DE102016209032B3

DE102016209032B3 - Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt

Info

Publication number: DE102016209032B3
Application number: DE102016209032.1A
Authority: DE
Inventors: Thomas Allmendinger
Original assignee: Siemens Healthcare GmbH
Current assignee: Siemens Healthineers Ag De
Priority date: 2016-05-24
Filing date: 2016-05-24
Publication date: 2017-09-14
Anticipated expiration: 2036-05-25
Also published as: CN107423551A; US20170344701A1; CN107423551B

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zum Durchführen einer bildgebenden medizinischen Untersuchung, mit den Schritten eines Erzeugens (S101) eines Entscheidungsbaumes (103) auf Basis von Trainingsdatensätzen (107), von denen jeder Daten über Patienteneigenschaften und ein zugeordnetes Scanprotokoll umfasst; eines Auswählens (S102) eines Scanprotokolls (109) auf Basis des erzeugten Entscheidungsbaumes (103) und eines Patientendatensatzes (111), der Daten über die Patienteneigenschaften des zu untersuchenden Patienten umfasst; und eines Erzeugens (S103) eines Bildes mittels einem bildgebenden Gerät (115) auf Basis des ausgewählten Scanprotokolls (109).

Description

Die vorliegende Erfindung betrifft ein Verfahren und ein bildgebendes Gerät zum Durchführen einer bildgebenden Untersuchung sowie ein zugehöriges Computerprogrammprodukt.
Beim Betrieb eines CT-Scanners wird basierend auf einer klinischen Anforderung ein Scanprotokoll ausgewählt, das alle technischen Parameter zum Erzeugen von CT-Bildern definiert. Allerdings kann eine Anpassung einiger dieser Parameter auf Basis individueller Patienteneigenschaften erforderlich sein.
Zu den häufigsten Patienteneigenschaften, die eine solche Anpassung erforderlich machen, zählen das Gewicht und die Größe des Patienten, die Fähigkeit die Luft anhalten zu können, die allgemeine Bereitschaft zur Kooperation und bei kardiovaskulären Untersuchungen die Herzrate und die Art des Herzrhythmus.
Diese Anpassungen des Scanprotokolls können kompliziert sein, so dass diese im Betrieb oft nicht optimal umgesetzt werden. Daher sollte die Anpassung des Scanprotokolls bevorzugt automatisiert erfolgen. Bei dieser automatisierten Anpassung des Scanprotokolls an einen bestimmten Patienten ist es für einen Bediener des CT-Scanners wichtig, den Grund für eine Änderung in den Parametern des Scanprotokolls nachvollziehen zu können. Insbesondere ist es bei CT-Scannern nicht möglich, mehrere Untersuchungen mit unterschiedlichen Scanprotokollen durchzuführen, um anschließend ein bestmögliches Bild auszuwählen, da der Patient bei jeder dieser Untersuchungen einer Strahlenbelastung ausgesetzt ist. Bevor ein Scan von dem Bediener durchgeführt wird, sollte der Bediener von der Plausibilität der Parameter des Scanprotokolls überzeugt sein.
Dies kann dadurch gelöst werden, dass die verwendeten automatischen Algorithmen zur Bestimmung des Scanprotokolls einfach genug gehalten werden, um eine Nachvollziehbarkeit zu gewährleisten. Komplexe hochgradig nichtlineare Entscheidungsverfahren, wie beispielsweise neuronale Netze, ermöglichen nicht, dass ein Bediener den Grund erkennen kann, warum ein Parameter des Scanprotokolls durch den Algorithmus verändert worden ist. Demgegenüber beschränkt eine zu starke Einfachheit die Bildqualität des Bildgebungsverfahrens und auch die Art und Weise, wie das Bildgebungsverfahren trainiert wird oder erlernt wird.
Ein weiterer Ansatz ist die genaue Dokumentation und ein ausführliches Training eines komplexen Algorithmus, wie beispielsweise bei einer Dosisregelung. Allerdings ist durch die inhärente Komplexität die individuelle Konfiguration schwierig einzustellen.
Die DE 10 2011 002 928 A1 und die DE 10 2013 219 249 A1 beschreiben Möglichkeiten, automatisch ein Scanprotokoll für ein medizinisches Gerät zu erzeugen und dabei patientenspezifische Parameter zu berücksichtigen.
Die DE 10 2010 034 430 A1 betrifft ein Verfahren, um ein existierendes Mess-Protokoll für den Betrieb mit einem neuen Gerätetyp anzupassen und insbesondere zu konvertieren. Dazu können statistische Lernverfahren eingesetzt werden.
Die US 2015/0142457 A1 betrifft ein Verfahren, um manuelle Dateneingaben von medizinischen Parameterwerten unter Verwendung eines Wahrscheinlichkeitsmodells zu verbessern.
Es ist die Aufgabe der vorliegenden Erfindung, ein Scanprotokoll für die Durchführung einer bildgebenden medizinischen Untersuchung derart patientenspezifisch festzulegen, dass eine gute Bildqualität erreicht wird und eine Nachvollziehbarkeit von durchgeführten Parameteränderungen erreicht wird.
Diese Aufgabe wird durch Gegenstände nach den unabhängigen Ansprüchen gelöst. Vorteilhafte Ausführungsformen sind Gegenstand der abhängigen Ansprüche, der Beschreibung und der Figuren.
Gemäß einem ersten Aspekt wird die Aufgabe durch ein Verfahren zum Durchführen einer bildgebenden medizinischen Untersuchung gelöst, mit den Schritten eines Erzeugens eines Entscheidungsbaumes auf Basis von Trainingsdatensätzen, von denen jeder Daten über Patienteneigenschaften und ein zugeordnetes Scanprotokoll umfasst; eines Auswählens eines Scanprotokolls auf Basis des erzeugten Entscheidungsbaumes und eines Patientendatensatzes, der Daten über die Patienteneigenschaften des zu untersuchenden Patienten umfasst; und eines Erzeugens eines Bildes mittels einem bildgebenden Gerät auf Basis des ausgewählten Scanprotokolls. Dadurch wird beispielsweise der technische Vorteil erreicht, dass auf nachvollziehbare Weise ein Scanprotokoll ausgewählt wird, mit dem eine hohe Bildqualität erreicht wird.
Erfindungsgemäß wird der Entscheidungsbaum auf Basis eines C4.5-Algorithmus und/oder eines ID3-Algorithmus erzeugt. Dadurch wird beispielsweise der technische Vorteil erreicht, dass der Entscheidungsbaum mit einem geringen Aufwand erzeugt werden kann.
In einer weiteren technisch vorteilhaften Ausführungsform des Verfahrens wird der Entscheidungsbaum auf Basis eines Mittelns mehrerer Entscheidungsbäume erzeugt. Dadurch wird beispielsweise der technische Vorteil erreicht, dass sich die Signifikanz des Entscheidungsbaums verbessert.
In einer weiteren technisch vorteilhaften Ausführungsform des Verfahrens wird das erzeugte Bild durch einen Benutzer mittels einer Bewertungseinrichtung bewertet. Dadurch wird beispielsweise der technische Vorteil erreicht, dass zu dem Bild eine Information über die Bildqualität gespeichert werden kann.
In einer weiteren technisch vorteilhaften Ausführungsform des Verfahrens werden die Daten über die Patienteneigenschaften und das zugehörige Scanprotokoll des bewerteten Bildes als weiterer Trainingsdatensatz verwendet. Dadurch wird beispielsweise der technische Vorteil erreicht, dass sich die Anzahl an Trainingsdaten erhöht, so dass sich die Auswahl eines Scanprotokolls verbessert.
In einer weiteren technisch vorteilhaften Ausführungsform des Verfahrens werden die Trainingsdatensätze über eine Datenschnittstelle von einem zentralen Datenspeicher abgerufen, mit dem eine Mehrzahl von bildgebenden Geräten verbunden ist. Dadurch wird beispielsweise der technische Vorteil erreicht, dass auf eine breite Datenbasis zurückgegriffen werden kann.
Gemäß einem zweiten Aspekt wird die Aufgabe durch ein bildgebendes System zum Durchführen einer medizinischen Untersuchung gelöst, mit einem Entscheidungsbaumerzeuger zum Erzeugen eines Entscheidungsbaumes auf Basis von Trainingsdatensätzen, von denen jeder Daten über Patienteneigenschaften und ein zugeordnetes Scanprotokoll umfasst; einer Auswahleinrichtung zum Auswählen eines Scanprotokolls auf Basis des erzeugten Entscheidungsbaumes und eines Patientendatensatzes, der Daten über die Patienteneigenschaften des zu untersuchenden Patienten umfasst; und einem bildgebenden Gerät zum Erzeugen eines Bildes mittels dem bildgebenden Gerät auf Basis des ausgewählten Scanprotokolls. Durch das bildgebende System werden die gleichen technischen Vorteile wie durch das Verfahren nach dem ersten Aspekt erreicht.
Erfindungsgemäß ist der Entscheidungsbaumerzeuger ausgebildet, den Entscheidungsbaum auf Basis eines C4.5-Algorithmus und/oder eines ID3-Algorithmus zu erzeugen.
In einer weiteren technisch vorteilhaften Ausführungsform des bildgebenden Systems ist der Entscheidungsbaumerzeuger ausgebildet, den Entscheidungsbaum auf Basis eines Mittelns mehrerer Entscheidungsbäume zu erzeugen.
In einer weiteren technisch vorteilhaften Ausführungsform des bildgebenden Systems umfasst das bildgebende Gerät eine Bewertungseinrichtung zum Bewerten des erzeugten Bildes durch einen Benutzer.
In einer weiteren technisch vorteilhaften Ausführungsform des bildgebenden Systems ist der Entscheidungsbaumerzeuger ausgebildet, die Daten über die Patienteneigenschaften und das zugehörige Scanprotokoll des bewerteten Bildes als weiteren Trainingsdatensatz zu verwenden.
In einer weiteren technisch vorteilhaften Ausführungsform des bildgebenden Systems umfasst das bildgebende System eine Datenschnittstelle zum Abrufen der Trainingsdatensätze von einem zentralen Datenspeicher, mit dem eine Mehrzahl von bildgebenden Geräten verbunden ist.
In einer weiteren technisch vorteilhaften Ausführungsform des bildgebenden Systems ist das bildgebende Gerät ein Computertomographiegerät oder ein Magnetresonanzscanner.
Gemäß einem dritten Aspekt wird die Aufgabe durch ein Computerprogrammprodukt gelöst, das direkt in den Speicher eines digitalen Computers ladbare Softwarecodeabschnitte umfasst, mit denen das Verfahren nach dem ersten Aspekt ausgeführt wird, wenn die Softwarecodeabschnitte von dem Computer ausgeführt werden.
Das Computerprogrammprodukt kann durch ein Computerprogramm gebildet sein oder neben dem Computerprogramm mindestens einen zusätzlichen Bestandteil umfassen. Der mindestens eine zusätzliche Bestandteil kann als Hardware und/oder als Software ausgebildet sein.
Ein Beispiel für den mindestens einen zusätzlichen Bestandteil, der als Hardware ausgebildet ist, ist ein Speichermedium, das von dem digitalen Computer lesbar ist und/oder auf dem die Softwarecodeabschnitte gespeichert sind.
Ein Beispiel für den mindestens einen zusätzlichen Bestandteil, der als Software ausgebildet ist, ist ein Cloud-Anwendungs-Programm, welches zum Verteilen der Softwarecodeabschnitte auf verschiedene Verarbeitungseinheiten, insbesondere verschiedene Computer, eines Cloud-Computing-Systems ausgebildet ist, wobei jede der Verarbeitungseinheiten zum Ausführen eines oder mehrerer Softwarecodeabschnitte ausgebildet ist.
Insbesondere kann mit den Softwarecodeabschnitten das Verfahren nach dem ersten Aspekt ausgeführt werden, wenn die Softwarecodeabschnitte von den Verarbeitungseinheiten des Cloud-Computing-Systems ausgeführt werden. Ausführungsbeispiele der Erfindung sind in den Figuren der Zeichnung dargestellt und werden im Folgenden näher beschrieben.
Es zeigen:
1 eine schematische Darstellung eines bildgebenden Systems;
2 eine schematische Erzeugung eines Entscheidungsbaums;
3 einen Scatterplot mit Patienteneigenschaften;
4 ein automatisch erzeugtes Ergebnis eines Entscheidungsbaums für Trainingsdaten; und
5 ein Blockdiagramm eines Verfahrens zum Durchführen einer bildgebenden medizinischen Untersuchung.
1 zeigt eine schematische Darstellung eines bildgebenden Systems 100. Das System umfasst ein bildgebendes Gerät 115, das auf Basis eines Scanprotokolls ein Bild 123 eines zu untersuchenden Patienten erzeugt. In dem Scanprotokoll sind die technischen Parameter für die Durchführung der bildgebenden Untersuchung angegeben, wie beispielsweise Strahlendosen oder Pulslängen. Diese technischen Parameter werden von dem bildgebenden Gerät 115 bei der Durchführung der Untersuchung verwendet. Das bildgebende Gerät 115 ist beispielsweise ein Magnetresonanztomographiegerät oder ein Computertomographiegerät.
Das bildgebende Gerät 115 umfasst einen Entscheidungsbaumerzeuger 101, der zum Erzeugen eines Entscheidungsbaumes 103 auf Basis von Trainingsdatensätzen dient. Die Trainingsdatensätze umfassen jeweils Daten über die relevanten Patienteneigenschaften und ein zu diesen Patienteneigenschaften zugeordnetes Scanprotokoll. Der Entscheidungsbaumerzeuger 101 wendet einen C4.5-Algorithmus zum Training von Entscheidungsbäumen zur automatischen Festlegung von Scanparametern an. Als Eingabedaten wird die CT-Scanner-Bedienung von Expertenbenutzern verwendet, ohne dass diese ihr Wissen explizit wiedergeben müssen.
Zudem umfasst das bildgebende Gerät 115 eine Auswahleinrichtung 105 zum Auswählen des Scanprotokolls 109 auf Basis des erzeugten Entscheidungsbaumes 103 und auf Basis eines Patientendatensatzes 111, der Daten über die Patienteneigenschaften des zu untersuchenden Patienten umfasst. Der Patientendatensatz 111 kann von einem Bediener manuell in das bildgebende Gerät 115 eingegeben werden.
Im Allgemeinen können der Entscheidungsbaumerzeuger 101 und die Auswahleinrichtung 105 nicht nur innerhalb des bildgebenden Gerätes 115 angeordnet sein, sondern sich auch an anderen Orten des bildgebenden Systems 100 befinden. Der Entscheidungsbaumerzeuger 101 und die Auswahleinrichtung 105 können durch ein Computerprogramm oder eine digitale elektrische Schaltung implementiert sein.
Zudem umfasst das bildgebende Systems 100 eine Anzeige 121 zum Darstellen der gewonnenen Bilder und der erzeugten Entscheidungsbäume, wie beispielsweise einen Flachbildschirm. Auf der Anzeige 121 kann eine Bewertungseinrichtung 113 an der Anzeige 121 vorgesehen oder abgebildet sein, die ein Bewerten des erzeugten Bildes 123 durch einen Benutzer erlaubt. Dadurch ist es möglich, einen weiteren Trainingsdatensatz 107 für das Bild 123 zu erzeugen, der Daten über die eingegebenen Patienteneigenschaften, das verwendete Scanprotokoll und die Bewertung der Bildqualität durch einen Benutzer umfasst.
Zudem umfasst das bildgebende Gerät 115 eine Datenschnittstelle 117, über die die Trainingsdaten von einem zentralen Server heruntergeladen werden können. Die Datenschnittstelle 117 ermöglicht zudem ein Heraufladen von weiteren Trainingsdatensätzen 107 an den zentralen Server.
Durch den zentralen Server können die Trainingsdaten einer Vielzahl von bildgebenden Geräten 115 bereitgestellt werden.
2 zeigt in komprimierter Form wie der Entscheidungsbaum 103 erzeugt und trainiert wird. Zunächst wird der Entscheidungsbaum 103 auf Basis der Trainingsdatensätze 107 erzeugt. Die Trainingsdatensätze 107 umfassen jeweils Daten über die Patienteneigenschaften, die für die Untersuchung an dem bildgebenden Gerät 115 relevant sind, und ein zugeordnetes Scanprotokoll, durch das in der Vergangenheit Bilder mit hoher Qualität erzeugt werden konnten.
Für die Erzeugung des Entscheidungsbaumes 103 wird erfindungsgemäß ein C4.5-Algorithmus oder ein ID3-Algorithmus verwendet. Der C4.5-Algorithmus ist ein Algorithmus des Konzeptlernens, d. h. einer Form des maschinellen Lernens. Der C4.5-Algorithmus ist eine Erweiterung des ID3-Algorithmus. Der C4.5-Algorithmus wird verwendet, um aus den Trainingsdatensätzen 107 den Entscheidungsbaum 103 zu erzeugen. Der durch das automatische Lernen mit Hilfe des C4.5-Algorithmus erzeugte Entscheidungsbaum 103 kann grafisch einfach dargestellt werden. Darüber hinaus wird gezeigt, dass die den Daten zugrundeliegende Entscheidung eine geringe Komplexität aufweist und im Wesentlichen lediglich von der Herzrate abhängt.
Der C4.5-Algorithmus analysiert die Datensätze und ordnet diese nach dem maximalen Informationsgehalt in Bezug auf die vorliegenden Patienteneigenschaften. Auf diese Weise wird ein Entscheidungsbaum 103 erzeugt, der als Wurzel das für die Entscheidung wichtigste Entscheidungskriterium enthält. Im weiteren Verlauf des Entscheidungsbaumes 103 nimmt die Relevanz ab. Dies hat den Vorteil, dass komplexe Regeln in einen klar nachvollziehbaren Entscheidungsbaum 103 umgewandelt werden.
Das prinzipielle Schema eines ID3-Algorithmus umfasst die Eingabe der Trainingsdatensätze 107. Falls alle Datensätze der Trainingsdatensätze 107 der gleichen Klasse angehören, wird ein neues Blatt erzeugt und mit der jeweiligen Klasse markiert.
Falls nicht alle Trainingsdatensätze 107 der gleichen Klasse angehören, wird zunächst ein Attribut (Eigenschaft) gemäß einer heuristischen Funktion ausgewählt. Anschließend wird ein neuer Knoten mit dem Attribut als Test erzeugt. Danach wird für jeden Wert des Attributs, die Menge aller Datensätze mit Werten bestimmt, die in Übereinstimmung mit dem Attribut sind, der ID3-Algorithmus wird verwendet, um einen Entscheidungsbaum 103 für die bestimmte Menge zu konstruieren, und es wird eine Kante erzeugt, die den Knoten mit dem Entscheidungsbaum 103 verbindet. Schließlich wird der erzeugte Entscheidungsbaum 103 ausgegeben.
Ein Informationsgewinn (Information Gain) kann dadurch bestimmt werden, dass, wenn ein Attribut die Trainingsdatensätze 107 in Teilmengen trennt, die durchschnittliche Entropie berechnet wird und die Summe mit der Entropie der ursprünglichen Trainingsdaten verglichen wird.
Der Informationsgewinn für ein Attribut A, die Menge S und die Teilmengen S_i berechnet sich zu
Es wird dasjenige Attribut A ausgewählt, das die Differenz maximiert, d. h. dasjenige Attribut, das die Unordnung am meisten verringert. Dabei ist ein Maximieren des Informationsgewinns äquivalent zu einem Minimieren der durchschnittlichen Entropie, da E(S) konstant für alle Attribute A ist.
Anschließend wird ein Patientendatensatz 111 mithilfe des erzeugten Entscheidungsbaums 103 klassifiziert und einem Scanprotokoll 109 zugeordnet. Der Patientendatensatz 111 umfasst Daten über Patienteneigenschaften, die für die Untersuchung an dem bildgebenden Gerät 115 relevant sind, wie beispielsweise Alter, Gewicht oder den Zeitraum in dem der Patient die Luft anhalten kann. Anhand des Patientendatensatzes 111 kann der Entscheidungsbaum 103 von der Wurzel her durchlaufen werden, so dass an den Blättern des Entscheidungsbaums 103 ein zu verwendendes Scanprotokoll 109 für den Patientendatensatz 111 erhalten wird.
Das so ausgewählte Scanprotokoll 109 wird anschließend bei der bildgebenden Untersuchung durch das bildgebendes Gerät 115 verwendet.
3 zeigt einen Scatterplot. Die Daten basieren auf einer Simulation, die den Zusammenhang zwischen den Eingangsgrößen und dem Scanprotokoll darstellen. Das simulierte Verhalten stellt in diesem Fall einen Experten mit wohlüberlegten Entscheidungen nach.
Für einen künstlich mit Regeln gewürfelten Datensatz ist der in den Trainingsdaten liegende Zusammenhang zwischen den Patienteneigenschaften Herzrate (hr), Herzfrequenzvariabilität (hrv) und Alter (a) sowie der im Lernschritt verwendeten Zielgröße des Scanprotokolls (301 – „High Pitch”, 302 – „Sequence”, 303 – „Spiral”) gezeigt.
4 zeigt den automatisch erzeugten Entscheidungsbaum 103 für Trainingsdaten, die ein Expertenwissen nachbilden. Der durch das automatische Lernen mit Hilfe des C4.5-Algorithmus erzeugte Entscheidungsbaum 103 kann grafisch einfach dargestellt werden. Darüber hinaus wird gezeigt, dass die Entscheidung übergeordnet vom Herzrhythmus (hrv) abhängt und nachgeordnet von der mittleren Herzrate (hr). Die Genauigkeit liegt bei 92%, was ein Maß für die Konsistenz des Vorgehens ist.
Der Entscheidungsbaumerzeuger 101 liefert durch eine Verhaltens- oder Benutzeranalyse auf Basis von Trainingsdatensätzen 107 einen hierarchischen Entscheidungsbaum 103, der die einzelnen zu treffenden Entscheidungen hinsichtlich des Scanprotokolls 109 nach deren Wichtigkeit anordnet. Dieses Wissen aus den Trainingsdatensätzen 107 wird in Form eines automatisch erzeugten Entscheidungsbaums 103 repräsentiert. Dies ist von Vorteil, um einen Bediener bei der Anwendung des bildgebenden Gerätes 115 von der Korrektheit und Plausibilität des ausgewählten Scanprotokolls 109 zu überzeugen. Die Möglichkeit eines Nachvollziehens der Entscheidung liegt in der einfachen Repräsentation als Entscheidungsbaum 103 und in visueller Form als Sunburst-Diagramm, das aus dem Entscheidungsbaum 103 abgeleitet wird. Darüber hinaus erlaubt die Anwendung eines abgewandelten Boosting-Verfahrens den Einbau einer einfachen Feedback-Schleife hinsichtlich des Scan-Ergebnisses in den Algorithmus.
Außerdem ermöglicht die einfache Repräsentation als Entscheidungsbaum 103, die manuelle Anpassung des Entscheidungsbaums 103 durch Kürzen, Erweitern oder Zusammenfassen von Ästen. Der Algorithmus ermöglicht zudem einen Umgang mit fehlenden Informationen über Patienteneigenschaften, wie wenn beispielsweise das Gewicht des Patienten nicht bekannt ist.
5 zeigt ein Blockdiagramm des Verfahrens zum Durchführen der bildgebenden medizinischen Untersuchung. Das Verfahren umfasst den Schritt eines Erzeugens S101 des Entscheidungsbaumes 103 auf Basis der Trainingsdatensätze 107, von denen jeder Daten über die relevanten Patienteneigenschaften und ein zugeordnetes Scanprotokoll umfasst. In einem Schritt S102 wird ein Scanprotokoll 109 auf Basis des erzeugten Entscheidungsbaumes 103 und des Patientendatensatzes 111 ausgewählt, der Daten über die Patienteneigenschaften des zu untersuchenden Patienten umfasst. In einem Schritt S103 das Bild mittels dem bildgebenden Gerät 115 auf Basis des ausgewählten Scanprotokolls 109 erzeugt.
Eine Datenbank kann Daten aus dem Verhalten von anerkannten Expertenbenutzern aus dem jeweiligen klinischen Gebiet als Trainingsdatensätze 107 umfassen. Darüber hinaus kann das Training des Entscheidungsbaumes 103 dadurch gesteuert werden, dass durch ein interaktives Feedback des Bedieners an der Bewertungseinrichtung 113 festgelegt wird, ob der Scan erfolgreich war (Boosting). Dadurch kann ein neuer Trainingsdatensatz 107 als positives oder negatives Beispiel in das Training des Entscheidungsbaumes 103 eingehen. Zudem ist es einfach möglich, die automatisch generierten Entscheidungsbäume 103 manuell zu verändern und anzupassen. Diese Eigenschaft ist von Vorteil für eine Wartung und Konfiguration des Automatismus, wenn dieser als Teil einer Software angeboten wird.
Auf diese Weise kann ein automatisch erzeugter Entscheidungsbaum 103 zur Auswahl eines Scanprotokolls 109 angewendet werden, der auf den Regeln eines Experten beruht und in der Anwendung zu nachvollziehbaren Entscheidungen hinsichtlich des Scanprotokolls 109 führt. Zur Visualisierung des Ablaufs kann neben einer klassischen Baumdarstellung ein Sunburst-Diagramm verwendet werden. Des Weiteren ist es möglich mehrere Entscheidungsbäume 103 zu mitteln, um ein Mittel als Lösung für die Auswahl des Scanprotokolls 109 anbieten zu können.
Die Art der Datenauswertung ermöglicht es zudem, die einrichtungs- oder länderspezifische Vorgehensweise in Bezug auf die Auswahl des Scanprotokolls zu analysieren und gegebenenfalls als weiteren Lösungsvorschlag im Rahmen eines transparenten Automatismus an andere Benutzer weiterzugeben. Im direkten Vergleich lassen sich nun einfache Schlüsse aus den erzeugten Entscheidungsbäumen 103 ziehen, die es ermöglichen, die klinisch erlaubte Herzrate für ein bestimmtes Scanprotokoll einfach zu bestimmen.
Darüber hinaus ist eine Verallgemeinerung zu anderen Entscheidungen denkbar. Grundlage und zentraler Schritt ist die Verwendung eines dedizierten Entscheidungsbaum-Algorithmus, der durch die Auswertung bestehender Daten einen für den Menschen einfach verständlichen hierarchischen Entscheidungsbaum 103 liefert.
Auf Basis des lernenden Entscheidungsbaums kann ein Algorithmus das bisherige Verhalten eines Bedieners analysieren und daraus einen neuen, optimalen Entscheidungsbaum ableiten. Das bisherige Verhalten ist beispielsweise in einer Datenbank mit den bereits durchgeführten Scans als Trainingsdatensätzen 107 gespeichert, die die individuellen Eingangskriterien des Patienten umfasst, wie beispielsweise Gewicht, Alter, Herzrate, Rhythmus, sowie das in diesem Fall verwendete Scanprotokoll.
Darüber hinaus ist es durch die Kombination eines Trainings, das auf echten Daten beruht, und die zusätzliche Auswertung der Daten bezüglich der Dosis oder Uhrzeit möglich, verschiedene Strategien in einer Baumdarstellung anzubieten, die dann für dieselbe Untersuchung einen ”Low-Dose” oder ”Night-Shift”-Baum generieren.
Alle in Verbindung mit einzelnen Ausführungsformen der Erfindung erläuterten und gezeigten Merkmale können in unterschiedlicher Kombination in dem erfindungsgemäßen Gegenstand vorgesehen sein, um gleichzeitig deren vorteilhafte Wirkungen zu realisieren.
Alle Verfahrensschritte können durch Vorrichtungen implementiert werden, die zum Ausführen des jeweiligen Verfahrensschrittes geeignet sind. Alle Funktionen, die von gegenständlichen Merkmalen ausgeführt werden, können ein Verfahrensschritt eines Verfahrens sein.
Der Schutzbereich der vorliegenden Erfindung ist durch die Ansprüche gegeben und wird durch die in der Beschreibung erläuterten oder den Figuren gezeigten Merkmale nicht beschränkt.

Claims

Verfahren zum Durchführen einer bildgebenden medizinischen Untersuchung, mit den Schritten: – Erzeugen (S101) eines Entscheidungsbaumes (103) auf Basis von Trainingsdatensätzen (107), von denen jeder Daten über Patienteneigenschaften und ein zugeordnetes Scanprotokoll umfasst und wobei der Entscheidungsbaum (103) auf Basis eines C4.5-Algorithmus und/oder eines ID3-Algorithmus erzeugt wird; – Auswählen (S102) eines Scanprotokolls (109) auf Basis des erzeugten Entscheidungsbaumes (103) und eines Patientendatensatzes (111), der Daten über die Patienteneigenschaften des zu untersuchenden Patienten umfasst; und – Erzeugen (S103) eines Bildes mittels eines bildgebenden Geräts (115) auf Basis des ausgewählten Scanprotokolls (109).
Verfahren Anspruch 1, wobei der Entscheidungsbaum (103) auf Basis eines Mittelns mehrerer Entscheidungsbäume erzeugt wird.
Verfahren nach Anspruch 1 oder 2, wobei das erzeugte Bild durch einen Benutzer mittels einer Bewertungseinrichtung (113) bewertet wird.
Verfahren nach Anspruch 3, wobei die Daten über die Patienteneigenschaften und das zugehörige Scanprotokoll des bewerteten Bildes als weiterer Trainingsdatensatz (107) verwendet werden.
Verfahren nach einem der vorangehenden Ansprüche, wobei die Trainingsdatensätze (107) über eine Datenschnittstelle (117) von einem zentralen Datenspeicher abgerufen werden, mit dem eine Mehrzahl von bildgebenden Geräten (115) verbunden ist.
Bildgebendes System (100) zum Durchführen einer medizinischen Untersuchung, mit: – einem Entscheidungsbaumerzeuger (101) zum Erzeugen eines Entscheidungsbaumes (103) auf Basis von Trainingsdatensätzen (107), von denen jeder Daten über Patienteneigenschaften und ein zugeordnetes Scanprotokoll umfasst und wobei der Entscheidungsbaumerzeuger (103) ausgebildet ist, den Entscheidungsbaum auf Basis eines C4.5-Algorithmus und/oder eines ID3-Algorithmus zu erzeugen; – einer Auswahleinrichtung (105) zum Auswählen eines Scanprotokolls (109) auf Basis des erzeugten Entscheidungsbaumes (103) und eines Patientendatensatzes (111), der Daten über die Patienteneigenschaften des zu untersuchenden Patienten umfasst; und – einem bildgebenden Gerät (115) zum Erzeugen eines Bildes mittels des bildgebenden Geräts (115) auf Basis des ausgewählten Scanprotokolls (109).
Bildgebendes System (100) nach Anspruch 6, wobei der Entscheidungsbaumerzeuger (103) ausgebildet ist, den Entscheidungsbaum auf Basis eines Mittelns mehrerer Entscheidungsbäume zu erzeugen.
Bildgebendes System (100) nach einem der Ansprüche 6 oder 7, wobei das bildgebende Gerät (115) eine Bewertungseinrichtung (113) zum Bewerten des erzeugten Bildes durch einen Benutzer umfasst.
Bildgebendes System (100) nach Anspruch 8, wobei der Entscheidungsbaumerzeuger (101) ausgebildet ist, die Daten über die Patienteneigenschaften und das zugehörige Scanprotokoll des bewerteten Bildes als weiteren Trainingsdatensatz (107) zu verwenden.
Bildgebendes System (100) nach einem der Ansprüche 6 bis 9, wobei das bildgebende System (100) eine Datenschnittstelle (117) zum Abrufen der Trainingsdatensätze (107) von einem zentralen Datenspeicher umfasst, mit dem eine Mehrzahl von bildgebenden Geräten (115) verbunden ist.
Bildgebendes System (100) nach einem der Ansprüche 6 bis 10, wobei das bildgebende Gerät (115) ein Computertomographiegerät oder ein Magnetresonanzscanner ist.
Computerprogrammprodukt, das direkt in den Speicher eines digitalen Computers ladbare Softwarecodeabschnitte umfasst, mit denen das Verfahren nach einem der Ansprüche 1 bis 5 ausgeführt wird, wenn die Softwarecodeabschnitte von dem Computer ausgeführt werden.