整(S2)因果模型,从而获得经调整的因果模型,其中所述经调整的因果模型将第一变量建模为所述患者的所述检查区域的外观的第一原因,
-接收(S3)用于所述用于第一变量的第一值,
-基于所述经调整的因果模型和用于所述第一变量的所述第一值来生成(S4)所述中风信息,
-提供(S5)所述中风信息。
2.根据权利要求1所述的方法,
-其中所述第一变量是关于所述中风的开始时间的时间信息(N)。
3.根据权利要求1或2所述的方法,
-其中所述经调整的因果模型将第二变量建模为所述患者的所述检查区域的所述外观的第二原因,
-其中所述第二变量被选自包括由以下项组成的组:关于所述患者的人口统计信息(11)、关于所述患者的非基于成像的诊断信息(12)、医学图像信息(3)、关于所述中风的疗法的治疗信息(14)以及其组合,
-其中用于所述用于第二变量的第一值被接收,
-其中所述中风信息进一步基于用于所述第二变量的所述第一值而被生成。
4.根据权利要求1至3中任一项所述的方法,
-其中所述经调整的因果模型将图像导出信息(2)建模为所述第一变量的影响和所述患者的所述检查区域的所述外观的中间原因,
-其中用于所述图像导出信息(2)的值通过将所述经调整的因果模型应用到用于所述第一变量的所述第一值而被计算,
-其中所述中风信息进一步基于用于所述图像导出信息(2)的所述值而被生成。
5.根据权利要求1至4中任一项所述的方法,
-其中所述经调整的因果模型将所述第一变量建模为根据第一医学成像技术的所述患者的所述检查区域的所述外观的所述第一原因,
-其中所述经调整的因果模型将根据所述第一医学成像技术的所述患者的所述检查区域的所述外观建模为根据第二医学成像技术的所述患者的所述检查区域的所述外观的原因。
6.根据权利要求1至5中任一项所述的方法,
-其中所述患者的所述检查区域的第一反事实医学图像(B1)通过将所述经调整的因果模型应用于所述第一变量的所述第一值而被生成,
-其中所述中风信息包括所述第一反事实医学图像(B1)和/或基于所述第一反事实医学图像(B1)而被生成。
7.根据权利要求6所述的方法,
-其中用于所述第一变量的第二值和/或用于所述第二变量的第二值被接收,
-其中所述患者的所述检查区域的第二反事实医学图像(B2)通过将所述经调整的因果模型应用于所述第一变量的所述第二值和/或用于所述第二变量的所述第二值而被生成,
-其中所述中风信息包括所述第二反事实医学图像(B2)和/或进一步基于所述第二反事实医学图像(B2)而被生成。
8.根据权利要求7所述的方法,
-其中差异图基于所述第一反事实医学图像(B1)和所述第二反事实医学图像(B2)而被计算,
-其中所述中风信息包括所述差异图和/或进一步基于所述差异图而被生成。
9.根据权利要求7或8所述的方法,
-其中所述检查数据包括所述患者的所述检查区域的实际医学图像,
-其中用于所述第一变量的估计值基于用于所述第一变量的所述第一值、用于所述第一变量的所述第二值、所述第一反事实医学图像(B1)、所述第二反事实医学图像(B2)和所述实际医学图像而被确定,
-其中所述中风信息包括用于所述第一变量的所述估计值和/或进一步基于用于所述第一变量的所述估计值而被生成。
10.根据权利要求1至9中任一项所述的方法,
-其中用于所述第一变量的所述第一值是所述中风开始之后的第一时间点(T1)和/或其中用于所述第一变量的所述第二值是所述中风开始之后的第二时间点(T2)。
11.根据权利要求1至10中任一项所述的方法,
-其中所述因果模型是深结构因果模型。
12.根据权利要求1至11中任一项所述的方法,
-其中所述因果模型基于多个训练数据集,所述多个训练数据集中的每个训练数据集包括计算机断层摄影中风成像数据和用于所述第一变量的相应值。
13.一种数据处理系统(8),包括数据接口(8A)和处理器(8B),所述数据处理系统(8)被配置为执行根据权利要求1至12中任一项所述的方法。
14.一种计算机断层摄影设备,包括根据权利要求13所述的数据处理系统,
-其中所述计算机断层摄影设备被配置为采集所述患者的所述检查区域的所述计算机断层摄影成像数据。
15.一种计算机程序产品或计算机可读存储介质,包括指令,当所述指令由计算机执行时,所述指令使所述计算机执行根据权利要求1至12中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP22166025.1 | 2022-03-31 | ||
EP22166025.1A EP4254427A1 (en) | 2022-03-31 | 2022-03-31 | Method and data processing system for providing a stroke information |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116895376A true CN116895376A (zh) | 2023-10-17 |
Family
ID=81328514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310328276.1A Pending CN116895376A (zh) | 2022-03-31 | 2023-03-30 | 用于提供中风信息的方法和数据处理系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230317289A1 (zh) |
EP (1) | EP4254427A1 (zh) |
CN (1) | CN116895376A (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3798971A1 (en) * | 2019-09-30 | 2021-03-31 | Siemens Healthcare GmbH | Method and data processing system for providing a stroke information |
-
2022
- 2022-03-31 EP EP22166025.1A patent/EP4254427A1/en active Pending
-
2023
- 2023-03-28 US US18/191,624 patent/US20230317289A1/en active Pending
- 2023-03-30 CN CN202310328276.1A patent/CN116895376A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4254427A1 (en) | 2023-10-04 |
US20230317289A1 (en) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2687760C2 (ru) | Способ и система компьютерной стратификации пациентов на основе сложности случаев заболеваний | |
US20210151187A1 (en) | Data-Driven Estimation of Predictive Digital Twin Models from Medical Data | |
AU2004316027B2 (en) | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions | |
US7693315B2 (en) | Systems and methods for providing automated regional myocardial assessment for cardiac imaging | |
US20220245814A1 (en) | Systems and methods for medical image style transfer using deep neural networks | |
CN108784655A (zh) | 针对医疗患者的快速评估和后果分析 | |
CN106529117A (zh) | 用于治疗规划的生理驱动决策支持 | |
US11241190B2 (en) | Predicting response to therapy for adult and pediatric crohn's disease using radiomic features of mesenteric fat regions on baseline magnetic resonance enterography | |
US20210142480A1 (en) | Data processing method and apparatus | |
Hachaj et al. | CAD system for automatic analysis of CT perfusion maps | |
CN113077887A (zh) | 大脑白质病变自动化定量分析系统与判读方法 | |
Li et al. | DeepLiverNet: a deep transfer learning model for classifying liver stiffness using clinical and T2-weighted magnetic resonance imaging data in children and young adults | |
JP7114347B2 (ja) | 断層画像予測装置および断層画像予測方法 | |
Somasundaram et al. | Fetal brain extraction from magnetic resonance image (MRI) of human fetus | |
Chacón et al. | Computational assessment of stomach tumor volume from multi-slice computerized tomography images in presence of type 2 cancer | |
CN116895376A (zh) | 用于提供中风信息的方法和数据处理系统 | |
US12014823B2 (en) | Methods and systems for computer-aided diagnosis with deep learning models | |
Płotka et al. | BabyNet++: Fetal birth weight prediction using biometry multimodal data acquired less than 24 hours before delivery | |
Bernabé et al. | Expanding the deep-learning model to diagnosis LVNC: limitations and trade-offs | |
Jin et al. | Predicting progression of white matter hyperintensity using coronary artery calcium score based on coronary CT angiography—feasibility and accuracy | |
BORDIN et al. | Harmonizing large-scale imaging databases to provide integrated assessments of the role of white matter hyperintensities in cognitive aging | |
Mouches | Age-dependent analysis of cerebral structures and arteries in a large database | |
Roberts et al. | AI and Point of Care Image Analysis for COVID-19 | |
KR20230034762A (ko) | 기계학습 방법 및 장치 | |
CN115985492A (zh) | 一种基于患者的医学信息进行预后管理的系统和方法 |
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 |