CN117425432A - 用于医学图像分析的装置 - Google Patents

用于医学图像分析的装置 Download PDF

Info

Publication number
CN117425432A
CN117425432A CN202280039606.9A CN202280039606A CN117425432A CN 117425432 A CN117425432 A CN 117425432A CN 202280039606 A CN202280039606 A CN 202280039606A CN 117425432 A CN117425432 A CN 117425432A
Authority
CN
China
Prior art keywords
image data
image
images
new
imaging parameters
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
Application number
CN202280039606.9A
Other languages
English (en)
Inventor
M·格拉斯
I·M·巴尔特鲁沙特
A·扎尔巴赫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN117425432A publication Critical patent/CN117425432A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/75—Indicating network or usage conditions on the user display
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及一种用于医学图像分析的装置(10)，包括：相机(20)；处理单元(30)；以及输出单元(40)。所述相机被配置为被放置在医学成像系统的系统图像显示器附近。所述相机被配置为采集在所述系统图像显示器上显示的系统图像的局部图像，其中，所述系统图像包括患者的医学图像数据，并且其中，所述局部图像包括所述患者的所述医学图像数据的局部图像数据。所述处理单元被配置为确定多个图像和成像参数，所述确定包括利用所述局部图像。所述处理单元被配置为利用所述多个图像和成像参数来确定要进行以下操作的过程决策：要么确定所述医学图像数据的所述局部图像数据是否适合用于进一步处理；要么确定是否要：采集新的局部图像，并且针对所述新的局部图像确定新的多个图像和成像参数，并且利用所述新的多个图像和成像参数来确定新的过程决策。所述输出单元被配置为输出图像数据。

Description

用于医学图像分析的装置
技术领域
本发明涉及用于医学图像分析的装置、用于医学图像分析的方法，以及计算机程序单元和计算机可读介质。
背景技术
近年来，基于AI的图像分析在从计算机视觉任务到医学图像分析的广泛应用中显示出有希望的结果。
EP3758015A1描述了一种成像系统，它包括医学成像装置。该医学成像装置包括用于在成像时期采集患者的第一图像的探测器，以及用于在屏幕上显示第一图像的显示单元。不同于医学成像装置，该系统还包括移动图像处理设备。该移动处理设备包括用于接收第一图像的表示的接口，以及被配置为在成像时期期间分析该表示并且基于该分析来计算医学决策支持信息的图像分析器。决策支持信息被显示在移动处理设备的机载显示设备上。
US10790056B1描述了用于传递一项或多项研究的系统，其中，这一项或多项研究中的每项研究都具有仅与一个人相关联且由成像模态生成的一系列数字图像。该系统包括同步应用，该同步应用被配置为在局域网内运行并且与成像模态和/或计算设备进行数据通信，该计算设备被配置为显示由成像模态中的每种成像模态生成的图像。该系统还包括服务器，该服务器适于在局域网外部并且与同步应用和客户端查看应用进行数据通信，该客户端查看应用被安装在计算设备中的一个或多个计算设备上。客户端查看应用程序被配置为获取研究(包括表示这一系列数字图像的未绘制数据)，本地绘制未绘制数据，并且使得用户能够操纵数字图像。
然而，医学设备(例如，X射线系统或诊断应用)通常是在安全环境(例如，没有互联网接入)中使用的，正因如此，基于AI的图像分析软件可能会过时，因为由于质量和监管要求而不能频繁更新。
需要解决这个问题。
发明内容
具有分析医学图像的改进手段将是有利的。本发明的目的通过独立权利要求的主题来解决，其中，在从属权利要求中包含了进一步的实施例。应当注意，本发明的以下描述的方面和示例适用于用于医学图像分析的装置，也适用于用于医学图像分析的方法以及计算机程序单元和计算机可读介质。
在第一方面，提供了一种用于医学图像分析的装置，包括：
相机；
处理单元；以及
输出单元。
所述相机被配置为被放置在医学成像系统的系统图像显示器附近。所述相机被配置为采集在所述系统图像显示器上显示的系统图像的局部图像，其中，所述系统图像包括患者的医学图像数据，并且所述局部图像包括所述患者的所述医学图像数据的局部图像数据。所述处理单元被配置为确定多个图像和成像参数，所述确定包括利用所述局部图像。所述处理单元被配置为利用所述多个图像和成像参数来确定要进行以下操作的过程决策：
要么
确定所述医学图像数据的所述局部图像数据是否适合用于进一步处理；
要么
确定是否要：采集新的局部图像，并且针对所述新的局部图像确定新的多个图像和成像参数，并且利用所述新的多个图像和成像参数来确定新的过程决策；
并且
所述输出单元被配置为输出图像数据。
在示例中，如果所述医学图像数据的所述局部图像数据被确定为适合用于进一步处理，则所述处理单元被配置为实施机器学习算法以生成局部处理的图像数据，其中，所述生成包括利用所述患者的所述医学图像数据的所述局部图像数据。所述输出单元被配置为输出所述局部处理的图像数据。
因此，使用医学成像设备或系统的显示器的屏幕捕获结果来支持对患者可能已经在来自医学成像设备或系统(例如，X射线系统或MRI)的医学图像中捕获的状况的诊断。
在实施机器学习算法(例如，经训练的神经网络)之前，利用某些成像参数(例如，智能手机与医学成像设备的显示器之间的距离、医学成像设备的显示器上的显示设置以及图像质量)来确定机器学习算法是否能够对智能手机所采集的图像进行操作，或者是否应当重新定位智能手机以采集新的图像和/或调节医学成像设备的显示器，以便智能手机采集到更适合于由在智能手机上运行的机器学习算法稍后分析的图像。
换句话说，在将神经网络应用于疾病检测之前，检测智能手机相机采集医学图像显示器的图像的采集条件，其中，估计智能手机相机图像的预期图像质量，并且能够向用户给出建议以改变采集设置并重新拍摄图像，其中，能够显示根据图像质量的与检测到的疾病有关的置信度或确定性指标信息，或者神经网络分析能够对智能手机图像进行操作，其中，能够将采集条件整合到神经网络分析中。以这种方式，提高了图像质量并且时限了AI疾病检测。
应当注意，医学成像系统的系统图像显示器不需要被附接到医学成像单元，而是可以与医学成像单元分离，并且实际上可以是PACS显示器的部分。因此，系统图像显示器不需要示出患者的实况图像，而是能够示出图像的保存图像。然而，医学图像显示器也能够示出相对近期采集的患者的当前图像。这解释了“医学成像系统”和“系统图像显示器”的含义。
以这种方式，能够提高诊断准确性，并且能够利用特定的机器学习算法。
在示例中，生成所述局部处理的图像数据包括利用所述多个图像和成像参数来计算误差信息。
在示例中，所述处理单元被配置为利用所述多个图像和成像参数来计算针对所述局部处理的图像数据的至少一个确定性指标或置信度。
在示例中，所述处理单元被配置为生成被叠加到所述局部处理的图像数据上的确定性指标或置信度热图。
因此，能够考虑成像参数(例如，由智能手机或其他成像装置采集的图像的质量)而使得用户能够查看经处理的图像以了解图像的部分是否具有较高的与任何确定的诊断相关联的误差。因此，例如，如果在由智能手机拾取的医学成像系统显示器的部分上存在眩光，则与该图像的其他部分相比，经处理的图像的这一部分可能具有与其相关联的更高的误差，使得用户能够更好地解读经处理的图像。这同样适用于整个图像的信噪比，以及诸如从相机到医学图像系统显示器的不同部分的距离等参数。
在示例中，实施所述机器学习算法包括利用所述多个图像和成像参数。
在示例中，所述处理单元被配置为调整所述机器学习算法，其中，所述调整包括利用所述多个图像和成像参数。
因此，能够基于图像和成像参数来选择特定的机器学习算法(例如，神经网络)，使得能够利用最佳的机器学习算法或最适合的机器学习算法。此外，能够基于图像和成像参数来调整所选择的或默认的机器学习算法，以便优化该算法来分析在智能手机或其他等效装置上采集的图像数据。
