CN118116603A - 用于对医学图像数据集进行分类的方法和系统 - Google Patents
用于对医学图像数据集进行分类的方法和系统 Download PDFInfo
- Publication number
- CN118116603A CN118116603A CN202311603449.2A CN202311603449A CN118116603A CN 118116603 A CN118116603 A CN 118116603A CN 202311603449 A CN202311603449 A CN 202311603449A CN 118116603 A CN118116603 A CN 118116603A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image dataset
- mid
- classification
- normal
- 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 108
- 230000002159 abnormal effect Effects 0.000 claims abstract description 140
- 230000035945 sensitivity Effects 0.000 claims description 34
- 230000005856 abnormality Effects 0.000 claims description 22
- 101710178035 Chorismate synthase 2 Proteins 0.000 claims description 18
- 101710152694 Cysteine synthase 2 Proteins 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 description 54
- 230000006870 function Effects 0.000 description 45
- 230000000153 supplemental effect Effects 0.000 description 36
- 238000007635 classification algorithm Methods 0.000 description 33
- 238000012545 processing Methods 0.000 description 28
- 238000001514 detection method Methods 0.000 description 21
- 238000012549 training Methods 0.000 description 21
- 238000010801 machine learning Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 16
- 230000008901 benefit Effects 0.000 description 15
- 210000004072 lung Anatomy 0.000 description 15
- 210000003484 anatomy Anatomy 0.000 description 14
- 238000003384 imaging method Methods 0.000 description 13
- 238000003058 natural language processing Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 11
- 210000000056 organ Anatomy 0.000 description 11
- 238000002059 diagnostic imaging Methods 0.000 description 9
- 210000000038 chest Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 210000002216 heart Anatomy 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 206010056342 Pulmonary mass Diseases 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013442 quality metrics Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 210000001165 lymph node Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000003826 tablet Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010027654 Allergic conditions Diseases 0.000 description 1
- 206010060999 Benign neoplasm Diseases 0.000 description 1
- 206010018691 Granuloma Diseases 0.000 description 1
- 206010019909 Hernia Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 208000023146 Pre-existing disease Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009102 absorption Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000013566 allergen Substances 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000005786 degenerative changes Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 206010039722 scoliosis Diseases 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- 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)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及用于对医学图像数据集进行分类的方法和系统。提供了用于对医学图像数据集进行分类的计算机实现的方法和系统。具体地,提供了包括以下步骤的方法:接收患者的医学图像数据集;提供第一分类阶段,该第一分类阶段被配置成将医学图像数据集分类为正常或不正常;提供第二分类阶段,该第二分类阶段与第一分类阶段不同,并且被配置成将医学图像数据集分类为正常或不正常;以及使医学图像数据集经历第一分类阶段,以将医学图像数据集分类为正常或不正常。此外,该方法包括:如果医学图像数据集在第一分类阶段中被分类为正常,则使医学图像数据集经历第二分类阶段,以将医学图像数据集分类为正常或不正常。
Description
技术领域
本发明的实施方式涉及医学图像数据处理领域。具体地,本发明的实施方式涉及用于对医学图像数据进行分类的医学图像数据的处理。具体地,本发明的实施方式涉及用于提供医学诊断的医学图像数据的分类。
背景技术
需要处理的医学图像的量逐年增长,这给负责分析和解释这些图像的放射科医师带来了越来越大的负担。此外,由于常规的医学实践,一些类型的医学图像例如胸部x射线或胸部CT图像(例如,用于肺癌筛查)具有高的“正常”率(即,没有任何射线照相可见异常的病例)。检查正常可能会占用放射科医师大量的时间,这些时间可以更好地用于检查和分析实际上具有射线照相可见异常的医学图像。因此,如果存在一种预过滤正常的机制(特别是对于趋向于具有高正常率的医学图像类型),则它可以帮助放射科医师腾出时间来检查和分析需要更详细的解释的异常病例,以用于做出治疗决策、提供鉴别诊断或评估疾病预后的目的。
一些放射学实践使用技师手动地对异常和正常的候选图像进行预分类。然而,这仍然是一个耗时的过程,并且在可能最终确定不存在异常之前,技师的工作通常仍然必须由放射科医师进行检查。
此外,已经开发了一些机器学习算法来帮助放射科医师预筛选医学图像。然而,这些算法同样具有问题。具体地,大多数机器学习算法被开发以仅处理一种类型的发现(例如,肺结节)。因此,放射科医师仍然需要检查每个医学图像,以获得通常称为“偶然发现”的内容,这些内容可能与临床相关,并且必须报告。例如,被配置成识别正常胸部检查的机器学习算法仍然必须知道任何种类的异常(例如,与纵隔、肺野、心脏、肋骨、脊柱或腹部中的任何一个相关联)。然而,迄今为止,大多数算法在阴性预测值方面表现出<100%的性能,并且没有解决放射科医师需要识别的所有“偶然发现”。因此,当前的机器学习算法对于它们是否能够可靠地确定在医学图像中没有临床相关的发现留下了一些疑问。
发明内容
如前所述,已经开发了一些机器学习算法来帮助预筛选医学图像。然而,医学实践仍然必须由放射科医师执行质量控制步骤,以通读至少一部分正常,从而监控软件的性能并管理假阴性的风险。因此,尽管这些机器学习算法通常可能是有帮助的,但是它们没有解决占用放射科医师时间以及对各种类型的医学图像和条件的广泛适用性的固有问题。
因此,本发明的实施方式的目的是提供被配置成有效地对医学图像数据进行分类的方法和系统,以减少用户的工作量。具体地,本发明的实施方式的目的是提供被配置成安全地识别正常医学图像数据集的系统和方法,与显示异常的医学图像数据集相比,正常医学图像数据集确实需要较少的来自用户的关注。
具体地,该目的通过根据独立权利要求和本文描述的方面的用于对医学图像数据集进行分类的方法、对应的系统、对应的计算机程序产品和计算机可读存储介质来解决。可替选和/或优选实施方式是从属权利要求以及本文描述的其他方面和示例的目的。
在下文中,根据本发明的技术方案关于要求保护的系统以及关于要求保护的方法进行描述。本文描述的特征、优点或可替选实施方式同样可以分配给其他要求保护的对象,并且反之亦然。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,方法的功能特征由系统的目标单元或要素来体现。
该技术方案将关于用于提供信息的方法和系统以及还关于用于提供经训练的函数的方法和系统进行描述。用于提供的方法和系统的数据结构和/或函数的实施方式的特征和可替选形式可以被转移到用于提供经训练的函数的方法和系统的类似数据结构和/或函数。类似的数据结构具体地可以通过使用前缀“训练(training)”来识别。此外,在用于提供信息的方法和系统中使用的经训练的函数具体地可以由用于调整经训练的函数的方法和系统来调整和/或训练和/或提供。
根据一方面,提供了一种用于对医学图像数据集进行分类的计算机实现的方法。该方法包括多个步骤。步骤旨在接收(或获得)医学图像数据集,该医学图像数据集示出了患者的身体部位。另一步骤旨在提供第一分类阶段,该第一分类阶段被配置成将医学图像数据集分类为正常或不正常。另一步骤旨在提供与第一分类阶段不同的第二分类阶段,该第二分类阶段被配置成将医学图像数据集分类为正常或不正常。另一步骤旨在使医学图像数据集经历第一分类阶段,以将医学图像数据集分类为正常或不正常。另一步骤旨在如果医学图像数据集在第一分类阶段中被分类为正常,则使医学图像数据集经历第二分类阶段,以将医学图像数据集分类为正常或不正常。
根据一方面,提供了一种用于对医学图像数据集进行分类的计算机实现的方法。该方法包括多个步骤。步骤旨在接收(或获得)医学图像数据集,该医学图像数据集示出了患者的身体部位。另一步骤旨在提供第一分类阶段,该第一分类阶段被配置成将医学图像数据集分类为正常或不正常。另一步骤旨在提供与第一分类阶段不同的第二分类阶段,该第二分类阶段被配置成将医学图像数据集分类为正常或不正常。另一步骤旨在使医学图像数据集经历第一分类阶段,以将医学图像数据集分类为正常或不正常。另一步骤旨在使医学图像数据集经历第二分类阶段,以将医学图像数据集分类为正常或不正常。另一步骤旨在如果医学图像数据集在第一分类阶段和第二分类阶段中被分类为正常,则将医学图像数据集分类为正常,否则分类为不正常。
医学图像数据集可以涉及医学图像研究。医学图像数据集可以涉及提供三维空间或二维空间和一维时间的三维数据集、提供二维空间的二维数据集和/或提供三维空间和一维时间的四维数据集。
医学图像数据集可以在其包含患者的身体部位的三维图像数据的意义上描绘患者的身体部位。医学图像数据集可以表示图像体积。患者的身体部位可以包括在图像体积中。
医学图像数据集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)、超声成像系统等。具体地,计算机断层扫描是一种广泛使用的成像方法,并且利用由特殊旋转仪器产生和检测的“硬”X射线。所得到的衰减数据(也称为原始数据)由计算机分析软件呈现,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。要提供另一示例的磁共振成像(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,检测器是天线,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(也称为隔室或解剖结构)。以胸部图像作为示例,医学图像数据集可以示出肺部组织、骨骼例如胸腔、心脏和主动脉、淋巴结等。
医学图像数据集可以包括多个图像或图像切片。切片可以分别示出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发生,以针对随后的诊断工作流程最佳地预处理医学图像数据集。
医学图像数据集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计算机存储系统例如图片存档和通信系统(PACS)、放射信息系统(RIS)、供应商中立档案(VNA)、电子健康记录(HER)存储装置或数据库等中。无论何时在本文中提及DICOM,应当理解,DICOM指的是例如根据DICOM PS3.1 2020c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。
“接收”或“获得”可以意指从医学成像模态直接接收/获得医学图像数据集。此外,“接收”或“获得”可以意指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或数据库的适当存储器检索医学图像数据集。
根据一些示例,第一分类阶段和/或第二分类阶段彼此独立。这可以意指第二分类阶段可以独立于第一分类阶段的任何分类结果来处理医学图像数据集(反之亦然),以提供分类结果。
根据一些示例,第一分类阶段和/或第二分类阶段可以包括对医学图像数据集进行分类的多个子步骤,其结果可以被聚合以在相应的分类阶段中将医学图像数据集分类为正常或不正常。
根据一些示例,第一分类阶段和/或第二分类阶段可以被配置成单独地对医学图像数据集的各个切片进行分类,其结果可以被聚合以在相应的分类阶段中将医学图像数据集分类为正常或不正常。
此外,根据一些示例,第一分类阶段和/或第二分类阶段可以包括对医学图像数据集应用一个或更多个图像处理步骤或图像预处理步骤,包括但不限于图像分割、图像增强和/或图像相关步骤。
根据一些示例,第一分类阶段和/或第二分类阶段可以分别包括将一个或更多个分类算法应用于医学图像数据集。一个或更多个分类算法可以被配置成提供指示医学图像数据集(或其部分)是正常还是不正常的分类结果。在第一分类阶段和/或第二分类阶段中,可以聚合多个分类算法的各个分类结果,以在相应的分类阶段中将医学图像数据集分类为正常或不正常。
根据一些示例,第一分类阶段和第二分类阶段在它们分别采用不同的方式和/或使用不同的手段以将医学图像数据集分类为正常或不正常的意义上是不同的。根据一些示例,第一分类阶段和第二分类阶段在各自的分类结果和/或方式和/或手段彼此互补的意义上是不同的。根据一些示例,第一分类阶段和第二分类阶段可以在(预)处理步骤和/或所应用的分类算法的数目和类型方面不同。具体地,第一分类阶段和第二分类阶段可以分别使用不同的分类算法(即,可以被配置成在第一分类阶段中应用与在第二分类阶段中不同的分类算法)。
根据一些示例,使医学图像数据集经历第一分类阶段和第二分类阶段之一可以意指将相应的分类阶段应用于医学图像数据集。根据一些示例,使医学图像数据集经历第一分类阶段和第二分类阶段之一可以意指在相应的分类阶段中输入医学图像数据集。
根据一些示例,“正常”可以意指医学图像数据集在医学上不显眼。根据一些示例,“正常”可以意指医学图像数据集不包括(或指示)任何医学发现。根据一些示例,“正常”可以意指医学图像数据集不包括(或指示)任何医学异常。
根据一些示例,术语“正常”还可以适用于医学图像数据集中示出的不同部位(即,隔室、器官或解剖结构、切片)。因此,“正常”可以意指医学图像数据集中示出的隔室或包括的切片在医学上不显眼。根据一些示例,“正常”可以意指医学图像数据集中示出的隔室或包括的切片不包括(或指示)任何医学发现(或医学异常)。
医学发现可以指示与患者的诊断相关并且需要用户关注的患者的某种状况或病理。医学发现可以是将患者与其他患者区分开的解剖结构。医学发现可以是医学异常。医学发现可以位于患者的不同器官内(例如,位于患者的肺部内,或者位于患者的肝脏内)或者在患者的器官之间。具体地,医学发现可以是异物。具体地,医学发现可以是赘生物(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。具体地,医学发现可以是结节,特别是肺结节。具体地,医学发现可以是病变,特别是肺部病变。
根据一些示例,在第一分类阶段和/或第二分类阶段中提供的分类结果指示医学图像数据集作为整体是否正常。根据一些示例,医学图像数据集的部分可能正常,而医学图像数据集的其他部分不正常。根据一些示例,医学图像数据集然后将被分类为不正常,并且仅当所有部分都被分类为正常时才被分类为正常。
根据一些示例,“正常”可以意指医学图像数据集不包括(或指示)任何可行动(actionable)的医学异常。这样的不可行动(non-actionable)的医学异常可能不需要来自用户的任何立即行动。不可行动的异常的示例可以是例如解剖变异、退行性改变(例如,老年患者的骨骼改变)、愈合碎片或不需要随访的微小肺结节。仍然可以将医学图像数据集分类为正常的这样的不可行动的发现的其他示例是已经被成像的“硬件”,诸如手术夹、(颈部)系带、植入物、ECG导联等。根据一些示例,本文中使用的正常的可替选措辞可以是不可行动的,和/或本文中使用的不正常的可替选措辞可以是可行动的。
根据一些示例,不正常涉及不能被分类为正常的任何事物。因此,不正常可以包括其中医学发现或异常被主动识别的医学图像数据(整个集合或其部分)。因此,不正常可以包括其中可行动的医学发现或异常被主动识别的医学图像数据(整个集合或其部分)。此外,不正常可以包括不能被确认为正常和/或分类结果“正常”的置信度太低(例如在预定阈值之下)的医学图像数据(整个集合或其部分)。
换言之,本发明的实施方式建议使用两阶段分类方案来对正常的医学图像数据集进行过滤。由此,可以可靠地对正常和不正常的医学图像数据集进行分类。进而,这使得用户能够关注不正常的医学图像数据集。这减少了用户的工作量。此外,由于两阶段分类,可以确保用户特别关注的细微发现不会被忽略。
根据一些示例,医学图像数据集为正常或不正常的分类结果可以被设想为提供了医学诊断。根据一些示例,因为第一分类阶段和第二分类阶段包括处理医学图像数据集,所以提供了下述方法,该方法被配置成通过生理测量的自动处理(以医学图像数据集的形式)来提供医学诊断。
根据一方面,第一分类阶段包括在第一经训练的分类器中输入医学图像数据集,该第一经训练的分类器被配置成识别医学图像数据集是否正常,并且第二分类阶段包括在第二经训练的分类器中输入医学图像数据集,该第二经训练的分类器与第一经训练的分类器不同并且被配置成识别医学图像数据集中的医学异常。
根据一些示例,第一经训练的分类器和/或第二经训练的分类器包括一个或更多个机器学习函数。通常,机器学习函数模仿人类与其他人类思维相关联的认知功能。具体地,通过基于训练数据的训练,机器学习函数能够适应新的环境,并且检测和推断模式。机器学习函数的其他术语可以是经训练的函数、经训练的机器学习模型、经训练的映射规范、具有经训练的参数的映射规范、具有经训练的参数的函数、基于人工智能的算法或机器学习算法。
通常,可以借助于训练来调整机器学习函数的参数。具体地,可以使用监督训练、半监督训练、无监督训练、强化学习和/或主动学习。此外,可以使用表示学习。具体地,可以通过若干训练步骤来迭代地调整机器学习函数的参数。在所呈现的情况下,医学本体的代码可以归因于专家的样本查询。然后,该注释数据可以用作训练机器学习函数的基础事实(ground truth)。
具体地,机器学习函数可以包括神经网络、支持向量机、决策树和/或贝叶斯网络,以及/或者经训练的函数可以基于k均值聚类、Q学习、遗传算法和/或关联规则。具体地,神经网络可以是深度神经网络、卷积神经网络或卷积深度神经网络。此外,神经网络可以是对抗网络、深度对抗网络和/或生成对抗网络。
具体地,被配置成识别医学图像数据集是否正常的经训练的分类器可以已经被训练成检测不引起医学发现的图像数据。
根据一些示例,方法可以包括提供第一经训练的分类器和/或第二经训练的分类器,这可以包括将(一个或多个)分类器保持在可由执行方法的计算单元访问的合适存储装置中可用。此外,提供(一个或多个)分类器可以包括由所述计算单元下载(一个或多个)分类器。
根据一些示例,第二经训练的分类器可以是(医学)异常检测算法。因此,第二分类阶段可以被配置成如果第二经训练的分类器检测到异常,则将医学图像数据集分类为不正常。
异常检测算法通常可以被配置成检测医学图像数据中的医学发现或异常。原则上,对于异常的这样的计算机辅助检测和分类——其所有可以在异常检测算法中实现,已知过多的功能和方法。例如,参考US2009/0092 300A1、US2009/0 067 693A1或US2016/0321 427A1,其内容通过引用整体并入本文中。
根据一些示例,异常检测算法(并且因此第二经训练的分类器)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,异常检测算法的灵敏度和特异性可以通过其操作点来调整。
两个分类阶段(一个被配置成识别医学图像数据是否正常,以及一个被配置成主动识别异常)的使用具有可以从两个角度处理识别正常医学图像数据集的问题的优点。由此,可以促进正常医学图像数据集的更安全的分类。因此,机器学习函数的可选使用通常具有可以对医学图像数据集进行更全面和更快速筛选的优点。在这方面,机器学习函数可以识别可用数据中的人类不可访问的模式和属性。具体地,通过异常的主动识别,可以确保细微发现也不会被忽略,因为专门使用了被配置成检测异常的分类阶段。
根据一方面,第二经训练的分类器已经被训练成基于被注释为包含一个或更多个医学异常的训练医学图像数据集来识别医学异常。
根据一方面,第一经训练的分类器已经被训练成基于被注释为不包含任何医学异常的训练医学图像数据集来识别正常图像数据。
根据一方面,第二分类阶段包括在第一经训练的分类器中输入医学图像数据集,该第一经训练的分类器被配置成识别医学图像数据集是否正常。根据一些示例,第一分类阶段然后可以包括图像预处理步骤,如本文所述的分割或图像质量评估。
根据一方面,方法还包括提供指示医学图像数据集的分类结果为正常或不正常的输出,其中,该输出包括任何识别的医学异常的指示。
由此,用户不仅得到了总分类结果,还得到了医学图像数据集的医学问题可能在哪里的指示。这改进了工作流程并减少了用户的工作量。
根据一方面,第一分类阶段和/或第二分类阶段包括从医学图像数据集分割至少一个隔室以限定分割的数据集,并且第一分类阶段和/或第二分类阶段被配置成将分割的数据集的图像数据分类为正常或不正常,其中,如果分割的数据集的图像数据被分类为正常,则医学图像数据集被分类为正常,否则医学图像数据集被分类为不正常。
隔室通常可以涉及患者机体的实体,该实体可以被认定为正常或不正常。例如,隔室可以涉及器官、器官部位、器官功能、解剖结构、解剖体、患者机体的功能单元等。
根据一些示例,分割隔室可以包括在医学图像数据集的图像数据中识别隔室和/或在医学图像数据集中描绘隔室。根据一些示例,分割步骤可以提供来自医学图像数据集的属于分割的隔室的图像数据。
通常,如上所述,任何描绘的身体部位将包括多个隔室,例如,以胸部图像作为示例,肺叶、骨隔室(例如,包括肋骨结构或脊柱)、心脏、诸如植入物、起搏器或导管的硬件等。根据一些示例,分割步骤可以包括分割多个(不同的)隔室,以提供分别属于分割的隔室的图像数据。
原则上,对于医学图像分割——其所有可以在本文所述的分割步骤中实现,已知过多的功能和方法。例如,参考US 7,822,274 B2、US 9,760,807B2、US11,393,229B2,其内容通过引用整体并入本文中。
根据一些示例,分割的数据集包括一个或更多个分割的隔室的图像数据,优选地,以能够单独提供任何分割的隔室的图像数据的方式。为此,分割的数据集可以为每个分割的隔室提供包括相应隔室的图像数据的数据层。
可替选地,分割的数据还可以包括仅一个分割的隔室的图像数据。因此,对于每个分割的隔室,可以存在单独的分割的数据集,该分割的数据集具体包括该隔室的图像数据。
在许多情况下,并非所有这些解剖体都与给定的诊断相关,并且更重要的是,并非所有解剖体都能通过可用的图像处理算法得到同样好的处理。在这种情况下,分割允许识别图像数据中的解剖体和器官并相对于邻近的结构、背景和非结构化组织来描绘它们。这使得可以应用针对特定器官已经进行优化的专用图像分析过程。
根据示例,第一分类阶段和/或第二分类阶段包括在第一经训练的分类器中输入分割的数据集,该第一经训练的分类器被配置成识别至少一个隔室是否正常,并且第一分类阶段和/或第二分类阶段包括在第二经训练的分类器中输入医学图像数据集,该第二经训练的分类器与第一经训练的分类器不同并且被配置成识别属于至少一个隔室的图像数据中的医学异常。
通过分割医学图像数据集,分类可以变得更加具体,因为例如可以使用专门训练的分类器。由此,正常医学图像数据集的检测可以变得更加准确,并且可以可靠地减少用户的工作量。
根据一方面,第一分类阶段和/或第二分类阶段包括从医学图像数据集分割多个不同的隔室,以限定针对每个分割的隔室的分割的图像数据(或者包括针对每个分割的隔室的分割的图像数据的分割的数据集、或者针对分别包括分割的隔室的分割的图像数据的每个分割的隔室的分割的数据集),并且第一分类阶段和/或第二分类阶段被配置成将(分割的数据集的)分割的图像数据分类为正常或不正常,其中,如果每个分割的隔室的分割的图像数据被分类为正常,则医学图像数据集被分类为正常,否则医学图像数据集被分类为不正常。
通过考虑对于要被分类为整体上正常的医学图像数据集而言都必须是“正常”的多个隔室,正常医学图像数据集的识别可以变得更加准确。这可靠地减少了用户必须检查医学图像数据集的工作量,因为她或他可以关注不正常的数据集。
根据一方面,方法还包括提供指示医学图像数据集的分类结果为正常或不正常的输出,其中,该输出包括多个隔室中的每一个的分类结果的指示。
通过这样做,即使医学图像数据集作为整体表现为不正常,用户也会得到哪些隔室是正常的指示。由此,用户可以关注不正常的隔室,并且工作流程变得更加高效。
根据一方面,第一分类阶段和/或第二分类阶段包括从医学图像数据集分割至少一个隔室以限定分割的数据集,并且第一分类阶段和/或第二分类阶段被配置成独立地将i)(可选地,整个)医学图像数据集的图像数据分类为正常或不正常以及ii)分割的数据集的图像数据分类为正常或不正常,其中,如果医学图像数据集的医学图像数据被分类为正常且分割的数据集的图像数据被分类为正常,则医学图像数据集被分类为正常,否则医学图像数据集被分类为不正常。
换言之,执行在整个医学图像数据集的水平上的分类和在至少一个隔室的水平上的分类。仅当两者都正常时,总分类才可以正常。这提高了方法的准确性和可靠性。
根据一方面,第一分类阶段和/或第二分类阶段包括:提供多个不同的经训练的分类器,多个不同的经训练的分类器各自被配置成将特定隔室的图像数据专门分类为正常或不正常;根据至少一个隔室从多个不同的经训练的分类器中选择至少一个经训练的分类器;以及使用所选择的至少一个经训练的分类器将分割的数据集的图像数据分类为正常或不正常。
通过提供经过专门训练以对给定隔室进行分类的经训练的分类器,正常医学图像数据集的识别可以变得更加准确。
根据一方面,第一分类阶段和/或第二分类阶段包括获得先前的医学图像数据集,该先前的医学图像数据集示出了在与医学图像数据集不同的时间点处的患者的身体部位。此外,第一分类阶段和/或第二分类阶段被配置成另外基于先前的医学图像数据集以及具体地基于确定医学图像数据集与先前的医学图像数据集之间的变化,将医学图像数据集分类为正常或不正常。
具体地,“变化”可以涉及从先前的医学图像数据集到医学图像数据集的图像数据中的临床相关变化。为了量化这样的变化,第一分类阶段和/或第二分类阶段可以被配置成生成先前的医学图像数据集和医学图像数据集的配准,并且基于配准确定变化。如何量化图像数据中的变化的更多细节和示例可以例如从EP 3 828 818A1中推断出,其内容整体并入本文中。
根据其他示例,可以基于医学图像数据集和先前的医学图像数据集的语义图像理解来量化这样的变化,基于该语义图像理解,两个医学图像数据集的元素可以彼此相关。例如,语义图像理解可以被配置成识别医学图像数据集中的隔室。例如,更多细节和示例可以从EP 22182378.4中推断出,其内容整体并入本文中。
对先前的图像的考虑可以作为对当前医学图像数据集进行分类的参考。例如,可以检测图像数据的变化,这可以洞察临床相关的变化,这些变化应当作为不正常通知给用户。此外,考虑先前的图像具有可以考虑先前的异常来对当前医学图像数据集进行分类的优点。总之,这致使正常图像与不正常图像的更安全的区分。
根据一些示例,先前的医学图像数据集是用不同于获取医学图像数据集的医学成像模态的医学成像模态获取的。例如,虽然医学图像数据集是用计算机断层扫描成像模态获取的,但是先前的医学图像数据集可以是用磁共振成像模态或正电子发射断层扫描成像模态获取的。根据其他示例,医学图像数据集可以是用使用X射线模态的胸部X射线扫描获取的,而先前的医学图像数据集是用计算机断层扫描成像模态获取的。这带来的优点是,可以考虑不同种类的图像数据以确定医学图像数据集是否正常。
根据一些示例,第一分类阶段和/或第二分类阶段可以包括基于相应候选的先前医学图像数据集与医学图像数据集的可比性(或者:通过量化可比性),从患者的多个候选的先前医学图像数据集中选择先前医学图像数据集。
根据一些示例,可以基于医学图像数据集和候选的先前医学图像数据集的成像区域的解剖交叠来确定可比性。对于更多细节,参考WO 2023/274 599A1,其内容通过引用整体并入本文中。
根据一些示例,第一分类阶段和/或第二分类阶段包括:从医学图像数据集分割至少一个隔室以限定分割的数据集;以及从先前的医学图像数据集分割至少一个隔室以限定分割的先前的数据集。此外,第一分类阶段和/或第二分类阶段被配置成另外基于分割的数据集和分割的先前的数据集以及具体地基于确定分割的数据集与分割的先前的数据集之间的变化,将医学图像数据集分类为正常或不正常。
根据一些示例,基于先前的医学图像数据集对医学图像数据集进行分类可以包括:从先前的医学图像数据集获得一个或更多个先前的发现;以及基于一个或更多个先前的发现对医学图像数据集进行分类。
根据一些示例,基于一个或更多个先前的发现对医学图像数据集进行分类可以包括以下项中的任何一个:在第一分类阶段和/或第二分类阶段中调整用于将医学图像数据集分类为不正常的灵敏度;基于一个或更多个先前的发现来选择一个或更多个经训练的分类器;调整所选择的一个或更多个经训练的分类器的灵敏度;基于一个或更多个先前的发现从医学图像数据集分割至少一个隔室以限定分割的数据集;和/或基于医学图像数据集来确定一个或更多个先前的发现的变化。
根据一些示例,获得先前的发现可以包括将被配置成检测医学图像数据集中的医学发现的异常检测算法应用于先前的医学图像数据集。因此,根据一些示例,异常检测算法可以如本文别处描述的那样配置。
根据一方面,第一分类阶段和/或第二分类阶段包括获得多个先前的医学图像数据集,所述先前的医学图像数据集示出了分别在与医学图像数据集不同的时间点处的患者的身体部位。此外,第一分类阶段和/或第二分类阶段被配置成另外基于先前的医学图像数据集以及具体地基于确定医学图像数据集与先前的医学图像数据集之间的变化和/或具体地基于确定医学图像数据集与先前的医学图像数据集之间的变化趋势,将医学图像数据集分类为正常或不正常。
由此,可以实现对多个先前的医学图像数据集的趋势分析,这有助于更安全地确定发现是正常的还是不正常的(或者是可行动的还是不可行动的)。
根据一方面,第一分类阶段和/或第二分类阶段包括获得针对医学图像数据集的至少一个图像质量参数,并且第一分类阶段和/或第二分类阶段被配置成基于至少一个图像质量参数将医学图像数据集分类为不正常。
考虑图像质量可以有助于过滤以下医学图像数据集,其中自动分类为正常或不正常是不容易实现的和/或具有不确定性的潜在缺陷。因此,所提供的分类可以变得更加准确。
根据一些示例,至少一个图像质量参数可以包括以下项中的任何一个:医学图像数据集的信噪比、医学图像数据集的对比度、由医学图像数据集描绘的视场、医学图像数据集的图像分辨率、或在获取医学图像数据集时使用的成像参数。
例如,通过计算医学图像数据集的信噪比,可以确定医学图像数据集对于随后的自动分类是否具有足够的质量。这同样适用于对比度或图像分辨率。通过评估视场或成像参数,可以确定患者的身体部位被完全或充分成像。
根据一些示例,基于至少一个图像质量参数的分类可以包括:如果图像质量参数指示足够的图像质量,则将医学图像数据集分类为正常,否则将医学图像数据集分类为不正常。
根据一些示例,基于至少一个图像质量参数的分类可以包括:将至少一个图像质量参数与预定阈值进行比较;以及基于该比较将医学图像数据集分类为正常或不正常。
根据一些示例,方法还包括获得与医学图像数据集相关联的补充数据,该补充数据可选地包括患者的人口统计数据、环境数据、实验室数据、获取医学图像数据集的原因(“检查原因”)、要对患者执行的诊断任务和/或患者的医学报告,其中,第一分类阶段和/或第二分类阶段被配置成另外基于补充数据对医学图像数据集进行分类。
根据一些示例,补充数据可以是补充的非图像数据。
根据一些示例,人口统计数据可以包括患者的年龄、性别、预先存在的疾病或状况、护理设置(例如,住院患者、门诊患者、重症监护患者)。根据一些示例,环境数据可以涉及患者的地理位置(例如,一些地理人群具有钙化性肉芽肿的高患病率,而其他人可能具有肺癌倾向)、环境污染或患者遭受的其他环境条件,例如过敏原、温度、气候等——其所有都可能影响患者对某种疾病的倾向,并且因此可能影响正常或不正常(或可行动的或不可行动的)的分类(或分类灵敏度)。
根据一些示例,实验室数据可以包括患者的实验室测试结果,例如血液值。根据一些示例,医学报告可以包括患者的先前(程序性)报告。
通过考虑补充数据,分类可以变得更加准确且更加可靠。由此,可以改进对用户的支持。例如,可以基于人口统计数据或诊断任务或医学报告来确定医学图像数据集应该显示的内容。此外,可以评估补充数据是否指示需要在分类中对医学图像数据集进行特定处理的任何先前的发现。
在这方面,环境数据可以涉及影响患者的健康的情况,例如温度、过敏状况等,并且因此可能影响随后的分类。
具体地,补充数据可以包括可以被结构化或非结构化的自然语言文本。
根据一些示例,基于补充数据对医学图像数据集进行分类可以包括:从补充数据(特别是包括医学报告的补充数据)获得一个或更多个先前的发现;以及基于一个或更多个先前的发现对医学图像数据集进行分类。
根据一些示例,基于一个或更多个先前的发现对医学图像数据集进行分类可以包括以下项中的任何一个:在第一分类阶段和/或第二分类阶段中调整用于将医学图像数据集分类为不正常的灵敏度;基于一个或更多个先前的发现来选择一个或更多个经训练的分类器;调整所选择的一个或更多个经训练的分类器的灵敏度;基于一个或更多个先前的发现从医学图像数据集分割至少一个隔室以限定分割的数据集;和/或基于医学图像数据集来确定一个或更多个先前的发现的变化。
根据一些示例,获得一个或更多个先前的发现可以包括:提供自然语言处理算法,该自然语言处理算法被配置成识别自然语言文本中的医学发现;以及在自然语言处理算法中输入补充数据,以识别一个或更多个先前的发现。
自然语言处理算法可以被配置成识别和/或理解自然语言以及特别的诸如包含自然语言的输入中的单词的各个项。自然语言处理算法可以是基于经训练的或机器学习的函数的。作为替选,自然语言处理算法可以是基于规则的。提供自然语言算法可以包括将该算法保持在可由执行方法的计算单元访问的合适存储装置中可用。此外,提供算法可以包括由所述计算单元下载算法。
根据一些示例,自然语言处理算法包括变换器网络(transformer network)。根据一些示例,经训练的函数包括变换器网络。
变换器网络是一种神经网络架构,其通常包括编码器、解码器或编码器和解码器两者。在一些情况下,编码器和/或解码器分别由若干对应的编码层和解码层组成。在每个编码和解码层中,优选地存在注意力机制。注意力机制(有时称为自注意力)能够将查询中的数据项(例如单词)与查询中的其他数据项相关联。例如,自注意力机制允许模型检查查询中的单词,并且确定查询中其他单词对于被检查单词的相对重要性。此外,变换器网络可以包括分类模块,该分类模块被配置成将编码器或解码器的输出映射至一组学习输出,在本情况下,该组学习输出是医学本体的代码。
根据一些示例,变换器模型的训练可以发生在两个阶段(预训练阶段和微调阶段)。在预训练阶段,可以在大型数据语料库上训练变换器模型,以学习问题的潜在语义。这样的经预训练的变换器模型可用于不同的语言。对于本文所述的某些应用,微调可以包括用具有专家注释含义的医学文本和/或医学本体(例如RadLex和/或SNOMED)来进一步训练变换器网络。
变换器网络的优点在于,由于注意力机制,变换器网络可以有效地处理输入数据中的长程依赖性。此外,变换器网络中使用的编码器能够并行处理数据,这节省了推理中的计算资源。
关于变换器网络的综述,参考Vaswani等人的“Attention Is All You Need”,载于arXiv:1706.03762,2017年6月12日,其内容通过引用整体包括在本文中。如何量化图像数据中的变化的更多细节和示例可以例如从EP 23156314.9中推断出,其内容整体并入本文中。
