CN110140178B - 用于知道上下文的图像质量收集和反馈的闭环*** - Google Patents
用于知道上下文的图像质量收集和反馈的闭环*** Download PDFInfo
- Publication number
- CN110140178B CN110140178B CN201780072472.XA CN201780072472A CN110140178B CN 110140178 B CN110140178 B CN 110140178B CN 201780072472 A CN201780072472 A CN 201780072472A CN 110140178 B CN110140178 B CN 110140178B
- Authority
- CN
- China
- Prior art keywords
- image
- medical
- image quality
- rating
- workstation
- 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 claims abstract description 78
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 63
- 238000003384 imaging method Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims description 36
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000013135 deep learning Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 12
- 238000002604 ultrasonography Methods 0.000 description 12
- 238000001303 quality assessment method Methods 0.000 description 10
- 210000003484 anatomy Anatomy 0.000 description 9
- 230000008901 benefit Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000000747 cardiac effect Effects 0.000 description 5
- 238000002592 echocardiography Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000012285 ultrasound imaging Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 210000001562 sternum Anatomy 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011471 prostatectomy Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 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
- 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
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- 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
- A61B6/54—Control of apparatus or devices for radiation diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
Abstract
一种医学成像装置包括放射学工作站(10),所述放射学工作站具有工作站显示器(14)以及一个或多个工作站用户输入设备(16)。医学成像设备控制器(26)包括控制器显示器(30)以及一个或多个控制器用户输入设备(32)。所述医学成像设备控制器被连接以控制医学成像设备(40)来采集医学图像(44)。一个或多个电子处理器(22、38)被编程为:操作所述医学工作站以提供图形用户接口(GUI)(24),所述图形用户接口显示被存储在放射学信息***(RIS)(20)中的医学图像、接收医学检查报告的条目、显示图像评级用户对话框(70)并且经由所述图像评级用户对话框接收针对被显示在所述医学工作站处的医学图像的图像质量评级;操作所述医学成像设备控制器以执行成像检查过程,所述成像检查过程包括操作所述医学成像设备控制器以控制所述医学成像设备来采集过程医学图像;在执行所述成像检查过程时,基于经由被显示在所述医学工作站处的所述图像质量评级用户对话框接收到的图像质量评级将质量评级分配给所述过程医学图像;并且在执行所述成像检查过程时,显示被分配给所述过程医学图像的质量评级。
Description
技术领域
下文涉及医学领域、医学采集领域、医学报告领域以及相关领域。
背景技术
通常在两个阶段中执行医学成像:图像采集和图像解读。由经技术训练但是通常无资质基于图像执行医学诊断的技术人员(或者针对超声的超声医师)执行采集。图像解读者、肿瘤学家或者其他医学专家通常在稍后的时间(在图像采集之后的第二天或者甚至数天)执行医学诊断。因此,技术人员或超声医师有时采集被证明是诊断上非最佳或者甚至非诊断的图像(即,图像解读者不能够基于图像采集缺陷而得出诊断结论)。
越来越重视降低包括医学成像的医疗成本。因此,已经链接适当性准则来控制医学成像的量。另外,日益增加的认知是:在未来的健康护理环境(例如,“责任医疗组织”)中成像部门将期望通过高质量的图像采集和解读来提高其价值。
如所指出的,图像采集和解读通常是由专业工作者执行的两个相关但是暂时分离的过程。例如,CT检查是由CT技术人员采集并且由图像解读者来解读;心脏超声心动图由超声医师采集并且由图像心脏病专家来解读。(注意,在欧洲,心脏超声心动图由图像心脏病专家同时采集和解读)。图像质量能够在至少以下方面进行评估并且将在各自个体地和/或一起覆盖的意义上使用:分辨率、造影剂使用、解剖范围、功能阶段、运动伪影以及噪声。
即使超声心动图是心脏成像中的主导模态,在一些检查被专业解读者认为是非诊断的意义上,存在检查质量方面的大的变化性。低质量图像采集致使高质量解读不可能并且阻止有效值,添添了护理过程并且增加了健康护理成本。另外,低质量图像解读可能要求重复的成像,其可能要求患者返回医院以及延迟的解读。
通常在创新的最前沿的医学中心处收集图像采集反馈。然而,反馈在质量评估程序的过程中周期性地回顾并且未前摄地用在图像采集过程中以便防止低质量图像。
下文提供了克服前述问题以及其他问题的新的并且经改进的设备和方法。
发明内容
根据一个方面,一种医学成像装置包括医学工作站,所述医学工作站具有工作站显示器以及一个或多个工作站用户输入设备。医学成像设备控制器包括控制器显示器以及一个或多个控制器用户输入设备。所述医学成像设备控制器被连接以控制医学成像设备来采集医学图像。一个或多个电子处理器被编程为:操作所述医学工作站以提供图形用户接口(GUI),所述图形用户接口显示被存储在放射学信息***(RIS)中的医学图像、接收医学检查报告的条目、显示图像评级用户对话框并且经由所述图像评级用户对话框接收针对被显示在所述医学工作站处的医学图像的图像质量评级;操作所述医学成像设备控制器以执行成像检查过程,所述成像检查过程包括操作所述医学成像设备控制器以控制所述医学成像设备来采集过程医学图像;当执行所述成像检查过程时,基于经由被显示在所述医学工作站处的所述图像质量评级用户对话框接收到的图像质量评级将质量评级分配给所述过程医学图像;并且在执行所述成像检查过程时,显示被分配给所述过程医学图像的质量评级。
根据另一方面,一种非瞬态计算机可读介质承载用于控制至少一个处理器以执行图像采集方法的软件。所述方法包括:操作医学工作站以提供图形用户接口(GUI),所述图形用户接口显示被存储在医学信息***(RIS)中的医学图像、接收医学检查报告的条目、显示图像评级用户对话框并且经由图像评级用户对话框接收针对被显示在所述医学工作站处的医学图像的图像质量评级;并且使用被存储在所述RIS中并且具有经由所述图像质量评级用户对话框接收到的图像质量评级的医学图像执行机器学习以生成用于预测针对输入医学图像的图像质量评级的经训练的图像质量分类器。
根据另一方面,一种医学成像设备控制器被连接以控制医学成像设备来采集医学图像。所述医学成像设备控制器包括:控制器显示器;一个或多个控制器用户输入设备;以及一个或多个电子处理器,其被编程为执行成像检查过程,所述成像检查过程包括:操作所述医学成像设备控制器以控制所述医学成像设备来采集过程医学图像;将经训练的图像质量分类器应用到所述过程医学图像以生成针对所述过程医学图像的图像质量评级;并且将被分配给所述过程医学图像的所述图像质量评级显示在所述控制器显示器上。
一个优点在于提供了更高效的医学工作站。
另一优点在于提供了具有经改进的用户接口的医学工作站。
另一优点在于立即地确定所采集的图像的质量是否是可接受的。
另一优点在于如果所述图像的质量是不合规格的,则立即重新采集患者的图像。
本领域普通技术人员在阅读并且理解了下文的详细说明之后,将意识到本公开的进一步的优点。将意识到,任何给定实施例可能不实现前述优点、实现前述优点中的一个、多个或全部优点和/或可以实现其他优点。
附图说明
本公开可以采取各种部件和部件布置以及各种步骤和步骤安排的形式。附图仅仅是出于图示优选实施例的目的,而并不应当被解释为对本公开的限制。
图1示出了放射学工作站和医学成像设备控制器;
图2图解性地图示了放射学工作站和医学成像设备的部件;
图3示出了一流程图,该流程图示出了实施由图1的医学工作站执行的相关现有医学研究标识的示范性方法;并且
图4示出了用于与图3的方法一起使用的机器学习过程。
具体实施方式
下文总体涉及一种提供用于在采集时评估图像的自动机构的闭环***。以这种方式,技术人员或超声医师在图像不具有足够质量的情况下被警告并且能够在患者仍在成像设施处时采集新图像。
为此目的,一种医学工作站被修改为提供图像解读者通过其对正在被读取的图像的质量进行分级的工具。由于图像解读者通常承担沉重的工作量,该工具优选应当使对于图像解读者而言提供反馈是简单的——在一个实施例中,图像解读者被要求做出选择:“良好”、“一般”或“不良”并且图像这样被标记。以这种方式,高效地收集训练数据集,包括由有资格执行这样的分级的实际图像解读者关于图像质量而分级的实际医学图像。
训练数据被用于训练分类器(即,机器学习部件)以接收图像(以及任选地一些额外的上下文,例如患者特性、检查目的等)并且输出等级,例如,“良好”、“一般”或“不良”。在一些实施例中,所述机器学习部件采用深度学习,所述深度学习包括神经网络,所述神经网络直接接收所述图像并且有效地提取图像特征作为经训练的神经网络的神经层的输出。在该方案中,在这被构建到深度学习中时,不需要手动地标识突出的图像特征。
在成像实验室处,在采集图像时,经训练的机器学习部件被应用于将图像分级为“良好”、“一般”或“不良”。优选重新采集被分级为“不良”的任何图像,而“一般”图像可以由适当的人员(例如,成像实验室管理员、可用的图像解读者等)来回顾。有利地,如果低质量图像被采集,则其立即被标识并且在患者仍然在成像实验室处时进行补救。
在一些不同的实施例中,图像解读者提供更多粒化的图像评估,其利用对多个分类器的适合的训练将允许技术人员或超声医师接收更多信息评估(例如,“过度患者运动”)。还设想到了较低粒化的评估,例如,仅“良好”或“不良”(或者类似的术语,例如“可接受的”或“不可接受的”)的分级。
参考图1,公开了所公开的快速图像质量评估的实施例。医学工作站10例如可以被实施为台式计算机、与网络服务器连接的“无声”终端、或者从服务器取回数据的任何其他适合的计算设备。工作站10包括具有典型部件的计算机12,所述部件诸如是至少一个工作站显示部件14、至少一个工作站用户输入部件16、电子数据通信链路18、工作站电子数据库或档案20(例如,电子医学记录(EMR)数据库、图片存档和通信***(PACS)数据库、放射学信息***(RIS)数据库或者任何其他适合的数据库)。计算机12包括至少一个电子处理器22(例如,微处理器、多核微处理器等),其被编程为执行如在本文中所公开的医学报告功能。至少一个显示器14被配置为显示一个或多个医学研究,并且优选是高分辨率显示器以便显示高分辨率医学图像。例如,从档案20取回的当前研究能够被显示在第一显示器上,并且也是从档案20取回的先前检查的医学研究能够被显示在第二显示器上。在一些范例中,显示器14能够是触敏显示器。用户输入部件16被配置为选择所述图像中的至少一幅图像。在一些情况下,用户输入部件16能够是鼠标、键盘、光笔、前述触敏显示器和/或类似物。另外,用户输入部件16能够是麦克风(即,允许用户将内容口述到所述医学报告的至少一个医学报告中)。通信链路18能够是无线或有线通信链路(诸如有线或无线以太网链路和/或WiFi链路),例如使得医学工作站10能够接收组成研究的至少一幅图像和/或至少一个医学报告的医院网络。另外,档案20被配置为存储多个医学报告,所述多个医学报告包括图像解读者通过其录入具有潜在临床意义的医学发现或其他观察的数据条目字段(可能包括自由形式文本条目字段)。
至少一个处理器22被编程为操作医学工作站10以提供图形用户接口(GUI)24,所述图形用户接口显示被存储在档案20(例如,RIS数据库)中的医学图像、接收医学检查报告的条目、显示图像评级用户对话框并且经由所述图像评级用户对话框接收针对被显示在医学工作站10处的医学图像的图像质量评级。
医学工作站10提供图像解读者通过其使用医学成像设备控制器26读取由技术人员、超声医师或其他成像设备操作者所采集的成像检查的图像的工具,其例如可以被实施为台式计算机或者其他适合的计算设备。医学成像设备控制器26包括具有典型部件的计算机28,所述部件诸如是控制器显示器30、一个或多个控制器用户输入设备32以及与档案20的控制器电子数据通信链路34。所述计算机包括至少一个电子处理器38,所述至少一个电子处理器被编程为控制医学成像设备40以执行如在本文中所公开的图像采集功能。在一些范例中,显示器30能够是触敏显示器。在一些情况下,用户输入设备32能够是鼠标、键盘、光笔、前述触敏显示器和/或类似物。通信链路34能够是无线或有线通信链路(诸如有线或无线以太网链路和/或WiFi链路),例如使得医学成像控制器26能够传输组成研究的至少一幅图像和/或至少一个医学报告的医院网络。
处理器38被编程为操作医学成像设备控制器26以执行成像检查过程,所述成像检查过程包括操作所述医学成像设备来采集过程医学图像。例如,医学成像设备控制器26被连接以控制医学成像设备40(例如,X射线设备;磁共振(MR)设备;计算机断层摄影(CT)设备;超声(US)设备;正电子发射断层摄影(PET)设备;单光子发射计算机断层摄影(SPECT)设备;类似物的混合或组合(例如,PET-CT)等)来采集医学图像。在一些范例中,医学成像设备40包括用于将患者或成像对象支撑到医学设备中的机器人对象支撑体42。医学成像设备控制器26被配置为控制机器人对象支撑体42以在采集所述过程医学图像之前将成像对象装载到医学成像设备40中并且在采集所述过程医学图像之后从医学成像设备40中卸载成像对象。
在典型布置中,医学成像设备控制器26和成像设备40被定位在医学实验室中,要么在相同的房间中要么在相邻的房间中。例如,在成像设备40是MRI的情况下,对于控制器26被定位在相邻的房间中以限制技术人员对于由MRI生成的强磁或电磁场的暴露是普遍做法。在超声设备的情况下,另一方面,医学成像设备控制器26和成像设备40可以被集成在一起作为单个超声成像机器,其包括用于将超声脉冲施加到超声传感器阵列的驱动电子件、用于读出反射超声信号的读出电子件以及内置显示器、键盘或者其他用户接口部件(包括超声机器的内置控制器26)。这些仅是说明性的范例,并且设想到了成像设备40以及其控制器26的其他各种集成实施例。成像控制器26被连接到档案20以存储所采集的成像检查,其通常包括所采集的图像连同突出的元数据,诸如图像模态、检查原因等。
尽管前述内容是在许多医院中的典型实际布置,但是可以采用成像设备40以及其控制器26的其他布置。例如,在另一布置中,超声成像设备可以是便携式设备,其被移动到患者的病房以执行超声成像检查,而不是将患者带到固定的超声实验室位置。便携式超声设备通常使其控制器26内置,并且具有与档案20的无线连接。
相比之下,医学工作站10通常被定位在与包含成像设备40以及其控制器26的医学实验室不同的位置处,并且也未被定位在任何患者的病房处。相反,医学工作站40可以被定位在医院的医务科中,其配备有具有解读医学图像的专业训练的一个或多个图像解读者的人员。通常,技术人员、超声医师等(其操作医学成像仪器26、40)和图像解读者(其使用医学工作站10执行对医学图像的医学读取)彼此没有大量的日常交互。这产生了缺乏沟通的问题,因为技术人员、超声医师等常规地关于正在被采集的图像是否适于预期的诊断任务未从图像解读者及时地接收反馈。尽管在原则上技术人员或超声医师可以打印出图像并且咨询图像解读者,但是考虑到医学检查的严格时间约束、由图像解读者承担的通常沉重的工作量以及其在医院的不同部分中的位置,这通常是不切实际的。
在一方面技术人员或超声医师与另一方面图像解读者之间的该断开的连接在本文中由图像质量评估部件1来解决,所述图像质量评估部件可以被不同地实施在处理器22、38中的一个或这两者上和/或实施在一些额外的(一个或多个)处理器(未示出,例如基于网络的服务器计算机、云计算资源等)上。在所述成像检查过程正在被执行时,医学成像设备控制器26被配置为经由通信链路34将所述图像传输到图像质量评估部件1,所述图像质量评估部件被配置为基于经由待描述的被显示在医学工作站10处的图像质量评级用户对话框接收到的图像质量评级将质量评级分配给所述过程医学图像。成像设备控制器30然后被配置为在执行所述成像检查过程时将被分配给所述过程医学图像的质量评级显示在显示器14上。这向技术人员或超声医师提供了能够实时(即,在成像检查期间)使用的关于图像质量的有价值的反馈,以判定所采集的图像是否具有出于用在诊断目的中的可接受的图像质量。
参考图2并且继续参考图1,更详细地描述了图像质量评估部件1的操作以及其与医学工作站10和成像设备控制器30的交互。如在图2中所示的,医学工作站10被定位在“图像解读环境”(例如,医院医务科,诸如放射科等)中并且医学成像设备控制器26被定位在“图像采集环境”(例如,安置医学成像设备的医学实验室或病房,或者在移动成像设备的情况下的患者的病房)。技术人员或超声医师(或者任何其他适合的用户)通过医学成像设备40获得图像采集环境中的患者的至少一幅医学图像44,直到获得了完整的图像检查68。所采集的图像被传输到图像解读环境中的医学工作站10,其中,其由图像解读者(或者具有医学图像的医学诊断的专业训练的其他适合的用户)回顾。在一些实施例中,图像解读者然后对每幅图像给出图像质量评级(例如,“良好”、“一般”、“差”等)。在其他实施例中,图像质量评估部件1被配置为自动地分配图像质量评级(例如,经由机器学习,如下文更详细描述的)。如果图像被给出“差”质量评级(或者,在一些实施例中,“一般”质量评级),那么通知被发送给技术人员或超声医师以重新采集图像。
更详细地描述图像质量评估部件1的机器学习操作。医学工作站10的处理器22被编程为使用被存储在档案20(例如,RIS)中的医学图像执行机器学习并且基于经由图像质量评级用户对话框接收到的图像质量评级来生成用于预测针对输入医学图像44的图像质量评级的经训练的图像质量分类器或模型。在一些范例中,所述机器学习包括执行深度学习,所述深度学习包括神经网络,所述神经网络训练提取图像特征作为神经网络的一个或多个神经层的输出。所述深度学习不对手动标识的图像特征进行操作。在一些范例中,除了图像特征之外,所述深度学习还使用关于图像的元数据作为神经网络的输入。通过非限制性范例的方式,关于所述图像的元数据可以包括以下中的一项或多项:被存储在档案20中的图像模态、检查原因以及患者背景。在另外的范例中,在具有经由图像质量评级用户对话框70接收到图像质量评级的额外的医学图像被存储在档案20中时,更新所述机器学习以更新经训练的图像质量分类器。
为了向所述机器学习提供经标记的训练数据,医学工作站10的处理器22被配置(或者被编程)为在显示器14上显示图像质量评级用户对话框70,同时显示被存储在档案20中的医学图像。在一些范例中,图像质量评级用户对话框70以及来自档案20的图像能够被同时地显示在单个显示器14上,或者被个体地显示在单独的显示器14上。图像质量评级用户对话框70被配置为接收针对被存储在档案20中并且被显示在医学工作站显示器14处的医学图像的图像质量评级。在其他范例中,说明性图像质量评级用户对话框70包括三个单选选择按钮,例如:绿色单选按钮,其指示“良好”图像质量评级的选择;黄色单选按钮,其指示“一般”图像质量评级的选择;以及红色单选按钮,其指示“不良”图像质量评级的选择。图像解读者然后能够使用选择按钮将评级分配给所接收到的图像。这仅仅是说明性图像质量评级用户对话框,并且设想到了其他视觉(例如,图形)、听觉或者混合配置。在另外的范例中,图像质量评级用户对话框70能够包括听觉线索,其中,图像解读者能够口头陈述图像是“良好”、“一般”或“不良”并且麦克风和口述引擎(未示出项)检测口头陈述的图像质量评级并且将该评级分配给所述图像。
在一个实施例中,过程医学图像44在采集时被显示给图像解读者。处理器22然后被编程为通过将所述过程医学图像输入到经训练的图像质量分类器而将图像质量评级分配给过程医学图像44。图像质量评级用户对话框70提供受约束的图像质量评级以供用户选择,所述图像质量评级至少包括良好图像质量评级和不良图像质量评级。在该实施例中,反馈被立即传输回到成像设备控制器26。被分配给所述过程医学图像的质量评级的显示包括在控制器显示器28上显示被分配有不良图像质量评级的任何过程医学图像应当被重新采集。
关于该方案的困难在于:其要求图像解读者在成像检查时立即回顾过程医学图像44。这对于图像解读者可能是不方便的,或者在一些情况下没有图像解读者可以可用于执行所述回顾。
因此,在图2的实施例中,为了自动地执行这些反馈操作,医学成像装置1包括:任选的上下文方案引擎50;质量反馈收集机构52,其用于呈现用于在图像解读者的工作的正常过程期间(例如在执行对先前采集的成像检查的阅读时)查看的图像的图像质量评级用户对话框70;注释图像数据存储部54,其存储利用来自反馈收集机构52的图像质量评级而标记(即,注释)的图像;以及机器抽象引擎58,其采用机器学习(例如,神经网络的深度学习)以训练图像质量分类器或质量预测引擎60。
任选的上下文方案引擎50被编程为将上下文可用信息(例如,模态、研究原因、患者信息等)转换为标准化数据表示。例如,上下文方案引擎50被编程为共享各引擎之间的上下文信息的标准化项。在一个范例中,所述上下文方案能够是控制值的列表。例如,如果上下文模态描述图像模态,则其能够是不同模态的列表,包括X射线、CT、MR、PET、SPECT、PET-CT和US,并且其能够指示CT在给定上下文中是活跃模态。在另一范例中,当上下文方案对多个上下文方面(例如,模态和身体部分)进行建模时,上下文方案可以被认为是多个列表。在另外的范例中,上下文方案能够被实施为网格,其中,一些选项被标记为不可能的。
在一个实施例中,上下文方案引擎50被编程为收集以结构化格式(例如,医学数字成像和通信(DICOM)头信息、元数据、患者体重等)可用的信息(例如,模态、研究原因、患者信息等)。在另一实施例中,上下文方案引擎50能够包括图像标记引擎62、研究原因标准化引擎64以及患者简档引擎66,其各自被编程为分别导出和标准化关于图像、检查原因和患者背景的上下文信息。该标准化信息能够被添加到上下文方案,如下文更详细地描述的。
图像标记引擎62被编程为将元信息添加到检查,诸如至少一幅图像44的分量(例如,心脏超声心动图内的视图或者MR研究中的序列等)、像素数据等。例如,如果图像数据是心脏超声心动图,那么检查内的视图根据其视图来标记(例如,心尖2腔室、心尖3腔室、心尖4腔室、周围胸骨长轴等)。在另一范例中,特定体积图像数据能够经受自动地检测图像数据中的解剖结构的解剖分割软件。由所述软件检测到的解剖结构可以与由质量反馈收集机构52收集的评级同步,如下文更详细地描述的。图像标记引擎62然后被编程为根据其完整的图像检查68的每幅图像44的相关联的解剖结构来标记每个标记。
任选的研究原因标准化引擎64被编程为将所提供的“研究原因”信息转换为图像质量要求。如在本文中所使用的,“研究原因”指代诸如来自所提及的内科医师解释症状、相关慢性状况以及检查后面的临床推理的自由文本通信的信息。使用自然语言处理技术,研究原因标准化引擎64被编程为提取相关信息,并且将相关信息映射到上下文方案上。这样做,研究原因标准化引擎64被编程为从检查原因提取相关解剖结构并且标记在上下文方案中的任何发现的解剖结构。这能够通过利用检测短语并且将其映射到本体报告(诸如SNOMED CT或Radlex)中的概念的概念提取方法(MetaMap或专用方法)来实现。这样的本体论具有将其概念相互关联并且允许层次推理模式的关系。例如,如果在检查原因中检测到短语“肝段VI”,则这被识别为解剖位置。然后,使用层次推理,相关联的概念被迭代地一般化,直到遭遇被包含在上下文方案中的概念(例如,“肝段VI”→“肝”)。
在另一实施例中,研究原因标准化引擎64还被编程为识别疾病(例如,“肝癌”)和流程(例如,“***切除术”)并且利用对相关解剖结构进行建模的预先存在的关系。然后,如上文所描述的,能够采用层次推理来得到包含在上下文方案中的信息。
在另一实施例中,研究原因标准化引擎64还被编程为使用本体论推理或者基本映射表将研究原因中的解剖信息映射到本体论视图上。例如,关于左心室功能的关心问题触发对周围胸骨长轴、短轴、心尖4腔室和心尖2腔室的兴趣。
任选的患者简档引擎66被编程为维护患者的临床疾病简档。这样做,患者简档引擎66被编程为从使用标准化术语(诸如ICD9/ICD10(有效诊断)或RxNorm(有效药物))编码的EMR数据库68(或者备选地,工作站RIS 20)收集患者信息。患者简档引擎66被编程为将所提取的信息***到上下文方案中。
一旦被生成,则由上下文方案引擎50生成的上下文方案(包括来自图像标记引擎62、研究原因标准化引擎64和患者简档引擎66的信息)被传输到注释的图像数据存储部54以用于存储在其中。所述上下文方案例如能够被格式化为元数据。
如已经描述的,质量反馈收集机构52被配置为用户接口设备,所述用户接口设备允许图像解读者(即,图像解读者)操作医学工作站10以标记图像44中的低质量图像,或者更一般地将图像质量等级分配给所述图像。例如,成像过程中的所选择的图像44(或者备选地,完整的图像检查68中的所有图像)从医学成像设备控制器26被传输到医学工作站10。所接收到的图像连同质量反馈收集机构52的图像质量评级用户对话框70被显示在工作站10的显示器14上。图像解读者然后使用图像质量评级用户对话框70将图像质量评级分配给每幅接收到的图像44。例如,图像解读者能够使用工作站用户输入部件16选择对图像44的图像质量评级。工作站10然后经由图像质量评级用户对话框70接收针对所传输的过程医学图像44的图像质量评级。能够以任何适合的方式(例如,利用每个评级指示的词语、颜色(即,用于“良好”的绿色;用于“一般”的黄色;用于“不良”的红色)等)显示图像质量评级。工作站10的处理器22然后将所接收到的针对医学工作站10处的所传输的过程医学图像的图像质量评级分配给过程图像44。
在一些范例中,质量反馈收集机构52能够由图像解读者用于标记或者注释成像检查或者单独序列(针对多切片医学检查)或视图(针对心脏超声心动图检查)的质量。在一个实施例中,质量反馈收集机构52使得用户能够通过分配“良好”;“一般”;和“不良”的图像质量评级来标记图像质量。在另一范例中,质量反馈收集机构52使得用户能够在非常好、良好、满意、分界线诊断和非诊断范围的Likert标度上对图像质量进行标记。在另外的范例中,实施允许用户仅标记非诊断检查的更简单的质量反馈收集机构52。
在又一范例中,质量反馈收集机构52允许用户提供与在上下文方案下的数据表示一致的结构化反馈。在更高级的范例中,质量反馈收集机构52基于上下文方案的结果预建议这样的标签。能够通过下拉菜单或者通过交互体现使信息可选择。在范例中,在未提供图像质量评级的情况下,提供默认质量评估。
注释的图像数据存储部54被配置为保持由患者索引的注释的图像数据和图像采集数据的非瞬态数据存储部。在一个范例中,由上下文方案引擎50所生成的上下文方案信息被添加到注释的图像数据存储部54。在另一范例中,来自质量反馈收集机构52的图像质量评级被添加到注释的图像数据存储部54。在另一范例中,完整的图像检查68能够从医学成像设备控制器26被传输到注释的图像数据存储部54。在一些实施例中,注释的图像数据存储部54能够被配置为具有标记图像内容的源的独有标识符的基于云的***。
质量警报机构56被配置为用户接口,所述用户接口被配置为向图像采集工作者(即,技术人员或超声医师)警报低质量的图像。这样做,质量警报机构56允许图像采集工作者经由质量反馈收集机构52从图像解读者接收图像质量评级。所述图像质量评级能够被显示在图像质量评级结果对话框72上,其能够反映图像质量评级用户对话框70。例如,图像44和图像质量评级结果对话框72能够被显示在控制器显示器30上。对应的图像质量评级然后被接收,并且然后以反映与图像质量评级用户对话框70相同或者基本相同的方式的任何适合的方式被显示在图像质量评级结果对话框72上(例如,利用每个评级指示的词语、颜色(即,用于“良好”的绿色;用于“一般”的黄色;用于“不良”的红色))。基于所显示的图像质量评级,图像采集工作者然后可以控制成像设备40重新采集患者的期望的图像(例如,“不良”图像44,并且在一些实施例中,“一般”图像)。
在一些实施例中,图像质量评估部件1能够利用机器学习技术向图像44提供图像质量评级。这具有以下优点:在不需要可用和自愿的图像解读者经由质量反馈收集机构52直接地将等级分配给当前图像的情况下,实现了立即的图像质量评级。为了在没有图像解读者的介入的情况下实现自动图像质量评级来对当前图像进行评级,图像质量评估部件1包括机器抽象引擎58和质量预测引擎60,其中的每个在下文更详细地描述。
机器抽象引擎58被编程为机器学习使能的引擎,其自学习成像特征并且输出使这样的特征与图像质量相关的模型。在一些实施例中,任选的上下文为来自图像元数据的相关性提供另外的特征。在一些范例中,机器抽象引擎58能够被配置为利用多个神经层的深度学习神经网络,其中处理序列中的较早的神经层有效地提取图像特征。这样的深度学习神经网络自动地提取基于基础实况注释数据基于基本“原子”图像特征在早期或中间层中由神经元编码的图像特征。所述深度学习神经网络能够通过为此目的已经先前地搜索或者特别地开发的更复杂的图像特征来补充。
机器抽象引擎58从注释的图像数据存储部54取回图像44的像素信息,以及从质量反馈收集机构52取回图像注释。这为分类器60的机器学习提供了图像的标记的训练数据集。机器抽象引擎58被编程为创建并且输出基于输入图像44返回图像质量评级的经优化的数学模型或分类器60。在一些范例中,由上下文方案引擎50所生成的上下文方案(包括与图像、检查原因和患者背景有关的信息)还被输入到机器抽象引擎58。上下文方案能够由机器抽象引擎58用于偏置具有上下文信息的图像发现以生成输出模型74。
所生成的质量预测引擎(即,分类器)60由机器学习58训练以在预定义的标度上(例如,“良好”;“一般”;或“不良”)输出指示图像的质量的图像质量指示器,其然后被输出到质量警报机构56。因此,分类器60在不需要图像解读者的立即可用性的情况下自动地执行图像质量评级。
能够通过其他分析来增强图像质量预测。例如,当由通过机器学习产生的分类器指示低质量评级时,取回具有可比较的模态和解剖结构的患者的最新近的先验图像44。在这种情况下,能够应用搜索根据质量预测引擎60和上下文方案先验图像中与当前图像中的低质量段相匹配的图像段的逻辑。先验图像段的质量指示要么能够从注释的图像数据存储部54取回,要么能够通过质量预测引擎60即时计算。如果图像质量的差异是小的,则可以推理图像段(例如,CT检查中的超声心动图视图或者解剖结构)固有地难以进行成像。这然后可以被包括在质量评估中并且在“满意的”评估中返回。
在其他范例中,其中,来自上下文方案引擎50的上下文方案未被用作对机器学习引擎58的输入,质量预测引擎60的输出能够替代地基于来自图像标记引擎62、研究原因标准化引擎64和/或患者简档引擎66的信息来调整。例如,该信息能够被用于避免标记根据标准化研究原因不一定相关的解剖区域中的低质量关心问题。通过图示的方式,如果患者的呈现对于***癌而言是可疑的,则上肺区域中的噪声的关心问题可能不是关键的。或者,例如,推理规则能够被应用于肥胖患者(ICD10代码“E66.9-肥胖,未指定的”),因为特定超声心动图视图可能特别难以针对肥胖患者进行采集。在一些范例中,无论完成何时任何新的图像视图或序列,要么在模态自身上要么在PACS仓库(未示出)上应用质量预测引擎60。
质量警报机构56被配置为从质量预测引擎60接收图像评级。如果质量预测引擎60的结果指示图像是非诊断的(例如,先前地所描述的评级方案中的评级“不良”),那么警报能够经由成像设备控制器26的质量警报机构56被发送给图像采集工作者。以这种方式,例如,能够向图像采集工作者警报例如心尖2腔室视图是非诊断的。在一个范例中,定义更高级的决策树,其基于质量预测引擎60的输出发送适当地格式化的警报。这样的决策树可以包括用户的经验水平以及先前地标识的训练需求。在成像检查期间自动地提供该反馈,使得能够在检查期间采取校正动作(例如,对非诊断图像的重新采集),并且患者不需要日后被召回以进行新的成像检查。由于图像解读者不再浪费时间试图利用不足的图像质量的图像执行诊断,因而还实现了医务科中的经改进的效率。
将意识到,在图2中所示的虚线反映引擎之间的运行时间交互。实线表示用于生成新机器学习模型的交互。
参考图3,工作站10的至少一个处理器22被编程为使工作站10执行图像采集并且回顾方法100。方法100包括:利用医学成像设备40采集过程医学图像44(102);将过程医学图像44从医学成像设备控制器26传输到医学工作站10(104);将医学工作站10处的传输的过程医学图像44连同图像质量评级用户对话框72一起显示(106);经由图像质量评级用户对话框72接收针对传输的过程医学图像44的图像质量评级(108);向过程医学图像44分配针对医学工作站10处的传输的过程医学图像的接收到的图像质量评级(110);将所述图像质量评级传输给医学成像设备控制器26(112);显示被分配给过程医学图像的图像质量评级(114);并且显示被分配有不良图像质量评级的任何过程医学图像应当被重新采集(116)。
图4示出了方法100的备选实施例。图4示出了能够代替方法100的步骤106-110执行的机器学习方法200的步骤。方法200包括:接收并且显示被存储在RIS 54中的医学图像以及经由图像质量评级用户对话框70针对接收到的图像(202)的图像质量评级;根据接收到的医学图像和图像质量评级生成用于预测针对输入医学图像44的图像质量评级的经训练的图像质量分类器74(204);在具有经由图像质量评级用户对话框72接收到的图像质量评级的额外的医学图像被存储在RIS 54中时更新经训练的图像质量分类器74(206);并且使用经训练的分类器74预测针对过程医学图像44的图像质量评级(208)。
将意识到,在本文中所描述的各种文档和图形用户接口特征能够经由通信网络(例如,无线网络局域网、广域网、个域网、等)被传递到各种部件10、26和数据处理部件22、38。
工作站10的各种部件50、52、56、58、60、62、64能够包括由固件或软件被编程为执行所公开的操作的至少一个微处理器22、38。在一些实施例中,微处理器22、38被集成到各种部件50、52、56、58、60、62、64,使得数据处理由各种部件50、52、56、58、60、62、64直接执行。在其他实施例中,微处理器22、38与各种部件分离。工作站10的数据处理部件22、38和医学成像设备控制器26还可以被实施为存储由微处理器(例如,如在上文中所描述的)可读并且可执行以实施所公开的操作的指令的非瞬态存储介质。非瞬态存储介质例如可以包括只读存储器(ROM)、可编程只读存储器(PROM)、闪速存储器或者用于各种部件50、52、56、58、60、62、64和数据处理部件22、38的固件的其他储存库。额外地或备选地,非瞬态存储介质可以包括计算机硬盘驱动器(适于计算机实现的实施例)、光盘(例如,用于安装在这样的计算机上)、各种部件50、52、56、58、60、62、64、数据处理部件22、38或者计算机可以经由因特网或者另一电子数据网络等从其下载设备软件或者固件的网络服务器数据存储(例如,RAID阵列)。
已经参考优选实施例描述了本公开。在阅读并且理解前述详细描述之后可以想到修改和变更。本发明旨在被理解为包括所有这样的修改和变型只要其落入权利要求书或者其等价方案的范围之内。
Claims (12)
1.一种医学成像装置,包括:
医学工作站(10),其包括工作站显示器(14)以及一个或多个工作站用户输入设备(16);
医学成像设备控制器(26),其包括控制器显示器(30)以及一个或多个控制器用户输入设备(32),所述医学成像设备控制器被连接以控制医学成像设备(40)来采集医学图像(44);以及
一个或多个电子处理器(22、38),其被编程为:
操作所述医学工作站以提供图形用户接口(GUI)(24),所述图形用户接口显示被存储在档案(20)中的医学图像、接收放射学检查报告的条目、显示图像评级用户对话框(70)并且经由所述图像评级用户对话框接收针对被显示在所述医学工作站处的医学图像的图像质量评级;
操作所述医学成像设备控制器以执行成像检查过程,所述成像检查过程包括操作所述医学成像设备控制器以控制所述医学成像设备来采集过程医学图像;
在执行所述成像检查过程时,基于经由被显示在所述医学工作站处的所述图像质量评级用户对话框接收到的图像质量评级将质量评级分配给所述过程医学图像;并且
在执行所述成像检查过程时,输出被分配给所述过程医学图像的质量评级;
其中,所述图像质量评级用户对话框(70)提供受约束的图像质量评级以供用户选择,所述图像质量评级至少包括良好图像质量评级和不良图像质量评级;并且
其中,对被分配给所述过程医学图像的质量评级的显示包括显示被分配有所述不良图像质量评级的任何过程医学图像应当被重新采集,
其中,所述一个或多个电子处理器被编程为:
使用被存储在所述档案(20、54)中并且具有经由所述图像质量评级用户对话框(70)接收到的图像质量评级的医学图像执行机器学习,以生成用于预测针对输入医学图像(44)的图像质量评级的经训练的图像质量分类器(74);
其中,通过将所述过程医学图像输入到所述经训练的图像质量分类器,质量评级被分配给所述过程医学图像,
并且其中,所述机器学习包括执行深度学习,执行所述深度学习包括训练神经网络(58),所述神经网络提取图像特征作为所述神经网络的一个或多个神经层的输出。
2.根据权利要求1所述的医学成像装置,其中,所述一个或多个电子处理器(22、38)被编程为通过包括以下项的操作将质量评级分配给过程医学图像:
将所述过程医学图像(44)从所述医学成像设备控制器(26)传输到所述医学工作站(10);
在所述医学工作站(10)处显示所传输的过程医学图像以及所述图像质量评级用户对话框(70),并且经由所述图像质量评级用户对话框(70)接收针对所传输的过程医学图像(44)的音频图像质量评级和视觉图像质量评级中的至少一种;并且
向所述过程医学图像(44)分配针对所述医学工作站处的所传输的过程医学图像的接收到的所述图像质量评级。
3.根据权利要求1所述的医学成像装置,其中,所述一个或多个电子处理器(22、38)被编程为:
在显示被存储在所述档案(20、54)中的医学图像时,显示所述图像质量评级用户对话框(70);并且
经由所述图像评级用户对话框(70)接收针对被存储在所述档案中并且被显示在所述医学工作站(10)处的医学图像的图像质量评级。
4.根据权利要求1所述的医学成像装置,其中,所述深度学习不对手动标识的图像特征进行操作。
5.根据权利要求1和4中的任一项所述的医学成像装置,其中,所述深度学习还使用关于所述图像的元数据作为对所述神经网络(58)的输入,关于所述图像的所述元数据包括以下中的一项或多项:
被存储在所述档案(20、54)中的图像模态(62)、检查原因(64)以及患者背景(66)。
6.根据权利要求1-5中的任一项所述的医学成像装置,其中,所述一个或多个处理器(22、38)还被编程为:
在具有经由所述图像质量评级用户对话框(70)接收到的图像质量评级的额外的医学图像被存储在所述档案(20、54)中时,更新所述机器学习以更新所述经训练的图像质量分类器(74)。
7.一种承载用于控制至少一个处理器(22、28)以执行图像采集方法的软件的非瞬态计算机可读介质,所述方法包括:
操作医学工作站(10)以提供图形用户接口(GUI)(24),所述图形用户接口显示被存储在档案(20、54)中的医学图像、接收放射学检查报告的条目、显示图像评级用户对话框(70)并且经由所述图像评级用户对话框接收针对被显示在所述医学工作站处的医学图像的图像质量评级;并且
使用被存储在所述档案中并且具有经由所述图像质量评级用户对话框(70)接收到的图像质量评级的医学图像执行机器学习,以生成用于预测针对输入医学图像(44)的图像质量评级的经训练的图像质量分类器(74);
其中,所述图像质量评级用户对话框(70)提供受约束的图像质量评级以供用户选择,所述图像质量评级至少包括良好图像质量评级和不良图像质量评级;并且
其中,在医学图像读取过程期间,对被分配给过程医学图像(44)的质量评级的显示包括显示被分配有所述不良图像质量评级的任何过程医学图像应当被重新采集,
其中,通过将所述过程医学图像输入到所述经训练的图像质量分类器,质量评级被分配给所述过程医学图像,
并且其中,所述机器学习包括执行深度学习,执行所述深度学习包括训练神经网络(58),所述神经网络提取图像特征作为所述神经网络的一个或多个神经层的输出。
8.根据权利要求7所述的非瞬态计算机可读介质,其中,在医学图像读取过程期间,通过将所述过程医学图像输入到所述经训练的图像质量分类器(74),质量评级被分配给所述过程医学图像(44)。
9.根据权利要求7和8中的任一项所述的非瞬态计算机可读介质,其中,所述方法还包括:
在显示被存储在所述档案(20、54)中的医学图像时,显示所述图像质量评级用户对话框(70);并且
经由所述图像评级用户对话框(70)接收针对被存储在所述档案(20、54)中并且被显示在所述医学工作站(10)处的医学图像的音频图像质量评级或视觉图像质量评级中的至少一种。
10.根据权利要求7所述的非瞬态计算机可读介质,其中,所述深度学习不对手动标识的图像特征进行操作。
11.根据权利要求7-10中的任一项所述的非瞬态计算机可读介质,其中,所述方法还包括:
在具有经由所述图像质量评级用户对话框接收到的图像质量评级的额外的医学图像被存储在所述档案(20、54)中时,更新所述机器学习以更新所述经训练的图像质量分类器(74)。
12.根据权利要求7和10中的任一项所述的非瞬态计算机可读介质,其中,所述深度学习还使用关于所述图像的元数据作为对所述神经网络(58)的输入,关于所述图像的所述元数据包括以下中的一项或多项:
被存储在所述档案(54)中的图像模态(62)、检查原因(64)以及患者背景(66)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662425639P | 2016-11-23 | 2016-11-23 | |
US62/425639 | 2016-11-23 | ||
PCT/EP2017/079380 WO2018095792A1 (en) | 2016-11-23 | 2017-11-16 | A closed-loop system for contextually-aware image-quality collection and feedback |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110140178A CN110140178A (zh) | 2019-08-16 |
CN110140178B true CN110140178B (zh) | 2023-08-18 |
Family
ID=60569887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780072472.XA Active CN110140178B (zh) | 2016-11-23 | 2017-11-16 | 用于知道上下文的图像质量收集和反馈的闭环*** |
Country Status (5)
Country | Link |
---|---|
US (1) | US20190261938A1 (zh) |
EP (1) | EP3545523B1 (zh) |
JP (2) | JP7252122B2 (zh) |
CN (1) | CN110140178B (zh) |
WO (1) | WO2018095792A1 (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7122625B2 (ja) * | 2018-07-02 | 2022-08-22 | パナソニックIpマネジメント株式会社 | 学習データ収集装置、学習データ収集システム、及び学習データ収集方法 |
JP7426990B2 (ja) | 2018-08-28 | 2024-02-02 | コーニンクレッカ フィリップス エヌ ヴェ | 効率的なエコー図比較を支援するための高度なループ選択システム及び方法 |
CA3120480A1 (en) * | 2018-11-24 | 2020-05-28 | Densitas Incorporated | System and method for assessing medical images |
EP3680912B1 (en) * | 2019-01-10 | 2022-06-29 | Medneo GmbH | Technique for performing a quality assessment for a medical image |
EP3680911A1 (en) * | 2019-01-10 | 2020-07-15 | Medneo GmbH | Technique for configuring a medical imaging device |
US10973472B2 (en) * | 2019-03-05 | 2021-04-13 | Siemens Healthcare Gmbh | Artificial intelligence-based material decomposition in medical imaging |
CN110232688B (zh) * | 2019-07-12 | 2023-06-27 | 上海联影智能医疗科技有限公司 | 医学成像***、方法、计算机设备和可读存储介质 |
JP7358120B2 (ja) * | 2019-08-30 | 2023-10-10 | キヤノン株式会社 | 情報処理装置、断層撮影装置、情報処理方法およびプログラム |
WO2021083847A1 (en) * | 2019-10-28 | 2021-05-06 | Koninklijke Philips N.V. | Workload reducer for quality auditors in radiology |
CN114868198A (zh) * | 2019-12-20 | 2022-08-05 | 皇家飞利浦有限公司 | 用于即时图像质量反馈的***和方法 |
CN111311554B (zh) * | 2020-01-21 | 2023-09-01 | 腾讯科技(深圳)有限公司 | 图文内容的内容质量确定方法、装置、设备及存储介质 |
CN111739617B (zh) * | 2020-06-15 | 2023-07-11 | 中国医学科学院医学信息研究所 | 医疗影像人工智能质控标注方法、装置、设备及存储介质 |
EP3925538A1 (en) * | 2020-06-15 | 2021-12-22 | Koninklijke Philips N.V. | X-ray imaging system |
CN116569271A (zh) * | 2020-12-11 | 2023-08-08 | 皇家飞利浦有限公司 | 通过在实时图像采集工作流程概览上叠加历史数据的可操作可视化 |
CN112669940A (zh) * | 2020-12-24 | 2021-04-16 | 中电通商数字技术(上海)有限公司 | 一种基于ai影像质控读片方法及*** |
EP4315355A1 (en) * | 2021-03-31 | 2024-02-07 | Koninklijke Philips N.V. | Load balancing in exam assignments for expert users within a radiology operations command center (rocc) structure |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006051198A (ja) * | 2004-08-12 | 2006-02-23 | Fuji Photo Film Co Ltd | 医用画像処理システム |
WO2013088353A2 (en) * | 2011-12-15 | 2013-06-20 | Koninklijke Philips Electronics N.V. | Medical imaging reconstruction optimized for recipient |
CN105359161A (zh) * | 2013-04-13 | 2016-02-24 | 宾夕法尼亚大学托管会 | 用于医学图像分析和概率诊断的***和方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7672491B2 (en) * | 2004-03-23 | 2010-03-02 | Siemens Medical Solutions Usa, Inc. | Systems and methods providing automated decision support and medical imaging |
US20070011024A1 (en) * | 2005-07-08 | 2007-01-11 | Dale Richard B | Business method - global data center for quality assessment and improvement system (GDC-QAISys) |
US20070288264A1 (en) * | 2006-05-01 | 2007-12-13 | Image Exchange Partners, Llc | Method and system for peer-to-peer radiology network tool |
US8270695B2 (en) * | 2008-10-07 | 2012-09-18 | Carestream Health, Inc. | Diagnostic image processing with automatic self image quality validation |
JP2010246862A (ja) * | 2009-03-24 | 2010-11-04 | Japan Health Science Foundation | 医用画像作成装置及びプログラム |
US8811707B2 (en) * | 2011-08-25 | 2014-08-19 | General Electric Company | System and method for distributed processing of tomographic images |
US20130083978A1 (en) * | 2011-09-30 | 2013-04-04 | General Electric Company | Systems and methods for providing automated imaging feedback |
US9330454B2 (en) * | 2012-09-12 | 2016-05-03 | Bruce Reiner | Method and apparatus for image-centric standardized tool for quality assurance analysis in medical imaging |
US9918700B2 (en) * | 2013-02-01 | 2018-03-20 | Siemens Medical Solutions Usa, Inc. | Tuning ultrasound acquisition parameters |
US8885901B1 (en) * | 2013-10-22 | 2014-11-11 | Eyenuk, Inc. | Systems and methods for automated enhancement of retinal images |
DE102013221949B4 (de) * | 2013-10-29 | 2019-03-28 | Siemens Healthcare Gmbh | Verfahren zur Anzeige von medizinischen Bilddaten |
US9152761B2 (en) * | 2014-01-10 | 2015-10-06 | Heartflow, Inc. | Systems and methods for identifying medical image acquisition parameters |
-
2017
- 2017-11-16 WO PCT/EP2017/079380 patent/WO2018095792A1/en unknown
- 2017-11-16 EP EP17808371.3A patent/EP3545523B1/en active Active
- 2017-11-16 CN CN201780072472.XA patent/CN110140178B/zh active Active
- 2017-11-16 US US16/348,697 patent/US20190261938A1/en not_active Abandoned
- 2017-11-16 JP JP2019527307A patent/JP7252122B2/ja active Active
-
2022
- 2022-12-15 JP JP2022199916A patent/JP2023036722A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006051198A (ja) * | 2004-08-12 | 2006-02-23 | Fuji Photo Film Co Ltd | 医用画像処理システム |
WO2013088353A2 (en) * | 2011-12-15 | 2013-06-20 | Koninklijke Philips Electronics N.V. | Medical imaging reconstruction optimized for recipient |
JP2015510157A (ja) * | 2011-12-15 | 2015-04-02 | コーニンクレッカ フィリップス エヌ ヴェ | 受領者に対して最適化された医用撮像再構成 |
CN105359161A (zh) * | 2013-04-13 | 2016-02-24 | 宾夕法尼亚大学托管会 | 用于医学图像分析和概率诊断的***和方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3545523B1 (en) | 2023-10-18 |
US20190261938A1 (en) | 2019-08-29 |
JP2023036722A (ja) | 2023-03-14 |
EP3545523A1 (en) | 2019-10-02 |
JP2020512605A (ja) | 2020-04-23 |
WO2018095792A1 (en) | 2018-05-31 |
JP7252122B2 (ja) | 2023-04-04 |
CN110140178A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110140178B (zh) | 用于知道上下文的图像质量收集和反馈的闭环*** | |
US11894114B2 (en) | Complex image data analysis using artificial intelligence and machine learning algorithms | |
CN107004043B (zh) | 优化检测和标记感兴趣解剖结构的***和方法 | |
EP3191991B1 (en) | Image report annotation identification | |
Zimmerman et al. | Informatics in radiology: automated structured reporting of imaging findings using the AIM standard and XML | |
US10977796B2 (en) | Platform for evaluating medical information and method for using the same | |
JP2017513590A (ja) | 患者履歴の視覚化のための方法及びシステム | |
US20190108175A1 (en) | Automated contextual determination of icd code relevance for ranking and efficient consumption | |
JP2019507428A (ja) | コグニティブ患者治療イベントの再構成 | |
US20130322710A1 (en) | Systems and methods for computer aided detection using pixel intensity values | |
JP7358090B2 (ja) | オーダ作成支援装置及びオーダ作成支援方法 | |
JP2020518061A (ja) | 実行可能な推奨事項を有する臨床レポート | |
US11869654B2 (en) | Processing medical images | |
CN109906487A (zh) | 用于针对临床护理连续性进行工作流程敏感的结构化发现对象(sfo)推荐的***和方法 | |
KR20170046115A (ko) | 의료 영상과 관련된 장치들 간에 송수신되는 의료 데이터를 생성하는 방법 및 장치. | |
JP2020518048A (ja) | 下流のニーズを総合することにより読み取り環境を決定するためのデバイス、システム、及び方法 | |
US20230154594A1 (en) | Systems and methods for protocol recommendations in medical imaging | |
US20240185990A1 (en) | System and Method for Processing Medical Image Data | |
Juluru et al. | Building Blocks for Integrating Image Analysis Algorithms into a Clinical Workflow | |
JP2020187542A (ja) | 撮影支援装置 | |
CN116504411A (zh) | 医学成像数据的订阅和检索 | |
CN102609175A (zh) | 使用略图导航器施加序列级操作和比较图像的***和方法 |
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 |