CN117637122A - 用于标识和提供医学图像中的候选医学发现的方法和系统 - Google Patents
用于标识和提供医学图像中的候选医学发现的方法和系统 Download PDFInfo
- Publication number
- CN117637122A CN117637122A CN202311054871.7A CN202311054871A CN117637122A CN 117637122 A CN117637122 A CN 117637122A CN 202311054871 A CN202311054871 A CN 202311054871A CN 117637122 A CN117637122 A CN 117637122A
- Authority
- CN
- China
- Prior art keywords
- medical
- candidate
- findings
- cmf
- image
- 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 151
- 238000001514 detection method Methods 0.000 claims abstract description 125
- 230000035945 sensitivity Effects 0.000 claims description 91
- 238000004422 calculation algorithm Methods 0.000 claims description 54
- 230000008569 process Effects 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 8
- 101100490849 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) alg-2 gene Proteins 0.000 claims 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000011968 cross flow microfiltration Methods 0.000 description 51
- 238000012545 processing Methods 0.000 description 38
- 238000002059 diagnostic imaging Methods 0.000 description 11
- 230000003993 interaction Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 210000000056 organ Anatomy 0.000 description 8
- 238000009877 rendering Methods 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 210000003484 anatomy Anatomy 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000002583 angiography Methods 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 210000001165 lymph node Anatomy 0.000 description 2
- 238000009607 mammography Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000011896 sensitive detection Methods 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 206010060999 Benign neoplasm Diseases 0.000 description 1
- 208000004434 Calcinosis Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 206010000269 abscess Diseases 0.000 description 1
- 230000009102 absorption Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/945—User interactive design; Environments; Toolboxes
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30061—Lung
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及用于标识和提供医学图像中的候选医学发现的方法和系统。提供了用于基于对医学图像(IM)的分析提供候选医学发现的计算机实现的方法和相应的系统。所述方法和系统基于以下步骤:获得(S10)描绘患者的身体部位的医学图像;通过使医学图像经受第一医学发现检测过程(D‑PROC1)来生成(S20)第一组候选医学发现(CMF1);通过使医学图像经受不同于第一医学发现检测过程的第二医学发现检测过程(D‑PROC2)来生成(S30)第二组候选医学发现(CMF2);获得(S40)医学图像中的感兴趣区域(ROI);在感兴趣区域中标识(S50)包括在第二组候选医学发现中并且不包括在第一组候选医学发现中的至少一个候选医学发现(ADD‑CMF);以及提供(S60)至少一个候选医学发现。
Description
技术领域
本发明涉及用于标识包括在医学图像中的医学发现的方法和系统。此外,本发明涉及用于提供这种标识的医学发现的方法和系统。
背景技术
医学成像(例如采用计算机断层扫描或磁共振系统)的发展允许再现患者的解剖结构中微小的变化。由于这些系统的增强的性能,越来越关注其中后续治疗的成功机会增加的疾病的早期检测。然而,对于放射科医生来说,这种增加的关注也有负面方面。视觉上分析放射学图像的过程通常具有挑战性。例如,器官的密度和组织类型差异很大,进而呈现出各种各样的视觉特征。另外,背景视觉模式可能会模糊恶性肿瘤的早期迹象,那么人眼可能容易将其忽略掉。因此,由于错误、人为误差和/或太细微而人眼无法检测的细节,对异常或模式的空间分布的手动分类不可避免地导致误差。因此,对医学图像的分析可能导致假阴性,这可能导致错过治疗。同样,评估可能会提示假阳性,这可能会导致不想要的心理和次优的下游诊断和治疗后果。此外,医学图像中的异常和/或特征的可靠检测通常需要经验丰富的医生进一步增加他们的工作量。此外,在评估图像数据中的人为因素增加了通常不想要的主观度。
为了解决这样的问题,正在开发计算机辅助检测(CADe)和计算机辅助诊断(CADx)系统。以下,这两种类型的系统将被称为CAD系统。CAD系统是帮助放射科医生解释医学图像的技术。CAD系统的常见用途是自动标识医学图像中的可疑区域。这种可疑区域可以包含指示异常的图像模式,这些异常可以包括生物组织内的癌性生长、包块、脓肿、撕裂、钙化、病变和/或其他不规则性,并且这些异常如果未被检测到会导致严重的医疗问题。
基本上,理想的CAD系统应当能够安全地标识所有实际的异常,而不会生成任何假阳性。这听起来可能简单,但实际上很难实现,因为这意味着满足两个冲突的要求。一方面,CAD系统必须高度灵敏,使得没有潜在相关对象仍然未被检测到。另一方面,高度灵敏的检测不可避免地增加了生成假阳性的可能性。换言之,这种(过度)灵敏的检测失去了其特异性。
作为一种折中,最先进的是设置具有工作点的CAD系统,该工作点平衡检测的灵敏度和特异性以从统计学的角度在大多数情况下创建最有用的输出(平衡假阳性和假阴性的可能性)。现在,虽然例如从统计学的角度来看平衡的工作点是良好的解决方案,但它仍然是一种权衡决策。因此,CAD系统错过检测真正阳性病变的统计概率仍然存在。因此,用户可能觉得需要手动添加病变——这不仅繁琐,而且可能降低用户对CAD系统的信任。
发明内容
本发明的目的是解决这种冲突,并且提供能够安全地标识和提供医学图像中的医学发现(即,病理相关的对象)的方法和相应的系统。特别地,本发明的目的是提供一种用于提供医学发现并且支持用户/医生/放射科医生/病理学家从医学图像得出医学诊断的改进的计算机实现的方法。
在下文中,关于要求保护的系统以及关于要求保护的方法描述了根据本发明的技术解决方案。本文中描述的特征、优点或替选实施方式同样可以被分配给其他要求保护的对象,以及相反,其他要求保护的对象可以被分配给本文中描述的特征、优点或替选实施方式。换言之,涉及本发明方法的权利要求可以通过关于系统描述或要求保护的特征来改进。在这种情况下,例如,所述方法的功能特征由系统的目标单元或目标要素来体现。
根据一方面,提供了一种用于提供包括在医学图像中的候选医学发现的计算机实现的方法。该方法包括多个步骤。第一步骤旨在获得描绘患者的身体部位的医学图像。另一步骤旨在通过使医学图像经受第一医学发现检测过程来生成第一组候选医学发现。另一步骤旨在通过使医学图像经受不同于第一医学发现检测过程的第二医学发现检测过程来生成第二组候选医学发现。另一步骤旨在获得医学图像中的感兴趣区域。另一步骤旨在针对感兴趣区域(或在感兴趣区域中或在感兴趣区域内)标识包括在第二组候选医学发现中并且不包括在第一组候选医学发现中的至少一个候选医学发现。另一步骤旨在提供至少一个候选医学发现。
特别地,医学图像可以是二维图像。特别地,医学图像可以是三维图像。特别地,医学图像可以是四维图像,其中存在三个类似空间的维度和一个类似时间的维度。此外,医学图像可以与包括多个医学图像的医学图像数据集相关。
医学图像可以在其包含患者的身体部位的二维或三维图像数据的意义上描绘患者的身体部位。医学图像可以表示图像体积或穿过图像体积的截面。患者的身体部位可以被包括在图像体积中。
医学图像包括例如以像素或体素的二维或三维阵列形式的图像数据。这样的像素或体素的阵列可以表示作为三维位置的函数的强度、吸收或其他参数,并且可以例如通过对由医学成像模态获得的测量信号的适当处理来获得。
医学成像模态对应于用于生成或产生医学图像数据的系统。例如,医学成像模态可以是计算机断层扫描系统(CT系统)、磁共振系统(MR系统)、血管造影(或C型臂X射线)系统、正电子发射断层扫描系统(PET系统)等。具体地,计算机断层扫描是一种广泛使用的成像方法,并且利用由空间旋转仪器产生和检测的“硬”X射线。所得到的衰减数据(也被称为原始数据)由计算机分析软件处理,该计算机分析软件产生患者身体部位的内部结构的详细图像。所产生的图像集被称为CT扫描,所述CT扫描可以构成多个系列的连续图像,以在垂直于人体轴线的截面中呈现内部解剖结构。要提供的另一示例磁共振成像(MRI)是一种先进的医学成像技术,该医学成像技术利用有效磁场对质子移动的影响。在MRI机器中,探测器是天线,并且由计算机对信号进行分析,从而创建人体的任何部段中的内部结构的详细图像。
因此,所描绘的患者的身体部位通常将包括多个解剖体和/或器官。以胸部图像作为示例,医学图像可以示出肺部组织、胸腔、淋巴结等。
医学图像数据集可以包括多个图像或图像切片。切片分别示出了图像体积的截面视图。切片可以包括像素或体素的二维阵列作为图像数据。医学图像数据集中的切片的布置可以由成像模态或由使用的任何后处理方案来确定。此外,可以在由医学图像数据集跨越的成像体积中人为地限定切片。可选地,这可以作为包括在医学图像数据集中的图像数据的函数而发生,以便针对随后的诊断工作流程最佳地预处理医学图像数据集。
医学图像可以以诸如医学数字成像和通信(DICOM)格式的标准图像格式被存储,并且被存储在存储器或诸如图片存档和通信系统(PACS)、放射信息系统(RIS)等的计算机存储系统中。无论何时在本文中提及DICOM,应当理解,DICOM指的是例如根据DICOM PS3.12020c标准(或者所述标准的任何更晚或更早的版本)的“医学数字成像和通信”(DICOM)标准。
“获得”可以意味着从医学成像模态直接获得医学图像数据集。此外,“获得”可以意味着从诸如图片存档和通信系统(PACS)或任何其他合适的医学图像存储设施的适当存储器检索医学图像数据集。
第一组候选医学发现和第二组候选医学发现可以分别包括一个或更多个单独的候选医学发现。每个候选医学发现可以属于医学图像中的对应图像数据。候选医学发现可以指示患者的具有某种可能性的某种状况或病理。状况或病理可能与患者的诊断相关。
候选医学发现可以与将患者与其他患者区分开的解剖结构有关。候选医学发现可以位于患者的不同器官内(例如,在患者的肺内,或者在患者的肝脏内)或者在患者的器官之间。特别地,候选医学发现也可能与异物有关。
特别地,候选医学发现可能与赘生物(也称为“肿瘤”)特别是良性赘生物、原位赘生物、恶性赘生物和/或不确定/未知行为的赘生物相关。特别地,候选医学发现可能与结节特别是肺结节相关。特别地,候选医学发现可能与病变特别是肺部病变相关。
候选医学发现通常可以指示用于由用户或诸如用于标识候选医学发现内的“真实”医学发现的分类过程的随后计算机实现的过程进一步审查的潜在发现。这样,候选医学发现还可能包括证明是与真实医学发现无关的“假阳性”。
第一检测过程可以包括将医学图像输入到第一自动检测算法中,该第一自动检测算法被配置成检测医学图像中的候选医学发现。同样,第二检测过程可以包括将医学图像输入到第二自动检测算法中,该第二自动检测算法被配置成检测医学图像中的候选医学发现。第二检测算法可以不同于第一检测算法。根据其他示例,第二检测过程可以包括将医学图像输入到第一检测算法中,例如通过使用不同的参数与在第一检测过程中不同地调整第一检测算法。
使用不同的检测过程通常可以意味着第一组候选医学发现不同于第二组医学发现。
特别地,与第一组候选医学发现相比,第二组候选医学发现可以包括不同的和/或附加的候选医学发现。换言之,第二组候选医学发现可以包括不包括在第一组候选医学发现中的至少一个候选医学发现。此外,第二组候选医学发现可以包括也包括在第一组候选医学发现中的一个或更多个候选医学发现。根据一些示例,与第一组候选医学发现相比,第二组候选医学发现可以包括更多的候选医学发现。根据其他示例,与第一组候选医学发现相比,第二组候选医学发现可以包括更少的候选医学发现。根据一些示例,第一组候选医学发现可以是第二组候选医学发现的子集。
感兴趣区域将被理解为医学图像内的一组图像元素,如像素或体素。感兴趣区域包括医学图像的至少一个但优选地许多图像元素。感兴趣区域可以表示医学图像内的区域,该区域例如对于用户分析医学图像而言是特别感兴趣的。感兴趣区域通常可以与医学图像的一部分或多个不同部分有关。感兴趣区域可以具有任意形状,优选地感兴趣区域是圆形或方形形式。此外,感兴趣区域可以包括多个单独的子区域。
根据一些示例,感兴趣区域不包括第一组候选医学发现中的任何候选医学发现。根据一些示例,感兴趣区域不包括第一组候选医学发现中的任何候选医学发现,而是包括第二组候选医学发现中的至少一个候选医学发现。
感兴趣区域可以由用户限定,或通过计算机实现的方法半自动或自动地限定。
因此,获得感兴趣区域可以基于处理一个或更多个用户输入以指定医学图像中的感兴趣区域。例如,这样的用户输入可以包括在医学图像中进行点击并且基于此限定感兴趣区域。
此外,获得感兴趣区域可以包括例如基于与医学图像相关联的补充数据来自动检测感兴趣区域。例如,这样的补充数据可以包括关于医学图像内特别相关的区域的信息。例如,这些区域的相关性可能是由于它们已经在患者的早期检查中发挥了作用的事实,这些区域的相关性又可以被编码在前面提及的补充数据中。
在标识的步骤中,从第二组候选医学发现中标识位于感兴趣区域中或至少接近感兴趣区域的至少一个候选医学发现。由于至少一个候选医学发现不包括在第一组候选医学发现中,所以它可以被设想为相对于第一组候选医学发现的附加候选医学发现——第一组候选医学发现已经针对感兴趣区域被特别标识。标识可以意味着在第二组候选医学发现中搜索位于感兴趣区域内或接近感兴趣区域的候选医学发现。此外,标识可以包括检查这些候选发现是否已经包括在第一组候选医学发现中。
可以通过输出至少一个候选医学发现来提供至少一个候选医学发现。这可以包括:经由用户接口向用户输出至少一个候选医学发现,特别地,通过在图形用户界面中显示至少一个候选医学发现向用户输出至少一个候选医学发现。此外,提供可以包括:以合适的数据格式例如与第一组候选医学发现一起存储至少一个候选医学发现。此外,提供可以包括:将至少一个候选医学发现包括在输出数据结构中,或者基于至少一个候选医学发现生成输出数据结构。根据一些示例,输出数据结构可以是电子医学报告。
根据一些示例,提供至少一个候选医学发现还可以包括经由用户接口向用户输出音频。特别地,音频输出可以指示至少一个候选医学发现。特别地,音频输出可以包括指示至少一个候选医学发现的存在的声音。特别地,音频输出可以包括向用户的语音输出。特别地,语音输出提供候选医学发现的细节。从而,音频输出可以在阅读和报告工作流程中为用户提供附加的支持。
通过使用两种不同的检测过程,可以生成候选医学发现的补集。第一组候选医学发现可以被视为用通常工作良好的检测过程生成的“标准”集合。然后,第二组候选医学发现可以被视为提供替选的候选医学发现,所述替选的候选医学发现在一些情况下可以为用户提供附加见解,但是所述替选的候选医学发现在其他情况下可能包括对用户而言不相关的离群值(outliers)。为了减轻这种情况,来自第二组候选医学发现的候选发现不是以任意方式而是以特定方式被考虑,即结合特定的感兴趣区域被考虑。这提供了使得能够针对感兴趣区域选择性地包括第二组中的个别候选医学发现而不必考虑第二组中的其余候选医学发现的工作流程。这使得能够以更安全和更完整的方式标识和提供医学图像中的医学发现,而不会增加用户审查增加数目的假阳性的负担。于是,更好地支持用户从医学图像得出医学诊断。
根据一方面,提供了一种用于提供来自医学图像的候选医学发现的计算机实现的方法。该方法包括多个步骤。第一步骤旨在获得描绘患者的身体部位的医学图像。另一步骤旨在通过使医学图像经受第一医学发现检测过程来生成第一组候选医学发现。另一步骤旨在通过使医学图像经受不同于第一医学发现检测过程的第二医学发现检测过程来生成第二组候选医学发现。另一步骤旨在获得医学图像中的感兴趣区域。另一步骤旨在确定感兴趣区域是否包括包含在第二组候选医学发现中并且不包含在第一组候选医学发现中的至少一个候选医学发现。如果感兴趣区域包括包含在第二组候选医学发现中并且不包含在第一组候选医学发现中的至少一个候选医学发现,则另一步骤旨在提供至少一个候选医学发现。
根据一方面,生成第一组候选医学发现的步骤包括以第一灵敏度水平检测医学图像中的候选医学发现,以及生成第二组候选医学发现的步骤包括以高于第一灵敏度水平的第二灵敏度水平检测医学图像中的候选医学发现。
如本文中使用的术语“灵敏度水平(level of sensitivity)”或“灵敏度水平(sensitivity level)”可以关于将图像数据标识为可疑的灵敏度并且因此关于候选医学发现。通常,灵敏度水平越高,医学图像中存在的某个特征被标识为候选医学发现的可能性就越高。从而,灵敏度水平可以与决策阈值有关,高于该决策阈值,图像数据被认定为候选医学发现。通常,医学发现检测过程中的较高灵敏度水平将产生更多的候选医学发现。因此,较高灵敏度水平将允许捕获医学图像中更多(并且理想地所有)实际医学发现,但是也将导致更多的假阳性,即与实际医学发现不相关的候选医学发现。换言之,更高灵敏度水平可以引起降低的特异性水平。
可以调整第一灵敏度水平,使得其构成针对医学图像的灵敏度与特异性之间的合理折中。与此相比,第二灵敏度水平故意接受特异性的限制,以允许针对候选医学发现的医学图像的更合理的采样。因此,以第二灵敏度水平(其高于第一灵敏度水平)的图像分析因此可以被视为补充分析步骤,该补充分析步骤被设计成:除了在第一灵敏度水平下发现的候选医学发现之外,还发现附加候选医学发现。
通常,第二灵敏度水平可能相对较高。因此,在所有情况下,第二灵敏度水平可能不适于提供具有合理低数目的假阳性的一组医学发现,假阳性可以在下一步骤中容易地被分离出。
根据一些示例,检测过程的灵敏度和相应的特异性相互作用。灵敏度越高,特异性越低,因此假阳性的数目越高。
根据一些示例,生成第一组候选医学发现的步骤包括以第一特异性水平检测医学图像中的候选医学发现,以及生成第二组候选医学发现的步骤包括以低于第一特异性水平的第二特异性水平检测医学图像中的候选医学发现。
根据一些示例,第一灵敏度水平可以在70%至90%之间,这意味着所有“真实”医学发现中的70%至90%在第一检测过程中被检测为候选医学发现。相应地,在第一检测过程中,特异性可以高达95%或更高,使得假阳性的数目相当低。相比之下,第二检测过程的灵敏度可以为90%或更高,使得“真实”医学发现的大多数或所有将被检测到。相应地,第二检测过程的特异性可能低于90%,使得假阳性的数目也可能更高。
通过以两个不同的灵敏度水平分析医学图像,可以保持第二灵敏度水平能够用作第一灵敏度水平无法充分发生的图像区域的备份。如果考虑整个图像,则第二灵敏度水平通常可能太敏感(即,太不具体),但是可以根据需要针对特定区域(例如感兴趣区域)提供附加的洞察。因此,可以解决对所有发现的接近完全检测和最小数目的假阳性的冲突要求。
根据一方面,在生成第一组候选医学发现的步骤中,第一医学发现检测过程包括对医学图像应用第一医学发现检测算法,第一医学发现检测算法在第一灵敏度水平下操作,以及在生成第二组候选医学发现的步骤中,第二医学发现检测过程包括对医学图像应用第二医学发现检测算法,第二医学发现检测算法在第二灵敏度水平下操作。
医学发现检测算法通常可以被配置成检测医学图像中的候选医学发现。例如,发现检测算法可以具有两个阶段:用于检测图像数据中潜在相关模式的检测阶段以及用于将潜在相关模式分类为候选医学发现或分类为要丢弃的假阳性的分类阶段。原则上,对于候选医学发现的这样的计算机辅助检测和分类——其所有可以在发现检测算法中实现,已知过多的功能和方法。例如,参考US2009/0 092 300A1、US2009/0 067 693A1和US2016/0 321427A1,其内容通过引用整体并入本文中。特别地,发现检测算法可以包括一个或更多个机器学习函数,这些机器学习函数被训练成:如果被应用于医学图像,就检测候选医学发现并对候选医学发现进行分类。用于该任务的合适的训练函数包括(人工)神经网络,例如卷积神经网络。
根据一些示例,医学发现检测算法可以被配置成使得其灵敏度水平(并且相应地其特异性)可以被调整。根据一些示例,可以用相应医学发现检测算法的操作点来调整医学发现检测算法的灵敏度和特异性。
医学发现检测算法的使用允许对候选医学发现的有效且可再现的检测。由于算法在两种灵敏度水平下操作,因此可以生成可以被选择性组合的互补结果。
根据一方面,第二医学发现检测算法和第一医学发现检测算法是相同的。
根据一些示例,第一检测算法和第二检测算法是相同的,但是在第一检测过程和第二检测过程中用不同的操作点工作。根据一些示例,第二检测过程的操作点是检测算法可用的最敏感的操作点。
针对第一检测过程和第二检测过程使用相同的医学发现检测算法——尽管具有不同的操作点——允许不同组的候选医学发现的有效生成,并且同时确保候选医学发现能够容易地比较。
根据一方面,该方法还包括基于以下中的任何一项设置第一灵敏度水平的步骤:
-旨在设置第一灵敏度水平的用户输入,
-医学图像,和/或
-与医学图像相关联的补充非图像数据。
用户的输入可以例如是经由相应用户接口的输入。于是,用户可以设置其关于灵敏度水平的个人偏好。根据一些示例,用户输入可以旨在在第一检测过程中设置医学发现检测算法的操作点。
作为替选,设置第一灵敏度水平可以基于医学图像。于是,可以确定适于包括在医学图像中的图像数据的灵敏度水平。为了设置第一灵敏度水平,可以针对影响检测过程的特性来分析医学图像。
除此之外或作为替选,第一灵敏度水平可以基于与医学图像相关联的补充非图像数据来设置。这样的数据可以指示要基于医学图像、医学图像的属性和/或在分析同一患者或类似患者的医学图像时使用的先前设置执行的诊断任务。于是,第一灵敏度水平可以最佳地适于要用医学发现检测过程执行的诊断。
根据一方面,该方法还包括基于第一灵敏度水平设置第二灵敏度水平的步骤。
通过基于第一灵敏度水平(自动地)设置第二灵敏度水平,可以确保第二灵敏度水平最佳地补充第一检测过程。
替选地,第二灵敏度水平可以基于以下中的任何一项被设置:
-旨在设置第二灵敏度水平的用户输入,
-医学图像,和/或
-与医学图像相关联的补充非图像数据。
根据一方面,第一医学发现检测过程和第二医学发现检测过程并行运行。特别地,第一医学发现检测算法和第二医学发现检测算法可以并行处理医学图像。
利用并行处理,可以确保对于用户不存在等待时间,并且在第一检测过程和第二检测过程中生成的检测结果同时可用。
根据一方面,标识至少一个候选医学发现的步骤包括确定感兴趣区域是否包括至少一个医学发现,其中,提供至少一个医学发现的步骤基于确定的步骤。
特别地,如果感兴趣区域确实包括至少一个候选医学发现,则可以提供该至少一个候选医学发现。
通过检查感兴趣区域是否包括第二组中的候选医学发现,可以确保候选医学发现是从第二组候选医学发现选择性地抽取的。因此,可以选择性地为感兴趣区域提供附加的结果,而不牺牲方法的整体特异性。
根据一方面,该方法还包括:基于确定感兴趣区域是否包括至少一个候选医学发现的步骤,提供指示感兴趣区域不包括来自第二组候选医学发现的任何候选医学发现的通知(例如,经由用户接口至用户)。
因此,如果感兴趣区域不包含来自第二组的附加医学发现,则可以通知用户。因此,用户可以得到她或他认为可疑的感兴趣区域不包括其他医学发现的确认。用户然后可以关注其他候选医学发现和/或限定替选的感兴趣区域。
根据一方面,获得感兴趣区域的步骤包括:
-生成医学图像的用于在用户接口中显示给用户的表示,其中,可选地,表示包括包含在第一组候选医学发现中的候选医学发现的一个或更多个指示,
-在用户接口中将表示提供给用户,
-可选地经由用户接口接收用户输入,该用户输入旨在指示表示中的感兴趣区域,以及
-基于旨在指示感兴趣区域的用户输入来限定医学图像中的感兴趣区域。
该表示可以是用于在用户接口中显示给用户的从医学图像渲染的二维表示图像。该表示可以包括多个图像像素。特别地,该表示可以是医学图像的二维渲染。通常,二维渲染可以依赖于已知的渲染过程,例如光线投射、光线跟踪、纹理渲染等。根据一些示例,渲染可以使得感兴趣区域和/或来自第一组候选医学发现的任何候选医学发现与医学图像的图像数据一起被显示。值得注意的是,根据一些示例,基于第二检测过程的结果默认最初不在表示中显示给用户,因为只有来自第一检测过程的结果将被自动集成并显示在表示中。
该上下文中的指示意味着潜在的候选医学发现在表示中被突出显示。这可能意味着候选医学发现在亮度、颜色和/或强度上被视觉增强。除此之外或者作为替选,可以使用符号来突出显示候选医学发现。此外,可以使用包括语义表达的标签来突出显示候选医学发现。可以基于来自检测过程的信息例如相应候选医学发现的位置、范围或体积,来执行突出显示或标记。此外,指示可以以图像叠加的形式来提供,该图像叠加可以被显示或隐藏。
用户输入可以是旨在指定感兴趣区域的任何输入。用户输入可以包括语音命令或任何其他输入,特别是进入用户接口(特别是图形用户界面)的物理输入。例如,用户可以使用输入设备,如计算机鼠标、轨迹球设备、智能笔、触摸板、触敏显示器等。此外,用户输入可以通过眼睛跟踪或通过跟踪姿势来捕获。特别地,用户输入可以包括直接在表示中指定感兴趣区域,例如通过在表示中的特定位置点击或绘制轮廓。用户输入可以使得其完全划线标明感兴趣区域,或者使得其仅指示表示中的部分或甚至仅指示表示中的点,这然后被自动完成以得出感兴趣区域。
通过提供用于视觉检查的二维表示图像并且通过允许自定义限定感兴趣区域,该方法特别适于与用户交互。这使得该方法能够适于所考虑的医学图像、当前的感兴趣模式以及用户的需求。于是,除了已经显示的第一组中的候选医学发现之外,用户可以单独指定她或他怀疑附加候选医学发现的图像区域。因此,可以根据需要选择性地抽取附加发现。
根据一方面,限定感兴趣区域的步骤与能够由用户经由用户接口激活的工具相关联,并且基于用户输入限定感兴趣区域仅在工具已经被用户激活之后才可以。于是,可以确保从第二组中抽取附加候选医学发现的过程仅在期望时被执行,而不针对用户与表示的任何非特定交互,例如缩放或平移。
根据一方面,用户输入指向表示中的位置,并且感兴趣区域被限定为距离该位置预设距离内的该位置周围的区域。
换言之,用户输入可以标识表示内的某个点或像素,然后所述某个点或像素被扩展成更大更合理尺寸的感兴趣区域,以用于从第二组中抽取其他候选医学发现。预设距离可以被认为是偏移,以便创建系统的一些误差公差。因此,如果用户输入使得附近的候选第二医学发现将被错过,则在用户输入被扩展了该偏移以限定感兴趣区域的情况下,仍然可以考虑这样的发现。例如,预定距离可以以表示的像素被测量。
根据一方面,该方法还包括:可选地经由用户接口接收旨在设置预定距离的用户输入,并且基于用户输入预设距离。
于是,用户可以基于旨在限定感兴趣区域的后续用户输入来单独地调整将要限定的感兴趣区域的尺寸。如果用户将整个区域视为相关的,则与期望更多局部反馈的情况相比,她或他可以将距离设置成更大的值。
根据一方面,用户输入指向表示中的位置,并且基于医学图像的与位置相关的图像数据的图像属性来限定感兴趣区域。
根据一些示例,图像属性可以包括以下中的至少一种:强度特别是平均强度、颜色值特别是平均颜色值、强度窗口和/或与医学图像中描绘的器官的关联。从而,可以基于一个或更多个器官分割来确定与器官的关联。
根据一些示例,限定感兴趣区域的步骤包括从与位置有关的图像数据中提取图像属性。
根据一些示例,限定感兴趣区域包括:基于图像属性将医学图像的部分分配给感兴趣区域。
根据一些示例,分配包括将医学图像的那些图像部分分配给感兴趣区域,所述感兴趣区域具有与和位置有关的图像数据的图像属性相匹配——可选地,在预设公差裕度或范围内——的相应图像属性。因此,公差裕度可以对应于偏移、阈值或通道。
根据一些示例,限定感兴趣区域的步骤包括从图像部分中提取相应的图像属性。
根据一些示例,该方法还包括:可选地经由用户接口接收旨在设置预设公差裕度的用户输入,并且基于用户输入预设公差裕度。
利用基于图像属性的感兴趣区域的限定,用户输入可以自动地扩展到医学图像中具有类似图像属性的部分。从而,这些部分可以连接或分离。换言之,可以提供自动区域生长过程来基于用户输入捕获医学图像的其他相关部分。
拿CT图像数据作为示例,可以基于用户输入对医学图像进行强度过滤。CT图像数据集的每个体素通常具有强度值,该强度值表示从CT测量值(通常以Hounsfield或HU单位测量的)确定的体积中相应位置处的X射线的衰减。由于这种关系,可以仅基于体素强度值的阈值来执行一种分割。例如,具有特定范围或公差裕度中的强度值的所有体素可以被认为表示骨骼。因此,可以为医学图像中描绘的所有骨样结构自动提供第二组中的候选医学发现。
根据一方面,提供的步骤包括将至少一个候选医学发现的指示包括在表示中,以生成更新的表示,还具有在用户接口中将更新的表示显示给用户的步骤。
如果感兴趣区域包括第二组中的附加候选医学发现,则这些连同第一组中的(已经显示的)候选医学发现一起在表示中被具体指示。因此,用户被提供有感兴趣区域是否包括仅在第二检测过程中发现的附加候选医学发现的视觉验证。
根据一方面,至少一个候选医学发现的指示在视觉上不同于来自第一组候选医学发现中的医学发现的指示的指示。
这具有以下益处:用户可以根据生成医学发现的检测过程来立即辨别所显示的医学发现。特别是在她或他在稍后的时间点重新访问该表示的情况下,这为用户提供了附加的洞察。
根据一方面,该方法还包括:可选地经由用户接口向用户指示感兴趣区域是否不包括第二组候选医学发现中的候选医学发现。
因此,用户得到感兴趣区域不包含来自第二组中的附加医学发现的确认,从而使得该过程对用户更清楚。
根据一方面,第二组候选医学发现中的每个候选医学发现与置信度值相关联,并且在标识至少一个候选医学发现的步骤中,只有第二组候选医学发现中的这样的候选医学发现被考虑,其置信度值高于预设的置信度阈值。
置信度值可以定量地指示给定候选医学发现可能与“真实”医学发现有关的可能性。换言之,置信度值可以提供针对候选医学发现的个体特异性的指示。置信度值可以被确定为第二检测过程中的副产品,并且例如由相应的医学发现检测算法输出。
通过在标识至少一个医学发现时评估各个置信度值,可以应用附加的过滤器以进一步确保仅向用户呈现可能的候选者。因此,假阳性率可以得到进一步降低。置信度阈值可以被自动设置。
根据一方面,该方法还包括:可选地经由用户接口接收旨在设置置信度阈值的用户输入,并且基于用户输入预设置信度阈值。
于是,向用户提供了影响处理并且交互地控制作为检测结果呈现给她或他的内容的又一种方式。
根据一方面,提供的步骤包括:将至少一个候选医学发现与第一组候选医学发现相关联,并且优选地,将至少一个候选医学发现包括在第一组候选医学发现中,以生成经修改的一组候选医学发现以供进一步使用。
于是,该至少一个候选医学发现被“提升”为第一组中的发现,并且随后可以经由第一组被访问,例如,在进一步处理期间或者出于报告和文档目的。
根据一方面,该方法还包括:
-经由用户接口向用户提供存在至少一个候选医学发现的通知,优选地以表示中的指示的形式提供,以及
-接收用户输入,该用户输入旨在基于所述通知来确认或拒绝至少一个候选医学发现,其中
-提供的步骤基于旨在确认或拒绝的用户输入。
特别地,只有在用户输入旨在确认至少一个候选医学发现的情况下,至少一个候选医学发现才可以与第一组候选医学发现相关联和/或被包括在第一组候选医学发现中。
因此,向用户提供了控制和影响处理的附加手段。特别地,给予用户检查处理的结果并判定结果是否可接受的另一可能性。
根据一方面,提供了一种用于基于患者的身体部位的医学图像来提供患者的身体部位的候选医学发现的系统。该系统包括接口单元和计算单元。接口单元被配置成获得医学图像。计算单元被配置成:通过使医学图像经受第一医学发现检测过程来生成第一组候选医学发现。计算单元还被配置成:通过使医学图像经受不同于第一医学发现检测过程的第二医学发现检测过程来生成第二组候选医学发现。计算单元还被配置成获得医学图像中的感兴趣区域。计算单元还被配置成:在感兴趣区域中(或针对感兴趣区域或在感兴趣区域内)标识包括在第二组候选医学发现中并且不包括在第一组候选医学发现中的至少一个候选医学发现。计算单元还被配置成提供至少一个候选医学发现。
计算单元可以包括医学发现生成单元,该医学发现生成单元被配置成:通过处理医学图像生成候选医学发现,并且从而以执行第一医学发现检测过程和第二医学发现检测过程。特别地,医学发现生成单元可以被配置成托管、运行和/或应用医学发现检测算法。计算单元还可以包括用户交互单元,该用户交互单元被配置成基于相应的用户输入来限定医学图像中的感兴趣区域。可选地,用户交互单元还可以被配置成为用户生成医学图像的表示(或可视化),基于该表示(或可视化),用户可以输入旨在限定医学图像中的感兴趣区域的用户输入,以及/或者基于该表示(或可视化),可以提供至少一个候选医学发现。计算单元还可以包括医学发现标识单元,该医学发现标识单元被配置成:在感兴趣区域中标识包括在第二组候选医学发现中并且不包括在第一组候选医学发现中的至少一个候选医学发现。
计算单元可以被实现为数据处理系统或数据处理系统的一部分。这样的数据处理系统可以例如包括云计算系统、计算机网络、计算机、平板计算机、智能电话和/或类似物。计算单元可以包括硬件和/或软件。硬件可以包括例如一个或更多个处理器、一个或更多个存储器及其组合。一个或更多个存储器可以存储用于执行根据本发明的方法步骤的指令。硬件可能能够被软件配置和/或能够被软件操作。通常,所有单元、子单元或模块可以例如经由网络连接或相应的接口至少暂时地彼此进行数据交换。因此,各个单元可以彼此分开定位。
接口单元可以包括用于经由因特网连接与本地服务器或中央网络服务器进行数据交换的接口,以用于接收医学图像。接口单元还可以适于例如通过向用户显示计算单元的处理结果(例如,在图形用户界面中)或者通过允许用户调整用于图像处理或可视化的参数来与系统的一个或更多个用户对接。
根据其他方面,本发明还涉及一种图像分析系统,该图像分析系统包括上述系统和被配置成获取、存储和/或转发医学图像的医学图像系统(或医学信息系统)。从而,接口单元被配置成从医学图像系统接收医学图像。
根据一些示例,医学图像系统包括用于存储医学图像的一个或更多个存档站,存档站可以被实现为云存储装置或本地存储装置或扩展存储装置,例如,被实现为PACS(图片存档和通信系统)。此外,医学图像系统可以包括一种或更多种医学成像模态,例如计算机断层扫描系统、磁共振系统、血管造影(或C型臂X射线)系统、正电子发射断层扫描系统、乳房X射线摄影系统等。
根据其他方面,这些系统适于在其用于提供候选医学发现的各个方面中实现本发明方法。结合方法方面描述的优点也可以通过相应配置的系统部件来实现。
根据另一方面,本发明涉及一种包括程序元素的计算机程序产品,该程序元素促使系统的被配置成基于医学图像提供候选医学发现的计算单元在程序元素被加载到计算单元的存储器中时执行根据上述方法方面中的一个或更多个方法方面的步骤。
根据另一方面,本发明涉及一种其上存储有程序元素的计算机可读介质,所述程序元素能够被系统的用于基于患者的身体部位的医学图像提供针对所述患者的身体部位的候选医学发现的计算单元读取和执行,以在所述程序元素被计算单元执行时执行根据一个或更多个方法方面的方法的步骤。
通过计算机程序产品和/或计算机可读介质实现本发明的优点在于:已经存在的提供系统可以容易地通过软件更新来适配,以如本发明所提出的那样工作。
同样地,计算机程序产品可以是例如计算机程序或者包括计算机程序旁边的另一元素。该另一元素可以是:硬件,例如其上存储有计算机程序的存储设备、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。计算机程序产品还可以包括开发材料、运行时系统和/或数据库或库。计算机程序产品可以分布在若干计算机实例之中。
附图说明
根据实施方式的以下描述,上述发明的特性、特征和优点以及实现它们的方式变得更清楚和更容易理解,实施方式的以下描述将关于附图进行详细描述。以下描述不将本发明限制于所包含的实施方式。在不同的附图中,相同的部件、部分或步骤可以用相同的附图标记来标记。通常,附图未按比例绘制。在下面:
图1示意性地描绘了用于基于医学图像提供候选医学发现的系统的实施方式;
图2示意性地描绘了根据实施方式的用于基于医学图像提供候选医学发现的方法;
图3示意性地描绘了根据实施方式的用于基于医学图像提供候选医学发现的方法中的可选方法步骤;以及
图4示意性地描绘了根据实施方式的用于基于医学图像提供候选医学发现的方法中的数据流图。
具体实施方式
图1描绘了用于基于医学图像IM提供候选医学发现ADD-CMF的系统1。在这点上,系统1适于执行根据一个或更多个实施方式的方法,例如,如参照图2至图4进一步描述的。根据一些示例,系统1的用户通常可以涉及诸如医生、临床医生、技师、放射科医生、病理学家等的医疗保健专业人员。
系统1包括用户接口10(作为接口单元的一部分)和处理系统20(作为计算单元的一部分)。此外,系统1可以包括或连接至医学信息系统40。医学信息系统40通常可以被配置用于获取和/或存储和/或转发医学图像IM。例如,医学信息系统40可以包括用于医学图像IM的一个或更多个存档/审查站(未示出)。存档/审查站可以由一个或更多个数据库来体现。特别地,存档/审查站可以以一个或更多个云存储模块的形式来实现。替选地,存档/审查站可以被实现为本地存储或扩展存储,例如被实现为PACS(图片存档和通信系统)。根据一些示例,医学信息系统40还可以包括一个或更多个医学成像模态(未示出),诸如计算机断层扫描系统、磁共振系统、血管造影(或C型臂X射线)系统、正电子发射断层扫描系统、乳房X射线摄影系统、X射线系统等。
医学图像IM可以是例如使用X射线系统、计算机断层扫描系统或磁共振成像系统或其他系统获取的三维图像数据集。可以以m×n×p个体素的三维阵列来编码图像信息。医学图像IM可以包括在堆叠方向上堆叠的多个图像切片,以跨越由医学图像IM覆盖的图像体积。
此外,医学图像IM可以包括二维医学图像数据,其中以m×n像素的阵列来编码图像信息。根据一些示例,可能已经从三维医学图像数据集提取了这些二维医学图像IM。
体素或像素的集合可以被指定为以下相应医学图像IM的图像数据。通常,任何种类的成像模态和扫描仪都可以用于获取这样的图像数据。通常,医学图像IM示出了患者的身体部位或解剖区域或解剖对象,其可以包括各种解剖结构和器官。考虑到作为身体部位的胸部区域,医学图像IM可以例如描绘肺叶、胸腔、心脏、淋巴结等。
医学图像IM可以根据DICOM格式被格式化。DICOM(=医学中的数字成像和通信)是用于医疗保健信息学中的医学成像信息和相关数据的通信和管理的开放标准。DICOM可以用于存储和传输医学图像和相关联的信息,使得能够集成诸如扫描仪的医学成像设备、服务器、工作站、打印机、网络硬件以及图片存档和通信系统(PACS)。DICOM被临床团体(clinical syndicates)、医院广泛采用以及用于如医生的办公室或诊所的较小应用。DICOM数据对象由多个属性组成,包括诸如患者姓名、ID等的项目,并且还包括包含图像像素数据和从图像数据提取的元数据的特殊属性。
用户接口10可以包括显示单元和输入单元。用户接口10可以由诸如智能电话或平板计算机的移动设备来体现。此外,用户接口10可以被体现为台式PC或膝上型计算机形式的工作站。输入单元可以例如以触摸屏的形式被集成在显示单元中。作为替选或除此之外,输入单元可以包括键盘、鼠标或数字笔及其任意组合。显示单元可以被配置用于:显示医学图像IM,接收任何用户输入INP(例如,用于限定感兴趣区域ROI)以及在方法执行的过程中从中得出的任何结果和图像例如表示RE和RE’。
用户接口10还可以包括接口计算单元,该接口计算单元被配置成执行用于为显示单元和输入单元服务的至少一个软件组件,以便提供用于允许用户选择要审查的目标患者的病例并进行各种输入INP的图形用户界面。另外,接口计算单元可以被配置成与医学信息系统40或处理系统20进行通信,以接收医学图像IM。用户可以经由用户接口10激活软件组件,并且可以例如通过从因特网应用商店下载软件组件来获取该软件组件。根据示例,软件组件也可以是在web浏览器中运行的以web应用形式的客户端-服务器计算机程序。接口计算单元可以是通用处理器、中央处理单元、控制处理器、图形处理单元、数字信号处理器、三维渲染处理器、图像处理器、专用集成电路、现场可编程门阵列、数字电路、模拟电路、其组合、或者用于处理图像数据的其他现在已知的设备。用户接口10也可以被体现为客户端。
处理系统20可以包括子单元21至24,子单元21至24被配置成处理医学图像IM,以提供由包括在医学图像IM中的图像数据所指示的一个或更多个候选医学发现ADD-CMF,并且可选地,以提供具有突出显示的候选医学发现CMF1、ADD-CMF的医学图像IM的表示RE。
处理系统20可以是处理器。处理器可以是通用处理器、中央处理单元、控制处理器、图形处理单元、数字信号处理器、三维渲染处理器、图像处理器、专用集成电路、现场可编程门阵列、数字电路、模拟电路、其组合、或者用于处理图像数据的其他现在已知的设备。处理器可以是单个器件或串行、并行或单独操作的多个器件。处理器可以是诸如膝上型计算机或台式计算机的计算机的主处理器,或者可以是用于在较大系统中(诸如在医学信息系统或服务器中)处理一些任务的处理器。处理器由指令、设计、硬件和/或软件进行配置,以执行本文中讨论的步骤。处理系统20可以被包括在用户接口10中。替选地,处理系统20可以包括真实或虚拟的计算机组,如所谓的“集群”或“云”。这样的服务器系统可以是中央服务器,例如云服务器,或者这样的服务器系统可以是例如位于医院或放射站点的本地服务器。此外,处理系统20可以包括用于临时加载医学图像IM的诸如RAM的存储器。根据一些示例,这样的存储器也可以被包括在用户接口10中。
子单元21是数据检索模块或单元。子单元21被配置成针对医学图像IM访问和搜索医学信息系统40。具体地,子单元21可以被配置成制定搜索查询并将它们解析至医学信息系统40。
子单元22可以被设想为候选医学发现生成模块或单元。子单元22被配置成处理医学图像IM,以标识医学图像IM的图像数据中的候选医学发现。具体地,子单元22可以被配置成从医学图像IM得出两组不同的候选医学发现CMF1和CMF2。两组不同的候选医学发现CMF1和CMF2提供至少在一定程度上互补的多组候选医学发现。例如,第一组候选医学发现CMF1可以被设想为已经基于特异性和灵敏度之间的合理折中而生成的“标准”结果。因此,第一组候选医学发现CMF1应当已经包括作为候选医学发现而包括在医学图像中的大多数医学发现,并且同时包括有限数目的假阳性,即实际上与“真实”医学发现不相关的候选医学发现。相比之下,第二组候选医学发现CMF2可以包括第一组候选医学发现CMF1中不包括的附加或互补的候选医学发现。可以以与第一组候选医学发现CMF1相比更高灵敏度水平SL2生成第二组候选医学发现CMF2。因此,第二组候选医学发现CMF2通常可以包括与第一组候选医学发现CMF1相比更多的候选医学发现,而且包括增加数目的假阳性。
为了提供不同组的候选医学发现,子单元22可以被配置成运行相应配置的医学发现检测算法ALG。为了生成第一组候选医学发现CMF1,医学发现检测算法ALG可以被子单元22调整成以第一灵敏度水平SL1工作。为了生成第二组候选医学发现CMF2,医学发现检测算法ALG可以被子单元22调整成以第二灵敏度水平SL2工作。从而,第二灵敏度水平SL2可以高于第一灵敏度水平SL1。根据一些示例,可以通过调整医学发现检测算法ALG的操作点来设置第一灵敏度水平SL1和第二灵敏度水平SL2。根据其他示例,可以使用不同的医学发现检测算法来生成第一组候选医学发现CMF1和第二组候选医学发现CMF2。
子单元23可以被配置为用户交互模块或单元。子单元23可以被配置成提供用于经由用户接口10向用户显示的表示RE、RE’。表示RE、RE’可以处于渲染的形式,其中候选医学发现被视觉上编码。具体地,子单元23可以被配置成运行或执行用于基于候选医学发现CMF1、ADD-CMF渲染半透明覆盖图像以叠加在对应渲染的医学图像IM上方的算法。从而,子单元23可以被配置成:通过医学图像IM中的指示I、I’,例如符号、方框或标签,突出显示候选医学发现CMF1、ADD-CMF。从而,根据默认,基于“灵敏”计算过程D-PROC2的结果,即第二组候选医学发现CMF2,将不会首先被示出给用户。只有来自“标准”计算过程D-PROC1的结果,即第一组候选医学发现CMF1,将被集成并显示在初始表示RE中。
此外,子单元23可以被配置成基于用户的对应输入INP限定医学图像IM中的感兴趣区域ROI。例如,子单元23可以被配置成提供对应的工具,用户可以经由用户接口10激活该工具。在工具已经被激活之后,可以评估诸如语音、姿势、眼动、诸如计算机鼠标的输入设备的处理等的用户输入,以得出感兴趣区域ROI。根据示例,这样的用户输入INP可以指定表示RE中的一个点或一组点,这些点然后被进一步处理以限定医学图像IM中感兴趣区域ROI。具体地,点或点群可以被扩展或扩大预定的偏移,以限定合理大小的感兴趣区域ROI。
此外,子单元23可以被配置成还接收和处理其他种类的用户输入,以控制该方法并且允许连续的和引导的人机交互。这样的用户输入可以被指导以设置第一灵敏度水平SL1和/或第二灵敏度水平SL2,以接受或拒绝候选医学发现ADD-CMF,以设置用于限定感兴趣区域ROI的偏移,以及/或者以设置要在处理中考虑的候选医学发现CMF2的置信区间(参见下文)。
子单元24可以被设想为“抽取”单元,该“抽取”单元被配置成按需添加来自第二组候选医学发现CMF2的医学发现。具体地,子单元24可以被配置成评估感兴趣区域ROI是否包括第二组候选医学发现CMF2中的一个或更多个发现,并且如果感兴趣区域ROI包括第二组候选医学发现CMF2中的一个或更多个发现,则提供这些附加候选医学发现ADD-CMF。
对不同子单元21至24的指定将通过示例的方式而不是作为限制来解释。因此,子单元21至24可以被集成以形成一个单个单元(例如,以“计算单元30”的形式),或者可以由被配置成执行在处理系统20的处理器等上运行的相应方法步骤的计算机代码段来体现。对于接口计算单元也是如此。每个子单元21至24和接口计算单元可以单独地连接至需要数据交换以执行方法步骤的系统1的其他子单元和/或其他部件。例如,子单元21可以经由接口25连接至医学信息系统40,以用于检索医学图像IM。同样,接口25可以将子单元21至24连接至用户接口10,以将计算结果转发至用户并收集用户输入。
处理系统20和接口计算单元一起可以构成系统1的计算单元。值得注意的是,这个计算单元的布局即接口计算单元和子单元21至24的物理分布原则上是任意的。例如,子单元23(或其单独的元件或特定的算法序列)同样可以位于用户接口10中。对于其他子单元21至24也是如此。具体地,处理系统20也可以集成在用户接口10中。如已经提及的,处理系统20可以替选地实现为服务器系统例如云服务器,或者例如位于医院或放射站点的本地服务器。根据这样的实现方式,用户接口10可以被指定为面向用户的“前端”或“客户端”,而处理系统20则可以被设想为“后端”或服务器。例如,可以使用https协议来执行用户接口10与处理系统20之间的通信。系统的计算能力可以分布在服务器与客户端(即,用户接口10)之间。在“瘦客户端”系统中,大部分计算能力存在于服务器处。在“胖客户端”系统中,更多的计算能力和可能的数据存在于客户端上。
系统1的各个部件可以至少暂时地彼此连接,以用于数据传送和/或交换。用户接口10经由(数据)接口25与处理系统20进行通信,以交换例如医学图像IM或者计算的结果CMF1、CMF2、ADD-CMF。例如,处理系统20可以基于请求被激活,其中,该请求由用户接口10发送。此外,处理系统20可以与医学信息系统40进行通信,以便检索目标患者的病例。作为替选或除此之外,用户接口10可以直接与医学信息系统40进行通信。医学信息系统40同样可以基于请求而被激活,其中,该请求由处理系统20和/或用户接口10发送。用于数据交换的数据接口25可以被实现为硬件接口或软件接口,例如PCI总线、USB或火线。可以使用网络连接来实现数据传输。网络可以被实现为局域网(LAN)例如内联网或广域网(WAN)。网络连接优选地是无线的,例如作为无线LAN(WLAN或Wi-Fi)。此外,网络可以包括不同网络示例的组合。用于数据交换的接口25以及用于与用户对接的部件一起被认为构成了系统1的接口单元。
图2描绘了根据实施方式的用于为医学图像IM提供候选医学发现ADD-CMF的方法。图3中示出了根据一些实施方式的附加可选子步骤。图4中示出对应的数据流。该方法包括若干步骤。步骤的顺序不一定对应于步骤的编号,但是也可以在本发明的不同实施方式之间变化。此外,可以重复各个步骤或一系列步骤。
在第一步骤S10中,接收医学图像IM。这可以涉及从例如存储在医学信息系统40中的多个病例中选择医学图像IM。该选择可以由用户手动执行,例如,通过在运行于用户接口10中的图形用户界面中选择适当的图像数据。替选地,医学图像IM可以由用户通过将医学图像IM上传至计算单元的方式被提供给计算单元。
在下一步骤S20中,对医学图像IM执行第一图像处理步骤D-PROC1。第一图像处理步骤D-PROC1是旨在检测第一组候选医学发现CMF1的医学发现检测过程。第一医学发现检测过程D-PROC1以第一灵敏度水平SL1检测候选医学发现。检测第一组医学发现CMF1可能涉及对医学图像IM应用医学发现检测算法ALG,该算法ALG已经被设置成在第一灵敏度水平SL1下操作。这可以通过适当地设置医学发现检测算法ALG的操作点来完成。
步骤S20的可选子步骤S21旨在设置第一灵敏度水平SL1。基本上,第一灵敏度水平SL1可以由用户手动设置(通过在用户接口10中进行适当的用户输入),由系统1自动设置或半自动设置。自动设置可能涉及评估医学图像IM和可用于医学图像IM的任何补充信息,以得出第一灵敏度水平SL1的合适值。例如,这可能涉及确定诊断情况(要检测哪种医学发现)、图像质量和/或用户的已知用户偏好。通常可以调整第一灵敏度水平SL1,使得实现检测的灵敏度和特异性之间的良好折中。于是,可以提供对于医学图像IM中的大多数发现都工作良好的第一灵敏度水平SL1。半自动设置可以意味着:向用户自动提供关于适当的第一灵敏度水平SL1的建议,并且基于对建议之一的用户选择来设置第一灵敏度水平SL1。
在步骤S30处,执行第二医学发现检测过程D-PROC2。第二医学发现检测过程D-PROC2旨在基于医学图像IM提供第二组候选医学发现CMF2。第二医学发现检测过程D-PROC2以第二灵敏度水平SL2检测候选医学发现。检测第二组医学发现CMF2同样可能涉及对医学图像IM应用医学发现检测算法ALG。由此,在第二医学发现检测过程D-PROC2中使用的算法可以与在第一医学发现检测过程D-PROC1处使用的算法相同。然而,在第二医学发现检测过程D-PROC2中,医学发现检测算法ALG被设置成在第二灵敏度水平SL2下操作。这可以通过适当地设置医学发现检测算法ALG的操作点来完成。第二灵敏度水平SL2可以高于第一灵敏度水平SL1。作为两个医学发现检测过程D-PROC1和D-PROC2的步骤S20和步骤S30可以并行运行。
步骤S30的可选子步骤S31旨在设置第二灵敏度水平SL2。基本上如前面关于步骤S21所描述的,像第一灵敏度水平SL1一样,第二灵敏度水平SL2可以由用户手动、自动或半自动地设置。另外,可以基于第一灵敏度水平SL1设置第二灵敏度水平SL2,以最佳地补充第一灵敏度水平SL1。例如,可以设置第二灵敏度水平SL2,使得在第一医学发现检测过程D-PROC1和第二医学发现检测过程D-PROC2之间存在合理的灵敏度差异。
在步骤S40处,获得感兴趣区域ROI,将针对包括在第二组医学发现CMF2中的候选医学发现ADD-CMF来分析该感兴趣区域ROI,第二组医学发现CMF2可以补充第一组候选医学发现CMF1的候选医学发现。对应的人机交互的示例将通过图3的可选方法步骤来说明。
在步骤S41处,渲染医学图像IM的用于经由用户接口10向用户显示的表示RE。如图4中示出的,表示RE包括第一组候选医学发现CMF1中的候选医学发现的指示I。指示I可以指示医学图像IM中的候选医学发现的位置和/或轮廓。表示RE不包括第二组医学发现CMF2的候选医学发现的任何指示,因为它们的较低程度的特异性(以及潜在较高数目的假阳性)可能潜在地使用户不知所措。
在步骤S42处,表示RE被提供给用户。接下来,在步骤S43处,接收用户输入INP,该用户输入INP旨在限定表示RE中的感兴趣区域ROI以及由此医学图像IM中的感兴趣区域ROI。如提及的,用户输入INP可以基于与系统1的各种用户交互,例如经由前面提及的输入单元或设备的输入,包括但不限于语音输入、由眼睛跟踪生成的输入、姿势命令、使用输入设备的直接输入等。用户输入INP可以使得它完全限定感兴趣区域ROI。例如,用户可以直接输入预期感兴趣区域ROI的整个轮廓。根据替选示例,用户输入INP可以通过仅指定表示RE中的一个或更多个点或像素来仅部分地限定适当的感兴趣区域ROI。
在步骤S44处,基于用户输入INP限定感兴趣区域ROI。根据一些实施方式,这可能涉及在需要时补充或扩展用户输入INP。从而人机交互被更舒适地渲染,并且用户被提供附加帮助。特别地,如果用户输入INP仅指定点或像素,则感兴趣区域ROI可以优选地围绕由用户指定的点或像素以某个偏移圆形地扩展。偏移可以以像素来测量。此外,偏移可以由用户例如在为了从第二组CMF2中搜索附加的候选医学发现而激活用其限定感兴趣区域ROI的工具时设置。感兴趣区域ROI可以在表示RE中被可视化或可以不在表示RE中被可视化。
在步骤S50处,在感兴趣区域ROI内标识尚未包括在第一组候选医学发现CMF1中的至少一个候选医学发现ADD-CMF。具体地,可以在可选子步骤S51中确定感兴趣区域ROI是否包括第二组医学发现CMF2中的任何候选医学发现。为此,可以在第二组候选医学发现CMF2中搜索位于感兴趣区域ROI中的候选医学发现。如果第二组候选医学发现CMF2包括这样的候选医学发现,则可以可选地检查它们是否已经被包括在第一组医学发现CMF1中以避免重复。然后,可以在后续步骤S60中提供由此检测的附加候选医学发现ADD-CMF。如果感兴趣区域ROI不包括第二组候选医学发现CMF2中的任何候选医学发现,则这同样可以例如利用经由用户接口10至用户的适当的通知来引起用户的注意。
在步骤S60处,提供在步骤S50处标识的附加候选医学发现ADD-CMF。提供可以意味着源自该组第二候选医学发现CMF2的附加候选医学发现ADD-CMF被附加至第一组候选医学发现CMF1。这可能意味着附加候选医学发现ADD-CMF与第一组CMF1中的候选医学发现一起被存储。这也可能意味着附加候选医学发现ADD-CMF与第一组CMF1相关联,使得它们可以结合第一组CMF1中的候选医学发现被检索。此外,步骤S60可以包括:将附加候选医学发现ADD-CMF包括在医学报告中。
此外,提供可能意味着附加候选医学发现ADD-CMF与第一组CMF1中的候选医学发现一起被包括在表示RE中。这可以发生在可选子步骤S61中。具体地,可以类似于在步骤S41中那样生成修改的表示RE’。该修改的表示RE’可以包括针对从第二组CMF2中抽取的附加候选医学发现ADD-CMF的附加指示I’(参见图4)。
根据实施方式,步骤S60可以包括与用户的确认交互。在此,例如,用户可以评估附加候选医学发现ADD-CMF是否合理并且是否将被包括在第一组CMF1中。为此,用户接口10可以被配置成接收直接拒绝或接受附加候选医学发现ADD-CMF的用户输入,并且相应地处理附加候选医学发现ADD-CMF。
在任何有意义的地方,各个实施方式或其各个方面和特征可以彼此组合或交换,而无需限制或扩大本发明的范围。在适用的情况下,关于本发明的一个实施方式描述的优点对于本发明的其他实施方式也是有利的。
Claims (15)
1.一种用于提供包括在医学图像中的候选医学发现的计算机实现的方法,所述方法包括以下步骤:
-获得(S10)描绘患者的身体部位的医学图像(IM),
-通过使所述医学图像(IM)经受第一医学发现检测过程(D-PROC1)来生成(S20)第一组候选医学发现(CMF1),
-通过使所述医学图像(IM)经受不同于所述第一医学发现检测过程(D-PROC1)的第二医学发现检测过程(D-PROC2)来生成(S30)第二组候选医学发现(CMF2),
-获得(S40)所述医学图像(IM)中的感兴趣区域(ROI),
-在所述感兴趣区域(ROI)中标识(S50)包括在所述第二组候选医学发现(CMF2)中并且不包括在所述第一组候选医学发现(CMF1)中的至少一个候选医学发现(ADD-CMF),以及
-提供(S60)所述至少一个候选医学发现(ADD-CMF)。
2.根据权利要求1所述的方法,其中,
-生成(S20)所述第一组候选医学发现(CMF1)的步骤包括:以第一灵敏度水平(SL1)检测所述医学图像(IM)中的候选医学发现,以及
-生成(S30)所述第二组候选医学发现(CMF2)的步骤包括:以高于所述第一灵敏度水平(SL1)的第二灵敏度水平(SL2)检测所述医学图像(IM)中的候选医学发现。
3.根据权利要求2所述的方法,其中,
-在生成(S20)所述第一组候选医学发现(CMF1)的步骤中,所述第一医学发现检测过程(D-PROC1)包括对所述医学图像(IM)应用第一医学发现检测算法(ALG),所述第一医学发现检测算法(ALG)在所述第一灵敏度水平(SL1)下操作,以及
-在生成(S30)所述第二组候选医学发现(CMF2)的步骤中,所述第二医学发现检测过程(D-PROC2)包括对所述医学图像(IM)应用第二医学发现检测算法(ALG2),所述第二医学发现检测算法(ALG2)在所述第二灵敏度水平(SL2)下操作。
4.根据权利要求3所述的方法,其中,
-所述第二医学发现检测算法(ALG2)和所述第一医学发现检测算法(ALG)是相同的。
5.根据权利要求2至4中任一项所述的方法,还具有以下步骤:
-基于以下中的任何一项来设置(S21)所述第一灵敏度水平(SL1):
-旨在设置所述第一灵敏度水平(SL1)的用户输入,
-所述医学图像(IM),以及/或者
-与所述医学图像(IM)相关联的补充非图像数据。
6.根据权利要求2至5中任一项所述的方法,还具有以下步骤:
-基于所述第一灵敏度水平(SL1)设置(S31)所述第二灵敏度水平(SL2)。
7.根据前述权利要求中任一项所述的方法,其中,
-所述第一医学发现检测过程(D-PROC1)和所述第二医学发现检测过程(D-PROC2)并行运行。
8.根据前述权利要求中任一项所述的方法,其中,
-标识(S50)所述至少一个候选医学发现(ADD-CMF)的步骤包括:确定(S51)所述感兴趣区域(ROI)是否包括所述至少一个候选医学发现(ADD-CMF),以及
-提供(S60)所述至少一个候选医学发现(ADD-CMF)的步骤基于确定(S50)的步骤。
9.根据前述权利要求中任一项所述的方法,其中,获得(S40)所述感兴趣区域(ROI)的步骤包括:
-生成(S41)所述医学图像(IM)的用于在用户接口(10)中显示给用户的表示(RE),其中,可选地,所述表示(RE)包括包含在所述第一组候选医学发现(CMF1)中的候选医学发现(CMF1)的一个或更多个指示(I),
-在所述用户接口(10)中将所述表示(RE)提供(S42)给所述用户,
-可选地经由所述用户接口(10)接收(S43)用户输入(INP),所述用户输入(INP)旨在指示所述表示(RE)中的感兴趣区域(ROI),以及
-基于旨在指示所述感兴趣区域(ROI)的用户输入(INP)来限定(S44)所述医学图像(IM)中的感兴趣区域(ROI)。
10.根据权利要求9所述的方法,其中,
-所述用户输入(INP)指向所述表示(RE)中的某个位置,以及
-所述感兴趣区域(ROI)被限定为距离所述位置预设距离内的位置周围的区域。
11.根据权利要求9和10中任一项所述的方法,其中,提供(S60)的步骤包括:
-将所述至少一个候选医学发现(ADD-CMF)的指示(I’)包括(S61)在所述表示(RE)中,以生成更新的表示(RE’),还具有以下步骤:
-在所述用户接口(10)中将所述更新的表示(RE’)显示给所述用户。
12.根据前述权利要求中任一项所述的方法,其中,
所述第二组候选医学发现(CMF2)中的候选医学发现(CMF2)中的每一个包括置信度值,以及
在标识(S40)所述至少一个候选医学发现(ADD-CMF)的步骤中,只有所述第二组医学发现(CMF2)中的这样的候选医学发现(CMF2)被考虑:其置信度值高于预设的置信度阈值。
13.一种用于提供包括在医学图像(IM)中的候选医学发现(ADD-CMF)的系统(1),所述系统(1)包括接口单元(10,25)和计算单元(20),其中,
-所述接口单元(10,25)被配置成获得(S10)描绘患者的身体部位的医学图像(IM),以及
-所述计算单元(20)被配置成:
-通过使所述医学图像(IM)经受第一医学发现检测过程(D-PROC1)来生成(S20)第一组候选医学发现(CMF1),
-通过使所述医学图像(IM)经受不同于所述第一医学发现检测过程(D-PROC1)的第二医学发现检测过程(D-PROC2)来生成(S30)第二组候选医学发现(CMF2),
-获得(S40)所述医学图像(IM)中的感兴趣区域(ROI),
-在所述感兴趣区域(ROI)中标识(S50)包括在所述第二组候选医学发现(CMF2)中并且不包括在所述第一组候选医学发现(CMF1)中的至少一个候选医学发现(ADD-CMF),以及
-提供(S60)所述至少一个候选医学发现(ADD-CMF)。
14.一种包括程序元素的计算机程序产品,所述程序元素促使系统(1)的用于基于患者的身体部位的医学图像(IM)提供针对所述患者的身体部位的候选医学发现(ADD-CMF)的计算单元(20)在所述程序元素被加载到所述计算单元(20)的存储器中时执行根据权利要求1至12中任一项所述的方法的步骤。
15.一种其上存储有程序元素的计算机可读介质,所述程序元素能够被系统(1)的用于基于患者的身体部位的医学图像(IM)提供针对所述患者的身体部位的候选医学发现的计算单元(20)读取和执行,以在所述程序元素被所述计算单元(20)执行时执行根据权利要求1至12中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP22191664.6A EP4328855A1 (en) | 2022-08-23 | 2022-08-23 | Methods and systems for identifying a candidate medical finding in a medical image and providing the candidate medical finding |
EP22191664.6 | 2022-08-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117637122A true CN117637122A (zh) | 2024-03-01 |
Family
ID=83319272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311054871.7A Pending CN117637122A (zh) | 2022-08-23 | 2023-08-21 | 用于标识和提供医学图像中的候选医学发现的方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240070860A1 (zh) |
EP (1) | EP4328855A1 (zh) |
CN (1) | CN117637122A (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5952996B2 (ja) * | 2006-12-19 | 2016-07-13 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 医用撮像データ内で可能性あるコンピュータ検出偽陽性を指し示す装置及び方法 |
US11688063B2 (en) * | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
-
2022
- 2022-08-23 EP EP22191664.6A patent/EP4328855A1/en active Pending
-
2023
- 2023-08-21 CN CN202311054871.7A patent/CN117637122A/zh active Pending
- 2023-08-23 US US18/454,161 patent/US20240070860A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4328855A1 (en) | 2024-02-28 |
US20240070860A1 (en) | 2024-02-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190220978A1 (en) | Method for integrating image analysis, longitudinal tracking of a region of interest and updating of a knowledge representation | |
US9014485B2 (en) | Image reporting method | |
US20190279751A1 (en) | Medical document creation support apparatus, method, and program | |
US11430119B2 (en) | Spatial distribution of pathological image patterns in 3D image data | |
EP1662415A1 (en) | Digital medical image analysis | |
EP3893198A1 (en) | Method and system for computer aided detection of abnormalities in image data | |
US20170221204A1 (en) | Overlay Of Findings On Image Data | |
US11093699B2 (en) | Medical image processing apparatus, medical image processing method, and medical image processing program | |
JP6796060B2 (ja) | 画像レポート注釈同定 | |
CN111223556B (zh) | 集成医学图像可视化和探索 | |
US9053541B2 (en) | Image registration | |
US20220028510A1 (en) | Medical document creation apparatus, method, and program | |
US20220285011A1 (en) | Document creation support apparatus, document creation support method, and program | |
Peng et al. | Repeatability and reproducibility of computed tomography radiomics for pulmonary nodules: a multicenter phantom study | |
US20220366151A1 (en) | Document creation support apparatus, method, and program | |
US11923069B2 (en) | Medical document creation support apparatus, method and program, learned model, and learning apparatus, method and program | |
US20230005580A1 (en) | Document creation support apparatus, method, and program | |
EP4235566A1 (en) | Method and system for determining a change of an anatomical abnormality depicted in medical image data | |
EP4328855A1 (en) | Methods and systems for identifying a candidate medical finding in a medical image and providing the candidate medical finding | |
EP4339961A1 (en) | Methods and systems for providing a template data structure for a medical report | |
EP4356837A1 (en) | Medical image diagnosis system, medical image diagnosis system evaluation method, and program | |
EP4287195A1 (en) | Information processing device, method, and program | |
US20230281810A1 (en) | Image display apparatus, method, and program | |
US20220215962A1 (en) | Image diagnosis support device, operation method of image diagnosis support device, and operation program of image diagnosis support device | |
US20220076796A1 (en) | Medical document creation apparatus, method and program, learning device, method and program, and trained model |
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 |