CN112567472A - 控制图像处理器 - Google Patents
控制图像处理器 Download PDFInfo
- Publication number
- CN112567472A CN112567472A CN201980052714.8A CN201980052714A CN112567472A CN 112567472 A CN112567472 A CN 112567472A CN 201980052714 A CN201980052714 A CN 201980052714A CN 112567472 A CN112567472 A CN 112567472A
- Authority
- CN
- China
- Prior art keywords
- image
- medical
- workload
- image processor
- processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000011976 chest X-ray Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 206010030113 Oedema Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000002151 Pleural effusion Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012549 training Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种用于控制图像处理器的装置(100)。所述装置包括:医学图像识别器(102),其用于识别要处理的医学图像;工作负荷分析器(104),其用于确定一个或多个医学专业人员的工作负荷;图像处理器(106),其用于执行关于所识别的医学图像的一个或多个图像处理任务,所述图像处理器具有与之相关联的用于执行所述一个或多个图像处理任务的置信水平;以及控制器(108),其被配置为基于所确定的所述一个或多个医学专业人员的工作负荷并基于与所述图像处理器相关联的所述置信水平来确定是否要使用所述图像处理器来执行关于所识别的医学图像的一个或多个图像处理任务。
Description
技术领域
本发明涉及控制图像处理器,并且更具体地涉及基于医学专业人员的工作负荷来控制图像处理器。
背景技术
已经证明例如使用涉及人工智能的技术使任务自动化会在各种领域中提高效率。通过引入自动化流程(例如使用计算机而不是人来执行任务),能够更快地完成任务。然而,用于执行通常会由熟练且有经验的人执行的任务的计算机实施的***可能不会100%准确。
其中正确执行任务的结果会排除计算机执行任务的实施方式的一个特定领域是健康护理。例如,放射学涉及捕获对象的医学图像以及分析或处理那些医学图像(例如通过在图像中寻找无法简单地从外部检查对象而研究的异常)以研究医学状况。可以由一个或多个医学专业人员(例如,放射科医师)来处理并分析放射学检查结果(其可以包括医学图像),这一个或多个医学专业人员的角色是解读检查结果并根据放射学检查结果来建立一些理解。虽然能够由适当的医学专业人员高效执行涉及分析放射学检查结果的各种任务,但是每个任务能够是特别耗时的,从而会花费医学专业人员的宝贵时间。
处理放射学检查结果构成医学专业人员(例如,放射科医师)的总体角色的一小部分。由于成像流程变得更加容易获得并且患者要求更大的诊断确定性,因此医学专业人员必须花费大部分时间来致力于分析放射学检查结果。工作负荷增大会导致可能产生疲劳。医学专业人员疲劳会不利地影响其工作质量,并且在放射科医师的情况下会导致放射学报告质量降低。在极端情况下,疲劳的放射科医师可能会错过存在于放射学检查结果中的重要特征,这会导致威胁生命的结果。
因此,需要能够解决一些上面识别的问题的机构。例如,需要能够通过执行一个或多个任务以降低医学专业人员的工作负荷来辅助医学专业人员的装置。
发明内容
本公开内容的发明人已经认识到:可以例如通过执行使用计算机实施的图像处理技术执行处理来实现自动化处理一些放射学检查结果(例如,医学图像)。此外,已经认识到:可以在医学专业人员的工作负荷增大或特别高的时候实施这样的自动化过程,以便减小医学专业人员变得疲劳的机会。
根据第一方面,各种实施例提供了一种用于控制图像处理器的装置,所述装置包括:医学图像识别器,其用于识别要处理的医学图像;工作负荷分析器,其用于确定一个或多个医学专业人员的工作负荷;图像处理器,其用于执行关于所识别的医学图像的一个或多个图像处理任务,所述图像处理器具有与之相关联的用于执行所述一个或多个图像处理任务的置信水平;以及控制器,其被配置为:基于所确定的所述一个或多个医学专业人员的工作负荷并基于与所述图像处理器相关联的所述置信水平来确定是否要使用所述图像处理器来执行关于所识别的医学图像的一个或多个图像处理任务。
以这种方式,可以在适当的时间(例如当医学专业人员或医学专业人员的团队的工作负荷增大阈值量时)实施图像处理器(例如,计算机实施的图像处理器)。如果医学专业人员的工作负荷并不需要来自图像处理器的辅助,则可以不实施图像处理器。如果医学专业人员的工作负荷特别高,则减轻医学专业人员的任务中的一些任务可以有助于减小医学专业人员变得疲劳的机会,并且因此,这可以降低医学专业人员出错或犯错的风险。
在一些实施例中,所述控制器还可以被配置为响应于确定所述图像处理器要被使用而基于所确定的所述一个或多个医学专业人员的工作负荷来操作所述图像处理器以执行关于所识别的医学图像的一个或多个图像处理任务。
所述工作负荷分析器可以被配置为基于决策模型来确定一个或多个医学专业人员的所述工作负荷。
在一些实施例中,所述工作负荷分析器可以被配置为基于以下各项中的至少一项来确定一个或多个医学专业人员的所述工作负荷:与所述一个或多个医学专业人员相关联的工作列表;能用于处理医学图像的医学专业人员的数量的指示;一个或多个医学专业人员处理医学图像所花费的时间的指示;从与所述一个或多个医学专业人员相关联的生物传感器采集的生物特征数据。
在一些实施例中,所识别的要处理的医学图像可以包括与所述医学图像相关的放射专科的指示。所述工作负荷分析器可以被配置为基于所述放射专科的所述指示来确定一个或多个医学专业人员的所述工作负荷。
所述图像处理器可以包括以下各项中的一项:图像处理引擎;预测模型引擎;机器学习引擎;人工神经网络;以及统计分析引擎。
在一些实施例中,所述图像处理器可以被配置为进行以下各项中的至少一项:检测所述医学图像内的定义实体;确定所述医学图像内的定义实体的位置;确定所述医学图像内的定义实体的至少一个边界;确定所述医学图像内的定义实体的至少一个尺寸;确定所述医学图像内的定义实体的体积;确定对所述医学图像内的定义实体的诊断;确定与所述医学图像内的定义实体有关的预后信息;以及基于所述医学图像内的定义实体来确定针对所述医学图像涉及的对象的处置选项。
在一些实施例中,所述控制器可以被配置为基于所确定的所述一个或多个医学专业人员的工作负荷来定义或调节所述图像处理器的参数。
所述控制器可以被配置为在与所述图像处理器相关联的所述置信水平满足或超过定义的置信阈值的情况下确定所述图像处理器要执行关于所识别的医学图像的一个或多个图像处理任务。
所述控制器可以被配置为基于所确定的所述一个或多个医学专业人员的工作负荷来调节所述置信阈值。
在一些实施例中,所述装置还可以包括报告生成器,其用于基于所述图像处理器的输出来生成报告的至少部分。
在一些实施例中,所述装置还可以包括用户接口,其用于将所生成的报告的至少部分呈现给用户。
根据第二方面,各种实施例提供了一种工作站,包括如本文中公开的装置。
根据第三方面,各种实施例提供了一种控制图像处理器的方法。所述方法包括:获得要处理的医学图像的指示;获得一个或多个医学专业人员的工作负荷的指示;并且基于所述一个或多个医学专业人员的所述工作负荷的所述指示并基于与图像处理器相关联的用于执行一个或多个图像处理任务的置信水平来确定是否要使用所述图像处理器来执行关于所述医学图像的一个或多个图像处理任务。
在一些实施例中,所述方法还可以包括:响应于确定所述图像处理器要被使用而基于所确定的所述一个或多个医学专业人员的工作负荷来操作所述图像处理器以执行关于所述医学图像的一个或多个图像处理任务。
根据第四方面,各种实施例提供了一种计算机程序产品,包括非瞬态计算机可读介质,所述计算机可读介质具有被实施在其中的计算机可读代码,所述计算机可读代码被配置为使得在被合适的计算机或处理器运行时使所述计算机或处理器执行本文中公开的方法中的任一种方法。
参考下文描述的实施例,本发明的这些方面和其他方面将变得显而易见并且得到阐述。
附图说明
为了更好地理解本发明并且为了更清楚地示出可以如何实施本发明,现在将仅以示例的方式来参考附图,在附图中:
图1是根据各种实施例的用于控制图像处理器的装置的示例的简化的示意性图示;
图2是根据各种实施例的用于控制图像处理器的装置的另外的示例的简化的示意性图示;
图3是根据各种实施例的工作站的示例的简化的示意性图示;
图4是根据各种实施例的控制图像处理器的方法的示例的流程图;
图5是根据各种实施例的控制图像处理器的方法的另外的示例的流程图;并且
图6是处理器和计算机可读介质的简化的示意性图示。
具体实施方式
本文中公开的实施例提供了可以在具体情况下通过其实施自动化(例如计算机实施的)图像处理器来辅助执行图像处理任务的医学专业人员的机构。例如,计算机实施的图像处理器可以用于基于一个或多个医学专业人员的工作负荷来执行一个或多个图像处理任务。在一些示例中,如果医学专业人员的工作负荷增大至有必要进行辅助的水平,则可以实施图像处理器。
根据各种实施例,图1是用于控制图像处理器的装置100的示例的简化的示意性图示。装置100包括用于识别要处理的医学图像的医学图像识别器102。本文中使用的术语“处理”旨在覆盖任何类型的图像处理,并且可以具体涉及用于在对医学图像的医学分析中使用的处理(例如识别图像中的可以指示异常或医学状况的目标)。在图1中示出了医学图像110的示例。医学图像110可以形成放射学检查结果(其也被称为放射学检查研究或医学成像研究)的部分。在一些实施例中,放射学检查结果可以仅包括医学图像,而在其他实施例中,放射学检查结果除了可以包括一幅或多幅医学图像以外,还可以包括诸如文本、一个或多个数据字段中包括的数据、注释等的其他信息。可以使用任何医学成像模态或技术来采集医学图像110,这些医学成像模态或技术包括例如X射线成像、磁共振成像(MRI)、超声波检查或超声、正电子发射断层摄影(PET)、计算机断层摄影(CT)和单光子发射计算机断层摄影(SPECT)。本领域技术人员熟悉的其他成像模态也可以用于采集医学图像110。
医学图像110可以与对象相关联。本文中使用的术语“对象”旨在指的是能够例如使用上面提到的技术中的一种技术采集关于其的医学图像110的任何人或动物。对象可以例如包括例如出于研究、诊断或预后目的而已经采集了关于其的医学图像110的医学设施的患者。
要处理的医学图像110可以包括多幅(例如通过已经关于其执行了一个或多个图像处理任务)要处理的医学图像中的一幅医学图像。列表(例如,工作列表)中可以包括医学图像110或使得医学图像能够被识别的某种名称、标签或其他识别单元。医学专业人员或医学专业人员的团队可以通过工作列表(继而处理每幅医学图像)或者根据某种定义的优先级顺序来进行工作。
医学图像识别器102可以使用医学图像的名称或识别单元来识别要处理的医学图像110,并且可以向医学专业人员提供所识别的医学图像以用于处理。例如,多幅医学图像可以被存储在计算设备的存储介质中或者被存储在服务器中。一旦已经识别出要处理的医学图像110,就可以从存储介质获得或采集医学图像并且可以将该医学图像提供为能由用户(例如,医学专业人员,例如,放射科医师)(例如经由计算设备或工作站)访问。
在一些实施例中,医学图像110可以与多幅其他医学图像一起被存储在图片存档与通信***(PACS)中,医学图像(例如,放射学检查结果)可以经由PACS在医学设施内的医学专业人员之间共享或者在多个医学设施之间共享。因此,可以在PACS工作列表中列出多幅医学图像(或多个识别医学图像的标识或标签)。工作列表(例如,PACS工作列表)可以特定于具体团队或放射专科(例如,上面描述的专业)。工作列表中列出的放射学检查结果可以包括根据医学数字成像和通信(DICOM)标准布置的数据。例如,工作列表中的每个入口可以包括医学图像110和相关联的数据。放射学检查结果可以包括一幅或多幅医学图像,并且可以额外地包括与(一幅或多幅)医学图像110相关联的数据。例如,放射学检查结果可以包括识别对象的数据(例如,对象的姓名、出生日期、患者识别号码、医学记录号码、医学成像研究访问ID等)。在一些实施例中,放射学检查结果可以包括相关医学状况的指示(例如,对象正在遭受或怀疑遭受的医学状况或形成医学成像研究的对象的医学状况)。在一些示例中,放射学检查结果可以包括用于捕获医学图像的成像模态(例如,X射线、CT、MRI等)的指示。放射学检查结果可以包括医学图像110中捕获的身体部分和/或解剖目标的指示。例如,这样的指示可以包括识别从其捕获医学图像110的对象的身体的区域(例如,头部、骨盆、胸部等)的标签。
装置100还包括用于确定一个或多个医学专业人员的工作负荷的工作负荷分析器104。医学专业人员的工作负荷可以例如包括医学专业人员已经完成或预期或安排在一段时间内完成的工作量的指示或量度。在其他示例中,可以使用其他度量来定义或估计医学专业人员的工作负荷。
在一些示例中,工作负荷分析器104可以接收来自一个或多个源的输入数据。模型可以用于基于一些或所有输入数据来计算医学专业人员的工作负荷的指示。在一个示例中,工作负荷分析器104可以被配置为基于模型(例如,决策模型)来确定一个或多个医学专业人员的工作负荷。在一些实施例中,例如,模型(例如,决策模型)可以包括代数模型、统计模型和预测模型中的一个或多个将会停止,预测模型可以包括使用机器学习技术开发的模型,由此使用一组训练数据对模型进行训练。工作负荷分析器104可以(例如使用决策模型)输出一个或多个医学专业人员的工作负荷的指示。在一些示例中,工作负荷指示可以包括例如在数值尺度上表示的工作负荷评估分数。该数值尺度可以是从0到1,其中,0指示最小工作负荷,而1指示最大工作负荷。在其他示例中,可以以5项尺度(例如,0到4)表示数值尺度,其中,0指示最小工作负荷,而4指示最大工作负荷。在其他示例中,可以以另一方式(例如,百分比)来指示工作负荷。
在一些实施例中,工作负荷分析器104可以被配置为基于以下各项中的至少一项来确定一个或多个医学专业人员的工作负荷:与一个或多个医学专业人员相关联的工作列表;能用于处理医学图像的医学专业人员的数量的指示;一个或多个医学专业人员处理医学图像所花费的时间的指示;从与一个或多个医学专业人员相关联的生物传感器采集的生物特征数据。
与医学专业人员相关联的工作列表可以例如包括上面讨论的根据其确定或识别要处理的医学图像110的工作列表。例如,工作列表可以包括PACS工作列表。工作负荷分析器104可以获得和/或分析这样的工作列表,以便根据工作列表来确定医学专业人员的工作负荷的量度。例如,工作负荷分析器104可以确定工作列表上的医学图像/检查结果110的数量何时超过定义的阈值。在其他示例中,工作负荷分析器104可以确定工作列表上的医学图像/检查结果110的数量何时已经增大或减少,并且可以确定增大或减少的量度。可以针对具体持续时间来测量变化(例如,增大或减少)。例如,工作负荷分析器104可以确定工作列表上的实例的数量在过去一小时内已经增加了10%。在另一示例中,工作负荷分析器104可以确定工作列表上的实例的数量在具体时间和/或在具体天倾向于增大(例如工作列表上的实例的数量倾向于在星期一上午10点左右增大10%)。
能用于处理医学图像110的医学专业人员的数量的指示可以用作一个或多个医学专业人员的工作负荷的指标,因为这将会提供有多少医学专业人员(例如,放射科医师)能用于辅助处理(例如在工作列表中)等待处理的医学图像的指示。可以通过确定签到或登录特定***(例如,PACS客户端)的医学专业人员的数量来获得这样的指示。在另一示例中,可以通过确定哪些医学专业人员最近(例如在过去一小时内)处理过医学图像来确定可用的医学专业人员的数量的指示。
可以在确定(一个或多个)医学专业人员的工作负荷时使用一个或多个医学专业人员处理医学图像110所花费的时间的指示。例如,如果确定医学专业人员的平均医学图像处理时间已经减少,则这可以指示工作负荷增大(例如在医学专业人员正在忙于医学图像的处理以便完成等待处理的医学图像的情况下)。
在一些实施例中,从与一个或多个医学专业人员相关联的生物传感器采集的生物特征数据可以用于确定工作负荷水平。医学专业人员可以穿戴生物传感器(例如,心率监测器、血压监测器等),以便监测医学专业人员的一个或多个特性。超过阈值水平的医学专业人员的特性(例如,心率)的变化(例如,增大)或阈值量的医学专业人员的特性(例如,心率)的变化(例如,增大)可以指示医学专业人员的工作负荷增大。在一些示例中,一个或多个生物传感器可以并入由医学专业人员穿戴的可穿戴设备(例如,智能手表)。
上面识别的指示或测量结果中的任一个可以由工作负荷分析器104在确定一个或多个医学专业人员的工作负荷时使用。在一些示例中,如果使用多个测量结果或指示,可以获得更准确的工作负荷量度。
在一些实施例中,当确定该医学专业人员的工作负荷时,工作负荷分析器104可以考虑团队、部门、放射专科和/或医学专业人员的专长的领域(也被称为放射科)。在一些示例中,医学设施(例如,医院)可以包括放射专科,包括神经学、腹部、胸部、肌肉骨骼、儿科学、核医学和***。在其他示例中,工作负荷分析器104可以考虑与要处理的医学图像110相关的处理的特定类型或检查的特定类型。例如,可以针对每个团队、部门或专业和/或针对医学图像所需的每种类型的检查(例如,普通放射学检查或专科放射学检查(例如,神经学、腹部、胸部))来确定单独的工作负荷。在一些实施例中,工作负荷分析器104可以基于对象的身体的部分或捕获其医学图像的解剖目标来确定工作负荷。更一般地,工作负荷分析器104可以基于与医学图像相关的放射专科或者阅读或分析医学图像/检查结果的(一个或多个)医学专业人员的放射专科来确定工作负荷。因此,所识别的要处理的医学图像可以包括与医学图像相关的放射专科的指示。工作负荷分析器104可以被配置为基于放射专科的指示来确定一个或多个医学专业人员的工作负荷。以这种方式,可以确定医学专业人员的特定子集的工作负荷,使得仅考虑相关医学专业人员(例如,具有相关放射专科的那些医学专业人员)的工作负荷。
装置100还包括用于执行关于所识别的医学图像110的一个或多个图像处理任务的图像处理器106。图像处理器可以具有与之相关联的用于执行一个或多个图像处理任务的置信水平。在一些实施例中,装置100可以包括多个图像处理器106。每个图像处理器106可以被配置为执行关于医学图像110的至少一个图像处理任务。图像处理器106或图像处理器可以例如包括被配置为执行一个或多个图像处理任务的电路或引擎。在一些示例中,图像处理器106可以包括以下各项中的一项:人工智能引擎;图像处理引擎;预测模型引擎;机器学习引擎;人工神经网络;以及统计分析引擎。机器学习引擎可以采用机器学习领域中的技术人员所熟悉的机器学习技术,包括例如决策树算法、人工神经网络、深度学习神经网络、支持向量机、贝叶斯网络等。
图像处理器106可以例如被配置为自动处理放射学图像数据(例如,医学图像110)并基于所执行的特定图像处理任务来提供输出。
图像处理器106可以被配置为执行任何图像处理任务,特别是与医学图像分析的领域相关的图像处理任务。在一些示例中,图像处理器106可以被配置为检测医学图像110中的定义实体的存在。例如,图像处理器可以被配置为在检测医学图像110中可见或可检测到的病灶、肿瘤、异常、骨折、撕裂或某种其他特征的存在。在一些示例中,图像处理器106可以被配置为定位或确定医学图像中的定义实体(例如,病灶、肿瘤、异常等)的位置(例如,(例如使用坐标系)识别位置)。在一些示例中,图像处理器106可以被配置为确定定义实体或检测到的实体的至少一个边界。例如,一旦已经由图像处理器106中的一个图像处理器检测到定义实体,图像处理器(例如,执行检测的相同图像处理器或图像处理器中的不同图像处理器)就可以定位和/或检测定义实体的一个或多个边界。在一些示例中,图像处理器106可以确定定义实体或检测到的实体的至少一个大小、尺寸或体积。例如,尺寸可以包括长度、宽度、高度或深度。这可以被称为对定义实体的量化。可以使用所确定的尺寸中的一个或多个尺寸和/或一种或多种其他方法来确定或估计定义实体的体积。在一些示例中,图像处理器106可以被配置为执行关于医学图像中的定义实体的分割任务(例如,病灶分割)。例如,可以将定义实体(例如,病灶)进行分割、勾画或在视觉上与医学图像的其他部分分开。在一些示例中,图像处理器106可以被配置为确定医学图像的一个或多个特性或特征随时间(例如与先前捕获的医学图像相比)的变化。图像处理器106可以被配置为确定对定义实体的诊断。例如,图像处理器106可以被配置为辨识或确定存在于医学图像中的表示特定医学状况的特征。在进行这样的确定时,图像处理器106的输出可以与从另一源(例如,与对象相关联的电子健康记录)获得的信息进行组合。在一些实施例中,图像处理器106可以被配置为基于检测到的实体来确定处置选项。可以例如使用查找表或数据库基于定义实体的性质和/或使用预测模型(例如,机器学习模型)来进行这样的确定。
在一些示例中,图像处理器106可以被配置为基于一个或多个参数或变量来执行关于医学图像110的图像处理任务。可以自动地(例如经由处理器)或由用户(例如,医学专业人员)手动地配置参数或变量。一个这样的参数可以包括图像处理器106要进行的确定的数量。例如,图像处理器106可以被配置为基于对医学图像110的处理而仅进行一个确定(例如,检测定义实体)。在其他示例中,然而,图像处理器106可以被配置为基于对医学图像110的处理来进行多个确定(例如,检测定义实体,表征或确定定义实体的性质,确定定义实体的体积,以及确定针对对象的合适的处置选项)。可以通过调节图像处理器的相关变量来选择要由图像处理器106或由多个图像处理器执行的处理的量(例如,处理任务的数量)。在一个示例中,图像处理器106可以被配置为针对一个或多个定义实体(例如,水肿、骨折、节结、未预期的肿块、胸腔积液等)来分析或搜索医学图像110。
可以被(例如自动地或手动地)配置的图像处理器106的另一参数包括图像处理器的置信水平或置信阈值(其也被称为灵敏度阈值或水平)。图像处理器106的置信水平/阈值可以被配置和/或调节为使得只有由图像处理器进行的确定满足或超过定义的阈值(例如,定义的置信阈值)的情况下图像处理器才提供输出。当与在相对较高的置信阈值处操作的图像处理器相比存在较少的证据时,在相对较低的置信阈值处操作的图像处理器106可以产生发现(例如,输出)。例如,与置信阈值被设置为60%的情况相比,以被设置为90%的置信阈值操作的图像处理器106提供输出(例如完成它被配置为执行的处理任务)的可能性较小。然而,与置信阈值被设置为60%的情况相比,在置信阈值被设置为90%的情况下,输出不准确(例如,假阳性)的可能性较小。
装置100还包括控制器108。控制器108可以***作性地耦合到医学图像识别器102、工作负荷分析器104和/或图像处理器106。因此,在一些实施例中,控制器108可以控制它***作性耦合到的装置100的元件中的一个或多个元件。控制器108可以包括一个或多个处理器或处理电路,并且可以被配置为运行在例如能由处理器/控制器访问的存储介质上存储的指令集。
控制器108被配置为基于所确定的一个或多个医学专业人员的工作负荷来确定是否要使用图像处理器106来执行关于所识别的医学图像110的一个或多个图像处理任务。对是否要使用图像处理器106来执行关于所识别的医学图像的一个或多个图像处理任务的确定也是基于与图像处理器相关联的置信水平。例如,如果一个或多个医学专业人员的工作负荷超过预期水平,并且特定图像处理器的置信水平超过定义的置信阈值(由此表明图像处理器能够提供满足最低要求的置信水平的输出),则图像处理器能够被实施并且用于执行图像处理任务。在一些实施例中,控制器可以使用推理模块、一个或多个规则或一个或多个查找表来解读工作负荷分析器104的输出。例如,控制器108可以将来自工作负荷分析器104的数值输出(例如,工作负荷评估分数)转换成用于图像处理器106的变量规范或指令。在一般的示例中,如果工作负荷分析器104的输出指示(一个或多个)医学专业人员的工作负荷高于阈值水平,则控制器108可以确定图像处理器106应当用于执行关于医学图像110的一个或多个图像处理任务。换句话说,如果确定医学专业人员变得太忙或者医学专业人员关于要处理的任何医学图像的处理质量存在降低的风险,则控制器108因此可以实施图像处理器106来使医学专业人员减轻处理任务的一些负担。因此,控制器108可以被配置为响应于确定一个或多个医学专业人员的工作负荷高于定义的阈值水平而实施图像处理器106。
在一些示例中,如果工作负荷分析器104确定医学专业人员的工作负荷低于定义的阈值水平,则控制器108可以确定不需要来自图像处理器106的辅助,因此可以不实施图像处理器。另一方面,控制器108还可以被配置为响应于确定图像处理器106要被使用而基于所确定的一个或多个医学专业人员的工作负荷来操作图像处理器以执行关于所识别的医学图像110的一个或多个图像处理任务。因此,如果确定工作负荷超过阈值水平,则控制器108可以自动实施图像处理器106和/或操作图像处理器以执行一个或多个图像处理任务。在其他实施例中,然而,如果确定工作负荷超过阈值水平,则控制器108可以生成警报或者生成用于递送给用户(例如,医学专业人员)的指示,使得用户能够关于是否应当实施图像处理器106进行决策。
在一些实施例中,控制器108可以被配置为在与图像处理器相关联的置信水平满足或超过定义的置信阈值的情况下确定图像处理器106要执行关于所识别的医学图像110的一个或多个图像处理任务。例如,如果只有在能够以90%或更高的置信度提供输出的情况下才需要使用自动(即,计算机实施的)图像处理辅助,则定义的置信阈值可以被设置在90%处。因此,只有它具有等于或大于90%的相关联的置信水平时,才可以实施图像处理器106。图像处理器106的置信水平可以被分配给它或者由图像处理器本身来确定,例如在图像处理器包括人工智能引擎/模型、预测模型引擎、机器学***。
在一些实施例中,控制器108还可以确定要由图像处理器106执行的特定图像处理任务。在装置包括多个图像处理器106的实施例中,控制器108可以确定要实施多个图像处理器中的哪个图像处理器,并且(一个或多个)选定的图像处理器应当执行关于医学图像110的哪个或哪些任务。
一旦已经实施了图像处理器106,就可以继续使用图像处理器106(例如图像处理器可以用于执行关于要处理的每幅医学图像的特定图像处理任务),直到控制器108接收到另外的指令,直到控制器确定不再需要图像处理器106,或者直到控制器确定需要实施不同的或额外的图像处理器。控制器108对图像处理器106的实施可以被认为是动态的,因为对是否要使用图像处理器106的确定以及对要使用哪个(哪些)图像处理器的确定可以响应于医学专业人员的工作负荷而改变。因此,工作负荷分析器104可以不断地或重复地确定医学专业人员的工作负荷,并且可以持续地或间隙地更新要使用还是不使用图像处理器106来辅助医学专业人员的决策。
在一些实施例中,控制器108可以被配置为响应于确定一个或多个医学专业人员的工作负荷已经增大了阈值量而实施图像处理器106。因此,未预期的或未考虑的医学专业人员的工作负荷的增大可以促使控制器108实施图像处理器106或多个图像处理器来辅助医学专业人员。在一些示例中,可以在定义的时间段内测量工作负荷的任何变化。因此,控制器108可以被配置为响应于确定一个或多个医学专业人员的工作负荷已经在定义的时间段内增大了阈值量而实施图像处理器106。例如,如果确定医学专业人员的工作负荷已经在一个小时的间隔内增大了10%,则这可以指示医学专业人员会受益于来自计算机实施的图像处理器106的辅助,因此控制器108可以实施图像处理器。
如果已经(例如基于所确定的一个或多个医学专业人员的工作负荷)确定了图像处理器106,则控制器108可以响应于所确定的工作负荷的变化而调整图像处理器的操作。因此,在一些示例中,控制器108可以被配置为基于所确定的一个或多个医学专业人员的工作负荷来定义或调节图像处理器106的参数。例如,如果工作负荷分析器104的输出指示医学专业人员的工作负荷已经从“中”增大至“中高”,则控制器108可以降低图像处理器106的置信阈值并且/或者可以增大要由图像处理器进行的确定的数量。以这种方式,更多地利用图像处理器106并且图像处理器可能生成更大数量的输出(例如由于置信阈值),从而减少医学专业人员的负担。因此,如上面提及的,图像处理器106可以被配置为基于置信阈值来执行关于所识别的医学图像110的一个或多个图像处理任务。控制器108可以被配置为基于所确定的一个或多个医学专业人员的工作负荷来调节置信阈值。在其他示例中,控制器108可以被配置为基于所确定的一个或多个医学专业人员的工作负荷来定义或调节图像处理器106的另一参数。
图2是用于控制图像处理器的装置200的另外的示例的简化示意图。装置200可以包括如本文中公开的医学图像识别器102、工作负荷分析器104、图像处理器106和/或控制器108。在一些实施例中,装置200还可以包括用于基于图像处理器106的输出来生成报告的至少部分的报告生成器202。例如,如果图像处理器106检测到医学图像110中的定义实体,则可以生成已经检测到定义实体的指示以包括在报告中。在一些实施例中,报告生成器202可以仅生成报告的部分(章节、段落或文本的单元),而在其他实施例中,报告生成器202可以生成整个报告。
报告生成器202可以被配置为以计算机可读格式(例如,XML或JSON)生成报告或报告的部分。在其他示例中,报告生成器202可以被配置为以人类可读格式生成报告或报告的部分。在一些实施例中,报告生成器202可以被配置为将图像处理器106的输出转换成人类可读格式。在一些实施例中,装置100、200或报告生成器202可以包括将计算机可读格式(或其部分)转换成人类可读格式的格式转换单元。可以基于一个或多个规则来进行这样的转换。在一个示例中,图像处理器106可以生成指示以80%的确定性在胸部X射线中检测到水肿的输出。在该示例中,报告生成器202可以将该发现转换成适合用于报告的文本,例如,指示“已经以高确定性检测到水肿”的句子。
在一些实施例中,装置200还可以包括用于将所生成的报告的至少部分呈现给用户的用户接口204。例如,可以经由用户接口204将由报告生成器202生成的报告或报告的部分呈现给用户。在一些示例中,用户接口204可以以用户可编辑方式呈现信息(例如,报告),使得用户能够修改报告。在一些示例中,可以呈现由报告生成器202生成的任何报告以供医学专业人员进行审查,因为仅用户接口106的输出可能并不足够可靠。
在下面描述了可以如何使用装置100、200的说明性示例。工作负荷分析器104可以确定在11am左右医学专业人员经历从“正常”水平到“中高”水平的增大的工作负荷。医学图像识别器102可以识别出要处理医学图像110。鉴于工作负荷增大,控制器108可以确定应当实施图像处理器106来执行关于医学图像110的图像处理任务。在该示例中,图像处理器106应当在胸部部分中执行对胸部X射线的解读。图像处理器106可以例如被配置为确定医学图像是否显得“正常”(例如不表现出异常的迹象或定义实体(例如,在骨骼X射线的情况下为骨折的骨骼))。由于工作负荷仅被认为是中高的,因此图像处理器106的参数被设置为使得图像处理器产生仅针对高度可能(例如具有大于99%的置信水平)是“正常”(即,没有异常存在)的那些胸部X射线的输出。一旦图像处理器106已经执行了其关于医学图像110的图像处理任务,就可以(例如使用报告生成器202)生成报告并提供报告以呈现给正在解读的放射科医师以便进行进一步审查。如果解读的放射科医师同意图像处理器106的发现,正在解读的放射科医师可以批准该报告。
在另一示例中,如果工作负荷增加得太“高”,则可以降低置信阈值(例如从99%降低至95%),使得如果处理的结果可能(例如具有大于95%的置信阈值)是“正常的”,图像处理器106就处理医学图像110。因此,鉴于工作负荷增大,图像处理器106要处理更大数量的医学图像。在一些示例中,如果医学专业人员的工作负荷极其高,则装置100、200(或报告生成器202)可以被配置为生成最终报告,该最终报告不会被传送到医学专业人员以进行审查。
根据第二方面,本文中公开的各种实施例提供了工作站。在一些示例中,装置100、200可以包括工作站或者被并入到工作站中。图3是工作站300的示例的简化示意图。工作站300可以包括如本文中公开的装置100、200。工作站300还可以包括显示屏302和/或用户输入设备304(例如,键盘)。
根据第三方面,本文中公开的各种实施例提供了用于控制图像处理器的方法。图4是用于控制图像处理器(例如,图像处理器106)的方法400的示例的流程图。方法400包括:在步骤402处,获得要处理的医学图像的指示。如上面所讨论的那样,可以例如从工作列表(例如,PACS工作列表)获得或采集要处理的医学图像的指示。在步骤402处,方法400包括获得一个或多个医学专业人员的工作负荷的指示。如上面所讨论的那样,可以例如从工作负荷分析器104或使用工作负荷分析器104获得工作负荷的指示。方法400包括:在步骤406处,基于一个或多个医学专业人员的工作负荷的指示并基于与图像处理器相关联的用于执行一个或多个图像处理任务的置信水平来确定是否要使用图像处理器来执行关于医学图像的一个或多个图像处理任务。例如,如果在步骤406处确定一个或多个医学专业人员的工作负荷满足或超过阈值水平,并且与特定的图像处理器相关联的置信水平满足一定要求(例如,定义的阈值置信水平),则可以实施该特定的图像处理器以执行关于医学图像的图像处理任务,以便减小医学专业人员的负担并且减轻其工作负荷。
图5是用于控制图像处理器的方法500的另外的示例的流程图。方法500可以包括上面讨论的方法400中的一个或多个步骤。方法500还可以包括:在步骤502处,响应于确定图像处理器要被使用而基于所确定的一个或多个医学专业人员的工作负荷来操作图像处理器以执行关于医学图像的一个或多个图像处理任务。在一些示例中,该方法可以包括确定应当实施多个图像处理器106中的哪个图像处理器以及(一个或多个)选定的图像处理器应当执行哪些图像处理任务。
在一些实施例中,方法400、500还可以包括基于图像处理器的输出来生成报告的至少部分。在一些实施例中,方法400、500还可以包括递送报告的至少部分以便呈现给用户,或者将报告的至少部分呈现给用户。例如,如上面所讨论的那样,可以经由用户接口204将报告(或其部分)呈现给用户。
使用如上面讨论的方法400、500控制图像处理器可以有助于在医学专业人员的工作负荷被认为特别高时减轻医学专业人员的工作负荷。此时,医学专业人员可能开始疲劳,这会导致在放射学检查期间出错或犯错。本文中公开的方法可以有助于减小发生这样的错误的机会。
下面参考两个示例来描述本发明的实施例,在第一示例中,单个图像处理器106能用于执行图像处理任务,而在第二示例中,多个图像处理器能用于执行图像处理任务。示例考虑了工作列表包含例如要由放射科医师处理的许多检查结果(例如,医学图像)的情况。
示例1
在该示例中,一个图像处理器106能用于执行图像处理任务。例如,图像处理器106可以包括能够阅读胸部X射线并通过评估在扫描上存在正常还是异常的病理学发现来分析胸部X射线的处理器(例如,AI引擎)。
基于对进入的放射学检查结果的连续分析,能够创建函数h,使得对于x∈[0,1],
在上面的定义中,如果检查结果(即,医学图像)能够被图像处理器阅读或分析,则检查结果(即,医学图像)是“合格的”。例如,对于能够分析胸部X射线的图像处理器来说,如果检查结果是胸部X射线而不是患者的头部的磁共振(MR)扫描,则检查结果可以是合格的。令H是从h导出的累积函数,如下所示,对于x∈[0,1],
以这种方式,H(x)表示具有AI置信度x或更大置信度的合格检查结果的部分。
令N=N′+N″是当前在工作列表上的检查结果的数量,其中,N′是合格检查结果的数量,而N″是实例的剩余数量。令M是工作列表上的检查结果的期望数量(例如,工作列表上的检查结果的预期上限)。当N>M时,本文中公开的方法有助于降低放射科医师完成工作列表上的检查结果的工作负荷,特别地,通过将阈值确定为最大x∈[0,1],为此
N′[1-H(x)]+N″≤M
对于x可以引入最小值,以确保遵循置信度分数的最小值。
示例2
在该示例中,多个图像处理器106(即,两个或更多个图像处理器)能用于执行图像处理任务。在下面描述了两种情况。下标1,…,n用于指代n个可用的图像处理器。假设最多一个图像处理器(例如,AI引擎)正在每种类型的检查结果上运行(即,处理每种类型的检查结果)(或者,如果多个图像处理器能用于一个检查类型,则其输出被组合成一个合并的置信度值,例如通过对个体图像处理器的置信度分数求平均来实现上述组合)。
情况1-刚性方法
在这种情况下,假设对于每个图像处理器i存在一个函数hi:
则函数Hi(x)被定义为:
令N=N0+N1+…+Nn,其中,N0是对于由图像处理器中的任一个图像处理器进行解读来说不合格的研究的数量,而Ni是对于由第i个图像处理器进行解读来说合格的研究的数量。
然后,确定最大x∈[0,1],为此
该方法是“刚性的”,因为它基于置信度值在图像处理器之间是以某种方式对准的(其可以不是这种情况)的假设。
情况2-柔性方法
在这种情况下,我们不假设置信度在图像处理器之间是对准的;而是将针对每个图像处理器搜索阈值xi。最初,对于所有i,xi=1。然后,使用梯度下降类型的搜索,我们确定图像处理器i,为此
Ni[1-Hi(xi-δ)]-Ni[1-Hi(xi)]
是最小的,其中,δ是小常数值。然后,我们设置xi=xi-δ,并且继续搜索,直到以这种方式,能够通过使用一个或多个图像处理器来执行能够(基于满足或超过定义的置信阈值的置信水平)被执行的那些处理任务将在工作列表上的等待处理的放射学检查结果(例如,医学图像)的数量降低至预期数量M。
根据第四方面,本文中公开的各种实施例提供了计算机程序产品。图6是处理器602和计算机可读介质604的示例的简化示意图。根据一些实施例,计算机程序产品包括非瞬态计算机可读介质604,所述计算机可读介质具有被实施在其中的计算机可读代码,所述计算机可读代码被配置为使得在由合适的计算机或处理器602运行时使所述计算机或处理执行本文中公开的方法400、500的步骤。在一些实施例中,处理器602可以包括控制器108,用作控制器108的部分或者与控制器108相关联地操作。类似地,一个或多个图像处理器106可以形成处理器602的部分。
处理器602能够包括被配置或编程为以本文中描述的方式控制装置100、200的元件的一个或多个处理器、处理单元、多芯处理器或模块。在特定实施方式中,处理器602能够包括均被配置为执行或者均是用于执行本文中描述的方法的单个或多个步骤的多个软件和/或硬件模块。
本文中使用的术语“模块”旨在包括硬件部件(例如,被配置为执行特定功能的处理器或处理器的部件)或软件部件(例如,当由处理器运行时具有特定功能的一组指令数据)。
将意识到,本发明的实施例也适用于适于将本发明付诸实践的计算机程序,尤其是载波上或载波中的计算机程序。程序可以为源代码、目标代码、代码中间源以及为部分编译形式的目标代码的形式,或者为适合于在根据本发明的实施例的方法的实施方式中使用的任何其他形式。也应当认识到,这样的程序可以具有许多不同的架构设计。例如,实施根据本发明的方法或***的功能的程序代码可以被细分成一个或多个子例程。将功能分布在这些子例程之中的许多不同方式对本领域技术人员来说将是显而易见的。子例程可以被一起存储在一个可执行文件中,以形成自含程序。这样的可执行文件可以包括计算机可执行指令,例如,处理器指令和/或解释器指令(例如,Java解释器指令)。备选地,子例程中的一个或多个或全部可以被存储在至少一个外部库文件中,并且例如在运行时间时被静态地或动态地与主程序链接。主程序包含对子例程中的至少一个的至少一次调用。子例程也可以包括彼此的功能调用。涉及计算机程序产品的实施例包括对应于在本文中阐述的方法中的至少一个的每个处理阶段的计算机可执行指令。这些指令可以被细分成子例程和/或被存储在可以被静态地或动态地链接的一个或多个文件中。涉及计算机程序产品的另一实施例包括对应于在本文中阐述的***和/或产品中的至少一个的每个单元的计算机可执行指令。这些指令可以被细分成子例程和/或被存储在可以被静态地或动态地链接的一个或多个文件中。
计算机程序的载体可以为能够承载程序的任何实体或设备。例如,载体可以包括数据存储设备,例如,ROM(例如,CD ROM或半导体ROM),或者磁性记录介质(例如,硬盘)。此外,载体可以为可传输载体,例如,电信号或光信号,它们可以经由电缆或光缆或者通过无线电或其他手段来传送。当程序被实施在这样的信号中时,载体可以包括这样的线缆或其他设备或器件。备选地,载体可以为程序被嵌入其中的集成电路,所述集成电路适于执行相关的方法,或者适于在对相关的方法的执行中使用。
本领域技术人员通过研究附图、公开内容以及权利要求,在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。虽然某些措施被记载在互不相同的从属权利要求中,但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/分布在合适的介质上,例如与其他硬件一起或作为其他硬件的部分而供应的光学存储介质或固态介质,但是也可以以其他形式进行分布,例如经由互联网或其他有线或无线的电信***进行分布。权利要求中的任何附图标记都不应被解释为对范围的限制。
Claims (15)
1.一种用于控制图像处理器的装置(100),所述装置包括:
医学图像识别器(102),其用于识别要处理的医学图像(110);
工作负荷分析器(104),其用于确定一个或多个医学专业人员的工作负荷;
图像处理器(106),其用于执行关于所识别的医学图像的一个或多个图像处理任务,所述图像处理器具有与之相关联的用于执行所述一个或多个图像处理任务的置信水平;以及
控制器(108),其被配置为:
基于所确定的所述一个或多个医学专业人员的工作负荷并基于与所述图像处理器相关联的所述置信水平来确定是否要使用所述图像处理器来执行关于所识别的医学图像的一个或多个图像处理任务。
2.根据权利要求1所述的装置(100),其中,所述控制器(108)还被配置为:
响应于确定所述图像处理器(106)要被使用而基于所确定的所述一个或多个医学专业人员的工作负荷来操作所述图像处理器以执行关于所识别的医学图像(10)的一个或多个图像处理任务。
3.根据权利要求1或权利要求2所述的装置(100),其中,所述工作负荷分析器(104)被配置为基于决策模型来确定一个或多个医学专业人员的所述工作负荷。
4.根据前述权利要求中的任一项所述的装置(100),其中,所述工作负荷分析器(104)被配置为基于以下各项中的至少一项来确定一个或多个医学专业人员的所述工作负荷:与所述一个或多个医学专业人员相关联的工作列表;能用于处理医学图像的医学专业人员的数量的指示;一个或多个医学专业人员处理医学图像所花费的时间的指示;从与所述一个或多个医学专业人员相关联的生物传感器采集的生物特征数据。
5.根据前述权利要求中的任一项所述的装置(100),其中,所识别的要处理的医学图像(110)包括与所述医学图像相关的放射专科的指示;并且
其中,所述工作负荷分析器(104)被配置为基于所述放射专科的所述指示来确定一个或多个医学专业人员的所述工作负荷。
6.根据前述权利要求中的任一项所述的装置(100),其中,所述图像处理器(108)包括以下各项中的一项:图像处理引擎;预测模型引擎;机器学习引擎;人工神经网络;以及统计分析引擎。
7.根据前述权利要求中的任一项所述的装置(100),其中,所述图像处理器(106)被配置为进行以下各项中的至少一项:检测所述医学图像内的定义实体;确定所述医学图像内的定义实体的位置;确定所述医学图像内的定义实体的至少一个边界;确定所述医学图像内的定义实体的至少一个尺寸;确定所述医学图像内的定义实体的体积;确定对所述医学图像内的定义实体的诊断;确定与所述医学图像内的定义实体有关的预后信息;以及基于所述医学图像内的定义实体来确定针对所述医学图像涉及的对象的处置选项。
8.根据前述权利要求中的任一项所述的装置(100),其中,所述控制器(108)被配置为基于所确定的所述一个或多个医学专业人员的工作负荷来定义或调节所述图像处理器(106)的参数。
9.根据前述权利要求中的任一项所述的装置(100),其中,所述控制器(108)被配置为在与所述图像处理器相关联的所述置信水平满足或超过定义的置信阈值的情况下确定所述图像处理器要执行关于所识别的医学图像的一个或多个图像处理任务。
10.根据权利要求9所述的装置(100),其中,所述控制器(108)被配置为基于所确定的所述一个或多个医学专业人员的工作负荷来调节所述置信阈值。
11.根据前述权利要求中的任一项所述的装置(100、200),还包括:
报告生成器(202),其用于基于所述图像处理器(106)的输出来生成报告的至少部分;以及
用户接口(204),其用于将所生成的报告的至少部分呈现给用户。
12.一种工作站(300),包括根据前述权利要求中的任一项所述的装置(100、200)。
13.一种控制图像处理器的方法(400),所述方法包括:
获得(402)要处理的医学图像的指示;
获得(404)一个或多个医学专业人员的工作负荷的指示;并且
基于所述一个或多个医学专业人员的所述工作负荷的所述指示并基于与图像处理器相关联的用于执行一个或多个图像处理任务的置信水平来确定(406)是否要使用所述图像处理器来执行关于所述医学图像的一个或多个图像处理任务。
14.根据权利要求13所述的方法(400、500),还包括:
响应(502)于确定所述图像处理器要被使用而基于所确定的所述一个或多个医学专业人员的工作负荷来操作所述图像处理器以执行关于所述医学图像的一个或多个图像处理任务。
15.一种计算机程序产品,包括非瞬态计算机可读介质(604),所述计算机可读介质具有被实施在其中的计算机可读代码,所述计算机可读代码被配置为使得在被合适的计算机或处理器(602)运行时使所述计算机或处理器执行根据权利要求13至14中的任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18187714.3 | 2018-08-07 | ||
EP18187714.3A EP3608915A1 (en) | 2018-08-07 | 2018-08-07 | Controlling an image processor by incorporating workload of medical professionnals |
PCT/EP2019/070884 WO2020030545A1 (en) | 2018-08-07 | 2019-08-02 | Controlling an image processor |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112567472A true CN112567472A (zh) | 2021-03-26 |
Family
ID=63168328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980052714.8A Pending CN112567472A (zh) | 2018-08-07 | 2019-08-02 | 控制图像处理器 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210304875A1 (zh) |
EP (1) | EP3608915A1 (zh) |
JP (1) | JP7418406B2 (zh) |
CN (1) | CN112567472A (zh) |
WO (1) | WO2020030545A1 (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102037468A (zh) * | 2008-05-21 | 2011-04-27 | 皇家飞利浦电子股份有限公司 | 具有过程工作流程记录的医学工作流程***及方法 |
CN102171724A (zh) * | 2008-10-01 | 2011-08-31 | 皇家飞利浦电子股份有限公司 | 医学图像序列快照的选择 |
CN104068886A (zh) * | 2013-03-28 | 2014-10-01 | 上海联影医疗科技有限公司 | 医学摄影***及其摄影方法 |
US20180204325A1 (en) * | 2015-06-01 | 2018-07-19 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003141250A (ja) * | 2001-11-01 | 2003-05-16 | Hitachi Medical Corp | 診断支援システム |
JP2004302502A (ja) * | 2003-03-28 | 2004-10-28 | Fuji Photo Film Co Ltd | 画像処理装置 |
JP2005348936A (ja) * | 2004-06-10 | 2005-12-22 | Konica Minolta Medical & Graphic Inc | 医用画像表示システム、プログラム及び医用画像表示方法 |
JP4635681B2 (ja) * | 2005-03-29 | 2011-02-23 | コニカミノルタエムジー株式会社 | 医用画像読影システム |
US9324022B2 (en) * | 2014-03-04 | 2016-04-26 | Signal/Sense, Inc. | Classifying data with deep learning neural records incrementally refined through expert input |
WO2017152121A1 (en) * | 2016-03-03 | 2017-09-08 | Geisinger Health System | System and method for automated analysis in medical imaging applications |
CN106408024B (zh) * | 2016-09-20 | 2019-06-21 | 四川大学 | 针对dr片的肺叶轮廓提取方法 |
US10558843B2 (en) * | 2018-01-10 | 2020-02-11 | Trax Technology Solutions Pte Ltd. | Using price in visual product recognition |
-
2018
- 2018-08-07 EP EP18187714.3A patent/EP3608915A1/en not_active Withdrawn
-
2019
- 2019-08-02 JP JP2021506330A patent/JP7418406B2/ja active Active
- 2019-08-02 US US17/266,478 patent/US20210304875A1/en active Pending
- 2019-08-02 CN CN201980052714.8A patent/CN112567472A/zh active Pending
- 2019-08-02 WO PCT/EP2019/070884 patent/WO2020030545A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102037468A (zh) * | 2008-05-21 | 2011-04-27 | 皇家飞利浦电子股份有限公司 | 具有过程工作流程记录的医学工作流程***及方法 |
CN102171724A (zh) * | 2008-10-01 | 2011-08-31 | 皇家飞利浦电子股份有限公司 | 医学图像序列快照的选择 |
CN104068886A (zh) * | 2013-03-28 | 2014-10-01 | 上海联影医疗科技有限公司 | 医学摄影***及其摄影方法 |
US20180204325A1 (en) * | 2015-06-01 | 2018-07-19 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
Also Published As
Publication number | Publication date |
---|---|
WO2020030545A1 (en) | 2020-02-13 |
EP3608915A1 (en) | 2020-02-12 |
US20210304875A1 (en) | 2021-09-30 |
JP7418406B2 (ja) | 2024-01-19 |
JP2021533491A (ja) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11457871B2 (en) | Medical scan artifact detection system and methods for use therewith | |
CN107004043B (zh) | 优化检测和标记感兴趣解剖结构的***和方法 | |
US9720938B2 (en) | Similar image retrieval device, method of operating similar image retrieval device, and similar image retrieval program | |
JP6818424B2 (ja) | 診断支援装置、情報処理方法、診断支援システム及びプログラム | |
EP3633623B1 (en) | Medical image pre-processing at the scanner for facilitating joint interpretation by radiologists and artificial intelligence algorithms | |
CN106796621B (zh) | 图像报告注释识别 | |
US20180350466A1 (en) | Longitudinal health patient profile for incidental findings | |
US20200105414A1 (en) | Information processing apparatus, information processing system, information processing method, and non-transitory computer-readable storage medium | |
KR20220038017A (ko) | 임상 워크플로 결정을 자동화하고 우선 순위 판독 표시자를 생성하기 위한 시스템 및 방법 | |
US20210256295A1 (en) | Information processing apparatus, information processing method, and recording medium | |
EP3939003B1 (en) | Systems and methods for assessing a likelihood of cteph and identifying characteristics indicative thereof | |
US20220108801A1 (en) | Diagnosis and treatment support system | |
US11869654B2 (en) | Processing medical images | |
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 | |
US20220245816A1 (en) | Medical information management apparatus, data structure of medical information, and storage medium | |
JP7418406B2 (ja) | 画像プロセッサの制御 | |
CN115274063A (zh) | 用于操作医学图像数据集的评估***的方法、评估*** | |
JP2023517576A (ja) | 放射線医のフィンガープリンティング | |
US20210217535A1 (en) | An apparatus and method for detecting an incidental finding | |
US12014814B2 (en) | Methods and systems for tuning a static model | |
US20240127431A1 (en) | Method and apparatus for providing confidence information on result of artificial intelligence model | |
EP4134972A1 (en) | Machine learning based quality assessment of medical imagery and its use in facilitating imaging operations | |
WO2024033789A1 (en) | A method and an artificial intelligence system for assessing adiposity using abdomen mri image | |
KR20220136225A (ko) | 인공지능 모델의 결과에 대한 신뢰 정보 제공 방법 및 장치 | |
CN115985492A (zh) | 一种基于患者的医学信息进行预后管理的***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 |