CN110889005A - 搜索医学参考图像 - Google Patents
搜索医学参考图像 Download PDFInfo
- Publication number
- CN110889005A CN110889005A CN201910734576.3A CN201910734576A CN110889005A CN 110889005 A CN110889005 A CN 110889005A CN 201910734576 A CN201910734576 A CN 201910734576A CN 110889005 A CN110889005 A CN 110889005A
- Authority
- CN
- China
- Prior art keywords
- image
- medical
- representation
- interest
- region
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000007689 inspection Methods 0.000 claims description 20
- 238000003384 imaging method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000001575 pathological effect Effects 0.000 claims description 9
- 239000000428 dust Substances 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 48
- 238000012937 correction Methods 0.000 description 21
- 201000010099 disease Diseases 0.000 description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 18
- 238000012545 processing Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 14
- 238000010191 image analysis Methods 0.000 description 14
- 230000003902 lesion Effects 0.000 description 12
- 210000000056 organ Anatomy 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 210000003484 anatomy Anatomy 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003748 differential diagnosis Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012015 optical character recognition Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 208000004434 Calcinosis Diseases 0.000 description 3
- 206010014561 Emphysema Diseases 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 208000031513 cyst Diseases 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- XOJVVFBFDXDTEG-UHFFFAOYSA-N Norphytane Natural products CC(C)CCCC(C)CCCC(C)CCCC(C)C XOJVVFBFDXDTEG-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 235000012907 honey Nutrition 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
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
- G16H30/40—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
- 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
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
-
- 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
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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]
-
- 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
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Library & Information Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于识别至少一个医学参考图像(REFI)的方法。该方法包括以下步骤:基于描绘第一患者的身体部位的当前检查图像(CURI)提供医学表示图像(REPI)(S1),限定表示图像中的感兴趣区域(ROI)(S2),至少针对表示图像中限定的感兴趣区域生成特征签名(FESI)(S4),基于所生成的特征签名将伪像图像与存储在医学图像数据库(8)中的至少一个第二患者的多个医学图像(MEDI)进行比较(S5),以及将数据库中的至少一个医学图像识别为医学参考图像(REFI)(S6),医学参考图像提供高于预定阈值的相对于表示图像的相似度。使用训练的机器学习算法(40)执行生成步骤。
Description
技术领域
本公开涉及一种医学图像处理领域,具体地涉及用于识别至少一个医 学参考图像(REFI)的方法和***。
背景技术
在日常工作中,放射科医师经常面对描绘根据初看难以分类的偶然发 现的特殊图像模式的医学图像。但是,这些图像需要在相应的放射学报告 中记录。因此,偶然发现通过它们的成像特征优选地使用自由文本形式而 不扣除特定诊断来进行描述。如果可能,放射科医师可以手动筛查临床教 科书、成像地图集或者获得第二相当专家意见,以对偶然发现进行分类。 然后,可以应用适当的鉴别诊断。该程序独立于放射学中存在的技术标准,因此独立于基于胶片的灯箱读取、数字PACS查看器中的读取或利用高级 可视化应用程序/站点例如的读取。用于鉴别诊断的临床研究、 文献和/或临床指南的量是巨大的,因此个体放射科医师不可能知道。此 外,放射科医师经常在严格的时间限制下工作。
通常,图像搜索门户是可用且众所周知的,例如Google图像搜索。 可以上载单个图像并将单个图像与在互联网中公开存储的图像进行比较。 虽然这些门户通常不适合基于所讨论的医学图像的给定图像模式来发现 疾病(例如,由于已知的软件解决方案不兼容或不兼容地提供获取感兴趣 区域(ROI)以将其发送至门户网站的可能性的事实),这种方法还需要存 在放射学读取硬件和软件环境并紧密集成到放射学读取硬件和软件环境 中。因此,只有具有高端设备的选定用户才能从图像搜索门户中受益以用 于放射学目的。
除此之外,众所周知,从用于图像读取的放射学中的监测器和/或显 示器拍摄数字照片会引入严重的图像伪像和/或扭曲,这妨碍了基于放射 学中的数字照片的通常已知的图像模式搜索的应用。尽管如此,许多放射 科医生仍然使用智能手机拍摄图像部分并且将其经由标准信息服务发送 给同事进行咨询。
发明内容
因此,本发明的一个目的是提供替选的装置和/或方法,使得能够直 观且易于使用的识别与当前的检查图像类似的至少一个医学参考图像。特 别地,本发明的一个目的是提供替选的装置和/或方法,用于识别通常与 现有的放射学硬件和软件设备兼容的至少一个参考图像。
该目的通过根据独立权利要求的用于识别至少一个医学参考图像的 方法、相应的***、相应的计算机程序产品和计算机可读存储介质来解 决。替选和/或优选实施方式是从属权利要求的目的。
在下文中,关于要求保护的装置以及关于要求保护的方法描述了根 据本发明的技术方案。本文描述的特征、优点或替选实施方式同样可以 分配给其他要求保护的对象,反之亦然。换句话说,可以通过关于装置 描述或要求保护的特征来改进解决本发明方法的权利要求。在这种情况 下,例如,该方法的功能性特征由该装置的目标单元或元件实施。
因此,本发明的第一方面涉及一种用于识别至少一个医学参考图像 的方法。该方法包括许多步骤。
第一步骤涉及基于描绘第一患者的身体部位的当前检查图像来提供 表示图像。第二步骤涉及限定表示图像中的感兴趣区域。另一步骤涉及 至少针对表示图像中的感兴趣区域生成特征签名。另外的步骤涉及基于 所生成的特征签名将表示图像与存储在医学图像数据库中的至少一个第 二患者的多个医学图像进行比较。另外的步骤涉及将数据库中的至少一 个医学图像识别为医学参考图像,医学参考图像提供高于预定阈值的相 对于表示图像的相似度。
使用训练的机器学习算法来执行生成步骤。
当前检查图像是使用医学成像模态获取的医学图像,其中医学成像 模态对应于用于生成或产生医学图像的***。例如,医学成像装置可以 是计算机断层摄影***、磁共振***、血管造影(或C臂X射线)***、 正电子发射断层摄影***等。相应地,当前检查图像可以是计算机断层 摄影图像、磁共振图像、血管造影图像、正电子发射断层摄影图像等。当前检查图像是当前由放射科医师针对第一患者进行分析和/或评估和/ 或检查以推断临床发现的医学图像。当前的检查图像当前可以显示在监 测器、显示屏上、在放射科中设置的灯箱等上,使得放射科医师能够检 查当前检查图像,并且基于当前检查图像为第一患者提供放射学报告。 当前检查图像可以是数字图像和/或模拟图像,例如根据DICOM格式或作为曝光的X射线胶片材料。当前检查图像表示或描绘第一患者的身体 部位,第一患者应被理解为当前正在进行检查的患者。所描绘的第一患 者的身体部位对应于身体区域、身体(子)区域、器官或组织如腹部、 胸部、肺部、颈部、心脏、头部、腿部等或者其中的至少部分。
当前检查图像,尤其是数字形式的检查图像,可以是二维、三维或 四维医学图像,或者提供空间中的两维和/或三维,具有或不具有额外的 时间维度。
表示图像对应于当前检查图像的数字表示,即当前检查图像的数字 版本。换句话说,表示图像描绘了与当前检查图像相同的第一患者的相 同身体部位。然而,表示图像的典型特征在于其提供了比当前检查图像 的较低的图像质量。较低的图像质量优选地由通过生成表示图像引入的 伪像引起。与当前检查图像相比,伪像可以包括较小的空间分辨率、较 小的颜色或灰度深度或动态范围、图像伪像诸如莫尔条纹、失真、像素 网格图案、照明不均匀性伪像等。
表示图像可以是二维或三维医学图像,提供空间中的二维或三维, 两个空间维度可选地配备有附加的时间维度。因此,可以通过拍摄一个 当前检查图像的二维照片或者通过拍摄放射线屏幕或灯箱上的一行中描 绘的若干当前检查图像的许多照片来生成表示图像。在拍摄多个当前检 查图像的情况下,表示图像可以对应于图像堆栈,其中图像堆栈可以包 括三个空间维度(三维体积)或两个空间维度和一个时间维度(视频)。 这里,提供表示图像可以包括图像堆叠的另一步骤。
可替选地,可以通过使用相应的计算机程序拍摄在显示屏幕上描绘 的当前医学图像的数字快照来生成表示图像。因此,在放射学工作站的 操作***上运行的软件可以用于获取或捕获快照作为表示图像。这样做, 预期较少的图像伪像。由此生成的表示图像确实表示当前检查图像,即 具有原始比特深度、几何和其他获取参数的DICOM图像。可以根据公 知的图形或视频格式诸如压缩格式来生成表示图像,压缩格式如JPEG、 JPEG 2000或行数据格式或TIFF或MPEG、AVI、MOV、FLV或RM格 式。
生成的表示图像用于限定感兴趣区域。感兴趣区域将被理解为一组 图像元素,例如表示图像内的像素或体素。感兴趣区域包括表示图像的 至少一个但优选地多个图像元素。感兴趣区域同样可以包括表示图像的 所有图像元素。感兴趣区域可以是二维或三维区域。感兴趣区域(ROI) 表示第一患者的所描绘的身体部位内的区域或体积,这对于放射科医师 分析第一患者的当前检查图像是特别感兴趣的。例如,感兴趣区域被定 位成使得其包括或覆盖可疑或非典型的解剖结构,如病变或钙化等。优 选地,感兴趣区域覆盖表示无疑区域的附加相邻组织,用于提供附加上 下文信息。不仅覆盖病变而且还覆盖周围组织的感兴趣区域可以稍后用 于表示图像的真实的类似于亨斯菲尔德的灰度标准化或仅用于感兴趣区 域。感兴趣区域可以具有任意形状,优选地感兴趣区域是圆形或二次形 式。优选地,不仅限定了一个感兴趣区域(ROI),而且限定了两个或更 多个感兴趣区域。例如,在表示图像描绘多于一个病变或病理的情况下, 可以考虑将它们用于随后利用各个感兴趣区域进行特征提取。
可替选地,可以通过提供表示图像来限定感兴趣区域。因此,这两 个步骤可以组合,从而减少后续发明过程中涉及的图像数据量和必要的 计算能力。
然后分析表示图像的视觉特征。在该步骤中,针对表示图像生成特 征签名。该图像分析步骤,例如特征提取,可以例如包括表示图像中存 在的对象、局部和/或全局结构和/或纹理的识别、分析和/或测量。特征 签名优选地不仅包括一个,而且包括许多特征,这些特征作为表征分析 图像的总和。最优选地,上述图像分析涉及或更好地说限于感兴趣区域。 换句话说,用于图像分析的算法仅应用于表示图像中的感兴趣区域中包 括的图像元素。然而,也可以分析表示图像的剩余图像部分,并且可以 确定另外的图像特征,其另外表征分析的表示图像。
所生成的特征签名可以包括解剖特征和/或结构,例如界标的存在或 器官的大小或所识别的组织或器官的结构、纹理和/或密度。特征签名同 样可以包括表征分析图像中优选地在所限定的感兴趣区域中存在的颜色 和/或灰度方案或对比度特征或局部灰度梯度的参数。然而,所识别的特 征签名还可以包括指示关于当前检查图像的周围的信息的参数,其也可 以存在于表示图像中,例如指示用于读取的读取软件/应用程序的信息或 者以文本表示形式的元数据信息,例如,通常将纹理覆盖作为患者ID、 获取协议参数或患者特定信息,以检索对检索类似病例有用的附加信息。
现在,表示图像的形状与至少一个第二患者的多个医学图像进行比 较。该至少一个第二患者对应于除第一患者之外的一个或一组更多患者。 多个医学图像对应于一组单独的医学图像,医学图像每个表示或描绘与 至少一个第二患者的当前检查图像至少部分相同的身体部位。多个医学 图像可以包括使用医学成像模态获取的医学图像,医学成像模态例如计 算机断层摄影***、磁共振断层摄影***、C臂X射线***等。优选地, 多个医学图像包括使用与当前检查图像相同的医学成像模态获取的医学 图像。当前检查图像和多个医学图像描绘、包括或示出第一患者和第二 患者的至少一个共同的解剖结构、器官、组织等。多个医学图像和/或当 前检查图像可以包括另外的或额外的解剖结构,所述解剖结构不存在于 与其相比较的相应图像中。换句话说,当前图像和多个医学图像可以覆 盖不同或相同的视野。然而,多个医学图像优选地包括覆盖、描绘或示 出第二患者的身体部分的医学图像,其对应于或至少覆盖表示图像中的 感兴趣区域。多个医学图像可以包括二维、三维或四维图像。优选地, 在当前检查图像之前、最优选地在当前检查图像很久以前获取多个医学 图像。
因此,多个医学图像可以存储在医学图像数据库中,该医学图像数 据库可以位于可以访问授权的网络服务的中央云服务器上,或者位于本 地医院服务器诸如RIS或PACS等上。
图像的比较基于表示图像的生成的特征签名。
因此,生成步骤还可以包括以上描述的图像分析,其应用于存储在 数据库中的多个医学图像,以生成多个医学图像的医学图像中的每一个 的特征签名。换句话说,本发明的方法将相同的图像分析算法应用于多 个医学图像。这里,图像分析,例如特征提取可以同样包括对多个医学 图像的医学图像中的每一个中存在的对象、结构和/或纹理、对比度等的 识别、分析和/或测量。然而,图像分析可以应用于每个医学图像的所有 图像元素,或者至少应用于被识别为对应于表示图像的视野的图像块。 由于当前检查图像与多个医学图像相比可能具有不同的视野,因此类似 的特征可以位于医学图像中的每一个中的任意位置处,并且病变/病理在 患者之间可以发生在不同位置处,将如上所述的多个医学图像的图像分 析应用于多个医学图像的所有图像元素。用于多个医学图像的特征签名 优选地不仅包括一个而且包括许多特征,这些特征作为表征分析的图像 区域和/或医学图像的总和。
根据本发明,使用训练的机器学习算法来执行至少生成特征签名的步 骤。优选地,训练的机器学习算法包括神经网络,最优选地卷积神经网络。 神经网络基本上像生物神经网络一样构建例如人脑。特别地,人工神经网 络包括输入层和输出层。它还可以包括输入层与输出层之间的多个层。每 个层包括至少一个优选地多个节点。每个节点可以被理解为生物处理单 元,例如神经元。换句话说,每个神经元对应于应用于输入数据的操作。一层的节点可以通过边缘或连接特别是通过定向边缘或连接互连至其他 层的节点。这些边缘或连接限定了网络节点之间的数据流。特别地,边缘 或连接配备有参数,其中参数通常表示为“权重”。该参数可以调节第一 节点的输出对第二节点的输入的重要性,其中第一节点和第二节点通过边 缘连接。特别是,可以对神经网络进行训练。具体地,根据“监督学习” 技术基于已知的输入值和输出值对执行神经网络的训练,其中已知输入值 用作神经网络的输入,并且其中将神经网络的相应的输出值与相应的已知 输出值进行比较。只要最后网络层的输出值充分对应于根据训练数据已知 输出值,人工神经网络就独立地学习和调整各个节点的权重。对于卷积神 经网络,这种技术也称为“深度学习”。术语“神经网络”和“人工神经 网络”可以用作同义词。最优选地,在训练阶段,训练卷积神经网络以识 别不同的优选预定类型的疾病模式,例如肺气肿、蜂窝肺(honey combing) 和磨玻璃不透光影(ground grass opacity)。每种疾病模式可以通过各个视 觉图像特征来表征。因此,在训练阶段期间,神经网络学习将提取的特征 签名分类为这些疾病模式中的至少一个。在训练期间,可以应用各个表示 图像对各个疾病模式的手动映射。
可以应用第一组神经网络层以从图像中提取特征。在这种情况下, 医学图像,即图像的每个单独图像元素的灰度和/或颜色值,用作神经网 络的输入值。由此提取的特征例如对比度、梯度、纹理、密度等可以作 为输入值被馈送至第二组网络层,也称为分类器,其用于进一步将对象 和/或特征分配给图像中存在的提取的特征中的至少一个。然而,所描述 的神经网络的两个功能同样可以通过单独的各个神经网络来执行。换句 话说,用于特征提取的图像分析可以由第一神经网络承载,并且分类即 对象和/或特征分配可以由第二神经网络执行。
在图像分析和特征签名生成之后,将表示图像和多个医学图像彼此 进行比较。换句话说,将相应的特征签名彼此进行比较。例如,可以单 独比较对特征签名有贡献的每个单独特征。可替选地,比较基于精简特 征参数,精简特征参数基于对特征签名有贡献的多个单独特征。优选地, 该步骤包括使用神经网络的最后但一层的神经元激活值作为表示图像的 特征签名进行比较。因此,基于比较,将数据库中的至少一个医学图像 识别为医学参考图像。根据与校正的表示图像的相似度,换句话说基于 所比较的特征签名的距离和/或差异度量来识别或选择医学参考图像。
可以由用户自动设置和/或设置预定义阈值。阈值还可以取决于在表 示图像中分析和/或识别的特征组合。阈值可以包括多个单独的阈值,每 个值属于所识别的特征组的单独特征,或者仅包括考虑所有识别的特征 的一个通用阈值。
提供表示图像使得本发明与任意放射设备兼容。因此,不仅现代先 进的可视化站可以从本发明的自动参考图像搜索中获益,而且仅具有旧 的或过时的设备的小型放射实体例如灯箱可以应用所描述的本发明的方 法。使用神经网络进行图像特征比较使得能够快速地即基本上迅速地(on the flight)搜索存储在数据库中的大量医学图像。
根据本发明的优选实施方式,提供表示图像的步骤包括获取当前检 查图像的数字照片。换句话说,本发明利用移动设备例如智能电话或平 板设备的数字摄像机。使用数字摄像机,通过拍摄当前检查图像的照片, 将在放射监测器或放射灯箱上描绘的数字或模拟当前检查图像变换为表 示图像。发明人已经意识到数字摄像机原则上可用于任何地方。因此, 本发明可以广泛使用。
根据本发明的另一优选实施方式,限定感兴趣区域的步骤基于识别 表示图像中的解剖特征,其中解剖特征指示患者的病理状况。在该实施 方式中,感兴趣区域的限定或定位和/或尺寸取决于在表示图像中识别的 解剖特征。该实施方式中的解剖特征的特征在于其指示病理状况。病理 状况包括与器官、组织和解剖结构和/或仅其部分的正常和/或平均状况的 任何解剖偏差。病理状况可以例如包括器官的非典型变形、生长或收缩, 非典型组织浓度、钙化、空洞或病变如囊肿或结节等。此外,与正常/平 均状态相比,病理状况可以包括器官组织的延长的纹理和/或结构偏差/ 变化。换句话说,在该实施方式中,感兴趣区域的限定基于病变检测步 骤。指示病理状况的解剖特征可以由放射科医师在视觉上检测或者通过 自动应用病变检测算法来检测。
根据本发明的另一优选实施方式,限定感兴趣区域的步骤由用户手 动执行。该步骤可以例如使用用于生成和提供表示图像的移动设备的用 户接口来实现。该表示可以显示在移动设备的屏幕上以用于感兴趣区域 限定。为此,可以提供包括闭合外线的图形ROI(感兴趣区域)工具, 其可以叠加到所显示的表示图像并且可以经由移动设备的触摸板来操 纵。ROI工具的操纵可以包括在表示图像内定位以及改变闭合外线的尺 寸和/或形状以保证病变完全包括在如此限定的感兴趣区域中。由ROI工 具覆盖的表示图像的所有图像元素属于针对以下步骤的感兴趣区域,并 且优选地考虑图像比较所基于的特征/对象/病变提取和/或识别。可替选 地,可以基于病变检测算法的结果自动地或半自动地执行限定感兴趣区 域。这里,算法可以基于病变检测或基于默认设置来建议感兴趣区域, 该默认设置然后可以被手动调整。
因此,本发明确保感兴趣区域覆盖非典型或异常的解剖学特征。限 定三维感兴趣区域可以包括在三维或视频图像堆栈的多于一个图像切片 中手动限定感兴趣区域。可替选地,它可以包括仅一个图像切片中的手 动限定和手动限定的ROI到剩余图像切片的自动传播,其中自动传播可 以基于至少一个检测到的对象,优选地被识别为包括在手动限定的感兴 趣区域中的病变的对象。
根据替选实施方式,感兴趣区域由在获取数字照片时限定的表示图 像的视场来限定。
表示图像的伪像校正可以包括众所周知的图像处理技术,例如,
——图像分割,
——图像配准,
——在空间域以及频域中的图像过滤,
——对象检测,
——对象减法,
——整体图像减法或(至少部分)图像叠加,
——纹理、图案和/或结构分析和/或去除,
——对比度增强,
——降噪,
——图像几何归一化,
——图像灰度标准化等。伪像校正用于至少部分地减少或完全消除 在生成期间引入到表示图像的至少一个伪像。可以在两个或三个空间维 度中应用伪像校正。
根据本发明的另一优选实施方式,校正表示图像中的伪像的步骤至 少包括校正以下伪像之一:图像元素网格伪像、灰尘伪像、LCD刷新伪 像、照明伪像和由于有限灰度级动态范围引起的伪像。
如前所述,拍摄当前检查图像的照片以提供表示图像将伪像引入表 示图像。当应用伪像校正算法时,可以优选地减少以下伪像。图像元素 网格伪像,优选地像素网格伪像,可以源自当前检查图像,该当前检查 图像利用提供特定空间分辨率的屏幕或监测器显示,其中图像元素网格 结构由x方向和y方向上的多个图像元素限定。移动设备可以相对于屏幕表面保持在任意距离和/或角度,这可能导致所描绘的解剖结构的空间 扭曲。其他图像元素网格伪像可能由用于显示当前检查图像的放射学屏 幕/监测器的各个显示元件的缺陷导致。另外的图像元素网格伪像可以由 网格结构本身产生,其可以通过拍摄照片来捕获。可以例如使用傅里叶 变换和频率滤波技术来校正图像元素网格伪像。显示屏以及经典放射学 灯箱或医学图像胶片材料可能是多尘的,因此导致灰尘颗粒也表示在表 示图像中。这些伪像可以例如使用适于检测表示图像中的灰尘颗粒的对 象检测并从表示图像中减去检测到的对象来进行校正。此外,当拍摄用 于生成表示图像的照片时周围的照明可能导致表示图像中的颜色或灰度 失真,这可能导致图像对比度和/或颜色表示的偏差。在数字照片对应于 当前检查图像的空间二次采样版本的情况下,在表示图像中可能出现莫 尔效应。当通过拍摄照片将全计算机断层摄影和/或磁共振灰度级动态范 围转换为数字摄像机的相当有限的动态范围时,可能进一步损害表示图 像的对比度。当然,可能引入到表示图像的伪像列表不是最终的,也可 以在伪像校正期间考虑其他和/或附加伪像,例如增加的噪声水平。
通常,这样的伪像校正是已知的并且可用于其他图像处理应用,例 如校正数码摄像机的RAW图像。在这里,软件程序自动纠正光学失真, “渐晕”。它们还适用于降低噪声,适用于图像对准等。除此之外,已知 扫描的胶片/视频被校正以消除作为灰尘/划痕的扫描伪像。
根据本发明的另一优选实施方式,校正表示图像中的伪像的步骤也由 训练的机器学习算法执行。根据该实施方式,该步骤可以通过将机器学习 算法应用于伪像校正来实现。最优选地,使用相同的神经网络执行伪像校 正,该神经网络用于将表示图像与多个医学图像进行比较并用于识别至少 一个参考图像。特别地,神经网络可以包括用于在对校正的表示图像执行 特征提取之前提供伪像校正的表示图像的层组。可替选地,伪像校正由各个神经网络执行,神经网络使用原始表示图像作为第一网络层的输入值, 并且提供伪像校正表示图像作为最后网络层的输出值。可以使用监督训练 方法并提供包括多对数字照片即表示图像和相应的当前检查图像的训练 数据来对网络进行训练。这些训练数据专门解释了通过从监测器或灯箱捕 获照片而引入的图像伪像。因此,训练的***能够通过对表示图像应用适 当的图像校正步骤来近似原始当前检查图像。优选地,通过模拟寻址的图 像伪像来合成地生成这些训练数据。可替选地,表示图像和当前医学图像 的真实图像对可以用作训练数据。优化自动图像伪像校正以产生看起来像 当前检查图像的校正表示图像的一种可能方法是使用“对抗性神经网络”。 训练这些网络中的一个以产生“自然”或“原始样”图像,即从屏幕捕获 的当前检查图像,即表示图像,而第二网络被训练以区分“真实”当前检 查图像与“模拟”当前检查图像。这两个网络彼此竞争。他们的训练反复 改进。因此,产生了高质量的模拟器网络和高质量的鉴别器网络。
作为主动伪像校正和提供伪像校正的表示图像的步骤的替选,“未校 正的”表示图像可以用作神经网络的输入。在这种情况下,训练神经网 络以检测和/或分析表示图像中的图像伪像,然而不校正它们,而是在生 成相应的特征签名时对它们进行补偿。根据该替选方案,校正图像伪像 的步骤本质上由神经网络解释。
根据本发明的另一优选实施方式,考虑在校正表示图像之后剩余的 残差伪像来执行比较和识别的步骤。该实施方式有利地考虑到校正的表 示图像可能仍然包括图像伪像,并且不显示与原始当前检查图像类似的 图像质量。此外,该算法适于考虑在图像搜索期间由降低的质量引起的 表示图像的特征签名(对应于检测和/或分析的多个所有特征/对象)中的 偏差。这例如通过将用于特征签名的比较的预定义相似度阈值设置为较 低级别来实现。优选地,可以基于表示图像的识别和校正的图像伪像来 设置或调整阈值。
根据本发明的另一优选实施方式,该方法还包括获取当前检查图像 和多个医学图像中的每一个的成像参数,成像参数指示用于生成相应图 像的成像模态,并且基于所识别的成像参数识别参考图像。表示图像可 以包含关于用于图像获取的医学成像模态的信息,例如,当前检查图像 可以在DICOM元数据如表示CT测量的X射线管电压中描绘。可替选地, 表示图像可以包括与图像获取相关的文本或语义信息,作为用于在屏幕 上描绘当前检查图像的读取软件的一部分。因此,该实施方式还包括图 像分析步骤,图像分析步骤还涉及光学字符识别(OCR)技术和/或语义 分析,以推断所应用的获取技术。通过这样做,可以基于其获取技术进 一步过滤和/或分类被识别为参考图像的图像。
可替选地,可以基于图像特征分析例如基于图像类型和/或图像对比 度来估计获取方法,并且可以根据其图像类型对参考图像进行优先级排 序。可替选地或另外地,可以针对感兴趣区域的参考解剖位置分析医学 图像,例如还通过进一步分析周围图像部分,并且使用解剖位置的接近 度来对参考图像进行优先级排序。
优选地,可以将至少一个识别的参考图像呈现给用户。优选地,以 与表示图像和医学图像中的每一个之间的相似度相对应的顺序进行呈 现。优选地,使用也用于提供表示图像的移动设备的屏幕来呈现至少一 个参考图像。最优选地,除了至少一个参考图像之外,可以在呈现至少 一个参考图像时向用户呈现关于相关第二患者的确认诊断的进一步信 息。通过这样做,该方法提供了对专家知识的简单且快速的访问,并因 此实现了对第一患者的深刻的鉴别诊断。关于确认诊断的进一步信息可 以例如包括诊断所基于的放射学发现的列表、关于第二患者的个人信息 如年龄、体重或性别、关于患者病史的信息等。关于确认诊断的进一步 信息可以例如从医学教科书数据库诸如“Thieme”中提取,或者可以从本地医疗企业图片存档和通信***(PACS)和/或医院或放射学信息*** (HIS/RIS)推断出。
根据第二方面,本发明涉及一种用于识别至少一个医学参考图像的 ***。该***包括:
——接口单元,其适于
——提供表示第一患者的身体部位的表示图像,以及
——计算单元,其适于
——限定表示图像中的感兴趣区域,
——至少针对表示图像中的感兴趣区域生成特征签名,
——基于所生成的特征签名将表示图像与存储在医学图像数据库中 的多个医学图像进行比较,
——将数据库中的至少一个医学图像识别为医学参考图像,医学参 考图像示出高于预定阈值的相对于表示图像的相似度,
其中,计算单元适于运行训练的机器学习算法,用于执行生成步骤。
计算单元可以可选地包括校正单元,校正单元适于在生成特征签名 之前校正表示图像中的至少一个伪像。
接口单元可以被理解为包括数字摄像机和显示屏的移动设备,或者 可替选地,理解为包括其显示屏的工作站。接口单元可以适于生成表示 图像。它还包括用于与本地服务器或经由因特网连接与中央网络服务器 进行数据交换的接口。接口单元还适于经由接口接收与第二患者相关的 至少一个参考图像和/或附加信息,并且经由显示屏向用户显示接收的信 息。
根据本发明的优选实施方式,该***适于实现用于识别至少一个医 学参考图像的本发明方法。计算单元可以包括限定单元,限定单元适于 限定至少一个感兴趣区域。计算单元可以包括:可选的校正单元,适于 校正表示图像中的至少一个伪像;生成单元,适于至少针对(校正的) 表示图像的感兴趣区域生成特征签名;比较单元,适于基于所生成的特征签名将表示图像与存储在医学图像数据库中的多个医学图像进行比 较;以及识别单元,适于将数据库中的至少一个医学图像识别为医学参 考图像,医学参考图像示出高于预定阈值的相对于(校正的)表示图像 的相似度。计算单元优选地适于运行训练的机器学习算法以执行生成步 骤。
计算单元可以实现为数据处理***或数据处理***的一部分。这样 的数据处理***可以例如包括云计算***、计算机网络、计算机、平板 计算机、智能电话等。计算单元可以包括硬件和/或软件。硬件可以是例 如处理器***、存储器***及其组合。硬件可以由软件配置和/或可由软 件操作。通常,所有单元、子单元或模块可以例如经由网络连接或相应 的接口至少暂时地彼此进行数据交换。因此,各个单元可以彼此分开定 位,尤其是限定单元可以与计算单元的其余单元分开定位,即在移动设 备处。
根据另一方面,本发明涉及一种计算机程序产品,包括程序元素, 当程序元素被加载到计算单元的存储器中时,该程序元素引导***的计 算单元识别至少一个医学参考图像以执行根据本发明方法的步骤。
根据另一方面,本发明涉及一种计算机可读介质,其上存储有程序 元素,当程序元素由计算单元执行时,程序元素可由***的计算单元读 取和执行,用于识别至少一个医学参考图像,以便执行本发明的方法的 步骤。
通过计算机程序产品和/或计算机可读介质实现本发明具有以下优 点:可以通过软件更新容易地适用已经存在的提供***,以按照本发明 的建议工作。
计算机程序产品可以是例如计算机程序或者包括同样地计算机程序 旁边的另一元件。这些其他元件可以是硬件例如在其上存储有计算机程 序的存储器装置、用于使用计算机程序的硬件密钥等和/或软件例如用于 使用计算机程序的文档或软件密钥。该计算机程序产品还可以包括开发 材料、运行时***和/或数据库或库。计算机程序产品可以分布在若干计 算机实例中。
总之,本发明用于改善对放射科医师的帮助,以便为看起来类似于当 前检查图像的诊断证明的病例提供参考图像,并且还可以提供相关的患者 特定临床信息。欧洲专利申请EP18160372.1,其通过引用完全合并入本文, 为诊断决策支持提供了有意义的内容,然而,本发明提供了该信息,而无 需将图像搜索集成或配置到可用的查看/读取软件应用程序。因此,本发 明使得能够独立于读取装置对放射科医师进行诊断支持,读取装置范围从常规的灯箱(仍然经常在例如金砖国家如中国或巴西的农村地区使用)到 来自任何供应商的PACS读取工作站。提供从移动设备上的放射读取显示 器捕获图像的解决方案并提供具有诊断已知的类似病例的快速反馈使得 能够以非常灵活和可扩展的方式向放射科医师和临床医生提供基于AI的 读取辅助。
附图说明
根据以下描述和实施方式,以上描述的发明的特性、特征和优点以 及它们的实现方式变得更清楚和更容易理解,这些描述和实施方式将参 照附图进行详细描述。以下描述并不将本发明限制于所包含的实施方式。 在不同的附图中,相同的组件或部件可以用相同的附图标记进行标记。 通常,附图并非是按比例的。在以下附图中:
图1描绘了根据本发明的实施方式的用于识别至少一个医学参考图 像的本发明的***,
图2描绘了根据本发明的实施方式的用于识别至少一个医学参考图 像的本发明的计算单元,
图3描绘了根据本发明的实施方式的用于识别至少一个医学参考图 像的本发明的方法,
图4描绘了可以应用于本发明的至少一个实施方式的神经网络。
具体实施方式
图1描绘了根据本发明的实施方式的用于识别至少一个医学参考图 像REFI的***1。***1适于根据一个或更多个实施方式执行本发明的 方法,例如,如参照图3进一步描述的。***1包括智能电话形式的移 动设备2。移动设备2包括具有相应镜头和光学传感器***的数字摄像机 形式的接口单元。该***还包括放射学工作场所屏幕或灯箱3,其描绘当 前检查图像CURI。移动设备2适于拍摄所显示的当前检查图像CURI的 数字照片,从而提供表示图像REPI。移动设备2还包括显示器,用于显 示表示图像并且用于手动限定表示图像REPI中的感兴趣区域ROI。移动 设备2还包括处理单元10,其适于例如以软件应用程序的形式执行至少 一个软件组件,软件应用程序用于服务数字摄像机、用于提供用于限定 感兴趣区域ROI的图形用户接口、用于在显示器上和/或在图形用户接口 内显示表示图像REPI和/或用于处理手动输入的感兴趣区域ROI以及表 示图像REPI。该***包括服务器***6,服务器***6包括适于校正表 示图像REPI中的至少一个伪像的子单元,以至少针对校正的表示图像 REPI的感兴趣区域ROI生成特征签名FESI,以基于所生成的特征签名 FESI将表示图像REPI与多个医学图像MEDI进行比较,以及将至少一 个医学图像MEDI识别为医学参考图像REFI,医学参考图像REFI示出 高于预定阈值的相对于校正的表示图像REPI的相似度。服务器***6适 于运行训练的机器学习算法,至少用于执行如关于图4进一步描述的生 成步骤。服务器***6和移动设备2一起包括本发明的计算单元7,如关 于图2进一步详细描述的。***1还包括用于存储多个医学图像MEDI 的数据库8。这里,可以存储超过500000个医学图像MEDI。数据库8 可以实现为云存储。可替选地,数据库8可以实现为本地存储或扩展存 储,例如PACS(图像存档和通信***)。***1可选地包括另外的用于 存储多个医学图像MEDI的特征签名FESI的数据库9,即,这里可以存 储超过500000个预处理的特征签名。数据库8中的医学图像MEDI和数 据库9中的特征签名FESI可以例如经由参考标记互连,使得每个特征签 名FESI明确地与一个医学图像MEDI相关。数据库8和9同样可以组合在包括图像数据和相应特征数据两者的一个数据库中。数据库8中的医 学图像MEDI可以连续更新,例如每天或每周更新,例如通过数据库提 供者,如医学教科书提供者“Thieme”。并行地,一旦将新的医学图像 MEDI集成到数据库8中,就可以用新的特征签名FESI更新数据库9。 数据库8还可以存储与医学图像MEDI相关的其他临床信息,其中临床 信息可以包括例如相关的医学发现、与至少一个第二患者相关的个人信 息、患者历史信息等。可替选地,另一数据库(未示出)可以存储这些 医学图像相关信息。
服务器***6可以包括计算机/处理单元、微控制器或集成电路。可 替选地,服务器***6可以包括真实或虚拟的计算机组,例如所谓的“集 群”或“云”。服务器***可以是中央服务器,例如云服务器,或本地服 务器,例如位于医院或放射站点上。
本发明***1的各个组件可以至少暂时彼此连接以进行数据传输和/ 或交换。移动设备2经由接口与服务器***6通信以传输例如用于进一 步处理的表示图像REPI、所限定的感兴趣区域ROI或用于在移动设备2 上呈现的识别的参考图像REFI和可选的相关临床信息。例如,可以在请 求库上激活服务器***6,其中该请求由移动设备2发送。服务器***6 还经由接口与数据库8和9通信。这里,检索医学图像的特征签名FESI 用于比较和/或在识别医学参考图像REFI时检索医学参考图像REFI和可 选的相关临床信息。同样可以在请求库上激活数据库8或9,其中该请求 由服务器***6发送。
用于数据交换的接口可以实现为硬件接口或软件接口,例如PCI总 总线、USB或火线。计算或处理单元可以包括硬件或软件组件,例如微 处理器或FPGA(现场可编程门阵列)。存储单元例如数据库可以实现为 随机存取存储器(RAM)、实现为耐用大容量存储器(硬盘驱动器、固态 盘等)。
优选地,使用网络连接来实现数据传输。网络可以实现为局域网 (LAN)例如内联网或广域网(WAN)。网络连接优选地是无线的,例 如作为无线LAN(WLAN或WiFi)。网络可以包括不同网络示例的组合。
图2描绘了根据本发明的实施方式的用于识别至少一个医学参考图 像REFI的本发明的计算单元7。计算单元包括处理单元10。处理单元 10位于移动设备2或更好地说是移动设备2的一部分。处理单元10被布 置成执行软件应用程序,该软件应用程序用于服务数字摄像机、用于提 供用于限定感兴趣区域ROI的图形用户接口、用于在显示器上和/或在图形用户接口内显示表示图像REPI和/或用于处理手动输入的感兴趣区域 ROI以及表示图像REPI,以及用于将它们传送至服务器***以进行进一 步处理。用户可以经由图形用户接口激活软件应用程序,并且可以例如 通过从互联网应用商店下载软件应用程序来获取软件应用程序。本发明 的计算单元7还包括各个计算(子)单元11、12、13和14。子单元11 适于处理所接收的表示图像REPI以校正至少一个伪像。子单元11可以 被布置成执行或运行训练的机器学习算法,用于执行校正表示图像REPI 的步骤。子单元12适于处理校正的表示图像REPI以至少针对校正的表 示图像REPI中的感兴趣区域ROI可替选地针对整个表示图像REPI生成 特征签名FESI。子单元12还可以适于针对存储在数据库8中的多个医学 图像MEDI以相同的方式生成特征签名。因此,子单元12尤其适于执行 或运行训练的机器学习算法以执行生成特征签名FESI的步骤。子单元13 适于基于所生成的特征签名FESI将表示图像REPI与存储在医学图像数 据库8中的多个医学图像MEDI进行比较。子单元14适于将数据库8中 的至少一个医学图像MEDI识别为医学参考图像REFI,医学参考图像 REFI示出高于预定阈值的相对于校正的表示图像REPI的相似度。本发 明的计算单元7的每个子单元可以被实现为单独的子单元或子单元可以 被实现为物理地集成的子单元,例如子单元13和14可以被实现为仅一 个整体的比较和识别子单元。如已经参照图1所描述的,每个子单元可以单独连接至本发明***1的其他子单元和/或其他组件,其中需要数据 交换来执行本发明的方法。例如,子单元13、14可以连接至数据库8和 /或9,用于检索多个医学图像MEDI的特征签名FESI,或者用于检索被 识别为参考图像REFI的医学图像MEDI。
图3描绘了根据本发明的实施方式的用于识别至少一个医学参考图 像的本发明的方法。该方法包括几个步骤。步骤的顺序不一定对应于步 骤的编号,而是也可以在本发明的不同实施方式之间变化。
第一步骤S1涉及基于描绘第一患者的身体部位的当前检查图像 CURI来提供医学表示图像REPI。表示图像REPI的特征在于,与当前检 查图像CURI相比,它提供了显著较低的图像质量。可以通过使用移动 设备的数字摄像机获取当前医学图像CURI的数字照片来提供表示图像 REPI。在当前医学图像是在放射学监测器的屏幕上显示的数字图像的情 况下,表示图像还可以包括关于用于显示当前检查图像并且还用于图像 分析的读取软件的视觉信息,即关于应用接口的一些颜色信息或关于被 检查患者/第一患者的一些文本信息和/或关于用于当前检查图像的获取 方法的信息。还可以提取该信息以有助于稍后生成的特征签名FESI。由 于在拍摄照片期间引入的伪像,表示图像REPI的图像质量降低。可能的伪像可以是以下组中的任一个:较小空间分辨率、较小的颜色或灰度深 度或动态范围、图像伪像例如莫尔条纹、失真、像素网格图案、照明不 均匀性伪像等或其组合。因此,与当前检查图像CURI相比,降低了表 示图像REPI的质量。提供的步骤不限于表示图像的生成或获取,但是还 可以包括表示图像REPI的显示和/或将参考图像REPI传输至除了移动设 备2之外的本发明方法中涉及的其他***组件。
第二步骤S2涉及限定表示图像REPI中的感兴趣区域ROI。感兴趣 区域的限定由用户手动执行,或者可以可替选地自动或半自动地执行。 感兴趣区域ROI的手动和半自动限定包括经由图形用户接口优选地移动 设备2的图形用户接口显示表示图像REPI。用户可以例如将针对用户可 视化的感兴趣区域工具定位为覆盖到显示的表示图像REPI,还包括工具 的尺寸和/或形状的可选调整。限定感兴趣区域ROI基于识别表示图像中 的解剖特征,其中解剖特征指示患者的病理状况。换句话说,感兴趣区 域的位置、大小和形状优选地取决于表示图像中存在的异常或非典型特 征。异常特征可以对应于解剖结构、器官或组织如肺、心脏、血管、脑 的任何偏差,例如增加或降低的局部组织密度、囊肿、钙化等。因此, 非典型解剖学特征代表第一患者的病理状况。解剖学特征可以由放射科 医师视觉检查或识别,或者可以是可选地包括在该步骤S2中的特征提取 和/或对象检测步骤的结果。因此,步骤S2可以至少部分地在移动设备2 上或在服务器***6上执行。必要时,在该步骤中包括相应的数据交换。
第三步骤S3涉及校正表示图像REPI中的至少一个伪像。在该步骤 中校正如上所列的伪像,即图像元素网格伪像、灰尘伪像、LCD刷新伪 像(在表示图像REPI是包括一个时间维度的三维的情况下)、照明伪像 和由于数码摄像机的有限的灰度动态范围而引起的伪像。伪像校正可以 包括图像分割、图像配准或映射到众所周知的解剖图谱、在空间域以及频域中的图像滤波、对象检测、对象减法、整体图像减法或图像叠加、 局部和/或全局纹理、图案和/或结构分析和/或去除、对比度增强、降噪 等。优选的是,即使稍后仅进一步处理感兴趣区域ROI的图像元素值, 也对整个表示图像REPI进行伪像校正。可替选地,伪像校正仅应用于感 兴趣区域ROI。伪像校正用于至少部分地减少或完全消除至少一个伪像。 步骤S3优选地在服务器***6上执行。校正的表示图像可以被传输回移 动设备2以进行显示和/或由放射科医师手动确认(在伪像校正提供足够 的图像质量的情况下)或丢弃(在伪像校正没有充分改善图像质量的情 况下)。此时,根据步骤S1,通过提供另一表示图像,可以重新开始本 发明的方法。可替选地,该步骤可以包括经由移动设备向用户提供表示 图像REPI质量不足并且建议获取新的表示图像REPI的光学和/或声学警 告消息。
优选地,通过训练的机器学习算法例如神经网络40来执行校正表示 图像中的伪像,如将参照图4进一步详细描述的。
第四步骤S4涉及至少针对在校正的表示图像REPI中限定的感兴趣 区域ROI生成特征签名FESI。该步骤使用训练的机器学习算法优选地神 经网络40来执行,如将参照图4进一步详细描述的。步骤S5优选地在 本发明***1的服务器***6上执行。最优选地,步骤S3和S4由相同 的神经网络执行。表示图像REPI的特征签名FESI优选地由神经网络40 的最后但是一个层45的输出值表示。因此,神经网络对表示图像REPI 执行40以下操作中的至少一个,优选地更多个:对象的识别、分析和/ 或测量,局部和/或全局结构和/或纹理分析。因此,特征签名FESI优选 地包括多个特征,这些特征作为表征分析图像的总和。图像分析可以优 选地限于针对表示图像REPI限定的感兴趣区域ROI。然而,也可以分析 表示图像REPI的剩余图像部分,并且可以确定另外表征表示图像REPI 的另外的图像特征。因此,所生成的特征签名FESI可以包括界标信息或 器官的大小/直径、所识别的组织和/或器官的结构、纹理和/或密度参数。 特征签名FESI同样可以包括表征分析图像中优选地在所限定的感兴趣 区域中存在的颜色和/或灰度方案或对比度特征或局部灰度梯度的参数。 然而,所生成的特征签名FESI还可以包括指示关于当前检查图像CURI 的周围的信息的参数,例如,指示用于图像读取的读取软件/应用程序的 参数或指示以文本表示形式的成像模态信息的参数。因此,步骤S4还可 以包括获取当前检查图像CURI和多个医学图像MEDI中的每一个的成像参数,成像参数指示用于生成相应图像的成像模态。并将此信息合并 到特征签名FESI中。因此,步骤S4还可以包括图像分析,图像分析涉 及光学字符识别(OCR)技术和/或语义分析,以推断所应用的获取技术。
可选地,步骤S4可以包括针对存储在数据库8中的多个医学图像中 的每一个的特征签名FESI生成,并且将特征签名FESI存储在数据库9 中。优选地,该步骤可以在本发明的方法步骤的上游执行以减少在请求 显示参考图像REFI时的执行时间。
第五步骤S5涉及基于所生成的特征签名FESI将伪像校正的表示图 像REPI与存储在医学图像数据库8中的至少一个第二患者的多个医学图 像MEDI进行比较。优选地,该步骤包括使用神经网络的最后但一层的 输出值作为表示图像REPI的特征签名FESI。将该特征签名FESI与预先 存储在例如数据库9中的多个医学图像MEDI的特征签名FESI进行比较。多个图像的特征签名FESI可以对应于整个医学图像的特征签名 FESI,或者仅对于图像块对应于医学图像MEDI的仅一部分。数据库8 中的医学图像MEDI的特征签名FESI被分配有临床确认的疾病模式,其 对应于例如针对肺组织的蜂窝肺、磨玻璃不透光影或肺气肿的限定特征 模式。因此,可以基于提取的特征针对若干确认的诊断来分析表示图像 REPI。该步骤包括至少在服务器***6与数据库9之间的数据交换。
第六步骤S6涉及将数据库8中的至少一个医学图像MEDI识别为医 学参考图像REFI,医学参考图像REFI提供高于预定阈值的相对于校正 表示图像REPI的相似度。优选地,使用比较的特征签名FESI的距离和/ 或差异度量优选地欧几里德距离来计算与校正的表示图像REPI的相似 度。具有足够相似的特征签名FESI的所有医学图像MEDI被识别为参考 图像REFI。用于充分相似度的预定义阈值自动设置和/或由用户设置。阈 值可以优选地取决于疾病模式的预定义特征组合。阈值可以是相对差异 或绝对差异的形式。
本发明的方法有利地包括针对比较(S5)和识别(S6)的步骤考虑 在校正表示图像REPI之后剩余的残差伪像。这有利地考虑了校正的表示 图像REPI中的残差图像伪像。因此,该算法适于考虑在相似图像搜索期 间由于降低的图像质量在表示图像REPI的特征签名FESI中的偏差。这 例如通过将用于特征签名的比较的预定义相似度阈值设置为较低级别来 实现。优选地,可以基于表示图像的识别和校正的图像伪像来设置或调 整阈值。
可选地,本发明的方法可以包括用于向用户呈现至少一个识别的参 考图像REFI的另一步骤。优选地,以与表示图像REPI与参考图像REFI 图像中的每一个图像之间的相似度相对应的顺序进行呈现。优选地,在 移动设备2的屏幕上执行呈现。因此,该步骤包括服务器***6、数据库 8与移动设备2之间的数据传输。最优选地,除了至少一个参考图像REFI之外,关于相关第二患者的确认诊断的进一步信息可以与至少一个参考 图像REFI并行地呈现给用户。通过这样做,该方法提供了对专家知识的 简单且快速的访问,并因此实现了对第一患者的深刻的鉴别诊断。
图4描绘了根据本发明的实施方式的神经网络40,其可以用于执行 根据图3的本发明的方法。神经网络40响应输入层41的多个输入节点 xi的输入值。应用神经网络40的所有节点以生成一个或多个输出值oj。 该实施方式的神经网络40通过基于训练数据调整各个节点的权重或加权 参数wi(权重)来学习。输入节点xi的输入值是校正的表示图像REPI的图像元素值,优选像素值。最优选地,仅将与限定的感兴趣区域ROI 对应的图像元素值馈送至输入层41。可替选地,使用多于感兴趣区域ROI 的图像元素值作为输入。可替选地,在神经网络40还适于执行伪像校正 表示图像REPI的步骤的情况下,原始的即未校正的表示图像REPI的图 像元素值可以被馈送至输入层41。神经网络40基于学习过程对输入值进 行加权42。神经网络40的输出层44的输出值oj可以优选地对应于表示 图像中识别的疾病模式的识别和/或确认。例如,输出层44可以包括四个 输出节点,四个节点中的每一个表示四种疾病模式中的疾病模式。疾病 模式应被理解为预定义且优选临床确认的视觉图像特征组合。换句话说, 输出值o1可以表示第一疾病,输出值o2可以表示第二疾病,输出值o3可以表示第三疾病,输出值oj可以表示第四疾病。根据优选实施方式, 表示图像REPI至少部分地描绘第一患者的肺,例如,表示图像REPI对 应于肺/胸部计算机断层摄影图像。根据预定义的疾病模式的电位输出值 oj可以例如包括“蜂窝肺”、“磨玻璃不透光影”、肺气肿等。根据该实施 方式,在训练阶段期间使用针对四种不同疾病模式的标记图像样本形式 的训练数据对神经网络40进行训练。训练数据的标记优选地预先手动进 行。
人工神经网络40还包括隐藏层43,隐藏层每个包括多个节点hj。可 以存在多于一个隐藏层43,其中一个隐藏层的输出值用作后续隐藏层的 输入值。隐藏层43的各个节点执行数学运算。因此,节点的输出值hj对应于其输入值xi和加权参数wi的非线性函数f。在接收到输入值xi之 后,节点hj可以例如执行每个输入值xi的乘法的求和,其中乘法利用加 权参数wi加权,如下所定义:
hj=f(∑ixi·wij)
最优选地,节点hj的输出值被生成为节点激活的函数f,例如S形函 数或线性斜坡函数。因此,输出值hj通过隐藏层43传播并最终传输至输 出层44。这里,再次,可以根据节点激活的函数f计算每个输出值hj的 加权乘法的总和:
oj=f(∑ihi·w′ij)
最优选地,隐藏层43包括对应于神经网络40的最后但一层的最后 隐藏层45。最优选地,最后隐藏层45的输出值hj的总和用作医学图像 MEDI搜索的表示图像REPI的特征签名。
所示的神经网络40对应于前馈神经网络。因此,网络层42、43、44、 45的所有节点hj以其加权和的形式处理前一层的输出值作为输入值。当 然,可以应用神经网络类型的其他实施方式,例如反馈网络,其中一层 的节点的输入值可以是连续网络层的节点的输出值。
可以优选地训练神经网络40以使用根据监督学习的方法识别疾病模 式。完善的是反向传播方法,其可以应用于本发明的所有实施方式。在 训练阶段期间,将神经网络40应用于训练输入值以产生相应的和已知的 输出值。只要计算的输出值与预期的输出值之间的偏差在预定的容差内, 就以迭代的方式计算产生的输出值与预期的输出值之间的均方误差 (MSE)以调整各个加权参数wi。
只要有意义,各个实施方式或其各个方面和特征可以彼此组合或交 换,而不限制或扩大本发明的范围。在适用的情况下,关于本发明的一 个实施方式描述的优点无论哪里适用也有利于本发明的其他实施方式。
Claims (14)
1.一种用于识别至少一个医学参考图像(REFI)的方法,包括以下步骤:
——基于描绘第一患者的身体部位的当前检查图像(CURI)提供医学表示图像(REPI)(S1),
——限定所述表示图像中的感兴趣区域(ROI)(S2),
——至少针对所述表示图像中限定的所述感兴趣区域生成特征签名(FESI)(S4),
——基于所生成的特征签名将所述表示图像与存储在医学图像数据库(8)中的至少一个第二患者的多个医学图像(MEDI)进行比较(S5),以及
——将所述数据库中的至少一个医学图像识别为所述医学参考图像(REFI)(S6),所述医学参考图像提供相对于所述表示图像的高于预定阈值的相似度,
其中,使用训练的机器学习算法(40)执行生成的步骤。
2.根据权利要求1所述的方法,其中,提供所述表示图像包括获取所述当前检查图像的数字照片。
3.根据权利要求1或2中任一项所述的方法,其中,限定所述感兴趣区域是基于识别所述表示图像中的解剖特征,其中,所述解剖特征指示患者的病理状况。
4.根据权利要求1至3中任一项所述的方法,其中,所述感兴趣区域的限定由用户手动执行。
5.根据前述权利要求中任一项所述的方法,还包括以下步骤:
——在生成特征签名之前校正所述表示图像中的至少一个伪像(S3)。
6.根据权利要求5所述的方法,其中,校正所述表示图像中的所述伪像包括至少校正以下伪像之一:图像元素网格伪像、灰尘伪像、LCD刷新伪像、照明伪像和由于有限灰度级动态范围引起的伪像。
7.根据权利要求5或6所述的方法,其中,通过训练的机器学习算法(40)来执行校正所述表示图像中的所述伪像。
8.根据前述权利要求中任一项所述的方法,其中,考虑在校正所述表示图像之后剩余的残差伪像来执行所述比较的步骤和识别的步骤。
9.根据前述权利要求中任一项所述的方法,还包括:
——获取所述当前检查图像和所述多个医学图像中的每一个的成像参数,所述成像参数指示用于图像获取的成像模态,以及
——基于所识别的成像参数识别所述参考图像。
10.一种用于识别至少一个医学参考图像(REFI)的***(1),包括:
——接口单元,其适于
基于表示第一患者的身体部位的当前检查图像(CURI)提供(S1)表示图像(REPI),以及
——计算单元(7),其适于
限定(S2)所述表示图像中的感兴趣区域(ROI),
至少针对所述表示图像中的所述感兴趣区域生成(S4)特征签名(FESI),
基于所生成的特征签名将所述表示图像与存储在医学图像数据库(8)中的多个医学图像进行比较(S5),
将所述数据库中的至少一个医学图像识别(S6)为所述医学参考图像(REFI),所述医学参考图像示出相对于所述表示图像的高于预定阈值的相似度,
其中,所述计算单元(7)适于运行训练的机器学习算法(40),用于执行生成的步骤(S4)。
11.根据权利要求9所述的***,其中,所述计算单元(7)还适于校正(S3)所述表示图像中的至少一个伪像。
12.根据权利要求10或11所述的***,适于实现根据权利要求1至9中任一项所述的用于识别至少一个医学参考图像的方法。
13.一种计算机程序产品,包括程序元素,当所述程序元素被加载到***(1)的计算单元(7)的存储器中时,所述程序元素引导所述计算单元(7),用于识别至少一个医学参考图像(REFI)以执行根据权利要求1至9中任一项所述的方法的步骤。
14.一种计算机可读介质,其上存储有程序元素,当所述程序元素由***(1)的计算单元(7)执行时,所述程序元素能够由计算单元(7)读取和执行,用于识别至少一个医学参考图像(REFI),以便执行根据权利要求1至9中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18189090.6A EP3611733A1 (en) | 2018-08-15 | 2018-08-15 | Searching a medical reference image |
EP18189090.6 | 2018-08-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889005A true CN110889005A (zh) | 2020-03-17 |
CN110889005B CN110889005B (zh) | 2024-04-16 |
Family
ID=63363872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910734576.3A Active CN110889005B (zh) | 2018-08-15 | 2019-08-09 | 搜索医学参考图像 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11101032B2 (zh) |
EP (1) | EP3611733A1 (zh) |
CN (1) | CN110889005B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113555125A (zh) * | 2020-04-23 | 2021-10-26 | 西门子医疗有限公司 | 病变分类和分类函数提供方法、分类和成像***以及介质 |
CN113658284A (zh) * | 2020-05-01 | 2021-11-16 | 西门子医疗有限公司 | 用于训练结节检测***的来自ct图像的x射线图像合成 |
CN114359730A (zh) * | 2022-01-05 | 2022-04-15 | 中国科学院地理科学与资源研究所 | 一种无样本条件下农作物种植区快速识别的方法 |
US11348228B2 (en) | 2017-06-26 | 2022-05-31 | The Research Foundation For The State University Of New York | System, method, and computer-accessible medium for virtual pancreatography |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10460446B2 (en) * | 2017-10-16 | 2019-10-29 | Nant Holdings Ip, Llc | Image-based circular plot recognition and interpretation |
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 |
CN112601494A (zh) * | 2018-08-31 | 2021-04-02 | 富士胶片株式会社 | 相似度确定装置、方法及程序 |
US10776989B1 (en) * | 2019-05-13 | 2020-09-15 | Robert Edwin Douglas | Method and apparatus for prioritized volume rendering |
EP4016541A1 (en) | 2018-11-23 | 2022-06-22 | Siemens Healthcare GmbH | Integrated medical image visualization and exploration |
US10915642B2 (en) * | 2018-11-28 | 2021-02-09 | International Business Machines Corporation | Private analytics using multi-party computation |
EP3796210A1 (en) | 2019-09-19 | 2021-03-24 | Siemens Healthcare GmbH | Spatial distribution of pathological image patterns in 3d image data |
US11759110B2 (en) * | 2019-11-18 | 2023-09-19 | Koninklijke Philips N.V. | Camera view and screen scraping for information extraction from imaging scanner consoles |
US11069044B1 (en) * | 2020-03-18 | 2021-07-20 | Adobe Inc. | Eliminating image artifacts using image-layer snapshots |
TWI799705B (zh) * | 2020-05-20 | 2023-04-21 | 倍利科技股份有限公司 | 醫學影像輔助判讀系統 |
EP4098199A1 (en) * | 2021-06-01 | 2022-12-07 | Koninklijke Philips N.V. | Apparatus for medical image analysis |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002025588A2 (en) * | 2000-09-21 | 2002-03-28 | Md Online Inc. | Medical image processing systems |
CN1930586A (zh) * | 2004-03-10 | 2007-03-14 | 皇家飞利浦电子股份有限公司 | 伪像校正 |
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*** |
CN102239495A (zh) * | 2008-12-04 | 2011-11-09 | 皇家飞利浦电子股份有限公司 | 用于采集医学图像数据的方法、装置和计算机程序产品 |
CN102436539A (zh) * | 2010-08-27 | 2012-05-02 | 通用电气公司 | 用于分析和可视化局部临床特征的***和方法 |
WO2015035477A1 (en) * | 2013-09-11 | 2015-03-19 | See-Out Pty Ltd | Image searching method and apparatus |
CN105793867A (zh) * | 2013-12-20 | 2016-07-20 | 西-奥特有限公司 | 图像搜索方法及设备 |
US20160300120A1 (en) * | 2015-04-13 | 2016-10-13 | Varian Medical Systems International Ag. | Image comparison tool tolerant to deformable image matching |
CN107093198A (zh) * | 2016-02-17 | 2017-08-25 | 西门子医疗有限公司 | 用于伪影校正算法的选择方法、用于执行该方法的数据处理设备和医学成像*** |
WO2017149370A1 (en) * | 2016-03-01 | 2017-09-08 | Brightway Vision Ltd. | Gated imaging apparatus, system and method |
US9798612B1 (en) * | 2016-01-14 | 2017-10-24 | Google Inc. | Artifact correction using neural networks |
US20180089840A1 (en) * | 2016-09-26 | 2018-03-29 | Siemens Medical Solutions Usa, Inc. | Automatic Medical Image Retrieval |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3537454B1 (en) | 2018-03-07 | 2020-04-29 | Siemens Healthcare GmbH | Healthcare network |
-
2018
- 2018-08-15 EP EP18189090.6A patent/EP3611733A1/en active Pending
-
2019
- 2019-08-07 US US16/533,998 patent/US11101032B2/en active Active
- 2019-08-09 CN CN201910734576.3A patent/CN110889005B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002025588A2 (en) * | 2000-09-21 | 2002-03-28 | Md Online Inc. | Medical image processing systems |
US20030013951A1 (en) * | 2000-09-21 | 2003-01-16 | Dan Stefanescu | Database organization and searching |
CN1930586A (zh) * | 2004-03-10 | 2007-03-14 | 皇家飞利浦电子股份有限公司 | 伪像校正 |
CN102239495A (zh) * | 2008-12-04 | 2011-11-09 | 皇家飞利浦电子股份有限公司 | 用于采集医学图像数据的方法、装置和计算机程序产品 |
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*** |
CN102436539A (zh) * | 2010-08-27 | 2012-05-02 | 通用电气公司 | 用于分析和可视化局部临床特征的***和方法 |
WO2015035477A1 (en) * | 2013-09-11 | 2015-03-19 | See-Out Pty Ltd | Image searching method and apparatus |
CN105793867A (zh) * | 2013-12-20 | 2016-07-20 | 西-奥特有限公司 | 图像搜索方法及设备 |
US20160300120A1 (en) * | 2015-04-13 | 2016-10-13 | Varian Medical Systems International Ag. | Image comparison tool tolerant to deformable image matching |
US9798612B1 (en) * | 2016-01-14 | 2017-10-24 | Google Inc. | Artifact correction using neural networks |
CN107093198A (zh) * | 2016-02-17 | 2017-08-25 | 西门子医疗有限公司 | 用于伪影校正算法的选择方法、用于执行该方法的数据处理设备和医学成像*** |
WO2017149370A1 (en) * | 2016-03-01 | 2017-09-08 | Brightway Vision Ltd. | Gated imaging apparatus, system and method |
US20180089840A1 (en) * | 2016-09-26 | 2018-03-29 | Siemens Medical Solutions Usa, Inc. | Automatic Medical Image Retrieval |
Non-Patent Citations (2)
Title |
---|
ANNE H.SCHMIEDER;SHELTON D.CARUTHERS;JOCHEN KEUPP;SAMUEL A.WICKLINE;GREGORY M.LANZA;: "Recent Advances in ~(19)Fluorine Magnetic Resonance Imaging with Perfluorocarbon Emulsions", ENGINEERING, no. 04 * |
ANNE H.SCHMIEDER;SHELTON D.CARUTHERS;JOCHEN KEUPP;SAMUEL A.WICKLINE;GREGORY M.LANZA;: "全氟化碳乳剂~(19)F磁共振成像的最新进展", ENGINEERING, no. 04 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11348228B2 (en) | 2017-06-26 | 2022-05-31 | The Research Foundation For The State University Of New York | System, method, and computer-accessible medium for virtual pancreatography |
CN113555125A (zh) * | 2020-04-23 | 2021-10-26 | 西门子医疗有限公司 | 病变分类和分类函数提供方法、分类和成像***以及介质 |
CN113658284A (zh) * | 2020-05-01 | 2021-11-16 | 西门子医疗有限公司 | 用于训练结节检测***的来自ct图像的x射线图像合成 |
CN114359730A (zh) * | 2022-01-05 | 2022-04-15 | 中国科学院地理科学与资源研究所 | 一种无样本条件下农作物种植区快速识别的方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3611733A1 (en) | 2020-02-19 |
US11101032B2 (en) | 2021-08-24 |
CN110889005B (zh) | 2024-04-16 |
US20200058390A1 (en) | 2020-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889005B (zh) | 搜索医学参考图像 | |
US10129553B2 (en) | Dynamic digital image compression based on digital image characteristics | |
US10304198B2 (en) | Automatic medical image retrieval | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及*** | |
US7885443B2 (en) | Facilitating temporal comparison of medical images | |
US10722210B2 (en) | Method for memorable image generation for anonymized three-dimensional medical image workflows | |
US10825149B2 (en) | Defective pixel correction using adversarial networks | |
JP5026939B2 (ja) | 画像処理装置およびそのプログラム | |
CN111540025B (zh) | 预测用于图像处理的图像 | |
US20150003702A1 (en) | Processing and displaying a breast image | |
CN103222876A (zh) | 医用图像处理装置、图像诊断装置、计算机***以及医用图像处理方法 | |
WO2019146358A1 (ja) | 学習システム、方法及びプログラム | |
KR102067412B1 (ko) | 치매 평가 방법 및 이를 이용한 장치 | |
KR101923962B1 (ko) | 의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치 | |
US9454814B2 (en) | PACS viewer and a method for identifying patient orientation | |
CN116869555A (zh) | 扫描协议调节方法、装置以及存储介质 | |
JP2020174861A (ja) | 情報処理装置、情報処理方法およびプログラム | |
WO2022194855A1 (en) | Detecting abnormalities in an x-ray image | |
CN110709888B (zh) | 信息处理装置和用于控制信息处理装置的方法 | |
US11798159B2 (en) | Systems and methods for radiology image classification from noisy images | |
Zhou et al. | Deep learning-based all-in-one combined visualization strategy for disease screening in CT imaging | |
JP2023080703A (ja) | 医用画像処理装置、方法及びプログラム | |
JP2021194139A (ja) | 画像表示装置及びプログラム | |
Dreyer et al. | Digital imaging fundamentals | |
JP2013052254A (ja) | 放射線画像補正装置および動作方法ならびにプログラム |
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 |