根据一些示例,方法还包括基于补充数据来调整第一分类阶段和/或第二分类阶段的灵敏度。
具体地,调整灵敏度可以包括调整第一经训练的分类器和/或第二经训练的分类器的灵敏度。此外,具体地,这可以包括调整异常检测算法的灵敏度。
本文中使用的术语“灵敏度”(可替选表达是“灵敏度的水平(level ofsensitivity)”或“灵敏度水平(sensitivity level)”)可以属于图像数据被识别为不正常并且因此需要专家检查的灵敏度。通常,灵敏度的水平越高,识别出医学图像数据集中存在的特定特征的可能性就越高。因此,灵敏度的水平可以属于判定阈值,在该阈值之上,图像数据被认定为不正常。通常,较高的灵敏度水平可能产生更多的不正常医学图像数据集。因此,较高的灵敏度水平将允许捕获实际上不正常的更多(并且理想情况下所有)医学图像数据集,但是也将导致更多的假阳性,即,否则将被标记为不正常的正常图像。换言之,较高的灵敏度水平可能导致特异性水平的降低。根据一些示例,可以通过调整相应分类阶段的操作点(operating point)或操作的点(point of operation)或者其中包括的任何分类算法来调整灵敏度。
虽然可能不期望具有全面的高的灵敏度水平(因为这将导致被分类为不正常的正常的数目增加),但是如果存在医学图像数据集不正常的指示,则这可能是期望的。因为这样的指示可能存在于补充数据中,因此将灵敏度的调整基于补充数据具有可以进行有针对性的调整的优点。
例如,如果先前的报告指示患者患有某种疾病,则可以增加对应分类器的灵敏度。如果人口统计数据指示患者具有特定疾病的特定风险,或者如果诊断任务已经包含可疑的诊断,这同样适用。
根据一些示例,基于补充数据来调整灵敏度可以包括:基于补充数据来确定医学图像数据集为不正常的指示;以及基于该指示增加灵敏度。根据一些示例,确定指示可以包括:提供自然语言处理算法,该自然语言处理算法被配置成识别医学图像数据集在补充数据中以及具体地在自然语言文本中为不正常的指示;以及在自然语言处理算法中输入补充数据以确定该指示。
根据一方面,第一分类阶段和/或第二分类阶段包括:提供多个不同的经训练的分类器,多个不同的经训练的分类器各自被配置成将图像数据专门分类为正常或不正常;基于补充数据从多个不同的经训练的分类器中选择至少一个经训练的分类器;以及使用所选择的至少一个经训练的分类器将医学图像数据集分类为正常或不正常。
由此,可以基于病例的情况来选择专用分类器。例如,如果补充数据指示患者对某种疾病的易感性(predisposition),则可以选择专门被配置成检测该某种疾病的经训练的分类器。
根据一方面,方法还包括:检查是否能够基于补充数据建立一个或更多个相关隔室;从医学图像数据集中分割一个或更多个实际隔室;检查一个或更多个相关隔室是否包括在实际隔室中;以及如果不能建立相关解剖结构,则将医学图像数据集分类为不正常,以及/或者如果至少一个相关隔室不包括在实际隔室中,则将医学图像数据集分类为不正常。
(一个或多个)相关隔室可以被设想为感兴趣区域,可以基于补充数据来确定该感兴趣区域。例如,如果诊断任务涉及患者的肺部,则医学图像数据集应当示出患者的肺部,以允许完成诊断任务。否则,可能存在需要用户检查的关于医学图像数据集的问题。因此,将图像数据集分类为不正常可能是有利的。类似地,如果由于不清楚需要完成什么任务而无法首先推断出感兴趣区域,则通知用户可能是有利的。由此,方法可以变得更加故障安全,并且为用户提供更多支持。
根据一方面,第一分类阶段和/或第二分类阶段包括:计算将医学图像数据集分类为正常或不正常的分类结果的置信度值;以及如果置信度值在预定阈值之下,则将医学图像数据集分类为不正常。
根据一些示例,置信度值量化了某个分类的置信度。因此,如果分类结果太不确定,则分类结果会自动恢复为不正常。换言之,在有疑问的情况下,医学图像数据集被分类为不正常,这提高了正常分类的标准。因此,正常类别变得更加可靠,这可以提高常规阅读中的方法的安全性。
根据一方面,方法包括基于将医学图像数据集分类为正常或不正常的分类结果来修改用户的工作列表,该工作列表包括与医学图像数据集相关联的用户的任务。
根据一些示例,除了任务之外,工作列表还可以包括与医学图像数据集或不同数据集相关联的多个另外的不同任务。工作列表可以以电子形式例如经由用户接口提供给用户。
由此,处理的结果被转换成用户可以立即使用的结果。因此,工作列表优先级处理(prioritization)对于用户是特别有效的接口,从而帮助她或他完成提供医学诊断的任务。
根据一方面,修改工作列表包括:如果医学图像数据集被分类为不正常和/或包括异常,则对工作列表中与医学图像数据集相关联的任务进行优先排序(prioritizing);和/或如果医学图像数据集被分类为正常,则对工作列表中与医学图像数据集相关联的任务进行降优先级处理(de-prioritizing)或从工作列表中移除与医学图像数据集相关联的任务;和/或如果置信度值在预定阈值之下,则确认工作列表中与医学图像数据集相关联的任务的状态;和/或基于分类结果将工作列表划分为正常和不正常部段,并且将与医学图像数据集相关联的任务放置在正常或不正常部分中。
通过以上修改,可以基于分类结果有效地重构工作列表。这提高了用户对结果的可访问性。
根据一方面,方法还包括:基于将医学图像数据集分类为正常或不正常的分类结果来生成医学报告;以及提供医学报告。
根据一些示例,提供医学报告包括将医学报告转发给用户。
通过自动生成医学报告,不仅向用户提供了易于适应临床常规的工作产品,而且该工作产品本质上反映了分类结果。因此,方法变得更加有效,因为用户的工作量减少。
根据一方面,生成的步骤包括:基于第一分类阶段和/或第二分类阶段的分类结果、和/或先前的医学图像数据集(如果有)、和/或补充数据(如果有)、和/或一个或更多个先前的发现(如果有)、和/或医学图像数据集与先前的医学图像数据集之间的变化(如果有)来预填充医学报告。
根据一方面,生成医学报告包括:基于分类结果从多个候选报告模板中选择报告模板;以及基于分类结果、和/或第一分类阶段和/或第二分类阶段的任何中间结果、和/或先前的医学图像数据集(如果有)、和/或补充信息(如果有)、和/或一个或更多个先前的发现(如果有)、和/或医学图像数据集与先前的医学图像数据集之间的变化(如果有)来自动填充报告模板。
根据一些示例,生成医学报告包括基于分类结果确定一个或更多个先前的发现中的一个或更多个是否已经解决,如果是,则在医学报告中明确指示这一点,并且可选地,否则不在医学报告中指示正常分类结果。
这考虑到了以下事实:不显眼的部分通常不需要在医学报告中明确指出,除非“正常”构成了对先前状态的改善。
根据一方面,提供的步骤包括:根据分类结果将医学报告转发给用户;和/或根据分类结果将医学报告存档而不转发给用户。根据一些示例,提供的步骤包括:如果医学图像数据集的分类结果为不正常,则将医学报告转发给用户,否则不将医学报告转发给用户。
由此,用户可以基于分类结果并且因此取决于病例的优先级来查看医学报告。具体地,用户不会被一切正常的标准报告所困扰。因此,方法可以变得更加有效,并且可以进一步减少用户的工作量。
根据一方面,方法还包括:接收关于将医学图像数据集分类为正常或不正常的分类结果的反馈;以及基于该反馈调整第一分类阶段和/或第二分类阶段和/或经训练的分类器。
根据一些示例,反馈可以包括由用户将医学图像数据集(重新)分类为正常。根据一些示例,调整第一分类阶段和/或第二分类阶段和/或经训练的分类器可以在预定时间段的离散更新中或者通过连续更新(使用连续自适应算法)来执行。
通过基于来自用户的反馈调整第一分类阶段和/或第二分类阶段和/或经训练的分类器,所涉及的算法可以被持续改进。这提高了方法的准确性和可靠性。
根据一方面,方法还包括提供或输出将医学图像数据集分类为正常或不正常的分类结果(基于通过第一分类阶段和/或第二分类阶段将医学图像数据集分类为正常或不正常)。根据一方面,输出可以包括向用户提供分类结果。
根据一方面,方法包括:基于将医学图像数据集分类为正常或不正常的分类结果(基于通过第一分类阶段和/或第二分类阶段将医学图像数据集分类为正常或不正常)确定医学诊断;以及提供该医学诊断。根据一些示例,医学诊断包括医学图像数据集是否正常的指示。
根据一方面,方法包括提供关于为什么将医学图像数据集分类为正常或不正常的分类结果是正常和/或不正常的指示(或解释)。具体地,提供指示可以包括提供被分类为不正常的隔室(例如,至少一个隔室)的指示和/或在医学图像数据集中检测到的任何异常或医学发现的指示。
根据一方面,提供了一种用于提供医学数据库的质量度量的方法,其中,数据库包括多个经分类的医学图像数据集,多个经分类的医学图像数据集各自具有被分类为正常和不正常(具体地由数据库的用户分类为正常和不正常)的分类状态。方法包括:将根据本文所述的一个或更多个方面和/或示例对医学图像数据集进行分类的方法应用于多个经分类的医学图像数据集,以针对多个经分类的医学图像数据集中的每一个生成相应经分类的医学图像数据集为正常或不正常的分类结果;基于分类结果和分类状态,具体地基于分类结果与分类状态的比较来确定质量度量;以及提供该质量度量。
由此,可以提供一种快速筛选医学数据库的方法,该方法可以用作质量控制工具。
具体地,质量度量可以基于分类结果和分类状态指示正确和/或错误分类的医学图像数据集的数目、和/或基于分类结果和分类状态指示正确和/或错误分类的医学图像数据集。
根据一些示例,可以基于分别与经分类的医学图像数据集相关联的补充数据来确定分类状态,该补充数据具体包括与经分类的医学图像数据集相关联的医学报告。根据一些示例,“基于…确定”可以包括:提供自然语言处理算法,该自然语言处理算法被配置成识别自然语言文本中的分类状态;以及在自然语言处理算法中输入数据,以确定分类状态。
具体地,根据一些示例,医学图像数据集在被获取的同时可以经历第一分类阶段和/或第二分类阶段,在这种意义上,对应的分析“即时”执行。由此,医学图像数据集在被获取的同时可能已经被筛查为正常,这可以节省时间并允许调整运行的图像获取。
根据其他示例,医学图像数据集可以在被获取之后(在获取已经完成之后)经历第一分类阶段和/或第二分类阶段,例如,通过从诸如前述PACS的对应存储装置中拉取医学图像数据集。
根据一些示例,第一分类阶段和/或第二分类阶段包括检测一个或更多个医学发现,并且方法还包括(例如,在第一分类阶段和/或第二分类阶段中):将一个或更多个医学发现分类为不可行动或可行动;以及基于将一个或更多个医学发现分类为不可行动或可行动,将医学图像数据集分类为正常或不正常。这具有以下优点:可以识别不可行动的发现,这将减少用户必须检查的发现的数目。进而,可以减少用户的工作量,并且方法变得更加有效。
根据示例,基于补充数据对一个或更多个医学发现进行分类。这具有可以考虑特定患者的情况的优点。虽然某些医学发现对于一个患者可能是不可行动的(例如,因为它们涉及既往知识),但是它们对于另一患者可能是可行动的。
根据一方面,提供了一种用于对医学图像数据集进行分类的系统,该系统包括接口单元和计算单元。计算单元被配置成从接口单元接收(或获得)医学图像数据集,该医学图像数据集示出了患者的身体部位。计算单元被配置成提供(和/或托管和/或应用)第一分类阶段,该第一分类阶段被配置成将医学图像数据集分类为正常或不正常。计算单元被配置成提供(和/或托管和/或应用)与第一分类阶段不同的第二分类阶段,该第二分类阶段被配置成将医学图像数据集分类为正常或不正常。计算单元被配置成使医学图像数据集经历第一分类阶段,以将医学图像数据集分类为正常或不正常。计算单元被配置成:如果医学图像数据集在第一分类阶段中被分类为正常,则使医学图像数据集经历第二分类阶段,以将医学图像数据集分类为正常或不正常。计算单元被配置成经由接口单元提供医学图像数据集为正常或不正常的分类结果。
计算单元可以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。硬件可以通过软件可配置和/或通过软件可操作。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,各个单元可能彼此分开定位。此外,计算单元可以被配置为边缘装置。
接口单元可以包括用于与数据库进行数据交换的接口,以用于从数据库中检索医学图像数据集。接口单元还可以适于与系统的一个或更多个用户对接,例如,通过向用户显示处理结果例如任何分类结果(例如,在图形用户界面中)。
系统可以适于在其用于修改医学图像数据的各个方面中实现本发明方法。结合方法方面和示例描述的优点也可以通过对应配置的系统部件来实现。因此,结合方法方面和示例描述的优点也可归因于对应的系统。
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,当程序元素被加载至被配置成用于对医学图像数据集进行分类的系统的计算单元的存储器中时,所述程序元素使计算单元执行根据上述方法方面和示例中的一个或更多个的步骤。
