DE102016209032B3 - Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt - Google Patents
Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt Download PDFInfo
- Publication number
- DE102016209032B3 DE102016209032B3 DE102016209032.1A DE102016209032A DE102016209032B3 DE 102016209032 B3 DE102016209032 B3 DE 102016209032B3 DE 102016209032 A DE102016209032 A DE 102016209032A DE 102016209032 B3 DE102016209032 B3 DE 102016209032B3
- Authority
- DE
- Germany
- Prior art keywords
- decision tree
- patient
- scan protocol
- data
- imaging
- 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.)
- Active
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004590 computer program Methods 0.000 title claims description 8
- 238000003066 decision tree Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000002591 computed tomography Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 241001354471 Pseudobahia Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010003830 Automatism Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/54—Control of apparatus or devices for radiation diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
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 dieDE 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 - 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 Systems100 . Das System umfasst ein bildgebendes Gerät115 , das auf Basis eines Scanprotokolls ein Bild123 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 Gerät115 bei der Durchführung der Untersuchung verwendet. Das bildgebende Gerät115 ist beispielsweise ein Magnetresonanztomographiegerät oder ein Computertomographiegerät. - Das bildgebende Gerät
115 umfasst einen Entscheidungsbaumerzeuger101 , der zum Erzeugen eines Entscheidungsbaumes103 auf Basis von Trainingsdatensätzen dient. Die Trainingsdatensätze umfassen jeweils Daten über die relevanten Patienteneigenschaften und ein zu diesen Patienteneigenschaften zugeordnetes Scanprotokoll. Der Entscheidungsbaumerzeuger101 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 Auswahleinrichtung105 zum Auswählen des Scanprotokolls109 auf Basis des erzeugten Entscheidungsbaumes103 und auf Basis eines Patientendatensatzes111 , der Daten über die Patienteneigenschaften des zu untersuchenden Patienten umfasst. Der Patientendatensatz111 kann von einem Bediener manuell in das bildgebende Gerät115 eingegeben werden. - Im Allgemeinen können der Entscheidungsbaumerzeuger
101 und die Auswahleinrichtung105 nicht nur innerhalb des bildgebenden Gerätes115 angeordnet sein, sondern sich auch an anderen Orten des bildgebenden Systems100 befinden. Der Entscheidungsbaumerzeuger101 und die Auswahleinrichtung105 können durch ein Computerprogramm oder eine digitale elektrische Schaltung implementiert sein. - Zudem umfasst das bildgebende Systems
100 eine Anzeige121 zum Darstellen der gewonnenen Bilder und der erzeugten Entscheidungsbäume, wie beispielsweise einen Flachbildschirm. Auf der Anzeige121 kann eine Bewertungseinrichtung113 an der Anzeige121 vorgesehen oder abgebildet sein, die ein Bewerten des erzeugten Bildes123 durch einen Benutzer erlaubt. Dadurch ist es möglich, einen weiteren Trainingsdatensatz107 für das Bild123 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 Datenschnittstelle117 , über die die Trainingsdaten von einem zentralen Server heruntergeladen werden können. Die Datenschnittstelle117 ermöglicht zudem ein Heraufladen von weiteren Trainingsdatensätzen107 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 Entscheidungsbaum103 erzeugt und trainiert wird. Zunächst wird der Entscheidungsbaum103 auf Basis der Trainingsdatensätze107 erzeugt. Die Trainingsdatensätze107 umfassen jeweils Daten über die Patienteneigenschaften, die für die Untersuchung an dem bildgebenden Gerät115 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 Trainingsdatensätzen107 den Entscheidungsbaum103 zu erzeugen. Der durch das automatische Lernen mit Hilfe des C4.5-Algorithmus erzeugte Entscheidungsbaum103 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 Entscheidungsbaumes103 nimmt die Relevanz ab. Dies hat den Vorteil, dass komplexe Regeln in einen klar nachvollziehbaren Entscheidungsbaum103 umgewandelt werden. - Das prinzipielle Schema eines ID3-Algorithmus umfasst die Eingabe der Trainingsdatensätze
107 . Falls alle Datensätze der Trainingsdatensätze107 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 Entscheidungsbaum103 für die bestimmte Menge zu konstruieren, und es wird eine Kante erzeugt, die den Knoten mit dem Entscheidungsbaum103 verbindet. Schließlich wird der erzeugte Entscheidungsbaum103 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. -
- 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 Entscheidungsbaums103 klassifiziert und einem Scanprotokoll109 zugeordnet. Der Patientendatensatz111 umfasst Daten über Patienteneigenschaften, die für die Untersuchung an dem bildgebenden Gerät115 relevant sind, wie beispielsweise Alter, Gewicht oder den Zeitraum in dem der Patient die Luft anhalten kann. Anhand des Patientendatensatzes111 kann der Entscheidungsbaum103 von der Wurzel her durchlaufen werden, so dass an den Blättern des Entscheidungsbaums103 ein zu verwendendes Scanprotokoll109 für den Patientendatensatz111 erhalten wird. - Das so ausgewählte Scanprotokoll
109 wird anschließend bei der bildgebenden Untersuchung durch das bildgebendes Gerät115 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 Entscheidungsbaum103 für Trainingsdaten, die ein Expertenwissen nachbilden. Der durch das automatische Lernen mit Hilfe des C4.5-Algorithmus erzeugte Entscheidungsbaum103 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 Trainingsdatensätzen107 einen hierarchischen Entscheidungsbaum103 , der die einzelnen zu treffenden Entscheidungen hinsichtlich des Scanprotokolls109 nach deren Wichtigkeit anordnet. Dieses Wissen aus den Trainingsdatensätzen107 wird in Form eines automatisch erzeugten Entscheidungsbaums103 repräsentiert. Dies ist von Vorteil, um einen Bediener bei der Anwendung des bildgebenden Gerätes115 von der Korrektheit und Plausibilität des ausgewählten Scanprotokolls109 zu überzeugen. Die Möglichkeit eines Nachvollziehens der Entscheidung liegt in der einfachen Repräsentation als Entscheidungsbaum103 und in visueller Form als Sunburst-Diagramm, das aus dem Entscheidungsbaum103 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 Entscheidungsbaums103 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 Entscheidungsbaumes103 auf Basis der Trainingsdatensätze107 , von denen jeder Daten über die relevanten Patienteneigenschaften und ein zugeordnetes Scanprotokoll umfasst. In einem Schritt S102 wird ein Scanprotokoll109 auf Basis des erzeugten Entscheidungsbaumes103 und des Patientendatensatzes111 ausgewählt, der Daten über die Patienteneigenschaften des zu untersuchenden Patienten umfasst. In einem Schritt S103 das Bild mittels dem bildgebenden Gerät115 auf Basis des ausgewählten Scanprotokolls109 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 Entscheidungsbaumes103 dadurch gesteuert werden, dass durch ein interaktives Feedback des Bedieners an der Bewertungseinrichtung113 festgelegt wird, ob der Scan erfolgreich war (Boosting). Dadurch kann ein neuer Trainingsdatensatz107 als positives oder negatives Beispiel in das Training des Entscheidungsbaumes103 eingehen. Zudem ist es einfach möglich, die automatisch generierten Entscheidungsbäume103 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 Scanprotokolls109 angewendet werden, der auf den Regeln eines Experten beruht und in der Anwendung zu nachvollziehbaren Entscheidungen hinsichtlich des Scanprotokolls109 führt. Zur Visualisierung des Ablaufs kann neben einer klassischen Baumdarstellung ein Sunburst-Diagramm verwendet werden. Des Weiteren ist es möglich mehrere Entscheidungsbäume103 zu mitteln, um ein Mittel als Lösung für die Auswahl des Scanprotokolls109 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 (12)
- 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.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102016209032.1A DE102016209032B3 (de) | 2016-05-24 | 2016-05-24 | Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt |
US15/596,035 US20170344701A1 (en) | 2016-05-24 | 2017-05-16 | Imaging method for carrying out a medical examination |
CN201710365029.3A CN107423551B (zh) | 2016-05-24 | 2017-05-22 | 用于执行医学检查的成像方法和成像系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102016209032.1A DE102016209032B3 (de) | 2016-05-24 | 2016-05-24 | Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102016209032B3 true DE102016209032B3 (de) | 2017-09-14 |
Family
ID=59700550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102016209032.1A Active DE102016209032B3 (de) | 2016-05-24 | 2016-05-24 | Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt |
Country Status (3)
Country | Link |
---|---|
US (1) | US20170344701A1 (de) |
CN (1) | CN107423551B (de) |
DE (1) | DE102016209032B3 (de) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017215829A1 (de) * | 2017-09-07 | 2018-12-06 | Siemens Healthcare Gmbh | Verfahren und Datenverarbeitungseinheit zum Ermitteln von Klassifikationsdaten für eine Adaption eines Untersuchungsprotokolls |
DE102018217886A1 (de) * | 2018-10-18 | 2020-04-23 | Siemens Healthcare Gmbh | Bereitstellen eines medizinischen Bilddatensatzes eines Patienten mittels einer Röntgenröhre eines Computertomographiesystems |
CN113379862A (zh) * | 2021-06-08 | 2021-09-10 | 苏州晟诺医疗科技有限公司 | 获得扫描参数值的方法、装置、介质和电子设备 |
US11574728B2 (en) * | 2018-06-22 | 2023-02-07 | Koninklijke Philips N.V. | Method for enabling magnetic resonance imaging of a subject |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058184B (zh) * | 2018-01-19 | 2021-06-08 | 北京绪水互联科技有限公司 | 冷头效率的计算方法、及冷头效率的监测方法和系统 |
EP3546973A1 (de) * | 2018-03-26 | 2019-10-02 | Koninklijke Philips N.V. | Prädiktive modifikation von magnetresonanzbildgebungsprotokollen |
US11497478B2 (en) * | 2018-05-21 | 2022-11-15 | Siemens Medical Solutions Usa, Inc. | Tuned medical ultrasound imaging |
US10878561B2 (en) * | 2018-05-31 | 2020-12-29 | General Electric Company | Automated scanning workflow |
DE102019202287A1 (de) * | 2019-02-20 | 2020-08-20 | Siemens Healthcare Gmbh | Verfahren zum Überprüfen einer Kenngröße eines Anwendungsablaufs einer medizinischen Bildgebungsanwendung basierend auf Röntgenstrahlung |
CN110084429A (zh) * | 2019-04-29 | 2019-08-02 | 东软医疗系统股份有限公司 | 扫描时间的预测方法、装置、存储介质及电子设备 |
CN111128345B (zh) * | 2019-11-19 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 医学图像的获取方法、医学扫描设备和计算机存储介质 |
EP3901964A1 (de) * | 2020-04-22 | 2021-10-27 | Siemens Healthcare GmbH | Intelligente scan-empfehlung für die magnetresonanztomographie |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010034430A1 (de) * | 2010-08-16 | 2012-02-16 | Siemens Aktiengesellschaft | Verfahren zur Konfiguration einer Bildgebungsvorrichtung |
DE102011002928A1 (de) * | 2011-01-20 | 2012-07-26 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten Konfiguration einer medizinischen Bildgebungsvorrichtung |
DE102013219249A1 (de) * | 2013-09-25 | 2015-03-26 | Siemens Aktiengesellschaft | Verfahren und System zur automatischen Auswahl eines Scanprotokolls |
US20150142457A1 (en) * | 2013-11-20 | 2015-05-21 | Toshiba Medical Systems Corporation | Apparatus for, and method of, data validation |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8626263B2 (en) * | 2006-04-13 | 2014-01-07 | General Electric Company | Methods and apparatus for relative perfusion and/or viability |
US20090062623A1 (en) * | 2007-08-30 | 2009-03-05 | Kimberly-Clark Worldwide, Inc. | Identifying possible medical conditions of a patient |
WO2009142758A1 (en) * | 2008-05-23 | 2009-11-26 | Spectral Image, Inc. | Systems and methods for hyperspectral medical imaging |
US8538117B2 (en) * | 2009-04-07 | 2013-09-17 | Virginia Commonwealth University | Accurate pelvic fracture detection for X-ray and CT images |
US20150081685A1 (en) * | 2011-11-04 | 2015-03-19 | BigML, Inc. | Interactive visualization system and method |
US9330454B2 (en) * | 2012-09-12 | 2016-05-03 | Bruce Reiner | Method and apparatus for image-centric standardized tool for quality assurance analysis in medical imaging |
US9122950B2 (en) * | 2013-03-01 | 2015-09-01 | Impac Medical Systems, Inc. | Method and apparatus for learning-enhanced atlas-based auto-segmentation |
US20140276023A1 (en) * | 2013-03-12 | 2014-09-18 | Volcano Corporation | Systems and methods for determining a probability of a female subject having a cardiac event |
DE102013205502A1 (de) * | 2013-03-27 | 2014-10-02 | Siemens Aktiengesellschaft | Verfahren und Anordnung zur optimierten Einstellung von medizintechnischen Systemen |
US9427185B2 (en) * | 2013-06-20 | 2016-08-30 | Microsoft Technology Licensing, Llc | User behavior monitoring on a computerized device |
GB201320216D0 (en) * | 2013-11-15 | 2014-01-01 | Microsoft Corp | Predicting call quality |
CN103942122B (zh) * | 2014-04-22 | 2017-09-29 | 南京邮电大学 | 一种识别AVI类型block的方法 |
US20160104094A1 (en) * | 2014-10-09 | 2016-04-14 | Microsoft Corporation | Future meeting evaluation using implicit device feedback |
CN105069308B (zh) * | 2015-08-19 | 2018-11-27 | 天津瑟威兰斯科技有限公司 | 医疗设备智能监控系统 |
CN105447525A (zh) * | 2015-12-15 | 2016-03-30 | 中国科学院软件研究所 | 一种数据预测分类方法及装置 |
-
2016
- 2016-05-24 DE DE102016209032.1A patent/DE102016209032B3/de active Active
-
2017
- 2017-05-16 US US15/596,035 patent/US20170344701A1/en not_active Abandoned
- 2017-05-22 CN CN201710365029.3A patent/CN107423551B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010034430A1 (de) * | 2010-08-16 | 2012-02-16 | Siemens Aktiengesellschaft | Verfahren zur Konfiguration einer Bildgebungsvorrichtung |
DE102011002928A1 (de) * | 2011-01-20 | 2012-07-26 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten Konfiguration einer medizinischen Bildgebungsvorrichtung |
DE102013219249A1 (de) * | 2013-09-25 | 2015-03-26 | Siemens Aktiengesellschaft | Verfahren und System zur automatischen Auswahl eines Scanprotokolls |
US20150142457A1 (en) * | 2013-11-20 | 2015-05-21 | Toshiba Medical Systems Corporation | Apparatus for, and method of, data validation |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017215829A1 (de) * | 2017-09-07 | 2018-12-06 | Siemens Healthcare Gmbh | Verfahren und Datenverarbeitungseinheit zum Ermitteln von Klassifikationsdaten für eine Adaption eines Untersuchungsprotokolls |
US11574728B2 (en) * | 2018-06-22 | 2023-02-07 | Koninklijke Philips N.V. | Method for enabling magnetic resonance imaging of a subject |
DE102018217886A1 (de) * | 2018-10-18 | 2020-04-23 | Siemens Healthcare Gmbh | Bereitstellen eines medizinischen Bilddatensatzes eines Patienten mittels einer Röntgenröhre eines Computertomographiesystems |
US10779790B2 (en) | 2018-10-18 | 2020-09-22 | Siemens Healthcare Gmbh | Provision of a medical image data set of a patient by means of an X-ray tube of a computed tomography system |
CN113379862A (zh) * | 2021-06-08 | 2021-09-10 | 苏州晟诺医疗科技有限公司 | 获得扫描参数值的方法、装置、介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107423551A (zh) | 2017-12-01 |
US20170344701A1 (en) | 2017-11-30 |
CN107423551B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102016209032B3 (de) | Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt | |
DE102005001681B4 (de) | Verfahren zur Ermittlung von Aufnahmeparametern für eine medizinische Tomographieeinrichtung sowie zugehörige Vorrichtung | |
DE112018002822T5 (de) | Klassifizieren neuronaler netze | |
DE102019106666A1 (de) | Dentale CAD-Automatisierung unter Verwendung von tiefem Lernen | |
EP2648122B1 (de) | Verfahren zum Laden von medizinischen Bilddaten sowie Vorrichtung zur Durchführung des Verfahrens | |
DE60004507T2 (de) | Schnelle gruppierung durch spärlich bestückte datensätze | |
DE102014116177A1 (de) | Patientenrisiko-Stratifizierung durch Verknüpfen von wissengesteuerten und datengesteuerten Erkenntnissen | |
DE10357203A1 (de) | Verfahren und Steuereinrichtung zum Betrieb eines Magnetresonanztomographie-Geräts | |
DE102019215460A1 (de) | Verfahren und Vorrichtung zur Rauschreduktion von Bildaufnahmen | |
DE102012214049A1 (de) | System zur Co-Cluster-Bildung von Schülerbeurteilungen | |
EP3309792A1 (de) | Bestimmen eines aufnahmeparameters für ein bildgebendes verfahren | |
DE102014224656A1 (de) | Verfahren und Vorrichtung zum Segmentieren eines medizinischen Untersuchungsobjekts mit quantitativen MR-Bildgebungsmethoden | |
DE102021210435A1 (de) | Verfahren und Vorrichtung zur Visualisierung von dreidimensionalen Objekten | |
DE102020206059A1 (de) | Computerimplementiertes Verfahren und System zum Trainieren eines Auswertungsalgorithmus, Computerprogramm und elektronisch lesbarer Datenträger | |
DE102009032442B4 (de) | Verfahren und Vorrichtung zur Nachbearbeitung von mittels eines bildgebenden Systems erfassten Messwerten | |
EP4016543A1 (de) | Verfahren und vorrichtung zur bereitstellung einer medizinischen information | |
DE4121453C2 (de) | Näherungsschlußfolgerungsvorrichtung | |
DE102016212888A1 (de) | Bestimmen einer Bildserie abhängig von einer Signaturmenge | |
DE602005002846T2 (de) | Verfahren zur Datenverarbeitung und assoziiertes Softwareprogramm | |
EP3637362A1 (de) | Verfahren zur anpassung eines bildeindrucks | |
DE102020111584A1 (de) | Verfahren zum Gewinnen von Daten mithilfe von Operationsmikroskopiesystemen | |
DE112020005111T5 (de) | System und Verfahren für maschinelles Lernen, Integrationsserver, Informationsverarbeitungsvorrichtung, Programm und Inferenzmodellerzeugungsverfahren | |
DE102007030068A1 (de) | Verfahren zur Unterstützung einer medizinischen Untersuchungsplanung, Vorrichtung zur Durchführung des Verfahrens, Computerprogrammprodukt und Datenbank | |
DE102020210709A1 (de) | Computersystem und verfahren zur gleichzeitigen verbesserung und codierung von klinischen dokumenten | |
DE19726226C2 (de) | Verfahren zum automatisierten Erkennen von Strukturen in Schnitten durch biologische Zellen oder biologisches Gewebe |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final | ||
R081 | Change of applicant/patentee |
Owner name: SIEMENS HEALTHINEERS AG, DE Free format text: FORMER OWNER: SIEMENS HEALTHCARE GMBH, MUENCHEN, DE |