CN118042988A - 用于获取之前的成像检查的前瞻性质量评估 - Google Patents

用于获取之前的成像检查的前瞻性质量评估 Download PDF

Info

Publication number
CN118042988A
CN118042988A CN202280066386.9A CN202280066386A CN118042988A CN 118042988 A CN118042988 A CN 118042988A CN 202280066386 A CN202280066386 A CN 202280066386A CN 118042988 A CN118042988 A CN 118042988A
Authority
CN
China
Prior art keywords
quality
data
imaging
patient
quality index
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
CN202280066386.9A
Other languages
English (en)
Inventor
A·戈森
S·M·扬
S·克伦克-希勒
J·冯贝格
T·P·哈德
H·M·布吕克
D·贝斯特罗夫
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 CN118042988A publication Critical patent/CN118042988A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/04—Positioning of patients; Tiltable beds or the like
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/04—Positioning of patients; Tiltable beds or the like
    • A61B6/0487—Motor-assisted positioning
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1055—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using magnetic resonance imaging [MRI]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1059—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using cameras imaging the patient
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及医疗成像。为了减少重复图像，提出了通过利用来自传感器的数据，在图像形成之前实现质量指标的自动预测。这可大大提高在实际成像检查中获取的医疗影像数据的质量，从而导致更少的重拍、更少的延迟患者治疗、缩短的工作流程和更高的就诊率。在X射线和CT检查中，更少的重拍还可减少患者的辐射剂量。

Description

用于获取之前的成像检查的前瞻性质量评估
技术领域
本发明涉及医疗成像，尤其涉及一种用于获取之前的成像检查的前瞻性质量评估的计算机实现的方法、装置、系统和计算机程序。
背景技术
US2019/183439A1公开了一种用于定位患者的身体区域的方法，以便由射线照相系统进行射线照相获取。
正确的患者定位对诊断质量至关重要。官方标准中已制定了相关的质量标准和建议。在临床日常工作中，有许多导致偏离这些标准的因素，如高工作量、缺乏培训、教育缺失、反馈缺失和缺乏奖励等。违反一项或多项质量标准的图像往往会给医务人员带来额外的工作量。它们可能导致误诊，因此可诱发患者的健康风险。
为了减少误诊，已开发了计算机辅助方法来分析医疗图像数据，以便在图像已拍摄后评估质量。如果获取的医疗图像的质量不符合官方标准中的质量标准和建议，则可能需要重复检查。然而，重复成像导致的复杂因素包括：延迟患者治疗、较低的就诊率，以及对于X射线和CT检查来说较高的患者辐射剂量。
发明内容
可能需要减少重复成像。
本发明由独立权利要求来限定。从属权利要求限定了有利的实施例。
应注意的是，本发明的以下描述方面也适用于计算机实现的方法、装置、系统和计算机程序。
根据本发明的第一方面，提供了一种用于获取之前的成像检查的前瞻性质量评估的计算机实现的方法，包括以下步骤：
a)接收待由医疗成像装置使用医疗成像模式成像的患者的身体部位的传感器数据；
b)使用数据驱动模型从接收到的传感器数据中生成质量指标，其中数据驱动模型已基于训练数据集进行训练，训练数据集包括多个训练示例，每个训练示例包括在成像期间获取的身体部位的传感器数据以及从成像期间使用医疗成像模式获取的图像数据中导出的相关质量指标；以及
c)提供所生成的质量指标，以用于获取之前的成像检查的前瞻性质量评估。
换言之，提出了一种计算机实现的方法，以便通过利用来自传感器的数据，能够在图像形成之前实现质量指标的自动预测。所提出的方法包括在成像检查的定位/准备期间获得待成像的患者的身体部位的传感器数据。传感器数据可由任何合适的传感器来获取，如光学传感器、热传感器、深度传感器、射频传感器阵列、光纤测距传感器或它们的任意组合。如果患者躺在患者支撑件上，传感器数据也可由被嵌置在患者支撑件中的传感器获取，如被嵌置在患者支撑件内的压力传感器、被嵌置在患者支撑件内的超声传感器等。
可使用训练过的数据驱动模型从接收到的传感器数据中导出质量指标。数据驱动模型已经过训练，以便直接从在实际成像检查之前输入的传感器数据中预测将要获取的医疗图像数据的质量指标。在一些示例中，质量指标可直接从接收到的传感器数据中导出。在一些示例中，目标解剖结构的解剖结构模型可被拟合到接收到的传感器数据，且质量指标可从拟合的解剖结构模型中导出。
该质量指标也可被称为预测的质量指标。数据驱动模型已利用包括多个训练示例的训练数据集进行了训练。每个示例包括在成像期间获取的身体部位的传感器数据，以及从同一成像期间使用医疗成像模式获取的图像数据中导出的相关质量指标。质量指标可以由熟练的临床医生手动标注，和/或以自动方式从图像数据中导出。一般来说，数据驱动模型已经过训练，以便学习在成像检查的定位/准备期间获取的传感器数据与从实际成像检查之后由医疗扫描仪获取的图像数据中导出的质量指标之间的关联。将针对图4所示的实施例来解释示例性训练过程。
在一些示例中，质量指标可以是单个值。在一些示例中，质量指标可以是由多个数值组成的矢量。每个数值表示使用医疗成像模式获取的图像数据中的解剖结构特征的位置和/或旋转相对于该解剖结构特征的期望位置和/或旋转的偏差。
数据驱动模型也可被称为质量预测模型。示例性数据驱动模型可包括但不限于人工神经网络、训练过的随机森林和基于模型的分割方法。
然后，所生成的质量指标被用于获取之前的成像检查的前瞻性质量评估。例如，在检查的准备/定位期间，可通过前瞻性地显示预测的质量指标来应用训练过的数据驱动模型。例如，可将所生成的质量指标与参考质量指标进行比较，并可生成声音信号，该声音信号指示患者是否正确定位。在另一示例中，可将所生成的质量指标与参考质量指标进行比较，且如果所生成的质量指标与参考质量指标之间的差值小于阈值，则可触发医疗扫描仪以便执行图像获取。
所提出的方法可被用于获取之前的各种成像检查的前瞻性质量评估。示例性成像模式可包括但不限于X射线成像、MR成像、CT成像、正电子发射断层扫描(PET)成像和自动转向超声成像。成像模式的其他示例可包括组合式治疗/诊断装置，如MR-Linac装置、MR质子治疗装置和/或锥形束CT装置。
下文将对计算机实现的方法进行解释，尤其是针对图2中所示的实施例进行解释。
所提出的方法可允许操作员在进行实际检查之前优化预测的质量指标。例如，在使被观察的患者相对于传感器移动时，可指示出当前定位质量的即时预测结果。这可以大大改善在实际成像检查中获取的医疗图像数据的质量，从而导致更少的重拍、更少的延迟患者治疗、缩短的工作流程和更高的就诊率。在X射线和CT检查中，更少的重拍还可减少患者辐射剂量。
根据本发明的一个实施例，从接收到的传感器数据中生成质量指标包括：
-直接从接收到的传感器数据中生成质量指标；或
-将目标解剖结构的解剖结构模型拟合到传感器数据，并从该目标解剖结构的拟合的解剖结构模型中生成质量指标。
目标解剖结构的解剖结构模型可以是二维模型、三维模型或更高维度的模型，其模拟了关节相关的铰接(如弯曲)或解剖结构变化。
根据本发明的一个实施例，计算机实现的方法还包括：
-确定所生成的质量指标是否符合预定标准；以及
-生成指示所生成的质量指标是否符合预定标准的信号。
在一个示例中，可以确定所生成的质量指标与参考质量指标之间的偏差是否小于阈值。
在一个示例中，可以确定所生成的质量指标是否在可允许范围内。
根据本发明的一个实施例，信号包括用于控制设备以便告知操作员患者是否准备好进行图像获取的信号。
在一个示例中，该设备是扬声器，其被配置成生成指示患者是否正确定位的声音信号。
在另一个示例中，该设备是照明设备，其被配置成用于生成指示患者是否正确定位的光信号。
在另一个示例中，该设备是触觉设备，其被配置成向患者和/或操作员施加指示患者是否正确定位的力、振动或运动。
根据本发明的一个实施例，信号包括用于触发医疗成像装置以便开始图像获取的信号。
换句话说，医疗成像装置可响应于指示患者正确定位的信号而自动开始图像获取。
根据本发明的一个实施例，计算机实现的方法还包括：
-在图像获取后接收患者的身体部位的图像数据；
-基于接收到的图像数据确定另一质量指标；以及
-确定从图像获取之前的传感器数据中生成的质量指标与从图像获取之后的图像数据中导出的另一质量指标之间的差值；以及
-利用该差值进一步训练数据驱动模型。
换句话说，提出了通过将预测结果与在实际图像获取后从最终图像中稍后导出的参考质量指标进行比较，允许对预测结果进行评级。这样可以实现持续和有监督学习的闭环，从而实现持续改进数据驱动模型的策略。此外，封闭式训练环还可以实现在不损害数据隐私的情况下，创建利用大量数据进行训练的模型。下文将对此进行解释，尤其是针对图7和图8所示的实施例进行解释。
根据本发明的一个实施例，计算机实现的方法还包括：
-接收指示接收到的图像数据的用户定义的质量指标的用户输入；以及
-确定从图像获取之前的传感器数据中生成的质量指标与用户定义的质量指标之间的差值；以及
-利用该差值进一步训练数据驱动模型。
换句话说，用户(如放射技师)可以查看/核查该检查的质量指标向量，并提供反馈，例如确认/更改具体指标。将这种专家反馈纳入持续学习环，实现了一种更加可靠的强监督学习策略。下文将对此进行解释，尤其是针对图7和图8所示的实施例进行解释。
根据本发明的一个实施例，质量指标是由多个数值组成的向量，每个数值表示使用医疗成像模式获取的图像数据中的解剖结构特征的位置和/或旋转相对于该解剖结构特征的期望位置和/或旋转的偏差。
不同的数值可反映不同的质量方面。例如，如图8所示，X射线图像质量可以根据具有不同质量方面的质量向量来确定，例如视场(FOV)顺应性、旋转和弯曲。这将在下文中进行解释，尤其是针对图8所示的实施例进行解释。
根据本发明的一个实施例，传感器数据是由以下中的一个或多个获取的：光学传感器、深度传感器、热传感器、压力传感器、超声传感器和射频传感器阵列。
根据本发明的一个实施例，医疗成像模式包括以下中的一种或多种：磁共振成像、超声成像、X射线成像、计算机断层扫描成像和正电子发射断层扫描成像。
根据本发明的一个实施例，医疗成像模式包括混合模式，其包括以下中的一种或多种：MR-Linac、MR质子治疗和锥形束计算机断层扫描。
根据本发明的第二方面，提供了一种用于获取之前的成像检查的前瞻性质量评估的装置，该装置包括用于生成质量指标的一个或多个处理单元，其中处理单元包括指令，当在一个或多个处理单元上执行时，该指令执行根据第一方面和任何相关示例所述的方法的步骤。
下文将对此进行解释，尤其是针对图1所示的实施例进行解释。
根据本发明的第三方面，提供了一种系统，包括：
-医疗成像装置，其被配置成获取患者的身体部位的图像数据；
-传感器，其被配置成获取患者的身体部位的传感器数据；以及
-根据第二方面和任何相关示例所述的装置，其被配置成接收传感器数据并提供用于获取之前的成像检查的前瞻性质量评估的质量指标。
下文将对此进行解释，尤其是针对图3和图5所示的实施例进行解释。
根据本发明的一个实施例，医疗成像装置被配置成根据所提供的质量指标开始图像获取。替代性地或另外，该系统还包括被配置成基于质量指标告知患者是否准备好进行图像获取的设备。
在一个示例中，该设备是扬声器，其被配置成产生指示患者是否正确定位的声音信号。
在另一个示例中，该设备是照明设备，其被配置成产生指示患者是否正确定位的光信号。
在另一个示例中，该设备是触觉设备，其被配置成向患者和/或操作员施加告知患者是否正确定位的力、振动或运动。
根据本发明的另一方面，提供了一种计算机程序产品，该计算机程序产品包括指令，当该程序由至少一个处理单元执行时，该指令使至少一个处理单元执行根据第一方面和任何相关示例所述的方法的步骤。
应理解的是，前述构思和下文更详细地讨论的附加构思的所有组合(只要这些构思不相互矛盾)都被视为本文所公开的创造性主题的一部分。尤其是，在本公开末尾出现的所要求保护的主题的所有组合都被视为本文公开的创造性主题的一部分。
本发明的这些和其他方面将从下文描述的实施例中变得明显，并参照这些实施例进行阐明。
附图说明
在附图中，相同的附图标记一般指的是不同视图中的相同部分。而且，附图不必按比例绘制，重点一般放在例示说明本发明的原理上。
图1示出了示例性装置的框图。
图2是示例性的计算机实现的方法的流程图。
图3示意性地示出了系统的示例。
图4是生成用于训练数据驱动模型的训练数据的方法的流程图。
图5示出了系统的另一示例。
图6示出了脚踝的示例性侧面图像。
图7示出了实施弱监督持续学习的示例性方法。
图8示出了在具有示例数据的情况下用于质量指标预测的持续学习框架的示例。
具体实施方式
图1示出了用于获取之前的成像检查的前瞻性质量评估的示例性装置10的框图。装置10可包括输入单元12、一个或多个处理单元14和输出单元16。
总体上，装置10可包括用于传送和操纵信息的各种物理和/或逻辑部件，这些部件可被实现为硬件部件(如计算设备、处理器、逻辑器件)、由各种硬件部件执行的可执行计算机程序指令(如固件、软件)或其任意组合，如给定的设计参数集或性能限制所期望的。虽然图1通过举例的方式示出有限数量的部件，但可理解的是，对于给定的实施方式，可以采用更多或更少的部件。
例如，装置10可被实现为比如服务器、工作站、成像设备或移动设备之类的设备或装置或在其中实现。装置10可包括一个或多个微处理器或计算机处理器，它们可执行适当的软件。装置10的处理单元14可以由一个或多个此类处理器来实现。软件可以已下载和/或存储在相应的存储器中，例如，易失性存储器(如RAM)或非易失性存储器(如闪存)。软件可包括配置一个或多个处理器以便执行本文所述的功能的指令。
需要注意的是，装置10可被实现为使用或不使用处理器，也可被实现为用于执行一些功能的专用硬件和用于执行其他功能的处理器(例如，一个或多个被编程的微处理器和相关电路)的组合。例如，装置10的功能单元，如输入单元12、处理单元14和输出单元16，可以在设备或装置中以可编程逻辑器件(如现场可编程门阵列(FPGA))的形式实现。输入单元12和输出单元16可由该装置的相应接口来实现。一般来说，该装置的每个功能单元可以以电路的形式来实现。
装置10也可以分布式方式来实现。例如，装置10的部分或全部单元可被布置成呈分布式架构的独立模块，并连接到合适的通信网络中，例如第三代合作伙伴计划(3GPP)网络、长期演进(LTE)网络、互联网、LAN(局域网)、无线LAN(局域网)、WAN(广域网)等。
输入单元12可包括硬件和/或软件，以使装置10能够经由有线连接或经由无线连接从传感器接收传感器数据。
处理单元14可以执行指令，以便执行本文所述的方法，将针对图2所示的实施例对其进行详细解释。
输出单元16可包括硬件和/或软件，以使该装置能够与其他设备(如显示器、存储设备等)和/或网络(LTE、LAN、无线LAN等)通信，以便提供所生成的质量指标。
图2是用于获取之前的成像检查的前瞻性质量评估的计算机实现的方法200的流程图。下面将参照图3对方法200进行描述。然而，方法200并不限于图3的示例。
计算机实现的方法200可被实现为设备、模块或存储在非暂时性机器或计算机可读存储介质(例如随机存取存储器(RAM)、只读存储器(ROM)、可编程ROM(PROM)、固件、闪存等)中的一组逻辑指令中、存储在可配置的逻辑器件(例如可编程逻辑阵列(PLA)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)中、存储在使用电路技术的固定功能硬件逻辑器件(例如专用集成电路(ASIC)、互补金属氧化物半导体(CMOS)或晶体管-晶体管逻辑(TTL)技术)或它们的任意组合中的一组逻辑指令的相关组件。例如，执行方法200中所示的操作的计算机程序代码可以用一种或多种编程语言(包括面向对象编程语言，如JAVA、SMALLTALK、C++、Python或类似语言)以及传统的程序化编程语言(如“C”编程语言或类似编程语言)的任意组合来编写。例如，计算机实现的方法200可被实现为如图1所示的装置10。
图3示意性地示出了根据本公开的一个实施例的系统100。系统100包括装置10、医疗成像装置20、可沿医疗成像装置的中心系统轴线移动的患者支撑件22、传感器30和控制台40。医疗成像装置20被配置成获取患者的身体部位的图像数据。传感器30被配置成获取患者的身体部位的传感器数据。装置10被配置成接收传感器数据并提供用于获取之前的成像检查的前瞻性质量评估的质量指标。
医疗成像装置20的整体操作可由操作员从控制台40进行控制。控制台40可联接到屏幕或监视器42，在屏幕或监视器42上可以查看或核查所获取的图像或成像仪设置。操作员，例如医疗实验室的技术人员，可以通过控制台40控制图像获取。在图3的示例中，装置10是被配置成通过无线和/或有线接口与传感器30通信的独立设备。然而，在替代性示例中(未示出)，装置10可以驻留在控制台40中作为软件例程运行。
回到图2，在框210处开始，即步骤a)，装置(如图1中所示的装置10)从传感器接收患者的身体部位的传感器数据，该传感器在成像检查的定位/准备期间监测身体部位。患者的身体部位将由医疗成像装置使用医疗成像模式进行成像。该装置可通过有线连接或通过无线连接从传感器接收传感器数据。该装置可以具有传感器数据接口以便访问传感器数据，该接口可以有多种形式，如连接局域网的网络接口，但也可以是视频接口，如HDMI等。
在图3的示例中，传感器30是深度摄像头。传感器30也可以是例如热传感器、超声传感器(例如被嵌置在患者支撑件22中)、射频传感器阵列、被嵌置在患者支撑件22中的压力传感器、光纤测距传感器或它们的任意组合。虽然图3只示出了单个传感器，但可以理解的是，可以提供包括两个或更多个传感器的传感器布置结构。在一些示例中，传感器30可被布置在远离医疗成像装置20的地方，例如房间的天花板上，使得传感器的视场至少包括患者被定位于其中以便成像的区域中的一部分。在一些示例中，传感器(如压力传感器)可被嵌置在患者支撑22中。
在图3的示例中，患者的身体部位将由MR成像装置进行成像。医疗成像装置20的其他示例可包括但不限于X射线成像装置、CT成像装置、PET成像装置、自动转向超声成像装置等。医疗成像装置20也可以是组合式治疗/诊断装置，例如MR-Linac装置、MR质子治疗装置和锥形束CT装置。
回到图2，在框220处，即步骤b)，该装置使用数据驱动模型从接收到的传感器数据中生成质量指标。数据驱动模型已经过训练，以便根据在实际成像检查前由传感器(例如深度摄像头)获取的(非电离)传感器数据来预测待由医疗成像装置获取的图像数据的质量指标。例如，数据驱动模型可以是人工神经网络、训练过的随机森林、基于模型的分割方法等。
该装置可直接从接收到的传感器数据中生成质量指标。替代性地，该装置可将目标解剖结构的解剖结构模型拟合到接收到的传感器数据，然后从该目标解剖结构的拟合的解剖结构模型中生成质量指标。目标解剖结构的解剖结构模型可以是二维模型、三维模型或四维模型。
质量指标是由多个数值组成的向量。每个数值表示使用医疗成像模式获取的图像数据中的解剖结构特征的位置和/或旋转相对于该解剖结构特征的期望位置和/或旋转的偏差。在一些示例中，该数值可包括序数值，例如，0表示非常小的偏差，0.5表示较小的偏差，1表示较大的偏差。可以通过将偏差与一个或多个预定阈值进行比较来确定序数值。在一些示例中，该数值可包括连续的值，例如在某一目标坐标系中的偏差，例如以[mm]为单位的偏移、以度为单位的旋转、以百分比为单位的FOV开度等。不同的数值可反映不同的质量方面。例如，如图8所示，X射线图像质量可以根据具有不同质量方面的质量向量来确定，例如视场(FOV)顺应性、旋转和弯曲。质量指标也可以是单个值，如上述数值的加权和。
数据驱动模型已基于包含多个训练示例的训练数据集进行训练。每个训练示例包括在成像期间获取的身体部位的传感器数据，以及从成像期间使用医疗成像模式获取的图像数据中导出的相关质量指标。下文将讨论一个示例性训练过程，尤其是针对图4所示的实施例来讨论。
回到图2，在框230处，即步骤c)，该装置提供所生成的质量指标，以便用于获取之前的成像检查的前瞻性质量评估。
训练过的数据驱动模型可在成像检查的定位/准备期间被推断出，以便提供预测的质量指标。这可以允许操作员(如放射技师)在进行实际检查之前优化预测的质量指标。例如，在使被观察的患者相对于传感器移动时，可指示出当前定位质量的即时预测结果。
在图3所示的示例中，装置10将所生成的质量指标提供给控制台40。在屏幕42上可以查看或核查所生成的质量指标。如果所生成的质量指标符合标准，则操作员可以通过致动操纵杆或踏板或与控制台40联接的其他适当输入装置而经由控制台40来控制图像获取。
可选地，装置10可确定所生成的质量指标是否符合预定标准，然后生成指示所生成的质量指标是否符合预定标准的信号。
在一些示例中，所生成的信号可包括用于控制设备以便告知患者是否准备好进行图像获取的信号。在一个示例中，该设备可以是扬声器，其被配置成生成告知患者该患者已经正确定位且待成像的身体部位应在整个检查过程中保持不动的声音信号。在另一个示例中，该设备可以是用于产生告知患者和/或操作员该患者已正确定位的光信号(例如绿光)的照明设备。
在一些示例中，所生成的信号可包括用于触发医疗成像装置以便开始图像获取的信号。在这些示例中，操作员无需手动控制图像获取。而是，医疗成像装置20可通过指示出患者已正确定位以便进行图像获取的信号而被触发以便执行自动图像获取。还可生成警告信号，该警告信号告知患者在整个成像检查过程中保持待成像的身体部位不动。
因此，本文所述的计算机实现的方法、装置和系统可提高实际成像检查中获取的医疗图像数据的质量，从而导致更少的重拍、更少的延迟患者治疗、缩短的工作流程和更高的就诊率。在X射线和CT检查中，更少的重拍还可降低患者的辐射剂量。
图4是生成用于训练数据驱动模型的训练数据的方法300的流程图。下面将参考图5和图6描述该方法300。然而，方法300并不限于图5和图6的示例。
图5示出了系统100的另一个示例。在图5的示例中，系统100包括医疗成像装置20，其是X射线成像装置，包括X射线源20a和X射线检测器20b。X射线检测器20b与X射线源20a间隔开，以便容纳患者的待成像的身体部位，如图5中所示的脚踝。
一般来说，在图像获取过程中，准直的X射线束(用箭头表示)从X射线源20a射出，在关注区域(ROI)处穿过患者，通过与其中的物质相互作用而经历衰减，且衰减后的射线束撞击X射线检测器20b的表面。构成ROI的有机物质的密度决定了衰减的程度。与低密度物质(如组织)相比，高密度物质(如骨)导致更高的衰减。然后，X射线的被记录的数字值被合并成一个数字值阵列，从而形成给定获取时间和投影方向的X射线投影图像。
X射线成像装置20的整体操作可由操作员从控制台40进行控制。控制台40可联接到屏幕或监视器42，在屏幕或监视器42上可以查看或核查所获取的X射线图像或成像仪设置。操作员，例如医疗实验室的技术人员，可以例如通过致动操纵杆或踏板或与控制台40联接的其他适当输入装置来释放单次X射线曝光而经由控制台40控制图像获取运行。
根据要求，可以制作脚踝的各种图像。标准系列可包括正位(AP)图像、榫眼(Mortise)图像和侧面图像(lateral image)。当怀疑跟骨病变时，可制作沿轴向方向的附加图像。在图5的示例中，X射线成像装置20获取了脚踝的AP图像。
装置10可以是针对图1所述的装置。在图5的示例中，装置10是单独的设备，其被配置成通过无线和/或有线接口与传感器30通信。然而，在替代性示例中(未示出)，装置10可以驻留在控制台40中作为软件例程运行。
传感器30可以是深度摄像头，其被设置成靠近管头20a或安装到管头20a。深度摄像头可以提供关于观察到的场景的光学和深度信息。在被设置成靠近X射线管头20a、朝向X射线检测器20b并经过校准的情况下，几何布置结构是已知的。这种传感器可在获取之前使用，以便支持放射技师评估患者的位置。
回到图4，在框310处开始，接收患者的身体部位的图像数据。例如，可以从数据库中检索身体部位的图像数据。数据库中的图像数据可以从一个或多个部门或站点的常规检查和/或研究检查中获得。数据库可包括来自一名或多名患者的一个或多个身体部位的图像数据。
图像数据可以是之前通过例如X射线成像装置、MR成像装置、CT成像装置或PET成像装置获取的。图像数据也可以由组合式治疗/诊断装置来获取，例如MR-Linac装置、MR质子治疗装置、锥形束CT装置。例如，图像数据可包括脚踝的各种图像，这些图像可以由图5所示的X射线成像装置20制作。脚踝的示例性侧面图像在图6中示出。
在框320处，接收患者的身体部位的传感器数据。接收到的传感器数据和接收到的图像数据可以是之前在同一次成像检查中获取的。传感器数据可由任何合适的传感器获取，例如光学传感器、深度传感器、热传感器、压力传感器、超声传感器、射频传感器阵列或其任意组合。例如，如图5所示，传感器30可以是用于捕捉脚踝的深度图像的深度摄像头。
在框330处，从图像数据中提取一个或多个特征。从图像数据中提取的一个或多个特征可包括但不限于界标、器官边界、关注区域、由医疗成像装置获取的图像数据中的图像标签或其任意组合。可以使用全自动过程来计算一个或多个特征，如图6中所示的胫骨、腓骨、距骨和跟骨的骨轮廓C1-C4。一个选项是使用图像处理算法，如图像检测算法，其在医疗图像中找到一个或多个特征的近似中心和边界框。将所提取的每个特征的位置和/或方向与相应特征的期望位置和/或方向进行比较，以便确定特征的偏差。例如，骨骼X射线图像质量可基于视场(FOV)顺应性、内-外侧旋转、头-尾旋转、关节弯曲等进行评估。
在框340处，生成质量指标。质量指标可以是由多个数值组成的向量。每个数值表示使用医疗成像模式获取的图像数据中的解剖结构特征的位置和/或旋转相对于该解剖结构特征的期望位置和/或旋转的偏差。例如，X射线图像质量可以根据具有不同质量方面(如FOV、旋转和弯曲)的质量向量来确定。
在框350处，提供从由医疗成像装置获取的图像数据和由传感器获取的传感器数据中导出的质量指标作为训练数据。替代性地，可将目标解剖结构的解剖结构模型拟合到传感器数据。提供从由医疗成像装置获取的图像数据中导出的质量指标和拟合的解剖结构模型作为训练数据。
在框360处，利用训练数据训练该数据驱动模型。
经注释的训练数据可从一个或多个临床站点的常规检查中生成。这种获取经注释的训练数据的持续、无监督的过程为生成大型基准真值数据库提供了基础，从而克服了通过手动或半自动化过程获得的训练集的数量有限的缺点。如果出现具有新的、未预见到的特征的数据，或者如果需要对训练过的系统的期望结果进行调整，持续扩展的训练集数据库可允许保留机器学习模型，以应对随时间推移发生的变化。
可选地，数据驱动模型可在推断阶段中被持续训练，即在使用训练过的机器学习算法进行预测的过程中被持续训练。图7示出了用于实施弱监督持续学习的示例性方法400。
在本示例中，沿着用虚线箭头指示出的过程，从图像获取之前获取的传感器数据中生成质量指标。该质量指标也可被称为预测的质量指标。尤其是，在框420处，以类似于针对图2中的框210描述的实施例的方式接收所获取的传感器数据。在框470处，使用训练过的数据驱动模型以类似于针对图2中的框220描述的实施例的方式从接收到的传感器数据中生成质量指标。在框480处，所生成的质量指标(即预测的质量指标)被用于训练该模型。
沿着用实线箭头所示的过程，在实际成像检查之后，从由医疗成像装置获取的图像数据中生成另一质量指标。该另一质量指标也可被称为实际质量指标。具体而言，在框410处，以类似于针对图4中的框310描述的实施例的方式接收所获取的图像数据。在框430处，从图像数据中提取一个或多个特征。以类似于针对图4的框330描述的实施例的方式，将所提取的每个特征的位置和/或方向与相应特征的期望位置和/或方向进行比较，以确定该特征的偏差。在框440处，生成质量指标，它可以是由多个数值组成的向量。每个数值表示使用医疗成像模式获取的图像数据中的解剖结构特征的位置和/或旋转相对于该解剖结构特征的期望位置和/或旋转的偏差。这可以通过类似于针对图4中的框340描述的实施例的方式来完成。
可选地，在框460处，操作员(例如放射技师)可以查看和核查该检查的质量指标向量，提供反馈，例如确认/更改具体指标，并将此专家反馈纳入持续学习环，这样实现了更加可靠的强监督学习策略。例如，装置10可以接收指示接收到的图像数据的用户定义的质量指标的用户输入，确定从图像获取之前的传感器数据中生成的质量指标与用户定义的质量指标之间的差值，并利用该差值进一步训练数据驱动模型。
从图像获取之前的传感器数据导出的预测的质量指标与从实际图像获取之后获取的图像数据中导出的实际质量指标之间的差值可用作损失函数，以便实现弱监督持续学习。
通过配置例如阈值，持续学习环可适应特定于部门的质量要求(如视场宽度)，而无需手动注释。
图8示出了在具有示例数据的情况下用于质量指标预测的持续学习框架的示例。在本示例中，沿着针对图7中的框410、430、440和460描述的过程，从由医疗成像装置(如图5所示的X射线成像装置)获取的图像数据中导出实际质量指标。沿着针对图7中的框420、470和480描述的过程，从图像获取之前获取的传感器数据中导出预测的质量指标。在本示例中，X射线图像质量是根据具有不同质量方面(如视场、旋转和弯曲)的质量矢量来预测的。RGB/深度摄像头可提供传感器数据，以便使用持续更新的数据驱动模型来预测质量指标。
还应理解的是，除非明确指出相反的情况，否则在本文所主张的包括多于一个步骤或行为的任何方法中，该方法的步骤或行为的顺序不必限于该方法的步骤或行为的记载顺序。
在本发明的另一个示例性实施例中，提供了一种计算机程序或计算机程序单元，其特征在于该计算机程序或计算机程序单元适于在适当的系统上执行根据前述实施例之一所述的方法的方法步骤。
因此，计算机程序单元可以存储在计算机单元上，计算机单元也可以是本发明的实施例的一部分。计算单元可适于执行或诱导执行上述方法的步骤。此外，它还可以适于操作上述装置的部件。计算单元可适于自动操作和/或执行用户的命令。计算机程序可被加载到数据处理器的工作存储器中。这样，数据处理器可被装备成执行本发明的方法。
本发明的示例性实施例涵盖从一开始就使用本发明的计算机程序以及通过更新将现有程序转化为使用本发明的程序的计算机程序两者。
此外，计算机程序单元能够提供所有必要步骤，以便完成上述方法的示例性实施例的过程。
根据本发明的另一个示例性实施例，提供了一种计算机可读介质，例如CD-ROM，其中计算机可读介质上存储有计算机程序单元，该计算机程序单元已在前面部分中进行了描述。
计算机程序可以存储和/或发布在合适的介质上，例如与其他硬件一起或作为其他硬件的一部分提供的光学存储介质或固态介质，但也可以以其他形式发布，例如通过互联网或其他有线或无线通信系统。
然而，计算机程序也可以出现在比如万维网的网络上，并可从此类网络下载到数据处理器的工作存储器中。根据本发明的另一个示例性实施例，提供了一种用于使计算机程序单元可供下载的介质，该计算机程序单元被布置成执行根据前面描述的本发明的实施例之一所述的方法。
需要注意的是，本发明的实施例是参照不同的主题进行描述的。尤其是，一些实施例是参照方法类型的权利要求进行描述的，而其他实施例是参照系统类型的权利要求进行描述的。然而，本领域的技术人员可以从上文和下文的描述中了解到，除非另行通知，除了属于一种类型的主题的特征的任何组合之外，与不同主题相关的特征之间的任何组合也被视为在本申请内公开。然而，所有特征可被组合，从而提供大于各特征的简单相加的协同效果。
虽然已在附图和前面的描述中对本发明进行了详细的例示说明和描述，但这些例示说明和描述应被视为说明性或示例性的，而非限制性的。本发明并不限于所公开的实施例。根据对附图、本公开和从属权利要求的研究，本领域技术人员可理解并实施所公开的实施例的其他变化。
在权利要求中，“包括”一词并不排除其他要素或步骤，不定冠词“一”或“一个”也不排除多个。单个处理器或其他单元可以实现权利要求中记载的多个项的功能。仅在相互不同的从属权利要求中记载一些措施的这一事实并不表示这些措施的组合不能用来获益。权利要求中的任何附图标记不应被解释为对范围的限制。

