DE102015212953A1 - Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen - Google Patents

Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen Download PDF

Info

Publication number
DE102015212953A1
DE102015212953A1 DE102015212953.5A DE102015212953A DE102015212953A1 DE 102015212953 A1 DE102015212953 A1 DE 102015212953A1 DE 102015212953 A DE102015212953 A DE 102015212953A DE 102015212953 A1 DE102015212953 A1 DE 102015212953A1
Authority
DE
Germany
Prior art keywords
image data
medical
medical image
metadata
neural network
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
DE102015212953.5A
Other languages
English (en)
Inventor
Bernd Schweizer
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 Healthineers Ag De
Original Assignee
Siemens Healthcare GmbH
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 Healthcare GmbH filed Critical Siemens Healthcare GmbH
Priority to DE102015212953.5A priority Critical patent/DE102015212953A1/de
Priority to CN201610506686.0A priority patent/CN106339571B/zh
Priority to US15/205,105 priority patent/US20170011185A1/en
Publication of DE102015212953A1 publication Critical patent/DE102015212953A1/de
Pending 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Abstract

Die Erfindung betrifft ein Verfahren zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz, eine erste Recheneinheit zur Ausführung des Verfahrens zur Zuordnung des Metadateneintrags zu dem medizinischen Bilddatensatz, ein Verfahren zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes und eine zweite Recheneinheit zur Ausführung des Verfahrens zum Bereitstellen des trainierten künstlichen neuronalen Netzes.

Description

  • Die Erfindung betrifft ein Verfahren zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz, eine erste Recheneinheit zur Ausführung des Verfahrens zur Zuordnung des Metadateneintrags zu dem medizinischen Bilddatensatz, ein Verfahren zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes und eine zweite Recheneinheit zur Ausführung des Verfahrens zum Bereitstellen des trainierten künstlichen neuronalen Netzes.
  • Medizinische Bildgebungsgeräte, beispielsweise ein Magnetresonanzgerät, ein Einzelphotonenemissionstomographie-Gerät (SPECT-Gerät), ein Positronen-Emissions-Tomographie-Gerät (PET-Gerät), ein Computertomograph, ein Ultraschall-Gerät, ein Röntgengerät, ein C-Bogen-Gerät, oder ein kombiniertes medizinisches Bildgebungsgerät, welches eine beliebige Kombination aus mehreren der genannten Bildgebungsmodalitäten umfasst, sind zum Erzeugen von einem medizinischen Bilddatensatz geeignet.
  • Die medizinischen Bildgebungsgeräte erzeugen dabei typischerweise große Mengen an medizinischen Bilddatensätzen. Ein effizientes Management und/oder eine effiziente Weiterverarbeitung dieser medizinischen Bilddatensätze, beispielsweise in einer Klinik, stellt Anforderungen an ein Erkennen und/oder Klassifizieren dieser medizinischen Bilddatensätze.
  • Eine bekannte Möglichkeit zur Klassifizierung von einem medizinischen Bilddatensatz umfasst eine Auswertung von dem medizinischen Bilddatensatz zugewiesenen Metainformationen. Metainformationen, die dem medizinischen Bilddatensatz zugewiesen sind, umfassen typischerweise zumindest eine Metadatenklasse, wobei jeder Metadatenklasse der zumindest einen Metadatenklasse mehrere Metadateneinträge, welche Merkmale von medizinischen Bilddaten charakterisieren, zugeordnet ist.
  • Zum Teil sind die Metainformationen bereits dem medizinischen Bilddatensatz zugewiesen und in einem DICOM-Header und/oder in Form von Teil-Strings eines Seriennames des medizinischen Bilddatensatzes abgespeichert sein. Eine Klassifizierung des medizinischen Bilddatensatzes anhand der im DICOM-Header und/oder im Seriennamen vorliegenden Metainformationen hat allerdings in vielen praktischen Fällen Limitierungen. Beispielsweise ist eine Suche nach anatomischen Informationen im Seriennamen des medizinischen Bilddatensatzes typischerweise von einer Namenskonvention der Klinik und/oder von der Landessprache und/oder vom verwendeten Scanner-Typ abhängig und daher oftmals unzuverlässig. Ebenso kann an einigen Stellen ein Auslesen von Metainformationen aus dem DICOM-Header des medizinischen Bilddatensatzes nicht verlässlich sein, weil beispielsweise manche Einträge im DICOM-Header nicht gefüllt sind und/oder sogenannte private DICOM-Tags verwendet werden, welche Hersteller- und/oder Versions-abhängig sind.
  • Der Erfindung liegt die Aufgabe zu Grunde, eine verbesserte Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz bzw. ein verbessertes Training eines künstlichen neuronalen Netzes zu ermöglichen. Die Aufgabe wird durch die Merkmale der unabhängigen Ansprüche gelöst. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen beschrieben.
  • Das erfindungsgemäße Verfahren zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz umfasst folgende Verfahrensschritte:
    • – Festlegen von einer Metadatenklasse, umfassend mehrere Metadateneinträge, welche Merkmale von medizinischen Bilddaten charakterisieren,
    • – Bereitstellen von einem trainierten künstlichen neuronalen Netz,
    • – Erfassen von einem zu klassifizierenden medizinischen Bilddatensatz und
    • – Klassifizierung des medizinischen Bilddatensatzes unter Anwendung des trainierten künstlichen neuronalen Netzes auf einen Bildinhalt des medizinischen Bilddatensatzes, wobei die Klassifizierung des medizinischen Bilddatensatzes umfasst, dass bezüglich der Metadatenklasse dem medizinischen Bilddatensatz ein Metadateneintrag der mehreren Metadateneinträge zugeordnet wird.
  • Die mehreren Metadateneinträge, welche zu den der Metadatenklasse gruppiert sind, bilden insbesondere Metainformationen, auch Metadaten genannt, welche Informationen über Merkmale des medizinischen Bilddatensatzes enthalten. Die Metadatenklasse bildet demnach eine übergeordnete Struktur, welcher die mehreren Metadateneinträge zugeordnet sind. Während typischerweise der medizinische Bilddatensatz stets hinsichtlich der Metadatenklasse klassifiziert werden kann, charakterisiert meistens nur ein Metadateneintrag der mehreren Metadateneinträge, manchmal auch mehr als ein Metadateneintrag der mehreren Metadateneinträge, Merkmale des medizinischen Bilddatensatzes passend. Die Klassifizierung des medizinischen Bilddatensatzes erfolgt dann hinsichtlich der Metadatenklasse derart, dass zumindest ein Metadateneintrag der mehreren Metadateneinträge, welche der Metadatenklasse angehören, dem medizinischen Bilddatensatz zugeordnet wird. Die Metadateneinträge stellen demnach insbesondere Kategorien dar, in welche der medizinische Bilddatensatz einsortiert werden kann. Beispiele für mögliche Metadatenklassen mit zugehörigen Metadateneinträgen werden in einem der folgenden Abschnitte bereitgestellt.
  • Zur Verdeutlichung sei nur ein mögliches Beispiel genannt: Als Metadatenklasse wird exemplarisch eine Orientierung, in welcher der medizinische Bilddatensatz in Bezug auf ein Untersuchungsobjekt aufgenommen wurde, gewählt. Die Metadatenklasse Orientierung hat dabei drei Metadateneinträge: axial, coronal und sagittal. Eine Klassifizierung des medizinischen Bilddatensatzes hinsichtlich der Metadatenklasse Orientierung wird demnach eine Zuordnung eines der drei Metadateneinträge, also von axial, coronal oder sagittal, zu dem medizinischen Bilddatensatz ergeben. Dieser Überlegung liegt die Tatsache zugrunde, dass typischerweise der medizinische Bilddatensatz mit nur einer einzelnen Orientierung der drei möglichen Orientierungen aufgenommen wird.
  • Ein künstliches neuronales Netz (KNN, englisch artificial neural network – ANN) ist insbesondere ein in einem Rechenprogramm nachgebildetes Netz aus künstlichen Neuronen. Das künstliche neuronale Netz basiert dabei typischerweise auf einer Vernetzung von mehreren künstlichen Neuronen. Die künstlichen Neuronen sind dabei typischerweise auf verschiedenen Schichten (layers) angeordnet. Üblicherweise umfasst das künstliche neuronale Netz eine Eingangsschicht und eine Ausgabeschicht (output layer), deren Neuronenausgabe als einzige des künstlichen neuronalen Netzes sichtbar wird. Zwischen der Eingangsschicht und der Ausgabeschicht liegende Schichten werden typischerweise als verdeckte Schichten (hidden layer) bezeichnet. Typischerweise wird zunächst eine Architektur und/oder Topologie eines künstlichen neuronalen Netzes initiiert und dann in einer Trainingsphase für eine spezielle Aufgabe oder für mehrere Aufgaben in einer Trainingsphase trainiert. Das Training des künstlichen neuronalen Netzes umfasst dabei typischerweise eine Veränderung einer Gewichtung einer Verbindung zwischen zwei künstlichen Neuronen des künstlichen neuronalen Netzes. Das Training des künstlichen neuronalen Netzes kann auch eine Entwicklung von neuen Verbindungen zwischen künstlichen Neuronen, ein Löschen von bestehenden Verbindungen zwischen künstlichen Neuronen, ein Anpassen von Schwellwerten der künstlichen Neuronen und/oder ein Hinzufügen oder ein Löschen von künstlichen Neuronen umfassen. Zwei unterschiedliche trainierte künstliche neuronale Netze können so, obwohl sie beispielsweise die gleiche Architektur und/oder Topologie aufweisen, unterschiedliche Aufgaben durchführen.
  • Ein Beispiel für ein künstliches neuronales Netzwerk ist ein flaches künstliches neuronales Netzwerk (shallow neural network), welches oft nur eine einzelne verdeckte Schicht zwischen der Eingabeschicht und der Ausgabeschicht enthalten und damit relativ einfach zu trainieren ist. Ein weiteres Beispiel ist ein tiefes künstliches neuronales Netzwerk (deep neural network), welches zwischen der Eingangsschicht und der Ausgabeschicht mehrere (beispielsweise bis zu zehn) verschachtelte verdeckte Schichten von künstlichen Neuronen enthält. Das tiefe künstliche neuronale Netzwerk ermöglicht dabei eine verbesserte Erkennung von Mustern und komplexen Zusammenhängen. Weiterhin kann ein gefaltetes tiefes künstliches neuronales Netz (convolutional deep neural network) für die Klassifizierungsaufgabe gewählt werden, welches zusätzlich Faltungsfilter, beispielsweise Kantenfilter, einsetzt.
  • Es wird nun vorgeschlagen, dass ein derart trainiertes künstliches neuronales Netz für die Klassifizierung des medizinischen Bilddatensatzes gewählt wird, dass es eine Zuordnung von dem Metadateneintrag zu dem medizinischen Bilddatensatz hinsichtlich der Metadatenklasse ermöglicht. Das trainierte künstliche neuronale Netz kann dabei für eine spezielle Trainingsaufgabe trainiert sein, beispielsweise lediglich zur Klassifizierung des medizinischen Bilddatensatzes hinsichtlich einer einzelnen Metadatenklasse geeignet sein. Dann wird man in der Praxis typischerweise verschiedene künstliche neuronale Netze nebeneinander aufsetzen, welche Klassifizierungen nach unterschiedlichen Metadatenklassen durchführen. Das trainierte künstliche neuronale Netz kann allerdings möglicherweise auch Klassifizierungen auf hinsichtlich verschiedenen Metadatenklassen gleichzeitig durchführen. Im vorliegenden Verfahren wird insbesondere ein bereits trainiertes künstliches neuronales Netz für die Klassifizierung des medizinischen Bilddatensatzes bereitgestellt. Das Training des künstlichen neuronalen Netzes kann dabei mittels mehreren medizinischen Trainingsbilddatensätzen durchgeführt worden sein. Verschiedene Möglichkeiten zum Training des künstlichen neuronalen Netzes sind in einem der folgenden Abschnitte beschrieben. Vorteilhafterweise kann das künstliche neuronale Netz mittels eines in einem der folgenden Abschnitte beschriebenen erfindungsgemäßen Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes trainiert werden.
  • Das Erfassen des zu klassifizierenden medizinischen Bilddatensatzes kann ein Aufnehmen des zu klassifizierenden medizinischen Bilddatensatzes mittels eines medizinischen Bildgebungsgeräts oder ein Laden des zu klassifizierenden medizinischen Bilddatensatzes aus einer Datenbank umfassen. Dem zu klassifizierenden medizinischen Bilddatensatz ist insbesondere hinsichtlich der Metadatenklasse noch kein Metadateneintrag und/oder ein möglicherweise falscher Metadateneintrag zugeordnet. Der zu klassifizierende medizinische Bilddatensatz weist einen Bildinhalt auf, welcher insbesondere eine zweidimensionale, dreidimensionale oder vierdimensionale (bei Zeitreihenuntersuchungen) Matrix von Intensitätswerten, welche beispielsweise anatomische Strukturen eines Untersuchungsobjekts darstellen, umfasst. Der Metadateneintrag, welcher dem medizinischen Bilddatensatz bei der Klassifizierung zugeordnet wird, kann abschließend insbesondere bereitgestellt werden, d.h. auf einer Ausgabeeinheit ausgegeben werden und/oder in einer Datenbank, insbesondere als Metainformation zu dem medizinischen Bilddatensatz, beispielsweise in einem DICOM-Header des medizinischen Bilddatensatzes, abgespeichert werden.
  • Die Klassifizierung des medizinischen Bilddatensatzes erfolgt insbesondere ausschließlich auf Grundlage des Bildinhalts des medizinischen Bilddatensatzes. Derart kann die Klassifizierung des medizinischen Bilddatensatzes vorteilhafterweise unabhängig von Metainformationen, welche möglicherweise bereits dem medizinischen Bilddatensatz zugeordnet sind, erfolgen. Der Bildinhalt des medizinischen Bilddatensatzes kann derart als Eingabeinformation in das trainierte künstliche neuronale Netz eingespeist werden. Das künstliche neuronale Netz kann dann als Ausgabe, insbesondere als Ausgabe der künstlichen Neuronen der Ausgabeschicht, zumindest einen Metadateneintrag der mehreren Metadateneinträge, welche der Metadatenklasse zugewiesen sind, dem medizinischen Bilddatensatz zuordnen. Diesem Vorgehen liegt insbesondere die Überlegung zugrunde, dass die Metainformationen über den medizinischen Bilddatensatz üblicherweise aus dem Bildinhalt des medizinischen Bilddatensatzes ausgelesen werden können. So wie für einen menschlichen Betrachter allein anhand des Bildinhalts des medizinischen Bilddatensatzes feststellbar ist, mit welcher Bildgebungsmodalität und/oder in welche Orientierung der medizinische Bilddatensatz aufgenommen worden ist, welche Körperregion der medizinische Bilddatensatz abbildet oder ob der Bildinhalt des medizinischen Bilddatensatzes Artefakte aufweist, so kann das entsprechend trainierte künstliche neuronale Netz diese Informationen ebenfalls allein auf Grundlage des Bildinhalts des medizinischen Bilddatensatzes extrahieren.
  • Mittels der vorgeschlagenen Methode kann die Klassifizierung des medizinischen Bilddatensatzes mit einem relativ generischen Ansatz unter Verwendung des trainierten künstlichen neuronalen Netzes durchgeführt werden. Hierbei kann eine Fähigkeit des künstlichen neuronalen Netzes zur Abstraktion der Bildinhalte des medizinischen Bilddatensatzes optimal ausgenutzt werden. Eine Verwendung eines speziell auf einen Anwendungsfall ausgerichteten Algorithmus, beispielsweise eines eigens für die Klassifizierung hinsichtlich der Metadatenklasse entworfenen Merkmalsdetektors, ist insbesondere nicht nötig. Vielmehr muss lediglich ein, insbesondere mit passenden Bildbeispielen, trainiertes künstliches neuronales Netz für die Klassifizierung bereitgestellt werden. Mittels des vorgeschlagenen Vorgehens kann besonders einfach ein Lexikon von Metainformationen zu dem medizinischen Bilddatensatz bzw. zu mehreren medizinischen Bilddatensätzen automatisch mittels des trainierten künstlichen neuronalen Netzes aufgebaut werden.
  • Die Klassifizierung des medizinischen Bilddatensatzes kann für vielfältige Anwendungsfälle eingesetzt werden, auf welche in einem der folgenden Abschnitte noch genauer eingegangen wird. Beispiele für solche Anwendungsfälle sind:
    • – ein Starten von automatischen Vorverarbeitungsschritten abhängig von einem Bildtyp und/oder einer untersuchten Körperregion des medizinischen Bilddatensatzes,
    • – eine automatische Anordnung von Bildserien in einer Nachverarbeitung des medizinischen Bilddatensatzes,
    • – eine Identifikation von Artefakten im medizinischen Bilddatensatz,
    • – ein Erstellen von Nutzungsstatistiken, möglicherweise übergreifend über verschiedene Modelle von medizinischen Bildgebungsgeräten hinweg,
    • – eine Ausgabe eines Hinweises an ein Servicepersonal, möglicherweise ein Auslösen von Remote-Service-Aktionen, usw.
  • Eine Ausführungsform des Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz sieht vor, dass die Metadatenklasse aus folgender Liste ausgewählt wird: eine Körperregion, welche im medizinischen Bilddatensatz abgebildet wird, eine Orientierung des medizinischen Bilddatensatzes, eine Bildgebungsmodalität, mittels welcher der medizinische Bilddatensatz aufgenommen ist, ein Protokolltyp, mittels welcher der medizinische Bilddatensatz aufgenommen ist, eine Art von Bildstörungen, welche im medizinischen Bilddatensatz auftreten. Die Metadatenklasse Körperregion kann dabei als beispielhafte Metadateneinträge verschiedene Körperregionen des Untersuchungsobjekts umfassen. So sind denkbare Metadateneinträge für die Metadatenklasse Körperregion eine Kopfregion, eine Thoraxregion, eine Abdomenregion, eine Beinregion, usw. Die Metadatenklasse Orientierung umfasst insbesondere die Metadateneinträge axial, coronal und sagittal. Die Metadatenklasse Bildgebungsmodalität kann als Metadateneinträge verschiedene mögliche medizinische Bildgebungsmodalitäten umfassen, wie beispielsweise eine Magnetresonanz-Bildgebung, eine Computertomographie-Bildgebung, eine PET-Bildgebung, usw. Die Metadatenklasse Protokolltyp kann verschiedene mögliche Protokolle, mittels welcher der medizinische Bilddatensatz aufgenommen werden kann, umfassen. Mögliche Protokolle sind dabei, insbesondere im Bereich der Magnetresonanz-Bildgebung, ein Spinecho-Protokoll, ein Gradientenecho-Protokoll, usw. Derart kann bei der Magnetresonanz-Bildgebung eine Klassifikation hinsichtlich dem zur Aufnahme des medizinischen Bilddatensatzes verwendeten Sequenztyps erfolgen. Die Metadatenklasse Bildstörungen kann dabei als einen ersten Metadateneintrag umfassen, dass keine Bildstörungen im medizinischen Bilddatensatz vorliegen. Ein zweiter denkbarer Metadateneintrag der Metadatenklasse Bildstörungen ist dabei, dass Bildstörungen im medizinischen Bilddatensatz vorliegen. Es ist auch denkbar, dass konkret im medizinischen Bilddatensatz auftretende Bildstörungen, wie beispielsweise Metallartefakte, abgeschnittene Arme, usw. separate Metadateneinträge bilden. Die genannten Metadatenklassen, welche die genannten Metdateneinträge umfassen, stellen vorteilhafte Möglichkeiten dar, wie der medizinische Bilddatensatz besonders aussagekräftig klassifiziert werden kann. Selbstverständlich sind noch andere Metadatenklassen, hinsichtlich derer eine Klassifizierung des medizinischen Bilddatensatzes mittels des künstlichen neuronalen Netzes erfolgen kann denkbar. Es ist auch denkbar, dass die genannten Metadatenklasse noch weitere mögliche Metdateneinträge umfassen.
  • Eine Ausführungsform des Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz sieht vor, dass der medizinische Bilddatensatz anhand des dem medizinischen Bilddatensatz zugeordneten Metadateneintrags auf einer Darstellungsoberfläche einer Anzeigeeinheit dargestellt wird. Derart kann automatisch eine auf den dem medizinischen Bilddatensatz zugeordneten Metadateneintrag optimierte Darstellung des medizinischen Bilddatensatzes erfolgen. Beispielsweise kann mittels des künstlichen neuronalen Netzes eine Orientierung des medizinischen Bilddatensatzes erkannt werden und anhand der erkannten Orientierung die Darstellung des medizinischen Bilddatensatzes erfolgen. Gerade bei der Magnetresonanz-Bildgebung, bei welcher von einem einzelnen Untersuchungsobjekts eine hohe Anzahl an aufgenommenen medizinischen Bilddatensätzen vorliegt, kann die automatische Klassifizierung mittels des künstlichen neuronalen Netzes eine optimierte Darstellung der medizinischen Bilddatensätze ermöglichen. Das künstliche neuronale Netz kann im Fall der Magnetresonanz-Bildgebung beispielsweise automatisch eine Orientierung der medizinischen Bilddatensätze und/oder eine Anwesenheit eines Kontrastmittels bei der Bildgebung erkennen, und darauf abgestimmt dann eine Darstellung der medizinischen Bilddatensätze auf der Anzeigeeinheit durchführen. Dabei bietet sich vor allem eine Darstellung in mehreren Darstellungssegmenten an, welche im folgenden Abschnitt genauer beschrieben wird.
  • Eine Ausführungsform des Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz sieht vor, dass die Darstellungsoberfläche mehrere Darstellungssegmente umfasst, wobei ein Darstellungssegment der mehreren Darstellungssegmente anhand des dem medizinischen Bilddatensatz zugeordneten Metadateneintrags ausgewählt wird und der medizinische Bilddatensatz in dem ausgewählten Darstellungssegment dargestellt wird. Dieses Vorgehen ist insbesondere dann vorteilhaft, wenn mehrere medizinische Bilddatensätze, welchen unterschiedliche Metadateneinträge zugeordnet worden sind, auf der Darstellungsoberfläche angezeigt werden sollen. Ein Darstellungssegment kann dabei ein Fenster in der Darstellungsoberfläche darstellen. Für die Darstellungssegmente können Metadateneinträge festgelegt werden, so dass lediglich die Darstellung von solchen medizinischen Bilddatensätzen in dem Darstellungssegment erfolgt, welchen der jeweilige Metadateneintrag zugeordnet worden ist. Derart ist eine Konfiguration der Darstellungsoberfläche möglich, welche, insbesondere für verschiedene Untersuchungsobjekte, eine standardisierte Darstellung des medizinischen Bilddatensatzes ermöglicht. Es können auf diese Weise immer die gleichen Darstellungssegmente mit den gleichen Bildinformationen befüllt werden. Die Befüllung der Darstellungssegmente mit den passenden medizinischen Bilddatensätzen kann mittels des vorgeschlagenen Vorgehens vorteilhafterweise unabhängig von einem Seriennamen und/oder Metainformationen in einem DICOM-Header der medizinischen Bilddatensätze durchgeführt werden. Dafür können die medizinischen Bilddatensätze vor der Darstellung auf der Darstellungsoberfläche mittels des trainierten künstlichen neuronalen Netzes ausschließlich anhand ihrer Bildinformation analysiert und klassifiziert werden und dann anhand der zugeordneten Metadateneinträge in den passenden Darstellungssegmenten angezeigt werden.
  • Eine Ausführungsform des Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz sieht vor, dass die Darstellungsoberfläche ein Eingabefeld für einen Benutzer umfasst, wobei die Darstellung des medizinischen Bilddatensatzes auf der Darstellungsoberfläche anhand einer Benutzereingabe des Benutzers in das Eingabefeld und eines Vergleichs der Benutzereingabe mit dem Metadateneintrag, welcher dem medizinischen Bilddatensatz zugeordnet ist, erfolgt. Die Benutzereingabe kann beispielsweise eine Texteingabe sein und das Eingabefeld kann als Texteingabefeld ausgebildet sein. Die Texteingabe des Benutzers kann dann mit einem Textstring verglichen werden, welcher dem Metadateneintrag zugewiesen ist. Alternativ kann die Benutzereingabe auch eine Auswahl des Metadateneintrags aus einem Auswahlmenü umfassen. Derart kann der Benutzer besonders einfach mittels seiner Eingabe medizinische Bilddatensätze zur Darstellung auf der Darstellungsoberfläche auswählen. Insbesondere ist so auch ein Befüllen der im vorhergehenden Abschnitt beschriebenen Darstellungssegmente mit den passenden medizinischen Bilddatensätzen intuitiv nach den Wünschen des Benutzers möglich. Der Benutzer kann so besonders einfach festlegen, in welchen Darstellungssegmenten der Darstellungsoberfläche eine bestimmte Art von medizinischen Bilddatensätzen angezeigt werden soll.
  • Eine Ausführungsform des Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz sieht vor, dass mehrere medizinische Bilddatensätze mittels des trainierten künstlichen neuronalen Netzes klassifiziert werden, wobei den mehreren medizinischen Bilddatensätzen jeweils zumindest ein Metadateneintrag der mehreren Metadateneinträge zugeordnet werden, wobei eine statische Auswertung der mehreren medizinischen Bilddatensätze anhand der den mehreren medizinischen Bilddatensätzen zugeordneten Metadateneinträge erfolgt. Besonders vorteilhaft ist hierbei eine Auswertung einer Häufigkeit einer Zuordnung von bestimmten Metadateneinträgen der mehreren Metadateneinträge, wie noch genauer im folgenden Absatz beschrieben. Beispielsweise können mittels des vorgeschlagenen Vorgehens mehrere medizinische Bilddatensätze für verschiedene Fragestellungen automatisch ausschließlich anhand ihres Bildinhalts ausgewertet werden. Mittels des künstlichen neuronalen Netzes kann eine solche Klassifizierung, welche die statistische Auswertung der Metadateneinträge ermöglicht, besonders einfach und/oder robust durchgeführt werden. Derart können einem Radiologen und/oder einem Klinikmanagement besonders einfach wertvolle Hinweise auf eine Auslastungssituation der medizinischen Bildgebungsgeräte und/oder einen erreichten Qualitätsstandard gegeben werden. Für eine Auswertung erforderliche neue Klassifikationsprobleme können auch in einer bestimmten Klinik durch Training mit ausreichend Bildmaterial gelöst werden. Eine Entwicklung dedizierter Algorithmen für jedes neue Klassifikationsproblem kann besonders vorteilhaft entfallen. Die Implementierung eines künstlichen neuronalen Netzes in einer technischen Infrastruktur vor Ort in einer Klinik kann derart eine flexible Lösung für neue Klassifikationsanforderungen bieten.
  • Eine Ausführungsform des Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz sieht vor, dass bei der Klassifizierung der mehreren medizinischen Bilddatensätze einer ersten Menge mit einer ersten Anzahl an ersten medizinischen Bilddatensätzen der mehreren medizinischen Bilddatensätze ein erster Metadateneintrag zugeordnet wird und einer zweiten Menge mit einer zweiten Anzahl an zweiten medizinischen Bilddatensätzen der mehreren medizinischen Bilddatensätze ein zweiter Metadateneintrag zugeordnet wird, wobei die statistische Auswertung umfasst dass die erste Anzahl mit der zweiten Anzahl verglichen wird. Derart kann mittels der durchgeführten Klassifizierung besonders einfach ein Vergleich von zwei verschiedenen Klassen von medizinischen Bilddatensätzen durchgeführt werden. Als eine mögliche exemplarische Auswertung ist denkbar, eine Häufigkeit von Bildaufnahmen von erwachsenen Patienten mit einer Häufigkeit von Bildaufnahmen von pädiatrischen Patienten zu vergleichen. Dafür wird die erste Anzahl an ersten medizinischen Bilddatensätzen, welche von erwachsenen Patienten akquiriert wurden, mit der zweiten Anzahl an zweiten medizinischen Patienten, welche von pädiatrischen Patienten akquiriert wurden, verglichen.
  • Eine Ausführungsform des Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz sieht vor, dass die Metadatenklasse ein Auftreten einer bestimmten Art von Bildstörungen umfasst, wobei der erste Metadateneintrag für ein Auftreten der bestimmten Art von Bildstörungen im medizinischen Bilddatensatz steht und der zweite Metadateneintrag für ein Fehlen der bestimmten Art von Bildstörungen im medizinischen Bilddatensatz steht, wobei anhand des Vergleichs der ersten Anzahl mit der zweiten Anzahl eine Ausgabeinformation für einen Benutzer erstellt wird. Derart können besonders aussagekräftige Informationen erstellt werden, wie oft die bestimmte Art der Bildstörungen, auch Artefakte genannt, in den medizinischen Bilddatensätzen auftreten. Beispielweise kann so eine Häufigkeit von Aufnahmen, auf welchen das Untersuchungsobjekt mit abgeschnittenen Armen erscheint, ermittelt werden. Als weiteres mögliches Beispiel kann eine Häufigkeit von medizinischen Bilddatensätzen, welche eine inhomogene Signalintensität, insbesondere eine inhomogene Magnetresonanz-Signalintensität, aufweisen, ermittelt werden. Auch eine Häufigkeit eines Auftretens von Bewegungsartefakten, Metallartefakten in den medizinischen Bilddatensätzen kann so besonders vorteilhaft analysiert werden. Selbstverständlich sind auch weitere Arten von Bildstörungen denkbar, die auf diese Weise ausgewertet werden können. Der Einsatz des künstlichen neuronalen Netzes zur Identifikation der Bildstörungen ist hierbei besonders vorteilhaft, da die Information über Bildstörungen typischerweise nicht über bereits dem medizinischen Bilddatensatz bereits zugeordneten Metainformationen, beispielsweise nicht im DICOM-Header und/oder im Seriennamen, kodiert wird. Die Ausgabeinformation für den Benutzer wird insbesondere dann erstellt, wenn der Vergleichswert der ersten Anzahl mit der zweiten Anzahl einen bestimmten Schwellwert überschreitet. Da das erhöhte Auftreten von Artefakten auf sub-optimale Bedienung des medizinischen Bildgebungsgeräts und/oder auf eine technische Verschlechterung bzw. einen Defekt von Komponenten des medizinischen Bildgebungsgeräts hindeuten kann, ist eine der folgenden aufgelisteten Ausgabeinformationen an den Benutzer besonders vorteilhaft: ein Hinweis an den Benutzer, ein anderes Aufnahmeprotokoll zu verwenden, ein Hinweis an einen Applikationsspezialisten, dass beim Kunden ein Training sinnvoll ist, ein Hinweis an den Vertrieb, dass durch optionale Zusatzpakete beim Kunden Artefakte vermieden werden könnten, ein Hinweis an den Service, dass sich eine Verschlechterung der Bildqualität einstellt, gegebenenfalls mit automatischem Transfer der markantesten Bildbeispiele. Die passende Ausgabeinformation kann nach Häufigkeit, Ursache und Behebungsmöglichkeiten der Bildstörungen gewählt werden. Selbstverständlich sind auch weitere Ausgabeinformationen denkbar.
  • Eine Ausführungsform des Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz sieht vor, dass das Bereitstellen des trainierten künstlichen neuronalen Netzes gemäß des erfindungsgemäßen Verfahren zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes erfolgt. Derart kann ein besonders vorteilhaft trainiertes künstliches neuronales Netz für die Klassifizierungsaufgabe bereitgestellt werden.
  • Die erfindungsgemäße erste Recheneinheit zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz umfasst eine Festlegungseinheit, eine Bereitstellungseinheit, eine Erfassungseinheit und eine Klassifizierungseinheit, wobei die erste Recheneinheit zum Ausführen eines erfindungsgemäßen Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz ausgebildet ist.
  • Dabei ist die Festlegungseinheit zum Festlegen von einer Metadatenklasse, umfassend mehrere Metadateneinträge, welche Merkmale von medizinischen Bilddaten charakterisieren, ausgebildet. Die Bereitstellungseinheit ist zum Bereitstellen von einem trainierten künstlichen neuronalen Netz ausgebildet. Die Erfassungseinheit ist zum Erfassen von einem zu klassifizierenden medizinischen Bilddatensatz ausgebildet. Die Klassifizierungseinheit ist zur Klassifizierung des medizinischen Bilddatensatzes unter Anwendung des trainierten künstlichen neuronalen Netzes auf einen Bildinhalt des medizinischen Bilddatensatzes, wobei die Klassifizierung des medizinischen Bilddatensatzes umfasst, dass bezüglich der Metadatenklasse dem medizinischen Bilddatensatz ein Metadateneintrag der mehreren Metadateneinträge zugeordnet wird, ausgebildet.
  • Die Vorteile der erfindungsgemäßen ersten Recheneinheit entsprechen im Wesentlichen den Vorteilen des erfindungsgemäßen Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz, welche vorab im Detail ausgeführt sind. Hierbei erwähnte Merkmale, Vorteile oder alternative Ausführungsformen sind ebenso auch auf die anderen beanspruchten Gegenstände zu übertragen und umgekehrt. Mit anderen Worten können die gegenständlichen Ansprüche auch mit den Merkmalen, die in Zusammenhang mit einem Verfahren beschrieben oder beansprucht sind, weitergebildet sein. Die entsprechenden funktionalen Merkmale des Verfahrens werden dabei durch entsprechende gegenständliche Module, insbesondere durch Hardware-Module, ausgebildet.
  • Das erfindungsgemäße Verfahren zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes, umfasst folgende Verfahrensschritte:
    • – Festlegen von einer Metadatenklasse, umfassend mehrere Metadateneinträge, welche Merkmale von medizinischen Bilddaten charakterisieren,
    • – Bereitstellen von mehreren medizinischen Trainingsbilddatensätzen,
    • – Zuordnen von Metadateneinträgen bezüglich der Metadatenklasse zu den mehreren medizinischen Trainingsbilddatensätzen,
    • – Training eines künstlichen neuronalen Netzes unter Verwendung eines Bildinhalts der mehreren medizinischen Trainingsbilddatensätze und der den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträgen, wobei das trainierte künstliche neuronale Netz eine Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz ermöglicht,
    • – Bereitstellen des trainierten künstlichen neuronalen Netzes für eine Klassifizierung eines medizinischen Bilddatensatzes.
  • Für das Training des künstlichen neuronalen Netzes ist also der Bildinhalt der mehreren medizinischen Trainingsbilddatensätze, welchen jeweils die zugehörigen Metadateneinträgen bezüglich der Metadatenklasse zugeordnet worden sind, entscheidend. Die medizinischen Trainingsbilddatensätze können dabei von bereits mittels medizinischer Bildgebungsgeräte, eventuell von verschiedenen Herstellern, aufgenommenen medizinischen Bilddatensätzen gebildet werden. Das Zuordnen der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen erfolgt insbesondere manuell oder semiautomatisch, vorteilhafterweise wie in einem der folgenden Abschnitte beschrieben. Das Zuordnen der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen kann dabei beispielsweise von einem Hersteller des medizinischen Bildgebungsgeräts und/oder der Klassifizierungssoftware oder von einem Personal in einer Klinik durchgeführt werden.
  • Nach dem Zuordnen der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen stellen die mehreren medizinischen Trainingsbilddatensätze sogenannte gelabelte medizinische Trainingsbilddatensätze dar. Gelabelt bedeutet hier, dass jedem medizinischen Trainingsbilddatensatz die erwartete Klassifizierung, d.h. der zum medizinischen Trainingsbilddatensatz zugehörige Metadateneintrag bezüglich der Metadatenklasse, als Label mitgegeben wird.
  • Das Training des künstlichen neuronalen Netzes erfolgt vorteilhafterweise mittels Rückwärtspropagation (Backpropagation). Dieses bedeutet insbesondere, dass der Bildinhalt der mehreren medizinischen Trainingsbilddatensätze als Eingangsdaten in das zu trainierende künstliche neuronale Netz eingespeist wird. Während des Trainings wird dann eine Ausgabe des zu trainierenden künstlichen neuronalen Netzes mit dem den mehreren medizinischen Bilddatensätzen zugeordneten Metadateneinträgen (den Labels) verglichen wird. Das Training des künstlichen neuronalen Netzes umfasst dann insbesondere eine Veränderung der Netzwerkparameter des zu trainierenden künstlichen neuronalen Netzes derart, dass die Ausgabe des zu trainierenden künstlichen neuronalen Netzes näher an den den mehreren medizinischen Bilddatensätzen zugeordneten Metadateneinträgen liegt. Derart wird das künstliche neuronale Netz vorteilhafterweise derart trainiert, dass es dem Bildinhalt der mehreren medizinischen Bilddatensätze die passenden Labels zuordnet. Während die Rückwärtspropagation den wichtigsten Trainingsalgorithmus zum Training des künstlichen neuronalen Netzes darstellt, können auch andere, dem Fachmann bekannte Algorithmen zum Training des künstlichen neuronalen Netzes eingesetzt werden. Beispiele für andere mögliche Algorithmen sind evolutionäre Algorithmen, „simulated annealing“, „Expectaction-Maximization“ Algorithmen (EM-Algorithmen), parameterfreie Algorithmen (non-parametric methods), Partikelschwarmoptimierung (PSO), usw.
  • Das Training des künstlichen neuronalen Netzes kann komplett bei dem Hersteller des medizinischen Bildgebungsgeräts und/oder der Klassifizierungssoftware erfolgen. Alternativ ist es auch denkbar, dass ein Vor-Training wird bei dem Hersteller des medizinischen Bildgebungsgeräts und/oder der Klassifizierungssoftware angelegt wird und ein Nach-Training einmalig oder mehrfach in einer Klinik angelegt wird, um die entsprechende Bildklassifizierung spezifisch für die Anforderungen der Klinik noch robuster zu gestalten. Ebenso ist es denkbar, ein bereits trainiertes künstliches neuronales Netz durch das Einspielen neuer Gewichtsmatrizen für eine andere Klassifizierungsaufgabe umzuwidmen. Es ist auch denkbar, dass das Training des künstlichen neuronalen Netzes in mehreren Iterationen erfolgt. Derart können in mehreren Schritten abwechselnd eine Zuordnung der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen und das Training des künstlichen neuronalen Netzes erfolgen. So kann beispielsweise eine Trennschärfe bei der Klassifizierung des medizinischen Bilddatensatzes mittels des trainierten künstlichen neuronalen Netzes verbessert werden.
  • Das derart trainierte künstliche neuronale Netz kann anschließend in einem erfindungsgemäßen Verfahren einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz, welches in einem der vorhergehenden Abschnitte beschrieben wurde, eingesetzt werden. Derart ermöglicht das beschriebene Training des künstlichen neuronalen Netzes eine anschließend besonders vorteilhafte Klassifizierung von medizinischen Bilddatensätzen, bei welchem die zugehörigen Metadateneinträge noch nicht im Voraus bekannt sind.
  • Eine Ausführungsform des Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes sieht vor, dass das Training des künstlichen neuronalen Netzes eine derartige Veränderung von Netzwerkparametern des künstlichen neuronalen Netzes umfasst, dass bei einer Anwendung des trainierten künstlichen neuronalen Netzes auf den Bildinhalt der mehreren medizinischen Trainingsbilddatensätze, das künstliche neuronale Netz den mehreren medizinischen Trainingsbilddatensätzen die den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträge zuweist. Das hier beschriebene Vorgehen der Rückwärtspropagation bietet hierbei eine besonders vorteilhafte Möglichkeit für das Training des künstlichen neuronalen Netzes. Das künstliche neuronale Netz kann derart auch flexibel für verschiedene Klassifizierungsaufgaben in Abhängigkeit der bereitgestellten medizinischen Trainingsbilddatensätze und der zugeordneten Metdateneinträge trainiert werden.
  • Eine Ausführungsform des Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes sieht vor, dass vor dem Bereitstellen des trainierten künstlichen neuronalen Netzes eine Überprüfung einer Validität des trainierten künstlichen neuronalen Netzes erfolgt, wobei für die Überprüfung der Validität des künstlichen neuronalen Netzes für einen Teil der medizinischen Trainingsbilddatensätze mittels des trainierten künstlichen neuronalen Netzes Metadateneinträge ermittelt werden und die so ermittelten Metadateneinträge mit den dem Teil der medizinischen Trainingsbilddatensätze zugeordneten Metadateneinträge verglichen werden. Mit dieser Überprüfung kann sicher gestellt werden, dass das trainierte künstliche neuronale Netz geeignet für die Klassifizierung von medizinischen Bilddatensätzen, bei welchen der tatsächliche Metadateneintrag a priori unbekannt ist, ist.
  • Eine Ausführungsform des Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes sieht vor, dass der Teil der medizinischen Bilddatensätze bei dem Training des künstlichen neuronalen Netzes ausgeschlossen wird. Mittels dieses Vorgehens kann eine Verbesserung der Überprüfung der Validität erreicht werden, da die für das Training verwendeten medizinischen Trainingsbilddatensätze nicht selbst für die Überprüfung verwendet werden. Eine Verfälschung der Überprüfung der Validität kann so besonders vorteilhaft vermieden werden.
  • Eine Ausführungsform des Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes sieht vor, dass das Training des künstlichen neuronalen Netzes einen ersten Trainingsschritt und einen zweiten Trainingsschritt umfasst, wobei während des ersten Trainingsschritts das künstliche neuronale Netz lediglich auf Grundlage des Bildinhalts der mehreren medizinischen Trainingsbilddatensätze mittels unüberwachten Lernen trainiert wird und während des zweiten Trainingsschritts eine Verfeinerung des im ersten Trainingsschritts durchgeführten Trainings des künstlichen neuronalen Netzes unter Verwendung der den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträgen erfolgt. Unüberwachtes Lernen (unsupervised learning) ist insbesondere eine spezielle Form des Maschinenlernes, bei welchem, zumeist ohne weitere Vorgaben von außen, ein Rechensystem versucht, Strukturen in nicht strukturierten Daten zu ermitteln. Mittels des unüberwachten Lernens kann das künstliche neuronale Netz insbesondere ohne Verwendung der den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträgen im ersten Trainingsschritt trainiert werden. Das künstliche neuronale Netz kann in diesem ersten Trainingsschritt von sich aus, ohne äußere Vorgehen, Strukturen in den mehreren medizinischen Trainingsbilddatensätzen erkennen. Im zweiten Trainingsschritt können dann die im ersten Trainingsschritt ermittelten Strukturen mit den entsprechenden Metadateneinträgen gefüllt werden. Die Datenbank an medizinischen Trainingsbilddatensätzen kann für den zweiten Trainingsschritt, da im Trainingsschritt das Vortraining mittels unüberwachten Lernens durchgeführt wird, möglicherweise kleiner gewählt werden. Das zweistufige Vorgehen kann so eine effiziente Möglichkeit zum Trainieren des künstlichen neuronalen Netzes darstellen.
  • Da das Training des künstlichen neuronalen Netzes unter Verwendung der den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträgen erfolgt, muss eine Zuordnung der Metadateneinträge zu den medizinischen Trainingsbilddatensätzen erfolgen. Hierbei kann beispielsweise auf bereits vorhandene Datenbanken von medizinischen Trainingsbilddatensätzen zugegriffen werden. Für viele Klassifizierungsaufgaben ist jedoch ein Aufbau der Trainingsdatenbank, welche die medizinischen Trainingsbilddatensätze und die zugeordneten Metadateneinträge umfasst, erforderlich. Das Zuordnen der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen kann auch mittels einer Benutzereingabe erfolgen. Dieses Vorgehen kann jedoch, gerade bei einer großen Anzahl von medizinischen Trainingsbilddatensätzen, sehr zeitaufwändig sein. Alternativ kann das Zuordnen der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen mittels einer Extraktion der Metadateneinträge aus einem DICOM-Header der medizinischen Trainingsbilddatensätze erfolgen. Dieses Vorgehen ist insbesondere für einen Test des trainierten künstlichen neuronalen Netzes vorteilhaft. In den folgenden Absätzen sollen nun verschiedene besonders vorteilhafte, insbesondere semiautomatische, Möglichkeiten zum Zuordnen der passenden Metadateneinträge zu den medizinischen Trainingsbilddatensätzen werden beschrieben werden. Die Möglichkeiten können dabei separat voneinander oder kombiniert eingesetzt werden. Selbstverständlich sind auch weitere, dem Fachmann als sinnvoll erscheinende, Vorgehensweisen zum Aufbau der Trainingsdatenbank denkbar.
  • Eine Ausführungsform des Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes sieht vor, dass das Zuordnen der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen einen Vorverarbeitungsschritt umfasst, bei welchem die mehreren medizinischen Trainingsbilddatensätze mittels unüberwachten Lernen verarbeitet werden. Mittels unüberwachten Lernens sollen in dem Vorverarbeitungsschritt typische Strukturen in den mehreren medizinischen Trainingsbilddatensätzen, insbesondere in einem Bildinhalt der mehreren medizinischen Trainingsbildatensätze, erkannt werden. In dem Vorverarbeitungsschritt kann das unüberwachte Lernen als Data-Mining Technologie das Zuordnen der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen besonders effektiv unterstützen. Insbesondere kann der Vorverarbeitungsschritt als Vorbereitung für eine manuelle Zuordnung der Metadateneinträge durch einen Benutzer dienen, wie in einem der folgenden Abschnitte noch genauer beschrieben. Derart kann mittels des Einsatzes des unüberwachten Lernens ein Benutzer bei dem Zuordnen der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen besonders vorteilhaft unterstützt werden.
  • Eine Ausführungsform des Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes sieht vor, dass das unüberwachte Lernen einen Einsatz einer Self-Organizing Maps (SOM) Methode und/oder einer t-Stochastic Neighbourhood Embedding (t-SNE) Methode umfasst. Die Self-Organizing Maps Methode ist insbesondere ein Verfahren zur Darstellung von Dateneigenschaften in niedrigen Dimensionen in Form einer Karte (Map). Die Karte stellt dann eine, insbesondere rechteckige, abstrahierte Darstellung der Eingangsdaten dar und kann einen Überblick über eine Struktur in den Eingangsdaten bieten. Die Self-Organizing Maps Methode kann dabei als unüberwachtes Lernverfahren auf größeren nicht klassifizierten Datenmengen arbeiten. Die t-Stochastic Neighbourhood Embedding Methode stellt ebenfalls ein modernes Clustering-Verfahren dar, welches hochdimensionale Datenmengen in niedrig-dimensionale Clusterbilder (Karten) transformiert. Auch die t-Stochastic Neighbourhood Embedding Methode kann das Clustering der Datenmengen anhand von Strukturen in den Datenmengen durchführen. Die Self-Organizing Maps Methode und die t-Stochastic Neighbourhood Embedding Methode sind dabei dem Fachmann bekannt, so dass hier nicht genauer auf ihre Funktionsweise eingegangen werden soll. Die Self-Organizing Maps Methode und die t-Stochastic Neighbourhood Embedding Methode stellen dabei besonders vorteilhafte Data-Mining Technologien dar, welche im Vorverarbeitungsschritt eine große Menge an medizinischen Trainingsbilddatensätzen prozessieren können. Bei der t-Stochastic Neighbourhood Embedding Methode kann eine andere Projektionsrichtung, beispielsweise einer 3D-Karte nach 2D, eingesetzt werden, um eine Trennschärfe dieser Methode zu erhöhen. Insbesondere können die vorgestellten Methoden die mehreren medizinischen Trainingsbilddatensätze besonders vorteilhaft für die manuelle Zuordnung von Metadateneinträgen durch einen Benutzer vorbereiten, wie in einem der folgenden Abschnitte noch genauer beschrieben.
  • Eine Ausführungsform des Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes sieht vor, dass die im Vorverarbeitungsschritt vorverarbeiteten medizinischen Trainingsbilddatensätze einem Benutzer in Form einer Karte angezeigt werden, wobei der Benutzer mittels einer Interaktion mit der Karte die Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen zuordnet. Die Karte umfasst insbesondere eine piktoriale und/oder abstrahierte Darstellung der mehreren medizinischen Trainingsbilddatensätze. Auf der Karte sind die mehreren medizinischen Trainingsbilddatensätze vorteilhafterweise gemäß der mittels unüberwachten Lernen durchgeführten Vorverarbeitung im Vorverarbeitungsschritt gruppiert dargestellt. Die Karte kann dabei zweidimensional oder dreidimensional ausgebildet sein. Die Karte wird dem Benutzer vorteilhafterweise auf einer graphischen Benutzeroberfläche dargestellt. Der Benutzer kann vorteilhafterweise mittels Hilfswerkzeugen die dargestellte Karte inspizieren, beispielsweise um eine vergrößerte Darstellung von einzelnen medizinischen Trainingsbilddatensätzen zu erhalten. So ist beispielsweise ein Daten-Cursor denkbar, so dass der Benutzer mittels eines Klicks auf einen Punkt der Karte den dazugehörigen medizinischen Trainingsbilddatensatz in einem separaten Fenster betrachten kann. Auf der Karte können so mittels des unüberwachten Lernens erkannte Strukturen in dem Bildinhalt der mehreren medizinischen Trainingsbilddatensätze dem Benutzer besonders übersichtlich angezeigt werden. Auf der Karte kann, wie im folgenden Abschnitt genauer beschrieben, der Benutzer dann eine besonders effiziente Zuweisung von Metadateneinträgen zu den mehreren medizinischen Trainingsbilddatensätzen durchführen. Besonders vorteilhaft werden dabei die im vorhergehenden Abschnitt beschriebenen Methoden zur Vorverarbeitung der mehreren medizinischen Trainingsbilddatensätze für die Darstellung in Form der Karte eingesetzt. Die Self-Organizing Maps Methode und die t-Stochastic Neighbourhood Embedding Methode können nämlich als Ergebnis die besagte Karte umfassen.
  • Eine Ausführungsform des Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes sieht vor, dass der Benutzer die Zuordnung der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen mittels eines graphischen Segmentierungswerkzeugs auf der angezeigten Karte durchführt. Ein besonders vorteilhaftes Vorgehen ist dabei, dass der Benutzer mittels graphischen Segmentierungswerkzeugen Bereiche mit zusammengehörigen medizinischen Trainingsbilddatensätzen, denen insbesondere derselbe Metadateneintrag zugeordnet werden soll, auf der Karte markiert. Es sind dabei verschiedenartige Segmentierungswerkzeuge, wie beispielsweise ein Lasso-Werkzeug, für die Benutzerinteraktion denkbar. Allen im ausgewählten Bereich befindlichen medizinischen Trainingsbilddatensätzen kann dann ein gewünschter Metadateneintrag zugeordnet werden. Derart können besonders effizient mehrere medizinische Trainingsbilddatensätze gleichzeitig für das Training des künstlichen neuronalen Netzes vorbereitet werden.
  • Es ist auch denkbar, dass die Self-Organizing Maps Methode direkt eine Zuordnung der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen durchführt, indem die Methode prüft. Dazu kann an der Eingangsschicht der Self-Organizing Maps ein medizinischer Trainingsbilddatensatz angelegt werden und in der Ausgangsschicht ein Knoten mit der höchsten Aktivierung ermittelt werden, d.h. berechnet werden, wo sich der medizinische Trainingsbilddatensatz in der Karte einsortiert. Sollte dieser Knoten innerhalb einer Region der Karte liegen, welcher ein bestimmter Metadateneintrag zugewiesen ist, so kann der entsprechende Metadateneintrag dem medizinischen Trainingsbilddatensatz automatisch zugeordnet werden.
  • Die erfindungsgemäße zweite Recheneinheit zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes umfasst eine Festlegungseinheit, eine erste Bereitstellungseinheit, eine Zuordnungseinheit, eine Trainingseinheit und eine zweite Bereitstellungseinheit, wobei die zweite Recheneinheit zum Ausführen eines erfindungsgemäßen Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes ausgebildet ist.
  • Dabei ist die Festlegungseinheit zum Festlegen von einer Metadatenklasse, umfassend mehrere Metadateneinträge, welche Merkmale von medizinischen Bilddaten charakterisieren, ausgebildet. Die erste Bereitstellungseinheit ist zum Bereitstellen von mehreren medizinischen Trainingsbilddatensätzen ausgebildet. Die Zuordnungseinheit ist zum Zuordnen von Metadateneinträgen bezüglich der Metadatenklasse zu den mehreren medizinischen Trainingsbilddatensätzen ausgebildet. Die Trainingseinheit ist zum Training eines künstlichen neuronalen Netzes unter Verwendung eines Bildinhalts der mehreren medizinischen Trainingsbilddatensätze und der den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträgen, wobei das trainierte künstliche neuronale Netz eine Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz ermöglicht, ausgebildet. Die zweite Bereitstellungseinheit ist zum Bereitstellen des trainierten künstlichen neuronalen Netzes für eine Klassifizierung eines medizinischen Bilddatensatzes ausgebildet.
  • Die Vorteile der erfindungsgemäßen zweiten Recheneinheit entsprechen im Wesentlichen den Vorteilen des erfindungsgemäßen Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes, welche vorab im Detail ausgeführt sind. Hierbei erwähnte Merkmale, Vorteile oder alternative Ausführungsformen sind ebenso auch auf die anderen beanspruchten Gegenstände zu übertragen und umgekehrt. Mit anderen Worten können die gegenständlichen Ansprüche auch mit den Merkmalen, die in Zusammenhang mit einem Verfahren beschrieben oder beansprucht sind, weitergebildet sein. Die entsprechenden funktionalen Merkmale des Verfahrens werden dabei durch entsprechende gegenständliche Module, insbesondere durch Hardware-Module, ausgebildet.
  • Gegenstand der Erfindung ist ebenfalls ein kombiniertes Verfahren zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes und zu einer anschließenden Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz unter Verwendung des bereitgestellten trainierten künstlichen neuronalen Netzes. Ein solches kombiniertes Verfahren kann folgende Schritte umfassen:
    • – Festlegen von einer Metadatenklasse, umfassend mehrere Metadateneinträge, welche Merkmale von medizinischen Bilddaten charakterisieren,
    • – Bereitstellen von mehreren medizinischen Trainingsbilddatensätzen,
    • – Zuordnen von Metadateneinträgen bezüglich der Metadatenklasse zu den mehreren medizinischen Trainingsbilddatensätzen,
    • – Training eines künstlichen neuronalen Netzes unter Verwendung eines Bildinhalts der mehreren medizinischen Trainingsbilddatensätze und der den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträgen, wobei das trainierte künstliche neuronale Netz eine Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz ermöglicht,
    • – Bereitstellen des trainierten künstlichen neuronalen Netzes für eine Klassifizierung eines medizinischen Bilddatensatzes.
    • – Erfassen von einem zu klassifizierenden medizinischen Bilddatensatz und
    • – Klassifizierung des medizinischen Bilddatensatzes unter Anwendung des trainierten künstlichen neuronalen Netzes auf einen Bildinhalt des medizinischen Bilddatensatzes, wobei die Klassifizierung des medizinischen Bilddatensatzes umfasst, dass bezüglich der Metadatenklasse dem medizinischen Bilddatensatz ein Metadateneintrag der mehreren Metadateneinträge zugeordnet wird.
  • Weitere Merkmale, Vorteile oder alternative Ausführungsformen des erfindungsgemäßen Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz und/oder des erfindungsgemäßen Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes können ebenso auch auf die beanspruchten Gegenstände des kombinierten Verfahrens übertragen werden und umgekehrt.
  • Im Folgenden wird die Erfindung anhand der in den Figuren dargestellten Ausführungsbeispiele näher beschrieben und erläutert.
  • Es zeigen:
  • 1 eine erfindungsgemäße erste Recheneinheit,
  • 2 eine erste Ausführungsform eines erfindungsgemäßen Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz,
  • 3 eine zweite Ausführungsform eines erfindungsgemäßen Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz,
  • 4 eine erfindungsgemäße zweite Recheneinheit,
  • 5 eine erste Ausführungsform eines erfindungsgemäßen Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes,
  • 6 eine zweite Ausführungsform eines erfindungsgemäßen Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes,
  • 7 eine exemplarische Karte, welche mittels einer Self-Organizing Maps Methode generiert worden ist, und
  • 8 eine exemplarische Karte, welche mittels einer t-Stochastic Neighbourhood Embedding Methode generiert worden ist.
  • 1 zeigt eine erfindungsgemäße erste Recheneinheit 1. Die erste Recheneinheit 1 umfasst eine Festlegungseinheit 2, eine Bereitstellungseinheit 3, eine Erfassungseinheit 4 und eine Klassifizierungseinheit 5. Die Festlegungseinheit 2, Bereitstellungseinheit 3, Erfassungseinheit 4 und Klassifizierungseinheit 5 können dabei als Prozessoreinheiten und/oder Rechenmodule ausgebildet sein und können jeweils Schnittstellen zu einem Ein- oder Ausgabemodul, beispielsweise einer Tastatur oder einem Monitor, aufweisen.
  • Die Bereitstellungseinheit 3 ist insbesondere mit einer ersten Datenbank NEU verbunden, auf welcher ein trainiertes künstliches neuronales Netz gespeichert ist, so dass dieses von der Bereitstellungseinheit 3 abgerufen werden kann. Die Erfassungseinheit 4 ist insbesondere mit einer Bildeingabeschnittstelle IM, insbesondere einer zweiten Datenbank und/oder einem Bildgebungssystem verbunden, so dass die Erfassungseinheit 4 von der Bildeingabeschnittstelle IM den zu klassifizierenden medizinischen Bilddatensatz erfassen kann. Die Klassifizierungseinheit 5 ist insbesondere mit einer Ausgabeschnittstelle OUT1, beispielsweise einer Datenbank und/oder einem Monitor, verbunden, so dass die Zuordnung des Metadateneintrags zu dem medizinischen Bilddatensatz bereitgestellt werden kann, d.h. in der Datenbank abgespeichert werden kann und/oder auf dem Monitor für einen Benutzer ausgegeben werden kann.
  • Derart ist die erste Recheneinheit 1 zusammen mit der Festlegungseinheit 2, Bereitstellungseinheit 3, Erfassungseinheit 4 und Klassifizierungseinheit 5 zum Ausführen eines Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz, wie es beispielsweise in 2 oder 3 dargestellt ist, ausgebildet.
  • 2 zeigt eine erste Ausführungsform eines erfindungsgemäßen Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz.
  • In einem ersten Verfahrensschritt 10 erfolgt ein Festlegen von einer Metadatenklasse, umfassend mehrere Metadateneinträge, welche Merkmale von medizinischen Bilddaten charakterisieren, mittels der Festlegungseinheit 2. In einem weiteren Verfahrensschritt 11 erfolgt ein Bereitstellen von einem trainierten künstlichen neuronalen Netz mittels der Bereitstellungseinheit 3. In einem weiteren Verfahrensschritt 12 erfolgt ein Erfassen von einem zu klassifizierenden medizinischen Bilddatensatz mittels der Erfassungseinheit 4. In einem weiteren Verfahrensschritt 13 erfolgt eine Klassifizierung des medizinischen Bilddatensatzes unter Anwendung des trainierten künstlichen neuronalen Netzes auf einen Bildinhalt des medizinischen Bilddatensatzes mittels der Klassifizierungseinheit 5, wobei die Klassifizierung des medizinischen Bilddatensatzes umfasst, dass bezüglich der Metadatenklasse dem medizinischen Bilddatensatz ein Metadateneintrag der mehreren Metadateneinträge zugeordnet wird.
  • 3 zeigt eine zweite Ausführungsform eines erfindungsgemäßen Verfahrens zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz.
  • Die nachfolgende Beschreibung beschränkt sich im Wesentlichen auf die Unterschiede zu dem Ausführungsbeispiel in 2, wobei bezüglich gleich bleibender Verfahrensschritte auf die Beschreibung des Ausführungsbeispiels in 2 verwiesen wird. Im Wesentlichen gleich bleibende Verfahrensschritte sind grundsätzlich mit den gleichen Bezugszeichen beziffert.
  • Die in 3 gezeigte zweite Ausführungsform des erfindungsgemäßen Verfahrens umfasst im Wesentlichen die Verfahrensschritte 10, 11, 12, 13 der ersten Ausführungsform des erfindungsgemäßen Verfahrens gemäß 2. Zusätzlich umfasst die in 3 gezeigte zweite Ausführungsform des erfindungsgemäßen Verfahrens zusätzliche Verfahrensschritte und/oder Unterschritte. Denkbar ist auch ein zu 3 alternativer Verfahrensablauf, welcher nur einen Teil der in 3 dargestellten zusätzlichen Verfahrensschritte und/oder Unterschritte aufweist. Selbstverständlich kann auch ein zu 3 alternativer Verfahrensablauf zusätzliche Verfahrensschritte und/oder Unterschritte aufweisen.
  • Das Festlegen der Metadatenklasse im weiteren Verfahrensschritt 10 umfasst im in 3 dargestellten Fall eine Auswahl der Metadatenklasse. Die Metadatenklasse kann dabei beispielsweise in einem ersten optionalen Schritt 10a des weiteren Verfahrensschritt 10 als eine Körperregion, welche im medizinischen Bilddatensatz abgebildet wird, ausgewählt werden. Die Metadatenklasse kann auch beispielsweise in einem weiteren optionalen Schritt 10b des weiteren Verfahrensschritts 10 eine Orientierung des medizinischen Bilddatensatzes gewählt werden. Weiterhin kann die Metadatenklasse in einem weiteren optionalen Schritt 10c des weiteren Verfahrensschritt 10 als eine Bildgebungsmodalität, mittels welcher der medizinische Bilddatensatz aufgenommen ist, gewählt werden. Die Metadatenklasse kann auch in einem weiteren optionalen Schritt 10d des weiteren Verfahrensschritt 10 als ein Protokolltyp, mittels welcher der medizinische Bilddatensatz aufgenommen ist, gewählt werden. Es ist auch denkbar, dass die Metadatenklasse in einem weiteren optionalen Schritt 10e des weiteren Verfahrensschritt 10 als eine Art von Bildstörungen, welche im medizinischen Bilddatensatz auftreten, gewählt wird. Das Bereitstellen des trainierten künstlichen neuronalen Netz im weiteren Verfahrensschritt 11 kann mehrere Schritte 11a umfassen, so wie sie im erfindungsgemäßen Verfahren zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes (siehe 5–6) beschrieben sind.
  • Die Klassifizierung des medizinischen Bilddatensatzes im weiteren Verfahrensschritt 13 kann verschiedene Anwendungen haben, von denen zwei exemplarische in 3 dargestellt sind. Die zwei Anwendungen können dabei separat voneinander oder kombiniert eingesetzt werden. Selbstverständlich sind auch weitere Anwendungsmöglichkeiten der Klassifizierung des medizinischen Bilddatensatzes denkbar.
  • Die erste exemplarische Anwendung umfasst, dass in einem weiteren Verfahrensschritt 16 der medizinische Bilddatensatz anhand des dem medizinischen Bilddatensatz zugeordneten Metadateneintrags auf einer Darstellungsoberfläche einer Anzeigeeinheit dargestellt wird. Die Darstellungsoberfläche kann dabei mehrere Darstellungssegmente umfassen, wobei in einem zweiten Teilschritt 16b des weiteren Verfahrensschritts 16 ein Darstellungssegment der mehreren Darstellungssegmente anhand des dem medizinischen Bilddatensatz zugeordneten Metadateneintrags ausgewählt wird und der medizinische Bilddatensatz in dem ausgewählten Darstellungssegment dargestellt wird.
  • Die Darstellungsoberfläche kann dabei ein Eingabefeld für einen Benutzer umfassen, wobei die Darstellung des medizinischen Bilddatensatzes auf der Darstellungsoberfläche in einem ersten Teilschritt 16a des weiteren Verfahrensschritts 16 anhand einer Benutzereingabe des Benutzers in das Eingabefeld und eines Vergleichs der Benutzereingabe mit dem Metadateneintrag, welcher dem medizinischen Bilddatensatz zugeordnet ist, erfolgt. Beispielsweise kann derart in Abhängigkeit von der Benutzereingabe das passende Darstellungssegment für den medizinischen Bilddatensatz gewählt werden.
  • Die zweite exemplarische Anwendung umfasst, dass mehrere medizinische Bilddatensätze mittels des trainierten künstlichen neuronalen Netzes klassifiziert werden, wobei den mehreren medizinischen Bilddatensätzen jeweils zumindest ein Metadateneintrag der mehreren Metadateneinträge zugeordnet werden, wobei in einem weiteren Verfahrensschritt 14 eine statistische Auswertung der mehreren medizinischen Bilddatensätze anhand der den mehreren medizinischen Bilddatensätzen zugeordneten Metadateneinträge erfolgt.
  • Dafür kann bei der Klassifizierung der mehreren medizinischen Bilddatensätze in einem weiteren Verfahrensschritt 13a einer ersten Menge mit einer ersten Anzahl an ersten medizinischen Bilddatensätzen der mehreren medizinischen Bilddatensätze ein erster Metadateneintrag zugeordnet werden und in einem weiteren Verfahrensschritt 13b einer zweiten Menge mit einer zweiten Anzahl an zweiten medizinischen Bilddatensätzen der mehreren medizinischen Bilddatensätze ein zweiter Metadateneintrag zugeordnet werden. Die statistische Auswertung der mehreren medizinischen Bilddatensätze im weiteren Verfahrensschritt 14 kann derart einen Vergleich der ersten Anzahl mit der zweiten Anzahl in einem Teilschritt 14a des weiteren Verfahrensschritts 14 umfassen.
  • Beispielsweise umfasst die Metadatenklasse ein Auftreten einer bestimmten Art von Bildstörungen, wobei der erste Metadateneintrag für ein Auftreten der bestimmten Art von Bildstörungen im medizinischen Bilddatensatz steht und der zweite Metadateneintrag für ein Fehlen der bestimmten Art von Bildstörungen im medizinischen Bilddatensatz steht. Dann kann besonders vorteilhaft in einem weiteren Verfahrensschritt 15 anhand des Vergleichs der ersten Anzahl mit der zweiten Anzahl eine Ausgabeinformation für einen Benutzer erstellt werden.
  • Die in 2–3 dargestellten Verfahrensschritte werden von der ersten Recheneinheit 1 ausgeführt. Hierzu umfasst die erste Recheneinheit 1 erforderliche Software und/oder Computerprogramme, die in einer Speichereinheit der ersten Recheneinheit 1 gespeichert sind. Die Software und/oder Computerprogramme umfassen Programmmittel, die dazu ausgelegt sind, das erfindungsgemäße Verfahren auszuführen, wenn das Computerprogramm und/oder die Software in der ersten Recheneinheit 1 mittels einer Prozessoreinheit der ersten Recheneinheit 1 ausgeführt wird.
  • 4 zeigt eine erfindungsgemäße zweite Recheneinheit 40. Die zweite Recheneinheit 40 umfasst eine Festlegungseinheit 41, eine erste Bereitstellungseinheit 42, eine Zuordnungseinheit 43, eine Trainingseinheit 44 und eine zweite Bereitstellungseinheit 45. Die Festlegungseinheit 41, erste Bereitstellungseinheit 42, Zuordnungseinheit 43, Trainingseinheit 44 und zweite Bereitstellungseinheit 45 können dabei als Prozessoreinheiten und/oder Rechenmodule ausgebildet sein und können jeweils Schnittstellen zu einem Ein- oder Ausgabemodul, beispielsweise einer Tastatur oder einem Monitor, aufweisen.
  • Insbesondere umfasst die erste Bereitstellungseinheit 42 eine Schnittstelle zu einer Trainingsbilddatenbank DB, von welcher die erste Bereitstellungseinheit 42 die mehreren medizinischen Trainingsbilddatensätze für das Training des künstlichen neuronalen Netzes abrufen kann. Die zweite Bereitstellungseinheit 45 umfasst insbesondere eine Verbindung zu einer Ausgabeschnittstelle OUT2, so dass das trainierte künstliche neuronale Netz bereitgestellt werden kann. Insbesondere kann so das trainierte künstliche neuronale Netz in einer Datenbank abgespeichert werden, so dass es für eine Klassifizierung von medizinischen Bilddatensätzen bereitgestellt werden kann.
  • Derart ist die zweite Recheneinheit 2 zusammen mit der Festlegungseinheit 41, ersten Bereitstellungseinheit 42, Zuordnungseinheit 43, Trainingseinheit 44 und zweiten Bereitstellungseinheit 45 zum Ausführen eines Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes, wie es beispielsweise in 5 oder in 6 dargestellt ist ausgebildet.
  • 5 zeigt eine erste Ausführungsform eines erfindungsgemäßen Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes.
  • In einem ersten Verfahrensschritt 50 erfolgt ein Festlegen von einer Metadatenklasse, umfassend mehrere Metadateneinträge, welche Merkmale von medizinischen Bilddaten charakterisieren, mittels der Festlegungseinheit 41. In einem weiteren Verfahrensschritt 51 erfolgt ein Bereitstellen von mehreren medizinischen Trainingsbilddatensätzen mittels der ersten Bereitstellungseinheit 42. In einem weiteren Verfahrensschritt 52 erfolgt ein Zuordnen von Metadateneinträgen bezüglich der Metadatenklasse zu den mehreren medizinischen Trainingsbilddatensätzen mittels der Zuordnungseinheit 43.
  • In einem weiteren Verfahrensschritt 53 erfolgt ein Training eines künstlichen neuronalen Netzes mittels der Trainingseinheit 44 unter Verwendung eines Bildinhalts der mehreren medizinischen Trainingsbilddatensätze und der den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträgen, wobei das trainierte künstliche neuronale Netz eine Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz ermöglicht. Das Training des künstlichen neuronalen Netzes kann dabei eine derartige Veränderung von Netzwerkparametern des künstlichen neuronalen Netzes umfassen, dass bei einer Anwendung des trainierten künstlichen neuronalen Netzes auf den Bildinhalt der mehreren medizinischen Trainingsbilddatensätze, das künstliche neuronale Netz den mehreren medizinischen Trainingsbilddatensätzen die den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträge zuweist.
  • In einem weiteren Verfahrensschritt 54 erfolgt ein Bereitstellen des trainierten künstlichen neuronalen Netzes mittels der zweiten Bereitstellungseinheit 45 für eine Klassifizierung eines medizinischen Bilddatensatzes.
  • 6 zeigt eine zweite Ausführungsform eines erfindungsgemäßen Verfahrens zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes,
  • Die nachfolgende Beschreibung beschränkt sich im Wesentlichen auf die Unterschiede zu dem Ausführungsbeispiel in 5, wobei bezüglich gleich bleibender Verfahrensschritte auf die Beschreibung des Ausführungsbeispiels in 5 verwiesen wird. Im Wesentlichen gleich bleibende Verfahrensschritte sind grundsätzlich mit den gleichen Bezugszeichen beziffert.
  • Die in 6 gezeigte zweite Ausführungsform des erfindungsgemäßen Verfahrens umfasst im Wesentlichen die Verfahrensschritte 50, 51, 52, 53, 54 der ersten Ausführungsform des erfindungsgemäßen Verfahrens gemäß 5. Zusätzlich umfasst die in 6 gezeigte zweite Ausführungsform des erfindungsgemäßen Verfahrens zusätzliche Verfahrensschritte und/oder Unterschritte. Denkbar ist auch ein zu 6 alternativer Verfahrensablauf, welcher nur einen Teil der in 6 dargestellten zusätzlichen Verfahrensschritte und/oder Unterschritte aufweist. Selbstverständlich kann auch ein zu 6 alternativer Verfahrensablauf zusätzliche Verfahrensschritte und/oder Unterschritte aufweisen.
  • Das Training des künstlichen neuronalen Netzes im weiteren Verfahrensschritt 53 umfasst im gezeigten Fall einen ersten Trainingsschritt 53a und einen zweiten Trainingsschritt 53b, wobei während des ersten Trainingsschritts 53a das künstliche neuronale Netz lediglich auf Grundlage des Bildinhalts der mehreren medizinischen Trainingsbilddatensätze mittels unüberwachten Lernen trainiert wird und während des zweiten Trainingsschritts 53b eine Verfeinerung des im ersten Trainingsschritts 53a durchgeführten Trainings des künstlichen neuronalen Netzes unter Verwendung der den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträgen erfolgt.
  • Vor dem Bereitstellen des trainierten künstlichen neuronalen Netzes erfolgt im in 6 gezeigten Fall in einem weiteren Verfahrensschritt 55 eine Überprüfung einer Validität des trainierten künstlichen neuronalen Netzes, wobei für die Überprüfung der Validität des künstlichen neuronalen Netzes für einen Teil der medizinischen Trainingsbilddatensätze mittels des trainierten künstlichen neuronalen Netzes Metadateneinträge ermittelt werden und die so ermittelten Metadateneinträge mit den dem Teil der medizinischen Trainingsbilddatensätze zugeordneten Metadateneinträge verglichen werden. Der Teil der medizinischen Bilddatensätze kann dabei bei dem Training des künstlichen neuronalen Netzes ausgeschlossen werden.
  • Weiterhin ist in 6 eine besonders vorteilhafte Methode zum Zuordnen der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen im weiteren Verfahrensschritt 52 dargestellt. Illustrationen zu diesem Vorgehen sind in 7–8 zu finden. Die in 6 dargestellte Ausgestaltung des weiteren Verfahrensschritts 52 ist dabei exemplarisch zu sehen. Es sind weitere Vorgehensweisen zum Zuordnen der Metadateneinträge denkbar. Es kann für das Training des künstlichen neuronalen Netzes auch auf eine Datenbank zugegriffen werden, auf welcher medizinische Trainingsbilddatensätze, welchen bereits die zugehörigen Metadateneinträge zugeordnet sind, hinterlegt sind.
  • Im in 6 gezeigten Fall umfasst das Zuordnen der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen einen Vorverarbeitungsschritt 52a, bei welchem die mehreren medizinischen Trainingsbilddatensätze mittels unüberwachten Lernen verarbeitet werden. Das unüberwachte Lernen kann beispielsweise einen Einsatz einer Self-Organizing Maps (SOM) Methode und/oder einer t-Stochastic Neighbourhood Embedding (t-SNE) Methode umfassen.
  • Die im Vorverarbeitungsschritt vorverarbeiteten medizinischen Trainingsbilddatensätze können einem Benutzer in einem weiteren Teilschritt 52b des weiteren Verfahrensschritts 52 in Form einer Karte angezeigt werden. Der Benutzer kann dann in einem weiteren Teilschritt 52c des weiteren Verfahrensschritts 52 mittels einer Interaktion mit der Karte die Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen zuordnen. Dabei kann der Benutzer beispielsweise die Zuordnung mittels eines graphischen Segmentierungswerkzeugs S auf der Karte durchführen.
  • Die in 5–6 dargestellten Verfahrensschritte werden von der zweiten Recheneinheit 40 ausgeführt. Hierzu umfasst die zweite Recheneinheit 40 erforderliche Software und/oder Computerprogramme, die in einer Speichereinheit der zweiten Recheneinheit 40 gespeichert sind. Die Software und/oder Computerprogramme umfassen Programmmittel, die dazu ausgelegt sind, das erfindungsgemäße Verfahren auszuführen, wenn das Computerprogramm und/oder die Software in der zweiten Recheneinheit 40 mittels einer Prozessoreinheit der zweiten Recheneinheit 40 ausgeführt wird.
  • 7 zeigt eine exemplarische Karte, welche mittels einer Self-Organizing Maps Methode generiert worden ist. Die Self-Organizing Maps Methode hat dabei die Trainingsbilddatensätze, welche nicht-schwächungskorrigierte PET-Bilder, MR-Bilder und CT-Bilder umfassen, automatisch in Hinblick auf zwei Metadatenklassen angeordnet.
  • Die erste Metadatenklasse, hinsichtlich welcher die Self-Organizing Maps Methode die medizinischen Trainingsbilddatensätze gruppiert hat, ist dabei im gezeigten Fall eine Bildgebungsmodalität, mittels welcher die medizinischen Trainingsbilddatensätze aufgenommen worden sind. Die zweite Metadatenklasse, hinsichtlich welcher die Self-Organizing Maps Methode die medizinischen Trainingsbilddatensätze gruppiert hat, ist dabei im gezeigten Fall eine Körperregion, welche die medizinischen Trainingsbilddatensätze abbilden.
  • Derart zeigen sich in der dargestellten Karte, welche im beispielhaften Fall 10 × 10 Ausgabeknoten umfasst, eine Anordnung der mehreren medizinischen Trainingsbilddatensätze sowohl hinsichtlich der Bildgebungsmodalität als auch hinsichtlich der Körperregion. So sind beispielsweise links oben in der dargestellten Karte die nicht-schwächungskorrigierten PET-Bilder angeordnet. Links unten in der dargestellten Karte finden sich Darstellungen einer Kopfregion. In der Mitte der dargestellten Karte sind Lungenschichten, welche mittels CT-Bildgebung aufgenommen worden sind, angeordnet.
  • Der Benutzer kann nun mittels geeigneter Werkzeuge, beispielsweise mittels graphischer Segmentierungswerkzeuge, die Karte bearbeiten. Vorteilhafterweise wählt der Benutzer Bereiche, in welchen sich medizinische Trainingsbilddatensätze befinden, denen der gleiche Metadateneintrag zuzuordnen ist, aus. Dazu kann der Benutzer als beispielhaftes graphisches Segmentierungswerkzeug ein Lasso-Tool einsetzen. So hat der Benutzer im in 7 dargestellten Fall beispielsweise in einer ersten Segmentierung 100 die Kopfdarstellungen ausgewählt. Den medizinischen Trainingsbilddatensätzen, welche die Self-Organizing Maps Methode in der ersten Segmentierung 100 angeordnet hat, kann dann der Metadateneintrag „Kopfregion“ bezüglich der Metadatenklasse „Körperregion, welche der medizinische Trainingsbilddatensatz abbildet“ zugeordnet werden. Weiterhin hat der Benutzer im in 8 dargestellten Fall in einer zweiten Segmentierung 101 MR-Bilder, welche die Lunge abbilden, ausgewählt. Den medizinischen Trainingsbilddatensätzen, welche die Self-Organizing Maps Methode in der zweiten Segmentierung 100 angeordnet hat, kann dann gleichzeitig der Metadateneintrag „Thorax“ bezüglich der Metadatenklasse „Körperregion, welche der medizinische Trainingsbilddatensatz abbildet“ und der Metadateneintrag „Magnetresonanz-Bildgebung“ bezüglich der Metadatenklasse „Bildgebungsmodalität, mittels welcher der medizinische Trainingsbilddatensatz aufgenommen worden ist“ zugeordnet werden.
  • 8 zeigt eine exemplarische Karte, welche mittels einer t-Stochastic Neighbourhood Embedding Methode generiert worden ist.
  • Im exemplarischen Fall wurde eine Anzahl an Bildschichten von medizinischen Trainingsbilddatensätzen, welche mittels CT-Bildgebung, PET-Bildgebung oder MR-Bildgebung aufgenommen worden sind. mittels der t-Stochastic Neighbourhood Embedding Methode prozessiert. Die dargestellten schlangenartigen Strukturen bilden dabei aufeinanderfolgende Bildschichten eines Bildvolumens ab.
  • Es ist nun denkbar, dass der Benutzer mittels eines Daten-Cursors die hinter den Punkten liegenden Bilddaten inspizieren kann, um herauszufinden, welche Strukturen zu welcher Bildgebungsmodalität gehören. Der Benutzer kann dann, beispielsweise wiederrum mittels eines Lasso-Tools, besonders effiziente Metadateneinträge bezüglich der Metadatenklasse „Bildgebungsmodalität, mittels welcher der medizinische Trainingsbilddatensatz aufgenommen worden ist“ vergeben.
  • Im gezeigten Fall hat der Benutzer beispielsweise in zwei Segmentierungen 111, 112 die PET-Bilddaten in der dargestellten Karte ausgewählt. Allen medizinischen Trainingsbilddatensätzen, welche sich in den zwei Segmentierungen 111, 112 befinden, kann dann der Metadateneintrag „PET-Bildgebung“ bezüglich der Metadatenklasse „Bildgebungsmodalität, mittels welcher der medizinische Trainingsbilddatensatz aufgenommen worden ist“ zugeordnet werden.
  • Obwohl die Erfindung im Detail durch die bevorzugten Ausführungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung dennoch nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.

Claims (20)

  1. Verfahren zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz, umfassend folgende Verfahrensschritte: – Festlegen von einer Metadatenklasse, umfassend mehrere Metadateneinträge, welche Merkmale von medizinischen Bilddaten charakterisieren, – Bereitstellen von einem trainierten künstlichen neuronalen Netz, – Erfassen von einem zu klassifizierenden medizinischen Bilddatensatz und – Klassifizierung des medizinischen Bilddatensatzes unter Anwendung des trainierten künstlichen neuronalen Netzes auf einen Bildinhalt des medizinischen Bilddatensatzes, wobei die Klassifizierung des medizinischen Bilddatensatzes umfasst, dass bezüglich der Metadatenklasse dem medizinischen Bilddatensatz ein Metadateneintrag der mehreren Metadateneinträge zugeordnet wird.
  2. Verfahren nach Anspruch 1, wobei die Metadatenklasse aus folgender Liste ausgewählt wird: – eine Körperregion, welche im medizinischen Bilddatensatz abgebildet wird, – eine Orientierung des medizinischen Bilddatensatzes, – eine Bildgebungsmodalität, mittels welcher der medizinische Bilddatensatz aufgenommen ist, – ein Protokolltyp, mittels welcher der medizinische Bilddatensatz aufgenommen ist, – eine Art von Bildstörungen, welche im medizinischen Bilddatensatz auftreten.
  3. Verfahren nach einem der vorhergehenden Ansprüche, wobei der medizinische Bilddatensatz anhand des dem medizinischen Bilddatensatz zugeordneten Metadateneintrags auf einer Darstellungsoberfläche einer Anzeigeeinheit dargestellt wird.
  4. Verfahren nach Anspruch 3, wobei die Darstellungsoberfläche mehrere Darstellungssegmente umfasst, wobei ein Darstellungssegment der mehreren Darstellungssegmente anhand des dem medizinischen Bilddatensatz zugeordneten Metadateneintrags ausgewählt wird und der medizinische Bilddatensatz in dem ausgewählten Darstellungssegment dargestellt wird.
  5. Verfahren nach einem der Ansprüche 3–4, wobei die Darstellungsoberfläche ein Eingabefeld für einen Benutzer umfasst, wobei die Darstellung des medizinischen Bilddatensatzes auf der Darstellungsoberfläche anhand einer Benutzereingabe des Benutzers in das Eingabefeld und eines Vergleichs der Benutzereingabe mit dem Metadateneintrag, welcher dem medizinischen Bilddatensatz zugeordnet ist, erfolgt.
  6. Verfahren nach einem der vorhergehenden Ansprüche, wobei mehrere medizinische Bilddatensätze mittels des trainierten künstlichen neuronalen Netzes klassifiziert werden, wobei den mehreren medizinischen Bilddatensätzen jeweils zumindest ein Metadateneintrag der mehreren Metadateneinträge zugeordnet werden, wobei eine statische Auswertung der mehreren medizinischen Bilddatensätze anhand der den mehreren medizinischen Bilddatensätzen zugeordneten Metadateneinträge erfolgt.
  7. Verfahren nach Anspruch 6, wobei bei der Klassifizierung der mehreren medizinischen Bilddatensätze einer ersten Menge mit einer ersten Anzahl an ersten medizinischen Bilddatensätzen der mehreren medizinischen Bilddatensätze ein erster Metadateneintrag zugeordnet wird und einer zweiten Menge mit einer zweiten Anzahl an zweiten medizinischen Bilddatensätzen der mehreren medizinischen Bilddatensätze ein zweiter Metadateneintrag zugeordnet wird, wobei die statistische Auswertung umfasst dass die erste Anzahl mit der zweiten Anzahl verglichen wird.
  8. Verfahren Anspruch 7, wobei die Metadatenklasse ein Auftreten einer bestimmten Art von Bildstörungen umfasst, wobei der erste Metadateneintrag für ein Auftreten der bestimmten Art von Bildstörungen im medizinischen Bilddatensatz steht und der zweite Metadateneintrag für ein Fehlen der bestimmten Art von Bildstörungen im medizinischen Bilddatensatz steht, wobei anhand des Vergleichs der ersten Anzahl mit der zweiten Anzahl eine Ausgabeinformation für einen Benutzer erstellt wird.
  9. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Bereitstellen des trainierten künstlichen neuronalen Netzes gemäß einem der Ansprüche 11–19 erfolgt.
  10. Erste Recheneinheit zu einer Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz, umfassend eine Festlegungseinheit, eine Bereitstellungseinheit, eine Erfassungseinheit und eine Klassifizierungseinheit, wobei die erste Recheneinheit zum Ausführen eines Verfahrens nach einem der vorhergehenden Ansprüche ausgebildet ist.
  11. Verfahren zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes, umfassend folgende Verfahrensschritte: – Festlegen von einer Metadatenklasse, umfassend mehrere Metadateneinträge, welche Merkmale von medizinischen Bilddaten charakterisieren, – Bereitstellen von mehreren medizinischen Trainingsbilddatensätzen, – Zuordnen von Metadateneinträgen bezüglich der Metadatenklasse zu den mehreren medizinischen Trainingsbilddatensätzen, – Training eines künstlichen neuronalen Netzes unter Verwendung eines Bildinhalts der mehreren medizinischen Trainingsbilddatensätze und der den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträgen, wobei das trainierte künstliche neuronale Netz eine Zuordnung von einem Metadateneintrag zu einem medizinischen Bilddatensatz ermöglicht, – Bereitstellen des trainierten künstlichen neuronalen Netzes für eine Klassifizierung eines medizinischen Bilddatensatzes.
  12. Verfahren nach Anspruch 11, wobei das Training des künstlichen neuronalen Netzes eine derartige Veränderung von Netzwerkparametern des künstlichen neuronalen Netzes umfasst, dass bei einer Anwendung des trainierten künstlichen neuronalen Netzes auf den Bildinhalt der mehreren medizinischen Trainingsbilddatensätze, das künstliche neuronale Netz den mehreren medizinischen Trainingsbilddatensätzen die den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträge zuweist.
  13. Verfahren nach einem der Ansprüche 11–12, wobei vor dem Bereitstellen des trainierten künstlichen neuronalen Netzes eine Überprüfung einer Validität des trainierten künstlichen neuronalen Netzes erfolgt, wobei für die Überprüfung der Validität des künstlichen neuronalen Netzes für einen Teil der medizinischen Trainingsbilddatensätze mittels des trainierten künstlichen neuronalen Netzes Metadateneinträge ermittelt werden und die so ermittelten Metadateneinträge mit den dem Teil der medizinischen Trainingsbilddatensätze zugeordneten Metadateneinträge verglichen werden.
  14. Verfahren nach Anspruch 13, wobei der Teil der medizinischen Bilddatensätze bei dem Training des künstlichen neuronalen Netzes ausgeschlossen wird.
  15. Verfahren nach einem der Ansprüche 11–14, wobei das Training des künstlichen neuronalen Netzes einen ersten Trainingsschritt und einen zweiten Trainingsschritt umfasst, wobei während des ersten Trainingsschritts das künstliche neuronale Netz lediglich auf Grundlage des Bildinhalts der mehreren medizinischen Trainingsbilddatensätze mittels unüberwachten Lernen trainiert wird und während des zweiten Trainingsschritts eine Verfeinerung des im ersten Trainingsschritts durchgeführten Trainings des künstlichen neuronalen Netzes unter Verwendung der den mehreren medizinischen Trainingsbilddatensätzen zugeordneten Metadateneinträgen erfolgt.
  16. Verfahren nach einem der Ansprüche 11–15, wobei das Zuordnen der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen einen Vorverarbeitungsschritt umfasst, bei welchem die mehreren medizinischen Trainingsbilddatensätze mittels unüberwachten Lernen verarbeitet werden.
  17. Verfahren nach Anspruch 16, wobei das unüberwachte Lernen einen Einsatz einer Self-Organizing Maps (SOM) Methode und/oder einer t-Stochastic Neighbourhood Embedding (t-SNE) Methode umfasst.
  18. Verfahren nach einem der Ansprüche 16–17, wobei die im Vorverarbeitungsschritt vorverarbeiteten medizinischen Trainingsbilddatensätze einem Benutzer in Form einer Karte angezeigt werden, wobei der Benutzer mittels einer Interaktion mit der Karte die Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen zuordnet.
  19. Verfahren nach Anspruch 18, wobei der Benutzer die Zuordnung der Metadateneinträge zu den mehreren medizinischen Trainingsbilddatensätzen mittels eines graphischen Segmentierungswerkzeugs auf der angezeigten Karte durchführt.
  20. Zweite Recheneinheit zu einem Bereitstellen eines trainierten künstlichen neuronalen Netzes, umfassend eine Festlegungseinheit, eine erste Bereitstellungseinheit, eine Zuordnungseinheit, eine Trainingseinheit und eine zweite Bereitstellungseinheit, wobei die zweite Recheneinheit zum Ausführen eines Verfahrens nach einem der Ansprüche 10–19 ausgebildet ist.
DE102015212953.5A 2015-07-10 2015-07-10 Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen Pending DE102015212953A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102015212953.5A DE102015212953A1 (de) 2015-07-10 2015-07-10 Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen
CN201610506686.0A CN106339571B (zh) 2015-07-10 2016-06-30 用于分类医学图像数据组的人工神经网络
US15/205,105 US20170011185A1 (en) 2015-07-10 2016-07-08 Artificial neural network and a method for the classification of medical image data records

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102015212953.5A DE102015212953A1 (de) 2015-07-10 2015-07-10 Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen

Publications (1)

Publication Number Publication Date
DE102015212953A1 true DE102015212953A1 (de) 2017-01-12

Family

ID=57584111

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102015212953.5A Pending DE102015212953A1 (de) 2015-07-10 2015-07-10 Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen

Country Status (3)

Country Link
US (1) US20170011185A1 (de)
CN (1) CN106339571B (de)
DE (1) DE102015212953A1 (de)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3409230A1 (de) 2017-05-31 2018-12-05 Siemens Healthcare GmbH Bewegen eines roboterarms
EP3586748A1 (de) * 2018-06-26 2020-01-01 Siemens Healthcare GmbH Verfahren zum betreiben eines medizinischen bildgebungsgeräts sowie bildgebungsgerät
US11564651B2 (en) 2020-01-14 2023-01-31 GE Precision Healthcare LLC Method and systems for anatomy/view classification in x-ray imaging
DE102021210281A1 (de) 2021-09-16 2023-03-16 Siemens Healthcare Gmbh Computerimplementiertes Verfahren zur Zuordnung wenigstens eines Kontrastes zu wenigstens einem Magnetresonanzbilddatensatz, Zuordnungseinrichtung, Computerprogramm und elektronisch lesbarer Datenträger

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017203315A1 (de) * 2017-03-01 2018-09-06 Siemens Healthcare Gmbh Verfahren und Datenverarbeitungseinheit zur Auswahl eines Protokolls für eine medizinische Bildgebungsuntersuchung
EP3379487B1 (de) * 2017-03-21 2023-10-04 Siemens Healthcare GmbH Kontrastverstärkte wiedergabe von spektralen ct-bilddaten
CN108733967A (zh) * 2017-04-24 2018-11-02 太豪生医股份有限公司 云端医疗图像分析系统与方法
US11276163B2 (en) 2017-05-02 2022-03-15 Alvitae LLC System and method for facilitating autonomous control of an imaging system
EP4181085A1 (de) * 2017-06-30 2023-05-17 Axis AB Verfahren und system zum trainieren eines neuronalen netzes zur klassifizierung von objekten oder ereignissen
EP3451286B1 (de) * 2017-08-30 2019-08-28 Siemens Healthcare GmbH Verfahren zum segmentieren einer organstruktur eines untersuchungsobjekts in medizinischen bilddaten
EP3477583A1 (de) 2017-10-31 2019-05-01 Koninklijke Philips N.V. Auf deep-learning basierte verarbeitung von bewegungsartefakten in magnetresonanz-bildgebungsdaten
DE102017221830A1 (de) * 2017-12-04 2019-06-06 Siemens Healthcare Gmbh Charakterisierung eines Störkörpers innerhalb eines Untersuchungsobjektes anhand eines medizinischen Bilddatensatzes
EP3703561A4 (de) * 2017-12-05 2021-08-25 Siemens Medical Solutions USA, Inc. Verbesserte bildgebung auf der basis eines multifokalen nicht-parallelen kollimators
US10930392B2 (en) * 2018-02-19 2021-02-23 General Electric Company System and method for processing ECG recordings from multiple patients for clinician overreading
EP3557274A1 (de) * 2018-04-19 2019-10-23 Koninklijke Philips N.V. Automatische artefaktdetektion und pulssequenzmodifizierung in der magnetresonanzbildgebung
EP3564906A1 (de) * 2018-05-04 2019-11-06 Siemens Healthcare GmbH Verfahren zur erzeugung von bilddaten bei einem computertomographiegerät, bilderzeugungsrechner, computertomographiegerät, computerprogrammprodukt und computerlesbarer datenträger
US10902588B2 (en) 2018-08-13 2021-01-26 International Business Machines Corporation Anatomical segmentation identifying modes and viewpoints with deep learning across modalities
US10726950B2 (en) * 2018-11-25 2020-07-28 Aivitae LLC Methods and systems for autonomous control of imaging devices
US11449755B2 (en) * 2019-04-29 2022-09-20 Microsoft Technology Licensing, Llc Sensitivity classification neural network
US11288806B2 (en) * 2019-09-30 2022-03-29 Siemens Healthcare Gmbh Protocol-aware tissue segmentation in medical imaging
CN110866880B (zh) * 2019-11-14 2023-04-28 上海联影智能医疗科技有限公司 图像伪影检测方法、装置、设备和存储介质
US11682135B2 (en) * 2019-11-29 2023-06-20 GE Precision Healthcare LLC Systems and methods for detecting and correcting orientation of a medical image
CN111126502B (zh) * 2019-12-26 2020-11-10 北京安德医智科技有限公司 一种面向人工智能辅助诊断的dicom医疗影像序列分类方法
US11455713B2 (en) * 2020-05-08 2022-09-27 Paypal, Inc. Automatic document processing
EP3996102A1 (de) * 2020-11-06 2022-05-11 Paul Yannick Windisch Verfahren zur erkennung von neurologischen anomalien

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064017A1 (en) * 2004-09-21 2006-03-23 Sriram Krishnan Hierarchical medical image view determination
US20060110036A1 (en) * 2004-11-23 2006-05-25 Hui Luo Automated radiograph classification using anatomy information
US20090106699A1 (en) * 2007-10-23 2009-04-23 Yuka Kihara Image processing device and image processing method
US20100042434A1 (en) * 2008-08-13 2010-02-18 Carestream Health, Inc. System and method for discovering information in medical image database
WO2015052351A1 (en) * 2013-10-11 2015-04-16 Mauna Kea Technologies Method for characterizing images acquired through a video medical device

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7085755B2 (en) * 2002-11-07 2006-08-01 Thomson Global Resources Ag Electronic document repository management and access system
CN101084511A (zh) * 2004-12-17 2007-12-05 皇家飞利浦电子股份有限公司 自动开发在医学诊断成像中产生医学有意义的描述符的高性能分类器的方法和装置
US7648460B2 (en) * 2005-08-31 2010-01-19 Siemens Medical Solutions Usa, Inc. Medical diagnostic imaging optimization based on anatomy recognition
US20100056947A1 (en) * 2008-08-27 2010-03-04 Lifeline Biotechnologies, Inc. Placeholder for collecting and analyzing thermal data based on breast surface temperature to determine suspect conditions
US8504726B2 (en) * 2009-07-27 2013-08-06 Corista LLC User targeted medical imaging and information packaging, compression and distribution system
CN102332162A (zh) * 2011-09-19 2012-01-25 西安百利信息科技有限公司 基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法
US9466012B2 (en) * 2013-07-11 2016-10-11 Radiological Imaging Technology, Inc. Phantom image classification
CN104462738B (zh) * 2013-09-24 2018-10-30 西门子公司 一种标注医学图像的方法、装置和系统
CN104484682A (zh) * 2014-12-31 2015-04-01 中国科学院遥感与数字地球研究所 一种基于主动深度学习的遥感图像分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064017A1 (en) * 2004-09-21 2006-03-23 Sriram Krishnan Hierarchical medical image view determination
US20060110036A1 (en) * 2004-11-23 2006-05-25 Hui Luo Automated radiograph classification using anatomy information
US20090106699A1 (en) * 2007-10-23 2009-04-23 Yuka Kihara Image processing device and image processing method
US20100042434A1 (en) * 2008-08-13 2010-02-18 Carestream Health, Inc. System and method for discovering information in medical image database
WO2015052351A1 (en) * 2013-10-11 2015-04-16 Mauna Kea Technologies Method for characterizing images acquired through a video medical device

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KALPATHY-CRAMER, J. [et al.]: Automatic Image Modality Based Classification and Annotation to Improve Medical Image Retrieval. Medinfo 2007: Proceedings of the 12th World Congress on Health (Medical) Informatics, S. 1334-1338; im Internet verfügbar unter der URL:http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.87.3715 [recherchiert am 20.6.2016]. *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3409230A1 (de) 2017-05-31 2018-12-05 Siemens Healthcare GmbH Bewegen eines roboterarms
US10470740B2 (en) 2017-05-31 2019-11-12 Siemens Healthcare Gmbh Moving a robot arm
EP3586748A1 (de) * 2018-06-26 2020-01-01 Siemens Healthcare GmbH Verfahren zum betreiben eines medizinischen bildgebungsgeräts sowie bildgebungsgerät
US10706546B2 (en) 2018-06-26 2020-07-07 Siemens Healthcare Gmbh Method for operating a medical imaging device and a medical imaging device
US11564651B2 (en) 2020-01-14 2023-01-31 GE Precision Healthcare LLC Method and systems for anatomy/view classification in x-ray imaging
DE102021210281A1 (de) 2021-09-16 2023-03-16 Siemens Healthcare Gmbh Computerimplementiertes Verfahren zur Zuordnung wenigstens eines Kontrastes zu wenigstens einem Magnetresonanzbilddatensatz, Zuordnungseinrichtung, Computerprogramm und elektronisch lesbarer Datenträger

Also Published As

Publication number Publication date
US20170011185A1 (en) 2017-01-12
CN106339571A (zh) 2017-01-18
CN106339571B (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
DE102015212953A1 (de) Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen
DE102015217429A1 (de) Diagnosesystem und Diagnoseverfahren
DE112018002822T5 (de) Klassifizieren neuronaler netze
EP2648122B1 (de) Verfahren zum Laden von medizinischen Bilddaten sowie Vorrichtung zur Durchführung des Verfahrens
DE102011053044A1 (de) System und Verfahren zur Analyse und sichtbaren Darstellung lokaler klinischer Merkmale
WO2018094438A1 (de) Verfahren und system zum erstellen einer medizinischen bilddatenbank mittels eines konvolutionellen neuronalen netzwerk
DE112019001044T5 (de) Verfahren und vorrichtung für maschinelles lernen, programm, gelerntes modell und diskriminiervorrichtung
DE102011080260A1 (de) Verfahren und Anordnung zur rechnergestützten Darstellung bzw. Auswertung von medizinischen Untersuchungsdaten
DE112020004049T5 (de) Krankheitserkennung aus spärlich kommentierten volumetrischen medizinischen bildern unter verwendung eines faltenden langen kurzzeitgedächtnisses
DE112019002206T5 (de) Knockout-autoencoder zum erkennen von anomalien in biomedizinischen bildern
DE102022112136A1 (de) Medizinisches bildanalysegerät, verfahren und medizinisches bild, visualisierungsgerät und verfahren
DE102006058941A1 (de) Verfahren und Vorrichtung zum Auswählen computergestützter Algorithmen, basierend auf dem Protokoll und/oder Parametern eines Akquisitionssystems
DE102014213408A1 (de) Verfahren zur Ermittlung eines dreidimensionalen Modelldatensatzes eines wenigstens ein Gefäßsegment umfassenden Blutgefäßsystems
DE102018214325A1 (de) Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes
DE112019005902T5 (de) Ähnlichkeitsbestimmungsvorrichtung, ähnlichkeitsbestimmungsverfahren und ähnlichkeitsbestimmungsprogramm
DE102013218806A1 (de) Verfahren zur Auswertung einer Untersuchung
DE202021004196U1 (de) Vorrichtungen zur automatischen Erkennung von Covid-19 in CT- Bildern des Brustkorbs
EP3404436B1 (de) Funktionelle magnetresonanz-bildgebung
DE102020206059A1 (de) Computerimplementiertes Verfahren und System zum Trainieren eines Auswertungsalgorithmus, Computerprogramm und elektronisch lesbarer Datenträger
DE102017203315A1 (de) Verfahren und Datenverarbeitungseinheit zur Auswahl eines Protokolls für eine medizinische Bildgebungsuntersuchung
EP4016543A1 (de) Verfahren und vorrichtung zur bereitstellung einer medizinischen information
DE102021124256A1 (de) Mobile ki
DE112021005678T5 (de) Normieren von OCT-Bilddaten
DE112018005891T5 (de) Bibliotheks-Screening auf Krebswahrscheinlichkeit
DE112021004926T5 (de) Bildkodiervorrichtung, bildkodierverfahren, bildkodierprogramm,bilddekodiervorrichtung, bilddekodierverfahren, bilddekodierprogramm,bildverarbeitungsvorrichtung, lernvorrichtung, lernverfahren, lernprogramm, suchvorrichtung für ähnliche bilder, suchverfahren für ähnliche bilder, und suchprogramm für ähnliche bilder

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: G06F0019000000

Ipc: G16Z0099000000

R016 Response to examination communication
R081 Change of applicant/patentee

Owner name: SIEMENS HEALTHINEERS AG, DE

Free format text: FORMER OWNER: SIEMENS HEALTHCARE GMBH, MUENCHEN, DE