TWI775831B - 用於促進影像系統之自主控制的系統及方法 - Google Patents

用於促進影像系統之自主控制的系統及方法 Download PDF

Info

Publication number
TWI775831B
TWI775831B TW107112170A TW107112170A TWI775831B TW I775831 B TWI775831 B TW I775831B TW 107112170 A TW107112170 A TW 107112170A TW 107112170 A TW107112170 A TW 107112170A TW I775831 B TWI775831 B TW I775831B
Authority
TW
Taiwan
Prior art keywords
image
parameter
neural network
retake
action
Prior art date
Application number
TW107112170A
Other languages
English (en)
Other versions
TW201843647A (zh
Inventor
學謙 胡
Original Assignee
美商艾維泰公司
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 美商艾維泰公司 filed Critical 美商艾維泰公司
Publication of TW201843647A publication Critical patent/TW201843647A/zh
Application granted granted Critical
Publication of TWI775831B publication Critical patent/TWI775831B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Studio Devices (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本發明係關於一影像系統之自主控制。在一些實施例中，接收至少包含複數個影像及動作資訊之訓練資訊。將該複數個影像及該動作資訊提供至一預測模型以訓練該預測模型。此外，控制一影像擷取器件以擷取一活體之一部分的一影像，經由該預測模型處理該影像以判定待相對於該影像採取之一動作，且相對於該影像採取該經判定動作。