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,当程序元素由被配置成用于根据一个或更多个方法方面和示例对医学图像数据集进行分类的系统的计算单元执行时,所述程序元素能够由计算单元读取和执行。
通过计算机程序产品和/或计算机可读介质实现本发明具有以下优点:已经存在的提供系统可以容易地被软件更新适配,以如本发明所提出的那样工作。
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本身旁边的另一元素。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装置、用于使用计算机程序的硬件密钥等;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在若干计算机实例之中分发。
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。在以下附图中:
图1示意性地描绘了根据实施方式的用于对医学图像数据集进行分类的系统的实施方式;
图2示意性地描绘了根据实施方式的用于对医学图像数据集进行分类的方法;
图3示意性地描绘了根据实施方式的与用于对医学图像数据集进行分类的方法相关的示例性数据流图;
图4示意性地描绘了根据实施方式的用于对医学图像数据集进行分类的方法的流程图;
图5示意性地描绘了根据实施方式的用于对医学图像数据集进行分类的方法的流程图;以及
图6示意性地描绘了根据实施方式的用于对医学图像数据集进行分类的经训练的函数。
具体实施方式
图1描绘了用于对医学图像数据集MID进行分类的系统1。系统1适于执行根据一个或更多个实施方式例如如参照图2至图6进一步描述的方法。根据一些示例,系统1的用户通常可以涉及医疗保健专业人员,例如医师、临床医师、技师、放射科医师、病理学家等。
系统1包括用户接口10(作为接口单元的一部分)和计算单元20。此外,系统1可以包括或连接至数据库DB。
数据库DB通常可以被配置成用于获取和/或存储和/或转发一个或更多个患者的医学图像数据集MID以及可选的相关联的补充信息SD。数据库DB可以由一个或更多个存储装置来体现。具体地,数据库DB可以以一个或更多个云存储模块的形式实现。可替选地,数据库DB可以实现为本地或扩展存储。根据一些示例,数据库DB可以根据诸如DICOM和/或FHIR标准的医学信息学标准进行格式化。这可能意味着数据库DB和其中包括的条目根据各自的标准对标准化数据标识符进行编码。
医学图像数据集MID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。图像信息可以被编码在m×n×p体素的三维阵列中。医学图像IM可以包括在堆叠方向上堆叠的多个图像切片,以跨越由医学图像数据集MID覆盖的图像体积。
此外,医学图像数据集MID可以包括二维医学图像数据,其中图像信息被编码在m×n像素的阵列中。根据一些示例,这些二维医学图像数据集MID可能是从三维医学图像数据集提取的。
体素或像素的集合可以被指定为以下相应医学图像数据集MID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,医学图像数据集MID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体和器官。考虑到作为身体部位的胸部区域,医学图像数据集MID可以例如描绘肺叶、胸腔、心脏、淋巴结等。
医学图像数据集MID可以根据DICOM格式进行格式化。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装置、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、医院广泛采用以及用于如医生的办公室或工作场所的较小应用。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。
补充数据SD可以是提供与患者和/或医学图像数据集MID相关的附加信息的任何数据。补充数据SD可以包括非图像数据或具有混合类型内容的数据,该混合类型内容包括医学图像和诸如文本的非图像内容。非图像数据可以涉及非图像检查结果,例如实验室数据、生命体征记录(包括例如ECG数据、血压值、通气参数、氧饱和度水平)等。此外,补充数据SD可以包括与患者的先前检查相关的结构化和非结构化报告。此外,补充数据SD可以包括患者的个人信息,例如性别、年龄、体重、保险详情等。
补充数据SD可以以患者的一个或更多个电子医学报告的形式获得。
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装置来体现。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、麦克风及其任意组合。显示单元可以被配置成用于显示医学图像数据集MID的表示和/或用于评估医学图像数据集MID的任务的工作列表WL和/或与医学图像数据集MID相关联的医学报告。
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,以提供用于允许用户输入来自工作列表WL的选择项、处理医学图像数据集以及编辑医学报告的图形用户界面GUI。另外,接口计算单元可以被配置成与计算单元20通信,以用于接收工作列表WL、医学图像数据集MID或其渲染、补充信息和/或正常或不正常的医学图像数据集的分类结果。用户可以经由用户接口10来激活软件组件,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软件组件。根据示例,软件组件还可以是在网络浏览器中运行的网络应用形式的客户端-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装置。用户接口10也可以被体现为客户端。
计算单元20可以包括子单元21至25,所述子单元21至25被配置成处理医学图像数据集MID,以将这些医学图像数据集MID分类为正常或不正常,从而提供分类结果CR、I-CR,并且因此提供用于医学诊断的指示。
计算单元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装置。处理器可以是单个装置或者串行、并行或独立操作的多个装置。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,以执行本文讨论的步骤。计算单元20可以包括在用户接口10中。可替选地,计算单元20可以与用户接口10分离。计算单元20包括真实的或虚拟的计算机组,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,计算单元(处理系统)20可以包括用于临时加载医学图像数据集MID和来自数据库DB的任何补充信息的诸如RAM的存储器。根据一些示例,这样的存储器也可以包括在用户接口10中。
子单元21是数据检索模块或单元。子单元21被配置成访问和搜索数据库DB以获得医学图像数据集MID。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数据库DB。以同样的方式,子单元21可以被配置成检索针对患者的补充数据SD。
子单元22可以被设想为质量评估模块或单元,其被配置成仔细检查医学图像数据集MID是否适合于随后的自动分类。为此,子单元22可以被配置成确定并评估医学图像数据集MID的一个或更多个预定义质量参数。此外,子单元22可以被配置成检查医学图像数据集MID的视场是否匹配基于医学图像数据集MID要执行的诊断任务。
子单元23可以被设想为第一分类模块或单元,其被配置成限定并应用第一分类阶段CS1,以对医学图像数据集MID进行分类。根据一些示例,第一分类模块23被配置成验证医学图像数据集是正常的,即,仅示出在医学意义上正常的图像数据。具体地,根据一些示例,子单元23可以被配置成选择并运行相应配置的分类算法TF-N、C-TF-N。为此,子单元23可以访问或服务于分类算法的存储装置或库。这样的库可以是经训练的函数TF-N、C-TF-N的集合,经训练的函数TF-N、C-TF-N被专门配置成识别医学图像数据集MID中的正常的即不可行动的特征。
子单元24可以被设想为第二分类模块或单元,其被配置成限定并应用第二分类阶段CS2,以对医学图像数据集MID进行分类。根据一些示例,第二分类模块24被配置成确定医学图像数据集MID是否包含任何特定的医学异常。具体地,根据一些示例,子单元24可以被配置成选择并运行相应配置的分类算法DA-NN、C-DA-NN。为此,子单元24可以访问或服务于分类算法DA-NN、C-DA-NN的存储装置或库。这样的库可以是经训练的分类器或检测算法DA-NN的集合,经训练的分类器或检测算法DA-NN被专门配置成识别医学图像数据集MID中需要专家检查的异常特征。
子单元25可以被设想为后处理模块或单元。子单元25可以被配置成使用由第一分类阶段CS1和第二分类阶段CS2提供的分类结果CR、I-CR来为用户提供可行动的结果。根据一些示例,这样的结果可以包括更新的工作列表WL,在该更新的工作列表WL中,基于分类结果CR、I-CR,给予医学图像数据集MID一定的优先级。另外地或可替选地,子单元25可以被配置成基于分类结果CR、I-CR为医学图像数据集MID自动生成或预配置一个或更多个医学报告MR。此外,子单元25可以被配置为用户交互模块或单元。子单元25可以被配置成向用户提供图形用户界面GUI,以经由用户接口10向用户显示。图形用户界面GUI可以被配置成支持所提供的分类结果CR、I-CR、工作列表WL和/或基于分类结果CR、I-CR创建的任何人工品(例如,医学报告MR)的呈现。
对不同子单元21至25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25可以被集成以形成一个单个单元(例如,以“计算单元”的形式),或者可以由被配置成执行在计算单元20的处理器等上运行的对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25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。
计算单元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25的物理分布原则上是任意的。例如,子单元21(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25也是如此。具体地,计算单元20也可以集成在用户接口10中。如已经提及的,计算单元20可以可替选地体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。根据一些实现方式,用户接口10可以被指定为面向用户的“前端”或“客户端”,而计算单元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与计算单元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26与计算单元(处理系统)20通信,以交换例如做出的医学报告MR、工作列表WL或任何用户输入。此外,计算单元20可以与数据库DB通信,以经由数据接口26获得医学图像数据集MID、P-MID。用于数据交换的数据接口26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送。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26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对医学图像数据集MID进行分类的方法。对应的数据流如图3所示。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,而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。
在步骤S10处,接收医学图像数据集MID。这可以涉及从例如存储在数据库DB中的多个病例中选择医学图像数据集MID。该选择可以由用户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来手动执行。可替选地,医学图像数据集MID可以由用户通过将医学图像数据集MID上传至计算单元的方式提供给计算单元。
在可选的子步骤S11中,可以获得先前的医学图像数据集P-MID。先前的医学图像数据集P-MID可以示出与医学图像数据集MID相同的患者的相同身体部位,但是时间点不同。获得可以意指例如基于患者的患者ID向数据库DB查询一个或更多个先前的医学图像数据集P-MID。
在可选的子步骤S12中,可以针对医学图像数据集MID获得补充数据SD。补充数据SD可以包括医学报告MR、患者的人口统计信息、患者的病史、要基于医学图像数据集MID执行的诊断任务等。获得补充数据SD可以包括例如基于患者的患者ID向数据库DB查询补充数据SD。
此外,步骤S10可以包括一个或两个可选的预分类阶段PS1、PS2,其可以形成第一分类阶段CS1或第二分类阶段CS2,或者可以包括在第一分类阶段CS1或第二分类阶段CS2中。作为非限制性的替选,如图3所示,可选的预分类阶段PS1、PS2中的一个或更多个可以在分类阶段CS1、CS2之前。
第一预分类阶段PS1基于对医学图像数据集MID是否匹配可从补充数据SD导出的临床背景和/或诊断任务的评估。具体地,在步骤S13处,可以基于补充数据SD来确定感兴趣区域(或相关隔室)。例如,如果诊断任务涉及患者的肺部,则感兴趣区域是肺部。步骤S13可以包括将自然语言处理算法应用于补充数据SD,以确定(一个或多个)相关隔室。在这方面,隔室可以是患者的器官或解剖结构。在下一步骤S14中,可以分割医学图像数据集MID以识别医学图像数据集MID的图像数据中描绘的一个或更多个隔室。以患者的胸部CT为例,这可能是骨骼、肺部、肝脏、心脏等。在下一步骤S15中,可以检查感兴趣区域是否反映在医学图像数据集MID中识别的隔室中。在此基础上,可以在步骤S16处检查医学图像数据集MID是否匹配临床背景。如果匹配,则医学图像数据集MID在这方面可以被认为是正常的,并且可以提供对应的中间分类结果I-CR,并且该方法可以进行至下一步骤。如果不匹配,则在步骤S16处医学图像数据集可以被分类为不正常来作为分类结果CR,因为它显然应当引起用户的注意。
第二预分类阶段PS2基于自动确定图像质量。具体地,在步骤S17处,可以从医学图像数据集MID得到图像质量值。例如,可以确定信噪比是否可接受,取向和/或视场是否可接受,吸气周期是否正确,是否达到可接受的穿透深度,是否使用了合理的后处理函数(例如,在CT成像的情况下的适当的卷积核),是否使用合理的序列协议获取医学图像数据集(在MR成像的情况下)等。对应的分类阶段PS2可以包括多个质量评估模块QAM,所述多个质量评估模块QAM分别被配置成从医学图像数据集MID中提取各个质量度量。各个质量度量可以被聚合以形成图像质量值。在步骤S18处,然后可以确定图像质量是否足以有把握地将医学图像数据集MID分类为正常。例如,可以将图像质量值与预定阈值进行比较。如果图像质量不够,则在步骤S18中,医学图像数据集被分类为不正常来作为分类结果CR。如果质量足够,则医学图像数据集MID在这方面可以被分类为正常,并且可以提供对应的中间分类结果I-CR,并且分类可以进行至下一阶段。
步骤S20旨在提供第一分类阶段CS1。例如,第一分类阶段CS1可以通过将其保持在处理单元的存储器中可用而被提供,例如作为可执行的计算机代码。
根据实施方式,第一分类阶段CS1被配置成主动确认医学图像数据集MID正常。换言之,第一分类阶段CS1可以被设想为正常“划入(rule-in)”阶段。
第一分类阶段CS1可以包括一个或更多个单独的(正常的)分类算法TF-N、C-TF-N。例如,分类算法TF-N、C-TF-N可以包括一个或更多个经训练的分类器TF-N、C-TF-N,其已经被配置成用于将医学图像数据集MID分类为正常的特定方面。虽然一些分类模块TF-N可以被配置成将医学图像数据集MID作为整体进行分类,但是其他分类模块C-TF-N可以被配置成对医学图像数据集的部分或隔室进行分类。例如,可以存在多个专门配置的经训练的函数C-TF-N,其各自已经被配置成将医学图像数据集MID的特定隔室分类为正常。此外,分类算法TF-N、C-TF-N可以被配置成考虑先前的信息,例如先前的医学图像数据集P-MID。
步骤S30旨在提供第二分类阶段CS2。例如,第二分类阶段CS2可以通过将其保持在处理单元的存储器中可用而被提供,例如作为可执行的计算机代码。
根据实施方式,第二分类阶段CS2被配置成主动搜索医学图像数据集MID中的异常。换言之,第二分类阶段CS2可以被设想为异常“排除(rule-out)”阶段。
如同第一分类阶段CS1,第二分类阶段CS2可以包括一个或更多个单独的分类算法DA-NN、C-DA-NN,其被配置成检测医学图像数据集中的异常。例如,分类算法DA-NN、C-DA-NN可以包括一个或更多个经训练的检测算法DA-NN、C-DA-NN,其已经被配置成检测医学图像数据集MID中的特定异常。虽然一些分类算法DA-NN可以被配置成将医学图像数据集MID作为整体来考虑,但是其他分类算法C-DA-NN可以被专门配置成搜索医学图像数据集MID的部分或隔室中的异常。例如,可以存在多个专门配置的经训练的函数C-DA-NN,其各自已经被配置成处理医学图像数据集的特定隔室或发现特定异常,例如病变、骨折、异物、疝气、肺炎、气胸、脊柱侧弯等。此外,分类算法DA-NN、C-DA-NN可以被配置成考虑先前的信息,例如先前的医学图像数据集P-MID。
在步骤S40处,将第一分类阶段CS1应用于医学图像数据集MID,以将医学图像数据集MID分类为正常或不正常。
如以下将概述的,根据分类阶段CS1的相应配置,通过应用第一分类阶段CS1的分类可以涉及医学图像数据集MID的若干可选的图像处理子步骤。以下步骤可以单独执行,或者可以以任意组合执行。可以聚合单独子步骤的(中间)分类结果I-CR,以获得医学图像数据集MID的总分类结果CR。因此,根据一些示例,仅当所应用的所有单独子步骤都产生正常的中间分类结果I-CR时,才将总分类结果CR设置为正常。换言之,一旦单独子步骤之一不能验证医学图像数据集MID是正常的,就将总分类结果CR设置为不正常。
可选地,在步骤S41处,医学图像数据集MID可以被输入至第一分类阶段CS1的分类算法TF-N中,以确定医学图像数据集MID是否正常。具体地,根据一些示例,分类算法TF-N可以是经训练的分类器,其已经被配置成接受医学图像数据集MID作为整体,并且输出指示医学图像数据集MID作为整体是否正常的分类结果。
可选的步骤S42和S43处理按隔室的分类。在步骤S42处,通过应用对应的分割算法来分割医学图像数据集MID。例如,这可以涉及识别医学图像数据集MID内的隔室,并且例如在分割的数据集中描绘对应的图像数据。接下来,在步骤S43处,分割的数据集被分类为正常或不正常。
可选的步骤S44和S45旨在从第一分类阶段CS1中的可用算法中选择适当的分类算法C-TF-N或经训练的分类器。该选择可以发生在步骤S44处,而在步骤S45处,将所选择的分类算法C-TF-N应用于医学图像数据集MID,以提供对应的分类结果CR、I-CR。根据一些示例,根据在步骤S42处识别的(一个或多个)隔室来选择分类算法C-TF-N。
可选的步骤S46旨在将先前的信息考虑到分类中。具体地,步骤S46被配置成另外基于患者的先前的医学图像数据集P-MID和/或先前的医学报告对医学图像数据集MID进行分类。根据一些示例,在步骤S46中使用的分类算法TF-N、C-TF-N可以被配置成从先前的信息推断一个或更多个先前的发现和/或确定从先前的信息到医学图像数据集MID的变化。步骤S46可以作为整体应用于医学图像数据集MID,或者按隔室执行。
在可选的步骤S47处,可以另外基于补充数据SD来提供分类结果CR、I-CR。由此,如果补充数据SD包括潜在异常或非可疑部分的指示,则可以在此基础上特别检查医学图像数据集MID。根据一些示例,对应的分类算法TF-N、C-TF-N可以包括自然语言处理算法,其被配置成从补充数据SD中提取对应的信息。
在可选的子步骤S48处,可以基于补充信息来调整分类阶段CS1(或任何适用的分类算法TF-N、C-TF-N)的灵敏度。例如,如果先前的报告指示肺部病变,则对应的经训练的分类器TF-N、C-TF-N的灵敏度可以增加。
可选的步骤S49和S410可以被设想为置信度过滤器,利用该置信度过滤器检查医学图像数据集MID的正常的所有中间分类结果I-CR的置信度水平(步骤S49)。如果置信度水平太低,则正常分类被否决并被设置为不正常(步骤S410)。
在步骤S50处,将第二分类阶段CS2应用于医学图像数据集MID,以将医学图像数据集MID分类为正常或不正常,并且提供对应的分类结果CR、I-CR。
在可选的步骤S51处,检查第一分类阶段CS1的分类结果CR、I-CR的分类结果是正常还是不正常。根据一些示例,仅当第一分类阶段CS1的分类结果CR、I-CR正常时,才应用第二分类阶段CS2。由此,第二分类阶段CS2可以被视为双重检查,以保障正常分类结果I-CR。
如以下将概述的,根据分类阶段CS2的相应配置,通过应用第二分类阶段CS2的分类同样可以涉及医学图像数据集MID的若干可选的图像处理子步骤。以下步骤可以单独执行,或者可以以任意组合执行。在第二分类阶段CS2中,可以聚合单独子步骤的分类结果I-CR,以获得医学图像数据集MID的总分类结果CR。因此,根据一些示例,仅当所应用的所有单独子步骤都没有检索到任何异常时,才将总分类结果CR设置为正常。换言之,一旦单独子步骤之一可以在医学图像数据集MID中识别出异常,就将总分类结果CR设置为不正常。
可选地,在步骤S52处,医学图像数据集MID可以被输入至第二分类阶段CS2的分类算法DA-NN中,以确定医学图像数据集MID是否包括异常。具体地,根据一些示例,分类算法DA-NN可以是经训练的分类器,其已经被配置成通常识别作为整体的医学图像数据集MID中的异常。
可选的步骤S53和S54以与步骤S42和S43类似的方式处理按隔室的分类。
可选的步骤S55和S56旨在从第二分类阶段CS2中可用的多个检测算法DA-NN、C-DA-NN中选择适当的分类算法C-DA-NN。除此之外,步骤S55和S56对应于步骤S44和S45。
可选的步骤S57旨在将先前的信息考虑到分类中。具体地,步骤S57被配置成另外基于患者的先前的医学图像数据集P-MID和/或先前的报告对医学图像数据集MID进行分类。根据一些示例,在步骤S57中使用的(一个或多个)分类算法DA-NN、C-DA-NN可以被配置成从先前的信息推断一个或更多个先前的发现和/或确定从先前的信息到医学图像数据集MID的变化。步骤S57可以作为整体应用于医学图像数据集MID,或者按隔室执行。
在可选的步骤S58处,可以另外基于补充数据SD来提供分类结果CR、I-CR。由此,如果补充数据SD包括潜在异常的指示,则可以针对这些潜在异常特别检查医学图像数据集MID。根据一些示例,对应的分类算法DA-NN、C-DA-NN可以包括自然语言处理算法,其被配置成从补充数据SD中提取对应的信息(即,前述指示)。
在可选的子步骤S59处,可以基于补充数据SD来调整分类阶段CS2(或任何适用的分类算法DA-NN、C-DA-NN)的灵敏度。例如,如果先前的报告指示肺部病变,则对应的经训练的分类器C-DA-NN的灵敏度可以增加。
可选的步骤S510和S511可以再次被设想为置信度过滤器,其可以以与步骤S49和S410中相同的方式被配置。
在可选的步骤S60处,提供分类结果CR。这可以涉及在用户接口10中向用户示出分类结果CR。可替选地或另外地,这可以涉及提供分类结果CR以用于进一步处理,例如通过一个或更多个自动处理算法。
例如,在可选的子步骤S61处,分类结果CR可以被提供给调度算法,该调度算法为用户输出工作列表WL。具体地,调度算法可以被配置成基于分类结果CR来修改工作列表WL。这可以涉及将工作列表WL组织成正常和不正常病例。可替选地或另外地,这可以包括对不正常病例进行优先排序,使得这些不正常病例显示在工作列表WL的顶部处。根据一些示例,如果医学图像数据集MID是正常的,则这甚至可以涉及从工作列表WL中移除医学图像数据集MID,因为它们不需要用户检查。根据一些示例,可以根据置信度值从工作列表WL中移除医学图像数据集MID。仅当分类结果CR的置信度值指示正常分类结果CR的足够高的置信度时,才移除医学图像数据集MID。为此,可以将置信度值与预定阈值进行比较(该预定阈值可能比在步骤S49/S410或S510/S511中使用的阈值更严格)。仅当医学图像数据集MID被安全分类为正常时,才可以将其从工作列表WL中移除。
在可选的步骤S62和S63处,分类结果CR以及中间分类结果I-CR可以用于自动生成医学报告MR。因此,步骤S62包括生成医学报告MR,并且步骤S63包括提供医学报告MR。例如,在步骤S62中,可以使用分类结果CR、I-CR来选择适当的报告模板。因此,与医学图像数据集MID不正常的情况相比,如果医学图像数据集MID正常,则不同的模板可能引起怀疑。此外,步骤S62可以包括基于分类结果预填充医学报告。例如,在步骤S40处发现的任何异常可以在医学报告MR中指示。
在步骤S63处,提供在步骤S62处生成的医学报告MR。可以使在步骤S63中提供医学报告MR的方式再次取决于分类结果CR、I-CR。根据一些示例,如果分类结果CR是正常的,并且可选地具有足够高的置信度值,则医学报告MR可以被存档,而无需用户签字。因此,该路径可以与在步骤S61处从工作列表WL中移除医学图像数据集MID一致。如果分类结果CR不正常或者正常但是具有太低的置信度值,则报告MR可以被提供给用户以用于进一步检查。
图4描绘了根据实施方式的用于对医学图像数据集MID进行分类的方法。对应的数据流如图3所示。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,而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。
具体地,图4示出了例示结合图2介绍的各个步骤可以如何组合的实施方式。
在第一步骤S4-1处,在整个图像数据的水平上确定医学图像数据集MID是否正常。为此,可以在对应配置的经训练的函数TF-N中输入医学图像数据集MID,如结合步骤S41所述。如果医学图像数据集MID以足够的确定性被分类为正常,则该方法进行至下一步骤S4-2。如果医学图像数据集不能被分类为正常(因为它不正常或者因为正常分类的置信度值太低),则处理终止,并提供医学图像数据集MID为不正常的分类结果CR。可选地,例如,可以在步骤S4-1处考虑先前的信息,如结合步骤S46所述。
在步骤S4-2处,可以确定医学图像数据集MID的各个隔室是否正常。为此,可以将医学图像数据集MID分割成隔室,并且可以将隔室的对应图像数据输入至对应配置的经训练的函数C-TF-N中。因此,步骤S4-2的处理可以包括步骤S42和S43。可选地,例如,在步骤S4-2处也可以考虑先前的信息,如结合步骤S46所述。如果每个隔室都以足够的确定性被分类为正常,则该方法进行至下一步骤S4-3。否则,分类在步骤S4-2处终止,并提供医学图像数据集MID为不正常的分类结果CR。
在步骤S4-3处,主动检测异常。这可以涉及在经训练的函数DA-NN中输入医学图像数据集MID,该经训练的函数DA-NN被配置成检测医学图像数据集中的一般异常(例如,根据步骤S52)。可选地,例如,可以在步骤S4-3处考虑先前的信息,如结合步骤S57所述。如果没有发现异常,则医学图像数据集被认为是正常的,并且处理进行至步骤S4-4。否则,分类终止,并提供医学图像数据集MID为不正常的分类结果CR。
步骤S4-4构成主动检测异常的另一步骤。因此,步骤S4-4可以被配置成检测特定的异常。为此,步骤S4-4原则上可以将已知的计算机辅助检测函数C-DA-NN应用于医学图像数据集MID,该计算机辅助检测函数C-DA-NN可以被配置成检测特定隔室中的某些种类的异常,例如患者肺部的图像数据中的肺结节。因此,步骤S4-4可以包括分割处理,例如,如结合步骤S53和S54所述。同样在步骤S4-4中,可以考虑先前的信息,如结合步骤S57所述。如果在步骤S4-4中没有发现异常,则医学图像数据集MID最终被分类为正常。否则,医学图像数据集被分类为不正常。
在图4中,指示步骤S4-1和S4-2包括在第一分类阶段CS-1中,并且步骤S4-3和S4-4包括在第二分类阶段CS2中。然而,应当注意,这种映射是任意的。原则上,步骤S4-1、S4-2、S4-3、S4-4也可以单独被视为分类阶段,或者步骤S4-1、S4-2、S4-3、S4-4可以被包括在一个分类阶段中。
图5描绘了根据实施方式的用于对医学图像数据集MID进行分类的方法。对应的数据流如图3所示。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,而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。
图5所示的示例对应于图4所示的示例。然而,图5所示的示例包括另一分类步骤S4-0,另一分类步骤S4-0可以被视为预分类步骤,以确保医学图像数据集MID和补充数据SD(如果有)对于自动分类为正常和不正常具有足够的质量和一致性。具体地,步骤S4-0可以包括预分类阶段PS1和/或PS2,如结合步骤S10所述。
由此,可以自动识别在医学图像数据集MID的获取期间是否遵循了适当的成像协议。这可以确保检查的适当覆盖范围以回答临床问题。类似地,可以确保检测器没有被过度穿透或穿透不足,患者适当地吸气以获得肺野的清晰图片,和/或患者没有被过度旋转而使解剖体的适当视图变模糊。如果医学图像数据集MID未能满足步骤S4-0的一个或更多个质量标准,则医学图像数据集MID被分类为不正常。否则,处理可以进行至步骤S4-1的第一正常“划入”。
应当注意,步骤S4-0也可以集成在分类阶段CS1和/或CS2中之一,尽管为了清楚起见在图5中被示出为单独阶段。
图6示意性地示出了根据实施方式的经训练的函数TF-N、DA-NN、C-TF-N、C-DA-NN。
原则上,任何已知的分类和检测函数都可以用于确定医学图像数据集MID是正常的,以及用于发现医学图像数据集MID中的异常。具体地,如果要在医学图像数据集MID中描绘的隔室中检测特定的异常(例如,参见步骤S4-3),则这适用,因为已经存在用于这些目的的过多的良好证明和认证的算法(例如,对应的专利文献,参见:US2009/0 092 300A1、US2009/0 067 693A1或US2016/0 321 427A1)。
关于验证某个图像数据是正常的,即仅呈现不可行动的特征,发明人建议使用卷积神经网络,特别地深度卷积神经网络,以用于被训练的函数TF-N、C-TF-NN,如图6所示。卷积神经网络包括卷积层、池化层和全连接层。
在输入层L.1中,对于医学图像数据集MID或任何分割的隔室的每个像素存在一个节点,每个像素具有一个通道(各自的强度值)。在输入层之后,存在四个卷积层L.2、L.4、L.6、L.8,四个卷积层中的每一个都跟随有池化层L.3、L.5、L.7、L.9。对于卷积层中的每一个,使用5×5核(由“K:5×5”指示),其中填充为2(由“P:2”指示)并且具有一个或两个滤波器/卷积核(由“F:1”或“F:2”指示)。此外,存在四个池化层L.3、L.5、L.7、L.9,前三个层L.3、L.5、L.7在大小为4×4的图块(patch)上实现平均运算,而最后一个池化层L.9在大小为2×2的图块上实现最大运算。在图6中,指示了使输入图像变平整的附加层L.10(即,取大小为4×4的8个图像,并给出128个条目的向量)。然而,该层与实际计算无关。网络的最后层是三个全连接层L.11、L.12、L.13,第一全连接层具有128个输入节点和40个输出节点,第二全连接层L.12具有40个输入节点和10个输出节点,而第三全连接层L.13具有10个输入节点和一个输出节点,其中,输出节点形成整个被训练的函数TF-N的输出层。输出层的第一节点的值对应于输入医学图像数据集MID正常的概率(或置信度)。
原则上,可以提供类似的网络,以用于利用对应的检测算法DA-NN、C-DA-NN来检测医学图像数据集MID中的非特定异常。在这种情况下,第三全连接层L.13可以具有两个输出节点,一个用于提供医学图像数据集MID不正常的概率(或置信度),而另一节点输出医学图像数据集MID内构成可行动特征的特征的位置和/或大小。
具体地,要被配置成识别正常图像数据的被训练的函数TF-N、C-TF-NN可以在没有临床可行动疾病的大批(数百万)检查上进行训练。这为框架提供了不可行动的检查的全局画面。为了识别需要专家参与的这样的病例,可以使用特定于领域的语言模型来针对适于以自监督方式训练系统的病例自动解析医学数据库T-DB。例如,语言模型可以用于例如基于与图像数据集对应的医学报告,将数据库T-DB中的医学图像数据集自动标记为正常。该过程的优点在于,在通常的医学数据库中占主导地位的正常图像数据集可以自动用于训练过程,而不需要专家注释。
另一种被训练的分类器TF-N、C-TF-NN可以学习各个隔室的不可行动的特征。该任务可以使用基于分割医学图像数据集MID的隔室化的自监督学习或其他合适的技术以类似的方式来实现。
最后,为了确保关键且危及生命的但具有挑战性的发现不被忽略,可以基于已经由专家注释的精选训练数据来训练异常检测算法DA-NN。
要注意的是,在描述的某些部分中做出的不同的经训练的函数TF-N、C-TF-N、DA-NN、C-DA-NN和检测算法之间的划分是通过示例而非限制的方式来设想的。根据一些示例,经训练的函数TF-N、C-TF-N、DA-NN、C-DA-NN和检测算法也可以体现为支配性网络架构的分支。
对于实际的训练过程,可用的训练医学图像数据集(专家注释的或自动标记的)可以被划分成训练数据(例如,总共500个数据集中的320个数据集)、验证数据(例如,80个数据集)和测试数据(例如,100个数据集)。为了训练被训练的函数TF-N或检测算法DA-NN,可以基于成本函数L(x,y1)=|M(x)1–-y1|2使用反向传播,其中,x表示输入医学图像数据集MID,而y1表示相应患者是否正常。以同样的方式,可以考虑附加的输出,例如医学图像数据集MID内的可行动特征的位置和/或大小。此外,M(x)表示将机器学习模型应用于输入医学图像x的结果。
基于验证集,可以选择若干机器学习模型(具有不同的超参数,例如层数、核的大小和数目、填充等)中性能最好的机器学习模型。然后可以基于测试集来确定特异性和灵敏度。
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)
1.一种用于对医学图像数据集(MID)进行分类的计算机实现的方法,包括:
-接收(S10)所述医学图像数据集(MID),所述医学图像数据集(MID)示出了患者的身体部位;
-提供(S20)第一分类阶段(CS1),所述第一分类阶段(CS1)被配置成将所述医学图像数据集(MID)分类为正常或不正常;
-提供(S30)与所述第一分类阶段(CS1)不同的第二分类阶段(CS2),所述第二分类阶段(CS2)被配置成将所述医学图像数据集(MID)分类为正常或不正常;
-使所述医学图像数据集(MID)经历(S40)所述第一分类阶段(CS1),以将所述医学图像数据集(MID)分类为正常或不正常;以及
-如果所述医学图像数据集(MID)被所述第一分类阶段(CS1)分类为正常,则使所述医学图像数据集(MID)经历(S50)所述第二分类阶段(CS2),以将所述医学图像数据集(MID)分类为正常或不正常。
2.根据权利要求1所述的方法,其中:
-所述第一分类阶段(CS1)包括在第一经训练的分类器(TF-N,C-TF-N)中输入(S41)所述医学图像数据集(MID),所述第一经训练的分类器(TF-N,C-TF-N)被配置成确定所述医学图像数据集(MID)是正常的,并且
-所述第二分类阶段(CS2)包括在第二经训练的分类器(DA-NN,C-DA-NN)中输入(S52)所述医学图像数据集(MID),所述第二经训练的分类器(DA-NN,C-DA-NN)与所述第一经训练的分类器(TF-N,C-TF-N)不同并且被配置成识别医学图像数据集中的医学异常。
3.根据前述权利要求中任一项所述的方法,其中:
-所述第一分类阶段(CS1)和/或所述第二分类阶段(CS2)包括从所述医学图像数据集(MID)分割(S42,S53)至少一个隔室以限定分割的数据集,并且
-所述第一分类阶段(CS1)和/或所述第二分类阶段(CS2)被配置成独立地将i)医学图像数据集的图像数据分类为正常或不正常(S41,S52)以及ii)所述分割的数据集的图像数据分类为正常或不正常(S43,S54),其中,如果医学图像数据集(MID)的图像数据被分类为正常且所述分割的数据集的图像数据被分类为正常,则所述医学图像数据集(MID)被分类为正常,否则所述医学图像数据集(MID)被分类为不正常。
4.根据权利要求3所述的方法,其中,所述第一分类阶段(CS1)和/或所述第二分类阶段(CS2)包括:
提供多个不同的经专门训练的分类器(C-TF-N,C-DA-NN),所述多个不同的经专门训练的分类器(C-TF-N,C-DA-NN)各自被配置成:针对相应的分割的数据集的相应隔室,将所述相应的分割的数据集的图像数据分类为正常或不正常;
根据所述分割的数据集的隔室从所述多个不同的经专门训练的分类器(C-TF-N,C-DA-NN)中选择(S44,S55)一个经专门训练的分类器;以及
通过将所选择的经训练的分类器(C-TF-N,C-DA-NN)应用于所述分割的数据集的图像数据,将所述图像数据分类(S45,S56)为正常或不正常。
5.根据前述权利要求中任一项所述的方法,
-还包括获得(S11)先前的医学图像数据集(P-MID),所述先前的医学图像数据集(P-MID)示出了与所述医学图像数据集(MID)相同的患者在不同的时间点处的相同身体部位,
-其中,所述第一分类阶段(CS1)和/或所述第二分类阶段(CS2)被配置成另外基于所述先前的医学图像数据集(P-MID)以及特别地基于确定所述医学图像数据集(MID)与所述先前的医学图像数据集(P-MID)之间的变化,将所述医学图像数据集(MID)分类(S46,S57)为正常或不正常。
6.根据前述权利要求中任一项所述的方法,还包括:
-获得(S17)针对所述医学图像数据集(MID)的至少一个图像质量参数;以及
-基于所述至少一个图像质量参数将所述医学图像数据集(MID)分类(S18)为不正常。
7.根据前述权利要求中任一项所述的方法,还包括:
-获得(S12)与所述医学图像数据集(MID)相关联的补充数据(SD),所述补充数据(SD)可选地包括所述患者的人口统计数据、要对所述患者执行的诊断任务、所述患者的实验室数据和/或所述患者的医学报告,其中,
-所述第一分类阶段(CS1)和/或所述第二分类阶段(CS2)被配置成另外基于所述补充数据(SD)对所述医学图像数据集(MID)进行分类(S47,S58)。
8.根据权利要求7所述的方法,还包括:
-基于所述补充数据(SD)来调整(S48,S59)所述第一分类阶段(CS1)和/或所述第二分类阶段(CS2)的灵敏度。
9.根据权利要求7或8中任一项所述的方法,还包括:
-检查(S13)是否能够基于所述补充数据(SD)建立一个或更多个相关隔室;
-从所述医学图像数据集中分割(S14)一个或更多个实际隔室;
-检查(S15)所述一个或更多个相关隔室是否包括在所述实际隔室中;以及
-如果不能建立相关隔室,则将所述医学图像数据集分类(S16)为不正常,以及/或者如果至少一个相关隔室不包括在所述实际隔室中,则将所述医学图像数据集分类为不正常。
10.根据前述权利要求中任一项所述的方法,其中,所述第一分类阶段(CS1)和/或所述第二分类阶段(CS2)包括:
-计算(S49,S510)将所述医学图像数据集(MID)分类为正常或不正常的分类结果的置信度值;以及
-如果所述置信度值在预定阈值之下,则将所述医学图像数据集(MID)分类(S410,S511)为不正常。
11.根据前述权利要求中任一项所述的方法,还包括:
-基于将所述医学图像数据集(MID)分类为正常或不正常的分类结果(CR)来修改(S61)用户的工作列表(WL),所述工作列表(WL)包括针对与所述医学图像数据集(MID)相关联的用户的任务。
12.根据前述权利要求中任一项所述的方法,还包括:
-基于将所述医学图像数据集(MID)分类为正常或不正常的分类结果来生成(S62)医学报告(MR);以及
-提供(S63)所述医学报告(MR)。
13.一种用于对医学图像数据集(MID)进行分类的系统,包括接口单元(10,26)和计算单元(20),其中,所述计算单元(20)被配置成:
-经由所述接口单元(26)接收(S10)所述医学图像数据集(MID),所述医学图像数据集(MID)示出了患者的身体部位;
-提供(S20)第一分类阶段(CS1),所述第一分类阶段(CS1)被配置成将所述医学图像数据集(MID)分类为正常或不正常;
-提供(S30)与所述第一分类阶段(CS1)不同的第二分类阶段(CS2),所述第二分类阶段(CS2)被配置成将所述医学图像数据集(MID)分类为正常或不正常;
-使所述医学图像数据集(MID)经历(S40)所述第一分类阶段(CS1),以将所述医学图像数据集(MID)分类为正常或不正常;
-如果所述医学图像数据集(MID)被所述第一分类阶段(CS1)分类为正常,则使所述医学图像数据集(MID)经历(S50)所述第二分类阶段(CS2),以将所述医学图像数据集(MID)分类为正常或不正常;以及
-经由所述接口单元(10,26)提供(50)所述医学图像数据集(MID)为正常或不正常的分类结果(CR)。
14.一种包括程序元素的计算机程序产品,当所述程序元素被加载至用于对医学图像数据集(MID)进行分类的系统(1)的计算单元(20)的存储器中时,所述程序元素使所述计算单元(20)执行根据权利要求1至12中任一项所述的方法的步骤。
15.一种计算机可读介质,其上存储有程序元素,当所述程序元素由用于对医学图像数据集(MID)进行分类的系统(1)的计算单元(20)执行时,所述程序元素能够由所述计算单元(20)读取和执行以执行根据权利要求1至12中任一项所述的方法的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263385255P | 2022-11-29 | 2022-11-29 | |
US63/385,255 | 2022-11-29 | ||
EP23165181.1 | 2023-03-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118116603A true CN118116603A (zh) | 2024-05-31 |
Family
ID=85781944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311603449.2A Pending CN118116603A (zh) | 2022-11-29 | 2023-11-28 | 用于对医学图像数据集进行分类的方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240177454A1 (zh) |
EP (1) | EP4379672A1 (zh) |
CN (1) | CN118116603A (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7822274B2 (en) | 2006-01-17 | 2010-10-26 | Siemens Medical Solutions Usa, Inc. | Banded graph cut segmentation algorithms with laplacian pyramids |
US8331636B2 (en) | 2007-09-11 | 2012-12-11 | Siemens Medical Solutions Usa, Inc. | Automatic calibration of computer aided diagnosis based on retrospective examination |
US7876943B2 (en) | 2007-10-03 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for lesion detection using locally adjustable priors |
US20160321427A1 (en) | 2015-04-28 | 2016-11-03 | Siemens Medical Solutions Usa, Inc. | Patient-Specific Therapy Planning Support Using Patient Matching |
US9760807B2 (en) | 2016-01-08 | 2017-09-12 | Siemens Healthcare Gmbh | Deep image-to-image network learning for medical image analysis |
CN109690554B (zh) | 2016-07-21 | 2023-12-05 | 西门子保健有限责任公司 | 用于基于人工智能的医学图像分割的方法和系统 |
EP3828818A1 (en) | 2019-11-29 | 2021-06-02 | Siemens Healthcare GmbH | Method and system for identifying pathological changes in follow-up medical images |
WO2023274599A1 (en) | 2021-06-29 | 2023-01-05 | Siemens Healthcare Gmbh | Methods and systems for automated follow-up reading of medical image data |
-
2023
- 2023-03-29 EP EP23165181.1A patent/EP4379672A1/en active Pending
- 2023-11-27 US US18/519,389 patent/US20240177454A1/en active Pending
- 2023-11-28 CN CN202311603449.2A patent/CN118116603A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240177454A1 (en) | 2024-05-30 |
EP4379672A1 (en) | 2024-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yousef et al. | A holistic overview of deep learning approach in medical imaging | |
US20190220978A1 (en) | Method for integrating image analysis, longitudinal tracking of a region of interest and updating of a knowledge representation | |
JP5952835B2 (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
US10733727B2 (en) | Application of deep learning for medical imaging evaluation | |
JP2020500377A (ja) | ディープラーニング医療システムおよび画像収集のための方法 | |
US10984894B2 (en) | Automated image quality control apparatus and methods | |
JP2007524461A (ja) | 乳房撮像の自動診断及び決定支援システム及び方法 | |
Mazzanti et al. | Imaging, health record, and artificial intelligence: hype or hope? | |
EP3685401B1 (en) | Method and apparatus for deriving a set of training data | |
KR102057277B1 (ko) | 의료 영상의 정량화 및 분석에 기반한 빅데이터 데이터베이스를 구축하기 위한 서버 및 서버 기반의 의료 영상 분석 방법 | |
JP2018206082A (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
EP3955260A1 (en) | Clinical decision support | |
US10957038B2 (en) | Machine learning to determine clinical change from prior images | |
CN111226287B (zh) | 用于分析医学成像数据集的方法、系统、程序产品和介质 | |
JP2023504026A (ja) | 医用イメージング・システムにおける自動式プロトコル指定 | |
WO2020099941A1 (en) | Application of deep learning for medical imaging evaluation | |
EP4379672A1 (en) | Methods and systems for classifying a medical image dataset | |
CN112447287A (zh) | 自动化的临床工作流程 | |
EP4339961A1 (en) | Methods and systems for providing a template data structure for a medical report | |
Silva et al. | An extensive survey of machine learning based approaches on automated pathology detection in chest X-Rays | |
US20240127917A1 (en) | Method and system for providing a document model structure for producing a medical findings report | |
US11508065B2 (en) | Methods and systems for detecting acquisition errors in medical images | |
EP4390960A1 (en) | Systems and methods for providing an updated machine learning algorithm | |
EP4216229A1 (en) | Subscription and retrieval of medical imaging data | |
CN115620896A (zh) | 一种医学影像报告的异常事件提取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |