DE102020122552A1

DE102020122552A1 - Verfahren, einrichtung und system zur bestimmung von biopsieparametern

Info

Publication number: DE102020122552A1
Application number: DE102020122552.0A
Authority: DE
Inventors: Vivek Kundaiker; Gaurav Suresh
Original assignee: Siemens Healthcare GmbH
Current assignee: Siemens Healthineers Ag De
Priority date: 2020-08-28
Filing date: 2020-08-28
Publication date: 2022-03-03

Abstract

Ein Verfahren (200), eine Einrichtung und ein System (100) zum Ermitteln von einem oder mehreren Biopsieparametern werden bereitgestellt. Gemäß einem Aspekt weist das Verfahren (200) das Empfangen von mindestens einem dem Patienten zugeordneten medizinischen Bilddatum auf. Ferner weist das Verfahren (200) das Ermitteln von mit dem Patienten assoziierter Patienteninformation auf. Zusätzlich weist das Verfahren (200) das Vorhersagen des einen oder der mehreren Biopsieparameter unter Verwendung eines trainierten maschinellen Lernmodells auf, basierend auf dem mindestens einen medizinischen Bilddatum und der dem Patienten zugeordneten Patienteninformation. Das Verfahren (200) weist auch das Bereitstellen des vorhergesagten einen oder der vorhergesagten mehreren Biopsieparameter für einen Benutzer an einer Ausgabeeinrichtung (206) auf.

Description

Die vorliegende Erfindung betrifft ein Verfahren, eine Einrichtung und ein System zum Verarbeiten von medizinischen Bildern. Insbesondere betrifft die Erfindung ein Verfahren, eine Einrichtung und ein System zum Bestimmen von Biopsieparametern aus medizinischen Bilddaten.
Biopsie ist ein Prozess der Entnahme einer Gewebeprobe aus einem Körper eines Patienten zur Bestimmung des Vorliegens einer Erkrankung. Die entnommene Probenmenge muss für die weitere Verarbeitung ausreichend sein. Mehrere Beteiligte können in die Biopsieprozedur einbezogen sein, beispielsweise Radiologen und Pathologen. In den meisten Fällen sind die Beteiligten voneinander isoliert und stehen daher möglicherweise nicht in ständiger Kommunikation. Die Biopsieprozedur kann in mehreren Fällen aufgrund der anatomischen Komplexität kompliziert sein. Eine falsche Biopsie kann zur Entfernung von Gewebe an einem falschen Ort oder an einem Ort führen, der möglicherweise keine genauen pathologischen Ergebnisse liefert. Falls eine Menge der entnommenen Probe unzureichend ist, muss die Prozedur ferner möglicherweise für genaue Biopsieresultate erneut wiederholt werden. Da mehrere Beteiligte einbezogen sind, können sich zudem Verzögerungen bei der Patientenversorgung ergeben, da Radiologen eventuell die Pathologen konsultieren müssen, um die Nuancen der Biopsieprozedur zu erfassen. Dies kann auch zu unvollständigen elektronischen Zustandsdaten für den Patienten und zu häufigen erneuten Entnahmen von Biopsieproben am Patienten führen.
Derzeit gibt es keinen Weg der genauen Bestimmung von Parametern in Zusammenhang mit Biopsie, der eine akkurate Performance der Biopsieprozedur gewährleisten kann. Daher besteht Bedarf an einem Verfahren und System, die eine effiziente Identifizierung von Biopsieparametern ermöglichen, um eine akkurate Entnahme von Proben am Patienten zu ermöglichen und erneute Eingriffe am Patienten zu reduzieren. Ferner besteht auch Bedarf an einem Verfahren und einem System, die die Verzögerung bei der Patientenversorgung aufgrund isolierter medizinischer Arbeitsabläufe zwischen Radiologen und Pathologen reduzieren.
Gegenstand der Erfindung ist daher die Bereitstellung eines Verfahrens, einer Einrichtung und eines Systems, die eine akkurate Bestimmung von Biopsieparametern für eine effiziente Biopsieprozedur ermöglichen.
Die Erfindung erreicht das Ziel mittels eines Verfahrens der Vorhersage von einem oder mehreren Biopsieparametern in Zusammenhang mit einem Patienten. Das Verfahren weist das Empfangen von medizinischen Bilddaten, die dem Patienten zugeordnet sind, durch eine Verarbeitungseinheit auf. Die medizinischen Bilddaten können von einer bildgebenden medizinischen Einrichtung empfangen werden. Die bildgebende medizinische Einrichtung kann beispielsweise, aber ohne diesbezügliche Einschränkung, eine bildgebende Magnetresonanzeinrichtung, eine Computertomografieeinrichtung, eine bildgebende Röntgeneinrichtung, eine bildgebende Ultraschalleinrichtung usw. umfassen. Die medizinischen Bilddaten können zweidimensional und/oder auf eine Abbildungsebene bezogen sein. Ferner können die medizinischen Bilddaten dreidimensional und/oder auf ein Volumen bezogen sein. Die Abbildungsebene und/oder das Volumen können Teil eines Körpers eines Patienten sein. Die Abbildungsebene und/oder das Volumen können ein oder mehrere Objekte aufweisen, die einem Patienten zugeordnet sind. Die Objekte können insbesondere ein oder mehrere Körperteile sein, die dem Patienten zugeordnet sind und die möglicherweise abgebildet sind. Die Objekte können, aber ohne diesbezügliche Einschränkung, ein oder mehrere abgebildete Organe, Gewebe, Skelettinformation in Zusammenhang mit dem Patienten umfassen. Die medizinischen Bilddaten können beispielsweise in Form eines Arrays aus Pixeln oder Voxeln vorliegen. Derartige Arrays aus Pixeln oder Voxeln können die Intensität, die Absorption oder andere Parameter als eine Funktion einer dreidimensionalen Position wiedergeben, und sie können beispielsweise mittels geeigneter Verarbeitung von Messsignalen erhalten werden, die von einer oder mehreren der vorstehend erwähnten bildgebenden medizinischen Einrichtungen erhalten wurden. Insbesondere können die medizinischen Bilddaten Information in Zusammenhang mit einer Region von Interesse für eine Biopsieprozedur aufweisen. Das Verfahren weist ferner das Ermitteln von Patienteninformation in Zusammenhang mit dem Patienten auf. Die Patienteninformation kann demografische Patienteninformation aufweisen. Die demografische Information kann beispielsweise das Alter des Patienten, das Geschlecht des Patienten, die ethnische Zugehörigkeit des Patienten, die medizinische Historie des Patienten usw. aufweisen. Ferner kann die Patienteninformation auch den dem Patienten zugeordneten Körperteil aufweisen sowie den Grund für die Durchführung der Biopsieprozedur. Ferner weist das Verfahren die Vorhersage des einen oder der mehreren Biopsieparameter durch die Verarbeitungseinheit auf, basierend auf dem mindestens einen medizinischen Bilddatensatz und den mit dem Patienten assoziierten Patienteninformationen. Die Vorhersage kann unter Verwendung eines trainierten Maschinenlernmodells unter Verwendung der medizinischen Bilddaten, beispielsweise der in dem medizinischen Bild vorliegenden Pixel-/Voxel-Information, durchgeführt werden. Der vorhergesagte eine oder die vorhergesagten mehreren Parameter werden bei einer Ausführungsform für eine Ausgabeeinrichtung bereitgestellt oder dort verwendet. Beispielsweise können der eine oder die mehreren Biopsieparameter an der Ausgabeeinrichtung angezeigt werden. Ferner können der eine oder die mehreren Biopsieparameter zum Speichern in einer Patientendatenbank bereitgestellt werden. In vorteilhafter Weise ermöglicht das Verfahren die effiziente Vorhersage der Biopsieparameter, wodurch die Genauigkeit der Biopsieprozedur verbessert wird. Ferner entfällt die Abhängigkeit von humaner Intervention zur Bestimmung der Biopsieparameter. Ferner kann die Patientenversorgung ohne Verzögerung effizient durchgeführt werden.
Gemäß einer Ausführungsform umfassen der eine oder die mehreren Biopsieparameter eines oder mehreres von einem Volumen von Gewebe, das zur Biopsie vom Patienten erhalten werden soll, der Position des Biopsiemusters, der Tiefe von einer Oberfläche eines Organs, bei der Gewebe zur Biopsie entnommen wird, die Art des zur Durchführung der Biopsie gewählten Verfahrens und die Modalität während einer Biopsieprozedur. In vorteilhafter Weise ermöglichen die Biopsieparameter eine effiziente Planung der Biopsieprozedur.
Gemäß einer weiteren Ausführungsform umfasst das Verfahren die Definition einer Region von Interesse in den medizinischen Bilddaten. Die Region von Interesse kann eine Region in den medizinischen Bilddaten sein, die eine Position in einem Körper des Patienten darstellt, aus der eine Probe zur Biopsie entnommen werden soll. Beispielsweise kann die Region von Interesse eine Region einer Abnormalität bei dem Patienten sein. Bei der Definition des Bereichs von Interesse umfasst das Verfahren das Bereitstellen eines Darstellungsbildes der medizinischen Bilddaten für den Benutzer über eine Benutzerschnittstelle. Bei einer Ausführungsform kann das Darstellungsbild eine Nachbildung des mindestens einen von der medizinischen Bildeinheit empfangenen medizinischen Bilddatums sein. Alternativ dazu können das mindestens eine medizinische Bilddatum an der Benutzerschnittstelle für den Benutzer zur Auswahl des Bereichs von Interesse bereitgestellt werden. Das Verfahren umfasst ferner das Empfangen einer Eingabe des Benutzers über die Benutzerschnittstelle, die den medizinischen Bilddaten zugeordnet ist. Die Eingabe kann eine Angabe des Bereichs von Interesse in den medizinischen Bilddaten sein. Bei einer Ausführungsform kann die Eingabe des Benutzers in Form einer berührungsbasierten Eingabe auf einem Bildschirm der Ausgabeeinrichtung empfangen werden. Bei einer anderen Ausführungsform kann die Eingabe von einer mit der Ausgabeeinrichtung gekoppelten Zeigeeinrichtung empfangen werden, wobei es die Zeigeeinrichtung ermöglicht, den Bereich von Interesse basierend auf Benutzereingaben einzugrenzen. Das Verfahren umfasst ferner das Definieren des Bereichs von Interesse in den medizinischen Bilddaten basierend auf der Benutzereingabe.
Bei einer alternativen Ausführungsform kann der Bereich von Interesse basierend auf einer oder mehreren Pixel-/Voxel-Informationen, die den medizinischen Bilddaten zugeordnet sind, automatisch definiert werden. Beispielsweise können die Pixel-/Voxel-Informationen, die dem Bereich von Interesse zugeordnet sind, im Vergleich zu in dem medizinischen Bild vorliegender Hintergrundinformation abweichen. Bei noch einer weiteren Ausführungsform kann der Bereich von Interesse basierend auf einer Anmerkungsinformation, die den medizinischen Bilddaten zugeordnet ist, automatisch definiert werden. Die Vorhersage des einen oder der mehreren Biopsieparameter kann auf der Pixel-/Voxelinformation basieren, die dem Bereich von Interesse zugeordnet ist, und/oder auf der relativen Position/den Koordinaten des Bereichs von Interesse in Bezug auf ein gesamtes medizinisches Bild, das dem Patienten zugeordnet ist. In vorteilhafter Weise ermöglicht die Definition des Bereichs von Interesse ferner eine genaue Probenentnahme für die Biopsieprozedur. Somit werden Fehler bei der Probenentnahme vermieden.
Gemäß einer Ausführungsform umfasst das Vorhersagen des einen oder der mehreren Biopsieparameter das Abrufen von einem oder mehreren medizinischen Daten aus einer Datenbank. Die medizinischen Daten können einen vorbestimmten Grad an Ähnlichkeit mit dem mindestens einen medizinischen Bilddatum und/oder dem Patienten zugeordneter Patienteninformation aufweisen. Die medizinischen Daten können beispielsweise basierend auf dem mindestens einen medizinischen Bilddatum und/oder der dem Patienten zugeordneten Patienteninformation abgerufen werden. Der vorbestimmte Ähnlichkeitsgrad kann beispielsweise auf medizinischer Information basieren, die dem einen oder den mehreren medizinischen Daten zugeordnet ist, und auf der dem Patienten zugeordneten Patienteninformation. Die Ähnlichkeit kann auf der Pixel-/Voxel-Information der dem Patienten zugeordneten medizinischen Bilddaten und den aus der medizinischen Datenbank abgerufenen medizinischen Daten basieren. Das Verfahren umfasst ferner das Vorhersagen des einen oder der mehreren Biopsieparameter basierend auf den abgerufenen ein oder mehreren medizinischen Daten. Die Vorhersage des einen oder der mehreren Biopsieparameter umfasst das Extrahieren eines oder mehrerer Biopsieparameter aus dem einen oder den mehreren medizinischen Daten. Der eine oder die mehreren Biopsieparameter, die dem einen oder den mehreren medizinischen Daten zugeordnet sind, ermöglichen die Vorhersage des dem Patienten zugeordneten einen oder der dem Patienten zugeordneten mehreren Biopsieparameter. In vorteilhafter Weise ermöglichen das eine oder die mehreren medizinischen Daten eine genaue Vorhersage der mit dem Patienten assoziierten Biopsieparameter.
Gemäß einer weiteren Ausführungsform werden die vorhergesagten Biopsieparameter als Metadaten gespeichert, die dem mindestens einen medizinischen Bilddatum zugeordnet sind, und/oder zu der Patienteninformation hinzugefügt. In vorteilhafter Weise können die Biopsieparameter für künftige Verwendungen leicht aus dem mindestens einen dem Patienten zugeordneten medizinischen Bilddatum extrahiert werden.
Die Zielsetzung der Erfindung wird auch durch ein Verfahren zum Trainieren eines Maschinenlernalgorithmus zum Bestimmen von einem oder mehreren einem Patienten zugeordneten Biopsieparametern erreicht. Das Verfahren umfasst das Empfangen eines medizinischen Bilddatums und von Patienteninformation, die dem Patienten zugeordnet sind, durch eine Verarbeitungseinheit. Die medizinischen Bilddaten können beispielsweise von einer bildgebenden medizinischen Einrichtung empfangen werden. Alternativ dazu können die medizinischen Bilddaten von einer medizinischen Datenbank empfangen werden, die eine Mehrzahl medizinischer Bilder aufweist. Die Patienteninformation kann beispielsweise aus der medizinischen Datenbank empfangen werden. Alternativ dazu kann die Patienteninformation unter Verwendung von einem oder mehreren Patientenkenndaten von einem DICOM-Header empfangen werden, der den medizinischen Bilddaten des Patienten zugeordnet ist. Das Verfahren weist ferner das Empfangen eines maschinellen Lernmodells durch die Verarbeitungseinheit und das Bestimmen von einem oder mehreren Biopsieparametern auf, die dem Patienten zugeordnet sind. Das Ermitteln des einen oder der mehreren Biopsieparameter kann auf dem einen oder den mehreren medizinischen Daten basieren, die aus der Datenbank erhalten wurden.
Das maschinelle Lernmodell kann dafür ausgelegt werden, die medizinischen Bilddaten und die dem Patienten zugeordnete Patienteninformation zusammen mit dem einen oder den mehreren medizinischen Daten zu analysieren, die aus der Datenbank erhalten wurden, um den einen oder die mehreren Biopsieparameter zu ermitteln. Das Verfahren weist ferner das Vergleichen des einen oder der mehreren ermittelten Biopsieparameter mit einem vorbestimmten Satz von Biopsieparametern auf. Die vorbestimmten Biopsieparameter können Biopsieparameter sein, die von einem Radiologen und/oder einem Pathologen festgelegt wurden. Die Vorbestimmung der Biopsieparameter durch den Radiologen/Pathologen kann manuell durchgeführt werden, und die Ausgabe wird zum Vergleich für das maschinelle Lernmodell bereitgestellt. Das Verfahren weist ferner das Anpassen des maschinellen Lernmodells basierend auf einem Ergebnis des Vergleichs auf. Wenn der Vergleich des einen oder der mehreren vom maschinellen Lernmodell ermittelten Biopsieparameter und der vom Arzt vorbestimmten Biopsieparameter einen Unterschied ergibt, wird das maschinelle Lernmodell basierend auf dem vorbestimmten Satz von Biopsieparametern angepasst. Alternativ dazu kann die identifizierte Differenz an einer Ausgabeeinrichtung für einen Benutzer zur weiteren Verarbeitung bereitgestellt werden. Ferner kann basierend auf der vom Benutzer erhaltenen Eingabe das maschinelle Lernmodell angepasst werden. In vorteilhafter Weise verbessert das Training des maschinellen Lernmodells die Genauigkeit des maschinellen Lernmodells. Daher wird die Vorhersage des einen oder der mehreren Biopsieparameter durch das maschinelle Lernmodell verbessert und optimiert.
Gemäß einer weiteren Ausführungsform weist das Verfahren ferner das Erhalten von einem oder mehreren medizinischen Daten aus der medizinischen Datenbank durch die Verarbeitungseinheit auf. Das eine oder die mehreren medizinischen Daten können beispielsweise basierend auf dem mindestens einen medizinischen Bilddatum und der dem Patienten zugeordneten Patienteninformation erhalten werden. Das eine oder die mehreren medizinischen Daten können einen vorbestimmten Grad an Ähnlichkeit mit den medizinischen Bilddaten und der dem Patienten zugeordneten Patienteninformation aufweisen. Das eine oder die mehreren medizinischen Daten können zusätzlich verwendet werden, um den einen oder die mehreren Biopsieparameter zu bestimmen.
Bei einer Ausführungsform ist das maschinelle Lernmodell ein auf einem Backpropagation-Algorithmus basierendes Deep-Learning-Modell. Der Backpropagation-Algorithmus ermöglicht die Feinabstimmung von Gewichten im Deep-Learning-Modell basierend auf einer ermittelten Fehlerrate, d. h. auf der Basis von Verlustfunktionen, die in einer früheren Iteration des Deep-Learning-Modells erhalten wurden. Das Deep-Learning-Modell kann eine Eingabeschicht, mehrere ausgeblendete Schichten und eine Ausgabeschicht aufweisen. Eingabe- und Ausgabeparameter können definiert und festgelegt werden. Beispielsweise können die Eingabeparameter die medizinischen Bilddaten und die dem Patienten zugeordnete Patienteninformation sein. Zusätzlich können die Eingabeparameter auch das eine oder die mehreren medizinischen Daten aufweisen, die aus der medizinischen Datenbank abgerufen werden. Die Ausgabeparameter können den einen oder die mehreren dem Patienten zugeordneten Biopsieparameter aufweisen. Der Backpropagation-Algorithmus ermittelt einen Gradienten für die definierten Eingabe- und Ausgabeparameter durch Variieren der den Schichten des Deep-Learning-Modells zugewiesenen Gewichte. In vorteilhafter Weise ermöglicht das Backpropagation-Modell eine effektive Abstimmung des Deep-Learning-Modells auf der Grundlage der von dem Radiologen/Pathologen vorbestimmten Biopsieparameter. Somit sind die Fehlerrate oder die Verlustfunktionen des Deep-Learning-Modells optimiert.
Die Zielsetzung der Erfindung wird auch durch eine bildgebende medizinische Einrichtung zum Ermitteln eines oder mehrerer einem Patienten zugeordneten Biopsieparameter erreicht. Die Einrichtung umfasst eine oder mehrere Verarbeitungseinheiten, eine Scannereinheit, ausgelegt zum Erfassen von einem oder mehreren medizinischen Bildern, und einen mit der einen oder den mehreren Verarbeitungseinheiten gekoppelten Speicher. Der Speicher umfasst ein Biopsiemodul, ausgelegt zum Durchführen der vorstehend beschriebenen Verfahrensschritte unter Verwendung mindestens eines trainierten maschinellen Lernmodells.
Die Erfindung betrifft unter einem anderen Aspekt ein System zum Ermitteln von einem oder mehreren einem Patienten zugeordneten Biopsieparametern. Gemäß einer Ausführungsform weist das System einen oder mehrere Server und eine bildgebende medizinische Einrichtung auf, die mit dem einem oder den mehreren Servern gekoppelt ist. Der eine oder die mehreren Server umfassen Anweisungen, die bei der Ausführung den einen oder die mehreren Server veranlassen, die vorstehend beschriebenen Verfahrensschritte unter Verwendung mindestens eines trainierten maschinellen Lernmodells durchzuführen.
Die Erfindung betrifft unter einem Aspekt ein Rechnerprogrammprodukt, das ein Rechnerprogramm umfasst, wobei das Rechnerprogramm in eine Speichereinheit eines Systems geladen werden kann, aufweisend Programmcodeabschnitte, um das System das Verfahren gemäß einem Aspekt der Erfindung ausführen zu lassen, wenn das Rechnerprogramm im System ausgeführt wird.
Die Erfindung betrifft unter einem Aspekt ein rechnerlesbares Medium, auf dem Programmcodeabschnitte eines Rechnerprogramms gespeichert sind, wobei die Programmcodeabschnitte in ein System geladen und/oder in einem System ausgeführt werden können, damit das System das Verfahren gemäß einem Aspekt der Erfindung durchführt, wenn die Programmcodeabschnitte in dem System ausgeführt werden.
Die Umsetzung der Erfindung durch ein Rechnerprogrammprodukt und/oder ein rechnerlesbares Medium bietet den Vorteil, dass bereits vorhandene Managementsysteme leicht von Softwareaktualisierungen erfasst werden können, um entsprechend dem erfindungsgemäßen Vorschlag zu fungieren.
Das Rechnerprogrammprodukt kann z. B. ein Rechnerprogramm sein oder ein anderes Element neben dem Rechnerprogramm umfassen. Dieses andere Element kann Hardware sein, beispielsweise eine Speichereinrichtung, in der das Rechnerprogramm gespeichert ist, ein Hardwareschlüssel zum Verwenden des Rechnerprogramms und Ähnliches und/oder Software, beispielsweise eine Dokumentation oder ein Softwareschlüssel zur Verwendung des Rechnerprogramms.
Bei Ausführungsformen weist das Verfahren den Schritt des Auswählens/Inbetriebnehmens einer Biopsieeinrichtung/eines Biopsieinstruments und/oder der Durchführung einer Biopsie entsprechend dem einen oder den mehreren vorhergesagten Biopsieparametern auf. Insbesondere wird gemäß Ausführungsformen eine Biopsie automatisch unter Verwendung einer geeigneten Biopsieeinrichtung/eines geeigneten Biopsieinstruments durchgeführt.
Die vorliegende Erfindung wird im Folgenden mit Bezug auf dargestellte Ausführungsformen, die in den beigefügten Zeichnungen gezeigt sind, näher beschrieben, wobei

1 ein Blockdiagramm einer Client-Server-Architektur darstellt, die ein geometrisches Modell von Komponenten bereitstellt, die unterschiedliche Teile eines reellen Objekts gemäß einer Ausführungsform der vorliegenden Erfindung wiedergibt;
2 ein Blockdiagramm eines Datenverarbeitungssystems darstellt, in dem eine Ausführungsform zum Ermitteln von Biopsieparametern implementiert sein kann;
3 ein Ablaufdiagramm eines Verfahrens zum Ermitteln von einem Patienten zugeordneten Biopsieparametern gemäß einer Ausführungsform der Erfindung darstellt;
4 ein Ablaufprogramm eines Verfahrens zur Definition eines Bereichs von Interesse in einem medizinischen Bilddatum gemäß einer Ausführungsform der Erfindung darstellt;
5 ein Ablaufdiagramm eines Verfahrens zur Vorhersage der Biopsieparameter gemäß einer Ausführungsform der Erfindung darstellt;
6 ein Ablaufdiagramm eines Verfahrens zum Training eines maschinellen Lernmodells zum Ermitteln von Biopsieparametern gemäß einer Ausführungsform der Erfindung darstellt;
7 eine Arbeitsweise des maschinellen Lernmodells zum Ermitteln der Biopsieparameter entsprechend eine Ausführungsform der Erfindung darstellt.

Im Folgenden sind Ausführungsformen zur Umsetzung der vorliegenden Erfindung detailliert beschrieben. Die verschiedenen Ausführungsformen sind unter Bezugnahme auf die Zeichnungen beschrieben, wobei im gesamten Verlauf für gleiche Elemente gleiche Kennziffern verwendet werden. In der folgenden Beschreibung werden zur Erläuterung zahlreiche spezifische Einzelheiten dargelegt, um ein gründliches Verständnis von einer oder mehreren Ausführungsformen zu ermöglichen. Es kann offensichtlich sein, dass derartige Ausführungsformen ohne diese spezifischen Details umgesetzt werden können.
1 stellt eine Darstellung eines Blockdiagramms einer Client-Server-Architektur dar, die ein geometrisches Modell von Komponenten ist, die unterschiedliche Teile von reellen Objekten gemäß einer Ausführungsform wiedergeben. Die Client-Server-Architektur 100 weist einen Server 101 und eine Mehrzahl von Client-Einrichtungen 107A-N auf. Jede der Client-Einrichtungen 107A-N ist über ein Netzwerk 105, beispielsweise ein lokales Netzwerk (LAN), ein Wide Area Network (WAN), WiFi usw., mit dem Server 101 verbunden. Bei einer Ausführungsform wird der Server 101 in einer Cloud-Rechnerumgebung eingesetzt. Der hier verwendete Begriff „Cloud-Rechnerumgebung“ bezieht sich auf eine Verarbeitungsumgebung, umfassend konfigurierbare physische und logische Rechenressourcen, zum Beispiel Netzwerke, Server, Speicher, Anwendungen, Dienste usw. und Daten, die über das Netzwerk 105, beispielsweise das Internet, verteilt sind. Die Cloud-Rechenumgebung bietet On-Demand-Netzwerkzugriff auf einen gemeinsam genutzten Pool der konfigurierbaren physischen und logischen Rechenressourcen. Der Server 101 kann eine medizinische Datenbank 102 aufweisen, die medizinische Bilder und dazugehörige medizinische Daten in Zusammenhang mit einer Mehrzahl von Patienten umfasst, die von einem Gesundheitsdienstleister gepflegt werden. Bei einer Ausführungsform können die medizinischen Daten auch Patienteninformation aufweisen. Der Server 101 kann ein Biopsiemodul 103 aufweisen, das dafür ausgelegt ist, einen oder mehrere einem Patienten zugeordnete Biopsieparameter zu ermitteln. Darüber hinaus kann der Server 101 eine Netzwerkschnittstelle 104 für die Kommunikation mit der Client-Einrichtung 107A-N über das Netzwerk 105 aufweisen.
Die Client-Einrichtungen 107A-N sind Benutzereinrichtungen, die von Benutzern verwendet werden, z. B. von medizinischem Personal wie Radiologen, Pathologen, Ärzten usw. Bei einer Ausführungsform kann die Benutzereinrichtung 107A-N vom Benutzer verwendet werden, um dem Patienten zugeordnete Daten zu empfangen. Der Benutzer kann auf die Daten über eine grafische Benutzeroberfläche einer Endbenutzer-Webanwendung an der Benutzereinrichtung 107AN zugreifen. Bei einer anderen Ausführungsform kann eine Anforderung an den Server 101 gesendet werden, um über das Netzwerk 105 auf die dem Patienten zugeordneten Daten zuzugreifen. Eine bildgebende Einheit 108 kann durch das Netzwerk 105 mit dem Server 101 verbunden sein. Die Einheit 108 kann eine bildgebende medizinische Einheit 108 sein, die eine Mehrzahl medizinischer Bilder erfassen kann. Die bildgebende medizinische Einheit 108 kann beispielsweise eine Scannereinheit sein, wie z. B. eine bildgebende Computertomografie-Einheit, eine bildgebende Röntgenfluoroskopie-Einheit, eine bildgebende Magnetresonanzeinheit, eine bildgebende Ultraschalleinheit usw.
2 ist ein Blockdiagramm eines Datenverarbeitungssystems 101, in dem eine Ausführungsform beispielsweise als ein System 101 zum Ermitteln von einem oder mehreren einem Patienten zugeordneten Biopsieparametern implementiert sein kann, dafür ausgelegt, die beschriebenen Prozesse darin auszuführen. Es versteht sich, dass der Server 101 eine beispielhafte Implementierung des Systems in 2 ist. In 2 umfasst das Datenverarbeitungssystem 101 eine Verarbeitungseinheit 201, einen Arbeitsspeicher 202, eine Datenspeichereinheit 203, eine Eingabeeinheit 204, eine Ausgabeeinheit 206, einen Bus 205, und eine Netzwerkschnittstelle 104.
Die hier verwendete Verarbeitungseinheit 201 bezeichnet jede Art von Rechenschaltung, wie, ohne diesbezügliche Einschränkung, einen Mikroprozessor, einen Mikrocontroller, einen Rechner-Mikroprozessor mit komplexem Befehlssatz, einen Rechner-Mikroprozessor mit reduziertem Befehlssatz, einen Very-Long-Instruction-Word-Mikroprozessor, einen Rechner-Mikroprozessor für explizit parallele Befehlsausführung, einen Grafikprozessor, einen digitalen Signalprozessor oder jede andere Art von Verarbeitungsschaltung. Die Verarbeitungseinheit 101 kann auch eingebettete Steuerungen aufweisen, wie beispielsweise generische oder programmierbare Logikeinrichtungen oder Arrays, anwendungsspezifische integrierte Schaltungen, Einzelchip-Computer und dergleichen.
Der Arbeitsspeicher 202 kann ein flüchtiger Speicher und ein nichtflüchtiger Speicher sein. Der Arbeitsspeicher 202 kann zur Kommunikation mit der Verarbeitungseinheit 201 gekoppelt sein. Die Verarbeitungseinheit 201 kann Anweisungen und/oder Code ausführen, die in dem Arbeitsspeicher 202 gespeichert sind. Verschiedene rechnerlesbare Speichermedien können in dem Arbeitsspeicher 202 gespeichert sein und daraus abgerufen werden. Der Arbeitsspeicher 202 kann beliebige geeignete Elemente zum Speichern von Daten und maschinenlesbaren Anweisungen aufweisen, wie beispielsweise Nur-Lese-Speicher, Direktzugriffsspeicher, löschbaren programmierbaren Nur-Lese-Speicher, elektrisch löschbaren programmierbaren Nur-Lese-Speicher, eine Festplatte, ein Wechselmedienlaufwerk zur Handhabung von CDs, digitalen Videoplatten, Disketten, Magnetbandkassetten, Speicherkarten und dergleichen. In der vorliegenden Ausführungsform umfasst der Arbeitsspeicher 201 ein Biopsiemodul 103, das in Form von maschinenlesbaren Anweisungen auf einem der vorgenannten Speichermedien gespeichert ist, und kann mit dem Prozessor 201 in Kommunikation stehen und von diesem ausgeführt werden. Bei der Ausführung durch den Prozessor 201 veranlasst das Biopsiemodul 103 den Prozessor 201, einen oder mehrere mit einem Patienten assoziierte Biopsieparameter zu ermitteln. Durch den Prozessor 201 ausgeführte Verfahrensschritte zum Erzielen der vorgenannten Funktionalität werden detailliert in 3, 4, 5 und 6 behandelt.
Die Speichereinheit 203 kann ein nicht vorübergehendes Speichermedium sein, das eine medizinische Datenbank 102 speichert. Die medizinische Datenbank 102 ist ein Repository von medizinischen Bildern und zugehörigen medizinischen Datensätzen mit Bezug auf einen oder mehrere Patienten, die von einem Gesundheitsdienstleister gepflegt werden. Die Eingabeeinheit 204 kann Eingabemittel wie eine Tastatur, eine berührungssensible Anzeige, eine Kamera (wie z. B. eine Kamera, die gestenbasierte Eingaben empfängt) usw. aufweisen, die Eingangssignale wie beispielsweise medizinische Bilddaten empfangen können. Der Bus 205 wirkt als Verbindung zwischen dem Prozessor 201, dem Arbeitsspeicher 202, der Speichereinheit 203, der Eingabeeinheit 204, der Ausgabeeinheit 206 und der Netzwerkschnittstelle 104.
Durchschnittsfachleute auf diesem Gebiet werden erkennen, dass die in 1 dargestellte Hardware für besondere Implementierungen abweichen kann. Zum Beispiel können auch andere Peripherieeinrichtungen wie ein optisches Laufwerk und dergleichen, LAN (lokales Netzwerk)/WAN (Wide Area Network)/Wireless-Adapter (z. B. Wi-Fi), Grafikadapter, Festplattencontroller, Ein-/Ausgabe-(E/A-)Adapter zusätzlich oder anstelle der abgebildeten Hardware verwendet werden. Das dargestellte Beispiel ist nur zum Zweck der Erläuterung bereitgestellt und soll keine architektonischen Einschränkungen in Bezug auf die vorliegende Offenbarung implizieren.
Ein Datenverarbeitungssystem 101 gemäß einer Ausführungsform der vorliegenden Offenbarung weist ein Betriebssystem auf, das eine grafische Benutzerschnittstelle verwendet. Das Betriebssystem ermöglicht die gleichzeitige Darstellung mehrerer Anzeigefenster in der grafischen Benutzeroberfläche, wobei jedes Anzeigefenster eine Schnittstelle zu einer unterschiedlichen Anwendung oder zu einer unterschiedlichen Instanz der gleichen Anwendung bereitstellt. Ein Cursor in der grafischen Benutzerschnittstelle kann von einem Benutzer über eine Zeigeeinrichtung bewegt werden. Die Position des Cursors kann geändert werden, und/oder ein Ereignis wie das Klicken einer Maustaste kann erzeugt werden, um eine gewünschte Reaktion zu bewirken.
Eines von verschiedenen kommerziellen Betriebssystemen, wie beispielsweise eine Version von Microsoft Windows™, einem Produkt der Microsoft Corporation mit Sitz in Redmond, US-Bundesstaat Washington, kann nach entsprechender Modifizierung eingesetzt werden. Das Betriebssystem wird gemäß der vorliegenden Offenbarung wie beschrieben modifiziert oder erstellt.
Offenbarte Ausführungsformen stellen Systeme und Verfahren zum Verarbeiten von medizinischen Bildern bereit. Insbesondere können die Systeme und Verfahren einem Patienten zugeordnete Biopsieparameter ermitteln.
3 veranschaulicht ein Ablaufdiagramm eines Verfahrens 300 zum Ermitteln von einem oder mehreren einem Patienten zugeordneten Biopsieparametern. In Schritt 301 wird mindestens ein dem Patienten zugeordnetes medizinisches Bilddatum empfangen. Die dem Patienten zugeordneten medizinischen Bilddaten können von einer bildgebenden medizinischen Einheit wie einer bildgebenden Röntgeneinheit, einer bildgebenden Computertomografie-Einheit, einer bildgebenden Magnetresonanzeinheit, einer bildgebenden PET-Einheit, einer bildgebenden Ultraschalleinheit usw. empfangen werden. Alternativ dazu können die medizinischen Bilddaten von der medizinischen Datenbank 102 empfangen werden. Die medizinischen Bilddaten können ein oder mehrere Objekte aufweisen, die einem Patienten zugeordnet sind. Die Objekte können ein oder mehrere Körperteile sein, die dem Patienten zugeordnet sind. Bei der vorliegenden Ausführungsform kann das abgebildete Objekt ein Organ, Gewebe, Knochen usw. aufweisen, bei denen ein Verdacht auf Krebsbefall vorliegen kann. In Schritt 302 wird die dem Patienten zugeordnete Patienteninformation ermittelt. Die Patienteninformation kann dem Patienten zugeordnete demografische Daten aufweisen. Die demografische Information kann beispielsweise das Alter des Patienten, das Geschlecht des Patienten, die ethnische Zugehörigkeit des Patienten, die medizinische Historie des Patienten usw. aufweisen. Zusätzlich kann die Patienteninformation auch einen dem Patienten für die Biopsieprozedur zugeordneten Körperteil aufweisen sowie einen oder mehrere Gründe für die Durchführung der Biopsieprozedur. Bei einer Ausführungsform kann die Patienteninformation aus DICOM-Daten erhalten werden, die den medizinischen Bilddaten zugeordnet sind, beispielsweise einem DICOM-Header. Alternativ dazu kann die Patienteninformation aus der medizinischen Datenbank 102 unter Verwendung einer eindeutigen Patientenkennung erhalten werden, die dem Patienten zugeordnet ist.
In Schritt 303 wird ein Bereich von Interesse in den medizinischen Bilddaten definiert. Der Bereich von Interesse kann eine Region in den medizinischen Bilddaten sein, die einen Bereich in dem Körper des Patienten darstellt, aus dem eine Probe zur Biopsie entnommen werden soll. Die Verfahrensschritte zum Definieren des Bereichs von Interesse werden in 4 im Einzelnen ausgeführt. In Schritt 304 werden der eine oder die mehreren Biopsieparameter unter Verwendung eines trainierten maschinellen Lernmodells vorhergesagt. Die Vorhersage der Biopsieparameter kann auf dem mindestens einen medizinischen Bilddatum und der mit dem Patienten assoziierten Patienteninformation basieren. Insbesondere analysiert das maschinelle Lernmodell bei der Vorhersage der Biopsieparameter mit den medizinischen Bilddaten assoziierte Pixel-/Voxel-Information. Der eine oder die mehreren Biopsieparameter weisen ohne diesbezügliche Einschränkung ein Volumen von Gewebe, das vom Patienten erhalten werden soll, auf sowie die Position der Biopsieprobe, die Tiefe von einer Oberfläche eines Organs, bei der Gewebe zur Biopsie entnommen wird, die Art des zur Durchführung der Biopsie gewählten Verfahrens und die während der Biopsieprozedur zu verwendende Bildgebungsmodalität. Die mit der Vorhersage der Biopsieparameter assoziierten Verfahrensschritte werden in 5 im Einzelnen ausgeführt. In Schritt 305 werden der vorhergesagte eine oder die vorhergesagten mehreren Biopsieparameter dem Benutzer auf einer Ausgabeeinrichtung bereitgestellt. Beispielsweise können der eine oder die mehreren Biopsieparameter an der Client-Einrichtung 107A-N angezeigt werden. Alternativ dazu können der eine oder die mehreren Biopsieparameter für ein Lasermarkiersystem bereitgestellt werden, das bei der Biopsieprozedur verwendet wird. Das Lasermarkiersystem kann einen Punkt auf der Haut des Patienten markieren, um eine Biopsieprobe des Patienten zu entnehmen. In noch einer weiteren Ausführungsform können der eine oder die mehreren Biopsieparameter für ein Robotersystem bereitgestellt werden, das die Durchführung der Biopsieprozedur unterstützt.
4 zeigt ein Ablaufprogramm eines Verfahrens 400 zur Definition eines Bereichs von Interesse in dem medizinischen Bilddatum gemäß einer Ausführungsform der Erfindung. In Schritt 401 wird für den Benutzer ein veranschaulichendes Bild der medizinischen Bilddaten über eine Benutzerschnittstelle bereitgestellt. Das veranschaulichende Bild kann eine Replik der mit dem Patienten assoziierten medizinischen Bilddaten sein. Alternativ dazu kann das veranschaulichende Bild die medizinischen Bilddaten selbst darstellen. In einer Ausführungsform kann das veranschaulichende Bild der medizinischen Bilddaten an einer Anzeigeeinheit der Client-Einrichtung 107A-N angezeigt werden. In Schritt 402 wird eine mit den medizinischen Bilddaten assoziierte Eingabe des Benutzers über die Benutzerschnittstelle empfangen. Die Eingabe ist eine Angabe des Bereichs von Interesse in den medizinischen Bilddaten. Die Eingabe kann zum Beispiel eine berührungsbasierte Eingabe, eine gestenbasierte Eingabe, eine von einer mit der Client-Einrichtung 107A-N assoziierten Zeigeeinrichtung empfangene Eingabe usw. sein. Bei einer alternativen Ausführungsform kann der Bereich von Interesse basierend auf einer oder mehreren Anmerkungen, die in den medizinischen Bilddaten vorliegen können, automatisch abgeleitet werden. In Schritt 403 wird der Bereich von Interesse in den medizinischen Bilddaten basierend auf der Eingabe definiert. Beispielsweise kann eine Kontur oder ein Punkt in den medizinischen Bilddaten basierend auf der vom Benutzer empfangenen Eingabe und basierend darauf identifiziert werden, welcher Bereich von Interesse in den medizinischen Bilddaten definiert werden kann. Bei einer Ausführungsform kann die Vorhersage des einen oder der mehreren Biopsieparameter basierend auf der Pixel-/Voxel-Information erfolgen, die in dem Bereich von Interesse umfasst ist. Zusätzlich kann die Vorhersage auch auf der relativen Position/den Koordinaten des Bereichs von Interesse in Bezug auf ein gesamtes dem Patienten zugeordnetes medizinisches Bild basieren.
5 zeigt ein Verfahren 500 zur Vorhersage des einen oder der mehreren Biopsieparameter gemäß einer Ausführungsform der Erfindung. In Schritt 501 werden ein oder mehrere medizinische Daten aus der medizinischen Datenbank 102 basierend auf dem mindestens einen medizinischen Bilddatum und der dem Patienten zugeordneten Patienteninformation abgerufen. Bei einer Ausführungsform können das eine oder die mehreren medizinischen Daten archivierte medizinische Bilder und/oder Patienteninformation aufweisen, die den medizinischen Bildern zugeordnet sind. Derartige medizinische Bilddaten und Patienteninformationen können mit einer Vielzahl von Patienten assoziiert sein, die sich Biopsieprozeduren unterzogen haben. Bei einer weiteren Ausführungsform weisen das eine oder die mehreren medizinischen Daten einen vorbestimmten Grad an Ähnlichkeit mit dem mindestens einen medizinischen Bilddatum und/oder dem Patienten zugeordneter Patienteninformation auf. Zusätzlich kann der vorbestimmte Ähnlichkeitsgrad ein Mindestkriterium aufweisen, das erfüllt sein muss, damit das eine oder die mehreren medizinischen Daten als dem mindestens einen medizinischen Bilddatum und der mit dem Patienten assoziierten Patienteninformation ähnlich qualifiziert sind. Die Kriterien für den vorbestimmten Ähnlichkeitsgrad können Merkmale in den medizinischen Bilddaten und in der Patienteninformation aufweisen. Die Mindestkriterien, die zum Abrufen des einen oder der mehreren medizinischen Daten erfüllt sein müssen, können vom Benutzer definiert werden, beispielsweise von einem Arzt, einem Radiologen oder einem Pathologen.
In Schritt 502 werden ein oder mehrere Biopsieparameter aus dem einen oder den mehreren medizinischen Daten extrahiert, die aus der Datenbank 102 abgerufen worden sind. Der eine oder die mehreren Biopsieparameter sind den aus der Datenbank 102 abgerufenen medizinischen Daten zugeordnet, beispielsweise in Form von Metadaten. In Schritt 503 werden der eine oder die mehreren mit dem Patienten assoziierten Biopsieparameter basierend auf dem einen oder den mehreren aus dem einen oder den mehreren medizinischen Daten extrahierten Biopsieparametern vorhergesagt.
Bei einer Ausführungsform wird die Vorhersage des einen oder der mehreren mit dem Patienten assoziierten Biopsieparameter durch ein trainiertes maschinelles Lernmodell durchgeführt. Bei der vorliegenden Erfindung ist das maschinelle Lernmodell ein auf einem Backpropagation-Algorithmus basierendes Deep-Learning-Modell. Alternativ dazu kann jedes andere geeignete maschinelle Lernmodell zur Vorhersage des einen oder der mehreren Biopsieparameter verwendet werden, die dem Patienten zugeordnet sind. Die Einzelheiten in Zusammenhang mit dem Deep-Learning-Modell sind in 7 bereitgestellt. In Schritt 504 werden die vorhergesagten Biopsieparameter als Metadaten gespeichert, die dem mindestens einen medizinischen Bilddatum zugeordnet sind. Alternativ dazu können die Metadaten zu der mit dem Patienten assoziierten Patienteninformation hinzugefügt werden. Beispielsweise können die Metadaten in einem DICOM-Header, der den medizinischen Bilddaten des Patienten zugeordnet ist, umfasst sein.
6 veranschaulicht ein Ablaufdiagramm eines Verfahrens 600 zum Trainieren eines maschinellen Lernmodells zum Ermitteln von einem oder mehreren dem Patienten zugeordneten Biopsieparametern. Bei Schritt 601 werden medizinische Bilddaten und Patienteninformation im Zusammenhang mit dem Patienten empfangen. Die medizinischen Bilddaten und die Patienteninformation können beispielsweise von der medizinischen Datenbank 102 empfangen werden. Bei einer alternativen Ausführungsform werden ein oder mehrere medizinische Daten von der Datenbank 102 auf der Grundlage der medizinischen Bilddaten und der Patienteninformation in Schritt 602 erhalten. Bei der Ausführungsform werden das eine oder die mehreren medizinischen Daten aus der medizinischen Datenbank 102 abgerufen, basierend auf einem vorbestimmten Grad der Ähnlichkeit zwischen den medizinischen Bilddaten und der mit dem Patienten und dem einen oder den mehreren medizinischen Daten assoziierten Patienteninformation. Das eine oder die mehreren aus der medizinischen Datenbank 102 abgerufenen medizinischen Daten ermöglichen ferner die Vorhersage der Biopsieparameter. In Schritt 603 wird ein maschinelles Lernmodell von der Verarbeitungseinheit 201 empfangen. Bei Schritt 604 werden ein oder mehrere mit dem Patienten assoziierte Biopsieparameter durch das maschinelle Lernmodell ermittelt. Die Bestimmung kann auf dem einen oder den mehreren medizinischen Daten basieren, die aus der medizinischen Datenbank 102 abgerufen wurden, sowie auf den medizinischen Bilddaten und/oder der mit dem Patienten assoziierten Patienteninformation. Bei Schritt 605 wird ein vorbestimmter Satz von Biopsieparametern aus einer Quelle wie der medizinischen Datenbank 102 erhalten. Bei einer Ausführungsform kann der vorbestimmte Satz von Biopsieparametern von dem Radiologen und/oder Pathologen manuell festgelegt werden. In Schritt 606 erfolgt ein Vergleich zwischen dem vorbestimmten Satz von Biopsieparametern und dem einen oder den mehreren durch das maschinelle Lernmodell ermittelten Biopsieparametern, um eine Abweichung zu identifizieren. Wird bei Schritt 606 eine Abweichung festgestellt, wird das maschinelle Lernmodell bei Schritt 607 basierend auf dem vorbestimmten Satz von Biopsieparametern angepasst. Wird keine Abweichung festgestellt, werden in Schritt 608 der eine oder die mehreren durch das maschinelle Lernmodell festgelegten Biopsieparameter für den Benutzer bereitgestellt.
Bei einer alternativen Ausführungsform werden die Ergebnisse des Vergleichs zwischen dem vorbestimmten Satz von Biopsieparametern und dem einen oder den mehreren Biopsieparametern, die durch das maschinelle Lernmodell festgelegt werden, für den Benutzer bereitgestellt. Ferner kann die Anpassung des maschinellen Lernmodells basierend auf einer Rückmeldung des Benutzers zu den Vergleichsergebnissen durchgeführt werden. Bei einer weiteren Ausführungsform können etwa 80 % des Datensatzes für das Training des maschinellen Lernmodells und etwa 20 % des Datensatzes für die Evaluierung des maschinellen Lernmodells verwendet werden. Die Evaluierung des maschinellen Lernmodells kann durchgeführt werden, um eine Genauigkeitsrate des maschinellen Lernmodells zu ermitteln.
7 zeigt eine Arbeitsweise des maschinellen Lernmodells 700 zum Ermitteln der Biopsieparameter entsprechend einer Ausführungsform der Erfindung. Das maschinelle Lernmodell 700 ist ein auf einem Backpropagation-Algorithmus basierendes Deep-Learning-Modell. Das Modell 700 weist eine Eingangsschicht I_a-In, eine Mehrzahl ausgeblendeter Schichten Xa-Xn - Za-Zn und eine Ausgabeschicht O_a-O_n auf. Die Eingabeschicht I_a-I_n weist die medizinischen Bilddaten und/oder die mit dem Patienten assoziierte Patienteninformation auf. Zusätzlich können auch das eine oder die mehreren aus der medizinischen Datenbank 102 abgerufenen medizinischen Daten umfasst sein. Der Backpropagation-Algorithmus ermöglicht die Feinabstimmung von Gewichten im Deep-Learning-Modell 700 basierend auf einer ermittelten Fehlerrate, d. h. auf der Basis von Verlustfunktionen, die in einer früheren Iteration des Deep-Learning-Modells 700 erhalten wurden. Der Backpropagation-Algorithmus ermittelt einen Gradienten für die definierten Eingabe- und Ausgabeparameter durch Variieren der den Schichten des Deep-Learning-Modells 700 zugewiesenen Gewichte. Die Ausgangsschicht O_a-O_n weist den einen oder die mehreren durch das Modell 700 ermittelten/vorhergesagten Biopsieparameter auf. Bei einer Ausführungsform können die den Schichten des Modells zugewiesenen Gewichte basierend auf dem Ergebnis des Vergleichs zwischen dem vorbestimmten Satz von Biopsieparametern und dem einen oder den mehreren durch das Modell 700 ermittelten Biopsieparametern variiert werden. Somit sind die Fehlerrate oder die Verlustfunktionen des Modells 700 optimiert.
Der Vorteil der Erfindung besteht darin, dass der manuelle Aufwand bei der Bestimmung der Biopsieparameter für einen Patienten reduziert oder vollständig eliminiert wird. Darüber hinaus wird die Dokumentation der Biopsieparameter ermöglicht und damit das Patientendatenmanagement verbessert. Zusätzlich ist der Zeitbedarf für die Patientenbehandlung optimiert, da die Bestimmung der Biopsieparameter mit einem maschinellen Lernmodell schneller durchgeführt wird. Ein weiterer Vorteil der Erfindung ist, dass die erneute Heranziehung von Patienten für häufige Biopsieprozeduren eliminiert wird. Ferner wird für den Patienten eine präzise medizinische Lösung basierend auf einer genauen Vorhersage der Biopsieparameter bereitgestellt.
Die vorstehenden Beispiele wurden lediglich im Interesse der Erläuterung angegeben und sollen in keiner Weise als Einschränkung der hier offenbarten Erfindung ausgelegt werden. Während die Erfindung mit Bezug auf verschiedene Ausführungsformen beschrieben wurde, versteht es sich, dass die hier verwendeten Wortlaute Begriffe zur Beschreibung und Veranschaulichung darstellen und dem Wortsinn nach keine Einschränkung bedeuten. Obwohl die Erfindung hier ferner mit Bezug auf bestimmte Mittel, Materialien und Ausführungsformen beschrieben ist, soll die Erfindung nicht auf die hier offenbarten Einzelheiten beschränkt sein; vielmehr erstreckt sich die Erfindung auf alle funktionell gleichwertigen Strukturen, Verfahren und Anwendungen, die unter den Schutzumfang der beigefügten Ansprüche fallen. Fachleute auf diesem Gebiet, denen der Nutzen der Lehren dieser Spezifikation bewusst ist, können zahlreiche Abänderungen daran vornehmen, und es können Änderungen erfolgen, ohne vom Schutzumfang und Grundgedanken der Erfindung in ihren Aspekten abzuweichen.

Claims

Verfahren (300) zum Ermitteln von ein oder mehreren mit einem Patienten assoziierten Biopsieparametern, wobei das Verfahren (300) umfasst: Empfangen von mindestens einem dem Patienten zugeordneten medizinischen Bilddatum durch eine Verarbeitungseinheit (201); Ermitteln von dem Patienten zugeordneter Patienteninformation durch die Verarbeitungseinheit (201); Vorhersagen der ein oder mehreren Biopsieparameter unter Verwendung eines trainierten maschinellen Lernmodells (700) durch die Verarbeitungseinheit (201) auf der Grundlage des mindestens einen medizinischen Bilddatums und der dem Patienten zugeordneten Patienteninformation; und Bereitstellen der vorhergesagten ein oder mehreren Biopsieparameter für einen Benutzer an einer Ausgabeeinrichtung (206) durch die Verarbeitungseinheit (201).
Verfahren (300) nach Anspruch 1, wobei die ein oder mehreren Biopsieparameter eines oder mehrere umfassen von: einem von dem Patienten für die Biopsie zu erhaltenden Gewebevolumen, Position der Biopsieprobe, Tiefe von einer Oberfläche eines Organs, bei der Gewebe für die Biopsie extrahiert wird; Art eines gewählten Verfahrens zur Durchführung der Biopsie, und zu verwendender Bildgebungsmodalität während einer Biopsieprozedur.
Verfahren (300) nach einem der vorstehenden Ansprüche, ferner umfassend das Definieren eines Bereichs von Interesse in den medizinischen Bilddaten, wobei das Vorhersagen der ein oder mehreren Biopsieparameter auf dem Bereich von Interesse in den medizinischen Bilddaten basiert.
Verfahren (300) nach Anspruch 3, wobei das Definieren des Bereichs von Interesse umfasst: Bereitstellen eines repräsentativen Bilds der medizinischen Bilddaten für den Benutzer über eine Benutzerschnittstelle; Empfangen einer Eingabe in Zusammenhang mit den medizinischen Bilddaten von dem Benutzer über die Benutzerschnittstelle, wobei die Eingabe eine Anzeige des Bereichs von Interesse in den medizinischen Bilddaten umfasst; und Definieren des Bereichs von Interesse in den medizinischen Bilddaten basierend auf der Eingabe.
Verfahren (300) nach einem der vorstehenden Ansprüche, wobei das Vorhersagen der ein oder mehreren Biopsieparameter umfasst: Abrufen von ein oder mehreren medizinischen Daten aus einer Datenbank (102), basierend auf den medizinischen Bilddaten und/oder der Patienteninformation, wobei die ein oder mehreren medizinischen Daten einen vorbestimmten Grad der Ähnlichkeit mit dem mindestens einen medizinischen Bilddatum und/oder mit der dem Patienten zugeordneten Patienteninformation aufweisen; und Vorhersagen der ein oder mehreren Biopsieparameter durch die Verarbeitungseinheit basierend auf den abgerufenen ein oder mehreren medizinischen Daten.
Verfahren (300) nach Anspruch 5, ferner umfassend das Extrahieren von ein oder mehreren Biopsieparametern aus den ein oder mehreren medizinischen Daten, wobei die Vorhersage der ein oder mehreren dem Patienten zugeordneten Biopsieparameter auf den aus den ein oder mehreren medizinischen Daten extrahierten ein oder mehreren Biopsieparametern basiert.
Verfahren (300) nach einem der vorstehenden Ansprüche, wobei die Patienteninformation ein oder mehrere demografische Informationen umfasst, die dem Patienten zugeordnet sind, sowie dem Patienten für die Biopsieprozedur zugeordnete Körperteile, und den Grund für die Durchführung der Biopsieprozedur.
Verfahren (300) nach einem der vorstehenden Ansprüche, wobei die vorhergesagten Biopsieparameter als Metadaten gespeichert sind, die dem mindestens einen medizinischen Bilddatum zugeordnet sind, und/oder zu der Patienteninformation hinzugefügt werden.
Verfahren (600) zum Trainieren eines maschinellen Lernmodells (700) zum Ermitteln von ein oder mehreren einem Patienten zugeordneten Biopsieparametern, wobei das Verfahren (600) umfasst: Empfangen eines medizinischen Bilddatums und von Patienteninformation, die dem Patienten zugeordnet sind, durch die Verarbeitungseinheit (201); Empfangen eines maschinellen Lernmodells (700) durch die Verarbeitungseinheit (201); Ermitteln von ein oder mehreren dem Patienten zugeordneten Biopsieparametern mit dem maschinellen Lernmodell (700), basierend auf den ein oder mehreren medizinischen Bilddaten und der Patienteninformation; Vergleichen der ein oder mehreren ermittelten Biopsieparameter mit einem vorbestimmten Satz von Biopsieparametern für den Patienten durch die Verarbeitungseinheit (201); und Anpassen des maschinellen Lernmodells durch die Verarbeitungseinheit (201) basierend auf einem Ergebnis des Vergleichs.
Verfahren (600) nach Anspruch 9, ferner umfassend das Erhalten von ein oder mehreren medizinischen Daten, die einer Vielzahl von Patienten zugeordnet sind, durch die Verarbeitungseinheit (201), basierend auf den medizinischen Bilddaten und den ein oder mehreren Patienteninformationen, die dem Patienten zugeordnet sind, wobei die ein oder mehreren Biopsieparameter zusätzlich basierend auf den medizinischen Daten ermittelt werden.
Bildgebende medizinische Einrichtung (101) zum Ermitteln von ein oder mehreren einem Patienten zugeordneten Biopsieparametern, wobei die Einrichtung (101) umfasst: ein oder mehrere Verarbeitungseinheiten (201); eine Scannereinheit (108), ausgelegt zum Erfassen von ein oder mehreren medizinischen Bildern; und einen Arbeitsspeicher (202), der mit den ein oder mehreren Verarbeitungseinheiten (201) gekoppelt ist, wobei der Arbeitsspeicher (202) ein Biopsiemodul (103) umfasst, ausgelegt zum Durchführen der Verfahrensschritte nach einem der Ansprüche 1 bis 8 unter Verwendung mindestens eines trainierten maschinellen Lernmodells (700).
System (100) zum Ermitteln von ein oder mehreren mit einem Patienten assoziierten Biopsieparametern, wobei das System (100) umfasst: einen oder mehrere Server (101); eine bildgebende medizinische Einheit (108), gekoppelt mit den ein oder mehreren Servern (101); wobei die ein oder mehreren Server (101) Anweisungen umfassen, die bei der Ausführung die ein oder mehreren Server (101) veranlassen, die Verfahrensschritte nach einem der Ansprüche 1 bis 8 unter Verwendung mindestens eines trainierten maschinellen Lernmodells (700) durchzuführen.
Rechnerprogrammprodukt, umfassend maschinenlesbare Anweisungen, die bei Ausführung durch ein oder mehrere Verarbeitungseinheiten (201) die ein oder mehreren Verarbeitungseinheiten (201) veranlassen, Verfahrensschritte nach den Ansprüchen 1-8 durchzuführen.
Rechnerlesbares Medium, auf dem Programmcodeabschnitte eines Rechnerprogramms gespeichert sind, wobei die Programmcodeabschnitte in ein System geladen und/oder in einem System (100) ausgeführt werden können, damit das System (100) die Verfahrensschritte nach einem der Ansprüche 1 bis 8 durchführt, wenn die Programmcodeabschnitte in dem System (100) ausgeführt werden.