Description

用於促進影像系統之自主控制的系統及方法
本發明係關於一影像系統之自主控制，包含例如訓練一神經網路或其他預測模型以自主地控制一影像系統。
目前，存在出於診斷目的而獲取影像之影像系統。然而，習知影像系統缺乏藉由學習改良之能力，且因此產生可包含誤差之影像。據此，校正由習知影像系統產生之影像之誤差可為耗時且低效的。例如，傳統影像處理演算法(諸如Siemens「點引擎(dot-engine)」產品)缺乏藉由學習改良之能力。因而，可能由此產品產生誤差，且校正此等誤差可為耗時且低效的。存在此等及其他缺點。
據此，本發明之一個態樣係關於用於促進一影像系統之自主控制的系統。該系統包含一或多個處理器及/或其他組件。該一或多個處理器係藉由機器可讀指令組態以：接收訓練資訊，該訓練資訊至少包含(i)各對應於一活體之一部分的複數個影像，及(ii)針對該複數個影像之各影像的動作資訊，該動作資訊指示相對於該影像採取之一或多個動作，該一或多個動作包含接受該影像、丟棄該影像、或重拍該影像所對應之該活體的該部分之一後續影像以替換該影像；將該複數個影像及該複數個影像之該動作資訊作為輸入提供至一預測模型，以關於待相對於對應於該活體之該部分的一新影像採取之一動作而訓練該預測模型；使用該預測模型控制一影像擷取器件以擷取一第一活體之一第一部分的一第一影像；經由該預測模型處理該第一影像以判定待相對於該第一影像採取之一第一動作，該第一動作之該判定係基於該預測模型之該訓練；及引起相對於該第一影像採取該第一動作。 本發明之另一態樣係關於一種用於促進一影像系統之自主控制的方法。該方法包含：接收訓練資訊，該訓練資訊至少包含(i)各對應於一活體之一部分的複數個影像，及(ii)針對該複數個影像之各影像的動作資訊，該動作資訊指示相對於該影像採取之一或多個動作，該一或多個動作包含接受該影像、丟棄該影像、或重拍該影像所對應之該活體的該部分之一後續影像以替換該影像；將該複數個影像及該複數個影像之該動作資訊作為輸入提供至一預測模型，以關於待相對於對應於該活體之該部分的一新影像採取之一動作而訓練該預測模型；使用該預測模型控制一影像擷取器件以擷取一第一活體之一第一部分的一第一影像；經由該預測模型處理該第一影像以判定待相對於該第一影像採取之一第一動作，該第一動作之該判定係基於該預測模型之該訓練；及引起相對於該第一影像採取該第一動作。 透過本發明之詳細描述及其隨附圖式，本發明之各種其他態樣、特徵及優點將顯而易見。亦應理解，前文一般描述及下文詳細描述兩者僅係實例性的且不限制本發明之範疇。如本說明書及技術方案中所使用，除非內文另有清楚地指示，否則單數形式之「一」、「一個」及「該」包含複數個指稱物。另外，如本說明書及技術方案中所使用，除非內文另有清楚地指示，否則術語「或」意謂「及/或」。
相關申請案之交叉參考 本申請案主張以下專利申請案之優先權：(1) 2017年8月3日申請之標題為「SYSTEM AND METHOD FOR FACILITATING AUTONOMOUS CONTROL OF AN IMAGING SYSTEM」之美國專利申請案第15/668,118號；及(2) 2017年5月2日申請之標題為「AUTONOMOUS SELF-LEARNING AND SELF-EXECUTING MEDICAL IMAGING SYSTEM」之美國臨時專利申請案第62/500,331號，該等案之各者之全文以引用方式併入本文中。 在下文描述中，出於解釋目的，闡述眾多特定細節以提供對本發明之實施例的一透徹理解。然而，熟習此項技術者將明白可在無此等特定細節之情況下或在具有一等效配置之情況下實踐本發明之實施例。在其他例項中，以方塊圖形式展示熟知結構及器件以避免不必要地模糊本發明之實施例。 圖1繪示根據一或多項實施例之用於促進一(若干)影像系統124的自主控制之一系統100。如圖1中所繪示，系統100可包含(若干)伺服器102、(若干)訓練資訊資料庫114、(若干)影像系統124 (例如，一醫學影像系統)、(若干)用戶端器件128、一(若干)神經網路(或(若干)其他預測模型) 130、一(若干)網路132 (例如，網際網路、LAN、WAN等)或其他組件。(若干)伺服器102、(若干)訓練資訊資料庫114、(若干)影像系統124、(若干)用戶端器件128、及(若干)神經網路(或(若干)其他預測模型) 130可包含通信線路或埠以實現經由有線或無線技術(例如，乙太網路、光纖、同軸電纜、WiFi、藍芽、近場通信或其他技術)與網路132或其他運算平台交換資訊。 在一些實施例中，(若干)伺服器102可包含一(若干)資料庫103及(若干)處理器104，該(等)處理器104包含一接收子系統106、一傳輸子系統108、一動作判定子系統110及一參數判定子系統112。各(若干)影像系統124包含一(若干)影像擷取器件126。各(若干)用戶端器件128可包含任何類型之行動終端、固定終端或其他器件。作為實例，(若干)用戶端器件128可包含一桌上型電腦、一筆記型電腦、一平板電腦、一智慧型電話、一可穿戴器件或其他用戶端器件。例如，使用者可利用一或多個用戶端器件128以與彼此、一或多個伺服器或系統100之其他組件互動。 應注意，雖然一或多個操作在本文中被描述為由(若干)伺服器102之特定組件執行，但在一些實施例中，彼等操作可由(若干)伺服器102之其他組件或系統100之其他組件執行。作為一實例，雖然一或多個操作在本文中被描述為由(若干)伺服器102之組件執行，但在一些實施例中，彼等操作可由(若干)用戶端器件128之組件或由(若干)影像系統124之組件執行。此外，作為一實例，儘管(若干)神經網路(或(若干)其他預測模型) 130被繪示為與(若干)伺服器102、(若干)影像系統124及(若干)用戶端器件128分離，但在一些實施例中由(若干)神經網路(或(若干)其他預測模型) 130執行之操作可由(若干)用戶端器件128、(若干)影像系統124或(若干)伺服器102之組件執行。(若干)影像系統124可包含一X射線影像系統(包含一X射線影像器件)、一超音波影像系統(包含一超音波器件)、一MRI (核磁共振影像)系統(包含一MRI器件)、一核子醫學影像系統(包含一核子醫學影像器件)或任何其他影像系統。預測模型訓練 在一些實施例中，系統100可經由儲存於(若干)訓練資訊資料庫114中之訓練資訊促進一預測模型130 (例如，一神經網路或其他預測模型)之訓練以快速地、完整地且準確地獲取一活體之一部分的影像。該訓練資訊可包含但不限於對應於一活體(或一非活體)之一部分(或若干部分)之複數個影像(例如，1,000個或更多、10,000個或更多、100,000個或更多、1,000,000個或更多、10,000,000個或更多等)、對應於擷取該複數個影像之各者的一(若干)影像擷取器件126之資訊、對應於該複數個影像之各者的動作資訊及對應於該複數個影像之各者的參數資訊。可自其他源(例如，一(若干)影像系統124、或未繪示之其他外部源)持續接收額外訓練資訊而持續更新(若干)訓練資訊資料庫114內之所有上列訓練資訊。 在一些實施例中，動作資訊可包含關於相對於一個別影像採取之一動作之資訊。例如，動作資訊可包含接受影像，丟棄影像或重拍活體之部分的一後續影像。儲存於(若干)訓練資訊資料庫114中之動作資訊可基於經獲取歷史資訊。例如，儲存於(若干)訓練資訊資料庫114中之動作資訊可基於由機器人、電腦或技師採取之動作，或基於經由(若干)神經網路130針對儲存於(若干)訓練資訊資料庫114中之影像的各者判定之一動作。 在一些實施例中，參數資訊可包含關於用以擷取影像之參數的任何資訊。例如，參數資訊可包含影像之大小、一活體之一部分的一位置、影像之類型、影像對比度、影像亮度、影像顏色、影像解析度、(若干)影像擷取器件126之傳輸功率、(若干)影像擷取器件126之記錄頻率、影像平面之座標、轉置角度、視場、非共振頻率、(若干)影像擷取器件126之激發頻率、(若干)影像擷取器件126之輸出強度、及用以由(若干)影像擷取器件126擷取一影像之任何其他參數。 在一些實施例中，一(若干)影像擷取器件126可為一X射線器件、一超音波器件、一MRI (核磁共振影像)器件、一核子醫學影像器件或任何其他影像器件。作為一實例，表1繪示儲存於(若干)訓練資訊資料庫114中之訓練資訊。儘管表1僅繪示影像、對應於擷取影像之各者的一(若干)影像擷取器件126之資訊、對應於影像之各者的動作資訊及對應於影像之各者的參數資訊，但應理解，與表1中之資訊相關的其他類型之資訊可包含於(若干)訓練資訊資料庫114中(例如，指示在影像中擷取一活體之哪個部分的資訊)。表 1
Figure 107112170-A0304-0001
 在一些實施例中，可由(若干)伺服器102 (例如，由接收子系統106)自(若干)訓練資訊資料庫114持續接收訓練資訊。可由(若干)伺服器102按任何設定間隔(例如，每小時、每天、每月、每年或任何其他設定間隔)接收訓練資訊。訓練資訊可自(若干)訓練資訊資料庫114按設定間隔發送，或可由(若干)伺服器102按設定間隔請求。一旦由(若干)伺服器102經由網路132接收訓練資訊，便將訓練資訊轉發至(若干)神經網路(或(若干)其他預測模型) 130以訓練(若干)神經網路(或(若干)其他預測模型) 130。 作為一實例，(若干)神經網路(或(若干)其他預測模型) 130可基於神經單元(或人造神經元)之一大集合。(若干)神經網路(或(若干)其他預測模型) 130可寬鬆地模仿一生物腦工作之方式(例如，經由由軸突連接之生物神經元之大叢集)。(若干)神經網路(或(若干)其他預測模型) 130之各神經單元可與(若干)神經網路(或(若干)其他預測模型) 130之諸多其他神經單元連接。此等連接可強化或抑制其等對經連接神經單元之激活狀態的影響。在一些實施例中，各個別神經單元可具有將所有其輸入之值組合在一起的一求和函數。在一些實施例中，各連接(或神經單元本身)可具有一臨限值函數，使得信號在其被允許傳播至其他神經單元之前必須超過臨限值。相較於傳統電腦程式，此等神經網路系統可為自學及訓練的，而非顯式程式化的，且在問題解決之特定領域中可明顯更好地執行。在一些實施例中，(若干)神經網路(或(若干)其他預測模型) 130可包含多個層(例如，其中一信號路徑自前層橫穿至後層)。在一些實施例中，(若干)神經網路(或(若干)其他預測模型) 130可利用反向傳播技術，其中正向刺激用以重設「前」神經單元上之權重。在一些實施例中，(若干)神經網路(或(若干)其他預測模型) 130之刺激及抑制可更自由流暢，其中連接以一更混亂且復雜的方式互動。 一旦已使用訓練資訊訓練(若干)神經網路(或(若干)其他預測模型) 130，便準備好使用(若干)神經網路(或(若干)其他預測模型) 130。(若干)神經網路(或(若干)其他預測模型) 130可基於經由(若干)伺服器102自(若干)訓練資訊資料庫114接收之額外訓練資訊而持續更新，或可基於自(若干)用戶端器件128接收之使用者回饋資訊或自(若干)影像系統124接收之技師/醫生回饋資訊而更新。