在示例中，所述处理单元被配置为利用所述多个图像和成像参数来确定所述相机与所述系统图像显示器之间的新的距离以用于采集所述新的局部图像，并且其中，所述输出单元被配置为输出与所述新的距离有关的信息。
在示例中，所述处理单元被配置为利用所述多个图像和成像参数来确定所述相机的观察轴与垂直于所述系统图像显示器的轴之间的新的角度以用于采集所述新的局部图像，并且其中，所述输出单元被配置为输出与所述新的角度有关的信息。
以这种方式，诸如智能手机之类的装置能够使用医学成像系统的显示屏尺寸的知识来确定(例如根据显示屏的外部范围确定)到显示屏的距离。这也能够用来确定相机与显示屏之间的角度。智能手机或其他装置能够具有一个以上的相机以及用于确定到显示屏的距离的三角测量或者智能手机所使用的其他标准距离确定方法。然后，处理单元能够确定这些参数关于智能手机所采集的图像不是最优的，并且向用户呈现诸如智能手机更靠近医学系统显示器的位置和/或不同的角度(例如，显示器上有更多的脸)之类的信息，以便使得智能手机能够采集更好的图像。
在示例中，所述处理单元被配置为利用所述多个图像和成像参数来确定针对所述系统图像显示器的至少一个新的显示设置以用于采集所述新的局部图像，并且所述输出单元被配置为输出与所述新的显示设置有关的信息。
因此，处理单元能够实施具有例如文本和图标识别能力的图像处理软件，使得能够确定医学系统显示器的显示设置(例如，分辨率、对比度、明亮度)。然后，智能手机或其他类似装置能够向用户提供信息以调节医学系统显示器上的显示设置，以便智能手机能够采集医学图像显示器上呈现的图像数据的更好且更合适的图像。
在示例中，所述处理单元被配置为利用所述多个图像和成像参数来确定所述系统图像显示器所在的房间中的光照条件的变化，并且所述输出单元被配置为输出与光照条件的所述变化有关的信息。
根据医学图像显示器的智能手机图像或医学图像显示器的其他装置图像，图像处理使得能够确定例如在显示屏上是否存在由通过例如窗户进入的光照或阳光引起的眩光。然后能够确定这导致智能手机采集到非最优图像数据，并且能够将信息转发给用户以调节医学图像显示器所在的房间中的光照条件。
在示例中，所述多个图像和成像参数包括以下各项中的两项或更多项：确定的所述相机与所述系统图像显示器之间的距离；确定的所述相机的观察轴与垂直于所述系统图像显示器的轴之间的角度；确定的在所述局部图像中的一个或多个位置处的信噪比；确定的在所述系统图像显示器所在的房间中的一个或多个光照条件；确定的针对所述系统图像显示器的显示设置。
在第二方面，提供了一种用于医学图像分析的方法，包括：
a)将装置的相机放置在医学成像系统的系统图像显示器附近；
b)由所述相机采集在所述系统图像显示器上显示的系统图像的局部图像，其中，所述系统图像包括患者的医学图像数据，并且其中，所述局部图像包括所述患者的所述医学图像数据的局部图像数据；
c)由所述装置的处理单元确定多个图像和成像参数，所述确定包括利用所述局部图像；
d)由所述处理单元确定过程决策，所述确定包括利用所述多个图像和成像参数，并且其中，所述过程决策要进行以下操作：
要么
确定所述医学图像数据的所述局部图像数据是否适合用于进一步处理；
要么
确定是否要：采集新的局部图像，并且针对所述新的局部图像确定新的多个图像和成像参数，并且利用所述新的多个图像和成像参数来确定新的过程决策；
并且
f)由所述装置的输出单元输出图像数据。
在示例中，如果所述医学图像数据的所述局部图像数据被确定为适合用于进一步处理，则所述方法包括：
e)通过由所述处理单元实施机器学习算法以生成局部处理的图像数据，从而生成所述局部处理的图像数据，其中，所述生成包括利用所述患者的所述医学图像数据的所述局部图像数据；并且
其中，步骤f)包括由所述输出单元输出所述局部处理的图像数据。
根据另一方面，提供了一种控制如前所述的装置中的一个或多个装置的计算机程序单元，所述计算机程序单元在由处理器运行时适于执行如前所述的方法。
根据另一方面，提供了一种存储有如前所述的计算机单元的计算机可读介质。
计算机程序单元例如能够是软件程序，但也能够是FPGA、PLD或任何其他适当的数字器件。
有利的是，任何上述方面提供的益处同样适用于所有其他方面，反之亦然。
参考下文描述的实施例，上述方面和示例将变得明显并且得到阐明。
附图说明
下面将参考附图来描述示例性实施例：
图1示出了用于医学图像分析的装置的示例的示意性设置；
图2示出了用于医学图像分析的方法；并且
图3示出了智能手机采集的在医学成像系统/设备的显示器上示出的医学图像的图像。
具体实施方式
图1示出了用于医学图像分析的装置10的示意性示例。所述装置包括相机20、处理单元30和输出单元40。所述相机被配置为被放置在医学成像系统的系统图像显示器附近。所述相机被配置为采集在所述系统图像显示器上显示的系统图像的局部图像。所述系统图像包括患者的医学图像数据，并且所述局部图像包括所述患者的所述医学图像数据的局部图像数据。所述处理单元被配置为确定多个图像和成像参数，所述确定包括利用所述局部图像。所述处理单元被配置为利用所述多个图像和成像参数来确定要进行以下操作的过程决策：
要么
确定所述医学图像数据的所述局部图像数据是否适合用于进一步处理；
要么
确定是否要：采集新的局部图像，并且针对所述新的局部图像确定新的多个图像和成像参数，并且利用所述新的多个图像和成像参数来确定新的过程决策。
所述输出单元被配置为输出图像数据。
根据示例，如果所述医学图像数据的所述局部图像数据被确定为适合用于进一步处理，则所述处理单元被配置为实施机器学习算法以生成局部处理的图像数据。然后，生成所述局部处理的图像数据能够包括利用所述患者的所述医学图像数据的所述局部图像数据。然后，由所述输出单元输出的所述输出图像数据能够包括所述局部处理的图像数据。
在示例中，所述局部处理的图像数据是疾病分类的指示。
在示例中，所述局部处理的图像数据包括疾病分类的指示。
在示例中，所述局部处理的图像数据包括诊断。
因此，例如能够呈现对存在的肺结节的指示，或对癌症的指示，或对另一医学状况的指示，或对骨折或能够基于医学成像来指示的其他状况的指示。这能够是简单的文本“是/否”的形式，其能够具有相关联的置信度或确定性指标。这也能够是与局部图像相对应的图像的形式，其中，疾病/医学状况分类被叠加到图像上以指示所确定的分类的位置。
在示例中，所述装置是智能手机。
在示例中，处理单元能够位于与计算机分离的位置。例如，相机能够采集通过网络传输到处理单元的影像，并且其中，该处理单元能够在云中。经处理的信息能够被发送回相机的操作者。这意味着是采集新的图像还是继续处理刚采集的图像的决定既能够在本地做出，又能够在远程做出。而且，对提供医学分析的图像数据本身的处理能够也是既能够在远程执行，又能够在本地执行，并且如果需要的话，将信息提供回操作者。
在示例中，所述装置被配置为：通过网络下载对机器学习算法的更新，并且基于该更新来更新机器学习算法。
在示例中，所述装置被配置为：通过网络下载新的机器学习算法，并且用新的机器学习算法替换旧的机器学习算法，并且该装置所使用的机器学习算法成为新的机器学习算法。
在示例中，所述输出单元包括装置的显示屏。
在示例中，生成局部处理的图像数据包括利用多个图像和成像参数。
在示例中，多个图像和成像参数包括与系统图像显示器上的系统图像有关的显示参数，例如，对比度或灰度级或动态范围。
在示例中，处理单元被配置为实施图像处理算法以确定显示参数。
因此，处理单元能够根据与图像相关联的标记(例如，写入的灰度值或以条形指示的灰度)来确定与图像被如何显示相关联的图像和成像参数。以这种方式，如果确定局部图像对于进一步处理来说不够好或者能够被改善，则能够向操作者提供信息以增大在系统显示器上显示的内容的动态范围和/或对比度，然后用相机重新拍摄图像。
在示例中，处理单元被配置为实施神经网络算法以确定显示参数。
因此，能够采集一系列不同对比度和动态范围的图像并且将其用于训练神经网络，其中，提供关于训练图像的对比度/动态范围的真实情况信息。然后，当操作者采集正在医学图像单元的显示器上呈现的图像时，基于图像本身的内容，能够确定是否能够通过调节医学图像显示单元的输出设置来改善图像。
根据示例，所述处理单元被配置为利用所述多个图像和成像参数来计算针对所述局部处理的图像数据的至少一个确定性指标或置信度。
根据示例，处理单元被配置为利用多个图像和成像参数来计算针对局部处理的图像数据的多个位置的多个确定性指标或置信度。
因此，能够提供关于疾病分类的置信度，这使得操作者能够更好解读和理解图像分析。本领域技术人员还将理解，“确定性指标”也能够被解释为“不确定性指标”，因为诊断正确的确定性指标隐含地提供了与诊断是否正确有关的不确定性指标。
根据示例，所述处理单元被配置为生成被叠加到所述局部处理的图像数据上的确定性指标或置信度热图。
根据示例，实施所述机器学习算法包括利用所述多个图像和成像参数。
在示例中，实施机器学习算法包括从多个机器学习算法中选择机器学习算法，该选择包括利用多个图像和成像参数。
根据示例，所述处理单元被配置为调整所述机器学习算法，其中，所述调整包括利用所述多个图像和成像参数。
根据示例，所述处理单元被配置为利用所述多个图像和成像参数来确定所述相机与所述系统图像显示器之间的新的距离以用于采集所述新的局部图像。所述输出单元被配置为输出与所述新的距离有关的信息。
根据示例，所述处理单元被配置为利用所述多个图像和成像参数来确定所述相机的观察轴与垂直于所述系统图像显示器的轴之间的新的角度以用于采集所述新的局部图像。所述输出单元被配置为输出与所述新的角度有关的信息。
根据示例，所述处理单元被配置为利用所述多个图像和成像参数来确定针对所述系统图像显示器的至少一个新的显示设置以用于采集所述新的局部图像。所述输出单元被配置为输出与所述新的显示设置有关的信息。
根据示例，所述处理单元被配置为利用所述多个图像和成像参数来确定所述系统图像显示器所在的房间中的光照条件的变化。所述输出单元被配置为输出与光照条件的所述变化有关的信息。
根据示例，所述多个图像和成像参数包括以下各项中的两项或更多项：确定的所述相机与所述系统图像显示器之间的距离；确定的所述相机的观察轴与垂直于所述系统图像显示器的轴之间的角度；确定的在所述局部图像中的一个或多个位置处的信噪比；确定的在所述系统图像显示器所在的房间中的一个或多个光照条件；确定的针对所述系统图像显示器的显示设置。
在示例中，机器学习算法是经训练的神经网络。
在示例中，神经网络是使用患者的多幅医学图像和由医学专家做出的与状况、疾病的诊断有关的相关联的真实情况信息来训练的。
在示例中，神经网络是使用与用于训练的图像相关联的图像和成像参数来训练的。因此，神经网络能够基于由相机采集的被呈现在屏幕上的医学图像的图像以及图像和成像参数来训练。然后，当分析新的图像时，神经网络能够更有效地工作。然后，生成针对新的图像的局部处理的数据能够利用患者的医学图像数据的局部图像数据以及与局部图像的采集相关联的多个图像和成像参数。
而且，本领域技术人员将理解，能够形成或提供整体系统，其中，该整体系统包括如上关于图1所述的装置，并且还包括医学成像系统。
图2示出了用于医学图像分析的方法100，其中，步骤e)是任选的。所述方法包括：
在放置步骤110(也被称为步骤a))中，将装置的相机放置在医学成像系统的系统图像显示器附近；
在采集步骤120(也被称为步骤b)中，由所述相机采集在所述系统图像显示器上显示的系统图像的局部图像，其中，所述系统图像包括患者的医学图像数据，并且其中，所述局部图像包括所述患者的所述医学图像数据的局部图像数据；
在确定步骤130(也被称为步骤c)中，由所述装置的处理单元确定多个图像和成像参数，所述确定包括利用所述局部图像；
在确定步骤140(也被称为步骤d)中，由所述处理单元确定过程决策，所述确定包括利用所述多个图像和成像参数，并且其中，所述过程决策要进行以下操作：
要么
确定所述医学图像数据的所述局部图像数据是否适合用于进一步处理；
要么
确定是否要：采集新的局部图像，并且针对所述新的局部图像确定新的多个图像和成像参数，并且利用所述新的多个图像和成像参数来确定新的过程决策；
并且
在输出步骤160(也被称为步骤f)中，由所述装置的输出单元输出图像数据。
根据示例，如果所述医学图像数据的所述局部图像数据被确定为适合用于进一步处理，则所述方法包括：
在生成步骤150(也被称为步骤e)中，通过由所述处理单元实施机器学习算法以生成局部处理的图像数据，从而生成所述局部处理的图像数据，其中，所述生成包括利用所述患者的所述医学图像数据的所述局部图像数据；并且
其中，步骤f)包括由所述输出单元输出所述局部处理的图像数据。
在示例中，所述装置是智能手机。
在示例中，所述方法包括：通过网络将机器学习算法的更新下载到装置，并且基于该更新来更新机器学习算法。
在示例中，所述方法包括：通过网络将新的机器学习算法下载到装置，并且用新的机器学习算法替换旧的机器学习算法，并且由装置使用的机器学习算法成为新的机器学习算法。
在示例中，输出单元包括装置的显示屏。
在示例中，生成局部处理的图像数据包括利用多个图像和成像参数来计算误差信息。
在示例中，所述方法包括由处理单元利用多个图像和成像参数来计算针对局部处理的图像数据的至少一个置信度或确定性指标。
在示例中，所述方法包括由处理单元利用多个图像和成像参数来计算针对局部处理的图像数据的多个位置的多个置信度或确定性指标。
在示例中，所述方法包括由处理单元生成被叠加到局部处理的图像数据上的置信度或确定性指标热图。
在示例中，实施机器学习算法包括利用多个图像和成像参数。
在示例中，实施机器学习算法包括从多个机器学习算法中选择机器学习算法，该选择包括利用多个图像和成像参数。
在示例中，所述方法包括由处理单元调整机器学习算法，其中，该调整包括利用多个图像和成像参数。
在示例中，所述方法包括：由处理单元利用多个图像和成像参数来确定相机与系统图像显示器之间的新的距离以用于采集新的局部图像，并且由输出单元输出与新的距离有关的信息。
在示例中，所述方法包括：由处理单元利用多个图像和成像参数来确定相机的观察轴与垂直于系统图像显示器的轴之间的新的角度以用于采集新的局部图像，并且由输出单元输出与新的角度有关的信息。
在示例中，所述方法包括：由处理单元利用多个图像和成像参数来确定针对系统图像显示器的至少一个新的显示设置以用于采集新的局部图像，并且由输出单元输出与新的显示设置有关的信息。
在示例中，所述方法包括：由处理单元利用多个图像和成像参数来确定系统图像显示器所在的房间中的光照条件的变化，并且由输出单元输出与光照条件的变化有关的信息。
在示例中，所述多个图像和成像参数包括以下各项中的两项或更多项：确定的所述相机与所述系统图像显示器之间的距离；确定的所述相机的观察轴与垂直于所述系统图像显示器的轴之间的角度；确定的在所述局部图像中的一个或多个位置处的信噪比；确定的在所述系统图像显示器所在的房间中的一个或多个光照条件；确定的针对所述系统图像显示器的显示设置。
在示例中，机器学习算法是经训练的神经网络。
因此，医学成像单元/系统以正常方式操作并且获得医学图像(也被称为系统图像)，该系统图像被显示在医学成像单元/系统的显示器上。然而，与医学成像单元/系统一起提供的图像分析软件可能会过时，并且不能表现出最新软件可用的功能。为了减轻这种情况，智能手机采集在单元/系统显示器上显示的图像，并且通过最新的AI算法分析该图像以执行金标准诊断。然而，在AI对图像进行操作之前，确定智能手机采集的图像是否适合用于这样的AI处理，如果不适合，则就如何获得在单元/系统显示器上显示的更好的合适的图像向用户给出反馈。这是通过不断改进的智能手机硬件(即，相机分辨率、计算能力)和日益可用的高速互联网连接来促进实现的，从而使人们有可能在日常生活中使用(总是最新的)AI应用程序。然而，需要注意，智能手机能够只采集图像并将其传输到另一位置(例如，云)，在另一位置处进行处理。因此，这里的“装置”能够是相机、处理单元和输出单元的单个单元，或者由能够位于完全分离的位置的分离单元形成。然而，为了简单起见，下面的讨论集中在智能手机形式的装置上，但是如上所述，讨论不限于该特定实施例，该特定实施例仅形成该装置的一种形式的示例。
因此，使用智能手机提供了将AI技术引入临床环境(特别是在发展中国家)的感兴趣替代方案，其中，测得的智能手机相机图像的观察参数和关于单元/系统显示器导出的信息能够被集成到基于AI的图像分类中。
需要注意，相机能够采集在单元/系统显示器上呈现的图像，并且能够通过网络将该图像传输到处理器，该处理器确定是要使用该图像进行进一步处理还是需要采集新的图像，并且还执行进一步处理。例如，处理器能够位于云中。
详细解释了用于医学图像分析的装置和用于医学图像分析的方法，其中，描述了智能手机，但是如上所述，这仅仅是示例性的，并且其中参考图3。
图3示出了智能手机采集在医学图像采集单元或系统的显示器或监视器上显示的图像的局部图像的示例，在这种情况下，医学图像采集单元或系统是X射线单元，但是也能够是MRI单元或PET单元或任何其他医学成像单元。智能手机然后处理该图像以给出反馈，如果必要的话，还给出关于如何拍摄新的更好的图像的反馈，这方面能够是重新定位智能手机、改变监视器上的设置和/或改变房间中的光照条件。然后，将新采集的图像或原始图像(如果它已经适合用于进一步处理的话)提供给在智能手机上运行的经训练的神经网络，其中，该神经网络能够通过下载的更新而被频繁地更新。神经网络还能够利用锁采集的采集参数来更有效地操作，并且实际上能够基于采集参数从智能手机上存储的几个神经网络中选择特定的神经网络。
继续参考图3，现在讨论详细的工作流程：
如图3所示，将智能手机相对于医学单元显示器/监视器定位，并且已经采集了所显示的系统图像的局部图像。关于将用于疾病检测的智能手机图像采集，检测许多不同的图像采集参数。这些图像采集参数包括但不限于：
智能手机的距离和采集角度——智能手机相对于医学图像显示器的强烈倾斜会导致图像失真，而大距离则会导致信息丢失。
这能够例如经由显示器框架、显示器上的文本等来测量。
整体图像质量。这能够从显示器和智能手机相机的质量来确定。
这能够通过整体图像质量参数(如清晰度、噪声、信噪比(SNR)、对比度噪声比(CNR)等)来测量。
所显示的图像的级别和窗口。
这能够经由图像中的典型灰度值分布来估计，或者从显示器上的文本中导出。这能够通过图像处理软件从例如在单元/系统显示器上显示的监视器设置中获得该信息来确定。
房间光照和显示器上的反射斑点。
这能够从图像的整体明亮度或图像中的明亮斑点来确定。
应当注意，就动态范围/对比度的指示而言，整体图像质量和单元/系统显示的设置能够由经训练的神经网络来确定。因此，具有监视器设置(例如，灰度设置和/或对比度级别)的真实情况信息的许多图像能够用于训练NN。当采集单元/系统的图像时，能够确定单元/系统的显示器的显示模态。如果确定所采集的图像与进一步处理不相称，则一种形式的反馈能够是：如果合适的话，操作者增大例如单元/系统显示器的动态范围/对比度设置。
然后，所确定的参数用于三种不同的目的：
向智能手机的用户给出以下方面的建议：是否以及如何优化用智能手机进行的图像采集，以及如何使图像质量的损失最小化(例如通过在接口中示出定位指令/当前图像质量水平)。
当在智能手机上显示用于疾病检测的神经网络的结果时，能够用对应的准确度值/不确定性来修改所获得的结果。在发生区域或局部图像质量退化的情况下，能够将神经网络的热图与图像质量图相关联，并且要么在每种疾病的基础上将两者可视化，要么计算疾病确定性数值。
最后，能够应用经调整的图像质量的神经网络，其能够考虑所测量的图像采集设置/质量参数，或者能够将该参数集成到网络的训练和推断中。
因此，能够预期的是，使用智能手机来采集用于诸如胸部X射线分析之类的应用的医学图像显示的影像可能是有问题的，这是因为图像质量的损失，这被预期为这种场景中的固有限制，再加上诊断X射线图像在监视器上的显示或者医学图像单元本身的显示不是最优的而导致信息的损失(例如由于对特定窗位设置、尺寸调整、对比度、明亮度等的选择)。而且，可能预期的是，诸如光照、智能手机的定位以及相机的特性之类的环境条件也可能会影响将经由基于AI的分析的图像，从而导致图像质量和AI性能的预期的显著恶化。然而，本系统和方法通过在将神经网络应用于疾病检测之前检测智能手机相机的采集条件来解决这个问题。估计相机图像的预期图像质量，并且向用户给出关于改变采集设置和重新拍摄图像的建议，并且在进行AI分析的情况下，例如根据不同图像位置处的图像质量来呈现与检测到的疾病有关的误差条，并且采集条件也能够被集成到AI神经网络分析中以提供更优化的AI分析。
在另一示例性实施例中，提供了计算机程序或计算机程序单元，其特征在于，其被配置为在适当的系统上运行根据前述实施例之一的方法的方法步骤。
因此，计算机程序单元可能被存储在计算机单元中，该计算机程序单元也可能是实施例的部分。该计算单元可以被配置为执行或引起对上述方法的步骤的执行。此外，该计算单元可以被配置为操作上述装置和/或系统的部件。该计算单元能够被配置为自动操作和/或运行用户的命令。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，可以装备数据处理器来执行前述实施例之一的方法。
本发明的该示例性实施例覆盖从一开始就使用本发明的计算机程序，以及借助于将现有程序更新转换为使用本发明的程序的计算机程序这两者。
另外，计算机程序单元可能能够提供所有必要步骤以完成如上所述的方法的示例性实施例的流程。
根据本发明的另外的示例性实施例，提出了一种计算机可读介质，例如，CD-ROM、USB棒等，其中，该计算机可读介质具有被存储于所述计算机可读介质上的计算机程序单元，所述计算机程序单元由前面的章节所描述。
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部分而供应的光学存储介质或固态介质，但是也可以以其他形式分布，例如，经由互联网或其他有线或无线的电信系统进行分布。
然而，计算机程序也可以存在于网络(如万维网)上，并且能够从这样的网络被下载到数据处理器的工作存储器中。根据本发明的另外的示例性实施例，提供了用于使计算机程序单元可用于下载的介质，所述计算机程序单元被布置为执行根据本发明的前述实施例之一的方法。
必须注意，本发明的实施例是参考不同主题来描述的。尤其地，一些实施例是参考方法型权利要求来描述的，而其他实施例是参考装置型权利要求来描述的。然而，除非另有说明，否则本领域技术人员将从以上和以下的描述中推断出，除了属于一种类型的主题的特征的任意组合以外，涉及不同主题的特征之间的任意组合也被认为在本申请中得到公开。然而，所有的特征都能够被组合来提供多于特征的简单加合的协同效应。
虽然已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示例性的，而非限制性的。本发明不限于所公开的实施例。本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对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，并且词语“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。虽然某些措施被记载在互不相同的从属权利要求中，但是这并不指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都不应被解释为对范围的限制。

Claims (13)

1.一种用于医学图像分析的装置(10)，包括：
相机(20)；
处理单元(30)；以及
输出单元(40)；
其中，所述相机被配置为被放置在医学成像系统的系统图像显示器附近；
其中，所述相机被配置为采集在所述系统图像显示器上显示的系统图像的局部图像，其中，所述系统图像包括患者的医学图像数据，并且其中，所述局部图像包括所述患者的所述医学图像数据的局部图像数据；
其中，所述处理单元被配置为确定多个图像和成像参数，所述确定包括利用所述局部图像，并且其中，所述多个图像和成像参数包括确定的所述相机与所述系统图像显示器之间的距离和/或确定的所述相机的观察轴与垂直于所述系统图像显示器的轴之间的角度；
其中，所述处理单元被配置为利用所述多个图像和成像参数来确定要进行以下操作的过程决策：
要么
确定所述医学图像数据的所述局部图像数据是否适合用于进一步处理；
要么
确定是否要：采集新的局部图像，并且针对所述新的局部图像确定新的多个图像和成像参数，并且利用所述新的多个图像和成像参数来确定新的过程决策，其中，所述处理单元被配置为利用所述多个图像和成像参数来确定所述相机与所述系统图像显示器之间的新的距离以用于采集所述新的局部图像，并且/或者，其中，所述处理单元被配置为利用所述多个图像和成像参数来确定所述相机的观察轴与垂直于所述系统图像显示器的轴之间的新的角度以用于采集所述新的局部图像；
并且
其中，所述输出单元被配置为输出图像数据，其中，所述输出单元被配置为输出与所述新的距离有关的信息，并且/或者，其中，所述输出单元被配置为输出与所述新的角度有关的信息。
2.根据权利要求1所述的装置，其中，如果所述医学图像数据的所述局部图像数据被确定为适合用于进一步处理，则所述处理单元被配置为实施机器学习算法以生成局部处理的图像数据，其中，所述生成包括利用所述患者的所述医学图像数据的所述局部图像数据；并且
其中，所述输出单元被配置为输出所述局部处理的图像数据。
3.根据权利要求2所述的装置，其中，生成所述局部处理的图像数据包括利用所述多个图像和成像参数来计算误差信息。
4.根据权利要求3所述的装置，其中，所述处理单元被配置为利用所述多个图像和成像参数来计算针对所述局部处理的图像数据的至少一个确定性指标或置信度。
5.根据权利要求3-4中的任一项所述的装置，其中，所述处理单元被配置为生成被叠加到所述局部处理的图像数据上的确定性指标或置信度热图。
6.根据权利要求2-5中的任一项所述的装置，其中，实施所述机器学习算法包括利用所述多个图像和成像参数。
7.根据权利要求6所述的装置，其中，所述处理单元被配置为调整所述机器学习算法，其中，所述调整包括利用所述多个图像和成像参数。
8.根据权利要求1-7中的任一项所述的装置，其中，所述处理单元被配置为利用所述多个图像和成像参数来确定针对所述系统图像显示器的至少一个新的显示设置以用于采集所述新的局部图像，并且其中，所述输出单元被配置为输出与所述新的显示设置有关的信息。
9.根据权利要求1-8中的任一项所述的装置，其中，所述处理单元被配置为利用所述多个图像和成像参数来确定所述系统图像显示器所在的房间中的光照条件的变化，并且其中，所述输出单元被配置为输出与光照条件的所述变化有关的信息。
10.根据权利要求1-9中的任一项所述的装置，其中，所述多个图像和成像参数包括以下各项中的两项或更多项：确定的在所述局部图像中的一个或多个位置处的信噪比；确定的在所述系统图像显示器所在的房间中的一个或多个光照条件；确定的针对所述系统图像显示器的显示设置。
11.一种用于医学图像分析的方法(100)，包括：
a)将装置的相机放置(110)在医学成像系统的系统图像显示器附近；
b)由所述相机采集(120)在所述系统图像显示器上显示的系统图像的局部图像，其中，所述系统图像包括患者的医学图像数据，并且其中，所述局部图像包括所述患者的所述医学图像数据的局部图像数据；
c)由所述装置的处理单元确定(130)多个图像和成像参数，所述确定包括利用所述局部图像，并且其中，所述多个图像和成像参数包括确定的所述相机与所述系统图像显示器之间的距离和/或确定的所述相机的观察轴与垂直于所述系统图像显示器的轴之间的角度；
d)由所述处理单元确定(140)过程决策，所述确定包括利用所述多个图像和成像参数，并且其中，所述过程决策要进行以下操作：
要么
确定所述医学图像数据的所述局部图像数据是否适合用于进一步处理；
要么
确定是否要：采集新的局部图像，并且针对所述新的局部图像确定新的多个图像和成像参数，并且利用所述新的多个图像和成像参数来确定新的过程决策，并且由所述处理单元利用所述多个图像和成像参数来确定所述相机与所述系统图像显示器之间的新的距离以用于采集所述新的局部图像，并且/或者，由所述处理单元利用所述多个图像和成像参数来确定所述相机的观察轴与垂直于所述系统图像显示器的轴之间的新的角度以用于采集所述新的局部图像；
并且
f)由所述装置的输出单元输出(160)图像数据，由所述输出单元输出与所述新的距离有关的信息并且/或者由所述输出单元输出与所述新的角度有关的信息。
12.根据权利要求11所述的方法，其中，如果所述医学图像数据的所述局部图像数据被确定为适合用于进一步处理，则所述方法包括：
e)通过由所述处理单元实施机器学习算法以生成(150)局部处理的图像数据，从而生成所述局部处理的图像数据，其中，所述生成包括利用所述患者的所述医学图像数据的所述局部图像数据；并且
其中，步骤f)包括由所述输出单元输出(160)所述局部处理的图像数据。
13.一种用于控制根据权利要求1至11中的任一项所述的系统的计算机程序单元，所述计算机程序单元在由处理器运行时被配置为执行根据权利要求12所述的方法。
CN202280039606.9A 2021-06-01 2022-05-12 用于医学图像分析的装置 Pending CN117425432A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP21177112.6A EP4098199A1 (en) 2021-06-01 2021-06-01 Apparatus for medical image analysis
EP21177112.6 2021-06-01
PCT/EP2022/062906 WO2022253544A1 (en) 2021-06-01 2022-05-12 Apparatus for medical image analysis

Publications (1)

Publication Number Publication Date
CN117425432A true CN117425432A (zh) 2024-01-19

Family

ID=76250067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280039606.9A Pending CN117425432A (zh) 2021-06-01 2022-05-12 用于医学图像分析的装置

Country Status (4)

Country Link
EP (2) EP4098199A1 (zh)
JP (1) JP2024521850A (zh)
CN (1) CN117425432A (zh)
WO (1) WO2022253544A1 (zh)

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8235905B2 (en) * 2009-05-26 2012-08-07 General Electric Company System and method for automatic ultrasound image optimization
US8923580B2 (en) * 2011-11-23 2014-12-30 General Electric Company Smart PACS workflow systems and methods driven by explicit learning from users
DE102014207124A1 (de) * 2014-04-14 2015-10-15 Siemens Aktiengesellschaft Medizinische Bildgebungsvorrichtung
US9788756B2 (en) * 2015-04-20 2017-10-17 Medtronic, Inc. Systems, devices, methods, and computer-readable storage facilitating locating an implantable medical device within a body
US9846938B2 (en) * 2015-06-01 2017-12-19 Virtual Radiologic Corporation Medical evaluation machine learning workflows and processes
US10529088B2 (en) * 2016-12-02 2020-01-07 Gabriel Fine Automatically determining orientation and position of medically invasive devices via image processing
US10949968B2 (en) * 2018-05-07 2021-03-16 Zebra Medical Vision Ltd. Systems and methods for detecting an indication of a visual finding type in an anatomical image
EP3611733A1 (en) * 2018-08-15 2020-02-19 Siemens Healthcare GmbH Searching a medical reference image
EP3651163A1 (en) * 2018-11-06 2020-05-13 Koninklijke Philips N.V. Medical image device and operating method
EP3644273A1 (en) * 2018-10-24 2020-04-29 Koninklijke Philips N.V. System for determining image quality parameters for medical images
US10943681B2 (en) * 2018-11-21 2021-03-09 Enlitic, Inc. Global multi-label generating system
US11227384B2 (en) * 2019-02-11 2022-01-18 International Business Machines Corporation Methods and systems for determining a diagnostically unacceptable medical image
EP3956906A4 (en) * 2019-04-16 2023-01-18 International Medical Solutions, Inc. METHODS AND SYSTEMS FOR SYNCHRONIZING MEDICAL IMAGES ON ONE OR MORE NETWORKS AND DEVICES
EP3758015A1 (en) * 2019-06-27 2020-12-30 Koninklijke Philips N.V. Device at the point of imaging for instant advice on choices to streamline imaging workflow

Also Published As

Publication number Publication date
EP4098199A1 (en) 2022-12-07
WO2022253544A1 (en) 2022-12-08
JP2024521850A (ja) 2024-06-04
EP4346605A1 (en) 2024-04-10

Similar Documents

Publication Publication Date Title
US7912268B2 (en) Image processing device and method
CN103871046B (zh) 设定装置及其控制方法、图像处理装置及其控制方法
JP5722414B1 (ja) 骨粗鬆症診断支援装置
US11900594B2 (en) Methods and systems for displaying a region of interest of a medical image
US20100095340A1 (en) Medical Image Data Processing and Image Viewing System
KR20190103816A (ko) 컴퓨터 단층 촬영 영상을 보정하는 방법 및 장치
CN111127430A (zh) 确定医学影像显示参数的方法及装置
EP3346297B1 (en) Image analysis approach for assessing image data
JPWO2007000940A1 (ja) 異常陰影候補検出方法、異常陰影候補検出装置
US11315284B2 (en) Image display apparatus and radiation imaging system
JP2018130336A (ja) 放射線撮影装置、放射線撮影システム、放射線撮影方法、及びプログラム
JP2007159934A (ja) 比較読影支援装置
JP2007325641A (ja) 医用画像表示装置
CN117425432A (zh) 用于医学图像分析的装置
KR101056122B1 (ko) 가상 마커 방식을 접목한 생체 데이터 산출 시스템 및 자동 처리 방법
KR102322995B1 (ko) 다이나믹 윈도우 기반 인공지능 노듈 세그먼테이션 방법 및 그 장치
JP2006026396A (ja) 画像処理装置及び方法、制御プログラム並びに記憶媒体
JP2013215221A (ja) 画像処理装置、画像処理方法及びプログラム
JP2014236842A (ja) Ｘ線画像診断装置、画像処理方法及び画像処理装置
US11461900B2 (en) Dynamic image analysis system and dynamic image processing apparatus
US20220022838A1 (en) Evaluation apparatus, evaluation method, and evaluation system
EP4099337A1 (en) Medical imaging method with guidance
CN108685588B (zh) X射线ct装置、图像处理装置以及图像处理方法
US20180049648A1 (en) Workstation, medical imaging apparatus, and controlling method thereof
CN117911260A (zh) 近红外图像融合方法、装置、设备及介质

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