CN110060312B - 用于匿名化的三维医学图像工作流程的可记忆图像生成的方法 - Google Patents
用于匿名化的三维医学图像工作流程的可记忆图像生成的方法 Download PDFInfo
- Publication number
- CN110060312B CN110060312B CN201811533009.3A CN201811533009A CN110060312B CN 110060312 B CN110060312 B CN 110060312B CN 201811533009 A CN201811533009 A CN 201811533009A CN 110060312 B CN110060312 B CN 110060312B
- Authority
- CN
- China
- Prior art keywords
- image
- imaging data
- rendering
- medical imaging
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 138
- 238000009877 rendering Methods 0.000 claims abstract description 94
- 238000010801 machine learning Methods 0.000 claims abstract description 43
- 238000003384 imaging method Methods 0.000 claims description 65
- 238000012549 training Methods 0.000 claims description 36
- 238000002591 computed tomography Methods 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 16
- 238000013135 deep learning Methods 0.000 description 9
- 238000002595 magnetic resonance imaging Methods 0.000 description 9
- 210000000056 organ Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 208000005189 Embolism Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000003750 lower gastrointestinal tract Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- -1 stent Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及用于匿名化的三维医学图像工作流程的可记忆图像生成的方法。提供了用于生成用于标识医学成像数据的二维图像的***和方法。图像处理器获取所述医学成像数据并确定所述医学成像数据的类别。机器学习网络依照所述类别来识别突出显示所述医学成像数据的一个或多个特征的多个绘制参数设置。所述图像处理器使用所述多个绘制参数设置从所述医学成像数据绘制二维标识符图像,并将所述医学成像数据与所述二维标识符图像一起存储。
Description
技术领域
本实施例涉及处理医学诊断图像。
背景技术
对于医学和临床的实践和研究而言,可以收集并存储成像数据。用于保障患者的机制之一是对成像数据进行匿名化。对数据进行匿名化包括:移除数据集合中与个体患者有关的任何标识信息,从而使这些个体的重新识别非常困难。图像数据的匿名化可以是针对由软件***将数据传送出医院的合规要求。在一示例中,医学数据在医院网络内部被匿名化,且然后被传送出至外部***(例如,云网络)以向用户提供更具可扩展性的信息访问点,或提供利用云计算的一些软件服务。
然而,成像数据的匿名化导致了对于操作者处理成像数据的问题。操作者可以将图像数据上传或传送到外部***目的地。患者可识别信息(诸如,姓名、标识符(ID)或出生日期)被移除。标识信息的移除对于操作者记住被上传的数据属于哪个患者造成了认知挑战。现有***基于可能不是容易可记忆的日期和ID号将匿名化的数据呈现回到操作者。因此,由于操作者的精神负担和一般疲劳而导致的错误可能发生。例如,诸如ID、日期或基本可允许信息(诸如,性别)之类的基本文本信息可能要求操作者在精神上乏味地对信息进行读取和分类整理。
发明内容
作为介绍,下面描述的优选实施例包括用于减轻由医学成像数据的匿名化导致的问题的方法和***。使用由机器学习网络选择的绘制(rendering)参数来自动创建可记忆图像缩略图。操作者可以使用可记忆图像缩略图容易地访问正确的医学成像数据,而不牺牲隐私。
在第一方面中,提供了一种用于生成用于标识医学成像数据的二维图像的方法。图像处理器获取所述医学成像数据并确定所述医学成像数据的类别。机器学习网络依照所述类别来识别突出显示所述医学成像数据的一个或多个特征的多个绘制参数设置。所述图像处理器使用所述多个绘制参数设置从所述医学成像数据绘制所述二维标识符图像,并将所述医学成像数据与所述二维标识符图像一起存储。
在第二方面中,提供了一种用于生成用于标识成像数据的可记忆图像的方法。图像处理器获取成像数据。机器学习网络识别突出显示所述成像数据中的一个或多个特征的多个绘制参数值。所述图像处理器识别用于绘制参考图像的多个参考参数值。所述图像处理器使用所述成像数据、多个分类参数值以及多个参数值来绘制二维图像。将所述成像数据与作为标识符的所述二维图像一起存储。
在第三方面中,提供了一种用于生成用于标识医学成像数据的二维图像的成像***。所述***包括医学成像扫描仪、机器学习网络、图像处理器以及数据储存器。所述医学成像扫描仪被配置成获取医学成像数据。所述机器学习网络被配置成识别用于从所述医学成像数据绘制二维图像的一个或多个绘制参数值。所述图像处理器被配置成使用所述一个或多个绘制参数值从所述医学成像数据绘制所述二维图像。所述数据储存器被配置成将匿名化的医学成像数据与作为标识符的所述二维图像一起存储。
本发明由所附权利要求限定,并且本章节中没有内容应当被视为对这些权利要求的限制。下面结合优选实施例讨论本发明的进一步的方面和优势,并且可以稍后独立地或组合地要求保护本发明的进一步的方面和优势。
附图说明
部件和附图不必按比例,取而代之,重点在于说明本发明的原理。此外,在附图中,遍及不同视图,相似的附图标记标示对应的部分。
图1描绘了使用代码的示例匿名化方案。
图2描绘了用于针对医学成像工作流程提供作为标识符的可记忆图像的方法的一实施例。
图3描绘了示例参考医学成像数据和参考二维图像。
图4描绘了示例训练医学成像数据和示例的所生成的二维图像。
图5描绘了用于访问所存储的匿名化医学成像数据的示例接口。
图6描绘了用于生成用于标识成像数据的可记忆二维图像的方法的一实施例。
图7描绘了用于从医学成像数据生成可记忆二维图像的***的一实施例。
具体实施方式
当尝试访问医学成像数据时,医学成像数据的匿名化可能导致混淆。实施例提供了生成可记忆图像缩略图以支持操作者容易地辨别正确数据而不牺牲隐私的方法和***。使用机器训练网络来识别来自医学成像数据的可记忆特征。该可记忆特征用于绘制二维图像。该二维图像可以被用作针对医学成像数据的标识符。内科医生或临床研究员可以更可能将给定图像与特定患者相联系,所以,该图像作为标识符的使用在提供与特定患者的正确联系的同时维持了匿名化。
