KR20160078509A - 의료 이미지 획득 파라미터 식별 시스템 및 방법 - Google Patents

의료 이미지 획득 파라미터 식별 시스템 및 방법 Download PDF

Info

Publication number
KR20160078509A
KR20160078509A KR1020167016365A KR20167016365A KR20160078509A KR 20160078509 A KR20160078509 A KR 20160078509A KR 1020167016365 A KR1020167016365 A KR 1020167016365A KR 20167016365 A KR20167016365 A KR 20167016365A KR 20160078509 A KR20160078509 A KR 20160078509A
Authority
KR
South Korea
Prior art keywords
patient data
patient
data set
image
image acquisition
Prior art date
Application number
KR1020167016365A
Other languages
English (en)
Other versions
KR101718675B1 (ko
Inventor
비백 나레쉬 바티아
레오 존 그래디
소우마 센구프타
티모시 에이 폰테
Original Assignee
하트플로우, 인크.
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 하트플로우, 인크. filed Critical 하트플로우, 인크.
Publication of KR20160078509A publication Critical patent/KR20160078509A/ko
Application granted granted Critical
Publication of KR101718675B1 publication Critical patent/KR101718675B1/ko

Links

Images

Classifications

    • G06F19/321—
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/488—Diagnostic techniques involving pre-scan acquisition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F19/3443—
    • G06F19/345—
    • G06K9/46—
    • G06K9/6267—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • 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
    • G16H40/60—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 operation of medical equipment or devices
    • G16H40/63—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 operation of medical equipment or devices for local operation
    • 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
    • G06K2009/4666—
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Cardiology (AREA)
  • Pulmonology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)

Abstract

이미지 획득 파라미터를 식별하기 위한 시스템 및 방법이 개시된다. 일 방법은, 하나 이상의 재구성(reconstrcutions), 하나 이상의 예비 스캔 또는 환자 정보, 및 하나 이상의 이미지 획득 파라미터를 포함하는 환자 데이터 세트를 수신하는 단계와, 하나 이상의 예비 스캔 및 환자 정보 중 적어도 하나에 기초하여 하나 이상의 환자 특성을 컴퓨팅하는 단계와, 상기 하나 이상의 재구성과 연관된 하나 이상의 이미지 특성을 컴퓨팅하는 단계와, 상기 하나 이상의 환자 특성을 이용하여 상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계와, 상기 하나 이상의 이미지 특성, 상기 환자 데이터 세트와 하나 이상의 다른 환자 데이터 세트와의 그룹형성, 또는 이들의 조합을 이용하여 환자 데이터 세트에 적합한 하나 이상의 이미지 획득 파라미터를 식별하는 단계를 포함한다.

Description

의료 이미지 획득 파라미터 식별 시스템 및 방법 {SYSTEMS AND METHODS FOR IDENTIFYING MEDICAL IMAGE ACQUISITION PARAMETERS}
관련 출원의 상호 참조
본 출원은 2014년 1월 10일 출원된 미국특허출원 제61/925,947호의 우선권을 주장하는 2014년 10월 3일 출원된 미국특허출원 제14/506,293호의 우선권을 주장하며, 각 출원의 내용 전체는 본 발명에 포함된다.
발명의 분야
본 발명의 다양한 실시예는 일반적으로 이미징 및 관련 방법에 관한 것이다. 특히, 본 발명의 특정 실시예는 의료 이미지 획득 파라미터 식별 시스템 및 방법에 관한 것이다.
이미징은 많은 상업적 설정에서 중요할 수 있다. 이미징 사용자들은 전문가 또는 소비자 그룹을 포함할 수 있다. 한 예로서, 의사, 기술자, 및/또는 의료 이미지 획득하도록 훈련된 기타 개인들이 모두 이미징을 이용하여 환자 보호 결정을 행할 수 있다. 의료 이미징은 방사선촬영, 컴퓨터 단층 촬영(CT), 자기 공명 이미징(MRI), 형광투시법(fluoroscopy), 단일-포톤 방출 컴퓨터 단층 촬영(SPECT), 양전자 방출 단층 촬영(PET), 신티그래피(scintigraphy), 초음파, 및 특화 기술(가령, 심장 초음파, 유방조영술, 혈관-내 초음파, 및 혈관조영술)을 포함할 수 있다.
예를 들자면, 의료 이미징의 일 응용예는 협착증(혈관이 비정상적으로 좁아짐)과 같이, 심장에 혈액을 제공하는 혈관에 관상동맥 병소를 생성할 수 있는 관상동맥 질환의 진단 및 처치다. 관상동맥 질환에 시달리는 환자는 심장으로의 혈류 제한을 겪을 수 있고, 환자가 휴식 중일 때 가변성 협심증 또는 환자가 신체 활동 중일 때 만성 불변성 협심증으로 불리는 흉통을 겪을 수 있다. 더 심각한 질환 증상은 심근 경색 또는 심장마비로 이어질 수 있다.
흉통에 시달리거나 관상동맥 질환의 징후를 나타내는 환자는 관상동맥 병소에 관한 소정의 간접적 증거를 제공할 수 있는 하나 이상의 비침습적 검사를 받을 수 있다. 예를 들어, 비침습적 검사는 심전도 검사, 혈액 검사로부터 바이오마커 평가, 트레드밀 검사, 심장 초음파, SPECT, 및 PET를 포함할 수 있다. 해부학적 데이터는 관상동맥 컴퓨터 단층촬영 혈관 조영 검사(cCTA)를 이용하여 비침습적으로 얻을 수 있다. 예를 들어, cCTA는 조영제의 정맥 주사에 이어 심장 및 관상동맥의 이미징을 위해 CT 기술 이용을 수반할 수 있다.
이미징 이용이 많이 사용되고 있으나, 이미지 획득 프로세스가 여전히 제한사항을 갖고 있다. 예를 들어, 의료적 범주에서, 의료적 결정(가령, 진단)을 위해 정보를 제공하기에 충분히 높은 품질의 이미지를 캡처하면서, 이와 동시에, 이미지 획득에 사용되는 리소스 및 환자에 대한 (가령, 방사서 노출로부터) 위험을 최소화시키는 것 사이에 균형이 놓일 수 있다. 따라서, 품질 이미징과 관련된 리소스 이용 및 방사선 노출과 같은 종래의 단점들을 제한하면서, 요건 품질의 이미지를 생성할 수 있는 이미지 획득 파라미터를 식별 또는 예측하고자하는 바램이 존재할 수 있다. 다시 말해서, 예를 들어, 이미지 또는 스캔을 얻기 전에, 최적화된 이미지 획득 파라미터를 결정 또는 획득하고자 하는 바램이 존재할 수 있다.
앞서의 일반적 설명 및 다음의 상세한 설명은 예시적이고 설명을 위한 것일 뿐, 발명을 제한하고자 함이 아니다.
본 발명의 소정의 형태에 따르면, 이미지 획득 파라미터를 식별하기 위한 시스템 및 방법이 개시된다. 일 방법은, 하나 이상의 재구성(reconstrcutions), 하나 이상의 예비 스캔 또는 환자 정보, 및 하나 이상의 이미지 획득 파라미터를 포함하는 환자 데이터 세트를 수신하는 단계와, 하나 이상의 예비 스캔 및 환자 정보 중 적어도 하나에 기초하여 하나 이상의 환자 특성을 컴퓨팅하는 단계와, 상기 하나 이상의 재구성과 연관된 하나 이상의 이미지 특성을 컴퓨팅하는 단계와, 상기 하나 이상의 환자 특성을 이용하여 상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계와, 상기 하나 이상의 이미지 특성, 상기 환자 데이터 세트와 하나 이상의 다른 환자 데이터 세트와의 그룹형성, 또는 이들의 조합을 이용하여 환자 데이터 세트에 적합한 하나 이상의 이미지 획득 파라미터를 식별하는 단계를 포함한다.
다른 실시예에 따르면, 이미지 획득 파라미터 식별 시스템은, 이미지 획득 파라미터를 식별하기 위한 명령어를 저장하는 데이터 저장 장치와, 프로세서를 포함하되, 상기 프로세서는, 하나 이상의 재구성(reconstrcutions), 하나 이상의 예비 스캔 또는 환자 정보, 및 하나 이상의 이미지 획득 파라미터를 포함하는 환자 데이터 세트를 수신하도록 구성되고, 하나 이상의 예비 스캔 및 환자 정보 중 적어도 하나에 기초하여 하나 이상의 환자 특성을 컴퓨팅하도록 구성되며, 상기 하나 이상의 재구성과 연관된 하나 이상의 이미지 특성을 컴퓨팅하도록 구성되고, 상기 하나 이상의 환자 특성을 이용하여 상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하도록 구성되며, 상기 하나 이상의 이미지 특성, 상기 환자 데이터 세트와 하나 이상의 다른 환자 데이터 세트와의 그룹형성, 또는 이들의 조합을 이용하여 환자 데이터 세트에 적합한 하나 이상의 이미지 획득 파라미터를 식별하도록 구성된다.
또 다른 실시예에 따르면, 이미지 획득 파라미터를 식별하기 위한 컴퓨터-실행가능 프로그래밍 명령어를 지닌, 컴퓨터 시스템 상에서 이용하기 위한 비-일시적 컴퓨터 판독가능 매체가 제공된다. 상기 방법은, 하나 이상의 재구성(reconstrcutions), 하나 이상의 예비 스캔 또는 환자 정보, 및 하나 이상의 이미지 획득 파라미터를 포함하는 환자 데이터 세트를 수신하는 단계와, 하나 이상의 예비 스캔 및 환자 정보 중 적어도 하나에 기초하여 하나 이상의 환자 특성을 컴퓨팅하는 단계와, 상기 하나 이상의 재구성과 연관된 하나 이상의 이미지 특성을 컴퓨팅하는 단계와, 상기 하나 이상의 환자 특성을 이용하여 상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계와, 상기 하나 이상의 이미지 특성, 상기 환자 데이터 세트와 하나 이상의 다른 환자 데이터 세트와의 그룹형성, 또는 이들의 조합을 이용하여 환자 데이터 세트에 적합한 하나 이상의 이미지 획득 파라미터를 식별하는 단계를 포함한다.
개시되는 실시예의 추가적인 목적 및 장점은 이어지는 설명에서 부분적으로 제시될 것이고, 설명으로부터 부분적으로 명백해질 것이며, 또는, 개시되는 실시예의 실시에 의해 학습될 수 있다. 개시되는 실시예의 목적 및 장점은 첨부 청구범위에서 특히 언급되는 요소들 및 조합들을 통해 실현 및 획득될 것이다.
앞서의 간단한 설명 및 다음의 상세한 설명은 예시적이고 설명을 위한 것이며, 청구되는 개시 실시예를 제한하는 것이 아니다.
본 명세서의 일부분에 포함되고 이를 구성하는 첨부 도면은 다양한 예시적 실시예를 보여주며, 상세한 설명과 함께, 개시되는 실시예의 원리를 설명하는 역할을 한다.
도 1은 본 발명의 예시적 실시예에 따른, 이미지 획득 파라미터 식별을 위한 예시적 시스템 및 네트워크의 블록도다.
도 2는 본 발명의 예시적 실시예에 따른, 주 이미징 데이터의 이미지 품질 예측에 사용될 수 있는 모델을 발전시키기 위한 훈련 단계의 예시적 방법의 블록도다.
도 3은 본 발명의 예시적 실시예에 따라, 주 이미징 데이터와 연관된 상황 및 훈련 단계 모델에 기초하여, 요망 이미지 품질을 실현하기 위한 이미지 품질 파라미터를 찾아내기 위한 생산 단계의 예시적 방법의 블록도다.
도 4는 본 발명의 예시적 실시예에 따라, 다양한 유형의 예비 스캔 또는 이미지를 이용하는 모델을 발전시키기 위한 구체적 훈련 단계의 예시적 방법의 블록도다.
도 5는 본 발명의 예시적 실시예에 따라, 의료 이미지의 이미지 품질을 에측하기 위한 구체적 생산 단계의 예시적 방법의 블록도다.
발명의 예시적 실시예를 이제 세부적으로 참조할 것이며, 그 예가 첨부 도면에 예시된다. 가능하다면, 동일한 도면 부호가 도면 전체에서 동일 또는 유사 부분을 나타내기 위해 사용될 것이다.
이미징은 여러 상업용 설정에서 중요할 수 있다. 특히, 의료 이미징은 건강 서비스 제공에 있어서 아주 흔할 수 있다. 그러나 여전히 여러가지 제한사항이 존재할 수 있는 데, 이미징이 제공할 수 있는 정보와, 이미지 획득에서의 제한사항이 존재한다. 정보 제한과 관련하여, 관상동맥 질환에 대한 비침습적 진단 이미징으로부터의 의료 이미징 정보는 관상동맥 내 병소의 해부를 형성함에 있어서 잘 알려진 제한사항으로 다가올 수 있다. 예를 들어, 이미징에 기초하여 관상동맥 병소에 관한 정확한 데이터 - 가령, 크기, 형상, 위치, 기능적 중요도(가령, 병소가 혈류에 영향을 미치는지 여부) - 를 획득하기 위한 방법들이 여전히 개선되고 있다. 이미지 획득 제한사항과 관련하여, 의료 이미징은, 예를 들어, 리소스 소모 및/또는 환자 방사선 노출 대비, 고품질 이미지 획득의 우선순위의 가중화를 수반할 수 있다.
이미지 획득 파라미터(가령, x-선관 전압, x-선 빔 필터, 검출기 구조, 조사 시간, 단위 시간 당 프레임 수, 트리거당 프레임 수, 장치-특이적 설정, 슬라이스 두께, 스캔 모드, 회전 시간, 등)가 이미지 획득 이전에 초기화될 수 있다. 이미지 품질은 이미지 획득을 지시, 확인, 및/또는 교정하는 데 사용될 수 있는 이미징 대상(가령, 높은 BMI를 가진 환자가 낮은 BMI를 가진 환자의 파라미터와는 차별화되는 파라미터를 요구할 수 있고, 또는, 서로 다른 심장 출력을 가진 환자가 서로 다른 스캔 시간을 요구할 수 있으며, 등등), 특정 이미지 획득 기기(가령, 광학 구성요소의 물리적 치수, 출력 x-선 특성, 특정 병원의 특정 룸 내의 나선형 CT 스캐너, 등), 조작자 특성(가령, 이미지 획득을 위한 기기를 작동하는 사람 또는 실체와 관련된 다양한 프로세스 또는 특이성) 및/또는 예비 이미지(가령, 스카우트 이미지)에 기초하여 변할 수 있다. 파라미터는 획득되는 이미지의 품질에 영향을 미칠 수 있고, 이는 최적 세트의 획득 파라미터가 고품질 이미지 생산에 기여할 수 있음을 의미한다. 그러나, 획득 파라미터는 일반적으로 모집단 기반(population-based)의, 또는 일반 또는 표준 이미징 프로토콜에 의해 지시되는, 파라미터다. 획득 파라미터는 특정 환자의 특정 신체 부분 또는 이미징되는 특정 신체 부분과 가까이에 있는 특정 작업에 맞춤화되징 않는다. 예를 들어, 낮은 콘트래스트 밀도 변화로 작은 특징부(가령, 플라그)를 이미징하기 위한 이미징 도즈가 높은 콘트래스트 밀도 변화로 큰 특징부(가령, 심근관류)를 이미징하기에 적절한 이미징 도즈와 다를 수 있다. 이미지 획득은 결과적인 이미징을 개선시킬 수 있는 이러한 차별화에 고려되지 않을 수 있다. 따라서, 고품질 이미지를 생산할 수 있는 이미지 획득 파라미터를 식별하고자 하는 바램이 존재할 수 있다.
본 발명은 의료 이미지 획득 파라미터를 식별하기 위한 시스템 및 방법을 지향하며, 특히, 심장 CT 이미지 획득에 수반되는 이미지를 포함한, 고품질 의료 이미지 생산을 위한 이미지 획득 및 재구성 파라미터를 반복적으로 최적화시키기 위한 시스템 및 방법을 지향한다. 앞서 설명된 바와 같이, 의료 이미지 품질은 모집단-기반 또는 표준 이미지 획득 파라미터, 이미징 대상, 특정 이미지 획득 기기, 및 예비 이미지 중 하나 이상에 의해 영향받을 수 있다. 본 발명은 선호되지 않는 이미징 조건들을 제한하면서 고품질 이미지를 생산할 수 있는 최적 세트의 이미지 획득 파라미터를 예측하도록 하나 이상의 컴퓨팅 시스템을 훈련시키는 히스토리 데이터 및/또는 기계 학습 기술 이용을 지향한다. 예시적인 일반 실시예에 추가하여, 본 발명은 스카우트, 칼슘 스코어링 스캔(calcium scoring scans), 조작자 특성, 및/또는 콘트래스트 타이밍 스캔을 포함한, 예비 스캔에 기초하여 이미지 획득 파라미터의 예측에 관련된 실시예를 설명한다. 그 연장선 상에서, 이미지 획득 파라미터 예측은, 동일한 이미지 획득 파라미터를 이용하여 획득된 과거 이미지에 의해 생선된 이미지 품질에 기초하여 이미지 품질을 예측을 또한 수반할 수 있다.
일 실시예에서, 의료 이미지 획득 파라미터의 식별 및 최적화를 위한 개시되는 기술은, 2012년 11월 20일, Charles A. Taylor에게 허여된 미국특허 제8,315,812호에 설명된 방법과 같은, 환자-특이적 혈류 특성 추정 방법과 연계하여 적용가능하고 사용될 수 있으며, 그 내용 전체는 본 발명에 포함된다. 본 발명의 소정의 실시예가 관상동맥 질환의 진단 및 처치와 관련하여 예시 용도로 설명되지만, 여기서 설명되는 시스템 및 방법이 의료 이미징 분야와 관련하여 최적 세트의 이미지 획득 파라미터의 예측에 적용가능하다.
구체적으로, 본 발명은 3세트의 정보 간의 관계 - 환자 특성, 획득 파라미터, 조작자 특성, 및/또는 이미지 품질 - 를 증류할 수 있는 모델을 학습 및/또는 생성할 수 있는, 훈련 단계를 지향할 수 있다. 훈련 단계는 다양한 환자 특성 및 획득 파라미터가 이미지 품질에 영향을 미치는 방식에 대한 이해를 발전시키도록 복수의 개인과 연관된 프로세싱 데이터를 포함할 수 있다. 그 연장선 상에서, 본 발명은 목표 이미징 응용예를 위한 특정 환자와 관련하여, 특정 품질의 이미지 생성을 도울 수 있는 획득 파라미터를 결정하는 생산 단계를 또한 지향할 수 있다. 예를 들어, 생산 단계는 특정 환자 고유의 특성, 획득 기기, 및/또는 요망되는 목표 획득 파라미터에 비추어, 요망 이미징 응용예를 위한 최적 이미지 품질을 도출할 수 있는 획득 파라미터를 찾아내는 단계를 포함할 수 있다. 일부 경우에, 목표 획득 파라미터는 이미지 품질 및/또는 획득에서의 우선순위를 규정할 수 있다(가령, 우선순위는 방사선 노출 최소화를 포함할 수 있음). 최적화된 획득 파라미터의 출력에 추가하여, 생산 단계는 최적화된 획득 파라미터에 기초하여 고품질 이미지의 생산을 더 포함할 수 있다. 일부 경우에, 설명되는 시스템 및 방법은 심장 CT 이미지의 획득에 적절할 수 있다.
이제 도면을 참조하면, 도 1은 예시적 실시예에 따라, 이미지 획득 파라미터를 식별하기 위한 예시 시스템 및 네트워크의 블록도를 도시한다. 구체적으로, 도 1은, 하나 이상의 컴퓨터, 서버, 및/또는 핸드헬드 모바일 장치를 통해, 인터넷과 같은, 전자 네트워크(100)에 연결될 수 있는, 복수의 의사(102) 및 제3자 제공자(104)를 묘사한다. 의사(102) 및/또는 제3자 제공자(104)는 하나 이상의 환자의 신체 부분의 이미지를 생성 또는 그렇지 않을 경우 획득할 수 있다. 의사(102) 및/또는 제3자 제공자(104)는 연령, 의료 내역, 혈압, 혈액 점도, 등과 같은, 환자-특이적 정보의 임의의 조합을 또한 얻을 수 있다. 의사(102) 및/또는 제3자 제공자(104)는 전자 네트워크(100)를 통해 서버 시스템(106)에 해부학적 이미지 및/또는 환자-특이적 정보를 전송할 수 있다. 서버 시스템(106)은 의사(102) 및/또는 제3자 제공자(104)로부터 수신되는 이미지 및 데이터를 저장하기 위한 저장 장치를 포함할 수 있다. 서버 시스템(106)은 저장 장치에 저장된 이미지 및 데이터를 처리하기 위한 프로세싱 장치를 또한 포함할 수 있다.
도 2는 이미징 대상(가령, 환자), 획득 파라미터(이미징 및/또는 이미지 획득 기기/장치에 사용되는 파라미터를 포함), 조작자 특성, 및 예비 스캔(가령, 획득 파라미터를 이용하여 획득된 이미징 대상의 이미지)들 간의 상관도를 학습하기 위한 모델 훈련 방법의 일반적 실시예를 지향한다. 도 3은 도 2의 방법으로부터의 상관 모델에 기초하여, 특정 환자에 적합한 이미지 획득 파라미터의 출력을 생성하는 방법을 위한 일반적 실시예를 지향한다. 일부 실시예에서, 도 3의 출력 파라미터는 이미지 획득 파라미터를 위한 추천사항으로 취급될 수 있다. 더 구체적으로, 도 3의 방법으로부터 출력되는 파라미터는 이미징 대상 및 이미지 획득 기기 또는 장치를 포함한 지정된 조건 하에서 품질 이미지를 생성하기 위한 파라미터를 포함할 수 있다. 다시 말해서, 도 3의 방법은 동일 조작자에 대하여, 동일한(또는 유사한) 이미지 획득 기기/장치를 이용하여, 동일한(또는 유사한) 이미징 객체의 이미지의 이미지 품질에 기초하여, 명시된 이미지 획득 장치를 이용하여 명시된 이미지 대상을 캡처하기 위한 이미지 품질을 최적화시키도록 이미지 획득 파라미터를 제공할 수 있다. 도 4는 모델 개발의 훈련 단계의 구체적 실시예를 지향하며, 실시예는 다양한 유형의 예비 스캔 또는 이미지에 기초하여 모델의 훈련을 설명한다. 예시적 예비 스캔은 스카우트 스캔, 칼슘 스캔, 콘트래스트 타이밍 스캔, 단일 또는 선택된 모덜리티(modality)의 이전 스캔(가령, 특정 환자의 신체 부분 이미징에 사용될 이미징 모덜리티와 동일한 모덜리티), 및/또는 서로 다른 모덜리티의 이전 스캔을 포함할 수 있다. 도 5는 주어진 이미징 대상 및 이미지 획득 장치에 대하여, 품질 의료 이미지를 생산하기 위한 이미지 획득 파라미터를 결정하기 위한 모델을 이용하는 생산 단계의 구체적 실시예를 지향한다.
도 2는 예시적 실시예에 따라, 예비 스캔, 조작자 특성, 획득 파라미터, 및 재구현에 기초하여, 주 이미징 데이터의 이미지 품질 예측에 사용될 수 있는 모델을 발전시키기 위한 훈련 단계의 예시적 방법(200)의 블록도다. 도 2의 방법은 의사(102) 및/또는 제3자 제공자(104)로부터 전자 네트워크(100)를 통해 수신되는 정보, 이미지, 및 데이터에 기초하여 서버 시스템(106)에 의해 수행될 수 있다. 일부 실시예에서, 예측되는 이미지 품질은 스캔 획득 이전에, 가령, cCTA 스캔의 품질을 예측하는, 주 이미징 데이터의 이미지 품질을 포함할 수 있다.
훈련 단계는 환자 특성, 획득 파라미터, 및 이미지 품질 간의 상관도 이해를 본질적으로 구축한다. 방법(200)은 (예비 스캔 및/또는 환자 정보로부터의) 환자 특성을 획득 파리미터 및 이미지 품질과 상관시키도록 시스템을 훈련시킬 수 있다. 구체적으로, 일 실시예에서, 방법(200)은 의료 이미지, 하나 이상의 예비 스캔(가령, 스카우트 이미지), 및/또는 환자 정보, 획득 파라미터, 조작자 특성, 획득 장치 정보, 등 중 하나 이상의 재구성으로 이루어지는 데이터 세트의 복수의 전자적 표현을 수신하는 시스템(가령, 서버 시스템(106) 포함)을 포함할 수 있다. 예를 들어, 전자적 표현은 하드 드라이브, 클라우드 구조, 등을 통해 전송될 수 있다. 각각의 데이터 세트에 대하여, 시스템은 수신되는 예비 스캔 이미지 및/또는 환자 정보로부터 이미지 및 환자 특성을 컴퓨팅할 수 있다. 시스템은 각각의 데이터 세트에 대하여, 수신되는 재구성의 여러가지 이미지 특성을 또한 컴퓨팅할 수 있다. 예를 들어, 이미지 특성은 수신되는 재구성들의 국부 영역 내 이미지 품질 및 전역 이미지 품질의 척도를 포함할 수 있다. 그 후, 각각의 획득 이미지 장치 유형에 대하여, 시스템은 하나 이상의 클러스터를 할당할 수 있다. 이러한 할당은 각각의 데이터 세트 내 예비 스캔으로부터 컴퓨팅되는 환자 특성에 기초할 수 있다. 일부 실시예에서, 클러스터는 각각의 데이터 세트와 연관된 환자 특성의 유사성에 기초하여 데이터 세트의 번들 또는 네트워크와 같은, 데이터의 그룹 형성과, 획득 장치 유형과의 데이터 세트 상관도를 나타낼 수 있다. 도 2의 블록도는 다양한 획득 및 환자 변수로부터 결과적인 이미지 특성에 통찰력을 제공하는 모델을 발전시키도록 시스템이 각각의 데이터 세트를 어떻게 처리할 수 있는지에 초점을 맞춘 방법(200)을 제시한다.
일 실시예에서, 단계(201)는 복수의 개인 각각에 대한 훈련 데이터 세트의 수신을 포함할 수 있다. 앞서 논의한 바와 같이, 세트는 의료 이미지, 환자 스카우트 이미지 및 정보, 그리고 획득 파라미터의 재구성을 포함할 수 있다. 다음으로, 단계(203)는 각각의 데이터 세트에 대한 이미지 및 환자 특성의 컴퓨팅 및/또는 발견(finding)을 포함할 수 있다. 예를 들어, 단계(203)는 각각의 세트에 대한 메타데이터 태그의 결정을 포함할 수 있고, 태그는 수신되는 환자 스카우트 이미지 및 정보로부터 도출되는 이미지 및 환자 특성을 특징으로할 수 있다. 다음에, 단계(205)는 수신된 세트 내 처리되는 이미지의 이미지 특성의 컴퓨팅을 포함할 수 있다. 예를 들어, 단계(205)는 수신되는 세트 내 재구성의 이미지 품질 특성 컴퓨팅을 포함할 수 있다. 세트의 이미지 및 환자 특성이 결정되면, 단계(207)가 개시될 수 있다. 단계(207)는 세트와 획득 파라미터와의 상관을 포함할 수 있다. 예를 들어, 단계(207)는 여러 획득 장치 유형의 결정과, 세트 생성에 사용되는 각자의 획득 장치(또는 획득 장치 유형)에 기초하여 세트의 식별 또는 불어오기 정보 제공을 포함할 수 있다. 더욱이, 단계(207)는 연관된 획득 파라미터에 기초하여 일 그룹 내에 세트의 배치를 포함할 수 있다. 예를 들어, 단계(207)는 (단계(203)로부터) 컴퓨팅된 환자 특성에 기초하여 세트를 클러스터 내로 배치를 포함할 수 있다. 여러 개의 클러스터들이 (획득 장치 유형을 포함한) 획득 파라미터에 대한 상관도 측면에서 배열될 수 있다. 방법(200)으로부터 나타나는 모델은 환자 특성, 이미지 특성, 조작자 특성, 및 획득 데이터에 의해 형성되는 데이터 세트를 포함할 수 있다. (가령, 획득 장치 유형을 명시하는) 획득을 위한 파라미터가 규정되면, 모델은 환자 특성을 출력할 수 있고, 선택적으로, 예상 또는 예측되는 결과 이미지 품질을 출력할 수 있다. 대안으로서, 모델은 환자 특성에 관한 정보가 주어진 경우, 목표 이미징 응용예를 위한 획득 파라미터 및 대응하는 이미지 품질을 또한 출력할 수 있다. 이러한 출력은 환자 특성, 이미지 특성, 조작자 특성, 및 예시적 훈련 방법(200)에 의해 실현되는 획득 데이터 간의 상관도와 훈련 데이터 세트에 기초한다. 도 3은 방법(200)의 출력 또는 이용에 관한 추가적인 세부사항을 포함한다.
도 3은 예시적 실시예에 따라, 구체적 환자 특성이 주어졌을 때, 요망 이미지 품질 실현을 위해 이미지 획득 파라미터를 찾기 위한 생산 단계의 예시적 방법(300)의 블록도다. 도 3의 방법은 의사(102) 및/또는 제3자 제공자(104)로부터 전자 네트워크(100)를 통해 수신되는 정보, 이미지, 및 데이터에 기초하여, 서버 시스템(106)에 의해 수행될 수 있다. 방법(300)은 시스템(가령, 서버 시스템(106) 상에서 실행될 수 있고, 방법(300)용 시스템은 동일 방법(200)을 수행할 수 있는 시스템과 동일 시스템일 수도 있고 다른 시스템일 수도 있다. 일부 실시예에서, 방법(300)은 자동화될 수 있고, 방법(300) 구동 시스템은 자동화된 이미지 획득 파라미터 시스템을 포함할 수 있다.
일부 실시예에서, 시스템이 환자 및 조작자 특성을 (방법(200)으로부터) 획득 파라미터 및 이미지 품질과 상관시키는 것을 학습하면, 방법(300)은 제공되는 환자 특성에 비추어, 수용가능한 이미지 품질의 이미지를 생산하도록 최적 이미지 스캔 파라미터를 예측하는데 사용될 수 있다. 일 실시예에서, 단계(301)는 데이터 세트 수신을 포함할 수 있다. 일부 예에서, 이러한 데이터 세트는 특정 환자에 속할 수 있고, 생산(가령, 이미지 획득 생산 또는 이미지 획득 파라미터 생산)용 데이터 세트로 사용될 수 있다. 세트는 하나 이상의 예비 이미지, 및/또는 환자 정보, 획득 파라미터(가령, 획득 데이터 정보, 조작자 정보), 등을 포함할 수 있다. 일 실시예에서, 단계(303)는 지정된 획득 파라미터의 수신을 포함할 수 있다. 예를 들어, 지정된 파라미터는 최적화를 위한 파라미터일 수 있다. 다음 논의에서, 파라미터 "최적화"는 파라미터 "최소화"로 설명될 것이다. 예를 들어, 지정된 파라미터가 "방사선 노출" 또는 "노이즈"일 경우, 파라미터 최적화는 획득시 방사선 노출 최소화 또는 이미지의 노이즈 최소화를 각각 수반할 수 있다. 다른 형태의 파라미터 최적화가 존재하지만, 아래의 논의는 "최적화"가 "최소화"를 의미하는 예시적 실시예에 집중될 것이다. 일 실시예에서, 단계(303)는 요망되는 목표 최소 이미지 품질 스코어의 수신을 포함할 수 있다. 일부 경우에, 적어도 설정된, 지정된 획득 파라미터, 및/또는 목표 최소 이미지 품질 스코어가 (가령, 하드 드라이브, 클라우드 구조, 등 상의) 전자적 표현 형태로 수신될 수 있다.
일 실시예에서, 단계(305)는 (가령, 단계(301)에서 수신되는) 예비 이미지 및/또는 환자 정보로부터 여러 환자 특성의 컴퓨팅을 포함할 수 있다. 단계(305)는 훈련 단계(가령, 방법(200))에서 컴퓨팅된 환자 특성의 파라미터 식별과, 단계(301)로부터 수신되는 예비 이미지 및/또는 환자 정보 내 동일 환자 특성을 위한 값들의 결정을 포함할 수 있다. 단계(305)는 조작자 특성들의 파라미터 식별과, 이미지 획득 및/또는 품질과 관련된 조작자 특성의 결정을 더 포함할 수 있다.
일 실시예에서, 단계(307)는 획득 장치 유형을 명시하는 정보의 수신을 포함할 수 있다. 예를 들어, 획득 장치 유형은 이미지 획득을 위한 소정의 설정에서 가용한 장치의 유형일 수 있다. 대안으로서 또는 추가적으로, 획득 장치 유형은 데이터 세트에 기초할 수 있다(가령, 단계(301)로부터 수신된 획득 정보 또는 획득 장치 정보).
일 실시예에서, 단계(307)는 그 후, (가령, 단계(301)에서 수신된) 환자 데이터 세트에 관련된 클러스터의 결정을 포함할 수 있다. 예를 들어, 단계(307)는 획득 장치 유형과 연관된 (훈련) 데이터 세트를 포함하는 클러스터에 데이터 세트의 할당을 포함할 수 있다. 클러스터는 (가령, 방법(200)을 통해 도시되는 훈련 단계 중) 획득 장치 유형과 연관있다고 결정되는 세트를 포함하는 여러개의 클러스터 중 하나일 수 있다. 다시 말해서, 클러스터는 획득 장치 유형 및 환자 정보에 기초하여 그룹형성되는, 하나 이상의 훈련 세트로 구성될 수 있다. 할당은 (가령, 단계(305)에서 컴퓨팅된) 환자 특성에 기초할 수 있다. 할당은 조작자 특성에 또한 기초할 수 있다. 일부 경우에, 할당된 클러스터는 (가령, 단계(303)로부터) 지정된 최소 이미지 품질 스코어를 넘는 이미지 품질 스코어를 가진 적어도 하나의 훈련 세트를 포함할 수 있다. 훈련 세트의 이미지 품질 스코어는, 예를 들어, 방법(200)의 단계(205)에서, 컴퓨팅된 이미지 특성에 기초할 수 있다.
일 실시예에서, 단계(309)는 지정된 최적 획득 파라미터를 가진 할당 클러스터 내의 훈련 세트의 결정을 포함할 수 있다. 앞서 논의한 바와 같이, "최적"은 지정된 획득 파라미터에 대한 최소 또는 최저 값을 의미할 수 있다. 예를 들어, 노이즈의 최적의 지정된 획득 파라미터를 가진 훈련 세트는 할당된 클러스터 내의 모든 훈련 세트 중에서 최저 노이즈를 가질 수 있다. 훈련 세트 결정은 할당된 클러스터 내의 각각의 훈련 세트에 대하여, 지정된 획득 파라미터를 위한 값들의 연산을 포함할 수 있다. 더욱이, 최적의 지정된 획득 파라미터를 가진 훈련 세트 결정은, 연산된 값에 기초하여, 할당 클러스터 내 훈련 데이터 세트들로부터, 하나의 훈련 데이터 세트의 식별 또는 선택을 포함할 수 있다. 일 실시예에서, 단계(311)는 단계(309)로부터 훈련 세트와 연관된 획득 파라미터의 시스템 출력을 포함할 수 있다. 일부 예에서, 파라미터는 전기 저장 매체(가령, 하드 드라이브, 스크린 디스플레이, 등)에 출력될 수 있다. 단계(313)는 출력 획득 파라미터에 기초하여 스캔(가령, cCTA) 획득을 포함할 수 있다.
도 4는 획득 파라미터, 재구성, 및 다양한 유형의 예비 스캔(가령, 스카우트 스캔, 칼슘 스캔, 및/또는 콘트래스트 타이밍 스캔)으로부터 주 이미징 데이터의 이미지 품질을 예측하기 위한 모델의 개발을 위한 훈련 상태의 예시적 방법(400)의 블록도다. 도 4의 방법은 의사(102) 및/또는 제3자 제공자(104)로부터 전자 네트워크(100)를 통해 수신되는 정보, 이미지, 및 데이터에 기초하여 서버 시스템(106)에 의해 수행될 수 있다. 일 실시예에서, 단계(401)는 의료 이미지의 하나 이상의 재구성, 하나 이상의 예비 스캔, 및/또는 환자 정보, 획득 파라미터, 획득 장치 정보, 조작자 특성, 등을 포함하는, 복수의 개인 각각에 대한, 훈련 데이터 세트의 시스템 수신을 포함할 수 있다. 조작자 특성은, 예를 들어, 조작자 식별자(가령, 조작자 식별 코드), 스캔 간 시간, 조작자와 관련된 이전 스캔 품질(또는 조작자 식별 코드), 등을 포함할 수 있다. 일부 경우에, 조작자는 소정 범위의 효율 또는 품질로 이미지를 생산할 수 있다. 방법(400)은 훈련 데이터 세트의 일부분으로 조작자 특성을 수신함에 있어서 이러한 범위를 나타낼 수 있다.
일부 예에서, 훈련 데이터 세트는 (가령, 하드 드라이브, 클라우드 구조, 등 상에서) 전자적 표현의 형태를 취할 수 있다. 일부 경우에, 단계(401)는 각각의 훈련 데이터 세트에 대한 복수의 전자적 표현, 복수의 훈련 데이터 세트에 대한 복수의 전자적 표현, 또는 이들의 조합을 포함하는, 복수의 전자적 표현의 시스템 수신을 포함할 수 있다.
일 실시예에서, 단계(403a-407)는 수신되는 훈련 데이터 세트 각각에 대한 여러개의 연산의 시스템 수행을 포함할 수 있다. 예를 들어, 단계(403a-403c)는 수신되는 예비 스캔 유형에 따라, 시스템이 여러 척도를 전역적으로 컴퓨팅할 수 있는 단계에서의 변화를 포함할 수 있다. 앞서 언급한 바와 같이, 예비 스캔은 예비 스카우트 스캔, 예비 칼슘 스캔, 및/또는 예비 콘트래스트 타이밍 스캔을 포함할 수 있다.
예비 스카우트 스캔을 수반하는 일 실시예에서, 단계(403a)는 예비 스카우트 스캔에서 전역적으로 환자 특성 및 이미지 품질의 척도의 시스템 컴퓨팅을 포함할 수 있고, 전역적 척도는 이미지 해상도, 콘트래스트 레벨, 노이즈 레벨, 콘트래스트-노이즈 비, 모션 또는 블러링(blurring), 부분 볼륨 효과 또는 블루밍(blooming), 빔 하드닝(가령, 입력 이미지 상의 하운스필드 단위 세기(Hounsfield unity intensity)에 의해 물-향상 물질 및 고-개선 물질의 분리에 의해 연산됨), 이미지 획득 시간에 제공되는 처방, 이미지 획득 시간의 심박수, 해부학적 비정상 상태의 존재, 환자 신체 부분, 이식 장치 또는 과거 수술의 존재, 등 중 하나 이상을 포함할 수 있다. 예비 칼슘 스캔을 수반하는 일 실시예에서, 단계(403b)는 예비 칼슘 스캔 및 재구성에서 전역적으로 이미지 품질의 여러 척도의 시스템 컴퓨팅을 포함할 수 있다. 전역적 척도는 이미지 해상도, 콘트래스트 레벨, 노이즈 레벨, 콘트래스트-노이즈 비, 모션 또는 블러링(blurring), 부분 볼륨 효과 또는 블루밍(blooming), 빔 하드닝(가령, 입력 이미지 상의 하운스필드 단위 세기(Hounsfield unity intensity)에 의해 물-향상 물질 및 고-개선 물질의 분리에 의해 연산됨), 이미지 획득 시간에 제공되는 처방, 이미지 획득 시간의 심박수, 해부학적 비정상 상태의 존재, 슬라이스 두께, 오등록 또는 오정렬, 획득 단계, 등 중 적어도 하나를 포함할 수 있다. 예비 콘트래스트 타이밍 스캔을 수반하는 일 실시예에서, 단계(403c)는 예비 콘트래스트 타이밍 스캔 및 재구성에서 전역적으로 이미지 품질의 여러 척도의 시스템 컴퓨팅을 포함할 수 있다. 단계(403c)의 전역적 척도는 이미지 해상도, 콘트래스트 레벨, 노이즈 레벨, 콘트래스트-노이즈 비, 모션 또는 블러링(blurring), 부분 볼륨 효과 또는 블루밍(blooming), 빔 하드닝(가령, 입력 이미지 상의 하운스필드 단위 세기(Hounsfield unity intensity)에 의해 물-향상 물질 및 고-개선 물질의 분리에 의해 연산됨), 이미지 획득 시간에 제공되는 처방, 이미지 획득 시간의 심박수, 해부학적 비정상 상태의 존재, 환자 신체 부분, 이식 장치 또는 과거 수술 존재, 오등록 또는 오정렬, 획득 단계, 등 중 적어도 하나를 포함할 수 있다.
단계(405a-405c)는 예비 스캔과 관련하여 전역 및 국부 이미지 품질 척도의 시스템 컴퓨팅을 포함할 수 있다. 예를 들어, 단계(405a)는 주 스캔(가령, 관상동맥 컴퓨터 단층촬영(CT) 혈관 조영 스캔)의 가용 재구성에서 각각의 관상동맥 중심선에 의해 형성되는 적어도 하나의 재구성된 의료 이미지의 국부 영역 내 그리고 전역적으로 이미지 품질의 여러 척도의 시스템 컴퓨팅을 포함할 수 있다. 일부 예에서, 재구성된 의료 이미지는 해부학적 랜드마크(가령, 모든 가용한 재구성에서 각각의 중심선)에 의해 형성될 수 있다. 다른 예에서, 재구성된 의료 이미지는 재구성의 일부분에서 중심선에 의해 형성될 수 있다. 관상동맥 중심선은 관상동맥 중심선 트리 추출 알고리즘을 구동함으로써 형성될 수 있다. 전역 및 국부 척도는 이미지 해상도, 슬라이스 두께, 스캐너 슬라이스 수, 빠뜨린 슬라이스 또는 빠뜨린 데이터, 이미지 내 상향 대동맥 길이, 관측 시야, 노이즈 레벨, 콘트래스트-노이즈 비, 이미지 세기의 급격한 변화에 의해 검출되는 오등록 또는 오정렬, 에지 폭 또는 에지 검출을 특징으로 하는 모션 또는 블러링, 이미지 세기의 급격한 증가에 의해 검출되는 부분 부피 또는 블루밍, 빔 하드닝(입력 이미지에 대한 하운스필드 단위 세기에 의해 고-개선 물질 및 물-개선 물질의 분리에 의해 연산됨), 생리학적 시뮬레이션 변화에 대한 관상동맥 혈관의 국부화된 영역의 추정 감도, 추정 방사선 도즈(가령, 스캔으로부터 연산되거나 DICOM(Digital Imaging and Communications in Medicine) 헤더로부터 제시됨), 등 중 적어도 하나를 포함할 수 있다. 일부 경우에, 단계(405a)는 예비 스카우트 스캔을 수반하는 방법(400)의 일 실시예와 연계하여 실행될 수 있다.
일 실시예에서, 단계(405b)는 주 스캔의 가용 재구성에서 각각의 관상동맥 세그먼트에 의해 형성되는 적어도 하나의 재구성된 의료 이미지의 국부 영역 내 그리고 전역적으로 이미지 품질의 여러 척도의 시스템 컴퓨팅을 포함할 수 있다. 재구성된 의료 이미지는 가용 재구성 전부 또는 일부분 내의 관상동맥 세그먼트에 의해 형성될 수 있다. 관상동맥 세그먼트는 관상동맥 중심선 트리 추출 알고리즘을 구동함으로써 식별될 수 있다. 전역 및 국부 척도는 이미지 해상도, 슬라이스 두께, 스캐너 슬라이스 수, 빠뜨린 슬라이스 또는 빠뜨린 데이터, 이미지 내 상향 대동맥 길이, 관측 시야, 노이즈 레벨, 콘트래스트-노이즈 비, 이미지 세기의 급격한 변화에 의해 검출되는 오등록 또는 오정렬, 에지 폭 또는 에지 검출을 특징으로 하는 모션 또는 블러링, 이미지 세기의 급격한 증가에 의해 검출되는 부분 부피 또는 블루밍, 빔 하드닝(입력 이미지에 대한 하운스필드 단위 세기에 의해 고-개선 물질 및 물-개선 물질의 분리에 의해 연산됨), 생리학적 시뮬레이션 변화에 대한 관상동맥 혈관의 국부화된 영역의 추정 감도, 이식 장치 또는 과거 수술의 존재, 등 중 적어도 하나를 포함할 수 있다. 일부 경우에, 단계(405b)는 칼슘 스코어링 스캔을 수반하는 방법(400)의 일 실시예와 연계하여 실행될 수 있다. 예비 칼슘 스코어 스캔을 포함하는 방법(400)의 실시예의 경우에, 단계(405c)는 (가령, 단계(401)의 예비 스캔 및/또는 환자 정보로부터) 환자 특성 컴퓨팅을 더 포함할 수 있다.
일 실시예에서, 단계(405c)는 주 스캔의 가용 재구성에서 각각의 관상동맥 중심선에 의해 형성되는 적어도 하나의 재구성된 의료 이미지의 국부 영역 내 그리고 전역적으로 이미지 품질의 여러 척도의 시스템 컴퓨팅을 포함할 수 있다. 재구성된 의료 이미지는 가용 재구성 전부 또는 일부분 내의 관상동맥 중심선에 의해 형성될 수 있다. 앞서 언급한 바와 같이, 관상동맥 중심선은 관상동맥 중심선 트리 추출 알고리즘을 구동함으로써 식별될 수 있다. 전역 및 국부 척도는 이미지 해상도, 슬라이스 두께, 스캐너 슬라이스 수, 빠뜨린 슬라이스 또는 빠뜨린 데이터, 이미지 내 상향 대동맥 길이, 관측 시야, 노이즈 레벨, 콘트래스트-노이즈 비, 이미지 세기의 급격한 변화에 의해 검출되는 오등록 또는 오정렬, 에지 폭 또는 에지 검출을 특징으로 하는 모션 또는 블러링, 이미지 세기의 급격한 증가에 의해 검출되는 부분 부피 또는 블루밍, 빔 하드닝(입력 이미지에 대한 하운스필드 단위 세기에 의해 고-개선 물질 및 물-개선 물질의 분리에 의해 연산됨), 생리학적 시뮬레이션 변화에 대한 관상동맥 혈관의 국부화된 영역의 추정 감도, 이식 장치 또는 과거 수술의 존재, 주어진 국부 이미지 품질과 관련하여 임의의 주어진 관상동맥 세그먼트의 영상해석능력을 평가하는 영상해상능력 스코어(interpretability score), 등 중 적어도 하나를 포함할 수 있다. 일부 경우에, 단계(405c)는 콘트래스트 타이밍 스캔을 수반하는 방법(400)의 일 실시예와 연계하여 실행될 수 있다.
일 실시예에서, 단계(407)는 단계(405a, 405b, 및/또는 405c)로부터 컴퓨팅된 이미지 품질 척도에 기초하여 이미지 품질 스코어의 할당을 포함할 수 있다. 예를 들어, 단계(407)는 단계(401)에서 수신되는 각각의 데이터 세트에 속한 이미지 품질 스코어의 할당을 포함할 수 있다. 단계(407)는 이미지 품질의 단일 척도, 이미지 품질의 복수의 척도, 전역 및 명시된 로컬 영역에 대한 척도들의 특정 조합에 기초하여 이미지 품질 스코어의 할당을 더 포함할 수 있다. 다시 말해서, 단계(407)는 (가령, 단계(401)로부터) 수신되는 데이터 세트의 서브세트, 품질 계측치의 서브세트, 이미지 영역 또는 신체 부분의 서브세트, 등과 연관된 이미지 품질 스코어의 결정을 포함할 수 있다.
일 실시예에서, 단계(409)는 단일 통합 이미지 품질 스코어의 컴퓨팅을 포함할 수 있다. 일 실시예에서, 단계(409)는 단계(407)에서 연산된 스코어에 기초하여 통합 이미지 품질 스코어의 컴퓨팅을 포함할 수 있다. 연산은 예를 들어, 평균, 중간값 모드, 최소값, 최대값, 범위, 가중 평균, 또는 이들의 임의의 조합의 연산을 포함할 수 있다.
일 실시예에서, 단계(411)는 획득 장치 유형을 포함한, 이미지 획득 파라미터의 수신을 포함할 수 있다. 획득 장치는 적어도, CT 벤더, 환자 특성(가령, 비만 환자), 스캔 모드(가령, 나선형, 축방향, 심전도검사(ECG)-게이티드, 등), 나선형 모드의 피치 또는 축방향 모드의 표 피드(table feed), 회전 시간, x-선관 전압, x-선 빔 필터, x-선 빔 시준, 검출기 구조(가령, 128 슬라이스 x 0.7mm), 자동 노출 제어, 재구성 커넬, 등을 포함하는 특징들을 특징으로 할 수 있다. 예비 스카우트 스캔 및/또는 콘트래스트 타이밍 스캔을 포함하는 실시예의 경우에, 획득 장치는 반복적 재구성 기술을 또한 특징으로 할 수 있다.
일 실시예에서, 단계(413)는 각각의 획득 장치 유형과 연관된 하나 이상의 클러스터에 각각의 데이터 세트의 할당을 포함할 수 있다. 일부 실시예에서, 하나 이상의 클러스터에 대한 할당은 (가령, 각각 단계(403a, 403b, 403c)로부터) 각각의 훈련 데이터 세트에 대한 스카우트 스캔, 칼슘 스코어링 스캔, 콘트래스트 타이밍 스캔으로부터 컴퓨팅되는 환자 특성 및 특정치 또는 계측치를 포함하는 특징에 기초할 수 있다. 일 실시예에서, 단계(413)의 할당은 임의의 클러스터링 알고리즘, 예를 들어, k-미인 클러스터링 알고리즘(k-means clustering algorithms)을 이용하여 수행될 수 있다. 예를 들어, k-미인 클러스터링 알고리즘은 클러스터에 대한 할당의 최적화에 사용될 수 있다.
도 5는 예시적 실시예에 따라, 새 관상동맥 컴퓨터 단층 촬영 혈관조영(cCTA) 이미지의 이미지 품질을 예측하기 위한 생산 단계의 예시적 방법(500)의 블록도다. 도 5의 방법은 의사(102) 및/또는 제3자 제공자(104)로부터 전자 네트워크(100)를 통해 수신되는 정보, 이미지, 및 데이터에 기초하여, 서버 시스템(106)에 의해 수행될 수 있다.
앞서 설명된 바와 같이, 방법(400)의 훈련 단계는 예비 스카우트 스캔, 칼슘 스코어링 스캔, 및/또는 콘트래스트 타이밍 스캔, 장치 특성, 및 획득 파라미터를, 각각의 관상동맥 세그먼트를 따라 국부 및 전역 이미지 품질 계측치와 상관시키도록 시스템의 훈련을 포함할 수 있다. 예를 들어, 방법(400)은 상관도를 인지 또는 학습하도록 시스템을 훈련시키는 기계 학습 알고리즘을 포함할 수 있다. 이러한 상관도에 기초하여, 방법(500)은 예를 들어, 장치 특성, 조작자 특성(가령, 조작자 ID로부터), 또는, 환자 정보에 관하여 주어진 정보에 기초하여 이미지 품질을 예상할 수 있다. 방법(500)은 차후 스캔을 위한 예측 기능 최적화 또는 추가적 연마를 위한 피드백으로 새 획득 이미지의 이용을 더 포함할 수 있다. 예를 들어, 새 획득된 이미지와 연관된 정보는 이미지 획득 최적화를 알리기 위해 입력 또는 훈련 데이터 세트로 기능할 수 있다.
구체적으로, 단계(501)는 환자 정보, 획득 파라미터, 획득 장치 정보, 조작자 특성, 및 예비 스카우트 이미지, 칼슘 스코어링 이미지, 또는 콘트래스트 타이밍 이미지를 포함한, 특정 환자에 대한 데이터 세트의 수신을 포함할 수 있다. 데이터 세트는 특정 환자에 속할 수 있다. 일부 실시예에서, 획득 장치 정보는 (가령, 방법(400)의 단계(411 또는 413)로부터) 관련 훈련 단계에서 규정된 획득 장치 정보에 대응할 수 있다. 일 실시예에서, 단계(503)는 지정된 획득 파라미터의 수신을 포함할 수 있다. 이 파라미터는 방법(500)의 최적화(또는 최소화)에 사용되는 파라미터일 수 있다. 예를 들어, 단계(503)는 지정 획득 파라미터로 "추정 방사선 도즈"의 수신을 포함할 수 있다.
일 실시예에서, 단계(503)는 지정된 목표 최소 이미지 품질 스코어의 수신을 더 포함할 수 있다. 예를 들어, 최소 이미지 품질 스코어는 (가령, 방법(400)의 단계(409)에서 설명한 통합 이미지 품질 스코어와 유사한) 통합 이미지 품질 스코어를 나타낼 수 있다. 일부 실시예에서, 데이터 세트, 지정된 획득 파라미터, 및/또는 지정된 목표 최소값이 (가령, 하드 드라이브, 클라우드 구조, 등 상에서) 전자적 표현을 통해 수신될 수 있다.
단계(505)는 예비 스캔 또는 이미지에 기초하여 환자 특성 및/또는 환자 정보의 컴퓨팅을 포함할 수 있다. 일부 실시예에서, 단계(505)에서 컴퓨팅된 환자 특성 및/또는 정보의 적어도 일부분은, 훈련 단계(가령, 방법(400))에 사용되는 환자 특성 및/또는 환자 정보를 포함할 수 있다. 일 실시예에서, 단계(507)는 획득 장치 유형의 명시를 포함할 수 있다(가령, 단계(501)로부터 수신되는 환자 데이터 세트의 각자의 장치 유형 및/또는 훈련 데이터가 존재하는 장치 유형). 단계(507)는 단계(501)로부터 수신되는 데이터 세트(및 관련 환자)를 훈련 단계에서 결정되는 클러스터에 할당하기 위해 (가령, 단계(505)로부터의) 환자 특성 및/또는 조작자 특성의 이용을 포함할 수 있다. 일부 실시예에서, 단계(507)는 (가령, 단계(503)로부터) 지정된 최소 이미지 품질 스코어를 넘는 이미지 품질 스코어를 가진 적어도 하나의 훈련 세트를 포함하는 클러스터에 수신된 데이터 세트가 할당되도록 하는 할당을 포함할 수 있다.
단계(509)는 충분한 이미지 품질 점수를 가진, 할당된 클러스터 내의, 훈련 세트 결정을 포함할 수 있다. 이러한 훈련 세트는 최적의 지정 획득 파라미터와 연관될 수 있다. 방법(500)의 본 실시예의 경우, 지정된 획득 파라미터는 "추정 방사선 도즈"다. 따라서, 단계(509)는 이미지 획득시 환자에 대한 최소 방사선 도즈와 관련된 훈련 세트의 식별을 포함할 수 있다.
일 실시예에서, 단계(511)는 단계(513)에서 결정된 훈련 세트와 연관된 획득 및 재구성 파라미터의 결정 및/또는 불러오기를 포함할 수 있다. 예를 들어, 단계(511)는 전자 저장 매체(가령, 하드 드라이브, 스크린 디스플레이, 등)에서 결정된 훈련 세트의 획득 및 재구성 파라미터의 출력을 포함할 수 있다. 더욱이, 방법(500)은 단계(511)로부터의 획득 파라미터에 기초하여 이미지 또는 스캔을 획득하는 단계(513)를 포함할 수 있다. 예를 들어, 단계(513)는 출력 획득 파라미터에 기초하여 주 cCTA 스캔의 생산을 포함할 수 있다. 다시 말해서, 출력 획득 및/또는 재구성 파라미터는 차후 이미지 획득 및/또는 재구성을 위한 제안 및/또는 추천 파라미터로 기능할 수 있다. 아마도, (가령, 단계(513)로부터) 출력 획득 파라미터를 이용하여 획득된 이미지 또는 스캔은 출력 획득 파라미터와 연관된 훈련 데이터 세트 이미지 품질과 유사한 이미지 품질을 가질 수 있다.
일부 실시예에서, (각각 단계(501, 503, 또는 507)로부터) 적어도 데이터 세트로부터의 정보, 지정 목표 이미지 품질 스코어, 또는 획득 장치 유형은 요청을 포함할 수 있다. 이 요청은 단계(511) 또는 단계(513)를 프람프트하여, 예를 들어, 최적화된 이미지 획득 파라미터에 기초하여, 시스템으로 하여금 최적화된 이미지 획득을 출력 또는 이미지 획득을 개시하게 할 수 있다.
앞서 논의한 바와 같이, (가령, 단계(513)으로부터의) 이미지 획득은 훈련 단계에 의해 발전된 모델의 예측 기능에 대한 피드백으로 또한 기능할 수 있다. 최적화된 이미지 획득 파라미터의 출력을 이용하여 획득된 이미지는, 적어도, 지정된 획득 파라미터와 관련하여, 출력 이미지 획득 파라미터와 관련된 훈련 데이터 세트의 이미지 품질과 유사한 품질의 것으로 기대될 수 있다. 단계(512)의 이미지 또는 스캔을 피드백으로 작용시키기 위해, 단계(513)는 이미지 또는 스캔과 연관된 데이터 세트의 결정을 더 포함할 수 있다. 데이터 세트는 앞서 설명된 훈련 데이터 세트와 일관된, 하나 이상의 재구성, 하나 이상의 예비 스캔 및/또는 환자 정보, 및 하나 이상의 획득 파라미터를 포함할 수 있다.
발명의 다른 실시예는 여기서 개시되는 발명의 명세서 및 실시를 고려하여 당 업자에게 명백할 것이다. 본 명세서 및 예들은 단지 예시로 간주되어야 하며, 발명의 진실한 범위 및 사상은 다음의 청구범위에 의해 표시된다.

Claims (20)

  1. 이미지 획득 파라미터를 식별하는 컴퓨터-구현 방법에 있어서, 상기 방법은,
    하나 이상의 재구성(reconstrcutions), 하나 이상의 예비 스캔 또는 환자 정보, 및 하나 이상의 이미지 획득 파라미터를 포함하는 환자 데이터 세트를 수신하는 단계와,
    상기 하나 이상의 예비 스캔 및 환자 정보 중 적어도 하나에 기초하여 하나 이상의 환자 특성을 컴퓨팅하는 단계와,
    상기 하나 이상의 환자 특성을 이용하여 상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계와,
    상기 하나 이상의 재구성과 연관된 하나 이상의 이미지 특성을 컴퓨팅하는 단계와,
    상기 하나 이상의 컴퓨팅된 이미지 특성, 상기 환자 데이터 세트와 하나 이상의 다른 환자 데이터 세트와의 그룹형성, 또는 이들의 조합을 이용하여 환자 데이터 세트에 적합한 하나 이상의 추천된 이미지 획득 파라미터를 식별하는 단계를 포함하는
    컴퓨터-구현 방법.
  2. 제 1 항에 있어서,
    하나 이상의 획득 장치 유형을 결정하는 단계 - 상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계는, 상기 환자 데이터 세트와 상기 하나 이상의 획득 장치 유형 간의 상관도에 기초함 - 를 더 포함하는
    컴퓨터-구현 방법.
  3. 제 1 항에 있어서,
    상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계는, 상기 하나 이상의 다른 환자 데이터 세트 각자의 하나 이상의 다른 환자 특성에 기초하는
    컴퓨터-구현 방법.
  4. 제 1 항에 있어서,
    환자 데이터 세트에 적합한 하나 이상의 추천된 이미지 획득 파라미터를 식별하는 단계는,
    최적화할 지정 이미지 획득 파라미터를 식별하는 단계를 더 포함하는
    컴퓨터-구현 방법.
  5. 제 4 항에 있어서,
    환자 데이터 세트에 적합한 하나 이상의 추천된 이미지 획득 파라미터를 식별하는 단계는,
    상기 지정 이미지 획득 파라미터를 위한 최적값을 가진 것으로 환자 데이터 세트를 식별하는 단계를 더 포함하는
    컴퓨터-구현 방법.
  6. 제 1 항에 있어서,
    하나 이상의 추천된 이미지 획득 파라미터에 기초하여 이미지를 생성하는 단계를 더 포함하는
    컴퓨터-구현 방법.
  7. 제 6 항에 있어서,
    상기 이미지와 연관된 추가 데이터 세트를 결정하는 단계와,
    추가 데이터 세트를 상기 환자 데이터 세트, 상기 하나 이상의 다른 환자 데이터 세트, 또는 이들의 조합과 그룹형성하는 단계를 더 포함하는
    컴퓨터-구현 방법.
  8. 제 1 항에 있어서,
    상기 하나 이상의 이미지 특성은 전역 및 국부 이미지 품질의 척도를 포함하는
    컴퓨터-구현 방법.
  9. 이미지 획득 파라미터 식별 시스템에 있어서, 상기 시스템은,
    이미지 획득 파라미터를 식별하기 위한 명령어를 저장하는 데이터 저장 장치와,
    방법을 수행하기 위한 명령어를 실행하도록 구성되는 프로세서를 포함하되, 상기 방법은,
    하나 이상의 재구성(reconstrcutions), 하나 이상의 예비 스캔 또는 환자 정보, 및 하나 이상의 이미지 획득 파라미터를 포함하는 환자 데이터 세트를 수신하는 단계와,
    하나 이상의 예비 스캔 및 환자 정보 중 적어도 하나에 기초하여 하나 이상의 환자 특성을 컴퓨팅하는 단계와,
    상기 하나 이상의 환자 특성을 이용하여 상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계와,
    상기 하나 이상의 재구성과 연관된 하나 이상의 이미지 특성을 컴퓨팅하는 단계와,
    상기 하나 이상의 컴퓨팅된 이미지 특성, 상기 환자 데이터 세트와 하나 이상의 다른 환자 데이터 세트와의 그룹형성, 또는 이들의 조합을 이용하여 환자 데이터 세트에 적합한 하나 이상의 추천된 이미지 획득 파라미터를 식별하는 단계를 포함하는
    시스템.
  10. 제 9 항에 있어서,
    상기 시스템은 하나 이상의 획득 장치 유형을 결정하도록 또한 구성되고, 상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계는, 상기 환자 데이터 세트와 상기 하나 이상의 획득 장치 유형 간의 상관도에 기초하는
    시스템.
  11. 제 9 항에 있어서,
    상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계는, 상기 하나 이상의 다른 환자 데이터 세트 각자의 하나 이상의 다른 환자 특성에 기초하는
    시스템.
  12. 제 9 항에 있어서,
    환자 데이터 세트에 적합한 하나 이상의 추천된 이미지 획득 파라미터를 식별하는 단계는,
    최적화할 지정 이미지 획득 파라미터를 식별하는 단계를 더 포함하는
    시스템.
  13. 제 12 항에 있어서,
    환자 데이터 세트에 적합한 하나 이상의 추천된 이미지 획득 파라미터를 식별하는 단계는,
    상기 지정 이미지 획득 파라미터를 위한 최적값을 가진 것으로 환자 데이터 세트를 식별하는 단계를 더 포함하는
    시스템.
  14. 제 9 항에 있어서,
    상기 시스템은,
    하나 이상의 추천된 이미지 획득 파라미터에 기초하여 이미지를 생성하도록 또한 구성되는
    시스템.
  15. 제 14 항에 있어서,
    상기 시스템은,
    상기 이미지와 연관된 추가 데이터 세트를 결정하도록, 그리고,,
    상기 추가 데이터 세트를 상기 환자 데이터 세트, 상기 하나 이상의 다른 환자 데이터 세트, 또는 이들의 조합과 그룹형성하도록, 또한 구성되는
    시스템.
  16. 제 9 항에 있어서,
    상기 하나 이상의 이미지 특성은 전역 및 국부 이미지 품질의 척도를 포함하는
    시스템.
  17. 이미지 획득 파라미터를 식별하는 방법을 수행하기 위한 컴퓨터-실행가능 프로그래밍 명령어를 지닌, 컴퓨터 시스템 상에서 이용하기 위한 비-일시적 컴퓨터 판독가능 매체에 있어서, 상기 방법은,
    하나 이상의 재구성(reconstrcutions), 하나 이상의 예비 스캔 또는 환자 정보, 및 하나 이상의 이미지 획득 파라미터를 포함하는 환자 데이터 세트를 수신하는 단계와,
    하나 이상의 예비 스캔 및 환자 정보 중 적어도 하나에 기초하여 하나 이상의 환자 특성을 컴퓨팅하는 단계와,
    상기 하나 이상의 환자 특성을 이용하여 상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계와,
    상기 하나 이상의 재구성과 연관된 하나 이상의 이미지 특성을 컴퓨팅하는 단계와,
    상기 하나 이상의 컴퓨팅된 이미지 특성, 상기 환자 데이터 세트와 하나 이상의 다른 환자 데이터 세트와의 그룹형성, 또는 이들의 조합을 이용하여 환자 데이터 세트에 적합한 하나 이상의 추천된 이미지 획득 파라미터를 식별하는 단계를 포함하는
    비-일시적 컴퓨터 판독가능 매체.
  18. 제 17 항에 있어서,
    상기 방법은,
    하나 이상의 획득 장치 유형을 결정하는 단계 - 상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계는, 상기 환자 데이터 세트와 상기 하나 이상의 획득 장치 유형 간의 상관도에 기초함 - 를 더 포함하는
    비-일시적 컴퓨터 판독가능 매체.
  19. 제 17 항에 있어서,
    상기 환자 데이터 세트를 하나 이상의 다른 환자 데이터 세트와 그룹형성하는 단계는, 상기 하나 이상의 다른 환자 데이터 세트 각자의 하나 이상의 다른 환자 특성에 기초하는
    비-일시적 컴퓨터 판독가능 매체.
  20. 제 17 항에 있어서,
    환자 데이터 세트에 적합한 하나 이상의 추천된 이미지 획득 파라미터를 식별하는 단계는,
    최적화할 지정 이미지 획득 파라미터를 식별하는 단계를 더 포함하는
    비-일시적 컴퓨터 판독가능 매체.
KR1020167016365A 2014-01-10 2015-01-08 의료 이미지 획득 파라미터 식별 시스템 및 방법 KR101718675B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201461925947P 2014-01-10 2014-01-10
US61/925,947 2014-01-10
US14/506,293 US9152761B2 (en) 2014-01-10 2014-10-03 Systems and methods for identifying medical image acquisition parameters
US14/506,293 2014-10-03
PCT/US2015/010578 WO2015105944A1 (en) 2014-01-10 2015-01-08 Systems and methods for identifying medical image acquisition parameters

Publications (2)

Publication Number Publication Date
KR20160078509A true KR20160078509A (ko) 2016-07-04
KR101718675B1 KR101718675B1 (ko) 2017-03-21

Family

ID=53521612

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020167016365A KR101718675B1 (ko) 2014-01-10 2015-01-08 의료 이미지 획득 파라미터 식별 시스템 및 방법

Country Status (8)

Country Link
US (7) US9152761B2 (ko)
EP (2) EP3399451A1 (ko)
JP (1) JP6101871B2 (ko)
KR (1) KR101718675B1 (ko)
CN (2) CN106062755A (ko)
AU (1) AU2015204800B2 (ko)
CA (1) CA2934288A1 (ko)
WO (1) WO2015105944A1 (ko)

Families Citing this family (71)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9317919B2 (en) * 2010-11-12 2016-04-19 Koninklijke Philips N.V. Identifying individual sub-regions of the cardiovascular system for calcium scoring
JP6270843B2 (ja) * 2012-08-10 2018-01-31 マウイ イマギング，インコーポレーテッド 多数開口超音波プローブの校正
WO2014182505A1 (en) 2013-05-10 2014-11-13 Stenomics, Inc. Modeling and simulation system for optimizing prosthetic heart valve treatment
US9883848B2 (en) 2013-09-13 2018-02-06 Maui Imaging, Inc. Ultrasound imaging using apparent point-source transmit transducer
US9092743B2 (en) 2013-10-23 2015-07-28 Stenomics, Inc. Machine learning system for assessing heart valves and surrounding cardiovascular tracts
JP6411073B2 (ja) * 2014-06-02 2018-10-24 キヤノンメディカルシステムズ株式会社 医用画像処理装置および医用画像処理方法
EP2966581A1 (de) * 2014-07-07 2016-01-13 Siemens Aktiengesellschaft Netzwerksystem und Verfahren zur Steuerung eines Computertomographen
JP6746599B2 (ja) * 2015-02-23 2020-08-26 メイヨ フォンデーシヨン フォー メディカル エジュケーション アンド リサーチ 光子計数コンピュータ断層撮影のための画像技術パラメータを最適化する方法
CN108475540B (zh) 2015-11-10 2022-02-22 哈特弗罗公司 用于使用来自过程的信息进行解剖建模的系统和方法描述
US20190027243A1 (en) * 2016-01-27 2019-01-24 Koninklijke Philips N.V. Predictive model for optimizing clinical workflow
US10856846B2 (en) 2016-01-27 2020-12-08 Maui Imaging, Inc. Ultrasound imaging with sparse array probes
US10074037B2 (en) * 2016-06-03 2018-09-11 Siemens Healthcare Gmbh System and method for determining optimal operating parameters for medical imaging
US20190156942A1 (en) * 2016-07-15 2019-05-23 Koninklijke Philips N.V. Apparatus for assessing medical device quality
US10049301B2 (en) * 2016-08-01 2018-08-14 Siemens Healthcare Gmbh Medical scanner teaches itself to optimize clinical protocols and image acquisition
WO2018087083A1 (en) * 2016-11-10 2018-05-17 Koninklijke Philips N.V. Selecting acquisition parameter for imaging system
CN110140178B (zh) * 2016-11-23 2023-08-18 皇家飞利浦有限公司 用于知道上下文的图像质量收集和反馈的闭环系统
US10242443B2 (en) * 2016-11-23 2019-03-26 General Electric Company Deep learning medical systems and methods for medical procedures
JP6754903B2 (ja) * 2016-12-20 2020-09-16 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． Ｍｒｉシステムを構成するための方法、コンピュータプログラム及び制御システム
EP3392804A1 (en) * 2017-04-18 2018-10-24 Koninklijke Philips N.V. Device and method for modelling a composition of an object of interest
WO2018220182A1 (en) * 2017-06-02 2018-12-06 Koninklijke Philips N.V. Systems and methods to provide confidence values as a measure of quantitative assurance for iteratively reconstructed images in emission tomography
US10950343B2 (en) * 2017-06-29 2021-03-16 Siemens Healthcare Gmbh Highlighting best-matching choices of acquisition and reconstruction parameters
EP3229160A3 (en) * 2017-07-19 2017-11-29 Siemens Healthcare GmbH Method for configuring a medical instrument, system for con-figuring a medical instrument, computer program product and computer readable medium
EP3659150B1 (en) * 2017-07-25 2024-03-06 Koninklijke Philips N.V. Device, system, and method for optimizing image acquisition workflows
US10973489B2 (en) * 2017-09-29 2021-04-13 General Electric Company CT imaging system and method using a task-based image quality metric to achieve a desired image quality
CN111356406B (zh) 2017-10-06 2024-05-28 埃默里大学 用于确定一个或多个动脉节段的血液动力学信息的方法和系统
US10783634B2 (en) 2017-11-22 2020-09-22 General Electric Company Systems and methods to deliver point of care alerts for radiological findings
US11049250B2 (en) * 2017-11-22 2021-06-29 General Electric Company Systems and methods to deliver point of care alerts for radiological findings
US10799189B2 (en) * 2017-11-22 2020-10-13 General Electric Company Systems and methods to deliver point of care alerts for radiological findings
US11871995B2 (en) 2017-12-18 2024-01-16 Hemolens Diagnostics Sp. Z O.O. Patient-specific modeling of hemodynamic parameters in coronary arteries
EP3502727B1 (en) * 2017-12-22 2022-01-26 Siemens Healthcare GmbH Method for determining an imaging quality information for a magnetic resonance imaging apparatus from a signal-to-noise ratio at an anatomical landmark
WO2019141651A1 (en) * 2018-01-22 2019-07-25 Koninklijke Philips N.V. Deep learning based image figure of merit prediction
GB2570449B (en) * 2018-01-23 2022-05-18 Canon Kk Method and system for auto-setting of cameras
CN108257132A (zh) * 2018-03-05 2018-07-06 南方医科大学 一种基于机器学习的ct图像质量评估的方法
DE102018207632A1 (de) * 2018-05-16 2019-11-21 Siemens Healthcare Gmbh Bestimmen einer Bildgebungsmodalität und der Parameter dafür
EP3599611A1 (en) * 2018-07-24 2020-01-29 Koninklijke Philips N.V. A method for enabling magnetic resonance imaging of a subject
CN112292732A (zh) * 2018-06-22 2021-01-29 皇家飞利浦有限公司 用于实现对对象的磁共振成像的方法
US10824892B2 (en) * 2018-06-29 2020-11-03 General Electric Company System and method for imaging an object via pre-shot processing
CN110728274A (zh) * 2018-06-29 2020-01-24 通用电气公司 医疗设备计算机辅助扫描方法、医疗设备及可读存储介质
JP7210175B2 (ja) * 2018-07-18 2023-01-23 キヤノンメディカルシステムズ株式会社 医用情報処理装置、医用情報処理システム及び医用情報処理プログラム
US11836597B2 (en) * 2018-08-09 2023-12-05 Nvidia Corporation Detecting visual artifacts in image sequences using a neural network model
US10878311B2 (en) * 2018-09-28 2020-12-29 General Electric Company Image quality-guided magnetic resonance imaging configuration
CN109102861A (zh) * 2018-11-01 2018-12-28 京东方科技集团股份有限公司 一种基于智能终端的饮食监控方法及装置
JP7353965B2 (ja) * 2018-12-26 2023-10-02 キヤノンメディカルシステムズ株式会社 医用画像診断システム及び学習済みモデルの生成方法
US11510629B2 (en) * 2018-12-26 2022-11-29 General Electric Company Systems and methods for detecting patient state in a medical imaging session
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
KR20200097596A (ko) 2019-02-08 2020-08-19 삼성메디슨 주식회사 사용자 프리셋(User Preset)을 제공하는 초음파 진단 장치 및 그 동작 방법
US11386555B2 (en) * 2019-02-21 2022-07-12 Case Western Reserve University Assessment of arterial calcifications
CN110364248A (zh) * 2019-07-02 2019-10-22 复旦大学附属中山医院 基于深度学习的多模态成像扫描协议推荐方法及系统
US11883206B2 (en) 2019-07-29 2024-01-30 Hologic, Inc. Personalized breast imaging system
JP7446736B2 (ja) * 2019-08-09 2024-03-11 キヤノンメディカルシステムズ株式会社 医用データ処理装置および医用画像診断装置
JP7465342B2 (ja) 2019-09-27 2024-04-10 ホロジック， インコーポレイテッド ２ｄ／３ｄ乳房画像を精査するための読み取り時間および読み取り複雑性を予測するためのａｉシステム
WO2021062173A1 (en) * 2019-09-27 2021-04-01 The Johns Hopkins University Optimal scan pattern for medical imaging device
US11969280B2 (en) 2020-01-07 2024-04-30 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US20220392065A1 (en) 2020-01-07 2022-12-08 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
JP2023509514A (ja) 2020-01-07 2023-03-08 クリールリー、 インコーポレーテッド 医用画像分析、診断、重症度分類、意思決定、および／または疾患追跡のためのシステム、方法、およびデバイス
CN111402347A (zh) * 2020-03-20 2020-07-10 吴刚 一种基于物联网的新冠肺炎疫情防控系统
WO2021213519A1 (zh) * 2020-04-23 2021-10-28 上海联影医疗科技股份有限公司 图像获取、判断图像质量、医学图像采集的方法和系统
CN111461065B (zh) * 2020-04-24 2024-01-05 上海联影医疗科技股份有限公司 管状结构识别方法、装置、计算机设备和可读存储介质
WO2021250484A1 (en) * 2020-06-10 2021-12-16 Parth Chopra System and method to diagnose respiratory diseases in real-time
EP3925539A1 (en) 2020-06-19 2021-12-22 Koninklijke Philips N.V. X-ray imaging system
DE102021202293A1 (de) 2021-03-09 2022-09-15 Siemens Healthcare Gmbh Verfahren zum Bestimmen eines Bildgebungsparameterwertes für die Steuerung eines medizintechnischen Gerätes bei einem Erfassen eines ersten Bilddatensatzes
DE102021203273A1 (de) 2021-03-31 2022-10-06 Siemens Healthcare Gmbh Verfahren zur Bereitstellung einer Klassifizierung einer Röntgenaufnahme in Verbindung mit einem Röntgensystem
US11922621B2 (en) * 2021-04-26 2024-03-05 Biosense Webster (Israel) Ltd. Automatic frame selection for 3D model construction
KR20240008894A (ko) * 2021-05-18 2024-01-19 홀로직, 인크. 유방촬영 이미지들을 취득하기 위한 머신 학습 기반 최적의 노출 기법 예측을 위한 시스템들 및 방법들
CN113709369B (zh) * 2021-08-26 2023-06-02 苏州景昱医疗器械有限公司 慢性病患者视频追溯方法及相关装置
US12002204B2 (en) 2021-09-10 2024-06-04 GE Precision Healthcare LLC Patient anatomy and task specific automatic exposure control in computed tomography
US12112470B2 (en) * 2021-09-29 2024-10-08 Siemens Healthineers Ag Probabilistic tree tracing and large vessel occlusion detection in medical imaging
US20230289963A1 (en) 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination
JP2023180532A (ja) * 2022-06-09 2023-12-21 富士フイルムヘルスケア株式会社 医用画像処理装置、画像診断装置、及び医用画像処理方法
EP4372756A1 (en) * 2022-11-15 2024-05-22 Koninklijke Philips N.V. Communicating medical images
WO2024104816A1 (en) * 2022-11-15 2024-05-23 Koninklijke Philips N.V. Transmitting medical images

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110110572A1 (en) * 2009-11-11 2011-05-12 Jens Guehring System for Dynamically Improving Medical Image Acquisition Quality

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4835690A (en) * 1985-11-19 1989-05-30 Picker International, Inc. Integrated expert system for medical imaging scan, set-up, and scheduling
JP2004160103A (ja) * 2002-11-11 2004-06-10 Terarikon Inc 医用画像複合観察装置
CN1742275A (zh) * 2002-12-19 2006-03-01 皇家飞利浦电子股份有限公司 用于对医学成像系统选择操作参数的方法和设备
US7529394B2 (en) 2003-06-27 2009-05-05 Siemens Medical Solutions Usa, Inc. CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system
CN101686825B (zh) * 2007-06-21 2012-08-22 皇家飞利浦电子股份有限公司 使用动态模型调整用于动态医学成像的采集协议
US8496589B2 (en) * 2007-08-30 2013-07-30 Panasonic Corporation Ultrasonic diagnosis device and ultrasonic diagnosis system
US8270695B2 (en) * 2008-10-07 2012-09-18 Carestream Health, Inc. Diagnostic image processing with automatic self image quality validation
US10504197B2 (en) * 2009-04-15 2019-12-10 Koninklijke Philips N.V. Clinical decision support systems and methods
RU2567216C2 (ru) * 2009-10-22 2015-11-10 Конинклейке Филипс Электроникс Н.В. Методика определения параметров сканирования
DE102010027311B4 (de) * 2010-07-16 2016-09-01 Siemens Healthcare Gmbh CT-System zur Abtastung eines Patienten mit Computersystem zur Steuerung des CT Systems
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US9168013B2 (en) * 2010-12-13 2015-10-27 Koninklijke Philips N.V. Breast density assessment
DE102011002928A1 (de) * 2011-01-20 2012-07-26 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Konfiguration einer medizinischen Bildgebungsvorrichtung
JP5952835B2 (ja) * 2011-02-04 2016-07-13 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 撮像プロトコルの更新及び／又はリコメンダ
US9715575B2 (en) * 2011-03-29 2017-07-25 Koninklijke Philips N.V. Image acquisition and/or image related parameter recommender
US20120299916A1 (en) * 2011-05-23 2012-11-29 Steadman Philippon Research Institute System and method for quantitative measurement of cartilage health using mri mapping techniques
US8507869B2 (en) * 2011-10-27 2013-08-13 General Electric Company Methods and systems for adaptive tomographic imaging
EP2780883A4 (en) * 2011-11-17 2015-06-10 Bayer Medical Care Inc METHODS AND TECHNIQUES FOR COLLECTING, REPORTING AND MANAGING INFORMATION RELATING TO MEDICAL DIAGNOSTIC PROCEDURES
US20130136328A1 (en) * 2011-11-30 2013-05-30 General Electric Company Methods and systems for enhanced tomographic imaging
US8788459B2 (en) 2012-05-15 2014-07-22 Splunk Inc. Clustering for high availability and disaster recovery
EP3007771B1 (en) * 2013-06-12 2017-09-06 University Health Network Method and system for automated quality assurance and automated treatment planning in radiation therapy

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110110572A1 (en) * 2009-11-11 2011-05-12 Jens Guehring System for Dynamically Improving Medical Image Acquisition Quality

Also Published As

Publication number Publication date
WO2015105944A1 (en) 2015-07-16
US20200151876A1 (en) 2020-05-14
EP3092587A1 (en) 2016-11-16
CN110827956A (zh) 2020-02-21
US11257585B2 (en) 2022-02-22
US20150269718A1 (en) 2015-09-24
US9152761B2 (en) 2015-10-06
US20160217569A1 (en) 2016-07-28
JP6101871B2 (ja) 2017-03-22
AU2015204800A1 (en) 2016-06-16
US9330233B2 (en) 2016-05-03
US20170372476A1 (en) 2017-12-28
EP3399451A1 (en) 2018-11-07
US20240047045A1 (en) 2024-02-08
CN106062755A (zh) 2016-10-26
US20220139529A1 (en) 2022-05-05
JP2017501787A (ja) 2017-01-19
US9805470B2 (en) 2017-10-31
US11837353B2 (en) 2023-12-05
AU2015204800B2 (en) 2017-08-17
CA2934288A1 (en) 2015-07-16
US20150199478A1 (en) 2015-07-16
US10572998B2 (en) 2020-02-25
KR101718675B1 (ko) 2017-03-21

Similar Documents

Publication Publication Date Title
KR101718675B1 (ko) 의료 이미지 획득 파라미터 식별 시스템 및 방법
US10896352B2 (en) Deep learning medical systems and methods for image reconstruction and quality evaluation
US10395366B2 (en) Method and system for assessing vessel obstruction based on machine learning
WO2021213519A1 (zh) 图像获取、判断图像质量、医学图像采集的方法和系统
EP3654846B1 (en) Inflammation estimation from x-ray image data
KR20180097035A (ko) 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치
WO2017148502A1 (en) Automatic detection of an artifact in patient image data
EP4066260A1 (en) Automated protocoling in medical imaging systems
US9192340B2 (en) Imaging method and apparatus with optimized grayscale value window determination

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
FPAY Annual fee payment

Payment date: 20200305

Year of fee payment: 4