-
Die Erfindung betrifft ein Verfahren zur automatisierten Auswertung wenigstens eines mit einer medizinischen Bildaufnahmeeinrichtung aufgenommenen Bilddatensatzes eines Patienten zur Vorbereitung einer Befundung, eine entsprechende Vorrichtung, ein Computerprogramm und einen elektronisch lesbaren Datenträger.
-
Verschiedene Arten medizinischer Bildgebungstechniken erlauben einen immer genaueren Einblick in die Anatomie von Patienten. Nichtsdestotrotz erweist sich die Auswertung solcher Bilddatensätze, insbesondere im Hinblick auf eine Befundung, als eine äußerst herausfordernde und schwierige Aufgabenstellung, für die die Qualität des medizinischen Bilddatensatzes des Patienten äußerst relevant ist. Die aktuelle Praxis nutzt ausgefeilte manuelle Auswertungs- und Befundungsprozesse, um klinisch relevante Ergebnisse aus einem medizinischen Bilddatensatz abzuleiten, wobei für Teilaufgaben spezialisierte Auswertealgorithmen vorgeschlagen wurden, die den entsprechenden Befunder unterstützen können. Die hauptsächlich manuelle, bedienerbeurteilte Vorgehensweise bringt einige Probleme mit sich.
-
Hinsichtlich der Qualität des abschließenden klinischen Auswerteergebnisses ist eine Abhängigkeit von der Qualität der vorangehenden Auswertungsschritte gegeben, wobei diese Qualität sowohl die Qualität des aufgenommenen medizinischen Bilddatensatzes als auch die Qualität der Nachbearbeitung beziehungsweise Vorbereitung zur Befundung betrifft. Die Vorbereitung zur Befundung kann hierbei auch eine Vielzahl manueller Maßnahmen beinhalten, beispielsweise Nachbearbeitungsmaßnahmen des Technikers und Annotierungen/Reports von Radiologen.
-
Die heutige Praxis beruht mithin auf einem meist manuellen Workflow, der menschlichen Fehlern unterworfen ist, nicht zwischen unterschiedlichen Institutionen standardisiert ist und Auswerteergebnisse erzeugt, die nicht reproduzierbar sind.
-
Ein weiteres Problem ergibt sich hinsichtlich der Effizienz. Aufgrund der intensiven, manuellen Arbeit, die erforderlich ist, können manche klinischen Ergebnisse nicht mit der notwendigen beziehungsweise gewünschten Geschwindigkeit erhalten werden, beispielsweise bei medizinischen Notfällen wie akuten Traumata. Ferner, abhängig von der jeweiligen Aufstellung und regionalen Anforderungen, sind gegebenenfalls die mit der Herstellung klinischer Auswerteprozesse verbundenen Kosten nicht gerechtfertigt und/oder nicht hinreichend durch Rückerstattungsmodelle abgedeckt. So wird beispielsweise die dreidimensionale Bildgebung in vielen Ländern nicht erstattet. Einige klinische Auswerteergebnisse erfordern ein hohes Maß an Spezialisierung, was hohe Anforderungen und Beschränkungen an die Rekrutierung und Beibehaltung medizinischen Personals stellt, beispielsweise hinsichtlich der Herzbildgebung.
-
Ein weiterer Problempunkt ist schließlich das klinische Ergebnis. Einige klinische Auswerteergebnisse erfordern einen hochkomplexen und genauen kognitiven Prozess, der durch viele Menschen nur schwer realisierbar ist, beispielsweise bei der Bewertung des Risikos einer koronaren Läsion. Solche klinischen Ergebnisse, die unmittelbar das Patientenmanagement betreffen, benötigen meist vorher ermittelte und/oder zu ermittelnde weitere Quellen ergänzender Informationen, um die Entscheidungsfindung zu unterstützen. Das Erhalten und das Integrieren dieser Daten zur verbesserten Prädiktion ist insbesondere bei einem manuellen Workflow herausfordernd umzusetzen.
-
Zusammenfassend stellt das Erhalten klinischer Ergebnisse einen komplexen, manuellen Prozess dar, der eine Vielzahl von Spezialisten involviert und zwischen Institutionen und geografisch stark variiert. Der Vorgang kann dabei die folgenden Schritte umfassen: Scannen des Patienten und Erzeugung von Bilddatensätzen, Nachbearbeitung der Bilddatensätze und Vorbereitung der Bildergebnisse (manuell durchgeführt durch einen Techniker am Aufnahmeort oder outsourced), Befunden und Interpretieren von Bildergebnissen (manuell durch einen Radiologen durchgeführt, wiederum entweder am Aufnahmeort oder outsourced), Erzeugung klinischer Ergebnisse, insbesondere eines Reports, abgeleiteter Ergebnisdatensätze und/oder quantitativer Ergebnisse (wiederum manuell durch einen Radiologen oder outsourced), Review der klinischen Ergebnisse durch einen dienstälteren Radiologen und Bezugnahme auf Untersuchungsergebnisse eines Arztes sowie Diagnose/Bestimmung weiterer Maßnahmen.
-
Der Erfindung liegt die Aufgabe zugrunde, einen verbesserten, weitere Automatisierung erlaubenden Ansatz zur Erzeugung klinischer Auswerteergebnisse als Grundlage einer Befundung anzugeben.
-
Zur Lösung dieser Aufgabe ist bei einem Verfahren der eingangs genannten Art erfindungsgemäß vorgesehen, dass nach Abschluss der Aufnahme des Bilddatensatzes wenigstens eine den Patienten und/oder den Aufnahmevorgang und/oder das Untersuchungsziel beschreibende Eingangsinformation ermittelt wird, wobei ein den Bilddatensatz und die Eingangsinformation auswertender Auswahlalgorithmus zur Ermittlung wenigstens eines anzuwendenden und anwendbaren automatisierten Auswerteprozesses verwendet wird und durch Auswertung des Bilddatensatzes wenigstens ein Bildqualitätsmaß hinsichtlich des Auswerteprozesses ermittelt wird, wobei der ausgewählte automatisierte Auswerteprozess nur bei eine Mindestqualitätsanforderung erfüllendem Bildqualitätsmaß ausgeführt wird.
-
Erfindungsgemäß wird also vorgeschlagen, zunächst einen Auswahlalgorithmus, der bevorzugt ein Algorithmus der künstlichen Intelligenz ist, zu verwenden, um automatisiert schlusszufolgern, welche Ergebnisse des Bilddatensatzes für die folgende Befundung benötigt werden, mithin zu ermitteln sind, für die automatisierte Auswerteprozesse, insbesondere als Programmmittel realisierte Auswertealgorithmen, vorliegen. Bevor dann allerdings die automatisierten Auswerteprozesse, die ausgewählt wurden, durchgeführt werden, wird die Qualität des Bilddatensatzes hinsichtlich dieser automatisierten Auswerteprozesse beurteilt, mithin festgestellt, inwieweit der Bildddatensatz geeignet ist, hinreichend genaue beziehungsweise verlässliche Auswerteergebnisse bei Anwendung des wenigstens einen ausgewählten automatisierten Auswerteprozesses zu liefern. Auch hier können bevorzugt kürzliche technologische Fortschritte hinsichtlich künstlicher Intelligenz herangezogen werden, worauf im Folgenden noch genauer eingegangen werden wird. Nur dann, wenn ein Bildqualitätsmaß, bezogen auf den wenigstens einen ausgewählten Auswerteprozess, vorliegt, dass einen bestimmten Schwellwert für das Bildqualitätsmaß unterschreitet, wird der Bilddatensatz aussortiert und einer manuellen Weiterverarbeitung zugeführt. Ansonsten wird der entsprechende wenigstens eine ausgewählte Auswerteprozess automatisch durchgeführt und produziert entsprechende Auswerteergebnisse. Insgesamt ist es also möglich, automatisch klinische Auswerteergebnisse als Grundlage einer Befundung unmittelbar nach Abschluss der Aufnahme und Erzeugung des Bilddatensatzes vollständig automatisiert zu erzeugen, ohne dass Interaktion mit einem Benutzer erforderlich ist. Die tatsächliche abschließende Befundung, insbesondere Diagnose, wird weiterhin auf Grundlage der Auswerteergebnisse durch einen Arzt durchgeführt.
-
Die vorliegende Erfindung erlaubt mithin die Erzeugung klinischer Auswerteergebnisse mit erhöhter Qualität, einem erhöhten Grad an standardisierter Reproduzierbarkeit, Effizienz, Geschwindigkeit, reduzierten Kosten, reduzierten Personalspezialisierungsanforderungen, erhöhter prädiktiver Aussagekraft und mit einem niedrigeren Grad an Komplexität. Die automatisierte Auswertung von medizinischen Bilddatensätzen erlaubt also die verbesserte Standardisierung und die Beschleunigung von entsprechenden Workflows, wobei zudem, insbesondere aufgrund der Überprüfung des Bildqualitätsmaßes, eine verbesserte Zusicherung der Bildqualität und somit Auswerteergebnisqualität ermöglicht wird. Das Patientenmanagement und die klinischen Behandlungsergebnisse werden verbessert.
-
Die Eingangsinformationen können auf verschiedene Art und Weise automatisch gewonnen werden. Bevorzugt können die Eingangsinformationen aus einem Informationssystem und/oder einer elektronischen Patientenakte und/oder von der Bildaufnahmeeinrichtung abgerufen werden. Nachdem beispielsweise ein Patient vor der Bildaufnahme üblicherweise datenverarbeitungstechnisch erfasst wird, liegen als Eingangsinformationen nützliche Patientendaten gegebenenfalls bereits durch eine das Verfahren durchführende Recheneinrichtung erreichbar vor. Eine elektronische Patientenakte, die beispielsweise in einer entsprechenden Datenbank vorgehalten sein kann, erweist sich als besonders nützliche Quelle zu Patienteninformationen und Untersuchungszielinformationen. Informationen zum Aufnahmevorgang können beispielsweise von der Bildaufnahmeeinrichtung selbst erhalten werden, was insbesondere vorteilhaft ist, wenn das Verfahren unmittelbar auf der Bildaufnahmeeinrichtung durchgeführt wird. Informationssysteme, die weitere Informationen liefern können, sind beispielsweise Krankenhausinformationssysteme (HIS) und/oder Radiologieinformationssysteme (RIS).
-
Konkret kann vorgesehen sein, dass als Eingangsinformationen wenigstens ein den Patienten beschreibendes Patientendatum und/oder wenigstens eine den Bildinhalt beschreibende Bildinformation und/oder wenigstens ein zur Aufnahme des Bilddatensatzes verwendeter Aufnahmeparameter und/oder wenigstens ein Ergebnis einer vorangegangenen Untersuchung des Patienten verwendet werden. Neben dem Bilddatensatz selbst, also den entsprechenden Bilddaten, kann die Eingangsinformation mithin auch Patientendaten umfassen, beispielsweise Daten aus einer elektronischen Patientenakte, Informationen über die Aufnahmeparameter, mit denen der Bilddatensatz aufgenommen wurde, Informationen betreffend das Ziel der Bildaufnahme, beispielsweise von einer Überweisung oder dergleichen, und kürzlich erhaltene klinische Informationen über den Patienten.
-
In einer besonders vorteilhaften Ausgestaltung der vorliegenden Erfindung kann vorgesehen sein, dass vor der Anwendung des Auswahlalgorithmus ein Ganzkörper-Landmarkendetektionsalgorithmus zur Detektion innerhalb des Bilddatensatzes dargestellter anatomischer Merkmale angewendet wird, dessen als Ergebnis erhaltene Landmarkeninformation als Eingangsinformation, insbesondere Bildinhaltsinformation, verwendet wird. Es kann mithin ein Pre-Processing vorgesehen sein, bei dem ein verfügbarer Landmarkenalgorithmus zur Detektion von Landmarken, der insbesondere für alle Bereiche des menschlichen Körpers geeignet ist, eingesetzt wird, um in dem Bilddatensatz verfügbare anatomische Landmarken, mithin anatomische Merkmale, zu detektieren. Insbesondere kann es sich bei dem Landmarkenalgorithmus wiederum bevorzugt um einen Algorithmus der künstlichen Intelligenz handeln, nachdem entsprechende Landmarkenalgorithmen im Stand der Technik bereits vorgeschlagen wurden.
-
Dabei ist es in diesem Zusammenhang zweckmäßig, wenn die Landmarkeninformation zur Einschränkung des Raums anwendbarer automatisierter Auswerteprozesse verwendet wird. Ein derartiger Pre-Processing-Schritt liefert mithin Informationen, aufgrund derer bereits die Körperregionen eingeschränkt werden können, die durch automatisierte Auswerteprozesse näher analysiert werden können, so dass eine entsprechende Reduktion des möglichen Ergebnisraums vorgenommen werden kann, was eine zeitlich kürzere und/oder weniger Rechenleistung anfordernde Durchführung des Auswahlalgorithmus erlaubt. Wie bereits erwähnt, ist es besonders bevorzugt, wenn der Auswahlalgorithmus ein Algorithmus der künstlichen Intelligenz ist, der insbesondere mittels eines Deep-Learning-Verfahrens trainiert wird. Wie eingangs bereits dargelegt wurde, nutzt die vorliegende Erfindung also kürzliche technische Fortschritte hinsichtlich der künstlichen Intelligenz, wobei besonders bevorzugt Deep-Learning-Ansätze eingesetzt werden, um die hier beschriebene automatische Verarbeitung von klinischen Bilddaten, insbesondere unmittelbar nach der Aufnahme, zu ermöglichen. Neue Algorithmen der künstlichen Intelligenz, wie sie im Stand der Technik vorgeschlagen wurden, erlauben es auf effektive, zeitlich hinreichend schnelle Art und Weise, auch äußerst komplexe Zusammenhangsmuster zu erkennen, insbesondere auch komplexe Eingangsinformationen, wie im vorliegenden Fall auch den Bilddatensatz, zu verarbeiten und robuste, verlässliche Ergebnisse zu erzeugen. Dies kann insbesondere auch im Hinblick auf das Bildqualitätsmaß, welches ja bezogen auf durchzuführende automatisierte Auswerteprozesse gebildet werden soll, genutzt werden. Entsprechend sieht eine bevorzugte Ausbildung der vorliegenden Erfindung vor, dass das Bildqualitätsmaß mittels eines Bildqualitätsalgorithmus der künstlichen Intelligenz ermittelt wird. Dabei ist es wiederum besonders bevorzugt, wenn der Bildqualitätsalgorithmus, insbesondere unter Verwendung eines Deep-Learning-Verfahrens, mittels Trainingsdaten trainiert wird, wobei die Trainingsdaten eine von wenigstens einem Experten gelieferte Grundwahrheit umfassen können. Besonders bevorzugt wird in diesem Kontext ein neurales Netzwerk als Bildqualitätsalgorithmus der künstlichen Intelligenz eingesetzt, welches über Deep-Learning trainiert wird, um ein quantitatives Bildqualitätsmaß zu erhalten, wobei die entsprechenden Eingangsdaten des Bildqualitätsalgorithmus der künstlichen Intelligenz wenigstens teilweise den Bilddatensatz selber und die entsprechenden durchzuführenden automatisierten Auswerteprozesse beschreiben bzw. umfassen können.
-
Besonders bevorzugt ist es ferner, wenn zur Ermittlung des Bildqualitätsmaßes zunächst aus den Bilddaten des Bilddatensatzes abgeleitete Bildqualitätsdaten ermittelt werden, welche insbesondere als Eingangsdaten des Bildqualitätsalgorithmus der künstlichen Intelligenz verwendet werden. Die Bildinformation selbst, die in den Bilddaten des Bilddatensatzes enthalten ist, wird mithin genutzt, um bereits nützliche Anhaltspunkte bereitzustellen, anhand derer die Qualität im Hinblick auf wenigstens einen durchzuführenden automatisierten Aufnahmeprozess beurteilt werden kann.
-
Konkret kann vorgesehen sein, dass als Bildqualitätsdaten ein physikalisch basiertes Grundmaß, insbesondere ein Signal-zu-Rauschverhältnis und/oder ein Kontrast-zu-Rauschverhältnis und/oder eine Bildauflösung, und/oder ein Bildinhaltsmaß, welches insbesondere in Abhängigkeit einer Landmarkeninformation und/oder eines Segmentierungsergebnisses einer vorangegangenen Segmentierung ermittelt wird, und/oder ein die Existenz und/oder Stärke von Bildartefakten und/oder Bewegungsartefakten in dem Bilddatensatz beschreibendes Artefaktmaß und/oder eine insbesondere aus einer Landmarkeninformation abgeleitete und/oder wenigstens teilweise bereits als Eingangsinformation verwendete Bildinhaltsinformation, die die Anwesenheit und/oder Abwesenheit wenigstens eines anatomischen Merkmals beschreibt, ermittelt werden. Das Bildqualitätsmaß, welches auch als „Image Quality Score“ bezeichnet werden kann, kann also zunächst konventionelle physikalisch basierte Maße verwenden, beispielsweise das Signal-zu-Rauschverhältnis (SNR), das Kontrast-zu-Rauschverhältnis (CNR), die Pixelauflösung bzw. die Schichtdicke und dergleichen. Ferner können abgeleitete, bildbasierte Maße verwendet werden, beispielsweise das Kontrastniveau und die Kontrasthomogenität innerhalb von aufgenommenen Blutgefäßen und dergleichen. Weitere bildbasierte Maße, die zweckmäßig eingesetzt werden können, messen die Existenz und Frequenz von bekannten Bildartefakten, beispielsweise Streifenartefakten und/oder sogenannten Blooming-Artefakten. Zur Detektion solcher Bildartefakte sind im Stand der Technik bereits Algorithmen vorgeschlagen worden, insbesondere hinsichtlich deren Korrektur, die auch im Rahmen der vorliegenden Erfindung eingesetzt werden können. Dies gilt entsprechend fort für die Verwendung bildbasierter Methoden, um die Existenz und die Stärke von Bewegungsartefakten zu beurteilen und ein entsprechendes Artefaktmaß zu bestimmen. Die bereits erwähnte Landmarkeninformation kann, insbesondere kombiniert mit Registrierungs- und/oder Segmentierungsansätzen, besonders vorteilhaft genutzt werden, um zu bestimmen, welche anatomischen Merkmale in dem Bilddatensatz enthalten sind und welche fehlen, so dass beispielsweise festgestellt werden kann, ob anatomische Merkmale, die durch den automatisierten Prozess eigentlich analysiert werden sollen, nicht vorhanden sind oder dergleichen.
-
Zusammenfassend wird also ein „Image Quality Score“ als Bildqualitätsmaß mittels eines bevorzugt intelligenten Qualitätsalgorithmus bestimmt, um die Qualität des Bilddatensatzes hinsichtlich der durchzuführenden Auswerteprozesse zu objektivieren, wobei dieses Bildqualitätsmaß gemeinsam mit einem vorbestimmten Schwellwert genutzt wird, um Bilddatensätze mit zu niedriger Bildqualität von der weiteren automatisierten Verarbeitung auszuschließen.
-
Mögliche automatisierte Auswerteprozesse realisierende Programmmittel können in einer Datenbank und/oder einer Softwarebibliothek vorgehalten und/oder als Cloud-Services bereitgestellt werden, um den entsprechenden Zugriff auf eine hinreichende Menge an automatisierten Auswerteprozessen zuzusichern. Konkret können als Auswerteprozesse solche verwendet werden, die als Auswerteergebnis einen aus dem Bilddatensatz ermittelten oder, insbesondere durch Annotation, modifizierten Ergebnisdatensatz und/oder eine quantitative Auswerteinformation, insbesondere ein klinisches Score, und/oder eine Klassifizierung und/oder textuelle Reportbausteine ausgeben. Im Stand der Technik wurden bereits eine Vielzahl möglicher automatisierter Auswerteprozesse vorgeschlagen, beispielsweise hinsichtlich der Perfusion im Gehirn, der Analyse von Schlaganfällen, zur Auswertung von Dualenergie-Bilddaten, zum Detektieren von Rippen, zum Übereinanderlegen von dreidimensionalen Bilddatensätzen, zur Blutgefäßanalyse, zur Koronaranalyse, zur Ermittlung von Kalzium-Scores, zur Analyse von Fülldefekten bei der Kontrastmittelbildgebung, zur computerassistierten Diagnose (CAD) beispielsweise der Lunge und/oder des Darms, zur Detektion von Polypen im Enddarm, und dergleichen. Auswerteergebnisse können dabei Bilder als Ergebnisdatensätze erhalten, beispielsweise MPR, CPR, VRT, MIP, cinematisch gerenderte Bilder und dergleichen. Quantitative Auswerteergebnisse können Maße innerhalb des abgebildeten Körperbereichs enthalten, beispielsweise von dargestellten anatomischen Merkmalen, beispielsweise der Länge, des Volumens, des Durchmessers, der Zahl von Stenosen, verschiedene Verhältnisse und dergleichen. Auch automatisiert durchführbare Messungen wie die Ermittlung der FFR-Werte (Fractional Flow Reserve), von Wandscherbelastungswerte und dergleichen sind möglich. Prädiktive Ergebnisse umfassen beispielsweise Risiko-Scores, wie sie auf verschiedene Art und Weise bereits im Stand der Technik definiert wurden, beispielsweise MACE (Major Adverse Cardiac Events), Risiken für das Reißen eines Hirnaneurysmas und dergleichen. Auch Report-Auswerteergebnisse sind denkbar, beispielsweise enthaltend Formulierungen bestimmter Interpretationen, die direkt oder indirekt in einem endgültigen Befundungsreport eingesetzt werden können.
-
In einer besonders bevorzugten Ausgestaltung der vorliegenden Erfindung kann vorgesehen sein, dass zu dem Auswerteergebnis des wenigstens einen ausgeführten automatisierten Auswerteprozesses ein Auswertequalitätsmaß ermittelt wird, wobei bei eine zweite Mindestqualitätsanforderung nicht erfüllendem Auswertequalitätsmaß das Auswerteergebnis verworfen und der Bilddatensatz einer manuellen Bearbeitung zugeführt wird. Innerhalb eines solchen Schrittes wird die Plausibilität und Qualität der Auswerteergebnisse bewertet und in Form eines „Result Quality Score“ quantitativ wiedergegeben. Wenn das Auswertequalitätsmaß einen bestimmten, zweiten Schwellwert nicht überschreitet, wird der entsprechende Fall zur manuellen Verarbeitung verzweigt. Ist die zweite Mindestqualitätsanforderung jedoch erfüllt, können die Auswerteergebnisse zusammengestellt und zur klinischen Befundung gesendet werden. Auf diese Weise wird die Qualität der automatischen, Auswerteergebnisse bereitstellenden Aufbereitung des Bilddatensatzes zur Befundung weiter verbessert bzw. eine hohe Qualität sichergestellt.
-
Zweckmäßigerweise kann das Auswertequalitätsmaß und/oder ein Auswertequalitätsdatum zur Ermittlung des Auswertequalitätsmaßes als eine Verlässlichkeitsinformation von einem den automatisierten Auswerteprozess realisierenden Auswertealgorithmus ausgegeben werden. Moderne Algorithmen, die automatisierte Auswerteprozesse realisieren, liefern meist bereits eine Aussage darüber, wie verlässlich das Auswerteergebnis ist, beispielsweise Fehler- und/oder Toleranzwerte und dergleichen. Diese Werte können zweckmäßig in das Auswertequalitätsmaß eingehen, insbesondere als Eingangsdatum (Auswertequalitätsdatum) .
-
Denn in besonders vorteilhafter Art und Weise kann im Rahmen der Erfindung vorgesehen sein, dass das Auswertequalitätsmaß mittels eines Auswertequalitätsalgorithmus der künstlichen Intelligenz ermittelt wird. Auch hierbei können beispielsweise, wie bei allen genannten Algorithmen der künstlichen Intelligenz, neuronale Netzwerke oder dergleichen eingesetzt werden, wobei bevorzugt ein Deep-Learning-Verfahren zum Trainieren eingesetzt wird. Eine Grundwahrheit in Trainingsdaten für den Auswertealgorithmus lässt sich hierbei häufig aus weiterer Beobachtung eines Patienten ableiten, da sich häufig im weiteren Verlauf herausstellt, ob gewisse durch die Auswerteergebnisse beschriebene Gegebenheiten tatsächlich vorhanden sind und dergleichen.
-
In zweckmäßiger Weiterbildung kann das Auswertequalitätsmaß unter Berücksichtigung einer die physikalische Komplexität der patientenspezifischen Anatomie und/oder Morphologie und/oder Physiologie beschreibenden Komplexitätsinformation und/oder einer diagnostizierte und/oder zu diagnostizierende Pathologien und/oder vorangegangene medizinische Eingriffe beschreibenden Hintergrundinformation ermittelt werden. Ferner kann zweckmäßig eine die Plausibilität und/oder die Variation wenigstens eines Teils der Auswerteergebnisse beschreibende a priori-Information verwendet werden. Mithin kann beispielsweise ein Komplexitätsmaß eingesetzt werden, das die physikalische Komplexität der intrinsischen patientenspezifischen Anatomie, Morphologie und Physiologie beschreibt. Beispiele für solche Komplexitätsmaße bzw. Komplexitätsinformationen sind die Zahl von Verzweigungen der Koronararterien, die Zahl und Topologie der Pulmonararterien, die Größe, Position und Form bestimmter anatomischer Merkmale und dergleichen. Hintergrundinformationen jedoch sind Informationen über bekannte Pathologien und die medizinische Historie des Patienten, wie sie beispielsweise gemeinsam mit sonstigen Patientendaten aus entsprechenden Datenbanken/einer elektronischen Patientenakte abgerufen werden können und/oder unmittelbar aus den verfügbaren Bilddatensätzen abgeleitet werden können. Beispiele hierfür sind das Vorliegen einer Sternotomie, das Vorhandensein eines Bypass, eine Nierenentfernung, ein kalzifiziertes Gefäßsystem, das Vorliegen von Aneurysmen und dergleichen. Dabei kann sich a priori-Information auch auf diese Komplexitätsinformation bzw. Hintergrundinformation beziehen, insbesondere, wenn zu diesen die Auswerteergebnisse positiv oder negativ beeinflussende weitere Information bekannt sind. Beispielsweise ist es bekannt, dass bei bekannten Topologien anatomischer Merkmale ein höheres Risiko und/oder komplexere Krankheitsbilder bestehen, wobei das entsprechende Wissen aus der Population herausgearbeitet werden kann. Beispielsweise ist es also denkbar, Prävalenzen für das Vorhandensein bestimmter Morphologien oder dergleichen zu verwenden. Ist beispielsweise bekannt, dass aufgrund der Komplexitätsinformation für anatomische Merkmale ein automatisierter Auswertevorgang deutlich erschwert ist und/oder deutlich fehleranfälliger ist, kann eine entsprechende Reduzierung des Auswertequalitätsmaßes vorgenommen werden. Dies gilt auch im Hinblick auf andere erschwerende Umstände, beispielsweise, wenn die Hintergrundinformationen einen Hinweis darauf enthalten, dass bereits ein Bypass vorhanden ist, welcher automatisierte Auswertevorgänge und/oder auch prädiktive Maßnahmen und dergleichen erschwert.
-
Mithin sieht eine konkrete, bevorzugte Ausgestaltung vor, dass für die Komplexitätsinformation und/oder die Hintergrundinformation eine die Prävalenz einer zu beurteilenden Gesundheitsanomalie bezogen auf die jeweilige Information beschreibende Prävalenzinformation berücksichtigt wird.
-
Neben dem Verfahren betrifft die vorliegende Erfindung auch eine Vorrichtung zur automatisierten Auswertung wenigstens eines mit einer medizinischen Bildaufnahmeeinrichtung aufgenommenen Bilddatensatzes eines Patienten zur Vorbereitung einer Befundung, welche wenigstens eine zur Durchführung des erfindungsgemäßen Verfahrens ausgebildete Recheneinrichtung aufweist. Sämtliche Ausführungen bezüglich des erfindungsgemäßen Verfahrens lassen sich analog auf die erfindungsgemäße Vorrichtung übertragen, mit welcher mithin ebenso die bereits genannten Vorteile erhalten werden können. Die Recheneinrichtung kann einen Prozessor und/oder eine Speichereinrichtung aufweisen. Konkret kann die Recheneinrichtung eine Auswahleinheit zur Auswahl durchzuführender automatisierter Auswerteprozesse, eine Bildqualitätseinheit zur Ermittlung des Bildqualitätsmaßes, eine Ausführungseinheit zur Durchführung der ausgewählten automatisierten Auswerteprozesse und insbesondere auch eine Ausgabeeinheit, die beispielsweise eine Ausgabeeinrichtung ansteuern kann, um Auswerteergebnisse auszugeben, aufweisen. Optionale weitere Einheiten sind eine Landmarkeneinheit zur Ermittlung der Landmarkeninformation und besonders bevorzugt eine Auswertequalitätseinheit zur Ermittlung des Auswertequalitätsmaßes. Bezüglich einer Ausgabeeinrichtung bzw. einer Ausgabeeinheit ist noch anzumerken, dass das wenigstens eine Auswerteergebnis durchaus, beispielsweise an einem Monitor oder dergleichen, ausgegeben werden kann, möglich ist es jedoch auch, das Auswerteergebnis dem Bilddatensatz hinzuzufügen und/oder zuzuordnen und den ergänzten Bilddatensatz bzw. die Ergänzungen zu speichern, beispielsweise in einem Bildarchivierungssystem (PACS) zur späteren Auswertung. Liegt der Bilddatensatz beispielsweise im DICOM-Format vor, können frei verfügbare Anteile der Metadaten zur Aufnahme von Auswerteergebnisse verwendet werden. An einer Befundungs-Workstation oder dergleichen kann dann die letztendliche Befundung erfolgen.
-
Ein erfindungsgemäßes Computerprogramm ist beispielsweise direkt in einen Speicher einer Recheneinrichtung einer erfindungsgemäßen Vorrichtung ladbar und weist Programmmittel auf, um die Schritte eines hierin beschriebenen Verfahrens auszuführen, wenn das Computerprogramm in der Recheneinrichtung ausgeführt wird. Das Computerprogramm kann auf einem erfindungsgemäßen elektronisch lesbaren Datenträger gespeichert sein, welcher mithin darauf gespeicherte elektronisch lesbare Steuerinformationen umfasst, welche zumindest ein erfindungsgemäßes Computerprogramm umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Recheneinrichtung einer erfindungsgemäßen Vorrichtung ein hierin beschriebenes Verfahren durchführen. Bei dem Datenträger handelt es sich bevorzugt um einen nicht transienten Datenträger, beispielsweise eine CD-ROM.
-
Weitere Vorteile und Einzelheiten der vorliegenden Erfindung ergeben sich aus den im Folgenden beschriebenen Ausführungsbeispielen sowie anhand der Zeichnung. Dabei zeigen:
- 1 einen Ablaufplan eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens, und
- 2 eine erfindungsgemäße Vorrichtung.
-
1 zeigt einen Ablaufplan eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens, wie es beispielsweise in einer erfindungsgemäßen Vorrichtung, die auch in eine Bildaufnahmeeinrichtung integriert sein kann, durchgeführt wird. Dabei ist in einem Schritt S1 die Aufnahme eines Bilddatensatzes eines Patienten gerade beendet.
-
Dies führt dazu, dass in einem Schritt S2 automatisch mittels eines Auswahlalgorithmus der künstlichen Intelligenz wenigstens ein automatisierter Auswerteprozess ausgewählt wird, durch den der Bilddatensatz zur Erzeugung von Auswerteergebnissen, die für die Befundung nützlich sind, ausgewertet wird. Es wird also ein intelligenter Auswahlalgorithmus eingesetzt, um die Art von klinischen Ergebnissen zu bestimmen, die von dem Bilddatensatz des Patienten abgeleitet werden können.
-
Neben dem Bilddatensatz selber kann der Auswahlalgorithmus als Eingangsinformationen jegliche Arten von Patientendaten, beispielsweise aus einer elektronischen Patientenakte, Informationen über die Aufnahmeparameter, Informationen bezüglich des Untersuchungsziels, Informationen zu kürzlichen klinischen Ergebnissen des Patienten und dergleichen eingesetzt werden. Diese können beispielsweise aus Informationssystemen, von der Bildaufnahmeeinrichtung und/oder anderen verbundenen Recheneinrichtungen abgerufen werden. Bevor der Auswahlalgorithmus eingesetzt wird, wird zunächst ein Landmarkenalgorithmus der künstlichen Intelligenz eingesetzt, der geeignet ist, anatomische Merkmale als Landmarken für alle möglichen Bereiche des menschlichen Körpers zu detektieren. Als Ergebnis dieses Landmarkenalgorithmus wird eine Landmarkeninformation erhalten, die einer Bildinhaltsinformation entspricht und ebenso als Eingangsinformation verwendet wird. Die Landmarkeninformation wird genutzt, um bereits die Zahl möglicher automatisierter Auswerteprozesse einzuschränken.
-
Als Ausgangsdaten liefert der im Übrigen mittels eines Deep-Learning-Verfahrens trainierte Auswahlalgorithmus der künstlichen Intelligenz eine Liste anwendbarer automatisierter Auswerteprozesse für den Bilddatensatz des Patienten, die aus einer vordefinierten vollständigen Liste möglicher automatisierter Auswerteprozesse, gegebenenfalls eingeschränkt aufgrund der Landmarkeninformation, ermittelt wurden.
-
In einem Schritt S3 wird dann anwendungsbezogen, also bezogen auf den wenigstens einen automatisierten, ausgewählten Auswerteprozess ein Bildqualitätsmaß für den Bilddatensatz bestimmt. Mit anderen Worten wird im Schritt S3 ein Bildqualitätsalgorithmus der künstlichen Intelligenz eingesetzt, um ein Bildqualitätsmaß zu errechnen, dass die Qualität des Bilddatensatzes objektiviert. Dieses „Score“ wird in einem Schritt S4 mit einem ersten vorbestimmten Schwellwert verglichen, um festzustellen, ob die Qualität des Bilddatensatzes hoch genug ist, um eine automatisierte Auswertung vorzunehmen.
-
Der Bildqualitätsalgorithmus nutzt dabei Eingangsdaten, die teilweise durch Vorverarbeitung aus dem Bilddatensatz bestimmt werden. Darunter sind konventionelle physikalisch basierte Maße wie SNR, CNR, Bildauflösung und dergleichen, abgeleitete bildbasierte Maße, Artefaktmaße, die Bildartefakte und Bewegungsartefakte in Zahl und Stärke beschreiben und dergleichen. Dabei wird auch die Landmarkeninformation des Schrittes S2, gegebenenfalls ergänzt durch Registrierungs- und/oder Segmentierungsergebnisse, genutzt, um zu bestimmen, was in dem Bilddatensatz abgebildet ist und was in dem Bilddatensatz fehlt.
-
Stellt sich im Schritt S4 heraus, dass das Bildqualitätsmaß kleiner als der erste Schwellwert ist, wird der Bilddatensatz nicht automatisiert durch die ausgewählten automatisierten Auswerteprozesse ausgewertet, sondern einer manuellen Verarbeitung im Schritt S5 übergeben. Ist jedoch die durch den ersten Schwellwert beschriebene erste Mindestqualitätsanforderung überfüllt, werden in einem Schritt S6 die ausgewählten automatisierten Auswerteprozesse durchgeführt, wobei entsprechende als Programmmittel realisierte Auswertealgorithmen, die ebenso Auswertealgorithmen der künstlichen Intelligenz umfassen können, eingesetzt werden. Je nach Auswerteprozess können dabei unterschiedliche Arten von Auswerteergebnissen erzeugt werden, umfassend Bilder (Ergebnisdatensätze), quantitative Ergebnisse wie Scores, prädiktive Werte, im Bilddatensatz vorgenommene Messungen, vorformulierte Reportteile und dergleichen. Im Stand der Technik ist eine Vielzahl derartiger Hilfsmittel bekannt.
-
In einem Schritt S7 wird ein intelligenter Auswertequalitätsalgorithmus eingesetzt, um ein die Plausibilität und Qualität der Auswerteergebnisse des Schrittes S5 beschreibendes Auswertequalitätsmaß zu ermitteln.
-
Wird in einem Schritt S8 dann festgestellt, dass ein zweiter Schwellwert unterschritten ist, wird zur Überprüfung oder unter Verwerfen der Auswerteergebnisse der Bilddatensatz wiederum der manuellen Auswertung im Schritt S5 zugeführt; ist der zweite Schwellwert, der eine zweite Mindestqualitätsanforderung beschreibt, jedoch überschritten, werden die Auswerteergebnisse und der Bilddatensatz im Schritt S9 zur Befundung bereitgestellt.
-
Der Auswertequalitätsalgorithmus der künstlichen Intelligenz nutzt dabei insbesondere zum einen von Auswertealgorithmen selbst bereitgestellte Verlässlichkeitsinformationen, zum anderen allerdings auch wenigstens eine Komplexitätsinformation und wenigstens eine Hintergrundinformation. Die Komplexitätsinformation beschreibt die physikalische Komplexität der intrinsischen patientenspezifischen Anatomie, Morphologie und Physiologie, die Hintergrundinformation beschreibt bekannte Pathologien und die medizinische Historie des Patienten, nachdem sowohl die Komplexität der Anatomie an sich als auch bereits erfolgte Eingriffe/Veränderungen die automatisierte Auswertung erschweren bzw. in einigen Fällen auch vereinfachen können, was sich entsprechend im Auswertequalitätsmaß niederschlägt. Insbesondere wird also, beispielsweise als Prävalenzinformation, a priori vorhandenes medizinisches und technisches Wissen in die Bestimmung des Auswertequalitätsmaßes eingebracht, um die dadurch realisierte Qualitätsüberprüfung noch verlässlicher zu gestalten. Weitere durch den Auswertequalitätsalgorithmus der künstlichen Intelligenz genutzte Auswertequalitätsinformationen können a priori-Informationen über die Plausibilität der Ergebnisse, basierend auf der bekannten Varianz, insbesondere für die Population des Patienten, umfassen.
-
Im Schritt S9 erfolgt die Ausgabe der Auswerteergebnisse, wobei diese zum Bilddatensatz ergänzt werden können bzw. sie ihm zugeordnet werden können, wobei dann der so ergänzte Bilddatensatz bzw. die Ergänzungen in einem Bildarchivierungssystem (PACS) abgespeichert werden können und/oder unmittelbar, beispielsweise an einer Befundungs-Workstation, ausgegeben werden können. Es sei darauf hingewiesen, dass auch Ergebnisse vereinzelter manueller Befundungen im Schritt S5, wenn die Mindestqualitätsanforderungen der Schritte S4 und S8 nicht erfüllt waren, selbstverständlich, wie grundsätzlich bekannt, wieder in ein Bildarchivierungssystem eingespeichert werden können und dergleichen.
-
2 zeigt schließlich eine Prinzipskizze einer erfindungsgemäßen Vorrichtung 1 zur automatisierten Auswertung eines Bilddatensatzes eines Patienten. Diese umfasst eine Recheneinrichtung 2, die zur Durchführung des in Bezug auf 1 beschriebenen Verfahrens ausgebildet ist. Hierzu umfasst die Recheneinrichtung 2 vorliegend eine Auswahleinheit 3 zur Auswahl des zu automatisierenden Prozesses, eine Bildqualitätseinheit 4 zur Ermittlung des Bildqualitätsmaßes, eine Landmarkeneinheit 5 zur Ermittlung der Landmarkeninformation, eine Ausführungseinheit 6 zur Durchführung der automatisierten Auswerteprozesse, eine Auswertequalitätseinheit 7 zur Ermittlung des Auswertequalitätsmaßes und eine Ausgabeeinheit 8 zur Ausgabe der Ergebnisse.
-
Die Recheneinrichtung 2 kann über entsprechende Kommunikationsverbindungen mit wenigstens einem Informationssystem 9, in dem beispielsweise elektronische Patientenakten abgelegt sein können, und/oder der Bildaufnahmeeinrichtung 10 und/oder einem Bildarchivierungssystem 11 verbunden sein.
-
Es sei angemerkt, dass die Vorrichtung 1 insbesondere auch als Teil einer medizinischen Bildaufnahmeeinrichtung 10 realisiert sein kann.
-
Schließlich ist es denkbar, dass die Recheneinrichtung 2 auch mit einer Cloud 12 kommuniziert, wobei wenigstens Teile der automatisierten Auswerteprozesse als Cloud-Services bereitgestellt werden können.
-
Obwohl die Erfindung im Detail durch das bevorzugte Ausführungsbeispiel näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.
