DE102021210804A1 - Method and apparatus for providing planning information in preparation for a breast biopsy - Google Patents
Method and apparatus for providing planning information in preparation for a breast biopsy Download PDFInfo
- Publication number
- DE102021210804A1 DE102021210804A1 DE102021210804.0A DE102021210804A DE102021210804A1 DE 102021210804 A1 DE102021210804 A1 DE 102021210804A1 DE 102021210804 A DE102021210804 A DE 102021210804A DE 102021210804 A1 DE102021210804 A1 DE 102021210804A1
- Authority
- DE
- Germany
- Prior art keywords
- biopsy
- breast
- image data
- planning information
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001574 biopsy Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 95
- 210000000481 breast Anatomy 0.000 title claims abstract description 75
- 238000002360 preparation method Methods 0.000 title description 4
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 123
- 238000012545 processing Methods 0.000 claims abstract description 106
- 238000003384 imaging method Methods 0.000 claims abstract description 35
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 98
- 238000007781 pre-processing Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 31
- 239000011159 matrix material Substances 0.000 description 15
- 238000011176 pooling Methods 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000003902 lesion Effects 0.000 description 7
- 230000037390 scarring Effects 0.000 description 6
- 239000002184 metal Substances 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012508 change request Methods 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000037816 tissue injury Diseases 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013188 needle biopsy Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/502—Clinical applications involving diagnosis of breast, i.e. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0041—Detection of breast cancer
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
- A61B17/34—Trocars; Puncturing needles
- A61B17/3403—Needle locating or guiding means
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
- A61B2017/00017—Electrical control of surgical instruments
- A61B2017/00115—Electrical control of surgical instruments with audible or visual output
- A61B2017/00119—Electrical control of surgical instruments with audible or visual output alarm; indicating an abnormal situation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/107—Visualisation of planned trajectories or target regions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
- A61B2034/2055—Optical tracking systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/025—Tomosynthesis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Abstract
Verfahren zur Bereitstellung einer Planungsinformation (33) zur Vorbereitung einer Brustbiopsie, umfassend die Schritte:- Empfangen von medizinischen Bilddaten (34), die eine zu biopsierende Brust (35) betreffen,- Ermitteln der Planungsinformation (33) durch einen Verarbeitungsalgorithmus (36), der die Bilddaten (34) als Eingangsdaten verarbeitet und durch Maschinenlernen trainiert ist, wobei die Planungsinformation (33) einen voraussichtlich geeigneten Parameterwert für wenigstens einen Biopsieparameter (37) der Brustbiopsie und/oder für wenigstens einen Bildgebungsparameter (38) eines medizinisches Bildgebungsverfahrens zur Überwachung der Brustbiopsie vorgibt,- Bereitstellen der Planungsinformation (33).A method for providing planning information (33) for preparing a breast biopsy, comprising the steps of: - receiving medical image data (34) relating to a breast (35) to be biopsied, - determining the planning information (33) using a processing algorithm (36), which processes the image data (34) as input data and is trained by machine learning, the planning information (33) containing a presumably suitable parameter value for at least one biopsy parameter (37) of the breast biopsy and/or for at least one imaging parameter (38) of a medical imaging method for monitoring the breast biopsy specifies,- providing the planning information (33).
Description
Die Erfindung betrifft ein Verfahren zur Bereitstellung einer Planungsinformation zur Vorbereitung einer Brustbiopsie. Daneben betrifft die Erfindung eine Vorrichtung, ein Computerprogramm und einen computerlesbaren Datenträger.The invention relates to a method for providing planning information for preparing a breast biopsy. In addition, the invention relates to a device, a computer program and a computer-readable data carrier.
Bei einer Brustbiopsie wird mithilfe einer in die Brust eingeführten Nadel aus dieser Gewebe entnommen. Dies dient insbesondere dazu, bei einer Erkennung einer auffälligen Gewebeveränderung beziehungsweise Läsion, beispielsweise im Rahmen eines bildgebenden Untersuchungsverfahrens, auf Basis der Gewebeprobe robust entscheiden zu können, ob beispielsweise ein Tumor vorliegt.During a breast biopsy, tissue is removed from the breast using a needle inserted into the breast. This serves in particular to be able to make a robust decision on the basis of the tissue sample, for example whether a tumor is present, when a conspicuous tissue change or lesion is detected, for example as part of an imaging examination method.
Hierbei ist wesentlich, dass hinreichend viel Gewebe an der korrekten Position entnommen wird, wobei gleichzeitig Eingriffsfolgen, wie beispielsweise eine Narbenbildung, möglichst weitgehend vermieden werden sollen. Um dies zu erreichen, werden Brustbiopsien häufig durch ein medizinisches Bildgebungsverfahren überwacht. Die Überwachung erfolgt hierbei häufig durch Röntgenaufnahmen, wobei stereoskopische Röntgenaufnahmen, eine Tomosynthese oder auch eine Computertomographie genutzt werden können, um Tiefeninformationen zu gewinnen. Alternativ kann z.B. eine Ultraschallbildgebung erfolgen.It is essential here that a sufficient amount of tissue is removed from the correct position, while at the same time the consequences of the intervention, such as scarring, should be avoided as far as possible. To achieve this, breast biopsies are often monitored using a medical imaging technique. In this case, the monitoring is frequently carried out by means of X-ray images, with stereoscopic X-ray images, tomosynthesis or computed tomography being able to be used in order to obtain depth information. Alternatively, e.g. ultrasound imaging can be performed.
Durch eine geeignete Überwachung in Kombination mit einer geeigneten Wahl der Biopsieparameter, also insbesondere der Nadeldicke, die auch als „Gauge“ bezeichnet wird, und der Einstichgeometrie, können die oben angegebenen Ziele prinzipiell erreicht werden. Problematisch ist hierbei jedoch, dass beispielsweise ein Arzt, der einen solchen Eingriff durchführt, relativ viel Erfahrung und Training benötigt, um zuverlässig optimale Parameter für die Biopsie zu wählen, selbst dann, wenn ihm optimale Vorinformationen und medizinische Bilddaten zur Vorbereitung des Eingriffs zur Verfügung stehen. Die als optimal empfundenen Parameter sind zudem bis zu einem Grad subjektiv, wodurch eine gewisse Variabilität des Eingriffsergebnisses resultiert. Hierdurch kann das Ziel, Gewebeverletzungen beziehungsweise Narbenbildung möglichst weitgehend zu vermeiden nicht immer optimal erreicht werden.In principle, the goals stated above can be achieved through suitable monitoring in combination with a suitable selection of the biopsy parameters, i.e. in particular the needle thickness, which is also referred to as “gauge”, and the puncture geometry. However, the problem here is that, for example, a doctor who performs such an intervention requires a relatively large amount of experience and training in order to reliably select optimal parameters for the biopsy, even if optimal prior information and medical image data are available to him to prepare for the intervention . The parameters that are perceived as being optimal are also subjective to a degree, resulting in a certain variability in the outcome of the intervention. As a result, the goal of avoiding tissue injuries or scarring as far as possible cannot always be optimally achieved.
Um eine optimale Überwachung des Eingriffs durch medizinische Bildgebung zu erreichen, ist es typischerweise erforderlich, die Bildgebungsparameter beziehungsweise die Auswertung der Bilddaten, beispielsweise zur Vermeidung von durch die Biopsienadel im Bild verursachten Metallartefakten, für die jeweilige Brustbiopsie anzupassen. Auch hierfür ist viel Erfahrung beziehungsweise ausführliches Training des Bedienpersonals erforderlich und eine subjektive Variabilität der gewählten Parameter, die zu einer insgesamt schlechteren Bildgebung führen kann, kann kaum vermieden werden. Wird im Rahmen der Überwachung des Eingriffs keine optimale Bildqualität erreicht, kann dies wiederum zu einer Verschlechterung des Eingriffsergebnisses führen.In order to achieve optimal monitoring of the intervention using medical imaging, it is typically necessary to adapt the imaging parameters or the evaluation of the image data for the respective breast biopsy, for example to avoid metal artifacts caused by the biopsy needle in the image. This also requires a lot of experience or extensive training of the operating personnel and a subjective variability of the selected parameters, which can lead to poorer imaging overall, can hardly be avoided. If optimal image quality is not achieved during the monitoring of the intervention, this can in turn lead to a deterioration in the outcome of the intervention.
Aus den genannten Punkten resultiert das Problem, dass nicht überall hinreichend erfahrenes und trainiertes medizinisches Personal bereitgestellt werden kann, um ein optimales Biopsieergebnis zu erreichen. Zudem ist grundsätzlich ein sehr hoher Trainingsaufwand erforderlich, um medizinisches Personal für optimale Brustbiopsien auszubilden.The above points result in the problem that medical personnel with sufficient experience and training cannot be made available everywhere in order to achieve an optimal biopsy result. In addition, a very high level of training is generally required to train medical personnel for optimal breast biopsies.
Der Erfindung liegt somit die Aufgabe zugrunde, eine Möglichkeit anzugeben, die Vorbereitung einer Brustbiopsie zu unterstützen und hierdurch bei gleichem Trainingsstand der den Eingriff durchführenden Person bessere Biopsieergebnisse erreichen zu können.The invention is therefore based on the object of specifying a possibility of supporting the preparation of a breast biopsy and thereby being able to achieve better biopsy results with the person performing the procedure having the same level of training.
Die Aufgabe wird erfindungsgemäß durch ein Verfahren zur Bereitstellung einer Planungsinformation zur Vorbereitung einer Brustbiopsie gelöst, dass die folgenden Schritte umfasst:
- - Empfangen von medizinischen Bilddaten, die eine zu biopsierende Brust betreffen,
- - Ermitteln der Planungsinformation durch einen Verarbeitungsalgorithmus, der die Bilddaten als Eingangsdaten verarbeitet und durch Maschinenlernen trainiert ist, wobei die Planungsinformation einen voraussichtlich geeigneten Parameterwert für wenigstens einen Biopsieparameter der Brustbiopsie und/oder für wenigstens einen Bildgebungsparameter eines medizinisches Bildgebungsverfahrens zur Überwachung der Brustbiopsie vorgibt,
- - Bereitstellen der Planungsinformation.
- - receiving medical image data relating to a breast to be biopsied,
- - Determination of the planning information by a processing algorithm that processes the image data as input data and is trained by machine learning, the planning information specifying a presumably suitable parameter value for at least one biopsy parameter of the breast biopsy and/or for at least one imaging parameter of a medical imaging method for monitoring the breast biopsy,
- - Providing the planning information.
Es wird somit vorgeschlagen, auf Basis von medizinischen Bilddaten der zur biopsierenden Brust, die typischerweise ohnehin vorliegen, insbesondere wenn eine medizinische Bildgebung zur Eingriffsüberwachung genutzt werden soll, automatisiert geeignete Parameterwerte für Biopsieparameter beziehungsweise ein zur Überwachung genutztes medizinisches Bildgebungsverfahren zu ermitteln. Diese Parameter können beispielsweise an einen Nutzer, beispielsweise einen den Eingriff durchführten Arzt, ausgegeben werden, der diesen Vorschlag umsetzen beziehungsweise auf Basis seiner eigenen Beurteilung anpassen kann. Der Verarbeitungsalgorithmus wirkt in diesem Fall als eine Art Expertensystem.It is therefore proposed to automatically determine suitable parameter values for biopsy parameters or a medical imaging method used for monitoring on the basis of medical image data of the breast to be biopsied, which is typically available anyway, in particular if medical imaging is to be used to monitor the intervention. These parameters can, for example, be output to a user, for example a doctor who performed the procedure, who can implement this suggestion or adapt it based on his own assessment. In this case, the processing algorithm acts as a kind of expert system.
Ergänzend oder alternativ können die Planungsinformationen beispielsweise auch an eine weitere Einrichtung weitergegeben werden, die beispielsweise dazu dienen kann, den Eingriff beziehungsweise die Positionierung und Orientierung der Nadel vor dem Eingriff zu überwachen und entsprechende Hinweise herauszugeben, und/oder dazu, die Bildgebungseinrichtung zu konfigurieren. Die voraussichtlich geeigneten Parameterwerte werden hierbei vorzugsweise von entsprechend geschultem medizinischem Personal geprüft und bei Bedarf gemäß der eigenen Einschätzung angepasst.In addition or as an alternative, the planning information can also be passed on to another facility, for example For example, it can be used to monitor the intervention or the positioning and orientation of the needle before the intervention and issue appropriate information, and/or to configure the imaging device. The presumably suitable parameter values are preferably checked by appropriately trained medical personnel and, if necessary, adjusted according to their own assessment.
Durch das erfindungsgemäße Verfahren können somit Fehleinschätzungen einer Biopsiesituation, die unter Umständen zu einer falschen Wahl von Parameterwerten führen könnten, vermieden werden. Es wird eine Qualitätssicherung erreicht und selbst dann, wenn die vorgeschlagenen Parameterwerte abgewandelt werden, wird die Behandlungsplanung typischerweise erheblich beschleunigt, da zumindest ein robuster Ausgangspunkt für die Parameterwahl bereitgestellt wird.The method according to the invention thus makes it possible to avoid misjudgments of a biopsy situation, which under certain circumstances could lead to an incorrect choice of parameter values. Quality assurance is achieved and even if the proposed parameter values are modified, treatment planning is typically significantly accelerated since at least a robust starting point for parameter selection is provided.
Das Verfahren ist vorzugsweise als computerimplementiertes Verfahren implementiert, das beispielsweise auf einem Arbeitsplatzrechner, einer im Rahmen der medizinischen Bildgebung genutzten Recheneinrichtung, einem Server oder auch dezentral, zum Beispiel als Cloudlösung, implementiert sein kann.The method is preferably implemented as a computer-implemented method, which can be implemented, for example, on a workstation computer, a computing device used in the context of medical imaging, a server, or also decentrally, for example as a cloud solution.
Die Bereitstellung der Planungsinformation kann beispielsweise über eine Ausgabeeinrichtung, insbesondere graphisch, an einen Nutzer folgen. Beispielsweise kann über die Ausgabeeinrichtung ein Modell der zu biopsierenden Brust mit einer hierin gezeigten Einstichgeometrie der Biopsienadel dargestellt werden, um die vorgeschlagenen Biopsieparameter für einen Nutzer zu visualisieren. Alternativ oder ergänzend kann die Bereitstellung der Planungsinformation auch über eine oder mehrere Schnittstellen erfolgen, beispielsweise um eine medizinische Bildgebungseinrichtung oder eine andere Überwachungseinrichtung geeignet zu konfigurieren. Prinzipiell ist auch eine Bereitstellung über eine Softwareschnittstelle an ein weiteres Programm möglich.The planning information can be provided to a user, for example via an output device, in particular graphically. For example, a model of the breast to be biopsied with a puncture geometry of the biopsy needle shown here can be displayed via the output device in order to visualize the proposed biopsy parameters for a user. Alternatively or additionally, the planning information can also be provided via one or more interfaces, for example in order to suitably configure a medical imaging device or another monitoring device. In principle, provision via a software interface to another program is also possible.
Das erfindungsgemäße Verfahren dient zur Vorbereitung der Brustbiopsie. Somit endet das Verfahren insbesondere vor Beginn des chirurgischen Eingriffs, also insbesondere bevor eine Biopsienadel in die Brust eingeführt wird. Prinzipiell ist es zwar möglich, dass zumindest Teile der Planungsinformation auch im Rahmen der Biopsie selbst genutzt werden, beispielsweise im Rahmen einer Bildgebung beziehungsweise Bilddatenverarbeitung im Rahmen der Biopsie. Das erfindungsgemäße Verfahren selbst kommt jedoch ohne jegliche Schritte aus, die eine chirurgische oder therapeutische Behandlung des menschlichen Körpers oder ein Diagnostizierverfahren am menschlichen Körper darstellen oder umfassen.The method according to the invention serves to prepare for the breast biopsy. The method thus ends in particular before the start of the surgical intervention, ie in particular before a biopsy needle is inserted into the breast. In principle it is possible that at least parts of the planning information are also used within the scope of the biopsy itself, for example within the scope of imaging or image data processing within the scope of the biopsy. However, the method according to the invention itself manages without any steps that represent or include a surgical or therapeutic treatment of the human body or a diagnostic method on the human body.
Der Verarbeitungsalgorithmus kann insbesondere ein neuronales Netz sein oder umfassen. Die Bilddaten werden hierbei insbesondere durch ein convolutional neural network beziehungsweise durch mehrere Faltungsschichten verarbeitet, wobei das Verarbeitungsergebnis insbesondere durch wenigstens eine vollständig verbundene Schicht (fully connected layer) weiterverarbeitet wird, durch die die Planungsinformation beziehungsweise die Parameterwerte bereitgestellt werden. Hierbei können für das neuronale Netz bekannte Netzwerkarchitekturen, wie beispielsweise ein U-Net oder DenseNet, genutzt werden.The processing algorithm can in particular be or include a neural network. In this case, the image data are processed in particular by a convolutional neural network or by a plurality of convolution layers, with the processing result being further processed in particular by at least one fully connected layer, which provides the planning information or the parameter values. Network architectures known for the neural network, such as a U-Net or DenseNet, can be used here.
Der Verarbeitungsalgorithmus kann, wie später noch bezüglich des Trainingsverfahrens genauer erläutert werden wird, insbesondere durch ein überwachtes Lernen trainiert sein. Beispielsweise können Experten auf Basis von medizinischen Bilddaten die jeweiligen geeigneten Parameterwerte vorgeben, die dann gemeinsam mit den jeweiligen medizinischen Bilddaten einen Trainingsdatensatz bilden. Bei Vorliegen von hinreichend vielen Trainingsdatensätzen können dann an sich bekannte Trainingsverfahren, beispielsweise eine Fehlerrückführung, genutzt werden, um den Verarbeitungsalgorithmus zu trainieren.As will be explained in more detail below with regard to the training method, the processing algorithm can be trained in particular by monitored learning. For example, experts can specify the respective suitable parameter values on the basis of medical image data, which then form a training data set together with the respective medical image data. If a sufficient number of training data sets are available, training methods known per se, for example error feedback, can then be used to train the processing algorithm.
Die Planungsinformation kann den voraussichtlich geeigneten Parameterwert für eine voraussichtlich geeignete Nadelgröße und/oder eine voraussichtlich geeignete Einstichposition und/oder einen voraussichtlich geeigneten Einstichwinkel einer Biopsienadel als Biopsieparameter vorgeben. Bezüglich der Nadelgröße kann insbesondere deren Durchmesser angegeben werden. Dies kann beispielsweise als „Gauge“ angegeben werden, wobei diese Größe bei im Rahmen einer Brustbiopsie genutzten Biopsienadel typischerweise zwischen 11 und 18 liegt. Ergänzend oder alternativ kann jedoch auch die Lände der Biopsienadel vorgegeben werden oder Ähnliches. Durch Vorgabe einer geeigneten Nadelgröße kann erreicht werden, dass hinreichen viel Gewebe entnommen werden kann, ohne dass unnötig große Einstichstellen und somit eine unnötig starke Gewebeverletzungen beziehungsweise Narbenbildung resultieren.The planning information can specify the presumably suitable parameter value for a presumably suitable needle size and/or a presumably suitable puncture position and/or a presumably suitable puncture angle of a biopsy needle as a biopsy parameter. With regard to the needle size, in particular its diameter can be specified. This can be specified as a "gauge", for example, with this size typically being between 11 and 18 for the biopsy needle used in the context of a breast biopsy. In addition or as an alternative, however, the length of the biopsy needle can also be specified or the like. By specifying a suitable needle size, it can be achieved that a sufficient amount of tissue can be removed without unnecessarily large puncture sites and thus unnecessarily severe tissue injuries or scarring resulting.
Durch Vorgabe einer geeigneten Einstichposition und eines geeigneten Einstichwinkels wird sichergestellt, dass der relevante Bereich durch die Nadel erreicht wird, wobei durch gemeinsame Variationen dieser Parameter einerseits vermieden werden kann, dass relativ dichtes Gewebe durchstochen werden muss, wodurch potentiell eine Ablenkung der Nadel resultieren könnte, und andererseits Metallartefakte bei einer behandlungsbegleiten Bildgebung vermieden bzw. reduziert werden können. Der Einstichwinkel wird insbesondere als Raumwinkel angegeben.By specifying a suitable puncture position and a suitable puncture angle, it is ensured that the relevant area is reached by the needle, whereby joint variations of these parameters can on the one hand avoid having to pierce relatively dense tissue, which could potentially result in a deflection of the needle, and on the other hand metal artefacts can be avoided or reduced in treatment-accompanying imaging. the one stitch angle is specified in particular as a solid angle.
Ergänzend oder alternativ zu den obig genannten Parametern kann es unter Umständen auch zweckmäßig sein, als Teil der Planungsinformation ein zu nutzendes Biopsieverfahren vorzuschlagen. Beispielsweise kann zwischen einer Feinnadelbiopsie, einer Feinnadelaspirationszytologie und einer Vakuumbiopsie gewählt werden.In addition or as an alternative to the parameters mentioned above, it may also be expedient under certain circumstances to propose a biopsy method to be used as part of the planning information. For example, you can choose between a fine needle biopsy, a fine needle aspiration cytology and a vacuum biopsy.
Die Planungsinformation kann ergänzend oder alternativ eine voraussichtlich geeignete Beschleunigungsspannung und/oder Röntgendosis für wenigstens eine geplante Röntgenaufnahme und/oder einen voraussichtlich geeigneten Verarbeitungsparameter für eine Artefaktreduktion und/oder eine voraussichtlich geeignete Bildgebungsgeometrie als Bildgebungsparameter vorgeben. Dies kann insbesondere dazu dienen, durch geeignete Parametrisierung der Bildgebung und/oder durch eine entsprechend parametrisierte Nachbearbeitung Artefakte, insbesondere Metallartefakte, zu reduzieren, die beispielsweise durch zur Kompression der Brust genutzte Kompressionsplatten und/oder die Biopsienadel selbst erzeugt werden können. Beispielsweise kann im Rahmen der Bildverarbeitung die Segmentierung von Metallobjekten durch Vorgabe entsprechender Verarbeitungsparameter deutlich verbessert werden, da beispielsweise die Position von Kompressionsplatten typischerweise unverändert bleibt und, insbesondere bei einer Kombination mit einer Bereitstellung der obig erläuterten Biopsieparameter, die Abmessungen und Einstichgeometrie der genutzten Biopsienadel zumindest näherungsweise bekannt sind.The planning information can additionally or alternatively specify an expected suitable acceleration voltage and/or x-ray dose for at least one planned x-ray exposure and/or an expected suitable processing parameter for artifact reduction and/or an expected suitable imaging geometry as an imaging parameter. This can be used in particular to reduce artifacts, in particular metal artifacts, which can be generated, for example, by compression plates used to compress the breast and/or the biopsy needle itself, through suitable parameterization of the imaging and/or through appropriately parameterized post-processing. For example, in the context of image processing, the segmentation of metal objects can be significantly improved by specifying appropriate processing parameters, since, for example, the position of compression plates typically remains unchanged and, especially when combined with the provision of the biopsy parameters explained above, the dimensions and puncture geometry of the biopsy needle used are at least approximately are known.
Hierbei ist es möglich, Bildgebungsparameter, beispielsweise die Beschleunigungsspannung und/oder die Röntgendosis, für alle im Rahmen der Bildgebung genutzten Aufnahmen vorzugeben. Es kann jedoch vorteilhalft sein, beispielsweise unterschiedliche Beschleunigungsspannungen und/oder Röntgendosen für unterschiedliche Projektionen im Rahmen der Bildgebung, beispielsweise bei einer Tomosynthese, vorzugeben, um einen größeren Parameterraum für die Optimierung der Aufnahmequalität zu eröffnen.In this case, it is possible to specify imaging parameters, for example the acceleration voltage and/or the x-ray dose, for all recordings used in the context of imaging. However, it can be advantageous to specify, for example, different acceleration voltages and/or X-ray doses for different projections within the framework of imaging, for example in tomosynthesis, in order to open up a larger parameter space for optimizing the recording quality.
Der Verarbeitungsalgorithmus kann als zusätzliche Eingangsdaten die Ausgangsdaten von wenigstens einem Vorverarbeitungsalgorithmus oder von wenigstens zwei Vorverarbeitungsalgorithmen verarbeiten, um die Planungsinformation zu ermitteln. Hierbei kann ausgenutzt werden, dass bereits Algorithmen bekannt sind, die aus medizinischen Bilddaten bestimmte Informationen extrahieren können. Beispielsweise ist es bekannt, Gewebebereiche, in denen bestimmte Merkmale mit hinreichender Wahrscheinlichkeit auftreten, zu erkennen und zu segmentieren. Beispielsweise kann für bestimmte Segmente eine Wahrscheinlichkeit ermittelt werden, dass sie einer bestimmten Klasse angehören, also beispielsweise, dass dort eine Läsion oder eine verdächtige Kalzifikation vorhanden ist. Beispielsweise wird ein solcher Algorithmus im Programm Transpara® der Firma ScreenPoint Medical B.V. bereitgestellt.The processing algorithm can process the output data from at least one preprocessing algorithm or from at least two preprocessing algorithms as additional input data in order to determine the planning information. In this context, use can be made of the fact that algorithms are already known which can extract specific information from medical image data. For example, it is known to identify and segment tissue areas in which certain features occur with sufficient probability. For example, a probability can be determined for specific segments that they belong to a specific class, that is, for example, that a lesion or a suspicious calcification is present there. For example, such an algorithm is used in the Transpara® program from ScreenPoint Medical B.V. provided.
Die Nutzung eines separaten Algorithmus zur Vorverarbeitung und zur Ermittlung der entsprechenden Ausgangsdaten erlaubt es, bewährte und im täglichen Einsatz validierte Algorithmen zu nutzten, um dem Verarbeitungsalgorithmus bereits Informationen mit bekannter Bedeutung, die aus den Bilddaten extrahiert wurden, zuzuführen.The use of a separate algorithm for pre-processing and for determining the corresponding output data makes it possible to use proven algorithms that have been validated in daily use in order to feed the processing algorithm with information of known importance that was extracted from the image data.
Da der Vorverarbeitungsalgorithmus beziehungsweise die Vorverarbeitungsalgorithmen somit getrennt vom Verarbeitungsalgorithmus trainiert und validiert werden können beziehungsweise bereits im trainierten Zustand verfügbar sind, kann der Verarbeitungsalgorithmus beispielsweise durch ein neuronales Netz mit erheblich weniger Neuronen gebildet werden, als wenn eine entsprechende Funktionalität innerhalb des Verarbeitungsalgorithmus selbst implementiert werden sollte. Hierdurch reduziert sich jedoch auch die Zahl der freien Parameter des Vorverarbeitungsalgorithmus, die im Rahmen des Trainings bestimmter werden müssen. Da zudem als Verarbeitungsergebnis typischerweise eine relativ übersichtliche Zahl von geeigneten Parameterwerten ausgegeben werden soll, kann bereits mit einer relativ geringen Zahl von Trainingsdatensätzen ein gutes Trainingsergebnis ohne eine Überanpassung beziehungsweise ein Übertrainieren des Netzes erreicht werden.Since the preprocessing algorithm or the preprocessing algorithms can thus be trained and validated separately from the processing algorithm or are already available in the trained state, the processing algorithm can be formed, for example, by a neural network with considerably fewer neurons than if a corresponding functionality were to be implemented within the processing algorithm itself . However, this also reduces the number of free parameters of the preprocessing algorithm, which must be determined during the training. Since, moreover, a relatively clear number of suitable parameter values is typically to be output as the processing result, a good training result can be achieved with a relatively small number of training data sets without overfitting or overtraining the network.
In Fällen, in denen der Verarbeitungsalgorithmus Faltungsschichten zur Verarbeitung der medizinischen Bilddaten und wenigstens eine hierauf folgende vollverknüpfte Schicht umfasst, ist es insbesondere möglich, dass zumindest Teile der Ausgangsdaten wenigstens eines der Vorverarbeitungsalgorithmen unmittelbar eine der vollverküpften Schichten zugeführt werden und somit die Faltungsschichten nicht durchlaufen. Dies kann die Komplexität des neuronalen Netzes weiter reduzieren, wodurch auch die obig erläuterte Robustheit des Trainings bei nicht allzu großer Trainingsdatensatzanzahl weiter verbessert werden kann.In cases in which the processing algorithm includes convolution layers for processing the medical image data and at least one fully linked layer that follows, it is particularly possible that at least parts of the output data of at least one of the preprocessing algorithms are fed directly to one of the fully linked layers and thus do not go through the convolution layers. This can further reduce the complexity of the neural network, as a result of which the robustness of the training explained above can also be further improved if the number of training data sets is not too large.
Der Vorverarbeitungsalgorithmus oder wenigsten einer der Vorverarbeitungsalgorithmen kann durch ein Verfahren des Maschinenlernens trainiert sein. Insbesondere kann der jeweilige Vorverarbeitungsalgorithmus durch ein neuronales Netz gebildet sein. Hierbei werden vorzugsweise Architekturen genutzt, die eine oder mehrere Faltungsschichten und wenigstens eine nachgeschaltete vollverbundene Schicht umfassen. Beispielsweise können die bereits bezüglich des Verarbeitungsalgorithmus genannten Netzwerkarchitekturen genutzt werden. Vorzugsweise ist auch der Vorverarbeitungsalgorithmus durch ein überwachtes Training, beispielsweise durch Fehlerrückführung, trainiert.The pre-processing algorithm or at least one of the pre-processing algorithms can be trained by a method of machine learning. In particular, the respective pre-processing algorithm can be formed by a neural network. In this case, architectures are preferably used that have one or more convolution layers and at least one downstream fully ver include bonded layer. For example, the network architectures already mentioned with regard to the processing algorithm can be used. The pre-processing algorithm is preferably also trained by monitored training, for example by error feedback.
Der Vorverarbeitungsalgorithmus oder ein jeweiliger der Vorverarbeitungsalgorithmen kann Ausgangsdaten an den Verarbeitungsalgorithmus bereitstellen, die eine die Gewebedichte der zu biopsierenden Brust betreffende Brustdichtinformation und/oder eine einen in den Bilddaten erkannten ausgezeichneten Bereich betreffende Bereichsinformation betreffen. Die Brustdichtinformation kann beispielsweise für jeden Punkt beziehungsweise Voxel in den medizinischen Bilddaten die Gewebedichte beschreiben. Es ist jedoch auch möglich, dass die Brust in Segmente unterschiedlicher Gewebedichte unterteilt wird, wobei eine entsprechende Segmentierung also Brustdichtinformation bereitgestellt werden kann.The pre-processing algorithm or a respective one of the pre-processing algorithms can provide the processing algorithm with output data relating to breast density information relating to the tissue density of the breast to be biopsied and/or area information relating to a distinguished region recognized in the image data. The breast density information can, for example, describe the tissue density for each point or voxel in the medical image data. However, it is also possible for the breast to be subdivided into segments of different tissue density, with a corresponding segmentation thus being able to be provided breast density information.
Der jeweilige ausgezeichnete Bereich kann einerseits ein Bereich sein, aus dem voraussichtlich im Rahmen der Biopsie Gewebe entnommen werden soll, oder andererseits ein Bereich sein, dessen Verletzung vermieden werden soll. Ein ausgezeichneter Bereich kann beispielsweise durch einen Algorithmus erkannt werden, der potenzielle Läsionen erkennt, wie bereits vorangehend erläutert wurde. Die Bereichsinformation kann die Lage des Bereichs, beispielsweise als eine Segmentierung, beschreiben. Ergänzend oder alternativ kann beispielsweise eine Abmessung und/oder eine wahrscheinliche Klasse beziehungsweise Morphologie des Bereichs als Teil der Bereichsinformation ausgegeben werden.The respective marked area can on the one hand be an area from which tissue is expected to be removed as part of the biopsy, or on the other hand be an area whose injury is to be avoided. A distinguished area can be identified, for example, by an algorithm that detects potential lesions, as explained above. The area information can describe the location of the area, for example as a segmentation. Additionally or alternatively, for example, a dimension and/or a probable class or morphology of the area can be output as part of the area information.
Bezüglich der Weiterverarbeitung der Ausgangsdaten durch den Verarbeitungsalgorithmus kann es zweckmäßig sein, Informationen, die sich auf einzelne Punkte oder Voxel beziehen beziehungsweise die eine Segmentierung beschreiben, durch Faltungsschichten des Verarbeitungsalgorithmus gemeinsam mit den medizinischen Bilddaten zu verarbeiten. Das Verarbeitungsergebnis der Faltungsschichten kann dann, optional gemeinsam mit Ausgangsdaten wenigsten eines Vorverarbeitungsalgorithmus, die einzelne Parameter, beispielsweise Durchmesser beziehungsweise Klassen von ausgezeichneten Bereichen, betreffen, durch vollverknüpften Schichten des Verarbeitungsalgorithmus weiterverarbeitet werden.With regard to the further processing of the output data by the processing algorithm, it can be expedient to process information that relates to individual points or voxels or that describes a segmentation, together with the medical image data, using convolution layers of the processing algorithm. The processing result of the convolution layers can then be further processed by fully linked layers of the processing algorithm, optionally together with output data from at least one preprocessing algorithm, which relate to individual parameters, for example diameters or classes of marked areas.
Die Planungsinformation kann an einen Nutzer bereitgestellt werden, wonach eine Nutzereingabe dieses Nutzers erfasst wird, die die Planungsinformation bestätigt und/oder eine Änderung der bereitgestellten Planungsinformation betrifft, wonach ein zusätzliches Training des Verarbeitungsalgorithmus in Abhängigkeit der Nutzereingabe und der Bilddaten durchgeführt wird.The planning information can be provided to a user, after which a user input from this user is recorded, which confirms the planning information and/or relates to a change in the planning information provided, after which an additional training of the processing algorithm is carried out depending on the user input and the image data.
In einigen Fällen kann es sein, dass beispielsweise ein die Biopsie durchführender Arzt die vorgeschlagenen Biopsieparameter und/oder Bildgebungsparameter verändert. Dies kann der Fall sein, wenn durch eine solche Veränderung eine weitere Verbesserung der Biopsie erwartet wird. Eine Änderung kann auch gewünscht sein, wenn verschiedene Parametrisierungen voraussichtlich zu einem zumindest ähnlich guten Biopsieergebnis führen, wobei beispielsweise ein Arzt oder eine Gruppe von Ärzten, beispielsweise in einem bestimmten Land oder einer bestimmten Krankenhauskette, hierbei eine andere Parametrisierung bevorzugt als sie von dem Verarbeitungsalgorithmus vorgeschlagen wird.In some cases, for example, a doctor performing the biopsy may change the proposed biopsy parameters and/or imaging parameters. This may be the case if such a change is expected to further improve the biopsy. A change can also be desired if different parameterizations are expected to lead to at least a similarly good biopsy result, with a doctor or a group of doctors, for example in a specific country or a specific hospital chain, preferring a different parameterization than that suggested by the processing algorithm becomes.
Hierbei können diese Änderungswünsche erfasst werden und zum weiteren Training genutzt werden, beispielsweise indem durch die Bilddaten und die entsprechen angepassten Parameterwerte ein weiterer Trainingsdatensatz gebildet wird. Dieser Trainingsdatensatz kann dann gemeinsam mit weiteren entsprechenden Trainingsdatensätzen und/oder Trainingsdatensätzen, die bereits beim vorangehenden Training des Verarbeitungsalgorithmus genutzt wurden, genutzt werden, um weitere Trainingsiterationen durchzuführen und somit einerseits die Robustheit des Verarbeitungsalgorithmus weiter zu verbessern beziehungsweise andererseits den Verarbeitungsalgorithmus an die Wünsche und Gepflogenheit bestimmter Nutzergruppen anzupassen.In this case, these change requests can be recorded and used for further training, for example by forming a further training data record using the image data and the correspondingly adapted parameter values. This training data set can then be used together with other corresponding training data sets and/or training data sets that were already used in the previous training of the processing algorithm, in order to carry out further training iterations and thus on the one hand to further improve the robustness of the processing algorithm and on the other hand to adapt the processing algorithm to the wishes and custom adapt to specific user groups.
Hierbei ist es insbesondere möglich, dass das weitere Training nur für einen bestimmten Nutzerkreis erfolgt, beispielsweise zur Anpassung an dessen Vorlieben. Beispielsweise kann von einem Anbieter des Verfahrens beziehungsweise einer das Verfahren durchführenden Vorrichtung oder eines entsprechenden Computerprogramms ein vollständig trainierter Verarbeitungsalgorithmus bereitgestellt werden, der jedoch nutzerseitig, beispielsweise durch den Betreiber einer Krankenhauskette, weiter trainiert werden kann, um ihn spezifischen Vorlieben anzupassen.It is particularly possible here for the further training to take place only for a specific group of users, for example to adapt to their preferences. For example, a fully trained processing algorithm can be provided by a provider of the method or a device performing the method or a corresponding computer program, which can be further trained by the user, for example by the operator of a hospital chain, in order to adapt it to specific preferences.
Eine Position und/oder eine Orientierung einer Biopsienadel bezüglich der zu biopsierenden Brust kann vor dem Einstechen der Biopsienadel in die Brust sensorisch erfasst werden, wobei in Abhängigkeit der Position und/oder der Orientierung und der bereitgestellten Planungsinformation eine Hilfsinformation für den oder einen Nutzer ausgegeben wird. Die sensorische Erfassung kann beispielsweise durch eine oder mehrere Kameras erfolgen, es können jedoch auch andere Systeme zur Positions- und/oder Orientierungserfassung genutzt werden, von denen zahlreich im Bereich der Medizintechnik wohl bekannt sind.A position and/or an orientation of a biopsy needle with respect to the breast to be biopsied can be detected by sensors before the biopsy needle pierces the breast, with auxiliary information being output for the user depending on the position and/or the orientation and the planning information provided . The sensory detection can be carried out, for example, by one or more cameras, but other systems for position and/or orientation detection can also be used, many of which are well known in the field of medical technology.
Die Hilfsinformation kann beispielsweise eine Abweichung der Position und/oder Orientierung der Biopsienadel von den entsprechenden Parametern gemäß der Planungsinformation angeben. Insbesondere kann bei einem Überschreiten gewisser Grenzwerte durch die Abweichung optisch und/oder akustisch ein Warnsignal ausgegeben werden und/oder es kann in Abhängigkeit der Abweichung der Position beziehungsweise Orientierung von der durch Planungsinformation vorgegebenen Sollposition beziehungsweise Orientierung beispielsweise eine Farbe einer dargestellten Information angepasst werden, sodass ein Nutzer starke Abweichungen unmittelbar erkennen kann.The auxiliary information can indicate, for example, a deviation in the position and/or orientation of the biopsy needle from the corresponding parameters according to the planning information. In particular, if certain limit values are exceeded by the deviation, a warning signal can be output optically and/or acoustically and/or a color of a displayed piece of information can be adjusted depending on the deviation of the position or orientation from the target position or orientation specified by the planning information, for example, so that a user can immediately recognize strong deviations.
Prinzipiell ist es möglich, die Überwachung von Position und/oder Orientierung und die Ausgabe einer entsprechenden Hilfsinformation auch nach dem Einstechen der Biopsienadel fortzusetzen. Da das erfindungsgemäße Verfahren jedoch vorzugsweise vor dem Beginn des tatsächlichen Eingriffs endet, würde eine solche weiter Überwachung nach dem Einstechen der Nadel vorzugsweise außerhalb des erfindungsgemäßen Verfahrens erfolgen.In principle, it is possible to continue monitoring the position and/or orientation and the output of corresponding auxiliary information even after the biopsy needle has been inserted. However, since the method according to the invention preferably ends before the start of the actual intervention, such further monitoring after the insertion of the needle would preferably take place outside of the method according to the invention.
Der Verarbeitungsalgorithmus kann wenigstens einen unabhängig von den Bilddaten bereitgestellten Zusatzparameter auswerten. Der Zusatzparameter kann beispielsweise einer Patientenakte beziehungsweise -datenbank entnommen werden. Der Zusatzparameter kann beispielsweise das Alter der Patientin, Informationen zu vorangehenden Eingriffen beziehungsweise bereits erfolgen Diagnosen, Befundtexten und Ähnliches umfassen. Beispielsweise ist es möglich Befundtexte vorangehend durch einen weiteren, durch Maschinenlernen trainierten Algorithmus auszuwerten, um diesen relevante Informationen zu entnehmen, die dann als Zusatzparameter bereitgestellt werden können.The processing algorithm can evaluate at least one additional parameter provided independently of the image data. The additional parameter can be taken from a patient file or database, for example. The additional parameter can include, for example, the age of the patient, information on previous interventions or diagnoses that have already been made, texts of findings and the like. For example, it is possible to evaluate findings texts beforehand using a further algorithm trained by machine learning in order to extract relevant information from them, which can then be provided as additional parameters.
Der Verarbeitungsalgorithmus kann die Planungsdaten in Abhängigkeit von als zusätzlichen Eingangsdaten bereitgestellten weiteren medizinischen Bilddaten ermitteln, wobei die weiteren medizinischen Bilddaten ebenfalls die zu biopsierende Brust betreffen, aber zu einem anderen Zeitpunkt und/oder durch eine andere medizinische Bildgebungseinrichtung aufgenommen sind. Unter einer Aufnahme zu einem anderen Zeitpunkt wird insbesondere die Aufnahme im Rahmen einer separaten medizinischen Bildgebung verstanden. Insbesondere können die medizinischen Bilddaten und die weiteren medizinischen Bilddaten jeweils während einer Brustkompression erfasst werden, wobei die Brustkompression zwischen den Aufnahmen aufgehoben wird. Die weiteren medizinischen Bilddaten können beispielsweise im Rahmen einer Vorsorgeuntersuchung vor einer Veränderung des Brustgewebes angefertigt sein, wobei die Biopsie zur Abklärung dieser Veränderung dienen soll. In diesem Fall können die zusätzlichen medizinischen Bilddaten es insbesondere erleichtern, den biopsierelevanten Gewebebereich aufzufinden und somit beispielsweise wie obig erläutert als ausgezeichneten Bereich zu segmentieren.The processing algorithm can determine the planning data as a function of further medical image data provided as additional input data, the further medical image data also relating to the breast to be biopsied, but recorded at a different point in time and/or by a different medical imaging device. A recording at a different point in time is understood to mean, in particular, a recording as part of separate medical imaging. In particular, the medical image data and the further medical image data can each be recorded during a chest compression, with the chest compression being released between the recordings. The further medical image data can be produced, for example, as part of a check-up before a change in the breast tissue, with the biopsy being used to clarify this change. In this case, the additional medical image data can make it easier in particular to locate the biopsy-relevant tissue area and thus, for example, to segment it as a distinguished area, as explained above.
Als Bilddaten können einerseits Röntgendaten und/oder andererseits dreidimensionale Bilddaten oder stereoskopische Bilddaten verwendet werden. Dreidimensionale Röntgenbilddaten könnten beispielsweise durch einen Computertomographen bereitgestellt werden. Da die Bilddaten bei bereits komprimierter Brust unmittelbar vor der Brustbiopsie aufgenommen werden können, kann jedoch häufig keine vollständige Computertomographie durchgeführt werden. Es kann daher z.B. eine Tomosynthese genutzt werden, um dreidimensionale Bilddaten bereitzustellen, oder es kann auch hinreichend sein, stereoskopische Röntgenaufnahmen zu verwenden. Prinzipiell ist das erfindungsgemäße Verfahren auch mit zweidimensionalen Bilddaten durchführbar, wobei jedoch durch Nutzung von zumindest stereoskopischen Bilddaten eine erhebliche Verbesserung der Robustheit und Genauigkeit erreicht werden kann.X-ray data and/or three-dimensional image data or stereoscopic image data can be used as image data. Three-dimensional X-ray image data could be provided by a computer tomograph, for example. However, since the image data can be recorded immediately before the breast biopsy when the breast is already compressed, it is often not possible to carry out a complete computed tomography. For example, tomosynthesis can therefore be used to provide three-dimensional image data, or it can also be sufficient to use stereoscopic X-ray images. In principle, the method according to the invention can also be carried out with two-dimensional image data, but a considerable improvement in robustness and accuracy can be achieved by using at least stereoscopic image data.
Alternativ oder ergänzend können die medizinischen Bilddaten beispielsweise auch durch eine Ultraschallbildgebung oder einen Magnetresonanztomographen erfasst sein.As an alternative or in addition, the medical image data can also be recorded, for example, by means of ultrasound imaging or a magnetic resonance tomograph.
Neben dem erfindungsgemäßen Verfahren zur Bereitstellung einer Planungsinformation betrifft die Erfindung ein Verfahren zum Trainieren eines Verfahrensalgorithmus, der dazu dient, eine Planungsinformation zur Vorbereitung einer Brustbiopsie auf Basis von als Eingangsdaten bereitgestellten medizinischen Bilddaten, die eine jeweilige zu biopsierende Brust betreffen, zu ermitteln, wobei die Planungsinformation einen voraussichtlich geeigneten Parameterwert für wenigstens einen Biopsieparameter der Brustbiopsie und/oder für wenigstens einen Bildgebungsparameter eines medizinischen Bildgebungsverfahrens zur Überwachung der Brustbiopsie vorgibt, wobei ein überwachtes Maschinenlernen auf Basis von Trainingsdatensätzen erfolgt, wobei der jeweilige Trainingsdatensatz zumindest die medizinischen Bilddaten und einen jeweiligen Sollwert für den wenigstens einen Biopsieparameter und/oder den wenigstens einen Bildgebungsparameter umfasst.In addition to the method according to the invention for providing planning information, the invention relates to a method for training a method algorithm which is used to determine planning information for preparing a breast biopsy on the basis of medical image data provided as input data relating to a respective breast to be biopsied, the Planning information specifies a parameter value that is expected to be suitable for at least one biopsy parameter of the breast biopsy and/or for at least one imaging parameter of a medical imaging method for monitoring the breast biopsy, with monitored machine learning taking place on the basis of training data sets, the respective training data set containing at least the medical image data and a respective target value for the at least one biopsy parameter and/or the at least one imaging parameter.
Details zur Struktur des Verarbeitungsalgorithmus wurden bereits vorangehend erläutert. Die Trainingsdatensätze können beispielsweise bereitgestellt werden, indem für jeweilige medizinische Bilddaten die Sollwerte für den wenigstens einen Biopsieparameter beziehungsweise den wenigstens einen Bildgebungsparameter durch menschliche Experten bestimmt werden. Es können jedoch auch andere Ermittlungsverfahren genutzt werden. Das Training kann beispielsweise durch eine Fehlerrückführung erfolgen. Entsprechende Trainingsansätze sind aus anderen Anwendungsbereichen bereits bekannt und sollen daher nicht detailliert erläutert werden. Details zu möglichen weiteren Eingangsdaten des Verarbeitungsalgorithmus, die insbesondere auch in den Trainingsdatensätzen jeweils vorhanden sein können, und zu konkret auszugebenden Parametern wurden bereits obig erläutert.Details on the structure of the processing algorithm have already been explained above. The training data sets can be provided, for example, by using the target values for the at least one bio psieparameter or the at least one imaging parameter are determined by human experts. However, other investigative methods can also be used. The training can take place, for example, by error feedback. Corresponding training approaches are already known from other application areas and will therefore not be explained in detail. Details on possible further input data of the processing algorithm, which can in particular also be present in the training data records, and on parameters to be specifically output have already been explained above.
Für den bereits obig erläuterten Fall, dass der Verarbeitungsalgorithmus als zusätzliche Eingangsdaten die Ausgangsdaten von wenigstens einem Vorverarbeitungsalgorithmus verarbeitet, sind mehrere Trainingsansätze möglich. Einerseits ist es möglich, dass der jeweilige Trainingsdatensatz bereits die entsprechenden Ausgangsdaten umfasst. Andererseits ist es jedoch auch möglich, diese Ausgangsdaten im Rahmen des Trainings jeweils durch Anwendung des entsprechenden Vorverarbeitungsalgorithmus aus den medizinischen Bilddaten zu ermitteln. Diese Ansätze können auch gemischt werden, sodass beispielsweise bereits Ausgangsdaten von wenigstens einem Vorverarbeitungsalgorithmus im Trainingsdatensatz enthalten sind und Ausgangsdaten von wenigstens einem weiteren Vorverarbeitungsalgorithmus erst im Rahmen des Trainings durch Anwenden des jeweiligen Vorverarbeitungsalgorithmus auf die medizinischen Bilddaten ermittelt werden.For the case already explained above, in which the processing algorithm processes the output data of at least one preprocessing algorithm as additional input data, several training approaches are possible. On the one hand it is possible that the respective training data record already includes the corresponding initial data. On the other hand, however, it is also possible to determine these initial data from the medical image data in each case within the scope of the training by using the corresponding pre-processing algorithm. These approaches can also be mixed so that, for example, output data from at least one preprocessing algorithm is already contained in the training data set and output data from at least one further preprocessing algorithm is only determined during training by applying the respective preprocessing algorithm to the medical image data.
Das Verfahren zum Trainieren des Verarbeitungsalgorithmus kann einerseits zu einem ersten Training des Verarbeitungsalgorithmus dienen, durch das z.B. erst die Eignung des Verarbeitungsalgorithmus zu dem genannten Zweck erreicht wird. Ergänzend oder alternativ kann das Verfahren zum Trainieren des Verarbeitungsalgorithmus jedoch auch dazu dienen, einen bereits trainierten Verarbeitungsalgorithmus nachzutrainieren, um einerseits aufgrund einer zunehmend anwachsenden Menge von Trainingsdaten die Qualität und Robustheit der bereitgestellten Planungsinformation weiter zu verbessern und/oder andererseits durch zusätzliches Training des Verarbeitungsalgorithmus die bereitgestellte Planungsinformation beispielsweise an Vorlieben einer bestimmten Nutzergruppe anzupassen, wie bereits obig erläutert wurde.The method for training the processing algorithm can be used, on the one hand, for initial training of the processing algorithm, through which, for example, the suitability of the processing algorithm for the stated purpose is first achieved. Additionally or alternatively, the method for training the processing algorithm can also be used to retrain a processing algorithm that has already been trained, in order to further improve the quality and robustness of the planning information provided on the one hand due to an increasing amount of training data and/or on the other hand by additional training of the processing algorithm adapt provided planning information, for example, to the preferences of a specific user group, as already explained above.
Der Trainingsdatensatz kann von einer Nutzereingabe eines Nutzers abhängen, die erfasst wird, nachdem eine Planungsinformation, die durch den Verarbeitungsalgorithmus in einem vor dem Training vorliegenden Trainingszustand ermittelt wird, an diesen Nutzer bereitgestellt wird, wobei der trainierte Verarbeitungsalgorithmus von dieser Nutzereingabe abhängt. Der Verarbeitungsalgorithmus kann somit z.B. auf Basis von im tatsächlichen Betrieb erfolgten Nutzereingaben zur Anpassung der Planungsinformation weiter verbessert werden beziehungsweise an spezifische Vorlieben von Nutzergruppen angepasst werden. Beispielsweise kann ein Nutzer wenigstens einen Parameterwert für den Biopsieparameter beziehungsweise den Bildgebungsparameter verändern und es kann ein Trainingsdatensatz generiert werden, der die gemäß den Nutzerwünschen angepassten Parameterwerte umfasst. Insbesondere nach einer Erzeugung mehrerer dieser Trainingsdatensätze können diese entweder für sich genommen oder gemeinsam mit weiteren Trainingsdatensätzen, die bereits im ursprünglichen Training genutzt wurden, für zusätzliche Iterationen des Trainingsprozesses genutzt werden.The training dataset may depend on user input from a user that is captured after planning information determined by the processing algorithm in a pre-training training state is provided to that user, with the trained processing algorithm depending on that user input. The processing algorithm can thus be further improved or adapted to the specific preferences of user groups, e.g. on the basis of user inputs made during actual operation to adapt the planning information. For example, a user can change at least one parameter value for the biopsy parameter or the imaging parameter and a training data record can be generated that includes the parameter values adjusted according to the user's wishes. In particular, after several of these training datasets have been generated, they can be used for additional iterations of the training process, either on their own or together with other training datasets that were already used in the original training.
Ergänzend oder alternativ kann die Nutzereingabe beispielsweise dazu dienen, die durch den Verarbeitungsalgorithmus bereitgestellte Planungsinformation zu bewerten und/oder eine Stärke der nutzerseitig vorgenommenen Änderungen an den Parameterwerten beschreiben. Eine solche, zusätzlich im Trainingsdatensatz gespeicherte Information kann beispielsweise dazu dienen, die Gewichtung von Fehlern im Rahmen der Fehlerrückführung in Abhängigkeit einer solchen Bewertung beziehungsweise Korrekturstärke anzupassen.In addition or as an alternative, the user input can be used, for example, to evaluate the planning information provided by the processing algorithm and/or to describe the strength of the changes made to the parameter values by the user. Such information that is additionally stored in the training data set can be used, for example, to adjust the weighting of errors as part of error feedback depending on such an evaluation or correction strength.
Ergänzend oder alternativ kann wenigstens einer der Trainingsdatensätze eine optische Abbildung der von den medizinischen Bilddaten betroffenen Brust und/oder ein in Abhängigkeit dieser Abbildung ermitteltes Verarbeitungsergebnis umfassen, wobei der trainierte Verarbeitungsalgorithmus von dieser optischen Abbildung und/oder von diesem Verarbeitungsergebnis abhängt.Additionally or alternatively, at least one of the training datasets can include an optical image of the breast affected by the medical image data and/or a processing result determined as a function of this image, the trained processing algorithm depending on this optical image and/or this processing result.
Die optische Abbildung kann die Brust insbesondere in einem Zustand abbilden, der nach einer Brustbiopsie vorliegt, die gemäß der im Trainingsdatensatz gespeicherten Planungsinformation beziehungsweise mit zumindest einem dort gespeicherten Parameterwert für den Biopsieparameter und/oder den Bildgebungsparameter durchgeführt wurde. Beispielsweise kann es sich um eine optische Abbildung handeln, die im Rahmen einer Nachuntersuchung aufgenommen wurde. Auf Basis der optischen Abbildung beziehungsweise als Verarbeitungsergebnis kann insbesondere berücksichtigt werden, ob beziehungsweise inwieweit die optische Abbildung eine Narbenbildung zeigt. Somit kann im Rahmen des Trainings nicht nur bereits vorhandenes Expertenwissen genutzt werden, sondern es können auch tatsächliche Ergebnisse von vorangehenden Eingriffen berücksichtigt werden. Der vorangehende Eingriff ist hierbei insbesondere nicht Teil des beanspruchten Trainingsverfahrens, sondern das entsprechende Merkmal betrifft nur die Nutzung von Trainingsdatensätzen mit bestimmten Eigenschaften.The optical imaging can show the breast in a state that is present after a breast biopsy that was performed according to the planning information stored in the training data set or with at least one parameter value stored there for the biopsy parameter and/or the imaging parameter. For example, it can be an optical image that was recorded as part of a follow-up examination. On the basis of the optical image or as a processing result, it can be taken into account in particular whether or to what extent the optical image shows scarring. This means that not only can existing expert knowledge be used during the training, but actual results from previous interventions can also be taken into account. In particular, the preceding intervention is not part of the claimed training method, but the corresponding one Feature only affects the use of training datasets with specific properties.
Die Erfindung betrifft zudem eine Vorrichtung mit Mitteln, die dazu eingerichtet sind, das erfindungsgemäße Verfahren zur Bereitstellung einer Planungsinformation und/oder das erfindungsgemäße Verfahren zum Trainieren eines Verarbeitungsalgorithmus auszuführen.The invention also relates to a device with means that are set up to execute the method according to the invention for providing planning information and/or the method according to the invention for training a processing algorithm.
Bei den Mitteln kann es sich insbesondere um eine programmierbare Verarbeitungseinrichtung, beispielsweise einen Prozessor, einen FPGA, eine GPU oder Ähnliches, mit zugeordnetem Speicher handeln, wobei durch die Verarbeitungseinrichtung ein Computerprogramm ausgeführt wird, das das jeweilige Verfahren implementiert. Die Ausführung eines solchen Programms kann jedoch auch durch mehrere verteilte Verarbeitungseinrichtungen erfolgen, beispielsweise in einer Cloud.The means can in particular be a programmable processing device, for example a processor, an FPGA, a GPU or the like, with an associated memory, with the processing device executing a computer program that implements the respective method. However, such a program can also be executed by a number of distributed processing devices, for example in a cloud.
Die Vorrichtung kann ein lokaler Arbeitsplatzrechner sein, Teil einer medizinischen Bildgebungseinrichtung, ein Server, oder auch als dezentrales System, beispielsweise als Cloudlösung, implementiert sein. Prinzipiell ist es auch möglich, statt einer programmierten Verarbeitungseinrichtung eine festverdrahtete Verarbeitungseinrichtung, beispielweise einen ASIC, zu nutzen.The device can be a local workstation computer, part of a medical imaging device, a server, or implemented as a decentralized system, for example as a cloud solution. In principle, it is also possible to use a hard-wired processing device, for example an ASIC, instead of a programmed processing device.
Die Erfindung betrifft zudem ein Computerprogramm, das bei einer Durchführung auf einer Datenverarbeitungseinrichtung das erfindungsgemäße Verfahren zur Bereitstellung einer Planungsinformation und/oder das erfindungsgemäße Verfahren zum Trainieren eines Verarbeitungsalgorithmus implementiert. Insbesondere kann eine an sich bekannte Datenverarbeitungseinrichtung durch Ausführen des erfindungsgemäßen Computerprogramms eine erfindungsgemäße Vorrichtung bilden.The invention also relates to a computer program which, when executed on a data processing device, implements the method according to the invention for providing planning information and/or the method according to the invention for training a processing algorithm. In particular, a data processing device known per se can form a device according to the invention by executing the computer program according to the invention.
Die Erfindung betrifft zudem einen computerlesbaren Datenträger, der Anweisungen umfasst, die bei einer Ausführung auf einer Datenverarbeitungseinrichtung das erfindungsgemäße Verfahren zur Bereitstellung einer Planungsinformation und/oder das erfindungsgemäße Verfahren zum Trainieren eines Verarbeitungsalgorithmus implementieren.The invention also relates to a computer-readable data carrier which comprises instructions which, when executed on a data processing device, implement the method according to the invention for providing planning information and/or the method according to the invention for training a processing algorithm.
Weitere Vorteile und Einzelheiten der Erfindung ergeben sich aus den folgenden Ausführungsbeispielen sowie den zugehörigen Zeichnungen. Hierbei zeigen schematisch:
-
1 ein Ablaufdiagramm eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens zur Bereitstellung einer Planungsinformation, -
2 Datenstrukturen und Algorithmen, die im Rahmen des mit Bezug auf1 erläuterten Ausführungsbeispiels nutzbar sind, -
3 relevante Algorithmen und Datenstrukturen im Rahmen des erfindungsgemäßen Verfahrens zum Trainieren eines Verarbeitungsalgorithmus, -
4 eine mögliche Systemarchitektur zur Durchführung der mit Bezug auf die1-3 erläuterten Verfahren einschließlich einer Vorrichtung zur Durchführung dieser Verfahren, und -
5 /6 vereinfachte Darstellungen von neuronalen Netzen, die in den erfindungsgemäßen Verfahren als Verarbeitungsalgorithmus nutzbar sind.
-
1 a flowchart of an exemplary embodiment of the method according to the invention for providing planning information, -
2 Data structures and algorithms referred to in the context of1 explained embodiment can be used, -
3 relevant algorithms and data structures within the scope of the method according to the invention for training a processing algorithm, -
4 a possible system architecture for carrying out with reference to the1-3 described methods including an apparatus for carrying out these methods, and -
5 /6 simplified representations of neural networks that can be used as a processing algorithm in the method according to the invention.
In Schritt S1 werden zunächst medizinische Bilddaten 34 empfangen, die eine zu biopsierende Brust 35 betreffen. Ein Beispiel für entsprechenden Bilddaten ist in
In Schritt S5 wird durch einen Verarbeitungsalgorithmus 36, der die Bilddaten 34 als Eingangsdaten verarbeitet, die Planungsinformation 33 ermittelt, die anschließend in Schritt S6, beispielsweise an einen Nutzer oder eine externe Einrichtung, bereitgestellt werden kann.In step S5, a
Der Verarbeitungsalgorithmus 36 ist durch Maschinenlernen trainiert, wobei ein möglicher Ansatz für das Training später noch mit Bezug auf
Durch Nutzung der zusätzlich in
In Schritt S2 können als zusätzliche Eingangsdaten weitere medizinische Bilddaten 57 bereitgestellt werden, in deren Abhängigkeit der Verarbeitungsalgorithmus 36 die Planungsdaten 33 ermittelt. Die weiteren medizinischen Bilddaten 57 betreffen ebenfalls die zu biopsierende Brust 35, sind jedoch zu einem anderen Zeitpunkt und/oder mit einer anderer medizinische Bildgebungseinrichtung aufgenommen. Beispielsweise kann es sich bei den weiteren medizinischen Bilddaten 57 um Bilddaten handeln, die durch ein unterschiedliches Erfassungsverfahren erfasst wurden, beispielsweise um Ultraschalldaten, wenn es sich bei den medizinischen Bilddaten 34 um Röntgendaten handelt. Hierdurch können unter Umständen Zusatzinformationen gewonnen werden, die für die Planung der Biopsie relevant sind.In step S2 further
Besonders bevorzugt sind die weiteren medizinischen Bilddaten 57 jedoch auf die gleiche Weise aufgenommen wie die medizinischen Bilddaten 34, jedoch zu einem vorangehenden Zeitpunkt, beispielsweise zu einem Zeitpunkt, an dem eine zu biopsierende Gewebeveränderung noch nicht vorlag. Dies kann es deutlich erleichtern, biopsierelevante Bereiche der Brust 35 zu erkennen.However, the further
In Schritt S3 können zudem Zusatzparameter 58 bereitgestellt werden, die durch den Verarbeitungsalgorithmus 36 verarbeitet werden. Beispielsweise kann es sich hierbei um Informationen aus einer Patientendatenbank beziehungsweise -akte handeln. Wie bereits im allgemeinen Teil detailliert diskutiert wurde, kann es beispielsweise relevant sein, ein Alter der Patientin, beziehungsweise vorangehende Eingriffe, Befunde und/oder Diagnosen zu berücksichtigen.
In Schritt S4 kann eine Vorverarbeitung der Bilddaten 34 durch verschiedene Vorverarbeitungsalgorithmen 47, 48 erfolgen, um jeweilige Ausgangsdaten 46 an den Verarbeitungsalgorithmus 36 bereitzustellen. Hierbei kann ausgenutzt werden, dass bereits Algorithmen bekannt und im klinischen Alltag getestet sind, die beispielsweise Bereiche erkennen und klassifizieren können, bei denen es sich um Läsionen handeln könnte und/oder die lokale Gewebeeigenschaften, beispielsweise eine Brustdichte, ermitteln können. Durch die Vorverarbeitung in Schritt S3 kann vermieden werden, dass entsprechende relevante Informationen durch den Verarbeitungsalgorithmus 36 selbst ermittelt werden müssen, wodurch dessen Komplexität sinkt und hierdurch ein robustes Training bereits durch eine relativ kleine Anzahl von Trainingsdatensätzen möglich sein kann.In step S4, the
Die Verarbeitungsalgorithmen 47, 48 können als Ausgangsdaten beispielsweise eine die Gewebedichte der zu biopsierenden Brust 35 betreffende Brustdichteinformation 49 und wenigstens eine Bereichsinformation 50 betreffen, die in den Bilddaten erkannte, ausgezeichnete Bereiche 51, 52 betrifft.As output data, the
Der in
Wie in
Andererseits können bestimmte charakteristische Größen, beispielsweise ein Durchmesser oder eine Morphologie beziehungsweise eine Klasse des Bereichs 52 ermittelt werden und, da diese Informationen nicht bestimmten Bildbereichen zugeordnet sind, unmittelbar der wenigstens einen vollverbundenen Schicht 71 zugeführt werden.On the other hand, specific characteristic variables, for example a diameter or a morphology or a class of the
Der Vorverarbeitungsalgorithmus 48 kann beispielsweise die Brustdichteinformation 49 ermitteln, wobei hierbei beispielsweise jedem Pixel oder Voxel ein jeweiliger Dichtewert zugeordnet wird, oder, wie in
Die durch den Verarbeitungsalgorithmus 36 bereitgestellte Planungsinformation 33 wird insbesondere durch einen Nutzer, beispielsweise einen Radiologen, geprüft und unter Umständen angepasst, bevor die Biopsie durchgeführt wird. Hierbei kann in Schritt S7 nach der Bereitstellung der Planungsinformation 33 an den Nutzer eine Nutzereingabe 53 dieses Nutzers erfasst werden, die beispielsweise eine Bewertung der bereitgestellten Planungsinformation 33 oder insbesondere Änderungswünsche des Nutzers betrifft. Die gemäß der Nutzereingabe 53 geänderte Planungsinformation 33 beziehungsweise die ursprüngliche Planungsinformation 33 und die Bewertungsinformation können anschließend in Schritt S12 gemeinsam mit den Bilddaten 34 als neuer Trainingsdatensatz 60 gespeichert werden, der zu einem späteren Zeitpunkt zu einem weiteren Training des Verarbeitungsalgorithmus 36 genutzt werden kann, wie in
Während es ausreichend sein kann, die Planungsinformation 33 in Schritt S6 an einen Nutzer bereitzustellen, beispielsweise indem eine vorgeschlagene Einstichgeometrie grafisch an einem Brustmodell visualisiert wird, kann es auch vorteilhaft sein, den Nutzer unmittelbar bei der Brustbiopsie beziehungsweise bei der unmittelbareren Vorbereitung der Brustpiopsie vor dem Einstich der Biopsienadel zu unterstützen.While it may be sufficient to provide the
Hierzu können, insbesondere vor dem Einstich der Biopsienadel, in Schritt S8 die Position 54 und/oder Orientierung 55 der Biopsienadel sensorisch, beispielsweise mit Hilfe von Videokameras oder anderen, an sich bekannten Positionsdetektoren, erfasst werden. In Schritt S9 können die erfasste Position 54 und Orientierung 55 mit der im Rahmen der Planungsinformation 33 bereitgestellten Einstichposition 40 beziehungsweise dem Einstichwinkel 41 der Biopsienadel verglichen werden und in Abhängigkeit dieses Vergleichs kann in Schritt S9 bedarfsgerecht eine Hilfsinformation 56 an den Nutzer ausgegeben werden.For this purpose, in particular before the biopsy needle is punctured, the
Beispielsweise kann der Hilfsinformation 56 nur dann ausgegeben werden, wenn die Abweichung von der Einstichposition 40 beziehungsweise dem Einstichwinkel 41 einen Grenzwert überschreitet. Es ist jedoch auch möglich, diese Hilfsinformation 56 stets auszugeben, wobei diese beispielsweise die Abweichung von der Solleinstichposition beziehungsweise dem Solleinstichwinkel angibt. Es ist auch möglich, entsprechende Abweichungen beispielsweise farblich zu kodieren, um auf starke Abweichungen hinzuweisen.For example, the
In Schritt S10 wird die Biopsie selbst durchgeführt. Da es sich hierbei nicht mehr um einen Schritt des Verfahrens zur Bereitstellung einer Planungsinformation zur Vorbereitung der Brustbiopsie handelt, ist dieser Schritt vom weiteren Verfahren durch einen gestrichelten Pfeil separiert. Es erschien dennoch zweckmäßig, den Schritt S10 im Ablaufdiagramm in
Schritt S11 wird durchgeführt, nachdem die in Schritt S10 durchgeführte Brustbiopsie abgeschlossen ist, beispielsweise im Rahmen eines Nachsorgetermins. Hierbei wird eine optische
Zunächst werden mehrere Trainingsdatensätze 60 bereitgestellt, die jeweils zumindest die Bilddaten 34 sowie die Sollwerte 31-36 für wenigstens einen Biopsieparameter 37 beziehungsweise Bildgebungsparameter 38 umfassen. Da, wie vorangehend erläutert, im Rahmen der Ermittlung der Planungsinformation wenigstens ein Vorverarbeitungsalgorithmus 47 genutzt werden soll, dessen Ausgangsdaten durch den Verarbeitungsalgorithmus 36 verarbeitet werden sollen, werden zunächst die Bilddaten 34 des jeweiligen Trainingsdatensatzes 60 durch diesen Vorverarbeitungsalgorithmus 47 verarbeitet, um die Ausgangsdaten 46 bereitzustellen. Diese werden gemeinsam mit den Bilddaten 34 durch den zunächst untrainierten Verarbeitungsalgorithmus 36 verarbeitet.First,
Der Verarbeitungsalgorithmus 36 weist zahlreiche Parameter 72 auf, die durch das Training bestimmt werden können und beispielsweise im untrainierten Zustand zunächst auf zufällige Werte gesetzt sein können. Die Parameter 72 können beispielsweise Eingangsgewichte der Neuronen eines zu trainierenden neuronalen Netzes sein.The
Die durch den Verarbeitungsalgorithmus 36 ermittelte Planungsinformation 33 umfasst für die Biopsie- beziehungsweise Bildgebungsparameter Istwerte 73-75, die, je nach Trainingszustand des Verarbeitungsalgorithmus 36, von den mit dem jeweiligen Trainingsdatensatz 60 bereitgestellten Sollwerten 61-63 abweichen. Auf Basis dieser Abweichung kann z.B. eine, an sich aus dem Stand der Technik bekannte Fehlerrückführung 76 genutzt werden, um die Parameterwerte der Parameter 72 des Verarbeitungsalgorithmus 36 derart anzupassen, dass eine auf Basis der Istwerte 73-75 und der Sollwerte 61-63 ermittelte Fehlersumme minimiert wird.The planning
Die Vorrichtung 65 weist Mittel zum Implementieren der Verfahren auf, wobei das Mittel 66 eine programmierbare Verarbeitungseinrichtung, beispielsweise ein Mikroprozessor, ist und das Mittel 67 ein Speicher, der ein Computerprogramm 68 beziehungsweise ein jeweiliges Computerprogramm 68 umfasst, durch das die Verfahren beziehungsweise das jeweilige Verfahren implementiert werden. Die Vorrichtung 65 ist somit eine an sich bekannte Datenverarbeitungseinrichtung 69, die durch entsprechende Programmierung zur Durchführung des der Verfahren eingerichtet ist.The device 65 has means for implementing the method, the
Die medizinischen Bilddaten 34 können durch eine medizinische Bildgebungseinrichtung 59 bereitgestellt werden, wobei die Bereitstellung im Beispiel indirekt über eine Datenbank 78 erfolgt, sodass die Ermittlung der Planungsinformation potenziell auch noch deutlich nach der Bildgebung selbst möglich wäre. Die Datenbank 78 kann zudem die bereits obig erläuterten weiteren medizinischen Bilddaten 57 und/oder Zusatzparameter 58 speichern, die im Rahmen der Ermittlung der Planungsinformation ausgewertet werden können.The
Die Planungsinformation kann im einfachsten Fall über eine Ausgabeeinrichtung 81, beispielsweise einen Bildschirm, an einen Nutzer ausgegeben werden. Zusätzlich oder alternativ kann die Planungsinformation dazu genutzt werden, vorgeschlagene beziehungsweise aufgrund einer Nutzereingabe an der Benutzerschnittstelle 79 angepasste Bildgebungsparameter unmittelbar an die Bildgebungseinrichtung 59 bereitzustellen beziehungsweise Biopsieparameter an eine Überwachungseinrichtung 80 bereitzustellen. Die Überwachungseinrichtung 80 kann gemeinsam mit einer Sensorik 77, die beispielsweise Teil der Bildgebungseinrichtung 59 sein kann, Hilfsinformation 56 an den Nutzer geben, wie bereits obig mit Bezug auf die Schritte S8 und S9 in
Wie obig erläutert, kann der Verarbeitungsalgorithmus 36 insbesondere ein neuronales Netz sein, wobei vorzugsweise sowohl Faltungsschichten als auch vollverbundende Schichten genutzt werden. Das Grundprinzip von neuronalen Netzen wird im Folgenden mit Bezug auf
Das künstliche neuronale Netzwerk 1 umfasst Knoten 6 bis 18 (nodes) und Kanten 19 bis 21 (edges), wobei jede Kante 19 bis 21 eine gerichtete Verbindung von einem ersten Knoten 6 bis 18 zu einem zweiten Knoten 6 bis 18 ist. Im Allgemeinen sind der erste Knoten 6 bis 18 und der zweite Knoten 6 bis 18 unterschiedliche Knoten 6 bis 18, es ist jedoch auch denkbar, dass der erste Knoten 6 bis 18 und der zweite Knoten 6 bis 18 identisch sind. Beispielsweise ist in
In diesem Ausführungsbeispiel können die Knoten 6 bis 18 des künstlichen neuronalen Netzes 1 in Schichten 2 bis 5 (layers) angeordnet werden, wobei die Schichten eine intrinsische Ordnung aufweisen können, die durch die Kanten 19 bis 21 zwischen den Knoten 6 bis 18 eingeführt wird. Insbesondere können Kanten 19 bis 21 nur zwischen benachbarten Schichten von Knoten 6 bis 18 vorgesehen sein. Im dargestellten Ausführungsbeispiel existiert eine Eingabeschicht 2, die lediglich die Knoten 6, 7, 8 aufweist, jeweils ohne eingehende Kante. Die Ausgangsschicht 5 umfasst nur die Knoten 17, 18, jeweils ohne ausgehende Kanten, wobei ferner versteckte Schichten 3 und 4 zwischen der Eingangsschicht 2 und der Ausgangsschicht 5 liegen. Im allgemeinen Fall kann die Zahl der versteckten Schichten 3, 4 beliebig gewählt werden. Die Zahl der Knoten 6, 7, 8 der Eingangsschicht 2 entspricht üblicherweise der Zahl der Eingabewerte in das neuronale Netzwerk 1, und die Zahl der Knoten 17, 18 in der Ausgangsschicht 5 entspricht üblicherweise der Zahl der Ausgabewerte des neuronalen Netzwerks 1.In this exemplary embodiment, the
Insbesondere kann eine (reale) Zahl den Knoten 6 bis 18 des neuronalen Netzwerks 1 zugeordnet werden. Dabei bezeichnet x(n)i den Wert des i-ten Knotens 6 bis 18 der n-ten Schicht 2 bis 5. Die Werte der Knoten 6, 7, 8 der Eingabeschicht 2 sind äquivalent zu den Eingabewerten des neuronalen Netzwerks 1, während die Werte der Knoten 17, 18 der Ausgangsschicht 5 äquivalent zu den Ausgabewerten des neuronalen Netzwerks 1 sind. Darüber hinaus kann jeder Kante 19, 20, 21 ein Gewicht in Form einer realen Zahl zugeordnet sein. Insbesondere ist das Gewicht eine reale Zahl im Intervall [-1, 1] oder im Intervall [0, 1,] . Dabei bezeichnet w(m'n)i,j das Gewicht der Kante zwischen den i-ten Knoten 6 bis 18 der m-ten Schicht 2 bis 5 und den j-ten Knoten 6 bis 18 der n-ten Schicht 2 bis 5. Ferner wird die Abkürzung
Um Ausgangswerte des neuronalen Netzes 1 zu berechnen, werden die Eingangswerte durch das neuronale Netz 1 propagiert. Insbesondere können die Werte der Knoten 6 bis 18 des (n+1)-ten Schicht 2 bis 5 basierend auf den Werten der Knoten 6 bis 18 der n-ten Schicht 2 bis 5 berechnet werden durch
Dabei ist f eine Transferfunktion, die auch als Aktivierungsfunktion bezeichnet werden kann. Bekannte Transferfunktionen sind Stufenfunktionen, Sigmoidfunktionen (beispielsweise die logistische Funktion, die verallgemeinerte logistische Funktion, der Tangens hyperbolicus, der Arkustangens, die Fehlerfunktion, die Smoothstep-Funktion) oder Gleichrichterfunktionen (Rectifier). Die Transferfunktion wird im Wesentlichen für Normierungszwecke verwendet.Here f is a transfer function, which can also be referred to as an activation function. Known transfer functions are step functions, sigmoid functions (for example the logistic function, the generalized logistic function, the hyperbolic tangent, the arctangent, the error function, the smoothstep function) or rectifier functions (rectifier). The transfer function is mainly used for normalization purposes.
Insbesondere werden die Werte schichtweise durch das neuronale Netz 1 propagiert, wobei Werte der Eingangsschicht 2 durch die Eingangsdaten des neuronalen Netzes 1 gegeben sind. Werte der ersten versteckten Schicht 3 können basierend auf den Werten der Eingangsschicht 2 des neuronalen Netzes 1 berechnet werden, Werte der zweiten versteckten Schicht 4 können basierend auf den Werten in der ersten versteckten Schicht 3 berechnet werden usw.In particular, the values are propagated layer by layer through the neural network 1 , with values of the
Um die Werte
Insbesondere wird ein Vergleich zwischen den berechneten Ausgangsdaten und den Trainingsausgangsdaten verwendet, um die Gewichte innerhalb des neuronalen Netzes 1 rekursiv anzupassen (Rückpropagierungsalgorithmus - „back propagation algorithm“). Insbesondere können die Gewichte entsprechend
Im Folgenden wird im Hinblick auf
Insbesondere können innerhalb eines Convolutional Neural Network 22 die Knoten 28 bis 32 einer der Schichten 23 bis 27 als in einer d-dimensionalen Matrix oder als d-dimensionales Bild angeordnet verstanden werden. Insbesondere kann im zweidimensionalen Fall der Wert eines Knotens 28 bis 32 mit den Indizes i, j in der n-ten Schicht 23 bis 27 als x(n) [i,j] bezeichnet werden. Es ist darauf hinzuweisen, dass die Anordnung der Knoten 28 bis 31 einer Schicht 23 bis 27 keinerlei Auswirkung auf die Berechnungen innerhalb des Convolutional Neural Network 22 als solches hat, da diese Auswirkungen ausschließlich durch die Struktur und die Gewichte der Kanten gegeben sind.In particular, within a convolutional
Eine Faltungsschicht 24 ist insbesondere dadurch ausgezeichnet, dass die Struktur und die Gewichte der eingehenden Kanten eine Faltungsoperation basierend auf einer bestimmten Zahl von Kernen bildet. Insbesondere können die Struktur und die Gewichte der eingehenden Kanten so gewählt werden, dass die Werte
Darin ist der k-te Kern Kk eine d-dimensionale Matrix, in diesem Ausführungsbeispiel eine zweidimensionale Matrix, die üblicherweise klein im Vergleich zur Zahl der Knoten 28 bis 32 ist, beispielsweise eine 3x3-Matrix oder eine 5x5-Matrix. Insbesondere impliziert dies, dass die Gewichte der eingehenden Kanten nicht unabhängig sind, sondern so gewählt sind, dass sie obige Faltungsgleichung erzeugen. Im Beispiel für einen Kern, der eine 3x3-Matrix bildet, existieren nur neun unabhängige Gewichte (wobei jeder Eintrag der Kern-Matrix einem unabhängigen Gewicht entspricht), ungeachtet der Zahl der Knoten 28 bis 32 in der entsprechenden Schicht 23 bis 27. Insbesondere ist für eine Faltungsschicht 24 die Zahl der Knoten 29 in der Faltungsschicht 24 äquivalent der Zahl der Knoten 28 in der vorangehenden Schicht 23 multipliziert mit der Zahl der Faltungskerne.Therein, the k-th kernel K k is a d-dimensional matrix, in this exemplary embodiment a two-dimensional matrix, which is usually small compared to the number of
Wenn die Knoten 28 der vorangehenden Schicht 23 als eine d-dimensionale Matrix angeordnet sind, kann die Nutzung der Mehrzahl von Kernen als Hinzufügung einer weiteren Dimension, die auch als Tiefendimension bezeichnet wird, verstanden werden, so dass die Knoten 29 der Faltungsschicht 24 als eine (d+1)-dimensionale Matrix angeordnet sind. Wenn die Knoten 28 der vorangehenden Schicht 23 bereits als eine (d+1)-dimensionale Matrix mit einer Tiefendimension angeordnet sind, kann die Nutzung einer Mehrzahl von Faltungskernen als Expansion entlang der Tiefendimension verstanden werden, so dass die Knoten 29 der Faltungsschicht 24 gleichermaßen als eine (d+1)-dimensionale Matrix angeordnet sind, wobei die Größe der (d+1)-dimensionalen Matrix in der Tiefendimension um den durch die Zahl der Kerne gebildeten Faktor größer ist als in der vorangehenden Schicht 23.If the
Der Vorteil der Nutzung von Faltungsschichten 24 ist, dass die räumlich lokale Korrelation der Eingangsdaten ausgenutzt werden kann, indem ein lokales Verbindungsmuster zwischen Knoten benachbarter Schichten geschaffen wird, insbesondere dadurch, dass jeder Knoten nur zu einem kleinen Bereich der Knoten der vorangehenden Schicht Verbindungen aufweist.The advantage of using
Im dargestellten Ausführungsbeispiel umfasst die Eingangsschicht 23 sechsunddreißig Knoten 28, die als eine zweidimensionale 6x6-Matrix angeordnet sind. Die Faltungsschicht 24 umfasst zweiundsiebzig Knoten 29, die als zwei zweidimensionale 6x6-Matrizen angeordnet sind, wobei jede der beiden Matrizen das Ergebnis einer Faltung der Werte der Eingangsschicht 23 mit einem Faltungskern ist. In gleicher Weise können die Knoten 29 der Faltungsschicht 24 als in einer dreidimensionalen 6x6x2-Matrix angeordnet verstanden werden, wobei die zuletzt genannte Dimension die Tiefendimension ist.In the illustrated embodiment, the
Eine Pooling-Schicht 25 zeichnet sich dadurch aus, dass die Struktur und die Gewichte der eingehenden Kanten sowie die Aktivierungsfunktion ihrer Knoten 30 eine Pooling-Operation basierend auf einer nichtlinearen Pooling-Funktion f definieren. Beispielsweise können im zweidimensionalen Fall die Werte x(n) der Knoten 30 der Pooling-Schicht 25 basierend auf den Werten x(n+1) der Knoten 29 der vorangehenden Schicht 24 als
Der Vorteil der Verwendung einer Pooling-Schicht 25 ist, dass die Zahl der Knoten 29, 30 und die Zahl der Parameter reduziert wird. Dies führt zu einer Reduktion der notwendigen Berechnungsmenge innerhalb des Convolutional Neural Network 22 und somit zu einer Steuerung der Überanpassung.The advantage of using a
Im dargestellten Ausführungsbeispiel handelt es sich bei der Pooling-Schicht 25 um eine Max-Pooling-Schicht, in der vier benachbarte Knoten mit nur einem einzigen Knoten ersetzt werden, dessen Wert durch das Maximum der Werte der vier benachbarten Knoten gebildet wird. Das Max-Pooling wird auf jede d-dimensionale Matrix der vorherigen Schicht angewendet; in diesem Ausführungsbeispiel wird das Max-Pooling auf jede der zwei zweidimensionalen Matrizen angewendet, so dass sich die Zahl der Knoten von zweiundsiebzig auf achtzehn reduziert.In the illustrated embodiment, the
Eine vollständig verbundene Schicht 26 zeichnet sich dadurch aus, dass eine Mehrzahl, insbesondere alle, Kanten zwischen den Knoten 30 der vorherigen Schicht 25 und den Knoten 31 der vollständig verbundenen Schicht 26 vorhanden sind, wobei das Gewicht jeder der Kanten individuell angepasst werden kann. In diesem Ausführungsbeispiel werden die Knoten 30 der vorangehenden Schicht 25 und der vollständig verbundenen Schicht 26 sowohl als zweidimensionale Matrizen als auch als nichtzusammenhängende Knoten (dargestellt als eine Zeile von Knoten, wobei die Zahl der Knoten zur besseren Darstellbarkeit reduziert wurde) gezeigt. In diesem Ausführungsbeispiel ist die Zahl der Knoten 31 in der vollständig verbundenen Schicht 26 gleich der Anzahl der Knoten 30 in der vorangehenden Schicht 25. In alternativen Ausführungsformen kann die Zahl der Knoten 30, 31 unterschiedlich sein.A fully connected
Darüber hinaus werden in diesem Ausführungsbeispiel die Werte der Knoten 32 der Ausgangsschicht 27 bestimmt, indem die Softmax-Funktion auf die Werte der Knoten 31 der vorangehenden Schicht 26 angewendet wird. Durch Anwendung der Softmax-Funktion ist die Summe der Werte aller Knoten 32 der Ausgangsschicht 27 eins und alle Werte aller Knoten 32 der Ausgangsschicht sind reale Zahlen zwischen 0 und 1. Wenn das Convolutional Neural Network 22 zur Klassifizierung von Eingangsdaten genutzt wird, können insbesondere die Werte der Ausgangsschicht 27 als Wahrscheinlichkeit dafür interpretiert werden, dass die Eingangsdaten in eine der unterschiedlichen Klassen fallen.Furthermore, in this embodiment, the values of the
Ein Convolutional Neural Network 22 kann ebenso eine ReLU-Schicht aufweisen, wobei ReLU als Akronym für „rectified linear units“ steht. Insbesondere ist die Zahl der Knoten und die Struktur der Knoten innerhalb einer ReLU-Schicht äquivalent zu der Zahl der Knoten und der Strukturen der Knoten der vorangehenden Schicht. Der Wert jedes Knotens in der ReLU-Schicht kann insbesondere durch Anwendung einer Gleichrichtungsfunktion (rectifier function) auf den Wert des entsprechenden Knoten der vorangehenden Schicht berechnet werden. Beispiele für Gleichrichterfunktionen sind f(x)=max(0,x), der Tangens hyperbolicus oder die Sigmoidfunktion.A convolutional
Convolutional Neural Networks 22 können insbesondere basierend auf den Rückpropagierungsalgorithmus trainiert werden. Um eine Überanpassung (overfitting) zu vermeiden, können Verfahren der Regularisierung eingesetzt werden, beispielsweise Dropout einzelner Knoten 28 bis 32, stochastisches Pooling, Nutzen von künstlichen Daten, Gewichtszerfall basierend auf der L1- oder der L2-Norm oder Maximalnorm-Einschränkungen.In particular, convolutional
Obwohl die Erfindung im Detail durch das bevorzugte Ausführungsbeispiel näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.Although the invention has been illustrated and described in detail by the preferred embodiment, the invention is not limited by the disclosed examples and other variations can be derived therefrom by those skilled in the art without departing from the scope of the invention.
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021210804.0A DE102021210804A1 (en) | 2021-09-28 | 2021-09-28 | Method and apparatus for providing planning information in preparation for a breast biopsy |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021210804.0A DE102021210804A1 (en) | 2021-09-28 | 2021-09-28 | Method and apparatus for providing planning information in preparation for a breast biopsy |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021210804A1 true DE102021210804A1 (en) | 2023-03-30 |
Family
ID=85477087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021210804.0A Pending DE102021210804A1 (en) | 2021-09-28 | 2021-09-28 | Method and apparatus for providing planning information in preparation for a breast biopsy |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021210804A1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017203248B3 (en) | 2017-02-28 | 2018-03-22 | Siemens Healthcare Gmbh | Method for determining a biopsy position, method for optimizing a position determination algorithm, position determination unit, medical imaging device, computer program products and computer-readable storage media |
DE102020122552A1 (en) | 2020-08-28 | 2022-03-03 | Siemens Healthcare Gmbh | METHOD, EQUIPMENT AND SYSTEM FOR DETERMINING BIOPSY PARAMETERS |
-
2021
- 2021-09-28 DE DE102021210804.0A patent/DE102021210804A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017203248B3 (en) | 2017-02-28 | 2018-03-22 | Siemens Healthcare Gmbh | Method for determining a biopsy position, method for optimizing a position determination algorithm, position determination unit, medical imaging device, computer program products and computer-readable storage media |
DE102020122552A1 (en) | 2020-08-28 | 2022-03-03 | Siemens Healthcare Gmbh | METHOD, EQUIPMENT AND SYSTEM FOR DETERMINING BIOPSY PARAMETERS |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE10357203B4 (en) | Method and control device for operating a magnetic resonance tomography device and magnetic resonance tomography device | |
EP2041719B1 (en) | Method for determining a property map for an object in particular for a living being based on at least one first image in particular a nuclear magnetic resonance image | |
EP3185215A1 (en) | Automated determination of contours on the basis of iterative reconstruction | |
DE10321722A1 (en) | Computer-aided diagnosis of multiple energy images | |
EP3437559A1 (en) | Determination of a functional parameter relating to a local tissue function for multiple tissue areas | |
DE102016219887A1 (en) | Method and system for using measured data | |
DE102006046285A1 (en) | Object vessel-like structures segmented representing method for patient, involves using determined probabilities as criterion for presence of vessel in segmentation process for representation of vessel structures | |
DE102010022266A1 (en) | Method for registering e.g. two-dimensional medical image data of thorax of patient before therapeutic interventions, involves registering image data on another image data using selected registration parameter set | |
DE10357206A1 (en) | Method and image processing system for the segmentation of sectional image data | |
DE102014007095A1 (en) | Method and device for reducing artifacts in computer tomographic images | |
EP3542721A1 (en) | Method for processing parameters of a machine learning method and reconstruction method | |
DE102020216306A1 (en) | Computer-implemented method for operating a medical imaging device, imaging device, computer program and electronically readable data carrier | |
DE102020206059A1 (en) | Computer-implemented method and system for training an evaluation algorithm, computer program and electronically readable data carrier | |
DE102006059383A1 (en) | Method for producing resulting pictures of investigation object, involves detecting multiple magnetic resonance images of investigation object by magnetic resonance photograph mechanism | |
EP3210537B1 (en) | Creation of a three dimensional image of a portion of a body by a x-ray apparatus | |
DE102015210912A1 (en) | Reconstruction of a result image taking into account contour significance data | |
EP1498851A1 (en) | Determination of a three-dimensional body shape, especially an anatomic structure, from two-dimensional projection images | |
EP3379487A1 (en) | Contrast enhanced reproduction of spectral ct image data | |
DE102021206417B3 (en) | Computer-implemented methods and systems for providing a correction algorithm for an X-ray image and for correcting an X-ray image, X-ray device, computer program and electronically readable data carrier | |
DE102018211106A1 (en) | Method for reducing an artifact in a computed tomography image data set | |
DE102011003138B4 (en) | Imaging method with optimized gray value window determination | |
DE102021210804A1 (en) | Method and apparatus for providing planning information in preparation for a breast biopsy | |
EP3637362A1 (en) | Method for adjusting an image impression | |
EP3797692B1 (en) | Method and device for controlling a medical imaging device | |
DE102012214593A1 (en) | Method for detecting foreign object body in X-ray image of human or animal body, involves receiving X-ray image of examination zone of examination object, and detecting foreign object body in X-ray image, and visualizing detection result |
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 |