DE202022100604U1

DE202022100604U1 - Intelligent system for automatic classification of medical images using image processing and artificial intelligence

Info

Publication number: DE202022100604U1
Application number: DE202022100604.0U
Authority: DE
Original assignee: Individual
Current assignee: Individual
Priority date: 2022-02-02
Filing date: 2022-02-02
Publication date: 2022-02-16
Anticipated expiration: 2032-02-03

Abstract

System (10) zur Klassifizierung von biomedizinischen Bildern (1), wobei das System (10) umfasst:
eine Erfassungseinheit (2), die für die Erfassung der biomedizinischen Bilder (1) eines Subjekts aus einer Vielzahl von biomedizinischen Einheiten mit den Subjektdaten verwendet wird, wobei die biomedizinischen Einheiten einen Satz von Biobild-Erzeugungseinheiten umfassen, wobei ein Smartphone mit einem computerlesbaren Programm arbeitet, um die Ergebnisse der biomedizinischen Einheiten zu verarbeiten und die gefilterten biomedizinischen Bilder zu erzeugen;
eine Filtereinheit (3), die zur Vorverarbeitung der erhaltenen gefilterten biomedizinischen Bilder des Subjekts unter Verwendung einer Bildvorverarbeitungseinheit (4) verwendet wird, wobei die Bildvorverarbeitungseinheit (4) eine Filterung, eine Normalisierung und eine Entfernung der unerwünschten Informationen aus den erhaltenen biomedizinischen Bildern durchführt; und
eine Klassifizierungseinheit (5), die zum Klassifizieren des biomedizinischen Bildes (1) durch einen maschinellen Lernalgorithmus verwendet wird, wobei der maschinelle Lernalgorithmus ein auf maschinellem Lernen basierendes Modell ist, das aus einem großen Satz von Trainingsdaten des biomedizinischen Bildes (1) von einem großen Subjekt mit dessen biomedizinischem Bild (1) und Subjektdaten gelernt wird, wobei der Algorithmus für maschinelles Lernen die Merkmale des eingegebenen biomedizinischen Bildes mit den verarbeiteten Daten des biomedizinischen Bildes (1) vergleicht und den Typ des biomedizinischen Bildes (1) auf der Grundlage von voreingestellten Übereinstimmungskriterien der Merkmale des biomedizinischen Bildes klassifiziert, wobei das tiefe Lernen das biomedizinische Bild (1) auf der Grundlage der Klassifizierung des biomedizinischen Bildes als entsprechend den zugehörigen Bildmerkmalen klassifiziert.

System (10) for classifying biomedical images (1), the system (10) comprising:
an acquisition unit (2) used for acquiring the biomedical images (1) of a subject from a plurality of biomedical units with the subject data, the biomedical units comprising a set of bioimage generation units, wherein a smartphone operates with a computer-readable program to process the results of the biomedical units and generate the filtered biomedical images;
a filter unit (3) used for pre-processing the obtained filtered biomedical images of the subject using an image pre-processing unit (4), the image pre-processing unit (4) performing filtering, normalization and removal of the unwanted information from the obtained biomedical images; and
a classification unit (5) used for classifying the biomedical image (1) by a machine learning algorithm, the machine learning algorithm being a machine learning-based model derived from a large set of training data of the biomedical image (1) from a large Subject is learned with whose biomedical image (1) and subject data, the machine learning algorithm compares the characteristics of the input biomedical image with the processed data of the biomedical image (1) and the type of the biomedical image (1) based on preset matching criteria of the features of the biomedical image, wherein the deep learning classifies the biomedical image (1) based on the classification of the biomedical image as corresponding to the associated image features.

Description

BEREICH DER ERFINDUNGFIELD OF THE INVENTION

Die vorliegende Erfindung bezieht sich auf das Gebiet der Klassifizierung biomedizinischer Bilder.The present invention relates to the field of biomedical image classification.

Die vorliegende Erfindung bezieht sich auf das Gebiet der auf maschinellem Lernen basierenden Klassifizierung von biomedizinischen Bildern aus einer Datenbank.The present invention relates to the field of machine learning based classification of biomedical images from a database.

Insbesondere bezieht sich die vorliegende Erfindung auf ein intelligentes System zur automatischen Klassifizierung medizinischer Bilder mit Hilfe von Bildverarbeitung und künstlicher Intelligenz.In particular, the present invention relates to an intelligent system for automatically classifying medical images using image processing and artificial intelligence.

HINTERGRUND DER ERFINDUNGBACKGROUND OF THE INVENTION

Bei dem im Abschnitt „Hintergrund“ behandelten Gegenstand sollte nicht davon ausgegangen werden, dass er allein aufgrund seiner Erwähnung im Abschnitt „Hintergrund“ zum Stand der Technik gehört. Ebenso sollte nicht davon ausgegangen werden, dass ein im Hintergrundabschnitt erwähntes oder mit dem Gegenstand des Hintergrundabschnitts verbundenes Problem bereits im Stand der Technik erkannt wurde. Der Gegenstand des Hintergrundabschnitts stellt lediglich verschiedene Ansätze dar, die für sich genommen ebenfalls Erfindungen sein können.The subject matter discussed in the background section should not be assumed to constitute prior art merely by virtue of its mention in the background section. Likewise, it should not be assumed that any problem mentioned in the background section or associated with the subject matter of the background section has already been recognized in the prior art. The subject matter of the background section merely presents various approaches, which in themselves may also be inventions.

US20200167608 - GENERATIVE ADVERSARIAL NETWORK MEDICAL IMAGE GENERATION FOR TRAINING OF A CLASSIFIER: Es werden Mechanismen bereitgestellt, um ein Trainingsmodell für maschinelles Lernen zu implementieren. Das Trainingsmodell für maschinelles Lernen trainiert einen Bildgenerator eines generativen adversen Netzwerks (GAN), um medizinische Bilder zu erzeugen, die den tatsächlichen medizinischen Bildern nahekommen. Das maschinelle Lerntrainingsmodell erweitert einen Satz von medizinischen Trainingsbildern um ein oder mehrere generierte medizinische Bilder, die vom Bildgenerator des GAN erzeugt wurden. Das Trainingsmodell für maschinelles Lernen trainiert ein maschinelles Lernmodell auf der Grundlage des erweiterten Satzes von medizinischen Trainingsbildern, um Anomalien in medizinischen Bildern zu identifizieren. Das trainierte maschinelle Lernmodell wird auf neue medizinische Bildeingaben angewendet, um die medizinischen Bilder als anomal oder nicht anomal zu klassifizieren. US20200167608 - GENERATIVE ADVERSARIAL NETWORK MEDICAL IMAGE GENERATION FOR TRAINING OF A CLASSIFIER: Mechanisms are provided to implement a training model for machine learning. The machine learning training model trains a generative adverse network (GAN) image generator to generate medical images that closely resemble actual medical images. The machine learning training model augments a set of medical training images with one or more generated medical images generated by the GAN's image generator. The machine learning training model trains a machine learning model based on the extended set of medical training images to identify anomalies in medical images. The trained machine learning model is applied to new medical image inputs to classify the medical images as anomalous or non-anomalous.

