DE10333530A1 - Automatische Indexierung von digitalen Bildarchiven zur inhaltsbasierten, kontextsensitiven Suche - Google Patents

Automatische Indexierung von digitalen Bildarchiven zur inhaltsbasierten, kontextsensitiven Suche Download PDF

Info

Publication number
DE10333530A1
DE10333530A1 DE10333530A DE10333530A DE10333530A1 DE 10333530 A1 DE10333530 A1 DE 10333530A1 DE 10333530 A DE10333530 A DE 10333530A DE 10333530 A DE10333530 A DE 10333530A DE 10333530 A1 DE10333530 A1 DE 10333530A1
Authority
DE
Germany
Prior art keywords
files
image
content
search
management system
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.)
Ceased
Application number
DE10333530A
Other languages
English (en)
Inventor
Helmut Dr. König
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Priority to DE10333530A priority Critical patent/DE10333530A1/de
Priority to US10/897,102 priority patent/US7689544B2/en
Publication of DE10333530A1 publication Critical patent/DE10333530A1/de
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Abstract

Die vorliegende Erfindung bezieht sich auf ein Verfahren zur automatischen Indexierung multimedialer Datenarchive (304c) und Kategorisierung der darin vorgehaltenen Dateien (102a-7) sowie eine Client/Server-Architektur eines Bildretrievalsystems (300) zur inhaltsbasierten Suche nach relevanten Dateien (102i) eines bestimmten Formats und einer bestimmten Dateistruktur. DOLLAR A Erfindungsgemäß werden die in einem vom Dokumentenmanagementsystem (304) verwalteten Dateiarchiv (304c) gespeicherten und geparsten Dateien (102a-n) einem Merkmalsextraktionsalgorithmus (S0a) unterzogen. Die gewonnenen Merkmale werden dann zur Erzeugung eines binär kodierten, aus Elementen mindestens zweier Attribute bestehenden invertierten Indexes (116) verwendet, in dem in diesen Dateien (102a-n) enthaltene, für ein inhaltsbasiertes Bildretrieval benötigte Kontextinformationen vorgehalten werden. Werden neue Dateien (102o-z) oder Dateien (102a-n) mit erweitertem bzw. modifiziertem Inhalt in dem Datenarchiv (304) gespeichert, wird erfindungsgemäß bei jedem Speichervorgang ein Parsing-Algorithmus (S0b) sowie ein Algorithmus (S0c) zur automatischen Extraktion von Merkmalen dieser Dateien (102a-z) ereignisgesteuert ausgeführt, um den invertierten Index (116) um einzelne Attribute zu erweitern bzw. um bestimmte Elemente bereits bestehender Indexattribute zu aktualisieren.

Description

  • Die vorliegende Erfindung bezieht sich auf ein Verfahren zur Indexierung von Datenarchiven sowie ein für ein inhaltsbasiertes Bildretrieval geeignetes bspw. medizinisches Dokumentenmanagementsystem, welches eine kontextsensitive Suche nach relevanten Dateien eines bestimmten Formats sowie von diesen Dateien referenzierten Bild- und Datenobjekten ermöglicht.
  • Zum Verständnis der erfindungsgemäßen Lösung wird im Folgenden kurz auf herkömmliche Text- und Bildretrievalsysteme sowie auf die für ein inhaltsbasiertes Bildretrieval erforderlichen Merkmalsextraktions- und Mustererkennungsverfahren nach dem Stand der Technik eingegangen.
  • Bei der aus dem Bereich der Internet-Suchmaschinen bekannten Volltext-Indexierung wird der gesamte Text der auf verschiedenen Webservern vorgehaltenen Webseiten automatisch indexiert (wie z.B. bei AltaVista, HotBot oder Infoseek). Für die Bereitstellung der relevanten Informationen sorgen sogenannte „Robots" oder „Spider", d.h. Programme, die selbstständig arbeitend Ressourcen im Internet „aufspüren", indem sie Verweisen (Hyper-links) von bereits bekannten Dokumenten folgen. Jedes neu von einem solchen Robot gefundene Dokument wird automatisch in der Datenbank der jeweiligen Suchmaschine „verschlag-wortet". Wie dies geschieht, hängt von dem jeweiligen Robot ab: manche indexieren den HTML-Titel oder die ersten Absätze eines Dokuments, andere durchforsten das gesamte Dokument und indexieren buchstäblich jedes einzelne Wort. Die meisten Suchmaschinen speichern dabei die gesammelten Dokumente nicht als komplette Kopie, da dies einen gigantischen Rechen- und Speicheraufwand erfordert, den derzeit nur Alta-Vista betreibt. In der Regel wird zur Suche eine Indextabelle angelegt, welche die auf einer Webseite enthaltenen Wörter in einer Ja-Nein-Struktur wiedergibt.
  • Sucht man über einen auf Volltext-Indexierung basierenden Suchdienst nach einem beliebigen Begriff, verweist die Suchmaschine auf alle Dokumente, die sie durchsucht hat und die den gesuchten Begriff enthalten. Der Suchdienst gibt als Ergebnis gleich die URLs der gefundenen Dokumente als Hyperlinks aus, so dass das gefundene Dokument sofort aufgesucht und gesichtet werden kann. Je nach Suchbegriff kann es vorkommen, dass die Suchmaschine nicht nur einen Treffer, sondern mehrere Tausende von Treffern meldet. Um die Auswahl aus mehreren Treffern zu erleichtern, nehmen die meisten, auf Volltext basierenden Suchmaschinen eine automatische Gewichtung der Suchergebnisse vor, das sogenannte „Ranking". Dabei gewichtet die Suchmaschine die Ergebnisse auf der Basis eines mathematischen Verfahrens, das unter anderem die relative Häufigkeit eines Suchbegriffs oder Terms in den gefundenen Dokumenten auswertet. Im Suchergebnis erscheint die Liste der Treffer bei manchen Suchdiensten nach Prozentzahlen gewichtet, wobei die Dokumente mit den höchsten Trefferquoten am Anfang der Liste aufgeführt werden.
  • Ein Verfahren zur Erzeugung invertierter Indizes zur Indexierung von Volltext-Dokumen-ten ist in dem Artikel „A Survey of Information Retrieval and Filtering Methods" (Technical Report, Information Filtering Project, University of Maryland, College Park, MD, 1996) von C. Faloutsos und D. Oard beschrieben. Dabei wird zwischen der Indexierung durch einen menschlichen Anwender, semi- und vollautomatischen Verfahren unterschieden. In nicht oder nur schwach strukturierten Dokumenten besteht die Hauptschwierigkeit automatischer Indexierungsverfahren in der Erkennung der Schlüsselwörter und deren Kontext sowie dem Ausschluss nicht relevanter Suchbegriffe (z.B. Artikel, Pronomen, Präpositionen, Konjunktionen, Interjektionen etc.). Bei alternativen Verfahren, die z.B. auf einem Vektormodell zur Gruppierung ähnlicher Dokumente (engl.: „Clustering") basieren, gilt die gleiche Grundproblematik. In jedem Fall werden zur Ent-fernung nicht relevanter Suchbegriffe sogenannte Stoppwortlisten (engl.: „Negative Dictionaries") verwendet. Weitere Probleme bei der automatischen Erzeugung invertierter Indizes von Volltext-Dokumenten bestehen in der Erkennung von Synonymen und des Kontexts, in dem ein Suchbegriff oder Term, bestehend aus zwei oder mehreren Suchbegriffen, vorkommt, sowie der Rückführung deklinierter Substantive bzw. Adjektive und konjugierter Verben auf gemeinsame Wortstämme.
  • Herkömmliche textbasierte Bildretrievalverfahren, die zum Abruf binär kodierter Bilddateien verwendet werden, basieren üblicherweise auf einer einfachen Volltextsuche mit geeigneten Suchbegriffen. Zu diesem Zweck wird der Inhalt dieser Bilddateien durch eine in der Regel geringe Menge von Stichwörtern beschrieben, die in einer Annotationsdatei gespeichert werden. Der Hauptnachteil dieser Vorgehensweise besteht dabei in der Reduktion eines komplexen Bildinhalts auf wenige Begriffe, die den Inhalt des Bildes oft nur ungenügend wiedergeben können. So sind beispielsweise die sprachlichen Ausdrucksmöglichkeiten zur präzisen verbalen Beschreibung von Mustern, Topologien, Oberflächenstrukturen usw. äußerst begrenzt.
  • Aus diesem Grund sind inhaltsbasierte Bildretrievalmethoden notwendig, die wesentliche Merkmale eines Bildes auto-matisch extrahieren und diese als Beschreibungsgrundlage zur inhaltsbasierten Suche nach Bildern, die in einem digitalen Bildarchiv gespeichert sind, nutzen. Derartige Verfahren können auf zahlreichen Gebieten zum Einsatz kommen, z.B. in der medizinischen Diagnose beim Vergleich extrahierter Parameter aufgenommener Röntgenbilder eines Patienten mit gespeicherten Bildparametern von Bildern krankhafter Gewebestrukturen aus einer Bilddatenbank, im Bereich der Satellitenfernerkundung zur Beurteilung der Auswirkungen eines Schädlingsbefalls auf den Waldbestand einer Region oder in der Verbrechensbekämp fung zur Täteridentifizierung, z.B. durch Vergleich elektronisch gespeicherter Fingerabdrücke mit den an einem Tatort aufgenommenen Fingerabdrücken eines Tatverdächtigen oder durch Vergleich der Aufnahmen einer Überwachungskamera mit den in einem elektronischen Bildarchiv gespeicherten Gesichtern polizeilich erfasster Krimineller.
  • Diese Bilddatenbanken verwalten große Bildersammlungen und erlauben die Suche nach einer Anzahl von Bildern, die eine Ähnlichkeit mit einem Referenzbild aufweisen oder benutzerdefinierten Bedingungen genügen. Das Hauptziel ist dabei die Reduktion der Ergebnismenge auf eine geringe Anzahl geeigneter Bilder, die anschließend vom Benutzer visualisiert werden.
  • Ein Überblick über die heute existierenden Bildretrieval-systeme ist in dem Artikel „Study on Non-Text-based Information Retrieval – State of the Art" (EU, Studie ELPUB 106, 1996) von B. Lutes u.a. sowie in dem Artikel „A Review of Content-Based Image Retrieval Systems" (Technical Report jtap-054, University of Manchester, 2000) von C.C. Venters und M. Cooper enthalten. Einige bekannte Bildretrievalsysteme, die gegenwärtig noch im Forschungsstadium sind, sind die in den Artikeln „Automatic and Semi-Automatic Methods for Image Annotation and Retrieval in QBIC" (Proc. of Storage and Retrieval for Image and Video Databases III, pp. 24–35, 1995) von J. Ashley u.a., „Surfimage: A Flexible Content-Based Image Retrieval System" (Proc. of ACM Multimedia, 1998, pp. 339–344) von C. Nastar u.a. und „VisualSEEK: A Fully Automated Content-Based Image Query System" (Proc. of ACM Multimedia, 1996, pp. 87–98) von J.R. Smith und S.-F. Chang beschriebenen Systeme QBIC, Surfimage und VisualSEEK.
  • Herkömmliche Bildbeschreibungs- und -retrievalmethoden sind in der Regel mit einem großen Aufwand verbunden und oft ungenügend für eine ausreichende Inhaltsbeschreibung. Aus diesem Grund wird von Bilddatenbanken heute die Fähigkeit eines in haltsbasierten Bildretrievals erwartet. Der Standardansatz für das Retrieval basiert dabei auf der automatischen Extraktion und dem Vergleich von vorab definierten, unmittelbar aus den Rohdaten ableitbaren Merkmalen. Diese heben besondere Eigenschaften des Bildinhaltes, wie etwa dominante Farben und deren Verteilung, wichtige Formen und Texturen oder das globale Bildlayout, hervor. Sie können gewichtet und auf unterschiedliche Arten miteinander kombiniert werden, so dass eine intermediäre Repräsentation der Bilddaten auf einem höheren Abstraktionslevel erreicht werden kann. Die in der Forschung entwickelten Bildretrievalsysteme unterscheiden sich dabei in dem jeweils verfolgten methodischen Ansatz:
    • • Beim farbbasierten Ansatz werden die zu indexierenden Bilder in einzelne Suchräume unterteilt. Die Ähnlichkeit der in diesen Suchräumen erkannten Farben wird mit den in einer Suchanfrage definierten Farben verglichen. Hierunter fällt auch das inhaltsbezogene Retrieval segmentierter Bilder, bei dem in einzelne Segmente unterteilte Bilder nach ihren Farbverteilungen in den jeweiligen Segmenten untersucht werden. Dabei wird über ein Bild ein Raster gelegt, welches aus Quadraten wählbarer Größe besteht. Mittels eines Farbhisto-gramms wird dann für jedes Rasterelement die vorherrschende Farbe bestimmt und das betreffende Quadrat vollständig mit dieser Farbe ausgefüllt. Liegen mehrere Rasterelemente der gleichen Farbe nebeneinander, wird dieser Bereich zusammengefasst. Danach werden die Informationen in Bezug auf die Bildpositionen einzelner Farbbereiche, ihre Farbe und Größe in einer Annotationsdatei gespeichert.
    • • Bei der Texturanalyse wird eine Unterteilung in einzelne Bildobjekte vorgenommen. Hierbei wird außerdem die Homogenität und die Kontraststärke eines Bildes gemessen. Mit Hilfe der Rasteraufteilung werden neben den Farben auch die signifikanten Merkmale der Rasterelemente (z.B. Kontrast, Flächigkeit, Gerichtetheit etc.), welche ebenfalls zur Indexierung eines Bildes herangezogen werden, als Werte in einer Annotationsdatei gespeichert.
    • • Beim kantenbasierten Ansatz werden die Hell-Dunkel-Übergänge eines Bildes, die in der Regel immer dort auftreten, wo Objekte aneinander angrenzen, ausgewertet. Um diese Konturen abzubilden, müssen zunächst alle Kantenpunkte mittels eines Kantendetektors errechnet werden. Sind alle Kantenpunkte lokalisiert worden, werden sie zu geschlossenen Konturen zusammengefasst. Diese werden dann mit vorgebbaren geome-trischen Grundformen (z.B. Dreiecke, Rechtecke, Kreise, Ellipsen etc.) abgeglichen. Die so gewonnenen Informationen werden dann in der Annotationsdatei gespeichert.
  • Die Ähnlichkeit zwischen einem Anfragebild Bi und einer Anzahl J in einem digitalen Bildarchiv gespeicherter Referenzbilder Bj (für 1 ≤ j ≤ J) wird über einen Mustererkennungsalgorithmus ermittelt. Sie entspricht einem geeignet definierten Abstandsmaß dij für den Abstand zwischen den in Form eines N-dimensionalen Merkmalsvektors xi vorliegenden, aus dem Anfragebild Bi extrahierten Bildparametern mit den in Form N-dimensionaler Referenzvektoren mi vorliegenden Bildparametern, die aus den gespeicherten Referenzbildern Bj extrahiert wurden. Dieser Abstand wird in der Regel anhand einer sogenannten Ähnlichkeitsfunktion berechnet. Hierbei handelt es sich üblicherweise um eine Modifikation der bekannten Minkowski-Abstandsmetrik – einer Verallgemeinerung des quadratischen Euklid-Abstands ∥⁣Δx ij∥⁣ 2 / 2 zwischen dem jeweiligen Merkmalsvektor xi und den einzelnen Referenzvektoren mi in einem N-dimensionalen Merkmalsraum:
    Figure 00060001
    mit Δx ij=x i – ∊ IRN. (1b)
  • Ein Referenzvektor mj wird dabei häufig durch Mittelung der Mj gespeicherten Merkmalsvektoren xqj einer durch Clusterbildung gewonnenen Klasse j gewonnen, die im Merkmalsraum eng beieinander liegen:
    Figure 00070001
  • Das Ergebnis des obigen Verfahrens ist eine sortierte Liste mit J quadratischen Euklid-Abständen. Der tiefgestellte Index j der ersten Elemente dieser Liste verweist dabei auf die zu dem jeweiligen Anfragebild Bi ähnlichsten Referenzbilder Bj aus dem Bildarchiv, die dann einem Anwender als Treffer präsentiert werden können.
  • Die Entscheidung der Klassenzugehörigkeit eines Merkmalsvektors xi wird dabei über einen Minimum-Abstands-Klassifikator getroffen, der den jeweiligen Merkmalsvektor xi einer bestimmten Klasse k zuordnet. Für J Klassen mit den Referenzvektoren m i (1 ≤ j ≤ J) sind dabei J Abstandsmetriken d2 ij gemäß folgender Entscheidungsregel auszuwerten:
    Figure 00070002
  • Da die Merkmale bereits bei der Speicherung der Bilder in der Datenbank extrahiert werden, können mit diesem Verfahren relativ kurze Antwortzeiten erzielt werden. Während der Laufzeit müssen also nur noch die Abstandsmetriken berechnet werden, so dass die für das Bildretrieval insgesamt benötigte Zeit wesentlich verkürzt wird. Außerdem kann das Verfahren auf einfache Weise in herkömmliche Datenbanksysteme integriert werden.
  • Ein Nachteil ist jedoch, dass die meisten der aus den einzelnen Bilddateien extrahierten Merkmale hochgradig abstrakt und somit für Anwender ohne Fachwissen unbrauchbar sind. Da herkömmliche statische Merkmalsextraktionsalgorithmen in der Regel eine große Menge irrelevanter Information liefern, die für einen automatischen Mustervergleich nicht benötigt wird, werden heute für die Objektsuche, also zur Realisierung von Suchanfragen der Form
    „Finde alle Bilder Bj ∊ β mit dem markierten Objekt X aus der Menge β := {Bj ∣⁣ 1 ≤ j ≤ J} der in einer digitalen Bilddatenbank gespeicherten Bilder"
    zunehmend auf einer dynamischen Merkmalsextraktion basierende Verfahren eingesetzt, z.B. die dynamische Objektsuche mittels Wavelet-Transformation. Der Benutzer wählt hierbei eine bestimmte Bildregion aus, die anschließend analysiert und durch verschiedene Merkmale beschrieben wird. Diese Repräsentation wird dann über alle in einem Bildarchiv gespeicherten Referenzbilder „geschoben" und mit den darunter liegenden Bildausschnitten verglichen. Die anderen Bildregionen und der Objekthintergrund werden ignoriert, so dass sich die Suche auf die jeweils ausgewählte Bildregion konzentrieren kann.
  • Da sich ein Ausführungsbeispiel der vorliegenden Erfindung auf ein Verfahren zur automatischen Indexierung multimedialer Datenarchive bezieht, das vorzugsweise im Bereich des medizinischen Text- und Bildretrievals verwendet werden soll, werden im Folgenden kurz zwei der heute vorwiegend eingesetzten Kommunikationsstandards zur Beschreibung, Speicherung, Übertragung und Interpretation medizinischer Bilddaten und damit verknüpfter Kontextinformation vorgestellt – DICOM SR („Digital Imaging and Communication in Medicine – Structured Reporting") und HL7 („Health Level Seven").
  • Der Kommunikationsstandard DICOM, dessen dritter Teil in dem Fachartikel „Digi-tal Imaging and Communications in Medicine (DICOM)" (PS 3.3-2003, Rosslyn, Virginia) eingehend beschrie ben wird, ist ein Standard zum Austausch und zur Verwaltung medizinischer Bilddaten und anderer damit verbundener Daten, der im Bereich der Radiologie entwickelt wurde und zukünftig auch in allen anderen medizinischen Fachbereichen als Standard unterstützt wird.
  • Ein DICOM-Dokument besteht aus zwei Teilbereichen: Header-Daten inklusive dem aus DICOM-Kode bestehenden „Report Title" und der sogenannten „Document Content Sequence", welche einen nach dem SNOMED-Standard (engl.: „Syste-mized Nomenclature for Medicine") kodierten medizinischen Datenteil beinhaltet. Bei SNOMED handelt es sich um eine Beschreibungssprache mit einem aus mehr als 50.000 Begriffen (Termen) bestehenden Thesaurus, welche zur Kodierung, Indexierung und Wiederauffindung von Daten in Patientenakten verwendet wird. Zu den hierbei verwendeten Kodierschemata gehören mnemonische, hierarchische, gruppensequenzielle, inkrementelle und Kombinationskodes. Neben SNOMED verwendet der DICOM-Standard zahlreiche weitere Kodierschemata (z.B. ICD bzw. LOINC).
  • Der Standard HL7 CDA, eingehend beschrieben in dem Fachartikel „HL7 Clinical Document Architecture Framework" (Release 1.0, 2000), ist ein internationaler Kommunikationsstandard zum Austausch, Management sowie zur Integration von Daten, die für die Patientenbehandlung erforderlich sind.
  • Gegenüber unstrukturierten Volltextdokumenten zeichnen sich HL7 CDA- und DICOM SR-Dokumente durch eine explizit kodierte Dokumentenstruktur aus, welche z.B. durch kodierte Kapitel- und Abschnittsbezeichnungen gekennzeichnet ist. Dabei können zu jedem Datenelement, für das ein Eintrag vorgesehen ist, aus einer Bibliotheksdatei die mit diesem Datenelement assoziierten Kontextinformationen ausgelesen werden. Diese Kontextinformationen bleiben bei herkömmlichen Verfahren zur Indexierung von Volltextdokumenten nicht erhalten, wodurch die Genauigkeit des Suchprozesses vermindert wird. Infolgedessen kann bei einer herkömmlichen Indexierung nicht sichergestellt werden, dass eine Suchanfrage alle für eine bestimmte Suchanfrage relevanten Dokumente liefert.
  • Strukturierte Objekte, die im DICOM SR- oder HL7 CDA-Format gespeichert sind, enthalten selbst keine Bildobjekte (bestehend aus Header-Daten und binär kodierten Bilddaten), sondern sogenannte Unique Identifiers (UIDs), über die Bilddaten und andere Objekte (wie z.B. Biosignaldaten) referenziert werden. DICOM SR verwendet beispielsweise UIDs, mit denen der Typ und die Instanz referenzierter Objekte bezeichnet werden. Innerhalb des Dokuments stehen diese UIDs im Kontext weiterer beschreibender Daten, z.B. Kodes, mit denen ein Untersuchungsverfahren näher bezeichnet wird. Über diese Metadaten lassen sich der „Inhalt" eines bestimmten referenzierten Objekts sowie diesbezügliche Beobachtungen beschreiben.
  • Für strukturierte SGML-Dokumente und objektorientierte Datenbanken sind Erweiterungen der Abfragesprache bekannt, wie in dem Artikel „From Structured Documents to Novel Query Facilities", (SIGMOD RECORD, 23(2): 313–324, June 1994) von V. Christophides, S. Abiteboul, S. Cluet und M. Scholl erläutert ist. Für XML-Dokumente existiert die in „XQuery 1.0: An XML Query Language" (W3C Working Draft 2002) beschriebene, für Information Retrieval-Anwendungen geeignete Anfragesprache XQuery, welche die in der Spezifikation „XML Path Language (XPath) Version 1.0" (W3C Recommendation 1999) beschriebene Sprache XPath zur Adressierung von Teilen eines XML-Dokuments verwendet. XPath ist in der Lage, Dokumentknoten unter Angabe verschiedener Kriterien zu selektieren und grundlegende Manipulationen an Zeichenketten, Booleschen Werten und Knotenmengen durchzuführen und enthält eine einfache Funktionsbibliothek, die durch benutzerdefinierte Funktionen erweitert werden kann. Ohne die Erzeugung eines geeigneten invertierten Indexes sind diese Anfragen allerdings auf einzelne strukturierte Dokumente begrenzt, und die Suche nach relevanten Dokumenten ist ineffizient.
  • PROBLEME HERKÖMMLICHER LÖSUNGEN NACH DEM STAND DER TECHNIK
  • Eine der Grundfragen konventioneller workflow-basierter Dokumentenmanagementsysteme, die für Zugriffs- und Ablaufsteuerungen verwendet werden, ist, wie relevante Informationen im Kontext eines aktuellen Prozessschrittes an einen Benutzer geliefert werden. Dabei ist im Allgemeinen die Abarbeitung von Prozessschritten von Interesse, die, wie in dem Fachartikel „Workflow Management Coalition: The Workflow Reference Model" (Hampshire 1995) beschrieben ist, z.B. in Form sogenannter „Prozessdefinitionen" zur Verfügung gestellt werden. Die Frage, wie das System den Entscheidungsprozess eines Anwenders zur Auswahl der für den jeweiligen Fall relevanten Informationen unter-stützen kann, wird hierdurch nicht beantwortet. Vielmehr ist der Anwender gezwungen, die für seine Zwecke relevanten In-for-mationen, welche z.B. in Form der von einer Suchmaschine gefundenen Textdateien und von diesen referenzierten Bildda-teien vorliegt, durch Sichtung dieser Dateien zu suchen.
    •
  • Ausgehend von dem oben genannten Stand der Technik, ist die vorliegende Erfindung der Aufgabe gewidmet, ein Indexierungsverfahren für ein inhaltsbasiertes Bild- und Dokumentenretrieval bereitzustellen, das eine kontextsensitive Suche nach relevanten Dateien eines bestimmten Formats und einer bestimmten Dateistruktur sowie von diesen Dateien referenzierten Bilddateien ermöglicht. Eine weitere Aufgabe der Erfindung besteht in der Bereitstellung eines Informationsmanagementsystems, das auf Grundlage analysierter Dokumenteninhalte die Entscheidungsfindung des Anwenders bei der Auswahl der für ihn relevanten Informationen unterstützt.
  • Diese Aufgabe wird erfindungsgemäß durch die Merkmale der un-abhängigen Patentansprüche gelöst. Vorteilhafte Ausfüh rungs-beispiele, die den Gedanken der Erfindung weiterbilden, sind in den abhängigen Patentansprüchen definiert.
  • ZUSAMMENFASSENDE DARSTELLUNG DER VORLIEGENDEN ERFINDUNG
  • Die zugrunde liegende Erfindung offenbart, entsprechend der im vorangehenden Abschnitt definierten Aufgabe, ein Verfahren zur automatischen Indexierung von Datenarchiven und Kategorisierung der darin vorgehaltenen Dateien sowie ein Client/Server-System eines Bild- und Dokumentenretrievalsystems zur inhaltsbasierten Suche nach relevanten Dateien mindestens eines bestimmten Formats und mindestens einer bestimmten Dateistruktur sowie von diesen Dateien qgf. referenzierten, in einer digitalen Bilddatenbank gespeicherten Bilddateien. Der Server dieses Bildretrievalsystems hat dabei Zugriff auf ein Dokumentenmanagementsystem, welches eine kontextsensitive Suche nach relevanten Dokumenten (z.B. Dokumente, die relevante klinische und adminis-trative Patientendaten enthalten), sowie von diesen Dokumenten referenzierten Bild- und/oder Datenobjekten (z.B. MRT-, CT- oder EKG-Daten eines einzelnen Patienten oder einer Gruppe von Patienten) ermöglicht.
  • Grundlage des erfindungsgemäßen Verfahrens ist es dabei, die in strukturierten Dokumenten vorhandenen Informationen (z.B. Kodes für bestimmte indizierte Diagnosen, medizinische Fachbegriffe etc.) in einer Weise für die Erzeugung eines invertierten Indexes zu nutzen, die wesentliche Vorteile gegenüber der Indexierung von unstrukturierten Volltextdokumenten bietet. Auf dieser Basis wird als erster Schritt ein gezieltes Retrieval relevanter Dokumente durchgeführt. Anschließend werden die relevanten Dokumente geparst und beispielsweise indizierte Diagnosen, klinische Fragestellungen, Verdachtsdiagnosen und Untersuchungsergebnisse, die in entsprechenden Dokumentencontainern gespeichert sind, analysiert.
  • In der Regel ist aufgrund von bestimmten indizierten Diagnosen bzw. klinischen Fragestellungen eine bestimmte weitere Vorgehensweise im Diagnoseprozess sinnvoll. Durch die Bereitstellung relevanter Informationen und Anzeige der zur Lösung der jeweiligen Problemstellung geeigneten Maßnahmen (z.B. in Form einer Liste indizierter Untersuchungsmethoden für eine bestimmte Diagnose oder anderer geeigneter Prozessdefinitionen) wird eine gezielte Planung der in einer bestimmten Situation vom Anwender durchzuführenden Arbeitsschritte (z.B. die Auswahl einer geeigneten Untersuchungsmethode, eines geeigneten Therapieverfahren und/oder der zu verabreichenden Medikamente durch den behandelnden Facharzt eines Patienten bei Vorliegen einer bestimmten Verdachtsdiagnose) ermöglicht. Dem Anwender wird also eine geeignete Auswahl von Prozessbeschreibungen zur weiteren Vorgehensweise angeboten.
  • Die in einem vom Dokumentenmanagementsystem verwalteten Datenarchiv gespeicherten und gemäß den Regeln einer zugrunde liegenden kontextfreien Grammatik geparsten Dateien werden dabei einer automatischen Merkmalsextraktion unterzogen. Die gewonnenen Merkmale werden dann zur Erzeugung eines binär kodierten, aus Elementen mindestens zweier Attribute bestehenden invertierten Indexes verwendet, in dem in diesen Dateien enthaltene, für ein inhaltsbasiertes Bildretrieval benötigte Kontextinformationen vorgehalten werden. Werden neue Dateien oder Dateien mit erweitertem bzw. modifiziertem Inhalt in dem Datenarchiv gespeichert, wird erfindungsgemäß bei jedem Speichervorgang ein Parsing-Algorith-mus sowie ein Algorithmus zur automatischen Extraktion von Merkmalen dieser Dateien ereignisgesteuert ausgeführt, um den invertierten Index um einzelne Attribute zu erweitern bzw. um bestimmte Elemente bereits bestehender Indexattribute zu aktualisieren.
  • Durch die Erzeugung eines solchen binär kodierten, kontextsensitiven invertierten Indexes auf der Basis von Dateien eines spezifischen Formats (z.B. DICOM SR oder HL7 CDA) wird die gezielte Bereitstellung relevanter Informationen ermöglicht. Ein wesentlicher Vorteil dieses Indexes besteht darin, dass bei Durchführung der Merkmalsextraktion die in den Da teien vorhandenen Kontextinformationen erhalten bleiben und für Anfragen nach relevanten Dokumenten zur Verfügung stehen.
  • In diesem Zusammenhang ist insbesondere zwischen Strukturkontext und Beobachtungskontext zu unterscheiden. Der Strukturkontext bezieht sich auf die Dokumentenstruktur, z.B. die Abschnitte eines Dokuments, die in der Regel mit einem Kode (z.B. „Diagnosen" oder „Zur weiteren Abklärung") bezeichnet werden. So ist beispielsweise die Bedeutung des Begriffes „Pneumonie" abhängig vom Strukturkontext. Neben dem Strukturkontext ist der sogenannte termassoziierte, inhaltliche Kontext oder Beobachtungskontext von Bedeutung, z.B. die Art der zur Bestätigung einer Verdachtsdiagnose verwendeten Untersuchungsmethode, da verschiedene Diagnoseverfahren unterschiedliche Sensitivität und Spezifität aufweisen. Beispielsweise kann ein und dieselbe Diagnose (z.B. „Pneumonie") im Kontext mit anderen Krankheitsbildern, die nach Durchführung weiterer Untersuchungsverfahren diagnostiziert wurden, u.U. unterschiedliche Therapieverfahren und Medikationen implizieren.
  • Durch die Berücksichtigung der vorstehend genannten Kontextinformation wird die Präzision des verwendeten Bild- und Dokumentenretrievalverfahrens zur Suche relevanter Dokumente wesentlich verbessert und eine gezielte inhaltsbasierte Suche über den gesamten Dokumentenbestand ermöglicht. Da die Bilder in den DICOM SR- bzw. HL7 CDA-Dokumentendateien referenziert werden, steht hierbei die Präzision des Dokumentenretrievals im Vordergrund. Unter Verwendung eines „kontextsensitiven" Indexes kann nach Begriffen, die aus den Inhalten der im Datenarchiv gespeicherten Dateien und den von diesen referenzierten, in der Bilddatenbank gespeicherten Bilddateien über einen Merkmalsextraktionsalgorithmus gewonnen wurden, in beliebiger Präzision gesucht werden. Im Gegensatz zur Beschränkung auf die Abfrage von Dokumenttypen (z.B. DICOM Report Title und Templates) kann folglich über beliebige Inhalte (aus Text- und Bilddateien extrahierte Merkmale) gesucht werden. Der binär kodierte Index verwendet u.a. die in den strukturierten Dateien enthaltenen kodierten Terme, die durch bekannte Kodierungs- und Klassifikationsschemata (z.B. SNOMED, ICD, LOINC) definiert sind.
  • Vorteil ist die Bereitstellung einer einheitlichen Begriffsbasis über die in Kodierungs- bzw. Klassifikationsschemata festgelegten Definitionen von Konzepten. Durch die Analyse des Anfragekontextes und der über den Index gefundenen relevanten Dateien ist eine gezielte Planung der im Einzelfall durchzuführenden Maßnahmen (z.B. der Auswahl indizierter Untersuchungsmethoden, Therapieverfahren und/oder Medikationen für eine bestimmte Diagnose) möglich.
    •
  • KURZBESCHREIBUNG DER ZEICHNUNGEN
  • Weitere Eigenschaften, Merkmale, Vorteile und Anwendungen der zugrunde liegenden Erfindung ergeben sich aus den untergeordneten abhängigen Patentansprüchen sowie aus der folgenden Beschreibung zweier Ausführungsbeispiele der Erfindung, welche in den folgenden Zeichnungen abgebildet sind. Hierbei zeigt
  • 1 ein Ablaufdiagramm zur Veranschaulichung des erfindungsgemäßen Verfahrens zur Erzeugung eines binär kodierten, kontextsensitiven invertierten Indexes, welcher für ein inhaltsbasiertes Bildre-trieval in einer digitalen Bilddatenbank geeignet ist,
  • 2 die Datenstruktur des strukturierten Dokumentenkontextes, bestehend aus den Patienten-Identifikationsnummern, Daten zu einzelnen Termen und deren inhaltlichem Kontext sowie den jeweiligen Dokumenten-Identifikationsnummern und strukturierten Dokumentenkontextdaten, zur Zuordnung eines binär kodierten, kontextsensitiven invertierten Indexes zu einer Patientengruppe,
  • 2a Ausschnitte eines binär kodierten, nicht invertierten Indexes zur inhaltsbasierten Suche von Bilddateien in einer digitalen Bilddatenbank, welcher einer Patientengruppe zugeordnet ist und Angaben über den Zeitraum der Erfassung klinischer Patientendaten enthält,
  • 2b Ausschnitte eines binär kodierten, invertierten Indexes zur inhaltsbasierten Suche von Bilddateien in einer digitalen Bilddatenbank, welcher aus dem nicht invertierten Index gebildet wurde,
  • 3 ein Blockschaltbild der Client/Server-Architektur eines Bildretrievalsystems nach einem Ausführungsbeispiel der vorliegenden Erfindung zur inhaltsbasierten Suche nach Bilddaten in einer digitalen Bilddatenbank, in der Bilddaten mindestens eines spezifischen Formats und mindestens einer bestimmten Dateistruktur über einen binär kodierten, kontextsensitiven invertierten Index zugreifbar sind,
  • 4 die von dem erfindungsgemäßen Vorgangssteuerungssystem verwendete Datenstruktur, die offenen klinischen Fragestellungen geeignete Maßnahmen – Prozessdefinitionen genannt – in Form einer Liste bei einer bestimmten Diagnose indizierter Untersuchungsmethoden zuordnet.
  • DETAILLIERTE BESCHREIBUNG DER ERFINDUNG
  • Im Folgenden werden die Schritte des erfindungsgemäßen Verfahrens und die Funktionen der in einem Ausführungsbeispiel der zugrunde liegenden Erfindung enthaltenen Systemkomponenten, wie in 1 und 3 abgebildet, näher be-schrieben. Die Bedeutung der mit Bezugszeichen versehenen Symbole in 1 bis 4 kann der beigefügten Bezugszeichenliste ent-nommen werden.
  • Ein erstes Ausführungsbeispiel der vorliegenden Erfindung bezieht sich auf das in 1 und 3 veranschaulichte Verfahren zur automatischen Indexierung multimedialer Datenarchive 304c und Kategorisierung der darin gespeicherten Dateien 102a–n, welches eine inhaltsbasierte Suche nach relevanten Dateien 102i mindestens eines bestimmten Formats und mindestens einer bestimmten Dateistruktur sowie von diesen Dateien referenzierten, in einer digitalen Bilddatenbank 304a gespeicherten Bilddateien (B1, ..., BN) ermöglicht. Sendet ein Anwender eine Anfrage (S1) an das Dokumentenmanagementsystem 304 zur Suche nach relevanten Dokumenten 102i über den invertierten Index 116 durch Eingabe von Suchbe-griffen über einen auf seinem Client-Rechner 302 laufenden Browser, wird zunächst eine Nachricht vom Dokumentenmanagementsystem 304 zu einer Steuereinheit 306 übermittelt (S2). In dieser Nachricht werden von der Steuereinheit 306 erfindungsgemäß geeignete Prozessschritte zur Weiterbehandlung der Informationen, die in gefundenen, bezüglich der eingegebenen Suchbe-griffe relevanten Dateien 102i enthalten sind, angefordert und an das Dokumentenmanagementsystem 304 weitergeleitet (S3), welches die gefundenen Dateien 102i sowie die ermittelten Prozessschritte an den Client-Rech-ner 302 des Anwenders bereitstellt (S4). Nach Durchsicht (S5) der vom Dokumentenmanagementsystem 304 bereitgestellten Dateien 102i sowie der von diesen Dateien referenzierten Bilddateien (B1, ..., BN) und Selektion (S6) mindestens eines in Anbe-tracht der gesichteten Informationen geeigneten Prozessschrittes werden die vom Anwender ausgewählten und geplanten Prozessschritte abhängig vom Inhalt der bereitgestellten und vom Anwender gesichteten Dokumente 102i über den Client-Rechner 302 an ein Vorgangssteuerungssystem 306 (engl.: „Workflow Engine") übermittelt (S7). Um den invertierten Index 116 zu erweitern (S8), erfolgt dann erfindungsgemäß die Übermittlung der geplanten und/oder ausgewählten Prozessschritte vom Vorgangssteuerungssystem 306 zu der für die Speicherung des Indexes 116 vorgesehenen Speichereinheit 304b des Dokumentenmanagementsystems 304 und die Eintra gung dieser Prozessschritte in die Speicherzellen der Elemente dafür vorgesehener Indexattribute.
  • Ein nach dem vorstehend beschriebenen Verfahren erzeugter, erweiterter und/oder aktualisierter invertierter Index 116 kann vorteilhaft zur inhaltsbasierten Suche nach Dateien 102i mindestens eines bestimmten Formats und mindestens einer bestimmten Dateistruktur sowie von diesen Dateien referenzierten, in einer digitalen Bilddatenbank 304a gespeicherten Bilddateien (B1, ..., BN) verwendet werden. Weitere Vorteile des erfindungsgemäßen Verfahrens bestehen in der gezielten Unterstützung des Anwenders bei der Planung notwendiger Prozessschritte, in der Reduktion der Netzlast durch das gezielte Retrieval von Bilddaten und in der Verkürzung der für die Bereitstellung relevanter Informationen benötigten Zeitdauer.
  • Wie in dem in 1 abgebildeten Ablaufdiagramm 100 dargestellt, wird durch das Speichern eines der Dokumente 102a–n in der Datenbank 304c des Dokumentenmanagementsystems 304 automatisch eine syntaktische Analyse der zugehörigen Datei ausgelöst (engl.: „Parsing"). Ergebnis dieser Prozedur ist ein Parse-Baum 106, dessen Knoten und Blätter die syntaktische Struktur der Dateiinhalte wiedergeben. Die Verarbeitungseinheit 108 (genannt „Transformation Processing Engine") wandelt die geparste Datei in eine geeignete parametrisierte Darstellung („inter-mediäre Repräsentation") um, welche zur Eintragung in den invertierten Index 116 geeignet ist. Die Erzeugung bzw. Aktualisierung des invertierten Indexes 116 erfolgt durch ein Indexierungsmodul 112, welches auf Informationen zu Kodes und Kodierungsschemata zugreift, die in einem Datenspeicher 114 abgelegt sind bzw. über eine Anwendungsprogrammierschnittstelle (API) eingegeben werden können. Der invertierte Index 116 ist dabei entweder einem einzelnen Patienten oder einer Patientengruppe zugeordnet und enthält die während eines Untersuchungszeitraums erfassten Patientendaten.
  • Im ersten Fall, der nachfolgend betrachtet wird, erfolgt die Zuordnung des Indexes zu einem bestimmten Patienten über die Patienten-Iden-ti-fi-ka-tionsnummer (ID), die Teil des in 2 abgebildeten strukturierten Dokumentenkontextes ist. Dieser besteht aus einer Datenstruktur 200, die eine Identifika-tionsnummer (ID), Daten zu einzelnen Suchbegriffen oder mehreren Suchbegriffen einer Anfrage („Terme" genannt) und deren inhaltlichem Kontext sowie die Dokumenten-Identifikationsnum-mer (Document ID) und strukturelle Dokumentenkontextdaten be-inhaltet. Die in geschweiften Klammern enthaltenen Objekte können dabei entweder einmal oder beliebig oft enthalten sein, während mit eckigen Klammern Optionen bezeichnet werden, die entweder weggelassen oder genau einmal ent-hal-ten sein können.
  • 2a zeigt Ausschnitte eines konkreten Beispiels für einen binär kodierten, nicht invertierten Index 200a zur inhaltsbasierten Suche nach Bilddateien Bk, die in dem digitalen Bildarchiv 304a gespeichert sind. Der Index ist einer Patientengruppe zugeordnet und enthält Angaben über den Zeitraum der Erfassung klinischer Patientendaten (z.B. vom Arzt ge-stellte Diagnosen, indizierte Medikationen etc.). Hierbei wird das Indexat-tribut „ID" (die Spalte, welche die Patienten-Identifikationsnummern enthält) als Primärschlüssel verwendet. Ausschnitte eines binär kodierten, invertierten Indexes 200b, der aus dem in 2a dargestellten nicht invertierten Index 200a gebildet wurde, sind in 2b abgebildet. Dabei wird das Indexat-tribut „Bild" (die Spalte, welche die während einzelner Untersuchungen aufgenommenen Bilddaten untersuchter Patienten enthält) als Primärschlüssel verwendet. In der Regel ist jedem Bild genau eine Untersuchungsmethode zugeordnet (z.B. Abdomen MRT, Schädel CT), mit der die Bildakquisition durchgeführt wird.
  • Ein zweites Ausführungsbeispiel der vorliegenden Erfindung bezieht sich auf ein Dokumentenmanagementsystem 304 eines Bildre-trievalsystems 300 zur automatischen Indexierung digitaler Datenarchive 304c und Kategorisierung der darin gespeicherten Dateien 102a–z, das zur Ermöglichung einer inhaltsbasierten Suche nach relevanten Dateien 102i mindestens eines bestimmten Formats und mindestens einer bestimmten Dateistruktur sowie von diesen Dateien referenzierten, in einer digitalen Bilddatenbank 304a in binär kodierter Form gespeicherten Bilddateien (B1, ..., BN) dient. Das Dokumentenmanagementsystem 304 verfügt außerdem über einen Parser 104 zur Durchführung einer Syntaxanalyse der Inhalte in dem digitalen Datenarchiv 304c gespeicherter Dateien 102a–z gemäß den Regeln einer zugrunde liegenden kontextfreien Grammatik und eine Verarbeitungseinheit 108 zur ereignisgesteuerten Umwandlung geparster Dokumente 106 in eine geeignete parametrisierte Darstellung 110 – „intermediäre Repräsentation" genannt. Diese enthält aus den geparsten Dateien 102a–z und von diesen referenzierten Bilddateien (B1, ..., BN) automatisch extrahierte Merkmale, die zur Erzeugung eines binär kodierten invertierten Indexes 116 benötigt werden, der zur Suche nach in diesen Dateien 102a–z enthaltenen Kontextinformationen und somit für ein inhaltsbasiertes Bildretrieval bei der Suche nach den in einer digitalen Bilddatenbank 304a gespeicherten Bilddateien (B1, ..., BN) geeignet ist. Das Dokumentenmanagementsystem 304 verfügt ferner über einen Datenspeicher 114 bzw. eine Anwendungsprogrammierschnittstelle zur Bereitstellung mit Kodes und Kodierungsschemata assoziierter Informationen, die zur binären Kodierung des zu erstellenden invertierten Indexes 116 benötigt werden, sowie ein Indexierungsmodul 112, das auf die im Datenspeicher 114 hinterlegten Informationen zu gespeicherten oder eingegebenen Kodes und Kodierungsschemata zugreift und eine automatische Indexierung der erhaltenen intermediären Re-präsentationen 110 für ein inhaltsbasiertes Bildretrieval vornimmt.
  • Ein drittes Ausführungsbeispiel der vorliegenden Erfindung bezieht sich auf eine Client/Server-Architektur eines Bildretrievalsystems 300 zur inhaltsbasierten Suche nach Bildda teien (B1, ..., BN), welche in einer digitalen Bilddatenbank 304a gespeichert sind. Diese Client/Server-Architektur umfasst erfindungsgemäß ein Dokumentenmanagementsystem 304, welches eine über einen Client-Rechner 302 eingegebene Suchanfrage eines Anwenders nach relevanter Information analysiert und einen in einer Speichereinheit 304b hinterlegten, binär kodierten invertierten Index 116 nach relevanten Dokumenten 102i durchsucht. Das Dokumentenmanagementsystem 304 verfügt dabei über eine Speicher-einheit 304b zur Speicherung eines binär kodierten, kontextsensitiven invertierten Indexes 116, über den Bilddateien (B1, ..., BN) mindestens eines bestimmten Formats und mindestens einer bestimmten Dateistruktur zugreifbar sind. Ein Vorgangssteuerungssystem 306 dient zur ereignisgesteuerten Überwachung heterogener Prozesse, die durch den Client-Rechner 302 und das Dokumentenmanagementsystem 304 initiiert werden, zur Festlegung der Abhängigkeiten und logischen Abläufe der Prozesse sowie zur Hinterlegung dieser Informationen im Dokumentenmanagementsystem 304. Bei diesem Vorgangssteuerungssystem 306 handelt es sich erfindungsgemäß um ein wissensbasiertes Expertensystem, bestehend aus einer Wissensdatenbank und einem Inferenzsys-tem, welches auf der Grundlage gesammelten medizinischen Fachwissens und gespeicherter analytischer Regeln, die von Experten auf dem jeweiligen medizinischen Fachgebiet festgelegt wurden, durch Anwendung von Methoden der künstlichen Intelligenz die von einem Arzt eingegebenen Informationen gegen diese Fakten und Regeln abwägt, um Inferenzen (Schlussfol-ge-rungen) abzuleiten und komplexe Probleme eines bestimmten Typs auf diesem Fachgebiet zu lösen.
  • Wie in 3 dargestellt, sendet ein Anwender (in der Regel der behandelnde Facharzt eines Patienten) über seinen Client-Rechner 302 eine Suchanfrage nach relevanter Information an das Dokumentenmanagementsystem 304, z.B. durch Übermittlung von Patientendaten, Untersuchungsprotokollen, Verdachtsdiagnosen und/oder offenen klinischen Fragestellungen (S1). Das Dokumentenmanagementsystem 304 analysiert die Anfrage und durchsucht den in einer Speichereinheit 304b vorgehaltenen kontextsensitiven invertierten Index 116 nach relevanten Dokumenten 102i. Auf der Basis der Anfrage in Verbindung mit den Patientendaten und den darin enthaltenen Informationen wird eine Nachricht an das Vorgangssteuerungssystem 306 gesendet (S2), welche die in der jeweiligen Situation geeigneten, vom Arzt durchzuführenden Maßnahmen (z.B. objektiv indizierte Untersuchungsmethoden, Therapieverfahren und/oder Medikationen für eine bestimmte Verdachtsdiagnose) an das Dokumentenmanagementsystem 304 anfordert. Das Vorgangssteuerungssystem 306 verwendet dazu die in 4 abgebildete Datenstruktur 400, in der offenen klinischen Fragestellungen geeignete medizinische Maßnahmen in Form einer Liste sogenannter „Pro-zessdefinitionen" zugeordnet werden. Nachdem das Dokumentenmanagementsystem 304 diese Daten erhalten hat (S3), übermittelt (S4) es die relevanten Prozessschritte an den Client-Rechner 302 des betreffenden Facharztes. Dieser sichtet (S5) die relevanten Dokumente 102i und die von ihnen referenzierten Bilddateien (B1, ..., BN) mit Hilfe eines auf seinem Client-Rechner 302 laufenden Browser-Programms. In einem weiteren Schritt (S6) wählt er/sie aus der Liste der angebotenen Prozessschritte diejenigen Maßnahmen aus, die für die weitere Vorgehensweise geeignet sind, so dass eine gezielte Planung der in einer bestimmten Situation objektiv indizierten Maßnahmen (z.B. die Auswahl einer geeigneten Untersuchungsmethode bei einer bestimmten Verdachtsdiagnose) ermöglicht wird.

Claims (7)

  1. Verfahren zur automatischen Indexierung von Datenarchiven (304c) und Kategorisierung der darin gespeicherten Dateien (102a–n) zwecks Ermöglichung einer inhaltsbasierten Suche nach Dateien (102i) sowie von diesen Dateien ggf. referenzierten, in einem Bildarchiv (304a) gespeicherten Bilddateien (B1, ..., BN), gekennzeichnet durch die folgenden Schritte: • Merkmalsextraktion (S0a) aus einer Anzahl der von einem Dokumentenmanagementsystem (304) eines Bildretrievalsystems (300) verwalteten Dateien (102a–n) zur Erzeugung eines aus Elementen mindestens zweier Attribute bestehenden invertierten Indexes (116), in dem in diesen Dateien (102a–n) enthaltene, für ein inhaltsbasiertes Bildretrieval benötigte Kontextinformationen vorgehalten werden, sowie • Durchführung eines Parsing-Algorith-mus (S0b) und eines Algorithmus (S0c) zur Extraktion von Merkmalen neuer (102o–z), inhaltlich erweiterter oder veränderter Dateien (102a–n) bei Speicherung dieser Dateien (102a–z) in einem vom Dokumentenmanagementsystem (304) verwalteten Datenarchiv (304c) zur Aktualisierung des invertierten Indexes (116).
  2. Verfahren gemäß Anspruch 1, gekennzeichnet durch die folgenden Schritte: • Sendung (S1) einer Anfrage an das Dokumentenmanagementsystem (304) zur Suche nach Dokumenten (102i) über den invertierten Index (116) durch Eingabe von Suchbe-griffen über einen auf einem Client (302) laufenden Browser-Programms, • Übermittlung (S2) einer Nachricht vom Dokumentenmanagementsystem (304) zu einem Vorgangssteuerungssystem (306), in dem Prozessschritte zur Weiterbehandlung der Informationen, die in gefundenen, bezüglich der eingegebenen Suchbe-griffe relevanten Dateien (102i) enthalten sind, angefordert werden, • Weiterleitung (S3) der vom Vorgangssteuerungssystem (306) ermittelten Prozessschritte an das Dokumentenmanagementsystem (304) und Bereitstellung (S4) der gefundenen Dateien (102i) sowie der ermittelten Prozessschritte an den Client-Rech-ner (302), • Durchsicht (S5) der vom Dokumentenmanagementsystem (304) bereitgestellten Dateien (102i) sowie der von diesen referenzierten Bilddateien (B1, ..., BN) und Selektion (S6) mindestens eines in Anbe-tracht der gesichteten Informationen geeigneten Prozessschrittes und • Übermittlung (S7) ausgewählter und geplanter Prozessschritte abhängig vom Inhalt der bereitgestellten und vom Anwender gesichteten Dokumente (102i) vom Client-Rechner (302) an das Vorgangssteuerungssystem (306).
  3. Verfahren gemäß Anspruch 2, gekennzeichnet durch den Schritt der Erweiterung (S8) des invertierten Indexes (116) durch Übermittlung geplanter und/oder ausgewählter Prozessschritte vom Vorgangssteuerungssystem (306) zu einer Speichereinheit (304b) des Dokumentenmanagementsystems (304) und Eintragung dieser Prozessschritte in die Speicherzellen der Elemente dafür vorgesehener Indexat-tribute.
  4. Verwendung eines nach einem der Ansprüche 1 bis 3 erzeugten, erweiterten und/oder aktualisierten invertierten Indexes (116) zur inhaltsbasierten Suche nach Dateien (102i) sowie von diesen Dateien ggf. referenzierten, in einem digitalen Bildarchiv (304a) gespeicherten Bilddateien (B1, ..., BN).
  5. Dokumentenmanagementsystem eines Bildre-trievalsystems (300) zur automatischen Indexierung von Datenarchiven (304c) und Kategorisierung der darin gespeicherten Dateien (102a–z) zwecks Ermöglichung einer inhaltsbasierten Suche nach rele vanten Dateien (102i) sowie von diesen Dateien ggf. referenzierten, in einem Bildarchiv (304a) vorliegender Bilddateien, gekennzeichnet durch • einen Parser (104) zur Durchführung einer Syntaxanalyse der Inhalte in dem Datenarchiv (304c) gespeicherter Dateien (102a–z) und • eine Verarbeitungseinheit (108) zur ereignisgesteuerten Umwandlung geparster Dokumente (106) in eine geeignete intermediäre Repräsentation (110), welche aus den geparsten Dateien (102a–z) und den von diesen referenzierten Bilddateien (B1, ..., BN) extrahierte Merkmale enthält, die zur Erzeugung eines invertierten Indexes (116) zur Suche nach in diesen Dateien (102a–z) enthaltenen Kontextinformationen und somit für ein inhaltsbasiertes Bildretrieval bei der Suche nach Bilddateien (B1, ..., BN) in dem Bildarchiv (304a) benötigt werden.
  6. Dokumentenmanagementsystem gemäß Anspruch 5, gekennzeichnet durch • einen Datenspeicher (114) bzw. eine Anwendungsprogrammierschnittstelle zur Bereitstellung mit Kodes und Kodierungsschemata assoziierter Informationen, die zur Kodierung des zu erstellenden invertierten Indexes (116) benötigt werden, und • ein Indexierungsmodul (112), das auf die im Datenspeicher (114) hinterlegten Informationen zu gespeicherten oder eingegebenen Kodes und Kodierungsschemata zugreift und eine automatische Indexierung der erhaltenen intermediären Re-präsentationen (110) für ein inhaltsbasiertes Bildretrieval vornimmt.
  7. Client/Server-System eines Bildretrievalsystems (300) zur inhaltsbasierten Suche nach Bilddateien (B1, ..., BN), welche in einem Bildarchiv (304a) gespeichert sind, aufweisend • einen Client-Rechner (302) zum Senden einer Suchanfrage nach relevanter Information und • ein Dokumentenmanagementsystem (304) zum Analysieren der Suchanfrage und Durchsuchen eines in einer Speichereinheit (304b) hinterlegten invertierten Indexes (116), über den Bilddateien (B1, ..., BN) zugreifbar sind, gekennzeichnet durch ein Vorgangssteuerungssystem (306) zur ereignisgesteuerten Überwachung heterogener Prozesse, die durch den Client-Rechner (302) und das Dokumentenmanagementsystem (304) initiiert werden, Festlegung der Abhängigkeiten und logischen Abläufe der Prozesse und Hinterlegung dieser Informationen im Dokumentenmanagementsystem (304).
DE10333530A 2003-07-23 2003-07-23 Automatische Indexierung von digitalen Bildarchiven zur inhaltsbasierten, kontextsensitiven Suche Ceased DE10333530A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE10333530A DE10333530A1 (de) 2003-07-23 2003-07-23 Automatische Indexierung von digitalen Bildarchiven zur inhaltsbasierten, kontextsensitiven Suche
US10/897,102 US7689544B2 (en) 2003-07-23 2004-07-23 Automatic indexing of digital image archives for content-based, context-sensitive searching

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE10333530A DE10333530A1 (de) 2003-07-23 2003-07-23 Automatische Indexierung von digitalen Bildarchiven zur inhaltsbasierten, kontextsensitiven Suche

Publications (1)

Publication Number Publication Date
DE10333530A1 true DE10333530A1 (de) 2005-03-17

Family

ID=34071855

Family Applications (1)

Application Number Title Priority Date Filing Date
DE10333530A Ceased DE10333530A1 (de) 2003-07-23 2003-07-23 Automatische Indexierung von digitalen Bildarchiven zur inhaltsbasierten, kontextsensitiven Suche

Country Status (2)

Country Link
US (1) US7689544B2 (de)
DE (1) DE10333530A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006027720A1 (de) * 2006-06-12 2007-12-13 Friedrich-Schiller-Universität Jena Verfahren zur automatischen Aufbereitung von als Video vorliegenden sowie aus Bild- und/oder Scriptinhalten generierten Multimediapräsentationen für eine inhaltsbasierte Suche in diesen Videos

Families Citing this family (99)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7194483B1 (en) 2001-05-07 2007-03-20 Intelligenxia, Inc. Method, system, and computer program product for concept-based multi-dimensional analysis of unstructured information
USRE46973E1 (en) 2001-05-07 2018-07-31 Ureveal, Inc. Method, system, and computer program product for concept-based multi-dimensional analysis of unstructured information
US8589413B1 (en) 2002-03-01 2013-11-19 Ixreveal, Inc. Concept-based method and system for dynamically analyzing results from search engines
EP1629357A4 (de) * 2003-06-04 2008-02-06 Univ Pennsylvania Skalierbare ndma-archivhardware- oder -software-architektur für lastausgleich, unabhängige verarbeitung und die abfrage von datensätzen
CN1829985A (zh) * 2003-06-04 2006-09-06 宾夕法尼亚大学理事会 Ndma套接字传输协议
US20060282447A1 (en) * 2003-06-04 2006-12-14 The Trustees Of The University Of Pennsylvania Ndma db schema, dicom to relational schema translation, and xml to sql query transformation
US20060031206A1 (en) * 2004-08-06 2006-02-09 Christian Deubel Searching for data objects
US7296034B2 (en) * 2004-08-10 2007-11-13 Palo Alto Research Center Incorporated Integrated support in an XML/XQuery database for web-based applications
US7516159B2 (en) * 2004-08-10 2009-04-07 Palo Alto Research Center Incorporated Extension of XQuery in a high performance XML/XQuery database
US7493338B2 (en) * 2004-08-10 2009-02-17 Palo Alto Research Center Incorporated Full-text search integration in XML database
US20060064328A1 (en) * 2004-08-30 2006-03-23 Debarshi Datta System and method for utilizing a DICOM structured report for workflow optimization
US7403940B2 (en) * 2004-08-31 2008-07-22 Yahoo! Inc. Optimal storage and retrieval of XML data
US9171100B2 (en) 2004-09-22 2015-10-27 Primo M. Pettovello MTree an XPath multi-axis structure threaded index
US20120113273A1 (en) * 2004-11-29 2012-05-10 Ariel Inventions Llc System, Method, and Devices for Searching for a Digital Image over a Communication Network
US20060155577A1 (en) * 2005-01-07 2006-07-13 Confirma, Inc. System and method for anatomically based processing of medical imaging information
US20060200461A1 (en) * 2005-03-01 2006-09-07 Lucas Marshall D Process for identifying weighted contextural relationships between unrelated documents
US7639852B2 (en) * 2005-03-16 2009-12-29 Siemens Aktiengesellschaft Method for associating data with medical image datasets
US7548917B2 (en) 2005-05-06 2009-06-16 Nelson Information Systems, Inc. Database and index organization for enhanced document retrieval
US8548963B2 (en) * 2005-08-09 2013-10-01 International Business Machines Corporation Context sensitive media and information
CN101351795B (zh) * 2005-10-11 2012-07-18 Ix锐示公司 用于基于概念的搜索与分析的系统、方法与设备
US11604847B2 (en) 2005-10-26 2023-03-14 Cortica Ltd. System and method for overlaying content on a multimedia content element based on user interest
US11216498B2 (en) 2005-10-26 2022-01-04 Cortica, Ltd. System and method for generating signatures to three-dimensional multimedia data elements
US8312031B2 (en) 2005-10-26 2012-11-13 Cortica Ltd. System and method for generation of complex signatures for multimedia data content
US9396435B2 (en) 2005-10-26 2016-07-19 Cortica, Ltd. System and method for identification of deviations from periodic behavior patterns in multimedia content
US11386139B2 (en) 2005-10-26 2022-07-12 Cortica Ltd. System and method for generating analytics for entities depicted in multimedia content
US8117549B2 (en) * 2005-10-26 2012-02-14 Bruce Reiner System and method for capturing user actions within electronic workflow templates
US10949773B2 (en) 2005-10-26 2021-03-16 Cortica, Ltd. System and methods thereof for recommending tags for multimedia content elements based on context
US11032017B2 (en) 2005-10-26 2021-06-08 Cortica, Ltd. System and method for identifying the context of multimedia content elements
US10380623B2 (en) 2005-10-26 2019-08-13 Cortica, Ltd. System and method for generating an advertisement effectiveness performance score
US9466068B2 (en) 2005-10-26 2016-10-11 Cortica, Ltd. System and method for determining a pupillary response to a multimedia data element
US9558449B2 (en) 2005-10-26 2017-01-31 Cortica, Ltd. System and method for identifying a target area in a multimedia content element
US7664742B2 (en) * 2005-11-14 2010-02-16 Pettovello Primo M Index data structure for a peer-to-peer network
CN100433005C (zh) * 2005-11-28 2008-11-12 腾讯科技（深圳）有限公司 搜索系统索引切换的方法及搜索系统
DE102005061796A1 (de) * 2005-12-23 2007-06-28 Siemens Ag Verfahren zur Modifikation einer Anzahl von Prozesssteuerungsprotokollen
US20070174309A1 (en) * 2006-01-18 2007-07-26 Pettovello Primo M Mtreeini: intermediate nodes and indexes
US7676485B2 (en) * 2006-01-20 2010-03-09 Ixreveal, Inc. Method and computer program product for converting ontologies into concept semantic networks
WO2007089573A2 (en) 2006-01-27 2007-08-09 Unz.Org, Llc Presenting digitized content on a network
US7734107B2 (en) * 2006-02-24 2010-06-08 Sony Corporation System and method for performing wavelet-based texture feature extraction and classification
US8019621B2 (en) * 2006-04-07 2011-09-13 Siemens Medical Solutions Usa, Inc. Medical image report data processing system
US8243999B2 (en) * 2006-05-03 2012-08-14 Ut-Battelle, Llc Method and system for the diagnosis of disease using retinal image content and an archive of diagnosed human patient data
US7917514B2 (en) * 2006-06-28 2011-03-29 Microsoft Corporation Visual and multi-dimensional search
US20080072134A1 (en) * 2006-09-19 2008-03-20 Sreeram Viswanath Balakrishnan Annotating token sequences within documents
US8121198B2 (en) 2006-10-16 2012-02-21 Microsoft Corporation Embedding content-based searchable indexes in multimedia files
US10733326B2 (en) 2006-10-26 2020-08-04 Cortica Ltd. System and method for identification of inappropriate multimedia content
US8250075B2 (en) * 2006-12-22 2012-08-21 Palo Alto Research Center Incorporated System and method for generation of computer index files
CN1996847B (zh) * 2006-12-27 2010-05-19 中国科学院上海技术物理研究所 基于协作网格的图像及多媒体数据通信与存储系统
WO2008089204A1 (en) 2007-01-15 2008-07-24 Allscripts Healthcare Solutions, Inc. Universal application integrator
US7702644B2 (en) 2007-01-25 2010-04-20 Ludi Labs, Inc. Data management system and method to host applications and manage storage, finding and retrieval of typed items with support for tagging, connections, and situated queries
US8868495B2 (en) * 2007-02-21 2014-10-21 Netapp, Inc. System and method for indexing user data on storage systems
US7936951B2 (en) * 2007-03-06 2011-05-03 Ecompex, Inc. System for document digitization
US7917516B2 (en) * 2007-06-08 2011-03-29 Apple Inc. Updating an inverted index
US9298417B1 (en) * 2007-07-25 2016-03-29 Emc Corporation Systems and methods for facilitating management of data
FR2921503B1 (fr) * 2007-09-20 2010-01-29 Alcatel Lucent Dispositif d'indexage automatique de contenus
KR100939215B1 (ko) * 2007-12-17 2010-01-28 한국전자통신연구원 인덱스 데이터베이스 생성 장치 및 검색 장치
NO327653B1 (no) * 2007-12-20 2009-09-07 Fast Search & Transfer As Fremgangsmate for dynamisk oppdatering av en indeks og en sokemotor som implementerer samme
US7949724B1 (en) * 2007-12-28 2011-05-24 Yahoo! Inc. Determining attention data using DNS information
US20090187588A1 (en) * 2008-01-23 2009-07-23 Microsoft Corporation Distributed indexing of file content
US20090240660A1 (en) * 2008-03-18 2009-09-24 Morgan Christopher B Integration for intelligence data systems
US20100008553A1 (en) * 2008-07-08 2010-01-14 Siemens Medical Solutions Usa, Inc. Structured Medical Data Mapping System
US9424339B2 (en) 2008-08-15 2016-08-23 Athena A. Smyros Systems and methods utilizing a search engine
US7996383B2 (en) * 2008-08-15 2011-08-09 Athena A. Smyros Systems and methods for a search engine having runtime components
US8965881B2 (en) * 2008-08-15 2015-02-24 Athena A. Smyros Systems and methods for searching an index
US20100042589A1 (en) * 2008-08-15 2010-02-18 Smyros Athena A Systems and methods for topical searching
US7882143B2 (en) * 2008-08-15 2011-02-01 Athena Ann Smyros Systems and methods for indexing information for a search engine
US20100094649A1 (en) * 2008-10-13 2010-04-15 Ihc Intellectual Asset Management, Llc Medical data and medical information system integration and communication
US8218838B2 (en) * 2008-11-03 2012-07-10 Ut-Battelle, Llc Method and system for assigning a confidence metric for automated determination of optic disc location
RU2011123887A (ru) * 2008-11-14 2012-12-20 Конинклейке Филипс Электроникс, Н.В. Поисковый инструментарий для медицинских данных
US7843237B2 (en) * 2008-11-17 2010-11-30 Infineon Technologies Austria Ag Circuit arrangement for actuating a transistor
US7958201B2 (en) * 2009-01-29 2011-06-07 Ted Lindsay Method, system and apparatus for encouraging frequent and purposeful electronic communications from caregivers to individuals with impaired memory
US8250026B2 (en) * 2009-03-06 2012-08-21 Peoplechart Corporation Combining medical information captured in structured and unstructured data formats for use or display in a user application, interface, or view
CN101510217B (zh) * 2009-03-09 2013-06-05 阿里巴巴集团控股有限公司 图像数据库中的图像更新方法、服务器及系统
US8346800B2 (en) * 2009-04-02 2013-01-01 Microsoft Corporation Content-based information retrieval
US9245243B2 (en) * 2009-04-14 2016-01-26 Ureveal, Inc. Concept-based analysis of structured and unstructured data using concept inheritance
US8214336B2 (en) * 2009-06-16 2012-07-03 International Business Machines Corporation Preservation of digital content
US8631028B1 (en) 2009-10-29 2014-01-14 Primo M. Pettovello XPath query processing improvements
US10083249B2 (en) * 2010-09-23 2018-09-25 Fisher-Rosemount Systems, Inc. Systems, methods and articles of manufacture to provide a search service to a process control system
US20120117051A1 (en) * 2010-11-05 2012-05-10 Microsoft Corporation Multi-modal approach to search query input
GB2492450B (en) * 2011-06-27 2015-03-04 Ibm A method for identifying pairs of derivative and original images
US9405750B2 (en) * 2011-10-31 2016-08-02 Hewlett-Packard Development Company, L.P. Discrete wavelet transform method for document structure similarity
US9449028B2 (en) 2011-12-30 2016-09-20 Microsoft Technology Licensing, Llc Dynamic definitive image service
US9047633B2 (en) 2012-02-07 2015-06-02 Zencolor Corporation System and method for identifying, searching and matching products based on color
US8600153B2 (en) 2012-02-07 2013-12-03 Zencolor Corporation System and method for normalization and codification of colors for dynamic analysis
US10460475B2 (en) 2012-02-07 2019-10-29 Zencolor Global, Llc Normalization of color from a captured image into a universal digital color system for specification and matching
US9607404B2 (en) 2012-02-07 2017-03-28 Zencolor Corporation System for normalizing, codifying and categorizing color-based product and data based on a universal digital color system
US9436704B2 (en) 2012-02-07 2016-09-06 Zencolor Corporation System for normalizing, codifying and categorizing color-based product and data based on a universal digital color language
WO2013134854A1 (en) * 2012-03-13 2013-09-19 Cognilore Inc. Method of navigating through digital content
US8612261B1 (en) 2012-05-21 2013-12-17 Health Management Associates, Inc. Automated learning for medical data processing system
US9087357B2 (en) 2013-10-16 2015-07-21 Zencolor Corporation System for normalizing, codifying and categorizing color-based product and data based on a universal digital color language
US9779505B2 (en) 2014-09-30 2017-10-03 Toshiba Medical Systems Corporation Medical data processing apparatus and method
US10853399B2 (en) 2017-04-05 2020-12-01 Splunk Inc. User interface search tool for locating and summarizing data
US11106713B2 (en) 2017-04-05 2021-08-31 Splunk Inc. Sampling data using inverted indexes in response to grouping selection
US11061918B2 (en) * 2017-04-05 2021-07-13 Splunk Inc. Locating and categorizing data using inverted indexes
CN107562932A (zh) * 2017-09-18 2018-01-09 西华大学 中文学术图书参考文献数据采集方法
US11937953B2 (en) 2019-04-12 2024-03-26 Medpod, Inc. Portable medical station
CN110674329A (zh) * 2019-09-23 2020-01-10 北京百度网讯科技有限公司 一种图片过滤方法、装置、电子设备及存储介质
CN112183087A (zh) * 2020-09-27 2021-01-05 武汉华工安鼎信息技术有限责任公司 一种敏感文本识别的系统和方法
CN112328548A (zh) * 2021-01-05 2021-02-05 统信软件技术有限公司 一种文件检索方法及计算设备
CN115934884B (zh) * 2023-03-01 2023-05-16 成都字节流科技有限公司 一种医保目录药品快速对照方法、装置、设备及存储介质
CN116910330B (zh) * 2023-09-12 2023-12-05 湖南科研云信息科技有限公司 一种财务档案管理的方法、系统、电子设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5517405A (en) * 1993-10-14 1996-05-14 Aetna Life And Casualty Company Expert system for providing interactive assistance in solving problems such as health care management
US5842009A (en) * 1996-09-30 1998-11-24 Apple Computer, Inc. System for automatically retrieving information relevant to a user's scheduled event
US7043472B2 (en) * 2000-06-05 2006-05-09 International Business Machines Corporation File system with access and retrieval of XML documents
DE10048479A1 (de) 2000-09-29 2002-04-25 Siemens Ag Verfahren zum Zugriff auf eine Speichereinheit, in der Vermerkfolgen gespeichert sind, zugehörige Speichereinheit und zugehöriges Programm
US6522780B1 (en) * 2000-12-15 2003-02-18 America Online, Inc. Indexing of images and/or text
US7437363B2 (en) * 2001-01-25 2008-10-14 International Business Machines Corporation Use of special directories for encoding semantic information in a file system
JP3563394B2 (ja) * 2002-03-26 2004-09-08 株式会社日立製作所 画面表示システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006027720A1 (de) * 2006-06-12 2007-12-13 Friedrich-Schiller-Universität Jena Verfahren zur automatischen Aufbereitung von als Video vorliegenden sowie aus Bild- und/oder Scriptinhalten generierten Multimediapräsentationen für eine inhaltsbasierte Suche in diesen Videos

Also Published As

Publication number Publication date
US20050021512A1 (en) 2005-01-27
US7689544B2 (en) 2010-03-30

Similar Documents

Publication Publication Date Title
DE10333530A1 (de) Automatische Indexierung von digitalen Bildarchiven zur inhaltsbasierten, kontextsensitiven Suche
DE69834386T2 (de) Textverarbeitungsverfahren und rückholsystem und verfahren
EP1779271B1 (de) Sprach- und textanalysevorrichtung und entsprechendes verfahren
DE602004003361T2 (de) System und verfahren zur erzeugung von verfeinerungskategorien für eine gruppe von suchergebnissen
DE10231161A1 (de) Domain-spezifisches wissensbasiertes Metasuchsystem und Verfahren zum Verwenden desselben
DE60025778T2 (de) Verfahren zum Speichern und Verwalten von Daten
EP1877932B1 (de) System und verfahren zur aggregation und überwachung von dezentralisiert gespeicherten multimediadaten
DE102013202365A1 (de) Herausziehen von informationen aus krankenakten
WO2018094438A1 (de) Verfahren und system zum erstellen einer medizinischen bilddatenbank mittels eines konvolutionellen neuronalen netzwerk
DE112005003157T5 (de) Domainspezifisches Datenelement-Mappingverfahren- und System
DE112007000053T5 (de) System und Verfahren zur intelligenten Informationsgewinnung und -verarbeitung
EP2100234A1 (de) System und verfahren zur benutzergesteuerten multidimensionalen navigation und/oder themenbasierten aggregation und/oder überwachung von multimediadaten
EP1783633B1 (de) Suchmaschine für eine ortsbezogene Suche
DE112010001870T5 (de) Verfahren und system zum verwalten und anzeigen von medizinischen daten
DE112005000569T5 (de) System und Verfahren zur Patientenidentifikation für klinische Untersuchungen unter Verwendung von inhaltsbasiertem Erlangen und Lernen
DE102008005083A1 (de) Abrufen einer Information eines fallbasierten Schliessens aus Archivaufzeichnungen
DE102007012048A1 (de) Verfahren zur Unterstützung bei der Erstellung einer medizinischen Diagnose sowie Datenbearbeitungsanlage
DE112021001743T5 (de) Vektoreinbettungsmodelle für relationale tabellen mit null- oder äquivalenten werten
WO2005059772A9 (de) System und verfahren zur aggregation und überwachung von dezentralisiert gespeicherten multimediadaten
Raftopoulos et al. Mining user queries with Markov chains: Application to online image retrieval
Chou et al. An information retrieval system for medical records & documents
EP1324218A1 (de) Kategorisierungsystem für Datenobjekte und Verfahren zum Prüfen der Konsistenz von Zuordnungen von Datenobjekten zu Kategorien
DE112020001314T5 (de) System und Verfahren für eine Datenkuration
Freitas et al. Mining hospital databases for management support
DE202023100326U1 (de) Ein Empfehlungssystem zur optimierten Behandlung von COVID-19 unter Verwendung von konvolutionellem Netzwerk

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8172 Supplementary division/partition in:

Ref document number: 10362149

Country of ref document: DE

Kind code of ref document: P

Q171 Divided out to:

Ref document number: 10362149

Country of ref document: DE

Kind code of ref document: P

R011 All appeals rejected, refused or otherwise settled
R003 Refusal decision now final

Effective date: 20121022