DE102021201912A1 - Verfahren zur Bereitstellung eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist - Google Patents

Verfahren zur Bereitstellung eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist Download PDF

Info

Publication number
DE102021201912A1
DE102021201912A1 DE102021201912.9A DE102021201912A DE102021201912A1 DE 102021201912 A1 DE102021201912 A1 DE 102021201912A1 DE 102021201912 A DE102021201912 A DE 102021201912A DE 102021201912 A1 DE102021201912 A1 DE 102021201912A1
Authority
DE
Germany
Prior art keywords
attribute
attribute value
metadata
image
provisional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102021201912.9A
Other languages
English (en)
Inventor
Sailesh Conjeti
Christian Hümmer
Alexis Laugerette
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthineers Ag De
Original Assignee
Siemens Healthcare GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Healthcare GmbH filed Critical Siemens Healthcare GmbH
Priority to DE102021201912.9A priority Critical patent/DE102021201912A1/de
Priority to US17/671,950 priority patent/US20220277444A1/en
Priority to CN202210190554.7A priority patent/CN114999613A/zh
Publication of DE102021201912A1 publication Critical patent/DE102021201912A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/226—Validation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

Die Erfindung beschreibt ein computerimplementiertes Verfahren zur Bereitstellung mindestens eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist. Das Verfahren umfasst den Schritt des Empfangens (REC-1) des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs. Dabei umfasst das mindestens eine erste Metadaten-Attribut ein Attribut-Tag und einen provisorischen Attributwert. Ferner umfasst das Verfahren einen Schritt des Anwendens (APP-1) einer ersten trainierten Funktion auf das medizinische Bild zum Bestimmen eines bildbasierten Attributwerts. Ferner umfasst das Verfahren einen Schritt des Bestimmens (DET-1) eines endgültigen Attributwerts basierend auf dem provisorischen Attributwert und dem bildbasierten Attributwert. Ferner umfasst das Verfahren den Schritt des Bereitstellens (PROV) des mindestens einen ersten Metadaten-Attributs. Dabei umfasst das mindestens eine erste Metadaten-Attribut das Attribut-Tag und den endgültigen Attributwert.

