CN1839391A - 用于乳房成像的自动诊断和决策支持的系统和方法 - Google Patents

用于乳房成像的自动诊断和决策支持的系统和方法 Download PDF

Info

Publication number
CN1839391A
CN1839391A CNA2004800240334A CN200480024033A CN1839391A CN 1839391 A CN1839391 A CN 1839391A CN A2004800240334 A CNA2004800240334 A CN A2004800240334A CN 200480024033 A CN200480024033 A CN 200480024033A CN 1839391 A CN1839391 A CN 1839391A
Authority
CN
China
Prior art keywords
automatically
diagnosis
data
patient
feature
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
CNA2004800240334A
Other languages
English (en)
Inventor
S·克里什南
R·B·劳
M·邓达
G·冯
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.)
Siemens Medical Solutions USA Inc
Original Assignee
Siemens Medical Solutions USA Inc
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 Siemens Medical Solutions USA Inc filed Critical Siemens Medical Solutions USA Inc
Publication of CN1839391A publication Critical patent/CN1839391A/zh
Pending legal-status Critical Current

Links

Images

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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S128/00—Surgery
    • Y10S128/92—Computer assisted medical diagnostics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S128/00—Surgery
    • Y10S128/92—Computer assisted medical diagnostics
    • Y10S128/922—Computer assisted medical diagnostics including image analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S128/00—Surgery
    • Y10S128/92—Computer assisted medical diagnostics
    • Y10S128/923—Computer assisted medical diagnostics by comparison of patient data to other data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S128/00—Surgery
    • Y10S128/92—Computer assisted medical diagnostics
    • Y10S128/923—Computer assisted medical diagnostics by comparison of patient data to other data
    • Y10S128/924—Computer assisted medical diagnostics by comparison of patient data to other data using artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

提供用于乳房成像的CAD(计算机辅助诊断)系统和应用，它实现从对象病人的病人信息集合(包括图像数据和/或非图像数据)自动地提取和分析特征的方法，以便为内科医生工作流程的不同的方面提供决策支持，例如，乳房癌的自动诊断以及使关于例如乳房癌筛选和肿瘤分类的决策支持成为可能的其它自动决策支持功能。CAD系统实现机器学习技术，后者使用一组从一个或多个相关临床领域和/或对这样的数据的专家解释的标记过的病人病例数据库获得(学习)的训练数据，以便允许CAD系统“学习”分析病人数据和作出适当的诊断评定和决策、用于协助内科医生的工作流程。

Description

用于乳房成像的自动诊断和决策支持的系统和方法
相关申请的交叉引用
本申请要求2003年6月25日提交的美国临时申请序号60/482,293和2004年2月3目提交的美国临时申请序号60/541,360的优先权，所述两项临时申请均全文附此作参考。
发明的技术领域
本发明一般地涉及用于为医学成像提供自动诊断和决策支持的系统和方法，具体地说，涉及CAD(计算机辅助诊断)系统和在乳房成像上的应用，它使用机器学习技术，允许这样的系统和应用程序″学会″分析从对象病人的图像数据和/或病人非图像数据提取的参数，以便在内科医生工作流程的不同方面协助内科医生，包括但是不限于，诊断医疗状态(乳房肿瘤)和确定对象病人的有效的保健或诊断或治疗途径。
背景技术
今天，在大部分国家，利用乳房X线摄影对超过某个年龄(一般40岁)的妇女进行乳房癌症筛选。若乳房X线摄影的结果可疑或有潜在癌乳房组织，则把病人送去作诊断检查。作为另一方案，可以通过其它途径，诸如体检结果，其中作检验的内科医生通过病人临床、病历或其它手段，觉得或者识别出病人乳房有某些异常特征(例如，肿块(masses))，或在病人具有极高癌症风险的情况下，把病人送去作诊断检查。
在诊断检查中，将利用几种成像形态成像，(包括乳房X线摄影(数字的或模拟的)、MRI或超声)中的一种将病人的乳房成像，用于筛选或评定乳房组织解剖学异常的目的，包括微钙化或乳房组织的肿块，和不同的其它损害或潜在癌症的异常。另外，为诊断目的研发了较新的技术，包括层析X射线摄影合成、光学成像、应变成像、核成像等，可以用来获得病人乳房诊断图像，由内科医生评定，确定乳房组织中特定的损害是良性的还是恶性的。
观看诊断图像之后，若内科医生相信，所述损害可能是恶性的，则进行活组织检查，取出一片损害的组织进行分析。在确定是良性的还是恶性组织方面，这种处理被认为是″金科玉律″。但是，由于不同的原因最好把进行活组织检查的次数减到最小。例如，活组织检查程序会引起病人疼痛和疤痕，活组织检查程序的时间和向病人提供结果之间的时间长(一般至少几天)，由于预测可能得到负面结果的可能性，病人承受严重的压力。另一方面，活组织检查程序允许内科医生准确诊断大百分数的患有乳房癌的病人。因而，一般在灵敏度和特异性之间维持某种折衷或平衡。
在医学成象领域中，尽管可以使用不同的成像形态和系统，用于产生解剖学结构的诊断图像，以筛选和评定医疗状态，但在乳房癌检测方面，每一种诊断成像形态都具有它自己的优点和缺点，而且成像形态的最优选择并非对于每个病人都是同样的。理想的是，对于给定的病人，选定成像形态以便对所述病人使灵敏度和特异性最大化。对于每一个病人，对于这样的目的可能会有一个或多个″最优的″成像形态。不幸的是，由于成本，不可能利用多个成像形态给每个病人成像，然后选择哪个形态会在灵敏度和特异性之间提供最优的平衡。
诊断成像形态的选择一般是由咨询(referring)内科医生根据若干因素，例如，包括(i)可用性和成本；(ii)舒适程度和咨询内科医生的经验；或(iii)内科医生的关于哪些成像形态在获得病人信息方面是最优的″直感″作出的。虽然所述第一因素是不可避免的，但是对于个体病人而言所述第二和第三因素可能导致对次最优的选择。
发明概要
本发明的示范性实施例一般地包括用于为乳房成像提供自动诊断和决策支持的系统和方法。更具体地说，本发明的示范性实施例包括用于乳房成像的CAD(计算机辅助诊断)系统和应用程序，所述系统和应用程序执行用于从对象病人的病人信息集合(包括图像数据和/或非图像数据)提取和分析相关特征/参数的自动方法，以便在乳房治疗工作流程的各个不同的方面向内科医生提供自动协助。例如，CAD系统可以提供乳房癌及其他有关状态的自动诊断、在对象病人患有乳房癌和/或将来会发展为乳房癌的风险方面提供评定，及其他自动的决策支持功能，以便协助内科医生根据病人的当前状态确定有效的保健或诊断或治疗途径。
在本发明其它示范性实施例中，用于乳房成像的CAD系统和方法实现机器学习技术，所述机器学习技术使用从一个或多个相关临床领域的以前诊断的(标记了的)病例的数据库和/或对这样的数据的专家解释获得的(学习的)训练数据，以便允许所述CAD系统″学习″适当和准确地分析病人数据并作出适当的诊断和/或治疗评定和判断，以便协助内科医生的工作流程。
以下将描述本发明的这些及其他示范性实施例、特征和优点，或者从结合附图阅读的对示范性实施例的以下详细说明中将明白本发明的这些及其他示范性实施例、特征和优点。
附图的简短说明
图1是系统的方框示意图，用于为按照本发明的一个示范性实施例的乳房成像提供自动诊断和决策支持；
图2是系统的方框示意图，用于为按照本发明的另一个示范性实施例的乳房成像提供自动诊断和决策支持；
图3是系统的方框示意图，用于为按照本发明的另一个示范性实施例的乳房成像提供自动诊断和决策支持；
图4是系统的方框示意图，用于为按照本发明的另一个示范性实施例的乳房成像提供自动诊断和决策支持；
图5是示范性示意图，举例说明按照本发明的一个示范性实施例的分类方法。
示范性实施例的详细说明
一般说来，下面描述的本发明的示范性实施例包括用于为乳房成像提供自动诊断和决策支持的系统和方法。更具体地说，本发明的示范性实施例，如下面参照图1-4描述的，例如，包括CAD(计算机辅助诊断)系统和用于乳房成像的应用程序，这些系统和应用程序实现用于从对象病人的一组病人信息(包括图像数据和/或非图像数据)提取和分析相关特征/参数的自动方法，以便在内科医生工作流程的不同方面向内科医生提供自动协助，例如，在内科医生工作流程中在关系到病人保健或诊断途径和/或治疗途径方面必须作出决策的不同的方面向内科医生提供自动协助。已经研发了不同的方法，试图只利用来自图像的信息向内科医生提供决策支持。但是，这些技术忽略这样的事实，即，在以非图像数据的形式的病人记录中包含数量巨大的信息。如在下面详细描述的，有利的是，按照本发明的示范性实施例的CAD系统和方法提供同时结合了成像的和非成像的数据的自动决策支持方法。这里，采用非成像的数据，以便包括在图像以外的病人记录找到的全部信息，可以包括(但不限于)：人口统计数据、病历和物理的信息、内科医生记录、试验室结果、血液测试结果、蛋白代谢(proteomic)分析和遗传检定结果。例如，乳房成像的特定病例，发现了相同的图像疑点的两个妇女可能接受不同的治疗，例如，若一个病人是年轻的妇女，没有癌症病历或风险因素，而同时另一个病人是过了中年的曾经作过乳房癌遗传处理(诸如存在BRCA基因)和已知的乳房癌家族史的妇女。结合临床和成像信息可以为内科医生提供最有价值的协助。
例如，给定一组为给定病人收集的信息，按照本发明的示范性实施例的CAD系统可以从这样的病人信息提取和分析相关特征，以便自动地评定病人的当前状态(例如，给定病历、年龄等，诊断为一种疾病的几率和置信度或患有特定疾病的可能性)；自动地确定哪些附加的测试或特征(有的话)对提高诊断的置信度将是有用的；以及否则，在内科医生工作流程的其它方面向内科医生提供决策支持。
按照本发明的示范性CAD系统和应用实现机器学习技术，使用从在一个或多个相关临床领域标记了的病例的数据库和/或专家对这样的数据的解释获得(学习)的训练数据，使得CAD系统能够″学习″适当和准确地分析病人数据，并协助内科医生工作流程作出适当的诊断评定和决策。例如，在乳房成像乳房癌诊断方面，下面描述的示范性CAD系统可以进行″学习″，以便在乳房癌的筛选、诊断和/或肿瘤分类方面提供适当的评定。为了举例说明的目的，本发明的示范性实施例将特别参照乳房成像和乳房治疗的内科医生工作流程进行描述。但是，应当明白，本发明不限于任何特定的医疗领域。而是本发明可以更一般地应用于任何医疗实践领域，其中内科医生工作流程要求内科医生确定或评定病人的当前状态并确定工作流程途径，所述工作流程途径将导致更准确地评定病人的当前状态，以便提供适当的治疗。本专业的普通技术人员将容易理解，按照本发明的示范性实施例的CAD系统提供协助内科医生工作流程的强大的工具。
应当明白，这里描述的按照本发明的系统和方法可以以不同形式的硬件、软件、固件、专用处理器或其组合实现。在本发明的一个示范性实施例中，这里描述的系统和方法是以作为应用程序的软件实现的，包括有形地包含在一个或多个程序存储装置(例如，软盘、RAM、CDROM、DVD、ROM和闪存存储器)上，并可通过包括适当的体系结构的任何装置或机器执行的程序指令。
还应当明白，因为附图中描绘的组成系统模块和方法步骤，可以用软件实现，所以系统部件(或处理步骤的流程)之间的实际连接可以因应用程序编程方式而不同。按照这里的教导，本专业普通技术人员能够设计本发明的这些和类似的实现方案或配置。
图1是按照本发明的示范性实施例的用于为乳房成像提供自动诊断和决策支持的系统的高层方框示意图。更具体地说，图1举例说明CAD(计算机辅助诊断)系统(10)，它实现用于分析对象病人的不同类型的病人信息(1)和(2)，以便提供诊断评定和建议及其他决策支持的方法，以便在内科医生对所述对象病人的工作流程的不同方面协助内科医生。CAD系统(10)使用机器学习方法，使CAD系统(10)能够连续学习分析病人信息(1，2)和连续提供更准确的诊断评定和/或判断，以便在工作流程上协助内科医生。
CAD系统(10)的输入包括不同的病人信息源，包括一个或多个成像形态的图像数据(1)(例如，超声图像数据、乳房X线摄影、MRI等)和来自不同结构的和/或非结构的数据源的非图像数据(2)，包括在病人治疗过程中收集的临床数据及其他信息，诸如病史、家族史、人口统计信息、财政信息和任何其它有关的病人信息。CAD系统(10)实现用于从图像数据(1)和非图像数据(2)自动提取信息(特征)和以这样一种方式结合所述提取的信息，使之适用于CAD系统(10)分析的方法。取决于由CAD系统(10)支持的诊断和决策支持功能，CAD系统(10)，可以产生一个或多个输出(11)、(12)和/或(13)。如下面解释的，这些输出可以在乳房癌的筛选、诊断和肿瘤分类方面提供内科医生工作流程协助。
在本发明的另一个示范性实施例中，CAD系统(10)可以从图像数据(1)和(任选地)非图像数据(2)提取和分析信息，以便自动地产生和输出诊断(11)的几率和(任选地)置信度，或者作为另一方案，输出建议的治疗，带有所建议的治疗的效果的几率和(任选地)置信度，例如，所建议的治疗将具有所需(有利的)效果的几率。总起来说，输出(11)在本文中可以称作″建议的几率和置信度″。
更具体地说，举例来说，为了诊断乳房癌的目的，CAD系统(10)可以包括自动地检测和诊断(10)(或者表征)乳房组织中的怀疑的乳房损害，并例如输出这样的损害是恶性的几率，连同这样的诊断的任选的置信度。在所述示例中，CAD系统(10)可以从病人的筛选乳房X射线照片(图像数据)和临床病历信息(非图像数据)提取和分析相关特征，并提供恶性的当前估计和置信度。
作为另一方案，对于已知患有乳房癌的病人，例如，CAD系统(10)可以建议一种治疗过程，在所述情况下，几率和置信度(11)是指所述治疗会带来所需(有利的)效果的可能性，其范围从病人治愈乳房癌到其唯一目的将是改善晚期乳房癌病人的生活品质的纯缓和性治疗。更具体地说，CAD系统(10)除建议治疗以外，还可以自动地提供所述治疗将具有确定结局的几率和/或置信度，并可能提供所述治疗不具有确定的有害作用，诸如副作用的几率和/或置信度。所述几率可以指定为有利的和有害的可能结局上的分布，或在将来一个或多个时刻在有利的和有害的两个可能结局上的一组分布，或将来不同的时间可能的结局上的随时间而改变的分布等。
在本发明的另一个示范性实施例中，CAD系统(10)可以自动地确定和指定一个或多个附加的测试、测量特征，若进行/获得的话，则可能提高诊断的置信度(亦即，灵敏度分析)。例如，CAD系统(10)可以为每一个附加的测试、测量或特征确定和输出″得分″(12)，它提供会提高CAD系统(10)确定的评定或诊断的置信度的特定的成像形态或特征在潜在的有效性方面的某些量度或征兆。例如，假定CAD系统(10)从病人的筛选乳房X射线照片(图像数据)和临床病历信息(非图像数据)提取和分析相关特征，并提供检测出来的损害是恶性的当前估计和置信度，CAD系统(10)可以进一步指出哪一种或多种成像形态最可能提供最大量附加信息，这些信息在确定所述损害是恶性还是良性方面将是有用的，或确定癌的范围(肿瘤分类)，或在已知患有乳房癌的病人做决定时，例如，在进行外科手术、放射治疗、化学治疗、激素治疗或其组合(所谓″鸡尾酒″治疗)之间做出决定是最有用的。
在本发明的另一个示范性实施例中，CAD系统(10)可以识别和输出(通过显示或列出)一个或多个类似于当前病例(13)的示范性病例研究。例如，如上面指出和下面更详细说明的，CAD系统(10)可以包括以前标记了的(诊断过的)病例的数据库(或文库)，并且根据从输入到CAD系统(10)的关于所述对象病人的病人信息提取的特征，CAD系统(10)可以为进行诊断协助而从所述文库搜索和显示最适当的病例。换句话说，CAD系统(10)可以利用自动地提取的特征从所述训练组提供一组类似的病例。
应当理解，CAD系统(10)在内科医生工作流程的环境下显示类似的病例的功能可以向所述内科医生提供重大的协助。例如，显示类似的病例可以为没有经验的用户提供训练。确实，新手用户可以检查其它病例，以便确定或者理解所述病例为何这样说明的基础或原因。另外，显示类似的病例可以为有经验的用户提供一种手段来确认CAD系统(10)的诊断结果。确实，除对于给定的状态的诊断几率以外，CAD系统(10)还可以显示类似的病例，以便证明它的评定。另外，显示类似的病例使评定预后和治疗成为可能。更具体地说，通过研究类似的病例来看看其它病人对不同的治疗选项如何响应，内科医生可以开始评定这些选项对于当前病人的功效。
鉴于上述，可以一般地把CAD系统(10)看作是一种自动系统、它可以通过提供病人当前状态的评定(特定的疾病可能性的几率)协助内科医生工作流程，并为对象病人(识别附加的测试(或特征))确定下一个最佳的健康治疗或可以获得的很可能减轻所述评定歧义性的诊断途径。如上面指出的，应当理解，CAD系统(10)实现一个或多个机器学习方法，以此学习所述信息，并通过在CAD系统(10)的训练组中收集的数据来驱动决策。具体地说，如上面指出的，CAD系统(10)可以包括示范性诊断病例的文库，由此获得训练数据来教会CAD系统(10)。与″专家系统″形成对照，后者是从一组专家口授规则并翻译成代码而研发和衍生的，CAD系统(10)学会提供准确的诊断决策，并根据从诊断病例学习的或从专门知识学习的训练数据提供决策支持。
应当理解，CAD系统(10)可以实现不同的机器学习方法。例如，CAD系统(10)可以使用2003年6月11目提交的题为″根据上下文信息进行实时特征灵敏度分析的系统和方法″的Zhou等人的美国专利申请序号10/702,984中描述的系统和方法，来确定哪些测试或特征对减少诊断的歧义性可能是最适当的，所述申请是共同转让的并附此作参考。实质上，Zhou的方法将建立处理模型，并确定每一个特征在减少歧义性方面的相对重要性。在这里可以实现这样的方法，由此可以以一组一个或多个特征的形式来描述每一个成像形态或诊断途径。然后，Zhou所描述的方法将用来确定哪些特征在诊断或评定的置信度方面很可能提供最大的改善。在CAD系统(10)中可以实现从大型病例训练组学习的其它机器学习技术。例如，可以使用不同的机器学习技术，诸如判决树、SVM、神经网络或Bayesian网络、或例如，结合这样的多种方法的总体方法。或者，可以定义或训练基于模型的算法，所述算法根据例如与特定类型的损害有关的不同因素的因果知识，例如专门检测某些类型的损害。
应当理解，即使在不存在可以用来描述这样的判断的各种特征或信息的情况下，CAD系统(10)也可以提供适当的决策支持。例如，若病人的病历只包含筛选乳房X射线照片和有关病人人口统计信息(例如，年龄和种族)，但是没有临床或家族信息，则CAD系统(10)能够连同下一步应该完成什么测试或程序的最佳的估计一起提供诊断的几率和置信度。在这种情况下，所述推荐的程序甚至可以是采集病人的家族信息。当然，若提供更多信息，将改善系统的置信度。作为一个极端，考察给定的病人根本没有信息的情况。在所述实例中，CAD系统(10)应该可以向内科医生提供对病人采取初始的步骤的某些引导。在所述决策支持系统中可以使用于缺失/有噪音的数据学习和/或完成推理的不同的方法。
应当理解，上述方法可以扩展到提供医疗状态诸如乳房癌的自动筛选。在美国，当前有人提出建议，年龄在40以上的全部妇女都要逐年利用乳房X线摄影进行筛选。因为在乳房癌诊断的情况下，已经在文献中研究自动地用乳房X射线照片评定所述风险。在这方面，对于特定群体的子集或对于在她们的诊断乳房X射线照片有某些特定的发现的妇女，MRI或超声波可能是较好的筛选工具。另外，对于某些妇女，在她们寿命的当前时刻发展乳房癌的风险可以是这样小，以致于甚至可能不值得冒经受电离化辐射的风险或成本去进行筛选。
相应地，CAD系统(10)可以配置成作出决定，鉴于病人的临床和家族史，在病人患有(或可能发展为)乳房癌的可能性方面，以及为了进一步诊断应该给予所述病人什么筛选测试(若有)以便最佳地检测可疑的损害或癌症的风险。在所述病史过程中的任何一刻，例如，第一次筛选检查之后或多次筛选和MRI测试之后，还可以推论出来这种可能性。利用上面描述的训练组和利用机器学习技术可以做出这样的决定。另外，对于筛选，CAD系统(10)可以产生和输出上面讨论的决策，包括疾病的可能性、来自训练组的典型病例和对给定的病人将是最优的筛选测试。在这种情况下，在筛选测试方面的决定可以是最感兴趣的。确实，对于这样的决定，筛选乳房X射线照片对分类可能不是有效的。另外，可能不必进行所述对比来纠正病人的诊断，而是纠正乳房可疑损害的识别，或乳房癌的风险足以保证进一步诊断测试。
在本发明的另一个示范性实施例中，CAD系统(10)可以在关于肿瘤治疗的肿瘤分类的乳房成像方面提供协助。一般，肿瘤分类肿瘤分类处理涉及精确地确定损害的位置，并确定损害是单病灶还是多病灶。按照本发明的示范性实施例，给定从筛选和/或诊断测试获得有关损害的信息，CAD系统(10)可以学习决定应该用哪些测试来对损害进行肿瘤分类。例如，在一个训练组中，从不同的形态肿瘤分类的结果可以和治疗或跟踪诊视过程中实际发现的结果进行对比。相应地，上面描述的机器学习方法可以用来使CAD系统(10)″学习″适当地处理给定的病人的肿瘤分类。来自训练组的典型病例也可以潜在地表明所述肿瘤分类的结果，或许甚至对于病人治疗之后的带有″类似的″病例的预后。
上面参照图1讨论的示范性CAD系统和方法为开发CAD系统提供一般的框架，所述系统可以支持一个或多个成像形态并在内科医生工作流程的不同方面提供协助而提供一个或多个功能。现将参照图2、3和4讨论基于图1框架的按照本发明的CAD系统和方法的示范性实施例，例如，用于在乳房成像内科医生工作流程上提供协助。图2和3的示范性实施例描绘用于乳房成像的一个或多个超声波成像形态的CAD系统和方法。图4是CAD系统的示范性实施例，包括图2和3的系统，并提供其他功能，使多方式CAD系统可以使用于多个成像形态中的不同的乳房成像。
现参见图2，方框示意图举例说明按照本发明另一个示范性实施例的用于为乳房成像提供自动诊断和决策支持的系统。具体地说，图2的CAD系统(20)举例说明用于实现图1的CAD系统(10)的一个或多个示范性框架，用于支持超声波(B型分析)乳房成像。一般，CAD系统(20)包括数据处理系统(21)，数据处理系统(21)包括特征提取模块(22)、特征组合模块(23)、分类模块(24)、诊断/工作流程协助模块(25)和自动检测模块(29)。
自动检测模块(29)实现乳房组织超声图像数据(3)处理方法，以便在所述成像的乳房组织中检测和分段潜在的损害。更具体地说，自动检测模块(29)实现一个或多个处理超声图像数据(3)以便自动地检测损害及其他异常的解剖学结构，诸如乳房组织中的微量钙化或肿块等的传统的方法。自动检测模块(29)自动地检测和标记图像数据中感兴趣的特征区域，所述感兴趣的特征区域被标识为潜在的损害、异常、疾病状态等。
特征提取模块(22)实现用于从超声图像数据(3)及其他病人非图像数据源(4)，诸如临床、家族、病历数据等提取相关参数的不同的方法(22-1，22-2，22-3，22-4)，诸如下文中更详细描述的，可以用来提供自动诊断和决策支持功能。特征组合模块(23)以这样的方式把所术提取的特征组合在一起，使之适合于输入到分类模块(24)供分析。
分类模块(24)包括分类方法(24-1)(或分类引擎)，后者利用一个或多个受过训练的/通过建模器(24-2)动态适应的分类模型分析所述组合的提取的参数，以便产生用于提供诊断和决策支持的信息。诊断/工作流程协助模块(25)包括一个或多个方法，用于实现诸如上面参照图1所描述的功能(例如，提供诊断、提供一组类似于当前病例的病例、提供表示在改善诊断的置信度上很可能有好处的附加的测试或特征的得分等)。
CAD系统(20)还包括用户接口(26)(例如，显示在带有键盘和鼠标输入装置的计算机监视器上的图形用户接口)，它使用户选择一个或多个所述诊断/工作流程协助模块(25)支持的功能成为可能，并使系统向用户再现和提供当前的处理结果成为可能。如下面描述的，可以用按照本发明的示范性实施例的一个或多个不同的方法，再现所述处理的结果并提供给用户。
CAD系统(20)还包括仓库(27)，它保存从不同的来源衍生的信息的临床领域知识库。例如，临床领域知识(27)可以包括从经过分析/标记的病例(28)学习或自动地提取的与CAD系统(20)所支持的临床领域有关的大型数据库。临床领域知识(27)可以包括由专家通过分析以前的断言直接输入的专家临床知识，或与医疗团体或保险公司相联系的规则/条例/指导方针有关的在所支持的临床领域方面的信息。如下面详细说明的，在仓库(27)中的临床领域知识可以通过数据处理系统(21)的不同方法(22，23，24和25)使用。
特征提取模块(22)包括各种不同的方法，以便提取与所述超声图像数据的″检测出来″区域相联系的参数，可以用来诊断潜在癌组织。这样的特征包括与针刺状(22-1)、声影区(22-2)、高度/深度比率(22-3)和/或可以用来自动地分类乳房组织中的损害或异常的其它可能的图像参数相联系的参数。
在本发明其它示范性实施例中，数据处理系统(21)提取和分析来自对象病人的病人非图像数据记录(4)的相关参数，后者可以与所述提取的图像参数(22-1，22-3，22-3)配合使用，以便提供自动诊断。病人数据(4)可以包括来自多个结构的和非结构的数据源的在病人治疗过程中收集的病人信息。一般，结构的数据源包括例如财政(发票)、实验室和药房数据库，其中病人信息一般保存在数据库表中。非结构的数据源例如包括波形数据、基于实验室测试结果文档的自由文本、医生进展记录、有关医疗程序的细节、处方药物信息、放射性报告及其他专家报告。
病人非图像数据(4)可以包括指示患有乳房癌的个人的数量庞大的有用数据，或指示高度可能发展为乳房癌的个人的病历。举例来说，这样的临床信息可以在病历和物理记录中找到，其中关于个人以前已经诊断为患有乳房癌的内科医生记录。其它征兆，诸如乳房癌的家族史、抽烟的历史、年龄、性别等也可以用来评定发展为或患有乳房癌的风险。相应地，特征提取模块(22)包括一个或多个数据提取方法(22-4)，用于从病人非图像数据(4)提取可能与检定或诊断医疗状态相关的病人数据。
应当理解，任何适用的数据分析/数据挖掘方法都可以通过提取模块(22-4)实现，用于从病人数据(4)中提取相关参数。在本发明的一个示范性实施例中，病人数据提取方法(22-4)和特征组合方法(23)可以利用在共同转让和共同未决的2002年11月4目提交的题为″病人数据挖掘″的美国专利申请序号10/287,055中描述的数据挖掘方法和特征组合方法实现，所述临时申请要求2001年11月2目提交的美国临时申请序号60/335,542的优先级，此两申请均全文附此作参考。简而言之，美国专利序号10/287,055描述了数据挖掘方法，它利用包含在知识库(例如，仓库(27))的指定领域知识从临床数据记录提取相关信息，所述仓库表达为有关所述病人在特定的时间(称作元素(element))的概率性断言，并在给定时段把涉及同一变量(领域特定判据)的全部元素组合在一起，以便形成关于所述变量的单一的统一的概率性断言。
在图2的示范性实施例中，如上面指出的，数据处理系统(21)使用保存在仓库(27)中的临床领域知识数据来执行特征提取(22)、特征组合(23)和模型构建(24-2)的各种不同的方法。指定领域知识库(27)可以包括指定疾病的领域知识。例如，指定疾病的领域知识可以包括影响疾病风险、疾病进展信息、复杂情况信息、与疾病有关的结局和变量、与疾病有关的测量和由医疗团体，诸如美国放射学家学会(ACR)建立的政策和指导方针。指定领域知识库(27)还可以包括机构专门领域知识。例如，这可以包括有关特定的医院可用数据、医院的文档结构、医院的政策、医院的指导方针和医院的任何变动的信息。
临床领域知识库(27)可以从不同的来源衍生。例如，临床领域知识库(27)可以包括从经过分析/标记的病例(28)的大型数据库学习的知识。另外，临床领域知识库(27)可以包括专家从分析以前的断言输入的知识或例如，从保险公司公开的规则和条例输入的知识。领域知识库(27)中的数据可以编码为一种输入或作为产生所述系统可以理解的信息的程序。如上面指出的，领域专家数据可以通过从领域专家利用适当的用户接口手动输入获得，或所述领域专家数据可以是自动地或通过编程输入。
提取模块(22-4)可以使用领域知识库(27)中的相关数据，提取相关参数并产生有关所述病人与某一时刻或时段有关的概率性断言(元素)。提取过程所需要的领域知识一般是每一个来源特定的。例如，从文本来源的提取过程可以通过短语识别来进行，其中提供规则清单，指定感兴趣的短语和可以由此抽取的推理。例如，若在医生的记录中有表述带有″在左乳房有损害的迹象″的字样，则为了从所述句子推断病人患有或可能患有乳房癌，可以规定规则，指导所述系统查看词组″损害″，若找到，则断言病人以某个置信度可能患有乳房癌。从数据库来源进行的提取过程可以通过查询所述来源中的表进行，在所述情况下，所述领域知识需要对在数据库的哪一个字段存在什么信息进行编码。另一方面，所述提取处理过程可以涉及计算包含在数据库中的复杂的信息函数，在这种情况下，领域知识可以用程序的形式提供，所述程序进行这种计算，其输出可以馈送到系统的余下部分。
由特征组合模块(23)实现的方法可以是上面所附的专利申请所描述的方法。例如，特征组合方法可以从潜在冲突的断言从同一/不同的来源产生每一个变量在给定时刻的统一的视图。在本发明的不同的实施例中，这是利用在由所述元素表达的变量的统计方面的领域知识完成的。
建模器(24-2)建立由分类方法(24-1)实现的分类模型，它是受过训练的(和可能动态地优化的)，以便分析所述提取的不同特征并提供诊断协助和在不同的水平上进行评定，依所述实现方案而定。应当理解，所述分类模型可以是″黑匣子″，它不能向用户解释它们的预测(例如，若分类程序是利用神经网络构建的，则情况便是如此)。所述分类模型可以是″白匣子″，它是以人可读的形式出现的(例如，若分类程序是利用判决树构建的，则情况便是如此)。在其他实施例中，分类模型可以是″灰匣子″，它可以部分地解释解决方案是如何衍生的(例如，″白匣子″和″黑匣子″类型分类程序的结合)。实现的分类模型的类型依赖于领域知识数据和模型建立过程(24-2)。模型建立过程的类型将根据所实现的分类方案而变化，这可能包括判决树、支持矢量机器、Bayesian网络、概率性推理等，以及本专业的普通技术人员已知的其他分类方法。
建模器/更新处理(24-2)使用临床领域知识库(27)中的数据来训练分类模型，并可能动态地更新以前受过训练的由所述分类处理(24-1)实现的分类模型。在本发明的一个示范性实施例中，″离线″实现建模器/更新处理(24-2)，用于建立/训练分类模型，所述分类模型进行学习，以便为工作流程协助而提供适当的诊断评定和决策。在本发明的另一个示范性实施例中，建模器/更新处理(24-2)使用″连续″学习方法，它可以使用仓库(27)中的领域知识数据，后者用从新分析的病人数据衍生的附加的学习数据更新，或者优化与相关状态相联系的分类模型。有利的是，，通过使分类处理(24-1)能够随着时间连续改善而无需成本高昂的人工干预，连续学习功能增强CAD系统(20)的强健性。
诊断/工作流程协助模块(26)可以提供一个或多个诊断和决策支持，起上面参照图1所描述的的作用。例如，诊断/工作流程协助模块(26)可以命令分类模块(24)来将一个或多个在超声图像数据(4)检测为恶性或良性的乳房损害分类，并根据一组从超声图像数据(3)和/或病人非图像数据记录(4)提取的特征，提供这样的诊断的几率和(任选地)所述诊断的置信度。分类引擎(25-1)可以利用一个或多个分类模型完成这样的分类，这些分类模型受过训练来分析从模块(23)输出的组合的特征。在另一个示范性实施例中，诊断/工作流程协助模块(25)可以命令分类模块(24)来确定可以获得什么附加的图像参数或特征(例如，从B型超声图像数据、其它成像模式和/或非图像数据)，并进一步分析，以便提高诊断的置信度。另外，诊断/工作流程协助模块(25)可以命令分类模块(23)根据提取的当前所述组特征获得和显示(通过用户接口)一个或多个仓库(27)中的类似的病人的病例。
现参见图3，方框示意图举例说明按照本发明的另一个示范性实施例用于为乳房成像提供自动诊断和决策支持的系统。更具体地说，图3举例说明CAD系统(30)，它支持附加的超声波成像方法(除B型分析以外)，用于提供乳房组织中的乳房损害的自动诊断，例如，以及其他决策支持功能来协助内科医生的工作流程。在一个示范性实施例中，图3的CAD系统(30)包括上面参照图2讨论的CAD系统(20)的自动B型分析。图3的CAD系统(30)举例说明用于图1的CAD系统(10)的一个或多个示范性框架，以便支持一个或多个超声波成像方法，例如，包括B型、造影成像、和/或应变成像等。
更具体地说，参见图3，CAD系统(30)包括数据处理系统(31)，数据处理系统(31)根据从一个或多个类型的超声图像数据(5)和/或病人非图像数据(6)提取的不同的参数，实现对乳房癌的自动分类(诊断)，以及其他方法，以便协助内科医生为特定的病人决定治疗或诊断途径。一般，数据处理系统(31)包括特征提取模块(32)、特征组合模块(33)、分类模块(34)和诊断/工作流程协助模块(35)。另外，CAD系统(30)包括用户接口(36)，它使用户与CAD系统(30)交互作用成为可能，以便选择由诊断/工作流程协助模块(35)支持的一个或多个功能(例如，为乳房癌提供自动诊断和诊断的置信度；确定什么附加的超声成像形态或特征(例如，从B型超声图像数据、其它图像模式和/或非图像数据)可以被获得并被进一步分析以便提高诊断置信度；根据当前一组提取的特征，获得和显示仓库(38)中的一个或多个类似病人的病例)。
特征提取模块(32)实现不同的方法(32-1-32-5)，用于从一个或多个不同方式的超声图像数据(5)和病人非图像数据(6)提取相关参数，可以对所述提取的相关参数进行分析，以便如这里所讨论的，提供自动诊断及其他类型的决策支持。例如，特征提取模块(32)包括自动B型分析模块(32-1)，它例如实现自动检测(29)、针刺状(23-1)、声影区(23-2)和H/D比率(23-3)方法，如上面在图2的系统(20)中描述的。另外，特征提取模块(32)包括用于从超声波测量提取相关参数的方法，包括应变和弹性图(32-2)、利用诸如声流式传输(32-3)、3D超声波成像(32-4)等技术的液体运动、和利用诸如造影灌注(32-5)等技术的血液运动。
不同的特征提取模块可以利用本专业的普通技术人员众所周知的方法实现。例如，对于超声波应变/弹性图成像，可以实现以下专利所描述的系统和方法：霍尔等人″超声弹性成像″，2003年1月21日授予的美国专利No.6,508,768；Nightingale等人，″识别和表征改变刚度的区域用的方法和设备″，2002年4月16日授予的美国专利No.6,371,912；和Von Behren等人″应变成像显示用的系统和方法″，2003年5月6日授予的美国专利No.6,558,424，用于从包括应变和弹性图的超声波测量提取相关参数。
另外，如在Trahey等人″实心肿决(肿块)和充满液体的包囊之间区分的方法和设备″1996年1月30目授予的美国专利No.5,487,387所描述的声流式传输用的系统和方法，可以用来提取与液体运动有关的特征。另外，造影灌注用的系统和方法，如在Philips等人″双处理超声波造影介质成像″，2003年10月14目授予的美国专利No.6,632,177所描述的，可以使用来提取与血液运动有关的特征。应当明白，可以实现其它已知的技术。
特征组合模块(33)以这样一种方式把一组提取的特征组合，使之适合于输入和由分类模块(34)分析。分类模块(34)包括分类方法(34-1)，用于利用一个或多个受过训练的/通过建模器(34-2)动态适应的分类模型分析所述组合的提取的参数，以便提供乳房癌的自动诊断及其他决策支持功能。CAD系统(30)还包括仓库(37)，后者保存信息的临床领域知识库，提供由建模器(34-2)使用的训练数据来建立/训练由分类方法(34-1)使用的分类模型。与所述临床领域或CAD系统(30)所支持的领域有关的经过分析/标记的病例(38)的大型数据库可以用来获得仓库(37)中的训练数据。可以通过数据处理系统(31)的不同的方法(32，33，34和35)来使用仓库(37)中的临床领域知识。
一般，除图3的CAD系统(30)提供更多支持除B型超声波以外的不同超声波成像方法的不同框架之外，图3的系统(30)的各种不同的部件基本上类似于上面讨论的图2的CAD系统(20)的部件，以便允许建立更完整的用于超声波乳房成像的CAD系统。应当理解，图3中不同的模块(32，33，34和35)可以实现与上面描述的图2的CAD系统(20)的那些相应的模块(22，23，24和25)相同的或类似的方法。但是，分类模块(24)和(34)中的不同的方法，诸如分类和模型构建方法，将随着决策支持功能的类型、各自CAD系统(20)和(30)所支持的特征提取方法和/或成像形态而变化。另外，除知识库(27)和(37)中的训练数据将随着各自CAD系统(20)和(30)所支持的决策支持功能、特征提取方法和/或成像形态的类型而变化之外，临床领域知识库(37)类似于图2的知识库(27)。
现参见图4，方框示意图举例说明按照本发明的另一个示范性实施例的用于为乳房成像提供自动诊断和决策支持的系统。更具体地说，在本发明的一个示范性实施例中，图4举例说明CAD系统(40)，它是示范性CAD系统(20)和(30)的扩展，其中CAD系统(40)包括CAD系统(20)和(30)用于超声波乳房成像的功能和方法，另外还包含使在多个成像形态中用于乳房成像的多方式CAD成为可能的方法和功能。
参见图4，CAD系统(40)包括数据处理系统(41)，后者实现用于提供乳房组织中乳房损害的自动诊断的方法，并通过从不同的病人信息源(7)，包括例如对象病人的一个或多个不同类型的图像数据(例如，MRI图像数据(7a)、超声图像数据(7b)、乳房X线摄影图像数据(7c))和非图像数据，诸如遗传和/或蛋白代谢数据(7d)和临床、病历和/或物理的数据(7e)，提取和分析参数来提供用于诊断和/或治疗途径的决策支持，以便协助内科医生工作流程。
一般，数据处理系统(41)包括特征提取模块(42)、特征组合模块(43)、分类模块(44)和诊断/工作流程协助模块(45)。另外，CAD系统(40)包括用户接口(46)，后者使用户与CAD系统(40)交互作用成为可能，以便选择一个或多个诊断/工作流程协助模块(45)支持的功能(例如，为乳房癌提供自动诊断和诊断的置信度；确定什么附加的成像形态或特征可以被获得并被进一步分析以便提高诊断置信度；根据当前一组提取的特征，获得和显示仓库中的一个或多个类似病人的病例等)。
特征提取模块(42)实现用于从所支持的成像形态提取图像参数(42-1-42-2)的″n″特征提取方法和用于从非图像数据源提取参数的其他特征或文本提取方法(42-3，42-4)。例如，特征提取模块(42)可以包括用于从各种不同类型的超声数据(如以上参考图2和图3所讨论的)和其他成像形态提取和分析图像参数的方法。特征组合模块(43)把一组所提取的特征以这样一种方式组合，即，使之适用于分类模块(44)的输入和分析。分类模块(44)包括分类方法(44-1)，以便利用受过训练的/通过建模器(44-2)动态适应的一个或多个分类模型分析组合的提取的参数，以便提供各种决策支持功能。CAD系统(40)还包括仓库(47)，后者维持提供建模器(44-2)使用的训练数据的临床领域信息知识库，以便构建/训练由分类方法(44-1)使用的分类模型。与CAD系统(40)所支持的一个或多个临床领域有关的经过分析/标记的病例的大型数据库(48)，可以用来获得存储在仓库(47)中的训练数据。仓库(47)中的临床领域知识可以通过数据处理系统(41)的不同的方法(42，43，44和45)使用。
应当理解，图4中的不同的模块(42，43，44和45)可以实现与图2的CAD系统(20)那些相应的模块(22，23，24和25)和/或图3的CAD系统(30)的相应的模块(32，33，34和35)的相同或类似的方法，如上面描述的。但是，各种不同的方法，诸如分类模块(44)的分类和模型构建方法将会根据CAD系统(40)所支持的判断支持功能的类型、特征提取方法和/或图像形态而变化。另外，除了知识库(47)中的训练数据将会根据CAD系统(40)所支持的判断支持功能的类型、特征提取方法和/或图像形态而变化以外，临床领域知识库(47)类似于图2和3的知识库(27)和(37)。
现将参照图5的示范性节点的示意图描述按照本发明的示范性实施例用于评定诊断乳房癌的附加测试的可能价值的各种不同的机器学习方法。对于这些示范性实施例，假设训练组由m个病例构成并且每一个病例由n个从以前完成的测试中提取的特征构成。每一种情况Ci(i＝1，...，m)可以表达为特征矢量(f1，f2，...，fn)。
还假定，对于每一种情况Ci，实际的诊断(di)都是：
而且有k个变量与在所述病人身上完成的不同的测试(Ti1，Ti2，Ti3，Ti4)对应，其中k个变量中的每一个都取集合{0，1}中的值，而且其中若所述相应的测试就实际的诊断di而言预测正确，则k＝1，否则，k＝0。
另外，假定这样的以前的信息是从训练数据提取的，其中，基于示范性机器学习过程的下面描述的方法可以用来预测哪些测试将根据从病人的病史提取特征矢量提供准确的诊断。
在一个示范性实施例中，一种方法如下。首先，这样确定来自特征空间的映射M为{(P1，P2，P3，P4)/Pi∈{0，1}，使得对于每一个Ci，有M(Ci)＝M(f1，f2，...，fn)＝(Ti1，Ti2，Ti3，Ti4)。如图5举例说明的，所述处理利用人工神经网络技术完成。对于每一个新病人，映射M将提供描述向所述病人推荐的测试的相应的二元输出。
所述问题还可以看作是多病例分类问题，其中对于每一个病例C1，按照哪个测试给出正确的诊断来定义它的标记。例如，一个可能的方法如下。对于每一个测试，按照所述测试对于所述病例的准确性来标记全部训练病例。然后，利用任何二元分类算法(例如，SVMs、判决框架、Bayesian网络等)来训练四个分类程序(每个测试一个)。当考虑新病人时，用所述四个分类程序测试所述病人的数据，以便预测哪些测试将给出正确的诊断。
应该指出，采用上述两种方法时所述处理的结果可以是超过一个的测试。
另一个示范性方法如下。假定在训练组中有m个病例。将利用以上描述的n种特征把新的病例与这m个病例对比。根据所述对比，选定最″类似″于当前病例的p个病例，其中相似性可以用各种不同的方法中的一种方法定义。例如，一种方法要考察n维特征空间中的欧几里得距离。还可以使用其它众所周知的距离量度。应当理解，上述处理还可以用来从病例库选择示范病例供显示。
一旦确定相似度并识别最″类似的″病例，就可以针对所述训练组中k个测试中的每一个构造分类程序。具体地说，举例来说，可以利用例如下面信息集合中的每一个来构造分类程序以便测试损害是良性的还是恶性的：(i)当前信息和乳房X线照片；(ii)当前信息和超声；(iii)当前信息和MRI等。
可以在不从p个病例之一学习的情况下构造每一个分类程序(亦即，留一(leave-one-out)方法)，然后利用该分类程序对扣留的病例进行分类。对p个病例中的每一个重复该过程，并对k个测试中的每一个重复整个处理过程。然后计算k个测试中的每一个的平均可能性，这将作为最有用的测试的得分。
应当理解，按照本发明的其它示范性实施例，CAD系统可以是在分布式模型中实现的，其中所述CAD的不同的模块/部件分布在通信网络中。例如，CAD系统可以由ASP(应用程序业务提供器)提供，以便通过应用服务器提供CAD功能的远程访问服务。例如，用来识别类似的病例的病例数据库可以位于中央位置。其优点是，所述占用相当大的存储器的大型病例数据库不必驻留在每一个系统中。另外可以非常容易地更新所述病例。例如，所述中央位置可以在医院内，或者它可以是中央数据库，每一个人都可以利用这样的系统访问。另一个可能性是使用分布式数据库，其中病例位于多个位置，但是搜索和访问时就像它们是在一个位置一样。那样，可以搜索位于不同位置的病例以便找出类似的病例。除所述数据库以外，CAD系统的其他部分，诸如分类程序，可以位于中央位置。
另外，鉴于上面的情况，应当理解，可以以依据业务合同或SLA(业务级别协议)由第三方业务提供器提供的业务(例如，Web业务)的形式来实现按照本发明的CAD系统，以便根据不同的业务/付费方案中的一个，提供如这里描述的诊断支持及其他决策支持功能。例如，所述第三方业务提供器可以通过合同而有责任针对不同的临床领域训练、维持和更新分类模型，内科医生或保健组织可以在按使用次数计费的基础上、逐年付订阅费等″在线″访问CAD系统。在这样的情况下，可以实现本专业的普通技术人员已知的不同方法，来维持病人保密性，而另一种方法是利用安全加密、压缩方案等通过通信信道来发送病人数据。本专业的普通技术人员可以容易地按照本发明想像出CAD系统的不同的体系结构和实现方案，在这里任何东西都不应该解释为对本发明的范围的限制。
尽管这里已经参照附图描述了本发明的说明性的实施例，但是显然，本发明不限于那些精确的实施例，在不脱离本发明的范围或精神的情况下，本专业技术人员可以对其作出其它不同的变化和修改。所有这样的变化和修改将被包括在如后附的权利要求书所定义的本发明的范围内。

Claims (40)

1.一种用于为乳房成像提供自动诊断和决策支持的方法，所述方法包括：
从对象病人的异常的乳房组织的图像数据获得信息；
从所述对象病人的非图像数据记录获得信息；以及
利用所述获得的信息自动地诊断所述异常的乳房组织。
2.如权利要求1所述的方法，其中从图像数据获得信息的步骤包括自动地从超声图像数据提取一个或多个特征，所述一个或多个特征将用来自动地诊断所述异常的乳房组织。
3.如权利要求2所述的方法，其中所述超声波数据是3D超声波数据。
4.如权利要求2所述的方法，其中还包括在自动地提取之前，在所述超声图像数据中自动地检测异常的乳房组织。
5.如权利要求2所述的方法，其中自动地从超声图像数据中提取一个或多个特征的步骤包括提取与所述异常的乳房组织的针刺状、声影区或高度/深度比率之一有关的特征和所述特征的任何组合。
6.如权利要求2所述的方法，其中自动地从超声图像数据中提取一个或多个特征的步骤包括提取与所述异常的乳房组织的声学、弹性、灌注或3D特征之一有关的特征或所述特征的任何组合。
7.如权利要求2所述的方法，其中所述图像数据包括超声图像数据、乳房X线摄影图像数据、MRI图像数据中的一个及其组合。
8.如权利要求1所述的方法，其中从非图像数据记录获得信息的步骤包括自动地从结构的和/或非结构的数据源，包括所述对象病人的临床、家族和/或病历信息提取特征。
9.如权利要求1所述的方法，其中自动地诊断异常的乳房组织的步骤包括自动地确定诊断的几率。
10.如权利要求9所述的方法，其中还包括自动地确定所述诊断几率的置信度。
11.如权利要求10所述的方法，其中还包括自动地确定会提高所述诊断几率的置信度的附加信息
12.如权利要求11所述的方法，其中自动地确定附加信息的步骤还包括确定所述附加信息在提高所述诊断的置信度方面的有效程度。
13.如权利要求1所述的方法，其中还包括自动地识别类似于当前诊断的一个或多个先前诊断的病例。
14.如权利要求13所述的方法，其中自动地识别一个或多个类似于当前诊断的先前诊断的病例的步骤包括利用所述获得的信息来搜索具有类似于所述获得的信息的特征的标记过的病例的文库。
15.如权利要求14所述的方法，其中包括显示所述识别的病例。
16.如权利要求1所述的方法，其中利用所述获得的信息自动地诊断异常的乳房组织的步骤包括利用受过训练以便分析所述获得的信息的机器学习方法、基于模型的方法或机器学习和基于模型的方法的任何组合，对所述异常的乳房组织进行分类。
17.如权利要求16所述的方法，其中包括连续地或定期地利用专家数据和/或从多个病例研究学习来的数据对所述分类方法进行再训练。
18.一种用于为乳房成像提供自动诊断和决策支持的方法，所述方法包括：
从对象病人的异常的乳房组织的超声图像数据获得信息；
自动地从所述超声图像数据提取特征，所述提取的特征包括以下特征中的至少两个：应变、诸如声流式传输的液体运动、诸如造影灌注的血液运动和B型图像；以及
利用所述提取的特征自动地诊断所述异常的乳房组织。
19.如权利要求18所述的方法，其中所述超声图像数据包括3D超声图像数据，并且还包括从所述3D超声图像数据提取特征。
20.一种用于为医学成象提供自动诊断和决策支持的方法，所述方法包括：
从对象病人的病人数据自动地提取特征，所述病人数据包括图像数据和非图像数据；以及
通过分析从所述对象病人的所述病人数据提取的所述特征自动地确定所述对象病人的当前状态；以及
根据确定的所述对象病人的当前状态，自动地在所述对象病人的保健或诊断或治疗途径方面，提供协助内科医生的工作流程的决策支持。
21.如权利要求20所述的方法，其中自动地确定所述对象病人的当前状态的步骤包括自动地确定乳房癌的诊断几率或将来发展为乳房癌的几率。
22.如权利要求21所述的方法，其中自动地提供决策支持的步骤包括自动地确定会提高所述乳房癌诊断几率的置信度的一个或多个附加特征。
23.如权利要求22所述的方法，其中自动地确定一个或多个附加特征的步骤还包括确定所述一个或多个附加特征中每一个在提高所述诊断置信度方面的有效程度。
24.如权利要求21所述的方法，其中自动地提供决策支持的步骤包括自动地确定会提高所述乳房癌诊断几率的置信度的一个或多个附加的成像方法。
25.如权利要求24所述的方法，其中自动地确定一个或多个附加的成像方法的步骤还包括确定所述一个或多个附加的成像方法中每一个在提高所述诊断的置信度方面的有效程度。
26.如权利要求21所述的方法，其中自动地提供决策支持的步骤包括自动地识别一个或多个类似于当前病例的先前诊断的病例。
27.如权利要求26所述的方法，其中包括显示所述识别的病例。
28.如权利要求20所述的方法，其中自动地确定所述对象病人的当前状态的步骤包括自动地确定所述对象病人发展为乳房癌的可能性。
29.如权利要求20所述的方法，其中自动地提供决策支持的步骤包括自动地确定一个或多个诊断成像筛选测试，可以向所述对象病人提供所述一个或多个诊断成像筛选测试，以便进行检测乳房癌或者提供所述对象病人发展为乳房癌的可能性的较好的评定。
30.如权利要求20所述的方法，其中自动地确定所述对象病人的当前状态的步骤包括自动地评定乳房肿瘤的特性和位置。
31.如权利要求30所述的方法，其中自动地提供决策支持的步骤包括自动地确定可以用于对所述损害进行肿瘤分类的一个或多个诊断成像测试。
32.如权利要求31所述的方法，其中自动地确定可以用来对所述损害进行肿瘤分类的一个或多个诊断成像测试的步骤还包括提供关于所述诊断成像测试中每一个的有效程度。
33.如权利要求31所述的方法，其中自动地提供决策支持的步骤包括自动地识别一个或多个类似于当前病例的先前肿瘤分类病例。
34.如权利要求33所述的方法，其中还包括显示所述识别的肿瘤分类病例。
35.如权利要求20所述的方法，其中提供决策支持以便协助内科医生工作流程的步骤包括建议治疗方案。
36.如权利要求35所述的方法，其中还包括自动地提供所述治疗将具有确定结局的几率和/或置信度。
37.如权利要求35所述的方法，其中还包括自动地提供所述治疗不会具有诸如副作用的确定的有害作用的几率和/或置信度。
38.如权利要求36所述的方法，其中所述几率是关于有利的和有害的两种可能的结局的分布。
39.如权利要求38所述的方法，其中所述几率是将来一个或多个时刻关于有利的和有害的两种可能的结局的一组分布。
40.如权利要求38所述的方法，其中所述几率是将来不同的时间关于可能的结局的随时间而改变的分布。
CNA2004800240334A 2003-06-25 2004-06-25 用于乳房成像的自动诊断和决策支持的系统和方法 Pending CN1839391A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US48229303P 2003-06-25 2003-06-25
US60/482,293 2003-06-25

Publications (1)

Publication Number Publication Date
CN1839391A true CN1839391A (zh) 2006-09-27

Family

ID=33551977

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2004800240334A Pending CN1839391A (zh) 2003-06-25 2004-06-25 用于乳房成像的自动诊断和决策支持的系统和方法

Country Status (7)

Country Link
US (2) US7640051B2 (zh)
EP (1) EP1636731A2 (zh)
JP (1) JP2007524461A (zh)
CN (1) CN1839391A (zh)
AU (1) AU2004251359B2 (zh)
CA (1) CA2529929A1 (zh)
WO (1) WO2005001740A2 (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102165453A (zh) * 2008-09-26 2011-08-24 皇家飞利浦电子股份有限公司 用于融合临床和图像特征进行计算机辅助诊断的系统和方法
CN102341703A (zh) * 2009-03-04 2012-02-01 日本电气株式会社 诊断成像支持设备、诊断成像支持方法和存储介质
CN102361594A (zh) * 2009-03-26 2012-02-22 皇家飞利浦电子股份有限公司 由临床指南导航器支持的基于pet/ct的治疗监测系统
CN102722633A (zh) * 2011-03-28 2012-10-10 佳能株式会社 医疗诊断支持设备和医疗诊断支持方法
CN102947841A (zh) * 2010-04-30 2013-02-27 沃康普公司 放射摄影图像中的毛刺恶性肿块检测和分级
CN103489057A (zh) * 2013-08-19 2014-01-01 泸州医学院 人乳腺癌组织资源库管理系统
CN103823918A (zh) * 2012-11-16 2014-05-28 三星电子株式会社 计算机辅助诊断方法和设备
CN104809331A (zh) * 2015-03-23 2015-07-29 深圳市智影医疗科技有限公司 一种计算机辅助诊断技术(cad)检测放射图像发现病灶的方法和系统
CN105232082A (zh) * 2015-10-16 2016-01-13 深圳开立生物医疗科技股份有限公司 一种造影成像方法、装置及其超声设备
CN105338905A (zh) * 2013-06-26 2016-02-17 皇家飞利浦有限公司 用于多模态组织分类的方法和系统
CN106030608A (zh) * 2013-11-06 2016-10-12 理海大学 生物组织分析诊断系统与方法
CN106169165A (zh) * 2015-05-20 2016-11-30 詹宇 面向诊疗数据的症状层次关联及预测方法
CN106264614A (zh) * 2016-07-23 2017-01-04 深圳市前海安测信息技术有限公司 用于乳腺筛查的健康检测一体机
CN106413565A (zh) * 2013-12-20 2017-02-15 皇家飞利浦有限公司 自动超声波束操纵和探针伪影抑制
CN106462662A (zh) * 2014-05-12 2017-02-22 皇家飞利浦有限公司 用于基于病例难度的计算机辅助患者分层的方法和系统
CN106575317A (zh) * 2014-08-12 2017-04-19 皇家飞利浦有限公司 用于诊断成像的分布的系统和方法
CN107122593A (zh) * 2017-04-06 2017-09-01 复旦大学 基于深度扫描与信息分析的上肢淋巴水肿监测系统
CN107169259A (zh) * 2016-12-12 2017-09-15 为朔生物医学有限公司 基于协同过滤和建议的个性化医学决定支持系统
CN107913076A (zh) * 2016-10-07 2018-04-17 西门子保健有限责任公司 用于提供置信信息的方法
CN108537774A (zh) * 2017-03-01 2018-09-14 西门子医疗有限公司 用于检查医学图像的方法以及用于调整检查协议的方法
CN108577844A (zh) * 2018-05-18 2018-09-28 北京先通康桥医药科技有限公司 基于压力分布数据的建立关系模型的方法及系统、存储介质
CN109124660A (zh) * 2018-06-25 2019-01-04 南方医科大学南方医院 基于深度学习的胃肠间质瘤术后风险检测方法和系统
CN109758178A (zh) * 2017-11-10 2019-05-17 美国西门子医疗解决公司 超声成像中的机器辅助工作流
CN110613486A (zh) * 2019-09-30 2019-12-27 深圳大学总医院 一种乳腺超声图像的检测方法及装置
CN110996789A (zh) * 2017-06-16 2020-04-10 伦斯勒理工大学 使用神经网络集成断层扫描图像重建和放射组学的系统和方法
CN111199794A (zh) * 2018-11-19 2020-05-26 复旦大学附属眼耳鼻喉科医院 一种适用于高度近视白内障的手术智能决策系统及其建立方法
CN111430024A (zh) * 2020-01-06 2020-07-17 中南大学 一种用于疾病程度分类的数据决策方法及其系统
CN111553412A (zh) * 2020-04-27 2020-08-18 广州市妇女儿童医疗中心（广州市妇幼保健院、广州市儿童医院、广州市妇婴医院、广州市妇幼保健计划生育服务中心） 对性早熟分类模型进行训练的方法、装置和设备
CN112154514A (zh) * 2018-04-16 2020-12-29 西门子医疗有限公司 用于癌症筛查的综合方法
CN113272915A (zh) * 2019-01-11 2021-08-17 谷歌有限责任公司 用于医疗保健应用中的机器学习定位模型的交互式阴性解释的系统、用户接口和方法
CN115240844A (zh) * 2022-07-15 2022-10-25 北京医准智能科技有限公司 辅助诊断模型的训练方法、装置、电子设备及存储介质
CN117994255A (zh) * 2024-04-03 2024-05-07 中国人民解放军总医院第六医学中心 基于深度学习的肛裂检测系统

Families Citing this family (212)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7976539B2 (en) * 2004-03-05 2011-07-12 Hansen Medical, Inc. System and method for denaturing and fixing collagenous tissue
US7974681B2 (en) 2004-03-05 2011-07-05 Hansen Medical, Inc. Robotic catheter system
US20050261941A1 (en) * 2004-05-21 2005-11-24 Alexander Scarlat Method and system for providing medical decision support
JP2006051198A (ja) * 2004-08-12 2006-02-23 Fuji Photo Film Co Ltd 医用画像処理システム
US7646902B2 (en) * 2005-02-08 2010-01-12 Regents Of The University Of Michigan Computerized detection of breast cancer on digital tomosynthesis mammograms
CA2600158A1 (en) * 2005-03-16 2006-09-28 Cornell Research Foundation, Inc. Method for expanding the domain of imaging software in a diagnostic work-up
KR20080021723A (ko) * 2005-06-02 2008-03-07 더 메디패턴 코포레이션 컴퓨터­보조 검진을 위한 시스템 및 방법
US7849048B2 (en) 2005-07-05 2010-12-07 Clarabridge, Inc. System and method of making unstructured data available to structured data analysis tools
US7849049B2 (en) 2005-07-05 2010-12-07 Clarabridge, Inc. Schema and ETL tools for structured and unstructured data
US20070067181A1 (en) * 2005-09-22 2007-03-22 International Business Machines Corporation System and method for intelligence building in an expert system
US8014576B2 (en) * 2005-11-23 2011-09-06 The Medipattern Corporation Method and system of computer-aided quantitative and qualitative analysis of medical images
US8010184B2 (en) 2005-11-30 2011-08-30 General Electric Company Method and apparatus for automatically characterizing a malignancy
US8532745B2 (en) 2006-02-15 2013-09-10 Hologic, Inc. Breast biopsy and needle localization using tomosynthesis systems
US20070208722A1 (en) * 2006-03-02 2007-09-06 International Business Machines Corporation Apparatus and method for modification of a saved database query based on a change in the meaning of a query value over time
DE102006012408A1 (de) * 2006-03-17 2007-09-20 Siemens Ag Verfahren und System zur Steuerung eines eine medizinische Bildgebung umfassenden Untersuchungsprozesses
DE102006012943B4 (de) * 2006-03-21 2009-11-19 Siemens Ag Verfahren zur automatischen Auswertung eines Abbildungsdatensatzes eines Objektes und medizinisches Abbildungssystem
US20070244724A1 (en) * 2006-04-13 2007-10-18 Pendergast John W Case based outcome prediction in a real-time monitoring system
JP4874701B2 (ja) * 2006-04-18 2012-02-15 富士フイルム株式会社 類似画像検索装置および方法並びにプログラム
CN100411587C (zh) * 2006-07-06 2008-08-20 上海交通大学 基于机器学习的立体核磁共振脑图像弹性配准方法
EP2069990B1 (en) * 2006-09-20 2019-03-13 Koninklijke Philips N.V. A molecular diagnostics decision support system
US10121243B2 (en) 2006-09-22 2018-11-06 Koninklijke Philips N.V. Advanced computer-aided diagnosis of lung nodules
CN101517614A (zh) * 2006-09-22 2009-08-26 皇家飞利浦电子股份有限公司 肺结节的高级计算机辅助诊断
US8882674B2 (en) * 2006-09-28 2014-11-11 Research Foundation Of The City University Of New York System and method for in vivo imaging of blood vessel walls to detect microcalcifications
WO2008042905A2 (en) * 2006-10-02 2008-04-10 University Of Washington Ultrasonic estimation of strain induced by in vivo compression
WO2008120155A2 (en) * 2007-03-30 2008-10-09 Koninklijke Philips Electronics N.V. Learning anatomy dependent viewing parameters on medical viewing workstations
JP5100285B2 (ja) * 2007-09-28 2012-12-19 キヤノン株式会社 医用診断支援装置およびその制御方法、プログラム、記憶媒体
JP5159242B2 (ja) * 2007-10-18 2013-03-06 キヤノン株式会社 診断支援装置、診断支援装置の制御方法、およびそのプログラム
US20100202674A1 (en) * 2007-11-21 2010-08-12 Parascript Llc Voting in mammography processing
JP5616232B2 (ja) * 2007-12-17 2014-10-29 コーニンクレッカ フィリップス エヌ ヴェ 弾性イメージングにおけるひずみ利得補償の方法およびシステム
RU2494458C2 (ru) * 2007-12-20 2013-09-27 Конинклейке Филипс Электроникс Н.В. Способ и устройство для поддержки принятия решения на базе случаев
BRPI0821291B1 (pt) 2007-12-21 2020-10-06 Koninklijke Philips N. V Método que compreende armazenar uma pluralidade de ocorrências, sistema que compreende uma memória armazenando uma pluralidade de ocorrências e sistema que compreende recursos para armazenar uma pluralidade de ocorrências
WO2009083841A1 (en) 2007-12-27 2009-07-09 Koninklijke Philips Electronics, N.V. Method and apparatus for refining similar case search
US8200466B2 (en) 2008-07-21 2012-06-12 The Board Of Trustees Of The Leland Stanford Junior University Method for tuning patient-specific cardiovascular simulations
EP2147637A1 (de) * 2008-07-25 2010-01-27 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung eines eine Prostata eines Patienten betreffenden Parameters
US10013638B2 (en) * 2008-08-14 2018-07-03 Ping Zhang Cancer diagnostic method and system
US8554580B2 (en) * 2008-10-10 2013-10-08 General Electric Company Automated management of medical data using expert knowledge and applied complexity science for risk assessment and diagnoses
JP5420884B2 (ja) * 2008-11-25 2014-02-19 株式会社東芝 超音波診断装置
US20100135552A1 (en) * 2008-11-28 2010-06-03 David Leib Medical Imaging with Accessible Computer Assisted Detection
US8219181B2 (en) * 2008-12-16 2012-07-10 General Electric Company Medical imaging system and method containing ultrasound docking port
US8214021B2 (en) * 2008-12-16 2012-07-03 General Electric Company Medical imaging system and method containing ultrasound docking port
CN102405473A (zh) * 2009-02-23 2012-04-04 通用电气公司 医护点动作医疗系统和方法
US9405886B2 (en) 2009-03-17 2016-08-02 The Board Of Trustees Of The Leland Stanford Junior University Method for determining cardiovascular information
US7831015B2 (en) * 2009-03-31 2010-11-09 General Electric Company Combining X-ray and ultrasound imaging for enhanced mammography
US8366619B2 (en) * 2009-05-13 2013-02-05 University Of Washington Nodule screening using ultrasound elastography
NL1037077C2 (nl) * 2009-06-26 2010-12-28 Stichting Maastricht Radiation Oncology Maastro Clinic Systeem voor het bepalen van de kans op een mogelijk resultaat van een medische behandeling.
RU2573218C2 (ru) * 2009-09-04 2016-01-20 Конинклейке Филипс Электроникс Н.В. Поддержка принятия клинических решений
JP2012235796A (ja) 2009-09-17 2012-12-06 Sharp Corp 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置
CN102481146B (zh) 2009-10-08 2016-08-17 霍罗吉克公司 乳房的穿刺活检系统及其使用方法
ITTO20090896A1 (it) * 2009-11-21 2011-05-22 Im3D S P A Procedimento di classificazione di una lesione in un insieme di immagini computerizzate di un colon retto
US9183355B2 (en) * 2009-11-24 2015-11-10 Penrad Technologies, Inc. Mammography information system
US8799013B2 (en) * 2009-11-24 2014-08-05 Penrad Technologies, Inc. Mammography information system
US20120014578A1 (en) * 2010-07-19 2012-01-19 Qview Medical, Inc. Computer Aided Detection Of Abnormalities In Volumetric Breast Ultrasound Scans And User Interface
WO2011070461A2 (en) 2009-12-10 2011-06-16 Koninklijke Philips Electronics N.V. Diagnostic techniques for continuous storage and joint analysis of both image and non-image medical data
JP5320335B2 (ja) * 2010-03-31 2013-10-23 富士フイルム株式会社 診断支援システム、診断支援装置、診断支援方法および診断支援プログラム
US20110246262A1 (en) * 2010-04-02 2011-10-06 QMedtrix Systems, Inc. Method of classifying a bill
US9262589B2 (en) * 2010-04-13 2016-02-16 Empire Technology Development Llc Semantic medical devices
WO2011129816A1 (en) 2010-04-13 2011-10-20 Empire Technology Development Llc Semantic compression
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
JP5800595B2 (ja) * 2010-08-27 2015-10-28 キヤノン株式会社 医療診断支援装置、医療診断支援システム、医療診断支援の制御方法、及びプログラム
SI23471A (sl) * 2010-09-02 2012-03-30 Krog-Mit D.O.O. Naprava in informacijski sistem za samodejno interpretacijo rezultatov predtransfuzijksih preiskav
US10734115B1 (en) 2012-08-09 2020-08-04 Cerner Innovation, Inc Clinical decision support for sepsis
US10431336B1 (en) 2010-10-01 2019-10-01 Cerner Innovation, Inc. Computerized systems and methods for facilitating clinical decision making
US11398310B1 (en) 2010-10-01 2022-07-26 Cerner Innovation, Inc. Clinical decision support for sepsis
US11348667B2 (en) 2010-10-08 2022-05-31 Cerner Innovation, Inc. Multi-site clinical decision support
JP6174490B2 (ja) * 2010-10-19 2017-08-02 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 特別な特性を実証する事例を用いて、患者データベースの動的成長を行うシステム及び方法
WO2012071429A1 (en) 2010-11-26 2012-05-31 Hologic, Inc. User interface for medical image review workstation
US10628553B1 (en) 2010-12-30 2020-04-21 Cerner Innovation, Inc. Health information transformation system
JP5762008B2 (ja) * 2011-01-19 2015-08-12 株式会社東芝 医用画像処理装置、及び医用画像処理プログラム
WO2012104780A1 (en) 2011-02-04 2012-08-09 Koninklijke Philips Electronics N.V. Identification of medical concepts for imaging protocol selection
AU2012225398B2 (en) 2011-03-08 2017-02-02 Hologic, Inc. System and method for dual energy and/or contrast enhanced breast imaging for screening, diagnosis and biopsy
US20120232930A1 (en) * 2011-03-12 2012-09-13 Definiens Ag Clinical Decision Support System
RU2604698C2 (ru) * 2011-03-16 2016-12-10 Конинклейке Филипс Н.В. Способ и система интеллектуального связывания медицинских данных
KR101223208B1 (ko) 2011-07-04 2013-01-17 한국과학기술원 이상 조직의 하이브리드 진단 방법 및 장치
US9292916B2 (en) 2011-08-09 2016-03-22 Hid Global Corporation Methods and systems for estimating genetic characteristics from biometric measurements
US8856156B1 (en) 2011-10-07 2014-10-07 Cerner Innovation, Inc. Ontology mapper
CN102521476A (zh) * 2011-11-03 2012-06-27 丁国成 基于成人x线正位胸片的异常心脏大血管计算机筛选系统及筛选方法
JP2014534042A (ja) 2011-11-27 2014-12-18 ホロジック, インコーポレイテッドHologic, Inc. マンモグラフィーおよび／またはトモシンセシス画像データを使用して２ｄ画像を生成するためのシステムおよび方法
US20130184584A1 (en) * 2012-01-17 2013-07-18 Richard E. Berkey Systems and methods for computerized ultrasound image interpretation and labeling
JP6240097B2 (ja) 2012-02-13 2017-11-29 ホロジック インコーポレイティッド 合成画像データを使用してトモシンセシススタックをナビゲートする方法
WO2014039080A1 (en) 2012-09-07 2014-03-13 Heartvista, Inc. Methods for optimal gradient design and fast generic waveform switching
US20130274592A1 (en) * 2012-02-29 2013-10-17 Taehoon SHIN Time-resolved early-to-late gadolinium enhancement magnetic resonance imaging
US10372741B2 (en) 2012-03-02 2019-08-06 Clarabridge, Inc. Apparatus for automatic theme detection from unstructured data
US10249385B1 (en) 2012-05-01 2019-04-02 Cerner Innovation, Inc. System and method for record linkage
US20140081659A1 (en) 2012-09-17 2014-03-20 Depuy Orthopaedics, Inc. Systems and methods for surgical and interventional planning, support, post-operative follow-up, and functional recovery tracking
US9675301B2 (en) * 2012-10-19 2017-06-13 Heartflow, Inc. Systems and methods for numerically evaluating vasculature
US10631780B2 (en) * 2012-12-05 2020-04-28 Philips Image Guided Therapy Corporation System and method for non-invasive tissue characterization
US20150342560A1 (en) * 2013-01-25 2015-12-03 Ultrasafe Ultrasound Llc Novel Algorithms for Feature Detection and Hiding from Ultrasound Images
US10946311B1 (en) 2013-02-07 2021-03-16 Cerner Innovation, Inc. Discovering context-specific serial health trajectories
US10769241B1 (en) 2013-02-07 2020-09-08 Cerner Innovation, Inc. Discovering context-specific complexity and utilization sequences
US11894117B1 (en) 2013-02-07 2024-02-06 Cerner Innovation, Inc. Discovering context-specific complexity and utilization sequences
AU2014233687B2 (en) 2013-03-15 2018-12-06 Hologic, Inc. Tomosynthesis-guided biopsy in prone
US9135381B2 (en) 2013-05-10 2015-09-15 Stenomics, Inc. Modeling and simulation system for optimizing prosthetic heart valve treatment
CA2915383C (en) 2013-06-24 2023-05-02 Cylance Inc. Automated system for generative multimodel multiclass classification and similarity analysis using machine learning
KR20150002284A (ko) * 2013-06-28 2015-01-07 삼성전자주식회사 병변 검출 장치 및 방법
JP2016527043A (ja) * 2013-08-09 2016-09-08 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 医療イメージング及び情報表示のための方法とシステム
US10483003B1 (en) * 2013-08-12 2019-11-19 Cerner Innovation, Inc. Dynamically determining risk of clinical condition
US12020814B1 (en) 2013-08-12 2024-06-25 Cerner Innovation, Inc. User interface for clinical decision support
US10446273B1 (en) 2013-08-12 2019-10-15 Cerner Innovation, Inc. Decision support with clinical nomenclatures
WO2015042421A1 (en) * 2013-09-20 2015-03-26 Siemens Aktiengesellschaft Biopsy-free detection and staging of cancer using a virtual staging score
US10238368B2 (en) 2013-09-21 2019-03-26 General Electric Company Method and system for lesion detection in ultrasound images
US10909674B2 (en) * 2013-09-27 2021-02-02 Koninklijke Philips N.V. System and method for context-aware imaging
US9092743B2 (en) 2013-10-23 2015-07-28 Stenomics, Inc. Machine learning system for assessing heart valves and surrounding cardiovascular tracts
KR101546403B1 (ko) * 2013-11-14 2015-08-27 계명대학교 산학협력단 유방 초음파 영상 및 탄성도 영상 획득 및 분석 방법 및 장치
US8930916B1 (en) 2014-01-31 2015-01-06 Cylance Inc. Generation of API call graphs from static disassembly
US9262296B1 (en) 2014-01-31 2016-02-16 Cylance Inc. Static feature extraction from structured files
AU2015213797B2 (en) 2014-02-07 2019-09-26 Cylance Inc. Application execution control utilizing ensemble machine learning for discernment
KR20150098119A (ko) 2014-02-19 2015-08-27 삼성전자주식회사 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법
ES2878599T3 (es) 2014-02-28 2021-11-19 Hologic Inc Sistema y método para generar y visualizar bloques de imagen de tomosíntesis
KR20150108701A (ko) 2014-03-18 2015-09-30 삼성전자주식회사 의료 영상 내 해부학적 요소 시각화 시스템 및 방법
US9999402B2 (en) 2014-07-21 2018-06-19 International Business Machines Corporation Automatic image segmentation
KR101656582B1 (ko) * 2014-11-25 2016-09-12 재단법인 아산사회복지재단 갑상선암 자동 판별 방법 및 시스템
US20160171178A1 (en) * 2014-12-12 2016-06-16 Siemens Aktiengesellschaft Method and a system for generating clinical findings fusion report
KR102325346B1 (ko) * 2014-12-15 2021-11-11 삼성전자주식회사 의료 영상 진단 장치 및 방법
US9626267B2 (en) 2015-01-30 2017-04-18 International Business Machines Corporation Test generation using expected mode of the target hardware device
US9465940B1 (en) 2015-03-30 2016-10-11 Cylance Inc. Wavelet decomposition of software entropy to identify malware
US9495633B2 (en) 2015-04-16 2016-11-15 Cylance, Inc. Recurrent neural networks for malware analysis
US20160321427A1 (en) * 2015-04-28 2016-11-03 Siemens Medical Solutions Usa, Inc. Patient-Specific Therapy Planning Support Using Patient Matching
US10430688B2 (en) 2015-05-27 2019-10-01 Siemens Medical Solutions Usa, Inc. Knowledge-based ultrasound image enhancement
TWI607093B (zh) * 2015-06-01 2017-12-01 國立臺灣科技大學 金屬合金複合材料及其製造方法
CN104866727A (zh) * 2015-06-02 2015-08-26 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪
US20160358085A1 (en) * 2015-06-05 2016-12-08 Sensaura Inc. System and method for multimodal human state recognition
US10269114B2 (en) 2015-06-12 2019-04-23 International Business Machines Corporation Methods and systems for automatically scoring diagnoses associated with clinical images
KR102551695B1 (ko) 2015-11-25 2023-07-06 삼성메디슨 주식회사 의료 영상 장치 및 그 동작방법
US10853449B1 (en) 2016-01-05 2020-12-01 Deepradiology, Inc. Report formatting for automated or assisted analysis of medical imaging data and medical diagnosis
US9536054B1 (en) * 2016-01-07 2017-01-03 ClearView Diagnostics Inc. Method and means of CAD system personalization to provide a confidence level indicator for CAD system recommendations
US10339650B2 (en) 2016-01-07 2019-07-02 Koios Medical, Inc. Method and means of CAD system personalization to reduce intraoperator and interoperator variation
JP6316325B2 (ja) * 2016-01-21 2018-04-25 キヤノン株式会社 情報処理装置、情報処理装置の作動方法及び情報処理システム
US10825556B2 (en) * 2016-01-26 2020-11-03 Welch Allyn, Inc. Clinical grade consumer physical assessment system
JP7021215B2 (ja) * 2016-08-11 2022-02-16 コイオス メディカル，インコーポレイテッド Ｃａｄシステム推薦に関する確信レベル指標を提供するためのｃａｄシステムパーソナライゼーションの方法及び手段
US10346982B2 (en) 2016-08-22 2019-07-09 Koios Medical, Inc. Method and system of computer-aided detection using multiple images from different views of a region of interest to improve detection accuracy
US11610687B2 (en) * 2016-09-06 2023-03-21 Merative Us L.P. Automated peer review of medical imagery
US11610668B2 (en) * 2016-09-15 2023-03-21 Truveris, Inc. Systems and methods for centralized buffering and interactive routing of electronic data messages over a computer network
US11790454B1 (en) * 2017-01-16 2023-10-17 Bind Benefits, Inc. Use determination risk coverage datastructure for on-demand and increased efficiency coverage detection and rebalancing apparatuses, methods and systems
WO2018165103A1 (en) * 2017-03-06 2018-09-13 University Of Southern California Machine learning for digital pathology
JP7174710B2 (ja) 2017-03-30 2022-11-17 ホロジック， インコーポレイテッド 合成乳房組織画像を生成するための標的オブジェクト増強のためのシステムおよび方法
WO2018183549A1 (en) 2017-03-30 2018-10-04 Hologic, Inc. System and method for synthesizing low-dimensional image data from high-dimensional image data using an object grid enhancement
CN110621231B (zh) 2017-03-30 2024-02-23 豪洛捷公司 用于分层次多级特征图像合成和表示的系统以及方法
GB201705911D0 (en) 2017-04-12 2017-05-24 Kheiron Medical Tech Ltd Abstracts
TWI614624B (zh) 2017-04-24 2018-02-11 太豪生醫股份有限公司 雲端醫療影像分析系統與方法
JPWO2018221689A1 (ja) * 2017-06-01 2020-04-02 株式会社ニデック 医療情報処理システム
JP7013145B2 (ja) * 2017-06-05 2022-01-31 キヤノン株式会社 情報処理装置、情報処理システム、情報処理装置の作動方法及びプログラム
EP3641635A4 (en) 2017-06-20 2021-04-07 Hologic, Inc. DYNAMIC SELF-LEARNING MEDICAL IMAGING PROCESS AND SYSTEM
KR102557389B1 (ko) * 2017-06-26 2023-07-20 삼성메디슨 주식회사 초음파 영상장치 및 그 제어 방법
EP3420913B1 (en) 2017-06-26 2020-11-18 Samsung Medison Co., Ltd. Ultrasound imaging apparatus and control method thereof
WO2019027667A1 (en) * 2017-08-01 2019-02-07 The General Hospital Corporation SYSTEM AND METHOD FOR PREDICTIVE ANALYSIS OF PATHOLOGICAL MAMMARY LESIONS
US10692602B1 (en) 2017-09-18 2020-06-23 Deeptradiology, Inc. Structuring free text medical reports with forced taxonomies
US10499857B1 (en) * 2017-09-19 2019-12-10 Deepradiology Inc. Medical protocol change in real-time imaging
US10496884B1 (en) 2017-09-19 2019-12-03 Deepradiology Inc. Transformation of textbook information
EP3471106A1 (en) * 2017-10-10 2019-04-17 Siemens Healthcare GmbH Method and system for supporting clinical decisions
KR101963605B1 (ko) * 2017-10-31 2019-03-29 고려대학교산학협력단 의료진 의사 결정 지원 방법 및 시스템
US10629305B2 (en) * 2017-11-09 2020-04-21 General Electric Company Methods and apparatus for self-learning clinical decision support
US10799189B2 (en) 2017-11-22 2020-10-13 General Electric Company Systems and methods to deliver point of care alerts for radiological findings
US10783634B2 (en) 2017-11-22 2020-09-22 General Electric Company Systems and methods to deliver point of care alerts for radiological findings
US11049250B2 (en) * 2017-11-22 2021-06-29 General Electric Company Systems and methods to deliver point of care alerts for radiological findings
US10726948B2 (en) * 2017-12-08 2020-07-28 International Business Machines Corporation Medical imaging device- and display-invariant segmentation and measurement
US10832808B2 (en) * 2017-12-13 2020-11-10 International Business Machines Corporation Automated selection, arrangement, and processing of key images
GB201721581D0 (en) * 2017-12-21 2018-02-07 Thalamus Al Ltd A medical management system
KR102160097B1 (ko) * 2018-01-25 2020-09-25 (주)바텍이우홀딩스 치아영역 추출 시스템 및 방법
US10580137B2 (en) 2018-01-30 2020-03-03 International Business Machines Corporation Systems and methods for detecting an indication of malignancy in a sequence of anatomical images
WO2019222675A1 (en) * 2018-05-17 2019-11-21 The Trustees Of Columbia University In The City Of New York System, method and computer-accessible medium for a patient selection for a ductal carcinoma in situ observation and determinations of actions based on the same
CN113222966B (zh) * 2018-06-07 2023-01-10 深圳迈瑞生物医疗电子股份有限公司 基于超声影像设备的图像分析方法及超声影像设备
GB2574659A (en) * 2018-06-14 2019-12-18 Kheiron Medical Tech Ltd Immediate workup
DK3806744T3 (da) 2018-06-14 2022-05-23 Kheiron Medical Tech Ltd Øjeblikkelig undersøgelse
US20210259660A1 (en) * 2018-06-29 2021-08-26 Koninklijke Philips N.V. Biopsy prediction and guidance with ultrasound imaging and associated devices, systems, and methods
US11200666B2 (en) 2018-07-03 2021-12-14 Caroline Choi Method for diagnosing, predicting, determining prognosis, monitoring, or staging disease based on vascularization patterns
US11158405B2 (en) 2018-07-24 2021-10-26 Warsaw Orthopedic, Inc. Pre-operative assessment and inventory management system
US11141115B2 (en) * 2018-07-24 2021-10-12 Warsaw Orthopedic, Inc. Pre-operative assessment system
US12002556B2 (en) 2018-07-24 2024-06-04 Warsaw Orthopedic, Inc. Pre-operative assessment and inventory management system
WO2020033319A1 (en) * 2018-08-08 2020-02-13 Ceevra, Inc. System and method for identifying comparable cases in preoperative surgical planning
EP3547321A1 (en) * 2018-08-24 2019-10-02 Siemens Healthcare GmbH Method and system for displaying clinical information on a screen of a wearable device
JP7175682B2 (ja) * 2018-09-06 2022-11-21 キヤノンメディカルシステムズ株式会社 診断支援装置、診断支援システム、診断支援方法、及び診断支援プログラム
US11688494B2 (en) * 2018-09-24 2023-06-27 International Business Machines Corporation Cross-organization data instance matching
WO2020069343A1 (en) * 2018-09-27 2020-04-02 The Texas A&M University System Non-invasive assessment of interstitial fluid pressure (ifp), interstitial fluid velocity (ifv) and fluid flow inside tumors
US20220398721A1 (en) * 2018-11-23 2022-12-15 Icad, Inc. System and method for assessing breast cancer risk using imagery
CN109616195A (zh) * 2018-11-28 2019-04-12 武汉大学人民医院（湖北省人民医院） 基于深度学习的纵隔超声内镜图像实时辅助诊断系统及方法
JP6872581B2 (ja) * 2018-12-04 2021-05-19 Hoya株式会社 情報処理装置、内視鏡用プロセッサ、情報処理方法およびプログラム
WO2020117486A1 (en) * 2018-12-05 2020-06-11 Verathon Inc. Implant assessment using ultrasound and optical imaging
CN109589139A (zh) * 2018-12-06 2019-04-09 深圳开立生物医疗科技股份有限公司 一种超声测量生物量自动确认方法和超声诊断系统
WO2020146735A1 (en) * 2019-01-10 2020-07-16 Selim Olcum Machine learning in functional cancer assays
EP3908823A4 (en) 2019-01-10 2022-10-12 Travera LLC CALIBRATION OF A FUNCTIONAL BIOMARKER INSTRUMENT
EP3690739A1 (en) 2019-02-01 2020-08-05 Koninklijke Philips N.V. Confidence measure for a deployed machine learning model
US11478222B2 (en) * 2019-05-22 2022-10-25 GE Precision Healthcare LLC Method and system for ultrasound imaging multiple anatomical zones
US11915826B2 (en) * 2019-06-07 2024-02-27 Welch Allyn, Inc. Digital image screening and/or diagnosis using artificial intelligence
US11883206B2 (en) 2019-07-29 2024-01-30 Hologic, Inc. Personalized breast imaging system
EP3970156A1 (en) * 2019-07-31 2022-03-23 Hologic, Inc. Systems and methods for automating clinical workflow decisions and generating a priority read indicator
CN110600135A (zh) * 2019-09-18 2019-12-20 东北大学 一种基于改进随机森林算法的乳腺癌预测系统
JP7465342B2 (ja) 2019-09-27 2024-04-10 ホロジック， インコーポレイテッド ２ｄ／３ｄ乳房画像を精査するための読み取り時間および読み取り複雑性を予測するためのａｉシステム
EP4049238A1 (en) 2019-10-25 2022-08-31 Deephealth, Inc. System and method for analyzing three-dimensional image data
CN112927179A (zh) * 2019-11-21 2021-06-08 粘晓菁 肝肿瘤智慧分析方法
JP7236109B2 (ja) * 2019-11-21 2023-03-09 粘曉菁 肝腫瘍知能分析装置およびその作動方法
EP3832689A3 (en) 2019-12-05 2021-08-11 Hologic, Inc. Systems and methods for improved x-ray tube life
KR102344659B1 (ko) * 2019-12-12 2021-12-30 (주)규리아 유방암 자가 검진 서버 및 그 방법
US11730420B2 (en) 2019-12-17 2023-08-22 Cerner Innovation, Inc. Maternal-fetal sepsis indicator
US20230021568A1 (en) * 2020-01-10 2023-01-26 Carestream Health, Inc. Method and system to predict prognosis for critically ill patients
EP3866176A1 (en) * 2020-02-17 2021-08-18 Siemens Healthcare GmbH Machine-based risk prediction for peri-procedural myocardial infarction or complication from medical data
US11481038B2 (en) 2020-03-27 2022-10-25 Hologic, Inc. Gesture recognition in controlling medical hardware or software
US11471118B2 (en) 2020-03-27 2022-10-18 Hologic, Inc. System and method for tracking x-ray tube focal spot position
CN111754485A (zh) * 2020-06-24 2020-10-09 成都市温江区人民医院 一种用于肝脏的人工智能超声辅助系统
US11734819B2 (en) * 2020-07-21 2023-08-22 Merative Us L.P. Deep learning modeling using health screening images
US11527329B2 (en) 2020-07-28 2022-12-13 Xifin, Inc. Automatically determining a medical recommendation for a patient based on multiple medical images from multiple different medical imaging modalities
CN111899828A (zh) * 2020-07-31 2020-11-06 青岛百洋智能科技股份有限公司 一种知识图谱驱动的乳腺癌诊疗方案推荐系统
CN111904470B (zh) * 2020-08-24 2024-03-12 西北工业大学 医学超声诊查过程的动态可解释推理辅助诊断方法
DE102020212189A1 (de) 2020-09-28 2022-03-31 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur Analyse von Histopathologiedatensätzen
KR20220061634A (ko) * 2020-11-06 2022-05-13 서울대학교병원 유방 종양 검출 장치 및 방법
CN112349369A (zh) * 2020-11-27 2021-02-09 广州瀚信通信科技股份有限公司 医疗影像大数据智能分析方法、系统及存储介质
CN113100742B (zh) * 2021-03-05 2023-09-26 北京赛迈特锐医疗科技有限公司 乳腺mr影像智能诊断方法、装置及设备
US11646121B2 (en) * 2021-05-04 2023-05-09 Flatiron Health, Inc. Systems and methods for analyzing and validating patient information trends
US20230018833A1 (en) * 2021-07-19 2023-01-19 GE Precision Healthcare LLC Generating multimodal training data cohorts tailored to specific clinical machine learning (ml) model inferencing tasks
EP4145457A1 (en) * 2021-09-07 2023-03-08 Siemens Healthcare GmbH Method and system for image-based operational decision support
EP4145464A1 (en) * 2021-09-07 2023-03-08 Siemens Healthcare GmbH Decision module and method for image-based operational decision support
KR102391934B1 (ko) * 2022-01-19 2022-04-28 주식회사 엘티포 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법
CN117711552A (zh) * 2024-02-05 2024-03-15 神州医疗科技股份有限公司 一种基于人工智能知识库的放疗临床辅助决策方法及系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3231810B2 (ja) * 1990-08-28 2001-11-26 アーチ・デベロップメント・コーポレーション ニューラル・ネットワークを用いた鑑別診断支援方法
DE69131681T2 (de) * 1990-11-22 2000-06-08 Toshiba Kawasaki Kk Rechnergestütztes System zur Diagnose für medizinischen Gebrauch
US5487387A (en) * 1994-06-03 1996-01-30 Duke University Method and apparatus for distinguishing between solid masses and fluid-filled cysts
WO1996012187A1 (en) 1994-10-13 1996-04-25 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
US5732697A (en) * 1995-11-22 1998-03-31 Arch Development Corporation Shift-invariant artificial neural network for computerized detection of clustered microcalcifications in mammography
US5984870A (en) * 1997-07-25 1999-11-16 Arch Development Corporation Method and system for the automated analysis of lesions in ultrasound images
US6058322A (en) * 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
US6317617B1 (en) * 1997-07-25 2001-11-13 Arch Development Corporation Method, computer program product, and system for the automated analysis of lesions in magnetic resonance, mammogram and ultrasound images
US6385474B1 (en) * 1999-03-19 2002-05-07 Barbara Ann Karmanos Cancer Institute Method and apparatus for high-resolution detection and characterization of medical pathologies
US6551243B2 (en) * 2001-01-24 2003-04-22 Siemens Medical Solutions Health Services Corporation System and user interface for use in providing medical information and health care delivery support
US7917377B2 (en) * 2001-11-02 2011-03-29 Siemens Medical Solutions Usa, Inc. Patient data mining for automated compliance
US7457731B2 (en) * 2001-12-14 2008-11-25 Siemens Medical Solutions Usa, Inc. Early detection of disease outbreak using electronic patient data to reduce public health threat from bio-terrorism
US7203350B2 (en) * 2002-10-31 2007-04-10 Siemens Computer Aided Diagnosis Ltd. Display for computer-aided diagnosis of mammograms

Cited By (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102165453B (zh) * 2008-09-26 2016-06-29 皇家飞利浦电子股份有限公司 用于融合临床和图像特征进行计算机辅助诊断的系统和方法
CN102165453A (zh) * 2008-09-26 2011-08-24 皇家飞利浦电子股份有限公司 用于融合临床和图像特征进行计算机辅助诊断的系统和方法
US8787636B2 (en) 2009-03-04 2014-07-22 Nec Corporation Diagnostic imaging support in which image data of high magnification is generated to image data of low magnification for classification thereof
CN102341703A (zh) * 2009-03-04 2012-02-01 日本电气株式会社 诊断成像支持设备、诊断成像支持方法和存储介质
CN102341703B (zh) * 2009-03-04 2015-10-07 日本电气株式会社 诊断成像支持设备、诊断成像支持方法和存储介质
CN102361594A (zh) * 2009-03-26 2012-02-22 皇家飞利浦电子股份有限公司 由临床指南导航器支持的基于pet/ct的治疗监测系统
CN102361594B (zh) * 2009-03-26 2014-10-29 皇家飞利浦电子股份有限公司 由临床指南导航器支持的基于pet/ct的治疗监测系统
CN102947841A (zh) * 2010-04-30 2013-02-27 沃康普公司 放射摄影图像中的毛刺恶性肿块检测和分级
CN102722633A (zh) * 2011-03-28 2012-10-10 佳能株式会社 医疗诊断支持设备和医疗诊断支持方法
CN102722633B (zh) * 2011-03-28 2016-05-25 佳能株式会社 医疗诊断支持设备和医疗诊断支持方法
CN103823918A (zh) * 2012-11-16 2014-05-28 三星电子株式会社 计算机辅助诊断方法和设备
US9760689B2 (en) 2012-11-16 2017-09-12 Samsung Electronics Co., Ltd. Computer-aided diagnosis method and apparatus
CN105338905B (zh) * 2013-06-26 2019-10-18 皇家飞利浦有限公司 用于多模态组织分类的方法和系统
CN105338905A (zh) * 2013-06-26 2016-02-17 皇家飞利浦有限公司 用于多模态组织分类的方法和系统
CN103489057A (zh) * 2013-08-19 2014-01-01 泸州医学院 人乳腺癌组织资源库管理系统
CN106030608A (zh) * 2013-11-06 2016-10-12 理海大学 生物组织分析诊断系统与方法
CN106413565B (zh) * 2013-12-20 2019-12-17 皇家飞利浦有限公司 自动超声波束操纵和探针伪影抑制
CN106413565A (zh) * 2013-12-20 2017-02-15 皇家飞利浦有限公司 自动超声波束操纵和探针伪影抑制
CN106462662B (zh) * 2014-05-12 2020-10-02 皇家飞利浦有限公司 用于基于病例难度的计算机辅助患者分层的方法和系统
CN106462662A (zh) * 2014-05-12 2017-02-22 皇家飞利浦有限公司 用于基于病例难度的计算机辅助患者分层的方法和系统
CN106575317A (zh) * 2014-08-12 2017-04-19 皇家飞利浦有限公司 用于诊断成像的分布的系统和方法
CN104809331A (zh) * 2015-03-23 2015-07-29 深圳市智影医疗科技有限公司 一种计算机辅助诊断技术(cad)检测放射图像发现病灶的方法和系统
CN106169165A (zh) * 2015-05-20 2016-11-30 詹宇 面向诊疗数据的症状层次关联及预测方法
CN106169165B (zh) * 2015-05-20 2020-06-16 詹宇 面向诊疗数据的症状层次关联及预测方法
CN105232082A (zh) * 2015-10-16 2016-01-13 深圳开立生物医疗科技股份有限公司 一种造影成像方法、装置及其超声设备
CN106264614A (zh) * 2016-07-23 2017-01-04 深圳市前海安测信息技术有限公司 用于乳腺筛查的健康检测一体机
US11302436B2 (en) 2016-10-07 2022-04-12 Siemens Healthcare Gmbh Method, computer and medical imaging apparatus for the provision of confidence information
CN107913076A (zh) * 2016-10-07 2018-04-17 西门子保健有限责任公司 用于提供置信信息的方法
CN107913076B (zh) * 2016-10-07 2022-02-25 西门子保健有限责任公司 用于提供置信信息的方法
CN107169259A (zh) * 2016-12-12 2017-09-15 为朔生物医学有限公司 基于协同过滤和建议的个性化医学决定支持系统
CN108537774A (zh) * 2017-03-01 2018-09-14 西门子医疗有限公司 用于检查医学图像的方法以及用于调整检查协议的方法
CN108537774B (zh) * 2017-03-01 2022-10-14 西门子医疗有限公司 用于检查医学图像的方法以及用于调整检查协议的方法
CN107122593B (zh) * 2017-04-06 2021-09-17 复旦大学 基于深度扫描与信息分析的上肢淋巴水肿监测系统
CN107122593A (zh) * 2017-04-06 2017-09-01 复旦大学 基于深度扫描与信息分析的上肢淋巴水肿监测系统
CN110996789B (zh) * 2017-06-16 2024-04-16 伦斯勒理工大学 执行筛查、诊断或其他基于图像的分析任务的系统和方法
CN110996789A (zh) * 2017-06-16 2020-04-10 伦斯勒理工大学 使用神经网络集成断层扫描图像重建和放射组学的系统和方法
CN109758178A (zh) * 2017-11-10 2019-05-17 美国西门子医疗解决公司 超声成像中的机器辅助工作流
CN112154514A (zh) * 2018-04-16 2020-12-29 西门子医疗有限公司 用于癌症筛查的综合方法
CN108577844A (zh) * 2018-05-18 2018-09-28 北京先通康桥医药科技有限公司 基于压力分布数据的建立关系模型的方法及系统、存储介质
CN109124660B (zh) * 2018-06-25 2022-06-10 南方医科大学南方医院 基于深度学习的胃肠间质瘤术后风险检测方法和系统
CN109124660A (zh) * 2018-06-25 2019-01-04 南方医科大学南方医院 基于深度学习的胃肠间质瘤术后风险检测方法和系统
CN111199794A (zh) * 2018-11-19 2020-05-26 复旦大学附属眼耳鼻喉科医院 一种适用于高度近视白内障的手术智能决策系统及其建立方法
CN111199794B (zh) * 2018-11-19 2024-03-01 复旦大学附属眼耳鼻喉科医院 一种适用于高度近视白内障的手术智能决策系统及其建立方法
CN113272915A (zh) * 2019-01-11 2021-08-17 谷歌有限责任公司 用于医疗保健应用中的机器学习定位模型的交互式阴性解释的系统、用户接口和方法
CN110613486B (zh) * 2019-09-30 2022-04-22 深圳大学总医院 一种乳腺超声图像的检测方法及装置
CN110613486A (zh) * 2019-09-30 2019-12-27 深圳大学总医院 一种乳腺超声图像的检测方法及装置
CN111430024A (zh) * 2020-01-06 2020-07-17 中南大学 一种用于疾病程度分类的数据决策方法及其系统
CN111553412A (zh) * 2020-04-27 2020-08-18 广州市妇女儿童医疗中心（广州市妇幼保健院、广州市儿童医院、广州市妇婴医院、广州市妇幼保健计划生育服务中心） 对性早熟分类模型进行训练的方法、装置和设备
CN115240844A (zh) * 2022-07-15 2022-10-25 北京医准智能科技有限公司 辅助诊断模型的训练方法、装置、电子设备及存储介质
CN117994255A (zh) * 2024-04-03 2024-05-07 中国人民解放军总医院第六医学中心 基于深度学习的肛裂检测系统
CN117994255B (zh) * 2024-04-03 2024-06-07 中国人民解放军总医院第六医学中心 基于深度学习的肛裂检测系统

Also Published As

Publication number Publication date
AU2004251359B2 (en) 2009-01-22
AU2004251359A1 (en) 2005-01-06
WO2005001740A3 (en) 2005-06-09
WO2005001740A2 (en) 2005-01-06
JP2007524461A (ja) 2007-08-30
EP1636731A2 (en) 2006-03-22
US7640051B2 (en) 2009-12-29
US20100121178A1 (en) 2010-05-13
CA2529929A1 (en) 2005-01-06
US20050049497A1 (en) 2005-03-03

Similar Documents

Publication Publication Date Title
CN1839391A (zh) 用于乳房成像的自动诊断和决策支持的系统和方法
Wu et al. Comparison of chest radiograph interpretations by artificial intelligence algorithm vs radiology residents
KR101884609B1 (ko) 모듈화된 강화학습을 통한 질병 진단 시스템
Yala et al. Optimizing risk-based breast cancer screening policies with reinforcement learning
Cheng et al. Multi-domain transfer learning for early diagnosis of Alzheimer’s disease
US20190220978A1 (en) Method for integrating image analysis, longitudinal tracking of a region of interest and updating of a knowledge representation
CN100481096C (zh) 心脏成像的自动区域心肌评定的方法
Do et al. Bone tumor diagnosis using a naïve Bayesian model of demographic and radiographic features
US8504343B2 (en) Disease diagnoses-bases disease prediction
CN1914617A (zh) 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法
Marsh et al. Development and validation of a deep learning model to quantify glomerulosclerosis in kidney biopsy specimens
CN109791804A (zh) 对cad系统个性化以提供cad系统推荐的置信水平指示的方法和部件
Thomassin-Naggara et al. Artificial intelligence and breast screening: French Radiology Community position paper
Khader et al. Multimodal deep learning for integrating chest radiographs and clinical parameters: a case for transformers
WO2021142209A1 (en) Methods and systems for performing real-time radiology
Avramidis et al. Rheumatoid arthritis diagnosis: Deep learning vs. humane
Dumakude et al. Automated COVID-19 detection with convolutional neural networks
Park et al. Deep joint learning of pathological region localization and Alzheimer’s disease diagnosis
CN1820274A (zh) 使用机器学习来利用cad系统的常规使用期间所收集到的知识适配cad过程以对医学成像提供cad(计算机辅助决策 )支持
Belhaouari et al. Deep learning in healthcare
Cheng et al. Brain tumor feature extraction and edge enhancement algorithm based on U-Net network
Velusamy et al. Faster Region‐based Convolutional Neural Networks with You Only Look Once multi‐stage caries lesion from oral panoramic X‐ray images
Cherezov et al. Resolving impact of technical and biological variability on the convolutional neural networks: evaluating chest x-ray scans
US20220277452A1 (en) Methods for analyzing and reducing inter/intra site variability using reduced reference images and improving radiologist diagnostic accuracy and consistency
WO2023194795A1 (en) A multi-modal, multi-omic enterprise graph-based, semantic ontology-based recommender framework.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication