-
Die Erfindung beschreibt ein Verfahren und eine Anordnung zum Identifizieren ähnlicher vorgespeicherter medizinischer Datensätze, insbesondere zum Vergleich mit einem Datensatz für den aktuellen Fall, der radiologische Daten, insbesondere einer Gewebeabnormität, aufweist.
-
Prostatakrebs ist der häufigste Krebs bei Männern in entwickelten Ländern. Seit mehr als einem Jahrzehnt wird die Magnetresonanz-Bildgebung (MRI) verwendet, um Prostatakrebs zu erkennen, genau zu lokalisieren und einzustufen. Ansprechend auf die zunehmende Wichtigkeit einer nichtinvasiven Beurteilung der Prostatadrüse unter Verwendung der Magnetresonanz-Bildgebung und die Notwendigkeit, auf der Grundlage von Bildmerkmalen zwischen gutartigen Prozessen und Prostatakrebs zu unterscheiden, wurde 2012 das Prostate Imaging - Reporting and Data System (PI-RADS) eingeführt. Dieses Berichtssystem dient dazu, „die Erkennung klinisch bedeutsamen Krebses“ zu verbessern. Die Definition klinisch bedeutsamen (sPC) und nicht bedeutsamen Prostatakrebses (inPC) beruht auf der histologischen Gleason-Bewertung, welche die Tumoraggressivität auf einer Ordinalskala widerspiegelt und in allen Prostatakrebsuntersuchungen als Ground Truth dient.
-
In der Vergangenheit wurden verschiedene Versuche unternommen, das PI-RADS-Bewertungssystem zu validieren. Die Ergebnisse dieser Untersuchungen zeigten eine Schlüsselbeschränkung des PI-RADS-v2-Bewertungswerts, wobei es sich um die Rate falscher Positiver handelt, welche die Krebserkennung verringert. Zusammenfassend wird angenommen, dass es sehr wahrscheinlich ist, dass PI-RADS-Kategorie-5-Läsionen sPC enthalten, und dass es wahrscheinlich ist, dass PI-RADS-Kategorie-4-Läsionen sPC enthalten, während davon ausgegangen wird, dass PI-RADS-Kategorie-3-Läsionen möglicherweise sPC enthalten. Klinische Studien in der Art von PRECISION und MRI-FIRST beurteilten die Ergebnisse von Prostatabiopsien, bei denen MRI eingesetzt wurde, und konnten eine verbesserte sPC-Erkennung nachweisen.
-
Die PI-RADS-Bewertung gleicht in der Theorie einer Wahrscheinlichkeitsbewertung für die Erkennung von sPC auf der Grundlage der Bildergebnisse. Es zeigt sich, dass dies für PI-RADS-5-Läsionen mit Erkennungsraten von sPC von über 90 % gilt. Für PI-RADS-4-Läsionen liegen die Erkennungsraten von sPC nach der Biopsie jedoch zwischen 22 % und 60 %. Für PI-RADS-3-Läsionen wird sPC in 12 % der Fälle oder sogar überhaupt nicht gefunden. Daher hat das PI-RADS-Bewertungssystem bei der Unterscheidung von sPC und inPC nur begrenzte Fähigkeiten.
-
Wenngleich die Verwendung des PI-RADS-Bewertungssystems eine gewisse Standardisierung von Prostata-MRI-Untersuchungen erlaubt, ist die Interpretation infolge heterogener Signaländerungen gegenüber einer gutartigen Prostatavergrößerung, einer Entzündung und einer Narbenbildung nach einer Biopsie, wodurch das Erscheinungsbild von Prostatakrebs nachgebildet oder verborgen wird, eine schwierige Aufgabe. Infolge dieser überlappenden Bildmerkmale kann nur ein hohes Maß an Expertise, das für eine genaue Interpretation erforderlich ist, die Variabilität zwischen Betrachtern begrenzen.
-
Die Variabilität zwischen Betrachtern wird durch die verschiedenen Ergebnisse einer Untersuchungs- oder Beobachtungsprozedur, wenn verschiedene Betrachter verwendet werden, bestimmt. Sie ist ein Maß der Abhängigkeit einer klinischen Untersuchungsprozedur von der Person des Betrachters. Falls die Variabilität hoch ist, hängen die Empfindlichkeit der Prozedur und die Spezifizität der Ergebnisse stark vom Untersucher ab.
-
Die beiden dargelegten Probleme (unvollkommene Korrelation zwischen PI-RADS und Gleason-Bewertungen und hohe Variabilität zwischen Betrachtern) wurden bisher durch die Verwendung computerunterstützter Diagnosesysteme (CAD-Systeme) adressiert. Gewöhnlich sind die Schritte, bei denen ein CAD-System für die Krebsdiagnose verwendet wird, die folgenden: Läsionserkennung und Läsionscharakterisierung.
-
Urologen könnten jedoch mehr Informationen benötigen, um zu entscheiden, ob an dem Patienten eine Biopsie vorgenommen werden sollte oder nicht. Das zweite Problem, die hohe Variabilität zwischen Betrachtern, wurde bisher noch nicht spezifisch adressiert.
-
Eine Aufgabe der Erfindung besteht daher darin, die Variabilität zwischen Betrachtern bei der Beurteilung radiologischer Daten eines Patienten, insbesondere bei der Bewertung von Prostataläsionen auf der Grundlage von MRI-Daten, zu verringern.
-
Diese Aufgabe wird durch das Verfahren nach Anspruch 1, durch die Anordnung nach Anspruch 12 und durch das Magnetresonanz-Bildgebungssystem nach Anspruch 13 gelöst.
-
Gemäß der Erfindung weist ein Verfahren zum Identifizieren ähnlicher vorgespeicherter medizinischer Datensätze zum Vergleich mit einem (medizinischen) Datensatz für den aktuellen Fall die folgenden Schritte auf:
- - Bereitstellen eines Datensatzes für den aktuellen Fall, der radiologische Daten eines Patienten aufweist,
- - Bereitstellen einer Anzahl vorgespeicherter medizinischer Datensätze, die jeweils radiologische Daten eines Patienten aufweisen,
- - Beurteilen jedes Falldatensatzes entsprechend einem vordefinierten KI-basierten Verfahren, um eine Anzahl definitiver Merkmale für diesen Falldatensatz zu erhalten,
- - Vergleichen der definitiven Merkmale des Datensatzes für den aktuellen Fall mit den definitiven Merkmalen jedes vorgespeicherten medizinischen Datensatzes, um eine Anzahl vorgespeicherter medizinischer Datensätze zu identifizieren, die dem Datensatz für den aktuellen Fall am ähnlichsten sind, und
- - Ausgeben (V) der identifizierten Anzahl der ähnlichsten vorgespeicherten medizinischen Datensätze (SD1, SD2, SD3).
-
Die vorliegende Erfindung betrifft allgemein einen Vergleich radiologischer Daten, d. h. medizinischer Bilder aus dem Inneren eines Patienten. Ausführungsformen der vorliegenden Erfindung werden hier beschrieben, um Verfahren zum Vergleich medizinischer Bilder visuell verständlich zu machen. Ein Digitalbild besteht häufig aus digitalen Repräsentationen eines oder mehrerer Objekte (oder Formen). Die digitale Repräsentation eines Objekts wird hier häufig in Bezug auf das Identifizieren und Manipulieren der Objekte beschrieben. Solche Manipulationen sind virtuelle Manipulationen, die typischerweise im Speicher oder anderen Schaltungsanordnungen/Hardware eines Computersystems ausgeführt werden. Dementsprechend ist zu verstehen, dass Ausführungsformen der vorliegenden Erfindung unter Verwendung innerhalb eines Computersystems gespeicherter Daten im Computersystem ausgeführt werden können.
-
Die Falldatensätze umfassen radiologische Daten. Gemäß einer einfachen Ausführungsform können die radiologischen Daten die Form eines vorab beurteilten Risikofaktors auf der Grundlage radiologischer Daten, beispielsweise des PI-RADS-Werts, aufweisen. Vorzugsweise umfassen die radiologischen Daten Magnetresonanz-Bildgebungs(MRI)-Bilder. Es ist jedoch zu verstehen, dass die Falldatensätze medizinischer Bilder einer beliebigen geeigneten Modalität, wie beispielsweise mehrparametrige MRI (mpMRI), DynaCT, Röntgen, Ultraschall (US), Einzelphotonenemissions-Computertomographie (SPECT), Positronenemissionstomographie (PET) usw., aufweisen können. Das medizinische Bild kann von einer beliebigen geeigneten Dimensionalität sein, wie beispielsweise 2D (beispielsweise ein 2D-Schnitt eines MRI-Bilds), 2,5D oder 3D.
-
Ferner können die Falldatensätze zusätzliche Patientendaten, wie Patientenalter, Patientengrößen-PSA-Werte und andere Daten, insbesondere von einem elektronischen Gesundheitsbericht (EHR), aufweisen.
-
Der allgemeine Begriff „Falldatensätze“ schließt den Datensatz für den aktuellen Fall, d. h. den aktuellen medizinischen Datensatz oder den medizinischen Datensatz für den aktuellen Fall, sowie die vorgespeicherten medizinischen Datensätze ein. „Eine Anzahl von“ bedeutet wenigstens eins, vorzugsweise jedoch mehrere oder „eine Mehrzahl von“. Der Datensatz für den aktuellen Fall ist der eingegebene Datensatz, der von einem Betrachter zu beurteilen ist. Der Datensatz für den aktuellen Fall kann direkt von einer Bildgebungsmodalität erhalten werden, die verwendet wird, um das medizinische Bild aufzunehmen, oder aus einem Datenspeicher, beispielsweise einem lokalen Datenspeicher oder Netzdatenspeicher in der Art des PACS (Bildarchivierungs- und Kommunikationssystem), oder einem fernen Computer abgerufen werden.
-
Die vorgespeicherten medizinischen Datensätze stammen von verschiedenen Fällen, d. h. verschiedenen Patienten, die sich vom aktuellen Fall unterscheiden. Sie werden beispielsweise durch einen lokalen Datenspeicher oder durch einen Netzdatenspeicher in der Art eines Clouddatenspeichers bereitgestellt. Demgemäß sind die vorgespeicherten medizinischen Datensätze abrufbare Archiv-Falldatensätze.
-
Alle Datensätze werden in definitiven Merkmalen durch dasselbe KI-basierte Verfahren, welches die analysierten Merkmale direkt vergleichbar macht, beurteilt und insbesondere quantifiziert. Demgemäß sind die definitiven Merkmale definierte beurteilte Merkmale, die durch das KI-basierte Verfahren ausgegeben werden. Die Quantifizierung kann auch eine Wichtung der definitiven Merkmale in ihrer Wechselbeziehung aufweisen. Gemäß einer einfachen Ausführungsform wird nur ein definitives Merkmal beurteilt. Vorzugsweise werden die definitiven Merkmale und die Anzahl der definitiven Merkmale auf eine Art gewählt, welche den am besten unterscheidbaren Vergleich ermöglicht.
-
Der Begriff KI-basiertes Verfahren bedeutet ein maschinelles Verfahren, das kognitive Funktionen in Zusammenhang mit dem menschlichen Gehirn nachbildet. Der Begriff umfasst beispielsweise Maschinenlernen und tiefes Maschinenlernen.
-
Abhängig vom KI-basierten Verfahren können die Merkmale, die beurteilt werden, vor dem Entwurf oder in seinem Verlauf, beispielsweise durch Trainieren des KI-basierten Verfahrens, definiert werden. Daher können die definitiven Merkmale konkret oder abstrakt sein (insbesondere in Bezug auf mpMRI-Bilder). Dies bedeutet, dass die Merkmale die Form von Menschen erkennbarer Merkmale, wie beispielsweise der Größe oder Form einer Abnormität, annehmen können oder sich aus komplexeren, von Menschen nicht erkennbaren Verbindungen, die im trainierten KI-basierten Verfahren implementiert werden, ergeben können. Die Beurteilung der definitiven Merkmale geschieht insbesondere in Bezug auf die mögliche klinische Bedeutung der Daten.
-
Infolge der Quantifizierung der erhaltenen definitiven Merkmale kann der Abstand zwischen den Merkmalen der verglichenen Datensätze und damit zwischen den Datensätzen insgesamt bestimmt werden. Der Abstand steht in einer inversen Beziehung zur Ähnlichkeit. Er kann in einem beliebigen geeigneten Abstandsmaß, beispielsweise durch den euklidischen Abstand, gemessen werden.
-
Identifizieren bedeutet das Bestimmen der ähnlichsten Datensätze. Diese können ausgewählt und ausgegeben werden, d. h. sie werden beispielsweise gespeichert, übertragen oder angezeigt. Die Anzahl der auszuwählenden ähnlichen vorgespeicherten medizinischen Datensätze kann vom Betrachter gewählt werden. Zur Erleichterung der Beurteilung der Datensätze, d. h. insbesondere der radiologischen Bilder, werden die identifizierten ähnlichen vorgespeicherten medizinischen Datensätze vorzugsweise neben dem Datensatz für den aktuellen Fall für den Betrachter angezeigt. Dies verringert vorteilhaft die Variabilität zwischen Betrachtern.
-
Gemäß der Erfindung weist eine Datensatz-Beurteilungsanordnung zum Identifizieren ähnlicher vorgespeicherter medizinischer Datensätze zum Vergleich mit einem Datensatz für den aktuellen Fall Folgendes auf:
- - eine erste Schnittstelle zum Empfangen eines Datensatzes für den aktuellen Fall, der radiologische Daten eines Patienten aufweist,
- - eine zweite Schnittstelle zu einer Anzahl vorgespeicherter medizinischer Datensätze, die jeweils radiologische Daten anderer Patienten aufweisen,
- - ein Beurteilungsmittel zum Beurteilen jedes Falldatensatzes entsprechend einem vordefinierten KI-basierten Verfahren, um eine Anzahl definitiver Merkmale für diesen Falldatensatz zu erhalten,
- - ein Mittel zum Vergleichen der definitiven Merkmale des Datensatzes für den aktuellen Fall mit den definitiven Merkmalen jedes vorgespeicherten medizinischen Datensatzes, um eine Anzahl vorgespeicherter medizinischer Datensätze zu identifizieren, die dem Datensatz für den aktuellen Fall am ähnlichsten sind, und
- - eine Ausgabeschnittstelle (26) zum Ausgeben der identifizierten Anzahl ähnlichster vorgespeicherter medizinischer Datensätze (SD1, SD2, SD3).
-
Demgemäß weist die Datensatz-Beurteilungsanordnung alle Mittel auf und ist dafür ausgelegt, das Verfahren zum Identifizieren ähnlicher vorgespeicherter medizinischer Datensätze gemäß der Erfindung zu verwirklichen. Die erste Schnittstelle, die zweite Schnittstelle und die Ausgabeschnittstelle können als getrennte Schnittstellen ausgelegt werden, oder eine oder mehrere von ihnen können als eine einzige integrierte Schnittstelle ausgelegt werden.
-
Gemäß der Erfindung weist eine medizinische Anzeigeanordnung eine Anordnung zum Identifizieren ähnlicher vorgespeicherter medizinischer Datensätze gemäß der Erfindung und ein Mittel zum Anzeigen der identifizierten Datensätze auf. Die medizinische Anzeigeanordnung oder die Anordnung zum Identifizieren ähnlicher vorgespeicherter medizinischer Datensätze diagnostiziert nicht, sondern stellt das Mittel zur Diagnose einem Betrachter bereit.
-
Gemäß der Erfindung weist ein Magnetresonanz-Bildgebungssystem eine MRI-Vorrichtung und eine medizinische Anzeigeanordnung oder eine Anordnung zum Identifizieren ähnlicher vorgespeicherter medizinischer Datensätze gemäß der Erfindung auf.
-
Einige Einheiten oder Module der vorstehend erwähnten Datensatz-Beurteilungsanordnung können ganz oder teilweise als auf einem Prozessor eines Computersystems oder einer Anordnung zur medizinischen Diagnostik laufende Softwaremodule verwirklicht werden. Eine Verwirklichung größtenteils in Form von Softwaremodulen kann den Vorteil haben, dass bereits auf einem existierenden System installierte Anwendungen mit verhältnismäßig geringem Aufwand aktualisiert werden können, um diese Einheiten gemäß der vorliegenden Anwendung zu installieren und laufen zu lassen. Die Aufgabe der Erfindung wird auch durch ein Computerprogrammprodukt gelöst, das ein Computerprogramm aufweist, das direkt in den Speicher eines Rechensystems oder eines Magnetresonanz-Bildgebungssystems geladen werden kann und Programmeinheiten aufweist, um die Schritte des erfindungsgemäßen Verfahrens auszuführen, wenn das Programm durch die Anordnung zur medizinischen Diagnose oder das Rechensystem ausgeführt wird. Zusätzlich zum Computerprogramm kann ein solches Computerprogrammprodukt auch weitere Teile in der Art einer Dokumentation und/oder zusätzlicher Komponenten, auch Hardwarekomponenten in der Art eines Hardware-Schlüssels (Dongle usw.), um den Zugang zur Software zu ermöglichen, aufweisen.
-
Ein computerlesbares Medium in der Art eines Speichersticks, einer Festplatte oder eines anderen transportablen oder permanent installierten Trägers kann dazu dienen, die ausführbaren Teile des Computerprogrammprodukts zu transportieren und/oder zu speichern, so dass sie von einer Prozessoreinheit einer Anordnung zur medizinischen Diagnose oder eines Computersystems gelesen werden können. Eine Prozessoreinheit kann einen oder mehrere Mikroprozessoren oder ihre Entsprechungen aufweisen.
-
Besonders vorteilhafte Ausführungsformen und Merkmale der Erfindung werden in den abhängigen Ansprüchen angegeben, wie in der folgenden Beschreibung dargelegt. Merkmale verschiedener Anspruchskategorien können geeignet kombiniert werden, um weitere hier nicht beschriebene Ausführungsformen zu erhalten.
-
Die vorliegende Erfindung kann generell verwendet werden, um ähnliche Datensätze für irgendeinen Abnormitätstyp (beispielsweise Brüche, Blutung usw.), der sich an einer anatomischen Struktur (beispielsweise Brust, Lungen, Niere, Gehirn, Wirbelsäule usw.) befindet, zu identifizieren. Die Erfindung kann auf irgendeinen Abnormitätstyp, der sich auf irgendeinen Typ von Gewebe oder einer Struktur in irgendeinem Typ eines radiologischen Datensatzes befindet, angewendet werden. Abgesehen von den detailliert beschriebenen Prostataläsionen lässt sich die Erfindung beispielsweise leicht auf Läsionen in einer Brust anwenden. Demgemäß werden die Datensätze vorzugsweise in Bezug auf Gewebeabnormitäten, bevorzugter Läsionen, noch bevorzugter Indikationen von Prostatakrebs, beurteilt.
-
Die Beurteilung der definitiven Merkmale der vorgespeicherten medizinischen Datensätze geschieht vorzugsweise vorab. Dies bedeutet, dass die beurteilten definitiven Merkmale mit den vorgespeicherten medizinischen Datensätzen gespeichert und bereitgestellt werden. Demgemäß brauchen die vorgespeicherten medizinischen Datensätze nur einmal beurteilt zu werden und können dann vorteilhaft mit mehreren Datensätzen für den aktuellen Fall verglichen werden.
-
Das KI-basierte Verfahren ist vorzugsweise ein Maschinenlernverfahren, bevorzugter ein tiefes Maschinenlernverfahren. Maschinenlernen ermöglicht es der Maschine generell, sich an neue Umstände anzupassen und Muster zu erkennen und zu extrapolieren. „Einfache“ oder „traditionelle“ Maschinenlernverfahren umfassen beispielsweise logistische Regression, Support Vector Machine (SVM), Random Forest oder dergleichen. Das tiefe Maschinenlernen wird später detaillierter beschrieben.
-
Vorzugsweise dienen histologische Informationen, beispielsweise die Gleason-Bewertung, in Zusammenhang mit jedem Trainingsdatensatz als Ground Truth für das Training des KI-basierten Verfahrens. Die Verwendung histologischer Informationen und nicht nur der durch einen Kliniker anhand radiologischer Daten beurteilten PI-RADS-Bewertung ermöglicht ein viel gründlicheres Training in Bezug auf die klinische Bedeutung. Dies liegt daran, dass die statistischen Intervalle, auf denen die PI-RADS-Bewertung beruht, vermieden werden.
-
Wie vorstehend beschrieben, können die radiologischen Daten als radiologische Risikobewertung (PI-RADS-Wert) gegeben werden, vorzugsweise weist jeder Datensatz jedoch radiologische Bilddaten und bevorzugter mehrparametrige MRI-Daten auf.
-
Demgemäß weisen die Falldatensätze vorzugsweise Bilddaten einer beliebigen geeigneten Modalität, wie beispielsweise mehrparametrige MRI (mpMRI), DynaCT, Röntgen, Ultraschall (US), Einzelphotonenemissions-Computertomographie (SPECT), Positronenemissionstomographie (PET) usw., auf. Die Bilddaten können von einer beliebigen geeigneten Dimensionalität sein, wie beispielsweise 2D (beispielsweise ein 2D-Schnitt eines MRI-Bilds), 2,5D oder 3D.
-
Ein mehrparametriges MRI-mpMRI-Bild umfasst mehrere mit verschiedenen Aufnahmeprotokollen aufgenommene MR-Bilder. Die mehreren Bilder des mpMRI-Bilds können ein T2-gewichtetes (T2W) Bild, ein Diffusionsgewichtete-Bildgebung(DWI)-mit-einem-hohen-B-Wert(HiB)-Bild und ein DWI-scheinbarer-Diffusionskoeffizient(ADC)-Bild einschließen. Gemäß einigen Ausführungsformen können die Falldatensätze zusätzlich oder alternativ zum mpMRI-Bild Sequenzen mit einem erhöhten dynamischen Kontrast (DCE) aufweisen, die das Einschwemmen und Ausschwemmen bestimmter Kontrastmittel durch verschiedene Gewebebereiche zeigen. Eine in den Bildsequenzen ausgedrückte frühe oder späte Verbesserung ist ein wichtiges Merkmal für eine Abnormitätserkennung.
-
Vorzugsweise weist jeder Datensatz Werte eines oder mehrerer der folgenden Parameter auf: PSA-Wert, PSA-Dichte, DRU-Bewertung, EPE-Bewertung, Lymphknotenstatus und/oder Patientenalter.
-
Der PSA-Wert bedeutet den prostataspezifischen Antigenwert, und die PSA-Dichte ist der durch das Prostatavolumen dividierte PSA-Wert. DRU bedeutet eine digitale Rektaluntersuchung. DRU weist eine Art eines Einstufungssystems auf, wobei höhere Bewertungen (mit PSA und der Histopathologie) das Risiko eines biochemischen Rezidivs erhöhen. EPE bedeutet extraprostatische Ausdehnung, d. h. dass der Tumor über die Kapsel hinaus wächst. Das Ergebnis der DRU-Bewertung, der EPE-Bewertung und des Lymphknotenstatus kann eine binäre Form, wie positiv (1) oder negativ (0), aufweisen oder sogar durch einen Kliniker auf einer Skala quantifiziert werden.
-
Diese Werte können beispielsweise durch EHR erhalten oder durch einen Kliniker eingegeben werden. Sie sind für ihre Bedeutung bei der Beurteilung des Risikos von Prostatakrebs bekannt und stellen demgemäß relevante Kriterien für den Vergleich der Datensätze bereit.
-
Der Datensatz weist vorzugsweise Werte eines oder mehrerer der folgenden radiologisch bestimmten Parameter auf: PI-RADS-Wert, Läsionsgröße, Läsionsort und/oder Organvolumen. Ein Kliniker oder Radiologe bestimmt typischerweise den PI-RADS-Wert. Die anderen Parameter können beispielsweise mit einem etablierten CAD-Algorithmus erhalten werden und dann mit dem vordefinierten KI-basierten Verfahren beurteilt werden. Eine Läsion, die durch einen CAD-Algorithmus erkannt und/oder segmentiert wurde, stellt jedoch nicht an sich unmittelbare Informationen in Bezug auf das Risiko der Bösartigkeit oder klinischen Bedeutung bereit.
-
Gemäß einer einfachen bevorzugten Ausführungsform beurteilt das vordefinierte KI-basierte Verfahren den Datensatz, um einen einzigen Skalarwert für eine Risikobewertung als definitives Merkmal zu erhalten. Dies erleichtert stark den Vergleich zwischen dem definitiven Merkmal des Datensatzes für den aktuellen Fall und dem vorgespeicherten medizinischen Datensatz. Ein gründlicherer Vergleich beruht jedoch auf mehr als einem einzigen Skalarwert, wie nachstehend beschrieben.
-
Vorzugsweise beurteilt das vordefinierte KI-basierte Verfahren den Datensatz, um einen Vektor definitiver Merkmale zu erhalten, der Werte für einen oder mehrere der folgenden radiomischen Parameter oder Parametergruppen aufweist: Läsionsgröße, Läsionsintensität, Läsionsform, Läsionstextur und Wavelet-Transformation. Die Wavelet-Transformation ergibt einen Merkmalsvektor und nicht nur einen Skalar. Auch der Begriff „Läsionsintensität“ beschreibt eine Merkmalsgruppe (d. h. einen Vektor). Der Vektor definitiver Merkmale kann vorzugsweise eine oder beide dieser Parametergruppen (Vektoren) aufweisen.
-
Beispielsweise könnten Läsionsintensitätsmerkmale die durchschnittliche Intensität der Bilder, die maximale Intensität, die Intensitätsvarianz usw. einschließen. Läsionsintensität, Läsionsform, Läsionstextur und Wavelet-Transformation sind allgemeine Merkmalskategorien. In Bezug auf die Extraktion und Beurteilung radiomischer Merkmale wird „B. Lou et al, An imagebased deep learning framework for individualizing radiotherapy dose: a retrospective analysis of outcome prediction, The Lancet Digital Health 2019“ durch Verweis in die vorliegende Beschreibung aufgenommen.
-
Weitere bevorzugte definitive Merkmale umfassen die Intensität verschiedener Kontraste innerhalb der Kandidatenläsion, die Varianz oder eine andere statistische Berechnung höherer Ordnung von Intensitäten innerhalb der Kandidatenläsion, verschiedene radiomische Merkmale innerhalb der Kandidatenläsion und verschiedene lexikonbasierte Merkmale, die durch die folgenden Standards oder in der Gemeinschaft etabliertes allgemeines Wissen auf dem Gebiet berechnet werden. Beispielsweise könnten in Bezug auf Prostataläsionen lexikonbasierte Merkmale nach dem Prostate Imaging Reporting and Data System (PI-RADS) berechnet werden.
-
Alternativ wird das Maschinenlernverfahren vorzugsweise auf der Grundlage eines oder mehrerer der vorstehenden Merkmale trainiert, um 1) eine klinische Relevanzabbildung für Läsionen zur Erhöhung der Erkennungsrate und 2) ein Label zur weiteren Bestimmung, ob die Kandidatenläsion positiv (d. h. klinisch bedeutsam) ist oder nicht, um die Rate falscher Positiver des Systems zu verringern, zu berechnen.
-
Die klinische Relevanzabbildung oder Heatmap ähnelt einer Wahrscheinlichkeitsabbildung, die für ein oder mehrere gewählte lexikonbasierte Merkmale (d. h. das eingegebene lexikonbasierte Merkmal) oder eine nichtlineare Kombination lexikonbasierter Merkmale (durch einen Maschinenlernalgorithmus gelernt) spezifisch ist. Die Berechnung der lexikonbasierten Merkmale, beispielsweise des PI-RADS-Lexikons für Prostataläsionen, kann auf der Grundlage der Kandidatenläsionsform und zugrunde liegender Intensitäten in verschiedenen Kontrasten ausgeführt werden. Die Läsionsform wird auf der Grundlage für runde, ovale, linsenförmige, gelappte, wassertropfenförmige, keilförmige, lineare und unregelmäßige Formen berechneter Attribute bestimmt. Der Läsionsspielraum wird auf der Grundlage von Attributen des Läsionsrands wie beispielsweise verschiedener Kontraste, umschrieben, nicht umschrieben, unregelmäßig, spekuliert, hyper-/hypointensiv, organisiertes Chaos (nichthomogen) und gelöschtes Holzkohlezeichen berechnet. Gemäß einer Ausführungsform könnten die lexikonbasierten Merkmale (beispielsweise hypo-/hyperintensiv) unter Verwendung von Bildverarbeitungsfiltern implementiert werden und unter Verwendung eines zusätzlichen Netzes, durch logistische Regression oder unter Verwendung ähnlicher Modelle miteinander kombiniert werden. Gemäß einer Ausführungsform kann ein ähnliches Maschinenlernverfahren trainiert und angewendet werden, um die definitiven Merkmale des Datensatzes zu beurteilen.
-
Das vordefinierte KI-basierte Verfahren beurteilt vorzugsweise den Datensatz, um einen Vektor definierter Merkmale zu erhalten, der einen oder mehrere Werte für eine Risikobewertung und Werte für Parameter eines aufgabenspezifischen Fingerabdrucks aufweist. Die Risikobewertung ist ein vorhergesagter Wert für die klinische Bedeutung wie beispielsweise eine vorhergesagte Gleason-Bewertung. Der aufgabenspezifische Fingerabdruck unterscheidet sich in der Hinsicht von klassischen radiomischen Merkmalen, dass er keine generischen Messungen aufweist und trainiert ist, um Pathologieergebnisse am besten unterscheiden zu können. Dieses Verfahren extrahiert höherdimensionale definitive Merkmale, insbesondere aus mpMRI-Daten, die durch vordefinierte von Hand erzeugte Merkmale nicht voll erfasst werden können. Dieses mehrere Aufgaben aufweisende Verfahren schichtet die Datensätze auf der Grundlage der Risikobewertung in verschiedenen Gruppen und fügt den definitiven Merkmalen Randbedingungen hinzu, so dass auch die physikalischen Eigenschaften der Läsion eng in Beziehung stehen. Zu diesem Zweck wird vorzugsweise ein Deep-Learning-Verfahren als vordefiniertes KI-basiertes Verfahren verwendet.
-
Der Ausdruck „Deep Learning“ bezeichnet hier ein Verfahren, eine Anordnung oder ein Softwaremodul auf der Grundlage eines tiefen (Maschinen-) Lernens. Deep Learning ist ein spezielles Verfahren des Maschinenlernens, das auf einem künstlichen neuronalen Netz mit Repräsentationslernen beruht. Bevorzugte Deep-Learning-Netze sind tiefe neuronale Netze, Deep-Belief-Netze, rekurrente neuronale Netze und faltende neuronale Netze. Der Begriff „Netz“ gibt hier an, dass es ein physisches Netz geben könnte, d. h. ein Netz durch Signalleitungen verbundener physischer Knoten (beispielsweise ein FPGA oder ein Netz physischer Rechenvorrichtungen). Der Begriff bedeutet jedoch auch, dass es ein virtuelles Netz auf der Grundlage durch virtuelle Signalleitungen (beispielsweise miteinander verknüpfte Knoten) verbundener virtueller Knoten (beispielsweise virtueller Neuronen) geben könnte. Demgemäß könnte das tiefe neuronale Netz als physisches Netz (Hardwarenetz) in Form eines Hardwaremoduls oder als virtuelles Netz in Form eines Softwaremoduls vorhanden sein, wobei sich das Softwaremodul in einem individuellen (Hardware-) Rechenmodul befinden kann.
-
Im Fall eines virtuellen Netzes gibt es häufig künstliche Neuronen, die im Netz als elementare Einheiten vorhanden sind. Ein künstliches Neuron ist eine als Modell eines biologischen Neurons entwickelte mathematische Funktion, die eine oder mehrere Eingaben empfängt, welche beispielsweise erregende postsynaptische Potentiale und hemmende postsynaptische Potentiale an neuronalen Dendriten repräsentieren könnten, und sie summiert, um eine Ausgabe zu erzeugen. Gewöhnlich wird jede Eingabe getrennt gewichtet und wird die Summe durch eine als „Aktivierungsfunktion“ (oder „Übertragungsfunktion“) bekannte nichtlineare Funktion geleitet. Eine bevorzugte Aktivierungsfunktion weist eine Sigmoid-Form auf, sie kann jedoch auch die Form anderer nichtlinearer Funktionen, stückweise linearer Funktionen oder Stufenfunktionen annehmen.
-
Das Deep-Learning-Netz kann eine wohlbekannte Grundarchitektur aufweisen. Seine innere Struktur und seine Funktionsweise ist jedoch nach dem Training individuell geformt. Demgemäß kann ausgesagt werden, dass das Training die innere „Struktur“ des Deep-Learning-Netzes definiert und es von anderen trainierten Deep-Learning-Netzen (selbst der gleichen Grundarchitektur) unterscheidet.
-
Innerhalb seiner Trainingsphase werden die Gewichte oder Parameter innerhalb seiner Struktur automatisch angepasst, um die definitiven Merkmale für die radiologischen Datensätze in Bezug auf ihre klinische Bedeutung zu beurteilen.
-
Das Deep-Learning-Netz wurde vorzugsweise mit mehreren (vorzugsweise mehr als 1000) Trainingsdatensätzen auf der Grundlage von mpMRI-Datensätzen, die Gewebeabnormitäten, vorzugsweise Prostataläsionen, und histologische Informationen, vorzugsweise die durch Kliniker bewertete Gleason-Bewertung, aufweisen, trainiert. Das Training geschieht durch Eingeben der Trainingsdatensätze in eine Eingangsschicht des Deep-Learning-Netzes, Berechnen eines Verlustwerts für jeden Trainingsdatensatz auf der Grundlage der Differenz zwischen der Ausgabe des Deep-Learning-Netzes und den histologischen Informationen und Anpassen von Parametern des Deep-Learning-Netzes, bis der Verlustwert minimiert ist.
-
Durch die Verwendung dieser Labels als Ground-Truth-Daten kann ein Deep-Learning-Netz mit den zuvor beschriebenen Eingaben und Ausgaben trainiert werden. Die Architektur eines solchen Netzes kann beispielsweise alternierende faltende und Pooling-Schichten aufweisen, und für die Ausgangsschicht kann beispielsweise eine Sigmoid-Funktion für die Klassifikationsanordnung verwendet werden. Die faltenden Schichten extrahieren die definitiven Merkmale, und Pooling-Schichten verringern die Dimensionalität. Demgemäß wird das neuronale Netz als Encoder-Decoder-Netz in der Art beispielsweise von VGG-16 oder ResNet ausgelegt, um die Leistungsfähigkeit zu erhöhen.
-
Für die Optimierung der Gewichte/Parameter aller Schichten können wohlbekannte Optimierungsansätze, beispielsweise der Gradientenabstieg oder Adam in Kombination beispielsweise mit der Kreuzentropie-Verlustfunktion verwendet werden.
-
Nach dem Training werden die Gewichte/Parameter des Netzes für die spezifische Aufgabe angepasst und können beispielsweise die definitiven Merkmale von zuvor nicht gesehenen kontinuierlichen Messungen beurteilen.
-
Die Verwendung dieses neuronalen Netzes würde die Nachverarbeitung der Daten mit von Hand erzeugten Merkmalen und Vorabwissen überflüssig machen. Ferner ist die Verarbeitung mit einem tiefen neuronalen Netz sehr schnell (beispielsweise im Bereich von Millisekunden für einen Vorwärtsdurchlauf).
-
Demgemäß ist das vordefinierte KI-basierte Verfahren vorzugsweise ein für die Beurteilung von Datensätzen zum Erhalten eines Vektors definitiver abstrakter Merkmale ausgelegtes faltendes neuronales Netz.
-
Die ähnlichsten vorgespeicherten medizinischen Datensätze werden vorzugsweise durch minimale Abstandsmaße zwischen den Datensätzen identifiziert. Für diesen Zweck kann jedes geeignete Abstandsmaß verwendet werden, beispielsweise der euklidische Abstand
die Kosinusähnlichkeit
oder der Mahalanobis-Abstand
wobei xi den Vektor definitiver Merkmale für den Datensatz für den aktuellen Fall bezeichnet, yj den Vektor definitiver Merkmale für den verglichenen vorgespeicherten medizinischen Datensatz bezeichnet, D(xi,yj) das berechnete Abstandsmaß ist und M die Kovarianzmatrix der Trainingsdatensätze ist.
-
Vorzugsweise werden der Datensatz für den aktuellen Fall und der identifizierte ähnliche vorgespeicherte medizinische Datensatz ausgegeben, d. h. sie werden gespeichert, übertragen oder angezeigt. Bevorzugter werden die Datensätze mit einer überlagerten Heatmap angezeigt, welche die klinische Bedeutung der jeweiligen Gebiete angibt. Auf diese Weise kann eine „virtuelle Biopsie“ ausgeführt werden. Falls sie gemeinsam angezeigt werden, vereinfachen die Datensätze einem Betrachter vorteilhaft die Beurteilung des Datensatzes für den aktuellen Fall, weil er den aktuellen Fall unmittelbar mit den ähnlichsten Fällen, für welche histologische Ergebnisse bekannt sind, vergleichen kann.
-
Die Komponenten der Datensatz-Beurteilungsanordnung sind Teil eines Datennetzes, wobei das Datennetz und ein Magnetresonanz-Bildgebungssystem, das Bilddaten bereitstellt, vorzugsweise in Datenkommunikation miteinander stehen, wobei das Datennetz vorzugsweise Teile des Internets und/oder eines cloudbasierten Rechensystems umfasst und wobei die erfindungsgemäße Vorrichtung oder zumindest das Deep-Learning-Netz vorzugsweise in diesem cloudbasierten Rechensystem verwirklicht ist. Beispielsweise sind die Komponenten der Vorrichtung Teil eines Datennetzes, wobei das Datennetz und ein medizinisches Bildgebungssystem, das die Bilddaten bereitstellt, vorzugsweise in Kommunikation miteinander stehen. Eine solche vernetzte Lösung könnte durch eine Internetplattform und/oder in einem cloudbasierten Rechensystem implementiert werden.
-
Das Verfahren kann vorzugsweise auch „Cloud-Computing-Elemente“ aufweisen. Auf dem technischen Gebiet des „Cloud-Computings“ ist eine IT-Infrastruktur über einem Datennetz bereitgestellt, beispielsweise ein Speicherplatz oder Verarbeitungsleistung und/oder Anwendungssoftware. Die Kommunikation zwischen dem Benutzer und der „Cloud“ wird durch Datenschnittstellen und/oder Datenübertragungsprotokolle erreicht.
-
Das Bereitstellen von Daten geschieht vorzugsweise durch einen Datenkanal (beispielsweise ein Datennetz) zu einer „Cloud“. Diese „Cloud“ weist ein (fernes) Rechensystem, beispielsweise einen Computer-Cluster, der typischerweise die lokale Maschine des Benutzers nicht einschließt, auf. Diese Cloud kann insbesondere durch die medizinische Einrichtung, die auch die medizinischen Bildgebungssysteme bereitstellt, zur Verfügung gestellt werden. Insbesondere werden die Bildaufnahmedaten über ein RIS (Radiologieinformationssystem) oder ein PACS (Bildarchivierungs- und Kommunikationssystem) zu einem (fernen) Computersystem (der „Cloud“) gesendet.
-
Die vorstehend erwähnten Einheiten, insbesondere das Deep-Learning-Netz, befinden sich vorzugsweise auf der „Cloud“-Seite. Eine bevorzugte Datensatz-Beurteilungsanordnung weist ferner eine lokale Recheneinheit auf, die über einen Datenkanal (beispielsweise ein Datennetz, das insbesondere als RIS, PACS, PI-RADS, BI-RADS ausgelegt ist) mit der Vorrichtung verbunden ist. Die lokale Recheneinheit weist wenigstens eine Datenempfangsschnittstelle zum Empfangen von Daten auf. Überdies weist der lokale Computer vorzugsweise zusätzlich eine Übertragungsschnittstelle zum Senden von Daten zur Vorrichtung auf.
-
Vorzugsweise können die mehreren mpMR-Bilder vorverarbeitet werden, um die Variabilität oder Varianzen zwischen den mehreren Bildern zu adressieren oder zu entfernen, bevor sie durch eine Datensatz-Beurteilungsanordnung beurteilt werden. Die Entfernung von Varianzen zwischen den mehreren mpMR-Bildern gewährleistet selbst bei einer begrenzten Datenverfügbarkeit ein hohes Leistungsmaß. Solche Varianzen können geometrische Varianzen, Intensitätsvarianzen, Varianzen in der Ground-Truth-Vorbereitung oder eine andere Varianz einschließen.
-
Die geometrische Variabilität wird vorzugsweise adressiert, um die mehreren Bilder des mpMR-Bilds für ein genaues und effizientes Lesen geeignet auszurichten. Insbesondere wird ein Registrierungsschritt ausgeführt, um die mehreren Bilder des mpMR-Bilds auszurichten. Zusätzlich wird jedes Bild zum Erhalten einer gleichmäßigen Dimensionalität und Voxelbeabstandung der Bilder zwischen Modalitäten und Patientenfällen vorzugsweise in einen Raum mit identischen Abmessungen und Beabstandungen transformiert (beispielsweise 15 x 15 x 9 cm bzw. 0,5 x 0,5 x 3 mm/Pixel). Ein Prostatasegmentierungsalgorithmus wird vorzugsweise ausgeführt, um die Bilder um die Prostata (oder ein anderes interessierendes Objekt) zu zentrieren. Demgemäß weist jedes der mehreren Bilder des mpMR-Bilds durch Entfernen der geometrischen Variabilität die gleichen Größen-, Orientierungs-, Beabstandungs- und Positionseigenschaften auf.
-
Zur Gewährleistung einer konsistenten Intensitätsverteilung zwischen Patientenfällen für die verschiedenen Datensätze des mpMR-Bilds werden vorzugsweise verschiedene Formen von Normierungsberechnungen ausgeführt. Zuerst werden die DWI-Bilder auf einen gemeinsamen b-Wert (beispielsweise 2000) interpoliert, um vergleichbare Intensitäten zu gewährleisten. Der b-Wert ist ein Faktor, der die Stärke und den Zeitablauf der für die Erzeugung diffusionsgewichteter Bilder verwendeten Gradienten widerspiegelt. Gemäß einer Ausführungsform werden solche DWI-Bilder entsprechend einem auf der Grundlage von Bildern mit einem niedrigen b-Wert berechneten anatomischen Intensitätsbereich normiert. Gemäß einer Ausführungsform ist ein niedriger b-Wert ein b-Wert, der kleiner als 100 s/mm2 ist, und vorzugsweise ein b-Wert von 0. Zusätzlich wird eine parametrische KTrans-Abbildung anhand Bildern mit einem erhöhten dynamischen Kontrast (DCE) mit festen Modellparameterwerten berechnet. KTrans wird auf der Grundlage einer Tl-gewichteten DCE-Sequenz zur Repräsentation der Gewebepermeabilität berechnet. Die Gewebepermeabilität ist zusammen mit einer frühen oder späten Kontrasterhöhung informativ, um eine Abnormität zu erkennen und zu charakterisieren. Die T2W-Bilder können auf der Grundlage der Intensitäten von Bezugsgeweben in der Art von Fett oder Muskel standardisiert werden. Die Identifikation von Bezugsgeweben kann unter Verwendung von Orientierungspunkt-Erkennungsmodellen ausgeführt werden. Zur weiteren Gewährleistung der Intensitätsvergleichbarkeit über Patientenfälle verschiedener Modalitäten werden die Bilder normiert. Die Normierung kann auf einem Medianwert, Durchschnitt oder einer anderen statistisch robusten Metrik in der Art beispielsweise eines Durchschnitts des Mittelwerts zweier Quartile eines Intensitätshistogramms beruhen.
-
Andere Aufgaben und Merkmale der vorliegenden Erfindung werden anhand der folgenden detaillierten Beschreibungen in Zusammenhang mit den anliegenden Zeichnungen verständlich werden. Es ist jedoch zu verstehen, dass die Zeichnungen ausschließlich der Erläuterung und nicht der Definition der Grenzen der Erfindung dienen sollen.
-
Es zeigen:
- 1 ein vereinfachtes Beispiel eines MRI-Systems, das ein Beispiel einer erfindungsgemäßen Anzeigeanordnung mit einem Beispiel einer erfindungsgemäßen Datensatz-Beurteilungsanordnung aufweist,
- 2 ein beispielhaftes Blockdiagramm des erfindungsgemäßen Verfahrens, das ähnliche vorgespeicherte medizinische Datensätze identifiziert,
- 3 ein erstes beispielhaftes Blockdiagramm von Einzelheiten von Schritt III des erfindungsgemäßen Verfahrens,
- 4 ein zweites beispielhaftes Blockdiagramm von Einzelheiten von Schritt III des erfindungsgemäßen Verfahrens,
- 5 ein drittes beispielhaftes Blockdiagramm von Einzelheiten von Schritt III des erfindungsgemäßen Verfahrens,
- 6 ein viertes beispielhaftes Blockdiagramm von Einzelheiten von Schritt III des erfindungsgemäßen Verfahrens,
- 7 ein Beispiel eines MR-Bilds einer Prostata als Teil eines Datensatzes für einen aktuellen Fall,
- 8 das MR-Bild aus 7 mit angegebenen Segmenten der Prostata,
- 9 drei Beispiele von MR-Bildern verschiedener Prostatas als Teil vorgespeicherter medizinischer Datensätze, die dem Datensatz für den aktuellen Fall ähneln, und
- 10 ein anderes Beispiel eines MR-Bilds einer Prostata als Teil eines Datensatzes für den aktuellen Fall und einer zugeordneten Heatmap.
-
1 zeigt eine schematische Darstellung eines Magnetresonanz-Bildgebungssystems 1 („MRI-Systems“). Das MRI-System 1 weist den eigentlichen Magnetresonanzscanner (Datenerfassungseinheit) 2 mit einem Untersuchungsraum 3 oder Patiententunnel, worin ein Patient oder eine Testperson O, in dessen bzw. deren Körper sich das eigentliche Untersuchungsobjekt befindet, auf einem angetriebenen Bett 8 positioniert ist, auf.
-
Der Magnetresonanzscanner 2 ist typischerweise mit einem grundlegenden Feldmagnetsystem 4, einem Gradientensystem 6 sowie einem HF-Sendeantennensystem 5 und einem HF-Empfangsantennensystem 7 versehen. Gemäß der dargestellten beispielhaften Ausführungsform ist das HF-Sendeantennensystem 5 eine Ganzkörperspule, die permanent im Magnetresonanzscanner 2 installiert ist, wohingegen das HF-Empfangsantennensystem 7 als am Patienten oder Testsubjekt anzuordnende lokale Spulen (hier nur durch eine einzige lokale Spule symbolisiert) ausgebildet ist. Im Prinzip kann die Ganzkörperspule jedoch auch als HF-Empfangsantennensystem verwendet werden und können die lokalen Spulen jeweils in verschiedene Betriebsmodi geschaltet werden.
-
Fachleute sind generell mit dem Entwurf und der Funktion eines MRI-Scanners vertraut. Deshalb wird auf eine detailliertere Beschreibung verzichtet.
-
Ferner umfasst das MRI-System 1 eine Anzeigeanordnung 30 mit einer Tastatur 10 zur Benutzereingabe, einen Bildschirm 9 zur Anzeige von Informationen und Daten und eine Datensatz-Beurteilungsanordnung 20. Die Datensatz-Beurteilungsanordnung 20 ist über eine Ein-/Ausgabeschnittstelle 26 mit der Tastatur 10 und dem Bildschirm 9 und über eine Eingabeschnittstelle 21 mit dem MRI-Scanner 2 verbunden. Der MRI-Scanner 2 stellt ein mpMR-Bild, das vorzugsweise eine Prostataläsion aufweist, als radiologische Daten für den Datensatz ID für den aktuellen Fall bereit. Zusätzlich ist die Datensatz-Beurteilungsanordnung 20 mit einem externen Speicher 28 verbunden, beispielsweise einem Speicher eines internen Krankenhausnetzes oder Informationssystems (RIS), aus dem zusätzliche Patientendaten aus einem elektronischen Gesundheitsdatensatz (EHR) empfangen und zum Datensatz ID für den aktuellen Fall hinzugefügt werden können. Eine weitere Verbindung ist durch die Eingabeschnittstelle 21 mit einem Cloudspeicher 29, der vorgespeicherte medizinische Datensätze SD1, SD2, SD3, ... bereitstellen kann, hergestellt.
-
Die Datensatz-Beurteilungsanordnung 20 umfasst ferner ein Mittel 22 zur Beurteilung definitiver Merkmale DF der Falldatensätze ID, SD1, SD2, SD3, ..., ein Datenspeichermittel 23 zum Speichern der definitiven Merkmale DF, ein Mittel 24 zum Vergleichen der definitiven Merkmale DF und ein Mittel 25 zur Ausgabevorbereitung. Die Komponenten der Datensatz-Beurteilungsanordnung 20 sind über eine Datenverbindung 27, welche die Form einer Bus- oder Netzverbindung aufweisen kann, verbunden.
-
Es ist zu verstehen, dass die Komponenten des MRI-Systems 1 und/oder der Datensatz-Beurteilungsanordnung 20 räumlich in einem cloudbasierten System verteilt sein können. Alternativ kann die Datensatz-Beurteilungsanordnung 20 integral ausgelegt sein und optional sogar die Datenspeicherkomponenten 28, 29 integrieren, die hier getrennt dargestellt sind. Die Funktion der Datensatz-Beurteilungsanordnung 20 wird in weiteren Einzelheiten in Bezug auf das in 2 dargestellte Verfahren erklärt.
-
2 zeigt ein Blockdiagramm einer beispielhaften Ausführungsform des erfindungsgemäßen Verfahrens zum Identifizieren ähnlicher vorgespeicherter medizinischer Datensätze SD1, SD2, SD3 zum Vergleich mit einem Datensatz ID für den aktuellen Fall.
-
In Schritt I wird der Datensatz ID für den aktuellen Fall durch den MR-Scanner 2, den internen Speicher 23, den externen Speicher 28 oder den Cloudspeicher 29 als Eingangsdaten bereitgestellt.
-
In Schritt II werden die vorgespeicherten medizinischen Datensätze SD1, SD2, SD3, ... durch den internen Speicher 23, den externen Speicher 28 oder den Cloudspeicher 29 bereitgestellt. Der Typ und die Form aller Falldatensätze ID, SD1, SD2, SD3, ... sind im Wesentlichen gleich. Sie können jedoch durch einen Nachverarbeitungsprozess, beispielsweise in Bezug auf die Bildgröße, die Auflösung, die Intensität, den Kontrast usw., aneinander angepasst werden.
-
In Schritt III wird jeder Falldatensatz ID, SD1, SD2, SD3, ... mit einem vordefinierten KI-basierten Verfahren beurteilt, um seine definitiven Merkmale DF zu erhalten. Der Typ und die Form des eingegebenen Falldatensatzes ID, SD1, SD2, SD3, ... und der erhaltenen definitiven Merkmale DF hängen stark vom verwendeten KI-basierten Verfahren ab und werden detaillierter mit Bezug auf die 3 bis 6 beschrieben.
-
Weil die vorgespeicherten medizinischen Datensätze SD1, SD2, SD3, ... leicht abrufbar sind, vorzugsweise vorab beurteilt werden und ihre definitiven Merkmale DF vorab gespeichert werden, kann der Datensatz ID für den aktuellen Fall praktisch die einzigen realen Eingangsdaten ID für das Verfahren sein.
-
In Schritt IV werden die definitiven Merkmale DF jedes vorgespeicherten medizinischen Datensatzes SD1, SD2, SD3, ... mit den definitiven Merkmalen DF des Datensatzes ID für den aktuellen Fall verglichen. Der Vergleich geschieht mit einem geeigneten Abstandsmaß, beispielsweise gemäß einer der Gleichungen (1) bis (3). Die vorgespeicherten medizinischen Datensätze SD1, SD2, SD3 mit dem minimalen Abstand zum Datensatz ID für den aktuellen Fall werden als die ähnlichsten vorgespeicherten medizinischen Datensätze SD1, SD2, SD3 identifiziert. Die Anzahl der identifizierten ähnlichen vorgespeicherten medizinischen Datensätze SD1, SD2, SD3 kann durch eine Benutzereingabe gewählt werden.
-
In Schritt V werden die Falldatensätze ID, SD1, SD2, SD3 für die Ausgabe vorbereitet, beispielsweise durch überlagern der gleichen jeweiligen zusätzlichen Daten (beispielsweise Segmentationsinformationen, Heatmap usw.) über die jeweiligen ausgewählten MR-Bilder. Schließlich werden die Falldatensätze ID, SD1, SD2, SD3 zusammen angezeigt. Infolge des Vergleichs der ähnlichen Datensätze ID, SD1, SD2, SD3 kann ein Betrachter eine gründlichere Beurteilung des Risikos oder der klinischen Bedeutung vornehmen. Demgemäß kann die Variabilität zwischen Betrachtern durch das erfindungsgemäße Verfahren verringert werden.
-
3 zeigt ein Blockdiagramm einer ersten Ausführungsform IIIa von Schritt III des erfindungsgemäßen Verfahrens.
-
In Schritt ia wird ein Falldatensatz als Eingangsdaten, die einen PI-RADS-Wert, eine Läsionsgröße und/oder einen Läsionsort als radiologische Daten umfassen, bereitgestellt. Ein Radiologe kann diese radiologischen Parameter vorab beurteilen. Alternativ können die Läsionsgröße und/oder der Läsionsort durch einen CAD-Algorithmus erhalten werden. Zusätzlich umfassen die Eingangsdaten Informationen über den EHR, wie den PSA-Wert, die PSA-Dichte und das Patientenalter.
-
In Schritt iia werden die Eingaben normiert. Beispielsweise kann die Läsionsgröße an die Patientengröße oder dergleichen angepasst werden.
-
In Schritt iiia werden die Eingaben durch das Verfahren beurteilt. Das KI-basierte Verfahren kann beispielsweise als einfaches Maschinenlernverfahren in der Art beispielsweise eines SVM-Verfahrens ausgelegt werden.
-
In Schritt iva wird die Ausgabe des definitiven Merkmals DF in Form eines einfachen Skalarwerts, der den Risikofaktor des Falldatensatzes beschreibt, erhalten.
-
Das KI-basierte Verfahren von IIIa wird mit einer festen Anzahl definierter Eingangsvariablen und durch Minimieren der Differenz zwischen dem erhaltenen Risikofaktor und der histologisch beurteilten Gleason-Bewertung, die als Ground Truth dient, trainiert.
-
Die gleichen Eingangsvariablen wie während des Trainings werden für die reale Anwendung des Verfahrens nach dem Training verwendet.
-
Gemäß dieser Ausführungsform ist das Abstandsmaß für das Vergleichen der Ähnlichkeit verschiedener Falldatensätze einfach die Differenz zwischen den jeweiligen Risikofaktoren, die als definitive Merkmale DF erhalten werden.
-
4 zeigt ein Blockdiagramm einer zweiten Ausführungsform IIIb von Schritt III des erfindungsgemäßen Verfahrens.
-
In Schritt ib wird der Falldatensatz als Eingangsdaten, die ein mpMR-Bild aufweisen, bereitgestellt.
-
In Schritt iib wird ein interessierendes Gebiet im mpMR-Bild identifiziert und wird das Bild segmentiert. Dies kann durch Anwenden eines CAD-Algorithmus oder eines für den Zweck der Läsionserkennung und -segmentierung trainierten Maschinenlernverfahrens erreicht werden.
-
In Schritt iiib beurteilt das eigentliche KI-basierte Verfahren die definitiven Merkmale DF durch Extrahieren generischer radiomischer Merkmale aus den mpMR-Bildern und eine Korrelationsanalyse zur Auswahl aus den redundanten Merkmalen.
-
In Schritt ivb wird ein Vektor der (skalaren) ausgewählten radiomischen Merkmale als definitives Merkmal DF ausgegeben.
-
Das KI-basierte Verfahren aus IIIb wird unter Verwendung einer ROC-Kurvenanalyse mit dem histologisch bestimmten Gleason-Wert als Ground Truth trainiert, wobei die extrahierten radiomischen Merkmale direkt verwendet werden können, um zwischen verschiedenen Gleason-Bewertungsgruppen zu unterscheiden. Das KI-basierte Verfahren kann als Random-Forest-Verfahren ausgelegt sein. Beispielsweise können Fälle, in denen die Gleason-Bewertung (GS) größer als 6 ist, als positive Klasse (bösartig) beurteilt werden und gehört GS <= 6 zu einer negativen Klasse (gutartig). Dann kann ein binärer Klassifizierer implementiert werden, um die beiden Klassen zu unterscheiden. Überdies kann eine Ordinalklassifikation ausgeführt werden, wobei die Wahrscheinlichkeit, jeder GS-Kategorie anzugehören, beispielsweise GS <= 6, GS = 7, GS = 8 und GS >= 9, vorhergesagt werden kann.
-
5 zeigt ein Blockdiagramm einer dritten Ausführungsform IIIc von Schritt III des erfindungsgemäßen Verfahrens.
-
In Schritt ic wird der Falldatensatz als Eingangsdaten, die ein mpMR-Bild aufweisen, bereitgestellt.
-
In Schritt iic wird ein interessierendes Gebiet im mpMR-Bild identifiziert und wird das Bild segmentiert. Dies kann durch Anwenden eines CAD-Algorithmus oder eines für den Zweck der Läsionserkennung und -segmentierung trainierten Maschinenlernverfahrens erreicht werden.
-
In Schritt iiic wird das eigentliche KI-basierte Verfahren in einem Decodernetz in Bezug auf decodierte, abstrakte (nicht generische) Merkmale ausgeführt.
-
In Schritt ivc wird ein Risikowert in Form einer vorhergesagten Gleason-Bewertung anhand der decodierten Merkmale durch ein Klassifikationsnetz als erste Komponente des definitiven Merkmals erhalten.
-
In Schritt vc werden radiomische Standardmerkmale sowie ein PI-RADS-Wert anhand der durch ein Decodernetz decodierten Merkmale als läsionsspezifischer Fingerabdruck erhalten.
-
Der läsionsspezifische Fingerabdruck wird als weitere Randbedingung für das ansonsten unterdefinierte Problem verwendet, um die physikalischen Eigenschaften der Läsion in der Nähe des PI-RADS zu halten.
-
Die Risikobewertung und der läsionsspezifische Fingerabdruck werden als definitive Merkmale ausgegeben.
-
Das KI-basierte Verfahren aus IIIc wird unter Verwendung einer ROC-Kurvenanalyse durch Vergleichen des durch das KI-Decoder-Klassifikationsnetz vorhergesagten Risikofaktors mit der histologisch vorhergesagten Gleason-Bewertung als Ground Truth trainiert.
-
6 zeigt ein Blockdiagramm einer vierten Ausführungsform IIId von Schritt III des erfindungsgemäßen Verfahrens.
-
Hier werden zwei Subnetze für die Beurteilung verwendet.
-
In Schritt id wird ein erster Teil des Falldatensatzes, der ein mpMR-Bild aufweist, als Eingangsdaten für das erste Subnetz bereitgestellt.
-
In Schritt iid wird ein zweiter Teil des Falldatensatzes, der zusätzliche Parameter vom EHR aufweist (wie vorstehend beschrieben), als Eingangsdaten für das zweite Subnetz bereitgestellt.
-
In Schritt iid wird ein interessierendes Gebiet im mpMR-Bild identifiziert und wird das Bild segmentiert. Dies kann durch Anwenden eines CAD-Algorithmus oder eines für den Zweck der Läsionserkennung und -segmentierung trainierten Maschinenlernverfahrens erreicht werden.
-
In Schritt iiid extrahiert das erste Subnetz, das als faltendes neuronales Netz (CNN) ausgelegt ist, Merkmale aus dem mpMR-Bild. Das faltende neuronale Netz kann vom ResNet- oder DenseNet-Typ sein.
-
In Schritt ivd extrahiert das zweite Subnetz, das als vollständig verbundenes Netz ausgelegt ist, Merkmale aus den zusätzlichen Parametern.
-
In Schritt vd werden die extrahierten Parameter des ersten Subnetzes und des zweiten Subnetzes in einen Vektor integriert, der ausgegeben wird und die definitiven Merkmale DF als Komponenten aufweist.
-
Das KI-basierte Verfahren aus IIIc wird durch Minimieren einer Triplet-Verlustfunktion L der Form
trainiert, wobei A die Ankerläsion (Referenz) ist, P das positive Beispiel (Läsion mit dem gleichen histologischen Ergebnis) ist und N das negative Beispiel (Läsion mit einem anderen histologischen Ergebnis) ist. D ist eines der vorstehend erwähnten Abstandsmaße. Demgemäß wird das Netz gefördert, das den Abstand zwischen den codierenden Merkmalen des Ankers und dem positiven Beispiel kleiner oder gleich dem Abstand zwischen den codierenden Merkmalen des Ankers und dem negativen Beispiel macht. Die Ground Truth der histologischen Informationen beruht auf Biopsieergebnissen. Zwei Läsionen mit der gleichen Gleason-Bewertung sind positive Beispiele voneinander.
-
Gemäß dieser Ausführungsform IIId sind die Schritte iid und ivd optional und können fortgelassen werden. Es kann jedoch ein genaueres Ergebnis durch Ausführen aller beschriebenen Schritte erhalten werden.
-
7 zeigt ein Beispiel eines MR-Bilds einer Prostata als Teil eines Datensatzes ID für den aktuellen Fall. In 8 wird dieses Bild mit angegebenen Segmenten der Prostata dargestellt. Die Segmente umfassen eine zentrale Zone CZ und eine Randzone PZ der Prostata sowie eine Läsion L.
-
9 zeigt drei Beispiele SD1, SD2, SD3 von MR-Bildern verschiedener Prostatas, die Teil der vorgespeicherten medizinischen Datensätze sind, mit denen der in den 7 und 8 dargestellte Datensatz für den aktuellen Fall durch das erfindungsgemäße Verfahren gemäß einer der vorstehend beschriebenen Ausführungsformen verglichen wird. Von mehreren vorgespeicherten medizinischen Datensätzen SD1, SD2, SD3, ... wurden die vorgespeicherten medizinischen Datensätze SD1, SD2, SD3 als die drei vorgespeicherten medizinischen Datensätze identifiziert, die dem Datensatz ID für den aktuellen Fall am stärksten ähneln. Trotz der offensichtlichen Unterschiede in der Größe und dem Ort der für die vorgespeicherten medizinischen Datensätze SD1, SD2, SD3 dargestellten Läsionen werden sie aus Gründen der klinischen Bedeutung, die einem menschlichen Betrachter nicht direkt offensichtlich sein könnten, als ähnlich identifiziert. Eine gründliche Untersuchung der Datensätze könnte jedoch Ähnlichkeiten in den kleineren Strukturen der Läsionen oder in anderen MR-Bildern, die mit anderen Parametern und/oder Erfassungsprotokollen erfasst werden, offenbaren.
-
Für den Betrachter wird es einfacher oder sogar erst möglich, diese Ähnlichkeiten durch das Verfahren und die Anordnungen der Erfindung zu entdecken.
-
10 zeigt ein anderes Beispiel eines MR-Bilds einer Prostata als Teil eines Datensatzes ID für den aktuellen Fall und einer Heatmap MH, die durch irgendwelche Ausführungsformen der Erfindung erhalten werden können (beispielsweise durch die vordefinierten KI-Verfahren IIIb, IIIc und IIId). Die Heatmap HM gibt Risikogebiete RR an, in denen eine bösartige Läsion mit hoher klinischer Bedeutung angegeben ist. Die Heatmap kann eine binäre Abbildung sein, wie hier dargestellt, oder in Bezug auf die klinische Bedeutung farbcodiert werden. Sie kann getrennt angezeigt werden, wie hier dargestellt, oder dem MR-Bild überlagert werden. Die Anzeige einer überlagerten Heatmap für den Datensatz für den aktuellen Fall und die vorgespeicherten medizinischen Datensätze, die als am ähnlichsten identifiziert wurden, kann die Beurteilung durch den Betrachter weiter erleichtern.
-
Wenngleich die vorliegende Erfindung in Form bevorzugter Ausführungsformen und Variationen davon offenbart wurde, ist zu verstehen, dass zahlreiche zusätzliche Modifikationen und Variationen an diesen vorgenommen werden könnten, ohne vom Schutzumfang der Erfindung abzuweichen. Aus Gründen der Klarheit ist zu verstehen, dass die Verwendung von „ein/eine/eines“ in dieser Anmeldung nicht eine Mehrzahl ausschließt, und dass „aufweisend/umfassend“ nicht andere Schritte oder Elemente ausschließt. Die Erwähnung einer „Anordnung“ oder eines „Systems“ schließt nicht die Verwendung mehr als einer Einheit oder Vorrichtung aus und schließt keine räumliche Verteilung der Komponenten beispielsweise in einem Netz oder einem Cloudsystem aus.