自主控制 在一些實施例中，經由(若干)伺服器102將由一(若干)影像擷取器件126擷取之一影像輸入至(若干)神經網路(或(若干)其他預測模型) 130中。在一些實施例中，可基於上述描述訓練(若干)神經網路(或(若干)其他預測模型) 130，或可將一(若干)預訓練神經網路(或(若干)其他預測模型) 130用於自主地控制(若干)影像擷取系統124 (包含(若干)影像擷取器件126)。可請求由(若干)影像擷取器件126之一操作者或由一(若干)用戶端器件128經由一網路132擷取由(若干)影像擷取器件126擷取之影像。可由(若干)影像擷取器件126之操作者或由(若干)用戶端器件128經由網路132鍵入用於擷取影像之參數。替代地，(若干)伺服器102可請求(若干)神經網路(或(若干)其他預測模型) 130提供關於用於擷取一影像之參數的資訊且基於經提供資訊，(若干)伺服器102可(經由網路132)控制(若干)影像擷取器件126以擷取影像。針對關於用於擷取一影像之參數的資訊之自(若干)伺服器102至(若干)神經網路(或(若干)其他預測模型) 130的請求可基於來自(若干)用戶端器件128或(若干)影像擷取器件126之一操作者之擷取一活體之一部分的一影像之一請求。例如，(若干)伺服器102可基於來自(若干)用戶端器件128或(若干)影像擷取器件126之一操作者的一請求，請求關於一人員之一膝蓋的一MRI掃描之參數資訊作為至(若干)神經網路(或(若干)其他預測模型) 130中之一輸入。回應於此一輸入，(若干)神經網路(或(若干)其他預測模型) 130可用參數資訊回應於(若干)伺服器102，且(若干)伺服器102可經由參數判定子系統112及(若干)神經網路(或(若干)其他預測模型) 130解釋參數資訊以判定用於由(若干)影像擷取器件126擷取一影像之參數。 在一些實施例中，當由(若干)伺服器102經由網路132接收由(若干)影像擷取器件126擷取之(例如，一活體之一部分的)一影像時，將該影像作為一輸入發送至(若干)神經網路(或(若干)其他預測模型) 130。儘管上文所提供之實例對應於活體之一部分的一影像，但經擷取影像可對應於任何活體或一非活體。接著經由(若干)神經網路(或(若干)其他預測模型) 130處理影像以判定待相對於影像採取之一動作。如先前所指示，待相對於影像採取之動作的實例包含但不限於接受影像，丟棄影像或重拍活體之部分的一後續影像。接受一影像之一動作可指示該影像不包含一誤差，且丟棄該影像或重拍一後續影像之一動作可指示該影像包含一誤差。例如，當用以擷取第一影像之一激發頻率係一不正確頻率時，當該影像模糊時，當一活體的一部分在該影像內之一位置偏離該影像之一中心達一預定臨限值或用以判定該影像中之一誤差的任何其他量度時，可判定該影像包含一誤差。 在一些實施例中，回應於來自(若干)伺服器102之影像輸入，(若干)神經網路(或(若干)其他預測模型) 130將關於待相對於影像採取之一動作的動作資訊提供至(若干)伺服器102。換言之，由(若干)神經網路(或(若干)其他預測模型) 130基於(若干)神經網路(或(若干)其他預測模型) 130之訓練及至(若干)神經網路(或(若干)其他預測模型) 130中之影像輸入判定動作資訊。(若干)伺服器102 (例如，動作判定子系統110)解譯自(若干)神經網路(或(若干)其他預測模型) 130接收之關於待相對於影像採取的一動作之動作資訊，且基於自(若干)神經網路(或(若干)其他預測模型) 130接收之動作資訊判定待相對於影像採取之一動作。 在一些實施例中，由(若干)神經網路(或(若干)其他預測模型) 130提供之關於待相對於影像採取的一動作之動作資訊可包含建議資訊。建議資訊可包含例如重拍一後續影像之一20%建議及接受影像之一80%建議。換言之，建議資訊可提供關於待相對於影像採取之一動作的一建議百分比之資訊。據此，(若干)伺服器102 (例如，動作判定子系統110)可基於建議資訊判定待相對於影像採取之一動作。 在一些實施例中，(若干)伺服器102 (例如，動作判定子系統110)可評估建議資訊且基於建議資訊判定待相對於影像採取之一動作。例如，當接受影像之建議百分比等於或高於一預定臨限值時，(若干)伺服器102 (例如，動作判定子系統110)可判定接受影像。另一方面，當接受影像之建議百分比低於該預定臨限值時，(若干)伺服器102 (例如，動作判定子系統110)可判定丟棄影像或重拍一後續影像。類似地，當丟棄影像或重拍一後續影像之建議百分比等於或高於一預定臨限值時，(若干)伺服器102 (例如，動作判定子系統110)可判定丟棄影像或重拍後續影像。另一方面，當丟棄影像或重拍一後續影像之建議百分比低於該預定臨限值時，(若干)伺服器102 (例如，動作判定子系統110)可判定接受影像。 替代地，在一些實施例中，(若干)伺服器102 (例如，動作判定子系統110)可基於最高建議百分比判定一動作。例如，若建議資訊包含重拍一後續影像之一60%建議及接受影像之一40%建議，則(若干)伺服器102 (例如，動作判定子系統110)可判定重拍一後續影像。 在一些實施例中，當由(若干)伺服器102 (例如，動作判定子系統110)做出接受影像之一判定時，(若干)伺服器102可經由網路132將影像傳輸至(若干)用戶端器件128及/或(若干)影像系統124，使得可向(若干)用戶端器件128之一使用者或(若干)影像系統124之一操作者或一醫生顯示影像。亦可將接受影像、丟棄影像或重拍一後續影像之判定作為一通知傳輸給(若干)用戶端器件128之一使用者或(若干)影像系統124之一操作者。如上述，接受一影像之一動作可指示該影像不包含一誤差，且丟棄該影像或重拍一後續影像之一動作可指示該影像包含一誤差。 另一方面，在一些實施例中，當做出重拍一後續影像之一判定時，(若干)伺服器102 (例如，動作判定子系統110)控制(若干)影像擷取器件126以重拍一後續影像。當(若干)神經網路(或(若干)其他預測模型) 130回應於來自(若干)伺服器102之一影像的一輸入而將動作資訊提供至(若干)伺服器102時，(若干)神經網路(或(若干)其他預測模型) 130亦將用於重拍一後續影像之參數資訊提供至(若干)伺服器102。由(若干)神經網路(或(若干)其他預測模型) 130基於(若干)神經網路(或(若干)其他預測模型) 130之訓練及至(若干)神經網路(或(若干)其他預測模型) 130中之影像輸入判定參數資訊。 參數判定子系統112 (例如，經由接收子系統106)接收參數資訊且判定待用於重拍一後續影像之參數。參數判定子系統112亦判定待用於重拍一後續影像之參數是否不同於用於擷取輸入至(若干)神經網路(或(若干)其他預測模型) 130中之影像的參數。若參數判定子系統112判定待用於重拍一後續影像之參數不同，則參數判定子系統112請求傳輸子系統108 (經由網路132)將基於待用於重拍一後續影像之參數重拍一後續影像的一請求傳輸至(若干)影像擷取器件126。換言之，若參數判定子系統112判定待用於重拍一後續影像之參數不同，則(若干)伺服器102控制(若干)影像擷取器件126以基於由參數判定子系統112判定之參數重拍一後續影像。若參數判定子系統112判定待用於重拍一後續影像之參數不同，則此一判定可指示(輸入至(若干)神經網路(或(若干)其他預測模型) 130中之影像的)影像位置相較於一所要影像位置偏離，指示擷取影像(輸入至(若干)神經網路(或(若干)其他預測模型) 130中之影像)之一(若干)影像擷取器件126的一MRI激發頻率係一錯誤頻率等。除從(若干)伺服器102至(若干)影像擷取器件126之重拍一後續影像之請求外，(若干)伺服器102亦可將指示針對用以重拍一後續影像之不同參數的原因(例如，影像位置偏離、錯誤MRI激發頻率等)之一通知發送至(若干)影像擷取器件126。 另一方面，在一些實施例中，若參數判定子系統112判定待用於重拍一後續影像之參數相同，則參數判定子系統112可判定輸入至(若干)神經網路(或(若干)其他預測模型) 130中之影像係一模糊影像(例如，由於一活體之一部分在擷取該活體之該部分期間移動或由於(若干)影像擷取器件126本身在擷取該活體之該部分期間移動)。據此，若參數判定子系統112判定待用於重拍一後續影像之參數相同，則參數判定子系統112請求傳輸子系統108 (經由網路132)將基於相同參數重拍一後續影像之一請求傳輸至(若干)影像擷取器件126。換言之，若參數判定子系統112判定待用於重拍一後續影像之參數相同，則(若干)伺服器102控制(若干)影像擷取器件126以基於相同參數重拍一後續影像。該請求亦可包含請求活體在擷取後續影像期間靜止及/或請求(若干)影像擷取器件126之一操作者確保(若干)影像擷取器件126在擷取後續影像期間靜止的一訊息。該訊息可顯示給活體、(若干)影像擷取器件126之操作者，或經由(若干)用戶端器件128之一顯示器顯示。據此，系統100能夠自主地控制(若干)影像擷取系統124 (包含(若干)影像擷取器件126)。 在一些實施例中，在由(若干)影像擷取器件126擷取後續影像之後，(經由網路132)將後續影像發送回至(若干)伺服器102，且重複由系統100進行之上文所描述之程序以處理後續影像。此外，在一些實施例中，(若干)伺服器102可基於一第一活體之一第一部分的一第一影像及該第一活體之第一部分的一後續第一影像之一擷取時間，將權重指派給待用以擷取該第一影像之一第一參數及待用以重拍該後續第一影像之一第二參數，且將經指派權重作為一輸入提供至(若干)神經網路(或(若干)其他預測模型) 130以訓練(若干)神經網路(或(若干)其他預測模型) 130。 另外，在一些實施例中，可將關於判定相對於一影像之一動作及/或判定待用以獲得一後續影像之參數的(來自(若干)用戶端器件128或來自(若干)影像系統124之一操作者的)一使用者回饋提供至(若干)伺服器102及(若干)神經網路(或(若干)其他預測模型) 130。該使用者回饋可用以更新及訓練(若干)神經網路(或(若干)其他預測模型) 130。實例性流程圖 下文所提出之各方法的處理操作意欲為闡釋性且非限制性。在一些實施例中，例如，方法可結合未描述之一或多個額外操作及/或不結合所論述之一或多個操作來實現。另外，闡釋(及下文描述)方法之處理操作的順序並非意欲為限制性。 在一些實施例中，方法可在一或多個處理器件(例如，一數位處理器、一類比處理器、經設計以處理資訊之一數位電路、經設計以處理資訊之一類比電路、一狀態機、及/或用於電子地處理資訊之其他機構)中實施。處理器件可包含回應於電子地儲存於一電子儲存媒體上之指令而執行方法之一些或所有操作的一或多個器件。處理器件可包含透過硬體、韌體及/或軟體組態以經特殊設計用於執行方法之一或多個操作的一或多個器件。 圖2繪示根據一或多項實施例的用於促進一(若干)影像系統124之自主控制的一程序200。在操作202中，由(若干)伺服器102接收訓練資訊，包含對應於一活體(或一非活體)之一部分(或若干部分)的複數個影像(例如，1,000個或更多、10,000個或更多、100,000個或更多、1,000,000個或更多、10,000,000個或更多等)、對應於擷取複數個影像之各者的一(若干)影像擷取器件126之資訊、對應於複數個影像之各者的動作資訊、及對應於複數個影像之各者的參數資訊。