DE102022209173B3

DE102022209173B3 - Verfahren und Datenverarbeitungssystem zum Bereitstellen von radiologischen Visualisierungsdaten

Info

Publication number: DE102022209173B3
Application number: DE102022209173.6A
Authority: DE
Inventors: Philipp Hölzer; Sebastian Schmidt
Original assignee: Siemens Healthcare GmbH
Current assignee: Siemens Healthineers Ag De
Priority date: 2022-09-02
Filing date: 2022-09-02
Publication date: 2023-11-30
Anticipated expiration: 2042-09-03
Also published as: US20240078667A1

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Bereitstellen von radiologischen Visualisierungsdaten, das Verfahren umfassend:- ein Empfangen von radiologischen Bildgebungsdaten, welche einen Untersuchungsbereich betreffen,- ein Berechnen von Konfidenzdaten, welche einen Konfidenzwert, mit dem eine Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, betreffen, basierend auf den radiologischen Bildgebungsdaten,- ein Berechnen der radiologischen Visualisierungsdaten, welche den Untersuchungsbereich betreffen, wobei eine Datenreduktion der radiologischen Visualisierungsdaten relativ zu den radiologischen Bildgebungsdaten in Abhängigkeit von den Konfidenzdaten erfolgt,- ein Bereitstellen der radiologischen Visualisierungsdaten.

Description

Die Anwendung von Algorithmen der künstlichen Intelligenz birgt das Potenzial, Teilaspekte der Befundung radiologischer Bilddaten zu automatisieren. Dadurch kann beispielsweise die diagnostische Genauigkeit erhöht und/oder die Konsistenz der Befundung verbessert werden. Insbesondere dann, wenn die künstliche Intelligenz zu einem Ergebnis kommt, demzufolge eine Abnormalität nicht vorhanden ist, kann eine ärztliche Überprüfung des Ergebnisses erforderlich sein. Eine solche visuelle Verifikation des Nichtvorhandenseins einer Abnormalität kann für das radiologische Personal sehr zeitaufwendig sein, insbesondere wenn dafür sämtliche von der künstlichen Intelligenz analysierten Bilddaten ärztlich begutachtet werden müssen.
Als Stand der Technik sind hierbei die DE 10 2016 219 488 A1 , DE 10 2019 210 473 A1 und US 2021 / 0 375 434 A1 zu nennen.
Die Erfindung hat die Aufgabe, radiologische Visualisierungsdaten bereitzustellen, die gegenüber herkömmlichen radiologischen Visualisierungsdaten datenreduziert sind, um insbesondere den Zeitaufwand für eine visuelle Überprüfung der radiologischen Visualisierungsdaten in Bezug auf das Nichtvorhandenseins einer Abnormalität zu verringern.
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Bereitstellen von radiologischen Visualisierungsdaten, das Verfahren umfassend:

- ein Empfangen von radiologischen Bildgebungsdaten, welche einen Untersuchungsbereich betreffen,
- ein Berechnen von Konfidenzdaten, welche einen Konfidenzwert, mit dem eine Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, betreffen, basierend auf den radiologischen Bildgebungsdaten,

- ein Berechnen der radiologischen Visualisierungsdaten, welche den Untersuchungsbereich betreffen, wobei eine Datenreduktion der radiologischen Visualisierungsdaten relativ zu den radiologischen Bildgebungsdaten in Abhängigkeit von den Konfidenzdaten erfolgt,
- ein Bereitstellen der radiologischen Visualisierungsdaten.

Die radiologischen Bildgebungsdaten können beispielsweise mittels eines medizinischen Bildgebungsgeräts generiert sein und/oder auf einer radiologischen Bildgebungsuntersuchung des Untersuchungsbereichs basieren. Insbesondere kann die radiologische Bildgebungsuntersuchung des Untersuchungsbereichs mittels des medizinischen Bildgebungsgeräts durchgeführt werden, wobei die radiologischen Bildgebungsdaten mittels des medizinischen Bildgebungsgeräts generiert werden.
Die radiologischen Bildgebungsdaten können beispielsweise aus der Bildgebungsdaten-Gruppe gewählt sein, welche aus Röntgen-Bildgebungsdaten, C-Bogen-Röntgen-Bildgebungsdaten, Computertomographie-Bildgebungsdaten (CT-Bildgebungsdaten), Molekularbildgebungsdaten (MI-Bildgebungsdaten), Einzelphotonen-Emissions-Computertomographie-Bildgebungsdaten (SPECT-Bildgebungsdaten), Positronen-Emissions-Tomographie-Bildgebungsdaten (PET-Bildgebungsdaten), Magnetresonanztomographie-Bildgebungsdaten (MR-Bildgebungsdaten), Ultraschall-Bildgebungsdaten und Kombinationen daraus, insbesondere PET-CT-Bildgebungsdaten und PET-MR-Bildgebungsdaten, besteht.
Das Berechnen der Konfidenzdaten kann beispielsweise durch Anwenden eines Algorithmus zur Abnormalitätendetektion auf die radiologischen Bildgebungsdaten erfolgen. Insbesondere kann vorgesehen sein, dass der Algorithmus zur Abnormalitätendetektion eine oder mehrere Arten von Abnormalitäten erkennt und/oder eine Entscheidung bezüglich des Vorhandenseins einer Abnormalität des Untersuchungsbereichs unterstützt. Insbesondere kann vorgesehen sein, dass der Algorithmus zur Abnormalitätendetektion sämtliche zu befundenden Arten von Abnormalitäten, die für eine bestimmte medizinische Untersuchung relevant sind, berücksichtigt („case-level rule-out“). Dazu kann der Algorithmus zur Abnormalitätendetektion beispielsweise mehrere befundungsspezifische Algorithmen umfassen.
Der Algorithmus zur Abnormalitätendetektion kann beispielsweise spezialisiert auf eine Abnormalität des Untersuchungsbereichs sein, deren Erkennung eine hohe Auflösung erfordert, insbesondere auf eine Abnormalität, die diffus ist und/oder sehr feine Merkmale aufweist. Die Abnormalität des Untersuchungsbereichs kann beispielsweise eine Läsion sein. Die Läsion kann insbesondere klein und/oder fokal sein.
Insbesondere kann vorgesehen sein, dass der Algorithmus zur Abnormalitätendetektion auf die radiologischen Bildgebungsdaten angewendet wird, um die Abnormalität des Untersuchungsbereichs automatisiert auszuschließen, und/oder dass dabei die Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen wird, insbesondere mit dem Konfidenzwert automatisiert ausgeschlossen wird.
Ein Konfidenzwert (ein englischer Fachbegriff ist „confidence score“), mit dem die Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, kann insbesondere ein Maß dafür sein, wie sicher die Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann. Der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, kann insbesondere auf einer Wahrscheinlichkeit dafür basieren, dass die automatisiert ausgeschlossene Abnormalität des Untersuchungsbereichs tatsächlich nicht vorhanden ist, und/oder eine Wahrscheinlichkeit dafür angeben, dass die automatisiert ausgeschlossene Abnormalität des Untersuchungsbereichs tatsächlich nicht vorhanden ist.
Der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, kann insbesondere ein Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs von dem Algorithmus zur Abnormalitätendetektion automatisiert ausgeschlossen werden kann, insbesondere basierend auf den radiologischen Bildgebungsdaten automatisiert ausgeschlossen werden kann, sein. Die Algorithmuskonfidenz an einer Position kann insbesondere der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs an dieser Position von dem Algorithmus zur Abnormalitätendetektion automatisiert ausgeschlossen werden kann, sein.
Der Untersuchungsbereich kann insbesondere eine anatomische Struktur aufweisen. Die anatomische Struktur kann insbesondere eine anatomische Struktur eines Untersuchungsobjekts und/oder ein Organ sein. Das Untersuchungsobjekt kann beispielsweise ein Mensch, ein Tier oder ein Phantom sein. Der Untersuchungsbereich kann beispielsweise ein Thorax sein.
Die Abnormalität des Untersuchungsbereichs kann beispielsweise radiologisch und/oder pathologisch sein. Die Abnormalität des Untersuchungsbereichs kann beispielsweise eine Abnormalität des Untersuchungsbereichs der anatomischen Struktur sein. Die Abnormalität des Untersuchungsbereichs kann beispielsweise eine Form der anatomischen Struktur und/oder eine Funktion der anatomischen Struktur betreffen.
Das Berechnen der radiologischen Visualisierungsdaten kann beispielsweise durch Anwenden eines Algorithmus zur Visualisierungsdatenberechnung auf die radiologischen Bildgebungsdaten und die Konfidenzdaten erfolgen. Die radiologischen Visualisierungsdaten können insbesondere derart berechnet werden, dass eine visuelle Befundung der radiologischen Visualisierungsdaten, um die Abnormalität des Untersuchungsbereichs auszuschließen, weniger aufwendig ist als eine visuelle Befundung der radiologischen Bildgebungsdaten.
Die radiologischen Visualisierungsdaten können beispielsweise berechnet werden, indem zunächst Bildverarbeitungsparameter in Abhängigkeit von den Konfidenzdaten angepasst werden und danach die radiologischen Visualisierungsdaten basierend auf den radiologischen Bildgebungsdaten und den angepassten Bildverarbeitungsparametern berechnet werden.
Die radiologischen Visualisierungsdaten können beispielsweise berechnet werden, indem zunächst eine Mehrzahl von radiologischen Kandidaten-Visualisierungsdaten berechnet wird, insbesondere unabhängig von den Konfidenzdaten berechnet wird, und danach die radiologischen Visualisierungsdaten aus der Mehrzahl von radiologischen Kandidaten-Visualisierungsdaten in Abhängigkeit von den Konfidenzdaten ausgewählt werden.
Beispielsweise kann die Mehrzahl von radiologischen Kandidaten-Visualisierungsdaten eine tomographische Schnittbildserie mit einer Schichtdicke von 1 mm und eine tomographische Schnittbildserie mit einer Schichtdicke von 5 mm umfassen. Falls der Konfidenzwert, mit dem eine Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, ausreichend hoch ist, wird die tomographische Schnittbildserie mit einer Schichtdicke von 5 mm für die radiologischen Visualisierungsdaten ausgewählt. Die radiologischen Kandidaten-Visualisierungsdaten der Mehrzahl von radiologischen Kandidaten-Visualisierungsdaten können beispielsweise nur temporär erzeugt und/oder unmittelbar nach Auswahl der radiologischen Visualisierungsdaten aus der Mehrzahl von radiologischen Kandidaten-Visualisierungsdaten wieder gelöscht werden.
Die Datenreduktion der radiologischen Visualisierungsdaten relativ zu den radiologischen Bildgebungsdaten kann insbesondere auf einer Reduktion einer Datenmenge, die für einen Ausschluss der Abnormalität des Untersuchungsbereichs visuell, insbesondere durch radiologisches Personal, zu befunden ist, basieren.
Auf diese Weise kann der Aufwand für eine visuelle Befundung verringert werden. Die visuelle Befundung kann im Wesentlichen auf die Verifizierung der vom Algorithmus zur Abnormalitätendetektion automatisch ermittelten Ergebnisse in Form der radiologischen Visualisierungsdaten beschränkt werden. Dabei haben größere Konfidenzwerte eine stärkere Datenreduktion zur Folge. Je sicherer also die Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, desto weniger Daten sind zur Verifizierung visuell zu überprüfen.
Eine Ausführungsform sieht vor, dass der Untersuchungsbereich einen ersten Teilbereich und einen zweiten Teilbereich aufweist. Insbesondere kann vorgesehen sein, dass die Konfidenzdaten einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem ersten Teilbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem zweiten Teilbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, betreffen.
Insbesondere kann vorgesehen sein, dass die radiologischen Visualisierungsdaten derart berechnet werden, dass die Datenreduktion in dem ersten Teilbereich genau dann stärker ist als in dem zweiten Teilbereich, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem ersten Teilbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem zweiten Teilbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird.
Die Konfidenzdaten können insbesondere räumlich aufgelöst sein. Insbesondere kann vorgesehen sein, dass die Konfidenzdaten den Konfidenzwert, mit der die Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, betreffen, indem die Konfidenzdaten jeder Position einer Mehrzahl von Positionen in dem Untersuchungsbereich jeweils eine Wahrscheinlichkeit, mit der die Abnormalität des Untersuchungsbereichs an dieser Position tatsächlich nicht vorhanden ist, zuordnen. Insbesondere kann vorgesehen sein, dass die Konfidenzdaten den Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, betreffen, indem die Konfidenzdaten jeder Position einer Mehrzahl von Positionen in dem Untersuchungsbereich jeweils eine Wahrscheinlichkeit, mit der die Abnormalität des Untersuchungsbereichs an dieser Position tatsächlich vorhanden ist, zuordnen.
Der Algorithmus zur Abnormalitätendetektion kann insbesondere dazu eingerichtet sein, für jede Position einer Mehrzahl von Positionen in dem Untersuchungsbereich die Wahrscheinlichkeit, mit der die Abnormalität des Untersuchungsbereichs an dieser Position tatsächlich nicht vorhanden ist, und/oder die Wahrscheinlichkeit, mit der die Abnormalität des Untersuchungsbereichs an dieser Position tatsächlich vorhanden ist, basierend auf den radiologischen Bildgebungsdaten zu berechnen.
Eine Ausführungsform sieht vor, dass die Datenreduktion auf einer Reduktion einer räumlichen Auflösung der radiologischen Visualisierungsdaten relativ zu einer räumlichen Auflösung der radiologischen Bildgebungsdaten basiert. Insbesondere kann vorgesehen sein, dass die radiologischen Visualisierungsdaten derart berechnet werden, dass die Reduktion der räumlichen Auflösung in dem ersten Teilbereich genau dann stärker ist als in dem zweiten Teilbereich, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem ersten Teilbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem zweiten Teilbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird.
Die räumliche Auflösung kann insbesondere eine Voxelgröße, eine Matrixgröße und/oder eine Schichtdicke betreffen.
Weiterhin kann vorgesehen sein, dass die Datenreduktion auf einer Reduktion einer Kontrastauflösung der radiologischen Visualisierungsdaten relativ zu einer Kontrastauflösung der radiologischen Bildgebungsdaten basiert.
Eine Ausführungsform sieht vor, dass die Datenreduktion auf einer Schichtdickenvergrößerung von tomographischen Schnittbildern, die in den radiologischen Visualisierungsdaten enthalten sind, relativ zu entsprechenden tomographischen Schnittbildern, die in den radiologischen Bildgebungsdaten enthalten sind, basiert.
Insbesondere kann vorgesehen sein, dass die radiologischen Visualisierungsdaten derart berechnet werden, dass die Schichtdickenvergrößerung von tomographischen Schnittbildern des ersten Teilbereichs, die in den radiologischen Visualisierungsdaten enthalten sind, relativ zu entsprechenden tomographischen Schnittbildern des ersten Teilbereichs, die in den radiologischen Bildgebungsdaten enthalten sind, genau dann größer ist als die Schichtdickenvergrößerung von tomographischen Schnittbildern des zweiten Teilbereichs, die in den radiologischen Visualisierungsdaten enthalten sind, relativ zu entsprechenden tomographischen Schnittbildern des zweiten Teilbereichs, die in den radiologischen Bildgebungsdaten enthalten sind, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem ersten Teilbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem zweiten Teilbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird.
Insbesondere kann vorgesehen sein, dass wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, einen ersten Schwellwert überschreitet, eine Schichtdicke der tomographischen Schnittbilder, die in den radiologischen Visualisierungsdaten enthalten sind, gleich einem ersten Visualisierungs-Schichtdickenwert ist, wobei der erste Visualisierungs-Schichtdickenwert größer ist als eine Schichtdicke der entsprechenden tomographischen Schnittbilder, die in den radiologischen Bildgebungsdaten enthalten sind.
Insbesondere kann vorgesehen sein, dass wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, einen zweiten Schwellwert überschreitet, eine Schichtdicke der tomographischen Schnittbilder, die in den radiologischen Visualisierungsdaten enthalten sind, gleich einem zweiten Visualisierungs-Schichtdickenwert ist, wobei der zweite Visualisierungs-Schichtdickenwert größer ist als der erste Visualisierungs-Schichtdickenwert.
Die Schichtdicke der entsprechenden tomographischen Schnittbilder, die in den radiologischen Bildgebungsdaten enthalten sind, kann beispielsweise gleich 1 mm sein. Beispielsweise kann der erste Visualisierungs-Schichtdickenwert gleich 3 mm und/oder der zweite Visualisierungs-Schichtdickenwert gleich 5 mm sein. Somit kann der Aufwand für eine visuelle Befundung auf ein Drittel bzw. ein Fünftel reduziert werden unter Beibehaltung der Möglichkeit, grobe Fehler bei der Berechnung zu erkennen.
Die Schichtdickenvergrößerung kann beispielsweise über eine komplette Bildserie gleichmäßig erfolgen oder räumlich mit der Algorithmuskonfidenz variieren. Damit können insbesondere ausgewählte Abschnitte einer Bildserie auf größere Schichtdicken geändert werden, je nachdem, wie die Algorithmuskonfidenz räumlich variiert.
Eine Ausführungsform sieht vor, dass die Datenreduktion darauf basiert, dass statt eines dreidimensionalen Bilddatensatzes, welcher in den radiologischen Bildgebungsdaten enthalten ist, die radiologischen Visualisierungsdaten ein zweidimensionales Projektionsbild enthalten, welches auf dem dreidimensionalen Bilddatensatz basiert.
Der dreidimensionale Bilddatensatz kann beispielsweise eine Mehrzahl von tomographischen Schnittbildern aufweisen. Das Projektionsbild kann beispielsweise ein virtuelles Durchleuchtungsbild sein und/oder basierend auf einer Überlagerung der tomographischen Schnittbilder der Mehrzahl von tomographischen Schnittbildern rekonstruiert werden, insbesondere digital rekonstruiert werden. Das Projektionsbild kann beispielsweise ein Maximumintensitätsprojektionsbild sein und/oder durch ein Anwenden einer Maximumintensitätsprojektion auf den dreidimensionalen Bilddatensatz berechnet werden.
Eine Ausführungsform sieht vor, dass die radiologischen Bildgebungsdaten den Untersuchungsbereich in einem ersten Zeitabschnitt und in einem zweiten Zeitabschnitt betreffen. Insbesondere kann vorgesehen sein, dass die Konfidenzdaten einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem ersten Zeitabschnitt automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem zweiten Zeitabschnitt automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, betreffen.
Insbesondere kann vorgesehen sein, dass die radiologischen Visualisierungsdaten den Untersuchungsbereich in dem ersten Zeitabschnitt und in dem zweiten Zeitabschnitt betreffen, wobei die radiologischen Visualisierungsdaten derart berechnet werden, dass die Datenreduktion in dem ersten Zeitabschnitt genau dann stärker ist als in dem zweiten Zeitabschnitt, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem ersten Zeitabschnitt automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem zweiten Zeitabschnitt automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird.
Insbesondere kann vorgesehen sein, dass die radiologischen Bildgebungsdaten und die radiologischen Visualisierungsdaten jeweils eine zeitliche Dimension haben. Insbesondere kann vorgesehen sein, dass der erste Zeitabschnitt ein erster Zeitabschnitt der radiologischen Bildgebungsuntersuchung des Untersuchungsbereichs ist und dass der zweite Zeitabschnitt ein zweiter Zeitabschnitt der radiologischen Bildgebungsuntersuchung des Untersuchungsbereichs ist.
Der erste Zeitabschnitt kann beispielsweise eine erste Kontrastmittelphase einer kontrastmittelunterstützten radiologischen Bildgebungsuntersuchung betreffen. Der zweite Zeitabschnitt kann beispielsweise eine zweite Kontrastmittelphase der kontrastmittelunterstützten radiologischen Bildgebungsuntersuchung betreffen. Kontrastmittelphasen der kontrastmittelunterstützten radiologischen Bildgebungsuntersuchung können beispielsweise nativ, früh-arteriell, spät-arteriell, hepatisch, nephrogen oder urographisch sein.
Eine Ausführungsform sieht vor, dass die Datenreduktion auf einer Reduktion einer zeitlichen Auflösung der radiologischen Visualisierungsdaten relativ zu einer zeitlichen Auflösung der radiologischen Bildgebungsdaten basiert. Insbesondere kann vorgesehen sein, dass die radiologischen Visualisierungsdaten derart berechnet werden, dass die Reduktion der zeitlichen Auflösung in dem ersten Zeitabschnitt genau dann stärker ist als in dem zweiten Zeitabschnitt, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem ersten Zeitabschnitt automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem zweiten Zeitabschnitt automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird.
Eine Ausführungsform sieht vor, dass die Datenreduktion auf einer Abtastintervallvergrößerung einer Zeitreihe von radiologischen Momentaufnahmen, die in den radiologischen Visualisierungsdaten enthalten ist, relativ zu einer entsprechenden Zeitreihe von radiologischen Momentaufnahmen, die in den radiologischen Bildgebungsdaten enthalten ist, basiert.
Insbesondere kann vorgesehen sein, dass die radiologischen Visualisierungsdaten derart berechnet werden, dass die Abtastintervallvergrößerung einer Zeitreihe von radiologischen Momentaufnahmen des ersten Zeitabschnitts, die in den radiologischen Visualisierungsdaten enthalten ist, relativ zu einer entsprechenden Zeitreihe von radiologischen Momentaufnahmen des ersten Zeitabschnitts, die in den radiologischen Bildgebungsdaten enthalten ist, genau dann größer ist als die Abtastintervallvergrößerung einer Zeitreihe von radiologischen Momentaufnahmen des zweiten Zeitabschnitts, die in den radiologischen Visualisierungsdaten enthalten ist, relativ zu einer entsprechenden Zeitreihe von radiologischen Momentaufnahmen des zweiten Zeitabschnitts, die in den radiologischen Bildgebungsdaten enthalten ist, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem ersten Zeitabschnitt automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem zweiten Zeitabschnitt automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird.
Mittels der Zeitreihe von radiologischen Momentaufnahmen kann beispielsweise ein Kontrastmittelfluss in dem Untersuchungsbereich während einer kontrastmittelunterstützten radiologischen Bildgebungsuntersuchung zeitlich aufgelöst abgebildet werden.
Insbesondere kann vorgesehen sein, dass jede radiologische Momentaufnahme der Zeitreihe von radiologischen Momentaufnahmen einem Untersuchungszeitpunkt der radiologischen Bildgebungsuntersuchung des Untersuchungsbereichs zugeordnet ist, insbesondere derart zugeordnet ist, dass diese radiologische Momentaufnahme den Zustand des Untersuchungsbereichs zu diesem Untersuchungszeitpunkt abbildet. Jeweils zwei benachbarte solcher Untersuchungszeitpunkte begrenzen jeweils ein entsprechendes Abtastintervall.
Die Abtastintervallvergrößerung kann insbesondere derart erfolgen, dass Untersuchungszeitpunkte, denen jeweils eine radiologische Momentaufnahme der in den radiologischen Visualisierungsdaten enthaltenen Zeitreihe von radiologischen Momentaufnahmen zugeordnet ist, weniger dicht verteilt sind als Untersuchungszeitpunkte, denen jeweils eine radiologische Momentaufnahme der in den radiologischen Bildgebungsdaten enthaltenen Zeitreihe von radiologischen Momentaufnahmen zugeordnet ist.
Eine Ausführungsform sieht vor, dass die radiologischen Bildgebungsdaten eine erste Bildserie und eine zweite Bildserie umfassen. Insbesondere kann vorgesehen sein, dass die Konfidenzdaten einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der ersten Bildserie automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der zweiten Bildserie automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, betreffen.
Insbesondere kann vorgesehen sein, dass die radiologischen Visualisierungsdaten derart berechnet werden, dass die erste Bildserie genau dann stärker als die zweite Bildserie von der Datenreduktion betroffen ist, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der ersten Bildserie automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der zweiten Bildserie automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird.
Insbesondere kann vorgesehen sein, dass die radiologischen Visualisierungsdaten derart berechnet werden, dass die radiologischen Visualisierungsdaten genau dann die erste Bildserie nicht umfassen und die zweite Bildserie umfassen, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der ersten Bildserie automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der zweiten Bildserie automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird.
Insbesondere kann vorgesehen sein, dass die Datenreduktion darauf basiert, dass statt einer Menge von Bildserien, die in den radiologischen Bildgebungsdaten enthalten ist, die radiologischen Visualisierungsdaten eine echte Teilmenge der Menge von Bildserien enthalten.
Die erste Bildserie kann beispielsweise ein erster Bildstapel von tomographischen Schnittbildern sein. Die zweite Bildserie kann beispielsweise ein zweiter Bildstapel von tomographischen Schnittbildern sein. Bildserien können beispielsweise axial, koronal oder sagittal sein.
Eine Ausführungsform sieht vor, dass die radiologischen Bildgebungsdaten eine erste Grauwertfensterung und eine zweite Grauwertfensterung umfassen. Insbesondere kann vorgesehen sein, dass die Konfidenzdaten einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der ersten Grauwertfensterung automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der zweiten Grauwertfensterung automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, betreffen.
Insbesondere kann vorgesehen sein, dass die radiologischen Visualisierungsdaten derart berechnet werden, dass die erste Grauwertfensterung genau dann stärker als die zweite Grauwertfensterung von der Datenreduktion betroffen ist, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der ersten Grauwertfensterung automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der zweiten Grauwertfensterung automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird.
Insbesondere kann vorgesehen sein, dass die radiologischen Visualisierungsdaten derart berechnet werden, dass die radiologischen Visualisierungsdaten genau dann die erste Grauwertfensterung nicht umfassen und die zweite Grauwertfensterung umfassen, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der ersten Grauwertfensterung automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in der zweiten Grauwertfensterung automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird.
Insbesondere kann vorgesehen sein, dass die Datenreduktion darauf basiert, dass statt einer Menge von Grauwertfensterungen, die in den radiologischen Bildgebungsdaten enthalten ist, die radiologischen Visualisierungsdaten eine echte Teilmenge der Menge von Grauwertfensterungen enthalten.
Beispielsweise kann die Menge von Grauwertfensterungen, die in den radiologischen Bildgebungsdaten enthalten ist, ein Weichteilfenster und ein Knochenfenster enthalten, wobei die radiologischen Visualisierungsdaten nur das Weichteilfenster und nicht das Knochenfenster enthalten, wenn der Algorithmus zur Abnormalitätendetektion sicher ist, dass eine Abnormalität des Untersuchungsbereichs in Form von knöchernen Läsionen automatisiert ausgeschlossen werden kann.
Erfindungsgemäß ist vorgesehen, dass die radiologischen Bildgebungsdaten einen ersten Spektralbereich und einen zweiten Spektralbereich betreffen und dass die Konfidenzdaten einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem ersten Spektralbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem zweiten Spektralbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, betreffen.
Erfindungsgemäß ist vorgesehen, dass die radiologischen Visualisierungsdaten derart berechnet werden, dass die Datenreduktion in dem ersten Spektralbereich genau dann stärker ist als in dem zweiten Spektralbereich, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem ersten Spektralbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs in dem zweiten Spektralbereich automatisiert ausgeschlossen werden kann, insbesondere automatisiert ausgeschlossen wird.
Eine Ausführungsform sieht vor, dass die Datenreduktion auf einer Reduktion einer spektralen Auflösung der radiologischen Visualisierungsdaten relativ zu einer spektralen Auflösung der radiologischen Bildgebungsdaten basiert. Insbesondere kann vorgesehen sein, dass die radiologischen Bildgebungsdaten und die radiologischen Visualisierungsdaten jeweils eine spektrale Dimension haben.
Eine Ausführungsform sieht vor, dass die Datenreduktion darauf basiert, dass statt einer Mehrzahl von spektral verschiedenen Bildserien, die in den radiologischen Bildgebungsdaten enthalten sind, die radiologischen Visualisierungsdaten eine resultierende Bildserie enthalten, welche auf der Mehrzahl von spektral verschiedenen Bildserien basiert. Insbesondere kann vorgesehen sein, dass die resultierende Bildserie aus der Bildserien-Gruppe gewählt ist, welche aus einer Jodkarten-Bildserie, einer virtuell kontrastmittelfreien (ein englischer Fachbegriff ist „virtual non-contrast“) Bildserie, einer virtuell kalziumfreien (ein englischer Fachbegriff ist „virtual non-calcium“) Bildserie und einer virtuell monoenergetischen Bildserie besteht.
Weiterhin kann vorgesehen sein, dass auch innerhalb der resultierenden Bildserie die Datenreduktion in Abhängigkeit von den Konfidenzdaten erfolgt. Spektral verschiedene Bildserien können beispielsweise mittels spektraler radiologischer Bildgebung generiert werden, insbesondere mittels spektraler Computertomographie generiert werden. Spektrale Computertomographie kann beispielsweise eine Dual-Source-Computertomographie und/oder eine photonenzählende Computertomographie sein und/oder basierend auf mehreren Röntgenstrahlfiltern und/oder mehreren Röntgenröhrenspannungen erfolgen.
Die Mehrzahl von spektral verschiedenen Bildserien kann beispielsweise für jede Energiestufe einer Mehrzahl von Energiestufen eines photonenzählenden Detektors jeweils eine innerhalb dieser Energiestufe erfasste Bildserie enthalten. Die Mehrzahl von Energiestufen des photonenzählenden Detektors kann beispielsweise vier verschiedene Energiestufen umfassen.
Insbesondere kann die resultierende Bildserie aus der Bildserien-Gruppe in Abhängigkeit von den Konfidenzdaten ausgewählt werden. Insbesondere kann vorgesehen sein, dass jede Bildserie der Bildserien-Gruppe durch eine gewichtete Kombination von mindestens zwei spektral verschiedenen Bildserien der Mehrzahl von spektral verschiedenen Bildserien berechnet werden kann, beispielsweise in Form einer Materialzerlegung berechnet werden kann. Insbesondere kann in Abhängigkeit von den Konfidenzdaten eine Energie ausgewählt werden, für welche die virtuell monoenergetische Bildserie berechnet wird.
Eine Ausführungsform sieht vor, dass das Berechnen der Konfidenzdaten durch Anwenden einer trainierten Funktion zur Abnormalitätendetektion auf die radiologischen Bildgebungsdaten erfolgt.
Die trainierte Funktion zur Abnormalitätendetektion kann insbesondere der Algorithmus zur Abnormalitätendetektion sein und/oder dazu trainiert sein, basierend auf den radiologischen Bildgebungsdaten den Untersuchungsbereich und/oder Teilbereiche des Untersuchungsbereichs als normal oder als anomal zu klassifizieren, insbesondere basierend auf dem Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs, insbesondere für einen Teilbereich des Untersuchungsbereichs, automatisiert ausgeschlossen werden kann, zu klassifizieren.
Insbesondere kann vorgesehen sein, dass der Untersuchungsbereich von der trainierten Funktion als normal klassifiziert wird, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs für den gesamten Untersuchungsbereich automatisiert ausgeschlossen werden kann, einen Klassifikationsschwellwert überschreitet, und/oder dass der Untersuchungsbereich von der trainierten Funktion als anomal klassifiziert wird, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs für den gesamten Untersuchungsbereich automatisiert ausgeschlossen werden kann, den Klassifikationsschwellwert unterschreitet.
Insbesondere kann vorgesehen sein, dass der Teilbereich des Untersuchungsbereichs von der trainierten Funktion als normal klassifiziert wird, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs für den Teilbereich des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, einen Klassifikationsschwellwert überschreitet, und/oder dass der Teilbereich des Untersuchungsbereichs von der trainierten Funktion als anomal klassifiziert wird, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs für den Teilbereich des Untersuchungsbereichs automatisiert ausgeschlossen werden kann, den Klassifikationsschwellwert unterschreitet.
Insbesondere kann vorgesehen sein, dass ein Wertebereich für den Konfidenzwert die Menge aller Zahlen zwischen 0 und 1, wobei die Endpunkte 0 und 1 mit eingeschlossen sind, ist. Der Klassifikationsschwellwert kann beispielsweise gleich 0,5, gleich 0,7, gleich 0,9, gleich 0,99 oder gleich 0,999 sein.
Die Funktion zur Abnormalitätendetektion kann beispielsweise basierend auf einem Satz von Abnormalitätendetektions-Trainingsdatenpaaren trainiert werden, wobei jedes Abnormalitätendetektions-Trainingsdatenpaar des Satzes von Abnormalitätendetektions-Trainingsdatenpaaren radiologische Trainings-Bildgebungsdaten als Trainingsdateninput und entsprechende Abnormalitätendetektionsdaten, die beispielsweise basierend auf den radiologischen Trainings-Bildgebungsdaten von radiologischem Personal, insbesondere durch manuelle Annotation, generiert wurden, als Trainingsdatenoutput umfasst. Die Konfidenzdaten können beispielsweise basierend auf einem statistischen Modell und/oder basierend auf einem Maschinenlernmodell berechnet werden.
Eine Ausführungsform sieht vor, dass das Berechnen der radiologischen Visualisierungsdaten durch Anwenden einer trainierten Funktion zur Visualisierungsdatenberechnung auf die radiologischen Bildgebungsdaten und die Konfidenzdaten erfolgt.
Die trainierte Funktion zur Visualisierungsdatenberechnung kann insbesondere der Algorithmus zur Visualisierungsdatenberechnung sein und/oder dazu trainiert sein, basierend auf den radiologischen Bildgebungsdaten Bildinformationen als relevant oder als irrelevant für einen Ausschluss der Abnormalität des Untersuchungsbereichs durch eine visuelle Befundung zu klassifizieren. Die als relevant klassifizierten Bildinformationen können insbesondere die radiologischen Visualisierungsdaten bilden.
Die Funktion zur Visualisierungsdatenberechnung kann beispielsweise basierend auf einem Satz von Visualisierungs-Trainingsdatenpaaren trainiert werden, wobei jedes Visualisierungs-Trainingsdatenpaar des Satzes von Visualisierungs-Trainingsdatenpaaren radiologische Trainings-Bildgebungsdaten und entsprechende Konfidenzdaten als Trainingsdateninput und entsprechende radiologische Trainings-Visualisierungsdaten als Trainingsdatenoutput umfasst.
Die radiologische Trainings-Visualisierungsdaten können beispielsweise basierend auf den radiologischen Trainings-Bildgebungsdaten von radiologischem Personal, insbesondere durch manuelles Auswählen aus einer Mehrzahl von radiologischen Kandidaten-Visualisierungsdaten in einer Visualisierungsapplikation, generiert werden.
Die Erfindung betrifft ferner ein Datenverarbeitungssystem zum Bereitstellen von radiologischen Visualisierungsdaten, wobei das Datenverarbeitungssystem zum Ausführen des erfindungsgemäßen Verfahrens eingerichtet ist.
Das Datenverarbeitungssystem kann insbesondere eine Datenschnittstelle aufweisen, um Daten zu empfangen und/oder bereitzustellen. Das Datenverarbeitungssystem kann insbesondere einen Datenprozessor aufweisen, um Daten zu verarbeiten, insbesondere zu ermitteln, zu berechnen und/oder zu generieren. Der Datenprozessor kann beispielsweise mittels der Datenschnittstelle mit einem Datenspeicher verbunden sein. Die Datenschnittstelle kann beispielsweise zum Schreiben von Daten in den Datenspeicher und/oder zum Einlesen von Daten aus dem Datenspeicher eingerichtet sein.
Die Erfindung betrifft ferner ein medizinisches Bildgebungsgerät, aufweisend das erfindungsgemäße Datenverarbeitungssystem und eingerichtet zum Generieren der radiologischen Bildgebungsdaten. Das medizinische Bildgebungsgerät kann insbesondere für eine radiologische Bildgebungsuntersuchung des Untersuchungsbereichs eingerichtet sein.
Das medizinische Bildgebungsgerät kann beispielsweise aus der Bildgebungsmodalitäten-Gruppe gewählt sein, welche aus einem Röntgengerät, einem C-Bogen-Röntgengerät, einem Computertomographiegerät (CT-Gerät), einem Molekularbildgebungsgerät (MI-Gerät), einem Einzelphotonen-Emissions-Computertomographiegerät (SPECT-Gerät), einem Positronen-Emissions-Tomographiegerät (PET-Gerät), einem Magnetresonanztomographiegerät (MR-Gerät), einem Ultraschallbildgebungsgerät und Kombinationen daraus, insbesondere einem PET-CT-Gerät und einem PET-MR-Gerät, besteht. Das medizinische Bildgebungsgerät kann ferner eine Kombination einer Bildgebungsmodalität, die beispielsweise aus der Bildgebungsmodalitäten-Gruppe gewählt ist, und einer Bestrahlungsmodalität aufweisen. Dabei kann die Bestrahlungsmodalität beispielsweise eine Bestrahlungseinheit zur therapeutischen Bestrahlung aufweisen.
Die Erfindung betrifft ferner ein Computerprogrammprodukt, umfassend Befehle, welche einen Computer dazu veranlassen, das erfindungsgemäße Verfahren auszuführen, wenn die Befehle von dem Computer ausgeführt werden.
Die Erfindung betrifft ferner ein computerlesbares Medium, umfassend Befehle, welche einen Computer dazu veranlassen, das erfindungsgemäße Verfahren auszuführen, wenn die Befehle von dem Computer ausgeführt werden.
Das Computerprogrammprodukt kann beispielsweise ein Computerprogramm sein oder neben dem Computerprogramm mindestens einen zusätzlichen Bestandteil umfassen. Der mindestens eine zusätzliche Bestandteil des Computerprogrammprodukts kann als Hardware und/oder als Software ausgebildet sein.
Das Computerprogrammprodukt kann beispielsweise ein Speichermedium, auf dem zumindest ein Teil des Computerprogrammprodukts gespeichert ist, und/oder ein Schlüssel zur Authentifizierung eines Benutzers des Computerprogrammprodukts, insbesondere in Form eines Dongles, aufweisen. Das Computerprogrammprodukt und/oder das Computerprogramm kann beispielsweise ein Cloud-Anwendungs-Programm aufweisen, welches zum Verteilen der Befehle auf verschiedene Verarbeitungseinheiten, insbesondere verschiedene Computer, eines Cloud-Computing-Systems ausgebildet ist, wobei jede der Verarbeitungseinheiten zum Ausführen eines oder mehrerer der Befehle ausgebildet ist.
Auf dem computerlesbaren Medium kann beispielsweise das Computerprogrammprodukt nach einer der Ausführungsformen, die in dieser Anmeldung offenbart sind, und/oder das Computerprogramm nach einer der Ausführungsformen, die in dieser Anmeldung offenbart sind, gespeichert sein. Das computerlesbare Medium kann beispielsweise ein Memorystick, eine Festplatte oder ein sonstiger Datenträger sein, der insbesondere lösbar mit einem Computer verbunden oder fest in einen Computer integriert sein kann. Das computerlesbare Medium kann beispielsweise einen Bereich eines Speichersystems bilden.
Das Datenverarbeitungssystem kann beispielsweise eine oder mehrere Komponenten in Form von Hardware und/oder eine oder mehrere Komponenten in Form von Software aufweisen. Das Datenverarbeitungssystem kann beispielsweise zumindest teilweise von einem Computer und/oder von einem Cloud-Computing-System gebildet sein. Das Datenverarbeitungssystem kann beispielsweise ein Cloud-Computing-System, ein Computernetzwerk, einen Computer, einen Tabletcomputer, ein Smartphone oder ähnliches oder eine Kombination davon aufweisen.
Die Hardware kann beispielsweise mit einer Software zusammenwirken und/oder mittels einer Software konfigurierbar sein. Die Software kann beispielsweise mittels der Hardware ausgeführt werden. Bei der Hardware kann es sich beispielsweise um ein Speichersystem, ein FPGA-System (Field-programmable gate array), ein ASIC-System (Application-specific integrated circuit), ein Mikrocontroller-System, ein Prozessorsystem und Kombinationen davon handeln. Das Prozessorsystem kann beispielsweise einen Mikroprozessor und/oder mehrere zusammenwirkende Mikroprozessoren aufweisen.
Datenverarbeitungsschritte des Verfahrens können beispielsweise in dem Datenprozessor ausgeführt werden, insbesondere in Form von Berechnungen ausgeführt werden. Eine Berechnung kann insbesondere erfolgen, indem ein Algorithmus, beispielsweise in Form einer trainierter Funktion, auf diejenigen Daten, auf denen die Berechnung basiert, angewendet wird.
Daten, insbesondere die radiologischen Bildgebungsdaten, können beispielsweise empfangen werden, indem ein Signal, welches die Daten trägt, empfangen wird und/oder indem die Daten eingelesen werden, insbesondere aus einem Datenspeicher eingelesen werden. Daten, insbesondere die radiologischen Visualisierungsdaten, können beispielsweise bereitgestellt werden, indem ein Signal, welches die Daten trägt, übertragen wird und/oder indem die Daten in einen Datenspeicher geschrieben werden und/oder indem die Daten auf einem Bildschirm angezeigt werden.
Unter einer trainierten Funktion wird im Kontext dieser Anmeldung insbesondere eine Funktion, die zum maschinellen Lernen ausgebildet ist, verstanden. Die trainierte Funktion kann beispielsweise zum überwachten Lernen und/oder zum unüberwachten Lernen ausgebildet sein. Die trainierte Funktion kann beispielsweise zum tiefen Lernen („deep learning“) und/oder zum bestärkendem Lernen („reinforcement learning“) und/oder zum Marginal Space Learning ausgebildet sein.
Die trainierte Funktion kann beispielsweise auf einem Entscheidungsbäumen („decision trees“), einem Random Forest, einer logistischen Regression, einer Support Vector Machine, einem künstlichen neuronalen Netzwerk, insbesondere einem konvolutionellen neuronalen Netzwerk („convolutional neural network“) und/oder einem rekurrenten neuronalen Netzwerk („recurrent neural network“), erzeugenden gegnerischen Netzwerken („Generative Adversarial Networks“), einer Kernel-Methode, Bayes-Klassifikatoren oder ähnlichem oder auf Kombinationen davon basieren. Berechnungen, insbesondere zum Trainieren der Funktion, können beispielsweise in dem Datenprozessor ausgeführt werden, insbesondere in Form von Berechnungen ausgeführt werden.
Im Rahmen der Erfindung können Merkmale, welche in Bezug auf unterschiedliche Ausführungsformen der Erfindung und/oder unterschiedliche Anspruchskategorien (Verfahren, Verwendung, Vorrichtung, System, Anordnung usw.) beschrieben sind, zu weiteren Ausführungsformen der Erfindung kombiniert werden. Beispielsweise kann ein Anspruch, der ein System betrifft, auch mit Merkmalen, die im Zusammenhang mit einem Verfahren beschrieben oder beansprucht sind, weitergebildet werden und umgekehrt. Funktionale Merkmale eines Verfahrens können dabei durch entsprechend ausgebildete gegenständliche Komponenten ausgeführt werden. Die Verwendung des unbestimmten Artikels „ein“ bzw. „eine“ schließt nicht aus, dass das betroffene Merkmal auch mehrfach vorhanden sein kann. Der Ausdruck „basierend auf“ kann im Kontext der vorliegenden Anmeldung insbesondere im Sinne des Ausdrucks „unter Verwendung von“ verstanden werden. Insbesondere schließt eine Formulierung, der zufolge ein erstes Merkmal basierend auf einem zweiten Merkmal berechnet (alternativ: ermittelt, generiert etc.) wird, nicht aus, dass das erste Merkmal ferner basierend auf einem dritten Merkmal berechnet (alternativ: ermittelt, generiert etc.) werden kann.
Im Folgenden wird die Erfindung anhand von Ausführungsbeispielen unter Hinweis auf die beigefügten Figuren erläutert. Die Darstellung in den Figuren ist schematisch, stark vereinfacht und nicht zwingend maßstabsgetreu.

Die 1 zeigt ein Ablaufdiagramm eines Verfahrens zum Bereitstellen von radiologischen Visualisierungsdaten.
Die 2 zeigt ein erstes Beispiel für eine Datenreduktion der radiologischen Visualisierungsdaten relativ zu den radiologischen Bildgebungsdaten.
Die 3 zeigt ein zweites Beispiel für eine Datenreduktion der radiologischen Visualisierungsdaten relativ zu den radiologischen Bildgebungsdaten.
Die 4 zeigt ein drittes Beispiel für eine Datenreduktion der radiologischen Visualisierungsdaten relativ zu den radiologischen Bildgebungsdaten.
Die 5 zeigt ein viertes Beispiel für eine Datenreduktion der radiologischen Visualisierungsdaten relativ zu den radiologischen Bildgebungsdaten.
Die 6 zeigt ein beispielhaftes Datenflussdiagramm für das Verfahren zum Bereitstellen von radiologischen Visualisierungsdaten.
Die 7 zeigt ein Datenverarbeitungssystem.

Die 1 zeigt ein Ablaufdiagramm eines Verfahrens zum Bereitstellen von radiologischen Visualisierungsdaten VD, das Verfahren umfassend:

- ein Empfangen 1 von radiologischen Bildgebungsdaten BD, welche einen Untersuchungsbereich U betreffen,
- ein Berechnen 2 von Konfidenzdaten KD, welche einen Konfidenzwert, mit dem eine Abnormalität des Untersuchungsbereichs U automatisiert ausgeschlossen werden kann, betreffen, basierend auf den radiologischen Bildgebungsdaten BD,
- ein Berechnen 3 der radiologischen Visualisierungsdaten VD, welche den Untersuchungsbereich U betreffen, wobei eine Datenreduktion der radiologischen Visualisierungsdaten VD relativ zu den radiologischen Bildgebungsdaten BD in Abhängigkeit von den Konfidenzdaten KD erfolgt,
- ein Bereitstellen 4 der radiologischen Visualisierungsdaten VD.

Die 2 zeigt ein erstes Beispiel für eine Datenreduktion der radiologischen Visualisierungsdaten VD relativ zu den radiologischen Bildgebungsdaten BD, wobei die Datenreduktion auf einer Reduktion einer räumlichen Auflösung der radiologischen Visualisierungsdaten VD relativ zu einer räumlichen Auflösung der radiologischen Bildgebungsdaten BD basiert. Dabei basiert die Datenreduktion auf einer Schichtdickenvergrößerung von tomographischen Schnittbildern TV, die in den radiologischen Visualisierungsdaten VD enthalten sind, relativ zu entsprechenden tomographischen Schnittbildern TB, die in den radiologischen Bildgebungsdaten BD enthalten sind.
Die 3 zeigt ein zweites Beispiel für eine Datenreduktion der radiologischen Visualisierungsdaten VD relativ zu den radiologischen Bildgebungsdaten BD. Der Untersuchungsbereich U weist einen ersten Teilbereich und einen zweiten Teilbereich auf, wobei die Konfidenzdaten KD einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in dem ersten Teilbereich automatisiert ausgeschlossen werden kann, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in dem zweiten Teilbereich automatisiert ausgeschlossen werden kann, betreffen.
Dabei werden die radiologischen Visualisierungsdaten VD derart berechnet, dass die Datenreduktion in dem ersten Teilbereich genau dann stärker ist als in dem zweiten Teilbereich, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in dem ersten Teilbereich automatisiert ausgeschlossen werden kann, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in dem zweiten Teilbereich automatisiert ausgeschlossen werden kann.
Dabei werden die radiologischen Visualisierungsdaten VD derart berechnet, dass die Schichtdickenvergrößerung von tomographischen Schnittbildern TV1 des ersten Teilbereichs, die in den radiologischen Visualisierungsdaten VD enthalten sind, relativ zu entsprechenden tomographischen Schnittbildern TB1 des ersten Teilbereichs, die in den radiologischen Bildgebungsdaten BD enthalten sind, genau dann größer ist als die Schichtdickenvergrößerung von tomographischen Schnittbildern TV2 des zweiten Teilbereichs, die in den radiologischen Visualisierungsdaten VD enthalten sind, relativ zu entsprechenden tomographischen Schnittbildern TB2 des zweiten Teilbereichs, die in den radiologischen Bildgebungsdaten BD enthalten sind, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in dem ersten Teilbereich automatisiert ausgeschlossen werden kann, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in dem zweiten Teilbereich automatisiert ausgeschlossen werden kann.
Die 4 zeigt ein drittes Beispiel für eine Datenreduktion der radiologischen Visualisierungsdaten VD relativ zu den radiologischen Bildgebungsdaten BD, wobei die Datenreduktion darauf basiert, dass statt eines dreidimensionalen Bilddatensatzes S, welcher in den radiologischen Bildgebungsdaten BD enthalten ist, die radiologischen Visualisierungsdaten VD ein zweidimensionales Projektionsbild F enthalten, welches auf dem dreidimensionalen Bilddatensatz S basiert.
Die 5 zeigt ein viertes Beispiel für eine Datenreduktion der radiologischen Visualisierungsdaten VD relativ zu den radiologischen Bildgebungsdaten BD, wobei die radiologischen Bildgebungsdaten BD eine erste Bildserie S1 und eine zweite Bildserie S2 umfassen, wobei die Konfidenzdaten KD einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in der ersten Bildserie S1 automatisiert ausgeschlossen werden kann, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in der zweiten Bildserie S2 automatisiert ausgeschlossen werden kann, betreffen.
Dabei werden die radiologischen Visualisierungsdaten VD derart berechnet, dass die erste Bildserie S1 genau dann stärker als die zweite Bildserie S2 von der Datenreduktion betroffen ist, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in der ersten Bildserie S1 automatisiert ausgeschlossen werden kann, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in der zweiten Bildserie S2 automatisiert ausgeschlossen werden kann.
Dabei werden die radiologischen Visualisierungsdaten VD derart berechnet, dass die radiologischen Visualisierungsdaten VD genau dann die erste Bildserie S1 nicht umfassen und die zweite Bildserie S2 umfassen, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in der ersten Bildserie S1 automatisiert ausgeschlossen werden kann, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs U in der zweiten Bildserie S2 automatisiert ausgeschlossen werden kann.
Dabei basiert die Datenreduktion darauf, dass statt einer Menge von Bildserien, die in den radiologischen Bildgebungsdaten enthalten ist, die radiologischen Visualisierungsdaten eine echte Teilmenge der Menge von Bildserien enthalten.
Die 6 zeigt ein beispielhaftes Datenflussdiagramm für das Verfahren zum Bereitstellen von radiologischen Visualisierungsdaten VD. Das Berechnen 2 der Konfidenzdaten KD erfolgt durch Anwenden der trainierten Funktion A zur Abnormalitätendetektion auf die radiologischen Bildgebungsdaten BD. Das Berechnen 3 der radiologischen Visualisierungsdaten VD erfolgt durch Anwenden einer trainierten Funktion V zur Visualisierungsdatenberechnung auf die radiologischen Bildgebungsdaten BD und die Konfidenzdaten KD. Die trainierte Funktion V zur Visualisierungsdatenberechnung wählt basierend auf den radiologischen Bildgebungsdaten BD und den Konfidenzdaten KD automatisch wenigstens eine der Varianten D1, D2, D3 und/oder D4 für die radiologischen Visualisierungsdaten VD aus.
Die 7 zeigt das Datenverarbeitungssystem 8 zum Bereitstellen der radiologischen Visualisierungsdaten, wobei das Datenverarbeitungssystem 8 zum Ausführen des Verfahrens gemäß dem in der 1 gezeigten Ablaufdiagramm eingerichtet ist. Das Datenverarbeitungssystem 8 weist die Datenschnittstelle 8A auf, um Daten zu empfangen und/oder bereitzustellen. Das Datenverarbeitungssystem 8 weist den Datenprozessor 8B auf, um Daten zu verarbeiten, insbesondere zu ermitteln, zu berechnen und/oder zu generieren.

Claims

Computerimplementiertes Verfahren zum Bereitstellen von radiologischen Visualisierungsdaten (VD), das Verfahren umfassend: - ein Empfangen (1) von radiologischen Bildgebungsdaten (BD), welche einen Untersuchungsbereich (U) betreffen, wobei die radiologischen Bildgebungsdaten (BD) einen ersten Spektralbereich und einen zweiten Spektralbereich betreffen, - ein Berechnen (2) von Konfidenzdaten (KD), welche einen Konfidenzwert, mit dem eine Abnormalität des Untersuchungsbereichs (U) automatisiert ausgeschlossen werden kann, betreffen, basierend auf den radiologischen Bildgebungsdaten (BD), wobei die Konfidenzdaten (KD) einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem ersten Spektralbereich automatisiert ausgeschlossen werden kann, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem zweiten Spektralbereich automatisiert ausgeschlossen werden kann, betreffen, - ein Berechnen (3) der radiologischen Visualisierungsdaten (VD), welche den Untersuchungsbereich (U) betreffen, wobei eine Datenreduktion der radiologischen Visualisierungsdaten (VD) relativ zu den radiologischen Bildgebungsdaten (BD) in Abhängigkeit von den Konfidenzdaten (KD) erfolgt, wobei die radiologischen Visualisierungsdaten (VD) derart berechnet werden, dass die Datenreduktion in dem ersten Spektralbereich genau dann stärker ist als in dem zweiten Spektralbereich, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem ersten Spektralbereich automatisiert ausgeschlossen werden kann, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem zweiten Spektralbereich automatisiert ausgeschlossen werden kann, - ein Bereitstellen (4) der radiologischen Visualisierungsdaten (VD).
Verfahren nach Anspruch 1, - wobei der Untersuchungsbereich (U) einen ersten Teilbereich und einen zweiten Teilbereich aufweist, - wobei die Konfidenzdaten (KD) einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem ersten Teilbereich automatisiert ausgeschlossen werden kann, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem zweiten Teilbereich automatisiert ausgeschlossen werden kann, betreffen, - wobei die radiologischen Visualisierungsdaten (VD) derart berechnet werden, dass die Datenreduktion in dem ersten Teilbereich genau dann stärker ist als in dem zweiten Teilbereich, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem ersten Teilbereich automatisiert ausgeschlossen werden kann, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem zweiten Teilbereich automatisiert ausgeschlossen werden kann.
Verfahren nach Anspruch 1 oder 2, - wobei die Datenreduktion auf einer Reduktion einer räumlichen Auflösung der radiologischen Visualisierungsdaten (VD) relativ zu einer räumlichen Auflösung der radiologischen Bildgebungsdaten (BD) basiert.
Verfahren nach einem der Ansprüche 1 bis 3, - wobei die Datenreduktion auf einer Schichtdickenvergrößerung von tomographischen Schnittbildern (TV), die in den radiologischen Visualisierungsdaten (VD) enthalten sind, relativ zu entsprechenden tomographischen Schnittbildern (TB), die in den radiologischen Bildgebungsdaten (BD) enthalten sind, basiert.
Verfahren nach einem der Ansprüche 1 bis 4, - wobei die Datenreduktion darauf basiert, dass statt eines dreidimensionalen Bilddatensatzes (S), welcher in den radiologischen Bildgebungsdaten (BD) enthalten ist, die radiologischen Visualisierungsdaten (VD) ein zweidimensionales Projektionsbild (F) enthalten, welches auf dem dreidimensionalen Bilddatensatz (S) basiert.
Verfahren nach einem der Ansprüche 1 bis 5, - wobei die radiologischen Bildgebungsdaten (BD) den Untersuchungsbereich (U) in einem ersten Zeitabschnitt und in einem zweiten Zeitabschnitt betreffen, - wobei die Konfidenzdaten (KD) einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem ersten Zeitabschnitt automatisiert ausgeschlossen werden kann, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem zweiten Zeitabschnitt automatisiert ausgeschlossen werden kann, betreffen, - wobei die radiologischen Visualisierungsdaten (VD) den Untersuchungsbereich (U) in dem ersten Zeitabschnitt und in dem zweiten Zeitabschnitt betreffen, wobei die radiologischen Visualisierungsdaten (VD) derart berechnet werden, dass die Datenreduktion in dem ersten Zeitabschnitt genau dann stärker ist als in dem zweiten Zeitabschnitt, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem ersten Zeitabschnitt automatisiert ausgeschlossen werden kann, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in dem zweiten Zeitabschnitt automatisiert ausgeschlossen werden kann.
Verfahren nach einem der Ansprüche 1 bis 6, - wobei die Datenreduktion auf einer Reduktion einer zeitlichen Auflösung der radiologischen Visualisierungsdaten (VD) relativ zu einer zeitlichen Auflösung der radiologischen Bildgebungsdaten (BD) basiert.
Verfahren nach einem der Ansprüche 1 bis 7, - wobei die Datenreduktion auf einer Abtastintervallvergrößerung einer Zeitreihe von radiologischen Momentaufnahmen, die in den radiologischen Visualisierungsdaten (VD) enthalten ist, relativ zu einer entsprechenden Zeitreihe von radiologischen Momentaufnahmen, die in den radiologischen Bildgebungsdaten (BD) enthalten ist, basiert.
Verfahren nach einem der Ansprüche 1 bis 8, - wobei die radiologischen Bildgebungsdaten (BD) eine erste Bildserie (S1) und eine zweite Bildserie (S2) umfassen, - wobei die Konfidenzdaten (KD) einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in der ersten Bildserie (S1) automatisiert ausgeschlossen werden kann, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in der zweiten Bildserie (S2) automatisiert ausgeschlossen werden kann, betreffen, - wobei die radiologischen Visualisierungsdaten (VD) derart berechnet werden, dass die erste Bildserie (S1) genau dann stärker als die zweite Bildserie (S2) von der Datenreduktion betroffen ist, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in der ersten Bildserie (S1) automatisiert ausgeschlossen werden kann, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in der zweiten Bildserie (S2) automatisiert ausgeschlossen werden kann.
Verfahren nach einem der Ansprüche 1 bis 9, - wobei die radiologischen Bildgebungsdaten (BD) eine erste Grauwertfensterung und eine zweite Grauwertfensterung umfassen, - wobei die Konfidenzdaten (KD) einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in der ersten Grauwertfensterung automatisiert ausgeschlossen werden kann, und einen Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in der zweiten Grauwertfensterung automatisiert ausgeschlossen werden kann, betreffen, - wobei die radiologischen Visualisierungsdaten (VD) derart berechnet werden, dass die erste Grauwertfensterung genau dann stärker als die zweite Grauwertfensterung von der Datenreduktion betroffen ist, wenn der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in der ersten Grauwertfensterung automatisiert ausgeschlossen werden kann, größer ist als der Konfidenzwert, mit dem die Abnormalität des Untersuchungsbereichs (U) in der zweiten Grauwertfensterung automatisiert ausgeschlossen werden kann.
Verfahren nach einem der Ansprüche 1 bis 10, - wobei die Datenreduktion auf einer Reduktion einer spektralen Auflösung der radiologischen Visualisierungsdaten (VD) relativ zu einer spektralen Auflösung der radiologischen Bildgebungsdaten (BD) basiert.
Verfahren nach einem der Ansprüche 1 bis 11, - wobei die Datenreduktion darauf basiert, dass statt einer Mehrzahl von spektral verschiedenen Bildserien, die in den radiologischen Bildgebungsdaten (BD) enthalten sind, die radiologischen Visualisierungsdaten (VD) eine resultierende Bildserie enthalten, welche auf der Mehrzahl von spektral verschiedenen Bildserien basiert, - wobei die resultierende Bildserie aus der Bildserien-Gruppe gewählt ist, welche aus einer Jodkarten-Bildserie, einer virtuell kontrastmittelfreien Bildserie, einer virtuell kalziumfreien Bildserie und einer virtuell monoenergetischen Bildserie besteht.
Verfahren nach einem der Ansprüche 1 bis 12, - wobei das Berechnen (2) der Konfidenzdaten (KD) durch Anwenden einer trainierten Funktion (A) zur Abnormalitätendetektion auf die radiologischen Bildgebungsdaten (BD) erfolgt.
Verfahren nach einem der Ansprüche 1 bis 13, - wobei das Berechnen (3) der radiologischen Visualisierungsdaten (VD) durch Anwenden einer trainierten Funktion (V) zur Visualisierungsdatenberechnung auf die radiologischen Bildgebungsdaten (BD) und die Konfidenzdaten (KD) erfolgt.
Datenverarbeitungssystem (8) zum Bereitstellen von radiologischen Visualisierungsdaten (VD), wobei das Datenverarbeitungssystem (8) zum Ausführen des Verfahrens nach einem der Ansprüche 1 bis 14 eingerichtet ist.
Medizinisches Bildgebungsgerät, aufweisend das Datenverarbeitungssystem (8) nach Anspruch 15 und eingerichtet zum Generieren der radiologischen Bildgebungsdaten (BD).
Computerprogrammprodukt, umfassend Befehle, welche einen Computer dazu veranlassen, das Verfahren nach einem der Ansprüche 1 bis 14 auszuführen, wenn die Befehle von dem Computer ausgeführt werden.
Computerlesbares Medium, umfassend Befehle, welche einen Computer dazu veranlassen, das Verfahren nach einem der Ansprüche 1 bis 14 auszuführen, wenn die Befehle von dem Computer ausgeführt werden.