WO2017198878A1 - Automatisierte empfehlung zur gabe von echokontrastmittel mittels machine-learning-algorithmen - Google Patents

Automatisierte empfehlung zur gabe von echokontrastmittel mittels machine-learning-algorithmen Download PDF

Info

Publication number
WO2017198878A1
WO2017198878A1 PCT/EP2017/062306 EP2017062306W WO2017198878A1 WO 2017198878 A1 WO2017198878 A1 WO 2017198878A1 EP 2017062306 W EP2017062306 W EP 2017062306W WO 2017198878 A1 WO2017198878 A1 WO 2017198878A1
Authority
WO
WIPO (PCT)
Prior art keywords
ultrasound
ultrasound data
data
subject
contrast agent
Prior art date
Application number
PCT/EP2017/062306
Other languages
English (en)
French (fr)
Inventor
Ralf Kaiser
Original Assignee
Universität des Saarlandes
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
Priority claimed from DE102016208712.6A external-priority patent/DE102016208712A1/de
Application filed by Universität des Saarlandes filed Critical Universität des Saarlandes
Publication of WO2017198878A1 publication Critical patent/WO2017198878A1/de

Links

Classifications

    • 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
    • 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
    • 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

Definitions

  • the present invention relates to a computer-implemented method for improving the quality of medical ultrasound images.
  • Regional wall movement disorders are an indication of vascular circulatory disorders of the heart muscle. Accurately assessing the kinetics of individual muscle segments of the ventricles presents the examiner with significant challenges. Often, the sound conditions are not sufficient to make an adequate statement about regional wall disorders (RWBS). For example, about 200 examinations are necessary for the safe assessment of the global pumping function, while for the assessment of about 2000 examinations it is necessary to have an examiner acquire the necessary safety of the examination technique. Therefore, current national and international guidelines recommend the use of echo contrast media in poor sound conditions.
  • FIG. 1 shows a method for improving the quality of medical ultrasound images according to a first embodiment of the invention.
  • FIG. 2 shows the relative increase in SNR based on native segmental SNR, shown with a GAM.
  • FIG. 3 shows the same representation for the right ventricle.
  • FIG. 4 shows a method for improving the quality of medical ultrasound images according to a second embodiment of the invention.
  • FIG. 5 shows a method for improving the quality of medical ultrasound images according to a third embodiment of the invention.
  • FIG. 1 shows a method 100 for improving the quality of medical ultrasound images according to an embodiment of the invention.
  • ultrasound data of a subject is obtained, for example, read from a digital memory or directly from an ultrasound device.
  • step 120 the data thus obtained is automatically analyzed, whether a change in a parameter of the detection of the ultrasound data, in particular a donation of ultrasound contrast agent to the subject, a change of contrast setting, a signal gain, the irradiated wavelength or received wavelength is a given quality measure Ultrasound data improved based on the ultrasound data.
  • an indicator is output to a user, for example on a display, based on the analysis of whether the change in the parameter improves a quality measure of the ultrasound data.
  • the step 120 of the automated analysis is based on a machine learned relationship between a gift of ultrasound contrast agent and the quality measure. In order to learn the connection by machine, the relationship between quality measures of existing echocardiography data, which was recorded with and without administration of contrast media, was analyzed.
  • SNR signal-to-noise ratio
  • the administration of contrast media increased Shannon entropy by up to 9.8% for both ventricles, especially in the diastole of the cardiac cycle (see Table 1). It can therefore first be stated that the administration of contrast media in the echocardiographic examination increases both the ability to differentiate between the myocardium and the ventricular cavum as well as the information content of the examination. This is true for both the left and right ventricles in systole and diastole.
  • deep neural networks deep learning
  • the tensor-flow framework can be used to learn the aforementioned relationships.
  • the algorithms are able to predict the benefit of contrast agent delivery based on the native representation analysis with an accuracy of 90% (LV) and 80% (RV), respectively.
  • an indicator can then be generated in step 130 of the method according to FIG. 1, which indicator indicates to the user whether the creation of further ultrasound images with additional administration of contrast agent is worthwhile.
  • GAM general additive model
  • FIG. 4 shows a method for improving the quality of medical ultrasound images according to a second embodiment of the invention.
  • SNR data of an ultrasound image are obtained and, if necessary, processed for the subsequent prediction step.
  • the SNR data SNR.x can include SNR data for the entire contour shown in the ultrasound image and individual relevant segments of the ultrasound image.
  • a prediction of a signal-to-noise ratio SNR.y is determined after the addition of echo contrast means.
  • a relative increase in signal-to-noise ratio rSNR is determined from the output data and the predicted data. If this is greater than zero, then in step 440 a branch is made to step 450, in which a recommendation for the administration of echo contrast means is output. Otherwise, no recommendation will be issued.
  • Contrast is understood to be the property of the ultrasound signals and their pictorial representation, which describes the distribution of the individual signals of the acquisition, and is defined by the minimum and maximum signal strength or luminosity of the pixels.
  • Amplification is understood to mean the change in the received signal by means of a factor or a mathematical function which is suitable for achieving higher output signals or output amplitudes of the signal.
  • FIG. 5 shows in particular a method for improving the quality of medical ultrasound images according to a third embodiment of the invention.
  • the prediction step 530 of an expected quality of a further image after the addition of echo contrast means does not only take place on the basis of the image data and assigned SNR values or other quality parameters, but also takes into account further determination variables which influence the image quality.
  • it is convenient in addition to the output from the device ultrasound data, which have already undergone some pre-processing in the device, to take into account the raw data, which provides the sensor directly. It is also beneficial to consider the settings of the device in the prediction. Further, subjects' characteristics, such as age, weight, etc., and even characteristics of the examiner, such as the accuracy of previous diagnoses, may also be included in the prediction.
  • a model of the relationship between these extended input data with an expected quality can also be learned with the methods described above.
  • contrast agent Since the administration of contrast agent is associated with a not inconsiderable cost factor, this technique could cost savings by avoiding unnecessary contrast agents.
  • contrast media is associated with a - albeit very small - health risk. Also from this point of view, the prediction of added benefit is beneficial. This can also be quantified as shown above.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

In einem computerimplementierten Verfahren zur Verbesserung der Qualität von medizinischen Ultraschallbildern werden Ultraschalldaten einer Testperson erhalten. Die erhaltenen Daten werden einer automatisierten Analyse unterworfen, ob eine Veränderung eines Parameters der Erfassung der Ultraschalldaten, insbesondere eine Gabe von Ultraschallkontrastmittel an die Testperson, eine Veränderung des Kontrastsettings, einer Signalverstärkung, der eingestrahlten Wellenlänge oder der empfangenen Wellenlänge, ein gegebenes Qualitätsmaß der Ultraschalldaten verbessert, basierend auf den Ultraschalldaten. Schließlich wird ein Indikator an einen Nutzer ausgegeben, basierend auf der Analyse, ob die Veränderung des Parameters ein Qualitätsmaß der Ultraschalldaten verbessert.

Description

Automatisierte Empfehlung zur Gabe von Echokontrastmittel mittels Machine-Learning-Algorithmen
Die vorliegende Erfindung betrifft ein computerimplementiertes Verfahren zur Verbesserung der Qualität von medizinischen Ultraschallbildern. Regionale Wandbewegungsstörungen sind ein Hinweis auf vaskulär bedingte Durchblutungsstörungen des Herzmuskels. Die genaue Beurteilung der Kinetik von einzelnen Muskelsegmenten der Herzkammern stellt den Untersucher vor erhebliche Herausforderungen. Oft reichen die Schallbedingungen nicht aus, um eine adäquate Aussage über regionale Wandbewegungsstörungen (RWBS) zu machen. So sind für die sichere Beurteilung der globalen Pumpfunktion etwa 200 Untersuchungen notwendig, während für die Beurteilung von etwa 2000 Untersuchungen erfordert, bis ein Untersucher die notwendige Sicherheit der Untersuchungstechnik erworben hat. Daher empfehlen die aktuellen nationalen und internationalen Leitlinien den Einsatz von Echokontrastmittel bei schlechten Schallbedingungen.
Der Begriff der schlechten Schallbedingungen ist jedoch nicht hinreichend geklärt und der zusätzliche Nutzen der Gabe von Echokontrastmittel ist unklar.
Aufgabe der vorliegenden Erfindung ist daher die Bereitstellung eines Verfahrens, wel- ches medizinischen Ultraschallbilder und insbesondere Echokardiographiedaten mit verbesserter Qualität liefert.
Diese Aufgabe wird durch ein Verfahren und eine Vorrichtung zur Verbesserung der Qualität von medizinischen Ultraschallbildern nach Patentansprüchen 1 und 15 gelöst. Vorteilhafte Ausführungsformen sind in den abhängigen Patentansprüchen definiert.
Figur 1 zeigt ein Verfahren zur Verbesserung der Qualität von medizinischen Ultraschallbildern gemäß einer ersten Ausführungsform der Erfindung.
Figur 2 zeigt die relative Zunahme des SNR auf Basis der nativen segmentalen SNR, mit einem GAM dargestellt. Figur 3 zeigt dieselbe Darstellung für den rechten Ventrikel.
Figur 4 zeigt ein Verfahren zur Verbesserung der Qualität von medizinischen Ultraschallbildern gemäß einer zweiten Ausführungsform der Erfindung.
Figur 5 zeigt ein Verfahren zur Verbesserung der Qualität von medizinischen Ultraschallbildern gemäß einer dritten Ausführungsform der Erfindung.
Figur l zeigt ein Verfahren 100 zur Verbesserung der Qualität von medizinischen Ultraschallbildern gemäß einer Ausführungsform der Erfindung. In Schritt no werden Ultraschalldaten einer Testperson erhalten, beispielsweise aus einem digitalen Speicher ausgelesen oder direkt von einem Ultraschallgerät.
In Schritt 120 werden die so erhaltenen Daten automatisch analysiert, ob eine Veränderung eines Parameters der Erfassung der Ultraschalldaten, insbesondere eine Gabe von Ultraschallkontrastmittel an die Testperson, eine Veränderung des Kontrastsettings, einer Signalverstärkung, der eingestrahlten Wellenlänge oder empfangenen Wel- lenlänge ein gegebenes Qualitätsmaß der Ultraschalldaten verbessert, basierend auf den Ultraschalldaten. In Schritt 130 wird ein Indikator an einen Nutzer ausgegeben, beispielsweise auf einem Display, basierend auf der Analyse, ob die Veränderung des Parameters ein Qualitätsmaß der Ultraschalldaten verbessert. Der Schritt 120 der automatisierten Analyse basiert dabei auf einem maschinell gelernten Zusammenhang zwischen einer Gabe von Ultraschallkontrastmittel und dem Qualitätsmaß. Um den Zusammenhang maschinell zu lernen, wurde der Zusammenhang zwischen Qualitätsmaßen bestehender Echokardiographiedaten, die jeweils mit und ohne Gabe von Kontrastmittel aufgenommen wurden, analysiert.
Eine Analyse der Echokardiographiedaten wurde dabei in mehreren Schritten durchgeführt. Zunächst wurde die endokardiale Kontur extrahiert und das Signal-Rausch- Verhältnis (SNR) über die gesamte Kontur und für die einzelnen Segmente berechnet.
Da es sich bei echokardiografischen Bildern um visuelle Darstellungen von Schallwellen handelt, wurden die Signale linear umgesetzt, im Gegensatz der sonst üblichen logarithmischen Berechnung der SNR. Ferner wurde als Informationskriterium die Shannon-Entropie (SE) ermittelt. Nach elektronischer Speicherung und Export der Bildsequenzen, wurden insgesamt 216 Sequenzen des rechten Ventrikels und 64 Sequenzen des linken Ventrikels nutzbar gemacht. Hieraus wurden insgesamt 1383 Bilder extrahiert (RV: 993, LV: 390). Zur Auswertung des Effektes der Kontrastmittelgabe wurden 1246 Bilder mit Kontrastgabe und 137 Bilder nativ bearbeitet. Diese unterteilen sich in 690 Aufnahmen aus der Systole des Herzens und 693 Aufnahmen aus der Diastole des Herzens.
Nach manueller Definition der Endokardkontur in der jeweiligen Aufnahme, wurden die angrenzenden Signalintensitäten des Myokards und Ventrikelkavums digitalisiert. Zur weiteren Auswertung war die Entwicklung einer SpezialSoftware notwendig, welche einerseits das Signal-Rausch-Verhältnis und andererseits die Shannon-Entropy um die Endokardgrenze berechnet. Diese wurde einerseits über die gesamte Kontur und andererseits nach sechs Segmenten entlang der Kontur durchgeführt und exportiert.
Unter Gabe von Kontrastmittel stieg in der vorliegenden Untersuchung die Shannon- Entropie insbesondere in der Diastole des Herzzyklus für beide Ventrikel um bis zu 9.8% an (siehe Tabelle 1). Es kann daher zunächst konstatiert werden, dass durch die Gabe von Kontrastmittel bei der echokardiografischen Untersuchung sowohl eine ver- besserte Abgrenzbarkeit von Myokard und Ventrikelkavum als auch der Informationsgehalt der Untersuchung zunimmt. Dies trifft sowohl für den linken als auch den rechten Ventrikel in Systole und Diastole zu.
Diese Daten wurden mittels der folgenden Machine-Learning-Algorithmen analysiert:
1) conditional inference tree (ctree)
2) recursive partitioning tree (rpart)
3) naive Bayes classifier (bayes)
4) k-nearest neighbor (knn)
5) support vector machine (SVM)
6) neuronales Netzwerk (nnet)
7) random forest (RF)
Alternativ können auch tiefe neuronale Netze (Deep Learning) oder das Tensor-Flow Framework zum Erlernen der genannte Zusammenhänge verwendet werden.
Einbezogen wurde dabei die gesamte SNR, die segmentale SNR und Angaben über die Lokalisation des betrachteten Segmentes (basal, mitte, apikal, septal oder freie Wand). Als Zielvariable für die Entscheidung eines Benefits der Kontrastmittelgabe wurde die Zunahme der SNR gewählt. Die Änderung des Informationsgehaltes wurde zunächst nicht berücksichtigt (Shannon Entropie, GINI-Kriterium, Chi2).
Die verschiedenen Algorithmen wurden cross-validiert, indem die Datensätze getrennt nach Lokalisation (rechter oder linker Ventrikel) in einem 70:30 Verhältnis randomi- siert in ein„Training-Set" und ein„Test-Set" für die Algorithmen aufgeteilt wurden. Dies wurde (n1/2-l)- mal durchgeführt, um eine„k-fold cross Validation" zu erreichen. Die Ergebnisse sind in Tabelle 4 dargestellt. Hierbei fällt auf, dass im Falle des linken Ventrikels eine bessere Performance besteht, als bei Analysen des rechten Ventrikels. Ferner erscheint die Wahl des Algorithmus beim linken Ventrikel von untergeordneter Bedeutung zu sein, auch wenn die Ergebnisse des„random forest" -Algorithmus die höchste Performance zeigten. Im Falle des rechten Ventrikels schien die„Support vector machine" den übrigen Algorithmen so- wohl in„accuracy" als auch positivem prädiktiven Wert (PPV) überlegen zu sein.
Die Algorithmen sind also in der Lage, den Nutzen einer Kontrastmittelgabe auf Basis der Analyse der nativen Darstellung mit einer Genauigkeit von 90% (LV) bzw. 80% (RV) vorherzusagen. Auf dieser Basis kann dann in Schritt 130 des Verfahrens gemäß Figur 1 ein Indikator generiert werden, welcher dem Benutzer anzeigt, ob sich die Erstellung weiterer Ultraschallbilder mit zusätzlicher Gabe von Kontrastmittel lohnt.
Es wurde ferner getrennt nach linkem und rechtem Ventrikel ein„general additiv mo- del" (GAM) angepasst, welches den Nutzen im Sinne einer relativen Zunahme des Sig- nal-Rausch-Verhältnisses (rSNR) auf Basis der nativen segmentalen SNR berechnet (Figuren 2 und 3).
Die Implementierung dieser Algorithmen erfolgte zwar auf einem konventionellen Computersystem, ist jedoch mit minimalem Aufwand portabel auf jedes verfügbare Echokardiographiegerät. Insbesondere ist mit einem erheblichen Zuwachs der Performance zu rechnen, da in diesem Falle die Algorithmen auf Rohdaten zugreifen könnten, welche hier nicht vorlagen. Es kann daher während der standardisierten Echokardiografie im Hintergrund analysiert werden, ob die Gabe von Echokontrastmittel hilfreich wäre und selbständig durch das Echogerät eine Empfehlung abgegeben werden.
Das Echogerät ist ferner in der Lage, über die Zeit auf Basis der durchgeführten Untersuchungen dazuzulernen und die Vorhersage zu präzisieren. Figur 4 zeigt ein Verfahren zur Verbesserung der Qualität von medizinischen Ultraschallbildern gemäß einer zweiten Ausführungsform der Erfindung. In Schritt 410 werden SNR Daten eines Ultraschallbildes erhalten und für den nachfolgenden Prädiktionsschritt ggf. aufbereitet. Die SNR-Daten SNR.x können dabei SNR-Daten für über die gesamte im Ultraschallbild gezeigte Kontur und einzelne relevante Segmente des Ultraschallbildes umfassen. In Schritt 420 wird dann, basierend auf einem Modell, eine Prädiktion eines Signal-Rausch-Verhältnisses SNR.y nach Gabe von Echokontrastmittel bestimmt. In Schritt 430 wird aus den Ausgangsdaten und aus den vorhergesagten Daten eine relative Zunahme des Signal-Rauschverhältnisses rSNR bestimmt. Ist diese größer als null, wird in Schritt 440 zu Schritt 450 verzweigt., in welchem eine Empfehlung für die Gabe von Echokontrastmittel ausgegeben wird. Andernfalls wird keine Empfehlung ausgegeben.
Alternativ oder zusätzlich kann eine Unterscheidung von verschiedenen Geräteeinstel- lungen, wie beispielsweise einer Veränderung des Kontrastsettings, einer Signalverstärkung, der eingestrahlten Wellenlänge oder empfangenen Wellenlänge vorgenommen oder die Empfehlung unterschiedlicher Kontrastmittel an die Untersuchungsbedingungen angepasst werden. Unter Kontrast wird die Eigenschaft der Ultraschallsignale und deren bildliche Repräsentation verstanden, welche die Verteilung der Einzel- signale der Erfassung beschreibt und ist über die minimale und maximale Signalstärke respektive Leuchtstärke der Bildpunkte definiert. Unter Verstärkung wird die Veränderung des aufgenommenen Signals mittels eines Faktors oder einer mathematischen Funktion verstanden, welche geeignet ist, höhere Ausgangssignale oder Ausgangsamplituden des Signals zu erreichen.
Figur 5 zeigt insbesondere ein Verfahren zur Verbesserung der Qualität von medizinischen Ultraschallbildern gemäß einer dritten Ausführungsform der Erfindung. Der Prädiktionsschritt 530 einer erwarteten Güte eines weiteren Bildes nach Gabe von Echokontrastmittel erfolgt hier nicht nur auf aufgrund der Bilddaten und zugeordneter SNR- Werte oder anderer Güteparameter, sondern berücksichtigt weitere Bestimmungsgrößen, welche Einfluss auf die Bildqualität haben. Zunächst ist es günstig, neben den vom Gerät ausgegebenen Ultraschalldaten, welche im Gerät bereits eine gewisse Vorerarbeitung erfahren haben, auch die Rohdaten zu berücksichtigen, welche der Sensor unmittelbar liefert. Außerdem ist es günstig, auch die Einstellungen des Geräts bei der Prä- diktion zu berücksichtigen. Ferner können auch Eigenschaften des Probanden, wie etwa dessen Alter, Gewicht, etc. und sogar Eigenschaften des Untersuchers, wie beispielsweise die Richtigkeit bzw. Genauigkeit bisheriger Diagnosen, in die Prädiktion einbezogen werden. Ein Modell des Zusammenhangs dieser erweiterten Eingangsdaten mit einer erwarteten Güte kann ebenfalls mit den oben beschriebenen Verfahren gelernt werden.
Da die Gabe von Kontrastmittel mit einem nicht unerheblichen Kostenfaktor verbunden ist, könnten durch diese Technik Kosteneinsparungen durch die Vermeidung unnötiger Kontrastmittelgaben erzielt werden.
Schließlich ist die Gabe von Kontrastmittel auch mit einem - wenn auch sehr geringen - Gesundheitsrisiko verbunden. Auch unter diesem Gesichtspunkt ist die Vorhersage des Zusatznutzens von Vorteil. Dieser kann auch wie oben dargestellt quantifiziert werden.
Figure imgf000008_0001
Figure imgf000009_0001
Figure imgf000010_0001
Figure imgf000011_0001

Claims

Ansprüche
1. Computerimplementiertes Verfahren zur Verbesserung der Qualität von medizinischen Ultraschallbildern, umfassend die Schritte:
Erhalten von Ultraschalldaten einer Testperson;
automatisierte Analyse, ob eine Gabe von Ultraschallkontrastmittel an die Testperson ein gegebenes Qualitätsmaß der Ultraschalldaten verbessert, basierend auf den Ultraschalldaten; und
Ausgeben eines Indikators an einen Nutzer, basierend auf der Analyse, ob die Gabe von Ultraschallkontrastmittel ein Qualitätsmaß der Ultraschalldaten verbessert.
2. Verfahren nach Patentanspruch l, wobei das Qualitätsmaß ein Signal-Rausch- Verhältnis (SNR) der Ultraschalldaten darstellt.
3. Verfahren nach Patentanspruch 1, wobei das Qualitätsmaß eine Entropie der Ultraschalldaten ist.
4. Verfahren nach Patentanspruch 1, wobei der Schritt der Analyse auf einem maschinell gelernten Zusammenhang zwischen einer Gabe von Ultraschallkontrastmittel und dem Qualitätsmaß basiert.
5. Verfahren nach Patentanspruch 4, wobei der Zusammenhang mittels eines condi- tional-inference tree, recursive partitioning tree, naive Bayes classifier, k-nearest neighbor, support vector machine, eines random forest Verfahrens, eines neuronalen Netzwerks, mittels deep learning oder mittels tensor flow aus einer Vielzahl von Trainings-Ultraschalldaten gelernt wurde.
6. Verfahren nach Patentanspruch 1, wobei die Ultraschalldaten Echokardiografiedaten sind.
7. Verfahren nach Patentanspruch 6, wobei der Schritt der automatisierten Analyse ein Qualitätsmaß einer aus den Echokardiografiedaten extrahierten kardialen Kontur berücksichtigt.
8. Verfahren nach Patentanspruch 6, wobei der Schritt der automatisierten Analyse ein Qualitätsmaß zumindest eines aus den Echokardiografiedaten extrahierten Segments entlang einer kardialen Kontur berücksichtigt.
9. Verfahren nach Patentanspruch 8, wobei ferner Angaben über die Lokalisation der Segmente berücksichtigt werden.
10. Verfahren nach Patentanspruch 6, wobei die erhaltenen Echokardiografiedaten zusätzlich als Trainings-Echokardiografiedaten verwendet werden.
11. Verfahren zur Erstellung von Echogrammen mit verbesserter Bildqualität, umfassend die Schritte:
Erhalten von ersten Ultraschalldaten einer Testperson;
automatisierte Analyse, ob eine Gabe von Ultraschallkontrastmittel an die Testperson ein gegebenes Qualitätsmaß der Ultraschalldaten verbessert, basierend auf den Ultraschalldaten;
wenn ja, Verabreichen von Ultraschallkontrastmittel an die Testperson und Aufnehmen von zweiten Ultraschalldaten der Testperson; und Ausgeben der zweiten Ultraschalldaten.
12. Verfahren nach Patentanspruch 1 oder 11, wobei die ersten Ultraschalldaten der Testperson durch Auslesen aus einem digitalen Speicher erhalten werden.
13. Verfahren nach Patentanspruch 1, wobei die ersten Ultraschalldaten der Testperson ohne eine Gabe von Echokontrastmittel erfasst wurden.
14. Verfahren nach Patentanspruch 1, wobei zusätzlich eine Empfehlung zur Dosierung des Ultraschallkontrastmittels ausgegeben wird.
15. Vorrichtung zur Verbesserung der Qualität von Ultraschallbildern, umfassend eine Einheit zum Erhalten von Ultraschalldaten einer Testperson;
eine Einheit zur automatisierten Analyse, ob eine Gabe von Ultraschallkontrastmittel an die Testperson ein gegebenes Qualitätsmaß der Ultraschalldaten verbessert, basierend auf den Ultraschalldaten; und eine Einheit zum Ausgeben eines Indikators an einen Nutzer, basierend auf der Analyse, ob die Gabe von Ultraschallkontrastmittel ein Qualitätsmaß der Ultraschalldaten verbessert.
16. Ultraschallgerät, das eine Vorrichtung gemäß Patentanspruch 15 enthält.
17. Vorrichtung nach Patentanspruch 15, wobei die Vorrichtung ein Handheld-Device ist, z.B. ein Tablet-Computer.
18. Verfahren nach Patentanspruch 1, wobei der Schritt der automatischen Analyse berücksichtigt, von welchem (Teil-) Organ der Testperson Ultraschalldaten erhalten werden.
19. Verfahren nach Patentanspruch 18, wobei das (Teil-) Organ der Testperson ein rechtes oder linkes Herzventrikel ist.
20. Verfahren nach Patentanspruch 4, wobei ein Verfahren, nach welchem der Zusammenhang zwischen einer Gabe von Ultraschallkontrastmittel und dem Qualitätsmaß maschinell gelernt wurde, basierend auf einem zu untersuchenden (Teil- Organ) der Testperson ausgewählt wird.
21. Verfahren nach Patentanspruch 1, wobei die automatisierte Analyse neben neben den Ultraschalldaten noch eine oder mehrere Eigenschaften oder Einstellungen des Geräts, wie etwa ein Kontrastsetting, eine Stärke der eingestrahlten oder der empfangenen Wellenlänge oder Eigenschaften der Testperson, wie etwa deren Alter oder Gewicht oder Eigenschaften des Untersuchers, wie beispielsweise die Richtigkeit bzw. Genauigkeit bisheriger Diagnosen, berücksichtigt.
PCT/EP2017/062306 2016-05-20 2017-05-22 Automatisierte empfehlung zur gabe von echokontrastmittel mittels machine-learning-algorithmen WO2017198878A1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
DE102016208712.6 2016-05-20
DE102016208712.6A DE102016208712A1 (de) 2016-05-20 2016-05-20 Automatisierte Empfehlung zur Gabe von Echokontrastmittel mittels Machine-Learning-Algorithmen
DE102016215802 2016-08-23
DE102016215802.3 2016-08-23

Publications (1)

Publication Number Publication Date
WO2017198878A1 true WO2017198878A1 (de) 2017-11-23

Family

ID=58745246

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2017/062306 WO2017198878A1 (de) 2016-05-20 2017-05-22 Automatisierte empfehlung zur gabe von echokontrastmittel mittels machine-learning-algorithmen

Country Status (1)

Country Link
WO (1) WO2017198878A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111511287A (zh) * 2017-12-20 2020-08-07 国际商业机器公司 从医学图像自动提取超声心动图测量结果

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997025923A2 (de) * 1996-01-19 1997-07-24 Schering Aktiengesellschaft Optimierung der kontrastmittelgabe bei bildgebenden diagnostischen verfahren
US20120095338A1 (en) * 2004-10-07 2012-04-19 Zonare Medical Systems Inc. Ultrasound imaging system parameter optimization via fuzzy logic
WO2014097124A2 (en) * 2012-12-20 2014-06-26 Koninklijke Philips N.V. Quantitative imaging
US20140243667A1 (en) * 2013-02-22 2014-08-28 Siemens Medical Solutions Usa, Inc. Adaptive Acoustic Pressure Estimation in Medical Ultrasound
EP2966581A1 (de) * 2014-07-07 2016-01-13 Siemens Aktiengesellschaft Netzwerksystem und Verfahren zur Steuerung eines Computertomographen

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997025923A2 (de) * 1996-01-19 1997-07-24 Schering Aktiengesellschaft Optimierung der kontrastmittelgabe bei bildgebenden diagnostischen verfahren
US20120095338A1 (en) * 2004-10-07 2012-04-19 Zonare Medical Systems Inc. Ultrasound imaging system parameter optimization via fuzzy logic
WO2014097124A2 (en) * 2012-12-20 2014-06-26 Koninklijke Philips N.V. Quantitative imaging
US20140243667A1 (en) * 2013-02-22 2014-08-28 Siemens Medical Solutions Usa, Inc. Adaptive Acoustic Pressure Estimation in Medical Ultrasound
EP2966581A1 (de) * 2014-07-07 2016-01-13 Siemens Aktiengesellschaft Netzwerksystem und Verfahren zur Steuerung eines Computertomographen

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111511287A (zh) * 2017-12-20 2020-08-07 国际商业机器公司 从医学图像自动提取超声心动图测量结果
CN111511287B (zh) * 2017-12-20 2023-08-04 玛雷迪夫美国公司 从医学图像自动提取超声心动图测量结果
US11813113B2 (en) 2017-12-20 2023-11-14 Merative Us L.P. Automated extraction of echocardiograph measurements from medical images

Similar Documents

Publication Publication Date Title
DE102011013505B4 (de) Verfahren und System zur automatischen Erkennung und Klassifizierung von Koronarstenosen in Herz-CT-Volumina
CN109035284B (zh) 基于深度学习的心脏ct图像分割方法、装置、设备及介质
EP1904973B1 (de) Verfahren, vorrichtung und computerprogrammprodukt zum auswerten von bildern einer kavität
DE102018218751A1 (de) Machinengestützter arbeitsablauf bei der ultraschallbildgebung
DE102015226400A1 (de) Automatisierte Ermittlung von Konturen auf Basis einer iterativen Rekonstruktion
DE102005040438A1 (de) Verfahren und Vorrichtung zur Embolieanalyse
DE102018222606A1 (de) Verfahren und Vorrichtung zur Detektion eines anatomischen Merkmals eines Blutgefäßabschnittes
DE102017203299A1 (de) System und Verfahren zur kardioembolischen Schlaganfallrisikovorhersage auf der Basis von medizinischen Bildern
DE102014207449A1 (de) Automatische Erkennung eines potenziellen Pleuraergusses
US9549681B2 (en) Matrix-based patient signal analysis
DE102018214325A1 (de) Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes
DE112019005696T5 (de) Verfahren und Vorrichtung zur Berechnung eines Koronararterien-Kalzium-Scores
DE102009032442B4 (de) Verfahren und Vorrichtung zur Nachbearbeitung von mittels eines bildgebenden Systems erfassten Messwerten
DE102014210218A1 (de) Verfahren zum Generieren von medizinischen Bilddatensätzen
WO2017198878A1 (de) Automatisierte empfehlung zur gabe von echokontrastmittel mittels machine-learning-algorithmen
DE102011081987A1 (de) Verfahren zur Erzeugung eines Modells einer Oberfläche einer Hohlraumwand
EP3226206A1 (de) Klassifizierung mittels aufnahmen
DE112016005742T5 (de) Datenverarbeitungsverfahren für Computertomographie
EP3451286B1 (de) Verfahren zum segmentieren einer organstruktur eines untersuchungsobjekts in medizinischen bilddaten
DE102016208712A1 (de) Automatisierte Empfehlung zur Gabe von Echokontrastmittel mittels Machine-Learning-Algorithmen
EP3579010A1 (de) Verbesserte bestimmung von quantitativen gewebeparametern
DE102021102158A1 (de) Ultraschallbilderfassungsoptimierung gemäss verschiedenen atmungsmodi
EP3599586A1 (de) Verfahren und vorrichtung zur analyse von magnetresonanz-aufnahmen
DE102015212596B4 (de) Verfahren zur Segmentierung eines ballonartigen Volumens
DE102014216751A1 (de) Verfahren zur Bestimmung einer Art einer Rekonstruktion von Bilddaten einer Magnetresonanzmessung eines Untersuchungsobjekts mittels eines Magnetresonanzgeräts

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17724827

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17724827

Country of ref document: EP

Kind code of ref document: A1