CN117320629A - 用于获取乳腺造影图像的基于机器学习的最优曝露技术预测的***和方法 - Google Patents
用于获取乳腺造影图像的基于机器学习的最优曝露技术预测的***和方法 Download PDFInfo
- Publication number
- CN117320629A CN117320629A CN202280035773.6A CN202280035773A CN117320629A CN 117320629 A CN117320629 A CN 117320629A CN 202280035773 A CN202280035773 A CN 202280035773A CN 117320629 A CN117320629 A CN 117320629A
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- exposure
- data set
- computing device
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000009607 mammography Methods 0.000 title claims abstract description 83
- 238000007687 exposure technique Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 38
- 210000000481 breast Anatomy 0.000 claims description 65
- 238000003384 imaging method Methods 0.000 claims description 64
- 230000003287 optical effect Effects 0.000 claims description 7
- 239000010405 anode material Substances 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 10
- 239000007943 implant Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000002059 diagnostic imaging Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000006835 compression Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 5
- 238000012896 Statistical algorithm Methods 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 229910052703 rhodium Inorganic materials 0.000 description 4
- 239000010948 rhodium Substances 0.000 description 4
- MHOVAHRLVXNVSD-UHFFFAOYSA-N rhodium atom Chemical compound [Rh] MHOVAHRLVXNVSD-UHFFFAOYSA-N 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001125 extrusion Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 2
- 229910052721 tungsten Inorganic materials 0.000 description 2
- 239000010937 tungsten Substances 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002976 pectoralis muscle Anatomy 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- 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
- A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
-
- 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
- A61B6/542—Control of apparatus or devices for radiation diagnosis involving control of exposure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- A61B6/04—Positioning of patients; Tiltable beds or the like
- A61B6/0407—Supports, e.g. tables or beds, for the body or parts of the body
- A61B6/0414—Supports, e.g. tables or beds, for the body or parts of the body with compression means
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- High Energy & Nuclear Physics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Control Of Exposure In Printing And Copying (AREA)
Abstract
本公开的示例描述了使用机器学习(ML)来预测用于获取乳腺造影图像的最优曝露技术的***和方法。在各方面,可以从一个或多个数据源收集训练数据。训练数据可以包括患者属性数据和样本图像属性数据的样本数据、图像元数据、图像像素数据和/或曝露技术参数。训练数据可以被用于训练ML模型以确定用于获取患者的乳腺造影图像的最优曝露技术参数。在已训练ML模型之后,可以将在患者到访期间从患者收集的患者数据提供为ML模型的输入。ML模型可以实时输出患者的最优曝露技术参数。ML模型的实时输出可以被用于生成患者的一个或多个乳腺造影图像。
Description
相关申请的交叉引用
本申请于2022年5月11日作为PCT国际专利申请提交,并要求于2021年5月18日提交的美国临时申请No.63/189,953的权益和优先权,该申请通过引用整体并入本文。
背景技术
实现最优自动曝露控制(Automatic Exposure Control,AEC)对于生成具有足够对比度噪声比且不对成像被摄体(例如,患者)导致过度辐射暴露的乳腺造影图像(mammographic image)至关重要。目前用于乳腺造影的AEC技术包括对患者的***进行采样,以识别最密集的区域。在许多情况下,采样无法准确识别最密集的***区域。因此,为识别出的区域计算的AEC技术会造成患者经历过度的辐射暴露(“过度暴露”)或不充分的辐射暴露(“暴露不足”)。
本文公开的方面正是针对这些和其它一般考虑做出的。此外,虽然可能讨论了相对具体的问题,但是应该理解的是,示例不应限于解决在背景技术或本公开的其它地方识别出的具体问题。
发明内容
本公开的示例描述了使用机器学习(ML)来预测用于获取乳腺造影图像的最优曝露技术的***和方法。在各方面,可以从一个或多个数据源收集与患者数据和/或成像数据相关联的训练数据的数据集。训练数据的数据集可以包括用于患者集合的患者属性数据的样本数据以及用于图像集合的样本图像属性数据、图像元数据、图像像素数据和/或曝露技术参数。训练数据的数据集可以被用于训练ML模型以确定用于获取患者的乳腺造影图像的最优曝露技术参数。在训练了ML模型之后,可以提供在患者到访期间从患者收集的非训练患者数据的数据集作为ML模型的输入。使用患者数据,ML模型可以实时地输出用于患者的最优曝露技术参数。然后,ML模型的实时输出可以被用于为患者生成一个或多个乳腺造影图像。
提供本发明内容以简化形式介绍一些概念,这些概念将在下面的具体实施方式中进一步描述。本发明内容既不旨在识别所要求保护的主题的关键特征或必要特征,也不旨在用于限制所要求保护的主题的范围。示例的附加方面、特征和/或优点将在下面的描述中部分地阐述,并且部分地将从描述中变得显而易见,或者可以通过本公开的实践而获知。
附图说明
参考以下各图描述了非限制性和非穷举性示例。
图1图示了如本文所述的用于使用ML来预测用于获取乳腺造影图像的最优曝露技术的示例***的概述。
图2是如本文所述的用于使用ML来预测用于获取的最优曝露技术的示例过程流的图。
图3图示了如本文所述的用于训练ML模型以预测用于获取乳腺造影图像的最优曝露技术的示例方法。
图4图示了如本文所述的用于使用ML来预测用于获取乳腺造影图像的最优曝露技术的示例方法。
图5图示了其中可以实现本实施例中的一个或多个的合适操作环境的一个示例。
具体实施方式
医疗成像已成为一种广泛使用的工具,用于识别和诊断人体内的异常,诸如癌症或其它病症。医疗成像过程,诸如乳腺造影和断层合成是用于对***进行成像以筛查或诊断***内的癌症或其它病变的特别有用的工具。断层合成***是允许基于有限角度断层合成的高分辨率***成像的乳腺造影***。断层合成通常产生多个X射线图像,每个图像都是***的离散层或切片,贯穿其整个厚度。与常规的二维(2D)乳腺造影***相比,断层合成***获取一系列X射线投影图像,随着X射线源在***上方沿着诸如圆弧的路径移动,每个投影图像以不同的角位移获得。与常规的计算机断层扫描(CT)相比,断层合成通常基于在***周围的X射线源的有限角位移处获得的投影图像。断层合成减少或消除了2D乳腺造影成像中存在的组织重叠和结构噪声引起的问题。
自动曝露控制(AEC)是结合到乳腺造影和放射线照相成像***中的一个特征。虽然组织密度和厚度以及用户技能水平存在差异,但是AEC方法仍可实现始终如一的最优图像曝露。实现最优AEC对于防止患者过度暴露和生成提供一致光学密度/信噪比的乳腺造影图像至关重要。在乳腺造影中执行AEC的传统方法依赖于对患者的***进行采样并寻找***的最密集区域。虽然这种技术大多是可靠的,但是这种技术的性能取决于诸如患者的***、特定于患者的异常情况(例如,是否存在植入物或其它异物)以及***挤压硬件和规程(procedure)的一致性之类的因素。例如,患者可能定位不正确,使得AEC搜索区域包括患者***的极厚区域(诸如胸肌)。可以针对厚区域计算AEC曝露技术。因此,患者可以接收与厚区域一致的辐射曝露量,这不必要地使患者过度暴露。作为另一个示例,患者可能定位不正确,使得AEC搜索区域不包括患者***的最密集区域。可以针对***的密度较低的区域计算AEC暴露技术。因此,患者可能暴露不足,这可以导致图像质量差(或无法使用)。
此外,在乳腺造影中执行AEC的传统方法要求拍摄患者***的侦察(scout)图像。侦察图像是初始曝露,被用于确定乳腺造影检查所需的辐射曝露量。侦察图像的AEC搜索区域可以涵盖整个侦察图像或者可以是整个侦察图像的子集,并且它可以例如根据曝露期间的***朝向而变化。在许多情况下,侦察图像可以占辐射暴露总量的近似5-10%,并且甚至可能不会用于生成最终图像。
为了解决用于执行AEC的传统方法的此类问题,本公开描述了用于使用机器学习(ML)来预测用于获取乳腺造影图像的最优曝露技术的***和方法。在各方面,训练数据(或样本数据)可以从一个或多个数据源(诸如图像储存库和/或患者记录)收集。训练数据的收集可以手动或使用自动化过程来执行。训练数据可以包括患者集合的患者数据(例如,***厚度、***密度、***尺寸、植入物/异物标识符)、图像集合的成像数据(例如,像素数据、成像模式、桨类型)和/或图像集合的曝露技术参数(例如,千伏峰(kVp)、毫安秒(mAs)、X射线滤波器组合)。训练数据可以是未标记的和/或使用例如文本指示符、数值、突出显示、包围(和/或其它类型的内容包围)、箭头或指针、字体或样式修改或其它形式的注释来标记。
训练数据可以被用于训练人工智能(AI)模型或ML模型。例如,训练数据可以作为一个或多个输入参数提供给ML模型或ML建模组件。如本文所使用的,模型可以指可以用于确定一个或多个字符序列、类、对象、结果集或事件的概率分布和/或预测来自一个或多个预测器(predictor)的响应值的预测或统计实用工具(utility)或程序。模型可以基于或结合一个或多个规则集、AI/ML、神经网络等。在模型经过训练之后,经训练的模型可以能够基于患者数据的集合(例如,非训练数据)确定用于获取患者的乳腺造影图像的最优曝露技术参数。患者数据的集合可以包括在类型和/或值上与训练数据相似的数据。例如,患者数据的集合可以至少包括患者数据和患者的成像数据。患者数据的集合的至少一部分可以在当前患者到访期间从患者收集。
使用患者数据的集合,ML模型可以实时输出用于患者的最优曝露技术参数。然后,由AI模型输出的最优曝露技术参数可以被用于实时生成患者的一个或多个乳腺造影图像。例如,在当前患者到访期间,ML模型可以接收患者数据的集合并输出曝露技术参数。曝露技术参数可以被用于在患者到访期间生成乳腺造影图像。在一些方面,ML模型的输出可以与用于执行AEC的传统方法的参数进行比较。然后可以基于ML模型的输出、用于执行传统AEC方法的参数或其组合来做出关于要在乳腺造影成像期间实现的输出曝露技术参数的决定。
因而,本公开提供了多个技术益处,包括但不限于:最小化医疗成像期间对患者的辐射过度暴露、减少医疗成像期间曝露不足的发生、优化医疗图像的图像质量、提供特定于患者的曝露技术预测、消除医疗成像期间对侦察图像的需求,以及使用用于传统AEC方法的参数评估基于ML的曝露技术参数,等等。
图1图示了用于使用ML来预测用于获取乳腺造影图像的最优曝露技术的示例***的概述。所呈现的示例***100是相互作用以形成集成***的相互依赖的组件的组合。***100可以包括硬件组件和/或在硬件组件上实现和/或由硬件组件执行的软件组件。***100可以为软件组件提供一种或多种操作环境以根据***100的操作约束、资源和设施来执行。在一些示例中,(一个或多个)操作环境和/或软件组件可以由单个处理设备提供,如图6中所描绘的。在其它示例中,(一个或多个)操作环境和软件组件可以分布在多个设备上。例如,可以在用户设备上录入输入,并且可以使用网络中的其它设备(诸如一个或多个网络设备和/或服务器设备)来处理或访问信息。
在各方面,***100可以表示包括与例如医疗设施、医疗患者和/或医疗人员相关联的敏感或私人信息的计算环境。虽然本文描述了对医疗保健环境的具体参考,但是预期本公开的技术可以在其它环境中实践。例如,***100可以表示软件开发环境或不包括敏感或私人医疗信息的替代环境。
在图1中,***包括计算设备105、ML组件110、(一个或多个)数据存储库115和医疗设备120。本领域技术人员将认识到的是,诸如***100之类的***的规模可以变化并且可以包括比图1中描述的那些更多或更少的组件。作为一个示例,计算设备105的功能性和/或一个或多个组件可以集成到医疗设备115中。作为另一个示例,智能组件110的功能性和/或一个或多个组件可以集成到计算设备105中。
计算设备105可以被配置为接收或收集来自一个或多个用户或设备的输入。计算设备105可以包括用于接收或收集输入的传感器、应用和/或服务。示例传感器包括麦克风、基于触摸的传感器、键盘、指向/选择工具、光学/磁性扫描仪、加速度计、磁力计、陀螺仪等。收集的输入可以包括例如语音输入、触摸输入、基于文本的输入、手势输入、视频输入和/或图像输入。例如,计算设备105可以使得诸如医疗保健专业人员之类的用户能够输入和/或检索医疗数据(例如,患者记录、医疗和治疗历史信息、患者健康数据、医疗保健专业人员笔记和文档、医疗图像、医疗规程参数、医疗装备信息)。由计算设备105检索出的医疗数据可以从一个或多个数据存储库(诸如(一个或多个)数据存储库115)中检索和/或存储在一个或多个数据存储库中。计算设备105还可以被配置为存储、执行、传输和/或提供对一个或多个预测或统计模型或算法的访问。例如,计算设备105可以提供对ML模型的访问,以确定用于获取患者的乳腺造影图像的最优曝露技术参数。计算设备105的示例包括但不限于个人计算机(PC)、服务器设备、移动设备(例如,智能电话、平板电脑、膝上型计算机、个人数字助理(PDA))以及可穿戴设备(例如,智能手表、智能眼镜、健身***、智能服装、随身设备)。
ML组件110可以被配置为训练一个或多个预测或统计模型或算法。在各方面,ML组件110可以接收对训练模型或提供经训练的模型的请求。该请求可以包括训练数据,诸如患者属性数据、图像元数据、图像像素数据、曝露技术参数等。可替代地,请求可以包括模型选择信息,诸如标识符、描述、关键字、请求的任务等。在接收到请求后,ML组件110可以选择与请求匹配的模型或模型模板。模型或模型模板可以从存储一个或多个模型模板和/或经训练的模型的模型储存库(未图示)中选择。可替代地,ML组件110可以生成与请求匹配的模型或模型模板。ML组件110然后可以训练请求中定义的模型或模型模板。作为具体示例,ML组件110可以训练模型模板以确定用于获取患者的乳腺造影图像的最优曝露技术参数。
在示例中,ML组件110可以表示计算设备、计算设备的软件组件或者分布在多个计算设备上的多个软件组件。在一些示例中,ML组件110和计算设备105可以在相同的计算环境中实现。例如,ML组件110和计算设备105可以位于包括敏感医疗数据的医疗保健计算环境中。在其它示例中,ML组件110和计算设备105可以在单独的计算环境中实现。例如,计算设备105可以位于医疗保健计算环境中,并且ML组件110可以位于在地理上和/或逻辑上与医疗保健计算环境分离的软件开发环境中。
(一个或多个)数据存储库115可以被配置为存储医疗数据和/或其它类型的数据和信息。例如,(一个或多个)数据存储库115可以包括患者数据(例如,***厚度、***密度、***尺寸、植入物/异物标识符、患者生命统计数据、患者治疗历史和其它患者相关信息)、成像数据(例如,患者图像、参考图像、像素数据、DICOM信息、成像模式选项、桨类型)和/或一个或多个图像或成像模式的曝露技术参数(例如,千伏峰(kVp)、毫安-秒(mAs)、X射线滤波器组合、焦点信息、源到图像接收器距离、物体到图像接收器距离、散射网格信息、波束限制信息)。(一个或多个)数据存储库115还可以包括一个或多个模型、算法或其模板。例如,由ML组件110提供的模型或算法可以存储在(一个或多个)数据存储库115中。(一个或多个)数据存储库115的示例包括但不限于数据库、文件***、目录、平面文件和电子邮件存储***。在各方面,(一个或多个)数据存储库115可以由***100的一个或多个组件访问。例如,(一个或多个)数据存储库115中的一个或多个可以位于计算设备105和/或ML组件110的计算环境中或者可从该计算环境访问。
医疗设备120可以被配置为生成或收集患者的图像和/或物理属性数据。在各方面,医疗设备120可以包括一个或多个传感器组件,诸如图像传感器、深度传感器、跟踪传感器、接近传感器、立体/HD相机和红外相机。传感器组件可以被用于收集与患者的物理属性(诸如***尺寸、***厚度、***体积和/或***形状)相关的数据和/或图像。虽然本文描述了对乳腺造影术的具体参考,但是预期本公开的技术可以用替代类型的成像来实践。医疗设备120的示例包括但不限于超声设备、CT设备、X射线设备、磁共振成像(MRI)设备和正电子发射断层扫描(PET)设备。
医疗设备120还可以被配置为存储和/或执行一个或多个模型。例如,医疗设备120可以从ML组件110或计算设备105接收经训练的模型。医疗设备120可以本地存储经训练的模型和/或将经训练的模型传输到一个或多个其它设备。医疗设备120可以响应于一个或多个事件来执行经训练的模型(或使得经训练的模型由另一个设备执行)。作为一个示例,在患者到访期间,医疗保健专业人员可以将患者定位在医疗设备120上/中。医疗设备120可以接收/收集与患者相关联的患者数据(例如,***厚度、***密度、***尺寸、植入物/异物标识符)和/或与要对患者执行的成像规程相关联的成像数据(例如,像素数据、成像模式、桨类型)。基于接收到的/收集的患者数据和/或成像数据,医疗设备120可以执行经训练的模型。例如,医疗设备120可以提供患者数据和/或成像数据作为经训练的模型的输入参数。经训练的模型可以输出用于获取患者的乳腺造影图像的最优曝露技术的预测。医疗设备120然后可以基于由经训练的模型输出的最优曝露技术对患者执行成像规程。
图2是使用ML预测用于获取乳腺造影图像的最优曝露技术的示例过程流的示意图。如所呈现的,过程流200包括环境201和251。在示例中,环境201可以表示软件开发环境或第三方环境。环境201可以是基于web的、基于云的,或以其它方式从环境251远程实现。环境201可以是公开的或选择性地可访问的,并且可以实现安全性规程以启用环境251的安全访问。一般而言,环境201不能存储或不能访问环境251所包括的敏感或私人信息。环境251可以表示医疗保健设施,诸如医院、成像和放射中心、紧急护理设施、医疗诊所或医疗办公室、门诊手术设施、身体康复中心等。环境251可以包括敏感的或私人的与医疗设施、医疗患者和/或医疗人员相关联的信息。环境201和251可以是物理上和/或逻辑上分离的。此外,环境201和251可以由防火墙和认证协议分开,从而确保安全处置环境251中所包括的敏感医疗信息。本领域技术人员将认识到的是,环境和/或与环境201和251相关联的组件的数量和类型可以与图2中描述的那些不同。
在示例中,环境201可以包括训练设备205、(一个或多个)数据存储库210和ML组件215。训练设备205可以被配置为从一个或多个用户或设备接收数据和/或指令。例如,诸如软件开发人员或医疗保健专业人员之类的用户可以直接从环境201访问训练设备205。可替代地,用户可以从除环境201以外的计算环境远程访问训练设备205。训练设备205接收到的数据/指令可以与训练模型或提供经训练的模型的请求对应。在一个示例中,请求可以包括训练数据,诸如患者属性数据、图像元数据、图像像素数据、曝露技术参数等。在另一个示例中,请求可以包括用于识别训练数据的位置的信息。在又一个示例中,请求可以包括用于选择模型或模型类型的信息,诸如标识符、描述、关键词、所请求的任务等。训练设备205可以使用接收到的数据/指令来搜索于相关训练数据的一个或多个数据存储库,诸如(一个或多个)数据存储库210。
(一个或多个)数据存储库210可以至少包括乳腺造影图像220、装备数据225、患者数据230和曝露技术参数235。乳腺造影图像220可以表示被确定为具有最优图像质量(例如,最优光学密度、信噪比、对比度噪声比、均方误差、对比度改善比)的图像。图像质量的分类(例如,高质量、中等质量、低质量)可以是手动确定、自动确定或其某种组合。例如,用户可以手动审查图像的集合、对相应图像的图像质量进行分类,和/或提供指示图像质量的注释。可替代地,可以使用一种或多种监督和/或无监督ML技术来审查、分类和/或注释该图像的集合。
装备数据225可以表示与在医疗成像期间使用的装备相关联的数据和参数设置。例如,装备数据225可以包括与成像设备类型(例如,X射线设备、CT设备、MRI设备、超声设备)、挤压桨类型(例如,桨尺寸、桨形状、桨灵活性、桨垫、桨类型)、成像模式(例如,2D、3D、断层扫描)、阳极材料(例如,钨、铑、钼)和成像滤波器类型(例如,铑、银、铝)等相关的信息。患者数据230可以表示患者属性信息。例如,患者数据230可以包括患者特点(例如,***尺寸、***厚度、***密度)、异物识别(例如,***植入物、活检标记、起搏器)以及一般医疗信息(例如,患者识别、生命体征、(一个或多个)病情、(一个或多个)治疗)等。曝露技术参数235可以表示在成像期间使用的各种曝露技术参数。例如,曝露技术参数235可以包括kVp、mAs、X射线滤波器组合、焦点信息、源到图像接收器距离、物体到图像接收器距离、散射网格信息、波束限制信息。
在示例中,(一个或多个)数据存储库210中的数据可以被存储,使得装备数据225、患者数据230和曝露技术参数235与相应的乳腺造影图像220相关。作为一个示例,数据结构(例如,数据库、表格、电子表格)可以被用于关联与乳腺造影图像相关联的装备数据、患者数据和/或曝露技术。可替代地,每个乳腺造影图像可以包括与该乳腺造影图像的创建相关联的对应装备数据、患者数据和/或曝露技术参数或用其来注释。例如,装备数据、患者数据和/或曝露技术参数可以存储在乳腺造影图像的DICOM报头(或其它区域)中。
在各方面,训练设备205可以将从(一个或多个)数据存储库210接收的训练数据提供给ML组件215。ML组件215可以使用训练数据来训练一个或多个预测或统计模型或算法。例如,乳腺造影图像220、装备数据225、患者数据230和曝露技术参数235的一个或多个部分可以作为ML组件215的输入被提供。基于该输入,ML组件215可以识别与最优图像质量相关联的曝露技术参数、患者属性和装备参数。ML组件215可以使用输入作为目标值来训练模型以确定用于获取各种患者的乳腺造影图像的最优曝露技术参数。ML组件215可以将经训练的模型提供给训练设备205、(一个或多个)数据存储库和/或存储一个或多个模型模板和/或经训练的模型的模型储存库(未图示)。训练设备205或ML组件215然后可以经由网络240将经训练的模型传输到环境251。网络204的示例包括但不限于个人区域网(PAN)、局域网(LAN)、城域网(MAN)和广域网(WAN)。
在示例中,环境251可以包括计算设备255、医疗设备260、医疗保健专业人员265和(一个或多个)数据存储库270。计算设备255可以从环境201接收经训练的模型。计算设备255可以如关于图1的计算设备105所讨论的那样被配置。计算设备255可以本地存储经训练的模型和/或将经训练的模型传输到一个或多个医疗设备,诸如医疗设备260。医疗设备260可以本地存储经训练的模型。医疗设备260可以如关于图1的医疗设备120所讨论的那样被配置。
在各方面,经训练的模型可以在与患者或患者数据相关联的交互期间被调用。作为一个具体示例,在患者到访环境251期间,诸如医疗保健专业人员265之类的医疗保健专业人员可以使用计算设备255来发起用于执行暴露的设置过程。医疗保健专业人员265可以表示例如放射科医生、外科医生或其他医师、技术人员、从业者或按照其要求行事的人。在设置过程期间,医疗保健专业人员265可以选择要使用的暴露方法。例如,医疗保健专业人员265可以在使用传统AEC方法与经训练的模型之间进行选择。可替代地,可以基于一个或多个因素(诸如可用的医疗设备、患者在医疗设备中/上的存在、患者数据等)自动做出确定。
在选择了暴露方法之后,医疗保健专业人员265可以从患者那里收集患者数据。例如,医疗保健专业人员265可以从患者索要一般医疗信息和关于植入的异物的信息。还可以通过医疗设备260从患者收集患者数据。例如,在设置过程期间(或之前),医疗保健专业人员265可以将患者定位在医疗设备260上/中。当患者定位在医疗设备260上/中时,医疗设备260可以被用于执行从患者收集患者特点(诸如***厚度或***密度)的规程。医疗保健专业人员265和/或医疗设备260可以将患者数据提供给计算设备255。医疗设备260还可以向计算设备255提供医疗设备260的装备数据。
在接收到患者数据和/或装备数据后,计算设备255可以使用一种或多种解析和/或模式匹配技术来识别患者数据和/或装备数据中的搜索信息(例如,关键词、时间戳或与患者相关的其它信息)。搜索信息可以被用于搜索一个或多个数据存储库,诸如(一个或多个)数据存储库270。(一个或多个)数据存储库270可以至少包括图像数据275。在示例中,(一个或多个)数据存储库270可以表示医疗成像技术,诸如图片存档和通信***(PACS)或放射学信息***(RIS)。乳腺造影图像275可以表示一个或多个患者的图像和图像数据。在各方面,与患者相关联的图像数据可以从(一个或多个)数据存储库270收集。例如,计算设备255可以从(一个或多个)数据存储库270收集先前收集的患者的乳腺造影图像。
计算设备255可以提供与患者相关联的患者数据、装备数据和/或图像数据作为训练模型的输入。基于输入,经训练的模型可以输出特定于患者的预测的最优曝露技术参数。例如,经训练的模型可以提供用于获取最优图像质量的乳腺造影图像的kVp、mAs和X射线滤波器组合参数。然后可以使用预测的最优曝露技术参数来执行曝露并获取患者的乳腺造影图像。
在一些方面,在执行暴露之前,可以将预测的最优暴露技术参数与用于执行AEC的传统方法(例如,对患者的***进行采样并搜索***的最密集区域)的参数进行比较。可以使用计算设备255的ML组件(未示出)或可由计算设备255访问的ML组件来进行比较。ML组件可以实现例如决策树、逻辑回归、支持向量机(SVM)、k最近邻(KNN)算法、神经网络、朴素贝叶斯分类器、线性回归、k均值聚类等。在一个示例中,ML组件可以将使用经训练的模型预测的参数和用于传统AEC方法的参数组合成单个参数集合。例如,可以对两个参数集合求平均。可替代地,可以将权重应用于每个参数集合中的一个或多个值并且可以组合这些值(例如,经由加法、乘法、点积)。
在另一个示例中,ML组件可以使用参数集之一来识别并从另一个参数集合中移除统计异常值。例如,可以将使用经训练的模型预测的参数与用于传统AEC方法的参数进行比较。使用经训练的模型预测的参数中与用于传统AEC方法的参数中的对应值相差超过预定义百分比(例如,±20%)的任何值可以被移除或替换为用于传统AEC方法的参数中的值。在各方面,由使用经训练的模型预测的参数与用于传统AEC方法的参数的比较产生的参数集可以被用于执行暴露并获取患者的乳腺造影图像。由该比较产生的参数集可以使得能够获取具有最优图像质量的乳腺造影图像和/或使得能够将最优辐射剂量递送至患者。
已经描述了可以采用本文所公开的技术的***和过程流,本公开现在将描述可以由本公开的各个方面执行的一种或多种方法。在各方面,方法300和400可以由诸如图1的***100之类的***执行。但是,方法300和400不限于此类示例。在其它方面,方法300和400可以由包括多个计算环境的单个设备执行。在至少一个方面,方法300和400可以由诸如web服务/分布式网络服务(例如,云服务)之类的分布式网络的一个或多个组件来执行。
图3图示了用于训练ML模型的示例方法,该ML模型用于预测用于获取乳腺造影图像的最优曝露技术。示例方法300可以由诸如软件开发人员之类的用户在诸如环境201之类的计算环境中执行。示例方法300开始于操作302,在那里从一个或多个数据存储库接收数据集。在各方面,诸如训练设备205之类的计算设备可以被用于访问诸如(一个或多个)数据存储库210之类的数据存储库。计算设备可以是要从数据存储库接收或收集的数据集。作为具体示例,计算设备可以包括用户可访问的用户接口。用户可以将诸如“曝露技术参数模型”之类的搜索查询输入到用户接口中。用户还可以选择由用户接口提供的一个或多个菜单选项来细化所选择的数据集并实现期望的数据集范围。例如,菜单选项可以使得用户能够选择特定参数,诸如***类型、挤压桨类型、异物的存在、异物类型、成像模式、X射线滤波器组合等。搜索查询和搜索查询参数可以被用于从数据存储库收集对应的数据集。
从数据存储库接收的数据集可以包括乳腺造影图像、装备数据、患者数据和/或用于患者集合的曝露技术参数。乳腺造影图像可以表示具有最优或高图像质量的图像。每个乳腺造影图像可以与对应的装备数据、患者数据和/或曝露技术参数的集合相关。例如,乳腺造影图像的DICOM报头可以包括与该乳腺造影图像相关联的装备数据、患者数据和/或曝露技术参数的至少一部分。在示例中,数据集可以包括未标记和/或使用例如文本指示符、数值、突出显示、包围(和/或其它类型的内容包围)、箭头或指针、字体或样式修改或其它形式的注释来标记的训练数据。
在操作304处,数据集被用于训练ML模型。在各方面,数据集可以作为ML机制(诸如ML组件215)的输入被提供。ML机制可以使用数据集来训练一个或多个预测或统计模型或算法。例如,基于数据集,ML机制可以训练用于确定用于获取一个或多个患者的乳腺造影图像的最优曝露技术参数(例如,mAs、kVp、X射线滤波器组合)的预测模型。训练可以包括向数据集中的一个或多个参数指派分数和/或权重。在示例中,可以向数据集中的参数或参数类型指派较高的分数/权重,以指示该参数/参数类型对模型输出的曝露技术参数具有较大影响。在预测模型的训练期间,可以调整分数/权重,直到预测模型输出在预定义范围内或与一个或多个预定目标值相关的预测的曝露技术参数。预定义范围或目标值可以与可获得足够的图像质量并且不会发生过度辐射暴露的辐射暴露范围对应。
在操作306处,ML模型被部署到一个或多个设备。在各方面,经训练的ML模型可以存储在一个或多个存储位置中。例如,经训练的ML模型可以存储在计算设备上、数据存储库中,或者存储一个或多个模型模板和/或经训练的模型的模型储存库中。存储位置中的一个或多个可以位于公共和/或开发环境(诸如环境251)中。在一些方面,经训练的ML模型还可以(或可替代地)被部署到包括敏感或私人信息的环境(诸如环境201)中的一个或多个设备。例如,经训练的ML模型可以被部署到诸如计算设备255之类的医疗工作站,或者诸如医疗设备260之类的医疗设备。
图4图示了用于使用ML预测用于获取乳腺造影图像的最优曝露技术的示例方法。示例方法400可以由诸如医疗保健提供者之类的用户在诸如环境251之类的计算环境中执行。在示例中,示例方法400可以由医疗保健专业人员在患者到访医疗设施期间作为成像规程的一部分被发起。但是,示例方法400不限于这种示例。
示例方法400开始于操作402,在那里接收第一数据集。在各方面,诸如计算设备255之类的计算设备可以从一个或多个源接收第一数据集。第一数据集可以包括患者的患者数据,诸如患者***属性(例如,诸如厚度、密度、尺寸)、患者定位信息(例如,双边头尾(bilateral craniocaudal,CC)视图、内侧斜视图(mediolateral oblique,MLO)视图、真实侧视图)、一般医疗信息、关于患者体内异物的信息(例如,***植入物、活检标记、起搏器)以及其它类型的患者相关信息。收集正被成像的特定患者的这个特定于患者的数据可以与确定曝露技术参数相关,因为***植入物、活检标记和起搏器等的存在会影响获得高质量图像所必需的最优曝露量,而无需使患者过度暴露。如可以认识到的,植入物的存在以及由不同材料制成的不同类型的植入物可以要求不同的暴露量。例如,诸如医疗保健专业人员265之类的医疗保健专业人员可以将从患者索要的患者数据输入到计算设备中。可替代地,患者或患者的用户设备可以将患者数据输入或以其它方式提供给计算设备。例如,当患者进入计算设备或医疗设施的特定范围内时,患者的可穿戴设备可以自动将患者数据上传到计算设备。
在操作404处,接收第二数据集。在各方面,诸如医疗设备260之类的医疗设备可以向计算设备提供第二数据集。第二数据集还可以包括患者的患者数据,诸如***厚度和/或***密度。例如,患者可以被定位在医疗装备(诸如乳腺造影单元)上/内。乳腺造影单元可以通信地耦合(或可耦合)到计算设备。乳腺造影单元可以包括挤压组件,诸如挤压臂和/或挤压桨,用于在成像规程期间和/或之前挤压患者***。挤压组件可以向患者的***施加挤压以确定***的厚度值。乳腺造影单元可以向计算设备提供厚度值。收集正被成像的特定患者的***厚度、密度数据和/或患者定位信息可以与确定获得高质量图像而不使患者过度暴露所必需的最优曝露量相关。例如,具有高厚度或密度的***可以要求较高的暴露量,而具有较低厚度或密度的***可以要求较低的暴露量。
第二数据集还可以包括医疗设备的装备数据,诸如成像设备属性(例如,成像设备类型、型号、能力)、挤压组件属性(例如,挤压桨尺寸、形状、灵活性、填充物、类型)、成像模式(例如,2D、3D、断层扫描)、阳极材料(例如,钨、铑、钼)和成像滤波器类型(例如,铑、银、铝)。收集用于特定检查的医疗装备数据对于确定曝露技术参数可以是相关的,因为使用具有不同厚度、尺寸和形状的不同桨以及成像模式和滤波器类型等会影响获得高质量图像而不使患者过度暴露所必需的最优曝露量。例如,一些桨可以由较厚的材料制成,并且与其它由较薄的材料制成的桨相比,可能要求附加的暴露。类似地,不同的成像模式要求不同的曝露量。此外,不同的乳腺造影设备或型号可以要求不同的曝露量。装备的类型最优所需的暴露量可以存储在与特定装备类型相关联的查找表中。
在操作406处,接收第三数据集。在各方面中,计算设备可以从一个或多个数据存储库(诸如(一个或多个)数据存储库270)接收第三数据集。第三数据集可以包括患者的先前图像数据,诸如先前收集的医疗图像(例如,乳腺造影图像)、像素数据、曝露技术参数、DICOM报头信息以及与医疗图像相关联的数据(例如,***密度值、***厚度值、活检植入标记)。例如,响应于接收第一数据集和/或第二数据集,计算设备可以收集在之前的患者到访期间从患者收集的一个或多个乳腺造影图像。可以通过将第一数据集和/或第二数据集中的患者识别信息(诸如患者姓名或标识符)与乳腺造影图像的DICOM报头中的患者信息进行匹配来识别先前收集的乳腺造影图像。收集特定患者的先前成像数据对于确定曝露技术参数可以是相关的。例如,关于***密度值或***厚度值的数据可以不在接收到的第一数据集中,但可以影响暴露技术参数的确定。通过考虑患者的先前成像数据,可以确定获得高质量图像而不使患者过度暴露所需的最优曝露量。如上所述并且可以认识到的,***厚度值和/或***密度值与必要的暴露量之间可以存在数学关系。
在操作408处,第一数据集、第二数据集和第三数据集被提供给ML模型,诸如ML组件215。在各方面,计算设备和/或医疗装备可以访问ML模型,该ML模型被训练为预测用于获取乳腺造影图像的最优曝露技术。ML模型可以存储在计算设备上、医疗装备上、数据存储库中,或者存储一个或多个模型模板和/或经训练的模型的模型储存库中。ML模型的存储位置可以在公共和/或开发环境(例如,环境251)中、在包括敏感或私人信息的环境(例如,环境201)中,或者在其组合中。医疗保健专业人员可以使用计算设备来调用ML模型,例如,通过选择与乳腺造影***相关联的用户接口上的设置或按钮。在一个这样的示例中,医疗保健专业人员可以在对患者进行定位之后但在对患者进行成像之前选择ML模型特征。因为如上所述在***中接收到输入。可替代地,ML模型可以在一个或多个事件发生时被自动调用。作为具体示例,当计算设备接收到第一数据集、患者定位在医疗装备中、计算设备接收到第二数据集或计算设备接收到第三数据集时,可以自动调用ML。一旦被调用,第一数据集、第二数据集和/或第三数据集的一个或多个部分就可以作为ML模型的输入被提供。
在操作410处,可以从ML模型接收曝露技术参数的集合。在各方面,ML模型可以输出患者特有的曝露技术参数的集合,诸如kVp值、mAs值、X射线滤波器组合信息、焦点信息、源到图像接收器距离值、物体到图像接收器距离值、散射网格信息和波束限制信息。该曝露技术参数的集合可以表示用于基于已知影响曝露技术参数的特定于患者的因素获取患者的乳腺造影图像的最优曝露技术参数。该曝露技术参数的集合可以被提供给计算设备和/或医疗装备。该曝露技术参数的集合还可以存储在一个或多个数据存储库(诸如(一个或多个)数据存储库270)中。
在可选的操作412处,可以通过决策逻辑组件来评估该曝露技术参数的集合。在各方面,该曝露技术参数的集合可以被提供给决策逻辑组件(诸如关于图2讨论的ML组件)(或者以其它方式使决策逻辑组件可访问)。决策逻辑组件可以将曝露技术参数的集合与单独的曝露技术参数的集合进行比较。例如,可以将曝露技术参数的集合与用于执行AEC的传统方法的参数集(“传统AEC参数”)进行比较。传统AEC参数可以由医疗保健专业人员提供或者从不同的源接收/收集。决策逻辑组件可以对每个参数集中的参数应用一个或多个分数/权重和/或将评分/加权的参数集组合成单个组合的曝露技术参数的集合。可替代地,决策逻辑组件可以使用参数集之一来识别统计异常值并将其从其它参数集中移除。例如,决策逻辑组件可以使用传统AEC参数来定义曝露技术参数的集合的预期/可接受的值范围。从曝露技术参数的集合中移除统计异常值可以导致经修改的曝露技术参数的集合。
在操作414处,获得患者的一个或多个乳腺造影图像。在各方面,曝露技术参数的集合可以被用作对患者实时(例如,在患者到访期间)执行的成像规程的输入参数。成像规程可以由医疗装备和/或其它医疗设备执行。成像规程可以生成患者的一个或多个乳腺造影图像和/或其它类型的医疗图像。成像规程期间患者的辐射暴露可以由暴露技术参数的集合定义。该曝露技术参数的集合可以表示获取患者的最优乳腺造影图像所必需的对患者的最小曝露。通过使用本文确定的曝露技术参数,可以消除对侦察图像和对患者的相关联暴露的需要。
图5图示了用于图1中描述的使临床工作流程决策自动化技术的示例性合适的操作环境。在其最基本的配置中,操作环境700通常包括至少一个处理单元502和存储器504。取决于计算设备的确切配置和类型,存储器504(存储,用于执行本文公开的技术的指令)可以是易失性的(诸如RAM)、非易失性的(诸如ROM、闪存等),或两者的某种组合。这种最基本的配置在图5中用虚线506示出。此外,环境500还可以包括存储设备(可移动的,508,和/或不可移动的,510),包括但不限于磁或光盘或带。类似地,环境500还可以具有(一个或多个)输入设备514,诸如键盘、鼠标、笔、语音输入等,和/或(一个或多个)输出设备516,诸如显示器、扬声器、打印机等。环境中还可以包括的是一个或多个通信连接512,诸如LAN、WAN、点对点连接等。在实施例中,这些连接可以是可操作的,以促进点对点通信、定向通信、无连接通信等。
操作环境500通常包括至少某种形式的计算机可读介质。计算机可读介质可以是可由处理单元502或包括操作环境的其它设备访问的任何可用介质。作为示例而非限制,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术实现的易失性和非易失性、可移动和不可移动的介质。计算机存储介质包括RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光存储装置、磁盒、磁带、磁盘存储装置或其它磁存储设备、或任何其它可以用于存储期望信息的非暂态介质。计算机存储介质不包括通信介质。
通信介质在诸如载波或其它传输机制的调制数据信号中实施计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。术语“调制数据信号”是指具有以将信息编码为信号的方式来设置或改变其一个或多个特性的信号。作为示例而非限制,通信介质包括诸如有线网络或直接有线连接之类的有线介质,以及诸如声学、RF、红外、微波和其它无线介质之类的无线介质。以上任何内容的组合也应包括在计算机可读介质的范围内。
操作环境500可以是使用到一个或多个远程计算机的逻辑连接在联网环境中操作的单个计算机。远程计算机可以是个人计算机、服务器、路由器、网络PC、对等设备或其它公共网络节点,并且通常包括上述许多或所有元素以及未提及的其它元素。逻辑连接可以包括可用通信媒体支持的任何方法。这种联网环境在办公室、企业范围的计算机网络、内部网和互联网中是常见的。
可以使用软件、硬件或软件和硬件的组合来采用本文描述的实施例,以实现和执行本文公开的***和方法。虽然在整个公开中已经将特定设备描述为执行特定功能,但是本领域技术人员将认识到的是,提供这些设备是为了说明性目的,并且在不脱离本公开的范围的情况下,可以采用其它设备来执行本文所公开的功能。
示例:
下面提供本文描述的***和方法的说明性示例。本文描述的***或方法的实施例可以包括下述条款中的任何一个或多个及其任何组合:
条款1、一种***,包括:处理器;以及存储器,耦合到处理器,该存储器包括计算机可执行指令,该计算机可执行指令在被执行时执行一种方法,该方法包括:接收包括患者的特定于患者的数据的第一数据集;接收包括特定于装备的信息的第二数据集,该特定于装备的信息指示成像设备的属性或附件;接收包括患者的先前图像数据的第三数据集;提供第一数据集、第二数据集和第三数据集作为机器学习模型的输入;接收曝露技术参数的集合作为来自机器学习模型的输出,该曝露技术参数的集合包括以下各项中的至少一项:千伏峰(kVp)值、毫安秒(mAs)值,或X射线滤波器组合;以及基于该曝露技术参数的集合获取患者的图像。
条款2、如条款1所述的***,其中,在获取图像之前,用户调用机器学习模型。
条款3、如条款1-2中任一项所述的***,其中特定于患者的数据包括异物指示符,该异物指示符指示异物是否被植入患者的***中。
条款4、如条款1-3中任一项所述的***,其中:医疗保健专业人员将第一数据集提供给用于训练机器学习模型的计算设备;医疗设备向计算设备提供第二数据集;以及数据存储库向计算设备提供第三数据集。
条款5、如条款1-4中任一项所述的***,其中第一数据集还包括以下各项中的至少一项:***的厚度、***的密度,或患者定位信息。
条款6、如条款1-5中任一项所述的***,其中成像设备的属性包括以下各项中的至少一项:挤压桨尺寸、挤压桨形状或挤压桨类型。
条款7、如条款1-6中任一项所述的***,其中成像设备的属性包括以下各项中的至少一项:成像模式、阳极材料或成像滤波器类型。
条款8、如条款1-7中任一项所述的***,其中第一数据集和第二数据集是在当前患者到访医疗设施期间收集的。
条款9、如条款1-8中任一项所述的***,其中先前图像数据包括患者的一个或多个乳腺造影图像,所述一个或多个乳腺造影图像是在先前患者到访期间收集的。
条款10、如条款1-9中任一项所述的***,其中第三数据集还包括***的厚度或***的密度中的至少一个。
条款11、如条款1-10中任一项所述的***,其中机器学习模型被训练以预测用于获取乳腺造影图像的最优曝露技术。
条款12、如条款1-11中任一项所述的***,其中曝露技术参数的集合特定于患者并且是在对患者成像之前确定的。
条款13、如条款1-12中任一项所述的***,其中曝露技术参数的集合还包括以下各项中的至少一项:焦点信息、源到图像接受器距离值、物体到图像接受器距离值、散射网格信息或波束限制信息。
条款14、一种方法,包括:在计算设备处接收包括患者的特定于患者的数据的第一数据集;在计算设备处接收包括特定于装备的信息的第二数据集,该特定于装备的信息指示成像设备的属性或附件;在计算设备处接收包括患者的先前图像数据的第三数据集;由计算设备提供第一数据集、第二数据集和第三数据集作为机器学习模型的输入;接收曝露技术参数的集合作为来自机器学习模型的输出,该曝露技术参数的集合包括以下各项中的至少一项:千伏峰(kVp)值、毫安秒(mAs)值,或X射线滤波器组合;以及基于该曝露技术参数的集合生成患者的一个或多个乳腺造影图像,所述一个或多个乳腺造影图像是由成像装置生成的。
条款15、如条款14所述的方法,其中:成像设备可通信地耦合到计算设备;以及当成像设备和计算设备通信地耦合时,成像设备向计算设备提供第二数据集。
条款16、如条款14-15中任一项所述的方法,其中所述一个或多个乳腺造影图像具有基于以下各项中的至少一项的最优图像质量:光学密度、信噪比、对比度噪声比、均方误差,对比度改善率。
条款17、如条款14-16中任一项所述的方法,其中该方法还包括:使用计算设备的机器学习组件来评估曝露技术参数的集合,评估包括将该曝露技术参数的集合与用于传统自动曝露控制(AEC)方法的参数集进行比较。
条款18、如条款17所述的方法,其中:所述比较包括将曝露技术参数的集合与用于传统AEC方法的参数集组合以生成组合的曝露技术参数的集合;以及该方法还包括:使用组合的曝露技术参数的集合来生成患者的乳腺造影图像的集合。
条款19、如条款17所述的方法,其中:所述比较包括使用用于传统AEC方法的参数集来识别曝露技术参数的集合中的统计异常值。
条款20、一种方法,包括:在计算设备处接收数据集,该数据集包括:患者的特定于患者数据;特定于装备的信息,该特定于装备的信息指示成像设备的属性或附件;以及患者的先前的图像数据;由计算设备提供数据集作为机器学习模型的输入;接收曝露技术参数的集合作为来自机器学习模型的输出,该曝露技术参数的集合包括以下各项当中的至少一项:千伏峰(kVp)值、毫安秒(mAs)值,或X射线滤波器组合;以及基于该曝露技术参数的集合获取患者的图像。
本公开参考附图描述了本技术的一些实施例,在附图中仅图示了一些可能的实施例。但是,其它方面可以以许多不同的形式实施,并且不应被解释为限于本文阐述的实施例。相反,提供这些实施例是为了使本公开彻底和完整,并将可能的实施例的范围充分传达给本领域技术人员。
虽然本文描述了特定的实施例,但是技术的范围不限于那些特定的实施例。本领域技术人员将认识到在本技术的范围和精神内的其它实施例或改进。因此,仅作为说明性实施例公开了特定的结构、动作或介质。本技术的范围由所附权利要求及其中的任何等同形式限定。
Claims (19)
1.一种***,包括:
处理器;以及
存储器,耦合到处理器,该存储器包括计算机可执行指令,该计算机可执行指令在被执行时执行一种方法,该方法包括:
接收包括患者的特定于患者的数据的第一数据集;
接收包括特定于装备的信息的第二数据集,该特定于装备的信息指示成像设备的属性或附件;
接收包括患者的先前图像数据的第三数据集;
提供第一数据集、第二数据集和第三数据集作为机器学习模型的输入;
接收曝露技术参数的集合作为来自机器学习模型的输出,该曝露技术参数的集合包括以下各项中的至少一项:千伏峰(kVp)值、毫安秒(mAs)值,或X射线滤波器组合;以及
基于该曝露技术参数的集合获取患者的图像。
2.如权利要求1所述的***,其中,在获取图像之前,用户调用机器学习模型。
3.如权利要求1-2中任一项所述的***,其中特定于患者的数据包括异物指示符,该异物指示符指示异物是否被植入患者的***中。
4.如权利要求1-3中任一项所述的***,其中:
医疗保健专业人员将第一数据集提供给用于训练机器学习模型的计算设备;
医疗设备向计算设备提供第二数据集;以及
数据存储库向计算设备提供第三数据集。
5.如权利要求1-4中任一项所述的***,其中第一数据集还包括以下各项中的至少一项:***的厚度、***的密度,或患者定位信息。
6.如权利要求1-5中任一项所述的***,其中成像设备的属性包括以下各项中的至少一项:挤压桨尺寸、挤压桨形状或挤压桨类型。
7.如权利要求1-6中任一项所述的***,其中成像设备的属性包括以下各项中的至少一项:成像模式、阳极材料或成像滤波器类型。
8.如权利要求1-7中任一项所述的***,其中第一数据集和第二数据集是在当前患者到访医疗设施期间收集的。
9.如权利要求1-8中任一项所述的***,其中先前图像数据包括患者的一个或多个乳腺造影图像,所述一个或多个乳腺造影图像是在先前患者到访期间收集的。
10.如权利要求1-9中任一项所述的***,其中第三数据集还包括***的厚度或***的密度中的至少一个。
11.如权利要求1-10中任一项所述的***,其中机器学习模型被训练以预测用于获取乳腺造影图像的最优曝露技术。
12.如权利要求1-11中任一项所述的***,其中曝露技术参数的集合特定于患者并且是在对患者成像之前确定的。
13.如权利要求1-12中任一项所述的***,其中曝露技术参数的集合还包括以下各项中的至少一项:焦点信息、源到图像接受器距离值、物体到图像接受器距离值、散射网格信息或波束限制信息。
14.一种方法,包括:
在计算设备处接收包括患者的特定于患者的数据的第一数据集;
在计算设备处接收包括特定于装备的信息的第二数据集,该特定于装备的信息指示成像设备的属性或附件;
在计算设备处接收包括患者的先前图像数据的第三数据集;
由计算设备提供第一数据集、第二数据集和第三数据集作为机器学习模型的输入;
接收曝露技术参数的集合作为来自机器学习模型的输出,该曝露技术参数的集合包括以下各项中的至少一项:千伏峰(kVp)值、毫安秒(mAs)值,或X射线滤波器组合;以及
基于该曝露技术参数的集合生成患者的一个或多个乳腺造影图像,所述一个或多个乳腺造影图像是由成像装置生成的。
15.如权利要求14所述的方法,其中:
成像设备可通信地耦合到计算设备;以及
当成像设备和计算设备通信地耦合时,成像设备向计算设备提供第二数据集。
16.如权利要求14-15中任一项所述的方法,其中所述一个或多个乳腺造影图像具有基于以下各项中的至少一项的最优图像质量:光学密度、信噪比、对比度噪声比、均方误差,对比度改善率。
17.如权利要求14-16中任一项所述的方法,其中该方法还包括:
使用计算设备的机器学习组件来评估曝露技术参数的集合,评估包括将该曝露技术参数的集合与用于传统自动曝露控制(AEC)方法的参数集进行比较。
18.如权利要求17所述的方法,其中:
所述比较包括将曝露技术参数的集合与用于传统AEC方法的参数集组合以生成组合的曝露技术参数的集合;以及
该方法还包括:
使用组合的曝露技术参数的集合来生成患者的乳腺造影图像的集合。
19.如权利要求17所述的方法,其中:
所述比较包括使用用于传统AEC方法的参数集来识别曝露技术参数的集合中的统计异常值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163189953P | 2021-05-18 | 2021-05-18 | |
US63/189,953 | 2021-05-18 | ||
PCT/US2022/028901 WO2022245619A1 (en) | 2021-05-18 | 2022-05-12 | Systems and methods for machine learning based optimal exposure technique prediction for acquiring mammographic images |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117320629A true CN117320629A (zh) | 2023-12-29 |
Family
ID=81927832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280035773.6A Pending CN117320629A (zh) | 2021-05-18 | 2022-05-12 | 用于获取乳腺造影图像的基于机器学习的最优曝露技术预测的***和方法 |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP4340728A1 (zh) |
JP (1) | JP2024521075A (zh) |
KR (1) | KR20240008894A (zh) |
CN (1) | CN117320629A (zh) |
AU (1) | AU2022275759A1 (zh) |
WO (1) | WO2022245619A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006116700A2 (en) * | 2005-04-28 | 2006-11-02 | Bruce Reiner | Method and apparatus for automated quality assurance in medical imaging |
WO2008130380A2 (en) * | 2006-10-25 | 2008-10-30 | Bruce Reiner | Method and apparatus of providing a radiation scorecard |
US9152761B2 (en) * | 2014-01-10 | 2015-10-06 | Heartflow, Inc. | Systems and methods for identifying medical image acquisition parameters |
EP3962240A4 (en) * | 2019-04-23 | 2022-06-22 | Shanghai United Imaging Healthcare Co., Ltd. | METHOD, SYSTEM AND DEVICE FOR CAPTURE OF RADIOLOGICAL IMAGES AND STORAGE MEDIUM |
CN110464326B (zh) * | 2019-08-19 | 2022-05-10 | 上海联影医疗科技股份有限公司 | 一种扫描参数推荐方法、***、装置及存储介质 |
-
2022
- 2022-05-12 CN CN202280035773.6A patent/CN117320629A/zh active Pending
- 2022-05-12 WO PCT/US2022/028901 patent/WO2022245619A1/en active Application Filing
- 2022-05-12 EP EP22727631.8A patent/EP4340728A1/en active Pending
- 2022-05-12 JP JP2023571321A patent/JP2024521075A/ja active Pending
- 2022-05-12 AU AU2022275759A patent/AU2022275759A1/en active Pending
- 2022-05-12 KR KR1020237043037A patent/KR20240008894A/ko unknown
Also Published As
Publication number | Publication date |
---|---|
KR20240008894A (ko) | 2024-01-19 |
WO2022245619A1 (en) | 2022-11-24 |
EP4340728A1 (en) | 2024-03-27 |
AU2022275759A1 (en) | 2023-12-21 |
JP2024521075A (ja) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190220978A1 (en) | Method for integrating image analysis, longitudinal tracking of a region of interest and updating of a knowledge representation | |
US10984528B2 (en) | System and apparatus for clinical decision optimisation | |
US9014485B2 (en) | Image reporting method | |
JP5026939B2 (ja) | 画像処理装置およびそのプログラム | |
US7949098B2 (en) | Method for determining reduced exposure conditions for medical images | |
EP4170673A1 (en) | Auto-focus tool for multimodality image review | |
JP6945474B2 (ja) | 学習用データ作成支援装置、学習用データ作成支援方法、および学習用データ作成支援プログラム | |
AU2020320287A1 (en) | Systems and methods for automating clinical workflow decisions and generating a priority read indicator | |
US20240164720A1 (en) | Personalized breast imaging system | |
JP2020006056A (ja) | 情報収集処理装置、情報収集処理方法及びプログラム | |
JP2023504026A (ja) | 医用イメージング・システムにおける自動式プロトコル指定 | |
CN117320629A (zh) | 用于获取乳腺造影图像的基于机器学习的最优曝露技术预测的***和方法 | |
US20230098785A1 (en) | Real-time ai for physical biopsy marker detection | |
WO2021193548A1 (ja) | 文書作成支援装置、方法およびプログラム | |
KR20210148132A (ko) | 스닙-트리거링된 디지털 영상 보고서 생성 | |
RU2548322C2 (ru) | Формирование изображений при помощи одиночного сканирования с несколькими процедурами | |
EP4318494A1 (en) | Method and apparatus for providing confidence information on result of artificial intelligence model | |
Kayeshko et al. | Decision support system for breast cancer screening | |
US20230154594A1 (en) | Systems and methods for protocol recommendations in medical imaging | |
Ridder et al. | Routine Usage of AI-based Chest X-ray Reading Support in a Multi-site Medical Supply Center | |
Kvak et al. | Computer-Aided Approach for BI-RADS Breast Density Classification: Multicentric Retrospective Study | |
JP2023048742A (ja) | 医用画像表示装置、方法およびプログラム | |
Friedman | Past and future of radiologic error |
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 |