医学图像数据的匿名化可以是针对传送或访问医学数据的合规要求。在被收集或获取之后,医学数据可以例如由医院网络本地被匿名化,且然后被传送到外部***(诸如,云)以用于储存或未来访问。操作者可以负责传送或访问医学数据。例如,操作者可以决定存储或访问医学成像数据。为了储存,操作者将医学图像数据上传或传送到外部***目的地。在上传医学图像数据的过程中,患者可识别信息(诸如,姓名、ID或出生日期)被移除。匿名化(或可识别信息的移除)可以采取各种形式。一种用于对医学成像数据进行匿名化的方法包括:移除所有患者标识数据并向医学成像数据指派ID代码。ID代码可以包括随机或分类字母数字字符的串。
当稍后尝试访问医学图像数据时,基于不是容易可记忆的日期和ID号将新匿名化的数据呈现回到操作者。对于管理多个患者和多个图像数据集合的扫描的操作者而言,记住字母数字串的增加的精神负担可能是繁重的。
图1描绘了使用ID代码的示例匿名化方案。使用成像***101获取医学数据,该医学数据包括与患者有关的一些信息。患者信息可以包括例如患者姓名、医学历史、出生日期等(例如,John Doe 01/01/1970, 4/1/2011的CT扫描)。医学数据的匿名化移除了可能标识患者的患者信息。然后向医学数据指派独特的ID代码,该独特的ID代码标识患者和匿名化的医学数据。然后可以通过网络109将匿名的医学数据传输到数据库107。匿名化的医学数据可以与(一个或多个)ID代码一起存储在数据库107中以用于稍后使用。为了使该方案进一步复杂,可以分离地存储医学数据的每次不同收集(例如,每次拜访或每次扫描)。附加的收集可以与在先的收集共享患者ID代码,但加上附加的匿名化ID标识符以标识附加的拜访或扫描。当工作站105处的操作者期望查看或访问医学数据时,操作者需要正确地选择或输入各种ID代码。然后,通过网络将所选的医学数据传输到工作站105。由于匿名化,操作者可能未记住哪个数据集是在哪个ID下存储的,从而导致在浪费时间、带宽和/或处理时下载不正确的医学数据。
图2描绘了用于针对医学成像工作流程提供作为标识符的可记忆图像的方法的一个实施例。代替ID代码或者除ID代码之外,向二维图像提供医学成像数据。医学成像数据被绘制成包括医学成像数据的一个或多个特征或方面。将二维图像与医学成像数据一起存储。使用二维图像,操作者可以记住哪个医学成像数据适用,并选择正确的医学图像数据,同时仍维持医学成像数据的匿名化。例如,操作者可以记住具有在某种程度上独特的解剖学布置的患者(例如,具有肿大肝脏的患者)。
动作由图7的***、其他***、图像处理器、医学扫描仪、工作站、计算机和/或服务器执行。例如,A110可以由医学成像设备执行。其他动作由处理部件(诸如,图像处理器、医学扫描仪、工作站、基于云的处理计算节点或仅计算机)执行。动作150可以由数据库或远程服务器执行。可以提供附加的、不同的或更少的动作。以所示出的次序(例如,顶到底)或其他次序执行动作。
在动作A110处,获取医学成像数据。可以从任何模态(除其他之外,诸如计算机断层扫描(CT)、磁共振成像(MRI)、dynaCT、超声(US)、正电子发射断层扫描(PET))获取医学成像数据。医学成像数据可以在已经通过扫描而获取之后从远程终端或数据库获取。
医学成像数据可以是三维或二维的。在一个实施例中,成像数据是利用CT***获取的CT图像。对于CT而言,将利用检测器获取的原始数据重构成三维表示。在另一个实施例中,获取表示患者的MRI数据。利用MRI***获取MRI数据。使用脉冲序列和用于测量磁响应的线圈来获取数据。对于MRI而言,磁共振数据是k空间数据。执行傅里叶分析以将来自k空间的数据重构成三维对象或图像空间。
在医学成像数据获取的示例中,患者由医学成像扫描仪来扫描。可以手动或自动选择患者的区域(例如,器官或对象)。医学成像扫描仪使用一个或多个模态来获取该区域或对象的成像数据。该扫描获取表示患者的数据,且由此可以包括表示所扫描的区域或对象的特征或者所扫描的区域或对象中的特征的信息。例如,该区域可以包括非解剖学对象,诸如设备、植入物、支架、空气或静脉注射管、或绷带。该区域的其他特征可以包括诸如栓塞、大肿瘤、可见的创伤(诸如,骨折)等之类的特征。其他更自然的可记忆特征还可能是对象的一般形状和大小。不同患者的类似器官可以展现出不同尺寸或形状。特征中的每一个可以描述所扫描的区域或对象与规范健康区域或对象之间的区别。在每种情况下,所获取的医学成像数据可能与相同性别的规范健康身体的医学成像数据不同。可以选择绘制参数以在二维缩略图图像中突出显示这种特征。
在动作A120处,图像处理器识别医学成像数据的类别。医学成像数据的类别可以描述一个或多个扫描参数。类别可以与包括患者的类似表示的规范参考数据有关。因此,类别可以标识规范参考数据的类型、模态、区域等。类别的示例可以是:患者的下胃肠道(lower GI tract)的CT扫描。可以基于扫描参数来自动选择类别。例如,在器官上执行的扫描可以包括标识模态、区域、器官、视野等的扫描参数(例如,使用在关联的元数据中可用的扫描参数)。医学成像***可以基于扫描参数来自动指派类别。可替换地,类别还可以由操作者或由其他自动或半自动后处理算法来选择。在一实施例中,可以不执行归类步骤。如果类别可用,则类别的识别可以促进利用机器学习网络后续选择绘制参数的准确性。
在动作A130处,机器学习网络依照类别来识别突出显示医学成像数据的一个或多个特征的多个绘制参数设置。机器学习网络是接收医学成像数据的输入集合并输出一个或多个绘制参数的任何类型的机器学习网络。绘制参数可以包括用于从所获取的医学成像数据绘制二维图像的设置或值。除其他之外,绘制参数的示例包括照明、纹理、阴影、对比度、高光、材料性质、窗口和传递函数(颜色)、剪裁。
为了训练机器学习网络,可以使用回归、分类和/或其他学习。回归通过最小化度量来学习范围或连续输出。分类学习全异的输出。可以使用支持向量机、贝叶斯网络、概率提升决策树、神经网络、稀疏自动编码分类器或者其他现在已知或稍后开发的机器学习。可以使用任何半监督、监督或非监督学习。可以使用分层、级联或其他方案。
在一实施例中,使用神经网络(例如,深度神经网络)。对于神经网络而言,该网络学习输入数据的特征以从训练数据中进行提取。该训练通过一个或多个层来使输入图像数据与绘制参数相关。一个层可以使特征值与类相关。对于深度学习网络而言,可以存在另外的层,该另外的层从先前层的输出创建进一步的抽象特征。所得到的机器训练网络是针对输入、加权和组合的矩阵,以输出用于生成可记忆的二维图像的绘制参数设置。
在一实施例中,使用深度回归学习来训练深度学习网络。使用所获取的医学成像数据的收集来训练深度学习网络。可以通过扫描模态、性别、体型、所扫描的区域(或对象)、视野等将所获取的医学成像数据分类到类别中。针对训练图像的类别可以与上面所描述的动作A120中定义的类别相同或类似。可以使用身体区域检测器自动检测或由操作者手动检测图像数据的一般视野或身体大小。
对于深度学习网络的训练而言,将医学成像数据的收集输入到深度学习网络中。深度学习网络识别绘制参数的值,该绘制参数在用于绘制医学成像数据的集合时生成可以用于标识医学成像数据的可记忆图像。绘制参数可以包括除其他之外诸如照明、纹理、阴影、对比度、高光、材料性质、窗口和传递函数(颜色)、剪裁之类的参数。
剪裁的级别例如可以由机器学习网络识别。剪裁例如可以通过使一个或多个体素变得透明或半透明来暴露器官的内部。机器学习网络可以识别哪个(如果有的话)剪裁可能发生以生成可记忆图像。在一示例中,剪裁可以确定哪些特征在输出图像中是可见的。机器学习网络可以识别一个特征在医学成像数据中比另一个特征更加可记忆,且由此可以被包括在输出图像中,该另一个特征可能在医学成像数据中模糊且未在输出图像中描绘。
深度学习网络可以用于改进所产生的绘制参数的鲁棒性,例如以降低对不同姿势、不同患者变化、视野和数据的扫描参数的灵敏度。
在一实施例中,训练数据可以包括规范参考医学成像数据和医学成像数据的收集。图3描绘了示例规范参考医学成像数据201和参考二维图像205。使用参考绘制参数的所选设置来绘制203规范参考医学成像数据201以产生参考图像205。使用提供类别的代表性描绘的参考参数来创建参考图像205。绘制参数的参考设置可以提供:该类别中的利用参数的参考设置而绘制的任何输入图像数据可以维持与参考图像205的相似性。操作者可能能够辨别该类别,即使其他绘制参数已经被调整亦如此。参数的参考设置可以包括绘制参数,除其他之外诸如照明、纹理、阴影、对比度、高光、剪裁、窗口、材料性质和颜色。为了生成参考图像205,可以使用绘制参数设置的不同集合以绘制多个潜在参考图像。
规范参考医学成像数据201可以被自动选择,或者可以是评分或选择过程的结果。例如,针对每个不同的类别,可以标识多个规范参考医学成像数据。操作者可以选择对该类别最具代表性的规范参考医学成像数据。可替换地,可以自动选择规范参考医学成像数据。
参考图像205可以描绘参考输入图像数据201的快照。参考输入图像数据可以包括可由查看者从不同的角度看到的更多信息。参考图像205可以仅描绘查看者可以从单个角度看到什么。例如,规范参考医学成像数据201可以包括与未看到的体素(例如,图像数据的内部的部分)有关的数据。剪裁可以用于暴露内部部分。由此,参考图像205可能能够描绘对象的内部的部分。被剪裁的部分可以是依照所选的绘制参数而自动确定的。剪裁可以在绘制过程期间执行,或者可以在绘制二维图像之前在规范参考医学成像数据205上执行。
对于训练而言,针对类似类型的扫描而获取医学成像数据的收集。医学成像数据的收集可以包括不同特征(诸如,异物或有区别的解剖结构)。针对医学成像数据的每个集合,自动选择多种绘制参数(同时保持其他绘制参数一致)。然后将绘制参数应用到医学成像数据池,以产生针对医学成像数据的每个集合的一系列所绘制的图像。在一实施例中,操作者可以在视觉上选择下述所产生的图像:该所产生的图像是与相应输入医学成像数据有关的最可记忆且独特的图像。针对所选图像的绘制参数被用作期望输出以训练该网络。
操作者可以针对可记忆性而对每个所产生的图像进行评分。可以使用任何评分。例如,表示图像有多可记忆的数值范围,诸如1-5或1-10,其中越大或越小的数字表示越可记忆的图像。作为另一个示例,使用字母数字类,诸如可记忆性差或好,或者诸如可记忆性差、低于平均、平均、好或极好。可以通过呈现从不同输入产生的图像并令操作者尝试将所产生的图像与输入医学成像数据进行匹配来生成得分。正确地匹配的图像可以被指派有较高的得分。
图4描绘了医学成像数据301的训练集合以及7个所绘制的二维图像311-317。可以使用不同绘制参数设置来绘制二维图像311-317。在一实施例中,可以将绘制参数与一组参考参数设置进行组合,该组参考参数设置用于从规范参考医学成像数据生成针对该类别的参考图像。该组参考参数设置可以提供在整个类别上维持类似描绘的绘制。例如,参考参数可以包括针对剪裁或大小的设置。由于可以利用与针对训练图像数据的类别的参考图像205类似或相同的绘制参数设置来绘制305二维图像311-317中的每一个,因此每个得到的所绘制的图像可能看起来类似。例如,二维图像311-317中的每一个维持类似的大小和形状。观察二维图像311-317的操作者可能能够觉察出医学成像数据属于与该类别中的其他医学成像数据相同的医学成像数据类型。然而,针对二维图像311-317的一个或多个其他绘制参数的设置对于每个二维图像311-317而言是不同的。例如,对于二维图像311、315和316,组织的部分没有加阴影,而对于参考312和314,组织加有深黑色阴影。区分了医学成像数据301与健康医学成像数据的一个特征是特征321,例如疤痕组织。操作者在执行扫描时可以记住针对患者和扫描的特征。相应地,二维图像311-317可以例如通过如在图像311中那样使特征323变暗或突出显示特征323来突出显示特征或使特征突出。尽管描绘了7个二维图像,但是由于每个绘制参数设置(例如,阴影、照明或对比度)可以包括多个不同值,因此可以存在数百个、数千个或更多个可能性。
为了训练机器学习网络,可以给所生成的二维图像311-317中的每一个手动指派得分。例如,在1-5分(5是最可记忆的)上,二维图像311可能得4分,而二维图像317可能得5分。针对所生成的二维图像311-317中的每一个的得分以及生成了二维图像311-317的绘制参数设置被用作训练数据,连同输入图像数据,用于教导机器学习网络以识别生成可记忆结果的绘制参数设置。可以由操作者例如通过更新训练数据或重新评估得分来周期性地重复或检查该训练。
在另一个实施例中,该训练使用度量以与参考二维图像205相比较地评估每个所绘制的二维图像311-317。针对所生成的绘制参数设置的每个集合,将规范医学成像数据和医学成像数据的训练集合绘制成二维图像。将度量应用到二维图像输出对,以比较二维图像。该训练使用参考图像与利用参数生成的图像之间的差别的度量。可以使用差别的任何度量。示例的所计算的度量可以是基于视觉***的视觉感知度量、比较差别、感知散列、互信息、相关性、所计算的特征信号或简单误差度量。可以自动计算或由用户提供度量。度量被用作给定训练样本的重要性强度的指示器。
度量可以包括评分机制。高得分可以指示训练二维图像与参考二维图像非常不同。针对一个训练二维图像的得分高于另一个训练二维图像指示:与第二个二维图像相比,第一个二维图像与参考二维图像更加不同。为了防止空的或无效的图像,可以选择绘制参数设置以维持与参考图像的至少一些相似度。可使用的一个度量是对颜色感知鲁棒的感知图像度量。该度量被用作对下述操作的奖励:朝着与参考最不同的二维图像和被视为期望输出的相应绘制参数设置来训练深度学习网络。使用输入图像、医学成像数据、绘制参数设置以及度量或手动得分,将深度学习网络训练成识别用于绘制有区别和/或可记忆的二维图像的一个或多个参数设置。
可以重复该训练。随着机器训练网络被使用,用户可以调整输出设置中的一些。向训练数据添加调整、设置和/或从调整得到的图像。通过利用附加反馈作为从中进行学习的样本重复该学习来改善机器学习网络。经手动调整的参数设置定义了个性化可视化设计。可以使用进一步训练数据的其他源。
可以针对不同用户、内科医生、医疗组、医院或其他分组而分离地执行该训练的重复。可以使用个性化训练,使得提供针对相关组的一致图像。在其他实施例中,针对所有用户提供该重复。可以针对图像的不同类别而训练并使用不同机器学习网络。
反馈机制可以用于更新机器训练网络。当使用二维图像访问所存储的数据时,如果正确的医学成像数据被访问,则可以增加该二维图像的得分,而如果错误的医学成像数据被访问,则可以减少相应的二维图像得分。可以周期性地利用经更新的得分来更新训练数据,以改进生成得到可记忆标识符图像的绘制参数设置的准确性。
将医学成像数据和类别输入到机器学习网络中。机器学习网络的输出是突出显示医学成像数据的一个或多个特征的多个绘制参数设置。绘制参数可以包括除其他之外针对照明、纹理、阴影、对比度、高光、材料性质、窗口和传递函数(颜色)、剪裁的设置或值。
在动作A140处,图像处理器使用该多个绘制参数设置来绘制医学成像数据,以产生独特的二维标识符图像。绘制参数设置可以包括除其他之外诸如照明、纹理、阴影、对比度、高光、窗口、材料性质、剪裁平面位置、相机位置和/或颜色之类的参数。针对绘制参数的设置可以突出显示医学成像数据的独特特征。为了查看上下文中的特征,可以将所选的绘制参数设置与绘制参数的参考设置进行合并,该绘制参数的参考设置用于将参考图像绘制到绘制参数设置的一个最终集合中。可以使用矩阵通过两个参数集合之间的逐参数阵列内插或者参数函数值之间的其他类型的线性内插来完成对参数进行合并。参数的合并提供了用于绘制标识符图像的一组设置,该标识符图像表示类别(用于第一级标识)和医学成像数据的具体特征(用于第二级患者专用标识)两者。参考参数设置可以向操作者指示扫描类型,并且绘制参数设置可以指示被检查的具体患者或器官。因此,操作者可能能够在从图像数据的多个不同集合中进行选择时区分不同的扫描类别以及还有不同患者。
在一实施例中,绘制参数设置可以比参考参数设置具有更重的权重,以便强调特征。从组合的设置绘制的结果是下述图像:除上下文中的参考特征外,该图像还可以捕捉医学成像数据的独特特征,使得还可以容易地识别医学成像数据的类别。在一示例中,获取表示腹部CT扫描的医学成像数据。可以利用生成腹部的规范视图的参数来绘制医学成像数据。在医学成像数据中,该区域中的独特特征可以包括先前从过程嵌入的设备或身体的表面上的管。可以由机器学习网络识别异物,并且可以由一个或多个绘制参数的设置来突出显示该异物。将输出设置与参考设置一起使用以绘制图像。可以将所绘制的异物添加到一般腹部视图,以生成所绘制的二维图像,该所绘制的二维图像可以用于当对应数据已经被标识时协助该数据的快速关联,以促进准确的工作流程而不牺牲隐私。
绘制过程的输出是独特的二维图像。因为输入是来自患者的扫描的独特医学成像数据,所以即使具有与另一工作流程相同的绘制参数设置的所输出的二维图像也将是独特的。二维图像的视图可以由该类别的规范视图确定。例如,针对一个类别,规范参考视图可以是具有被剪裁掉的器官的部分的等轴视图。二维图像可以保留具有类似剪裁的等轴视图,以向操作者传达医学成像数据的类别或类型。在另一类别中,规范参考视图可以是对象的图像切片。
二维图像可以被绘制成在大小上减小以容易地向操作者示出。例如,二维图像可以具有75x75、100x100、125x125、150x150或200x200像素的分辨率。可以使用诸如.JPG、.GIF、.BMP或.PNG之类的任何图像格式来格式化图像。在一实施例中,二维图像可以保持在0.5MB、1MB或2MB限制以下以节省资源。在一实施例中,二维图像可以是彩色的或黑白的。在一实施例中,二维图像可以是缩略图图像。
在动作A150处,将医学成像数据与二维标识符图像一起存储。可以例如使用数字成像和通信(DICOM)标准将所获取的医学成像数据存储在存储器或数据库中以用于稍后分析。在一实施例中,可以远程传输医学成像数据以用于储存或分析。
为了访问医学成像数据,操作者可以使用允许访问医学成像数据的任何应用。医学成像数据可以由用户通过选择二维标识符图像来访问。
图5描绘了用于访问所存储的匿名化医学成像数据的示例接口。图5包括三个不同组的医学成像数据501、503、505。每个组可以与不同的医学成像扫描相对应。医学成像数据501、503和505已经被匿名化,例如,已经移除并用ID代码替代患者标识信息。除ID代码之外(或替代ID代码),医学成像数据501、503和505的每一组包括在动作A150处生成的缩略图图像。如所描绘的那样,501的缩略图是在图4中选择为最可记忆的缩略图。操作者可以访问数据储存器107以访问与特定扫描有关的医学数据。操作者可以记住现在在缩略图图像中描绘的来自扫描的特征。因此,操作者可以容易且正确地选择期望的医学成像数据。
图6描绘了用于生成用于标识成像数据的可记忆二维图像的方法的一实施例。图6的方法可以适用于任何成像数据。使用来自参考成像数据集合的设置和机器学习设置组两者来绘制成像数据。
动作由图7的***、其他***、医学扫描仪、工作站、计算机和/或服务器来执行。例如,动作A220-A240由处理部件(诸如,工作站或计算机)执行。动作A210可以由成像设备执行。以所示出的次序(例如,顶到底)或其他次序执行动作。可以使用附加的、不同的或更少的动作,诸如,如果先前已经从成像设备获取了成像数据,则不执行A210。
在动作A210处,获取成像数据。成像数据可以是从扫描设备捕捉的成像数据的一个或多个切片的收集。医学成像数据可以包括三个维度的成像数据。在一个实施例中,利用CT***获取成像数据。对于CT而言,将利用检测器获取的原始数据重构成三维表示。在另一个实施例中,获取表示患者的MRI数据。利用MRI***获取MRI数据。使用脉冲序列和用于测量磁响应的线圈来获取数据。对于MRI而言,磁共振数据是k空间数据。执行傅里叶分析以将来自k空间的数据重构成三维对象或图像空间。该方法不限于CT和MR成像模态,还可以使用其他获取***。医学成像数据可能是先前获取和存储的。
在动作A220处,由机器学习网络识别突出显示成像数据中的一个或多个特征的多个绘制参数值。可以通过在先前获取的成像数据的收集上训练机器学习网络来学习该多个绘制参数值。使用多种绘制参数值来绘制先前获取的成像数据。针对来自规范参考图像的可记忆性或特异性来对输出的所绘制的二维图像进行评分。为了提供跨所输出的所绘制的二维图像的一致性,可以将绘制参数值与一个或多个参考参数值进行组合。可以通过绘制规范参考图像来确定参考参数值。绘制和参考参数的组合提供了类似但仍有区别的所输出的二维图像。将参数值进行组合可以使用线性内插。
规范参考图像和根据其而绘制了参考图像的参考成像数据可以被自动选择或由操作者手动选择。参考成像数据可以包括已被指定为针对一类别的成像数据的标准的成像数据。例如,使用具体模态从针对该类型的扫描的具体角度获取的心脏健康成像数据可以被用作健康成像数据。参考图像数据可以是从扫描捕捉的实际图像数据。参考图像数据可以是例如从多个扫描或人工地生成以提供由该类别指定的区域的典型图像的构造。
在动作A230处,图像处理器使用成像数据、该多个分类参数值以及该多个参数值来绘制突出显示该多个特征的独特二维图像。二维图像可以被绘制为缩略图图像。
在动作A240处,将图像数据与作为标识符的二维图像一起存储。可以从图像数据剥离所有标识个人信息。二维图像可以由操作者使用以选择正确的图像数据。
图7描绘了用于从医学图像体积生成可记忆二维图像的***的一实施例。该***包括成像***540、服务器550和数据库570。成像***包括图像处理器530、存储器520、显示器550和扫描仪560。可以提供附加的、不同的或更少的部件。例如,可以提供网络连接或接口,诸如用于与医学成像网络或数据档案***联网。在另一个示例中,提供用户接口580作为显示器510或成像***540的一部分。
图像处理器530、存储器510、显示器510、用户接口580和扫描仪560是成像***540的一部分。可替换地,图像处理器530和存储器520是档案和/或图像处理***的一部分,诸如与同成像***540分离的医学记录数据库工作站或服务器相关联。在其他实施例中,图像处理器530和存储器520是个人计算机,诸如台式机或膝上型电脑、工作站、服务器、网络或其组合。可以提供图像处理器530、显示器510和存储器520,而无需用于通过扫描患者获取数据的其他部件。
在相同位置处提供成像***540、图像处理器530、存储器520、显示器550、用户接口580和扫描仪560。该位置可以是相同房间、相同建筑物或相同设施。这些设备相对于彼此是本地的,且对服务器550来说是远程的。服务器550通过处于不同的设施中或通过处于不同的城市、郡、州或国家中而由网络间隔开。服务器550和数据库570可以远离于成像***540的位置。
成像***540是医学诊断成像***。可以使用计算机断层扫描(CT)、X射线、超声和/或磁共振(MR)***。扫描仪560可以包括发射器,且包括用于扫描或接收表示患者的内部的数据的检测器。成像***540被配置成获取图像体积。成像***540可以随时间获取可以用于生成视频的多个图像体积。
在一个实施例中,成像***540是CT或X射线***。X射线源与塔架连接。与X射线源相对,检测器也与塔架连接。患者被定位在该源与检测器之间。该源和检测器处于患者的相对侧上,且关于患者旋转和/或平移。经过患者的所检测到的X射线能量被转换、重构或变换成表示患者内的不同空间位置的数据。在一实施例中,成像***540可以包括便携式或移动C臂。C臂包括X射线源和图像增强器或平板检测器。C形连接元件允许水平、垂直以及围绕旋轴的移动,使得可以从几乎任何角度产生患者的X射线图像。生成器发射穿透患者身体的X射线。图像增强器或检测器将X射线转换成被显示在监视器上或被存储以用于稍后使用的可见图像。
在另一个实施例中,成像***540是MR***。MR***包括主磁场磁体(诸如,低温磁体)和梯度线圈。提供全身线圈以用于发射和/或接收。可以使用局部线圈,诸如用于接收由原子响应于脉冲而发射的电磁能量。可以提供其他处理部件,诸如用于基于序列来计划并生成针对线圈的发射脉冲以及用于接收并处理接收到的k空间数据。利用傅里叶处理将接收到的k空间数据转换成对象或图像空间数据。
存储器520可以是图形处理存储器、视频随机存取存储器、随机存取存储器、***存储器、高速缓冲存储器、硬盘驱动器、光学介质、磁介质、闪速驱动器、缓冲器、数据库、其组合、或者用于存储数据或视频信息的其他现在已知或稍后开发的存储器设备。存储器520是成像***540的一部分、与处理器530相关联的计算机的一部分、数据库的一部分、另一个***的一部分、图片档案存储器或独立的设备。
存储器520存储医学成像数据、图形或显示设置和/或图像。存储器520可以在处理期间存储用于应用的数据,和/或可以存储用于机器学习网络525的训练数据。
可替换地或附加地,存储器520或其他存储器是存储表示指令的数据的非暂时性计算机可读储存介质,该指令可由经编程的图像处理器530执行以用于生成可记忆图像。在非暂时性计算机可读储存介质或存储器(诸如,高速缓存、缓冲器、RAM、可移除介质、硬盘驱动器或其他计算机可读储存介质)上提供用于实现本文中所讨论的过程、方法和/或技术的指令。非暂时性计算机可读储存介质包括各种类型的易失性和非易失性储存介质。响应于存储在计算机可读储存介质中或存储在计算机可读储存介质上的一个或多个指令集而执行附图中所图示或本文中所描述的功能、动作或任务。这些功能、动作或任务独立于特定类型的指令集、储存介质、处理器或处理策略,且可以由单独操作或组合地操作的软件、硬件、集成电路、固件、微代码等等执行。同样地,处理策略可以包括多处理、多任务、并行处理等等。
在一个实施例中,指令被存储在可移除介质设备上以供本地或远程***读取。在其他实施例中,指令被存储在远程位置中以用于通过计算机网络或在电话线路上进行传送。在又其他实施例中,指令被存储在给定计算机、CPU、GPU或***内。
图像处理器530是通用处理器、中央处理单元、控制处理器、图形处理单元、数字信号处理器、三维绘制处理器、图像处理器、专用集成电路、现场可编程门阵列、数字电路、模拟电路、其组合、或者用于从图像体积绘制二维图像的其他现在已知或稍后开发的设备。处理器530是单个设备或者串行地、并行地或分离地操作的多个设备。处理器530可以是计算机(诸如,膝上型计算机或台式计算机)的主处理器,或者可以是用于在更大***中(诸如,在成像***530中)处置一些任务的处理器。图像处理器530被指令、设计、硬件和/或软件配置成执行本文中所讨论的动作。
图像处理器530和/或服务器550被配置成执行上面所讨论的用于生成可记忆二维图像的动作。图像处理器530被配置成使用由机器学习网络525识别的绘制参数的设置来生成可记忆二维图像。
使用图像体积和评分机制来训练机器学习网络525,该评分机制关于所绘制的二维图像有多可记忆(例如,操作者将所绘制的二维图像与正确的相应图像体积匹配得多好)而对该图像进行评分。可替换地,可以使用图像体积和度量来训练机器学习网络525,该度量测量所绘制的二维图像与从规范图像体积绘制的参考二维图像之间的差别。图像处理器530和/或服务器550可以被配置成从图像体积剥离患者标识信息(例如,匿名化),并使用作为标识符的所绘制的二维图像将图像体积存储在数据库570中。
图像处理器530和/或服务器550被配置成向显示器510或向存储器520提供图像体积。显示器510是监视器、LCD、投影仪、等离子体显示器、CRT、打印机、或者用于输出视觉信息的其他现在已知或稍后开发的设备。显示器510从图像处理器530、存储器520、成像***540和/或服务器550接收图像、图形、文本、量或其他信息。显示器510被配置成向操作者提供图像体积。
用户接口580可以被配置成从用户接收一个或多个选择。用户接口580可以包括输入设备,诸如一个或多个按钮、键区、键盘、鼠标、触笔、轨迹球、摇臂开关、触摸板、语音辨别电路、或者用于输入数据的其他设备或部件。用户接口580和显示器510可以被组合为触摸屏,该触摸屏可以是电容式的或电阻式的。用户接口580可以被配置成接收二维图像的选择并发射访问与二维图像相关联的图像体积的请求。
服务器550经由网络连接到成像***540。该网络是局域网、广域网、企业网络、另一个网络或其组合。在一个实施例中,该网络至少部分地是互联网。使用TCP/IP通信,该网络提供图像处理器530与服务器550之间的通信。可以使用用于通信的任何格式。在其他实施例中,使用专用或直接通信。
服务器550是处理器或处理器组。可以提供多于一个服务器550。服务器550由硬件和/或软件配置。
数据库570是用于存储诸如匿名化图像体积和二维图像之类的数据的存储器(诸如,存储器组)。数据库570可以是本地或远程定位的。
尽管上面已经通过参考各种实施例描述了本发明,但是应当理解的是,在不脱离本发明的范围的情况下可以做出许多改变和修改。因此,意图在于,前述的具体实施方式应当被视为说明性的而不是进行限制,并且应当理解的是,意图限定本发明的精神和范围的是所附权利要求,包括所有等同物。
Claims (19)
1.一种用于生成用于标识医学成像数据的二维标识符图像的方法,所述方法包括:
由图像扫描仪获取所述医学成像数据;
由图像处理器确定所述医学成像数据的类别;
使用机器学习网络依照所述类别来识别突出显示所述医学成像数据的一个或多个特征的多个绘制参数设置;
由所述图像处理器使用所述多个绘制参数设置从所述医学成像数据绘制二维标识符图像;
将所述医学成像数据与所述二维标识符图像一起存储;以及
由所述图像处理器确定用于绘制参考图像的多个参考参数值,其中所述多个参考参数值提供所述类别的代表性描绘,
其中由所述图像处理器绘制二维标识符图像包括:
使用成像数据、多个绘制参数值和所述多个参考参数值来绘制所述二维标识符图像,
其中绘制包括:
利用所述多个绘制参数值和多个参考参数设置的组合来绘制所述二维标识符图像,其中所述多个绘制参数值和所述多个参考参数值是使用两个参数集合之间的逐参数阵列内插来组合的。
2.如权利要求1所述的方法,其中所述医学成像数据包括计算机断层扫描数据。
3.如权利要求1所述的方法,其中所述类别由模态、由患者的性别、由近似身体大小和/或由所述医学成像数据的视野来确定。
4.如权利要求1所述的方法,其中使用操作者针对多个二维标识符图像中的每一个指派的可记忆性得分来训练所述机器学习网络。
5.如权利要求1所述的方法,其中使用为了针对与所绘制的规范参考数据最不同的所绘制的图像数据提供高得分而选择的度量来训练所述机器学习网络;其中所述度量被用作训练所述机器学习网络的奖励。
6.如权利要求5所述的方法,其中规范参考数据包括健康患者的医学成像数据。
7.如权利要求5所述的方法,其中规范参考数据包括标准患者的人工生成的成像数据。
8.如权利要求7所述的方法,其中所述度量被选择以针对与所绘制的规范参考数据不同的非空的所绘制的图像数据提供高得分。
9.如权利要求1所述的方法,其中所述二维标识符图像是缩略图图像。
10.一种用于生成用于标识成像数据的可记忆图像的方法,所述方法包括:
由图像扫描仪获取成像数据;
使用机器学习网络来识别突出显示所述成像数据中的一个或多个特征的多个绘制参数值;
由图像处理器识别用于绘制参考图像的多个参考参数值;
由所述图像处理器使用所述成像数据、所述多个绘制参数值以及所述多个参考参数值来绘制二维标识符图像;
将所述成像数据与作为标识符的所述二维标识符图像一起存储;以及
由所述图像处理器确定用于绘制参考图像的多个参考参数值,其中所述多个参考参数值提供类别的代表性描绘,
其中由所述图像处理器绘制二维标识符图像包括:
使用所述成像数据、所述多个绘制参数值和所述多个参考参数值来绘制所述二维标识符图像,
其中绘制包括:
利用所述多个绘制参数值和多个参考参数设置的组合来绘制所述二维标识符图像,其中所述多个绘制参数值和所述多个参考参数值是使用两个参数集合之间的逐参数阵列内插来组合的。
11.如权利要求10所述的方法,其中所述多个绘制参数设置比所述多个参考参数设置具有更重的权重。
12.如权利要求10所述的方法,进一步包括:
当所述二维标识符图像被选择时,向操作者提供所述成像数据。
13.如权利要求10所述的方法,其中使用为了针对与所绘制的参考图像最不同的所绘制的二维标识符图像提供高得分而选择的度量来训练所述机器学习网络;其中所述度量被用作训练所述机器学习网络的奖励。
14.如权利要求10所述的方法,其中使用与针对所绘制的二维标识符图像的可记忆性得分有关的针对所绘制的二维标识符图像的度量来训练所述机器学习网络;其中所述度量被用作训练所述机器学习网络的奖励。
15.一种用于生成用于标识医学成像数据的二维标识符图像的***,所述***包括:
医学成像扫描仪,其被配置成获取医学成像数据;
机器学习网络,其被配置成识别用于从所述医学成像数据绘制二维标识符图像的一个或多个绘制参数值;
图像处理器,其被配置成使用所述一个或多个绘制参数值从所述医学成像数据绘制所述二维标识符图像,并确定用于绘制参考图像的多个参考参数值,其中所述多个参考参数值提供类别的代表性描绘;以及
数据储存器,其被配置成将所述医学成像数据与作为标识符的所述二维标识符图像一起存储,
其中所述图像处理器通过下述操作来绘制所述二维标识符图像:
使用成像数据、多个绘制参数值和所述多个参考参数值来绘制所述二维标识符图像,
其中绘制包括:
利用所述多个绘制参数值和多个参考参数设置的组合来绘制所述二维标识符图像,其中所述多个绘制参数值和所述多个参考参数值是使用两个参数集合之间的逐参数阵列内插来组合的。
16.如权利要求15所述的***,其中所述医学成像扫描仪是计算机断层扫描仪。
17.如权利要求15所述的***,其中使用为了针对与所绘制的参考图像最不同的所绘制的二维标识符图像提供高得分而选择的度量来训练所述机器学习网络;其中所述度量被用作训练所述机器学习网络的奖励。
18.如权利要求15所述的***,其中使用与所绘制的二维标识符图像的可记忆性得分有关的针对所绘制的二维标识符图像的度量来训练所述机器学习网络;其中所述度量被用作训练所述机器学习网络的奖励。
19.如权利要求15所述的***,其中所述图像处理器进一步被配置成:对利用所述医学成像数据而获取的患者标识数据进行匿名化。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/841864 | 2017-12-14 | ||
US15/841,864 US10722210B2 (en) | 2017-12-14 | 2017-12-14 | Method for memorable image generation for anonymized three-dimensional medical image workflows |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110060312A CN110060312A (zh) | 2019-07-26 |
CN110060312B true CN110060312B (zh) | 2023-12-19 |
Family
ID=64664659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811533009.3A Active CN110060312B (zh) | 2017-12-14 | 2018-12-14 | 用于匿名化的三维医学图像工作流程的可记忆图像生成的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10722210B2 (zh) |
EP (1) | EP3499509B1 (zh) |
CN (1) | CN110060312B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11836597B2 (en) * | 2018-08-09 | 2023-12-05 | Nvidia Corporation | Detecting visual artifacts in image sequences using a neural network model |
US10970911B2 (en) * | 2019-02-21 | 2021-04-06 | Facebook Technologies, Llc | Graphics processing chip with machine-learning based shader |
CN111461228B (zh) * | 2020-04-01 | 2024-03-15 | 腾讯科技(深圳)有限公司 | 图像推荐方法和装置及存储介质 |
US11726784B2 (en) | 2020-04-09 | 2023-08-15 | Micron Technology, Inc. | Patient monitoring using edge servers having deep learning accelerator and random access memory |
US20220044108A1 (en) * | 2020-08-06 | 2022-02-10 | Micron Technology, Inc. | Real time medical image processing using deep learning accelerator with integrated random access memory |
DE102020216040A1 (de) * | 2020-12-16 | 2022-06-23 | Siemens Healthcare Gmbh | Verfahren zur Ermittlung einer Anpassung einer Bildgebungsuntersuchung |
US11436793B1 (en) | 2021-02-12 | 2022-09-06 | Facebook Technologies, Llc | Systems and methods for graphics rendering based on machine learning |
WO2023070284A1 (zh) * | 2021-10-25 | 2023-05-04 | 武汉联影医疗科技有限公司 | 匿名化处理方法和*** |
US20230181163A1 (en) * | 2021-12-09 | 2023-06-15 | GE Precision Healthcare LLC | System and Method for Automatic Association and Display of Video Loop Subject Matter for Enhanced Identification |
CN114240880A (zh) * | 2021-12-16 | 2022-03-25 | 数坤(北京)网络科技股份有限公司 | 医学扫描数据处理方法、装置、医疗设备以及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07160658A (ja) * | 1993-12-07 | 1995-06-23 | Togami Electric Mfg Co Ltd | データの分類方法 |
US20020054237A1 (en) * | 2000-07-18 | 2002-05-09 | Matsushita Electric Industrial Co., Ltd. | Image processing apparatus and image processing method |
US20080082352A1 (en) * | 2006-07-12 | 2008-04-03 | Schmidtler Mauritius A R | Data classification methods using machine learning techniques |
US20090304250A1 (en) * | 2008-06-06 | 2009-12-10 | Mcdermott Bruce A | Animation for Conveying Spatial Relationships in Three-Dimensional Medical Imaging |
CN103054602A (zh) * | 2011-09-19 | 2013-04-24 | 西门子公司 | 用于在计算机断层扫描容积中肋骨指上矢量探测的方法和*** |
US20140028669A1 (en) * | 2011-04-07 | 2014-01-30 | Toshiba Medical Systems Corporation | System, apparatus, and method for image processing |
US20140328526A1 (en) * | 2013-05-02 | 2014-11-06 | Toshiba Medical Systems Corporation | Medical imaging data processing apparatus and method |
US20170038951A1 (en) * | 2015-04-30 | 2017-02-09 | D.R. Systems, Inc. | Database systems and interactive user interfaces for dynamic interaction with, and review of, digital medical image data |
KR101779800B1 (ko) * | 2016-09-27 | 2017-09-19 | 이재준 | 기계학습 기반 다면적 성장 평가 방법 및 시스템 |
US20170308656A1 (en) * | 2016-03-10 | 2017-10-26 | Siemens Healthcare Gmbh | Content-based medical image rendering based on machine learning |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6934698B2 (en) | 2000-12-20 | 2005-08-23 | Heart Imaging Technologies Llc | Medical image management system |
US20040068423A1 (en) | 2002-10-03 | 2004-04-08 | Shaw Grant D. | Graphical user interfaces for sets of medical image data files |
US8051386B2 (en) | 2006-12-21 | 2011-11-01 | Sectra Ab | CAD-based navigation of views of medical image data stacks or volumes |
WO2009117419A2 (en) * | 2008-03-17 | 2009-09-24 | Worcester Polytechnic Institute | Virtual interactive system for ultrasound training |
US8655053B1 (en) * | 2010-05-31 | 2014-02-18 | Andrew S Hansen | Body modeling and garment fitting using an electronic device |
US9344707B2 (en) * | 2011-06-29 | 2016-05-17 | Microsoft Technology Licensing, Llc | Probabilistic and constraint based articulated model fitting |
US20130139110A1 (en) | 2011-11-29 | 2013-05-30 | Siemens Medical Solutions Usa, Inc. | User Interface Image Navigation System for Use in Medical or Other Applications |
WO2014066533A2 (en) * | 2012-10-23 | 2014-05-01 | Luoxis Diagnostics, Inc. | Methods and systems for measuring and using the oxidation-reduction potential of a biological sample |
US9805057B2 (en) * | 2013-10-15 | 2017-10-31 | Google Inc. | Automatic generation of geographic imagery tours |
US20150142457A1 (en) * | 2013-11-20 | 2015-05-21 | Toshiba Medical Systems Corporation | Apparatus for, and method of, data validation |
US9418482B1 (en) * | 2014-01-22 | 2016-08-16 | Google Inc. | Discovering visited travel destinations from a set of digital images |
WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
WO2016132153A1 (en) * | 2015-02-19 | 2016-08-25 | Magic Pony Technology Limited | Offline training of hierarchical algorithms |
US20180137621A1 (en) * | 2015-05-20 | 2018-05-17 | Telethon Kids Institute | A Method of Analysing an Image for Assessing a Condition of an Organ of a Patient |
US10194829B2 (en) * | 2015-07-07 | 2019-02-05 | Q Bio, Inc. | Fast scanning based on magnetic resonance history |
US10152571B1 (en) * | 2017-05-25 | 2018-12-11 | Enlitic, Inc. | Chest x-ray differential diagnosis system |
-
2017
- 2017-12-14 US US15/841,864 patent/US10722210B2/en active Active
-
2018
- 2018-12-11 EP EP18211572.5A patent/EP3499509B1/en active Active
- 2018-12-14 CN CN201811533009.3A patent/CN110060312B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07160658A (ja) * | 1993-12-07 | 1995-06-23 | Togami Electric Mfg Co Ltd | データの分類方法 |
US20020054237A1 (en) * | 2000-07-18 | 2002-05-09 | Matsushita Electric Industrial Co., Ltd. | Image processing apparatus and image processing method |
US20080082352A1 (en) * | 2006-07-12 | 2008-04-03 | Schmidtler Mauritius A R | Data classification methods using machine learning techniques |
US20090304250A1 (en) * | 2008-06-06 | 2009-12-10 | Mcdermott Bruce A | Animation for Conveying Spatial Relationships in Three-Dimensional Medical Imaging |
US20140028669A1 (en) * | 2011-04-07 | 2014-01-30 | Toshiba Medical Systems Corporation | System, apparatus, and method for image processing |
CN103054602A (zh) * | 2011-09-19 | 2013-04-24 | 西门子公司 | 用于在计算机断层扫描容积中肋骨指上矢量探测的方法和*** |
US20140328526A1 (en) * | 2013-05-02 | 2014-11-06 | Toshiba Medical Systems Corporation | Medical imaging data processing apparatus and method |
US20170038951A1 (en) * | 2015-04-30 | 2017-02-09 | D.R. Systems, Inc. | Database systems and interactive user interfaces for dynamic interaction with, and review of, digital medical image data |
US20170308656A1 (en) * | 2016-03-10 | 2017-10-26 | Siemens Healthcare Gmbh | Content-based medical image rendering based on machine learning |
KR101779800B1 (ko) * | 2016-09-27 | 2017-09-19 | 이재준 | 기계학습 기반 다면적 성장 평가 방법 및 시스템 |
Also Published As
Publication number | Publication date |
---|---|
US10722210B2 (en) | 2020-07-28 |
US20190183451A1 (en) | 2019-06-20 |
CN110060312A (zh) | 2019-07-26 |
EP3499509A1 (en) | 2019-06-19 |
EP3499509B1 (en) | 2024-02-14 |
EP3499509C0 (en) | 2024-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060312B (zh) | 用于匿名化的三维医学图像工作流程的可记忆图像生成的方法 | |
US10304198B2 (en) | Automatic medical image retrieval | |
US10129553B2 (en) | Dynamic digital image compression based on digital image characteristics | |
JP6081126B2 (ja) | 医用画像処理装置、画像診断装置、コンピュータシステム、医用画像処理プログラム、及び医用画像処理方法 | |
US7747050B2 (en) | System and method for linking current and previous images based on anatomy | |
CN105389320B (zh) | 相似图像检索装置及其工作方法以及存储介质 | |
US8244010B2 (en) | Image processing device and a control method and control program thereof | |
CN110889005A (zh) | 搜索医学参考图像 | |
AU2018335370A1 (en) | Method and system for rule-based display of sets of images using image content derived parameters | |
EP2620885A2 (en) | Medical image processing apparatus | |
JP6719421B2 (ja) | 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム | |
JP7403434B2 (ja) | 自動スキャン推奨プロトコルのための方法およびシステム | |
WO2019200349A1 (en) | Systems and methods for training a deep learning model for an imaging system | |
WO2019200351A1 (en) | Systems and methods for an imaging system express mode | |
US20220399107A1 (en) | Automated protocoling in medical imaging systems | |
CN111226287A (zh) | 用于分析医学成像数据集的方法、用于分析医学成像数据集的***、计算机程序产品以及计算机可读介质 | |
WO2019200346A1 (en) | Systems and methods for synchronization of imaging systems and an edge computing system | |
US20230154594A1 (en) | Systems and methods for protocol recommendations in medical imaging | |
US20230289534A1 (en) | Information processing apparatus, information processing method, and information processing program | |
US20230197253A1 (en) | Medical image processing apparatus, method, and program | |
CN110709888B (zh) | 信息处理装置和用于控制信息处理装置的方法 | |
WO2019200353A1 (en) | Systems and methods for deploying deep learning applications to an imaging system | |
CN116869555A (zh) | 扫描协议调节方法、装置以及存储介质 | |
CN118116603A (zh) | 用于对医学图像数据集进行分类的方法和*** | |
CN116868280A (zh) | 放射学图像的后处理 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |