DE102020200081A1 - Computer system, method and computer program for the more precise quantitative measurement of lesion changes from radiological image data from two measurements - Google Patents

Computer system, method and computer program for the more precise quantitative measurement of lesion changes from radiological image data from two measurements Download PDF

Info

Publication number
DE102020200081A1
DE102020200081A1 DE102020200081.6A DE102020200081A DE102020200081A1 DE 102020200081 A1 DE102020200081 A1 DE 102020200081A1 DE 102020200081 A DE102020200081 A DE 102020200081A DE 102020200081 A1 DE102020200081 A1 DE 102020200081A1
Authority
DE
Germany
Prior art keywords
image data
data sets
sorted
lesion
computing device
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102020200081.6A
Other languages
German (de)
Inventor
Thomas Fritz
Jörg Döpfert
Andreas Lemke
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mediaire GmbH
Original Assignee
Mediaire GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mediaire GmbH filed Critical Mediaire GmbH
Priority to DE102020200081.6A priority Critical patent/DE102020200081A1/en
Publication of DE102020200081A1 publication Critical patent/DE102020200081A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Pulmonology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

Die Erfindung betrifft eine technische Lösung, insbesondere ein Computersystem, ein Verfahren und ein Computerptrogramm, jeweils unter Verwendung eines Rechengeräts, das heißt eines Computers, um aus radiologischen Bilddaten, insbesondere aus MRT, zwischen zwei zeitlich aufeinander folgende Untersuchungen desselben Patienten quantitative Informationen des zeitlichen Verlaufs über eine Läsion mittels computerimpementierter Verfahrensschritte zu erhalten, indem zwei unterschiedliche Segmentieralgorithmen auf zeitlich aufeinander folgende Aufnahmen angewendet werden, die die Läsionen segmentieren.The invention relates to a technical solution, in particular a computer system, a method and a computer program, each using a computing device, i.e. a computer, in order to obtain quantitative information of the time course from radiological image data, in particular from MRT, between two consecutive examinations of the same patient about a lesion by means of computer-implemented method steps by applying two different segmentation algorithms to consecutive recordings that segment the lesions.

Description

Einführung: In der Radiologie besteht sehr oft die Fragestellung ob sich eine Läsion, wie z.B. Tumor, Entzündung oder minderdurchblutetes Gewebe, im zeitlichen Verlauf zwischen mehreren Messungen verändern. Dabei kann der Zeitraum der zeitlichen Veränderungen von wenigen Stunden, wie typsich bei der Schlaganfalldiagnostik, bis zu mehreren Jahren, wie z.B. bei Multipler Sklerose (MS), handeln. Die radiologische Fragestellung ist dabei immer, ob sich diese Läsionen verändert haben. Bei sehr kleinen Veränderungen oder sehr vielen solcher Läsionen ist der Aufwand für den Radiologen sehr hoch und fehleranfällig.Introduction: In radiology, the question often arises as to whether a lesion, such as a tumor, inflammation or tissue with poor blood supply, changes over time between several measurements. The period of time changes can range from a few hours, as is typical for stroke diagnostics, to several years, as is the case with multiple sclerosis (MS), for example. The radiological question is always whether these lesions have changed. In the case of very small changes or a large number of such lesions, the effort for the radiologist is very high and error-prone.

Technischer Hintergrund:

  • Derzeit wird in den meisten radiologischen Einrichtung keine quantitative Analyse durchgeführt sondern rein qualitativ. In den letzten Jahren wurden jedoch immer mehr Algorithmen entwickelt die diese Aufgabe automatisiert durchführen sollen. Durch die hohe Variabiiltät und hohem Signal-zu-Rauschverhältnis der Bilddaten, wie z.B. bei der Magnetresonsanztomographie (MRT), ist die Genauigkeit bei manchen Fragestellungen, wie z.B. „hat ein MS-Patient einen Progress?“, ungenügend und eine automatisierte Software hat sich hier noch nicht durchsetzen können.
Technical background:
  • At present, in most radiological facilities no quantitative analysis is carried out, but purely qualitative. In recent years, however, more and more algorithms have been developed that are supposed to carry out this task automatically. Due to the high variability and high signal-to-noise ratio of the image data, such as in magnetic resonance imaging (MRT), the accuracy of some questions, such as "does an MS patient have a progress?", Is insufficient and automated software has become not yet able to prevail here.

Die hier beschrieben Erfindung beschreibt eine Methode, welche radiologische Bilddaten eines Patienten, z.B. aus MRT, Computertomographie (CT) oder Ultraschall, von zwei Untersuchungen als Input nimmt, eine spezielle Berechnung durchführt und dann als Output ein Screen oder Report zurückgibt, der die Informationen über die Veränderungen der Läsionen enthält, wie z.B. die Anzahl neuer Läsionen und/oder die Volumenveränderung spezifischer Läsionen. Die Erfindung wird insbesondere durch das Computersystem gemäß Anspruch 1, das Verfahren gemäß Anspruch 2 und das Computerprogramm gemäß Anspruch 3 definiert.The invention described here describes a method which takes radiological image data of a patient, for example from MRI, computed tomography (CT) or ultrasound, from two examinations as input, carries out a special calculation and then returns a screen or report as output that contains the information about which includes changes in the lesions, such as the number of new lesions and / or the change in volume of specific lesions. The invention is defined in particular by the computer system according to claim 1, the method according to claim 2 and the computer program according to claim 3.

Die spezielle Berechnung verwendet nun zwei unterschiedliche Segmentieralgorithmen bei dem Bilddaten aus erster und zweiter Messung. Dabei können verschiedenste Segmentieralgorithmen, wie z.B. klassische intensitätsbasierte Verfahren oder Deep-Learning-Verfahren wie CNNs (convolutional neural networks) angewendet werden. The special calculation now uses two different segmentation algorithms for the image data from the first and second measurements. A wide variety of segmentation algorithms, such as classic intensity-based methods or deep learning methods such as CNNs (convolutional neural networks), can be used.

Wichtig für die Erfindung ist dabei jedoch, dass die Sensititivät (richtig-positiv Rate) des ersten Verfahrens höher ist als die des zweiten Verfahrens, was auf die zweite Patientenaufnahme angewendet wird. Die Spezifität (falsch-Positiv Rate) des ersten Verfahrens darf dann vorzugsweise auch niedriger sein als die des zweiten Verfahrens - letzteres ist aber nicht zwingend notwendig. Durch dieses Vorgehen werden neue Läsionen wesentlich häufiger entdeckt was für den Patienten z.B. bei MS enorm wichtig ist und die Medikamentation erhöht oder umgestellt wird. Die Begriffe „richtig-positiv Rate“ und „falsch-positiv Rate“ sind aus der Statistik im Kontext der Ergebnisbewertung von Klassifikatoren bekannt.For the invention, however, it is important that the sensitivity (true positive rate) of the first method is higher than that of the second method, which is applied to the second patient admission. The specificity (false positive rate) of the first method may then preferably also be lower than that of the second method - but the latter is not absolutely necessary. With this approach, new lesions are discovered much more frequently, which is extremely important for the patient, e.g. in MS, and the medication is increased or changed. The terms “correct positive rate” and “false positive rate” are known from statistics in the context of evaluating the results of classifiers.

Weitere Definitionen und optionale Merkmale der Erfindung:

  • Die Erfindung beinhaltet:
    • Eine technische Lösung bestehend aus einem Rechengerät, das heißt einem Computer, und/oder einer Methode um aus radiologischen Bilddaten zwischen zwei Untersuchungen desselben Patienten quantitative Informationen des zeitlichen Verlaufs über eine Läsion mittels computerimpementierter Verfahrensschritte zu erhalten. Die Zeitspanne zwischen den Untersuchungen kann im Bereich von mindestens: Stunden, Tagen, Wochen, Monaten oder Jahren liegen.
Further definitions and optional features of the invention:
  • The invention includes:
    • A technical solution consisting of a computing device, that is, a computer, and / or a method to obtain quantitative information on the temporal course of a lesion from radiological image data between two examinations of the same patient by means of computer-implemented method steps. The time span between examinations can be in the range of at least: hours, days, weeks, months or years.

Das Rechengerät erhält radiologische Bilddaten bzw. Bilddatensätze von einem Aufnahmegerät, das insbesondere ein MRT-, CT-, Röntgenradiograph- oder Ultraschall-Gerät ist, oder von dem zentralen Bildarchivierungssystem (PACS) der radiologischen Praxis, von zwei zeitlich voneinander getrennten Untersuchungen desselben Patienten und sendet Ausgabeinformationen in Form eines Reports an das PACS und/oder übermittelt diese Ausgabeinformationen direkt an den Computer eines Nutzers (z.B. Radiologen). Das Rechengerät und/oder das Aufnahmegerät und/oder das PACS und/oder der Computer des Nutzers sind vorzugsweise jeweils getrennt voneinander angeordnet, insbesondere in unterschiedlichen Räumen oder Gebäuden, und sind insbesondere über eine Datenfernverbindung, die insbesondere das Internet verwenden kann, miteinander verbunden.The computing device receives radiological image data or image data sets from a recording device, which is in particular an MRT, CT, X-ray radiograph or ultrasound device, or from the central image archiving system (PACS) of the radiological practice, from two temporally separated examinations of the same patient and sends output information in the form of a report to the PACS and / or transmits this output information directly to the computer of a user (e.g. radiologist). The computing device and / or the recording device and / or the PACS and / or the computer of the user are preferably arranged separately from one another, in particular in different rooms or buildings, and are in particular connected to one another via a remote data connection that can use the Internet in particular.

Die zwei zeitlich voneinander getrennten Bilddatensätze desselben Patienten müssen von der gleichen Aufnahmegerätart sein. Es ist z.B. zulässig, zwei mal ein MRT-Gerät zu verwenden, aber unzulässig, einmal ein MRT- und beim zweitenmal ein Röntgenradiographgerät zu verwenden. Es muss aber nicht zwangsläufig das gleiche oder identische physische Gerät verwendet werden, es ist z.B. zulässig, zwei MRT Scanner von unterschiedlichen Herstellern zur Ermittlung des ersten und zweiten Bilddatensatzes zu verwenden.The two temporally separated image data sets of the same patient must be from the same type of recording device. For example, it is permissible to use an MRI device twice, but not to use an MRI device once and an X-ray radiograph device the second time. However, the same or identical physical device does not necessarily have to be used; it is, for example, permissible to use two MRT scanners from different manufacturers to determine the first and second image data set.

Die am Rechengerät ankommende Bilddatensätze werden automatisch nach ihrer zeitlichen Reihenfolge sortiert, z.B. aus den Informationen des Bilddatensatzes im DICOM-Format, was das medizinische Standardformat für Bilddaten darstellt, oder werden vom Nutzer/Radiologen selbst sortiert.The image data sets arriving at the computing device are automatically sorted according to their chronological order, e.g. from the information in the image data set in DICOM format represents medical standard format for image data, or are sorted by the user / radiologist himself.

Falls die Bilddatensätze mehrere unterschiedliche Kontrastaufnahmen (Sequenzen) enthalten, werden diese wieder entweder automatisch in Kontrastklassen klassifziert und/oder manuell vom Nutzer den Kontrastklassen zugeordnet.Z.B. gibt es bei der MRT T1-gewichtete und T2-gewichtete Sequenzen oder mit verschiedenen Möglichkeiten der Unterdrückung von bestimmten Gewebesignalen wie z.B. Blut oder Fett.If the image data records contain several different contrast recordings (sequences), these are again either automatically classified into contrast classes and / or manually assigned to the contrast classes by the user. MRI has T1-weighted and T2-weighted sequences or with various options for suppressing certain tissue signals such as blood or fat.

Aus den zeitlich sortierten und nach Kontrastklassen aufgeteilten Sequenzen wird nun eine vorab definierte Kontrastklassenserie für die weitere Berechnung verwendet. Hier wird auf die beiden Bilddatensätze zwei unterschiedliche Segmentieralgorithmen -die genaue Art ist nicht Gegenstand dieser Erfindungsmeldung, es kann also eine klassische Intensitätsbasierte Methode oder ein Convolutional Neuronales Netz sein- angewendet, der die Läsionen segmentiert, also die Bildpixel bei 2D- und die Bildvoxel bei 3D-Bilddaten klassifziert, die eine Läsion darstellen.A previously defined series of contrast classes is now used for the further calculation from the sequences sorted by time and subdivided according to contrast classes. Here, two different segmentation algorithms are applied to the two image data sets - the exact type is not the subject of this disclosure, it can therefore be a classic intensity-based method or a convolutional neural network - which segments the lesions, i.e. the image pixels for 2D and the image voxels for Classified 3D image data representing a lesion.

Der Segmentieralgorithmus der auf den zeitlich ersten Bilddatensatz angewendet hat eine höhere Sensitivität -auch bezeichnet als Richtig-Positiv Rate- in der Erkennung der Läsionen, als der Segmentieralgorithmus auf dem zweiten Datensatz. Der zweite dafür eine höhere Spezifität - auch bezeichnet als Richtig-Negativ Rate.The segmentation algorithm applied to the temporally first image data set has a higher sensitivity - also referred to as the correct positive rate - in the detection of the lesions than the segmentation algorithm on the second data set. The second has a higher specificity - also known as the true-negative rate.

Optional: Die zusammengehörigen aneinander liegenden Läsionspixel/-voxel werden zu Läsionen (Cluster) zusammengefügt. Es können bestimmte Randbedingungen an die Cluster gestellt werden, wie z.B. Mindestvolumen, räumliche Koordinate des Clusters. Die zwei sortierten Bilddatensätze werden aufeinander registriert (dies kann z.B. durch affine oder elastische Registrierung geschehen)Optional: The related adjacent lesion pixels / voxels are combined to form lesions (clusters). Certain boundary conditions can be placed on the clusters, such as minimum volume, spatial coordinates of the cluster. The two sorted image data sets are registered on top of each other (this can be done, for example, by affine or elastic registration)

Auf den registrierten Bilddaten werden nun die klassifizierten Läsionscluster innerhalb eines Algorithmuses miteinander verglichen und ausgewertet (z.B. welche Läsion ist neu dazugekommen bzw. hat sich vergrößert)On the registered image data, the classified lesion clusters are compared with one another within an algorithm and evaluated (e.g. which lesion has been added or has enlarged)

Die Informationen werden entsprechend zusammengefasst und dem Nutzer wie oben beschrieben zur Verfügung gestellt, insbesondere in einem Report.The information is summarized accordingly and made available to the user as described above, in particular in a report.

Anmerkungen:

  • Die Erfindung kann auch wie folgt beschrieben werden:
    • 1. Eine technische Lösung bestehend aus einem Rechengerät und einer Methode um aus radiologische Bilddaten zwischen zwei Untersuchungen desselben Patienten quantitative Informationen des zeitlichen Verlaufs über eine Läsion zu erhalten.
    • 1.1 Die Recheneinheit erhält radiologische Bilddaten von einem Aufnahmegerät (MRT, CT, Röntgenradiograph oder Ultraschall) oder dem zentralen Bildarchivierungssystem (PACS) der radiologischen Praxis von zwei zeitlich voneinander getrennten Untersuchungen desselben Patienten und sendet Ausgabeinformationen in Form eines Reports an das PACS und/oder übermittelt diese Ausgabeinformationen direkt an den Computer eines Nutzers (z.B. Radiologen).
    • 1.2 Die zwei zeitlich voneinander getrennten Bilddatensätze desselben Patienten müssen von der gleichen Aufnahmegerätart sein (z.B. zwei mal mit einem MRT) aber nicht zwangsläufig das gleiche physische Gerät (z.B. zwei MRT Scanner von unterschiedlichen Herstellern).
    • 1.3 Die ankommende Bilddatensätze werden automatisch nach ihrer zeitlichen Reihenfolge sortiert (z.B. aus den Informationen des Bilddatensatzes im DICOM-Format, was das medizinische Standardformat für Bilddaten darstellt) oder werden vom Nutzer/Radiologen selbst sortiert.
    • 1.4 Falls die Bilddatensätze mehrere unterschiedliche Kontrastaufnahmen (Sequenzen) enthalten, werden diese wieder entweder automatisch klassifziert und/oder manuell vom Nutzer benannt (z.B. gibt es bei der MRT T1-gewichtete und T2-gewichtete Sequenzen oder mit verschiedenen Möglichkeiten der Unterdrückung von bestimmten Gewebesignalen wie z.B. Blut oder Fett)
    • 1.5 Aus den zeitlich sortierten und nach Kontrastklassen aufgeteilten Sequenzen wird nun eine vorab definierte Kontrastklassenserie für die weitere Berechnung verwendet. Hier wird auf die beiden Bilddatensätze zwei unterschiedliche Segmentieralgorithmen (die genaue Art ist nicht Gegenstand dieser Erfindungsmeldung, es kann also eine klassische Intensitätsbasierte Methode oder ein Convolutional Neuronales Netz sein) angewendet, der die Läsionen segmentiert (also die Bildpixel bei 2D und Bildvoxel bei 3D klassifziert die eine Läsion darstellen).
    • 1.6 Der Segmentieralgorithmus der auf den zeitlich ersten Bilddatensatz angewendet hat eine höhere Sensitivität (Richtig-Positiv Rate) in der Erkennung der Läsionen, als der Segmentieralgorithmus auf dem zweiten Datensatz. Der zweite dafür eine höhere Spezifität (Richtig-Negativ Rate)
    • 1.7 Optional: Die zusammengehörigen aneinander liegenden Läsionspixel/-voxe werden zu Läsionen (Cluster) zusammengefügt. Es können bestimmte Randbedingungen an die Cluster gestellt werden (wie z.B. Mindestvolumen, räumliche Koordinate des Clusters)
    • 1.8 Die zwei sortierten Bilddatensätze werden aufeinander registriert (dies kann z.B. durch affine oder elastische Registrierung geschehen)
    • 1.9 Auf den registrierten Bilddaten werden nun die klassifizierten Läsionscluster innerhalb eines Algorithmuses miteinander verglichen und ausgewertet (z.B. welche Läsion ist neu dazugekommen bzw. hat sich vergrößert)
    • 1.10 Die Informationen werden entsprechend zusammengefasst und dem Nutzer wie oben beschrieben zur Verfügung gestellt.
Remarks:
  • The invention can also be described as follows:
    • 1. A technical solution consisting of a computing device and a method to obtain quantitative information about the course of a lesion over time from radiological image data between two examinations of the same patient.
    • 1.1 The processing unit receives radiological image data from a recording device (MRT, CT, X-ray radiograph or ultrasound) or the central image archiving system (PACS) of the radiological practice of two examinations of the same patient that are separated in time and sends output information in the form of a report to the PACS and / or transmitted this output information is sent directly to the computer of a user (e.g. radiologist).
    • 1.2 The two temporally separated image data sets of the same patient must be of the same type of recording device (e.g. two times with an MRT) but not necessarily the same physical device (e.g. two MRT scanners from different manufacturers).
    • 1.3 The incoming image data sets are automatically sorted according to their chronological order (e.g. from the information in the image data set in DICOM format, which is the standard medical format for image data) or are sorted by the user / radiologist himself.
    • 1.4 If the image data sets contain several different contrast images (sequences), these are again either automatically classified and / or manually named by the user (e.g. there are T1-weighted and T2-weighted sequences with MRI or with various options for suppressing certain tissue signals such as e.g. blood or fat)
    • 1.5 From the sequences sorted in time and subdivided according to contrast classes, a previously defined series of contrast classes is now used for the further calculation. Here, two different segmentation algorithms are applied to the two image data sets (the exact type is not the subject of this disclosure, it can therefore be a classic intensity-based method or a convolutional neural network), which segments the lesions (i.e. classifies the image pixels in 2D and image voxels in 3D representing a lesion).
    • 1.6 The segmentation algorithm applied to the temporally first image data set has a higher sensitivity (correct-positive rate) in the detection of the lesions than the segmentation algorithm on the second data set. The second has a higher specificity (true-negative rate)
    • 1.7 Optional: The related adjacent lesion pixels / voxes are combined to form lesions (clusters). Certain boundary conditions can be placed on the clusters (such as minimum volume, spatial coordinate of the cluster)
    • 1.8 The two sorted image data sets are registered on top of one another (this can be done, for example, by affine or elastic registration)
    • 1.9 On the registered image data, the classified lesion clusters are compared with one another within an algorithm and evaluated (e.g. which lesion has been added or has increased in size)
    • 1.10 The information is summarized accordingly and made available to the user as described above.

Anwendungsbeispiel:

  • Ein Patient mit MS sollte alle 6-12 Monate zu einer MRT-Untersuchung. Die meisten kommen aber, wenn es einen symptomatischen Vorfall -einen sogenannten Schubgegeben hat, z.B. eine Verschlechterung der Bewegungsfähigkeit. Der Radiologe muss diagnostizieren, ob gleichzeitig auch im Gehirn neue Läsionen aufgetreten sind, was ein starkes Indiz für ein Progress ist. Dabei wird nun eine neue MRT-Aufnahme mit der letzten MRT-Aufnahme verglichen. Dieser Vergleich wird von der erfindungsgemäßen Software durchgeführt, die zum einen die ganze Vorverarbeitung (das Pre-processing) übernimmt (die Schritte 1.1 bis zu einschließlich 1.4) und dann den Kern der Erfindung die zwei unterschiedlich sensitiven Segmentiertechniken. Anschließend erfolgt noch das Postprocessing um mit der bestmöglichen Genauigkeit („Accuracy“: Sensitivät und Spezifität gemeinsam) die Veränderungen der Läsionen festzustellen.
Application example:
  • A patient with MS should have an MRI scan every 6-12 months. Most come, however, when there has been a symptomatic incident - a so-called relapse, e.g. a deterioration in mobility. The radiologist must diagnose whether new lesions have appeared in the brain at the same time, which is a strong indicator of progression. A new MRT recording is now compared with the last MRT recording. This comparison is carried out by the software according to the invention, which on the one hand takes over the entire preprocessing (steps 1.1 up to and including 1.4) and then the core of the invention is the two differently sensitive segmentation techniques. This is followed by post-processing in order to determine the changes in the lesions with the best possible accuracy (“Accuracy”: sensitivity and specificity together).

FigurenlisteFigure list

  • 1 zeigt eine beim erfindungsgemäßen Verfahren verwendete, typische Segmentierung 13 der Läsionen des Gehirnschnitts 12 im Schädel 11 eines Patienten, in einer MRT-Aufnahme 10, die eine MRT-Einzelmessung ist. 1 shows a typical segmentation used in the method according to the invention 13th of the lesions of the brain incision 12th in the skull 11 of a patient, in an MRI scan 10 , which is a single MRI measurement.
  • 2 zeigt eine beim erfindungsgemäßen Verfahren verwendete, Aufnahmesequenz 20 zweiter zeitlich aufeinanderfolgender, im Abstand von sechs Jahren aufgenommenen MRT-Einzelmessungen desselben Patienten, die erste Aufnahme 21 aus dem Jahr 2011 und die zweite Aufnahme aus dem Jahr 2017. 2 shows an acquisition sequence used in the method according to the invention 20th Second consecutive MRI measurements of the same patient, recorded six years apart, the first recording 21 from 2011 and the second recording from 2017.

Claims (3)

Computersystem beinhaltend mindestens ein Rechengerät, das dazu eingerichtet, insbesondere programmiert ist, um aus radiologischen Bilddaten zwischen zwei Untersuchungen desselben Patienten quantitative Informationen des zeitlichen Verlaufs über eine Läsion mittels computerimpementierter Verfahrensschritte zu erhalten, wobei das Computersystem, insbesondere das mindestens eine Rechengerät, dazu eingerichtet, insbesondere programmiert ist, um die folgenden Schritte zu implementieren: - das Rechengerät erhält als Eingabeinformationen radiologische Bilddaten bzw. Bilddatensätze von einem Aufnahmegerät, das insbesondere ein (MRT-, CT-, Röntgenradiograph- oder Ultraschall-Gerät) ist, oder von dem zentralen Bildarchivierungssystem (PACS) der radiologischen Praxis, von zwei zeitlich voneinander getrennten Untersuchungen desselben Patienten und sendet Ausgabeinformationen, insbesondere in Form eines Reports, also einer strukturierten Darstellung der Informationen, an das PACS und/oder übermittelt diese Ausgabeinformationen direkt an den Computer eines Nutzers, wobei insbesondere die zwei zeitlich voneinander getrennten Bilddatensätze desselben Patienten von der gleichen Aufnahmegerätart erzeugt wurden; - der Entstehungszeitpunkt der am Rechengerät erfassten Bilddatensätze wird erfasst, insbesondere werden die am Rechengerät ankommenden Bilddatensätze nach ihrer zeitlichen Reihenfolge in eine Aufnahmesequenz sortiert und/oder es wird eine benutzergesteuerte zeitliche Sortierung der genannten Bilddatensätze ermöglicht, um eine zeitliche sortierte Aufnahmesequenz zu erhalten; - optionaler Schritt: falls die Bilddatensätze mehrere unterschiedliche Kontrastaufnahmen, das heißt Sequenzen, enthalten, werden diese wieder entweder automatisch klassifziert und/oder es wird eine benutzergesteuerte Sortierung der genannten Bilddatensätze ermöglicht, um daraus die zeitlich sortierten, und insbesondere einer Kontrastklasse entsprechenden, Aufnahmesequenzen der beiden Bilddatensätze zu erhalten; - auf die -insbesondere zeitlich sortierten, und insbesondere einer Kontrastklasse entsprechenden- Aufnahmesequenzen der beiden Bilddatensätze werden zwei unterschiedliche Segmentieralgorithmen angewendet, die die Läsionen segmentieren, wobei * der erste Segmentieralgorithmus, der auf den zeitlich ersten Bilddatensatz angewendet wird, eine höhere Sensitivität -auch bezeichnet als Richtig-Positiv Rate- in der Erkennung der Läsionen aufweist, als der zweite Segmentieralgorithmus, der auf den zweiten -zeitlich auf den ersten folgenden-Bilddatensatz angewendet wird, und insbesondere * der zweite Segmentieralgorithmus dafür eine höhere Spezifität - auch bezeichnet als Richtig-Negativ Rate, aufweist, wobei vorzugsweise die zusammengehörigen aneinander liegenden Läsionspixel/-voxel zu Läsionen (Cluster) zusammengefügt werden. - es werden die zwei sortierten Bilddatensätze aufeinander registriert, wobei dies insbesondere durch affine oder elastische Registrierung geschehen kann; - es werden auf den registrierten Bilddaten die klassifizierten Läsionscluster innerhalb eines Algorithmuses miteinander verglichen und ausgewertet, um Ergebnisinformationen zu erzeugen, insbesondere wird das Resultat ermitelt, welche Läsion neu dazugekommen ist und/oder welche sich vergrößert hat; - die Ergebnisinformationen werden zusammengefasst und in Ausgabeinformationen ausgegeben, insbesondere in einem Report.Computer system comprising at least one computing device which is set up, in particular programmed, to obtain quantitative information on the temporal progression of a lesion from radiological image data between two examinations of the same patient by means of computer-implemented method steps, the computer system, in particular the at least one computing device, being set up in particular is programmed to implement the following steps: the computing device receives radiological image data or image data sets as input information from a recording device, which is in particular a (MRT, CT, X-ray radiograph or ultrasound device), or from the central image archiving system (PACS) of the radiological practice, of two temporally separated examinations of the same patient and sends output information, in particular in the form of a report, i.e. a structured representation of the information, to the PACS and / or transmits elts this output information directly to the computer of a user, in particular the two temporally separated image data sets of the same patient being generated by the same type of recording device; The time at which the image data sets recorded on the computing device were created is recorded, in particular the image data sets arriving at the computing device are sorted into a recording sequence according to their chronological order and / or a user-controlled chronological sorting of the image data sets is made possible in order to obtain a chronologically sorted recording sequence - Optional step: if the image data sets contain several different contrast recordings, i.e. sequences, these are again either automatically classified and / or a user-controlled sorting of the image data records is made possible in order to convert the chronologically sorted recording sequences of the get both image data sets; - Two different segmentation algorithms are applied to the recording sequences of the two image data sets, which are in particular chronologically sorted and in particular correspond to a contrast class, and which segment the lesions, with the first segmentation algorithm, which is applied to the first image data set in terms of time, also designating a higher sensitivity as the correct positive rate in the detection of the lesions, as the second segmentation algorithm, which is applied to the second - temporally to the first following image data set, and in particular * the second segmentation algorithm for this has a higher specificity - also referred to as correct negative Rate, wherein the associated adjacent lesion pixels / voxels are preferably merged to form lesions (clusters). The two sorted image data sets are registered on top of one another, and this can be done in particular by means of affine or elastic registration; the classified lesion clusters are compared with one another within an algorithm on the registered image data and evaluated in order to generate result information, in particular the result is determined which lesion has been added and / or which has enlarged; - The result information is summarized and output in output information, in particular in a report. Computerimplementiertes Verfahren, verwendend mindestens ein Rechengerät, das dazu eingerichtet, insbesondere programmiert ist, um aus radiologischen Bilddaten zwischen zwei Untersuchungen desselben Patienten quantitative Informationen des zeitlichen Verlaufs über eine Läsion mittels computerimpementierter Verfahrensschritte zu erhalten, wobei das Verfahren die folgenden Schritte aufweist: - das Rechengerät erhält als Eingabeinformationen radiologische Bilddaten bzw. Bilddatensätze von einem Aufnahmegerät, das insbesondere ein (MRT-, CT-, Röntgenradiograph- oder Ultraschall-Gerät) ist, oder von dem zentralen Bildarchivierungssystem (PACS) der radiologischen Praxis, von zwei zeitlich voneinander getrennten Untersuchungen desselben Patienten und sendet Ausgabeinformationen, insbesondere in Form eines Reports, also einer strukturierten Darstellung der Informationen, an das PACS und/oder übermittelt diese Ausgabeinformationen direkt an den Computer eines Nutzers, wobei insbesondere die zwei zeitlich voneinander getrennten Bilddatensätze desselben Patienten von der gleichen Aufnahmegerätart erzeugt wurden; - der Entstehungszeitpunkt der am Rechengerät erfassten Bilddatensätze wird erfasst, insbesondere werden die am Rechengerät ankommenden Bilddatensätze nach ihrer zeitlichen Reihenfolge in eine Aufnahmesequenz sortiert und/oder es wird eine benutzergesteuerte zeitliche Sortierung der genannten Bilddatensätze ermöglicht, um eine zeitliche sortierte Aufnahmesequenz zu erhalten; - optionaler Schritt: falls die Bilddatensätze mehrere unterschiedliche Kontrastaufnahmen, das heißt Sequenzen, enthalten, werden diese wieder entweder automatisch klassifziert und/oder es wird eine benutzergesteuerte Sortierung der genannten Bilddatensätze ermöglicht, um daraus die zeitlich sortierten, und insbesondere einer Kontrastklasse entsprechenden, Aufnahmesequenzen der beiden Bilddatensätze zu erhalten; - auf die -insbesondere zeitlich sortierten, und insbesondere einer Kontrastklasse entsprechenden- Aufnahmesequenzen der beiden Bilddatensätze werden zwei unterschiedliche Segmentieralgorithmen angewendet, die die Läsionen segmentieren, wobei * der erste Segmentieralgorithmus, der auf den zeitlich ersten Bilddatensatz angewendet wird, eine höhere Sensitivität -auch bezeichnet als Richtig-Positiv Rate- in der Erkennung der Läsionen aufweist, als der zweite Segmentieralgorithmus, der auf den zweiten -zeitlich auf den ersten folgenden-Bilddatensatz angewendet wird, und insbesondere * der zweite Segmentieralgorithmus dafür eine höhere Spezifität - auch bezeichnet als Richtig-Negativ Rate, aufweist, wobei vorzugsweise die zusammengehörigen aneinander liegenden Läsionspixel/-voxel zu Läsionen (Cluster) zusammengefügt werden. - es werden die zwei sortierten Bilddatensätze aufeinander registriert, wobei dies insbesondere durch affine oder elastische Registrierung geschehen kann; - es werden auf den registrierten Bilddaten die klassifizierten Läsionscluster innerhalb eines Algorithmuses miteinander verglichen und ausgewertet, um Ergebnisinformationen zu erzeugen, insbesondere wird das Resultat ermitelt, welche Läsion neu dazugekommen ist und/oder welche sich vergrößert hat; - die Ergebnisinformationen werden zusammengefasst und in Ausgabeinformationen ausgegeben, insbesondere in einem Report.Computer-implemented method using at least one computing device that is set up, in particular programmed, to obtain quantitative information on the temporal progression of a lesion from radiological image data between two examinations of the same patient by means of computer-implemented method steps, the method having the following steps: the computing device receives radiological image data or image data sets as input information from a recording device, which is in particular an (MRT, CT, X-ray radiograph or ultrasound device), or from the central image archiving system (PACS) of the radiological practice, from two temporally separated examinations of the same Patient and sends output information, in particular in the form of a report, that is, a structured representation of the information, to the PACS and / or transmits this output information directly to the computer of a user i temporally separated image data sets of the same patient were generated by the same type of recording device; The time at which the image data sets recorded on the computing device were created is recorded; in particular, the image data sets arriving on the computing device are sorted into a recording sequence according to their chronological order and / or the aforementioned are sorted in a user-controlled manner Image data sets enabled to obtain a chronologically sorted recording sequence; - Optional step: if the image data sets contain several different contrast recordings, i.e. sequences, these are again either automatically classified and / or a user-controlled sorting of the image data records is made possible in order to convert the chronologically sorted recording sequences of the get both image data sets; - Two different segmentation algorithms are applied to the recording sequences of the two image data sets, which are in particular chronologically sorted and in particular correspond to a contrast class, and which segment the lesions, with the first segmentation algorithm, which is applied to the first image data set in terms of time, also designating a higher sensitivity as the correct positive rate in the detection of the lesions, as the second segmentation algorithm, which is applied to the second - temporally to the first following image data set, and in particular * the second segmentation algorithm for this has a higher specificity - also referred to as correct negative Rate, wherein the associated adjacent lesion pixels / voxels are preferably merged to form lesions (clusters). The two sorted image data sets are registered on top of one another, and this can be done in particular by means of affine or elastic registration; the classified lesion clusters are compared with one another within an algorithm on the registered image data and evaluated in order to generate result information, in particular the result is determined which lesion has been added and / or which has enlarged; - The result information is summarized and output in output information, in particular in a report. Computerprogramm, um aus radiologischen Bilddaten zwischen zwei Untersuchungen desselben Patienten quantitative Informationen des zeitlichen Verlaufs über eine Läsion mittels computerimpementierter Verfahrensschritte zu erhalten, wobei das Computerprogramm Befehle umfasst, die bei der Ausführung des Computerprogramms durch den Zentralprozessor eines Rechengerätes diesen Zentralprozessor veranlassen, die folgenden Schritte auszuführen oder zu ermöglichen: - das Rechengerät erhält als Eingabeinformationen radiologische Bilddaten bzw. Bilddatensätze von einem Aufnahmegerät, das insbesondere ein (MRT-, CT-, Röntgenradiograph- oder Ultraschall-Gerät) ist, oder von dem zentralen Bildarchivierungssystem (PACS) der radiologischen Praxis, von zwei zeitlich voneinander getrennten Untersuchungen desselben Patienten und sendet Ausgabeinformationen, insbesondere in Form eines Reports, also einer strukturierten Darstellung der Informationen, an das PACS und/oder übermittelt diese Ausgabeinformationen direkt an den Computer eines Nutzers, wobei insbesondere die zwei zeitlich voneinander getrennten Bilddatensätze desselben Patienten von der gleichen Aufnahmegerätart erzeugt wurden; - der Entstehungszeitpunkt der am Rechengerät erfassten Bilddatensätze wird erfasst, insbesondere werden die am Rechengerät ankommenden Bilddatensätze nach ihrer zeitlichen Reihenfolge in eine Aufnahmesequenz sortiert und/oder es wird eine benutzergesteuerte zeitliche Sortierung der genannten Bilddatensätze ermöglicht, um eine zeitliche sortierte Aufnahmesequenz zu erhalten; - optionaler Schritt: falls die Bilddatensätze mehrere unterschiedliche Kontrastaufnahmen, das heißt Sequenzen, enthalten, werden diese wieder entweder automatisch klassifziert und/oder es wird eine benutzergesteuerte Sortierung der genannten Bilddatensätze ermöglicht, um daraus die zeitlich sortierten, und insbesondere einer Kontrastklasse entsprechenden, Aufnahmesequenzen der beiden Bilddatensätze zu erhalten; - auf die -insbesondere zeitlich sortierten, und insbesondere einer Kontrastklasse entsprechenden- Aufnahmesequenzen der beiden Bilddatensätze werden zwei unterschiedliche Segmentieralgorithmen angewendet, die die Läsionen segmentieren, wobei * der erste Segmentieralgorithmus, der auf den zeitlich ersten Bilddatensatz angewendet wird, eine höhere Sensitivität -auch bezeichnet als Richtig-Positiv Rate- in der Erkennung der Läsionen aufweist, als der zweite Segmentieralgorithmus, der auf den zweiten -zeitlich auf den ersten folgenden- Bilddatensatz angewendet wird, und insbesondere * der zweite Segmentieralgorithmus dafür eine höhere Spezifität - auch bezeichnet als Richtig-Negativ Rate, aufweist, wobei vorzugsweise die zusammengehörigen aneinander liegenden Läsionspixel/-voxel zu Läsionen (Cluster) zusammengefügt werden. - es werden die zwei sortierten Bilddatensätze aufeinander registriert, wobei dies insbesondere durch affine oder elastische Registrierung geschehen kann; - es werden auf den registrierten Bilddaten die klassifizierten Läsionscluster innerhalb eines Algorithmuses miteinander verglichen und ausgewertet, um Ergebnisinformationen zu erzeugen, insbesondere wird das Resultat ermitelt, welche Läsion neu dazugekommen ist und/oder welche sich vergrößert hat; - die Ergebnisinformationen werden zusammengefasst und in Ausgabeinformationen ausgegeben, insbesondere in einem Report.Computer program to obtain quantitative information on the temporal course of a lesion from radiological image data between two examinations of the same patient by means of computer-implemented method steps, the computer program comprising commands which, when the computer program is executed by the central processor of a computing device, cause this central processor to carry out the following steps or to enable: - The computing device receives radiological image data or image data sets as input information from a recording device, which is in particular an (MRT, CT, X-ray radiograph or ultrasound device), or from the central image archiving system (PACS) of the radiological practice, from two different times separate examinations of the same patient and sends output information, in particular in the form of a report, i.e. a structured representation of the information, to the PACS and / or transmits this output information directly to a user's computer, in which in particular the two temporally separated image data sets of the same patient were generated by the same type of recording device; The time at which the image data sets recorded on the computing device were created is recorded, in particular the image data sets arriving at the computing device are sorted into a recording sequence according to their chronological order and / or a user-controlled chronological sorting of the aforementioned image data sets is made possible in order to obtain a chronologically sorted recording sequence; - Optional step: if the image data sets contain several different contrast recordings, i.e. sequences, these are again either automatically classified and / or a user-controlled sorting of the image data records is made possible in order to use them to convert the chronologically sorted recording sequences of the get both image data sets; - Two different segmentation algorithms are applied to the recording sequences of the two image data sets, which are especially time-sorted and in particular correspond to a contrast class, and which segment the lesions * the first segmentation algorithm, which is applied to the temporally first image data set, has a higher sensitivity - also referred to as the correct-positive rate - in the detection of the lesions than the second segmentation algorithm, which is applied to the second image data set, which is based on the first following image data set is applied, and in particular * the second segmentation algorithm has a higher specificity - also known as the true-negative rate, wherein the associated adjacent lesion pixels / voxels are preferably joined together to form lesions (clusters). The two sorted image data sets are registered on top of one another, and this can be done in particular by affine or elastic registration; the classified lesion clusters are compared with one another within an algorithm on the registered image data and evaluated in order to generate result information, in particular the result is determined which lesion has been added and / or which has enlarged; - The result information is summarized and output in output information, in particular in a report.
DE102020200081.6A 2020-01-07 2020-01-07 Computer system, method and computer program for the more precise quantitative measurement of lesion changes from radiological image data from two measurements Pending DE102020200081A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102020200081.6A DE102020200081A1 (en) 2020-01-07 2020-01-07 Computer system, method and computer program for the more precise quantitative measurement of lesion changes from radiological image data from two measurements

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102020200081.6A DE102020200081A1 (en) 2020-01-07 2020-01-07 Computer system, method and computer program for the more precise quantitative measurement of lesion changes from radiological image data from two measurements

Publications (1)

Publication Number Publication Date
DE102020200081A1 true DE102020200081A1 (en) 2021-07-08

Family

ID=76432290

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020200081.6A Pending DE102020200081A1 (en) 2020-01-07 2020-01-07 Computer system, method and computer program for the more precise quantitative measurement of lesion changes from radiological image data from two measurements

Country Status (1)

Country Link
DE (1) DE102020200081A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022134509A1 (en) 2022-12-22 2024-06-27 Florian Probst IMAGE SUPPORT METHODS

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022134509A1 (en) 2022-12-22 2024-06-27 Florian Probst IMAGE SUPPORT METHODS

Similar Documents

Publication Publication Date Title
DE102006046746A1 (en) Computer readable medium e.g. optical medium for patient's diagnostic medical reference image information database, contains instructions to produce database of image variation data and severity class grade with respect to each data
DE102009025856A1 (en) Processing and visualization technology of medical data
DE102016219488A1 (en) Method for providing a confidence information
WO2013098074A2 (en) Control method and control system
EP3287914A1 (en) Determination of outcome data based on medical test data from different measurements
DE102016226230A1 (en) Automated image inspection in X-ray imaging
DE102018214325A1 (en) Method and provision unit for the provision of a virtual tomographic stroke follow-up examination image
DE102005031245A1 (en) Clinical and/or medical system e.g. x-ray system, testing method for hospital, involves determining output parameter values and/or performance data for process units, and bringing values as input parameter values for one process unit
DE102010000146A1 (en) Method and device for reducing image artifacts
DE102014224656A1 (en) Method and device for segmenting a medical examination subject with quantitative MR imaging methods
DE102018207632A1 (en) Determining an imaging modality and the parameters therefor
DE102006059383A1 (en) Method for producing resulting pictures of investigation object, involves detecting multiple magnetic resonance images of investigation object by magnetic resonance photograph mechanism
DE112019005902T5 (en) SIMILARITY DETERMINATION DEVICE, SIMILARITY DETERMINATION METHOD, AND SIMILARITY DETERMINATION PROGRAM
DE102008037558A1 (en) System and method for diagnosing a medical condition
DE102020206059A1 (en) Computer-implemented method and system for training an evaluation algorithm, computer program and electronically readable data carrier
DE102009021234A1 (en) Method for processing measured data of perfusion computed tomography
DE102013220018A1 (en) Method for calculating inspection parameter for determining examination regions e.g. liver, involves determining examination area in second image through projection of segmented examination area or information derived from first image
DE102009032442B4 (en) Method and device for postprocessing measured values recorded by means of an imaging system
DE102006012943B4 (en) Method for automatically evaluating an imaging data set of an object and medical imaging system
DE102020200081A1 (en) Computer system, method and computer program for the more precise quantitative measurement of lesion changes from radiological image data from two measurements
DE102005037808A1 (en) Method and device for displaying pixel data
DE102006031937A1 (en) Tissue sample `s images and/or image sequence evaluating method for identifying presence of pathological changes, involves analyzing each sample to determine whether samples stored in data base are present within preset tolerances in image
DE102022201347A1 (en) Method and system for the automated determination of examination results in an image sequence
DE102019217576B4 (en) Identifying and providing misalignment image features
DE102016209885B4 (en) Automatic characterization of liver tissue