Claims (14)

1.一种用于获取之前的成像检查的前瞻性质量评估的计算机实现的方法(200)，所述方法包括：
a)接收(210)待由医疗成像装置(10，20)使用医疗成像模式成像的患者的身体部位的传感器数据；
b)使用数据驱动模型从接收到的所述传感器数据中生成(220)质量指标，其中所述数据驱动模型已基于训练数据集进行训练，所述训练数据集包括多个训练示例，每个训练示例包括在成像期间获取的所述身体部位的传感器数据和从所述成像期间使用所述医疗成像模式获取的图像数据中导出的相关质量指标；以及
c)提供(230)所生成的所述质量指标，以用于获取之前的成像检查的前瞻性质量评估，其特征在于：
所述质量指标是由数值组成的矢量，每个数值表示使用所述医疗成像模式获取的所述图像数据中的解剖结构特征的位置和/或旋转相对于所述解剖结构特征的期望位置和/或旋转的偏差。
2.根据权利要求1所述的计算机实现的方法(200)，
其中，从接收到的所述传感器数据生成所述质量指标包括：
-直接从接收到的所述传感器数据中生成所述质量指标；或
-将目标解剖结构的解剖结构模型拟合到所述传感器数据，并从所述目标解剖结构的拟合的所述解剖结构模型中生成所述质量指标。
3.根据权利要求1或2所述的计算机实现的方法(200)，其中，所述方法进一步包括：
-确定所生成的所述质量指标是否符合预定标准；以及
-生成指示所生成的所述质量指标是否满足所述预定标准的信号。
4.根据权利要求3所述的计算机实现的方法(200)，
其中，所述信号包括用于控制设备以告知所述患者是否准备好进行图像获取的信号。
5.根据权利要求3或4所述的计算机实现的方法(200)，
其中，所述信号包括用于触发所述医疗成像装置开始图像获取的信号。
6.根据前述权利要求中的任一项所述的计算机实现的方法(200)，其中，所述方法进一步包括：
-在图像获取之后接收所述患者的所述身体部位的图像数据；
-基于接收到的所述成像数据确定另一质量指标；以及
-确定从图像获取之前的所述传感器数据中生成的所述质量指标与从图像获取之后的所述图像数据中导出的所述另一质量指标之间的差值；以及
-利用所述差值进一步训练所述数据驱动模型。
7.根据权利要求6所述的计算机实现的方法(200)，其中，所述方法进一步包括：
-接收指示接收到的所述图像数据的用户定义的质量指标的用户输入；以及
-确定从图像获取之前的所述传感器数据中生成的所述质量指标与所述用户定义的质量指标之间的差值；以及
-利用所述差值进一步训练所述数据驱动模型。
8.根据前述权利要求中的任一项所述的计算机实现的方法(200)，
其中，所述传感器数据是由以下中的一个或多个获取的：光学传感器、深度传感器、热传感器、压力传感器、超声传感器和射频传感器阵列。
9.根据前述权利要求中的任一项所述的计算机实现的方法(200)，其中，所述医疗成像模式包括以下中的一种或多种：
-磁共振成像；
-超声成像；
-X射线成像；
-计算机断层扫描成像；和
-正电子发射断层扫描成像。
10.根据前述权利要求中的任一项所述的计算机实现的方法(200)，
其中，所述医疗成像模式包括混合模式，所述混合模式包括以下中的一种或多种：
-MR-Linac；
-MR质子治疗；和
-锥形束计算机断层扫描。
11.一种用于获取之前的成像检查的前瞻性质量评估的装置(10)，所述装置包括用于生成质量指标的一个或多个处理单元(14)，其中所述处理单元包括指令，当所述指令在所述一个或多个处理单元上执行时，所述指令执行根据前述权利要求中的任一项所述的方法。
12.一种系统(100)，包括：
-医疗成像装置(20)，其被配置成获取患者的身体部位的图像数据；
-传感器(30)，其被配置成获取所述患者的所述身体部位的传感器数据；以及
-根据权利要求11所述的装置(10)，其被配置成接收所述传感器数据并提供用于获取之前的成像检查的前瞻性质量评估的质量指标。
13.根据权利要求12所述的系统(100)，
其中，所述医疗成像装置(20)被配置成根据所提供的所述质量指标开始图像获取；和/或
其中，所述系统(100)还包括被配置成基于所述质量指标告知所述患者是否准备好进行图像获取的设备。
14.一种计算机程序产品，其包括指令，当所述程序由至少一个处理单元执行时，所述指令使所述至少一个处理单元执行根据权利要求1至10中的任一项所述的方法的步骤。
CN202280066386.9A 2021-09-30 2022-09-22 用于获取之前的成像检查的前瞻性质量评估 Pending CN118042988A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP21200178.8 2021-09-30
EP21200178.8A EP4159138A1 (en) 2021-09-30 2021-09-30 Prospective quality assessment for imaging examination prior to acquisition
PCT/EP2022/076353 WO2023052229A1 (en) 2021-09-30 2022-09-22 Prospective quality assessment for imaging examination prior to acquisition

Publications (1)

Publication Number Publication Date
CN118042988A true CN118042988A (zh) 2024-05-14

Family

ID=78598661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280066386.9A Pending CN118042988A (zh) 2021-09-30 2022-09-22 用于获取之前的成像检查的前瞻性质量评估

Country Status (3)

Country Link
EP (2) EP4159138A1 (zh)
CN (1) CN118042988A (zh)
WO (1) WO2023052229A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9364687B2 (en) * 2011-01-21 2016-06-14 Headwater Partners Ii Llc Imaging observation timing based on radiation treatment system element delay
EP3220825A1 (en) * 2014-11-19 2017-09-27 Koninklijke Philips N.V. X-ray pre-exposure control device
US10265044B2 (en) * 2016-08-31 2019-04-23 General Electric Company Systems and methods for adaptive imaging systems
EP3501400B1 (de) * 2017-12-20 2022-06-08 Siemens Healthcare GmbH Verfahren und vorrichtung zur sicherstellung einer korrekten positionierung für eine radiographieaufnahme
US20210183055A1 (en) * 2019-12-13 2021-06-17 GE Precision Healthcare LLC Methods and systems for analyzing diagnostic images

Also Published As

Publication number Publication date
WO2023052229A1 (en) 2023-04-06
EP4159138A1 (en) 2023-04-05
EP4408292A1 (en) 2024-08-07

Similar Documents

Publication Publication Date Title
KR102070714B1 (ko) 오브젝트 위치 결정 장치, 오브젝트 위치 결정 방법, 오브젝트 위치 결정 프로그램, 및 방사선 치료 시스템
US11443201B2 (en) Artificial intelligence-based self-learning in medical imaging
EP3804624B1 (en) Synthetic parameterized computed tomography from surface data in medical imaging
US20180182102A1 (en) Automated image evaluation in x-ray imaging
KR20170060698A (ko) 컴퓨터 단층 촬영장치 및 그 제어방법
JP7027046B2 (ja) 医用画像撮像装置及び方法
JP5797197B2 (ja) 信号処理装置、信号処理プログラム及び信号処理プログラムを記録したコンピュータ読み取り可能な記録媒体
US11423554B2 (en) Registering a two-dimensional image with a three-dimensional image
US20210059758A1 (en) System and Method for Identification, Labeling, and Tracking of a Medical Instrument
US20220101526A1 (en) Method for generating a trained machine learning algorithm
CN114359205A (zh) 头颈血管分析方法、装置、存储介质及电子设备
US20230048734A1 (en) Method for analyzing human tissue on basis of medical image and device thereof
CN118056244A (zh) 对医学影像的基于机器学习的质量评估及其在便于成像操作中的应用
CN118042988A (zh) 用于获取之前的成像检查的前瞻性质量评估
US11645767B2 (en) Capturing a misalignment
US20220277835A1 (en) Self-learning distributed system with automated ground-truth generation
EP3910597A1 (en) Body representations
JP2024538516A (ja) 取得前の撮像検査のプロスペクティブ品質評価
JP2017202308A (ja) Ｘ線ｃｔ装置及び医用情報管理装置
KR20160140189A (ko) 단층 촬영 장치 및 그에 따른 단층 촬영 방법
US20230410308A1 (en) Detection of foreign objects in intraoperative images
EP4354395A1 (en) Artificial intelligence-based dual energy x-ray image motion correction training method and system
EP4449344A2 (en) Generation of additional views in body part x-ray imaging
KR20150006532A (ko) 대상체의 방사선 피폭 선량(dose) 정보에 기초하여 의료 기기의 촬영 조건을 추천하는 방법 및 이를 위한 장치
CN114569146A (zh) 医学图像处理方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination