DE102014226824A1 - Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem - Google Patents

Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem Download PDF

Info

Publication number
DE102014226824A1
DE102014226824A1 DE102014226824.9A DE102014226824A DE102014226824A1 DE 102014226824 A1 DE102014226824 A1 DE 102014226824A1 DE 102014226824 A DE102014226824 A DE 102014226824A DE 102014226824 A1 DE102014226824 A1 DE 102014226824A1
Authority
DE
Germany
Prior art keywords
diagnostic
feedback data
support model
providing
data
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.)
Withdrawn
Application number
DE102014226824.9A
Other languages
English (en)
Inventor
Maria Jimena Costa
Martin Kramer
Alexey Tsymbal
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 AG
Original Assignee
Siemens AG
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 AG filed Critical Siemens AG
Priority to DE102014226824.9A priority Critical patent/DE102014226824A1/de
Publication of DE102014226824A1 publication Critical patent/DE102014226824A1/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Abstract

Die Erfindung betrifft ein Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells (DM) für zumindest ein Diagnosesystem (D) sowie ein zugehöriges Cloudsystem (C). Das Verfahren weist folgende Verfahrensschritte auf: a) Bereitstellen von personenspezifischen Diagnose- und/oder Bildgebungsparametern an dem zumindest einem Diagnosesystem und b) Überprüfen derselben, ob eine Korrektur derselben notwendig ist, c) Bereitstellen von Feedbackdaten (F), die eine solche Korrektur der Diagnose- und/oder Bildgebungsparameter repräsentieren, falls eine solche Korrektur notwendig ist, d) und speichern derselben in einem über ein Netzwerk zugänglichen zentralen Cloudsystem (C), e) Festlegen von Trainingsdaten anhand der Feedbackdaten, f) Erzeugen eines neuen und/oder Anpassen eines bereits vorhandenen lernbasierten Diagnoseunterstützungsmodells mit Hilfe der Trainingsdaten, g) Bereitstellen des erzeugten und/oder angepassten Diagnoseunterstützungsmodell für das zumindest eine Diagnosesystem.

Description

  • Die Erfindung betrifft ein Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem sowie ein zugehöriges Cloudsystem.
  • Die Erfindung liegt vorwiegend auf dem Gebiet der Medizintechnik und der medizinischen Informatik. Es sind auch andere Anwendungen wie z.B. in der industriellen Fertigung denkbar.
  • In der klinischen Arbeit werden computerunterstützte Diagnosesystem (computer aided diagnosis = CAD) verwendet. Solche Diagnosesysteme werden meist der Bildverarbeitung von Bilddaten, die von den Modalitäten z.B. Computertomograph oder Kernspintomograph stammen, nachgelagert verwendet. Radiologen verwenden so ein System, um sich vom Computer verschiedene Diagnosemöglichkeiten anzeigen zu lassen, bevor der Radiologe seine finale Diagnoseentscheidung trifft. Solch ein Diagnosesystem unterstützt Ärzte vor allem darin, abnormale bzw. pathologische Strukturen in medizinischen Bildern zu erkennen. Ideal sind lernbasierte Diagnosesysteme, die unerwartete Scannerkonfigurationen, unvorhersehbare bzw. schwer erkennbare Bildstrukturen lernen können.
  • Es ist möglich, solche lernbasierte Diagnosesysteme erneut zu trainieren, um ihr bereits gelerntes „Expertenwissen“ zu verbessern.
  • Dazu werden neue oder erweiterte Trainingsdaten, die in der Regel negative Fallstudien repräsentieren, gesammelt. Dann wird eine Lernsoftware benutzt, um das Diagnosesystem mit Trainingsbeispielen repräsentierende Trainingsdaten zu trainieren. Zur Gestaltung einer Lernsoftware können sogenannte neuronale Netze verwendet werden. Dazu werden die Netzparameter optimiert und ggf. der Vorgang des Trainierens öfters wiederholt. Die Trainingsdaten können mittels Klassifizierern gestaltet werden. Zum Beispiel können die Trainingsbeispiele in bestimmte anatomische Strukturen umfassende und nicht umfassende Trainingsbeispiele klassifiziert werden. Letztlich wird daraus ein neues bzw. verbessertes Diagnoseunterstützungsmodell abgeleitet und dem Diagnosesystem zur Verfügung gestellt. So ein Training mit Trainingsdaten ist in der Regel rechen- und zeitintensiv.
  • Demnach kann so ein Training mittels Lernsoftware auch verteilt durchgeführt werden, wobei bei verteilten Systemen klassisch Client-Server-Systeme verwendet werden. Heutzutage möchten Kliniken ungern die Kosten für Server tragen, so dass sie die Dienste von Cloud(system)-Anbietern in Anspruch nehmen. Solche Dienste können auch lernbasierte Softwaredienste und Rechenleistung umfassen.
  • Bei der Nutzung von Cloud-Diensten liegen die Probleme meist darin, dass große Datenmengen, wie es bei medizinischen Bilddaten üblich ist, über ein Netzwerk „öffentlich“ von einem Client der Klinik z.B. dem oben genannten Diagnosesystem zu einem Server des Cloudsystems eines Anbietern übertragen werden müssen. Es sind in diesem Zusammenhang Ansätze unter dem Begriff „Big Data“ bzw. „Data Mining“ möglich.
  • Im Zusammenhang mit „Big Data“ und Lernsystemen wird in [Domingos and Hulten, 2000] ein Entscheidungsbaum-Lernsystem vorgestellt, das auf dem sogenannten „Hoeffding tree“-Algorithums aufsetzt, das auch VFDT (Very Fast Decision Tree Learner) genannt wird.
  • Bei in einem Cloudsystem abgelegten Daten muss auch sichergestellt werden, dass personenbezogene (Bild-)Daten anonymisiert bzw. pseudonymisiert werden, damit sie vor fremden Zugriff geschützt sind und letztendlich auch den im jeweiligen Land geltenden Datenschutzrichtlinien genügen.
  • Da das Erstellen von lernbasierten computerunterstützten Modellen oft sehr rechenintensiv sind, konzentrierte sich die Forschung und Entwicklung häufig auf sogenannten offline-Lernmechanismen, bei denen das Training von Trainingsdaten in einem sogenannten Batch-Lauf durchgeführt wird. Im Zuge der immer mehr genutzten Cloud-Dienstleistungen sind auch immer mehr online-basierte Lernmechanismen denkbar. Beispielsweise ist aus [Babenko et al., 2009] ein Online-Mehrfachinstanz-Lernsystem bekannt, das gegenüber klassischen überwachten Lernmechanismen die Echtzeit-Verarbeitung beim sogenannten Objekt-Verfolgen in einer Bildserie verbessert.
  • Ausgehend von diesem Stand der Technik ist es Aufgabe der Erfindung, ein verbessertes lernbasiertes Diagnoseunterstützungsmodell für ein oder mehrere solche Diagnosesysteme zu schaffen.
  • Diese Aufgabe wird durch die unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen sind Gegenstand der abhängigen Ansprüche. Die Erfindung beansprucht Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem, mit folgenden Verfahrensschritten:
    • a) Bereitstellen von personenspezifischen Diagnose- und/oder Bildgebungsparametern an dem zumindest einem Diagnosesystem und
    • b) Überprüfen derselben, ob eine Korrektur derselben notwendig ist,
    • c) Bereitstellen von Feedbackdaten, die eine solche Korrektur der Diagnose- und/oder Bildgebungsparameter repräsentieren, falls eine solche Korrektur notwendig ist,
    • d) und speichern derselben in einem über ein Netzwerk zugänglichen zentralen Cloudsystem,
    • e) Festlegen von Trainingsdaten anhand der Feedbackdaten,
    • f) Erzeugen eines neuen und/oder Anpassen eines bereits vorhandenen lernbasierten Diagnoseunterstützungsmodells mit Hilfe der Trainingsdaten,
    • g) Bereitstellen des erzeugten und/oder angepassten Diagnoseunterstützungsmodell für das zumindest eine Diagnosesystem.
  • Zum Erzeugen eines und/oder Anpassen eines bereits vorhandenen Diagnoseunterstützungsmodells mehrere Recheninstanzen in dem Cloudsystem parallel gestartet werden, die anhand der Trainingsdaten die das Diagnoseunterstützungsmodells definierenden Modellparameter neu berechnen oder anpassen.
  • Die Recheninstanzen können hierbei zum Abarbeiten der Berechnung bzw. des Anpassens von den Modellparametern verschiedenen Rechnerkernen auf einem Server oder in einem verteilten Serversystem des Cloudsystems zugeteilt werden.
  • Zum Festlegen der Trainingsdaten anhand der Feedbackdaten können Klassifizierer verwendet werden. Die Feedbackdaten können in einem maschinenlesbaren Format (z.B. XML) bereitgestellt werden.
  • Sinnvoll ist es, wenn das Cloudsystem ständig über das Netzwerk zur Verfügung steht, um ein Online-Lernen zu ermöglichen. Wenn Feedbackdaten (erneut) bereitgestellt werden, sollten die oben genannten Verfahrensschritte d) bis g) möglichst zeitnah, insbesondere in Echtzeit, an dieses Bereitstellen ausgeführt werden.
  • Ein weiterer Aspekt der Erfindung ist ein Cloudsystem, das Mittel bzw. Module zur Durchführung des oben genannten Verfahrens aufweisen, die jeweils hardwaremäßig und/oder softwaremäßig bzw. als Computerprogramm bzw. Computerprogrammprodukt ausgeprägt sein können.
  • Beim Cloudsystem sind private Cloud-Lösungen denkbar, die in die Klinik-IT-Infrastruktur integriert sind. Es sind auch Cloud-Lösungen denkbar, die von fremden Anbietern zur Verfügung gestellt werden.
  • Das Cloudsystem kann durch das oben beschriebene Verfahren entsprechend weitergebildet werden.
  • Die Erfindung weist folgende Vorteile auf:
    Es wird den Arzt ein kontinuierlich angepasstes Diagnoseunterstützungsmodell für sein genutztes Diagnosesystem zur Verfügung bestellt, wobei das Trainieren der Modellparameter anhand von Feedbackdaten erfolgt, die auf den letzten aktuellen bzw. vom Arzt aktualisierten personenspezifischen Diagnose- und/oder Bildgebungsparametern aufsetzen. Solche Feedbackdaten wie auch das lernangepasste Diagnoseunterstützungsmodell werden zentral auf einem Cloudsystem zur Verfügung gestellt. Somit können mehrere Ärzte in derselben Klinik oder in unterschiedlichen Kliniken auf die Feedbackdaten und das Diagnoseunterstützungsmodell über ihr Diagnosesystem zugreifen. Somit wird ein nahtloser Wissensaustausch zwischen den Ärzten unterstützt und letztendlich der klinische Ablauf im Diagnoseprozess beschleunigt.
  • Weitere Vorteile, Einzelheiten und Weiterbildungen der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen in Verbindung mit den Zeichnungen.
  • Es zeigt
  • die Figur einen schematischen die Funktion eines solchen online-lernbasiert unterstützten Diagnosesystems.
  • Es kann ein inkrementell selbstoptimierendes, Maschinen-Lernsystem in einem Cloudsystem C verwendet werden, die klinische Bilddaten und ein Feedback bzw. eine Rückmeldungen in Form von Feedbackdaten F von Radiologen bzw. Ärzten verwendet, um automatisch ein Diagnoseunterstützungsmodell DM für ein von den Ärzten genutztes Diagnosesystem D lernbasiert zu erzeugen bzw. anzupassen. Das Maschinen-Lernsystem M kann als Lernsoftware ausgeprägt sein. Das Diagnosesystem D umfasst eine von Ärzten genutzte Software-Werkzeugbox, um pathologische und anatomische Strukturen in medizinischen Bilddaten zu erkennen, zu segmentieren und ggf. zu bearbeiten. Das Cloudsystem umfasst hierbei Serverkomponenten, die den Trainingsprozess als automatisches kontinuierlich ablaufendes Selbstlearnsystem unterstützten. Im klinischen Arbeitsablauf werden folgende Schritte angewendet:
    • 1. Der Radiologe bzw. Arzt startet das Diagnoseprogramm auf seinem Diagnosesystem und gibt direkt ein Feedback über die Benutzerschnittstelle des Diagnosesystems, ob die dort gezeigten Diagnoseergebnisse z.B. personenspezifische Diagnose- und/oder Bildgebungsparameter (z.B. bestimmtes Segment einer anatomischen Struktur zu einem bestimmten Patienten) korrekt und unkorrekt sind. Falls die Ergebnisse nicht korrekt sind, gibt der Arzt manuell eine Korrektur z.B. eine Segmentierung eines Organs oder Läsion o.ä. ein.
    • 2. Das Diagnosesystem stellt diese Korrektur in Form von Feedbackdaten F automatisch in einer anonymisierten und sicheren Art und Weise dem Cloudsystem z.B. durch einen Upload. Das Cloudsystem startet verschiedene Recheninstanzen I des Maschinen-Lernsystems M und trainiert das Diagnoseunterstützungsmodell auf der Basis von Trainingsdaten, die mit Hilfe der Feedbackdaten festgelegt werden. Das Festlegen der Trainingsdaten kann mit Hilfe von in den Feedbackdaten enthaltenen Klassifizierern geschehen. Zum Beispiel können die Trainingsbeispiele in bestimmte anatomische Strukturen umfassende und nicht umfassende Trainingsbeispiele klassifiziert werden, um daraus die Trainingsbeispiele auszuwählen, die letztendlich in die Trainingsdaten einfließen sollen. Die Recheninstanzen können dabei parallel die Modellparameter für das Diagnoseunterstützungsmodell (erneut) berechnen und ggf. optimieren.
    • 3. Danach wird das neu erzeugte bzw. Optimierte bzw. Angepasste Diagnoseunterstützungsmodell automatisch an das Diagnosesystem D geliefert. Es kann das Diagnoseunterstützungsmodell DM an alle Diagnosesysteme D, die mit dem Cloudsystem C über ein Netzwerk in Verbindung stehen, bereitgestellt werden. Das Netzwerk kann hierbei kabelgebunden oder kabellos über eine Funkschnittstelle ausgeprägt sein.
  • Sinnvoll ist es, wenn die Feedbackdaten bereitgestellt werden, die nachfolgenden Schritte zeitnah, möglichst in Echtzeit, an dieses Bereitstellen ausgeführt werden. Wenn weitere solche Korrekturen von Seiten des Arztes notwendig sind und weitere Feedbackdaten bereitgestellt werden sollte das oben dargestellte Festlegen der Trainingsdaten und das Training des Diagnoseunterstützungsmodells wiederholt werden, vorzugsweise solange, bis ein optimiertes Diagnoseunterstützungsmodell für das Diagnosesystem oder mehrere Diagnosesysteme bereitgestellt werden kann.
  • Obwohl die Erfindung im Detail durch das bevorzugte Ausführungsbeispiel näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.
  • Referenzen
    • [Domingos and Hulten, 2000] Domingos P., Hulten G. Mining high-speed data streams. In: Proc. KDD, Knowledge Discovery and Data Mining, 2000
  • [Babenko et al., 2009] Babenko B., Yang M.-H., Belongie S. Tracking with online multiple instance learning. In: Proc. CVPR 2009
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Nicht-Patentliteratur
    • Domingos and Hulten, 2000 [0008]
    • Babenko et al., 2009 [0010]
    • [Babenko et al., 2009] Babenko B., Yang M.-H., Belongie S. Tracking with online multiple instance learning. In: Proc. CVPR 2009 [0027]

Claims (13)

  1. Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells (DM) für zumindest ein Diagnosesystem (D), mit folgenden Verfahrensschritten: h) Bereitstellen von personenspezifischen Diagnose-und/oder Bildgebungsparametern an dem zumindest einem Diagnosesystem und i) Überprüfen derselben, ob eine Korrektur derselben notwendig ist, j) Bereitstellen von Feedbackdaten (F), die eine solche Korrektur der Diagnose- und/oder Bildgebungsparameter repräsentieren, falls eine solche Korrektur notwendig ist, k) und speichern derselben in einem über ein Netzwerk zugänglichen zentralen Cloudsystem (C), l) Festlegen von Trainingsdaten anhand der Feedbackdaten, m) Erzeugen eines neuen und/oder Anpassen eines bereits vorhandenen lernbasierten Diagnoseunterstützungsmodells mit Hilfe der Trainingsdaten, n) Bereitstellen des erzeugten und/oder angepassten Diagnoseunterstützungsmodell für das zumindest eine Diagnosesystem.
  2. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass zum Erzeugen eines und/oder Anpassen eines bereits vorhandenen Diagnoseunterstützungsmodells mehrere Recheninstanzen (I) in dem Cloudsystem (C) parallel gestartet werden, die anhand der Trainingsdaten die das Diagnoseunterstützungsmodells (DM) definierenden Modellparameter neu berechnen oder anpassen.
  3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zum Festlegen der Trainingsdaten anhand der Feedbackdaten (F) Klassifizierer verwendet werden.
  4. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass die Feedbackdaten (F) die Klassifizierer umfassen.
  5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Feedbackdaten (F) in einem maschinenlesbaren Format (z.B. XML) bereitgestellt werden.
  6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass, wenn weitere Korrekturen notwendig sind, weitere Feedbackdaten bereitgestellt werden und die Schritte d) bis g) des Anspruchs 1 wiederholt werden, bis ein optimiertes Diagnoseunterstützungsmodell (DM) für das zumindest eine Diagnosesystem (D) bereitgestellt werden kann.
  7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Cloudsystem (C) ständig über das Netzwerk zur Verfügung steht.
  8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass, wenn Feedbackdaten (F) bereitgestellt werden, die Schritten d) bis g) des Anspruchs 1 zeitnah an dieses Bereitstellen ausgeführt werden.
  9. Cloudsystem (C) aufweisend folgende Mittel: – zum Erhalt von Feedbackdaten (F), die eine Korrektur von Diagnose- und/oder Bildgebungsparameter repräsentieren, falls eine solche Korrektur notwendig ist, – zum Speichern derselben, – zum Festlegen von Trainingsdaten anhand der Feedbackdaten (F), – zum Erzeugen eines neuen und/oder Anpassen eines bereits vorhandenen lernbasierten Diagnoseunterstützungsmodells (DM) mit Hilfe der Trainingsdaten und – zum Bereitstellen des erzeugten und/oder angepassten Diagnoseunterstützungsmodell (DM) für zumindest ein über ein Netzwerk verbundenes Diagnosesystem (D).
  10. Cloudsystem (C) nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass zum Erzeugen eines und/oder Anpassen eines bereits vorhandenen Diagnoseunterstützungsmodells mehrere Recheninstanzen (I) parallel gestartet werden können, die anhand der Trainingsdaten die das Diagnoseunterstützungsmodells definierenden Modellparameter neu berechnen oder anpassen.
  11. Cloudsystem (C) nach einem der vorhergehenden Systemansprüche, dadurch gekennzeichnet, dass zum Festlegen der Trainingsdaten anhand der Feedbackdaten (F) Klassifizierer verwendet werden können.
  12. Cloudsystem (C) nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass die Feedbackdaten die Klassifizierer umfassen.
  13. Cloudsystem (C) nach einem der vorhergehenden Systemansprüche, dadurch gekennzeichnet, dass die Feedbackdaten (F) in einem maschinenlesbaren Format (z.B. XML) bereitgestellt sind.
DE102014226824.9A 2014-12-22 2014-12-22 Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem Withdrawn DE102014226824A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102014226824.9A DE102014226824A1 (de) 2014-12-22 2014-12-22 Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102014226824.9A DE102014226824A1 (de) 2014-12-22 2014-12-22 Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem

Publications (1)

Publication Number Publication Date
DE102014226824A1 true DE102014226824A1 (de) 2016-06-23

Family

ID=56097717

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102014226824.9A Withdrawn DE102014226824A1 (de) 2014-12-22 2014-12-22 Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem

Country Status (1)

Country Link
DE (1) DE102014226824A1 (de)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3321831A1 (de) * 2016-11-14 2018-05-16 Carl Zeiss Vision International GmbH Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten subjektiven korrektionsdaten und computerprogramm
DE102017215829A1 (de) * 2017-09-07 2018-12-06 Siemens Healthcare Gmbh Verfahren und Datenverarbeitungseinheit zum Ermitteln von Klassifikationsdaten für eine Adaption eines Untersuchungsprotokolls
CN111798439A (zh) * 2020-07-11 2020-10-20 大连东软教育科技集团有限公司 线上线下融合的医疗影像质量判读方法、系统及存储介质
US10872699B2 (en) 2016-03-25 2020-12-22 Siemens Healthcare Gmbh Case-based reasoning in the cloud using deep learning

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050020903A1 (en) * 2003-06-25 2005-01-27 Sriram Krishnan Systems and methods for automated diagnosis and decision support for heart related diseases and conditions
WO2010061389A1 (en) * 2008-11-28 2010-06-03 Siemens Israel Ltd. Medical imaging with accessible computer assisted detection
DE102011002928A1 (de) * 2011-01-20 2012-07-26 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Konfiguration einer medizinischen Bildgebungsvorrichtung
US20120257804A1 (en) * 2007-05-15 2012-10-11 Three Palm Software Communicative cad system for assisting breast imaging diagnosis
US20120283574A1 (en) * 2011-05-06 2012-11-08 Park Sun Young Diagnosis Support System Providing Guidance to a User by Automated Retrieval of Similar Cancer Images with User Feedback
US8548828B1 (en) * 2012-05-09 2013-10-01 DermTap Method, process and system for disease management using machine learning process and electronic media
US8873836B1 (en) * 2012-06-29 2014-10-28 Emc Corporation Cluster-based classification of high-resolution data

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050020903A1 (en) * 2003-06-25 2005-01-27 Sriram Krishnan Systems and methods for automated diagnosis and decision support for heart related diseases and conditions
US20120257804A1 (en) * 2007-05-15 2012-10-11 Three Palm Software Communicative cad system for assisting breast imaging diagnosis
WO2010061389A1 (en) * 2008-11-28 2010-06-03 Siemens Israel Ltd. Medical imaging with accessible computer assisted detection
DE102011002928A1 (de) * 2011-01-20 2012-07-26 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Konfiguration einer medizinischen Bildgebungsvorrichtung
US20120283574A1 (en) * 2011-05-06 2012-11-08 Park Sun Young Diagnosis Support System Providing Guidance to a User by Automated Retrieval of Similar Cancer Images with User Feedback
US8548828B1 (en) * 2012-05-09 2013-10-01 DermTap Method, process and system for disease management using machine learning process and electronic media
US8873836B1 (en) * 2012-06-29 2014-10-28 Emc Corporation Cluster-based classification of high-resolution data

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
[Babenko et al., 2009] Babenko B., Yang M.-H., Belongie S. Tracking with online multiple instance learning. In: Proc. CVPR 2009
[Domingos and Hulten, 2000] Domingos P., Hulten G. Mining high-speed data streams. In: Proc. KDD, Knowledge Discovery and Data Mining, 2000
Domingos and Hulten, 2000

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10872699B2 (en) 2016-03-25 2020-12-22 Siemens Healthcare Gmbh Case-based reasoning in the cloud using deep learning
EP3321831A1 (de) * 2016-11-14 2018-05-16 Carl Zeiss Vision International GmbH Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten subjektiven korrektionsdaten und computerprogramm
WO2018087002A1 (de) 2016-11-14 2018-05-17 Carl Zeiss Vision International Gmbh Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten korrektionswerten und computerprogramm
JP2019533516A (ja) * 2016-11-14 2019-11-21 カール ツァイス ヴィジョン インターナショナル ゲーエムベーハー 予測自覚屈折データまたは予測矯正値を確定するための装置およびコンピュータプログラム
DE102017215829A1 (de) * 2017-09-07 2018-12-06 Siemens Healthcare Gmbh Verfahren und Datenverarbeitungseinheit zum Ermitteln von Klassifikationsdaten für eine Adaption eines Untersuchungsprotokolls
CN111798439A (zh) * 2020-07-11 2020-10-20 大连东软教育科技集团有限公司 线上线下融合的医疗影像质量判读方法、系统及存储介质

Similar Documents

Publication Publication Date Title
DE112019000708T5 (de) System zur segmentierung anatomischer strukturen bei der herz-cta unter verwendung vollständiger convolutional neural networks
Banar et al. Towards fully automated third molar development staging in panoramic radiographs
DE102007007190A1 (de) Vorhersagende Planung bei der behandelnden Medizin
DE112016004534T5 (de) Nicht überwachtes Abgleichen in feinkörnigen Datensätzen zur Einzelansicht-Objektrekonstruktion
DE102014226824A1 (de) Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem
DE112010003251T5 (de) Medizinische Diagnoseunterstützungsvorrichtung, Verfahren zur Steuerung einer medizinischen Diagnoseunterstützungsvorrichtung und Programm
DE102016203546A1 (de) Analysator zur verhaltensanalyse und parametrisierung von neuronaler stimulation
DE102019215460A1 (de) Verfahren und Vorrichtung zur Rauschreduktion von Bildaufnahmen
DE102007020364A1 (de) Bereitstellen eines medizinischen Berichtes
DE112014001122T5 (de) Systeme und Verfahren zum Entwickeln und Verwalten von Onkologie-Behandlungsplänen
EP1611538A2 (de) Verfahren und anordnung zur automatischen aufbereitung und auswertung medizinischer daten
DE202019102730U1 (de) Lernmaschine für intelligente Kommunikation und Analyse
DE102013202825A1 (de) Verfahren und System zur Darstellung medizinischer Inhalte
US8762171B2 (en) Medical resource estimation and simulation system
EP4016543A1 (de) Verfahren und vorrichtung zur bereitstellung einer medizinischen information
DE102009009385A1 (de) Verfahren zum Verwalten und/oder Verarbeiten von medizinischen Bilddaten
DE202015003281U1 (de) System zur individualisierten Preisgestaltung für die Gesundheitspflege
EP3629247A1 (de) Verfahren zum anpassen eines verbindungsgewichts und verbindungsgewichtsanpassungseinheit
EP3739592A1 (de) Dezentralisiert gesteuerte bildgebungsbasierte patientendatengewinnung
WO2016012040A1 (de) Verfahren und datenverarbeitungssystem zur datenerhebung für eine klinische studie
DE102013206754A1 (de) Verfahren zum Bearbeiten von Daten und zugehörige Datenverarbeitungsanlage oder Datenverarbeitungsanlagenverbund
DE102020210709A1 (de) Computersystem und verfahren zur gleichzeitigen verbesserung und codierung von klinischen dokumenten
Martínez-Salvador et al. Using SNOMED CT expression constraints to bridge the gap between clinical decision-support systems and electronic health records
DE102008007878A1 (de) Managementsystem und -Verfahren zum Klonen von Objekten
Filatova et al. Developing an informational model of instrumental examination

Legal Events

Date Code Title Description
R163 Identified publications notified
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee