DE102020212105A1 - Method for analyzing medical images by using different image impressions at the same time - Google Patents
Method for analyzing medical images by using different image impressions at the same time Download PDFInfo
- Publication number
- DE102020212105A1 DE102020212105A1 DE102020212105.2A DE102020212105A DE102020212105A1 DE 102020212105 A1 DE102020212105 A1 DE 102020212105A1 DE 102020212105 A DE102020212105 A DE 102020212105A DE 102020212105 A1 DE102020212105 A1 DE 102020212105A1
- Authority
- DE
- Germany
- Prior art keywords
- image
- parameter value
- data sets
- training
- value data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 77
- 230000006978 adaptation Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 10
- 238000002591 computed tomography Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000003325 tomography Methods 0.000 claims description 2
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 239000000306 component Substances 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
- A61B8/5261—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from different diagnostic modalities, e.g. ultrasound and X-ray
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
Die Erfindung betrifft ein Verfahren zur Erzeugung eines Trainingsdatensatzes (T) zum Training eines CAD-Algorithmus (A) zur Auswertung von Bilddaten, die basierend auf vorbestimmten Parametern rekonstruiert und/oder angepasst worden sind, umfassend die Schritte:- Bereitstellen von verwendeten Parameterwert-Datensätzen (PD) zur Rekonstruktion und/oder Anpassung von Bilddaten,- Auswählen der relevantesten Parameterwert-Datensätze (PD),- Bereitstellen einer Vielzahl von Basisbild-Datensätzen (BD),- Erzeugen von spezifischen Bilddarstellungen (B1, B2, B3) aus den Basisbild-Datensätzen (BD) mittels der ausgewählten Parameterwert-Datensätze (PD),- Zuordnen von Basiswahrheiten (BW) zu den spezifischen Bilddarstellungen (B1, B2, B3),- Erzeugen eines Trainingsdatensatzes (T) aus einer Zusammenfassung der spezifischen Bilddarstellungen (B1, B2, B3) mit ihren Basiswahrheiten (BW).Die Erfindung betrifft des Weiteren einen resultierenden Trainingsdatensatz sowie ein damit mögliches Trainingsverfahren und einen damit trainierten CAD-Algorithmus und ein Verfahren zur Auswertung von Bilddaten, welches den trainierten CAD-Algorithmus nutzt.The invention relates to a method for generating a training data set (T) for training a CAD algorithm (A) for evaluating image data that has been reconstructed and/or adapted based on predetermined parameters, comprising the steps: - providing used parameter value data sets (PD) for the reconstruction and/or adaptation of image data, - selecting the most relevant parameter value data sets (PD), - providing a large number of basic image data sets (BD), - generating specific image representations (B1, B2, B3) from the basic image - data sets (BD) using the selected parameter value data sets (PD), - assignment of base truths (BW) to the specific image representations (B1, B2, B3), - generation of a training data set (T) from a summary of the specific image representations (B1, B2, B3) with their basic truths (BW). The invention also relates to a resulting training data set and a training method that is possible with it ren and a CAD algorithm trained therewith and a method for evaluating image data which uses the trained CAD algorithm.
Description
Die Erfindung betrifft ein Verfahren zur Analyse medizinischer Bilder mittels gleichzeitiger Verwendung verschiedener Bildeindrücke, insbesondere ein Verfahren und eine Vorrichtung zur Erzeugung eines Trainingsdatensatzes für einen CAD-Algorithmus, einen daraus resultierenden Trainingsdatensatz sowie ein damit ermöglichtes Trainingsverfahren und einen damit trainierten CAD-Algorithmus und ein Verfahren zur Auswertung von Bilddaten, welches den trainierten CAD-Algorithmus nutzt.The invention relates to a method for analyzing medical images by using different image impressions simultaneously, in particular a method and a device for generating a training data set for a CAD algorithm, a training data set resulting therefrom and a training method made possible with it and a CAD algorithm trained therewith and a method for evaluating image data, which uses the trained CAD algorithm.
Seit einigen Jahren werden maschinenlernfähige Algorithmen (auch zuweilen als „Machine Learning“ Algorithmen bezeichnet) dazu verwendet, Informationen aus Bildern abzuleiten. Beispielsweise werden mittels dieser Algorithmen medizinische Bilder ausgewertet und Informationen zur Hilfe bei Diagnosen erzeugt. Diese Algorithmen werden auch als „CAD-Algorithmen“ bezeichnet, von englisch „Computer Aided Diagnosis“ (auf Deutsch: Computerunterstützte Diagnose).In recent years, machine-learning algorithms (sometimes referred to as "machine learning" algorithms) have been used to derive information from images. For example, these algorithms are used to evaluate medical images and generate information to help with diagnoses. These algorithms are also referred to as "CAD algorithms", from English "Computer Aided Diagnosis".
Medizintechnische Bilder (aber auch Bilder aus anderen technischen Gebieten) werden oftmals rekonstruiert und/oder verändert, in dem maschinenlernfähige oder konventionelle Algorithmen eingesetzt werden, welche die aufgezeichneten Bildinformationen verarbeiten, um für den Menschen lesbare, anwendungsspezifische Darstellungen zu erzeugen. Die Bilder werden dabei aus Rohdaten rekonstruiert, bzw. Rohdaten oder rekonstruierte Bilder für spezielle Zwecke angepasst, z.B. ein Rauschen unterdrückt oder Strukturen schärfer dargestellt. Diese Anpassungen der Darstellungen sind oft herstellerspezifisch, leiten sich jedoch in der Regel von klar definierbaren Parametern ab, z.B. dem Kontrast oder der Helligkeit. In der Regel kann nach einer Rekonstruktion eines Bildes der resultierende Bildeindruck noch weiter angepasst werden, um den besonderen Anforderungen der einzelnen klinischen Praktiken gerecht zu werden.Medical technology images (but also images from other technical fields) are often reconstructed and/or modified using machine learning-capable or conventional algorithms that process the recorded image information in order to generate human-readable, application-specific representations. The images are reconstructed from raw data, or raw data or reconstructed images are adapted for special purposes, e.g. noise is suppressed or structures are displayed more sharply. These adjustments to the displays are often manufacturer-specific, but are usually derived from clearly definable parameters, e.g. contrast or brightness. As a rule, after an image has been reconstructed, the resulting image impression can be further adjusted in order to meet the special requirements of individual clinical practices.
Dies stellt jedoch eine besonders herausfordernde Situation für besagte CAD-Algorithmen dar, die im Prinzip robust gegenüber jeder Variation des Bildeindrucks sein sollten, also auch bei einer Veränderung eines Bildes das richtige Ergebnis liefern sollten. Gleichzeitig bieten unterschiedliche Bildimpressionen Vor- und Nachteile für die Erkennbarkeit pathologischer Befunde. Um CAD-Algorithmen robust gegenüber Variationen von Bildimpressionen zu machen, gibt es für verschiedene Anwendungen verschiedene Techniken.However, this represents a particularly challenging situation for said CAD algorithms, which in principle should be robust to any variation in the image impression, i.e. should also deliver the correct result if an image changes. At the same time, different image impressions offer advantages and disadvantages for recognizing pathological findings. To make CAD algorithms robust to variations of image impressions, there are different techniques for different applications.
Bisher existiert jedoch noch keine Methode zur gezielten Entwicklung von CAD-Algorithmen, die aus mehreren spezifisch erzeugten und standardisierten Bildeindrücken optimale Diagnosen ableiten können.So far, however, there is no method for the targeted development of CAD algorithms that can derive optimal diagnoses from several specifically generated and standardized image impressions.
Es ist eine Aufgabe der vorliegenden Erfindung, ein alternatives, komfortableres Verfahren und eine entsprechende Vorrichtung zur Erzeugung eines Trainingsdatensatzes für einen bzw. zur Entwicklung eines CAD-Algorithmus, anzugeben, mit dem die oben beschriebenen Nachteile vermieden werden.It is an object of the present invention to specify an alternative, more convenient method and a corresponding device for generating a training data set for or for developing a CAD algorithm, with which the disadvantages described above are avoided.
Diese Aufgabe wird durch ein Verfahren gemäß Patentanspruch 1, einen Trainingsdatensatz gemäß Patentanspruch 10 sowie durch ein Trainingsverfahren gemäß Patentanspruch 11 und einen CAD-Algorithmus gemäß Patentanspruch 12 sowie ein Verfahren zur Auswertung von Bilddaten gemäß Patentanspruch 13 gelöst.This object is achieved by a method according to patent claim 1, a training data set according to
Ein erfindungsgemäßes Verfahren dient zur Erzeugung eines Trainingsdatensatzes zum Training eines CAD-Algorithmus (Algorithmus zur computerunterstützten Diagnose, s.o.). Dieser CAD-Algorithmus soll nach seinem Training zur Auswertung von Bilddaten dienen, die basierend auf vorbestimmten Parametern rekonstruiert und/oder angepasst worden sind.A method according to the invention is used to generate a training data record for training a CAD algorithm (algorithm for computer-aided diagnosis, see above). After training, this CAD algorithm is intended to be used to evaluate image data that has been reconstructed and/or adjusted based on predetermined parameters.
Wie im einleitenden Teil bereits gesagt wurde, werden Bilddaten (Bildkoordinaten mit Helligkeits- und/oder Farbwerten, im Folgenden auch als „Pixel“ bezeichnet) in der Regel verändert, bevor ein Benutzer (z.B. ein Arzt) sie zur Diagnose begutachtet. Diese Änderung basiert im hier vorliegenden Fall auf einer Wahl von Werten von vorbestimmten Parametern, z.B. der Helligkeit und/oder dem Kontrast, von Pixeln und/oder von Parametern wie z.B. Bildschärfe, Schwellwerte oder Sättigungswerte. Ein Benutzer wählt dabei bewusst Werte für diese Parameter aus oder bedient sich bereits voreingestellter Konfigurationen dieser Werte. Diese Werte der Parameter werden im Folgenden als „Parameterwert-Datensätze“ bezeichnet und können zur Rekonstruktion dienen (z.B. für eine Rauschunterdrückung im Zuge der Rekonstruktion) aber auch zur Anpassung bereits rekonstruierter Bilder dienen (z.B. Anpassung der Helligkeit bzw. des Kontrasts). Ein Parameterwert-Datensatz umfasst dabei bevorzugt alle für einen Benutzer an einem vorbestimmten Gerät (z.B. einem Computertomographen) einstellbaren Parameterwerte, die der Rekonstruktion und/oder der Anpassung eines Bildes dienen.As already mentioned in the introductory part, image data (image coordinates with brightness and/or color values, hereinafter also referred to as "pixels") are usually changed before a user (e.g. a doctor) examines them for diagnosis. In the present case, this change is based on a selection of values of predetermined parameters, e.g. the brightness and/or the contrast, of pixels and/or of parameters such as image sharpness, threshold values or saturation values. A user consciously selects values for these parameters or uses already preset configurations of these values. These parameter values are referred to below as "parameter value data sets" and can be used for reconstruction (e.g. for noise reduction in the course of the reconstruction) but also for adjusting images that have already been reconstructed (e.g. adjusting the brightness or contrast). A parameter value data record preferably includes all parameter values that can be set by a user on a predetermined device (e.g. a computer tomograph) and that serve to reconstruct and/or adjust an image.
Das Verfahren umfasst die folgenden Schritte:
- - Bereitstellen von Parameterwert-Datensätzen für eine Anzahl vorbestimmter Parameter zur Rekonstruktion und/oder Anpassung von Bilddaten, wobei diese Parameterwert-Datensätze zur Rekonstruktion und/oder Anpassung von Bilddaten verwendet worden sind.
- - Providing parameter value data sets for a number of predetermined parameters for the reconstruction and/or adjustment of image data, these parameter value data sets have been used to reconstruct and/or adjust image data.
Es werden also hier nach einer Bildaufnahme und Rekonstruktion bzw. Anpassung der von einem Benutzer (z.B. Mediziner) dazu verwendete Parameterwert-Datensatz abgespeichert und dem Verfahren zur Verfügung gestellt. Dies kann z.B. dadurch geschehen, dass ein bildgebendes System (z.B. ein CT-System) die bei ihm eingegebenen Parameterwert-Datensätze an eine zentrale Stelle sendet, die diese dann für das erfindungsgemäße Verfahren zur Verfügung stellt.
- - Ermitteln der relevantesten Parameterwert-Datensätze und Auswählen einer Anzahl von diesen ermittelten Parameterwert-Datensätzen.
- - determining the most relevant parameter value data sets and selecting a number of these determined parameter value data sets.
Es werden nun unter den bereitgestellten Parameterwert-Datensätzen diejenigen ermittelt, die am relevantesten sind. Mit „relevant“ sind diejenigen Parameterwert-Datensätze gemeint, die am häufigsten vorhanden sind bzw. standardmäßig verwendet werden und insbesondere Bildeindrücke mit großen Unterschieden erzeugen (sie wurden gemäß dem vorangehenden Schritt dann auch verwendet). Dies sollte mittels einer statistischen Analyse erfolgen und kann z.B. dadurch geschehen, dass Histogramme aus den Parameterwert-Datensätzen gebildet werden. Da die Parameterwert-Datensätze in der Regel Werte zu mehreren Parametern umfassen, können diese Werte in Werteintervalle eingeordnet werden und ermittelt werden, welche Konfigurationen von Werteintervallen am häufigsten vorhanden sind. Daraus werden nun einige Parameterwert-Datensätze ausgewählt, bevorzugt diejenigen, die am häufigsten vorkamen, z.B. die „Top 10“ oder die in drei verschiedenen Kontinenten am häufigsten verwendeten Bildeindrücke. Bevorzugt ist dabei die Häufigkeit nicht unbedingt (alleine) ein Kriterium, sondern insbesondere (auch) die Diversität der aus diesen Parameterwert-Datensätzen resultierenden Bildeindrücken. Bevorzugt erfolgt eine Ermittlung der am häufigsten verwendeten Parameterwert-Datensätze und dann eine Auswahl einer Anzahl von diesen ermittelten Parameterwert-Datensätzen Anhand ihrer Häufigkeit, globalen Verteilung und/oder der Diversität der resultierenden Bildeindrücke).
- - Bereitstellen einer Vielzahl von Basisbild-Datensätzen. Diese Basisbild-Datensätze umfassen in der Regel Rohdaten bzw. rekonstruierte Daten. Die Natur der Basisbild-Datensätze hängt logischerweise von der Art der Parameterwert-Datensätze ab. Wenn Parameterwert-Datensätze zu Parametern verwendet werden, die der Rekonstruktion dienen, sollten auch die Basisbild-Datensätze Rohdaten sein, wenn die Parameter zu den Parameterwert-Datensätzen der Anpassung von rekonstruierten Bildern dienen, sollten die Basisbild-Datensätze rekonstruierte Bilder sein. Sie können aber auch generell Rohdaten umfassen, die im Zuge des erfindungsgemäßen Verfahrens zunächst zu Bildern rekonstruiert werden. Dies hat den Vorteil, dass sowohl Parameterwert-Datensätze zur Rekonstruktion als auch Parameterwert-Datensätze zur Anpassung berücksichtigt werden können.
- - Erzeugen von spezifischen Bilddarstellungen aus einer Anzahl der Basisbild-Datensätze mittels der ausgewählten Parameterwert-Datensätze.
- - Provide a variety of base image datasets. As a rule, these base image data records include raw data or reconstructed data. The nature of the base image records logically depends on the nature of the parameter value records. If parameter value data sets are used for parameters that are used for reconstruction, the base image data sets should also be raw data, if the parameters for the parameter value data sets are used to adjust reconstructed images, the base image data sets should be reconstructed images. However, they can also generally include raw data, which are initially reconstructed into images in the course of the method according to the invention. This has the advantage that both parameter value data sets for reconstruction and parameter value data sets for adaptation can be taken into account.
- - generating specific image representations from a number of the basic image data sets using the selected parameter value data sets.
Dazu wird jeweils für einen Basisbild-Datensatz eine Mehrzahl von spezifischen Bilddarstellungen durch lokale Änderungen von Intensitäten und/oder Positionen von Pixeln basierend auf dem jeweiligen Parameterwert-Datensatz erzeugt. Es werden also Bilder erzeugt, die von ihrer Natur sehr ähnlich sind, wie diejenigen Bilder, die von Benutzern mit den betreffenden Parameterwert-Datensätzen erzeugt worden sind, mit dem Unterschied, dass nun die Basisbild-Datensätze als die Basis der Bilder dienen. Es sollte beachtet werden, dass bezüglich der spezifischen Bilddarstellungen und der Parameterwert-Datensätze im Plural gesprochen wird. Es wird also nicht nur ein einziger Parameterwert-Datensatz, sondern mehrere Parameterwert-Datensätze ausgewählt und aus diesen eine Mehrzahl an spezifischen Bilddarstellungen erzeugt, nämlich im bevorzugten Falle für jeden Parameterwert-Datensatz eine spezifische Bilddarstellung pro Basisbild-Datensatz.
- - Zuordnung von Basiswahrheiten zu den spezifischen Bilddarstellungen.
- - Assignment of basic truths to the specific image representations.
Dies ist notwendig, da die Bilddarstellungen zum Training eines maschinenlernfähigen Algorithmus dienen sollen. Es kann jeder Bilddarstellung eine Basiswahrheit (auch oft als „Ground Truth“ bezeichnet) zugeordnet werden, oder eine Basiswahrheit vom jeweiligen Basisbild-Datensatz für alle oder einen Teil der daraus erstellten Bilddarstellungen verwendet werden. Die Basiswahrheit kann dabei manuell durch einen Benutzer zugeordnet oder automatisch erzeugt worden sein. Die Ground Truth ist in der Regel unabhängig von der Art der Bilddarstellung (z.B. die Feststellung ob ein krankes oder ein gesundes Organ dargestellt wird). Eine Bilddarstellung entspricht durch die Wahl der Parameterwert-Datensätze dem subjektiv vom Benutzer (z.B. Arzt) gewählten Bildeindruck und ist unabhängig vom Gesundheitszustand des Patienten (dieser wird ja erst durch das Bild beurteilt).
- - Erzeugen eines Trainingsdatensatzes aus einer Zusammenfassung der spezifischen Bilddarstellungen mit ihren Basiswahrheiten.
- - Generation of a training data set from a summary of the specific image representations with their base truths.
Die Bilddarstellungen sind also, zusammen mit ihren Basiswahrheiten der resultierende Trainingsdatensatz. Die Basisbild-Datensätze können noch Teil des Trainingsdatensatzes sein, aber bevorzugt nur, wenn ihre Parameterwert-Datensätze (bei rekonstruierten Bildern) oder die Werte für eine Standardrekonstruktion auch zu den häufig verwendeten gehören.The pictorial representations are thus, together with their base truths, the resultant trai nings record. The base image data sets can still be part of the training data set, but preferably only if their parameter value data sets (in the case of reconstructed images) or the values for a standard reconstruction are also among the frequently used ones.
Beispielsweise wird bei der Röntgenaufnahme die gemessene Photonenenergie und/oder -intensität durch eine Bildverarbeitungskette prozessiert um den vom Arzt subjektiv gewählten Bildeindruck (bestimmte Helligkeit, Kontrast, Schärfe etc.) zu erzeugen. Die Bilddarstellungen könnten sowohl aus der Photonenenergie bzw. Intensität (d.h. durch verschiedene Parametrisierungen der Bildverarbeitungskette) als auch aus dem vom Arzt gewählten Bildeindruck erzeugt werden (je nach Wahl der Parameterwert-Datensätze). Die bevorzugte Methode ist abhängig von der Verfügbarkeit der gemessenen Photonenenergie (diese wird bei manchen Aufnahmen nicht explizit abgespeichert). Sollte das Ursprungsbild (der Basisbild-Datensatz oder ein aus diesem mit Standardeinstellungen rekonstruiertes Bild) genau einer häufig gewünschten Bilddarstellung entsprechen, wird es auch im Trainingsdatensatz verwendet.For example, in the X-ray exposure, the measured photon energy and/or intensity is processed by an image processing chain in order to generate the image impression (specific brightness, contrast, sharpness, etc.) subjectively chosen by the doctor. The image representations could be generated both from the photon energy or intensity (i.e. through different parameterizations of the image processing chain) and from the image impression chosen by the doctor (depending on the choice of the parameter value data sets). The preferred method depends on the availability of the measured photon energy (this is not explicitly saved for some recordings). If the original image (the basic image data set or an image reconstructed from this with standard settings) exactly corresponds to an image representation that is frequently desired, it is also used in the training data set.
Auch wenn dieses Verfahren besonders vorteilhaft für den medizinischen Bereich ist, z.B. zum Training eines Algorithmus zur Unterstützung der Diagnose von Krankheitsbildern, können auch andere Anwendungen durch die Erfindung vorteilhaft verbessert werden. Das Verfahren ist im Grunde immer dann anwendbar, wenn die aufgenommene Information (z.B. Photonen- oder Lichtenergie) durch eine parametrisierbare Verarbeitungskette aufbereitet wird um einen bestimmten Bildeindruck (bestimmte Helligkeit, Kontrast etc.) zu erzeugen. Dieses Verfahren ist somit sehr allgemeingültig und z.B. auch auf RGB-Bilder verschiedener Aufnahmegeräte übertragbar.Even if this method is particularly advantageous for the medical field, e.g. for training an algorithm to support the diagnosis of clinical pictures, other applications can also be advantageously improved by the invention. Basically, the method can always be used when the recorded information (e.g. photon or light energy) is processed by a parameterizable processing chain in order to generate a specific image impression (specific brightness, contrast, etc.). This procedure is therefore very general and, for example, can also be transferred to RGB images from various recording devices.
Eine erfindungsgemäße Vorrichtung zur Erzeugung eines Trainingsdatensatzes zum Training eines CAD-Algorithmus zur Auswertung von Bilddaten, die basierend auf vorbestimmten Parametern rekonstruiert und/oder angepasst worden sind, ist besonders bevorzugt zur Ausführung des erfindungsgemäßen Verfahrens ausgelegt und umfasst die folgenden Komponenten:
- - Eine Datenschnittstelle zum Empfang von Parameterwert-Datensätzen für eine Anzahl vorbestimmter Parameter zur Rekonstruktion und/oder Anpassung von Bilddaten, welche zur Rekonstruktion und/oder Anpassung von Bilddaten verwendet worden sind.
- - A data interface for receiving parameter value data sets for a number of predetermined parameters for the reconstruction and/or adjustment of image data, which have been used for the reconstruction and/or adjustment of image data.
Diese Datenschnittstelle dient also der Nutzung von bereitgestellten Daten für die Vorrichtung.
- - Eine Ermittlungseinheit ausgelegt zum Ermitteln derjenigen Parameterwert-Datensätze, die am häufigsten verwendet worden sind und zum Auswählen einer Anzahl von diesen ermittelten Parameterwert-Datensätzen.
- - A determination unit designed to determine those parameter value data sets that have been used most frequently and to select a number of these determined parameter value data sets.
Diese Ermittlungseinheit ist also dazu ausgelegt, die Relevanz (z.B. die Häufigkeit) von in der Praxis verwendeten Parameterwert-Datensätzen zu bestimmen und eine Untermenge von Parameterwert-Datensätzen zu bilden, die im Folgenden verwendet werden sollen.
- - Eine Datenschnittstelle zum Empfang einer Vielzahl von Basisbild-Datensätzen.
- - A data interface for receiving a large number of base image data sets.
Diese Datenschnittstelle dient also der Nutzung von bereitgestellten Basisbild-Datensätzen für die Vorrichtung. Sie kann die gleiche Datenschnittstelle sein, wie die, die zum Empfang der Parameterwert-Datensätze verwendet wird.
- - Einen Darstellungsgenerator ausgelegt zum Erzeugen von spezifischen Bilddarstellungen einer Anzahl der Basisbild-Datensätze mittels der ausgewählten Parameterwert-Datensätze. Der Darstellungsgenerator ist also dazu ausgelegt, basierend auf den Basisbild-Datensätzen und den Parameterwert-Datensätzen Bilder zu rekonstruieren und/oder zu verändern.
- - Eine Zuordnungseinheit ausgelegt zum Zuordnen von Basiswahrheiten zu den spezifischen Bilddarstellungen.
- - A representation generator arranged to generate specific image representations of a number of the base image data sets using the selected parameter value data sets. The display generator is therefore designed to reconstruct and/or change images based on the basic image data sets and the parameter value data sets.
- - A mapping unit designed to map base truths to the specific image representations.
Diese Zuordnungseinheit kann eine Eingabeeinheit für die Basiswahrheiten umfassen, z.B. eine Datenschnittstelle zum Empfang von Basiswahrheiten für die jeweiligen spezifischen Bilddarstellungen, welche die gleiche Datenschnittstelle sein kann, wie die, die zum Empfang der Parameterwert-Datensätze und/oder der Basisbild-Datensätze verwendet wird. Aufgabe dieser Zuordnungseinheit ist, den Bilddarstellungen die für sie zutreffende Basiswahrheit zuzuordnen. Beispielsweise kann einfach bei Vorliegen einer Basiswahrheit (z.B. „krankes Organ“) für einen Basisbild-Datensatz diese Basiswahrheit einfach für die betreffenden Bilddarstellungen des Basisbild-Datensatzes verwendet werden.
- - Eine Erzeugungseinheit ausgelegt zum Erzeugen eines Trainingsdatensatzes aus einer Zusammenfassung der spezifischen Bilddarstellungen mit ihren Basiswahrheiten.
- - A generation unit designed to generate a training data set from a summary of the specific image representations with their base truths.
Diese Erzeugungseinheit muss im Grunde nur eine Menge (Trainingsbilddatensatz) der spezifischen Bilddarstellungen zusammen mit den entsprechenden Basiswahrheiten bilden.Basically, this generation unit only has to form a set (training image data set) of the specific image representations together with the corresponding base truths.
Somit verbessern das Verfahren und die Vorrichtung die Genauigkeit und Robustheit von Machine Learning-basierten CAD-Algorithmen, wenn sie unterschiedlichen Eingaben von Bilddatensätzen ausgesetzt sind, welche mittels häufig verwendeter Rekonstruktions- bzw. Anpassungsverfahren verbessert worden sind.Thus, the method and the device improve the accuracy and robustness of Machine learning-based CAD algorithms when exposed to different inputs from image datasets that have been improved using commonly used reconstruction or fitting methods.
Ein erfindungsgemäßer Trainingsdatensatz zum Training eines CAD-Algorithmus zur Auswertung von Bilddaten umfasst eine Zusammenfassung von spezifischen Bilddarstellungen, welcher mit einer erfindungsgemäßen Vorrichtung und/oder einem erfindungsgemäßen Verfahren erstellt worden ist. Er ist also eine Menge umfassend die spezifischen Bilddarstellungen mit den betreffenden Basiswahrheiten. Ein CAD-Algorithmus, der mit einem solchen Trainingsdatensatz trainiert wird, ist in seinem trainierten Zustand sehr robust gegenüber verschiedenen Rekonstruktionen und/oder Anpassungen von Bildern, weil die erzeugten standardisierten Bilddarstellungen ungewollte Abweichungen zwischen Trainings- und Testbedingungen verhindern.A training data set according to the invention for training a CAD algorithm for evaluating image data comprises a summary of specific image representations which has been created using a device according to the invention and/or a method according to the invention. So it is a set encompassing the specific pictorial representations with the relevant base truths. In its trained state, a CAD algorithm that is trained with such a training data set is very robust with respect to various reconstructions and/or adjustments of images, because the standardized image representations generated prevent unwanted deviations between training and test conditions.
Ein erfindungsgemäßes Trainingsverfahren zum Training eines CAD-Algorithmus zur Auswertung von Bilddaten umfasst die Schritte:
- - Bereitstellung eines zu trainierenden CAD-Algorithmus,
- - Bereitstellen eines erfindungsgemäßen Trainingsdatensatzes oder spezifischen Bilddarstellungen mit ihren Basiswahrheiten, die den Trainingsdatensatz bilden,
- - Training des CAD-Algorithmus durch Eingabe der spezifischen Bilddarstellungen in diesen und Verarbeitung der spezifischen Bilddarstellungen durch diesen unter Berücksichtigung der Basiswahrheit der jeweils eingegebenen spezifischen Bilddarstellung. Ein solches Training ist dem Fachmann zwar bekannt, jedoch ist der besondere Trainingsdatensatz für den letztendlich trainierten CAD-Algorithmus entscheidend.
- - Provision of a CAD algorithm to be trained,
- - Providing a training data set according to the invention or specific image representations with their basic truths that form the training data set,
- - Training the CAD algorithm by inputting the specific image representations into it and processing the specific image representations thereby, taking into account the basic truth of the specific image representation entered in each case. Although such training is known to a person skilled in the art, the particular training data set is decisive for the CAD algorithm that is ultimately trained.
Es wird darauf hingewiesen, dass das Training nicht unbedingt dann erfolgen muss, wenn der gesamte Trainingsdatensatz fertig vorliegt. Es können auch die Daten des Trainingsdatensatzes (die spezifischer Bilddarstellungen mit ihren Basiswahrheiten) nach und nach verwendet werden. Hauptsache ist, dass das Training mit den Daten des Trainingsdatensatzes erfolgt.It is pointed out that the training does not necessarily have to take place when the entire training data set is ready. The data of the training data set (the specific image representations with their base truths) can also be used incrementally. The main thing is that the training is done with the data of the training data set.
Ein erfindungsgemäßer CAD-Algorithmus ist nach einem erfindungsgemäßen Trainingsverfahren trainiert worden.A CAD algorithm according to the invention has been trained using a training method according to the invention.
Ein erfindungsgemäßes Auswertungsverfahren zur Auswertung von Bilddaten, die basierend auf vorbestimmten Parametern rekonstruiert und/oder angepasst worden sind, umfasst die Schritte:
- - Bereitstellung von Bilddaten,
- - Erzeugen einer spezifischen Bilddarstellung mittels rekonstruieren und/oder anpassen der Bilddaten mit Parameterwert-Datensätzen, insbesondere den relevantesten Parameterwert-Datensätzen,
- - Eingabe der erzeugten spezifischen Bilddarstellung in einen erfindungsgemäßen CAD-Algorithmus,
- - Ausgabe der Ergebnisse des CAD-Algorithmus.
- - provision of image data,
- - Generating a specific image representation by reconstructing and/or adapting the image data with parameter value data sets, in particular the most relevant parameter value data sets,
- - Input of the generated specific image representation in a CAD algorithm according to the invention,
- - Output of the results of the CAD algorithm.
Es wird darauf hingewiesen, dass das Auswertungsverfahren parallel zum Trainingsverfahren durchgeführt werden kann. Es ist jedoch bevorzugt, dass zunächst ein Training mit einem Teil der Daten des Trainingsdatensatzes erfolgt und neue Daten des Trainingsdatensatzes durch Anwendung des Auswertungsverfahrens und anschließender Begutachtung der Ergebnisse durch einen Mediziner erfolgt. Die Resultate der Begutachtung können dann als Basiswahrheit für neue Daten dienen, die dem Trainingsdatensatz hinzugefügt werden können. Ein Beispiel ist das sogenannte „reinforcement learning“, bei dem die Software während der Anwendung selbst aktiv lernt.It is pointed out that the evaluation process can be carried out in parallel with the training process. However, it is preferred that training first takes place with part of the data in the training data set and new data in the training data set is created by using the evaluation method and subsequent assessment of the results by a doctor. The results of the assessment can then serve as the base truth for new data that can be added to the training dataset. One example is what is known as “reinforcement learning”, in which the software actively learns itself during use.
Es sollte beachtet werden, dass bei der Anwendung des Auswertungsverfahrens die Bilddarstellungen mit hoher Wahrscheinlichkeit so rekonstruiert bzw. angepasst wurden, wie die Bilddarstellungen im Training, da es sich ja dort um die relevantesten Rekonstruktionen/Anpassungen handelte. Der Vorteil der Erfindung ist, dass die Verwendung von standardisierten Bildeindrücken zu einer erhöhten Generalisierung und Robustheit des CAD-Algorithmus führt, z.B. gegenüber Abweichungen zwischen Trainings- und Auswertungsbedingungen.It should be noted that when applying the evaluation method, the image representations were reconstructed or adjusted with a high degree of probability in the same way as the image representations in the training, since these were the most relevant reconstructions/adjustments. The advantage of the invention is that the use of standardized image impressions leads to increased generalization and robustness of the CAD algorithm, e.g. with regard to deviations between training and evaluation conditions.
Ein Großteil der zuvor genannten Komponenten der Vorrichtung bzw. einer Trainings- und/oder Anwendungseinrichtung, können ganz oder teilweise in Form von Softwaremodulen in einem Prozessor einer entsprechenden Vorrichtung bzw. Trainings-/Anwendungseinrichtung realisiert werden. Eine weitgehend softwaremäßige Realisierung hat den Vorteil, dass auch schon bisher verwendete Vorrichtungen bzw. Trainings-/Anwendungseinrichtungen auf einfache Weise durch ein Software-Update nachgerüstet werden können, um auf die erfindungsgemäße Weise zu arbeiten. Insofern wird die Aufgabe auch durch ein entsprechendes Computerprogrammprodukt mit einem Computerprogramm gelöst, welches direkt in ein Rechensystem bzw. eine Speichereinrichtung ladbar ist, mit Programmabschnitten, um alle Schritte des erfindungsgemäßen Verfahrens auszuführen, wenn das Programm in dem Rechensystem ausgeführt wird. Ein solches Computerprogrammprodukt kann neben dem Computerprogramm gegebenenfalls zusätzliche Bestandteile wie z. B. eine Dokumentation und/oder zusätzliche Komponenten auch Hardware-Komponenten, wie z.B. Hardware-Schlüssel (Dongles etc.) zur Nutzung der Software, umfassen.A large part of the aforementioned components of the device or a training and/or application device can be implemented entirely or partially in the form of software modules in a processor of a corresponding device or training/application device. A largely software-based implementation has the advantage that previously used devices or training/application devices can also be retrofitted in a simple manner by means of a software update in order to work in the manner according to the invention. In this respect, the object is also achieved by a corresponding computer program product with a computer program that can be loaded directly into a computing system or a memory device, with program sections to carry out all the steps of the method according to the invention when the program is executed in the computing system. Such a computer program product can, in addition to the Com computer program, additional components such as e.g. For example, documentation and/or additional components also include hardware components, such as hardware keys (dongles, etc.) for using the software.
Zum Transport zum Rechensystem und/oder zur Speicherung an oder in dem Rechensystem kann ein computerlesbares Medium, z.B. ein Memorystick, eine Festplatte oder ein sonstiger transportabler oder fest eingebauter Datenträger dienen, auf welchem die von einem Rechensystem einlesbaren und ausführbaren Programmabschnitte des Computerprogramms gespeichert sind. Die Rechnereinheit kann z.B. hierzu einen oder mehrere zusammenarbeitende Mikroprozessoren oder dergleichen aufweisen.A computer-readable medium, e.g. a memory stick, a hard disk or another transportable or permanently installed data medium, on which the program sections of the computer program that can be read and executed by a computer system are stored, can be used for transport to the computer system and/or for storage on or in the computer system. For this purpose, the computer unit can, for example, have one or more microprocessors or the like working together.
Weitere, besonders vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen sowie der nachfolgenden Beschreibung, wobei die Ansprüche einer Anspruchskategorie auch analog zu den Ansprüchen und Beschreibungsteilen zu einer anderen Anspruchskategorie weitergebildet sein können und insbesondere auch einzelne Merkmale verschiedener Ausführungsbeispiele bzw. Varianten zu neuen Ausführungsbeispielen bzw. Varianten kombiniert werden können.Further, particularly advantageous configurations and developments of the invention result from the dependent claims and the following description, whereby the claims of one claim category can also be developed analogously to the claims and parts of the description to another claim category and in particular also individual features of different exemplary embodiments or variants new embodiments or variants can be combined.
Was die Erzeugung von spezifischen Bilddarstellungen betrifft, werden in der Literatur verschiedene Methoden zur Transformation zwischen Bildeindrücken beschrieben. Zum Beispiel zeigen die Arbeiten „Apparatus for Adjusting Images“ (
Eine weitere bevorzugte Bilddarstellung umfasst eine Bildnormalisierung. Die Normalisierung medizinischer Bilder wurde in verschiedenen Veröffentlichungen behandelt. Beispielsweise untersucht die Arbeit „Local and Global Transformations to Improve Learning of Medical Images Applied to Chest Radiographs“ (M.S. Vidya et al., SPIE 2019) verschiedene Methoden zur Bildnormalisierung. Insbesondere wendeten die Autoren bekannte globale (z. B. histogrammbasierte Entzerrung) und räumlich lokale (z. B. adaptive Histogramm-Entzerrung) Verfahren auf Röntgenbilder des Brustkorbs an. Diese Transformationen können direkt auf das Eingabebild angewendet werden und sind nicht optimiert, um die Variabilität, die durch unterschiedliche Bildimpressionen erzeugt wird, explizit zu berücksichtigen. Weitere Beispiele für die globale Histogrammnormalisierung sind Streckverfahren, die darauf abzielen, den Einfluss von Histogrammausreißern auf die Genauigkeit des ML-Algorithmus zu verringern (z.B. S. Guendel et al.: „Learning to Recognize Abnormalities in Chest X-Rays with Loca-tion-Aware Dense Networks“, CIARP 2018).Another preferred image display includes image normalization. The normalization of medical images has been covered in various publications. For example, the work "Local and Global Transformations to Improve Learning of Medical Images Applied to Chest Radiographs" (M.S. Vidya et al., SPIE 2019) examines different methods for image normalization. In particular, the authors applied known global (e.g., histogram-based equalization) and spatially local (e.g., adaptive histogram equalization) methods to chest radiographs. These transformations can be applied directly to the input image and are not optimized to explicitly account for the variability created by different image impressions. Further examples of global histogram normalization are stretching methods aimed at reducing the influence of histogram outliers on the accuracy of the ML algorithm (e.g. S. Guendel et al.: "Learning to Recognize Abnormalities in Chest X-Rays with Location- Aware Dense Networks”, CIARP 2018).
Bei medizinischen Geräten wird die aufgenommene Information (z.B. die Photonenenergie oder Intensität) durch eine Verarbeitungskette aufbereitet um einen vom Anwender gewünschten Bildeindruck (Helligkeit, Kontrast, Schärfe etc.) zu erzeugen. Ein wesentlicher Bestandteil dieser Verarbeitungskette sind frequenzbasierte und parametrisierbare Veränderungen des Bildinhaltes. In der Praxis werden einem Benutzer oftmals eine Reihe von Standardeinstellungen der Verarbeitungskette (d.h. eine Anzahl von möglichen Standard-Bildeindrücken) zur Auswahl vorgelegt. Der Benutzer kann entweder einen Standardbildeindruck wählen oder individuelle Anpassungen vornehmen. Die Auswahl der standardmäßigen „specific image impressions“ ist unter anderem abhängig davon wie viele Bildeindrücke durch Benutzer wie oft verwendet werden. Dies ist wiederum modalitäts- und aufnahmeabhängig und muss an die Anwendung angepasst werden.In the case of medical devices, the recorded information (e.g. the photon energy or intensity) is processed by a processing chain in order to generate an image impression (brightness, contrast, sharpness, etc.) desired by the user. An essential part of this processing chain are frequency-based and parameterizable changes in the image content. In practice, a user is often presented with a set of default processing chain settings (i.e. a number of possible default image impressions) to choose from. The user can either choose a standard image impression or make individual adjustments. The selection of the standard "specific image impressions" depends, among other things, on how many image impressions are used by the user and how often. Again, this is modality and exposure dependent and needs to be adapted to the application.
Eine weitere bevorzugte Bilddarstellung umfasst eine Erzeugung eines RGB-Bildes (R: Rot, G: Grün, B: Blau). Bei RGB-Verfahren besitzt ein CAD-Algorithmus drei Eingangskanäle für ein R-Bild, ein G-Bild und ein B-Bild. Ist eine RGB-Darstellung eine der relevanten (also ein Parameterwert-Datensatz, der z.B. häufig verwendet worden ist und durch das Verfahren auswählt wurde), werden bevorzugt aus einem Graustufenbild drei Bilder gemäß dem entsprechenden Parameterwert-Datensatz erzeugt: ein R-Bild, ein G-Bild und ein B-Bild. Es wird dabei bevorzugt ein frequenzbasiertes Verfahren angewandt, um bestimmte Bilddarstellungen (d.h. Bildeindrücke) zu erzeugen. In der vorgenannten Literatur wird z.B. ein Bildeindruck der aktuellen Aufnahme an eine Voraufnahme des gleichen Patienten angepasst.A further preferred image representation includes generation of an RGB image (R: red, G: green, B: blue). In RGB methods, a CAD algorithm has three input channels for an R image, a G image, and a B image. If an RGB representation is one of the relevant ones (i.e. a parameter value data set that has, for example, been used frequently and was selected by the method), three images are preferably generated from a grayscale image according to the corresponding parameter value data set: an R image, a G-scan and a B-scan. A frequency-based method is preferably used in order to generate certain image representations (i.e. image impressions). In the aforementioned literature, for example, an image impression of the current recording is adapted to a previous recording of the same patient.
Gemäß einem bevorzugten Verfahren werden Parameterwert-Datensätze bereitgestellt, die in der Praxis für die Rekonstruktion und/oder Anpassung von Bildern verwendet werden, welche ähnliche Motive und/oder Regionen zeigen, wie die der Basisbild-Datensätze. Diese Parameterwert-Datensätze umfassen bevorzugt Parameterwerte für die Rekonstruktion bzw. Anpassung von medizintechnischen Bildern. Alternativ oder zusätzlich umfassen die Parameterwert-Datensätze besonders bevorzugt mindestens einen Wert der Gruppe Helligkeit, Kontrast, Schärfe, Bilddimensionen, Pixelpositionen, Bildverzerrung und Farbe. Die Parameterwert-Datensätze geben also diejenigen Einstellungen wieder, die ein Benutzer vornimmt oder auswählt, um seine Darstellungen zu optimieren oder individualisieren. Die spezifischen Bilddarstellungen entsprechen also besonders bevorzugt klinisch relevanten Bildeindrücken, z.B. die von Ärzten global am häufigsten verwendeten Bildeindrücke.According to a preferred method, parameter value data sets are provided which are used in practice for the reconstruction and/or adaptation of images which show similar motifs and/or regions as those of the base image data sets. These parameter value data records preferably include parameter values for the reconstruction or adaptation of medical-technical images. As an alternative or in addition, the parameter value data records particularly preferably include at least one value from the group brightness, contrast, sharpness, image dimensions, pixel positions, image distortion and color. The parameter value data records therefore reflect those settings which a user makes or selects in order to optimize or individualize his representations. The specific image representations therefore particularly preferably correspond to clinically relevant image impressions, for example the image impressions most commonly used by doctors around the world.
Gemäß einem bevorzugten Verfahren werden bei der Ermittlung der Häufigkeit der Verwendung der Parameterwert-Datensätze die Parameterwerte in eine histogrammartige Form gebracht mit vorbestimmten Wertintervallen und es wird ermittelt, wie häufig eine bestimmte Konfiguration von diesen Parameterwert-Datensätzen bereitgestellt worden ist, also in der Praxis von Benutzern verwendet worden ist.According to a preferred method, when determining the frequency of use of the parameter value data sets, the parameter values are brought into a histogram-like form with predetermined value intervals and it is determined how often a specific configuration has been provided by these parameter value data sets, i.e. in practice by users has been used.
Bei der Auswahl sind bevorzugt die Häufigkeit, örtliche Verteilung und/oder die Diversität der resultierenden Bildeindrücke die entscheidenden Kriterien. Beispielsweise werden unter den fünf häufigsten Bildeindrücken diejenigen drei ausgewählt (z.B. als RGB-Kanäle), die sich visuell am meisten voneinander unterscheiden, insbesondere bezüglich des höchsten komplementären Informationsgehalts.When making the selection, the decisive criteria are preferably the frequency, local distribution and/or the diversity of the resulting image impressions. For example, among the five most common visual impressions, those three are selected (e.g. as RGB channels) that visually differ from each other the most, especially with regard to the highest complementary information content.
Gemäß einem bevorzugten Verfahren werden diejenigen Parameterwert-Datensätze ausgewählt, für die die größte Häufigkeit ermittelt worden ist. Es werden dabei bevorzugt diejenigen Parameterwert-Datensätze ausgewählt, die am häufigsten in der Praxis (von Benutzern) verwendet worden sind und/oder deren resultierende Bildeindrücke eine große Diversität verglichen mit den anderen ermittelten Parameterwert-Datensätzen (PD) aufweisen.According to a preferred method, those parameter value data records are selected for which the highest frequency has been determined. In this case, those parameter value data records are preferably selected which have been used most frequently in practice (by users) and/or whose resulting image impressions have a high level of diversity compared to the other determined parameter value data records (PD).
Gemäß einem bevorzugten Verfahren umfassen die Basisbild-Datensätze Rohdaten von Bildaufnahmen und/oder rekonstruierte Bilddaten, also z.B. Lichtenergie bzw. Photonenenergie, Intensitäten oder klinische Bilder. Es ist dabei bevorzugt, dass die spezifischen Bilddarstellungen rekonstruierte Bilder sind oder einen Datensatz umfassen (z.B. modifizierte bzw. verbesserte Rohdaten), der zu einem Bild rekonstruiert werden kann.According to a preferred method, the basic image datasets include raw data from image recordings and/or reconstructed image data, e.g. light energy or photon energy, intensities or clinical images. It is preferred that the specific image representations are reconstructed images or include a data set (e.g. modified or improved raw data) that can be reconstructed into an image.
Gemäß einem bevorzugten Verfahren werden bei einer Auswahl von N Parameterwert-Datensätzen für jeden Basisbild-Datensatz N (unterschiedliche) spezifische Bilddarstellungen erstellt. Dabei wird jede dieser spezifischen Bilddarstellungen basierend auf einem anderen der Parameterwert-Datensätzen erzeugt. Auch wenn es nicht in jedem Fall unbedingt notwendig ist, dass für jeden Basisbild-Datensatz N spezifische Bilddarstellungen vorliegen, ist dies dennoch sehr bevorzugt, da beim Training und der Anwendung des CAD-Algorithmus für jedes Bild genau N Bilddarstellungen erwartet werden und fehlende Bilddarstellungen Ungenauigkeiten beim Training / der Anwendung hervorrufen können. Die Erzeugung dieser N Bilddarstellungen erfolgt typischerweise software-basiert. Folglich wird aus einer Aufnahme (z.B. von einem Röntgensystem) eine Menge an N Bilddarstellung erzeugt, welche dann gemeinsam als Eingang des lernbasierten Verfahrens verwendet werden.According to a preferred method, when N parameter value data records are selected, N (different) specific image representations are created for each basic image data record. In this case, each of these specific image representations is generated based on a different one of the parameter value data sets. Even if it is not absolutely necessary in every case that there are N specific image representations for each basic image data set, this is nevertheless very preferred since exactly N image representations are expected for each image when training and using the CAD algorithm, and missing image representations result in inaccuracies during training / use. These N image representations are typically generated in a software-based manner. Consequently, a set of N image representations is generated from a recording (e.g. from an X-ray system), which are then used together as the input of the learning-based method.
Der CAD-Algorithmus umfasst dabei bevorzugt ein Modul, welches dazu ausgelegt ist, diese spezifischen Bilddarstellungen zu erzeugen. Somit kann der Schritt der Erzeugung von Bilddarstellungen als Teil des lernbasierten Algorithmus (und nicht als unabhängiger Vorverarbeitungsschritt) realisiert werden, wobei dies bereits funktional fertig vorliegt. Beispielsweise wird als CAD-System ein tiefes neuronales Netz verwendet, dessen erster Prozessierungsschritt aus jedem Basisbild-Datensatz eine Reihe von spezifischen Bilddarstellungen automatisch erzeugt.In this case, the CAD algorithm preferably includes a module which is designed to generate these specific image representations. Thus, the step of generating image representations can be implemented as part of the learning-based algorithm (and not as an independent pre-processing step), which is already functionally complete. For example, a deep neural network is used as a CAD system, the first processing step of which automatically generates a series of specific image representations from each basic image data set.
Gemäß einem bevorzugten Verfahren wird/wurde eine Basiswahrheit für einen Basisbild-Datensatz erstellt und/oder ist Teil des Basisbild-Datensatzes. Für eine spezifische Bilddarstellung wird dann die Basiswahrheit des betreffenden Basisbild-Datensatzes verwendet.According to a preferred method, a base truth is/was created for a base image data set and/or is part of the base image data set. The base truth of the relevant base image data record is then used for a specific image representation.
Gemäß einem bevorzugten Verfahren umfassen die spezifischen Bilddarstellungen eine Gruppe von RGB-Bilddarstellungen.According to a preferred method, the specific image representations comprise a group of RGB image representations.
Gemäß einem bevorzugten Verfahren umfassen die Basisbild-Datensätze Computertomographieaufnahmen und/oder Radiographieaufnahmen und/oder Ultraschallaufnahmen und/oder Magnetresonanztomographieaufnahmen.According to a preferred method, the basic image datasets include computed tomography recordings and/or radiographic recordings and/or ultrasound recordings and/or magnetic resonance tomography recordings.
Bevorzugt liegen Komponenten der Erfindung als ein „Cloud-Dienst“ vor. Ein solcher Cloud-Dienst dient der Bearbeitung von Daten, insbesondere mittels einer künstlichen Intelligenz, kann aber auch ein Dienst basierend auf herkömmlichen Algorithmen sein oder ein Dienst, bei dem im Hintergrund eine Auswertung durch Menschen stattfindet. Generell ist ein Cloud-Dienst (im Folgenden auch kurz als „Cloud“ bezeichnet) eine IT-Infrastruktur, bei der über ein Netzwerk z.B. Speicherplatz oder Rechenleistung und/oder eine Anwendungssoftware zur Verfügung gestellt wird. Die Kommunikation zwischen dem Anwender und der Cloud erfolgt dabei mittels Datenschnittstellen und/oder Datenübertragungsprotokollen. Im hier vorliegenden Fall ist besonders bevorzugt, dass der Cloud-Dienst sowohl Rechenleistung als auch Anwendungssoftware zur Verfügung stellt.Components of the invention are preferably present as a “cloud service”. Such a cloud service is used to process data, in particular by means of artificial intelligence, but can also be a service based on conventional algorithms or a service in which human evaluation takes place in the background. In general, a cloud service (hereinafter also referred to as "cloud" for short) is an IT infrastructure in which e.g. storage space or computing power and/or application software is made available via a network. The communication between the user and the cloud takes place using data interfaces and/or data transmission protocols. In the present case, it is particularly preferred that the cloud service provides both computing power and application software.
Im Rahmen eines bevorzugten Verfahrens erfolgt eine Bereitstellung von Daten über das Netzwerk an den Cloud-Dienst. Dieser umfasst ein Rechensystem, z.B. einen Computercluster, das in der Regel nicht den lokalen Rechner des Benutzers umfasst. Diese Cloud kann insbesondere durch die (medizinische) Einrichtung, die auch die (medizintechnischen) Systeme bereitstellt, zur Verfügung gestellt werden. Beispielsweise werden die Daten einer Bildaufnahme über ein RIS (Radiologieinformationssystem) oder PACS an ein (Remote-) Rechnersystem (die Cloud) gesendet. Bevorzugt stellen das Rechensystem der Cloud, das Netzwerk sowie das (medizintechnische) System einen Verbund im datentechnischen Sinne dar. Das Verfahren kann dabei mittels einer Befehlskonstellation in dem Netzwerk realisiert werden. Die in der Cloud berechneten Daten („Ergebnisdaten“) werden später wieder über das Netzwerk zu dem lokalen Rechner des Anwenders gesendet.As part of a preferred method, data is made available to the cloud service via the network. This includes a computing system, such as a computer cluster, which usually does not include the user's local computer. In particular, this cloud can be made available by the (medical) institution that also provides the (medical) systems. For example, the data of an image recording are sent to a (remote) computer system (the cloud) via a RIS (radiology information system) or PACS. The computing system of the cloud, the network and the (medical) system preferably represent a network in terms of data technology. The method can be implemented using a command constellation in the network. The data calculated in the cloud ("result data") is later sent back to the user's local computer via the network.
Die Erfindung wird im Folgenden unter Hinweis auf die beigefügten Figuren anhand von Ausführungsbeispielen noch einmal näher erläutert. Dabei sind in den verschiedenen Figuren gleiche Komponenten mit identischen Bezugsziffern versehen. Die Figuren sind in der Regel nicht maßstäblich. Es zeigen:
-
1 eine grob schematische Darstellung eines Computertomographiesystems mit einem Ausführungsbeispiel der erfindungsgemäßen Vorrichtung zur Durchführung des Verfahrens. -
2 einen Ablaufplan für einen möglichen Ablauf eines erfindungsgemäßen Verfahrens, und einem anschließend durchgeführten Trainings- und Anwendungsverfahrens. -
3 eine bevorzugte Erzeugung von spezifischen Bilddarstellungen.
-
1 a roughly schematic representation of a computed tomography system with an exemplary embodiment of the device according to the invention for carrying out the method. -
2 a flow chart for a possible course of a method according to the invention, and a subsequently carried out training and application method. -
3 preferential generation of specific image representations.
Bei den folgenden Erläuterungen wird davon ausgegangen, dass es sich bei der bildgebenden Anlage um ein Computertomographiesystem handelt. Grundsätzlich ist das Verfahren aber auch an anderen bildgebenden Anlagen aus der Medizintechnik und außerhalb davon einsetzbar.The following explanations assume that the imaging system is a computed tomography system. In principle, however, the method can also be used on other imaging systems from medical technology and outside of it.
Ebenso sind bei der Steuereinrichtung 5 nur die Komponenten dargestellt, die für die Erläuterung der Erfindung wesentlich sind. Grundsätzlich sind derartige CT-Systeme und zugehörige Steuereinrichtungen dem Fachmann bekannt und brauchen daher nicht im Detail erläutert zu werden. Eine Kernkomponente der Steuereinrichtung 5 ist hier ein Prozessor, auf dem verschiedene Komponenten in Form von Softwaremodulen realisiert sind. Die Steuereinrichtung 5 weist dabei eine Schnittstelle auf, an die ein Terminal 7 angeschlossen ist, über das ein Bediener die Steuereinrichtung 5 und somit das Computertomographiesystem 1 bedienen kann.Likewise, only the components of the
Über dieses Terminal können Bilder durch einen Benutzer begutachtet werden und diesen auch eine Basiswahrheit BW zugeordnet werden, z.B. ob eine Pathologie vorliegt oder nicht. In dem hier gezeigten Fall ist dies geschehen und die Rohdaten RD dieser Bilder werden zusammen mit der betreffenden Basiswahrheit BW für jedes Bild als Basisbild-Datensätze BD an eine erfindungsgemäße Vorrichtung 6 gesendet.Images can be examined by a user via this terminal and a basic truth BW can also be assigned to them, e.g. whether a pathology is present or not. In the case shown here, this has happened and the raw data RD of these images are sent together with the relevant base truth BW for each image as base image data sets BD to a
Diese Vorrichtung 6 wird z.B. in einem Rechensystem als Softwaremodul ausgeführt oder ist ein Hardwaremodul. Es umfasst eine Datenschnittstelle 8 zum Empfang von Parameterwert-Datensätzen PD und von den Basisbild-Datensätzen BD mit den ihnen jeweils zugeordneten Basiswahrheiten BW. Die Parameterwert-Datensätze PD erhält die Datenschnittstelle 8 in diesem Beispiel ebenfalls von dem Computertomographiesystem 1. Es handelt sich dabei um Einstellungen, die von Benutzern während Untersuchungen an Patienten P zur Bildrekonstruktion bzw. -wiedergabe vorgenommen worden sind.This
Die Vorrichtung 6 umfasst des Weiteren eine Ermittlungseinheit 9 ausgelegt zur Auswahl der relevantesten Parameterwert-Datensätze PD und einen Darstellungsgenerator 10 ausgelegt zum Erzeugen von Bilddarstellungen einer Anzahl der Basisbild-Datensätze BD mittels der ausgewählten Parameterwert-Datensätze PD. Mit diesen Modulen werden die empfangenen Parameterwert-Datensätze PD und Basisbild-Datensätze BD bearbeitet. Eine Zuordnungseinheit 11 dient dabei zum Zuordnen von Basiswahrheiten BW zu den Bilddarstellungen. In diesem Beispiel ist die Zuordnungseinheit 11 ein Teil des Darstellungsgenerators 10.The
Eine Erzeugungseinheit 12 erzeugt zuletzt einen Trainingsdatensatz T aus einer Zusammenfassung der Bilddarstellungen mit ihren Basiswahrheiten BW (siehe auch
In Schritt I werden Parameterwert-Datensätze PD für eine Anzahl vorbestimmter Parameter zur Rekonstruktion und/oder Anpassung von Bilddaten zusammen mit einer Vielzahl von Basisbild-Datensätzen BD bereitgestellt, wobei die Basisbild-Datensätze BD für ihre einzelnen Aufnahmen jeweils eine Basiswahrheit BW umfassen.In step I, parameter value data records PD are provided for a number of predetermined parameters for the reconstruction and/or adjustment of image data together with a large number of basic image data records BD, the basic image data records BD each comprising a basic truth BW for their individual recordings.
In Schritt II erfolgt dann eine Ermittlung derjenigen Parameterwert-Datensätze PD, die am häufigsten verwendet worden sind und eine Auswahl einer Anzahl von diesen ermittelten Parameterwert-Datensätzen PD, z.B. die N häufigsten mit der größten Diversität der resultierenden Bildeindrücke.In step II, those parameter value data sets PD that have been used most frequently are then determined and a number of these determined parameter value data sets PD are selected, e.g. the N most frequently with the greatest diversity of the resulting image impressions.
In Schritt II wird daraufhin eine Mehrzahl spezifischer Bilddarstellungen B1, B2, B3 aus den Basisbild-Datensätzen BD mittels der ausgewählten Parameterwert-Datensätze PD erzeugt, z.B. N unterschiedliche Bilddarstellungen für N Parameterwert-Datensätze PD.In step II, a plurality of specific image representations B1, B2, B3 are then generated from the basic image data sets BD using the selected parameter value data sets PD, e.g. N different image representations for N parameter value data sets PD.
In Schritt III erfolgt dann ein Zuordnen von Basiswahrheiten BW zu den spezifischen Bilddarstellungen B1, B2, B3, z.B. die Basiswahrheit BW zu dem entsprechenden Basisbild-Datensatz BD.In step III, base truths BW are then assigned to the specific image representations B1, B2, B3, e.g. the base truth BW to the corresponding base image data set BD.
In Schritt IV wird dann ein Trainingsdatensatz T aus einer Zusammenfassung der spezifischen Bilddarstellungen B1, B2, B3 mit ihren Basiswahrheiten BW erzeugt.In step IV, a training data record T is then generated from a summary of the specific image representations B1, B2, B3 with their basic truths BW.
Danach erfolgt ein erfindungsgemäßes Trainingsverfahren mit dem Trainingsdatensatz T.This is followed by a training method according to the invention using the training data set T.
In Schritt V wird ein zu trainierender CAD-Algorithmus A bereitgestellt.In step V, a CAD algorithm A to be trained is provided.
In Schritt VI wird dieser CAD-Algorithmus A dann durch Eingabe und Verarbeitung der spezifischen Bilddarstellungen B1, B2, B3 des Trainingsdatensatzes T unter Berücksichtigung der Basiswahrheit BW der jeweils eingegebenen spezifischen Bilddarstellung B1, B2, B3 trainiert.In step VI, this CAD algorithm A is then trained by inputting and processing the specific image representations B1, B2, B3 of the training data set T, taking into account the basic truth BW of the specific image representation B1, B2, B3 entered in each case.
Im Schritt VII wird der trainierte CAD-Algorithmus unter Verwendung einer spezifischen Bilddarstellung B1 zur Auswertung von Bildern angewandt. In diesem Beispiel wird zusätzlich noch eine Basiswahrheit BW erzeugt, z.B. in dem ein Mediziner das Ergebnis der Auswertung begutachtet.In step VII, the trained CAD algorithm is applied using a specific image representation B1 to evaluate images. In this example, a basic truth BW is also generated, e.g. in which a doctor examines the result of the evaluation.
Der gestrichelte Pfeil soll andeuten, dass es durchaus möglich ist, den hier verwendeten Bildeindruck B1 zusammen mit der Basiswahrheit BW in den Trainingsdatensatz T einzufügen.The dashed arrow is intended to indicate that it is entirely possible to insert the image impression B1 used here into the training data set T together with the basic truth BW.
Es wird abschließend noch einmal darauf hingewiesen, dass es sich bei den vorhergehend detailliert beschriebenen Verfahren sowie bei dem dargestellten Computertomographiesystem 1 lediglich um Ausführungsbeispiele handelt, welche vom Fachmann in verschiedenster Weise modifiziert werden können, ohne den Bereich der Erfindung zu verlassen. Weiterhin schließt die Verwendung der unbestimmten Artikel „ein“ bzw. „eine“ nicht aus, dass die betreffenden Merkmale auch mehrfach vorhanden sein können. Ebenso schließen die Begriffe „Einheit“ und „Modul“ nicht aus, dass die betreffenden Komponenten aus mehreren zusammenwirkenden Teil-Komponenten bestehen, die gegebenenfalls auch räumlich verteilt sein können.Finally, it is pointed out once again that the methods described in detail above and the computed tomography system 1 shown are merely exemplary embodiments which can be modified in a wide variety of ways by a person skilled in the art without departing from the scope of the invention. Furthermore, the use of the indefinite article "a" or "an" does not rule out the possibility that the characteristics in question can also be present more than once. Likewise, the terms “unit” and “module” do not rule out the relevant components consisting of a number of interacting sub-components, which may also be spatially distributed.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- US 2012/0321151 A1 [0035]US 2012/0321151 A1 [0035]
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020212105.2A DE102020212105A1 (en) | 2020-09-25 | 2020-09-25 | Method for analyzing medical images by using different image impressions at the same time |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020212105.2A DE102020212105A1 (en) | 2020-09-25 | 2020-09-25 | Method for analyzing medical images by using different image impressions at the same time |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020212105A1 true DE102020212105A1 (en) | 2022-03-31 |
Family
ID=80624310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020212105.2A Pending DE102020212105A1 (en) | 2020-09-25 | 2020-09-25 | Method for analyzing medical images by using different image impressions at the same time |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020212105A1 (en) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120321151A1 (en) | 2011-06-16 | 2012-12-20 | Zoehrer Fabian | Apparatus for adjusting images |
DE102014204467A1 (en) | 2014-03-11 | 2015-09-17 | Siemens Medical Solutions Usa, Inc. | Transfer validated CAD training data to changed MR contrasts |
US20200085382A1 (en) | 2017-05-30 | 2020-03-19 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
-
2020
- 2020-09-25 DE DE102020212105.2A patent/DE102020212105A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120321151A1 (en) | 2011-06-16 | 2012-12-20 | Zoehrer Fabian | Apparatus for adjusting images |
DE102014204467A1 (en) | 2014-03-11 | 2015-09-17 | Siemens Medical Solutions Usa, Inc. | Transfer validated CAD training data to changed MR contrasts |
US20200085382A1 (en) | 2017-05-30 | 2020-03-19 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
Non-Patent Citations (1)
Title |
---|
HEIDARI, Morteza, [et al.]: Improving the performance of CNN to predict the likelihood of COVID-19 using chest X-ray images with preprocessing algorithms. In: International journal of medical informatics, Vol. 144, 2020, S. 104284. |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69432089T2 (en) | System for processing medical data to support diagnosis | |
DE102019113493A1 (en) | MATCHED MEDICAL ULTRASOUND IMAGING | |
DE102020118559A1 (en) | Deep learning for perfusion in medical imaging | |
DE102007050184B4 (en) | Integrated solution for diagnostic reading and reporting | |
DE102012202447B4 (en) | Structured image-based generation of findings | |
DE102008002882A1 (en) | System and method for data acquisition, processing and display influenced by electronic medical records | |
DE102007034911A1 (en) | Device for improvement of visualization of clinical conditions, has processor which is connected to input and user interface to process imaging data in combination with knowledge base using optimal image processing algorithm | |
EP3451211B1 (en) | Method and control device for controlling a medical imaging system | |
DE102016219488A1 (en) | Method for providing a confidence information | |
DE102019215460A1 (en) | Method and device for noise reduction in image recordings | |
DE102009044075A1 (en) | Assistance system based on active electronic health records using learning machines | |
DE102017221297A1 (en) | Method and device for the automated evaluation of at least one image data set recorded with a medical image recording device, computer program and electronically readable data carrier | |
DE102016226230A1 (en) | Automated image inspection in X-ray imaging | |
EP2648122A1 (en) | Method for loading medical image data and device for executing the method | |
DE102016213515A1 (en) | Method for supporting a surveyor in the evaluation of an image data set, image recording device, computer program and electronically readable data carrier | |
DE112020001683T5 (en) | A PLATFORM FOR THE EVALUATION OF MEDICAL INFORMATION AND METHODS FOR USING THEM | |
DE102011006398A1 (en) | Method, image processing device and computer tomography system for determining a proportion of necrotic tissue and computer program product with program code sections for determining a proportion of necrotic tissue | |
DE102020206059A1 (en) | Computer-implemented method and system for training an evaluation algorithm, computer program and electronically readable data carrier | |
DE102009032442B4 (en) | Method and device for postprocessing measured values recorded by means of an imaging system | |
DE112007002807T5 (en) | Method and system for grouping images in a tomosynthesis imaging system | |
DE102017203315A1 (en) | Method and data processing unit for selecting a protocol for a medical imaging examination | |
DE102010000483A1 (en) | Automatic result analysis using radiological images | |
DE102015205493B4 (en) | Operating a medical imaging device | |
EP3379487A1 (en) | Contrast enhanced reproduction of spectral ct image data | |
DE102019216745A1 (en) | Anonymization of medical image data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R081 | Change of applicant/patentee |
Owner name: SIEMENS HEALTHINEERS AG, DE Free format text: FORMER OWNER: SIEMENS HEALTHCARE GMBH, MUENCHEN, DE |