JP2020524064A - コンピュータ支援トリアージの方法とシステム - Google Patents

コンピュータ支援トリアージの方法とシステム Download PDF

Info

Publication number
JP2020524064A
JP2020524064A JP2020519026A JP2020519026A JP2020524064A JP 2020524064 A JP2020524064 A JP 2020524064A JP 2020519026 A JP2020519026 A JP 2020519026A JP 2020519026 A JP2020519026 A JP 2020519026A JP 2020524064 A JP2020524064 A JP 2020524064A
Authority
JP
Japan
Prior art keywords
specialist
identifying
centerline
image group
images
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.)
Granted
Application number
JP2020519026A
Other languages
English (en)
Other versions
JP6964769B2 (ja
Inventor
マンシー，クリストファー
ゴーラン，デイヴィッド
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.)
Viz ai Inc
Original Assignee
Viz ai Inc
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 Viz ai Inc filed Critical Viz ai Inc
Publication of JP2020524064A publication Critical patent/JP2020524064A/ja
Application granted granted Critical
Publication of JP6964769B2 publication Critical patent/JP6964769B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30172—Centreline of tubular or elongated structure

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Neurology (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Veterinary Medicine (AREA)
  • Neurosurgery (AREA)
  • Psychology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

コンピュータ支援トリアージのためのシステムは、ルータと、リモートコンピューティングシステムと、クライアントアプリケーションと、を含むことができる。コンピュータ支援トリアージの方法は、データパケットに関連付けられるパラメータを特定するステップと、パラメータに基づいて治療の選択肢を特定するステップと、二次医療地点に関連付けられる機器に情報を転送するステップと、を含むことができる。【選択図】図１

Description

関連出願の相互参照
本願は、２０１７年７月２４日に出願された米国仮特許出願第６２／５３５，９７３号、２０１７年７月２４日に出願された米国仮特許出願第６２／５３５，９７０号、及び２０１７年６月１９日に出願された米国仮特許出願第６２／５２１，９６８号の利益を主張するものであり、この引用をもってこれらの各々の全体を援用する。
本発明は一般に、医療診断分野に関し、より詳しくは、医療診断分野におけるコンピュータ支援トリアージのための新規で有益なシステムと方法に関する。
現在のトリアージワークフロー、特に救急現場でのそれらにおいては、患者は一次医療地点にいて、そこで画像撮影等の評価が行われる。すると画像データが標準的放射線診断ワークフローへと送られ、その中では典型的に、画像が放射線科医のキューにアップロードされ、放射線科医が画像をワークステーションで精査し、放射線科医がレポートを作成し、救急医が放射線科医のレポートを見て、救急医が専門医を特定してそこに連絡し、患者の治療方法及び／又は二次医療地点への搬送方法を決定する。このワークフローは典型的に、非常に時間がかかり、それによって患者の治療及び／又は専門医への搬送までの時間が延びる。多くの状況、特に脳卒中が関わる状況では、時間はきわめて重要であるが、これは、脳卒中の場合、患者は脳卒中が治療されない時間１分ごとに約１９０万個の神経細胞を失うと推定されているからである（Ｓａｖｅｒら）。さらに、時間が経つほど、機械的血栓除去術等の治療の選択肢の数と種類も減る。
それゆえ、トリアージの分野で、重篤な状態を呈している患者の治療を特定し、開始するまでの時間を短縮するための改善された有益なシステムと方法を考案する必要がある。
図１は、コンピュータ支援トリアージのためのシステムの略図である。 図２は、コンピュータ支援トリアージの方法の略図である。 図３は、コンピュータ支援トリアージの方法の変形形態を示す。 図４は、コンピュータ支援トリアージの方法における患者の状態の特定の変形形態を示す。 図５Ａは、ユーザデバイス上のアプリケーションの変形形態を示す。 図５Ｂは、ユーザデバイス上のアプリケーションの変形形態を示す。 図６は、コンピュータ支援トリアージの方法の変形形態を示す。
本発明の好ましい実施形態の以下の説明は、本発明をこれらの好ましい実施形態に限定しようとするものではなく、当業者が本発明を製造し、使用できるようにするためのものである。
１．概要
図１に示されるように、コンピュータ支援トリアージのためのシステム１００は、ルータ１１０と、リモートコンピューティングシステム１２０と、クライアントアプリケーション１３０と、を含む。追加的又は代替的に、システム１００は、何れの数のコンピューティングシステム（例えば、ローカル、リモート）、サーバ（例えば、ＰＡＣＳサーバ）、ストレージ、ルックアップテーブル、メモリ、又は他のあらゆる適当なコンポーネントも含むことができる。
図２に示されるように、コンピュータ支援トリアージの方法２００は、データパケットに関連付けられるパラメータを特定するステップＳ２２０と、パラメータに基づいて治療の選択肢を特定するステップＳ２３０と、情報を二次医療地点に関連付けられるデバイスに転送するステップＳ２５０と、を含む。追加的又は代替的に、方法２００は、一次医療地点でデータセットを受信するステップＳ２０５、データをリモートコンピューティングシステムに転送するステップＳ２０８、分析のためにデータパケットを準備するステップＳ２１０、転送のためにデータパケットを準備するステップＳ２４０、データを集約するステップＳ２６０、又は何れの適当な順序でも実行される他の適当なステップのうちの何れか又は全部を含むことができる。
２．利点
コンピュータ支援トリアージのためのシステムと方法は、現在のシステムと方法に対して幾つかの利点を提供できる。
幾つかの変形形態において、システム及び／又は方法は、ある状態（例えば、脳卒中、ＬＶＯ）を呈する患者を専門医とマッチさせ、及び／又はそこに搬送するまでの時間を短縮する利点を提供する。幾つかの例では、例えば、コンピュータ断層撮影血管造影法（ＣＴＡ：ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ａｎｇｉｏｇｒａｐｈｙ）データセットの生成から専門医への通報までの平均時間が（例えば、５０分超から８分未満に）短縮される。
幾つかの変形形態において、方法は、従来のワークフロー（例えば、標準的放射線診断ワークフロー）との平行処理を提供し、これは治療の選択肢を特定する時間を短縮する一方で、従来のワークフローの結果が、この方法から非決定的又は不正確な特定（例えば、偽陰性、偽陽性、その他）が導かれた場合のためのバックアップとされるという利点を提供できる。
幾つかの変形形態において、方法は、高感度（例えば、８７．８％、約８８％、８１％〜９３％、８７％超、その他）を有するように構成され、これは、真陽性ケースを多数検出し、これらの患者がより早く治療を受けるのを助ける機能を果たす。その結果として偽陽性が生じても、専門医にとっての妨害は、あったとしてもわずかにすぎず、それが専門医のワークフローに影響が及ぶにしても、無視できる程度（例えば、５分未満）である。追加的又は代替的に、方法は、高特異度（例えば、８９．６％、約９０％、８３％〜９４％、８９％超、その他）を有するように構成でき、これは偽陰性の判断を下す可能性を低減させることができる。
幾つかの変形形態において、方法は、患者のキューを整理し直す利益を提供し、特定の状態を有する患者が早期に検出され、優先される（例えば、キューの上方の順位に移動される）。
幾つかの変形形態において、方法は、救命救急室のトリアージワークフロー等のワークフローを最適化するためのアクショナブル・アナリティクスを決定する利益を提供する。
追加的又は代替的に、システムと方法は他の何れかの利益を提供し得る。
３．システム
コンピュータ支援トリアージのためのシステム１００は、図１に示されるように、ルータ１１０と、リモートコンピューティングシステム１２０と、クライアントアプリケーション１３０と、を含む。追加的又は代替的に、システム１００は何れの数のコンピューティングシステム（例えば、ローカル、リモート）、サーバ（例えば、ＰＡＣＳサーバ）、ストレージ、ルックアップテーブル、メモリ、又は他の何れの適当なコンポーネントを含むこともできる。
システム１００は、方法２００又は他の何れの適当な方法の何れか又は全部も実行できる。
システム１００は好ましくは、１つ又は複数の医療地点（例えば、一次医療地点、二次医療地点、三次医療地点、その他）と相互にやり取りし、その各々は典型的に医療施設である。一次医療地点とは、本明細書においては、患者が現れた、典型的には（緊急対応時に）患者が最初に現れた医療施設を指す。従来、医療施設とは、総合的な（例えば、非専門、救急、その他）であることの多いスポーク施設と、特定の処置（例えば、機械的血栓除去術）、状態、又は患者のための設備を備えている、若しくは（例えば、スポーク施設と比較して）よりよく備えている可能性のあるハブ（例えば、専門）施設を含む。患者は典型的に、一次医療地点ではスポーク施設に現れるが、代替的に、ハブ施設に現れる可能性もあり、これは例えば、その症状が何の状態を反映しているかが明らかである場合、患者が重篤な状態の病歴を有する場合、状態がより重篤に進行している場合、ハブ施設が最も近い場合、偶然の場合、又はその他何れかの理由による場合である。医療施設には、病院、クリニック、救急車、医院、画像撮影センタ、検査施設、一次脳卒中センタ（ＰＳＣ：ｐｒｉｍａｒｙ ｓｔｒｏｋｅ ｃｅｎｔｅｒ）、包括的脳卒中センタ（ＣＳＣ：ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｓｔｒｏｋｅ ｃｅｎｔｅｒ）、脳卒中応需センタ、介入応需センタ、又は患者医療及び／又は診断検査にかかわる他の何れの適当な施設も含めることができる。
患者は、状態の症状を呈している場合も、無症状の場合も（例えば、ルーチンの検査が指示される）、又は他の何れの適当なシステムが指示される場合もある。幾つかの変形形態において、患者は１つ又は複数の脳卒中症状（例えば、虚血性脳卒中症状）を呈しており、これは例えば脱力、麻痺、言葉の異常、及び顔面下垂等であり、これらに限定されない。典型的に、これらの患者はすると、脳卒中プロトコルにしたがって治療され、これには典型的に、頭部非造影ＣＴ（ＮＣＣＴ：ｎｏｎ−ｃｏｎｔｒａｓｔ ＣＴ）スキャン、頭頚部ＣＴＡ、頭部ＣＴ灌流（ＣＴＰ）等であり、これらに限定されない画像診断装置での画像撮影プロトコルが含まれる。
医療従事者とは、本明細書において、医療施設に関係するあらゆる個人又は実体を指し、これは医師、救命救急医（例えば、脳卒中プロトコルにしたがって適当なラボ及び画像検査をオーダする）、放射線科医（例えば、担当の放射線科医、終了した画像検査を精査する医療従事者、最終レポートを作成する医療従事者、その他）、神経放射線科医、専門医（例えば、神経血管専門医、血管神経科医、神経治療専門医、脳神経血管専門医、機械的血栓除去術等の処置のエキスパート／専門医、心臓専門医、その他）、管理スタッフ、医療施設の従業員（例えば、職員）、救急対応要員（例えば、救急救命士）、又は他のあらゆる適当な個人であり、これらに限定されない。
画像データは、コンピュータ断層（ＣＴ）データ（例えば、放射線ＣＴ、非造影ＣＴ、ＣＴ灌流、その他）、好ましくはＣＴ血管造影検査（ＣＴＡ）データ（例えば、アキシャルデータ、アキシャルシリーズ、その他）を含むことができるが、追加的又は代替的に、他の何れの適当な画像データを含むこともできる。画像データは好ましくは、ＣＴスキャナ、磁気共鳴断層撮影（ＭＲＩ：ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ）スキャナ、超音波システム、又は他のあらゆるスキャナ等の画像診断装置（例えば、一次医療地点のスキャナ）で生成される。追加的又は代替的に、画像データは、カメラ、ユーザデバイスから生成され、データベース又はウェブベースのプラットフォームからアクセスされ、描かれ、スケッチされ、又はそれ以外の方法で取得できる。
３．１ システム−ルータ１１０
システム１００は、ルータ１１０（例えば、医療用ルーティングシステム）を含むことができ、これは、画像診断装置（例えば、スキャナ）で撮影されたインスタンス（例えば、画像、スキャン、その他）を含むデータパケット（例えば、データセット）を、一次医療地点に関連付けられるコンピューティングシステム（例えば、スキャナ、ワークステーション、ＰＡＣＳサーバ）で受信するように機能する。インスタンスは好ましくは、Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ（ＤＩＣＯＭ）ファイルフォーマットによるほか、ＤＩＣＯＭプロトコルにしたがって生成され、コンピューティングシステム間で転送されるが、追加的又は代替的に、何れの適当なフォーマットでもよい。追加的又は代替的に、インスタンスは何れの適当な医療データ（例えば、診断データ、患者データ、患者病歴、患者基本情報、その他）を含むこともでき、これはＰＡＣＳデータ、ヘルス・レベル・セブン（ＨＬ７）データ、電子医療記録（ＥＨＲ：ｅｌｅｃｔｒｏｎｉｃ ｈｅａｌｔｈ ｒｅｃｏｒｄ）データ、又は他のあらゆる適当なデータであり、これらに限定されず、データをリモートコンピューティングシステムに転送すること。
インスタンスは好ましくは、１つのメタデータ群を含み（例えば、タグ付けされる）及び／又はそれに関連付けられるが、追加的又は代替的に、複数のメタデータ群を含んでも、メタデータを含まなくても、抽出された（例えば、削除された）メタデータ（例えば、規則上、ＨＩＰＡＡ適合のため、その他）を含んでも、変更された（例えば、暗号化、復号等された）メタデータを含んでも、又は他の何れの適当なメタデータ、タグ、識別子、若しくはその他の適当な情報を含んでいてもよい。
ルータ１１０は、仮想エンティティ（例えば、仮想マシン、仮想サーバ、その他）及び／又は物理実体（例えば、ローカルサーバ）を指すか、又はそれを含むことができる。ルータは、ローカル（例えば、第一の医療施設、第二の医療施設等にある）であり、画像診断モダリティ、医療施設のＰＡＣＳアーキテクチャ（例えば、医師のワークステーションに関連付けられるサーバ）、若しくは他の何れかの適当なローカルサーバの何れか又は全部に関連付けられるオンサイトサーバ、又はＤＩＣＯＭ適合デバイスの何れか又は全部に関連付けられるもの（例えば、接続される）とすることができる。追加的又は代替的に、ルータはリモート（例えば、リモート施設、リモートサーバ、クラウドコンピューティングシステム等にある）であり、ＰＡＣＳシステムに関連付けられるリモートサーバ、モダリティ、又はＤＩＣＯＭルータ等のその他のＤＩＣＯＭ適合デバイスの何れか又は全部に関連付けることができる。
ルータ１１０は好ましくは、一次医療地点（例えば、コンピューティングシステム、ワークステーション、サーバ、ＰＡＣＳサーバ、画像診断モダリティ、スキャナ等）のシステム上で動作する（例えば、それに内蔵される）が、追加的又は代替的に、二次医療地点のシステム、一次医療地点及び二次医療地点の一方又は両方に関連付けられるリモートサーバ（例えば、物理的、仮想、その他）（例えば、ＰＡＣＳサーバ、ＥＨＲサーバ、ＨＬ７サーバ）、データストレージシステム（例えば、患者記録）、又は他の何れの適当なシステム上でも動作する（例えば、それに内蔵される）ことができる。幾つかの変形形態において、ルータがその上で動作するシステムは、物理的（例えば、物理的ワークステーション、画像診断モダリティ、スキャナ、その他）であるが、追加的又は代替的に、仮想コンポーネント（例えば、仮想サーバ、仮想データベース、クラウドコンピューティングシステム、その他）を含むことができる。
ルータ１１０は好ましくは、データ（例えば、インスタンス、画像、スタディ、シリーズ、その他）を画像診断モダリティ、好ましくは一次医療地点（例えば、スポーク、ハブ、その他）の画像診断モダリティ（例えば、ＣＴスキャナ、ＭＲＩスキャナ、超音波装置、その他）から受信するように構成されるが、追加的又は代替的に、二次医療地点（例えば、ハブ、スポーク、その他）、複数の医療地点、又は他の何れの医療施設にあってもよい。ルータは、画像診断モダリティに何れの適当な方法（例えば、ワイヤ接続、ワイヤレス接続、その他）でも連結できる（例えば、直接接続される、ＰＡＣＳサーバを介して間接的に接続される、その他）。追加的又は代替的に、ルータ１００は、医療施設のＰＡＣＳアーキテクチャ、又は何れの医療地点若しくは医療施設のその他のサーバ若しくはＤＩＣＯＭ適合デバイスに接続することもできる。
幾つかの変形形態において、ルータは、コンピューティングシステム（例えば、コンピュータ、ワークステーション、ユーザデバイス、その他）、画像診断モダリティ（例えば、スキャナ）、サーバ（例えば、ＰＡＣＳサーバ、第一の医療施設のサーバ、第二の医療施設のサーバ、その他）、又はその他のシステム上で動作する仮想マシンを含む。具体的な例では、ルータは仮想マシンサーバの一部である。他の具体的な例では、ルータはローカルサーバの一部である。
３．２ システム−リモートコンピューティングシステム１２０
システム１００はリモートコンピューティングシステム１２０を含むことができ、これは、データパケット（例えば、ルータからのデータセット）を受信して処理し、治療の選択肢を特定し（例えば、二次医療地点を選択する、専門医を選択する、その他）、ユーザデバイス（例えば、携帯機器）とやり取りし、データパケットを圧縮し、メタデータをデータパケットから抽出及び／又は削除し（例えば、規制当局の指示に従うため）、又は他のあらゆる適当な機能を実行するように機能できる。
好ましくは、方法２００の一部がリモートコンピューティングシステム（例えば、クラウドベース）で実行されるが、追加的又は代替的に、方法２００のすべてをリモートコンピューティングシステムで実行でき、方法２００は他の何れの適当なコンピューティングシステムでも実行できる。他の変形形態において、リモートコンピューティングシステム１２０は、技術的サポートのため（例えば、クライアントアプリケーションのため）及び／又はアナリティクスのためのインタフェースを提供する。幾つかの変形形態において、リモートコンピューティングシステムはストレージを含み、ルックアップテーブルを保存及び／又はそれにアクセスするように構成され、ルックアップテーブルは、治療の選択肢（例えば、二次医療地点）、二次医療地点に関連付けられる連絡先、及び／又は他のあらゆる適当な情報を特定するように機能する。
幾つかの変形形態において、リモートコンピューティングシステム１２０は、複数の医療施設に（例えば、クライアントアプリケーションを通じて、メッセージングプラットフォームを通じて、その他）接続される。
幾つかの変形形態において、リモートコンピューティングシステム１２０は、１つ又は複数の入力を受け取り、及び／又は（例えば、ユーザデバイス上で実行される、ワークステーション上で実行される、その他の）クライアントアプリケーション群をモニタするように機能する。
３．３ システム−アプリケーション１３０
システム１００は、１つ又は複数のアプリケーション１３０（例えば、クライアント、クライアントアプリケーション、デバイス上で動作するクライアントアプリケーション、その他）、例えば図５Ａ及び５Ｂに示されるアプリケーションを含むことができ、これは個別に、又は共同で１つ又は複数の出力を（例えば、リモートコンピューティングシステムから）連絡先に提供するように機能する。追加的又は代替的に、これらは個別に、又は共同で、１つ又は複数の入力を連絡先から受け取り、１つ又は複数の出力を医療施設（例えば、一次医療地点、二次医療地点、その他）に提供し、医療施設間の通信を確立し、又は他の何れの適当な機能も実行できる。
幾つかの変形形態において、アプリケーションの１つ又は複数の特徴（例えば、外観、情報の内容、表示される情報、ユーザインタフェース、グラフィカルユーザインタフェース、その他）は、どのような種類のデバイスの上でアプリケーションが動作しているか（例えば、ユーザデバイスか医療施設のデバイスか、携帯機器か静止機器か）、デバイスがどこにあるか（例えば、一次医療地点、二次医療地点、その他）、誰がアプリケーションと相互作用しているか（例えば、ユーザの識別子、ユーザのセキュリティクリアランス、ユーザの許可、その他）、又は他の何れかの特性のうちの何れか又はすべてに基づいて特定される。幾つかの変形形態において、例えば、医療施設で実行中のアプリケーションは第一の情報群（例えば、非圧縮画像、メタデータ、その他）を表示し、他方で、ユーザデバイス上で実行中のアプリケーションは第二の情報群（例えば、圧縮画像、メタデータを含まない、その他）を表示する。幾つかの変形形態において、表示されるデータの種類は、アプリケーションの識別子、携帯機器の識別子、ワークステーションの識別子、又は他のあらゆる適当な識別子のうちの何れか又はすべてに基づいて特定される。
アプリケーションの出力は、アラート又は通知（例えば、プッシュ通知、テキストメッセージ、着信、電子メール、その他）、画像群、画像群と相互作用するツールセット（例えば、パンニング、ズーミング、回転、ウィンドウレベリング、スクロール、最大値投影処理、３Ｄスキャンの方向変更、その他）、メッセージングプラットフォーム（例えば、テキスト、ビデオ、その他）、電気通信プラットフォーム、連絡先情報のディレクトリ（例えば、一次医療地点の連絡先情報、二次医療地点の連絡先情報、その他）、ワークフロー若しくは活動の追跡（例えば、患者の状態／ワークフロー／その他のリアルタイム又は準リアルタイム更新）、追跡に基づく、若しくはこれに関するアナリティクス（例えば、放射線診断ワークフローの予想残り時間又は脳卒中が特定の重篤度に到達するまでの予想時間、ワークフローの平均時間、二次医療地点までの平均搬送時間、その他）、又は他のあらゆる適当な出力のうちの何れか又は全部を含むことができる。
入力は、上述の出力、タッチ入力（例えば、タッチセンサ式表面で受信）、音声入力、光入力、又は他のあらゆる適当な入力の何れか又は全部を含むことができる。入力群は好ましくは、連絡先からの出力受信を示す入力を含む。これは、連絡先からの能動的入力（例えば、連絡先がアプリケーションで選択を行う）、受動的入力（例えば、既読通知）、又はその他の入力を含むことができる。
１つの変形形態において、システム１００は、携帯機器アプリケーション１３０とワークステーションアプリケーション１３０を含み、これらはどちらもリモートコンピューティングシステムに接続され、共通のユーザ識別子（例えば、専門医のアカウント、ユーザアカウント、その他）を使ってアプリケーションに接続し（例えば、症例、画像群を検索する、その他）、各アプリケーションにおいて表示すべき情報（例えば、画像データセットのバリエーション）を特定できる。１つの例では、表示すべき情報（例えば、圧縮画像、高分解能画像、その他）は、システムの種類（例えば、携帯機器、ワークステーション）、アプリケーションの種類（例えば、携帯機器のアプリケーション、ワークステーションのアプリケーション）、ユーザアカウント（例えば、許可、その他）、他の何れかの適当な情報に基づいて特定でき、又はそれ以外の方法で特定できる。
アプリケーションは、分析のための何れの適当なアルゴリズム又はプロセスを含むこともでき、方法２００の一部又は全部はアプリケーションに関連付けられるプロセッサにより実行できる。
アプリケーションは好ましくは、フロントエンドコンポーネント（例えば、ユーザデバイス上で実行されるアプリケーション、ワークステーション上で実行されるアプリケーション、その他）とバックエンドコンポーネント（例えば、ソフトウェア、リモートコンピューティングシステムでの処理、その他）の両方を含むが、追加的又は代替的に、フロントエンド又はバックエンドコンポーネントだけ、又は何れかの適当なシステム上に実装される何れかの数のコンポーネントを含むことができる。
３．４ システム−その他のコンポーネント
システム１００及び／又はシステム１００の何れのコンポーネントも、任意選択により、動作のための何れの適当なコンポーネントを含み、又はそれに連結することもでき、これは例えば、処理モジュール（例えば、プロセッサ、マイクロプロセッサ、その他）、制御モジュール（例えば、コントローラ、マイクロコントローラ）、パワーモジュール（例えば、電源、バッテリ、充電式バッテリ、主電源、インダクティブ充電器、その他）、センサシステム（例えば、光センサ、カメラ、マイクロフォン、モーションセンサ、位置センサ、その他）、又は他のあらゆる適当なコンポーネントであり、これらに限定されない。
３．５ システム−変形形態
１つの変形形態において、システムはルータ１１０を含み、これは一次医療地点のコンピューティングシステムで動作し、画像データを画像診断モダリティから受信する。ルータは、画像データをリモートコンピューティングシステムに転送し、リモートコンピューティングシステムで一連のアルゴリズム（例えば、機械学習アルゴリズム）が実行され、これは疑わしい状態が存在するか否かの仮定を画像データ及び／又は何れかの関連付けられるメタデータに基づいて特定する。この特定に基づいて、連絡先がルックアップテーブル（例えば、リモートコンピューティングシステムに保存される）から特定され、この連絡先にユーザデバイス（例えば、パーソナル機器）で通知され、ユーザデバイスで実行されるクライアントアプリケーションを通じて画像データが転送される。アプリケーションにおける連絡先からの１つ又は複数の入力はリモートコンピューティングシステムで受信でき、これは患者のための次の医療地点を特定するために使用できる。
４．方法
図２に示されるように、方法２００は、データパケットに関連付けられるパラメータを特定するステップＳ２２０と、パラメータに基づいて治療の選択肢を特定するステップＳ２３０と、情報を二次医療地点に関連付けられる機器に転送するステップＳ２５０と、を含む。追加的又は代替的に、方法２００は、データセットを一次医療地点で受信するステップＳ２０５、データをリモートコンピューティングシステムに転送するステップＳ２０８、分析のためにデータパケットを準備するステップＳ２１０、転送のためにデータパケットを準備するステップＳ２４０、データを集約するステップＳ２６０、又は何れかの適当な順序で実行される他の何れかの適当なステップのうちの何れか又は全部を含むことができる。
方法２００は好ましくは、標準的放射線診断ワークフローとは別に、ただしそれと平行に（例えば、それと同時点で、又は同時に、その他）行われる（例えば、図３に示されるとおり）が、追加的又は代替的に、標準的ワークフローの中で行われ、標準的ワークフローに関して別のタイミングで行われ、又は何れの適当なタイミングで行われることも可能である。
方法２００は、部分的又は全体的にシステム１００で、又は他の何れの適当なシステムで実行することもできる。
方法２００は、医療施設ネットワーク（例えば、脳卒中ネットワーク、スポーク及びハブ、その他）間の通信を改善し、緊急を要する状態（例えば、脳の状態、脳卒中、虚血性脳卒中、急性主幹動脈閉塞症（ＬＶＯ：ｌａｒｇｅ ｖｅｓｓｅｌ ｏｃｃｌｕｓｉｏｎ）、心臓の有害事象、外傷、その他）が疑われる患者を一次医療地点（例えば、スポーク、非専門施設、脳卒中センタ、救急車、その他）から二次医療地点（例えば、ハブ、専門施設、包括脳卒中センタ、その他）に搬送するのに必要な時間を短縮するように機能し、二次医療地点は、患者を治療する設備を備えた医療施設を指す。幾つかの変形形態では、第二の治療地点は一次医療地点であり、この場合、患者は患者自身が最初にいた医療施設で治療される。
方法２００は好ましくは、平行ワークフローツールとして機能し、この場合、平行ワークフローは標準的放射線診断ワークフロー（例えば、放射線診断キュー）と同時点で（例えば、それと同時に、その最中に、部分的にその最中に）実行されるが、追加的又は代替的に、標準的ワークフローの中に（例えば、標準的ワークフロープロセスの一部を自動化するため、標準的ワークフロープロセスの実行に必要な時間を短縮するため、その他）組み込まれても、放射線診断ワークフローとは別のワークフローの最中に（例えば、ルーチンの検査ワークフローの中で）、又は他の何れの適当なタイミングで行われてもよい。
方法２００は好ましくは、患者が一次医療地点に現れたことに応答して行われる。一次医療地点は救急現場（例えば、救急救命室、救急車、画像診断センタ、その他）、又は前述のようなあらゆる適当な医療施設とすることができる。患者は典型的に、緊急を要する状態、例えば神経血管の状態（例えば、脳卒中、虚血性脳卒中、梗塞、主幹動脈閉塞症（ＬＶＯ）、血栓、動脈瘤、その他）、心臓の有害事象若しくは状態（例えば、心血管の状態、心臓発作、その他）、外傷（例えば、急性外傷、失血、その他）、又はその他の緊急を要する（例えば、生命にかかわる）状態を呈する（又は呈する疑いがある）。他の変形形態では、方法は、通常の医療現場（例えば、非救急現場、クリニック、画像診断センタ、その他）に送られる患者のために、例えば通常の検査、スクリーニング、診断、画像診断、クリニックでの参照、検査機関での検査（例えば、血液検査）のため、又はその他の何れかの理由のために実行される。
方法の何れか又は全部は、何れの数の深層学習（例えば、機械学習）モジュールを使用して実行することもできる。各モジュールは、教師付き学習（例えば、ロジスティクス回帰を使用、誤差逆伝搬法によるニューラルネットワークを使用、ランダムフォレストを使用、決定木、その他）、教師無し学習（例えば、Ａｐｒｉｏｒｉアルゴリズムを使用、Ｋ平均法クラスタリングを使用）、半教師あり学習、強化学習（例えば、Ｑ学習アルゴリズムを使用、時間的差分学習を使用）、及び他のあらゆる適当な学習スタイルの１つ又は複数を利用できる。複数のうちの各モジュールは、回帰アルゴリズム（例えば、最小二乗回帰、ロジスティクス回帰、ステップワイズ回帰、多変量適応型回帰スプライン、局所推定スキャッタープロット平滑化法、その他）、インスタンスベース方式（例えば、ｋ近傍法、学習ベクトル量子化、自己組織化マップ、その他）、正則化法（例えば、リッジ回帰、Ｌａｓｓｏ、ｅｌａｓｔｉｃ ｎｅｔ、その他）、決定木学習法（例えば、ＣＡＲＴ、ｉｔｅｒａｔｉｖｅ ｄｉｃｈｏｔｏｍｉｓｅｒ３、Ｃ４−５、ＣＨＡＩＤ、決定株、ランダムフォレスト、多変量適応型回帰スプライン、勾配ブースティングマシン、その他）、ベイジアン法（例えば、単純ベイズ、ＡＯＤＥ、ベイジアンネットワーク、その他）、カーネル法（例えば、サポートベクトルマシン、放射基底関数、線形判別分析、その他）、クラスタリング法（例えば、ｋ平均法クラスタリング、期待値最大化、その他）、関係するルール学習アルゴリズム（例えば、Ａｐｒｉｏｒｉアルゴリズム、Ｅｃｌａｔアルゴリズム、その他）、人工神経ネットワークモデル（例えば、パーセプトロン法、誤差逆伝搬法、ホップフィールドネットワーク法、自己組織化マップ法、学習ベクトル量子化法、その他）、深層学習アルゴリズム（例えば、制限付きボルツマンマシン、ディープビリーフネットワーク法、畳み込みネットワーク法、ｓｔａｃｋｅｄ ａｕｔｏ−ｅｎｃｏｄｅｒ法、その他）、次元削減法（例えば、主成分分析、部分的最小二乗回帰、Ｓａｍｍｏｎマッピング、多次元スケーリング、射影追跡、その他）、アンサンブル法（例えば、ブースティング、ブートストラップ回帰、ＡｄａＢｏｏｓｔ、スタッキング、勾配ブースティングマシン法、ランダムフォレスト法、その他）、及びあらゆる適当な形態の機械学習アルゴリズムのうちの１つ又は複数を利用できる。各モジュールは、追加的又は代替的に、確率的モジュール、ヒューリスティックモジュール、決定論的モジュール、又は他のあらゆる適当な演算法、機械学習法、又はそれらの組合せを利用する他のあらゆる適当なモジュールとすることができる。
各モジュールは、新たに受信した最新の測定値、動作セッション中に記録された過去の測定値、過去の動作セッション中に記録された病歴に伴う測定値に基づいて有効性確認、検証、補強、校正、若しくはそれ以外に更新でき、又は他の何れの適当なデータに基づいても更新できる。各モジュールは、１回、所定の頻度で、方法実行時に毎回、予想外の測定値を受信したときに毎回、又は他の何れの適当な頻度でも実行又は更新できる。モジュール群は、１つ又は複数のその他のモジュールと同時に、逐次的に、異なる頻度で、又は他の何れの適当なタイミングでも実行又は更新できる。各モジュールは、新たに受信した最新のデータ、過去のデータに基づいて有効性確認、検証、補強、校正、若しくはそれ以外に更新でき、又は他の何れの適当なデータに基づいても更新できる。各モジュールは、実際の結果が予想した結果と異なると判断されたことに応答して、又は他の何れの適当な頻度でも実行又は更新できる。
４．１ 方法−一次医療地点からデータを受信するステップＳ２０５
方法２００は、一次医療地点からデータ（例えば、データパケット）を受信するステップＳ２０５を含むことができ、これは、患者の状態を評価することに関連付けられるデータを収集するように機能する。
データは好ましくは、ルータ１１０で受信され、ルータは画像診断モダリティ（例えば、ＣＴスキャナ、ＭＲＩスキャナ、その他）に連結されているか、又はその一部であるコンピューティングシステム（例えば、コンピュータ、ワークステーション、品質管理（ＱＡ）ワークステーション、読影ワークステーション、ＰＡＣＳサーバ、その他）で実行される仮想マシンの形態か、又は他のあらゆる適当なルータである。追加的又は代替的に、データはリモートコンピューティングシステムで（例えば、画像診断モダリティから、データベース、ＰＡＣＳサーバ等のサーバ、インタネット検索、ソーシャルメディアから、その他）、又は他のあらゆる適当なコンピューティングシステム（例えば、サーバ）又はストレージサイト（例えば、データベース）で受信できる。幾つかの変形形態では、例えば、データのサブセット（例えば、画像データ）はルータで受信され、データの他のサブセット（例えば、患者の情報、患者の病歴、その他）はリモートコンピューティングシステムで受信される。具体的な例において、ルータで受信されたデータのサブセットは最終的に、分析のためのリモートコンピューティングシステムに転送される。
一次医療地点はスポーク施設（例えば、非専門施設）であることが多いが、代替的にハブ施設（例えば、専門施設）、移動施設、若しくは搬送手段（例えば、救急車）、又は他の何れの適当な医療施設であり得る。
Ｓ２０５は好ましくは、データ（例えば、インスタンス群の各々）が画像診断モダリティで生成されたことに応答して（例えば、その後で、それとリアルタイムで、それと実質的にリアルタイムで、所定の時間だけ遅れて、１０秒未満だけ遅れて、１分未満だけ遅れて、医療専門家により促された時に、その他）実行される。追加的又は代替的に、Ｓ２０５は、複数のインスタンスからなる群が画像診断モダリティにより生成されたことに応答して（例えば、シリーズの一部が生成された後、シリーズ全体が生成された後、スタディが生成された後、その他）、（例えば、あるインスタンスについて、あるシリーズについて、あるスタディについて、その他）メタデータタグが生成されたことに応答して、トリガ（例えば、画像リクエスト）に応答して、方法全体を通じて（例えば、患者の医療記録にアクセスされたとき、情報がサーバに入力された時、情報がサーバから読み出された時、その他）、又は他の何れの適当なタイミングでも実行できる。
Ｓ２０５は、１回のみ、又は何回も（例えば、逐次的に、方法の中の異なるタイミングで、患者の状態が進行した時に、その他）実行できる。１つの変形形態では、各インスタンスは、それが生成されたときに個別に受信される（例えば、ルータで、リモートコンピューティングシステムで、その他）。第二の変形形態では、複数のインスタンスからなる群（例えば、複数の画像、シリーズ全体、その他）が一緒に受信される（例えば、スキャンが終了した後、特定の解剖学的構成要素が画像化された後、その他）。
ルータ（例えば、仮想マシン、仮想サーバ、画像サンプリングシステム又は画像サンプリングシステムに接続されたコンピューティングシステム上で実行されるアプリケーション、その他）は、画像診断モダリティからの情報を継続的に「聞いている」（例えば、スキャニングモード、受信モードで動作している、適当なモードで動作しているラジオに接続されるか、これを含む、その他）ことができ、医療施設のワーカによる促しに応答して、特定の種類のスキャンが開始されたことに応答していて（例えば、頭部ＣＴＡスキャンが開始されたことに応答して）、又は他のあらゆる適当なトリガに応答して情報を受信できる。
画像データは好ましくは、ルータで（直接、間接、その他）データが生成された画像診断モダリティ（例えば、スキャナ）から受信される。追加的又は代替的に、画像データ又は他の何れのデータも、医療施設のＰＡＣＳサーバに関連付けられる何れのコンピューティングシステム、何れのＤＩＣＯＭ適合機器、例えばＤＩＣＯＭルータ、又は他の何れの適当なコンピューティングシステムからも受信できる。画像データは好ましくは、ＤＩＣＯＭフォーマットによるが、追加的又は代替的に、他の何れのデータフォーマットを含むこともできる。
画像データに加えて、又はその代わりに、データは血液データ、電子医療記録（ＥＭＲ）データ、非構造化ＥＭＲデータ、ヘルス・レベル・セブン（ＨＬ７）データ、ＨＬ７メッセージ、臨床ノート、又は患者の医学的状態、状態、又は病歴に関する他の何れの適当なデータを含むこともできる。
データは好ましくは、１つ又は複数のインスタンス（例えば、画像）からなる群を含み、これは組織化されていない、（例えば、インスタンス生成時間、取得時間、画像位置、インスタンス番号、固有識別子（ＵＩＤ：ｕｎｉｑｕｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）、その他の取得パラメータ若しくはメタデータタグ、解剖学的特徴、又は体内部位等に基づいて、シリーズに、スタディに、インスタンスの連続集合に）組織化された、完全な、不完全な、ランダムに配置された、又はそれ以外に配置されたものとすることができる。
各インスタンスは好ましくは、画像データセットに関連付けられるメタデータ群を含み（例えば、それでタグ付けされ）、これらは例えば１つ又は複数の患者識別情報（例えば、氏名、識別番号、ＵＩＤ、その他）、患者の一般情報（例えば、年齢、人種、性別、その他）、出現の理由（例えば、呈している症状、医学的重篤度スコア、その他）、患者の病歴（例えば、過去のスキャン、過去の診断、過去の医学的遭遇、その他）、医療記録（現在の疾病の経過、過去の病歴、アレルギー、服薬、家族歴、社会歴、その他）、スキャン情報、スキャン時間、スキャンの種類（例えば、スキャン対象の体内領域、スキャニングモダリティ、スキャナ識別情報、その他）、スキャン中の画像枚数、スキャン取得に関するパラメータ（例えば、タイムスタンプ、放射線量、ストレッチャの位置、スキャニングプロトコル、造影剤ボーラスプロトコル、その他）、又は他のあらゆる適当な情報等であり、これらに限定されない。
幾つかの変形形態において、データ（例えば、画像データ）の何れか又は全部が標準ＤＩＣＯＭプロトコルに関連付けられるメタデータでタグ付けされる。
幾つかの変形形態において、１つ又は複数のタグは、データが画像診断モダリティで生成された後に生成され、及び／又はデータに適用される。幾つかの例では、タグは、一次医療地点に関連付けられる識別情報（例えば、一次医療地点の場所、画像診断モダリティの識別情報、その他）であり、これは患者の位置を特定するために（例えば、患者を迅速に搬送し、専門医に対して誰に連絡すべきか、又はどこに患者がいるかを知らせる、その他のために）二次医療地点により読み出されることが可能である。
追加的又は代替的に、画像データは関連付けられるメタデータを伴わずに受信できる（例えば、メタデータは方法の後の段階で識別される、データセットが方法の後の段階でメタデータに後に個人的にタグ付けされる、その他）。
データは（例えば、ルータにおいて）ワイヤ接続（例えば、ローカルエリアネットワーク（ＬＡＮ）接続）、ワイヤレス接続を通じて、又は接続及び情報パスとの何れの組合せを通じても受信できる。
幾つかの変形形態において、画像は標準的な脳卒中プロトコルに応答して画像診断モダリティ（例えば、ＣＴスキャナ）で生成される。
４．２ 方法−データをリモートコンピューティングシステムに転送するステップＳ２０８
方法は、データをリモートコンピューティングシステム（例えば、リモートサーバ、ＰＡＣＳサーバ、その他）に転送するステップＳ２０８を含むことができ、これは、データの遠隔処理、データセットのロバストプロセス、又は高速処理（例えば、臨床ワークフローで行われる分析より高速、標準放射線診断ワークフローで行われるより高速、２０分未満、１０分未満、７分未満の処理、その他）を可能にするように機能する。
データ（例えば、画像データ、画像データとメタデータ、その他）は好ましくは、医療施設、さらに好ましくは患者が最初に出現した医療施設（例えば、一次医療地点）に関連付けられるコンピューティングシステム（例えば、スキャナ、ワークステーション、ＰＡＣＳサーバ、その他）に接続されたルータ（例えば、スキャナ上で動作する仮想マシン）からリモートコンピューティングシステムに転送されるが、追加的又は代替的に、何れの医療施設、コンピューティングシステム、又はストレージサイト（例えば、データベース）からも転送できる。
データベース（例えば、画像データセット）の各インスタンス（例えば、画像）は好ましくは、それが画像診断モダリティで生成されたとき、及び／又はルータで受信されたときに個別に送信されるが、追加的又は代替的に、複数のインスタンスが、所定の群（例えば、シリーズ、スタディ、その他）が生成された後、所定の時間が経過した後（例えば、インスタンスは１０秒ごとに送信される）、医療専門家が促したとき、又は他の何れかの適当なタイミングで一緒に送信されてもよい。さらに追加的又は代替的に、インスタンスがリモートコンピューティングシステムに送信される順序は、これらのインスタンスの１つ又は複数の特性（例えば、メタデータ）によって決定できる。Ｓ２０８は、１回でも、又は複数回でも（例えば、各インスタンスが生成された後に）実行できる。
Ｓ２０８は、データセットの全部（例えば、画像データセットとメタデータ）、データセットの一部（例えば、画像データセットのみ、画像データセットとメタデータのサブセット、その他）、又は他の何れの情報若しくは追加情報（例えば、補足的ユーザ情報等の補足情報）を送信することを含むことができる。
データは好ましくは、安全なチャネルを通じて、さらに好ましくはエラー補正を提供するチャネルを通じて（例えば、一次医療地点のＴＣＰ／ＩＰスタックによる）送信されるが、代替的に、何れの適当なチャネルを通じても送信できる。
Ｓ２０８は、リモートコンピューティングシステムへのデータの送信前又は送信中に実行される何れの数の適当なサブステップを含むこともできる。これらのサブステップは、リモートコンピューティングシステムに送信される前にデータセットの何れか又は全部（例えば、患者情報）を暗号化するステップ、情報（例えば、秘密情報）を削除するステップ、データセットを追加情報（例えば、補足的患者情報、補足的スタディシリーズ、その他）で補足するステップ、データセットの何れか又は全部を圧縮するステップ、又は他の何れかの適当なプロセスを実行するステップの何れか又は全部を含むことができる。
４．３ 方法−分析のためにデータパケットを準備するステップＳ２１０
方法２００は好ましくは、分析のためにデータパケットを準備するステップＳ２１０を含み、これは、データパケットを分析するために必要な時間を短縮し、その後の分析に無関係なデータパケットを排除し、無関係なデータ（例えば、無関係な体内領域）をデータパケットから削除し、又は他の何れかの適当な機能を実行するように機能することができる。
分析のためにデータパケットを準備するステップは、インスタンス群（例えば、画像、スライス、スキャン、その他）を、好ましくはシリーズへと、しかしながら追加的又は代替的にスタディへと、又は他の何れの適当な画像集合へと組織化するステップを含むこともできる。組織化は好ましくは、インスタンス群が（例えば、画像診断モダリティで）生成されたことに応答して実行されるが、追加的又は代替的に、インスタンス群をある場所（例えば、ルータ、リモートコンピューティングシステム、ＰＡＣＳサーバ等のサーバ、その他）で受信したことに応答して、個人（例えば、医療従事者）の要求に応じて、トリガに応答して、また他の何れの適当なタイミングでも実行できる。追加的又は代替的に、インスタンス群は、方法の中で（例えば、同じ組織化方式／メタデータに基づいて、異なる組織化方式／メタデータに基づいて、その他）何度も行うことができる。組織化は、リモートコンピューティングシステム、医療施設のコンピューティングシステム、仮想マシン（例えば、医療施設のコンピューティングシステム上で動作する）、又は物理的でも仮想でも、ローカル（例えば、医療施設で）でもリモートでも、他のあらゆる適当なコンピューティング又は処理システムで行うことができる。画像群は好ましくは、メタデータ群に基づいて組織化される（例えば、メタデータタグ、従来のＤＩＣＯＭメタデータタグ、その他）が、追加的又は代替的に、他の何れの適当な方法でも組織化できる（例えば、受信時刻、重要度等により組織化される）。１つの変形形態では、画像群は、メタデータ群に基づいてシリーズへと組織化され、この場合、シリーズは、アキシャルシリーズで撮影された画像、各々がｔｈｉｎ−ｓｌｉｃｅ（例えば、０．６２５ミリメートル（ｍｍ）又はそれより薄い）に対応する画像、撮り損なったスライスがないこと（例えば、隣接画像間にスライス番号の飛びがないこと）、シリーズ全体を通じて一貫したピクセル間隔、及び整列されたインスタンス番号と位置のうちの何れか又は全部に対応するメタデータを有する画像から形成される。追加的又は代替的に、他の何れのメタデータもシリーズの特定に使用できる。
幾つかの変形形態では、方法は、メタデータ群の１つ又は複数か満たされない場合、データパケット（例えば、インスタンス群）をその後の処理から除外するステップを含み、これは例えば上述のメタデータであるが、これらに限定されない。
データパケットを準備するステップは、追加的又は代替的に、インスタンス群（例えば、シリーズ）の中の１つ又は複数の内容又は特徴等のデータの抽出を含むことができ、これは方法の１つ又は複数の残りのステップの演算コストと時間を（例えば、１つ又は複数のインスタンスの中の無関係の特徴を削除することによって）削減するように機能できる。これは、ピクセルに基づく方式、ボクセルに基づく方式、非画像データ（例えば、血液検査の結果）の１つ又は複数の所定の閾値との比較、又は他の何れの適当な方法のうちの何れか又は全部を含むことができる。データは好ましくは、データパケットが（例えば、シリーズに）組織化された後に抽出されるが、追加的又は代替的に、データパケットが組織化されなくても、トリガに応答して、方法を通じた複数のステップ及び／又は複数の時点で（例えば、第一の内容を抽出し、その後、その内容のサブセットを抽出する）、又は方法の中の他の何れかのタイミングで行うことができる。データは好ましくは、リモートコンピューティングシステム（例えば、１つのコンピューティングシステム）で抽出されるが、追加的又は代替的に、何れの適当なコンピューティングシステムでも行うことができる。データは、ＨＵ値の閾値、フォトマスク、膨張、収縮、又は他の何れかの技術のうちの何れか又は全部に基づいて抽出できる。
患者が脳卒中の症状又は状態（例えば、急性主幹動脈閉塞症）を伴って現れたことを含む幾つかの変形形態において、これは画像の中のソフトマター（例えば、脳組織、脳脊髄液、血液、その他）に対応する部分を抽出するステップ、及び／又は画像の中のハードマター（例えば、骨、頭蓋骨、その他）に対応する部分を除去するステップを含むことができる。これは好ましくは、ソフトマターは低いハンスフィールド単位（ＨＵ）値群に対応し、それが高いＵＶ値群に対応する周囲のハードマター（例えば、骨、頭蓋骨）から区別されるという事実を利用して行われる。
具体的な例において、骨マスクは所定の閾値（例えば、７５０ＨＵ、７００ＨＵ、８００ＨＵ、６００ＨＵ〜９００ＨＵ、その他）より高いＨＵ値を有するボクセル群として特定され、画定される。骨マスクはすると、大きさが増大する一連のカーネルで膨張処理され、最終的に低いＨＵ値の（例えば、所定の閾値より低い）ボクセル群を完全に取り囲み、それによってソフトマターマスクが画定される。ソフトマターマスクは、骨マスクの膨張を補償するために膨張処理される。ソフトマターマスクを画定するプロセスで画定できなかった場合、それは、以前に頭蓋骨に開頭術が行われたことを示す可能性があり、これは診断の特定、連絡先又は二次医療地点への連絡、又は方法の中の他の何れかのタイミングで使用できる。ソフトマターマスクが膨張処理されると、このマスクはインスタンス群（例えば、組織化されたインスタンス群、シリーズ、その他）に適用でき、マスクの外のボクセルのＨＵ値がゼロに設定される。
データパケットを準備するステップは好ましくは、インスタンス群の中の１つ又は複数の除外基準を評価するステップを含み、これはインスタンス群が方法の残りの部分での評価に関係するか否かを検証し、無関係のインスタンス群を除去することによって時間及び／又は資源を節約し、１つ又は複数の除外基準に対応するインスタンス群を医療施設内の他のワークフローに送り、又は他の何れかの適当な機能を実行するように機能できる。代替的に、方法は部分的又は全体的にインスタンス群の全てを処理できる。除外基準は好ましくは、データが抽出された後に（例えば、処理時間を短縮するために）適用されるが、追加的又は代替的に、データの抽出が行われる前に、若しくは行われなくても、方法を通じて何度も（例えば、インスタンス群の処理の程度に応じて異なる除外基準が適用される）、又は方法の中の他の何れの適当なタイミングでも実行できる。除外基準についてデータを評価するステップは好ましくは、リモートコンピューティングシステムで行われるが、追加的又は代替的に、他の何れのコンピューティングシステムでも実行できる。
除外基準は好ましくは、インスタンス群の１つ又は複数におけるアーチファクトの存在（例えば、金属アーチファクト、動脈瘤クリップ、その他）、画像診断モダリティにおけるインスタンス群の不適当な撮影タイミング（例えば、ボーラスのタイミングが早すぎる、タイミングが不適切である、その他）、インスタンス群の中の１つ又は複数の不完全な領域（例えば、特徴、解剖学的特徴、その他）の存在（例えば、不完全な頭蓋骨、不完全な血管、不完全なソフトマター領域、その他）、不適当なスキャンの種類又は部位（例えば、頭部以外のＣＴスキャン、非造影ＣＴスキャン、その他）、品質の悪い画像（例えば、ぼけた画像、低いコントラスト、その他）、スキャン中の患者の動き、又は他の何れかの適当な除外基準のうちの何れか又は全部を含む。
１つの変形形態において、インスタンス群（例えば、画像、シリーズ、その他）が評価され、アーチファクトが存在するか否かが特定され、アーチファクトが見つかった場合、そのインスタンス群は方法のその後のステップから除外される。具体的な例では、方法は、ソフトマターマスク内のボクセルのＨＵ値を検査するステップを含み、所定の閾値（例えば、３０００ＨＵ、２０００〜４０００ＨＵ、その他）より高い値を有するボクセルは金属アーチファクト（例えば、動脈瘤クリップ）であると特定される。
第二の変形形態では、インスタンス群が評価され、画像診断モダリティにおけるインスタンス群の生成中のボーラスタイミングが不良であったか否かが特定される。具体的な例では、ソフトマターマスクは広いカーネルで収縮され、これは骨ボクセルに起因する部分容積効果による潜在的な高ＨＵボクセルを除去するように機能する。収縮マスク内のボクセルのＨＵ値が検査され、所定の閾値（例えば、１００ＨＵ、１０〜２００ＨＵ、その他）より高い値を有するボクセルの数が計数され（例えば、容積に相関させられる）、それを使ってスキャンのタイミングが早すぎたか否かを判断できる。スキャンのタイミングが早すぎた場合、例えば、造影ＣＴスキャンにおけるコントラスト（例えば、造影剤、色素、その他）がソフトマターの中には見られないはずであり、ボクセルの典型的なＨＵ値は所定の閾値未満（例えば、１００ＨＵ未満）となるであろう。所定の閾値より大きい値を有するボクセルの総容積が所定の容積閾値（例えば、１０ｃｃ、２０ｃｃ、５ｃｃ、その他）より小さい場合、インスタンス群（例えば、シリーズ）は、不良なボーラスタイミング（例えば、スキャンが早く行われすぎた）に基づいて拒絶できる。幾つかの具体的な例では、このプロセスは選択的に（例えば、脈絡叢又は松果体の石灰化を造影剤と見間違えるのを避けるために、ソフトマターの前方部分のみに）適用される。
第三の変形形態において、インスタンス群が評価され、解剖学的特徴が不完全か、又はそのインスタンス群にないかが特定される。具体的な例では、インスタンス群は評価され、完全な、又はほぼ完全な（例えば、面積又は容積が所定の閾値より大きい）頭蓋骨が存在するか否かが判断される。これは、特定のスライス（例えば、最も上のスライス）の中の大脳ソフトマターの総面積を検査するステップを含むことができ、総面積が所定の閾値（例えば、８０平方センチメートル、９０平方センチメートル、７０〜１００平方センチメートル、その他）を超えれば、そのインスタンス群は不完全であるとして除外される。
Ｓ２１０は、１つ又は複数のレジストレーションステップ（例えば、画像レジストレーションステップ）を含むことができ、インスタンス群の何れか又は全部（例えば、インスタンス群から抽出されたソフトマター）が参照インスタンス群（例えば、参照シリーズ）と位置合わせされ、これはインスタンス群を整列、スケーリング、校正、又はそれ以外に調整するように機能できる。レジストレーションステップは好ましくは、データパケットが除外基準群によりフィルタリングされたことに応答して行われるが、追加的又は代替的に、フィルタリングの前、若しくはそれが行われなくても、方法全体を通じて何回も、又は他の何れの適当なタイミングでも実行できる。
レジストレーションステップは、強度ベース、特徴ベース、又は他の何れの種類とすることもでき、点マッピング、特徴マッピング、又は他の何れかの適当なプロセスのうちの何れか又は全部を含むことができる。参照インスタンス群は好ましくは、訓練セットから特定されるが、代替的に、何れの適当なデータセットからも特定でき、コンピュータにより生成でき、又はそれ以外の方法で特定できる。参照シリーズは、向き、大きさ、三次元位置決め、明瞭性、コントラスト、又は他の何れかの特徴のうちの何れか又は全部について選択できる。１つの変形形態において、参照シリーズは訓練セットから選択され、参照シリーズは、特徴パラメータ（例えば、最大頭蓋骨等の最大の特徴サイズ、最小特徴サイズ、その他）、及び／又はアラインメントの程度（例えば、最大アラインメント、所定の閾値を超えるアラインメント、その他）に基づいて選択される。追加的又は代替的に、参照シリーズを特定するために他の何れの基準も使用でき、参照シリーズはランダムに選択され、複数のインスタンス群（例えば、複数の患者シリーズ）を集約することから形成され、又は他の何れの適当な方法でも特定できる。幾つかの変形形態において、レジストレーションは、１つ又は複数の特定のソフトウェアパッケージ（例えば、ＳｉｍｐｌｅＥｌａｓｔｉｘ）を用いて実行される。特定の例では、レジストレーションは、所定の（例えば、デフォルト）パラメータセットと、各レジストレーションステップにおける反復（例えば、４０９６回の反復、３０００〜５０００回の反復、１０００回を超える反復、１００回を超える反復、その他）を用いるアフィンレジストレーション（例えば、ＳｉｍｐｌｅＥｌａｓｔｉｘ）を通じて実行される。
１つの変形形態において、頭蓋骨を除去したシリーズ（例えば、ソフトマターが抽出されたシリーズ）が訓練セットから選択された参照シリーズに位置合わせされ、その参照シリーズは、そのインスタンスセットの中でそれが大きい頭蓋骨サイズと高いアラインメント程度を有することに基づいて選択された。
第二の変形形態において、頭蓋骨を除去したシリーズは、シリーズ群の集約から形成された参照シリーズと位置合わせされる。
追加的又は代替的に、データパケットを準備するステップは、他の何れの適当なステップも含むことができる。
４．４ 方法−データパケットに関連付けられるパラメータを特定するステップＳ２２０
方法２００は好ましくは、データパケットに関連付けられるパラメータを特定するステップＳ２２０（例えば、図４に示される）を含み、これは、患者の状態を評価するように機能し、これはその後、方法２００の残りの部分に知らされる。追加的又は代替的に、Ｓ２２０は、患者を二次医療地点に搬送するための時間を短縮し、状態の進行を食い止め、又は他の何れの適当な機能も行うように機能できる。Ｓ２２０は好ましくは、全体的にリモートコンピューティングシステム（例えば、リモートサーバ、クラウドベースサーバ、その他）で、さらに好ましくはグラフィクス処理ユニット（ＧＰＵ）を有するリモートコンピューティングシステムで実行されるが、追加的又は代替的に、部分的に他の何れの適当なリモートコンピューティングシステムでも実行でき、部分的又は全体的にローカルコンピューティングシステム（例えば、ワークステーション）、サーバ（例えば、ＰＡＣＳサーバ）、ユーザデバイスのプロセッサで、又は他の何れのシステムでも実行できる。Ｓ２２０は好ましくは、部分的又は全体的に、１つ又は複数のアルゴリズム、さらに好ましくは訓練された（例えば、機械学習を通じて訓練される、深層学習を通じて訓練される、連続的に訓練される、その他）、又は訓練されていない（例えば、ルールに基づく画像処理アルゴリズム又はヒューリスティクス）の何れかであるステップを含む、１つ又は複数のマルチステップアルゴリズムを含むソフトウェアを使って実行される。追加的又は代替的に、何れのソフトウェアも実装できる。
Ｓ２２０は好ましくは、データパケット内で、さらに好ましくは位置合わせされた画像シリーズの中で、しかし代替的にあらゆる適当な画像データセットの中で、解剖学的特徴を識別する（例えば、位置特定、分離、測定、定量化、その他）ステップＳ２２２を含む。これは、何れの数のコンピュータビジョン技術、例えば物体認識、物体認知、物体検出、又は他の何れの形態の画像分析を通じても実行できる。幾つかの変形形態では、解剖学的特徴分析は少なくとも部分的に画像セグメンテーションを通じて行われ、セグメンテーションは、二値化処理、クラスタリング方式、デュアルクラスタリング方式、圧縮ベース方式、ヒストグラムベース方式、リージョングローイング方式、偏微分方程式に基づく方式、変分法的方式、グラフ分割方式、ｗａｔｅｒｓｈｅｄ ｔｒａｎｓｆｏｒｍａｔｉｏｎ、モデルベースセグメンテーション、マルチスケールセグメンテーション、半自動セグメンテーション、訓練型セグメンテーション、又は何れかの適当な形態のセグメンテーションのうちの何れか又は全部を含む。方法は、追加的又は代替的に、何れの数のセグメンテーション後処理ステップも含むことができ、これは例えば二値化処理、接続性分析、又は他の何れの処理も含むことができる。セグメンテーションは好ましくは、畳み込みニューラルネットワーク（ＣＮＮ）を用いて、さらに好ましくは、フィードフォワード深層ＣＮＮ（例えば、三次元畳み込み、二次元畳み込み等を用いる）を用いて行われるが、追加的又は代替的に、何れの適当なアルゴリズム又はプロセスでも実行できる。
脳卒中（例えば、虚血性脳卒中、ＬＶＯ、その他）を含むような変形形態において、解剖学的特徴は、１つ又は複数の血管（例えば、動脈、大動脈ペア、その他）、例えば内頚動脈（ＩＣＡ：ｉｎｔｅｒｎａｌ ｃａｒｏｔｉｄ ａｒｔｅｒｙ）（例えば、ＩＣＡ遠位部（ｔ−ＩＣＡ））、中大脳動脈（ＭＣＡ：ｍｉｄｄｌｅ ｃｅｒｅｂｒａｌ ａｒｔｅｒｙ）、又は他の何れの血管若しくは他の解剖学的特徴とすることもできる。追加的又は代替的に、解剖学的特徴は、ソフトマター（例えば、脳組織）、ハードマター（例えば、骨）、又は他の何れの特徴とすることもできる。他の変形形態では、解剖学的特徴は、心臓の一部（例えば、血管、動脈、葉、その他）、骨（例えば、骨折）、又は人体の他の何れの部分とすることもできる。
Ｓ２２２は好ましくは、画像データ（例えば、シリーズ）が参照シリーズと位置合わせされた後で実行されるが、追加的又は代替的に、レジストレーションステップの前、若しくはそれがなくても、トリガに応答して、方法全体を通じて何度も、又は他の何れの適当なタイミングでも実行できる。
脳卒中（例えば、虚血性脳卒中、血管閉塞、ＬＶＯ、その他）を呈する患者の場合のような幾つかの変形形態において、大血管領域（例えば、ｔ−ＩＣＡ及びＭＣＡ−Ｍ１セグメント）が分割される。
他の変形形態では、血管内の解剖学的特徴（例えば、血栓、動脈瘤、その他）が識別される。具体的な例では、例えば、凝血塊が分割される。分割された凝血塊は、評価し（例えば、方法２００の他のプロセスを使用）、例えば凝血塊の１つ又は複数のパラメータ（例えば、大きさ、長さ、体積、その他）を特定し、その１つ又は複数のパラメータを１つ又は複数の所定の閾値（例えば、解剖学的閾値又はパラメータ）と比較できる。
また別の変形形態において、脳血管系の外の解剖学的特徴、例えば腫瘤、組織領域（例えば、梗塞組織）、腫脹領域、又は他の何れの適当な特徴も識別できる。
方法はさらに好ましくは、解剖学的特徴に関連付けられるパラメータを特定するステップＳ２２４を含み、これは解剖学的特徴を評価（例えば、定量化）するように機能する。Ｓ２２４は好ましくは、１つ又は複数のコンピュータビジョン／画像処理技術を使って行われ、これは例えば、中心線抽出、中心線延長、距離測定（例えば、特徴の両端間、中心線の両端間、その他）、大きさ測定（例えば、長さ、幅、厚さ、体積、予想質量、その他）、方向又は方位測定、強度測定のうちの何れか又は全部を含むことができ、又は他の何れの適当な測定も実行できる。
方法の幾つかの変形形態、例えば血管閉塞（例えば、ＬＶＯ）が疑われる場合に対して実行されるものにおいて、中心線の長さは中心線延長プロセスを通じて特定される。これは、バイナリマスク、ボクセル二値化、１つ又は複数のトリミングステップ、三次元並列細線化アルゴリズム、又は他の何れのプロゼスのうちの何れか又は全部を通じても実行できる。ある例において、例えば、中心線延長プロセスは、大血管中心線を１つ又は複数のボクセル（例えば、末端ボクセル、大血管閉塞の中心線の端に隣接するボクセル、中間ボクセル、ＨＵ値が所定の閾値より高いボクセル、ＨＵ値が所定の閾値より低いボクセル、ＨＵ値が所定の範囲内にあるボクセル、その他）のＨＵ値群に基づいて延長して、延長された中心線を生成するステップを含む。すると、パラメータ（例えば、中心線の長さ）を、例えば延長された中心線から計算できる。
１つの具体的な例において、中心線の長さは、血管セグメンテーションのため、例えば前述の血管セグメンテーション（例えば、確率的血管セグメンテーション）のために特定される。中心線の長さを特定するステップは、画像データからマスク（例えば、バイナリマスク）への変換、二値化、マスクから中心線への変換（例えば、三次元並列細線化アルゴリズムによる）、中心線を（例えば、所定の基準群に基づいて）延長するステップ、中心線スケルトンの融合、１つ若しくは複数の状態又は特徴（例えば、位相的、幾何学的、その他）を保持するため、前処理、後処理、又は他の何れかの適当なプロセスのうちの何れか又は全部を含むことができる。
幾つかの変形形態において、速度を最適化するために、アルゴリズム（例えば、中心線の長さを特定するための）が特定される。追加的又は代替的に、ノイズ感度又は他の何れの適当な特徴について最適化するためのアルゴリズムも選択できる。
幾つかの変形形態において、プロセスは条件群の１つ又は複数が満たされるまで繰り返される。これらの条件は、例えば、パラメータ（例えば、距離、長さ、体積、面積、ボクセル値、ピクセル値、その他）が所定の閾値と所定の方法で（例えば、それ以内、それを上回る、それを下回る、その他）で関係付けられること、プロセスがすでに所定の回数だけ（例えば、５回、１０回、その他）繰り返されたこと、又は他の何れの適当な基準も含むことができる。
幾つかの変形形態において、トリミングステップは各反復の終了時に行われて、無関係の特徴が排除される。具体的な例では、例えば、トリミングステップは、大血管を表さない短い分枝を除去（例えば、クリーニング）するために行われる。
方法は好ましくは、パラメータを閾値と比較するステップＳ２２６を含み、これは、疑われる状態を特定する（又は、代替的に除外する）ように機能する。状態は典型的に、仮定された患者の状態又は診断（例えば、ＬＶＯ、動脈瘤、脳卒中、その他）を指すが、追加的又は代替的に、重篤度（例えば、所定の重篤度スケールに基づく）、緊急性、又は他の何れの特性も含むこともできる。
Ｓ２２６は好ましくは、Ｓ２２４の後に、それに応答して実行されるが、追加的又は代替的に、方法の中の何れの適当なタイミングでも実行できる。閾値（例えば、閾値の数値）は好ましくは、臨床データ及び／又は解剖学的データ、例えば解剖学的特徴の幾何学的特徴、解剖学的特徴の大きさ（例えば、平均の大きさ、集約された大きさ、ランダムの大きさ、最適な大きさ、最大の大きさ、その他）、特徴の強度（例えば、造影剤を充填した血管）、又はその他何れの適当な特性に基づいても特定される。幾つかの変形形態では、閾値は１つ又は複数の訓練データセットに基づいて特定され、訓練セットは、方法の中で使用される１つ又は複数のアルゴリズムを開発するために使用される。
Ｓ２２６は、任意選択により、閾値を特定するステップを含むことができる。幾つかの変形形態では、閾値は、対応する解剖学的特徴の値（例えば、平均値、最高値、標準範囲の上限、最適値、その他）より大きくなるように選択され、これは、患者の状態の特定の感度を高め、偽陽性の数を増やし（例えば、偽陽性がワークフローに与える影響が無視できる程度である場合）、患者の状態の特定の特異度に影響を与え（例えば、減少させ）、又は他のあらゆる適当な機能を実行するように機能できる。１つの例において、例えば、血管の中心線の長さ（例えば、ｔ−ＩＣＡ及びＭＣＡ−Ｍ１近位部）を比較する対象の閾値は、対応する解剖学的長さ（例えば、ｔ−ＩＣＡとＭＣＡ−Ｍ１近位部の平均全長、ｔ−ＩＣＡとＭＣＡ−Ｍ１近位部の最大全長、その他）より大きくなるように選択される。代替的に、閾値は、より小さい、ほぼ平均、最適、又はそれ以外に解剖学的特徴と比較可能となるように選択できる。
方法の幾つかの変形形態、例えばＬＶＯを呈する患者において実行されるものにおいて、計算された中心線の長さが特定され、閾値の中心線長さと比較される（例えば、平均の中心線長さより大きい）。計算された中心線長さが閾値より短い場合、ＬＶＯが疑われる。中心線長さが閾値より長い場合、ＬＶＯは疑われない。これは、患者を専門医に搬送するか否かを特定し、一次医療地点における医療従事者に知らせるため、又は他の何れの適当な目的のためにも使用できる。具体的な例において、大血管領域（例えば、ｔ−ＩＣＡとＭＣＡ−Ｍ１近位部）の全長は、特定の値（例えば、５０ｍｍ、５３ｍｍ、５０ｍｍ〜６０ｍｍ、６０ｍｍ未満、７０ｍｍ未満、その他）を有するように特定され、閾値の長さは真陽性のために最適化する数値より長く（例えば、６０ｍｍ、６０ｍｍ超、その他）選択された。
幾つかの変形形態において、Ｓ２２６は、訓練ステップ中にプロセスを実行するステップを含むことができ、このプロセスは、最適な閾値を特定するために使用される。具体的な例において、例えば、１つ又は複数の受信者動作特性曲線（ＲＯＣ：ｒｅｃｅｉｖｅｒ ｏｐｅｒａｔｉｎｇ ｃｈａｒａｃｔｅｒｉｓｔｉｃ）分析が行われ、様々な潜在的閾値のためのアルゴリズムのパフォーマンスが調査され、それによって最適な閾値（例えば、エルボポイント）が特定される。
１つの変形形態において、ユーザの校正による距離閾値が、抽出された中心線の近位及び遠位部分間の距離がＬＶＯを示しているか（例えば、閾値範囲内にあるか）否かを特定するために使用される。具体的な例では、ユーザの校正による強度閾値は、部分的ＬＶＯが存在するか否かを判断するために使用される。
方法２００は、特殊ケース群の試験を行うステップをさらに含むことができ、これは、真陽性が方法の中で検出される可能性を高めるように機能できる。特殊ケース（特殊な状態）は典型的に、その状態（例えば、ＬＶＯ）のより一般的でない解剖学的又は臨床的構成に対応するが、追加的又は代替的に、インスタンス群の画像品質の低下、又は他の何れかの適当な事象に対応できる。例えば、ＬＶＯを呈する患者の幾つかの変形形態では、ＬＶＯは、中心線長さが所定の閾値より長くても存在する可能性がある。これは、解剖学的特徴のうちの１つ又は複数の特徴とそのパラメータ、例えば解剖学的特徴の向き（例えば、血管の中心線の向き）、幾何学的特徴（例えば、血管の幅）、又は特殊ケースを示す他の何れかの適当な特徴を調査するステップを含むことができる。
１つの例において、方法は、部分閉塞をチェックするステップを含む。このような場合、造影剤は依然として部分的に血管に充填され得るため、中心線が延長され、それにより中心線が所定の閾値より長くなる可能性がある。部分閉塞をチェックするステップは、中心線のボクセルのＨＵ値をすぐ隣接するボクセル群のＨＵ値と比較するステップを含むことができる。ボクセル群間に所定の閾値（例えば、２００ＨＵ）より大きい差が見られる場合、その後のステップで、ＬＶＯが検出され、及び／又は示される可能性がある。
第二の例では、方法は、胎児期起源後大脳動脈（ＰＣＡ：ｐｏｓｔｅｒｉｏｒ ｃｅｒｅｂｒａｌ ａｒｔｅｒｙ）のチェックを行うステップを含み、これは、中央線延長がＭＣＡではなくＰＣＡの中へと延びるため、胎児期起源ＰＣＡ分岐の直後に生じるＬＶＯに対応する。これは、中心線延長の向きを調べることによって検出でき、中心線が遠位方向より後方に大きく延びていると、ＬＶＯが後のステップで検出され、及び／又は示される可能性がある。
追加的又は代替的に、他の特殊なケースも何れかの適当な方法で検査できる。
４．５ 方法−治療の選択肢を特定するステップＳ２３０
方法は、好ましくはある状態が（例えば、閾値との比較に基づいて）検出された場合に、治療の選択肢を特定するステップＳ２３０を含むことができるが、追加的又は代替的に、状態が検出されないとき、分析が非決定的であるとき、又は何れの適当な状況でも治療の選択肢を特定できる。Ｓ２３０は、患者の二次医療地点（例えば、専門施設）への搬送を開始し、専門医の一次医療地点への派遣を開始し、若しくは一次医療地点における患者の治療（例えば、機械的血栓除去術）を開始し、又は他の何れかの適当な機能を実行するように機能できる。幾つかの変形形態において、治療の選択肢は、二次医療地点であり、患者を二次医療地点で治療すべきであると特定（例えば、提案、割当て、その他）される。追加的又は代替的に、治療の選択肢は処置（例えば、外科的処置、機械的血栓除去術、動脈瘤コイルの留置、ステントの留置、血栓回収、その他）、治療（例えば、組織プラスミノーゲン活性化因子（ＴＰＡ：ｔｉｓｓｕｅ ｐｌａｓｍｉｎｏｇｅｎ ａｃｔｉｖａｔｏｒ）、鎮痛剤、抗凝血剤、その他）、回復計画（例えば、物理療法、言語療法、その他）、又は他の何れかの適当な治療とすることができる。
治療は好ましくは、データパケットから特定されたパラメータと閾値との比較に基づいて特定されるが、追加的又は代替的に、追加の情報、例えば患者情報（例えば、基本情報、患者病歴、患者の治療の選好、その他）、１人又は複数の個人（例えば、代理人、担当医師、救急医、その他）からの入力、又は他の何れかの適当な情報に基づいて特定できる。
Ｓ２３０は好ましくは、少なくとも部分的に、リモートコンピューティングシステム（例えば、リモートサーバ）で動作するソフトウェアで実行されるが、追加的又は代替的に、以前のリモートコンピューティングシステムとは別のリモートコンピューティングシステム、ローカルコンピューティングシステム（例えば、ローカルサーバ、医療施設サーバに連結された仮想マシン、ＰＡＣＳサーバに接続されたコンピューティングシステム）、又は他の何れかの場所で実行できる。
Ｓ２３０は好ましくは、方法２００の中で患者の状態が特定された後に実行される。追加的又は代替的に、Ｓ２３０は、別のワークフローの中で患者の状態の特定の後（例えば、一次医療地点で、標準的放射線診断ワークフロー中に放射線科医のワークステーションで、偽陽性の場合に、その他）、患者の状態の特定の前又は特定されなくても（例えば、リモートコンピューティングシステムでの医療従事者からの入力に基づいて、患者が一次医療地点に送られた時に、その他）、方法全体の中で何度も（例えば、３０秒、１分、２分等の閾値の時間が経過した後に、最初の治療の選択肢が失敗に終わった後、最初の専門医に反応がなかった場合、その他）、又は方法の中の他の何れかのタイミングで実行できる。
Ｓ２３０は好ましくは、リモートコンピューティングシステム（例えば、クラウドコンピューティングシステム）でアクセス可能なデータベースにあるルックアップテーブルを使って治療の選択肢を特定する。追加的又は代替的に、ルックアップテーブルは、医療施設のコンピューティングシステム（例えば、ＰＡＣＳサーバ）に、ユーザデバイスのストレージに、又は他の何れかの場所に記憶できる。
他の変形形態において、治療の選択肢は、アルゴリズム（例えば、予測アルゴリズム、訓練されたアルゴリズム、その他）、個人（例えば、専門医）、決定支援ツールにより、又は他の何れかのプロセス若しくはツールを通じて特定できる。
ルックアップテーブルは好ましくは、二次医療地点（例えば、医療施設、ハブ、医師、専門医、神経血管内治療医（ｎｅｕｒｏ−ｉｎｔｅｒｖｅｎｔｉｏｎｉｓｔ）、その他）、さらに好ましくは専門医又は連絡先（例えば、管理職員、救急救命室の医師、その他）を患者の状態（例えば、ＬＶＯの存在、病理の存在、重篤度、その他）と相関させるが、追加的又は代替的に、何れかの治療の選択肢を患者の状態と相関させることができる。ルックアップテーブルはさらに、追加的又は代替的に、治療の選択肢を補足情報（例えば、患者の病歴、基本情報、ヒューリスティック情報、その他）と相関させることができる。
連絡先（例えば、医療提供者、神経血管内治療医、その他）は好ましくは、医療従事者であるが、追加的又は代替的に、患者の治療に関係する、及び／又は患者に関係のある何れかの医療施設（例えば、患者が以前いた医療施設、現在の医療施設、推奨される医療施設）に関連付けられる何れの個人とすることもできる。連絡先はさらに好ましくは、専門医（例えば、神経血管内治療専門医、神経外科医、神経血管外科医、一般外科医、心臓専門医、その他）であるが、追加的又は代替的に、専門医に関連付けられる事務職員、複数の連絡地点（順位あり、グループ、その他）、又は他の何れの適当な個人若しくは個人のグループとすることもできる。連絡先は好ましくは、ハブ施設に関連付けられ、この場合、ハブ施設は二次医療地点の選択肢として特定されるが、追加的又は代替的に、スポーク施設（例えば、現在の施設、今後の施設の選択肢、その他）、患者と関係のある個人（例えば、家族、雇用主、友人、知人、緊急連絡先、その他）又は他の何れの適当な個人若しくは実体（例えば、雇用主、保険会社、その他）とすることもできる。
ルックアップテーブルは好ましくは、複数の種類の情報に基づいて特定され、これは、位置情報（例えば、一次医療地点の場所、二次医療地点の場所、医療地点間の距離、その他）、時間情報（例えば、医療地点間の搬送時間、患者が一次医療地点に現れてからの経過時間、その他）、状態の特徴（例えば、閉塞の大きさ、状態の重篤度、その他）、患者の一般情報（例えば、年齢、健康状態全般、病歴、その他）、専門医情報（例えば、スケジュール、オンコールの時間帯、応答時間の履歴、技能レベル、経験年数、専門処置、成功歴又は処置、その他）、医療施設情報（例えば、現在の患者数、利用可能病床数、利用可能な機器、その他）であり、これらに限定されないが、追加的又は代替的に、１種類の情報に基づいて、又は他の何れかの適当な方法で特定できる。情報は、実際、推定、予想、又はそれ以外に特定若しくは収集されたものとすることができる。
位置は、幾何学的座標群（例えば、緯度と経度）、地名（例えば、国、都市、ランドマーク、交差点、その他）、物理的住所、ある位置からの距離、ある位置からの指定された半径内での存在、地図上のグラフィカル表現、又は他の何れの適当な位置表現とすることもできる。場所は、機器により提供されるＧＰＳ座標、携帯電話電波塔と公共電柱との間の三角法（例えば、支援ＧＰＳ）、Ｗｉ−Ｆｉ接続位置、ＩＰアドレス若しくはＭＡＣアドレスで実行されるＷＨＯＩＳ、ＧＳＭ／ＣＤＭＡセルＩＤ、ユーザが自己報告する位置情報に基づいて特定でき、又は他の何れの適当な方法でも特定できる。
幾つかの変形形態では、方法２００は情報（例えば、患者の状態、分析から特定されたデータ、最適なインスタンス群、シリーズ、データパケット、その他）をルックアップテーブルに関連付けられるコンピューティングシステムに送信するステップを含む。
４．６ 方法−転送のためにデータパケットを準備するステップＳ２４０
方法２００は、転送のためにデータパケットを準備するステップを含むことができ、これは、圧縮データパケットを生成し、データパケットの一部又は全部を匿名化し（例えば、患者のプライバシガイダンスに適合するため、医療保険の相互運用性と説明責任に関する法令（ＨＩＰＡＡ）の規則に適合するため、一般データ保護規則（ＧＤＲＰ）プロトコルに適合するため、その他）、データパケットの転送時間を短縮し、他の何れかの適当な機能を実行するように機能できる。追加的又は代替的に、前述のデータパケットの何れか又は全部を転送できる。
データパケットは好ましくは、（例えば、データパケットが生成された時点で、所定の遅延で、その他）連絡先に、さらに好ましくは専門医（例えば、二次医療地点に関連付けられる、一次医療地点にいる、その他）に転送されるが、追加的又は代替的に、他の医療施設の職員（例えば、一次医療地点の職員、放射線科医、その他）、個人（例えば、親族、患者、その他）、医療施設のコンピューティングシステム（例えば、ワークステーション）、サーバ若しくはデータベース（例えば、ＰＡＣＳサーバ）、又は他の何れの適当な場所にも転送できる。
Ｓ２４０は好ましくは、画像群（例えば、シリーズ）を圧縮するステップを含むが、追加的又は代替的に、画像群を圧縮されないままにし、画像群の一部（例えば、状態を示しているサブセット）を圧縮し、又はデータパケットの他の何れかの部分を圧縮することもできる。データパケットを圧縮するステップは、データパケットを携帯機器等のユーザデバイスに転送し、そこで受信し、そこで見られるように機能する。データパケットを圧縮するステップは、特定の画像領域（例えば、空気に対応する領域、ハードマターに対応する領域、コントラスト色素のない領域、無関係な解剖学的領域、その他）を取り除くステップ、ボクセル値を二値化するステップ（例えば、所定の閾値未満の全ての値は一定の値に設定され、所定の閾値より大きい全ての値は一定の値に設定され、−５００ＨＵ未満の値はすべて−５００に設定され、特定の領域に対応する全てのボクセル値は一定の値に設定され、空気に対応する全てのボクセルは所定の一定の値に設定される、その他）、各画像の大きさを縮小するステップ（例えば、画像サイズを０．９倍にする、画像サイズを０．７倍にする、画像サイズを０．５倍にする、画像サイズを０．１〜０．９倍にする、画像サイズを４分の１にする、その他）、又は他の何れの圧縮方法を通じるステップのうちの何れか又は全部を含むことができる。
１つの変形形態において、画像群の大きさの縮小は、受信機器（例えば、ユーザデバイス、携帯機器、その他）の１つ又は複数のメモリ制約に基づいて特定できる。
例えば脳の状態（例えば、ＬＶＯ）を呈する患者にかかわる場合のような幾つかの変形形態において、画像診断モダリティ（例えば、ＣＴスキャナ）において撮影された画像は、各画像の中の、空気に対応する大まかな、又は正確な領域を（例えば、ＨＵ値に基づいて、位置に基づいて、体積に基づいて、その他）特定し、空気領域（例えば、空気領域に対応するボクセル、空気領域に対応するピクセル、その他）を一定の値を有するように設定することによって圧縮される。追加的又は代替的に、圧縮中、非重要領域（例えば、骨、影響を受けていない領域、その他）又は他の領域を改変できる（例えば、一定の値に設定する、除去する、その他）。具体的な例では、例えば、空気に対応するボクセル群は、全てが共通の一定の値（例えば、上限値、下限値、０と１との間の値、所定の値、その他）を有するように設定される。
幾つかの変形形態において、Ｓ２４０は、（例えば、リモートコンピューティングシステムから）転送し、（例えば、ユーザデバイスで）受信する最適な可視化を特定するステップを含み、これは、二次医療地点（例えば、専門医）のための最適な出力を準備し、データパケットを精査するのに必要な時間を短縮し、最も関連深い画像データへと注意を向け、又は他の何れかの適当な結果を生じさせるように機能する。
幾つかの変形形態において、これは、リバースレジストレーションプロセスを含む。具体的な例において、例えば、これは最大値投影処理（ＭＩＰ）を通じて行われ、この場合、インスタンスの最適範囲が、ＭＩＰ画像の中の分割された解剖学的関心対象領域の最大のパーセンテージがどの画像に含まれているかに基づいて特定される。
追加的又は代替的に、Ｓ２４０は、メタデータ又は何れかの不必要、プライベート、機密、又は秘密情報をデータパケットから削除及び／又は改変する（例えば、暗号化する）ステップを含むことができる。幾つかの変形形態では、患者情報（例えば、患者を識別できる情報）がデータパケットから削除されて、規制ガイドラインに適合される。他の変形形態では、全てのメタデータがデータパケットから抽出され、削除される。
幾つかの変形形態において、Ｓ２４０は、データベースを（例えば、リモートサーバに、ローカルサーバに、ＰＡＣＳサーバに、その他）保存するステップを含む。１つの例において、メタデータが画像データから抽出され、画像データとは別に関係データベース内に記憶される。他の例において、データパケットの何れか又は全部が、１回又は複数の将来の分析プロセスで使用されるように（例えば、一時的に、永久的に、その他）記憶され、これは方法を改善し、患者と適当な治療の選択肢とをよりよくマッチさせるように、又は他の何れかの適当な目的のために機能できる。
幾つかの変形形態において、Ｓ２４０は、低帯域実装プロセスを適用するステップを含み、これは、専門医が最初の一片のデータ又はデータパケット（例えば、不完全なシリーズ、不完全なスタディ、１つのインスタンス、１つの画像、最適画像、閉塞を示す画像、その他）を受信するまでの時間を短縮し、専門医に患者の状態として考えられるものを知らせるのに必要な処理を減少させ、専門医が精査する必要のあるデータ量を削減し、リモートコンピューティングシステムから携帯機器へと転送されるデータの量を削減し、又は他の何れかの適当な機能を実行するように機能できる。低帯域実装プロセスは、データを組織化する（例えば、チャンク化する）ステップ（例えば、画像のシリーズを解剖学的領域に基づいてチャンク化する）、データの順番を変更するステップ（例えば、ＣＴシリーズ内のスライスの順番を変更する）、データパケット（例えば、シリーズ、スタディ、画像群、その他）の一部（例えば、１つの画像、１つのスライス、その他）を機器（例えば、ユーザデバイス、携帯機器、医療施設のワークステーション、コンピュータ、その他）に転送するステップ、データパケットの残りを（例えば、要求された場合のみ、所定の時間が経過した後、データパケットが完全に処理された後、その他）転送するステップ、又は他の何れかのプロセスのうちの何れか又は全部を含むことができる。具体的な例において、例えば、リモートコンピューティングシステムにおいてスキャナから受信した画像データ（例えば、スライス）は、チャンク化、順番変更され、１つのスライスがまず（例えば、スライス群の残りを転送する前に）、専門医に関連付けられる機器に転送される。
追加的又は代替的に、Ｓ２４０は何れの適当な順序でも実行される他の何れの適当なステップも含むことができる。
方法は追加的又は代替的に、データパケットを準備するための他の何れかの適当なサブステップを含むこともできる。
４．７ 方法−二次医療地点に関連付けられる機器に情報を転送するステップＳ２５０
二次医療地点（例えば、専門医、連絡先、その他）に関連付けられる機器に情報を転送するステップＳ２５０（例えば、図６に示される）は、一次医療地点から二次医療地点へのプルを開始するように機能し、これは、医療を施すまでの時間を短縮し、医療の質を向上させ（例えば、患者の状態と専門医とをよりよくマッチさせる）、又は他の何れかの適当な結果をもたらすことができる。好ましくは、二次医療地点はハブ施設（例えば、専門施設、介入センタ、包括スポークセンタ、その他）である。幾つかの変形形態において、一次医療地点（例えば、患者が最初に現れた医療施設）もまた二次医療地点として機能し、これは例えば、適当な専門医がその一次医療地点に関連している場合、一次医療地点がハブ（例えば、専門施設、介入センタ、包括スポークセンタ、その他）である場合、患者を搬送することが賢明でない場合（例えば、状態が極めて重篤である）、又は他の何れかの理由による。
Ｓ２５０は好ましくは、二次医療地点が特定された後（例えば、それに対応して）行われるが、追加的又は代替的に、データパケット（例えば、圧縮データパケット、暗号化されたデータパケット、その他）が特定された後に、方法全体を通じて何度も（例えば、複数の受信者へ、複数のデータパケットと共に、更新された情報と共に、第一の選択の専門医に通知が送信されてから所定の時間が経過した後に、その他）、又は方法２００の中の他の何れかのタイミングで行うこともできる。
機器は好ましくは、ユーザデバイス、さらに好ましくは携帯機器である。ユーザデバイスの例には、タブレット、スマートフォン、モバイルフォン、ラップトップ、ウォッチ、ウェアラブルデバイス（例えば、グラス）、又は他のあらゆる適当なユーザ機器が含まれる。ユーザデバイスは、電源ストレージ（例えば、バッテリ）、処理システム（例えば、ＣＰＵ、ＧＰＵ、メモリ、その他）、ユーザ出力（例えば、ディスプレイ、スピーカ、振動メカニズム、その他）、ユーザ入力（例えば、キーボード、タッチスクリーン、マイクロフォン、その他）、測位システム（例えば、ＧＰＳシステム）、センサ（例えば、光センサとカメラ等の光センサ、加速度計、ジャイロスコープ、高度計等の方位センサ、マイクロフォン等の音声センサ、その他）、データ通信システム（例えば、ＷｉＦｉモジュール、ＢＬＥ、セルラーモジュール、その他）、又は他の何れの適当なコンポーネントも含むことができる。
機器は好ましくは、二次医療地点に関連付けられる専門医又はその他の個人に関連付けられる（例えば、それによって所有される、それに帰属する、それによってアクセス可能である、その他）が、追加的又は代替的に、一次医療地点における個人若しくはコンピューティングシステム、患者、又は他の何れかの適当な個人若しくはシステムに関連付けられたものとすることができる。
１つの変形形態において、機器は専門医の個人用モバイルフォンである。他の変形形態において、機器は医療施設（例えば、一次医療地点、二次医療地点、その他）のワークステーションである。
情報は好ましくは、データパケット、さらに好ましくはＳ２４０で準備されたデータパケットを含む。追加的又は代替的に、情報は、データパケットのサブセット、原データパケット、他の何れかの画像データセット、又は他の何れかの適当なデータを含むことができる。情報は、さらに好ましくは通知を含み、この場合、通知は個人に対して機器でデータパケットを見るように促す（例えば、「緊急：見てください！」と言うメッセージ）。追加的又は代替的に、通知は個人に対して、別の機器、例えば医療施設のワークステーション、ＰＡＣＳサーバ、又は他の何れかの場所でデータ（例えば、原データパケット、非圧縮画像、その他）を見るように促すことができる。さらに追加的又は代替的に、通知は、何れの適当な情報を含むこともでき、これは例えば、指示（例えば、患者を治療するため、医療施設に到達するまでの方向）、連絡先情報（例えば、一次医療地点の救急医、管理スタッフ、その他のため）、患者情報（例えば、患者の病歴）、又は他のあらゆる適当な情報であり、これらに限定されない。
通知は好ましくは、ＳＭＳテキストメッセージを含むが、追加的又は代替的に、電子メールメッセージ、音声メッセージ（例えば、モバイルフォンに送られる録音）、プッシュ通知、電話、又は他の何れの適当な通知も含むことができる。
情報は好ましくは、ユーザデバイス上で実行されるクライアントアプリケーションを通じて機器に転送されるが、追加的又は代替的に、メッセージングプラットフォーム、ウェブブラウザ、又は他のプラットフォームを通じても転送できる。
幾つかの変形形態において、個人に対して入力を提供するように促す通知が送信され、この場合、入力は、個人が情報（例えば、画像データ）をこれから見ること、すでに見たこと、若しくは見ている最中であること、状態の存在が見られること（例えば、真陽性、重篤な状態、緊急を要する状態、その他）、状態が見られないこと（例えば、偽陽性、重篤な状態、緊急を要する状態、その他）、患者の治療を容認すること（例えば、右にスワイプ、上にスワイブ、チェックマークをクリック、その他）、患者の治療を否定すること（例えば、左にスワイプ、下にスワイプ、「ｘ」をクリック、その他）、例えばメッセージプラットフォームを通じて他の個人（例えば、一次医療地点の医療従事者、その他）と連絡したいこと、又は他の何れかの入力を示すことができる。幾つかの変形形態において、１つ又は複数の追加の通知が個人に提供され（例えば、入力の内容に基づく）、これはルックアップテーブル、オペレータ、個人、決定エンジン、又はその他のツールにより特定できる。１つの例において、例えば、個人が、状態は真陽性であることを示した場合、患者の搬送に関する情報（例えば、到着予想時間、患者の居場所に向かう方向、その他）を提供できる（例えば、搬送要請の中で行われ、この場合、例えば二次医療地点等の指定場所への患者の搬送は、搬送要請を受けたところで開始できる）。幾つかの変形形態において、データ（例えば、画像）は、ユーザが通知に対応したことに応答して（例えば、入力の受信に応答して）、ユーザデバイス（例えば、携帯機器、ワークステーション）上に表示される。しかしながら、入力は、何れの適当な動作もトリガでき、又はそれ以外の方法でも使用できる。
追加的又は代替的に、入力は、個人がデータパケットを開けた、通知を見た、又はクライアントアプリケーションに他の何れかの適当な方法で対応したときの開封通知のように、クライアントアプリケーションから自動的に受信できる。１つの例において、開封通知が（例えば、リモートコンピューティングシステムで）機器から所定の時間（例えば、１０秒）以内に受け取られない場合、２回目の通知及び／又はデータパケット（例えば、圧縮画像セット）が２番目の個人（例えば、ルックアップテーブルに基づく２番目の選択の専門医）に転送される。
幾つかの変形形態において、各種の出力をクライアントアプリケーション（例えば、ユーザ機器の）から１つ又は複数の受信者に（例えば、第二のユーザ機器に、ワークステーション上のクライアントアプリケーションに、コンピューティングシステム上で、その他）、例えば一次医療地点に関連付けられる受信者（例えば、放射線科医、救急医、その他）に転送できる。出力は、個人に関連付けられるクライアントアプリケーションで受信された入力（例えば、ケースの受入れ、真陽性の確認、その他）に基づいて、ルックアップテーブルに基づいて特定でき、又はそれ以外に特定できる。出力は好ましくは、標準的放射線診断ワークフローを変更せず（例えば、放射線科医と共有されない、放射線科医に通知されない）、これは、方法２００が本来の並列工程であり、標準的放射線診断ワークフローによって独立した患者の評価が行われるのを確実にするように機能するが、追加的又は代替的に、ワークフローを短縮し、専門医に通常より早い段階で患者のケースを担当させ、又は医療施設内の他の何れかのプロセスに影響を与えることもできる。
４．８ 方法−データを集約するステップＳ２６０
方法２００は、任意選択により、方法２００の中に含まれる、及び／又はその中で生成されるデータの集約を含む何れの数のサブステップを含むこともでき、これは、方法２００のその後の反復工程を改善する（例えば、患者と専門医をよりよくマッチさせる、患者の治療時間を短縮する、感度を高める、特異度を高める、その他）ように機能できる。集約データは好ましくは、１つ又は複数のアナリティクスステップで使用される（例えば、治療の選択肢を洗練させるため、投薬又は処置の推奨を行うため、その他）が、追加的又は代替的に、他の何れの適当な目的のためにも使用できる。
幾つかの変形形態において、例えば、方法２００の中で検査された患者の転帰が記録され、それらの対応するデータパケットと相関され、これを、選択された具体的な治療の選択肢が成功したか否かを評価し、将来のケースにおいて治療の選択肢をよりよく知らせるために使用できる。
４．９ 方法−変形形態
１つの変形形態において、方法は、方法と平行して行われる標準的放射線診断ワークフローを補強するように機能し、これはリモートコンピューティングシステム（例えば、一次医療地点から離れている）において、画像群（例えば、患者の脳の）を受け取るステップであって、画像群は、方法と平行して行われる標準的放射線診断ワークフローに同時に転送されるステップ及び、画像群から状態（例えば、大血管閉塞の可能性）を自動的に検出するステップのうちの何れか又は全部を含むことができる。状態が検出されると、方法は、標準的放射線診断ワークフローから第二の専門医を特定するステップであって、専門医が二次医療地点に関連付けられるようなステップ、放射線科医が第一の専門医に通知する前に、第二の専門医に第二の専門医に関連付けられる携帯機器上で通知するステップ、及び画像群の圧縮版を携帯機器上で表示するステップのうちの何れか又は全部を含むことができる。
具体的な例において、方法は、リモートコンピューティングシステムにおいて、患者に関連付けられるＤｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ（ＤＩＣＯＭ）脳画像群を受信するステップを含み、ＤＩＣＯＭ脳画像群は、方法と平行に行われる標準的放射線診断ワークフローにも同時に転送される。標準的放射線診断ワークフローでは、放射線科医がＤＩＣＯＭ脳画像群を分析し、ワークステーションにおけるＤＩＣＯＭ脳画像群の目視評価に基づいて専門医への通知を行い、標準的放射線診断ワークフローは第一の長さの時間を要する。方法はすると、ＤＩＣＯＭ脳画像群から大脳動脈閉塞の可能性を検出するステップを含むことができ、これはＤＩＣＯＭ脳画像群から大血管領域を識別するステップ、大血管領域から中心線を抽出するステップ、この中心線から大血管領域の中心線の長さを特定するステップ、中心線の長さを所定の閾値と比較するステップ、中心線の長さが所定の閾値より短い場合、大脳動脈閉塞の可能性を検出するステップのうちの何れか又は全部を含む。大脳動脈閉塞が検出されると、方法は、自動的に、標準的放射線診断ワークフローから専門医を特定するステップであって、専門医は二次医療地点に関連付けられるようなステップと、専門医にその専門医に関連付けられる携帯機器上で通知するステップであって、専門医には第一の長さの時間より短い第二の長さの時間内に通知され、放射線科医には大脳動脈閉塞の可能性の検出時に自動的に通知されないようなステップと、ＤＩＣＯＭ脳画像群の圧縮版を携帯機器上で表示するステップと、専門医に関連付けられるワークステーション上でＤＩＣＯＭ脳画像群の高解像度版を表示するステップと、を含むことができる。追加的又は代替的に、方法は、他の何れの適当なプロセスを含むこともできる。
他の変形形態において、方法は、専門医を（例えば、放射線診断ワークフローの実行とは無関係に、放射線科医のワークフローと平行に、放射線科医のワークフローを迂回して、その他）特定するように機能し、この方法は、一次医療地点でサンプリングされた画像群（例えば、患者の脳のＣＴ画像）を含むデータパケットを受信して、データパケットが標準的放射線診断ワークフローにも同時に転送されるステップと、画像群から解剖学的特徴（例えば、大血管領域）を特定するステップと、その領域からある特徴（例えば、大血管の中心線）を抽出するステップと、その特徴のパラメータを特定する（例えば、中心線の長さを計算する）ステップと、パラメータ（例えば、中心線長さ）を所定の閾値と比較するステップと、を含む。１つの例において、方法はすると、中心線の長さが所定の閾値より小さいときに、大血管閉塞を検出するステップを含むことができる。状態の検出（例えば、大血管閉塞の検出）に応答して、方法は、標準的放射線診断ワークフローから、ある専門医に関連付けられる携帯機器上に通知を提示するステップであって、専門医が二次医療地点に関連付けられるようなステップ、通知への対応に応答して、画像群の圧縮版を携帯機器上に表示するステップ、又は他の何れかの適当なプロセスの何れか又は全部を含むことができる。
具体的な例において、方法は、リモートコンピューティングシステムにおいて、一次医療地点からデータパケットを受信するステップであって、データパケットは、コンピュータ断層撮影（ＣＴ）画像群とＣＴ画像群に関連付けられるメタデータ群を含むようなステップと、リモートコンピューティングシステムにおいてデータパケットを処理するステップと、を含み、これは、ＣＴ画像群をメタデータに基づいてシリーズに組織化するステップ、ソフトマターマスクに基づいてシリーズからソフトマターボクセルを識別するステップであって、ソフトマターマスクは所定のハンスフィールド単位（ＨＵ）閾値を含むようなステップ、ソフトマターマスクボクセルを参照ＣＴ画像群と位置合わせし、それによって位置合わせされたボクセル群を特定するステップ、位置合わせされたボクセル群中の大血管領域を分割する（例えば、フィードフォワード深層畳み込みネットワークで）ステップ、分割された大血管領域の中心線を抽出するステップ、及び分割された大血管領域の長さを中心線に基づいて特定するステップのうちの何れか又は全部を含むことができる。中心線の長さを得ると、方法はすると、中心線の長さを所定の閾値と比較するステップを含むことができ、所定の閾値は、対応する解剖学的長さより長い。中心線の長さが所定の閾値より短い場合、ルックアップテーブルに基づいて専門医を特定できる。すると、通知と、圧縮画像群を含む第二のデータパケットを、その専門医に関連付けられるユーザデバイスに送信できる。
追加的又は代替的に、方法は、何れの適当な順番で行われる他の何れのステップも含むことができる。
簡潔にするために省略されているが、好ましい実施形態は各種のシステムコンポーネント及び各種の方法プロセスのあらゆる組合せと順列を含んでおり、この方法プロセスは、何れの適当な順序でも、逐次的にも、又は同時にも実行できる。
当業者であれば、上記の詳細な説明から、及び図面並びに特許請求の範囲からわかるように、本発明の好ましい実施形態に対して、以下の特許請求の範囲の中で定義される本発明の範囲から逸脱せずに改良や変更を加えることができる。

Claims (39)

  1. コンピュータ支援トリアージの方法において、一次医療地点から離れたリモートコンピューティングシステムにおいて、
    ・患者に関連付けられるＤｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ（ＤＩＣＯＭ）脳画像群を受信するステップであって、前記ＤＩＣＯＭ脳画像群は、前記方法と平行に行われる標準的放射線診断ワークフローにも同時に転送され、前記標準的放射線診断ワークフローでは、放射線科医が前記ＤＩＣＯＭ脳画像群を分析し、ワークステーションにおける前記ＤＩＣＯＭ脳画像群の目視評価に基づいて専門医への通知を行い、前記標準的放射線診断ワークフローは第一の長さの時間を要するようなステップと、
    ・前記ＤＩＣＯＭ脳画像群から大脳動脈閉塞の可能性を自動的に検出するステップであって、
    ・前記ＤＩＣＯＭ脳画像群から大血管領域を識別するステップ、
    ・前記大血管領域から中心線を抽出するステップ、
    ・前記中心線に基づいて前記大血管領域の中心線の長さを計算するステップ、
    ・前記中心線の長さを所定の閾値と比較するステップ、
    ・前記中心線の長さが前記所定の閾値より短い場合、大脳動脈閉塞の可能性を検出するステップ
    を含むステップと、
    ・大脳動脈閉塞が検出されると、自動的に、
    ・前記標準的放射線診断ワークフローから専門医を特定するステップであって、前記専門医は二次医療地点に関連付けられるようなステップと、
    ・前記専門医に、前記専門医に関連付けられる携帯機器上で通知するステップであって、前記専門医には前記第一の長さの時間より短い第二の長さの時間内に通知され、前記放射線科医には大脳動脈閉塞の可能性の検出時に自動的に通知されないようなステップと、
    ・前記ＤＩＣＯＭ脳画像群の圧縮版を前記携帯機器上で表示するステップと、
    ・前記専門医に関連付けられるワークステーション上で前記ＤＩＣＯＭ脳画像群の高解像度版を表示するステップと、
    を含むことを特徴とする方法。
  2. 請求項１に記載の方法において、前記所定の閾値は、前記大血管領域に関連付けられる大血管の標準的な総解剖学的長さの上限より長いことを特徴とする方法。
  3. 請求項１に記載の方法において、前記第二の長さの時間は８分未満であることを特徴とする方法。
  4. 請求項１に記載の方法において、前記データパケットを処理するステップは、前記データパケットが前記リモートコンピューティングシステムで受信されてから所定の時間が経過した後に開始されることを特徴とする方法。
  5. 請求項１に記載の方法において、
    ・前記ワークステーションにおいて搬送要請を受けるステップであって、前記搬送要請は前記ＤＩＣＯＭ脳画像群に関連付けられるようなステップと、
    ・搬送要請を受けたところで、前記患者の前記一次医療地点から前記二次医療地点への搬送を開始するステップと、
    をさらに含むことを特徴とする方法。
  6. 請求項１に記載の方法において、前記専門家に通知するステップは、前記携帯機器上に通知を提示するステップを含み、前記方法は、前記ＤＩＣＯＭ脳画像群の前記圧縮版を表示する前に、
    ・前記通知に関連付けられる入力をモニタするステップと、
    ・前記入力の受信後に、前記携帯機器上に前記画像群の前記圧縮版を表示するステップと、
    ・前記入力が所定の時間閾値内に受信されない場合、第二の専門医を特定して、前記通知を前記第二の専門医に関連付けられる第二の携帯機器上に表示するステップと、
    をさらに含むことを特徴とする方法。
  7. 請求項６に記載の方法において、
    ・前記携帯機器上で実行される携帯機器アプリケーションは、前記通知を提示し、前記画像群の前記圧縮版を表示し、前記専門医は専門医のアカウントを通じて前記携帯機器アプリケーションにログインされ、
    ・前記ワークステーション上で実行されるワーステーションアプリケーションは、前記画像群の前記高解像度版を表示し、前記専門医は前記専門医のアカウントを通じて前記ワークステーションアプリケーションにログインされる
    ことを特徴とする方法。
  8. 請求項１に記載の方法において、前記ＤＩＣＯＭ脳画像群の各々はメタデータ群に関連付けられ、前記ＤＩＣＯＭ脳画像群の前記圧縮版を生成するステップをさらに含み、これは、
    ・前記ＤＩＣＯＭ脳画像群を圧縮するステップと、
    ・前記メタデータ群から患者情報を削除するステップと、
    を含むことを特徴とする方法。
  9. 請求項１に記載の方法において、前記専門医を特定するステップは、前記二次医療地点と前記一次医療地点との間の幾何学的近接度に基づいて前記専門医を特定するステップを含むことを特徴とする方法。
  10. 請求項９に記載の方法において、前記メタデータ群は、前記一次医療地点に関連付けられる識別子を含み、ルックアップテーブルは前記専門医と前記識別子とを相関させ、前記ルックアップテーブルは、前記一次医療地点の位置と前記専門医の位置に基づいて特定されること特徴とする方法。
  11. 方法と平行に実行される標準的放射線診断ワークフローを補強する方法において、一次医療地点から離れたリモートコンピューティングシステムにおいて、
    ・患者の脳画像群を受け取るステップであって、前記脳画像群は、前記方法と平行して行われる標準的放射線診断ワークフローにも同時に転送され、前記標準的放射線診断ワークフローにおいて、放射線科医は前記画像群を分析して、大血管閉塞の存在を特定したことに応答して第一の専門医に通知するようなステップと、
    ・前記画像群から大血管閉塞の可能性を自動的に検出するステップと、
    ・大血管閉塞の可能性が検出されると、自動的に、
    ・前記標準的放射線診断ワークフローから第二の専門医を特定するステップであって、前記専門医は二次医療地点に関連付けられるようなステップと、
    ・前記放射線科医が前記第一の専門医に通知する前に、前記第二の専門医に前記第二の専門医に関連付けられる携帯機器上で通知するステップと、
    ・前記画像群の圧縮版を前記携帯機器上で表示するステップと、
    を含むことを特徴とする方法。
  12. 請求項１１に記載の方法において、前記画像群から大血管閉塞の可能性を自動的に検出するステップは、
    ・前記画像群から大血管領域を識別するステップと、
    ・前記大血管領域から中心線を抽出するステップと、
    ・前記大血管領域の中心線の長さを前記中心線に基づいて計算するステップと、
    ・前記中心線の長さを所定の閾値と比較するステップと、
    ・前記中心線の長さが前記所定の閾値より短い場合に、前記大血管閉塞の可能性を検出するステップと、
    を含むことを特徴とする方法。
  13. 請求項１２に記載の方法において、前記所定の閾値は、前記大血管領域に関連付けられる大血管の標準的な総解剖学的長さの上限より長いことを特徴とする方法。
  14. 請求項１１に記載の方法において、前記放射線科医には大血管閉塞の可能性が検出されたときに自動的に通知されず、前記放射線科医は、前記標準的放射線診断ワークフローにおいて、前記第二の専門医に携帯機器上で通知されてから第二の時間に前記第一の専門医に通知することを特徴とする方法。
  15. 請求項１１に記載の方法において、
    ・ＣＴスキャナに接続された医療ルーティングシステムにおいて、前記標準的放射線診断ワークフローまでの途中で前記画像群をインターセプトするステップと、
    ・前記画像群を前記医療ルーティングシステムからリモートコンピューティングシステムに送信するステップであって、処理システムは前記リモートコンピューティングシステムであるようなステップと、
    をさらに含むことを特徴とする方法。
  16. 請求項１１に記載の方法において、前記画像群の高解像度版を前記第二の専門医に関連付けられるワークステーション上に表示するステップをさらに含むことを特徴とする方法。
  17. 請求項１６に記載の方法において、
    ・前記ワークステーションにおいて搬送要請を受けるステップであって、前記搬送要請は前記画像群に関連付けられるステップ、
    ・搬送要請を受けたところで前記一次医療地点から前記二次医療地点までの患者の搬送を開始するステップと、
    をさらに含むことを特徴とする方法。
  18. 請求項１６に記載の方法において、
    ・前記携帯機器上で実行される携帯機器は、前記通知を提示し、前記画像群の前記圧縮版を表示し、前記第二の専門医は専門医のアカウントを通じて前記携帯機器アプリケーションにログインされ、
    ・前記ワークステーション上で実行されるワークステーションアプリケーションは、前記画像群の前記高解像度版を表示し、前記第二の専門医は前記専門医のアカウントを通じて前記ワークステーションアプリケーションにログインされること
    を特徴とする方法。
  19. 請求項１８に記載の方法において、
    ・前記第二の専門医を特定する前に、大血管閉塞の検出に応答して予備専門医に通知するステップと、
    ・前記予備専門医に関連付けられる予備専門医のアカウントを、前記画像群に関連する活動についてモニタするステップと、
    をさらに含み、前記第二の専門医は、前記予備専門医のアカウントの活動が所定の時間範囲内に検出されない場合に特定されることを特徴とする方法。
  20. 一次医療地点で脳卒中の症状を呈する患者のための専門医を特定する方法において、
    ・リモートコンピューティングシステムにおいて、前記一次医療地点からデータパケットを受信するステップであって、前記データパケットはコンピュータ断層（ＣＴ）画像群と、前記ＣＴ画像群に関連付けられるメタデータ群を含むようなステップと、
    ・前記リモートコンピューティングシステムにおいて前記データパケットを処理するステップであって、
    ・前記ＣＴ画像群を前記メタデータに基づいてシリーズに組織化するステップと、
    ・前記シリーズからソフトマターマスクに基づいてソフトマターボクセルを識別するステップであって、前記ソフトマターマスクは、所定のハンスフィールド単位（ＨＵ）閾値を有するようなステップと、
    ・前記ソフトマターボクセルを参照ＣＴ画像群と位置合わせし、位置合わせされたボクセル群を特定するステップと、
    ・フィードフォワード深層畳み込みネットワークで、前記位置合わせされたボクセル群の中の大血管領域を分割するステップと、
    ・前記分割された大血管領域の中心線を抽出するステップと、
    ・前記分割された大血管領域の長さを前記中心線に基づいて特定するステップと、
    ・前記中心線の長さを所定の閾値と比較するステップであって、前記所定の閾値は対応する解剖学的長さより大きいようなステップと、
    を含むステップと、
    ・前記中心線の長さが前記所定の閾値より短い場合に、ルックアップテーブルに基づいて専門医を特定するステップと、
    ・前記専門医に関連付けられるユーザデバイスに、通知と、圧縮画像群を含む第二のデータパケットを転送するステップと、
    を含むことを特徴とする方法。
  21. 請求項２１に記載の方法において、前記方法は一次医療地点において標準的放射線診断ワークフローと平行に実行され、前記標準的放射線診断ワークフローにおいて、前記データパケットは放射線科医のワークステーションでも同時に見られ、前記放射線科医は、前記ワークステーションにおける前記コンピュータ断層（ＣＴ）画像群の目視評価に基づいて前記専門医を特定し、通知することを特徴とする方法。
  22. 請求項２１に記載の方法において、前記メタデータ群は、前記一次医療地点に関連付けられる識別子を含み、前記ルックアップテーブルは、前記専門医を前記識別子と相関させ、前記ルックアップテーブルは、前記一次医療地点の場所と前記専門医の場所に基づいて特定されることを特徴とする方法。
  23. 請求項２１に記載の方法において、特殊な状態を特定するステップをさらに含み、前記特殊な状態が特定されると、前記方法は、前記第二のデータパケットと前記通知を前記専門医に送信するステップをさらに含むことを特徴とする方法。
  24. 請求項２４に記載の方法において、前記特殊な状態は、部分閉塞と胎児期起源後大脳動脈のうちの少なくとも１つを含むことを特徴とする方法。
  25. 請求項２５に記載の方法において、前記部分閉塞を特定するステップは、
    ・前記分割された大血管領域の中で、前記大血管中心線に沿っている中心線ボクセルを識別するステップと、
    ・前記中心線ボクセルのＨＵ値と隣接するボクセルのＨＵ値の差が閾値より大きい場合に、部分閉塞を検出するステップと、
    を含むことを特徴とする方法。
  26. 請求項２５に記載の方法において、前記胎児期起源後大脳動脈を特定するステップは、
    ・前記中心線の向きを特定するステップと、
    ・前記向きが遠位方向より後方である場合に、前記胎児期起源後大脳動脈を検出するステップと、
    を含むことを特徴とする方法。
  27. 請求項２１に記載の方法において、前記圧縮画像群を特定するステップは、前記リモートコンピューティングシステムにおいて、
    ・前記第一の画像群の中の、空気に対応する部分を特定するステップと、
    ・前記部分に対応するボクセル群の各々を１つの所定の値に設定するステップと、
    を含むことを特徴とする方法。
  28. 請求項２１に記載の方法において、前記リモートコンピューティングシステムにおいて前記データパケットを処理するステップは、前記リモートコンピューティングシステムにおいて前記データパケットを受信してから所定の時間が経過した後に開始されることを特徴とする方法。
  29. 請求項２１に記載の方法において、前記第二のデータパケットを特定するステップは、前記第一のデータパケットの前記メタデータ群から患者情報を削除するステップを含むことを特徴とする方法。
  30. コンピュータ支援トリアージの方法において、処理システムにおいて、
    ・一次医療地点でサンプリングされた患者の脳のコンピュータ断層（ＣＴ）画像群を含むデータパケットを受信するステップであって、前記データパケットは、前記方法と平行に行われる標準的放射線診断ワークフローにも同時に送信されるステップと、
    ・前記ＣＴ画像群から大血管領域を特定するステップと、
    ・前記大血管領域から大血管中心線を抽出するステップと、
    ・前記大血管中心線の中心線長さを計算するステップと、
    ・前記中心線長さを所定の閾値と比較するステップと、
    ・前記中心線長さが前記所定の閾値より短い場合に、大血管閉塞を検出するステップと、
    ・大血管閉塞の検出に応答して、
    ・標準的放射線診断ワークフローから、専門医に関連付けられる携帯機器上に通知を提示するステップであって、前記専門医は二次医療地点に関連付けられるようなステップと、
    ・前記通知への対応に応答して、前記ＣＴ画像群の圧縮版を前記携帯機器上に表示するステップと、
    を含むことを特徴とする方法。
  31. 請求項３１に記載の方法において、前記大血管領域は中大脳動脈Ｍ１（ＭＣＡ−Ｍ１）領域と内頚動脈遠位部（ｔ−ＩＣＡ）領域を含むことを特徴とする方法。
  32. 請求項３１に記載の方法において、
    ・ＣＴスキャナに接続された医療ルーティングシステムにおいて、前記標準的放射線診断ワークフローまでの途中で前記ＣＴ画像群をインターセプトするステップと、
    ・前記ＣＴ画像群を前記医療ルーティングシステムからリモートコンピューティングシステムに送信するステップであって、処理システムは前記リモートコンピューティングシステムであるようなステップと、
    をさらに含むことを特徴とする方法。
  33. 請求項３１に記載の方法において、前記ＣＴ画像群から大血管領域を特定するステップは、前記処理システムにおいて前記データパケットを受信してから所定の時間が経過した後に開始されることを特徴とする方法。
  34. 請求項３１に記載の方法において、前記大血管領域を特定するステップは、
    ・前記ＣＴ画像群からソフトマター領域を抽出するステップと、
    ・前記ソフトマター領域を、標的血管領域を有する参照シリーズと位置合わせするステップと、
    ・位置合わせ後に、前記標的血管領域内に含まれる前記ソフトマター領域を確率論により分割するステップと、
    ・前記標的領域内に含まれる前記確率論により分割されたソフトマター領域にバイナリマスクを適用するステップであって、閾値確率より高い確率を有するボクセルが前記大血管領域に含められるようなステップと、
    を含むことを特徴とする方法。
  35. 請求項３５に記載の方法において、前記ソフトマター領域を抽出するステップは、前記ＣＴ画像群にソフトマターマスクを適用するステップを含み、前記ソフトマターマスクは所定のハンスフィールド単位閾値を含むことを特徴とする方法。
  36. 請求項３１に記載の方法において、前記大血管領域を特定するステップは、３次元畳み込みを使用するフィードフォワード深層畳み込みネットワークで前記ＣＴ画像群から前記大血管領域を分割するステップを含むことを特徴とする方法。
  37. 請求項３１に記載の方法において、前記所定の閾値は、前記大血管領域に関連付けられる大血管の標準的な解剖学的長さより長く、それによって前記方法における偽陽性の平均発生率が高まることを特徴とする方法。
  38. 請求項３１に記載の方法において、
    ・部分閉塞を検出するステップであって、
    〇前記大血管領域の中で、前記大血管中心線に沿っている中心線ボクセルを識別するステップと、
    〇前記中心線ボクセルのＨＵ値と前記中心線ボクセルに隣接する隣接ボクセルのＨＵ値の差が閾値より大きい場合に、部分閉塞を検出するステップと、
    を含むステップと、
    ・前記部分閉塞が検出されたときに、前記専門医を特定し、前記通知を前記携帯機器上に提示するステップと、
    をさらに含むことを特徴とする方法。
  39. 請求項３１に記載の方法において、
    ・前記大血管中心線を前記大血管中心線の中心線端部に隣接する端部ボクセルのＨＵ値に基づいて延長して、延長中心線を生成するステップであって、前記中心線の長さは前記延長中心線から計算されるようなステップと、
    ・胎児期後大脳動脈（胎児期ＰＣＡ）を検出するステップであって、
    〇中心線の延長の向きを特定するステップと、
    〇前記向きが遠位より後方であるときに、胎児期ＰＣＡを特定するステップと、
    を含むステップと、
    ・胎児期ＰＣＡが検出されたときに、前記専門医を特定し、前記携帯機器上に前記通知を提示するステップと、
    をさらに含むことを特徴とする方法。
JP2020519026A 2017-06-19 2018-06-19 コンピュータ支援トリアージの方法とシステム作動方法 Active JP6964769B2 (ja)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US201762521968P 2017-06-19 2017-06-19
US62/521,968 2017-06-19
US201762535970P 2017-07-24 2017-07-24
US201762535973P 2017-07-24 2017-07-24
US62/535,970 2017-07-24
US62/535,973 2017-07-24
PCT/US2018/038334 WO2018236905A1 (en) 2017-06-19 2018-06-19 METHOD AND SYSTEM FOR COMPUTER-ASSISTED SORTING

Publications (2)

Publication Number Publication Date
JP2020524064A true JP2020524064A (ja) 2020-08-13
JP6964769B2 JP6964769B2 (ja) 2021-11-10

Family

ID=64657480

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020519026A Active JP6964769B2 (ja) 2017-06-19 2018-06-19 コンピュータ支援トリアージの方法とシステム作動方法

Country Status (10)

Country Link
US (6) US10346979B2 (ja)
EP (2) EP3973863A1 (ja)
JP (1) JP6964769B2 (ja)
CN (1) CN111107783B (ja)
AU (2) AU2018288766B2 (ja)
CA (1) CA3066644A1 (ja)
DK (1) DK3642743T3 (ja)
ES (1) ES2905660T3 (ja)
PT (1) PT3642743T (ja)
WO (1) WO2018236905A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11423115B2 (en) 2014-03-12 2022-08-23 D-Wave Systems Inc. Systems and methods for removing unwanted interactions in quantum devices
US11494683B2 (en) 2017-12-20 2022-11-08 D-Wave Systems Inc. Systems and methods for coupling qubits in a quantum processor
US11526463B2 (en) 2004-12-23 2022-12-13 D-Wave Systems Inc. Analog processor comprising quantum devices
US11816536B2 (en) 2007-04-05 2023-11-14 1372934 B.C. Ltd Physical realizations of a universal adiabatic quantum computer

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10733730B2 (en) 2017-06-19 2020-08-04 Viz.ai Inc. Method and system for computer-aided triage
WO2018236905A1 (en) 2017-06-19 2018-12-27 Viz.ai, Inc. METHOD AND SYSTEM FOR COMPUTER-ASSISTED SORTING
WO2019025656A1 (es) * 2017-07-31 2019-02-07 Servicio Andaluz De Salud Método para predecir o pronosticar el riesgo de muerte o vasoespasmo de un paciente con hemorragia subaracnoidea
WO2019033098A2 (en) * 2017-08-11 2019-02-14 Elucid Bioimaging Inc. QUANTITATIVE MEDICAL IMAGING REPORT
US20190290128A1 (en) * 2018-03-20 2019-09-26 Aic Innovations Group, Inc. Apparatus and method for user evaluation
WO2019217809A1 (en) 2018-05-10 2019-11-14 Jameel Mohamed Anver Method, apparatus, and computer readible media for artificial intelligence-based treatment guidance for the neurologically impaired patient who may need neurosurgery
US11389131B2 (en) 2018-06-27 2022-07-19 Denti.Ai Technology Inc. Systems and methods for processing of dental images
US11165694B2 (en) * 2018-07-31 2021-11-02 Mcafee, Llc Methods, systems, articles of manufacture and apparatus to identify applications
JP7309854B2 (ja) 2018-08-08 2023-07-18 ミネトロニクス ニューロ インコーポレイテッド 中枢神経系に沿って治療するためのシステム、カテーテル、および方法
EP3833243A4 (en) * 2018-08-12 2022-04-27 The Trustees of Columbia University in the City of New York SYSTEM, METHOD AND COMPUTER-ACCESSIBLE MEDIA FOR MAGNETIC RESONANCE CONTROLLED AUTONOMOUS SCANNER
EP3617733A1 (en) * 2018-08-30 2020-03-04 Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. Method and apparatus for processing magnetic resonance data using machine learning
US11037030B1 (en) * 2018-10-29 2021-06-15 Hrl Laboratories, Llc System and method for direct learning from raw tomographic data
JP7049974B2 (ja) * 2018-10-29 2022-04-07 富士フイルム株式会社 情報処理装置、情報処理方法、及びプログラム
CN109978902B (zh) * 2019-03-07 2023-02-17 福建工程学院 一种不规则带状目标中心线自动提取方法
CN114127859A (zh) * 2019-04-02 2022-03-01 皇家飞利浦有限公司 用于在非对比头部ct中快速检测和索引危急区域的自动化系统
US11514339B2 (en) * 2019-04-24 2022-11-29 Optum, Inc. Machine-learning based recommendation engine providing transparency in generation of recommendations
WO2020264355A1 (en) * 2019-06-27 2020-12-30 Viz.ai Inc. Method and system for computer-aided triage of stroke
EP4004946A4 (en) 2019-07-30 2023-08-02 Viz.ai, Inc. METHOD AND SYSTEM FOR COMPUTER ASSISTED STROKE TRIAGE
CN112446522A (zh) * 2019-09-02 2021-03-05 中国林业科学研究院资源信息研究所 面对多尺度分割的产草量估算方法、装置及存储介质
US11676701B2 (en) 2019-09-05 2023-06-13 Pearl Inc. Systems and methods for automated medical image analysis
US10984529B2 (en) 2019-09-05 2021-04-20 Pearl Inc. Systems and methods for automated medical image annotation
US11278233B2 (en) * 2019-11-15 2022-03-22 Biosense Webster (Israel) Ltd. Method and apparatus to find abnormal activations in intra-cardiac electrocardiograms based on specificity and sensitivity
US11687778B2 (en) 2020-01-06 2023-06-27 The Research Foundation For The State University Of New York Fakecatcher: detection of synthetic portrait videos using biological signals
US11055789B1 (en) 2020-01-17 2021-07-06 Pearl Inc. Systems and methods for insurance fraud detection
KR102165840B1 (ko) * 2020-05-21 2020-10-16 주식회사 휴런 인공지능 기반 뇌졸중 진단 장치 및 방법
US11328400B2 (en) 2020-07-24 2022-05-10 Viz.ai Inc. Method and system for computer-aided aneurysm triage
TR202011991A2 (tr) * 2020-07-28 2020-10-21 Asli Goerek Dilektasli Medi̇kal ki̇osk i̇çeren mobi̇l tri̇yaj i̇stasyonu
JP2023545488A (ja) * 2020-10-14 2023-10-30 イスキマビュー インコーポレイテッド 空間パターンを用いた血管閉塞の識別
CN112287232B (zh) * 2020-11-09 2024-04-16 北京京东拓先科技有限公司 生成推荐信息的方法、装置
US11776677B2 (en) 2021-01-06 2023-10-03 Pearl Inc. Computer vision-based analysis of provider data
KR102289648B1 (ko) * 2021-02-03 2021-08-18 주식회사 휴런 의료 영상 기반 허혈성 뇌졸중 검출 및 형태 분류 방법, 장치 및 시스템
US11694807B2 (en) * 2021-06-17 2023-07-04 Viz.ai Inc. Method and system for computer-aided decision guidance
WO2023059746A1 (en) * 2021-10-05 2023-04-13 Neumora Therapeutics, Inc. Estimating uncertainty in predictions generated by machine learning models
CN113888690B (zh) * 2021-10-19 2022-08-12 柏意慧心(杭州)网络科技有限公司 用于确定血管中的目标区段的方法、设备和介质
WO2023244673A1 (en) * 2022-06-14 2023-12-21 Viz.ai Inc. Method and system for cardiac signal processing

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004243117A (ja) * 2003-02-12 2004-09-02 Pie Medical Imaging Bv 身体構造の物理パラメータを求める方法
JP2012027565A (ja) * 2010-07-20 2012-02-09 Tryfor Co Ltd 救急患者治療支援システム
US20160180042A1 (en) * 2014-12-01 2016-06-23 Quikflo Technologies Inc. Decision support tool for stroke patients

Family Cites Families (84)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6349330B1 (en) * 1997-11-07 2002-02-19 Eigden Video Method and appparatus for generating a compact post-diagnostic case record for browsing and diagnostic viewing
US7343195B2 (en) 1999-05-18 2008-03-11 Mediguide Ltd. Method and apparatus for real time quantitative three-dimensional image reconstruction of a moving organ and intra-body navigation
US7244230B2 (en) 2002-11-08 2007-07-17 Siemens Medical Solutions Usa, Inc. Computer aided diagnostic assistance for medical imaging
US7912528B2 (en) 2003-06-25 2011-03-22 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for heart related diseases and conditions
WO2005023086A2 (en) 2003-08-25 2005-03-17 University Of North Carolina At Chapel Hill Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
US20080021502A1 (en) 2004-06-21 2008-01-24 The Trustees Of Columbia University In The City Of New York Systems and methods for automatic symmetry identification and for quantification of asymmetry for analytic, diagnostic and therapeutic purposes
US8396329B2 (en) 2004-12-23 2013-03-12 General Electric Company System and method for object measurement
US8145503B2 (en) 2005-02-25 2012-03-27 Virtual Radiologic Corporation Medical image metadata processing
EP1996959A4 (en) 2006-03-03 2012-02-29 Medic Vision Brain Technologies Ltd SYSTEM AND METHOD FOR PRIORITIZE PRIORITIZATION AND AUTOMATIC ANALYSIS OF MEDICAL IMAGES
EP2194844A4 (en) 2007-09-07 2012-05-16 Agency Science Tech & Res METHOD FOR EVALUATING STROKE PICTURES
US10123803B2 (en) 2007-10-17 2018-11-13 Covidien Lp Methods of managing neurovascular obstructions
US8320647B2 (en) 2007-11-20 2012-11-27 Olea Medical Method and system for processing multiple series of biological images obtained from a patient
WO2009073185A1 (en) * 2007-12-03 2009-06-11 Dataphysics Research, Inc. Systems and methods for efficient imaging
US8116542B2 (en) * 2008-05-09 2012-02-14 General Electric Company Determining hazard of an aneurysm by change determination
EP2321797B1 (en) 2008-08-07 2017-01-11 Koninklijke Philips N.V. Interactive method of locating a mirror line for use in determining asymmetry of an image
JP5562598B2 (ja) 2008-10-24 2014-07-30 株式会社東芝 画像表示装置、画像表示方法および磁気共鳴イメージング装置
US20110172550A1 (en) 2009-07-21 2011-07-14 Michael Scott Martin Uspa: systems and methods for ems device communication interface
US11462314B2 (en) * 2009-10-14 2022-10-04 Trice Imaging, Inc. Systems and devices for encrypting, converting and interacting with medical images
EP2499748A4 (en) 2009-11-13 2017-03-01 Zoll Medical Corporation Community-based response system
WO2011066689A1 (en) 2009-12-04 2011-06-09 Shenzhen Institute Of Advanced Technology Method and device for detecting bright brain regions from computed tomography images
US20180110475A1 (en) 2010-07-30 2018-04-26 Fawzi Shaya System, method and apparatus for performing real-time virtual medical examinations
US20120065987A1 (en) 2010-09-09 2012-03-15 Siemens Medical Solutions Usa, Inc. Computer-Based Patient Management for Healthcare
US8374414B2 (en) * 2010-11-05 2013-02-12 The Hong Kong Polytechnic University Method and system for detecting ischemic stroke
US10460078B2 (en) 2010-12-03 2019-10-29 Parallel 6, Inc. Systems and methods for remote demand based data management of clinical locations
US9345411B2 (en) * 2011-02-09 2016-05-24 Orsan Medical Technologies, Ltd. Devices and methods for monitoring cerebral hemodynamic conditions
CN104126191A (zh) 2011-07-13 2014-10-29 多发性骨髓瘤研究基金会公司 数据采集和分发方法
WO2013036842A2 (en) * 2011-09-08 2013-03-14 Radlogics, Inc. Methods and systems for analyzing and reporting medical images
WO2013111031A1 (en) 2012-01-26 2013-08-01 Koninklijke Philips N.V. Method and system for cardiac ischemia detection
US8553965B2 (en) 2012-02-14 2013-10-08 TerraRecon, Inc. Cloud-based medical image processing system with anonymous data upload and download
US8682049B2 (en) 2012-02-14 2014-03-25 Terarecon, Inc. Cloud-based medical image processing system with access control
US9439622B2 (en) 2012-05-22 2016-09-13 Covidien Lp Surgical navigation system
US10433740B2 (en) 2012-09-12 2019-10-08 Heartflow, Inc. Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology
US9749232B2 (en) 2012-09-20 2017-08-29 Masimo Corporation Intelligent medical network edge router
US20140142982A1 (en) 2012-11-20 2014-05-22 Laurent Janssens Apparatus for Securely Transferring, Sharing and Storing of Medical Images
US20140222444A1 (en) 2013-02-04 2014-08-07 Dixit S.R.L. Method And System For Clinical Trial Management
US10262108B2 (en) 2013-03-04 2019-04-16 Board Of Regents Of The University Of Texas System System and method for determining triage categories
US9087370B2 (en) 2013-05-22 2015-07-21 Siemens Aktiengesellschaft Flow diverter detection in medical imaging
EP2811458A1 (en) * 2013-06-05 2014-12-10 Agfa Healthcare Automated aorta detection in a CTA volume
WO2014201052A2 (en) 2013-06-10 2014-12-18 University Of Mississippi Medical Center Medical image processing method
US10846370B2 (en) 2013-08-19 2020-11-24 University Of Virginia Patent Foundation Techniques facilitating mobile telemedicine for stroke patients
US20150104102A1 (en) 2013-10-11 2015-04-16 Universidade De Coimbra Semantic segmentation method with second-order pooling
CN105765584B (zh) * 2013-11-13 2019-03-29 皇家飞利浦有限公司 用于分诊决策制定的临床决策支持系统和计算机存储介质
US20150208994A1 (en) 2014-01-27 2015-07-30 Aspect Imaging Ltd. Ct/mri integrated system for the diagnosis of acute strokes and methods thereof
US9504529B2 (en) 2014-02-24 2016-11-29 Vida Diagnostics, Inc. Treatment outcome prediction for lung volume reduction procedures
CN105023073A (zh) * 2014-04-16 2015-11-04 北京百和园科技有限公司 一种基于人工神经网络的医院智能评估分诊系统
US10203389B2 (en) 2014-04-23 2019-02-12 University of Pittsburgh—of the Commonwealth System of Higher Education Method and system for monitoring glucose transport and metabolism by spin-lock magnetic resonance
US10586618B2 (en) 2014-05-07 2020-03-10 Lifetrack Medical Systems Private Ltd. Characterizing states of subject
US10216902B2 (en) 2014-08-31 2019-02-26 General Electric Company Methods and systems for improving connections within a healthcare ecosystem
US20160135706A1 (en) * 2014-11-14 2016-05-19 Zoll Medical Corporation Medical Premonitory Event Estimation
KR20170128232A (ko) * 2015-01-14 2017-11-22 뉴로트릭스 엘엘씨 뇌 자극에 대한 신경 혈관 반응을 결정하기 위한 시스템들 및 방법들
US20160217260A1 (en) * 2015-01-22 2016-07-28 Koninklijke Philips N.V. System, method and computer program product for patient triage
WO2016134125A1 (en) * 2015-02-18 2016-08-25 Vanderbilt University Image segmentation via multi-atlas fusion with context learning
CN109152525A (zh) * 2015-05-10 2019-01-04 亚伯拉罕·伯格 一种神经保护装置
US11638550B2 (en) 2015-07-07 2023-05-02 Stryker Corporation Systems and methods for stroke detection
US20170147765A1 (en) 2015-11-19 2017-05-25 Penumbra, Inc. Systems and methods for treatment of stroke
CN108369642A (zh) 2015-12-18 2018-08-03 加利福尼亚大学董事会 根据头部计算机断层摄影解释和量化急症特征
US10853449B1 (en) 2016-01-05 2020-12-01 Deepradiology, Inc. Report formatting for automated or assisted analysis of medical imaging data and medical diagnosis
US10206646B2 (en) * 2016-03-10 2019-02-19 Siemens Healthcare Gmbh Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields
EP3442404B1 (en) * 2016-04-15 2022-07-27 BR Invention Holding, LLC Mobile medicine communication platform and methods and uses thereof
US10163040B2 (en) 2016-07-21 2018-12-25 Toshiba Medical Systems Corporation Classification method and apparatus
US10025902B2 (en) 2016-08-12 2018-07-17 Verily Life Sciences Llc Enhanced pathology diagnosis
US10582907B2 (en) 2016-10-31 2020-03-10 Siemens Healthcare Gmbh Deep learning based bone removal in computed tomography angiography
US11139079B2 (en) 2017-03-06 2021-10-05 International Business Machines Corporation Cognitive stroke detection and notification
WO2018236905A1 (en) 2017-06-19 2018-12-27 Viz.ai, Inc. METHOD AND SYSTEM FOR COMPUTER-ASSISTED SORTING
US10733730B2 (en) 2017-06-19 2020-08-04 Viz.ai Inc. Method and system for computer-aided triage
US10346728B2 (en) 2017-10-26 2019-07-09 Hitachi, Ltd. Nodule detection with false positive reduction
US10629305B2 (en) 2017-11-09 2020-04-21 General Electric Company Methods and apparatus for self-learning clinical decision support
CN111566695A (zh) 2017-12-13 2020-08-21 华盛顿大学 确定用于消融的节段的系统和方法
US11039783B2 (en) 2018-06-18 2021-06-22 International Business Machines Corporation Automatic cueing system for real-time communication
US20200027556A1 (en) 2018-07-17 2020-01-23 Petuum Inc. Systems and Methods for Medical Topic Discovery Based on Large-Scale Machine Learning
US20200058410A1 (en) 2018-08-14 2020-02-20 Medris, LLC Method and apparatus for improving subject treatment and navigation related to a medical transport telepresence system
CA3127833A1 (en) 2019-01-29 2020-08-06 Andromeda Medical Imaging Inc. System and method for generating perfusion functional maps from temporally resolved helical computed tomographic images
WO2020185660A1 (en) 2019-03-08 2020-09-17 University Of Southern California Improved histopathology classification through machine self-learning of "tissue fingerprints"
US11436732B2 (en) 2019-03-12 2022-09-06 The General Hospital Corporation Automatic segmentation of acute ischemic stroke lesions in computed tomography data
US11195277B2 (en) 2019-04-25 2021-12-07 GE Precision Healthcare LLC Systems and methods for generating normative imaging data for medical image processing using deep learning
JP7100336B2 (ja) 2019-05-16 2022-07-13 ペイジ．エーアイ インコーポレイテッド デジタル病理学のために、画像を処理し、処理された画像を分類するためのシステムおよび方法
WO2020264355A1 (en) 2019-06-27 2020-12-30 Viz.ai Inc. Method and system for computer-aided triage of stroke
EP4004946A4 (en) 2019-07-30 2023-08-02 Viz.ai, Inc. METHOD AND SYSTEM FOR COMPUTER ASSISTED STROKE TRIAGE
US20210057112A1 (en) 2019-08-23 2021-02-25 Viz.ai Inc. Method and system for mobile triage
US11676704B2 (en) 2019-12-20 2023-06-13 PAIGE.AI, Inc. Systems and methods for processing electronic images for health monitoring and forecasting
TWI791979B (zh) 2020-04-28 2023-02-11 長庚醫療財團法人林口長庚紀念醫院 三維醫學影像的建立方法
US11328400B2 (en) 2020-07-24 2022-05-10 Viz.ai Inc. Method and system for computer-aided aneurysm triage
JP2023546921A (ja) 2020-10-23 2023-11-08 ペイジ．エーアイ インコーポレイテッド 診断検査を識別するために電子画像を処理するシステム及び方法
US11694807B2 (en) 2021-06-17 2023-07-04 Viz.ai Inc. Method and system for computer-aided decision guidance

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004243117A (ja) * 2003-02-12 2004-09-02 Pie Medical Imaging Bv 身体構造の物理パラメータを求める方法
JP2012027565A (ja) * 2010-07-20 2012-02-09 Tryfor Co Ltd 救急患者治療支援システム
US20160180042A1 (en) * 2014-12-01 2016-06-23 Quikflo Technologies Inc. Decision support tool for stroke patients

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11526463B2 (en) 2004-12-23 2022-12-13 D-Wave Systems Inc. Analog processor comprising quantum devices
US11816536B2 (en) 2007-04-05 2023-11-14 1372934 B.C. Ltd Physical realizations of a universal adiabatic quantum computer
US11423115B2 (en) 2014-03-12 2022-08-23 D-Wave Systems Inc. Systems and methods for removing unwanted interactions in quantum devices
US11494683B2 (en) 2017-12-20 2022-11-08 D-Wave Systems Inc. Systems and methods for coupling qubits in a quantum processor

Also Published As

Publication number Publication date
US20210224988A1 (en) 2021-07-22
ES2905660T3 (es) 2022-04-11
CN111107783B (zh) 2022-08-05
WO2018236905A1 (en) 2018-12-27
AU2018288766B2 (en) 2021-01-21
PT3642743T (pt) 2021-12-07
EP3642743A1 (en) 2020-04-29
US11295446B2 (en) 2022-04-05
AU2021202168B2 (en) 2023-03-09
EP3642743B1 (en) 2021-11-17
CN111107783A (zh) 2020-05-05
AU2018288766A1 (en) 2020-01-16
DK3642743T3 (da) 2021-12-06
JP6964769B2 (ja) 2021-11-10
US10614572B2 (en) 2020-04-07
US11321834B2 (en) 2022-05-03
US10373315B2 (en) 2019-08-06
US20180366225A1 (en) 2018-12-20
US20220215549A1 (en) 2022-07-07
AU2021202168A1 (en) 2021-05-06
US10346979B2 (en) 2019-07-09
EP3973863A1 (en) 2022-03-30
US20180365828A1 (en) 2018-12-20
US20190272636A1 (en) 2019-09-05
CA3066644A1 (en) 2018-12-27
EP3642743A4 (en) 2021-01-20
US20200193599A1 (en) 2020-06-18
US11967074B2 (en) 2024-04-23

Similar Documents

Publication Publication Date Title
US11295446B2 (en) Method and system for computer-aided triage
US11488299B2 (en) Method and system for computer-aided triage
US11462318B2 (en) Method and system for computer-aided triage of stroke
US11328400B2 (en) Method and system for computer-aided aneurysm triage
US11625832B2 (en) Method and system for computer-aided triage of stroke
US12008742B2 (en) Method and system for computer-aided aneurysm triage
US20220148166A1 (en) Systems and methods for assessing a likelihood of cteph and identifying characteristics indicative thereof

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200214

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200214

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210121

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210209

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210430

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210921

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211019

R150 Certificate of patent or registration of utility model

Ref document number: 6964769

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150