另外，在操作202中，將訓練資訊作為一輸入提供至(若干)神經網路(或(若干)其他預測模型) 130以關於待相對於影像採取之一動作而訓練(若干)神經網路(或(若干)其他預測模型) 130。一旦使用訓練資訊訓練(若干)神經網路(或(若干)其他預測模型) 130，便可在操作204中判定待相對於一影像採取之一動作及用於重拍一後續影像之參數。在圖3及圖4中分別進一步詳細描述操作202及204。 圖3繪示訓練(若干)神經網路(或(若干)其他預測模型) 130之一方法300的一實例性流程圖。在操作302中，由(若干)伺服器102 (例如，由接收子系統106)接收來自(若干)訓練資訊資料庫114之訓練資訊。在一些實施例中，可將訓練資訊儲存於(若干)資料庫103中。訓練資訊係自一或多個源(例如，(若干)影像系統124或任何其他外部源)累積且經儲存於(若干)訓練資訊資料庫114中。訓練資訊可包含但不限於對應於一活體之一部分(或若干部分)的複數個影像(例如，1,000個或更多、10,000個或更多、100,000個或更多、1,000,000個或更多、10,000,000個或更多等)、對應於擷取複數個影像之各者的一(若干)影像擷取器件126之資訊、對應於複數個影像之各者的動作資訊、及對應於複數個影像之各者的參數資訊。儲存於(若干)訓練資訊資料庫114中之動作資訊及參數資訊可基於經獲取歷史資訊。例如，累積且儲存於(若干)訓練資訊資料庫114中之動作資訊可包含由機器人、電腦、技師、醫生等針對影像之各者採取的動作，且參數資訊可對應於由機器人、電腦、技師、醫生等設定以擷取複數個影像之參數。 在一些實施例中，動作資訊可包含接受影像，丟棄影像或重拍活體(或一非活體)之部分之一後續影像，且參數資訊可包含關於用以擷取一影像之參數的任何資訊。例如，參數資訊可包含影像之大小、一活體之一部分的一位置、影像之類型、影像對比度、影像亮度、影像顏色、影像解析度、(若干)影像擷取器件126之傳輸功率、(若干)影像擷取器件126之記錄頻率、影像平面之座標、轉置角度、視場、非共振頻率、(若干)影像擷取器件126之激發頻率、(若干)影像擷取器件126之輸出強度及用以由(若干)影像擷取器件126擷取一影像之任何其他參數。在一些實施例中，基於自一或多個外部源(例如，(若干)影像系統124或未繪示之任何其他外部源)接收之訓練資訊持續更新儲存於(若干)訓練資訊資料庫114中之訓練資訊。 在操作304中，經由網路132將訓練資訊自(若干)伺服器102 (例如，由傳輸子系統108)傳輸至(若干)神經網路(或(若干)其他預測模型) 130以訓練(若干)神經網路(或(若干)其他預測模型) 130。在一些實施例中，一旦已訓練(若干)神經網路(或(若干)其他預測模型) 130，(若干)神經網路(或(若干)其他預測模型) 130便可將指示訓練完成之一通知發送至(若干)伺服器102。 在操作306中，可基於新訓練資訊更新(若干)神經網路(或(若干)其他預測模型) 130。在一些實施例中，可按任何設定間隔(例如，每小時、每天、每月或每年)更新儲存於(若干)訓練資訊資料庫114中之訓練資訊。接著，可按任何設定間隔(例如，每小時、每天、每月或每年)將經更新訓練資訊傳輸至(若干)伺服器102及(若干)神經網路(或(若干)預測模型) 130以更新(若干)神經網路(或(若干)其他預測模型) 130。亦可基於自(若干)用戶端器件128接收之使用者回饋資訊或自(若干)影像系統124接收之技師/醫生回饋資訊更新(若干)神經網路(或(若干)其他預測模型) 130。圖4A繪示判定待相對於一影像採取之一動作且判定用於重拍一後續影像的參數之一方法400之一實例性流程圖。在操作402中，由(若干)伺服器102自一(若干)影像擷取器件126接收一影像。可基於由(若干)影像系統124之一技師/醫生或(若干)用戶端器件128之一使用者鍵入的參數擷取影像。替代地，可基於來自(若干)影像系統124之一技師/醫生或(若干)用戶端器件128之一使用者之擷取在(若干)伺服器102處接收的一影像之一請求，經由(若干)神經網路(或(若干)其他預測模型) 130判定用以擷取影像之參數。該請求可包含擷取一活體之一特定部分的一影像之一請求，且可基於此一請求，經由(若干)神經網路(或(若干)其他預測模型) 130判定參數。替代地，基於來自(若干)影像系統124之一技師/醫生或(若干)用戶端器件128之一使用者之擷取一影像的一請求，可基於一記憶體中之先前儲存參數判定用於擷取該影像之參數。 在操作404中，經由網路132將影像作為一輸入自(若干)伺服器102傳輸至(若干)神經網路(或(若干)其他預測模型) 130，且在操作406中經由(若干)神經網路(或(若干)其他預測模型) 130處理影像以判定待相對於影像採取之一動作。在操作408中，(若干)伺服器102自(若干)神經網路(或(若干)其他預測模型) 130接收關於在經由(若干)神經網路(或(若干)其他預測模型) 130處理影像之後相對於該影像採取之一動作的動作資訊及/或接收用於重拍一後續影像之參數資訊。換言之，由(若干)神經網路(或(若干)其他預測模型) 130基於(若干)神經網路(或(若干)其他預測模型) 130之訓練及至(若干)神經網路(或(若干)其他預測模型) 130中之影像輸入判定自(若干)神經網路(或(若干)其他預測模型) 130接收之動作資訊及參數資訊。如先前所指示，待相對於影像採取之動作的實例包含但不限於接受影像，丟棄影像或重拍活體之部分的一後續影像。接受一影像之一動作可指示該影像不包含一誤差，且丟棄該影像或重拍一後續影像之一動作可指示該影像包含一誤差。例如，當用以擷取一影像之一激發頻率係一不正確頻率時，當該影像模糊時，當一活體的一部分在該影像內之一位置偏離該影像之一中心達一預定臨限值或用以判定該影像中之一誤差的任何其他量度時，可判定該影像包含一誤差。 在一些實施例中，由(若干)神經網路(或(若干)其他預測模型) 130提供之關於待相對於影像採取之一動作的動作資訊可包含建議資訊。建議資訊可包含例如重拍一後續影像之一20%建議及接受影像之一80%建議。換言之，建議資訊可提供關於待相對於影像採取之一動作的一建議百分比之資訊。在操作410中，基於動作資訊(及動作資訊中包含之建議資訊)，(若干)伺服器102 (例如，動作判定子系統110)判定待相對於影像採取之一動作。 例如，在操作410中，當接受影像之建議百分比等於或高於一預定臨限值時，(若干)伺服器102 (例如，動作判定子系統110)可判定接受影像。另一方面，當接受影像之建議百分比低於該預定臨限值時，(若干)伺服器102 (例如，動作判定子系統110)可判定丟棄影像或重拍一後續影像。類似地，當丟棄影像或重拍一後續影像之建議百分比等於或高於一預定臨限值時，(若干)伺服器102 (例如，動作判定子系統110)可判定丟棄影像或重拍後續影像。另一方面，當丟棄影像或重拍一後續影像之建議百分比低於該預定臨限值時，(若干)伺服器102 (例如，動作判定子系統110)可判定接受影像。 替代地，在操作410中，(若干)伺服器102 (例如，動作判定子系統110)可基於最高建議百分比判定一動作。例如，若建議資訊包含重拍一後續影像之一60%建議及接受影像之一40%建議，則(若干)伺服器102 (例如，動作判定子系統110)可判定重拍一後續影像。 在操作412中，做出關於待在操作410中採取之經判定動作是否為重拍一後續影像之一動作的一判定。當在操作410中判定之動作係丟棄影像或接受影像之一動作(例如，在操作412中為否)時，在操作414中該伺服器引起相對於影像採取此一動作。例如，當在操作410中由(若干)伺服器102 (例如，動作判定子系統110)做出接受影像之一判定時，在操作414中(若干)伺服器102可經由網路132將影像傳輸至(若干)用戶端器件128及/或(若干)影像系統124，使得可向(若干)用戶端器件128之一使用者或者(若干)影像系統124之一操作者或一醫生顯示影像。 當在操作410中判定之動作係重拍一後續影像之一動作(例如，在操作412中為是)時，該程序繼續進行至操作416代替操作414。在操作416中，(若干)伺服器102基於在操作408中自(若干)神經網路(或(若干)其他預測模型) 130接收之參數資訊判定用於重拍一後續影像之參數。此外，在操作418中，(若干)伺服器102 (例如，參數判定子系統112)判定待用於重拍一後續影像之參數(其等在操作416中判定)不同於用於擷取在操作404中輸入至(若干)神經網路(或(若干)其他預測模型) 130中之影像的參數。 若參數判定子系統112判定待用於重拍一後續影像之參數不同(例如，在操作418中為是)，則在操作420中，參數判定子系統112請求傳輸子系統108 (經由網路132)將基於不同參數重拍一後續影像之一請求傳輸至(若干)影像擷取器件126。換言之，若參數判定子系統112判定待用於重拍一後續影像之參數不同，則在操作420中，(若干)伺服器102控制(若干)影像擷取器件126以基於由參數判定子系統112判定之參數重拍一後續影像。 若在操作418中參數判定子系統112判定待用於重拍一後續影像之參數不同(例如，在操作418中為是)，則此一判定可指示(在操作404中輸入至(若干)神經網路(或(若干)其他預測模型) 130中之影像的)影像位置相較於一所要影像位置偏離，指示擷取影像(在操作404中輸入至(若干)神經網路(或(若干)其他預測模型) 130中之影像)之一(若干)影像擷取器件126的一MRI激發頻率係一錯誤頻率等。除從(若干)伺服器102至(若干)影像擷取器件126之重拍一後續影像之請求外，在操作420中(若干)伺服器102亦可將指示針對用以重拍一後續影像之不同參數的原因(例如，影像位置偏離、錯誤MRI激發頻率等)之一通知發送至(若干)影像擷取器件126。可向活體或(若干)影像擷取器件126之操作者顯示該通知。 另一方面，若參數判定子系統112判定待用於重拍一後續影像之參數相同(例如，在操作418中為否)，則在操作422中參數判定子系統112判定輸入至(若干)神經網路(或(若干)其他預測模型) 130中之影像係一模糊影像(例如，由於一活體之一部分在擷取該活體之該部分期間移動或由於(若干)影像擷取器件126本身在擷取該活體之該部分期間移動)。據此，若參數判定子系統112判定待用於重拍一後續影像之參數相同，則在操作422中參數判定子系統112請求傳輸子系統108 (經由網路132)將基於相同參數重拍一後續影像之一請求傳輸至(若干)影像擷取器件126。換言之，若參數判定子系統112判定待用於重拍一後續影像之參數相同，則在操作422中(若干)伺服器102控制(若干)影像擷取器件126以基於相同參數重拍一後續影像。重拍一後續影像之請求亦可包含請求活體在擷取後續影像期間靜止及/或請求(若干)影像擷取器件126之一操作者確保(若干)影像擷取器件126在擷取後續影像期間靜止的一訊息。可向活體或(若干)影像擷取器件126之操作者顯示該訊息。據此，上文所描述之程序能夠自主地控制(若干)影像擷取系統124 (包含(若干)影像擷取器件126)。 在操作424中，可將關於在操作410中判定相對於影像之動作及/或在操作416中判定待用以獲得一後續影像之參數的(來自(若干)用戶端器件128、來自(若干)影像系統124之一操作者或任何其他源的)一使用者回饋提供至(若干)伺服器102及(若干)神經網路(或(若干)其他預測模型) 130。該使用者回饋可用以更新及訓練(若干)神經網路(或(若干)其他預測模型) 130。儘管在操作424中繪示一使用者回饋，但此回饋未必係所需的且係可選的。據此，在操作420或422之後，該程序可循環回至操作402 (無使用者回饋)且重複圖4A中所繪示之方法400 (無使用者回饋)。 此外，在一些實施例中，在操作420或422中由(若干)影像擷取器件126回應於重拍一後續影像之請求而擷取後續影像之後，(經由網路132)將後續影像發送回至(若干)伺服器102，且重複上文所描述之程序(例如，操作402至422)以處理後續影像。再者，在一些實施例中，(若干)伺服器102可基於一第一活體之一第一部分的一第一影像及該第一活體之該第一部分的一後續第一影像之一擷取時間，將權重指派給待用以擷取該第一影像之一第一參數及用以重拍該後續第一影像之一第二參數，且將經指派權重作為一輸入提供至(若干)神經網路(或(若干)其他預測模型) 130以訓練(若干)神經網路(或(若干)其他預測模型) 130。 圖4B繪示判定待相對於一影像採取之一動作且判定用於重拍一後續影像的參數之一方法401之一實例性流程圖。圖4B中之操作402至418相同於圖4A中之操作402至418且因此為簡明起見不再論述。 若參數判定子系統112判定待用於重拍一後續影像之參數不同(例如，在操作418中為是)，則參數判定子系統112請求傳輸子系統108 (經由網路132)將重拍一後續影像之一請求傳輸至(若干)影像擷取器件126，且在操作426中(若干)影像擷取器件126基於不同參數重拍一後續影像。換言之，若參數判定子系統112判定待用於重拍一後續影像之參數不同，則(若干)伺服器102控制(若干)影像擷取器件126以重拍一後續影像，且在操作426中(若干)影像擷取器件126基於由參數判定子系統112判定之參數重拍一後續影像。 若在操作418中參數判定子系統112判定待用於重拍一後續影像之參數不同(例如，在操作418中為是)，則此一判定可指示(在操作404中輸入至(若干)神經網路(或(若干)其他預測模型) 130中之影像的)影像位置相較於一所要影像位置偏離，指示擷取影像(例如，在操作404中輸入至(若干)神經網路(或(若干)其他預測模型) 130中之影像)之一(若干)影像擷取器件126的一MRI激發頻率係一錯誤頻率等。除由(若干)伺服器102控制(若干)影像擷取器件126以重拍一後續影像外，(若干)伺服器102亦可將指示針對用以重拍一後續影像之不同參數的原因(例如，影像位置偏離、錯誤MRI激發頻率等)之一通知發送至(若干)影像擷取器件126。可向活體或(若干)影像擷取器件126之操作者顯示該通知。 另一方面，若參數判定子系統112判定待用於重拍一後續影像之參數相同(例如，在操作418中為否)，則參數判定子系統112判定輸入至(若干)神經網路(或(若干)其他預測模型) 130中之影像係一模糊影像(例如，由於一活體之一部分在擷取該活體之該部分期間移動或由於(若干)影像擷取器件126本身在擷取該活體之該部分期間移動)。據此，若參數判定子系統112判定待用於重拍一後續影像之參數相同，則參數判定子系統112請求傳輸子系統108 (經由網路132)將基於相同參數重拍一後續影像之一請求傳輸至(若干)影像擷取器件126，且在操作428中(若干)影像擷取器件126基於相同參數重拍後續影像。換言之，若參數判定子系統112判定待用於重拍一後續影像之參數相同，則(若干)伺服器102控制(若干)影像擷取器件126以基於相同參數重拍一後續影像，且在操作428中(若干)影像擷取器件126基於相同參數重拍後續影像。 除由(若干)伺服器102控制(若干)影像擷取器件126以重拍一後續影像外，(若干)伺服器102亦可將請求活體在擷取後續影像期間靜止及/或請求(若干)影像擷取器件126之一操作者確保(若干)影像擷取器件126在擷取後續影像期間靜止的一訊息發送至(若干)影像擷取器件126。可向活體或(若干)影像擷取器件126之操作者顯示該訊息。 在執行操作426或428之後，方法401循環回至操作402且重複圖4B中所繪示之方法401，直至例如在操作412中判定由(若干)影像擷取器件126擷取之一後續影像係可接受的。方法401繪示自主地判定待相對於一影像採取之一動作且判定用於後續後續影像之參數，由此實現無使用者回饋之整個方法。例如，當一使用者請求一(若干)影像擷取器件126擷取一活體之一部分時，方法401自主地執行且重複，直至例如在操作412中判定由(若干)影像擷取器件126擷取之一後續影像係可接受的。方法401繪示按一個按鈕概念，其中一使用者按下一按鈕(例如，請求一(若干)影像擷取器件126擷取一影像之一按鈕)，且方法401自主地執行且重複，直至例如在操作412中判定由(若干)影像擷取器件126擷取之一後續影像係可接受的。據此，上文所描述之程序能夠自主地控制(若干)影像擷取系統124 (包含(若干)影像擷取器件126)。 圖5繪示由促進一(若干)影像系統124之自主控制的系統100獲得之影像501至504。在此實例中，自一MRI (核磁共振影像)系統獲得影像501至504。四個影像501至504表示四個標準傾斜心臟視圖。此外，在此實例中，使用來自先前心臟MRI檢查之訓練資訊訓練神經網路130，包含關於來自先前心臟MRI檢查之複數個先前獲取心臟影像的動作資訊及參數資訊(例如，一平面之幾何係數)。基於(若干)神經網路(或(若干)其他預測模型) 130之此一訓練，基於由(若干)經訓練神經網路(或(若干)其他預測模型) 130提供之動作資訊及參數資訊獲得圖5中所繪示之影像501至504。上文關於圖1至圖4B詳細描述之系統及方法用以獲取圖5中所繪示之影像501至504。在此實例中，在少於10秒內於一所要位置處獲得圖5中所繪示之所有影像。 在一些實施例中，圖1中所繪示之各種電腦及子系統可包含經程式化以執行本文中所描述之功能的一或多個運算器件。運算器件可包含一或多個電子儲存裝置(例如，訓練資訊資料庫114、資料庫103或其他電儲存裝置)、用一或多個電腦程式指令程式化之一或多個實體處理器、及/或其他組件。運算器件可包含通信線路或埠以實現經由有線或無線技術(例如，乙太網路、光纖、同軸電纜、WiFi、藍芽、近場通信或其他技術)與一網路(例如，網路132)或其他運算平台交換資訊。運算器件可包含一起操作之複數個硬體、軟體及/或韌體組件。例如，運算器件可由作為運算器件一起操作之運算平台之一雲端來實施。 電子儲存裝置可包含電子地儲存資訊之非暫時性儲存媒體。電子儲存裝置之電子儲存媒體可包含以下一者或兩者：(i)與伺服器或用戶端器件一體地提供(例如，實質上不可抽換)之系統儲存裝置或(ii)經由例如一埠(例如，一USB埠、一firewire埠等)可抽換地連接至伺服器或用戶端器件之可抽換儲存裝置或一碟機(例如，一磁碟機等)。電子儲存裝置可包含以下一或多者：光學可讀儲存媒體(例如，光碟等)、磁性可讀儲存媒體(例如，磁帶、磁性硬碟機、軟碟機等)、基於電荷之儲存媒體(例如，EEPROM、RAM等)、固態儲存媒體(例如，隨身碟等)及/或其他電子可讀儲存媒體。電子儲存裝置可包含一或多個虛擬儲存資源(例如，雲端儲存裝置、一虛擬私人網路及/或其他虛擬儲存資源)。電子儲存裝置可儲存軟體演算法、由處理器判定之資訊、自伺服器獲得之資訊、自用戶端器件獲得之資訊或實現如本文中所描述之功能性的其他資訊。 處理器可經程式化以在運算器件中提供資訊處理能力。因此，處理器可包含以下一或多者：一數位處理器、一類比處理器、經設計以處理資訊之一數位電路、經設計以處理資訊之一類比電路、一狀態機、及/或用於電子地處理資訊之其他機構。在一些實施例中，處理器可包含複數個處理單元。此等處理單元可實體地定位於同一器件內，或處理器可表示協調操作之複數個器件的處理功能性。處理器可經程式化以執行電腦程式指令以執行本文中所描述之子系統106至112或其他子系統之功能。處理器可經程式化以藉由以下項目執行電腦程式指令：軟體；硬體；韌體；軟體、硬體或韌體之某個組合；及/或用於在處理器上組態處理能力之其他機構。 應明白，由本文中所描述之不同子系統106至112提供的功能性之描述係用於闡釋目的，且並非意欲為限制性，此係因為子系統106至112之任一者可提供比所描述更多或更少之功能性。例如，可刪除子系統106至112之一或多者，且可由子系統106至112之其他者提供一些或所有其功能性。作為另一個實例，額外子系統可經程式化以執行本文中歸屬於子系統106至112之一者的一些或所有功能性。 儘管已基於目前被視為最實際及較佳實施例之內容而出於闡釋目的詳細描述本發明，但應理解，此細節僅僅用於彼目的，且本發明不限於所揭示之實施例，而是相反意欲於涵蓋在隨附發明申請專利範圍之範疇內的修改及等效配置。例如，應理解，本發明預期在可能程度內，任何實施例之一或多個特徵可與任何其他實施例之一或多個特徵組合。 將參考下文例舉之實施例更好地理解本發明： 1. 一種方法，其包括：接收訓練資訊，該訓練資訊至少包含(i)各對應於一活體之一部分的1,000個影像，及(ii)針對該1,000個影像之各影像的動作資訊，該動作資訊指示相對於該影像採取之一或多個動作，該一或多個動作包含接受該影像、丟棄該影像、或重拍該影像所對應之該活體的該部分之一後續影像以替換該影像；將該1,000個影像及該1,000個影像之該動作資訊作為輸入提供至一神經網路，以關於待相對於對應於該活體之該部分的一新影像採取之一動作而訓練該神經網路；使用該神經網路控制一影像擷取器件以擷取一第一活體之一第一部分的一第一影像；經由該神經網路處理該第一影像以判定待相對於該第一影像採取之一第一動作，該第一動作之該判定係基於該神經網路之該訓練；及引起相對於該第一影像採取該第一動作。 2. 如實施例1之方法，其中該訓練資訊包含針對該1,000個影像之各影像的參數資訊，該參數資訊指示用以控制該影像擷取器件以擷取該影像之一或多個參數，該方法進一步包括：將該1,000個影像之該參數資訊作為輸入提供至該神經網路，以關於待用以控制該影像擷取器件以擷取對應於該活體之該部分的該新影像之一參數而訓練該神經網路；及經由該神經網路判定待用以控制該影像擷取器件以擷取該第一影像之一第一參數，該第一參數之該判定係基於該神經網路之該訓練，其中基於該第一參數來控制該影像擷取器件，以擷取該第一影像。 3. 如實施例1或2之方法，該方法進一步包括：接收關於該第一動作之該判定的使用者回饋；及將該使用者回饋提供至該神經網路以引起基於該使用者回饋更新該神經網路。 4. 如實施例1至3中任一項之方法，該方法進一步包括：當判定該第一影像不包含一誤差時，判定待相對於該第一影像採取之該第一動作對應於接受該第一影像；及當判定該第一影像包含一誤差時，判定待相對於該第一影像採取之該第一動作對應於丟棄該第一影像或重拍該第一影像所對應之該第一活體的該第一部分之一後續第一影像。 5. 如實施例1至4中任一項之方法，該方法進一步包括：當用以擷取該第一影像之一激發頻率係一不正確頻率時，判定該第一影像包含該誤差。 6. 如實施例1至5中任一項之方法，該方法進一步包括：當該第一影像模糊時，判定該第一影像包含該誤差。 7. 如實施例1至6中任一項之方法，其中當判定第一活體已在擷取該第一影像期間移動時或當判定該影像擷取器件已在擷取該第一影像期間移動時，判定該第一影像為模糊。 8. 如實施例1至7中任一項之方法，該方法進一步包括：當該第一活體的該第一部分在該第一影像內之一位置偏離該第一影像之一中心達一預定臨限值時，判定該第一影像包含該誤差。 9. 如實施例1至8中任一項之方法，該方法進一步包括：當該第一影像模糊時，控制該影像擷取器件以使用該第一參數重拍該第一影像所對應之該第一活體的該第一部分之一後續第一影像；及當該第一影像包含除模糊外之一誤差時，控制該影像擷取器件以使用不同於該第一參數之一第二參數重拍該第一影像所對應之該第一活體的該第一部分之一後續第一影像，該第二參數之該判定係基於該神經網路之該訓練。 10. 如實施例1至9中任一項之方法，該方法進一步包括：接收關於該後續第一影像之使用者回饋；及將該使用者回饋提供至該神經網路以引起基於該使用者回饋更新該神經網路。 11. 如實施例1至10中任一項之方法，其中該影像擷取器件係一X射線器件、一超音波器件、一MRI (核磁共振影像)器件或一核子醫學影像器件之一者。 12. 如實施例1至11中任一項之方法，該方法進一步包括：經由該神經網路判定待用以控制該影像擷取器件以擷取該第一影像之一第一參數，該第一參數之該判定係基於該神經網路之該訓練；經由該神經網路判定待用以控制該影像擷取器件以重拍該第一影像所對應之該第一活體的該第一部分之一後續第一影像的一第二參數，該第二參數之該判定係基於該神經網路之該訓練；基於該第一影像及該後續第一影像之各者的一擷取時間將權重指派給該第一參數及該第二參數；及將該等經指派權重作為一輸入提供至該神經網路以訓練該神經網路。 13. 如實施例1至12中任一項之方法，該方法進一步包括：自該神經網路接收動作資訊，該動作資訊係基於該經處理第一影像且基於該神經網路之該訓練來判定；及基於該經接收動作資訊判定待相對於該第一影像採取之該第一動作。 14. 如實施例1至13中任一項之方法，該方法進一步包括：自該神經網路接收建議資訊，該建議資訊係基於該經處理第一影像且基於該神經網路之該訓練來判定，且該建議資訊包含該一或多個動作之各者的一建議百分比；及基於該一或多個動作之各者的該建議百分比判定待相對於該第一影像採取之該第一動作。 15. 如實施例1至14中任一項之方法，該方法進一步包括：當接受該第一影像之該建議百分比等於或高於一預定臨限值時，判定該第一動作對應於接受該第一影像。 16. 如實施例1至15中任一項之方法，該方法進一步包括：當接受該第一影像之該建議百分比低於該預定臨限值時，判定該第一動作對應於丟棄該第一影像或重拍一後續第一影像。 17. 如實施例1至16中任一項之方法，該方法進一步包括：基於該一或多個動作之各者的該建議百分比當中之一最高建議百分比判定該第一動作。 18. 如實施例1至17中任一項之方法，該方法進一步包括：當判定該第一動作對應於重拍一後續第一影像時，經由該神經網路判定待用以控制該影像擷取器件以擷取該後續第一影像之一後續參數；及基於該後續參數來控制該影像擷取器件，以擷取該第一活體之該第一部分的該後續第一影像。 19. 一種方法，其包括：接收訓練資訊，該訓練資訊至少包含(i)各對應於一活體之一部分的複數個影像，及(ii)針對該複數個影像之各影像的動作資訊，該動作資訊指示相對於該影像採取之一或多個動作，該一或多個動作包含接受該影像、丟棄該影像、或重拍該影像所對應之該活體的該部分之一後續影像以替換該影像；將該複數個影像及該複數個影像之該動作資訊作為輸入提供至一預測模型，以關於待相對於對應於該活體之該部分的一新影像採取之一動作而訓練該預測模型；使用該預測模型控制一影像擷取器件以擷取一第一活體之一第一部分的一第一影像；經由該預測模型處理該第一影像以判定待相對於該第一影像採取之一第一動作，該第一動作之該判定係基於該預測模型之該訓練；及引起相對於該第一影像採取該第一動作。 20. 如實施例19之方法，其中該訓練資訊包含針對該複數個影像之各影像的參數資訊，該參數資訊指示用以控制該影像擷取器件以擷取該影像之一或多個參數，且該方法進一步包括：將該複數個影像之該參數資訊作為輸入提供至該預測模型，以關於待用以控制該影像擷取器件以擷取對應於該活體之該部分的該新影像之一參數而訓練該預測模型；及經由該預測模型判定待用以控制該影像擷取器件以擷取該第一影像之一第一參數，該第一參數之該判定係基於該預測模型之該訓練，其中基於該第一參數來控制該影像擷取器件，以擷取該第一影像。 21. 如實施例19及20中任一項之方法，該方法進一步包括：接收關於該第一動作之該判定的使用者回饋；及將該使用者回饋提供至該預測模型以引起基於該使用者回饋更新該預測模型。 22. 如實施例19至21中任一項之方法，該方法進一步包括：當判定該第一影像不包含一誤差時，判定待相對於該第一影像採取之該第一動作對應於接受該第一影像；及當判定該第一影像包含一誤差時，判定待相對於該第一影像採取之該第一動作對應於丟棄該第一影像或重拍該第一影像所對應之該第一活體的該第一部分之一後續第一影像。 23. 如實施例19至22中任一項之方法，該方法進一步包括：當用以擷取該第一影像之一激發頻率係一不正確頻率時，判定該第一影像包含該誤差。 24. 如實施例19至23中任一項之方法，該方法進一步包括：當該第一影像模糊時，判定該第一影像包含該誤差。 25. 如實施例19至24中任一項之方法，其中當判定第一活體已在擷取該第一影像期間移動時或當判定該影像擷取器件已在擷取該第一影像期間移動時，判定該第一影像為模糊。 26. 如實施例19至25中任一項之方法，該方法進一步包括：當該第一活體的該第一部分在該第一影像內之一位置偏離該第一影像之一中心達一預定臨限值時，判定該第一影像包含該誤差。 27. 如實施例19至26中任一項之方法，該方法進一步包括：當該第一影像模糊時，控制該影像擷取器件以使用該第一參數重拍該第一影像所對應之該第一活體的該第一部分之一後續第一影像；及當該第一影像包含除模糊外之一誤差時，控制該影像擷取器件以使用不同於該第一參數之一第二參數重拍該第一影像所對應之該第一活體的該第一部分之一後續第一影像，該第二參數之該判定係基於該預測模型之該訓練。 28. 如實施例19至27中任一項之方法，該方法進一步包括：接收關於該後續第一影像之使用者回饋；及將該使用者回饋提供至該預測模型以引起基於該使用者回饋更新該預測模型。 29. 如實施例19至28中任一項之方法，其中該影像擷取器件係一X射線器件、一超音波器件、一MRI (核磁共振影像)器件或一核子醫學影像器件之一者。 30. 如實施例19至29中任一項之方法，該方法進一步包括：經由該預測模型判定待用以控制該影像擷取器件以擷取該第一影像之一第一參數，該第一參數之該判定係基於該預測模型之該訓練；經由該預測模型判定待用以控制該影像擷取器件以重拍該第一影像所對應之該第一活體的該第一部分之一後續第一影像的一第二參數，該第二參數之該判定係基於該預測模型之該訓練；基於該第一影像及該後續第一影像之各者的一擷取時間將權重指派給該第一參數及該第二參數；及將該等經指派權重作為一輸入提供至該預測模型以訓練該預測模型。 31. 如實施例19至30中任一項之方法，該方法進一步包括：自該預測模型接收動作資訊，該動作資訊係基於該經處理第一影像且基於該預測模型之該訓練來判定；及基於該經接收動作資訊判定待相對於該第一影像採取之該第一動作。 32. 如實施例19至31中任一項之方法，該方法進一步包括：自該預測模型接收建議資訊，該建議資訊係基於該經處理第一影像且基於該預測模型之該訓練來判定，且該建議資訊包含該一或多個動作之各者的一建議百分比；及基於該一或多個動作之各者的該建議百分比判定待相對於該第一影像採取之該第一動作。 33. 如實施例19至32中任一項之方法，該方法進一步包括：當接受該第一影像之該建議百分比等於或高於一預定臨限值時，判定該第一動作對應於接受該第一影像。 34. 如實施例19至33中任一項之方法，該方法進一步包括：當接受該第一影像之該建議百分比低於該預定臨限值時，判定該第一動作對應於丟棄該第一影像或重拍一後續第一影像。 35. 如實施例19至34中任一項之方法，該方法進一步包括：基於該一或多個動作之各者的該建議百分比當中之一最高建議百分比判定該第一動作。 36. 如實施例19至35中任一項之方法，該方法進一步包括：當判定該第一動作對應於重拍一後續第一影像時，經由該預測模型判定待用以控制該影像擷取器件以擷取該後續第一影像之一後續參數；及基於該後續參數來控制該影像擷取器件，以擷取該第一活體之該第一部分的該後續第一影像。 37. 一種儲存指令之有形、非暫時性、機器可讀媒體，該等指令在由一資料處理裝置執行時引起該資料處理裝置執行包括如實施例1至36中任一項之彼等操作的操作。 38. 一種系統，其包括：一或多個處理器；及記憶體儲存指令，其等在由該等處理器執行時引起該等處理器實現包括如實施例1至36中任一項之彼等操作的操作。
100‧‧‧系統102‧‧‧伺服器103‧‧‧資料庫104‧‧‧處理器106‧‧‧接收子系統108‧‧‧傳輸子系統110‧‧‧動作判定子系統112‧‧‧參數判定子系統114‧‧‧訓練資訊資料庫124‧‧‧影像系統126‧‧‧影像擷取器件128‧‧‧用戶端器件130‧‧‧神經網路/預測模型132‧‧‧網路200‧‧‧程序202‧‧‧操作204‧‧‧操作300‧‧‧方法302‧‧‧操作304‧‧‧操作306‧‧‧操作400‧‧‧方法401‧‧‧方法402‧‧‧操作404‧‧‧操作406‧‧‧操作408‧‧‧操作410‧‧‧操作412‧‧‧操作414‧‧‧操作416‧‧‧操作418‧‧‧操作420‧‧‧操作422‧‧‧操作424‧‧‧操作426‧‧‧操作428‧‧‧操作501‧‧‧影像502‧‧‧影像503‧‧‧影像504‧‧‧影像
圖1繪示根據一或多項實施例之用於促進一影像系統的自主控制之一系統。 圖2繪示根據一或多項實施例之用於促進一影像系統的自主控制之一程序。 圖3繪示根據一或多項實施例之訓練一神經網路(或其他預測模型)的一方法之一實例性流程圖。 圖4A及圖4B繪示根據一或多項實施例之判定待相對於一影像採取之一動作及判定用於重拍一後續影像之參數的方法之實例性流程圖。 圖5繪示根據一或多項實施例之由促進一影像系統的自主控制之一系統獲得的影像。
100‧‧‧系統
102‧‧‧伺服器
103‧‧‧資料庫
104‧‧‧處理器
106‧‧‧接收子系統
108‧‧‧傳輸子系統
110‧‧‧動作判定子系統
112‧‧‧參數判定子系統
114‧‧‧訓練資訊資料庫
124‧‧‧影像系統
126‧‧‧影像擷取器件
128‧‧‧用戶端器件
130‧‧‧神經網路/預測模型
132‧‧‧網路

Claims (20)

  1. 一種用於促進一影像系統之自主(autonomous)控制的系統，該系統包括：一或多個處理器，其或其等藉由機器可讀指令組態以：接收一訓練集合(training set)，其包括一活體(living organism)之一部分的影像及用於該等影像之動作資訊，該動作資訊指示接受一影像、丟棄該影像、及重拍(retaking)該影像及以一重拍影像替換該影像；將包括該等影像及該動作資訊之該訓練集合作為輸入提供至一神經網路，以針對是否接受、丟棄或重拍及替換一新影像而訓練該神經網路；經由該經訓練之神經網路以判定待用於控制一影像擷取器件以擷取一第一活體之一第一部分的一第一影像之一第一參數；基於處理該第一影像之該經訓練之神經網路以判定待針對該第一影像採取之一第一動作包括重拍該第一影像及以一重拍第一影像替換該第一影像及判定待用於控制該影像擷取器件以擷取該重拍第一影像之一第二參數；判定該第二參數是否匹配該第一參數；及回應於判定該第二參數不匹配該第一參數，傳輸一請求至該影像擷取器件以使用該第二參數以重拍該第一影像，其中該請求包括用於參數改變之基礎。
  2. 如請求項1之系統，其中該一或多個處理器經組態以：將對應於包括該等影像之該訓練集合之參數資訊作為輸入提供至該神經網路，以針對待用於控制該影像擷取器件以擷取對應於該活體之該部分的該新影像之一參數而訓練該神經網路，該參數資訊指示一或多個參數，其用於控制該影像擷取器件以擷取包括影像之該訓練集合中之每一影像。
  3. 如請求項1之系統，其中該一或多個處理器經組態以：回應於判定該第二參數匹配該第一參數，以傳輸該請求至該影像擷取器件以重拍該第一影像，其中該請求包括待提供至該活體之一指示。
  4. 如請求項1之系統，其中該一或多個處理器經組態以：當判定該第一影像不包含一誤差時，判定待相對於一第二影像採取之一第二動作對應於接受該第二影像；及當判定該第二影像包含該誤差時，判定待相對於該第二影像採取之該第二動作對應於丟棄該第二影像或重拍一後續第二影像。
  5. 如請求項4之系統，其中該影像擷取器件包括一核磁共振影像(MRI)器件，且其中該一或多個處理器經組態以當用以擷取該第一影像之該MRI之一激發頻率係一不正確頻率時，判定該第二影像包含該誤差。
  6. 如請求項4之系統，其中該一或多個處理器經組態以當該第二影像模糊(blurry)時，判定該第二影像包含該誤差。
  7. 如請求項6之系統，其中判定該第二影像為模糊係回應於經由該經訓練之神經網路以判定待用於控制該影像擷取器件以重拍該第二影像之該第二參數應匹配該第一參數；該判定該第二參數應匹配該第一參數指示該第一活體在該第二影像之擷取期間已移動，或在該第二影像之該擷取期間該影像擷取器件已移動。
  8. 如請求項4之系統，其中該一或多個處理器經組態以當該第一活體的該第一部分在該第二影像內之一位置偏離該第二影像之一中心達一預定臨限值時，判定該第二影像包含該誤差。
  9. 如請求項2之系統，其中該一或多個處理器經組態以：判定該第一影像為模糊係回應於經由該經訓練之神經網路以判定該第二參數應匹配該第一參數；當該第一影像模糊時，控制該影像擷取器件以使用該第一參數重拍該第一影像；及當該第一影像包含除模糊外之一誤差時，控制該影像擷取器件以使用不同於該第一參數之該第二參數重拍該第一影像。
  10. 如請求項9之系統，其中該一或多個處理器經組態以：接收關於該重拍第一影像之使用者回饋；及將該使用者回饋提供至該神經網路以引起基於該使用者回饋更新該神經網路。
  11. 如請求項1之系統，其中該影像擷取器件係一X射線器件、一超音波器件、一MRI(核磁共振影像)器件或一核子醫學影像器件之一者。
  12. 如請求項1之系統，其中該一或多個處理器經組態以使得該第一參數及該第二參數是不同的。
  13. 如請求項1之系統，其中該一或多個處理器經組態以：自該神經網路接收額外的動作資訊，該額外的動作資訊係基於該第一影像且基於該神經網路之訓練來判定；及基於該額外的動作資訊判定待相對於該第一影像採取之該第一動作。
  14. 如請求項1之系統，其中該一或多個處理器經組態以：自該神經網路接收建議資訊，該建議資訊係基於該第一影像且基於該神經網路之訓練來判定，且該建議資訊包含用於接受該第一影像、丟棄該第一影像及重拍該第一影像所對應之該活體的該部分之該第一影像以替換該第一影像的建議百分比；及基於該等建議百分比判定待相對於該第一影像採取之該第一動作。
  15. 如請求項14之系統，其中該一或多個處理器經組態以：當接受該第一影像之一建議百分比等於或高於一預定臨限值時，判定該第一動作對應於該接受該第一影像。
  16. 如請求項15之系統，其中該一或多個處理器經組態以當該接受該第一影像之該建議百分比低於該預定臨限值時，判定該第一動作對應於丟棄該第一影像或重拍該第一影像所對應之該第一活體的該第一部分之該第一影像。
  17. 如請求項14之系統，其中該一或多個處理器經組態以基於該等建議百分比當中之一最高建議百分比判定該第一動作。
  18. 如請求項1之系統，其中該一或多個處理器經組態以：基於該第二參數來控制該影像擷取器件，以擷取該第一活體之該第一部分的該重拍第一影像。
  19. 一種用於促進一影像系統之自主控制的系統，該系統包括：一或多個處理器，其或其等藉由機器可讀指令組態以：接收一訓練集合，其包括一活體之一部分的影像及用於該等影像之動作資訊，該動作資訊指示接受一影像、丟棄該影像、及重拍該影像及以一重拍影像替換該影像；將包括該等影像及該動作資訊之該訓練集合作為輸入提供至一預測模型，以針對是否接受、丟棄或重拍及替換一新影像而訓練該預測模型；經由該經訓練之預測模型以判定待用於控制一影像擷取器件以擷取一第一活體之一第一部分的一第一影像之一第一參數； 基於處理該第一影像之該經訓練之預測模型以判定待針對該第一影像採取之一第一動作包括重拍該第一影像及以一重拍第一影像替換該第一影像及判定待用於控制該影像擷取器件以擷取該重拍第一影像之一第二參數；判定該第二參數是否匹配該第一參數；及回應於判定該第二參數不匹配該第一參數，傳輸一請求至該影像擷取器件以使用該第二參數以重拍該第一影像，其中該請求包括用於參數改變之基礎。
  20. 一種用於促進一影像系統之自主控制的方法，該方法包括：接收一訓練集合，其包括一活體之一部分的影像及用於該等影像之動作資訊，該動作資訊指示接受一影像、丟棄該影像、及重拍該影像及以一重拍影像替換該影像；將包括該等影像及該動作資訊之該訓練集合作為輸入提供至一預測模型，以針對是否接受、丟棄或重拍及替換一新影像而訓練該預測模型；經由該經訓練之預測模型以判定待用於控制一影像擷取器件以擷取一第一活體之一第一部分的一第一影像之一第一參數；基於處理該第一影像之該經訓練之預測模型以判定待針對該第一影像採取之一第一動作包括重拍該第一影像及以一重拍第一影像替換該第一影像及判定待用於控制該影像擷取器件以擷取該重拍第一影像之一第二參數；判定該第二參數是否匹配該第一參數；及回應於判定該第二參數不匹配該第一參數，傳輸一請求至該影像擷 取器件以使用該第二參數以重拍該第一影像，其中該請求包括用於參數改變之基礎。
TW107112170A 2017-05-02 2018-04-09 用於促進影像系統之自主控制的系統及方法 TWI775831B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762500331P 2017-05-02 2017-05-02
US62/500,331 2017-05-02
US15/668,118 US11276163B2 (en) 2017-05-02 2017-08-03 System and method for facilitating autonomous control of an imaging system
US15/668,118 2017-08-03