Description

  • Die Erfindung beschreibt ein Verfahren und eine Vorrichtung zur Bereitstellung mindestens eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist.
  • Medizinische Bilder eines Untersuchungsobjekts können während einer Untersuchung oder während eines Diagnoseverfahrens aufgenommen werden. Das Untersuchungsobjekt kann mindestens einen Teil bzw. ein Organ eines menschlichen Wesens, eines Tieres und/oder eines Gegenstands umfassen. Es ist bekannt, dass mindestens ein Metadaten-Attribut mit einem medizinischen Bild assoziiert ist. Das Metadaten-Attribut ist dazu ausgelegt, beispielsweise zu beschreiben, zu welcher Untersuchung, zu welchem Diagnoseverfahren, zu welchem Untersuchungsobjekt und/oder zu welchem Teil des Untersuchungsobjekts das assoziierte medizinische Bild gehört. Alternativ oder zusätzlich kann das Metadaten-Attribut mindestens einen Untersuchungsparameter präzisieren, der zum Aufnehmen des medizinischen Bildes verwendet wurde. Ein Metadaten-Attribut umfasst üblicherweise ein Attribut-Tag und einen Attributwert. Das Attribut-Tag beschreibt, worauf sich das Metadaten-Attribut bezieht. Der Attributwert stellt den konkreten Wert des Metadaten-Attributs bereit. Der Attributwert wird üblicherweise automatisch und/oder manuell bestimmt. Das Metadaten-Attribut kann beispielsweise manuell von einem Arzt oder einem medizinischen Assistenten oder einem medizinisch-technischen Assistenten während des Bildgebungsverfahrens ausgefüllt werden. Das Ausfüllen des Metadaten-Attributs bedeutet, dass der Attributwert durch eine Zeichenfolge oder eine Ziffer (z.B. eine Ganzzahl, einen Puffer usw.) ausgefüllt wird. Alternativ oder zusätzlich kann das Metadaten-Attribut automatisch bestimmt werden. Beispielsweise kann das Metadaten-Attribut basierend auf einem Protokoll ausgefüllt werden, das zum Aufnehmen des assoziierten medizinischen Bildes verwendet wurde.
  • In einigen Fällen kann das Metadaten-Attribut falsch und/oder unvollständig ausgefüllt werden. Beispielsweise wird ein Protokoll zur Abbildung einer Hand verwendet, um einen Fuß abzubilden. Der Attributwert des Metadaten-Attributs mit dem Attribut-Tag „Untersucher Körperteil“ wird automatisch durch die Zeichenfolge „Fuß“ ausgefüllt. Als alternatives Beispiel hat der Arzt oder medizinische Assistent vergessen, ein Metadaten-Attribut auszufüllen. Alternativ oder zusätzlich könnte das Metadaten-Attribut mit einer Abkürzung oder einem individuellen Ausdruck statt einer standardisierten Kennzeichnung beim manuellen Ausfüllen ausgefüllt werden.
  • Aus diesem Grund könnte es unmöglich sein, verschiedene medizinische Bilder in einer Datenbank basierend auf den Metadaten-Attributen zu vergleichen. Eine Abfrage für alle medizinischen Bilder, die mit einem Metadaten-Attribut mit einem Attribut-Tag „Untersuchter Körperteil“ und einem Attributwert assoziiert sind, könnte nach dem obigen Beispiel beispielsweise zu einer Vielzahl medizinischer Bilder führen, in denen mindestens eines ein Bild einer Hand umfasst. Wenn der Attributwert manuell ausgefüllt wird, könnte es ferner nicht möglich sein, eine bestimmte Gruppe von medizinischen Bildern basierend auf den Attributwerten abzufragen, weil die Attributwerte nicht standardisiert sind.
  • Ferner könnte eine Anwendung, die auf das medizinisch Bild angewendet wird, eine Information basierend auf dem korrekt ausgefüllten Attributwert eines Metadaten-Attributs benötigen. Beispielsweise könnte eine Anwendung, die eine Diagnose bereitstellt oder automatische Messungen basierend auf dem medizinischen Bild durchführt, eine Information über das Untersuchungsobjekt benötigen. Diese Information sollte von dem entsprechenden korrekten und/oder standardisierten Attributwert bereitgestellt werden.
  • Folglich können leere, falsche und/oder nicht standardisierte Attributwerte Probleme bezüglich der Weiterverarbeitung des medizinischen Bildes basierend auf dem mindestens einen Metadaten-Attribut verursachen. Die Metadaten-Attribute und ihre entsprechenden Attributwerte sollten daher vereinheitlicht werden.
  • Es ist die Aufgabe der vorliegenden Erfindung, ein Verfahren zur Vereinheitlichung eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist, bereitzustellen.
  • Diese Aufgabe wird von einem Verfahren, einem Vereinheitlichungssystem, einem Computerprogrammprodukt und einem computerlesbaren Speichermedium gemäß den unabhängigen Ansprüchen erfüllt. Vorteilhafte Merkmale und Weiterentwicklungen sind in den abhängigen Ansprüchen und in der folgenden Spezifikation aufgeführt.
  • Nachfolgend wird die erfindungsgemäße Lösung in Bezug auf die beanspruchten Vereinheitlichungssysteme sowie in Bezug auf die beanspruchten Verfahren beschrieben. Merkmale, Vorteile oder alternative Ausführungsformen hierin können den anderen beanspruchten Gegenständen zugeordnet werden und umgekehrt. Mit anderen Worten können Ansprüche für die Vereinheitlichungssysteme mit Merkmalen verbessert werden, die im Zusammenhang mit den Verfahren beschrieben oder beansprucht werden. In diesem Fall werden die Funktionsmerkmale des Verfahrens von objektiven Einheiten des Vereinheitlichungssystems verkörpert werden.
  • In einem ersten Aspekt betrifft die Erfindung ein computerimplementiertes Verfahren zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist. Das Verfahren umfasst einen Schritt des Erhaltens des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, wobei das mindestens eine erste Metadaten-Attribut ein Attribut-Tag und einen provisorischen Attributwert umfasst. In einem weiteren Schritt umfasst das Verfahren das Anwenden einer ersten trainierten Funktion auf das medizinische Bild zum Bestimmen eines bildbasierten Attributwerts. In einem weiteren Schritt umfasst das Verfahren das Bestimmen eines endgültigen Attributwerts basierend auf dem provisorischen Attributwert und dem bildbasierten Attributwert. In einem weiteren Schritt umfasst das Verfahren das Bereitstellen des mindestens einen ersten Metadaten-Attributs, wobei das mindestens eine erste Metadaten-Attribut das Attribut-Tag und den endgültigen Attributwert umfasst.
  • Das medizinische Bild kann insbesondere von einem medizinischen Bildgebungssystem aufgenommen werden. Das medizinische Bildgebungssystem kann beispielsweise eines von einem Röntgensystem, einem Computertomographie- (CT-) System, einem Magnetresonanztomographie- (MRT-) System, einem Angiographiesystem, einem C-Arm-System, einem Ultraschallsystem, einem Positronen-Emissions-Tomographie- (PET-) System, einem Einzelphotonen-Emissionscomputertomographie- (SPECT-) System sein. Das medizinische Bild kann insbesondere ein Pixelbild oder ein Voxelbild sein. Mit anderen Worten kann das medizinische Bild eine Pixelmatrix oder eine Voxelmatrix umfassen, wobei die Pixelmatrix bzw. die Voxelmatrix eine Vielzahl von Pixeln bzw. Voxeln umfasst. Daher kann das medizinische Bild ein zweidimensionales oder ein dreidimensionales medizinisches Bild sein. Alternativ kann das medizinische Bild ein vierdimensionales medizinisches Bild sein. Ein vierdimensionales medizinisches Bild kann eine Zeitfolge von dreidimensionalen medizinischen Bildern umfassen. Ein solches vierdimensionales medizinisches Bild kann beispielsweise ein Cine-Magnetresonanztomographiebild sein. Alternativ kann ein vierdimensionales medizinisches Bild beispielsweise eine Kardio-Gating-Computertomographieaufnahme sein.
  • Das medizinische Bild kann ein Untersuchungsobjekt zeigen. Das Untersuchungsobjekt kann mindestens einen Teil oder ein Organ eines menschlichen Wesens oder eines Tieres oder eines Gegenstands sein.
  • Das medizinische Bild ist mit mindestens einem ersten Metadaten-Attribut assoziiert. Insbesondere kann das medizinische Bild mit einer Vielzahl von Metadaten-Attributen assoziiert sein, wobei das mindestens eine erste Metadaten-Attribut eines der Vielzahl von Metadaten-Attributen ist. Das mindestens eine erste Metadaten-Attribut beschreibt beispielsweise, was von dem medizinischen Bild dargestellt wird, mit welchem medizinischen Bildgebungssystem das medizinische Bild aufgenommen wird und/oder welche Parameter zum Aufnehmen des medizinischen Bildes verwendet werden. Insbesondere kann das mindestens eine Metadaten-Attribut eine Information darüber umfassen, welcher Teil des Untersuchungsobjekts im medizinischen Bild dargestellt wird und/oder in welcher Orientierung der Teil des Untersuchungsobjekts dargestellt wird und/oder über die Lateralität des Teils des Untersuchungsobjekts und/oder in welcher Ansicht der Teil des Untersuchungsobjekts abgebildet wird.
  • Das mindestens eine erste Metadaten-Attribut in einer DICOM-Kopfzeile (Digitale Bildgebung und -kommunikation in der Medizin), die mit dem medizinischen Bild assoziiert ist, enthalten sein. Mit anderen Worten kann das mindestens eine erste Metadaten-Attribut ein DICOM-Attribut sein, das in einer DICOM-Kopfzeile des medizinischen Bildes enthalten ist. Alternativ kann das mindestens eine erste Metadaten-Attribut in einer NIfTI-Kopfzeile (Neuroimaging Informatics Technology Initiative) enthalten sein. Alternativ kann das mindestens eine erste Metadaten-Attribut in einer Kopfzeile des medizinischen Bildes enthalten sein, wobei das medizinische Bild ein beliebiges anderes Datenformat aufweisen kann. Das Datenformat des medizinischen Bildes kann beispielsweise ein Analyze or Medical Imaging Network Common Datenformat (MINC) sein.
  • Das mindestens eine erste Metadaten-Attribut kann ein Attribut-Tag und einen provisorischen Attributwert umfassen. Das Attribut-Tag gibt an, welche Informationen das mindestens eine erste Metadaten-Attribut umfasst. Das Attribut-Tag kann beispielsweise eines der folgenden sein: „Untersuchter Körperteil“, „Anatomische Regionsreihenfolge“, „Patientenorientierung“, „Ansichtsposition“, „Bildlateralität“, „Einzelbildlateralität“, „Lateralität der Messung“ usw. Üblicherweise kann das Attribut-Tag nicht verändert werden. Der provisorische Attributwert stellt den Wert bereit, der dem Attribut-Tag entspricht. Insbesondere kann der provisorische Attributwert leer sein. Der provisorische Attributwert kann einen Zeichenfolgenwert und/oder einen Ganzzahlwert und/oder einen Float-Wert und/oder einen Freitextwert umfassen. Insbesondere umfasst der Attributwert eine Information über das „Thema“, das von dem entsprechenden Attribut-Tag bereitgestellt wird.
  • Nachfolgend bedeutet der Begriff „Ausfüllen des mindestens einen Metadaten-Attributs“, dass ein Attributwert, der in dem mindestens einen ersten Metadaten-Attribut enthalten ist, ausgefüllt wird. Daher werden „Ausfüllen des mindestens einen ersten Metadaten-Attributs“ und „Ausfüllen des Attributwerts“ synonym verwendet. Der provisorische Attributwert kann manuell oder automatisch ausgefüllt werden. Insbesondere kann der provisorische Attributwert manuell von einem Arzt und/oder einem medizinischen Assistenten ausgefüllt werden. Alternativ oder zusätzlich kann der provisorische Attributwert automatisch von dem medizinischen Bildgebungssystem ausgefüllt werden. Beispielsweise kann das medizinische Bildgebungssystem den provisorischen Attributwert basierend auf einem Bildgebungsprotokoll ausfüllen.
  • In dem Schritt des Erhaltens des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs werden das medizinische Bild und das mindestens eine erste Metadaten-Attribut von einer Schnittstelle empfangen. Das medizinische Bild und das mindestens eine Metadaten-Attribut können beispielsweise von einem Bildablage- und Kommunikationssystem (PACS) oder von einem Radiologiebildgebungssystem (RIS) oder von einem Krankenhausinformationssystem (HIS) usw. bereitgestellt werden.
  • In dem Schritt des Anwendens der ersten trainierten Funktion auf das medizinische Bild wird die erste trainierte Funktion auf das medizinische Bild angewendet, um den bildbasierten Attributwert zu bestimmen. Insbesondere kann der dem Attribut-Tag entsprechende Attributwert basierend auf dem medizinischen Bild bestimmt werden. Beispielsweise kann durch Anwenden der ersten trainierten Funktion bestimmt werden, welcher Teil des Untersuchungsobjekts vom medizinischen Bild dargestellt wird und/oder es kann bestimmt werden, ob vom medizinischen Bild beispielsweise eine rechte oder linke Hand dargestellt wird, usw.
  • Im Allgemeinen simuliert die erste trainierte Funktion kognitive Funktionen, die Menschen mit anderen menschlichen Denkweisen assoziieren. Insbesondere ist die erste trainierte Funktion durch auf Trainingsdaten basierendem Training in der Lage, sich an neue Umstände anzupassen und Muster zu erkennen und zu extrapolieren.
  • Im Allgemeinen können Parameter der ersten trainierten Funktion durch Training angepasst werden. Insbesondere können überwachtes Training, teilüberwachtes Training, unüberwachtes Lernen, Verstärkungslernen und/oder aktives Lernen verwendet werden. Ferner kann Repräsentationslernen (ein alternativer Begriff ist „Feature-Lernen“) verwendet werden. Insbesondere können die Parameter der ersten trainierten Funktion iterativ durch mehrere Trainingsschritte angepasst werden.
  • Insbesondere kann die erste trainierte Funktion ein neuronales Netz, eine Stützvektormaschine, ein Entscheidungsbaum und/oder ein Bayessches Netz umfassen und/oder die trainierte Funktion kann auf k-Mittel-Clusterbildung, Q-Lernen, genetischen Algorithmen und/oder Assoziationsregeln basieren. Insbesondere kann ein neuronales Netz ein tiefes neuronales Netz, ein faltendes neuronales Netz oder ein faltendes tiefes neuronales Netz sein. Ferner kann ein neuronales Netz ein gegnerisches Netzwerk, ein tiefes gegnerisches Netzwerk und/ oder ein erzeugendes gegnerisches Netzwerk sein.
  • Insbesondere kann die erste trainierte Funktion ein tiefes Lernen-Netzwerk (z.B. Deep-Belief-Netzwerk, residuales neuronales Netzwerk, dichtes neuronales Netzwerk, Autoencoder, Capsule-Netzwerk, erzeugendes gegnerisches Netzwerk, siamesisches Netzwerk, faltendes neuronales Netzwerk, Bild-Transformer-Netzwerk) sein oder sie kann auf einer Technik des tiefen Lernens basieren (z.B. Tiefes Verstärkungslernen, Erkennen von Orientierungspunkten). Alternativ oder zusätzlich kann die erste trainierte Funktion auf einer Technik des maschinellen Lernens basieren (z.B. Stützvektormaschine, Bayessches Modell, Entscheidungsbaum, k-Mittel-Clusterbildung). Alternativ oder zusätzlich kann die erste trainierte Funktion auf einer traditionellen Bildverarbeitungstechnik basieren (z.B. Vorlagenabgleich, inhaltbasierte Bildersuche, morphologische Verarbeitung mit Ähnlichkeitssuche).
  • Der bestimmte bildbasierte Attributwert kann basierend auf einer verfügbaren Ontologie oder einem privat definierten Wörterbuch basieren. Die verfügbare Ontologie kann beispielsweise eine Standardontologie wie RadLex oder Systematisierte Nomenklatur klinischer Begriffe in der Medizin (SNOMED-CT) sein. Ein privat definiertes Wörterbuch kann ein Wörterbuch sein, das Abkürzungen und/oder Akronyme und/oder Ausdrücke umfasst, die üblicherweise vom Arzt und/oder innerhalb eines Krankenhauses, in dem das medizinische Bild aufgenommen wird, verwendet werden.
  • In dem Schritt des Bestimmens des endgültigen Attributwerts wird der endgültige Attributwert basierend auf dem provisorischen Attributwert und dem bildbasierten Attributwert bestimmt. Insbesondere kann der endgültige Attributwert durch einen Vergleich des provisorischen Attributwerts und des bildbasierten Attributwerts bestimmt werden. Insbesondere kann die Bestimmung des endgültigen Attributwerts automatisch durchgeführt werden. Alternativ kann die Bestimmung des endgültigen Attributwerts manuell vom Arzt und/oder vom medizinischen Assistenten durchgeführt werden.
  • In dem Schritt des Bereitstellens des mindestens einen ersten Metadaten-Attributs wird das mindestens eine erste Metadaten-Attribut von der Schnittstelle bereitgestellt. Insbesondere wird das mindestens eine erste Metadaten-Attribut im Zusammenhang mit dem medizinischen Bild bereitgestellt. Das mindestens eine erste Metadaten-Attribut umfasst das Attribut-Tag und den endgültigen Attributwert. Das mindestens eine erste Metadaten-Attribut kann beispielsweise zum Abfragen einer Vielzahl medizinischer Bilder verwendet werden, die alle ein denselben Attributwert umfassendes Metadaten-Attribut umfassen. Alternativ oder zusätzlich kann das mindestens eine erste Metadaten-Attribut zusammen mit dem medizinischen Bild zur weiteren Diagnose des Untersuchungsobjekts verwendet werden. Alternativ oder zusätzlich kann das mindestens eine erste Metadaten-Attribut von einer Anwendung verwendet werden, die an dem medizinischen Bild angewendet werden sollte. Die Anwendung kann beispielsweise zur Bildverarbeitung des medizinischen Bildes ausgelegt sein. Es kann notwendig sein, die Anwendung anzuwenden, um das korrekte mindestens eine erste Metadaten-Attribut zu kennen.
  • Die Erfinder erkannten, dass der Attributwert mindestens eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist, durch Anwenden der ersten trainierten Funktion auf das medizinische Bild vereinheitlicht werden kann. Insbesondere kann das mindestens eine erste Metadaten-Attribut basierend auf dem assoziierten medizinischen Bild vereinheitlicht werden. Insbesondere bedeutet Vereinheitlichung in diesem Zusammenhang das Korrigieren oder Ausfüllen des endgültigen Attributwerts des mindestens einen ersten Metadaten-Attributwerts.
  • Nach einem weiteren Aspekt der Erfindung umfasst das Verfahren einen Schritt des Überprüfens, ob der provisorische Attributwert leer ist, wobei der Schritt des Bestimmens des endgültigen Attributwerts auf dem Ergebnis der Überprüfung basiert.
  • Mit anderen Worten wird vor dem Bestimmen des endgültigen Attributwerts basierend auf dem provisorischen Attributwert und dem bildbasierten Attributwert überprüft, ob der provisorische Attributwert leer ist oder ob er bereits automatisch oder manuell ausgefüllt wurde. Die Bestimmung des endgültigen Attributwerts basiert auf diesem Vergleich. Mit anderen Worten ist der Schritt des Bestimmens des endgültigen Attributwerts an das Ergebnis der Überprüfung angepasst.
  • Wenn der provisorische Attributwert nicht leer ist, muss entschieden werden, ob der provisorische Attributwert oder der bildbasierte Attributwert oder eine Kombination beider als endgültiger Attributwert im Schritt des Bestimmens des endgültigen Attributwerts eingestellt werden sollte. Wenn er leer ist, kann der endgültige Attributwert als bildbasierter Attributwert eingestellt werden.
  • Die Erfinder erkannten, dass der Schritt des Bestimmens des endgültigen Attributwerts vom provisorischen Attributwert abhängen kann. Die Erfinder erkannten, dass der endgültige Attributwert in Abhängigkeit davon bestimmt werden sollte, ob der provisorische Attributwert leer ist oder nicht.
  • Wenn der provisorische Attributwert leer ist, umfasst nach einem weiteren Aspekt der Erfindung der Schritt des Bestimmens des endgültigen Attributwerts einen Schritt des Ausfüllens des endgültigen Attributwerts mit dem bildbasierten Attributwert.
  • Mit anderen Worten, wenn der provisorische Attributwert leer ist, wird der endgültige Attributwert als bildbasierter Attributwert gewählt. Mit anderen Worten kann der endgültige Attributwert als bildbasierter Attributwert eingestellt werden, wenn der provisorische Attributwert leer ist.
  • Die Erfinder erkannten, dass der endgültige Attributwert mit dem bildbasierten Attributwert gefüllt werden kann, wenn der provisorische Attributwert leer ist. Die Erfinder erkannten, dass es so möglich ist, den Attributwert eines Metadaten-Attributs, das nicht automatisch oder manuell während des Bildgebungsverfahrens ausgefüllt wird, basierend auf dem medizinischen Bild automatisch auszufüllen. Mit anderen Worten erkannten die Erfinder, dass so automatisches Ausfüllen basierend auf dem medizinischen Bild durchgeführt werden kann. Die Erfinder erkannten, dass dies dazu beiträgt, leere Attributwerte zu vermeiden. Ferner erkannten die Erfinder, dass die Mühe des Arztes oder medizinischen Assistenten und/oder ein potenzieller menschlicher Fehler durch bildbasiertes automatisches Ausfüllen des endgültigen Attributwerts reduziert werden kann.
  • Wenn der provisorische Attributwert nicht leer ist, umfasst nach einem weiteren Aspekt der Erfindung der Schritt des Bestimmens des endgültigen Attributwerts einen Schritt des Vergleichens des provisorischen Attributwerts mit dem bildbasierten Attributwert. Dabei wird der endgültige Attributwert basierend auf diesem Vergleich bestimmt.
  • Mit anderen Worten, wenn der provisorische Attributwert nicht leer ist, wird der endgültige Attributwert basierend auf einem Vergleich des provisorischen Attributwerts mit dem bildbasierten Attributwert bestimmt. Insbesondere kann der Vergleich automatisch durchgeführt werden. Wenn der provisorische Attributwert und der bildbasierte Attributwert gleich sind, entspricht insbesondere der endgültige Attributwert dem provisorischen Attributwert und dem bildbasierten Attributwert. Wenn der provisorische Attributwert und der bildbasierte Attributwert unterschiedlich sind, kann der endgültige Attributwert automatisch vom bildbasierten Attributwert ausgefüllt werden. Alternativ kann der Arzt und/oder medizinische Assistent gebeten werden zu überprüfen, welche der Attributwerte als endgültiger Attributwert gewählt werden sollten. Alternativ kann der Vergleich auf einem ähnlichkeitsbasierten Vergleich basieren, um zu bestimmen, ob der provisorische Attributwert und der bildbasierte Attributwert synonym sind. Wenn der provisorische Attributwert und der bildbasierte Attributwert synonym sind, kann der allgemeinere oder standardisiertere Wert als endgültiger Attributwert eingestellt werden. Insbesondere kann der der Ontologie entsprechende Wert als endgültiger Attributwert eingestellt werden.
  • Die Erfinder erkannten, dass der provisorische Attributwert automatisch korrigiert werden kann, indem der bildbasierte Attributwert als endgültiger Attributwert gewählt wird. Die Erfinder erkannten, dass dies vom Arzt und/oder medizinischen Assistenten bestätigt werden kann. Die Erfinder erkannten, dass Autokorrektur des mindestens einen ersten Metadaten-Attributwerts anders als das automatische Ausfüllen des endgültigen Attributwerts des mindestens einen ersten Metadaten-Attributs gehandhabt werden sollte. Die Erfinder erkannten, dass der endgültige Attributwert sowohl vom provisorischen Attributwert als auch vom bildbasierten Attributwert abhängen kann. Insbesondere erkannten die Erfinder, dass es notwendig sein könnte, den provisorischen Attributwert und den bildbasierten Attributwert bei der Bestimmung des endgültigen Attributwerts zu berücksichtigen.
  • Nach einem weiteren Aspekt der Erfindung umfasst der Schritt des Vergleichens des provisorischen Attributwerts und des bildbasierten Attributwerts einen Schritt des Anwendens einer zweiten trainierten Funktion auf den provisorischen Attributwert, um den endgültigen Attributwert zu bestimmen.
  • Im Allgemeinen kann die zweite trainierte Funktion gemäß der Beschreibung der ersten trainierten Funktion ausgelegt werden. Insbesondere kann die zweite trainierte Funktion einen Mismatch-Index bzw. Ähnlichkeitsindex zum Vergleichen des provisorischen Attributwerts und des bildbasierten Attributwerts bestimmen. Basierend auf diesem Index kann die zweite trainierte Funktion dazu ausgelegt sein, den korrekten Attributwert als endgültigen Attributwert festzulegen. Beispielsweise kann die zweite trainierte Funktion dazu ausgelegt sein zu erkennen, ob der provisorische Attributwert und der bildbasierte Attributwert synonym sind. In diesem Fall kann der allgemeinere bzw. vereinheitlichte Attributwert als endgültiger Attributwert gewählt werden. Insbesondere kann der korrekte Attributwert aus dem provisorischen Attributwert und dem bildbasierten Attributwert basierend auf der Ontologie oder dem privat definierten Wörterbuch bzw. individuellen Wörterbuch gewählt werden. Im Fall eines Widerspruchs zwischen dem provisorischen Attributwert und dem bildbasierten Attributwert kann der bildbasierte Attributwert von der zweiten trainierten Funktion bevorzugt werden.
  • In einer Ausführungsform der Erfindung kann das Ergebnis der zweiten trainierten Funktion vom Arzt und/oder medizinischen Assistenten und/oder medizinisch-technischen Assistenten bestätigt oder abgelehnt werden.
  • Die Erfinder erkannten, dass der Vergleich des provisorischen Attributwerts und des bildbasierten Attributwerts durch Anwenden der zweiten trainierten Funktion durchgeführt werden kann. Sie erkannten, dass die zweite trainierte Funktion zum Bestimmen eines Ähnlichkeitsmaßes bzw. -index zur Identifizierung von Synonymen trainiert werden kann. Die Erfinder erkannten, dass so der allgemeinste bzw. vereinheitlichte Attributwert als endgültiger Attributwert basierend auf dem provisorischen Attributwert und dem bildbasierten Attributwert festgelegt werden kann. Die Erfinder erkannten, dass im Fall eines Widerspruchs zwischen dem provisorischen Attributwert und dem bildbasierten Attributwert ein falscher provisorischer Attributwert durch Füllen des endgültigen Attributwerts mit dem bildbasierten Attributwert korrigiert werden kann. Die Erfinder erkannten, dass das Ausfüllen des endgültigen Attributwerts vom Arzt und/oder medizinischen Assistenten kontrolliert werden kann.
  • Nach einem weiteren Aspekt der Erfindung umfasst die erste trainierte Funktion dies zweite trainierte Funktion.
  • Mit anderen Worten ist die erste trainierte Funktion zum Durchführen der Schritte des Bestimmens des bildbasierten Attributwerts und des Bestimmens des endgültigen Attributwerts ausgelegt. In diesem Fall kann die erste trainierte Funktion auf das medizinische Bild und den provisorischen Attributwert angewendet werden. Der endgültige Attributwert ist die Ausgabe der ersten trainierten Funktion in dieser Ausführungsform.
  • Insbesondere kann die erste trainierte Funktion den provisorischen Attributwert bei der Bestimmung des bildbasierten Attributwerts in diesem Fall berücksichtigen. Der bildbasierte Attributwert, der durch Berücksichtigung des provisorischen Attributwerts bestimmt wird, kann als endgültiger Attributwert eingestellt werden.
  • Alternativ kann die erste trainierte Funktion den bildbasierten Attributwert unabhängig vom provisorischen Attributwert bestimmen. In diesem Fall kann die erste trainierte Funktion den endgültigen Attributwert in einem unabhängigen Schritt durch Vergleichen des provisorischen Attributwerts und des bildbasierten Attributwerts bestimmen. Dieser Schritt kann wie oben für die zweite trainierte Funktion beschrieben durchgeführt werden.
  • Mit anderen Worten kann die erste trainierte Funktion davon abhängen, ob der provisorische Attributwert leer ist oder nicht.
  • Die Erfinder erkannten, dass das gesamte Verfahren zur Bestimmung des endgültigen Attributwerts für den Fall, dass der provisorische Attributwert nicht leer ist, von einer, der ersten trainierten Funktion durchgeführt werden kann. Insbesondere kann diese erste trainierte Funktion in einem Schritt trainiert werden.
  • Nach einem weiteren Aspekt der Erfindung umfasst das Verfahren einen Schritt des Auswählens der ersten trainierten Funktion aus einer Vielzahl von ersten trainierten Funktionen, basierend auf dem Ergebnis der Überprüfung und/oder des Attribut-Tags.
  • Im Schritt des Auswählens der ersten trainierten Funktion wird die erste trainierte Funktion, die auf das medizinische Bild angewendet werden sollte, basierend auf dem Ergebnis des Schritts des Überprüfens, ob der provisorische Attributwert leer ist und/oder basierend auf dem Attribut-Tag ausgewählt. Die Vielzahl erster trainierter Funktionen kann in einem Schritt des Empfangens der Vielzahl erster trainierter Funktionen empfangen werden.
  • Jede erste trainierte Funktion der Vielzahl erster trainierter Funktionen kann mit einem bestimmten Attribut-Tag in Beziehung gebracht werden. Mit anderen Worten kann eine erste trainierte Funktion der Vielzahl von ersten trainierten Funktionen zum Bestimmen des bildbasierten Attributwerts in einem bestimmten Kontext trainiert werden. Das Attribut-Tag definiert den Kontext des zu bestimmenden bildbasierten Attributwerts durch Anwenden der ersten trainierten Funktion. Beispielsweise kann eine erste trainierte Funktion zum Bestimmen des mit dem Attribut-Tag, das den abgebildeten Teil des Untersuchungsobjekts spezifiziert, in Beziehung stehenden bildbasierten Attributwerts ausgelegt sein. Eine andere trainierte Funktion kann zum Bestimmen der Lateralität des Untersuchungsobjekts ausgelegt sein. Folglich kann diese trainierte Funktion zum Bestimmen des mit dem Attribut-Tag, das die Lateralität spezifiziert, in Beziehung stehenden bildbasierten Attributwerts ausgelegt sein. Somit kann die erste trainierte Funktion, die zum Bestimmen des bildbasierten Attributwerts für das mindestens eine erste Metadaten-Attribut geeignet ist, basierend auf dem entsprechenden Attribut-Tag ausgewählt werden.
  • Alternativ oder zusätzlich können sich die ersten trainierten Funktionen bezüglich ihrer Anwendbarkeit zum Vergleichen des provisorischen Attributwerts und des bildbasierten Attributwerts in dem Fall, in dem der provisorische Attributwert nicht leer ist, unterscheiden. Mit anderen Worten kann die Anwendbarkeit einer ersten trainierten Funktion der Vielzahl erster trainierter Funktionen davon abhängen, ob das provisorische Attribut-Tag leer ist oder nicht. Folglich hängt sie vom Ergebnis der Überprüfung ab. Mit anderen Worten kann mindestens eine erste trainierte Funktion der Vielzahl erster trainierter Funktionen zur Durchführung des Schritts des Bestimmens des bildbasierten Attributwerts und des Bestimmens des endgültigen Attributwerts geeignet sein, wie es oben für den Fall beschrieben wurde, dass der provisorische Attributwert nicht leer ist. Die Ausgabe dieser ersten trainierten Funktion ist der endgültige Attributwert. Alternativ oder zusätzlich ist mindestens eine andere erste trainierte Funktion nur zum Bestimmen des bildbasierten Attributwerts geeignet. In diesem Fall ist die Ausgabe der ersten trainierten Funktion der bildbasierte Attributwert. Die erste trainierte Funktion kann insbesondere angewendet werden, wenn der provisorische Attributwert leer ist. Dann kann der Schritt des Bestimmens des endgültigen Attributwerts unabhängig von der trainierten Funktion durchgeführt werden. Insbesondere kann diese erste trainierte Funktion auch angewendet werden, wenn der provisorische Attributwert nicht leer ist, für den Fall, dass der endgültige Attributwert in einem Schritt des Vergleichens des provisorischen Attributwerts und des bildbasierten Attributwerts unabhängig von der ersten trainierten Funktion wie oben beschrieben bestimmt wird.
  • Mit anderen Worten könnten einige der trainierten Funktionen der Vielzahl von trainierten Funktionen zum Bereitstellen des bildbasierten Attributwerts geeignet sein. Dieser bildbasierte Attributwert kann dann als endgültiger Attributwert festgelegt werden, wenn der provisorische Attributwert leer ist. Alternativ kann der bildbasierte Attributwert für den Schritt des Vergleichens des provisorischen Attributwerts und des bildbasierten Attributwerts verwendet werden. Die anderen trainierten Funktionen der Vielzahl trainierter Funktionen können die zweite trainierte Funktion umfassen. Folglich sind diese trainierten Funktionen geeignet, wenn der endgültige Attributwert direkt durch Anwenden der ersten trainierten Funktion bestimmt werden sollte und wenn der provisorische Attributwert nicht leer ist.
  • Die Erfinder erkannten, dass es eine Vielzahl bestimmter trainierter Funktionen geben kann, wobei jede für einen bestimmten Fall bezüglich des Attribut-Tags und des provisorischen Attributwerts geeignet sein kann. Die Erfinder erkannten, dass die erste trainierte Funktion eine der Vielzahl erster trainierter Funktionen ist. Die Erfinder erkannten, dass die erste trainierte Funktion die trainierte Funktion der Vielzahl erster trainierter Funktionen ist, die die Anforderungen bezüglich ihrer Eignung mit Bezug auf das Attribut-Tag und/oder das Ergebnis des Überprüfung erfüllt.
  • Nach einem anderen Aspekt der Erfindung ist eine Vielzahl von Metadaten-Attributen mit dem medizinischen Bild assoziiert. Dabei umfasst jedes Metadaten-Attribut der Vielzahl von Metadaten-Attributen ein Attribut-Tag und einen Attributwert. Dabei ist das erste Metadaten-Attribut ein Metadaten-Attribut der Vielzahl von Metadaten-Attributen. Dabei umfasst das Verfahren ferner den Schritt des Bestimmens des mindestens einen ersten Metadaten-Attributs aus der Vielzahl von Metadaten-Attributen basierend auf einer Anwendung, die zum Verarbeiten des medizinischen Bildes und/oder der Attribut-Tags ausgelegt ist.
  • Insbesondere beschreibt bzw. spezifiziert die Vielzahl von Metadaten-Attributen das medizinische Bild. Mit anderen Worten kann ein Metadaten-Attribut eine Eigenschaft des medizinischen Bildes beschreiben. Alternativ oder zusätzlich kann ein Metadaten-Attribut eine Eigenschaft des Aufnahmeverfahrens des medizinischen Bildes beschreiben. Insbesondere kann jedes Metadaten-Attribut eine andere Eigenschaft des medizinischen Bildes beschreiben. Insbesondere kann jedes Metadaten-Attribut der Vielzahl von Metadaten-Attributen wie das mindestens eine erste Metadaten-Attribut ausgelegt sein. Dabei betrifft jedes Metadaten-Attribut einen anderen Kontext bezüglich des medizinischen Bildes.
  • Im Schritt des Empfangens der mindestens einen ersten Metadaten-Attribute können alle Metadaten-Attribute der Vielzahl von Metadaten-Attribut empfangen werden. Das mindestens eine erste Metadaten-Attribut kann aus der Vielzahl von Metadaten-Attributen im Schritt des Bestimmens des mindestens einen ersten Metadaten-Attributs bestimmt werden.
  • Das mindestens eine Metadaten-Attribut kann insbesondere basierend auf einer Anwendung bestimmt werden, die zum Verarbeiten des medizinischen Bildes ausgelegt ist. Insbesondere kann die Anwendung zum Durchführen einer gewissen Bildverarbeitung basierend auf dem medizinischen Bild ausgelegt sein. Die Anwendung kann beispielsweise zum Bestimmen einer Diagnose basierend auf dem medizinischen Bild ausgelegt sein. Die Anwendung kann das mindestens eine erste Metadaten-Attribut als Eingabewert benötigen. Zu diesem Zweck ist es notwendig, dass das mindestens eine erste Metadaten-Attribut korrekt und vollständig ist. Ferner ist es notwendig, dass das mindestens eine Metadaten-Attribut vereinheitlicht ist. Folglich ist im Voraus bekannt, dass beim Anwenden der Anwendung auf das medizinische Bild es notwendig ist, dass das mindestens eine erste Metadaten-Attribut, das ein bestimmtes Attribut-Tag umfasst, korrekt ausgefüllt ist. Die Anwendung kann das mindestens eine erste Metadaten-Attribut, das sie als Eingabewert benötigt, über das entsprechende Attribut-Tag vorab festlegen. Folglich kann das mindestens eine erste Metadaten-Attribut basierend auf dem entsprechenden Attribut-Tag bestimmt werden. Mit anderen Worten kann das mindestens eine erste Metadaten-Attribut aus der Vielzahl von Metadaten-Attributen basierend auf dem Attribut-Tag, das von der Anwendung bereitgestellt bzw. vorab festgelegt wird, ausgewählt werden.
  • Alternativ oder zusätzlich kann das mindestens eine erste Metadaten-Attribut basierend auf den Attribut-Tags bestimmt werden. Insbesondere muss das mindestens eine erste Metadaten-Attribut basierend auf dem medizinischen Bild bestimmt werden. Mit anderen Worten muss der endgültige Attributwert des mindestens einen ersten Metadaten-Attributs dafür geeignet sein, basierend auf dem assoziierten medizinischen Bild bestimmt zu werden. Es kann einige Metadaten-Attribute innerhalb der Vielzahl von Metadaten-Attributen geben, die nicht dazu geeignet sind, basierend auf dem medizinischen Bild bestimmt zu werden, wie beispielsweise das Datum, an dem das medizinische Bild aufgenommen wurde. Folglich ist das mindestens eine erste Metadaten-Attribut eines der Vielzahl von Metadaten-Attributen, die basierend auf dem medizinischen Bild bestimmt werden können.
  • Die Erfinder erkannten, dass eine Vielzahl von Metadaten-Attributen mit dem medizinischen Bild assoziiert sein kann. Sie erkannten, dass nicht alle Metadaten-Attribute dieser Vielzahl von Metadaten-Attributen dazu geeignet sind, basierend auf dem medizinischen Bild ausgefüllt zu werden. Sie erkannten, dass die Attribut-Tags zum Identifizieren derjenigen Metadaten-Attribute verwendet werden können, deren endgültigen Attributwerte dazu geeignet sind, basierend auf dem assoziierten medizinischen Bild bestimmt zu werden. Sie erkannten ferner, dass es ausreichend sein könnte, den endgültigen Attributwert nur einiger der Metadaten-Attribute basierend auf der weiteren Verarbeitung des medizinischen Bildes zu bestimmen. Dabei kann die weitere Verarbeitung von der Anwendung durchgeführt werden.
  • Nach einem anderen Aspekt der Erfindung ist eine Vielzahl von Metadaten-Attributen mit dem medizinischen Bild assoziiert. Dabei ist das mindestens eine erste Metadaten-Attribut ein Metadaten-Attribut der Vielzahl von Metadaten-Attributen. Dabei umfasst das Verfahren den Schritt des Empfangens mindestens eines zweiten Metadaten-Attributs der Vielzahl von Metadaten-Attribute, wobei das mindestens eine zweite Metadaten-Attribut mit dem mindestens einen ersten Metadaten-Attribut in Beziehung steht. Dabei wird die erste trainierte Funktion auch auf das mindestens eine zweite Metadaten-Attribut im Schritt des Anwendens der ersten trainierten Funktion angewendet.
  • Die Vielzahl von Metadaten-Attributen kann wie oben beschrieben ausgelegt sein. Jedes der Metadaten-Attribute der Vielzahl von Metadaten-Attributen umfasst ein Attribut-Tag und einen Attributwert. Das mindestens eine erste Metadaten-Attribut und das mindestens eine zweite Metadaten-Attribut sind jeweils eines der Vielzahl von Metadaten-Attributen.
  • In dem Schritt des Empfangens des mindestens einen zweiten Metadaten-Attributs wird das mindestens eine zweite Metadaten-Attribut von der Schnittstelle empfangen. Das mindestens eine zweite Metadaten-Attribut kann von dem beanspruchten Verfahren im Voraus bestimmt und bereitgestellt werden. Das mindestens eine zweite Metadaten-Attribut steht mit dem mindestens einen ersten Metadaten-Attribut in Beziehung. Insbesondere sind das mindestens eine zweite und das mindestens eine erste Metadaten-Attribut im selben Gebiet bzw. Kontext. Insbesondere bezieht sich das mindestens eine zweite Metadaten-Attribut auf einen generalisierteren Aspekt des Aspekts, der von dem mindestens einen ersten Metadaten-Attribut beschrieben wird. Beispielsweise umfasst das mindestens eine zweite Metadaten-Attribut das Attribut-Tag „Körperteil“. Dann kann der entsprechende Attributwert „Thorax“ sein. Das mindestens erste Metadaten-Attribut kann in diesem Kontext das Attribut-Tag „Organ“ umfassen. Dann kann der entsprechende endgültige Attributwert „Herz“ sein. Folglich kann das mindestens eine zweite Metadaten-Attribut als Vorwissen zum Bestimmen des endgültigen Attributwerts verwendet werden. In diesem Beispiel kann die erste trainierte Funktion das Wissen, dass sich das gesuchte Organ im Thorax befinden muss, zum Bestimmen des bildbasierten Attributwerts verwenden. In diesem Fall ist im Voraus bekannt, dass der Attributwert des mindestens einen ersten Metadaten-Attributs nicht „Gehirn“ sein kann, wenn der Attributwert des mindestens einen zweiten Metadaten-Attributs „Thorax“ ist. Folglich wird die erste trainierte Funktion auf das medizinische Bild und das mindestens eine zweite Metadaten-Attribut angewendet.
  • In einem anderen Beispiel kann das mindestens eine zweite Metadaten-Attribut „Organ“ als Attribut-Tag und „Herz“ als Attributwert umfassen. Dann kann die erste trainierte Funktion erkennen, dass der bildbasierte Attributwert des mindestens einen ersten Metadaten-Attributs, das das Attribut-Tag „Lateralität“ umfasst, leer sein sollte, weil das Herz keine Lateralität zeigt.
  • Die Erfinder erkannten, dass die Kenntnis des mindestens einen zweiten Metadaten-Attributs, das zu demselben Gebiet wie das mindestens eine erste Metadaten-Attribut gehört, als Vorwissen zum Bestimmen des endgültigen Attributwerts verwendet werden kann. Insbesondere kann der mindestens eine zweite Metadaten-Attributwert als Eingabe für die erste trainierte Funktion verwendet werden. Ferner erkannten sie, dass das mindestens eine zweite Metadaten-Attribut dazu verwendet werden kann zu bestimmen, ob es Sinn macht, den bildbasierten Attributwert des mindestens einen ersten Metadaten-Attributs zu bestimmen.
  • Nach einem optionalen Aspekt der Erfindung basiert der Schritt des Auswählens der ersten trainierten Funktion aus einer Vielzahl von ersten trainierten Funktionen auf dem mindestens einen zweiten Attribut.
  • Insbesondere kann gemäß dem obigen Beispiel eine erste trainierte Funktion ausgewählt werden, die zum Identifizieren des abgebildeten Organs innerhalb eines Thorax im medizinischen Bild geeignet ist. Mit anderen Worten kann das mindestens eine zweite Metadaten-Attribut eine Information über das Gebiet bzw. den Kontext bereitstellen, in dem die erste trainierte Funktion in der Lage sein sollte, das mindestens eine erste Metadaten-Attribut auszufüllen. In dem obigen Beispiel definiert das mindestens eine zweite Metadaten-Attribut die Körperregion, für die die erste trainierte Funktion spezialisiert sein sollte, um das abgebildete Organ zur Bestimmung des bildbasierten Attributwerts zu bestimmen. Mit anderen Worten kann das mindestens eine zweite Metadaten-Attribut eine Information über das Gebiet bzw. den Kontext bereitstellen, in dem die erste trainierte Funktion spezialisiert sein sollte, um den bildbasierten Attributwert des mindestens einen erstem Metadaten-Attributs zu bestimmen.
  • Die Erfinder erkannten, dass das mindestens eine zweite Metadaten-Attribut zum Auswählen der korrekten ersten trainierten Funktion geeignet sein kann. Mit anderen Worten erkannten die Erfinder, dass das mindestens eine zweite Metadaten-Attribut den Kontext bzw. das Gebiet definieren kann, zu dem das mindestens eine erste Metadaten-Attribut gehört. Die erste trainierte Funktion sollte zum Bestimmen des bildbasierten Attributwerts bezüglich des jeweiligen Kontextes bzw. Gebietes geeignet sein.
  • Nach einem weiteren Aspekt der Erfindung umfasst der provisorische Attributwert einen Freitext-Attributwert. Dabei umfasst das Verfahren einen Schritt der Standardisierung des Freitext-Attributwerts durch Anwenden einer dritten trainierten Funktion auf das mindestens eine erste Metadaten-Attribut, wobei der Freitext-Attributwert durch den standardisierten Attributwert im provisorischen Attributwert des mindestens einen ersten Metadaten-Attributs ersetzt wird.
  • Der Freitext-Attributwert kann einen Zeichenfolgenwert umfassen. Der Freitext-Attributwert kann manuell vom Arzt und/oder vom medizinischen Assistenten bereitgestellt werden. Der Freitext-Attributwert kann mindestens einen nicht standardisierten Begriff und/oder mindestens eine Abkürzung und/oder mindestens ein Akronym umfassen.
  • Im Allgemeinen kann die dritte trainierte Funktion gemäß der Beschreibung der ersten trainierten Funktion ausgelegt werden. Die dritte trainierte Funktion kann zum Durchführen einer klinischen Begriffserklärung der Wortbedeutung ausgelegt sein. Die dritte trainierte Funktion kann insbesondere zum Ersetzen eines Attributwerts, der z.B. ein Akronym und/oder eine Abkürzung umfasst, durch einen standardisierteren Attributwert ohne Manipulation der Bedeutung des Attributwerts ausgelegt sei. Die dritte trainierte Funktion kann auf einer natürlichen Sprachverarbeitungstechnik basieren, wie etwa Worteinbettung, faltendes neuronales Netzwerk auf Wortebene, Netzwerk für langes Kurzzeitgedächtnis in zwei Richtungen (bi-direction long short-term memory), rekurrentes neuronales Netzwerk, Wörterbuchlernen und/oder Bildtransformer-Netzwerk. Alternativ oder zusätzlich kann die dritte trainierte Funktion auf einer Technik des maschinellen Lernens basieren, wie etwa Stützvektormaschine, Bayessches Modell, Entscheidungsbaum und/oder k-Mittel-Clusterbildung. Alternativ oder zusätzlich kann die dritte trainierte Funktion auf jeder beliebigen anderen traditionellen Textanalyse oder Vergleichstechnik basieren, wie ein bearbeitungsbasiertes Ähnlichkeitsmaß wie die Levenshtein-Distanz und/oder ein tokenbasiertes Ähnlichkeitsmaß und/oder ein sequenzbasiertes Ähnlichkeitsmaß und/oder eine phonetische Herangehensweise.
  • Der standardisierte Attributwert kann auf einer Standardontologie wie RadLex und/oder SNOMED-CT basieren. Alternativ oder zusätzlich kann der standardisierte Attributwert basierend auf einem privat definierten Wörterbuch bzw. Lexikon bestimmt werden. Das privat definierte Wörterbuch kann für den Arzt für eine Klinik bzw. ein Krankenhaus spezifisch sein. Das privat definierte Wörterbuch kann individuelle Abkürzungen und/oder Ausdrücke des Arztes und deren allgemeines bzw. standardisiertes Pendant umfassen. Ein Beispiel eines Freitext-Attributwerts kann „Thx p.a. LR ER“ sein. Der entsprechende standardisierte Attributwert kann „Thorax Posterior Anterior Links Rechts Notaufnahme“ sein. Ein anderes Beispiel eines Freitext-Attributwerts kann „Chest AP Port“ sein. Der entsprechende standardisierte Attributwert kann „Brust anterior posterior portabel“ sein.
  • Der provisorische Attributwert, der den standardisierten Attributwert umfasst, kann zum Bestimmen des endgültigen Attributwerts wie oben beschrieben verwendet werden. Insbesondere kann das mindestens eine zweite Metadaten-Attribut durch Standardisierung eines Attributwerts des mindestens einen zweiten Metadaten-Attributs wie oben beschrieben bestimmt werden. Insbesondere kann die Standardisierung des Attributwerts des mindestens einen zweiten Metadaten-Attributs im Voraus durchgeführt werden, vor der Bestimmung des bildbasierten Attributwerts des mindestens einen ersten Metadaten-Attributs.
  • Die Erfinder erkannten, dass es vor der Korrektur des provisorischen Attributwerts durch Bestimmen eines bildbasierten Attributwerts und Vergleichen des bildbasierten Attributwerts hilfreich sein könnte, zunächst den provisorischen Attributwert zu standardisieren. So wird der Vergleich der Attributwerte einfacher. Auch wenn der provisorische Attributwert als endgültiger Attributwert eingestellt wird, könnte es ferner für die weitere Verarbeitung des medizinischen Bildes basierend auf dem entsprechenden mindestens einen ersten Metadaten-Attribut hilfreich sein, wenn der endgültige Attributwert standardisiert ist. So kann der endgültige Attributwert als Eingabe für eine Anwendung wie oben beschrieben und/oder für eine Abfrage basierend auf dem endgültigen Attributwert verwendet werden.
  • Nach einem weiteren Aspekt der Erfindung umfasst das Verfahren ferner einen Schritt des Kategorisierens des standardisierten Attributwerts durch Anwenden einer vierten trainierten Funktion auf das mindestens eine Metadaten-Attribut. Dabei wird der standardisierte Attributwert durch den kategorisierten standardisierten Attributwert im provisorischen Attributwert des mindestens einen ersten Metadaten-Attributs ersetzt.
  • Im Allgemeinen kann die vierte trainierte Funktion gemäß der Beschreibung der ersten trainierten Funktion ausgelegt werden. Die vierte trainierte Funktion kann zur Klassifizierung des unstrukturierten Textes, der im standardisierten Attributwert enthalten ist, in vordefinierte Kategorien ausgelegt sein, wie anatomische Einheit, klinischer Befund, Bildgebungsmodalität, Bildgebungsbeobachtung, Verfahren und/oder nicht-anatomische Einheiten usw. Insbesondere können die einzelnen Wörter, die im standardisierten Attributwert enthalten sind, durch Anwenden der vierten trainierten Funktion auf den standardisierten Attributwert kategorisiert werden. Insbesondere kann jedes Wort oder jeder Ausdruck, das bzw. der im standardisierten Attributwert enthalten ist, einer Kategorie zugewiesen werden.
  • Die vierte trainierte Funktion kann auf klinischer Eigennamenerkennung basieren. Die vierte trainierte Funktion kann auf einer linguistischen Grammatiktechnik basieren, die eine natürliche Sprachverarbeitungstechnik benutzt, wie etwa Worteinbettung, faltendes neuronales Netzwerk auf Wortebene, Netzwerk für langes Kurzzeitgedächtnis in zwei Richtungen (bi-direction long short-term memory), rekurrentes neuronales Netzwerk und/oder Wörterbuchlernen. Alternativ oder zusätzlich kann die vierte trainierte Funktion auf einer Technik des maschinellen Lernens basieren, wie etwa Stützvektormaschine, Bayessches Modell, Entscheidungsbaum und/oder k-Mittel-Clusterbildung. Alternativ oder zusätzlich kann die vierte trainierte Funktion auf jeder beliebigen anderen traditionellen Textanalyse oder Vergleichstechnik basieren, wie ein bearbeitungsbasiertes Ähnlichkeitsmaß wie die Levenshtein-Distanz und/oder ein tokenbasiertes Ähnlichkeitsmaß und/oder ein sequenzbasiertes Ähnlichkeitsmaß und/oder eine phonetische Herangehensweise.
  • In dem oben beschriebenen Beispiel können die Ausdrücke des standardisierten Attributwerts „Thorax Posterior Anterior Links Rechts Notaufnahme“ wie folgt kategorisiert werden: [Thorax] → „Anatomie“, [Posterior Anterior] → „Ansicht Position“, [Links Rechts] → „Patientenorientierung“, [Notaufnahme] → „Ort“. Der standardisierte Attributwert „Brust Anterior Posterior Portabel“ des anderen obigen Beispiels kann wie folgt kategorisiert werden [Brust] → „Anatomie“, [Anterior Posterior] → „Ansicht Position“, [Portabel] → „Modalität“.
  • Der provisorische Attributwert, der den kategorisierten standardisierten Attributwert umfasst, kann zum Bestimmen des endgültigen Attributwerts wie oben beschrieben verwendet werden. Insbesondere kann das mindestens eine zweite Metadaten-Attribut durch Kategorisierung und/oder Standardisierung eines Attributwerts des mindestens einen zweiten Metadaten-Attributs wie oben beschrieben bestimmt werden. Insbesondere kann die Kategorisierung und/oder Standardisierung des Attributwerts des mindestens einen zweiten Metadaten-Attributs im Voraus durchgeführt werden, vor der Bestimmung des bildbasierten Attributwerts des mindestens einen ersten Metadaten-Attributs.
  • Die Erfinder erkannten, dass es für die weitere Verarbeitung des medizinischen Bildes und/oder des mindestens einen ersten Metadaten-Attributs hilfreich sein könnte, wenn die Ausdrücke der standardisierten Attributwerte kategorisiert werden. Insbesondere kann dies beim Durchsuchen bzw. Abfragen einer Vielzahl von medizinischen Bildern mit assoziierten Metadaten-Attributen helfen. Ferner kann der kategorisierte standardisierte Attributwert zum Ausfüllen der Attributwerte anderer Metadaten-Attribute, die mit dem medizinischen Bild assoziiert sind, gemäß der Kategorie verwendet werden. Mit anderen Worten kann der Attributwert eines Metadaten-Attribut, dessen Attribut-Tag mit einer Kategorie in Beziehung steht, mit dem standardisierten Ausdruck ausgefüllt werden, der mit der Kategorie innerhalb des standardisierten Attributwerts in Beziehung steht.
  • Nach einem weiteren Aspekt der Erfindung umfasst das Verfahren einen Schritt des Durchführens eines semantischen Abgleichs des kategorisierten standardisierten Attributwerts mit Begriffen höherer Ordnung durch Anwenden einer fünften trainierten Funktion auf das mindestens eine Metadaten-Attribut. Dabei wird der kategorisierte standardisierte Attributwert durch den abgeglichenen kategorisierten standardisierten Attributwert im provisorischen Attributwert des mindestens einen ersten Metadaten-Attributs ersetzt.
  • In einer alternativen Ausführungsform wird ein abgeglichener standardisierter Attributwert durch Anwenden der fünften trainierten Funktion auf das mindestens eine erste Metadaten-Attribut bestimmt, wobei der entsprechende provisorische Attributwert den standardisierten Attributwert umfasst. Dabei wird der standardisierte Attributwert durch den abgeglichenen standardisierten Attributwert im provisorischen Attributwert des mindestens einen ersten Metadaten-Attributs ersetzt.
  • Die fünfte trainierte Funktion basiert auf einem semantischen Abgleich. Insbesondere ist die fünfte trainierte Funktion dazu ausgelegt, semantisch ähnliche Begriffe einem standardisierten Text zuzuordnen, z.B. Basierend auf einer Standardontologie wie RadLex und/oder SNOMED-CT und/oder basierend auf einem privat definierten Wörterbuch. Im Allgemeinen kann die fünfte trainierte Funktion gemäß der Beschreibung der ersten trainierten Funktion oben ausgelegt werden. Die fünfte trainierte Funktion kann auf einer natürlichen Sprachverarbeitungstechnik basieren, wie etwa Worteinbettung, faltendes neuronales Netzwerk auf Wortebene, Netzwerk für langes Kurzzeitgedächtnis in zwei Richtungen (bi-direction long short-term memory), rekurrentes neuronales Netzwerk und/oder Wörterbuchlernen. Alternativ oder zusätzlich kann die fünfte trainierte Funktion auf einer Technik des maschinellen Lernens basieren, wie etwa Stützvektormaschine, Bayessches Modell, Entscheidungsbaum und/oder k-Mittel-Clusterbildung. Alternativ oder zusätzlich kann die fünfte trainierte Funktion auf jeder beliebigen anderen traditionellen Textanalyse oder Vergleichstechnik basieren, wie ein bearbeitungsbasiertes Ähnlichkeitsmaß wie die Levenshtein-Distanz und/oder ein tokenbasiertes Ähnlichkeitsmaß und/oder ein sequenzbasiertes Ähnlichkeitsmaß und/oder eine phonetische Herangehensweise.
  • Die Begriffe höherer Ordnung beschreiben die Ausdrücke, die in dem kategorisierten standardisierten Attributwert bzw. dem standardisierten Attributwert enthalten sind, auf eine allgemeinere bzw. vereinheitlichte Weise. In dem obigen Beispiel ist der kategorisierte standardisierte Attributwert „Thorax Posterior Anterior Links Rechts Notaufnahme“. Die Kategorien wurden der Klarheit halber weggelassen. Der abgeglichene kategorisierte standardisierte Attributwert ist „Brust Posterior Anterior Links Rechts Notaufnahme“. Folglich wird der Ausdruck „Thorax“ durch den allgemeineren Begriff höherer Ordnung „Brust“ ersetzt. Im anderen Beispiel ist der kategorisierte standardisierte Attributwert „Brust Anterior Posterior Portabel“. Die Kategorien werden wiederum der Klarheit halber weggelassen. Der abgeglichene kategorisierte standardisierte Attributwert ist „Brust Anterior Posterior Portabel Röntgen“. Folglich wird der Ausdruck „Portabel“ durch den Begriff höherer Ordnung „Portabel Röntgen“ ersetzt, wie es in einer Ontologie definiert ist.
  • Der provisorische Attributwert, der den abgeglichenen kategorisierten standardisierten Attributwert bzw. den abgeglichenen standardisierten Attributwert umfasst, kann zum Bestimmen des endgültigen Attributwerts wie oben beschrieben verwendet werden. Insbesondere kann das mindestens eine zweite Metadaten-Attribut durch Abgleich und/oder Kategorisierung und/oder Standardisierung eines Attributwerts des mindestens einen zweiten Metadaten-Attributs wie oben beschrieben bestimmt werden. Insbesondere kann der Abgleich und/oder die Kategorisierung und/oder Standardisierung des Attributwerts des mindestens einen zweiten Metadaten-Attributs im Voraus durchgeführt werden, vor der Bestimmung des bildbasierten Attributwerts des mindestens einen ersten Metadaten-Attributs.
  • Die Erfinder erkannten, dass das Durchsuchen bzw. Abfragen in einer Vielzahl von medizinischen Bildern, die mit Metadaten-Attributen assoziiert sind, die einen abgeglichenen kategorisierten standardisierten Attributwert oder einen abgeglichen standardisierten Attributwert umfassen, zweckmäßiger ist, weil die einzelnen Ausdrücke der Attributwerte alle vergleichbar sind.
  • Die Schritte des Standardisierens des Freitext-Attributwerts, des Kategorisierens des standardisierten Attributwerts und des Durchführens eines semantischen Abgleichs des kategorisierten standardisierten Attributwerts können für Metadaten-Attribute angewendet werden, die nicht mit einem medizinischen Bild assoziiert sind, wie Health Level 7 (HL7) Nachrichten oder Fast Healthcare Interoperability Resources (FHIR). In diesem Fall können die auf einer Analyse des medizinischen Bildes basierenden Schritte weggelassen werden, um den endgültigen Attributwert zu bestimmen. Insbesondere kann in diesem Fall der standardisierte Attributwert oder der kategorisierte standardisierte Attributwert oder der abgeglichene kategorisierte standardisierte Attributwert als endgültiger Attributwert eingestellt werden.
  • In einem zweiten Aspekt betrifft die Erfindung ein Vereinheitlichungssystem zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist. Das Vereinheitlichungssystem umfasst eine Schnittstelle und eine Recheneinheit. Dabei ist die Schnittstelle zum Empfangen des medizinischen Bildes und des mindestens einen zweite Metadaten-Attributs ausgelegt. Dabei umfasst das mindestens eine erste Metadaten-Attribut ein Attribut-Tag und einen provisorischen Attributwert. Dabei ist die Recheneinheit zum Anwenden einer ersten trainierten Funktion auf das medizinische Bild zum Bestimmen eines bildbasierten Attributwerts ausgelegt. Dabei ist die Recheneinheit zum Bestimmen eines endgültigen Attributwerts basierend auf dem provisorischen Attributwert und dem bildbasierten Attributwert ausgelegt. Dabei ist die Schnittstelle zum Bereitstellen des mindestens einen Metadaten-Attributs ausgelegt. Dabei umfasst das mindestens eine Metadaten-Attribut das Attribut-Tag und den endgültigen Attributwert.
  • Insbesondere kann das Vereinheitlichungssystem zum Ausführen des zuvor beschriebenen Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist, ausgelegt sein. Das Vereinheitlichungssystem ist zum Ausführen dieses Verfahrens und seiner Aspekte durch die Schnittstelle ausgelegt und die Recheneinheit ist zum Ausführen der entsprechenden Verfahrensschritte ausgelegt. Insbesondere kann die Schnittstelle eine oder mehrere Unterschnittstellen umfassen. Insbesondere kann die Recheneinheit eine oder mehrere Rechenuntereinheiten umfassen.
  • In einem dritten Aspekt betrifft die Erfindung ein Computerprogrammprodukt mit einem Computerprogramm und einem computerlesbaren Medium. Eine hauptsächlich softwarebasierte Implementierung hat den Vorteil, dass sogar zuvor benutzte Vereinheitlichungssysteme einfach mit einer Softwareaktualisierung aktualisiert werden können, um auf die beschriebene Weise zu arbeiten. Zusätzlich zum Computerprogramm kann ein solches Computerprogrammprodukt optional weitere Komponenten enthalten, wie Dokumentations- und/oder Zusatzkomponenten, sowie Hardwarekomponenten wie z.B. Hardwareschlüssel (Dongles usw.) zur Anwendung der Software.
  • In einem weiteren Aspekt betrifft die Erfindung ein Computerprogrammprodukt, umfassend Programmelemente, die direkt in eine Speichereinheit eines ersten bereitstellenden Systems ladbar sind, das veranlasst, dass das Vereinheitlichungssystem das Verfahren gemäß der beanspruchten Methode und seine Aspekten ausführt, wenn die Programmelemente vom Vereinheitlichungssystem ausgeführt werden.
  • In einem vierten Aspekt betrifft die Erfindung ein computerlesbares Speichermedium, umfassend Programmelemente, die von einem Vereinheitlichungssystem lesbar und ausführbar sind, um das beanspruchte Verfahren und seine Aspekte auszuführen, wenn die Programmelemente vom Vereinheitlichungssystem ausgeführt werden.
  • In einem weiteren optionalen Aspekt betrifft die Erfindung ein computerimplementiertes Verfahren zum Bereitstellen einer ersten trainierten Funktion. Das Verfahren umfasst das Empfangen von Eingabetrainingsdaten, wobei die Eingabetrainingsdaten ein medizinisches Trainingsbild und mindestens ein erstes Metadaten-Attribut, das mit dem medizinischen Trainingsbild assoziiert ist, umfassen. Das Verfahren umfasst das Empfangen von Ausgabetrainingsdaten, wobei die Ausgabetrainingsdaten einen endgültigen Trainingsattributwert umfassen. Dabei stehen die Ausgabetrainingsdaten mit den Eingabetrainingsdaten in Beziehung. Das Verfahren umfasst das Trainieren einer ersten Funktion basierend auf den Eingabetrainingsdaten und den Ausgabetrainingsdaten. Das Verfahren umfasst das Bereitstellen der ersten trainierten Funktion.
  • Die Ausgabetrainingsdaten können basierend auf den Eingabetrainingsdaten durch manuelle Annotation bestimmt werden. Mit anderen Worten kann der endgültige Trainingsattributwert des mindestens einen ersten Trainingsattributs von einem Arzt und/oder medizinischen Assistenten bestimmt werden.
  • Andere Gegenstände und Merkmale der vorliegenden Erfindung werden aus den nachfolgenden detaillierten Beschreibungen in Verbindung mit den beiliegenden Zeichnungen offensichtlich werden. Es versteht sich jedoch, dass die Zeichnungen ausschließlich der Veranschaulichung dienen und nicht als Definition der Grenzen der Erfindung zu verstehen sind.
    • 1 zeigt ein schematisches Flussdiagramm einer ersten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 2 zeigt ein schematisches Flussdiagramm einer zweiten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 3 zeigt ein schematisches Flussdiagramm einer dritten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 4 zeigt ein schematisches Flussdiagramm einer vierten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 5 zeigt ein schematisches Flussdiagramm einer fünften Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 6 zeigt ein schematisches Flussdiagramm einer sechsten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 7 zeigt ein schematisches Flussdiagramm einer siebten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 8 zeigt ein schematisches Flussdiagramm einer achten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 9 zeigt ein schematisches Flussdiagramm einer neunten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 10 zeigt ein schematisches Flussdiagramm einer zehnten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 11 zeigt ein schematisches Flussdiagramm einer elften Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 12 zeigt ein Vereinheitlichungssystem zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
    • 13 zeigt ein Trainingssystem zum Bereitstellen der ersten trainierten Funktion.
  • 1 zeigt ein schematisches Flussdiagramm einer ersten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist.
  • Das medizinische Bild wird mit einem medizinischen Bildgebungssystem aufgenommen. Das medizinische Bildgebungssystem kann beispielsweise eines der folgenden sein: Röntgensystem, ein Computertomographie- (CT-) System, ein Magnetresonanztomographie- (MRT-) System, ein Angiographiesystem, ein C-Arm-System, ein Ultraschallsystem, ein Positronen-Emissions-Tomographie- (PET-) System, ein Einzelphotonen-Emissionscomputertomographie- (SPECT-) System. Das medizinische Bild umfasst eine Pixelmatrix oder eine Voxelmatrix. Dabei umfasst die Pixelmatrix bzw. Voxelmatrix eine Vielzahl von Pixeln oder Voxeln. Folglich ist das medizinische Bild ein zweidimensionales oder ein dreidimensionales medizinisches Bild. Alternativ kann das medizinische Bild ein vierdimensionales medizinisches Bild sein. Dabei kann das vierdimensionales medizinisches Bild insbesondere eine Zeitfolge von dreidimensionalen medizinischen Bildern umfassen.
  • Das medizinische Bild zeigt ein Untersuchungsobjekt. Das Untersuchungsobjekt ist ein Patient. Alternativ kann das Untersuchungsobjekt ein Tier oder ein Gegenstand sein. Das medizinische Bild kann einen Teil des Untersuchungsobjekts zeigen. Beispielsweise kann das medizinische Bild ein Organ oder eine Extremität des Patienten zeigen. Mit anderen Worten kann das medizinische Bild einen Teil bzw. einen Körperteil des Untersuchungsobjekts zeigen.
  • Das medizinische Bild ist mit mindestens einem ersten Metadaten-Attribut assoziiert. In dieser Ausführungsform ist das mindestens eine erste Metadaten-Attribut ein DICOM-Attribut. Das DICOM-Attribut umfasst eine DICOM-Kopfzeile des medizinischen Bildes. Alternativ kann das mindestens eine erste Metadaten-Attribut ein NIfTI-Attribut sein, das in einer NIfTI-Kopfzeile enthalten ist. Das mindestens eine erste Metadaten-Attribut charakterisiert das medizinische Bild. Insbesondere beschreibt das mindestens eine erste Metadaten-Attribut, welches medizinische Bildgebungssystem zum Aufnehmen des medizinischen Bildes verwendet wird, welche Parameter zum Aufnehmen des medizinischen Bildes verwendet werden, wer oder was abgebildet wird, worum es sich bei dem im medizinischen Bild abgebildeten Untersuchungsobjekt exakt handelt, wie das Untersuchungsobjekt abgebildet wird usw. Das mindestens eine erste Metadaten-Attribut umfasst ein Attribut-Tag und einen Attributwert. Das Attribut-Tag definiert den Kontext bzw. das Gebiet des mindestens einen ersten Metadaten-Attributs. Mit anderen Worten definiert das Attribut-Tag, worauf sich das mindestens eine erste Metadaten-Attribut bezieht. Beispielsweise kann das Attribut-Tag „Untersuchter Körperteil“, „Anatomische Regionsreihenfolge“, „Patientenorientierung“, „Ansicht Position“, „Bildlateralität“, „Einzelbildlateralität“, „Messlateralität“ usw. sein. Der Attributwert kann den spezifischen Wert bezüglich des Attribut-Tags und des medizinischen Bildes bereitstellen. Beispielsweise kann das Attribut-Tag „Untersuchter Körperteil“ sein. Dann kann der entsprechende Attributwert „Thorax“ sein, wenn das assoziierte medizinische Bild ein Bild eines „Thorax" umfasst. Das mindestens eine erste Metadaten-Attribut kann beispielsweise zum Abfragen einer Datenbank für alle medizinischen Bilder verwendet werden, die mit einem Metadaten-Attribut assoziiert sind, das das Attribut-Tag „Untersuchter Körperteil“ und den Attributwert „Thorax“ umfasst. Dann können diese medizinischen Bilder verglichen oder weiter verarbeitet werden. Alternativ oder zusätzlich kann das mindestens eine erste Metadaten-Attribut als Eingabewert von einer Anwendung verwendet werden, die an den medizinischen Daten angewendet wird. Beispielsweise kann die Anwendung zum Bereitstellen einer Diagnose basierend auf dem medizinischen Bild ausgelegt sein. In diesem Zusammenhang kann das mindestens eine erste Metadaten-Attribut eine Information darüber bereitstellen, welcher Körperteil auf dem medizinischen Bild zu sehen ist. Diese Information kann von der Anwendung zum Bestimmen der Diagnose verwendet werden.
  • In einem Schritt des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs werden das medizinische Bild und das mindestens eine erste Metadaten-Attribut von einer Schnittstelle SYS.IF empfangen.
  • Das mindestens eine erste Metadaten-Attribut kann ein Attribut-Tag und einen provisorischen Attributwert umfassen. Der provisorische Attributwert des mindestens einen ersten Metadaten-Attributs kann automatisch während des Bildgebungsverfahrens oder manuell von einem Arzt und/oder medizinischen Assistenten ausgefüllt werden. Alternativ kann der provisorische Attributwert leer sein.
  • In einem Schritt des Anwendens APP-1 einer ersten trainierten Funktion auf das medizinische Bild wird die erste trainierte Funktion auf das medizinische Bild angewendet, um den bildbasierten Attributwert zu bestimmen. Der bildbasierte Attributwert steht mit dem Attribut-Tag in Beziehung. Der bildbasierte Attributwert wird folglich basierend auf dem medizinischen Bild bestimmt. Beispielsweise kann der abgebildete Körperteil durch Anwenden der ersten trainierten Funktion auf das medizinische Bild bestimmt werden, wenn das Attribut-Tag des mindestens einen ersten Metadaten-Attributs „Untersuchter Körperteil“ ist. Das Resultat der ersten trainierten Funktion ist der bildbasierte Attributwert.
  • Die erste trainierte Funktion kann den bildbasierten Attributwert basierend auf einer Ontologie oder einem privat definierten Wörterbuch bestimmen. Die Ontologie kann beispielsweise RadLex und/oder SNOMED-CT umfassen. Das privat definierte Wörterbuch kann von einem Arzt und/oder einem medizinischen Assistenten und/oder für Klinikpersonal definiert werden. Das privat definierte Wörterbuch kann Begriffe und Ausdrücke umfassen, die üblicherweise vom Arzt und/oder dem medizinischen Assistenten und/oder dem medizinischen Personal verwendet werden.
  • In einem Schritt des Bestimmens DET-1 eines endgültigen Attributwerts wird der endgültige Attributwert basierend auf dem provisorischen Attributwert und dem bildbasierten Attributwert bestimmt. Insbesondere kann der endgültige Attributwert als bildbasierter Attributwert bestimmt werden. Mit anderen Worten kann der endgültige Attributwert als bildbasierter Attributwert eingestellt werden. Alternativ kann der endgültige Attributwert basierend auf einem Vergleich des provisorischen Attributwerts und des bildbasierten Attributwerts bestimmt werden. Mit anderen Worten kann der endgültige Attributwert sowohl den provisorischen Attributwert als auch den bildbasierten Attributwert berücksichtigen.
  • In einem Schritt des Bereitstellens PROV des mindestens einen ersten Metadaten-Attributs, wird das mindestens eine erste Metadaten-Attribut, das das Attribut-Tag und den endgültigen Attributwert umfasst, über die Schnittstelle SYS-IF bereitgestellt. Insbesondere wird das mindestens eine erste Metadaten-Attribut im Zusammenhang mit dem medizinischen Bild bereitgestellt. Das mindestens eine erste Metadaten-Attribut kann von der Anwendung zur weiteren Verarbeitung des medizinischen Bildes verwendet werden. Alternativ oder zusätzlich kann das mindestens eine erste Metadaten-Attribut zum Vergleichen oder Abfragen einer Vielzahl von medizinischen Bildem in einer Datenbank verwendet werden, wobei das medizinische Bild eines einer Vielzahl von medizinischen Bildern ist.
  • 2 zeigt ein schematisches Flussdiagramm einer zweiten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
  • Die Schritte des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, des Anwendens APP-1 der ersten trainierten Funktion, des Bestimmens DET-1 des endgültigen Attributwerts und des Bereitstellens PROV des mindestens einen ersten Metadaten-Attributs werden auf die gleiche Weise durchgeführt, wie es gemäß 1 beschrieben wurde.
  • Die Ausführungsform des Verfahrens umfasst einen Schritt des Überprüfens CHECK, ob der provisorische Attributwert leer ist.
  • Wie oben beschrieben kann der provisorische Attributwert während des Bildgebungsverfahrens automatisch oder manuell ausgefüllt werden. In diesem Fall sollte überprüft werden, ob der provisorische Attributwert korrekt ist und ob er zum medizinischen Bild passt. Dies kann durch Vergleichen des provisorischen Attributwerts mit dem bildbasierten Attributwert erfolgen. Folglich kann in diesem Fall der endgültige Attributwert vom provisorischen Attributwert und vom bildbasierten Attributwert abhängen. Der endgültige Attributwert sollte den korrekten Attributwert umfassen.
  • Alternativ kann das provisorische Attribut leer sein. In diesem Fall ist es nicht notwendig, den bildbasierten Attributwert und den provisorischen Attributwert zu vergleichen. Folglich sollte der endgültige Attributwert mindestens den bildbasierten Attributwert umfassen.
  • Folglich hängt der Schritt des Bestimmens DET-1 des endgültigen Attributwerts vom Ergebnis des Schritts des Überprüfens CHECK, ob der provisorische Attributwert leer ist, ab.
  • 3 zeigt ein schematisches Flussdiagramm einer dritten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist.
  • Die Schritte des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, des Anwendens APP-1 der ersten trainierten Funktion, des Bestimmens DET-1 des endgültigen Attributwerts und des Bereitstellens PROV des mindestens einen ersten Metadaten-Attributs werden auf die gleiche Weise durchgeführt, wie es gemäß 1 beschrieben wurde. Der Schritt des Überprüfens CHECK, ob der provisorische Attributwert leer ist, wird gemäß 2 durchgeführt.
  • In dieser Ausführungsform umfasst der Schritt des Bestimmens DET-1 des endgültigen Attributwerts einen Schritt des Ausfüllens FILL des endgültigen Attributwerts mit dem bildbasierten Attributwert. Der Schritt des Ausfüllens FILL des endgültigen Attributwerts mit dem bildbasierten Attributwert wird in Abhängigkeit vom Ergebnis des Schritts des Überprüfens CHECK, ob der provisorische Attributwert leer ist, angewendet Wenn diese Überprüfung positiv ist, wird der endgültige Attributwert mit dem bildbasierten Attributwert ausgefüllt. Mit anderen Worten, wenn der provisorische Attributwert leer ist, wird der endgültige Attributwert als bildbasierter Attributwert eingestellt.
  • 4 zeigt ein schematisches Flussdiagramm einer vierten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
  • Die Schritte des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, des Anwendens APP-1 der ersten trainierten Funktion, des Bestimmens DET-1 des endgültigen Attributwerts und des Bereitstellens PROV des mindestens einen ersten Metadaten-Attributs werden auf die gleiche Weise durchgeführt, wie es gemäß 1 beschrieben wurde. Der Schritt des Überprüfens CHECK, ob der provisorische Attributwert leer ist, wird gemäß 2 durchgeführt. Der Schritt des Ausfüllens FILL des endgültigen Attributwerts mit dem bildbasierten Attributwert wird gemäß 3 durchgeführt.
  • In dieser Ausführungsform umfasst der Schritt des Bestimmens DET-1 des endgültigen Attributwerts einen Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts. Der Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts wird in Abhängigkeit vom Ergebnis des Schritts des Überprüfens CHECK, ob der provisorische Attributwert leer ist, durchgeführt. Der Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts wird durchgeführt, wenn der provisorische Attributwert nicht leer ist. Folglich wird der endgültige Attributwert basierend sowohl auf dem provisorischen Attributwert als auch auf dem bildbasierten Attributwert bestimmt. Insbesondere wird der endgültige Attributwert basierend auf dem Vergleich des provisorischen Attributwerts und des bildbasierten Attributwerts bestimmt. Der Vergleich kann einen ähnlichkeitsbasierten Vergleich umfassen. Basierend auf diesem Vergleich kann bestimmt werden, ob der provisorische Attributwert und der bildbasierte Attributwert synonym sind. Wenn beide Attributwerte synonym sind, kann der endgültige Attributwert mit dem allgemeineren, standardisierteren, mehr vereinheitlichten Attributwert ausgefüllt werden. Dies kann beispielsweise auf einer Standardontologie wie RadLex oder SNOMED-CT basieren. Wenn die Attributwerte nicht synonym sind, kann ein Arzt und/oder ein medizinischer Assistent gebeten werden, den korrekten Attributwert als endgültigen Attributwert zu wählen. Alternativ kann in jedem Fall angenommen werden, dass der bildbasierte Attributwert der korrekte Wert ist. In diesem Fall kann der bildbasierte Attributwert als endgültiger Attributwert eingestellt werden.
  • 5 zeigt ein schematisches Flussdiagramm einer fünften Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
  • Die Schritte des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, des Anwendens APP-1 der ersten trainierten Funktion, des Bestimmens DET-1 des endgültigen Attributwerts und des Bereitstellens PROV des mindestens einen ersten Metadaten-Attributs werden auf die gleiche Weise durchgeführt, wie es gemäß 1 beschrieben wurde. Der Schritt des Überprüfens CHECK, ob der provisorische Attributwert leer ist, wird gemäß 2 durchgeführt. Der Schritt des Ausfüllens FILL des endgültigen Attributwerts mit dem bildbasierten Attributwert wird gemäß 3 durchgeführt. Der Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts wird gemäß 4 durchgeführt.
  • In dieser Ausführungsform umfasst der Schritt des Vergleichens des provisorischen Attributwerts und des bildbasierten Attributwerts einen Schritt des Anwendens APP-2 einer zweiten trainierten Funktion auf den provisorischen Attributwert und den bildbasierten Attributwert, um den endgültigen Attributwert zu bestimmen. Mit anderen Worten wird der Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts durch Anwenden der zweiten trainierten Funktion auf den provisorischen Attributwert und den bildbasierten Attributwert durchgeführt. Insbesondere sind der provisorische Attributwert und der bildbasierte Attributwert die Eingabedaten der zweiten trainierten Funktion. Insbesondere ist die Ausgabe der zweiten trainierten Funktion der endgültige Attributwert. Die zweite trainierte Funktion kann dazu trainiert werden, den richtigen Attributwert als endgültigen Attributwert festzulegen. Der richtige Attributwert kann basierend auf dem medizinischen Bild gefunden werden. Mit anderen Worten kann die zweite trainierte Funktion überprüfen, ob der provisorische Attributwert und/oder der bildbasierte Attributwert bezüglich des medizinischen Bildes Sinn machen. Insbesondere kann die zweite trainierte Funktion dazu trainiert werden, den allgemeineren bzw. standardisierteren Attributwert als endgültigen Attributwert festzulegen. Alternativ oder zusätzlich kann die zweite trainierte Funktion dazu trainiert werden, einen endgültigen Attributwert unter Berücksichtigung sowohl des provisorischen Attributwerts als auch des bildbasierten Attributwerts zu bestimmen. In diesem Fall kann der endgültige Attributwert eine sinnvolle Kombination des provisorischen Attributwerts und des bildbasierten Attributwerts sein.
  • In einer Ausführungsform der Erfindung kann die erste trainierte Funktion die zweite trainierte Funktion umfassen. In diesem Fall kann die Bestimmung des endgültigen Attributwerts von einer trainierten Funktion basierend auf dem medizinischen Bild und dem provisorischen Attributwert durchgeführt werden. Insbesondere kann die die zweite trainierte Funktion umfassende erste trainierte Funktion auf das medizinische Bild und den provisorischen Attributwert angewendet werden. Die Ausgabe der die zweite trainierte Funktion umfassenden ersten trainierten Funktion ist der endgültige Attributwert. In diesem Fall kann die die zweite trainierte Funktion umfassende erste trainierte Funktion in einem Schritt trainiert werden. Wenn die zweite trainierte Funktion von der ersten trainierten Funktion separat ist, muss jede trainierte Funktion gesondert trainiert werden. In der Ausführungsform, in der die erste trainierte Funktion die zweite trainierte Funktion umfasst, kann der bildbasierte Attributwert unter Berücksichtigung des provisorischen Attributwerts bestimmt werden. In diesem Fall kann der Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts weggelassen werden, weil der bildbasierte Attributwert bereits den provisorischen Attributwert berücksichtigt und daher davon ausgegangen werden kann, dass der bildbasierte Attributwert der endgültige Attributwert ist.
  • 6 zeigt ein schematisches Flussdiagramm einer sechsten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist.
  • Die Schritte des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, des Anwendens APP-1 der ersten trainierten Funktion, des Bestimmens DET-1 des endgültigen Attributwerts und des Bereitstellens PROV des mindestens einen ersten Metadaten-Attributs werden auf die gleiche Weise durchgeführt, wie es gemäß 1 beschrieben wurde. Der Schritt des Überprüfens CHECK, ob der provisorische Attributwert leer ist, wird gemäß 2 durchgeführt. Der Schritt des Ausfüllens FILL des endgültigen Attributwerts mit dem bildbasierten Attributwert wird gemäß 3 durchgeführt. Der Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts wird gemäß 4 durchgeführt. Der Schritt des Anwendens APP-2 der zweiten trainierten Funktion kann gemäß 5 durchgeführt werden.
  • In dieser Ausführungsform umfasst das Verfahren den Schritt des Auswählens SEL der ersten trainierten Funktion aus einer Vielzahl von ersten trainierten Funktionen, basierend auf dem Ergebnis der Überprüfung und/oder des Attribut-Tags. Die optionale Abhängigkeit des Schritts des Auswählens SEL des Ergebnisses des Schritts des Überprüfens CHECK wird von dem gestrichelten Pfeil angezeigt. Folglich wird die optionale Abhängigkeit des Schritts des Auswählens SEL des Attribut-Tags von dem gestrichelten Pfeil zwischen dem Schritt des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs und dem Schritt des Auswählens SEL angezeigt.
  • Der Schritt des Auswählens SEL der ersten trainierten Funktion kann insbesondere einen Schritt des Empfangens der Vielzahl erster trainierter Funktionen umfassen. Insbesondere kann jede erste trainierte Funktion der Vielzahl erster trainierter Funktionen für einen spezifischen Anwendungsfall ausgelegt sein. Beispielsweise kann eine erste trainierte Funktion zum Bestimmen einer abgebildeten Körperteils innerhalb eines Thorax des Untersuchungsobjekts ausgelegt sein. Eine andere erste trainierte Funktion kann zum Bestimmen der Lateralität des Untersuchungsobjekts ausgelegt sein und so weiter. Der fragliche Anwendungsfall wird vom Attribut-Tag definiert. Beispielsweise kann das Attribut-Tag „Untersuchter Körperteil“ sein. In diesem Fall wird eine erste trainierte Funktion ausgewählt, die zum Bestimmen eines abgebildeten Körperteils innerhalb des medizinischen Bildes ausgelegt bzw. geeignet ist.
  • Alternativ oder zusätzlich kann mindestens eine erste trainierte Funktion der Vielzahl trainierter Funktionen die zweite trainierte Funktion umfassen. Folglich ist diese erste trainierte Funktion dazu geeignet, auf das medizinische Bild und das provisorische Attribut angewendet zu werden, wenn das provisorische Attribut nicht leer ist. Sie könnte nicht geeignet sein, wenn das provisorische Attribut leer ist. Für diesen Fall kann eine andere erste trainierte Funktion der Vielzahl von ersten trainierten Funktion zum Anwenden auf das medizinische Bild geeignet sein. Welche erste trainierte Funktion der Vielzahl trainierter Funktion zum Bestimmen des bildbasierten Attributwerts bzw. des endgültigen Attributwerts geeignet ist, kann folglich davon abhängen, ob der provisorische Attributwert leer ist. Mit anderen Worten kann die richtige trainierte Funktion in Abhängigkeit vom Anwendungsfall basierend auf dem Ergebnis des Schritts des Überprüfens CHECK, ob der provisorische Attributwert leer ist, ausgewählt werden.
  • Folglich kann die erste zu verwendende trainierte Funktion basierend auf dem Anwendungsfall, der vom Attribut-Tag definiert wird, und/oder basierend auf den Informationen ob der provisorische Attributwert leer ist oder nicht, ausgewählt werden.
  • 7 zeigt ein schematisches Flussdiagramm einer siebten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist.
  • Die Schritte des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, des Anwendens APP-1 der ersten trainierten Funktion, des Bestimmens DET-1 des endgültigen Attributwerts und des Bereitstellens PROV des mindestens einen ersten Metadaten-Attributs werden auf die gleiche Weise durchgeführt, wie es gemäß 1 beschrieben wurde. Der Schritt des Überprüfens CHECK, ob der provisorische Attributwert leer ist, wird gemäß 2 durchgeführt. Der Schritt des Ausfüllens FILL des endgültigen Attributwerts mit dem bildbasierten Attributwert wird gemäß 3 durchgeführt. Der Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts wird gemäß 4 durchgeführt. Der Schritt des Anwendens APP-2 der zweiten trainierten Funktion kann gemäß 5 durchgeführt werden. Der Schritt des Auswählens SEL der ersten trainierten Funktion kann gemäß 6 durchgeführt werden.
  • In dieser Ausführungsform umfasst der Schritt des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs einen Schritt des Bestimmens DET-2 des mindestens einen ersten Metadaten-Attributs aus der Vielzahl von Metadaten-Attributen basierend auf einer Anwendung, die zum Verarbeiten des medizinischen Bildes und/oder der Attribut-Tags ausgelegt ist.
  • Die Vielzahl von Metadaten-Attributen ist mit dem medizinischen Bild assoziiert. Jedes Metadaten-Attribut umfasst ein Attribut-Tag und einen Attributwert. Dabei beschreibt das Attribut-Tag eine Eigenschaft des medizinischen Bildes, auf die sich das entsprechende Metadaten-Attribut bezieht, und der entsprechende Attributwert stellt einen Wert gemäß dieser Eigenschaft bereit. Alternativ kann der Attributwert leer sein. Das mindestens eine erste Metadaten-Attribut ist eines der Vielzahl von Metadaten-Attributen. Die Vielzahl von Metadaten-Attributen kann in einem gesonderten Schritt empfangen werden.
  • In dem Schritt des Bestimmens DET-2 des mindestens einen ersten Metadaten-Attributs wird das mindestens eine erste Metadaten-Attribut aus der Vielzahl von Metadaten-Attributen bestimmt. Insbesondere kann das mindestens eine erste Metadaten-Attribut ein Metadaten-Attribut sein, das zur weiteren Verarbeitung des assoziierten medizinischen Bildes benötigt wird. Beispielsweise kann die weitere Verarbeitung von der Anwendung durchgeführt werden. Die Anwendung kann zur Verarbeitung des medizinischen Bildes ausgelegt sein. Beispielsweise kann die Anwendung zum Bereitstellen einer Diagnose und/oder von Vorhersagen bzw. einer Prognose basierend auf dem medizinischen Bild ausgelegt sein. Die Anwendung kann so ausgelegt sein, dass sie das mindestens eine erste Metadaten-Attribut als Eingabedaten bzw. als Eingabewert benötigt. Beispielsweise benötigt die Anwendung zum Bereitstellen einer Diagnose basierend auf dem medizinischen Bild eine Information über die Lateralität als Eingabedaten. Folglich kann die Anwendung beispielsweise zwischen einem gebrochenen Knochen in der rechten oder in der linken Hand unterscheiden. Diese Information kann von dem Metadaten-Attribut bereitgestellt werden, das das Attribut-Tag „Lateralität“ und den entsprechenden Attributwert umfasst. Folglich ist es von wesentlicher Bedeutung, dass der entsprechende Attributwert korrekt ist und dass er nicht leer ist, wenn die beschriebene Anwendung angewendet wird. Folglich kann das jeweilige Metadaten-Attribut als das mindestens eine erste Metadaten-Attribut festgelegt werden. Folglich kann das mindestens eine erste Metadaten-Attribut ein Metadaten-Attribut sein, das von einer Anwendung vordefiniert wird, die anschließend auf dem medizinischen Bild angewendet werden sollte und die das mindestens eine erste Metadaten-Attribut als Eingabedaten benötigt.
  • Alternativ oder zusätzliche können die Attribut-Tags der Vielzahl von Metadaten-Attributen beim Bestimmen DET-2 des mindestens einen ersten Metadaten-Attributs berücksichtigt werden. Insbesondere könnten nicht alle Metadaten-Attribute dazu geeignet sein, von dem oben beschriebenen Verfahren ausgefüllt und/oder korrigiert zu werden. Beispielsweise kann ein Metadaten-Attribut oder die Vielzahl von Metadaten-Attributen eine Information über das Datum der Aufnahme des medizinischen Bildes beinhalten. Mit anderen Worten kann das entsprechende Metadaten-Attribut „Erfassungsdatum“ als Attribut-Tag und das exakte Datum als Attributwert umfassen. Basierend auf dem medizinischen Bild kann nicht überprüft werden, ob der Attributwert korrekt ist. Ferner kann das exakte Datum der Erfassung basierend auf dem medizinischen Bild durch Anwendung des oben beschriebenen Verfahrens nicht bestimmt werden, wenn der Attributwert leer ist. Folglich ist dieses beispielhafte Metadaten-Attribut nicht dazu geeignet, durch Anwendung des oben beschriebenen Verfahrens automatisch ausgefüllt und/oder korrigiert zu werden. Basierend auf den Attribut-Tags können folglich nur solche Metadaten-Attribute aus der Vielzahl von Metadaten-Attributen als potentiell das mindestens eine erste Metadaten-Attribut festgelegt werden, deren Attributwerte durch Anwendung des oben beschriebenen Verfahrens basierend auf dem medizinischen Bild automatisch ausgefüllt und/oder korrigiert werden können. Mit anderen Worten wird das mindestens eine erste Metadaten-Attribut in Abhängigkeit von dem entsprechenden Attribut-Tag bestimmt.
  • 8 zeigt ein schematisches Flussdiagramm einer achten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist.
  • Die Schritte des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, des Anwendens APP-1 der ersten trainierten Funktion, des Bestimmens DET-1 des endgültigen Attributwerts und des Bereitstellens PROV des mindestens einen ersten Metadaten-Attributs werden auf die gleiche Weise durchgeführt, wie es gemäß 1 beschrieben wurde. Der Schritt des Überprüfens CHECK, ob der provisorische Attributwert leer ist, wird gemäß 2 durchgeführt. Der Schritt des Ausfüllens FILL des endgültigen Attributwerts mit dem bildbasierten Attributwert wird gemäß 3 durchgeführt. Der Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts wird gemäß 4 durchgeführt. Der Schritt des Anwendens APP-2 der zweiten trainierten Funktion kann gemäß 5 durchgeführt werden. Der Schritt des Auswählens SEL der ersten trainierten Funktion kann gemäß 6 durchgeführt werden. Der Schritt des Bestimmens DET-2 des mindestens einen ersten Metadaten-Attributs wird gemäß 7 durchgeführt.
  • In dieser Ausführungsform umfasst das Verfahren einen Schritt des Empfangens REC-2 mindestens eines zweiten Metadaten-Attributs aus der Vielzahl von Metadaten-Attributen. Die Vielzahl von Metadaten-Attributen entspricht der Vielzahl von Metadaten-Attributen wie oben beschrieben. Insbesondere umfasst die Vielzahl von Metadaten-Attributen das mindestens eine erste Metadaten-Attribut und das mindestens eine zweite Metadaten-Attribut. Das mindestens eine zweite Metadaten-Attribut steht mit dem mindestens einen ersten Metadaten-Attribut in Beziehung. Mit anderen Worten beziehen sich das mindestens eine erste Metadaten-Attribut und das mindestens eine zweite Metadaten-Attribut auf das gleiche Gebiet bzw. den gleichen Kontext bezüglich des medizinischen Bildes. Beispielsweise können sich beide Metadaten-Attribute auf eine Information beziehen, was in dem medizinischen Bild dargestellt wird. Beispielsweise kann das mindestens eine zweite Metadaten-Attribut eine Information über den untersuchten Körperteil des Untersuchungsobjekts bereitstellen. Mit anderen Worten kann das mindestens eine zweite Metadaten-Attribut das Attribut-Tag „Untersuchter Körperteile“ und beispielsweise den Attributwert „Thorax“ umfassen. In diesem Fall kann das mindestens eine erste Metadaten-Attribut eine Information über das vom medizinischen Bild abgebildete Organ bereitstellen. Beispielsweise kann das mindestens eine erste Metadaten-Attribut das Attribut-Tag „Organ“ und den provisorischen Attributwert „Herz“ umfassen. Alternativ kann der provisorische Attributwert leer sein. Folglich kann das mindestens eine zweite Metadaten-Attribut eine allgemeinere Information auf dem gleichen Gebiet wie das mindestens eine erste Metadaten-Attribut sein. Mit anderen Worten stellt das mindestens eine zweite Metadaten-Attribut einige Vorabinformationen bereit, die zum Bestimmen des bildbasierten Attributwerts relevant sein können. Beispielsweise kann der bildbasierte Attributwert in dem obigen Beispiel nicht „Gehirn“ sein, wenn der Thorax des Untersuchungsobjekts im medizinischen Bild dargestellt wird. Folglich kann das mindestens eine zweite Metadaten-Attribut zum Beschleunigen und/oder Steuern des Schritts des Bestimmens DET-1 des bildbasierten Attributwerts des mindestens einen ersten Metadaten-Attribut durch Bereitstellen einiger Vorabinformationen verwendet werden. Alternativ oder zusätzlich kann das mindestens eine zweite Metadaten-Attribut für eine Konsistenzkontrolle verwendet werden, um zu überprüfen, ob der bildbasierte Attributwert unter Berücksichtigung des mindestens einen zweiten Metadaten-Attributs Sinn macht.
  • Die erste trainierte Funktion wird auch auf das mindestens eine zweite Metadaten-Attribut im Schritt des Anwendens APP-1 der ersten trainierten Funktion angewendet. Wie oben beschrieben kann der bildbasierte Attributwert des mindestens einen ersten Metadaten-Attributs folglich unter Berücksichtigung des mindestens einen zweiten Metadaten-Attributs bestimmt werden.
  • Alternativ oder zusätzlich kann der Schritt des Auswählens der ersten trainierten Funktion von dem mindestens einen zweiten Metadaten-Attribut abhängen. Wie oben beschrieben können die ersten trainierten Funktionen der Vielzahl erster trainierter Funktionen für ein spezifisches Gebiet spezialisiert sein. Basierend auf dem Attribut-Tag und dem Attributwert des mindestens einen zweiten Metadaten-Attributs und optional dem Attribut-Tag des mindestens einen ersten Metadaten-Attributs kann die am besten geeignete erste trainierte Funktion ausgewählt werden. Gemäß dem obigen Beispiel kann eine trainierte Funktion, die zum Bestimmen der Organe in einem Thorax geeignet ist, basierend auf dem mindestens einen zweiten Metadaten-Attribut und dem Attribut-Tag des mindestens einen ersten Metadaten-Attributs ausgewählt werden.
  • Insbesondere kann das Verfahren einen Schritt des Bestimmens des mindestens einen zweiten Metadaten-Attributs basierend auf dem Attribut-Tag des mindestens einen ersten Metadaten-Attributs umfassen. Dabei wird mindestens ein Metadaten-Attribut, das zu dem gleichen Gebiet wie das mindestens eine erste Metadaten-Attribut gehört, aus der Vielzahl von Metadaten-Attributen als mindestens ein zweites Metadaten-Attribut bestimmt. Alternativ können die verwandten Metadaten-Attribute vordefiniert werden. Mit anderen Worten können Beziehungen zwischen den Metadaten-Attributen der Vielzahl von Metadaten-Attributen im Voraus definiert werden. Verwandte Metadaten-Attribute können gemeinsam empfangen werden.
  • 9 zeigt ein schematisches Flussdiagramm einer neunten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
  • Die Schritte des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, des Anwendens APP-1 der ersten trainierten Funktion, des Bestimmens DET-1 des endgültigen Attributwerts und des Bereitstellens PROV des mindestens einen ersten Metadaten-Attributs werden auf die gleiche Weise durchgeführt, wie es gemäß 1 beschrieben wurde. Der Schritt des Überprüfens CHECK, ob der provisorische Attributwert leer ist, wird gemäß 2 durchgeführt. Der Schritt des Ausfüllens FILL des endgültigen Attributwerts mit dem bildbasierten Attributwert wird gemäß 3 durchgeführt. Der Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts wird gemäß 4 durchgeführt. Der Schritt des Anwendens APP-2 der zweiten trainierten Funktion kann gemäß 5 durchgeführt werden. Der Schritt des Auswählens SEL der ersten trainierten Funktion kann gemäß 6 durchgeführt werden. Der Schritt des Bestimmens DET-2 des mindestens einen ersten Metadaten-Attributs wird gemäß 7 durchgeführt. Der Schritt des Empfangens REC-2 des mindestens einen zweiten Metadaten-Attributs wird gemäß 8 durchgeführt.
  • Der provisorische Attributwert des mindestens einen ersten Metadaten-Attributs umfasst einen Freitext-Attributwert. Der Freitext-Attributwert kann beispielsweise von einem Arzt und/oder von einem medizinischen Assistenten ausgefüllt werden. Der Freitext-Attributwert wird insbesondere nicht durch irgendwelche Regeln eingeschränkt. Der Freitext-Attributwert kann beispielsweise eine Abkürzung und/oder nichtstandardisierten Ausdruck und/oder ein Akronym umfassen. Die Freitext-Attributwerte können sich zwischen den Personen, die den Freitext-Attributwert ausgefüllt haben, unterscheiden. Mit anderen Worten kann der Freitext-Attributwert individuell sein. Der Freitext-Attributwert kann beispielsweise „Thx p.a. LR ER“ oder „Brust AP Port“ sein.
  • In einem Schritt des Standardisierens STAN des Freitext-Attributwerts wird der Freitext-Attributwert durch Anwenden einer dritten trainierten Funktion auf das mindestens eine erste Metadaten-Attribut standardisiert. Dabei wird der Freitext-Attributwert durch den standardisierten Attributwert im provisorischen Attributwert des mindestens einen ersten Metadaten-Attributs ersetzt. Mit anderen Worten umfasst der provisorische Attributwert den standardisierten Attributwert nach Anwenden der dritten trainierten Funktion. Durch Anwenden der dritten trainierten Funktion wird der Freitext-Attributwert basierend auf einer Standardontologie wie RadLex oder SNOMED-CT und/oder basierend auf einem privat definierten Wörterbuch standardisiert. Das privat definierte Wörterbuch kann wie oben beschrieben ausgelegt sein. Die dritte trainierte Funktion kann wie oben beschrieben trainiert und ausgelegt werden. Gemäß den Beispielen in 8 können die standardisierten Attributwerte „Thorax Posterior Anterior Links Rechts Notaufnahme“ und „Brust anterior posterior portabel“ sein.
  • Der provisorische Attributwert, der den standardisierten Attributwert umfasst, kann in dem Schritt des Bestimmens DET-1 des endgültigen Attributwerts verwendet werden.
  • 10 zeigt ein schematisches Flussdiagramm einer zehnten Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
  • Die Schritte des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, des Anwendens APP-1 der ersten trainierten Funktion, des Bestimmens DET-1 des endgültigen Attributwerts und des Bereitstellens PROV des mindestens einen ersten Metadaten-Attributs werden auf die gleiche Weise durchgeführt, wie es gemäß 1 beschrieben wurde. Der Schritt des Überprüfens CHECK, ob der provisorische Attributwert leer ist, wird gemäß 2 durchgeführt. Der Schritt des Ausfüllens FILL des endgültigen Attributwerts mit dem bildbasierten Attributwert wird gemäß 3 durchgeführt. Der Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts wird gemäß 4 durchgeführt. Der Schritt des Anwendens APP-2 der zweiten trainierten Funktion kann gemäß 5 durchgeführt werden. Der Schritt des Auswählens SEL der ersten trainierten Funktion kann gemäß 6 durchgeführt werden. Der Schritt des Bestimmens DET-2 des mindestens einen ersten Metadaten-Attributs wird gemäß 7 durchgeführt. Der Schritt des Empfangens REC-2 des mindestens einen zweiten Metadaten-Attributs wird gemäß 8 durchgeführt. Der Schritt des Standardisierens STAN des Freitext-Attributwerts wird gemäß 9 durchgeführt.
  • In einem Schritt des Kategorisierens CAT des standardisierten Attributwerts wird der kategorisierte standardisierte Attributwert durch Anwenden einer vierten trainierten Funktion bestimmt. Dabei wird der standardisierte Attributwert durch den kategorisierten standardisierten Attributwert im provisorischen Attributwert des mindestens einen ersten Metadaten-Attributs ersetzt.
  • Die vierte trainierte Funktion kann wie oben beschrieben ausgelegt sein. Durch Kategorisieren des standardisierten Attributwerts wird jeder Ausdruck des standardisierten Attributwerts kategorisiert. Gemäß dem Beispiel von 9 können die standardisierten Attributwerte wie folgt kategorisiert werden: [Thorax] → „Anatomie“, [Posterior Anterior] → „Ansicht Position“, [Links Rechts] → „Patientenorientierung", [Notaufnahme] → „Ort“ und [Brust] → „Anatomie“, [Anterior Posterior] → „Ansicht Position“, [Portabel] → „Modalität“. Dabei sind „Anatomie“, „Ansicht Position“, „Patientenorientierung“, „Ort“, „Modalität“ Kategorien zum Kategorisieren des Ausdrucks, der in den standardisierten Attributwerten enthalten ist. Zum Kategorisieren der standardisierten Attributwerte sind mehr Kategorien möglich.
  • Der provisorische Attributwert, der den kategorisierten standardisierten Attributwert umfasst, kann in dem Schritt des Bestimmens DET -1 des endgültigen Attributwerts verwendet werden.
  • 11 zeigt ein schematisches Flussdiagramm einer elften Ausführungsform des Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist,
  • Die Schritte des Empfangens REC-1 des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, des Anwendens APP-1 der ersten trainierten Funktion, des Bestimmens DET-1 des endgültigen Attributwerts und des Bereitstellens PROV des mindestens einen ersten Metadaten-Attributs werden auf die gleiche Weise durchgeführt, wie es gemäß 1 beschrieben wurde. Der Schritt des Überprüfens CHECK, ob der provisorische Attributwert leer ist, wird gemäß 2 durchgeführt. Der Schritt des Ausfüllens FILL des endgültigen Attributwerts mit dem bildbasierten Attributwert wird gemäß 3 durchgeführt. Der Schritt des Vergleichens COMP des provisorischen Attributwerts und des bildbasierten Attributwerts wird gemäß 4 durchgeführt. Der Schritt des Anwendens APP-2 der zweiten trainierten Funktion kann gemäß 5 durchgeführt werden. Der Schritt des Auswählens SEL der ersten trainierten Funktion kann gemäß 6 durchgeführt werden. Der Schritt des Bestimmens DET-2 des mindestens einen ersten Metadaten-Attributs wird gemäß 7 durchgeführt. Der Schritt des Empfangens REC-2 des mindestens einen zweiten Metadaten-Attributs wird gemäß 8 durchgeführt. Der Schritt des Standardisierens STAN des Freitext-Attributwerts wird gemäß 9 durchgeführt. Der Schritt des Kategorisierens CAT des standardisierten Attributwerts kann gemäß 10 durchgeführt werden.
  • In einem Schritt des Durchführens PER eines semantischen Abgleichs des kategorisierten standardisierten Attributwerts wird der kategorisierte standardisierte Attributwert mit Begriffen höherer Ordnung durch Anwenden einer fünften trainierten Funktion abgeglichen. Dabei wird der kategorisierte standardisierte Attributwert durch den abgeglichenen kategorisierten standardisierten Attributwert im provisorischen Attributwert des mindestens einen ersten Metadaten-Attributs ersetzt.
  • Die fünfte trainierte Funktion kann wie oben beschrieben ausgelegt sein. Die Begriffe höherer Ordnung entsprechen insbesondere einer standardisierten Ontologie wie RadLex und/oder SNOMED-CT und/oder einem privat definierten Wörterbuch wie oben beschrieben. Insbesondere kann während eines semantischen Abgleichs ein konkreter Ausdruck innerhalb des kategorisierten standardisierten Attributwerts durch einen allgemeineren gemäß der Standardontologie und/oder dem privat definierten Wörterbuch ersetzt werden. Für die Beispiele in 9 und 10 sind die abgeglichenen kategorisierten standardisierten Attributwerte „Brust Posterior Anterior Links Rechts Notaufnahme“ und „Brust Anterior Posterior Portabel Röntgen“. Der Klarheit halber wurden die Kategorien hier weggelassen. Der Ausdruck „Thorax“ wird daher durch den allgemeineren Begriff höherer Ordnung „Brust“ ersetzt und der Ausdruck „Portabel“ wird durch den Begriff höherer Ordnung „Portabel Röntgen“ ersetzt.
  • Der provisorische Attributwert, der den abgeglichenen kategorisierten standardisierten Attributwert umfasst, kann in dem Schritt des Bestimmens DET-1 des endgültigen Attributwerts verwendet werden.
  • Alternativ kann der semantische Abgleich am standardisierten Attributwert durchgeführt werden. Mit anderen Worten können die Ausdrücke innerhalb des standardisierten Attributwerts abgeglichen werden und die Kategorisierung kann entfallen oder anschließen durchgeführt werden. Der standardisierte Attributwert kann dann durch den abgeglichenen standardisierten Attributwert im provisorischen Attributwert ersetzt werden. Der provisorische Attributwert, der den abgeglichenen standardisierten Attributwert umfasst, kann in dem Schritt des Bestimmens DET-1 des endgültigen Attributwerts verwendet werden.
  • 12 zeigt ein Vereinheitlichungssystem SYS, 13 zeigt ein Trainingssystem TSYS. Das gezeigte Vereinheitlichungssystem SYS ist zum Ausführen eines erfindungsgemäßen Verfahrens zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist, ausgelegt. Das gezeigte Trainingssystem TSYS ist zum Durchführen eines erfindungsgemäßen Verfahrens zum Bereitstellen einer ersten trainierten Funktion ausgelegt. Ein Trainingssystem zum Bereitstellen einer zweiten, dritten, vierten oder fünften trainierten Funktion kann entsprechend ausgelegt sein. Das Vereinheitlichungssystem SYS umfasst eine Schnittstelle SYS.IF, eine Recheneinheit SYS.CU und eine Speichereinheit SYS.MU. Das Trainingssystem TSYS umfasst eine Trainingsschnittstelle TSYS.IF, eine Trainingsrecheneinheit TSYS.CU und eine Trainingsspeichereinheit TSYS.MU.
  • Das Vereinheitlichungssystem SYS und/oder das Trainingssystem TSYS kann insbesondere ein Computer, ein Mikrocontroller oder ein integrierter Schaltkreis sein. Alternativ kann das Vereinheitlichungssystem SYS und/oder das Trainingssystem TSYS ein reales oder virtuelles Computernetzwerk sein (ein technischer Begriff für ein reales Netzwerk ist „Cluster“, ein technischer Begriff für ein virtuelles Netzwerk ist „Cloud“). Das Vereinheitlichungssystem SYS und/oder das Trainingssystem TSYS kann auch als virtuelles System, das auf einem Computer ausgeführt wird, als reales Computernetzwerk oder als virtuelles Computernetzwerk (ein technischer Begriff ist „Virtualisierung“) ausgelegt sein.
  • Eine Schnittstelle SYS.IF und/oder eine Trainingsschnittstelle TSYS.IF kann eine Hardware- oder Software-Schnittstelle sein (beispielsweise PCI-Bus, USB oder Firewire). Eine Recheneinheit SYS.CU und/oder eine Trainingsrecheneinheit TSYS.CU kann Hardwareelemente oder Softwareelemente aufweisen, beispielsweise einen Mikroprozessor oder ein sogenannter FPGA (Akronym für „field programmable gate way“). Eine Speichereinheit SYS.MU und/oder eine Trainingsspeichereinheit TSYS.MU kann als nichtpermanenter Arbeitsspeicher (RAM-Speicher, kurz RAM) oder als permanenter Massenspeicher (Festplatte, USB-Stick, SD-Karte, Solid-State-Disk) implementiert werden.
  • Die Schnittstelle SYS.IF und/oder die Trainingsschnittstelle TSYS.IF kann insbesondere eine Vielzahl von Unterschnittstellen umfassen, die verschiedene Schritte des jeweiligen Verfahrens durchführen. Mit anderen Worten kann die Schnittstelle SYS.IF und/oder die Trainingsschnittstelle TSYS.IF auch als Vielzahl von Schnittstellen SYS.IF und/oder Vielzahl von Trainingsschnittstellen TSYS.IF verstanden werden. Die Recheneinheit SYS.CU und/oder die Trainingsrecheneinheit TSYS.CU kann insbesondere eine Vielzahl von Unterrecheneinheiten umfassen, die verschiedene Schritte des jeweiligen Verfahrens durchführen. Mit anderen Worten kann die Recheneinheit SYS.CU und/oder die Trainingsrecheneinheit TSYS.CU auch als Vielzahl von Recheneinheiten SYS.CU und/oder Vielzahl von Trainingsrecheneinheiten TSYS.CU verstanden werden.
  • Wenn es nicht bereits ausdrücklich beschrieben wurde, können einzelne Ausführungsformen oder ihre individuellen Aspekte und Merkmale miteinander kombiniert oder untereinander ausgetauscht werden, ohne den Umfang der beschriebenen Erfindung einzuschränken oder zu erweitern, wo immer eine solche Kombination oder ein solcher Austausch sinnvoll und im Sinne dieser Erfindung ist. Vorteile, die mit Bezug auf eine Ausführungsform der vorliegenden Erfindung beschrieben werden, sind wo immer zutreffend auch für andere Ausführungsformen der vorliegenden Erfindung vorteilhaft.

Claims (15)

  1. Computerimplementiertes Verfahren zum Bereitstellen mindestens eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist, wobei das Verfahren umfasst: - Empfangen (REC-1) des medizinischen Bildes und des mindestens einen ersten Metadaten-Attributs, wobei das mindestens eine erste Metadaten-Attribut ein Attribut-Tag und einen provisorischen Attributwert umfasst, - Anwenden (APP-1) einer ersten trainierten Funktion auf das medizinische Bild zum Bestimmen eines bildbasierten Attributwerts, - Bestimmen (DET-1) eines endgültigen Attributwerts basierend auf dem provisorischen Attributwert und dem bildbasierten Attributwert, - Bereitstellen (PROV) des mindestens einen ersten Metadaten-Attributs, wobei das mindestens eine erste Metadaten-Attribut das Attribut-Tag und den endgültigen Attributwert umfasst.
  2. Verfahren nach Anspruch 1, umfassend die folgenden Schritte: - Prüfen (CHECK), ob der provisorische Attributwert leer ist, wobei der Schritt des Bestimmens (DET-1) des endgültigen Attributwerts auf dem Ergebnis der Überprüfung basiert.
  3. Verfahren nach Anspruch 2, wobei der Schritt des Bestimmens DET-1 des endgültigen Attributwerts den folgenden Schritt umfasst, wenn der provisorische Attributwert leer ist: - Ausfüllen (FILL) des endgültigen Attributwerts mit dem bildbasierten Attributwert.
  4. Verfahren nach einem der Ansprüche 2 oder 3, wobei der Schritt des Bestimmens des endgültigen Attributwerts den folgenden Schritt umfasst, wenn der provisorische Attributwert nicht leer ist: - Vergleichen (COMP) des provisorischen Attributwerts mit dem bildbasierten Attributwert, wobei der endgültige Attributwert basierend auf diesem Vergleich bestimmt wird.
  5. Verfahren nach Anspruch 4, wobei der Schritt des Vergleichens des provisorischen Attributwerts und des bildbasierten Attributwerts den folgenden Schritt umfasst: - Anwenden (APP-2) einer zweiten trainierten Funktion auf den provisorischen Attributwert und den bildbasierten Attributwert zum Bestimmen des endgültigen Attributwerts.
  6. Verfahren nach Anspruch 5, wobei die erste trainierte Funktion die zweite trainierte Funktion umfasst.
  7. Verfahren nach einem der Ansprüche 2 bis 6, ferner umfassend den folgenden Schritt: - Auswählen (SEL) der ersten trainierten Funktion aus einer Vielzahl von ersten trainierten Funktionen, basierend auf dem Ergebnis der Überprüfung und/oder des Attribut-Tags.
  8. Verfahren nach einem der vorhergehenden Ansprüche, wobei eine Vielzahl von Metadaten-Attributen mit dem medizinischen Bild assoziiert ist, wobei jedes Metadaten-Attribut der Vielzahl von Metadaten-Attributen ein Attribut-Tag und einen Attributwert umfasst, wobei das mindestens eine erste Metadaten-Attribut ein Metadaten-Attribut der Vielzahl von Metadaten-Attributen ist, ferner umfassend den folgenden Schritt: - Bestimmen (DET-2) des mindestens einen ersten Metadaten-Attributs aus der Vielzahl von Metadaten-Attributen basierend auf einer Anwendung, die zum Verarbeiten des medizinischen Bildes und/oder der Attribut-Tags ausgelegt ist.
  9. Verfahren nach einem der vorhergehenden Ansprüche, wobei eine Vielzahl von Metadaten-Attributen mit dem medizinischen Bild assoziiert ist, wobei das mindestens eine erste Metadaten-Attribut ein Metadaten-Attribut der Vielzahl von Metadaten-Attributen ist, wobei das Verfahren ferner den folgenden Schritt umfasst: - Empfangen (REC-2) mindestens eines zweiten Metadaten-Attributs der Vielzahl von Metadaten-Attributen, wobei das mindestens eine zweite Metadaten-Attribut mit dem mindestens einen ersten Metadaten-Attribut in Beziehung steht, wobei die erste trainierte Funktion auch auf das mindestens eine zweite Metadaten-Attribut im Schritt des Anwendens der ersten trainierten Funktion angewendet wird.
  10. Verfahren nach einem der vorhergehenden Ansprüche, wobei der provisorische Attributwert einen Freitext-Attributwert umfasst, wobei das Verfahren den folgenden Schritt umfasst: - Standardisieren (STAN) des Freitext-Attributwerts durch Anwenden einer dritten trainierten Funktion auf das mindestens eine erste Metadaten-Attribut, wobei der Freitext-Attributwert durch den standardisierten Attributwert im provisorischen Attributwert des mindestens einen ersten Metadaten-Attributs ersetzt wird.
  11. Verfahren nach Anspruch 10, ferner umfassend den folgenden Schritt: - Kategorisieren (CAT) des standardisierten Attributwerts durch Anwenden einer vierten trainierten Funktion auf das mindestens eine erste Metadaten-Attribut, wobei der standardisierte Attributwert durch den kategorisierten standardisierten Attributwert im provisorischen Attributwert des mindestens einen ersten Metadaten-Attributs ersetzt wird.
  12. Verfahren nach Anspruch 11, ferner umfassend den folgenden Schritt: - Durchführen (PER) eines semantischen Abgleichs des kategorisierten standardisierten Attributwerts mit Begriffen höherer Ordnung durch Anwenden einer fünften trainierten Funktion auf das mindestens eine Metadaten-Attribut, wobei der kategorisierte standardisierte Attributwert durch den abgeglichenen kategorisierten standardisierten Attributwert im provisorischen Attributwert des mindestens einen ersten Metadaten-Attributs ersetzt wird.
  13. Vereinheitlichungssystem zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist, umfassend eine Schnittstelle und eine Recheneinheit, wobei die Schnittstelle zum Empfangen des medizinischen Bildes und des mindestens einen Metadaten-Attributs ausgelegt ist, wobei das mindestens eine Metadaten-Attribut ein Attribut-Tag und einen provisorischen Attributwert umfasst, wobei die Recheneinheit zum Anwenden einer ersten trainierten Funktion auf das medizinische Bild zum Bestimmen eines bildbasierten Attributwerts ausgelegt ist, wobei die Recheneinheit zum Bestimmen eines endgültigen Attributwerts basierend auf dem provisorischen Attributwert und dem bildbasierten Attributwert ausgelegt ist, wobei die Schnittstelle zum Bereitstellen des mindestens einen Metadaten-Attributs ausgelegt ist, wobei das mindestens eine Metadaten-Attribut das Attribut-Tag und den endgültigen Attributwert umfasst.
  14. Computerprogrammprodukt, umfassend Programmelemente, die direkt in eine Speichereinheit eines Vereinheitlichungssystems (SYS) ladbar sind, das veranlasst, dass das Vereinheitlichungssystem (SYS) das Verfahren nach einem der Ansprüche 1 bis 12 ausführt, wenn die Programmelemente vom Vereinheitlichungssystem (SYS) ausgeführt werden.
  15. Computerlesbares Speichermedium, umfassend Programmelemente, die von einem Vereinheitlichungssystem (SYS) lesbar und ausführbar sind, um das Verfahren nach einem der Ansprüche 1 bis 12 auszuführen, wenn die Programmelemente vom Vereinheitlichungssystem (SYS) ausgeführt werden.
DE102021201912.9A 2021-03-01 2021-03-01 Verfahren zur Bereitstellung eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist Pending DE102021201912A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102021201912.9A DE102021201912A1 (de) 2021-03-01 2021-03-01 Verfahren zur Bereitstellung eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist
US17/671,950 US20220277444A1 (en) 2021-03-01 2022-02-15 Method for providing at least one metadata attribute associated with a medical image
CN202210190554.7A CN114999613A (zh) 2021-03-01 2022-02-28 用于提供与医学图像相关联的至少一个元数据属性的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021201912.9A DE102021201912A1 (de) 2021-03-01 2021-03-01 Verfahren zur Bereitstellung eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist

Publications (1)

Publication Number Publication Date
DE102021201912A1 true DE102021201912A1 (de) 2022-09-01

Family

ID=82799432

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021201912.9A Pending DE102021201912A1 (de) 2021-03-01 2021-03-01 Verfahren zur Bereitstellung eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist

Country Status (3)

Country Link
US (1) US20220277444A1 (de)
CN (1) CN114999613A (de)
DE (1) DE102021201912A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022211617A1 (de) 2022-11-03 2024-05-08 Siemens Healthineers Ag Verfahren zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das in medizinischen Bilddaten enthalten ist

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200394814A1 (en) 2019-06-13 2020-12-17 Nec Laboratories America, Inc. Scene attribute annotation of complex road typographies

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200394814A1 (en) 2019-06-13 2020-12-17 Nec Laboratories America, Inc. Scene attribute annotation of complex road typographies

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Overcoming Labeling Ability for Latent Positives:Automatic Label Correction along Data Series, 2019 [recherchiert am 13.10.2021]. Im Internet: <URL: https://pdfs.semanticscholar.org/cdb6/037e65791952e8f645dc82cfd93c89985ee3.pdf>

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022211617A1 (de) 2022-11-03 2024-05-08 Siemens Healthineers Ag Verfahren zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das in medizinischen Bilddaten enthalten ist

Also Published As

Publication number Publication date
CN114999613A (zh) 2022-09-02
US20220277444A1 (en) 2022-09-01

Similar Documents

Publication Publication Date Title
CN109065110B (zh) 一种基于深度学习方法的自动生成医学影像诊断报告的方法
DE112017002975T5 (de) Aktualisieren der Wahrscheinlichkeiten von Zuständen auf Grundlage von Annotationen in medizinischen Bildern
DE102011080260B4 (de) Verfahren und Anordnung zur rechnergestützten Darstellung bzw. Auswertung von medizinischen Untersuchungsdaten
JP6220310B2 (ja) 医用画像情報システム、医用画像情報処理方法及びプログラム
WO2021082416A1 (zh) 网络模型训练方法及装置、病灶区域确定方法及装置
CN110097951A (zh) 根据医学文本报告的图像生成
US20170177795A1 (en) Method and system for visualization of patient history
US20220254022A1 (en) Method and system for automatic multiple lesion annotation of medical images
DE102017221297A1 (de) Verfahren und Vorrichtung zur automatisierten Auswertung wenigstens eines mit einer medizinischen Bildaufnahmeeinrichtung aufgenommenen Bilddatensatzes, Computerprogramm und elektronisch lesbarer Datenträger
DE102016213515A1 (de) Verfahren zur Unterstützung eines Befunders bei der Auswertung eines Bilddatensatzes, Bildaufnahmeeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger
EP3451211A1 (de) Verfahren und steuereinrichtung zur steuerung eines medizintechnischen bildgebenden systems
DE102014219841A1 (de) Verfahren, Vorrichtung und Computerprogrammprodukt zur Erstellung eines medizinischen Berichts
DE102021201912A1 (de) Verfahren zur Bereitstellung eines Metadaten-Attributs, das mit einem medizinischen Bild assoziiert ist
DE102017203315A1 (de) Verfahren und Datenverarbeitungseinheit zur Auswahl eines Protokolls für eine medizinische Bildgebungsuntersuchung
DE112021000329T5 (de) Unterstützungsvorrichtung, verfahren und programm für dokumentenerstellung
DE102015205493B4 (de) Betrieb einer medizinischen Bildgebungsvorrichtung
DE102019216745A1 (de) Anonymisierung von medizinischen Bilddaten
Hsu et al. Development of a deep learning model for chest X-ray screening
DE112020005870T5 (de) Unterstützungsvorrichtung für dokumentenerstellung, unterstützungsverfahren für dokumentenerstellung und unterstützungsprogramm für dokumentenerstellung
DE102022211617A1 (de) Verfahren zum Bereitstellen mindestens eines ersten Metadaten-Attributs, das in medizinischen Bilddaten enthalten ist
EP4276845A1 (de) Verfahren zum bereitstellen eines bearbeiteten medizinischen bildes
US20230326598A1 (en) Automated Generation of Medical Training Data for Training AI-Algorithms for Supporting Clinical Reporting and Documentation
EP3985679A1 (de) Technik zur bereitstellung einer interaktiven anzeige eines medizinischen bildes
US20240127917A1 (en) Method and system for providing a document model structure for producing a medical findings report
DE102021204238A1 (de) Verfahren und System zur Erzeugung und Strukturierung medizinischer Untersuchungsinformationen

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