WO/2021/122670A - CO-TRAINING-RAHMEN ZUR GEMEINSAMEN VERBESSERUNG DER KONZEPT-EXTRAKTION AUS KLINISCHEN AUFZEICHNUNGEN UND DER KLASSIFIZIERUNG MEDIZINISCHER BILDER: System und Verfahren zum Trainieren eines maschinellen Lernmodells für die Identifizierung von Textberichten und eines maschinellen Lernmodells für die Identifizierung von Bildern, einschließlich: anfängliches Trainieren eines Textbericht-Maschinenlernmodells unter Verwendung eines markierten Satzes von Textberichten, die Text enthalten, Vorverarbeiten des Textberichts und Extrahieren von Merkmalen aus dem vorverarbeiteten Textbericht, wobei die extrahierten Merkmale in das Textbericht-Maschinenlernmodell eingegeben werden; anfängliches Trainieren eines Bild-Maschinenlernmodells unter Verwendung eines markierten Satzes von Bildern; Anwenden des anfänglich trainierten Textbericht-Maschinenlernmodells auf einen ersten Satz von nicht markierten Textberichten mit zugehörigen Bildern, um die zugehörigen Bilder zu markieren; Anwenden des anfänglich trainierten maschinellen Bildlernmodells auf einen ersten Satz unmarkierter Bilder mit assoziierten Textberichten, um die assoziierten Textberichte zu markieren; Auswählen eines ersten Teils von markierten assoziierten Textberichten; und erneutes Trainieren des maschinellen Textbericht-Lernmodells unter Verwendung des ausgewählten ersten Teils von markierten assoziierten Textberichten. WO/2021/122670A - CO-TRAINING FRAMEWORK TO CO-IMPROVE CONCEPT EXTRACTION FROM CLINICAL RECORDS AND CLASSIFICATION OF MEDICAL IMAGES: System and method for training a machine learning model for textual report identification and a machine learning model for image identification, including: initial training of a textual report machine learning model using a tagged set of textual reports containing text, preprocessing the textual report and extracting features from the preprocessed textual report, wherein the extracted features are input into the textual report machine learning model; initially training an image machine learning model using a tagged set of images; applying the initially trained text report machine learning model to a first set of untagged text reports with associated images to tag the associated images; applying the initially trained image learning machine model to a first set of untagged images with associated textual reports to tag the associated textual reports; selecting a first portion of marked associated text reports; and retraining the text report machine learning model using the selected first portion of tagged associated text reports.

US20200320354 - MEDIZINISCHE BILDBEWERTUNG MIT KLASSIFIZIERUNGSUNBESTIMMTHEIT: Medizinische Bilder können durch den Empfang eines ersten medizinischen Bildes klassifiziert werden. Das medizinische Bild kann auf einen maschinell erlernten Klassifikator angewendet werden. Der maschinell erlernte Klassifikator kann auf zweiten medizinischen Bildern trainiert werden. Es kann eine Kennzeichnung des medizinischen Bildes und ein Maß für die Unsicherheit erzeugt werden. Das Maß für die Unsicherheit kann mit einem Schwellenwert verglichen werden. Das erste medizinische Bild und das Etikett können ausgegeben werden, wenn das Maß der Unsicherheit innerhalb des Schwellenwertes liegt. US20200320354 - MEDICAL IMAGE EVALUATION WITH CLASSIFICATION AMBIGUITY: Medical images can be classified by receiving a first medical image. The medical image can be applied to a machine learned classifier. The machine learned classifier can be trained on second medical images. An identifier of the medical image and a measure of the uncertainty may be generated. The measure of uncertainty can be compared to a threshold. The first medical image and label can be output if the level of uncertainty is within the threshold.

US20200286405 - METHODE ZUR ENTWICKLUNG EINES MASCHINENLERNMODELLS EINES NEURALEN NETZES ZUR KLASSIFIZIERUNG MEDIZINISCHER BILDER: Verfahren zur Entwicklung eines maschinellen Lernmodells eines neuronalen Netzes zur Klassifizierung medizinischer Bilder unter Verwendung eines medizinischen Bildgebungssystems, z. B. eines Ultraschallsystems. Die Verfahren umfassen die Aufnahme von Bildern während eines ersten medizinischen Verfahrens, die Analyse der Bilder auf das Vorhandensein eines oder mehrerer Merkmale, die Kennzeichnung der Bilder als zu einer oder mehreren Klassen gehörend, die Aufteilung der gekennzeichneten Bilder in eine Trainingsmenge und eine Validierungsmenge. Anschließend werden Trainings- und Validierungsprozesse durchgeführt, und das maschinelle Lernmodell kann verwendet werden, wenn die Metriken des Trainingsprozesses und des Validierungsprozesses innerhalb akzeptabler Schwellenwerte liegen. US20200286405 - METHOD FOR DEVELOPING A MACHINE LEARNING MODEL OF A NEURAL NETWORK FOR CLASSIFICATION OF MEDICAL IMAGE: Method for developing a machine learning model of a neural network for classification of medical images using a medical imaging system, e.g. B. an ultrasound system. The methods include acquiring images during a first medical procedure, analyzing the images for the presence of one or more features, labeling the images as belonging to one or more classes, dividing the labeled images into a training set and a validation set. Subsequently, training and validation processes are carried out, and machine learning model can be used when the metrics of the training process and the validation process are within acceptable thresholds.

EP3483895 - DETEKTIEREN UND KLASSIFIZIEREN VON MEDIZINISCHEN BILDERN AUFGRUND VON KONTINUIERLICHEM LERNEN VON GANZKÖRPER-LANDMARKEN ERKENNUNGEN: Ein computerimplementiertes Verfahren zur automatischen Erzeugung von Metadaten-Tags für ein medizinisches Bild umfasst den Empfang eines medizinischen Bildes und die automatische Identifizierung eines Satzes von Körperlandmarken in dem medizinischen Bild unter Verwendung eines oder mehrerer maschineller Lernmodelle. Ein Satz von Regeln wird auf den Satz von Körpermerkmalen angewendet, um anatomische Objekte im Bild zu identifizieren. Alternativ zur Verwendung des Regelsatzes werden in einigen Ausführungsformen ein oder mehrere maschinelle Lernmodelle auf den Satz von Körperlandmarken angewendet, um anatomische Objekte im Bild zu identifizieren. Sobald die anatomischen Objekte identifiziert sind, werden den anatomischen Objekten entsprechende Metadaten-Tags erzeugt und im medizinischen Bild gespeichert. Anschließend wird das medizinische Bild mit den Metadaten-Tags an einen Datenspeicher übertragen. EP3483895 - DETECTING AND CLASSIFYING MEDICAL IMAGES DUE TO CONTINUOUS LEARNING OF WHOLE-BODY LANDMARKS DETECTIONS: A computer-implemented method for automatically generating metadata tags for a medical image involves receiving a medical image and automatically identifying a set of body landmarks in the medical image at Using one or more machine learning models. A set of rules is applied to the body feature set to identify anatomical objects in the image. As an alternative to using the rule set, in some embodiments one or more machine learning models are applied to the set of body landmarks to identify anatomical objects in the image. Once the anatomical objects are identified, metadata tags corresponding to the anatomical objects are generated and stored in the medical image. The medical image with the metadata tags is then transferred to a data store.

EP3444824 - DETEKTIEREN UND KLASSIFIZIEREN VON MEDIZINISCHEN BILDERN AUF DER BASIS VON KONTINUIERLICHEM LERNEN VON GANZKÖRPER-LANDMARKEN-DETEKTIERUNGEN: Ein computerimplementiertes Verfahren zur automatischen Erzeugung von Metadaten-Tags für ein medizinisches Bild umfasst den Empfang eines medizinischen Bildes und die automatische Identifizierung eines Satzes von Körper-Landmarken in dem medizinischen Bild unter Verwendung eines oder mehrerer maschineller Lernmodelle. Ein Satz von Regeln wird auf den Satz von Körpermerkmalen angewendet, um anatomische Objekte im Bild zu identifizieren. Alternativ zur Verwendung des Regelsatzes werden in einigen Ausführungsformen ein oder mehrere maschinelle Lernmodelle auf den Satz von Körperlandmarken angewendet, um anatomische Objekte im Bild zu identifizieren. Sobald die anatomischen Objekte identifiziert sind, werden den anatomischen Objekten entsprechende Metadaten-Tags erzeugt und im medizinischen Bild gespeichert. Anschließend wird das medizinische Bild mit den Metadaten-Tags an einen Datenspeicher übertragen. EP3444824 DETECTING AND CLASSIFYING MEDICAL IMAGES BASED ON CONTINUOUS LEARNING OF WHOLE-BODY LANDMARK DETECTION: A computer-implemented method for automatically generating metadata tags for a medical image involves receiving a medical image and automatically identifying a set of body landmarks in the medical image using one or more machine learning models. A set of rules is applied to the body feature set to identify anatomical objects in the image. As an alternative to using the rule set, in some embodiments one or more machine learning models are applied to the set of body landmarks to identify anatomical objects in the image. Once the anatomical objects are identified, metadata tags corresponding to the anatomical objects are generated and stored in the medical image. The medical image with the metadata tags is then transferred to a data store.

CN111476301 - MEDIZINISCHE BILDKLASSIFIKATIONSMETHODE UND -SYSTEM AUF DER BASIS VON MASCHINENLERNEN: Die Erfindung offenbart eine medizinische Bildklassifizierungsmethode und ein System auf der Basis von maschinellem Lernen. Das Verfahren umfasst die folgenden Schritte: Erfassen eines medizinischen Bildtestsatzes; Eingeben des medizinischen Bildtestsatzes in ein trainiertes neuronales Faltungsnetzwerk-Merkmalextraktionsnetzwerk, um einen Testmerkmal-Ausgangssatz zu erhalten; Durchführen einer Ausrichtungsfusion und einer Merkmalsdimensionsreduktion an dem Testmerkmal- Ausgangssatz, um einen Testmerkmalssatz zu erhalten; Durchführen einer Zufallsabtastung an dem medizinischen Bildtestsatz und dem Testmerkmalssatz in Folge durch Annehmen eines Selbstbedienungsabtastverfahrens, um eine Vielzahl von Testmuster-Teilmengen zu erhalten; Eingeben des Testproben-Teilsatzes in ein entsprechendes trainiertes extrem lernendes Maschinenmodell, um ein anfängliches Klassifizierungsergebnis des Testsatzes zu erhalten; und Eingeben der anfänglichen Klassifizierungsergebnisse der mehreren Testsätze in ein trainiertes Random-Forest-Modell, um ein Klassifizierungsergebnis des medizinischen Bildtestsatzes zu erhalten. Gemäß dem Verfahren kann die Klassifizierungsgenauigkeit verbessert werden, während die Klassifizierungseffizienz verbessert wird. CN111476301 - MEDICAL IMAGE CLASSIFICATION METHOD AND SYSTEM BASED ON MACHINE LEARNING: The invention discloses a medical image classification method and system based on machine learning. The method includes the following steps: acquiring a medical image test set; inputting the medical image test set into a trained convolutional neural network feature extraction network to obtain a test feature output set; performing alignment fusion and feature dimension reduction on the initial test feature set to obtain a test feature set; performing a random scan on the medical image test set and the test feature set in sequence by adopting a self-service scanning method to obtain a plurality of test pattern subsets; inputting the test sample subset into a corresponding trained extreme learning machine model to obtain an initial classification result of the test set; and inputting the initial classification results of the plurality of test sets into a trained random forest model to obtain a medical image test set classification result. According to the method, classification accuracy can be improved while classification efficiency is improved.

US20190189263 - AUTOMATISCHE BERICHTERZEUGUNG AUF DER GRUNDLAGE DER KOGNITIVEN KLASSIFIZIERUNG MEDIZINISCHER BILDER: Verfahren und Systeme zur automatischen Einstufung einer Bildstudie eines Patienten, die im Rahmen eines medizinischen Bildgebungsverfahrens erstellt wurde. Ein System umfasst eine Rechenvorrichtung mit einem elektronischen Prozessor. Der elektronische Prozessor ist so konfiguriert, dass er von einem kognitiven System, das ein Modell anwendet, das unter Verwendung von Computer-Vision und maschinellen Lerntechniken auf der Grundlage einer Deep-Learning-Methodik entwickelt wurde, um Bildstudien zu klassifizieren, eine Klassifizierung empfängt, die der Bildstudie unter Verwendung des Modells zugewiesen wird, und automatisch einen strukturierten Bericht für die Bildstudie auf der Grundlage der durch das Modell zugewiesenen Klassifizierung erzeugt, wobei der strukturierte Bericht für einen Radiologen über ein strukturiertes Berichtssystem zugänglich ist. US20190189263 - AUTOMATIC REPORT GENERATION BASED ON COGNITIVE CLASSIFICATION OF MEDICAL IMAGES: Methods and systems for the automatic classification of an image study of a patient generated as part of a medical imaging procedure. A system includes a computing device having an electronic processor. The electronic processor is configured to receive a classification from a cognitive system that applies a model developed using computer vision and machine learning techniques based on a deep learning methodology to classify image studies, assigned to the image study using the model, and automatically generating a structured report for the image study based on the classification assigned by the model, the structured report being accessible to a radiologist via a structured reporting system.

US20190189264 - TRIAKTION DES MEDIZINISCHEN ZUSTANDS EINES PATIENTEN AUFGRUND DER KOGNITIVEN KLASSIFIZIERUNG MEDIZINISCHER BILDER: Verfahren und Systeme zur automatischen Einstufung einer Bildstudie eines Patienten, die im Rahmen eines medizinischen Bildgebungsverfahrens erstellt wurde. Ein System umfasst eine Rechenvorrichtung mit einem elektronischen Prozessor. Der elektronische Prozessor ist so konfiguriert, dass er mindestens einen Teil der Bildstudie an ein kognitives System übermittelt, wobei das kognitive System so konfiguriert ist, dass es die Bildstudie unter Verwendung eines unter Verwendung von maschinellem Lernen entwickelten Modells analysiert, von dem kognitiven System eine BI-RADS-Klassifizierung empfängt, die der Bildstudie unter Verwendung des Modells zugewiesen wird, und die Bildstudie auf der Grundlage der Klassifizierung, die der Bildstudie durch das kognitive System zugewiesen wurde, automatisch einteilt. US20190189264 - TRIACTION OF A PATIENT'S MEDICAL CONDITION BASED ON COGNITIVE CLASSIFICATION OF MEDICAL IMAGES: Methods and systems for the automatic classification of an image study of a patient obtained as part of a medical imaging procedure. A system includes a computing device having an electronic processor. The electronic processor is configured to communicate at least a portion of the image study to a cognitive system, where the cognitive system is configured to process the image study using a model developed using machine learning analyses, receives from the cognitive system a BI-RADS classification assigned to the image study using the model, and automatically classifies the image study based on the classification assigned to the image study by the cognitive system.

US20190189267 - AUTOMATISCHE RESERVIERUNG MEDIZINISCHER RESSOURCEN AUFGRUND DER KOGNITIVEN KLASSIFIZIERUNG MEDIZINISCHER BILDER: Verfahren und Systeme zur automatischen Einteilung einer Bildstudie eines Patienten, die im Rahmen eines medizinischen Bildgebungsverfahrens erstellt wurde. Ein System umfasst ein Computergerät mit einem elektronischen Prozessor. Der elektronische Prozessor ist so konfiguriert, dass er von einem kognitiven System, das ein Modell anwendet, das unter Verwendung von Computer-Vision und maschinellen Lerntechniken auf der Grundlage von Deep-Learning-Methoden entwickelt wurde, um Bildstudien zu klassifizieren, eine Klassifizierung empfängt, die der Bildstudie unter Verwendung des Modells zugewiesen wird, und automatisch mit einem Ressourcenzuweisungssystem kommuniziert, um mindestens eine medizinische Ressource für die Behandlung des Patienten auf der Grundlage der durch das Modell zugewiesenen Klassifizierung zu reservieren. US20190189267 - AUTOMATIC RESERVATION OF MEDICAL RESOURCES BASED ON COGNITIVE CLASSIFICATION OF MEDICAL IMAGES: Methods and systems for the automatic classification of an image study of a patient, generated as part of a medical imaging procedure. A system includes a computing device with an electronic processor. The electronic processor is configured to receive a classification from a cognitive system that applies a model developed using computer vision and machine learning techniques based on deep learning methods to classify image studies, assigned to the image study using the model, and automatically communicates with a resource assignment system to reserve at least one medical resource for treatment of the patient based on the classification assigned by the model.

KR1 020200095254 - SYSTEM UND VERFAHREN ZUR KENNZEICHNUNG UND KLASSIFIZIERUNG MEDIZINISCHER BILDER DURCH MEHRKENNZEICHEN-KLASSIFIKATION: Enthalten sind ein System und Verfahren zur Kennzeichnung und Klassifizierung medizinischer Bilder durch Mehrkennzeichen-Klassifizierung. Das System umfasst: einen Multilabel-Klassifikator mit den Klassifikatoren 1, 2 und 3 zum Klassifizieren, um medizinische Bilder, einschließlich CT-, Röntgen- und reale Fotografien, zu empfangen und diese mit Merkmalen von Bildern zu vergleichen, die zuvor durch maschinelles Lernen gelernt wurden, um die Arten von Fotografien zu klassifizieren und die Fotografien in Körperteile und medizinische Schulfächer zu klassifizieren; und ein Bildkennzeichnungssystem zum Kennzeichnen von medizinischen Bildern, die durch den Multilabel-Klassifikator klassifiziert wurden, mit k Kennzeichnungen. Der Multi-Label-Klassifikator, der ein künstliches intelligentes Modul ist, und ein Auto-Tagging-System sind in einem Server installiert und arbeiten, und medizinische Bilder von CT-, Röntgen- und realen Fotografien werden in Fotografie-Typen, Körperteile und medizinische Schulfächer klassifiziert und durch den Multi-Label-Klassifikator mit einem Prime; Fotografie-Typ-Prime; Klassifikator 1, einem Prime; Körperteil-Prime; Klassifikator 2 und einem Prime; medizinisches Schulfach-Prime gekennzeichnet; Klassifikator 3 in Bezug auf die medizinischen Bilder, einschließlich der CT-, Röntgen- und realen Fotografien, nach 10 Körperteilen (Mund, Augen, Ohren, Herz, Lunge, Muskeln, Haut, Magen, Blutkörperchen, Herz- KreislaufSystem), 7 medizinischen Schulfächern (Kardiologie, Dermatologie, Hämatologie, Gastroenterologie, Hämatologie, Muskel-Skelett-System, Atmungssystem) und drei Arten von Fotografien (CT, Röntgen, reale Fotos). Darüber hinaus werden die klassifizierten und markierten medizinischen Bilder in große/mittlere/kleine Kategorien von medizinischen Schulfächern unterteilt und in einer Bild-DB gespeichert. KR1 020200095254 - SYSTEM AND METHOD FOR IDENTIFICATION AND CLASSIFICATION OF MEDICAL IMAGES BY MULTI-MARK CLASSIFICATION: Included are a system and method for identification and classification of medical images by multi-mark classification. The system includes: a multi-label classifier with classifiers 1, 2 and 3 to classify to receive medical images including CT, X-ray and real photographs and compare them with features of images previously learned by machine learning were used to classify the types of photographs and to classify the photographs into body parts and medical school subjects; and an image labeling system for labeling medical images classified by the multi-label classifier with k labels. The multi-label classifier, which is an artificial intelligent module, and an auto-tagging system are installed and working in a server, and medical images of CT, X-ray and real photographs are classified into photography types, body parts and medical School subjects classified and given a Prime by the Multi-Label Classifier; Photography Type Prime; classifier 1, a prime; Body Part Prime; classifier 2 and a prime; medical school subject prime marked; Classifier 3 in terms of medical images, including CT, X-ray and real photographs, by 10 parts of the body (mouth, eyes, ears, heart, lungs, muscles, skin, stomach, blood cells, cardiovascular system), 7 medical school subjects (cardiology, dermatology, hematology, gastroenterology, hematology, musculoskeletal system, respiratory system) and three types of photographs (CT, X-ray, real photos). In addition, the classified and tagged medical images are divided into large/medium/small categories of medical school subjects and stored in an image DB.

US20210050093 - TRIAKTION DES MEDIZINISCHEN ZUSTANDS EINES PATIENTEN AUFGRUND DER KOGNITIVEN KLASSIFIZIERUNG MEDIZINISCHER BILDER: Verfahren und Systeme zur automatischen Einstufung einer Bildstudie eines Patienten, die als Teil eines medizinischen Bildgebungsverfahrens erzeugt wurde. Ein System umfasst eine Rechenvorrichtung mit einem elektronischen Prozessor. Der elektronische Prozessor ist so konfiguriert, dass er mindestens einen Teil der Bildstudie an ein kognitives System übermittelt, wobei das kognitive System so konfiguriert ist, dass es die Bildstudie unter Verwendung eines unter Verwendung von maschinellem Lernen entwickelten Modells analysiert, von dem kognitiven System eine BI-RADS-Klassifizierung empfängt, die der Bildstudie unter Verwendung des Modells zugewiesen wird, und die Bildstudie auf der Grundlage der Klassifizierung, die der Bildstudie von dem kognitiven System zugewiesen wurde, automatisch triagiert. US20210050093 - TRIACTION OF A PATIENT'S MEDICAL CONDITION BASED ON COGNITIVE CLASSIFICATION OF MEDICAL IMAGES: Methods and systems for automatically classifying an image study of a patient generated as part of a medical imaging procedure. A system includes a computing device having an electronic processor. The electronic processor is configured to transmit at least a portion of the image study to a cognitive system, where the cognitive system is configured to analyze the image study using a model developed using machine learning, from the cognitive system a BI -Receives RADS classification assigned to the image study using the model and automatically triages the image study based on the classification assigned to the image study by the cognitive system.

US20190189266 - AUTOMATISCHE ARBEITSLISTEN-PRIORITIZIERUNG DER PATIENTENPFLEGE AUFGRUND DER KOGNITIVEN KLASSIFIZIERUNG MEDIZINISCHER BILDER: Verfahren und Systeme für die automatische Einteilung einer Bildstudie eines Patienten, die im Rahmen eines medizinischen Bildgebungsverfahrens erstellt wurde. Ein System umfasst ein Computergerät mit einem elektronischen Prozessor. Der elektronische Prozessor ist so konfiguriert, dass er von einem kognitiven System, das ein Modell anwendet, das unter Verwendung von Computer-Vision und maschinellen Lerntechniken auf der Grundlage einer Deep-Learning-Methodik entwickelt wurde, um Bildstudien zu klassifizieren, eine Klassifizierung empfängt, die der Bildstudie unter Verwendung des Modells zugewiesen wird, und automatisch eine Arbeitsliste auf der Grundlage der Klassifizierung erzeugt, die der Bildstudie unter Verwendung des Modells zugewiesen wurde, wobei die Arbeitsliste eine Vielzahl von Aufgaben zur Behandlung des Patienten priorisiert. US20190189266 - AUTOMATIC WORKLIST PRIORITIZATION OF PATIENT CARE BASED ON COGNITIVE CLASSIFICATION OF MEDICAL IMAGES: Methods and systems for the automatic classification of an image study of a patient generated as part of a medical imaging procedure. A system includes a computing device with an electronic processor. The electronic processor is configured to receive a classification from a cognitive system that applies a model developed using computer vision and machine learning techniques based on a deep learning methodology to classify image studies, assigned to the image study using the model, and automatically generating a worklist based on the classification assigned to the image study using the model, the worklist prioritizing a variety of patient care tasks.

EP3323086 - SYSTEM UND VERFAHREN ZUR STRUKTURENERKENNUNG UND MEHRKLASSENBILDKATEGORISIERUNG IN DER MEDIZINISCHEN BILDGEWINNUNG: Ein System und Verfahren zur automatischen Kategorisierung biologischer und medizinischer Bilder wird bereitgestellt. Das neue System und Verfahren kann einen maschinell lernenden Klassifikator einbeziehen, in dem neue Ideen bereitgestellt werden, um den Klassifikator zu leiten, sich auf Regionen von Interesse (ROI) innerhalb medizinischer Bilder zu konzentrieren, um die Bilder zu kategorisieren oder zu klassifizieren. Das System und die Methode können Regionen ignorieren, wenn irreführende Strukturen vorhanden sind. Die Erkennung und Klassifizierung eines oder mehrerer interessanter Merkmale innerhalb einer diskriminierenden Region von Interesse innerhalb eines Bildes wird invariant gegenüber Unterschieden in der Translation, Orientierung und/oder Skalierung des einen oder der mehreren interessierenden Merkmale innerhalb des/der medizinischen Bildes/Bilder gemacht. Das System und das Verfahren ermöglichen es einem Prozessor, medizinische Bilder schneller, effizienter und genauer zu verarbeiten und zu kategorisieren. EP3323086 - SYSTEM AND METHOD FOR STRUCTURE RECOGNITION AND MULTI-CLASS IMAGE CATEGORIZATION IN MEDICAL IMAGE ACQUISITION: A system and method for automatic categorization biological and medical images are provided. The new system and method may involve a machine learning classifier in which new ideas are provided to guide the classifier to focus on regions of interest (ROI) within medical images to categorize or classify the images. The system and method can ignore regions when misleading structures are present. The detection and classification of one or more features of interest within a discriminating region of interest within an image is made invariant to differences in translation, orientation, and/or scaling of the one or more features of interest within the medical image(s). The system and method enable a processor to process and categorize medical images faster, more efficiently, and more accurately.

WO/2017/009812 - SYSTEM UND VERFAHREN ZUR STRUKTURENERKENNUNG UND MEHRKLASSENBILDKATEGORISIERUNG IN DER MEDIZINISCHEN BILDGEWINNUNG: Ein System und Verfahren zur automatischen Kategorisierung biologischer und medizinischer Bilder wird bereitgestellt. Das neue System und Verfahren kann einen maschinell lernenden Klassifikator einbeziehen, in dem neue Ideen bereitgestellt werden, um den Klassifikator zu leiten, sich auf Regionen von Interesse (ROI) innerhalb medizinischer Bilder zu konzentrieren, um die Bilder zu kategorisieren oder zu klassifizieren. Das System und die Methode können Regionen ignorieren, wenn irreführende Strukturen vorhanden sind. Die Erkennung und Klassifizierung eines oder mehrerer interessanter Merkmale innerhalb einer diskriminierenden Region von Interesse innerhalb eines Bildes wird invariant gegenüber Unterschieden in der Translation, Orientierung und/oder Skalierung des einen oder der mehreren interessierenden Merkmale innerhalb des/der medizinischen Bildes/Bilder gemacht. Das System und das Verfahren ermöglichen es einem Prozessor, medizinische Bilder schneller, effizienter und genauer zu verarbeiten und zu kategorisieren. WO/2017/009812 - SYSTEM AND METHOD FOR STRUCTURE RECOGNITION AND MULTI-CLASS IMAGE CATEGORIZATION IN MEDICAL IMAGING: A system and method for automatic categorization of biological and medical images is provided. The new system and method may involve a machine learning classifier in which new ideas are provided to guide the classifier to focus on regions of interest (ROI) within medical images to categorize or classify the images. The system and method can ignore regions when misleading structures are present. The detection and classification of one or more features of interest within a discriminating region of interest within an image is made invariant to differences in translation, orientation, and/or scaling of the one or more features of interest within the medical image(s). The system and method enable a processor to process and categorize medical images faster, more efficiently, and more accurately.

Gruppierungen von alternativen Elementen oder Ausführungsformen der hierin offenbarten Erfindung sind nicht als Einschränkungen zu verstehen. Jedes Gruppenmitglied kann einzeln oder in beliebiger Kombination mit anderen Mitgliedern der Gruppe oder anderen hierin enthaltenen Elementen in Bezug genommen und beansprucht werden. Ein oder mehrere Mitglieder einer Gruppe können aus Gründen der Zweckmäßigkeit und/oder der Patentierbarkeit in eine Gruppe aufgenommen oder aus ihr entfernt werden. Wenn eine solche Aufnahme oder Streichung erfolgt, wird davon ausgegangen, dass die Spezifikation die Gruppe in der geänderten Form enthält, wodurch die schriftliche Beschreibung aller in den beigefügten Ansprüchen verwendeten Markush-Gruppen erfüllt wird.Groupings of alternative elements or embodiments of the invention disclosed herein are not intended to be limiting. Each group member may be referenced and claimed individually or in any combination with other members of the group or other elements contained herein. One or more members of a group may be included in or removed from a group for reasons of convenience and/or patentability. When such inclusion or deletion occurs, the specification is deemed to contain the group as amended, thereby satisfying the written description of all Markush groups used in the appended claims.

Wie in der vorliegenden Beschreibung und in den folgenden Ansprüchen verwendet, schließt die Bedeutung von „ein“, „eine“ und „die“ den Plural ein, sofern der Kontext nicht eindeutig etwas anderes vorschreibt. Wie in der vorliegenden Beschreibung verwendet, schließt die Bedeutung von „in“ auch „in“ und „am“ ein, sofern der Kontext nicht eindeutig etwas anderes vorschreibt.As used in the present specification and the following claims, the meaning of "a", "an" and "the" includes the plural unless the context clearly dictates otherwise. As used in the present specification, the meaning of "in" also includes "in" and "am" unless the context clearly dictates otherwise.

Die Aufzählung von Wertebereichen dient lediglich als Kurzbezeichnung für jeden einzelnen Wert, der in den Bereich fällt. Sofern hier nicht anders angegeben, wird jeder einzelne Wert in die Spezifikation aufgenommen, als ob er hier einzeln aufgeführt wäre. Alle hierin beschriebenen Verfahren können in jeder geeigneten Reihenfolge durchgeführt werden, sofern hierin nichts anderes angegeben ist oder der Kontext dem nicht eindeutig widerspricht.The enumeration of value ranges serves only as a short name for each individual value that falls within the range. Unless otherwise noted here, each individual value is included in the specification as if it were individually listed here. All of the methods described herein can be performed in any suitable order, unless otherwise indicated herein or the context clearly dictates otherwise.

Die Verwendung von Beispielen oder beispielhaften Formulierungen (z. B. „wie“) in Bezug auf bestimmte Ausführungsformen dient lediglich der besseren Veranschaulichung der Erfindung und stellt keine Einschränkung des Umfangs der ansonsten beanspruchten Erfindung dar. Keine Formulierung in der Beschreibung ist als Hinweis auf ein nicht beanspruchtes Element zu verstehen, das für die Ausübung der Erfindung wesentlich ist.The use of examples or exemplary language (e.g., "such as") with respect to particular embodiments is intended solely to better illustrate the invention and should not be construed as limiting the scope of the otherwise claimed invention. No language in the specification is intended as an indication of a unclaimed element essential to the practice of the invention.

Die in diesem Abschnitt „Hintergrund“ offengelegten Informationen dienen lediglich dem besseren Verständnis des Hintergrunds der Erfindung und können daher Informationen enthalten, die nicht zum Stand der Technik gehören und die einer Person mit normaler Fachkenntnis in diesem Land bereits bekannt sind.The information disclosed in this Background section is only for enhancement of understanding of the background of the invention and therefore it may contain information that does not form the prior art that is already known to a person of ordinary skill in this country.

ZUSAMMENFASSUNGSUMMARY

Bevor die vorliegenden Systeme und Methoden beschrieben werden, sei darauf hingewiesen, dass diese Anwendung nicht auf die beschriebenen Systeme und Methoden beschränkt ist, da es mehrere mögliche Ausführungsformen geben kann, die in der vorliegenden Offenlegung nicht ausdrücklich dargestellt sind. Es ist auch zu verstehen, dass die in der Beschreibung verwendete Terminologie nur zur Beschreibung der besonderen Versionen oder Ausführungsformen dient und nicht dazu gedacht ist, den Umfang der vorliegenden Anwendung zu begrenzen.Before describing the present systems and methods, it should be noted that this application is not limited to the systems and methods described, as there may be several possible embodiments that are not expressly illustrated in the present disclosure. It is also to be understood that the terminology used in the specification is for the purpose of describing particular versions or embodiments only and is not intended to limit the scope of the present application.

Die vorliegende Erfindung behebt und löst vor allem die technischen Probleme, die im Stand der Technik bestehen. Als Antwort auf diese Probleme, offenbart die vorliegende Erfindung ein intelligentes System für die automatische Klassifizierung von medizinischen Bildern mit Bildverarbeitung und künstliche Intelligenz.Above all, the present invention addresses and solves the technical problems that exist in the prior art. In response to these problems, the present invention discloses an intelligent automatic classification system of medical images using image processing and artificial intelligence.

Ein Aspekt der vorliegenden Erfindung ist ein System zur Klassifizierung von biomedizinischen Bildern, wobei das System umfasst: eine Erfassungseinheit, verwendet für die Erfassungseinheit der biomedizinischen Bilder eines Subjekts aus einer Vielzahl von biomedizinischen Einheiten mit den Subjektdaten, wobei die biomedizinischen Einheiten einen Satz von Biobild-Erzeugungseinheiten umfassen, wobei das Smartphone ein computerlesbares Programm verarbeitet, um die Ergebnisse der biomedizinischen Einheiten zu verarbeiten und die biomedizinischen Bilder zu erzeugen; eine Filtereinheit, die zur Vorverarbeitung des erhaltenen biomedizinischen Bildes des Subjekts unter Verwendung einer Bildvorverarbeitungseinheit verwendet wird, wobei die Bildvorverarbeitungseinheit eine Filterung, eine Normalisierung und ein Entfernen der unerwünschten Informationen aus dem biomedizinischen Bild durchführt; und eine Klassifizierungseinheit, die zum Klassifizieren der biomedizinischen Bilder durch einen maschinellen Lernalgorithmus verwendet wird, wobei der maschinelle Lernalgorithmus ein auf maschinellem Lernen basierendes Modell ist, das aus einem großen Satz von Trainingsdaten der biomedizinischen Bilder eines großen Subjekts mit dessen biomedizinischen Bildern und Subjektdaten gelernt wurde, wobei der maschinelle Lernalgorithmus die Merkmale des eingegebenen biomedizinischen Bildes mit den verarbeiteten Daten der biomedizinischen Bilder vergleicht und die Art der biomedizinischen Bilder auf der Grundlage von voreingestellten Übereinstimmungskriterien der Merkmale des biomedizinischen Bildes klassifiziert, wobei das tiefe Lernen biomedizinische Bilder auf der Grundlage der Klassifizierung des biomedizinischen Bildes als entsprechend der zugehörigen Bildmerkmale klassifiziert. “One aspect of the present invention is a system for classifying biomedical images, the system comprising: an acquisition unit used for acquiring the biomedical images of a subject from a plurality of biomedical units with the subject data, the biomedical units having a set of bioimage Generating units include, wherein the smartphone processes a computer-readable program to process the results of the biomedical units and generate the biomedical images; a filtering unit used to pre-process the obtained biomedical image of the subject using an image pre-processing unit, the image pre-processing unit performing filtering, normalization and removing the unwanted information from the biomedical image; and a classification unit used to classify the biomedical images by a machine learning algorithm, the machine learning algorithm being a machine learning-based model learned from a large set of training data of the biomedical images of a large subject with its biomedical images and subject data , wherein the machine learning algorithm compares the features of the input biomedical image with the processed data of the biomedical images and classifies the type of biomedical images based on preset matching criteria of the features of the biomedical image, wherein the deep learning classifies biomedical images based on the classification of the biomedical image classified as corresponding to the associated image features. "

Figurenlistecharacter list

Um verschiedene Aspekte einiger Ausführungsbeispiele der vorliegenden Erfindung zu verdeutlichen, wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen, die in den beigefügten Figuren dargestellt sind, gegeben. Es wird davon ausgegangen, dass diese Figuren nur illustrierte Ausführungsformen der Erfindung darstellen und daher nicht als Einschränkung des Umfangs der Erfindung anzusehen sind. Die Erfindung wird mit zusätzlicher Spezifität und Detail durch die Verwendung der beigefügten Figuren beschrieben und erläutert werden.In order to clarify various aspects of some embodiments of the present invention, a more detailed description of the invention will be given by reference to certain embodiments illustrated in the attached figures. It is understood that these figures represent only illustrated embodiments of the invention and are therefore not to be considered as limiting the scope of the invention. The invention will be described and illustrated with additional specificity and detail through the use of the accompanying figures.

Damit die Vorteile der vorliegenden Erfindung leicht verstanden werden, wird im Folgenden eine detaillierte Beschreibung der Erfindung in Verbindung mit den beigefügten Figuren erörtert, die jedoch nicht als Beschränkung des Umfangs der Erfindung auf die beigefügten Figuren angesehen werden sollten, in denen:

1 das Blockdiagramm eines intelligenten Systems zur automatischen Klassifizierung medizinischer Bilder mit Hilfe von Bildverarbeitung und künstlicher Intelligenz zeigt.

In order that the advantages of the present invention may be readily understood, a detailed description of the invention is discussed below in conjunction with the attached figures, which should not, however, be construed as limiting the scope of the invention to the attached figures, in which:

1 shows the block diagram of an intelligent system for the automatic classification of medical images using image processing and artificial intelligence.

DETAILLIERTE BESCHREIBUNGDETAILED DESCRIPTION

Die vorliegende Erfindung bezieht sich auf ein intelligentes System zur automatischen Klassifizierung medizinischer Bilder mit Hilfe von Bildverarbeitung und künstlicher Intelligenz.The present invention relates to an intelligent system for automatically classifying medical images using image processing and artificial intelligence.

1 zeigt ein detailliertes Blockdiagramm eines intelligenten Systems (10) zur automatischen Klassifizierung medizinischer Bilder (1) mit Hilfe von Bildverarbeitung und künstlicher Intelligenz. 1 shows a detailed block diagram of an intelligent system (10) for the automatic classification of medical images (1) using image processing and artificial intelligence.

Obwohl die vorliegende Offenbarung mit dem Ziel der intelligenten System für die automatische Klassifizierung von medizinischen Bildern mit Bildverarbeitung und künstliche Intelligenz beschrieben wurde, ist es offensichtlich, dass das gleiche wurde nur getan, um die Erfindung in einer beispielhaften Art und Weise zu veranschaulichen und zu markieren jeden anderen Zweck oder Funktion, für die erklärte Strukturen oder Konfigurationen verwendet werden könnten und ist innerhalb des Anwendungsbereichs der vorliegenden Offenbarung. Das intelligente System (10) zur automatischen Klassifizierung medizinischer Bilder (1) unter Verwendung von Bildverarbeitung und künstlicher Intelligenz wird in dieser Offenlegung vorgestellt.Although the present disclosure has been described with the aim of intelligent systems for the automatic classification of medical images using image processing and artificial intelligence, it is obvious that the same has been done only to illustrate and characterize the invention in an exemplary manner any other purpose or function for which the stated structures or configurations could be used and is within the scope of the present disclosure. The intelligent system (10) for automatic classification of medical images (1) using image processing and artificial intelligence is presented in this disclosure.

Das System (10) zur Klassifizierung von biomedizinischen Bildern (1) umfasst eine Erfassungseinheit (2), eine Filtereinheit (3) und eine Klassifizierungseinheit (5).The system (10) for classifying biomedical images (1) comprises a detection unit (2), a filter unit (3) and a classification unit (5).

Die Erfassungseinheit (2) dient zur Erfassung der biomedizinischen Bilder (1) eines Subjekts aus einer Vielzahl von biomedizinischen Einheiten mit den Subjektdaten.The acquisition unit (2) serves to acquire the biomedical images (1) of a subject from a large number of biomedical units with the subject data.

Die biomedizinischen Einheiten bestehen aus einer Reihe von Einheiten zur Erzeugung von Biobildern, wobei ein Smartphone zur Verarbeitung mit einem computerlesbaren Programm verwendet wird, um die Ergebnisse der biomedizinischen Einheiten zu verarbeiten und die gefilterten biomedizinischen Bilder zu erzeugen;The biomedical units consist of a series of units for generating bioimages, using a smartphone for processing with a computer-readable program to process the results of the biomedical units and generate the filtered biomedical images;

Die Filtereinheit (3) wird für die Vorverarbeitung der erhaltenen gefilterten biomedizinischen Bilder des Subjekts unter Verwendung einer Bildvorverarbeitungseinheit (4) verwendet.The filter unit (3) is used for pre-processing the obtained filtered biomedical images of the subject using an image pre-processing unit (4).

Die Bildvorbereitungseinheit (4) führt eine Filterung, Normalisierung und Entfernung der unerwünschten Informationen aus den erhaltenen biomedizinischen Bildern durch.The image preparation unit (4) performs filtering, normalization and removal of the unwanted information from the biomedical images obtained.

Die Klassifizierungseinheit (5) dient zur Klassifizierung des biomedizinischen Bildes (1) durch einen Algorithmus für maschinelles Lernen.The classification unit (5) is used to classify the biomedical image (1) using an algorithm for machine learning.

Der Algorithmus für maschinelles Lernen ist ein auf maschinellem Lernen basierendes Modell, das aus einem großen Satz von Trainingsdaten des biomedizinischen Bildes (1) eines großen Subjekts mit dessen biomedizinischem Bild (1) und Subjektdaten gelernt wird.The machine learning algorithm is a machine learning-based model that is learned from a large set of training data of a large subject's biomedical image (1) with its biomedical image (1) and subject data.

Der Algorithmus für maschinelles Lernen vergleicht die Merkmale des eingegebenen biomedizinischen Bildes mit den verarbeiteten Daten des biomedizinischen Bildes (1) und klassifiziert den Typ des biomedizinischen BildesThe machine learning algorithm compares the features of the input biomedical image with the processed biomedical image data (1) and classifies the biomedical image type

Auf der Grundlage von voreingestellten Übereinstimmungskriterien der Merkmale des biomedizinischen Bildes, wobei das tiefe Lernen das biomedizinische Bild (1) auf der Grundlage der Klassifizierung des biomedizinischen Bildes als entsprechend den zugehörigen Bildmerkmalen klassifiziert.Based on preset matching criteria of the features of the biomedical image, the deep learning classifies the biomedical image (1) based on the classification of the biomedical image as corresponding to the associated image features.

Die biomedizinischen Bilder (1) umfassen Röntgenbilder, CT-Bilder, PET-Bilder, MRI-Bilder und Ultraschallbilder.The biomedical images (1) include X-ray images, CT images, PET images, MRI images, and ultrasound images.

Die Klassifizierungseinheit (5) klassifiziert die biomedizinischen Bilder und versieht die Bilder mit einer Beschriftung.The classification unit (5) classifies the biomedical images and labels the images.

Die biomedizinischen Bilder (1) werden über eine Datenbank mit biomedizinischen Bildern erfasst.The biomedical images (1) are acquired from a database of biomedical images.

Die Figuren und die vorangehende Beschreibung zeigen Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. Die Reihenfolge der hier beschriebenen Prozesse kann beispielsweise geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Blockdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden, und es müssen auch nicht unbedingt alle Aktionen durchgeführt werden. Auch können diejenigen Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt.The figures and the preceding description show examples of embodiments. Those skilled in the art will understand that one or more of the elements described may well be combined into a single functional element. Alternatively, certain elements can be broken down into multiple functional elements. Elements from one embodiment may be added to another embodiment. For example, the order of the processes described herein may be changed and is not limited to the manner described herein. In addition, the actions of a block diagram do not need to be performed in the order shown, and not all actions need to be performed. Also, those actions that are not dependent on other actions can be performed in parallel with the other actions. The scope of the embodiments is in no way limited by these specific examples.

Obwohl Ausführungsformen der Erfindung in einer für strukturelle Merkmale und/oder Methoden spezifischen Sprache beschrieben wurden, sind die beigefügten Ansprüche nicht notwendigerweise auf die beschriebenen spezifischen Merkmale oder Methoden beschränkt. Vielmehr werden die spezifischen Merkmale und Methoden als Beispiele für Ausführungsformen der Erfindung offenbart.Although embodiments of the invention have been described in language specific to structural features and/or methods, the appended claims are not necessarily limited to the specific features or methods described. Rather, the specific features and methods are disclosed as examples of embodiments of the invention.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent Literature Cited

US20200167608 [0005]
WO/2021/122670A [0006]
US20200320354 [0007]
US20200286405 [0008]
EP 3483895 [0009]
EP 3444824 [0010]
CN 111476301 [0011]
US20190189263 [0012]
US20190189264 [0013]
US20190189267 [0014]
KR 1020200095254 [0015]
US20210050093 [0016]
US20190189266 [0017]
EP 3323086 [0018]
WO 2017/009812 [0019]

Claims

System (10) for classifying biomedical images (1). claim 1 , wherein the biomedical images (1) include: X-ray images, CT images, PET images, MRI images and ultrasound images.

System (10) for classifying biomedical images (1). claim 1 , wherein the classification unit (5) is used to classify the biomedical images and to label the images.

System (10) for classifying biomedical images (1). claim 1 , wherein the biomedical images (1) are acquired via a database with biomedical images.