Publications (2)

Publication Number Publication Date
TW201843647A TW201843647A (zh) 2018-12-16
TWI775831B true TWI775831B (zh) 2022-09-01

Family

ID=64015457

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107112170A TWI775831B (zh) 2017-05-02 2018-04-09 用於促進影像系統之自主控制的系統及方法

Country Status (4)

Country Link
US (3) US11276163B2 (zh)
EP (1) EP3610483A4 (zh)
TW (1) TWI775831B (zh)
WO (1) WO2018204009A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11276163B2 (en) 2017-05-02 2022-03-15 Alvitae LLC System and method for facilitating autonomous control of an imaging system
US11948345B2 (en) * 2018-04-09 2024-04-02 Koninklijke Philips N.V. Ultrasound system with artificial neural network for retrieval of imaging parameter settings for recurring patient
US10726950B2 (en) * 2018-11-25 2020-07-28 Aivitae LLC Methods and systems for autonomous control of imaging devices
KR102082970B1 (ko) * 2019-04-29 2020-02-28 주식회사 루닛 기계학습을 위한 정규화 방법 및 그 장치
US11921473B2 (en) * 2019-06-28 2024-03-05 Intel Corporation Methods and apparatus to generate acceptability criteria for autonomous systems plans
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
CN110464326B (zh) * 2019-08-19 2022-05-10 上海联影医疗科技股份有限公司 一种扫描参数推荐方法、系统、装置及存储介质
EP4139880A4 (en) * 2020-04-24 2024-04-10 Spectrum Optix, Inc NEURAL NETWORK SUPPORTED CAMERA IMAGE OR VIDEO PROCESSING PIPELINES
US11890105B1 (en) * 2022-08-23 2024-02-06 BelleTorus Corporation Compute system with psoriasis diagnostic mechanism and method of operation thereof

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0772145A2 (en) * 1995-11-06 1997-05-07 JOHNSON & QUIN, INC. System and method for determining quality of printed matter
US20160127641A1 (en) * 2014-11-03 2016-05-05 Robert John Gove Autonomous media capturing
US20160364857A1 (en) * 2015-06-12 2016-12-15 Merge Healthcare Incorporated Methods and Systems for Automatically Determining Image Characteristics Serving as a Basis for a Diagnosis Associated with an Image Study Type
TWM537251U (zh) * 2016-05-27 2017-02-21 Cong-Yuan Cai 集合住宅雲端生活互聯系統

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6819790B2 (en) 2002-04-12 2004-11-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
US20040253742A1 (en) 2003-01-31 2004-12-16 Affleck Rhett L. Automated imaging system and method
US9671482B2 (en) * 2012-10-18 2017-06-06 Samsung Electronics Co., Ltd. Method of obtaining image and providing information on screen of magnetic resonance imaging apparatus, and apparatus thereof
US9100572B2 (en) * 2013-05-24 2015-08-04 Xerox Corporation Methods and systems for confidence-based image processing
WO2016019347A1 (en) 2014-07-31 2016-02-04 California Institute Of Technology Multi modality brain mapping system (mbms) using artificial intelligence and pattern recognition
US9767385B2 (en) 2014-08-12 2017-09-19 Siemens Healthcare Gmbh Multi-layer aggregation for object detection
US10417525B2 (en) 2014-09-22 2019-09-17 Samsung Electronics Co., Ltd. Object recognition with reduced neural network weight precision
US9836641B2 (en) 2014-12-17 2017-12-05 Google Inc. Generating numeric embeddings of images
US9826149B2 (en) * 2015-03-27 2017-11-21 Intel Corporation Machine learning of real-time image capture parameters
US20160317122A1 (en) * 2015-04-28 2016-11-03 Qualcomm Incorporated In-device fusion of optical and inertial positional tracking of ultrasound probes
DE102015212953A1 (de) 2015-07-10 2017-01-12 Siemens Healthcare Gmbh Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen
US9792531B2 (en) 2015-09-16 2017-10-17 Siemens Healthcare Gmbh Intelligent multi-scale medical image landmark detection
US9916525B2 (en) * 2015-10-13 2018-03-13 Siemens Healthcare Gmbh Learning-based framework for personalized image quality evaluation and optimization
US10225511B1 (en) * 2015-12-30 2019-03-05 Google Llc Low power framework for controlling image sensor mode in a mobile image capture device
US20170337682A1 (en) * 2016-05-18 2017-11-23 Siemens Healthcare Gmbh Method and System for Image Registration Using an Intelligent Artificial Agent
US10083369B2 (en) 2016-07-01 2018-09-25 Ricoh Company, Ltd. Active view planning by deep learning
US20180260772A1 (en) 2017-01-31 2018-09-13 Focal Systems, Inc Out-of-stock detection based on images
US11276163B2 (en) 2017-05-02 2022-03-15 Alvitae LLC System and method for facilitating autonomous control of an imaging system
US11151449B2 (en) 2018-01-24 2021-10-19 International Business Machines Corporation Adaptation of a trained neural network
US10726950B2 (en) 2018-11-25 2020-07-28 Aivitae LLC Methods and systems for autonomous control of imaging devices

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0772145A2 (en) * 1995-11-06 1997-05-07 JOHNSON & QUIN, INC. System and method for determining quality of printed matter
US20160127641A1 (en) * 2014-11-03 2016-05-05 Robert John Gove Autonomous media capturing
US20160364857A1 (en) * 2015-06-12 2016-12-15 Merge Healthcare Incorporated Methods and Systems for Automatically Determining Image Characteristics Serving as a Basis for a Diagnosis Associated with an Image Study Type
TWM537251U (zh) * 2016-05-27 2017-02-21 Cong-Yuan Cai 集合住宅雲端生活互聯系統

Also Published As

Publication number Publication date
TW201843647A (zh) 2018-12-16
US11321827B2 (en) 2022-05-03
EP3610483A4 (en) 2021-01-20
US20220215550A1 (en) 2022-07-07
EP3610483A1 (en) 2020-02-19
WO2018204009A1 (en) 2018-11-08
US20180374216A1 (en) 2018-12-27
US11276163B2 (en) 2022-03-15
US20180322629A1 (en) 2018-11-08

Similar Documents

Publication Publication Date Title
TWI775831B (zh) 用於促進影像系統之自主控制的系統及方法
US11515030B2 (en) System and method for artificial agent based cognitive operating rooms
CN103889520B (zh) 一种用于患者执行情况的非侵入式运动跟踪以增强患者实施的物理治疗的系统
CN110167421A (zh) 整体地测量视觉功能的临床参数的系统
KR102251925B1 (ko) 근골격계 이상예측장치 및 어플리케이션
AU2018254303A1 (en) Articulating arm for analyzing anatomical objects using deep learning networks
US20200268349A1 (en) System and method for analysis of medical equipment system results generated by augmented reality guidance of medical equipment systems
CN113397503B (zh) 家用医疗设备的控制方法及相关装置
US20200265754A1 (en) System and method for augmented reality guidance for use of medical equipment systems with transmission of data to remote location
CN113362946A (zh) 视频处理装置、电子设备及计算机可读存储介质
US20220301686A1 (en) Device at the point of imaging for instant advice on choices to streamline imaging workflow
CN112837828A (zh) 用于自动化健康护理服务的系统、装置和方法
JP2024521942A (ja) 目によるイメージとデジタル・イメージとの間の変換のための方法およびシステム
US11666259B1 (en) Assessing developmental disorders via eye tracking
US11766234B2 (en) System and method for identifying and navigating anatomical objects using deep learning networks
US12009083B2 (en) Remote physical therapy and assessment of patients
US20220022973A1 (en) Method, device and system for providing a virtual medical procedure drill
WO2023179876A1 (en) System configured to aid in training a patient's breathing in preparation for a radiotherapy treatment
US20210076942A1 (en) Infrared thermography for intraoperative functional mapping
JP2021074095A (ja) 眼科画像処理装置および眼科画像処理プログラム
WO2021100546A1 (ja) 人工知能処理システム、アップロード管理装置、方法、プログラム
US20220246298A1 (en) Modular architecture for a medical diagnostics device with integrated artificial intelligence capabilities
US20240223884A1 (en) Image capturing method
Jan et al. Development of Graphical User Interface (GUI) for Surgery Assistance Application
KR20220075065A (ko) 카메라 디바이스를 사용하여 구강 상태 모니터링 시스템 및 방법

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent