CN106062755A - 用于识别医学图像采集参数的***和方法 - Google Patents
用于识别医学图像采集参数的***和方法 Download PDFInfo
- Publication number
- CN106062755A CN106062755A CN201580003172.7A CN201580003172A CN106062755A CN 106062755 A CN106062755 A CN 106062755A CN 201580003172 A CN201580003172 A CN 201580003172A CN 106062755 A CN106062755 A CN 106062755A
- Authority
- CN
- China
- Prior art keywords
- data set
- patient data
- patient
- image acquisition
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000005259 measurement Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 241001269238 Data Species 0.000 claims 3
- 238000012549 training Methods 0.000 description 56
- 238000003384 imaging method Methods 0.000 description 33
- 210000004351 coronary vessel Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000002601 radiography Methods 0.000 description 12
- 239000012779 reinforcing material Substances 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 9
- 210000003484 anatomy Anatomy 0.000 description 7
- 230000002308 calcification Effects 0.000 description 6
- 208000029078 coronary artery disease Diseases 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000008034 disappearance Effects 0.000 description 5
- 231100000915 pathological change Toxicity 0.000 description 5
- 230000036285 pathological change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002285 radioactive effect Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 206010008479 Chest Pain Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 210000000709 aorta Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000003218 coronary vasodilator agent Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000035479 physiological effects, processes and functions Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000013155 cardiography Methods 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 101000666730 Homo sapiens T-complex protein 1 subunit alpha Proteins 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 102100038410 T-complex protein 1 subunit alpha Human genes 0.000 description 1
- 208000007814 Unstable Angina Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000001594 aberrant effect Effects 0.000 description 1
- 230000033115 angiogenesis Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- 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
-
- 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
-
- 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)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Dentistry (AREA)
- Cardiology (AREA)
- Oral & Maxillofacial Surgery (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
本发明公开了用于识别图像采集参数的***和方法。一种方法包括:接收患者数据集,所述患者数据集包括一个或多个重建、一个或多个初步扫描或患者信息,和一个或多个采集参数;基于一个或多个初步扫描和所述患者信息中的一者或两者而计算一个或多个患者特性;计算与所述一个或多个重建相关联的一个或多个图像特性;使用所述一个或多个患者特性而将所述患者数据集与一个或多个其它患者数据集编为一组;以及使用所述一个或多个图像特性、所述患者数据集与一个或多个其它患者数据集的所述编组或它们的组合而识别适合于所述患者数据集的一个或多个图像采集参数。
Description
相关申请的交叉引用
本申请要求2014年10月3日提交的美国专利申请No.14/506,293的优先权权益,所述美国专利申请要求2014年1月10日提交的美国临时申请No.61/925,947的权益,所述申请中的每一者的全文以引用的方式并入本文中。
技术领域
本公开的各种实施方案一般来说涉及成像和相关方法。更确切地说,本公开的特定实施方案涉及用于识别医学图像采集参数的***和方法。
背景技术
在许多商业环境中,成像可以是至关重要的。成像的用户可以包括任何范围的专业人员或消费者。作为一个实例,医生、技术人员和/或其它受培训以采集医学图像的个体都可使用成像以做出患者护理决策。医学成像可以包括射线照相术、计算机断层扫描(CT)、磁共振成像(MRI)、荧光透视、单光子发射计算机断层扫描(SPECT)、正电子发射断层扫描(PET)、闪烁扫描法、超声波以及特定技术(例如,超声波心动描记术、***X线照相术、血管内超声和血管造影术)。
举例来说,医学成像的一个应用是冠心病的诊断和治疗,冠心病可以在向心脏提供血液的血管中产生冠状动脉病变,诸如狭窄症(血管异常变窄)。患有冠心病的患者可能会经历流向心脏的血流受限制和引起胸痛,胸痛称作在体力活动期间发生的慢性稳定型心绞痛或在患者休息时发生的不稳定型心绞痛。疾病的更严重表现可能会导致心肌梗塞或心脏病。
患有胸痛和/或表现出冠心病症状的患者可以进行一项或多项无创检测,无创检测可以提供与冠状动脉病变相关的一些间接证据。例如,无创检测可以包括心电图、从血液检测进行的生物标志物评估、平板运动试验、超声波心动描记术、SPECT和PET。可以使用冠状动脉计算机断层扫描血管造影术(cCTA)无创地获得解剖数据。cCTA可以用于对胸痛患者成像。例如,cCTA可以涉及在静脉输注造影剂后,使用CT技术以对心脏和冠状动脉成像。
虽然成像的使用可能无处不在,但图像采集过程仍具有局限性。例如,在医学背景下,在捕获质量足够高的图像以提供信息从而做出医疗决策(例如,诊断),同时将给患者带来的风险(例如,由于辐射暴露)降到最低与用于图像采集的资源之间存在权衡。因此,可能需要识别或预料可以产生具有必要质量的图像的图像采集参数,同时限制传统的缺点,例如,与优质成像相关联的辐射暴露和资源使用。换句话说,可能需要例如在获得图像或扫描之前确定或获得优化的图像采集参数。
以上一般描述和以下详细描述仅仅是示例性和解释性的并且不限制本公开。
发明内容
根据本公开的某些方面,公开了用于识别图像采集参数的***和方法。一种方法包括:接收患者数据集,所述患者数据集包括一个或多个重建、一个或多个初步扫描或患者信息,和一个或多个采集参数;基于一个或多个初步扫描和所述患者信息中的一者或两者而计算一个或多个患者特性;计算与所述一个或多个重建相关联的一个或多个图像特性;使用所述一个或多个患者特性而将所述患者数据集与一个或多个其它患者数据集编为一组;以及使用所述一个或多个图像特性、所述患者数据集与一个或多个其它患者数据集的所述编组或它们的组合而识别适合于所述患者数据集的一个或多个图像采集参数。
根据另一实施方案,一种用于识别图像采集参数的***包括:数据存储装置,所述数据存储装置存储用于识别图像采集参数的指令;以及处理器,所述处理器被配置用于:接收患者数据集,所述患者数据集包括一个或多个重建、一个或多个初步扫描或患者信息,和一个或多个采集参数;基于一个或多个初步扫描和所述患者信息中的一者或两者而计算一个或多个患者特性;计算与所述一个或多个重建相关联的一个或多个图像特性;使用所述一个或多个患者特性而将所述患者数据集与一个或多个其它患者数据集编为一组;以及使用所述一个或多个图像特性、所述患者数据集与一个或多个其它患者数据集的所述编组或它们的组合而识别适合于所述患者数据集的一个或多个图像采集参数。
根据又一实施方案,提供了一种用于在计算机***上使用的非暂时性计算机可读媒体,所述非暂时性计算机可读媒体含有用于识别图像采集参数的计算机可执行编程指令。方法包括:接收患者数据集,所述患者数据集包括一个或多个重建、一个或多个初步扫描或患者信息,和一个或多个采集参数;基于一个或多个初步扫描和所述患者信息中的一者或两者而计算一个或多个患者特性;计算与所述一个或多个重建相关联的一个或多个图像特性;使用所述一个或多个患者特性而将所述患者数据集与一个或多个其它患者数据集编为一组;以及使用所述一个或多个图像特性、所述患者数据集与一个或多个其它患者数据集的所述编组或它们的组合而识别适合于所述患者数据集的一个或多个图像采集参数。
所公开实施方案的额外的目的和优点部分地在下面的说明中阐明、部分地从该说明中显而易见、或者可以通过实践所公开实施方案来获得。通过在随附权利要求中特别指出的要素和组合可实现和获得本公开的目的和优点。
应该理解,以上一般描述和以下详细描述仅仅是示例性和解释性的,且并不限制所要求保护的所公开实施方案。
附图说明
并入本说明书中并构成本说明书的一部分的附图图示了各种示例性实施方案,并与描述一起用于解释所公开实施方案的原理。
图1是根据本公开的示例性实施方案的用于识别图像采集参数的示例性***和网络的框图。
图2是根据本公开的示例性实施方案的用于开发可以用以预测初始成像数据的图像质量的模型的培训阶段的示例性方法的框图。
图3是根据本公开的示例性实施方案的用于基于与初始成像数据相关联的培训阶段模型和环境而找出用以实现所需图像质量的图像采集参数的产生阶段的示例性方法的框图。
图4是根据本公开的示例性实施方案的用于使用各种类型的初步扫描或图像而开发模型的特定培训阶段的示例性方法的框图。
图5是根据本公开的示例性实施方案的用于预测医学图像的图像质量的特定产生阶段的示例性方法的框图。
具体实施方式
现在将详细参考本发明的示例性实施方案,在附图中图示这些实施方案的实例。只要可能,将在所有附图中使用相同的参考数字指代相同或类似的部件。
在许多商业环境中,成像可以是至关重要的。具体来说,在提供健康护理的过程中,医学成像可能普遍存在。但是,成像可以提供的信息可能存在若干限制,并且图像采集也可能存在限制。关于信息限制,从对冠心病进行的无创诊断成像中获得的医学成像信息在定义冠状动脉病变的解剖结构方面可能存在众所周知的限制。例如,用于基于成像而获得与冠状动脉病变相关的准确数据,例如大小、形状、位置、功能意义(例如,病变是否影响血流量)等方法仍在改善中。关于图像采集限制,医学成像可以涉及衡量获得高质量图像相对于例如所消耗资源和/或患者辐射暴露的优先级。
可以在采集图像之前初始化图像采集参数(例如,x射线管电压、x射线束滤波器、检测器配置、暴露时间、帧/单位时间、帧/触发、装置特定设置、切片厚度、扫描模式、旋转时间等)。图像质量可以基于以下各项发生变化:成像对象(例如,具有高BMI的患者可能需要与具有低BMI的患者的参数不同的参数,或者具有不同心输出量的患者可能需要不同的扫描时间等),特定图像采集仪器(例如,光学组件的物理尺寸、输出的x射线特性、特定医院的特定房间中的螺旋式CT扫描仪等),操作者特性(例如,与操作用于进行图像采集的仪器的人或实体相关联的各种处理或特质等),和/或可以用于指定、检查和/或校准图像采集的初步图像(例如,侦察图像)。这些参数可能会影响所采集图像的质量,这意味着最佳采集参数集可能有助于产生高质量图像。然而,采集参数通常是基于人群的或是通过一般或标准成像协议指定的参数。采集参数并不适应特定患者的特定解剖结构或正成像的特定解剖结构以及当前特定任务。例如,用于对具有低对比度密度变化的较小特征(例如,鼠疫)成像的成像剂量可能不同于适合于对具有高对比度密度变化的较大特征(例如,心肌灌注)成像的成像剂量。图像采集可能并未考虑可以改进所得成像的此类区别。因此,需要识别可以产生高质量图像的图像采集参数。
本公开涉及用于识别医学图像采集参数的***和方法,并且更具体来说,涉及用于迭代地优化图像采集和重建参数以产生高质量医学图像(包括心脏CT图像采集中所涉及的图像)的***和方法。如上所述,医学图像的质量可能受到以下各项中的一者或多者的影响:基于人群的或标准的图像采集参数、成像对象、特定图像采集仪器,以及初步图像。本公开涉及使用历史数据和/或机器学习技术来培训一个或多个计算***预测可以产生高质量图像同时限制不利成像条件的最佳图像采集参数集。除了示例性一般实施方案之外,本公开还描述与基于初步扫描(包括侦察、钙化积分扫描、操作者特性和/或造影定时扫描)而预测图像采集参数相关的实施方案。作为延伸,预测图像采集参数也可能需要基于由使用相同的图像采集参数所采集的过去图像所产生的图像质量来预测图像质量。
在一个实施方案中,所公开的用于识别和优化医学图像采集参数的技术可以适用于用于估计患者特定的血流特性的方法(诸如2012年11月20日向Charles A.Taylor颁发的美国专利No.8,315,812中所描述的那些方法,所述专利的全部公开内容以引用的方式并入本文中)并且结合所述方法来使用。虽然出于实例的目的而相对于冠心病的诊断和治疗描述了本公开的某些实施方案,但本文所述的***和方法也适用于预测与任何医学成像领域相关的最佳图像采集参数集。
具体地说,本公开可以涉及培训阶段,在所述培训阶段中,***可以学习和/或创建可以提取三组信息(患者特性、采集参数、操作者特性和/或图像质量)之间的关系的模型。培训阶段可以包括处理与多个个体相关联的数据以理解各种患者特性和采集参数可以如何影响图像质量。通过延伸,本公开可以进一步涉及产生阶段,即确定可能有助于相对于目标成像应用的特定患者产生特定质量的图像的采集参数。例如,产生阶段可以包括根据特定患者特有的特性、采集仪器和/或所需目标采集参数而找出可以针对所需成像应用产生最佳图像质量的采集参数。在某些情况下,目标采集参数可以定义图像质量和/或图像采集的优先级(例如,其中优先级可以包括将辐射暴露减到最小)。除了输出优化的采集参数外,产生阶段还可以进一步包括基于优化的采集参数而产生高质量图像。在某些情况下,所描述的***和方法可能与心脏CT图像的采集有关。
现在参照附图,图1示出根据示例性实施方案的用于识别图像采集参数的示例性***和网络的框图。具体地说,图1示出多个医师102和第三方提供者104,他们中的任一者均可通过一个或多个计算机、服务器和/或手持式移动装置连接至电子网络100,诸如因特网。医师102和/或第三方提供者104可以创建或以其它方式获得一个或多个患者解剖结构的图像。医师102和/或第三方提供者104还可以获得患者特定信息,诸如年龄、病史、血压、血液粘度等的任意组合。医师102和/或第三方提供者104可以经由电子网络100将解剖图像和/或患者特定信息传输至服务器***106。服务器***106可以包括用于存储从医师102和/或第三方提供者104接收到的图像和数据的存储装置。服务器***106还可以包括用于处理存储在存储装置中的图像和数据的处理装置。
图2涉及用于培训模型学习成像对象(例如,患者)、采集参数(包括用于成像和/或图像采集仪器/装置的参数)、操作者特性与初步扫描(例如,使用采集参数所采集的成像对象的图像)之间的关联的方法的一般实施方案。图3涉及用于基于由图2中的方法所获得的关联模型而产生适合于特定患者的图像采集参数输出的方法的一般实施方案。在一些实施方案中,可以将图3的参数输出视为关于图像采集参数的建议。更具体地说,由图3的方法输出的参数可以包括用于在指定条件(包括成像对象和图像采集仪器或装置)下产生优质图像的参数。换句话说,图3的方法可以使用相同的(或类似的)图像采集仪器/装置并且在同一操作者的情况下基于相同的(或类似的)成像对象的图像的图像质量来提供用以优化图像质量的图像采集参数,以用于使用指定的图像采集装置捕获指定图像对象。图4涉及开发模型的培训阶段的特定实施方案,其中这些实施方案描述了基于各种类型的初步扫描或图像的培训模型。示例性初步扫描可以包括侦察扫描、钙化扫描、造影定时扫描、单个或选定模态(例如,与用于对特定患者的解剖结构成像的成像模态相同的模态)的先前扫描和/或不同模态的先前扫描。图5涉及产生阶段的特定实施方案,所述产生阶段即:使用模型以确定用于针对给定成像对象和图像采集装置产生优质医学图像的图像采集参数。
图2是根据示例性实施方案的培训阶段的示例性方法200的框图,所述培训阶段用于开发可以用以基于初步扫描、操作者特性、采集参数和重建而预测初始成像数据的图像质量的模型。图2的方法可由服务器***106基于经由电子网络100从医师102和/或第三方提供者104接收到的信息、图像和数据来执行。在一些实施方案中,所预测的图像质量可以包括初始成像数据的图像质量,例如,在采集cCTA扫描之前预测所述扫描的质量。
培训阶段基本上建立了对患者特性、采集参数与图像质量之间的关联的理解。方法200可以培训***以将患者特性(来自初步扫描和/或患者信息)与采集参数和图像质量相关联。具体地说,在一个实施方案中,方法200可以包括***(例如,包括服务器***106)接收由以下各项组成的数据集的多个电子表示:医学图像的一个或多个重建、一个或多个初步扫描(例如,侦察图像),和/或患者信息、采集参数、操作者特性、采集装置信息等。例如,可以经由硬盘驱动器、云架构等传输电子表示。***可以针对每个数据集从所接收的初步扫描图像和/或患者信息计算图像和患者特性。***可以进一步针对每个数据集计算所接收重建的若干图像特性。例如,图像特性可以包括全局图像质量和所接收重建的局部区域中的图像质量的测量。随后针对每种采集装置类型,***可以分配一个或多个群集。所述分配可以基于从每个数据集中的初步扫描所计算的患者特性。在一些实施方案中,群集可能是指数据的群组(例如,基于与每个数据集相关联的患者特性的相似性的数据集的集束或网络)以及与采集装置类型关联的数据集。图2的框图示出了方法200,所述方法集中于***可以如何处理每个数据集以开发根据各种采集和患者变量而了解所得图像特性的模型。
在一个实施方案中,步骤201可以包括针对多个个体中的每一者接收培训数据集。如前所述,所述集合可以包括医学图像的重建、患者侦察图像和信息,以及采集参数。接下来,步骤203可以包括计算和/或找出每个数据集的图像和患者特性。例如,步骤203可以包括确定每个集合的元数据标签,其中所述标签可以表征从所接收患者侦察图像和信息得出的图像和患者特性。接下来,步骤205可以包括计算所接收集合中的所处理图像的图像特性。例如,步骤205可以包括计算所接收集合中的重建的图像质量特性。一旦已确定所述集合的图像和患者特性,就可开始步骤207。步骤207可以包括使所述集合与采集参数相关联。例如,步骤207可以包括确定若干采集装置类型并且基于用以产生所述集合的相应采集装置(或采集装置类型)而提供所述集合的识别或检索信息。此外,步骤207可以包括基于集合的相关联的采集参数而将所述集合放入群组中。例如,步骤207可以包括基于所计算的患者特性(例如,根据步骤203)而将所述集合放入群集中。可以将若干群集按照它们与采集参数(例如,包括采集装置类型)的关联进行布置。由方法200所产生的模型可以包括由患者特性、图像特性、操作者特性和采集数据所定义的数据集。一旦定义了用于采集的参数(例如,指定采集装置类型),所述模型就可输出患者特性以及任选地预期或预测的所得图像质量。另一方面,如果给定关于患者特性的信息,那么所述模型还可以针对目标成像应用而输出采集参数和对应的图像质量。此类输出是基于培训数据集以及患者特性、图像特性、操作者特性与通过示例性培训方法200获得的采集数据之间的关联。图3包括关于方法200的输出或使用的进一步细节。
图3是根据示例性实施方案的产生阶段的示例性方法300的框图,所述产生阶段用于在给定特定患者特性的情况下,找出用于实现所需图像质量的图像采集参数。图3的方法可由服务器***106基于经由电子网络100从医师102和/或第三方提供者104接收到的信息、图像和数据来执行。方法300可以在***(例如,服务器***106)上执行,其中用于方法300的***可以是与可以执行方法200的***相同或不同的***。在一些实施方案中,方法300可以是自动化的,其中运行方法300的***可以包括自动化图像采集参数***。
在一些实施方案中,一旦***已学会将患者和操作者特性与采集参数和图像质量(例如,根据方法200)相关联,方法300就可用以根据所提供的患者特性而预测用以产生具有可接受图像质量的图像的最佳图像扫描参数。在一个实施方案中,步骤301可以包括接收数据集。在一些实例中,这个数据集可能与特定患者有关并且可以用作用于产生(例如,图像采集产生或图像采集参数产生)的数据集。所述集合可以包括一个或多个初步图像和/或患者信息、采集参数(例如,采集数据信息、操作者特性)等。在一个实施方案中,步骤303可以包括接收指定采集参数。例如,指定参数可以是将要优化的参数。在以下论述中,将会将“优化”参数描述为使参数“最小化”。例如,如果指定参数为“辐射暴露”或“噪声”,那么优化参数可能需要分别使采集中的辐射暴露或图像中的噪声最小化。虽然存在其它形式的优化参数,但以下论述将集中于其中“优化”是指“最小化”的示例性实施方案。在一个实施方案中,步骤303可以包括接收所需目标最小图像质量分数。在某些情况下,可以用电子表示的形式(例如,在硬盘驱动器、云架构等上)接收至少所述集合、指定采集参数和/或目标最小图像质量分数。
在一个实施方案中,步骤305可以包括从初步图像和/或患者信息(例如,在步骤301中接收的)计算若干患者特性。步骤305可以包括识别培训阶段中所计算的患者特性(例如,方法200)的参数并且确定从步骤301所接收的初步图像和/或患者信息中的那些相同患者特性的值。步骤305可以进一步包括识别操作者特性的参数并且确定与图像采集和/或质量相关联的操作者特性。
在一个实施方案中,步骤307可以包括接收指定采集装置类型的信息。例如,采集装置类型可以是某个环境中可用于采集图像的装置类型。另一方面或另外,采集装置类型可以基于数据集(例如,从步骤301所接收的采集信息或采集装置信息)。
在一个实施方案中,步骤307随后可以包括确定与患者数据集(例如,在步骤301中所接收的)相关的群集。例如,步骤307可以包括将数据集分配给包括与采集装置类型相关联的(培训)数据集的群集。所述群集可以是包括被确定为与采集装置类型相关联的集合(例如,在通过方法200示出的培训阶段期间)的若干群集中的一个。换句话说,群集可以包括基于采集装置类型和患者信息而编为一组的一个或多个培训集。分配可以基于患者特性(例如,在步骤305中所计算的)。分配可以进一步基于操作者特性。在一些实例中,所分配的群集可以包括图像质量分数超过指定最小图像质量分数(例如,根据步骤303)的至少一个培训集。培训集的图像质量分数可以基于例如在方法200的步骤205中所计算的图像特性。
在一个实施方案中,步骤309可以包括确定所分配群集内具有最佳指定采集参数的培训集。如前所述,“最佳”可能意味着指定采集参数的最小或最低值。例如,具有最佳指定噪声采集参数的培训集在所分配群集内的所有培训集中可以具有最低噪声。确定培训集可以包括针对所分配群集内的培训集中的每一者,计算指定采集参数的值。此外,确定具有最佳指定采集参数的培训集可以包括基于所计算的值而从所分配群集中的培训数据集中识别或选择培训数据集。在一个实施方案中,步骤311可以包括***输出与来自步骤309的培训集相关联的采集参数。在一些实例中,可以向电子存储媒体(例如,硬盘驱动器、屏幕显示器等)输出这些参数。步骤313可以包括基于所输出的采集参数而采集扫描(例如,cCTA)。
图4是培训阶段的示例性方法400的框图,所述培训阶段用于开发用于从采集参数、重建和各种类型的初步扫描(例如,侦察扫描、钙化扫描和/或造影定时扫描)预测初始成像数据的图像质量的模型。图4的方法可由服务器***106基于经由电子网络100从医师102和/或第三方提供者104接收的信息、图像和数据来执行。在一个实施方案中,步骤401可以包括***针对多个个体中的每一者接收培训数据集,所述培训数据集包括:医学图像的一个或多个重建、一个或多个初步扫描,和/或患者信息、采集参数、采集装置信息、操作者特性等。操作者特性可以包括例如操作者标识符(例如,操作者识别码)、扫描之间的时间、与操作者(或操作者识别码)相关联的先前扫描的质量等。在某些情况下,操作者可以产生在某一效率或质量范围中的图像。方法400在接收操作者特性作为培训数据集的一部分时可能考虑这个范围。
在一些实例中,培训数据集可以呈电子表示的形式(例如,在硬盘驱动器、云架构等上)。在某些情况下,步骤401可以包括***接收多个电子表示,包括每个培训数据集的多个电子表示、多个培训数据集的多个电子表示或它们的组合。
在一个实施方案中,步骤403a至407可以包括***针对所接收培训数据集中的每一者执行若干计算。例如,步骤403a至403c可以包括取决于所接收的初步扫描类型而发生的关于步骤的变化,其中***可以全局地计算若干测量。如前所述,初步扫描可以包括初步侦察扫描、初步钙化扫描和/或初步造影定时扫描。
在涉及初步侦察扫描的一个实施方案中,步骤403a可以包括***在初步侦察扫描时全局地计算图像质量和患者特性的测量,其中全局测量可以包括以下测量中的至少一者:图像分辨率、对比度级别、噪声电平、对比噪声比、运动或模糊、部分容积效应或浮散、射束硬化(例如,如通过输入图像上的亨氏单位强度进行的高度增强材料和水增强材料分离来计算)、在图像采集时所提供的药物、图像采集时的心率、解剖异常的存在、患者解剖结构、植入装置或早期手术的存在等。在涉及初步钙化扫描的实施方案中,步骤403b可以包括在***在初步钙化扫描和重建中全局地计算图像质量的若干测量。全局测量可以包括以下测量中的至少一者:图像分辨率、对比度级别、噪声电平、对比噪声比、运动或模糊、部分容积效应或浮散、射束硬化(例如,如通过输入图像上的亨氏单位强度进行的高度增强材料和水增强材料的分离来计算)、在图像采集时所提供的药物、图像采集时的心率、解剖异常的存在、切片厚度、重合失调或未对准、采集阶段等。在涉及初步造影定时扫描的实施方案中,步骤403c可以包括***在初步造影定时扫描和重建中全局地计算图像质量的若干测量。步骤403c的全局测量可以包括以下测量中的至少一者:图像分辨率、对比度级别、噪声电平、对比噪声比、运动或模糊、部分容积效应或浮散、射束硬化(例如,如通过输入图像上的亨氏单位强度进行的高度增强材料和水增强材料的分离来计算)、在图像采集时所提供的药物、图像采集时的心率、解剖异常的存在、患者解剖结构、植入装置或早期手术的存在、重合失调或未对准、采集阶段等。
步骤405a至405c可以包括***相对于初始扫描而计算全局和局部图像质量测量。例如,步骤405a可以包括***全局地和在由初始扫描(例如,冠状动脉计算机断层扫描(CT)血管造影扫描)的可用重建中的每个冠状动脉中心线所定义的至少一个重建医学图像的局部区域中计算图像质量的若干测量。在一些实例中,重建医学图像可通过解剖标志(例如,所有可用重建中的每个中心线)来定义。在其它实例中,重建医学图像可通过重建的一部分中的中心线来定义。冠状动脉中心线可通过运行冠状动脉中心线树提取算法来定义。全局和局部测量可以包括以下各项中的至少一者:图像分辨率、切片厚度、扫描仪切片的数量、缺失的切片或缺失的数据、图像中升主动脉的长度、视野、噪声电平、对比噪声比、如通过图像强度的突然改变而检测到的重合失调或未对准、如通过边缘宽度或边缘检测来表征的运动或模糊、如通过图像强度的急剧增加而检测到的部分容积或浮散、射束硬化(例如,如通过输入图像上的亨氏单位强度而进行的高度增强材料和水增强材料的分离来计算)、所估计的冠状血管的局部区域对于生理模拟变化的敏感性、所估计的辐射剂量(例如,由医学数字成像和通信(DICOM)报头暗示或从扫描中计算出等。在某些情况下,步骤405a可以结合涉及初步侦察扫描的方法400的实施方案来执行。
在一个实施方案中,步骤405b可以包括***全局地和在由初步扫描的可用重建中的每个冠状动脉段所定义的至少一个重建医学图像的局部区域中计算图像质量的若干测量。重建医学图像可由可用重建的全部或一部分中的冠状动脉段来定义。冠状动脉段可通过运行冠状动脉中心线树提取算法来识别。全局和局部测量可以包括以下各项中的至少一者:图像分辨率、切片厚度、扫描仪切片的数量、缺失的切片或缺失的数据、图像中升主动脉的长度、视野、噪声电平、对比噪声比、如通过图像强度的突然改变而检测到的重合失调或未对准、如通过边缘宽度或边缘检测来表征的运动或模糊、如通过图像强度的急剧增加而检测到的部分容积或浮散、射束硬化(例如,如通过输入图像上的亨氏单位强度而进行的高度增强材料和水增强材料的分离来计算)、所估计的冠状血管的局部区域对于生理模拟变化的敏感性、植入装置或早期手术的存在等。在一些情况下,步骤405b可以结合涉及钙化积分扫描的方法400的实施方案来执行。对于包括初步钙化积分扫描的方法400的实施方案来说,步骤405c可以进一步包括计算患者特性(例如,从步骤401的初步扫描和/或患者信息)。
在一个实施方案中,步骤405c可以包括***全局地和在由初步扫描的可用重建中的每个冠状动脉中心线所定义的至少一个重建医学图像的局部区域中计算图像质量的若干测量。重建医学图像可由可用重建的全部或一部分中的冠状动脉中心线来定义。如前所述,冠状动脉中心线可通过运行冠状动脉中心线树提取算法来识别。全局和局部测量可以包括以下各项中的至少一者:图像分辨率、切片厚度、扫描仪切片的数量、缺失的切片或缺失的数据、图像中升主动脉的长度、视野、噪声电平、对比噪声比、如通过图像强度的突然改变而检测到的重合失调或未对准、如通过边缘宽度或边缘检测来表征的运动或模糊、如通过图像强度的急剧增加而检测到的部分容积或浮散、射束硬化(如通过输入图像上的亨氏单位强度而进行的高度增强材料和水增强材料的分离来计算)、所估计的冠状血管的局部区域对于生理模拟变化的敏感性、植入装置或早期手术的存在、相对于给定局部图像质量评估任何给定冠状动脉段的可解释性的可解释性分数等。在某些情况下,步骤405c可以结合涉及造影定时扫描的方法400的实施方案来执行。
在一个实施方案中,步骤407可以包括基于来自步骤405a、405b和/或405c的所计算的图像质量测量而分配图像质量分数。例如,步骤407可以包括分配与在步骤401中所接收的每个数据集有关的图像质量分数。步骤407可以进一步包括基于图像质量的单个测量、图像质量的多个测量、全局和指定局部区域的测量的特定组合等而分配图像质量分数。换句话说,步骤407可以包括确定与所接收数据集(例如,来自步骤401)的子集、质量度量的子集、图像区域或解剖结构的子集等相关联的图像质量分数。
在一个实施方案中,步骤409可以包括计算单个集成图像质量分数。在一个实施方案中,步骤409可以包括基于步骤407中所计算的分数而计算集成图像质量分数。所述计算可以包括例如计算平均值、中位数、众数、最小值、最大值、范围、加权平均值或它们的任意组合。
在一个实施方案中,步骤411可以包括接收图像采集参数,包括采集装置类型。采集装置可以通过至少包括以下各项的特征来表征:CT供应商、患者特性(例如,肥胖患者)、扫描模式(例如,螺旋、轴向、心电图(ECG)门控等)、螺旋模式下的螺距或轴向模式下的工作台进给量、旋转时间、x射线管电压、x射线管电流、x射线束滤波器、x射线束准直、检测器配置(例如,128块切片×0.7mm)、自动暴露控制、重建内核等。在包括初步侦察扫描和/或造影定时扫描的实施方案中,采集装置可以进一步通过迭代重建技术来表征。
在一个实施方案中,步骤413可以包括将每个数据集分配给与每种采集装置类型相关联的一个或多个群集。在一些实施方案中,向一个或多个群集的分配可以基于多个特征,所述特征包括患者特性以及从针对每个培训数据集的侦察扫描、钙化积分扫描、造影定时扫描(例如,分别根据步骤403a、403b和403c)所计算的测量或度量。在一个实施方案中,步骤413中的分配可以使用任何聚类算法,例如k均值聚类算法来执行。例如,k均值聚类算法可以用以优化向群集的分配。
图5是根据示例性实施方案的产生阶段的示例性方法500的框图,所述产生阶段用于预测新的冠状动脉计算机断层扫描血管造影(cCTA)图像的图像质量。图5的方法可由服务器***106基于经由电子网络100从医师102和/或第三方提供者104接收的信息、图像和数据来执行。
如上所述,方法400的培训阶段可以包括培训***以将初步侦察扫描、钙化积分扫描和/或造影定时扫描、装置特性和采集参数与沿着每个冠状动脉段的局部和全局图像质量度量相关联。例如,方法400可以包括机器学习算法,所述机器学习算法用以培训***辨识或学习关联。基于这些关联,方法500可以基于关于例如装置特性、操作者特性(例如,来自操作者ID)或患者信息的所给定信息而预料图像质量。方法500可以进一步包括使用新采集的图像作为反馈以优化或进一步训练对未来扫描的预测能力。例如,与新采集的图像相关联的信息可以充当输入或培训数据集以告知图像采集的优化。
具体地说,步骤501可以包括接收特定患者的数据集,包括患者信息、采集参数、采集装置信息、操作者特性以及初步侦察图像、钙化积分图像或造影定时图像。所述数据集可能与特定患者有关。在一些实施方案中,采集装置信息可以与相关培训阶段中所定义的采集装置信息(例如,来自方法400的步骤411或413)相对应。在一个实施方案中,步骤503可以包括接收指定采集参数。这个参数可以是方法500可以用以进行优化(或最小化)的参数。例如,步骤503可以包括接收“所估计的辐射剂量”作为指定采集参数。
在一个实施方案中,步骤503可以进一步包括接收指定目标最小图像质量分数。例如,最小图像质量分数可以指集成图像质量分数(例如,与方法400的步骤409中所描述的集成图像质量分数类似)。在一些实施方案中,可以经由电子表示(例如,在硬盘驱动器、云架构等上)接收数据集、指定采集参数和/或指定目标最小值。
步骤505可以包括基于初步扫描或图像而计算患者特性和/或患者信息。在一些实施方案中,步骤505中所计算的患者特性和/或信息的至少一部分可以包括培训阶段(例如,方法400)中所使用的患者特性和/或患者信息。在一个实施方案中,步骤507可以包括指定采集装置类型(例如,存在培训数据的装置类型和/或来自步骤501的所接收的患者数据集各自的装置类型)。步骤507可以包括使用患者特性(例如,来自步骤505)和/或操作者特性以将来自步骤501的所接收数据集(和相关联的患者)分配给在培训阶段中所确定的群集。在一些实施方案中,步骤507可以包括进行分配以使得所接收的数据集被分配给一群集,所述群集包括图像质量分数超过指定最小图像质量分数(例如,来自步骤503)的至少一个培训集。
步骤509可以包括确定所分配群集内具有足够图像质量分数的培训集。此培训集可以与最佳指定采集参数相关联。对于方法500的这个实施方案,指定采集参数为“所估计的辐射剂量”。因此,步骤509可以包括在采集图像时识别与针对患者的最小辐射剂量相关联的培训集。
在一个实施方案中,步骤511可以包括确定和/或检索与步骤513中所确定的培训集相关联的采集和重建参数。例如,步骤511可以包括在电子存储媒体(例如,硬盘驱动器、屏幕显示器等)中输出所确定培训集的采集和重建参数。此外,方法500可以包括基于来自步骤511的采集参数而采集图像或扫描的步骤513。例如,步骤513可以包括基于所输出的采集参数而产生初始cCTA扫描。换句话说,所输出的采集和/或重建参数可以充当用于在未来进行图像采集和/或重建的提议或建议参数。可以假定,使用所输出的采集参数(例如,根据步骤513)所采集的图像或扫描可以具有与和所输出的采集参数相关联的培训数据集图像质量类似的图像质量。
在一些实施方案中,至少来自数据集的信息、指定目标图像质量分数或采集装置类型(分别来自步骤501、503或507)可以包括请求。所述请求可以提示步骤511或513,从而导致***例如基于优化的图像采集参数而输出优化的图像采集或开始图像采集。
如前所述,图像采集(例如,根据步骤513)可以进一步充当对由培训阶段开发的模型的预测能力的反馈。至少相对于指定采集参数,使用所输出的优化图像采集参数而采集的图像可能预期具有与和所输出的图像采集参数相关联的培训数据集的图像质量类似的质量。为使步骤513的图像或扫描充当反馈,步骤513可以进一步包括确定与图像或扫描相关联的数据集。所述数据集可以包括与先前描述的培训数据集一致的一个或多个重建、一个或多个初步扫描和/或患者信息,以及一个或多个采集参数。
考虑到说明书和本文所公开的本发明的实践,本发明的其它实施方案对于本领域技术人员来说将为显而易见的。旨在将说明书和实例仅看作示例性的,而本发明的真实范围和精神由随附权利要求指定。
Claims (20)
1.一种识别图像采集参数的计算机实现的方法,所述方法包括:
接收患者数据集,所述患者数据集包括一个或多个重建、一个或多个初步扫描或患者信息,和一个或多个图像采集参数;
基于所述一个或多个初步扫描和所述患者信息中的一者或两者而计算一个或多个患者特性;
使用所述一个或多个患者特性而将所述患者数据集与一个或多个其它患者数据集编为一组;
计算与所述一个或多个重建相关联的一个或多个图像特性;以及
使用所述一个或多个所计算的图像特性、所述患者数据集与一个或多个其它患者数据集的所述编组或它们的组合而识别适合于所述患者数据集的一个或多个建议图像采集参数。
2.如权利要求1所述的方法,进一步包括:
确定一种或多种采集装置类型,其中所述患者数据集与所述一个或多个其它患者数据集的所述编组是基于所述患者数据集与所述一种或多种采集装置类型之间的关联。
3.如权利要求1所述的方法,其中所述患者数据集与所述一个或多个其它患者数据集的所述编组是基于所述一个或多个其它患者数据集中的每一者各自的一个或多个其它患者特性。
4.如权利要求1所述的方法,识别适合于所述患者数据集的一个或多个建议图像采集参数的所述步骤进一步包括:
识别将要优化的指定图像采集参数。
5.如权利要求4所述的方法,识别适合于所述患者数据集的一个或多个建议图像采集参数的所述步骤进一步包括:
将所述患者数据集识别为具有所述指定图像采集参数的最佳值。
6.如权利要求1所述的方法,进一步包括:
基于所述一个或多个建议图像采集参数而产生图像。
7.如权利要求6所述的方法,进一步包括:
确定与所述图像相关联的额外的数据集;以及
将所述额外的数据集与所述患者数据集、所述一个或多个其它患者数据集或它们的组合编为一组。
8.如权利要求1所述的方法,其中所述一个或多个图像特性包括全局和局部图像质量的测量。
9.一种用于识别图像采集参数的***,所述***包括:
数据存储装置,所述数据存储装置存储用于识别图像采集参数的指令;以及
处理器,所述处理器被配置用来执行所述指令以执行一种方法,所述方法包括:
接收患者数据集,所述患者数据集包括一个或多个重建、一个或多个初步扫描或患者信息,和一个或多个图像采集参数;
基于一个或多个初步扫描和所述患者信息中的一者或两者而计算一个或多个患者特性;
使用所述一个或多个患者特性而将所述患者数据集与一个或多个其它患者数据集编为一组;
计算与所述一个或多个重建相关联的一个或多个图像特性;以及
使用所述一个或多个所计算的图像特性、所述患者数据集与一个或多个其它患者数据集的所述编组或它们的组合而识别适合于所述患者数据集的一个或多个建议图像采集参数。
10.如权利要求9所述的***,其中所述***被进一步配置用于:
确定一种或多种采集装置类型,其中所述患者数据集与所述一个或多个其它患者数据集的所述编组是基于所述患者数据集与所述一种或多种采集装置类型之间的关联。
11.如权利要求9所述的***,其中所述患者数据集与所述一个或多个其它患者数据集的所述编组是基于所述一个或多个其它患者数据集中的每一者各自的一个或多个其它患者特性。
12.如权利要求9所述的***,识别适合于所述患者数据集的一个或多个建议图像采集参数的所述步骤进一步包括:
识别将要优化的指定图像采集参数。
13.如权利要求12所述的***,识别适合于所述患者数据集的一个或多个建议图像采集参数的所述步骤进一步包括:
将所述患者数据集识别为具有所述指定图像采集参数的最佳值。
14.如权利要求9所述的***,其中所述***被进一步配置用于:
基于所述一个或多个建议图像采集参数而产生图像。
15.如权利要求14所述的***,其中所述***被进一步配置用于:
确定与所述图像相关联的额外的数据集;以及
将所述额外的数据集与所述患者数据集、所述一个或多个其它患者数据集或它们的组合编为一组。
16.如权利要求9所述的***,其中所述一个或多个图像特性包括全局和局部图像质量的测量。
17.一种用于在计算机***上使用的非暂时性计算机可读媒体,所述非暂时性计算机可读媒体含有用于执行识别图像采集参数的方法的计算机可执行编程指令,所述方法包括:
接收患者数据集,所述患者数据集包括一个或多个重建、一个或多个初步扫描或患者信息,和一个或多个图像采集参数;
基于一个或多个初步扫描和所述患者信息中的一者或两者而计算一个或多个患者特性;
使用所述一个或多个患者特性而将所述患者数据集与一个或多个其它患者数据集编为一组;
计算与所述一个或多个重建相关联的一个或多个图像特性;以及
使用所述一个或多个所计算的图像特性、所述患者数据集与一个或多个其它患者数据集的所述编组或它们的组合而识别适合于所述患者数据集的一个或多个建议图像采集参数。
18.如权利要求17所述的非暂时性计算机可读媒体,所述方法进一步包括:
确定一种或多种采集装置类型,其中所述患者数据集与所述一个或多个其它患者数据集的所述编组是基于所述患者数据集与所述一种或多种采集装置类型之间的关联。
19.如权利要求17所述的非暂时性计算机可读媒体,其中所述患者数据集与所述一个或多个其它患者数据集的所述编组是基于所述一个或多个其它患者数据集中的每一者各自的一个或多个其它患者特性。
20.如权利要求17所述的非暂时性计算机可读媒体,识别适合于所述患者数据集的一个或多个建议图像采集参数的所述步骤进一步包括:
识别将要优化的指定图像采集参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112100.2A CN110827956A (zh) | 2014-01-10 | 2015-01-08 | 用于识别医学图像采集参数的***和方法 |
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 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911112100.2A Division CN110827956A (zh) | 2014-01-10 | 2015-01-08 | 用于识别医学图像采集参数的***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106062755A true CN106062755A (zh) | 2016-10-26 |
Family
ID=53521612
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911112100.2A Pending CN110827956A (zh) | 2014-01-10 | 2015-01-08 | 用于识别医学图像采集参数的***和方法 |
CN201580003172.7A Pending CN106062755A (zh) | 2014-01-10 | 2015-01-08 | 用于识别医学图像采集参数的***和方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911112100.2A Pending CN110827956A (zh) | 2014-01-10 | 2015-01-08 | 用于识别医学图像采集参数的***和方法 |
Country Status (8)
Country | Link |
---|---|
US (7) | US9152761B2 (zh) |
EP (2) | EP3092587A1 (zh) |
JP (1) | JP6101871B2 (zh) |
KR (1) | KR101718675B1 (zh) |
CN (2) | CN110827956A (zh) |
AU (1) | AU2015204800B2 (zh) |
CA (1) | CA2934288A1 (zh) |
WO (1) | WO2015105944A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464231A (zh) * | 2016-06-03 | 2017-12-12 | 西门子保健有限责任公司 | 用于确定医学成像的最佳操作参数的***和方法 |
CN109843168A (zh) * | 2016-12-20 | 2019-06-04 | 皇家飞利浦有限公司 | 用于配置医学设备的方法 |
CN109937012A (zh) * | 2016-11-10 | 2019-06-25 | 皇家飞利浦有限公司 | 为成像***选择采集参数 |
CN111374675A (zh) * | 2018-12-26 | 2020-07-07 | 通用电气公司 | 用于在医学成像会话中检测患者状态的***和方法 |
Families Citing this family (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2638525B1 (en) * | 2010-11-12 | 2017-03-01 | 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 |
US10732309B2 (en) * | 2015-02-23 | 2020-08-04 | Mayo Foundation For Medical Education And Research | Methods for optimizing imaging technique parameters for photon-counting computed tomography |
JP6918794B2 (ja) | 2015-11-10 | 2021-08-11 | ハートフロー, インコーポレイテッド | 解剖モデリングシステム及びその作動方法 |
WO2017129564A1 (en) * | 2016-01-27 | 2017-08-03 | 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 |
WO2018011432A1 (en) * | 2016-07-15 | 2018-01-18 | 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 |
WO2018095792A1 (en) * | 2016-11-23 | 2018-05-31 | Koninklijke Philips N.V. | A closed-loop system for contextually-aware image-quality collection and feedback |
US10242443B2 (en) * | 2016-11-23 | 2019-03-26 | General Electric Company | Deep learning medical systems and methods for medical procedures |
EP3392804A1 (en) * | 2017-04-18 | 2018-10-24 | Koninklijke Philips N.V. | Device and method for modelling a composition of an object of interest |
CN110709889B (zh) * | 2017-06-02 | 2024-04-16 | 皇家飞利浦有限公司 | 提供置信度值作为用于发射断层摄影中的迭代重建图像的定量保证的量度的***和方法 |
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 |
WO2019020717A1 (en) * | 2017-07-25 | 2019-01-31 | Koninklijke Philips N.V. | DEVICE, SYSTEM AND METHOD FOR OPTIMIZING IMAGE ACQUISITION PRODUCTION FLOW |
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 |
WO2019071249A1 (en) | 2017-10-06 | 2019-04-11 | Emory University | METHODS AND SYSTEMS FOR DETERMINING HEMODYNAMIC INFORMATION FOR ONE OR MORE ARTERIAL SEGMENTS |
US11049250B2 (en) * | 2017-11-22 | 2021-06-29 | General Electric Company | Systems and methods to deliver point of care alerts for radiological findings |
US10783634B2 (en) | 2017-11-22 | 2020-09-22 | 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 |
US20200388058A1 (en) * | 2018-01-22 | 2020-12-10 | 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 |
WO2019243400A1 (en) | 2018-06-22 | 2019-12-26 | Koninklijke Philips N.V. | A method for enabling magnetic resonance imaging of a subject |
EP3599611A1 (en) * | 2018-07-24 | 2020-01-29 | Koninklijke Philips N.V. | A method for enabling magnetic resonance imaging of a subject |
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 |
US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
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*** |
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***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 |
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 |
US11501436B2 (en) | 2020-01-07 | 2022-11-15 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
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 |
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*** |
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*** |
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 |
US20230080631A1 (en) * | 2021-09-10 | 2023-03-16 | GE Precision Healthcare LLC | Patient anatomy and task specific automatic exposure control in computed tomography |
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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102058432A (zh) * | 2009-11-11 | 2011-05-18 | 美国西门子医疗解决公司 | 用于动态地改善医学图像获取质量的*** |
US20120190962A1 (en) * | 2011-01-20 | 2012-07-26 | Karlheinz Glaser-Seidnitzer | Method for computer-assisted configuration of a medical imaging device |
US20130105699A1 (en) * | 2011-10-27 | 2013-05-02 | General Electric Company | Methods and systems for adaptive tomographic imaging |
US20130311472A1 (en) * | 2011-02-04 | 2013-11-21 | Koninklijke Philips N.V. | Imaging protocol update and/or recommender |
Family Cites Families (18)
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 |
JP2006510436A (ja) * | 2002-12-19 | 2006-03-30 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 医療撮像システム用の動作パラメータを選択する方法及び装置 |
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 |
US8705819B2 (en) * | 2007-06-21 | 2014-04-22 | Koninklijke Philips N.V. | Adjusting acquisition protocols for dynamic medical imaging using dynamic models |
JP5171829B2 (ja) * | 2007-08-30 | 2013-03-27 | パナソニック株式会社 | 超音波診断装置および超音波診断システム |
US8270695B2 (en) * | 2008-10-07 | 2012-09-18 | Carestream Health, Inc. | Diagnostic image processing with automatic self image quality validation |
RU2543563C2 (ru) * | 2009-04-15 | 2015-03-10 | Конинклейке Филипс Электроникс Н.В. | Системы и способы поддержки клинических решений |
BR112012009111A2 (pt) * | 2009-10-22 | 2020-08-18 | Koninklijke Philips Electronics N.V | dispositivo de computação e método |
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 |
WO2012080914A1 (en) * | 2010-12-13 | 2012-06-21 | Koninklijke Philips Electronics N.V. | Breast density assessment |
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 |
BR112014011886A2 (pt) * | 2011-11-17 | 2017-05-16 | Bayer Medical Care Inc | métodos e técnicas para coleta, relatório e gestão de informações sobre procedimentos médicos diagnósticos |
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 |
US10475537B2 (en) * | 2013-06-12 | 2019-11-12 | University Health Network | Method and system for automated quality assurance and automated treatment planning in radiation therapy |
-
2014
- 2014-10-03 US US14/506,293 patent/US9152761B2/en active Active
-
2015
- 2015-01-08 EP EP15702601.4A patent/EP3092587A1/en not_active Ceased
- 2015-01-08 WO PCT/US2015/010578 patent/WO2015105944A1/en active Application Filing
- 2015-01-08 AU AU2015204800A patent/AU2015204800B2/en not_active Ceased
- 2015-01-08 JP JP2016538773A patent/JP6101871B2/ja active Active
- 2015-01-08 CN CN201911112100.2A patent/CN110827956A/zh active Pending
- 2015-01-08 EP EP18180496.4A patent/EP3399451A1/en active Pending
- 2015-01-08 CA CA2934288A patent/CA2934288A1/en active Pending
- 2015-01-08 CN CN201580003172.7A patent/CN106062755A/zh active Pending
- 2015-01-08 KR KR1020167016365A patent/KR101718675B1/ko active IP Right Grant
- 2015-06-09 US US14/734,060 patent/US9330233B2/en active Active
-
2016
- 2016-04-01 US US15/088,732 patent/US9805470B2/en active Active
-
2017
- 2017-08-18 US US15/680,728 patent/US10572998B2/en active Active
-
2020
- 2020-01-14 US US16/742,133 patent/US11257585B2/en active Active
-
2022
- 2022-01-14 US US17/575,926 patent/US11837353B2/en active Active
-
2023
- 2023-10-17 US US18/488,706 patent/US20240047045A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102058432A (zh) * | 2009-11-11 | 2011-05-18 | 美国西门子医疗解决公司 | 用于动态地改善医学图像获取质量的*** |
US20120190962A1 (en) * | 2011-01-20 | 2012-07-26 | Karlheinz Glaser-Seidnitzer | Method for computer-assisted configuration of a medical imaging device |
US20130311472A1 (en) * | 2011-02-04 | 2013-11-21 | Koninklijke Philips N.V. | Imaging protocol update and/or recommender |
US20130105699A1 (en) * | 2011-10-27 | 2013-05-02 | General Electric Company | Methods and systems for adaptive tomographic imaging |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464231A (zh) * | 2016-06-03 | 2017-12-12 | 西门子保健有限责任公司 | 用于确定医学成像的最佳操作参数的***和方法 |
CN109937012A (zh) * | 2016-11-10 | 2019-06-25 | 皇家飞利浦有限公司 | 为成像***选择采集参数 |
CN109937012B (zh) * | 2016-11-10 | 2023-02-17 | 皇家飞利浦有限公司 | 为成像***选择采集参数 |
CN109843168A (zh) * | 2016-12-20 | 2019-06-04 | 皇家飞利浦有限公司 | 用于配置医学设备的方法 |
CN109843168B (zh) * | 2016-12-20 | 2023-09-12 | 皇家飞利浦有限公司 | 用于配置医学设备的方法 |
CN111374675A (zh) * | 2018-12-26 | 2020-07-07 | 通用电气公司 | 用于在医学成像会话中检测患者状态的***和方法 |
CN111374675B (zh) * | 2018-12-26 | 2023-10-10 | 通用电气公司 | 用于在医学成像会话中检测患者状态的***和方法 |
Also Published As
Publication number | Publication date |
---|---|
US10572998B2 (en) | 2020-02-25 |
EP3092587A1 (en) | 2016-11-16 |
US11837353B2 (en) | 2023-12-05 |
JP2017501787A (ja) | 2017-01-19 |
CN110827956A (zh) | 2020-02-21 |
WO2015105944A1 (en) | 2015-07-16 |
US11257585B2 (en) | 2022-02-22 |
CA2934288A1 (en) | 2015-07-16 |
US9805470B2 (en) | 2017-10-31 |
US20170372476A1 (en) | 2017-12-28 |
US20160217569A1 (en) | 2016-07-28 |
US20200151876A1 (en) | 2020-05-14 |
US20220139529A1 (en) | 2022-05-05 |
AU2015204800B2 (en) | 2017-08-17 |
US20150199478A1 (en) | 2015-07-16 |
EP3399451A1 (en) | 2018-11-07 |
US20150269718A1 (en) | 2015-09-24 |
KR101718675B1 (ko) | 2017-03-21 |
AU2015204800A1 (en) | 2016-06-16 |
US9152761B2 (en) | 2015-10-06 |
KR20160078509A (ko) | 2016-07-04 |
JP6101871B2 (ja) | 2017-03-22 |
US9330233B2 (en) | 2016-05-03 |
US20240047045A1 (en) | 2024-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106062755A (zh) | 用于识别医学图像采集参数的***和方法 | |
US11803965B2 (en) | Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics | |
US11004198B2 (en) | Method and system for assessing vessel obstruction based on machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161026 |