ES2689751T3 - Generación de un modelo adecuado para estimar la dosis de radiación de un paciente resultante de escaneos de formación de imágenes medicas - Google Patents

Generación de un modelo adecuado para estimar la dosis de radiación de un paciente resultante de escaneos de formación de imágenes medicas Download PDF

Info

Publication number
ES2689751T3
ES2689751T3 ES11846200.1T ES11846200T ES2689751T3 ES 2689751 T3 ES2689751 T3 ES 2689751T3 ES 11846200 T ES11846200 T ES 11846200T ES 2689751 T3 ES2689751 T3 ES 2689751T3
Authority
ES
Spain
Prior art keywords
individual
scan
phantom
images
mathematical phantom
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES11846200.1T
Other languages
English (en)
Inventor
Gregory Couch
James Couch
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayer Healthcare LLC
Original Assignee
Bayer Healthcare LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bayer Healthcare LLC filed Critical Bayer Healthcare LLC
Application granted granted Critical
Publication of ES2689751T3 publication Critical patent/ES2689751T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/10—Application or adaptation of safety means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/488—Diagnostic techniques involving pre-scan acquisition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
    • A61B6/563—Details of data transmission or power supply, e.g. use of slip rings involving image data transmission via a network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/58—Testing, adjusting or calibrating apparatus or devices for radiation diagnosis
    • A61B6/582—Calibration
    • A61B6/583—Calibration using calibration phantoms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/02—Dosimeters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • 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

Abstract

Un procedimiento (400) implementado por ordenador para generar un modelo de formación de imágenes correspondiente a un primer individuo (120), comprendiendo el procedimiento: seleccionar (405) un fantoma matemático inicial para el primer individuo que recibe un escaneo de formación de imágenes, basándose la selección en la edad y el género del primer individuo; recibir una o más imágenes (410) de exploración del primer individuo; seleccionar (415) a partir de las imágenes obtenidas de múltiples individuos un conjunto de referencia de imágenes de localizador que tengan una geometría, tamaño y posición corporales que coincida estrechamente con el fantoma matemático inicial; determinar (420) una transformación entre al menos una de las imágenes de localizador y al menos una de las imágenes de exploración del primer individuo; y deformar el fantoma matemático inicial basándose en la transformación por la cual un fantoma matemático deformado resultante de la transformación coincide (425) mejor con un tamaño, una forma y unas posiciones de los órganos del primer individuo.

Description

5
10
15
20
25
30
35
40
45
50
55
DESCRIPCION
Generación de un modelo adecuado para estimar la dosis de radiación de un paciente resultante de escaneos de formación de imágenes medicas
Campo de la invención
Las realizaciones de la invención se refieren, en general, a enfoques para estimar la exposición a la radiación de un paciente durante escaneos por tomografía computarizada (TC).
Antecedentes
Como es sabido, un sistema de escaneo por TC usa radiación ionizante (rayos X) para generar imágenes de tejidos, órganos y otras estructuras dentro de un cuerpo. Los datos de rayos X resultantes de un escaneo por TC pueden convertirse en imágenes en una pantalla de visualización de ordenador. Por ejemplo, el escaneo por TC proporciona una recopilación de datos usados para crear un volumen tridimensional (3D) correspondiente a la porción escaneada del cuerpo de un paciente. El volumen 3D se corta a continuación para crear imágenes del tejido corporal a pequeños intervalos a lo largo de un eje del cuerpo del paciente. Dichos cortes pueden incluir cortes tanto laterales como transversales (así como otros cortes) dependiendo de los tejidos o estructuras de los se están formando imágenes.
El uso de los escaneos por TC y la radiación ionizante para la formación de imágenes médicas han crecido exponencialmente en la última década. Y las técnicas modernas, como el escaneo por TC, proporcionan información de diagnóstico mucho más detallada y valiosa que la formación de imágenes por rayos X convencional. Al mismo tiempo, sin embargo, los pacientes se ven expuestos a dosis de radiación sustancialmente mayores. Por ejemplo, una TC de tórax típica expondrá a un paciente a entre 100 y 250 veces la dosis de una radiografía de tórax convencional dependiendo de la tensión y la corriente del sistema de escaneo por TC, el protocolo seguido para realizar el procedimiento, y el tamaño y la forma del paciente que se escanea.
A pesar del uso creciente de escaneos por TC (y la exposición resultante a la radiación) la cantidad de radiación a la que está expuesto un paciente durante un procedimiento y, lo que es más importante, la dosis acumulada en muchos procedimientos, no son parámetros que se controlen regularmente para un paciente, y tampoco estos parámetros son una parte fácilmente accesible de los registros médicos del paciente. Esto se produce en parte debido a que la cantidad de radiación absorbida por órganos internos y tejidos no puede medirse directamente en pacientes vivos como parte de un examen TC, y los resultados obtenidos en cadáveres, aunque más precisos, no se corresponden bien con la absorción de dosis en tejidos vivos.
De manera similar, los enfoques para estimar la dosis usada actualmente también proporcionan resultados inexactos. Por ejemplo, un enfoque consiste en confiar en un número limitado de fantomas de formación de imágenes físicos para representar a un paciente determinado. Sin embargo, los fantomas de formación de imágenes disponibles no representan adecuadamente la amplia variación en el tamaño y el peso de las personas en la población de individuos que reciben escaneos por TC. Como resultado, las medidas de superficie de punto único son las que se hacen actualmente en la mayoría de los casos donde la dosis no se estima en absoluto. Sin embargo, esto conduce a resultados pobres y muy variables, dependiendo de dónde se mida la dosis de punto único. De manera más general, las mediciones de superficie de la exposición a la radiación no proporcionan una medida precisa de la absorción real para los tejidos internos, los órganos y las estructuras.
El documento EP 1913421 expone el concepto de que las imágenes médicas se recogen en una pluralidad de fases cardíacas y respiratorias. Las imágenes se transforman en una serie de imágenes compensadas respiratorias con la pluralidad de fases cardíacas, pero todas en una fase de respiración común. La serie de imágenes compensadas respiratorias se transforma en una imagen en una fase cardíaca seleccionada y en la fase de respiración común. En algunas realizaciones, se genera una base de datos de matrices de transformaciones cerradas. La base de datos puede basarse en una información específica del paciente o en una información generada a partir de un grupo de pacientes. La base de datos puede representar el movimiento respiratorio, el movimiento contráctil cardíaco, otros movimientos fisiológicos o combinaciones de los mismos. Para corregir el movimiento de una imagen actual, las matrices de transformaciones recopiladas en la base de datos se usan para estimar un conjunto actual de matrices de transformaciones que representan el movimiento en la imagen actual, y se genera una imagen compensada por movimiento basada en el conjunto actual de matrices de transformaciones.
El documento US 2010/046815 se refiere a un sistema para registrar un modelo de recipiente con un conjunto de datos de imagen basado en un modelo unido que comprende un modelo de objeto de referencia y el modelo de recipiente, comprendiendo el sistema: una unidad de colocación para colocar el modelo unido en un espacio del conjunto de datos de imágenes, creando de este modo un modelo unido colocado que comprende un modelo de objeto de referencia colocado y un modelo de recipiente colocado; una unidad de cálculo para calcular un campo de deformación basado en un campo de desplazamiento de puntos de referencia que comprende los desplazamientos de puntos de referencia del modelo de objeto de referencia situados en relación con los puntos de referencia correspondientes en el conjunto de datos de imágenes; una unidad de transformación para transformar el modelo unido colocado usando el campo de deformación, creando de este modo un modelo unido transformado que
5
10
15
20
25
30
35
40
45
50
55
comprende un modelo de objeto de referencia transformado y un modelo de recipiente transformado; y una unidad de registro para registrar el modelo de recipiente transformado con el conjunto de datos de imágenes basado en la modificación del modelo de recipiente transformado y la optimización de una función objetivo del modelo de recipiente transformado modificado, en el que la función objetivo comprende un término de localización previa basado en una localización del modelo de recipiente transformado modificado en relación con el modelo unido transformado. Por lo tanto, el sistema está dispuesto para modelar un recipiente teniendo en cuenta la localización de un modelo de recipiente en relación con una estructura anatómica de referencia descrita por un modelo de referencia.
Sumario
En un primer aspecto de la invención, se proporciona un procedimiento implementado por ordenador para generar un modelo de formación de imágenes correspondiente a un primer individuo, el procedimiento de acuerdo con la reivindicación 1. En un segundo aspecto de la invención, se proporciona un procedimiento implementado por ordenador para generar un modelo de formación de imágenes correspondiente a un individuo, el procedimiento de acuerdo con la reivindicación 4. En otro aspecto de la invención, se proporciona un sistema de acuerdo con la reivindicación 6, mientras que otro aspecto más de la invención proporciona otro sistema de acuerdo con la reivindicación 7.
Las realizaciones proporcionan técnicas para estimar la exposición a la radiación de un paciente durante los escaneos por tomografía computarizada (TC). Una realización incluye un procedimiento implementado por ordenador para generar un modelo de formación de imágenes que corresponde a un individuo. Este procedimiento puede incluir, en general, seleccionar un fantoma de formación de imágenes inicial para un individuo que recibe un escaneo de formación de imágenes, en el que el fantoma de formación de imágenes tiene una o más imágenes de localización asociadas y recibe una o más imágenes de exploración del individuo. Este procedimiento puede incluir, además, determinar una transformación entre al menos una de las imágenes de localizador asociadas con el fantoma de formación de imágenes y deformar el fantoma de formación de imágenes inicial basándose en la transformación.
En una realización específica, el escaneo de formación de imágenes es un escaneo por tomografía computarizada (TC), en otros casos el escaneo de formación de imágenes es un escaneo por fluoroscopia, un escaneo por PET, un escaneo de angiografía, etc. Este procedimiento puede incluir, además, recibir un conjunto de parámetros que describen el escaneo de formación de imágenes y aparatos de escaneo por TC que se usan para realizar el escaneo por TC, simular el escaneo de formación de imágenes usando el fantoma de formación de imágenes deformado y el conjunto de parámetros recibido, y estimar, basándose en la simulación, las cantidades de radiación absorbidas por el individuo como resultado de la realización del escaneo de formación de imágenes. En una realización específica, la simulación es una simulación Monte Carlo.
Otra realización incluye un procedimiento para generar un modelo de formación de imágenes correspondiente a un individuo. Este procedimiento puede incluir, en general, seleccionar un fantoma de formación de imágenes inicial para un individuo que recibe un escaneo por tomografía computarizada (TC) y segmentar un escaneo por TC de referencia asociado con el individuo para identificar un volumen tridimensional (3D) de una pluralidad de puntos de referencia anatómicos del individuo presentes en el escaneo por TC de referencia. Este procedimiento también puede incluir emparejar uno o más de los puntos de referencia anatómicos identificados en el escaneo por TC de referencia segmentado con los puntos de referencia anatómicos correspondientes en el fantoma de formación de imágenes inicial y deformar el fantoma de formación de imágenes inicial basándose en los puntos de referencia anatómicos coincidentes.
Las realizaciones adicionales incluyen un medio de almacenamiento legible por ordenador que almacena una aplicación que, cuando se ejecuta en un procesador, realiza el procedimiento mencionado anteriormente así como un sistema que tiene un procesador y una memoria que almacena un programa de aplicación de gestión de activos de información empresarial que, cuando se ejecuta en el procesador, realiza el procedimiento mencionado anteriormente.
Breve descripción de los dibujos
Con el fin de que los aspectos mencionados anteriormente se logren y puedan comprenderse en detalle, puede realizarse una descripción más específica de las realizaciones de la invención, brevemente resumidas anteriormente, por referencia a los dibujos adjuntos. Sin embargo, obsérvese que los dibujos adjuntos ilustran solo las realizaciones habituales de la invención y, por lo tanto, no son limitantes de su ámbito, ya que la invención puede admitir otras realizaciones igualmente eficaces.
La figura 1 ilustra un ejemplo de un sistema de escaneo por TC y unos sistemas informáticos relacionados
configurados para proporcionar estimaciones de la dosis de radiación del paciente, de acuerdo con una
realización de la invención.
La figura 2 ilustra un ejemplo de un sistema de formación de imágenes usado para obtener datos de escaneo por
TC, de acuerdo con una realización.
10
15
20
25
30
35
40
45
La figura 3 ilustra un ejemplo de un sistema de estimación de dosis usado para estimar y hacer un seguimiento de la dosis acumulada del paciente, de acuerdo con una realización.
La figura 4 ilustra un procedimiento para generar un modelo adecuado para estimar la dosis de radiación del paciente resultante de escaneos por Tc, de acuerdo con una realización.
La figura 5A ilustra una imagen a modo de ejemplo que representa un fantoma deformable, de acuerdo con una realización.
La figura 5B ilustra un ejemplo de una imagen de referencia bidimensional (2D) de una porción de un cuerpo humano correspondiente al fantoma mostrado en la figura 5A, de acuerdo con una realización.
La figura 6 ilustra otro procedimiento para generar un modelo adecuado para estimar la dosis de radiación resultante de escaneos por TC, de acuerdo con una realización.
La figura 7 ilustra un corte a modo de ejemplo de un fantoma superpuesto sobre un corte de TC correspondiente de un paciente, de acuerdo con una realización.
La figura 8 ilustra un ejemplo de un corte transversal de un fantoma de formación de imágenes superpuesto sobre un corte de TC transversal correspondiente de un paciente, de acuerdo con una realización.
La figura 9 ilustra un ejemplo de una segmentación de imagen de TC y un desplazamiento de volumen de órgano para un fantoma de formación de imágenes, de acuerdo con una realización.
La figura 10 ilustra un procedimiento para un servicio de estimación de dosis para proporcionar estimaciones de dosis de paciente a múltiples proveedores de escaneo por TC, de acuerdo con una realización.
La figura 11 ilustra una infraestructura de cálculo a modo de ejemplo para un sistema de servicio de estimación de dosis de paciente configurado para soportar múltiples proveedores de escaneo por TC, de acuerdo con una realización.
Descripción detallada
Las realizaciones de la invención se refieren, en general, a enfoques para estimar la exposición a la radiación del paciente durante escaneos por tomografía computarizada (TC). Más específicamente, las realizaciones de la invención proporcionan enfoques eficientes para generar un modelo de paciente adecuado usado para hacer tal estimación, enfoques para estimar la dosis del paciente interpolando los resultados de simulaciones múltiples, y enfoques para que un proveedor de servicios aloje un servicio de estimación de dosis que esté disponible para múltiples proveedores de escaneos por TC. Como se describe en detalle a continuación, el sistema de administración de dosis proporciona un sistema único para hacer un seguimiento de dosis de radiación a través de modalidades y para presentar información a los facultativos en un formato significativo y de fácil comprensión. La consideración rutinaria de la dosis acumulada para ordenar las pruebas diagnósticas de formación de imágenes puede conducir a un procedimiento de toma de decisiones más informado y, en última instancia, beneficiar la seguridad y el cuidado del paciente.
En una realización, se genera un fantoma de formación de imágenes virtual para modelar un paciente determinado que recibe un escaneo por TC. El fantoma de formación de imágenes virtual puede generarse deformando un fantoma matemático existente para que coincida mejor con el tamaño, la forma y las posiciones de órganos de un paciente que se expone a la radiación en un escaneo por TC. Inicialmente, puede seleccionarse un fantoma matemático en función de, por ejemplo, la edad y el género del paciente. La geometría específica del paciente puede lograrse deformando el fantoma matemático seleccionado usando las transformaciones obtenidas analizando los localizadores de imágenes de exploración de ese paciente. Obsérvese que, en este contexto, como entienden los expertos en la materia, un localizador hace referencia, en general, a una proyección de imagen 2D de un paciente (habitualmente una imagen de rayos X anterior/posterior y/o una imagen de rayos X lateral). En tal enfoque, el fantoma matemático seleccionado puede tener su propio conjunto de referencia de imágenes de localizador. Las imágenes de referencia para un fantoma virtual determinado se seleccionan para que coincidan con la geometría, el tamaño y la colocación de ese fantoma (por ejemplo, con los brazos arriba o a los lados) y puede seleccionarse a partir de imágenes obtenidas de múltiples individuos.
A continuación, se usan técnicas de registro de imágenes para mapear puntos de la imagen de localizador del paciente en puntos de la imagen (o imágenes) de referencia asociadas con el fantoma virtual. Al hacerlo, se produce un conjunto de transformaciones que pueden usarse para deformar el fantoma virtual para que coincida mejor con la geometría del paciente. Un enfoque similar implica el uso de un conjunto de referencia de datos 3D (escaneos por TC seleccionados) para el fantoma y el uso de técnicas de registro de imágenes 3D para mapear puntos de un escaneo por TC de un paciente determinado en puntos de escaneos por TC de referencia asociados con un fantoma determinado.
De manera similar, la segmentación de imágenes puede usarse para identificar un volumen 3D dentro de un
5
10
15
20
25
30
35
40
45
50
55
60
escaneo por TC correspondiente a órganos, tejidos o estructuras de interés en un escaneo por TC de un paciente. El volumen 3D puede ser un cuadro delimitador, o un volumen 3D más preciso considerado para representar un órgano, etc. Una vez identificado, puede determinarse un desplazamiento entre la posición del órgano en el fantoma y la posición correspondiente en el escaneo por TC del paciente. En lugar de funcionar sobre puntos de imagen individuales (como en las técnicas de registro de imágenes 2D/3D), el enfoque de segmentación de imágenes funciona usando volúmenes 3D más grandes a partir de la imagen TC como puntos de datos para determinar una transformación de un fantoma virtual y un paciente determinado.
En cada uno de estos casos, el fantoma híbrido resultante proporciona una representación matemática mucho más precisa de un paciente específico para su uso en una simulación de dosis que los fantomas no modificados solos. Una vez que se determinan las transformaciones, el fantoma virtual híbrido puede usarse para simular un procedimiento TC determinado para el paciente. Por ejemplo, las bien conocidas técnicas de simulación Monte Carlo se han desarrollado para estimar la dosis absorbida por un órgano para un fantoma virtual. Dichas técnicas de simulación usan el fantoma virtual (transformado en relación con un paciente determinado) junto con una serie de configuraciones relacionadas con el modelo y el procedimiento de escáner TC que se realizarán, con el fin de calcular estimaciones precisas de la dosis absorbida por el órgano. Por ejemplo, un escáner TC puede modelarse usando kVp, es decir, kilovoltaje pico, ángulo objetivo del generador de rayos X, ángulo de abanico, colimación, espesor de corte, distancia del foco al eje, filtros planos (material y espesor) y filtros de conformación de haz (material y geometría). Por supuesto, estos (y otros parámetros) pueden seleccionarse como disponibles o según sea necesario para satisfacer las necesidades de un caso específico.
Sin embargo, estimar la dosis de órgano absorbida por un órgano usando una simulación Monte Carlo puede requerir cantidades significativas de tiempo de cálculo, mucho más tiempo del requerido para realizar un escaneo por TC real. Dada la alta utilización de los sistemas de escaneo por TC en muchas instalaciones de formación de imágenes, en los casos donde una estimación de la dosis acumulada total no deba superar un máximo prescrito, este retraso simplemente no es manejable. Incluso en casos donde la estimación no se usa antes de realizar un procedimiento determinado, a menos que las estimaciones de la dosis del paciente puedan determinarse, relativamente, en el mismo orden de tiempo que se requiere para realizar un procedimiento, mantener un registro de la estimación de dosis para un sistema de escaneo determinado se vuelve inmanejable, ya que las simulaciones simplemente caerán cada vez más atrás con respecto a los escaneos actuales que se realizan. Este problema crece exponencialmente para un proveedor de SaaS que aloja un servicio de estimación de dosis en la nube para múltiples instalaciones de formación de imágenes.
En consecuencia, en una realización, las estimaciones de la dosis del paciente determinada para un procedimiento determinado pueden generarse por interpolación entre dos (o más) simulaciones completadas previamente. Si no hay simulaciones “cercanas” disponibles, entonces el fantoma virtual híbrido, el escáner TC y los datos de procedimiento pueden añadirse a una cola de simulaciones Monte Carlo completas a realizar. Con el tiempo, una gran biblioteca de simulaciones permite proporcionar estimaciones de dosis en tiempo real a medida que se programan y realizan los procedimientos. Hacerlo permite que se capturen cantidades de dosis acumuladas para un paciente determinado, así como los límites de dosis acumuladas a observar.
Además, en una realización, puede usarse un software como un modelo de proveedor de servicios (SaaS) o en la nube para realizar las estimaciones de dosis, mantener una biblioteca de simulaciones calculadas, así como ejecutar las simulaciones Monte Carlo. En tal caso, un proveedor de escaneos por TC puede proporcionar al proveedor de SaaS los parámetros de un procedimiento TC determinado. Por ejemplo, el software de cliente (o incluso un portal seguro basado en la web) en un centro de formación de imágenes puede usarse para proporcionar al proveedor de SaaS un fantoma virtual seleccionado, junto con las transformaciones usadas para crear un modelado de fantoma híbrido de un individuo específico y el equipo y el protocolo a usar en la realización de un procedimiento TC. Una vez recibido, el proveedor de servicios puede seleccionar las simulaciones adecuadas de la biblioteca para interpolar y devolver una estimación de la dosis absorbida por el órgano del paciente al centro de formación de imágenes.
Es importante destacar que el proveedor de SaaS no necesita recibir ninguna información de identificación real sobre un individuo o paciente determinado que recibe un escaneo por TC. En cambio, el proveedor de SaaS recibe solo información relacionada con un fantoma virtual y un sistema/procedimiento Tc. Como resultado, las operaciones del proveedor de servicios pueden no requerir el cumplimiento de una diversidad de leyes y/o regulaciones relacionadas con la privacidad de la información de salud personal. Además, al proporcionar estimaciones de dosis para múltiples centros de formación de imágenes, la biblioteca de simulaciones resultante se vuelve más diversa y es mucho más probable que encuentre candidatos para la interpolación que una biblioteca de simulaciones generada únicamente a partir de procedimientos de escaneo realizados por un solo centro de formación de imágenes. Aún más, la centralización de la biblioteca de simulaciones y las simulaciones Monte Carlo permite mejoras en los fantomas, un motor de simulación Monte Carlo y técnicas de interpolación a compartir por todos los centros de formación de imágenes que usan el servicio basado en la nube. Por último, este enfoque deja al centro de formación de imágenes mantener información que vincula la dosis acumulada a pacientes específicos, permitiendo que los datos reales del paciente permanezcan con cada proveedor individual. Al mismo tiempo, el proveedor de SaaS puede, por supuesto, comunicarse con los centros de formación de imágenes usando una diversidad de protocolos estandarizados para el intercambio de imágenes y datos, que incluyen, por ejemplo, comunicaciones y formación de imágenes digitales en medicina (DICOM), sistemas de archivo y comunicación de
5
10
15
20
25
30
35
40
45
50
55
60
imágenes (PACS), normas de salud nivel siete internacional (HL7), ICD-9, códigos de diagnóstico y procedimiento ICD-10, etc.
Además, la siguiente descripción hace referencia a realizaciones de la invención. Sin embargo, debe entenderse que la invención no se limita a las realizaciones específicas descritas. Por el contrario, se contempla cualquier combinación de las siguientes características y elementos, ya estén relacionados con las diferentes realizaciones o no, para implementar y poner en práctica la invención. Además, aunque las realizaciones de la invención pueden lograr ventajas sobre otras posibles soluciones y/o sobre la técnica anterior, el hecho de que se logre o no una ventaja específica mediante una realización determinada no es limitante para la invención. Por lo tanto, los siguientes aspectos, características, realizaciones y ventajas son meramente ilustrativos y no se consideran elementos o limitaciones de las reivindicaciones adjuntas, excepto cuando se indique explícitamente en una o varias reivindicaciones. De manera similar, la referencia a “la invención” no debe interpretarse como una generalización de cualquier objeto de la invención desvelado en el presente documento y no se considerará como un elemento o limitación de las reivindicaciones adjuntas, excepto cuando se indique explícitamente en una o varias reivindicaciones.
Como apreciarán los expertos en la materia, los aspectos de la presente invención pueden incorporarse como un sistema, procedimiento o producto de programa informático. En consecuencia, los aspectos de la presente invención pueden tomar la forma de una realización totalmente de hardware, una realización totalmente de software (que incluye firmware, software residente, microcódigo, etc.) o una realización que combina aspectos de software y hardware que, en general, pueden denominarse en el presente documento “circuito”, “módulo” o “sistema”. Además, los aspectos de la presente invención pueden tomar la forma de un producto de programa informático incorporado en uno o más medios legibles por ordenador que tiene un código de programa legible por ordenador incorporado en el mismo.
Puede utilizarse cualquier combinación de uno o más medios legibles por ordenador. El medio legible por ordenador puede ser un medio de señal legible por ordenador o un medio de almacenamiento legible por ordenador. Un medio de almacenamiento legible por ordenador puede ser, por ejemplo, pero sin limitarse a, un sistema, aparato o dispositivo electrónico, magnético, óptico, electromagnético, infrarrojo o semiconductor, o cualquier combinación adecuada de los anteriores. Ejemplos más específicos (una lista no exhaustiva) del medio de almacenamiento legible por ordenador incluirían los siguientes: una conexión eléctrica que tiene uno o más cables, un disquete de ordenador portátil, un disco duro, una memoria de acceso aleatorio (RAM), una memoria de solo lectura (ROM), una memoria de solo lectura programable borrable (memoria EPROM o flash), una fibra óptica, una memoria de solo lectura de disco compacto portátil (CD-ROM), un dispositivo de almacenamiento óptico, un dispositivo de almacenamiento magnético o cualquier combinación adecuada de los anteriores. En el contexto del presente documento, un medio de almacenamiento legible por ordenador puede ser cualquier medio tangible que pueda contener o almacenar un programa para su uso por o en conexión con un sistema, aparato o dispositivo de ejecución de instrucciones.
Los diagramas de flujo y de bloques en las figuras ilustran la arquitectura, funcionalidad y funcionamiento de posibles implementaciones de sistemas, procedimientos y productos de programas informáticos de acuerdo con diversas realizaciones de la presente invención. A este respecto, cada bloque en los diagramas de flujo o de bloques puede representar un módulo, segmento o porción del código, que comprende una o más instrucciones ejecutables para implementar la o las funciones lógicas especificadas. En algunas implementaciones alternativas, las funciones indicadas en el bloque pueden producirse fuera del orden indicado en las figuras. Por ejemplo, dos bloques mostrados en sucesión pueden, de hecho, ejecutarse de manera sustancialmente simultánea, o los bloques a veces pueden ejecutarse en el orden inverso, dependiendo de la funcionalidad implicada. Cada bloque de los diagramas de bloques y/o los diagramas de flujo, y las combinaciones de bloques en los diagramas de bloques y/o los diagramas de flujo pueden implementarse mediante sistemas basados en hardware de fines especiales que realizan las funciones o acciones especificadas, o combinaciones de hardware de fines especiales e instrucciones de ordenador.
Las realizaciones de la invención pueden proporcionarse a los usuarios finales a través de una infraestructura de computación en la nube. La computación en la nube hace referencia, en general, a la provisión de recursos informáticos escalables, como un servicio a través de una red. Más formalmente, la computación en la nube puede definirse como una capacidad de computación que proporciona una abstracción entre el recurso informático y su arquitectura técnica subyacente (por ejemplo, servidores, almacenamiento, redes), lo que permite un acceso a la red conveniente y bajo demanda a un grupo compartido de recursos informáticos configurables que pueden proporcionarse y liberarse rápidamente con un mínimo esfuerzo de gestión o interacción del proveedor de servicios. Por lo tanto, la computación en la nube permite a los usuarios acceder a recursos informáticos virtuales (por ejemplo, almacenamiento, datos, aplicaciones e incluso sistemas informáticos virtualizados completos) en “la nube”, sin tener en cuenta los sistemas físicos subyacentes (o localizaciones de esos sistemas) usados para proporcionar los recursos informáticos.
Habitualmente, los recursos de computación en la nube se proporcionan a un usuario en forma de pago por uso, donde los usuarios solo pagan por los recursos informáticos realmente usados (por ejemplo, una cantidad de espacio de almacenamiento consumido por un usuario o una serie de sistemas virtualizados instanciados por el
5
10
15
20
25
30
35
40
45
50
55
60
usuario). Un usuario puede acceder a cualquiera de los recursos que residen en la nube en cualquier momento y desde cualquier lugar a través de internet. En el contexto de la presente invención, un proveedor de servicios puede proporcionar a los centros de formación de imágenes estimaciones de la dosis del paciente tanto en la perspectiva predictiva como informativa. Por ejemplo, puede usarse una interfaz de estimación de dosis para presentar datos de fantoma virtual y TC al proveedor basado en la nube.
Los diagramas de flujo y de bloques en las figuras ilustran la arquitectura, funcionalidad y funcionamiento de posibles implementaciones de sistemas, procedimientos y productos de programas informáticos de acuerdo con diversas realizaciones de la presente invención. A este respecto, cada bloque en los diagramas de flujo o de bloques puede representar un módulo, segmento o porción del código, que comprende una o más instrucciones ejecutables para implementar la o las funciones lógicas especificadas. También debe observarse que, en algunas implementaciones alternativas, las funciones indicadas en el bloque pueden producirse fuera del orden indicado en las figuras. Por ejemplo, dos bloques mostrados en sucesión pueden, de hecho, ejecutarse de manera sustancialmente simultánea, o los bloques a veces pueden ejecutarse en el orden inverso, dependiendo de la funcionalidad implicada. También se observará que cada bloque de los diagramas de bloques y/o los diagramas de flujo, y las combinaciones de bloques en los diagramas de bloques y/o los diagramas de flujo pueden implementarse mediante sistemas basados en hardware de fines especiales que realizan las funciones o acciones especificadas, o combinaciones de hardware de fines especiales e instrucciones de ordenador.
Además, las realizaciones específicas de la invención descritas a continuación se basan en un ejemplo específico de un sistema de escaneo por tomografía computarizada TC que usa una arquitectura cliente-servidor para proporcionar una estimación de dosis a un conjunto de formación de imágenes. Sin embargo, debe entenderse que las técnicas descritas en el presente documento pueden adaptarse para su uso con otras tecnologías de formación de imágenes médicas que se basan en exponer a individuos a dosis de radiación limitadas como parte del procedimiento de formación de imágenes (por ejemplo, escaneos PET, radiografías convencionales y fluoroscopia y angiografía, etc.).
La figura 1 ilustra un ejemplo de un entorno 100 de escaneo por TC y unos sistemas informáticos relacionados configurados para proporcionar estimaciones de la dosis de radiación del paciente, de acuerdo con una realización de la invención. Como se muestra, el entorno 100 de escaneo por TC incluye un sistema 105 de escaneo por TC, un sistema 125 de formación de imágenes y un sistema 130 de estimación de dosis. Además, el sistema 130 de estimación de dosis incluye una base de datos de fantomas 132 de formación de imágenes y una biblioteca 134 de simulaciones.
Como es sabido, el escáner 105 TC proporciona un dispositivo usado para bombardear a un sujeto 120 con rayos X procedentes de una fuente 110 de rayos X. Los rayos X emitidos desde la fuente 110 de rayos X pasan a través de tejidos, órganos y estructuras del sujeto 120 a diferentes velocidades (algunos de los cuales se absorben por dichos tejidos, órganos y estructuras) dependiendo de la densidad y el tipo de materia que atraviesan los rayos X. Los sensores dispuestos con un anillo 115 detectan la cantidad de radiación que pasa a través del sujeto 120. La información de sensor resultante se pasa al sistema 125 de formación de imágenes. El sistema 125 de formación de imágenes proporciona un dispositivo informático configurado para recibir, almacenar y generar imágenes a partir de los datos de sensor obtenidos del escáner TC.
El sistema 125 de formación de imágenes permite que un operador realice un procedimiento TC determinado, así como también que reciba los datos obtenidos realizando escaneos por TC. Por ejemplo, el sistema 125 de formación de imágenes puede configurarse para “visualizar en ventana” diversas estructuras corporales en función de su capacidad para bloquear los rayos X emitidos desde la fuente 110. Las imágenes de escaneo por TC (a menudo denominadas “cortes”) se hacen habitualmente en relación con un plano axial o transversal, perpendicular al eje largo del cuerpo. Sin embargo, el escáner 105 TC puede permitir que los datos de formación de imágenes vuelvan a formatearse en diversos planos o como representaciones volumétricas (3D) de las estructuras. Una vez que se realiza un escaneo por TC, los datos de formación de imágenes generados por el escáner 105 TC pueden almacenarse, permitiendo que las imágenes de escaneo resultantes se revisen o evalúen de otras maneras. En una realización, los datos de formación de imágenes pueden formatearse usando la bien conocida norma DICOM y almacenarse en un depósito PACS.
En una realización, el sistema 130 de estimación de dosis proporciona un sistema informático y unas aplicaciones de software configuradas para estimar una cantidad de dosis absorbida por paciente para un paciente determinado que recibe un escaneo por TC determinado. Téngase en cuenta que tal estimación puede hacerse en un sentido predictivo (es decir, antes de realizar un escaneo) pero también puede hacerse después del hecho.
En el caso predictivo, el sistema 130 de estimación de dosis puede proporcionar una estimación de la dosis del paciente antes de realizar un escaneo por TC. Además, en una realización, el sistema 130 de estimación de dosis puede configurarse para generar automáticamente alertas basadas en umbrales configurables. Los criterios para generar una alerta pueden usar un motor de reglas que puede tener en cuenta la edad, el género, la codificación ICD9/ICD10 y otra información sobre un paciente o procedimiento determinado (por ejemplo, un límite de dosis acumulada específico). De manera más general, los umbrales de dosis pueden ser lo suficientemente flexibles como para reflejar los requisitos legislativos, institucionales o de tratamiento para la monitorización de dosis. En una
5
10
15
20
25
30
35
40
45
50
55
realización, las estimaciones de dosis resultantes pueden almacenarse como parte de los registros/historial médico del paciente mantenidos por un centro de formación de imágenes, un hospital u otro proveedor.
Además, los umbrales de dosis pueden usarse opcionalmente para crear informes de incidentes dirigidos a los facultativos adecuados. Los informes de incidentes pueden incluir una descripción de un procedimiento y cualquier estimación de dosis que supere una regla o umbral junto con cualquier información complementaria necesaria para proporcionar un contexto para la intervención o la toma de decisiones del facultativo. En una realización, dicho informe puede imprimirse/enviarse por correo electrónico usando una plantilla XML personalizable.
Los fantomas 132 de formación de imágenes pueden proporcionar modelos matemáticos aceptados de porciones de tejido humano, órganos, estructuras, etc. Por ejemplo, los fantomas 132 de formación de imágenes pueden proporcionar un conjunto de curvas elementales racionales no uniformes (NURBS) usadas para crear un modelo tridimensional (3D) de un cuerpo humano (o una porción del mismo). Como alternativa, los fantomas de formación de imágenes pueden representarse usando una geometría sólida constructiva (CSG) u otra representación matemática. En general, pueden proporcionarse diferentes fantomas 132 de formación de imágenes para modelar individuos en función de la edad y el género. Sin embargo, como se ha indicado anteriormente, la geometría virtual y la forma corporal de un fantoma de formación de imágenes seleccionado en función de la edad y/o el género pueden (o no) corresponder al tamaño, forma y posición de órgano de una persona real que tiene un procedimiento TC. En consecuencia, en una realización, el sistema 130 de estimación de dosis puede configurarse para deformar un fantoma virtual para modelar mejor un paciente específico. Las realizaciones a modo de ejemplo para deformar un fantoma 122 de formación de imágenes virtual se explican con mayor detalle a continuación.
Una vez que un fantoma de formación de imágenes se deforma para modelar un individuo específico, el sistema 130 de estimación de dosis puede realizar una simulación para estimar una cantidad de deposición de dosis de primer paso resultante de un procedimiento de escaneo por TC determinado. Por ejemplo, en una realización, puede realizarse una simulación Monte Carlo usando los parámetros de escaneo por TC, los parámetros de procedimiento TC, y el fantoma deformado para llegar a una estimación de la dosis. Sin embargo, también podrían usarse otros enfoques de simulación. Los resultados de una simulación de estimación de dosis determinada pueden almacenarse en la biblioteca 134 de simulaciones.
Por ejemplo, el escáner TC puede parametrizarse para una simulación basada en la corriente y tensión de tubo de rayos X, el modo de escáner TC, el kVp, el ángulo objetivo de generador de rayos X, el ángulo de abanico, la colimación, el espesor de corte, la distancia del foco al eje, unos filtros planos (material y espesor), unos filtros de conformación del haz (material y geometría). Aunque pueden usarse una diversidad de enfoques en el procedimiento de simulación, en una realización, se usan kVp, ángulo objetivo y filtración para modelar el fantoma de rayos X, como se describe en “Computation of bremsstrahlung X-ray spectra over an energy range 15 KeV to 300 KeV” de W.J. Iles, Reino Unido, Junta Nacional de Protección Radiológica, NRPB, 1987.
Además, la distancia del foco al eje determina la distancia de la fuente de rayos X al eje de rotación, y el ángulo de abanico determina cómo el haz se propaga ampliamente sobre el plano de corte. Por supuesto, estos (y otros parámetros) pueden seleccionarse como disponibles o según sea necesario para satisfacer las necesidades de un caso específico. Habitualmente, sin embargo, la deposición de energía se almacena por corte para cada región anatómica definida en el fantoma. Puede realizarse una simulación de normalización de un fantoma CTDIvol para cada modelo TC. Esta información de deposición de energía por corte, combinada con las masas para cada región anatómica, es suficiente para calcular la dosis absorbida en cada región para una región de escaneo determinada (usando un subconjunto de nuestra simulación de cuerpo completo).
Sin embargo, realizar una simulación Monte Carlo habitualmente requiere un tiempo de procesamiento sustancial para completar, mucho más tiempo que la realización del escaneo por TC en sí. En consecuencia, en una realización, el sistema 130 de estimación de dosis estima la dosis interpolando entre dos (o más) simulaciones en la biblioteca 134 de simulaciones. Por ejemplo, una dosis de paciente de primer paso puede calcularse usando una interpolación de dispersión multivariada de datos de simulación existentes. La información de la dosis del paciente se perfecciona a medida que se añaden más simulaciones aplicables. De manera similar, pueden añadirse nuevos modelos de escáner a la biblioteca 134 de simulaciones a medida que se obtienen mediciones y especificaciones de calibración de estos escáneres.
La biblioteca 134 de simulaciones proporciona una base de datos de resultados de la simulación Monte Carlo. En una realización, la biblioteca 134 de simulaciones almacena información sobre la deposición de dosis/energía para un conjunto de fantomas, tanto suministrados como deformados para pacientes individuales, para un grupo de escáneres de formación de imágenes médicas compatibles, por ejemplo, modalidades de formación de imágenes por TC, RF, XA, entre otras. En una realización, la biblioteca 134 de simulaciones se usa para proporcionar una búsqueda en tiempo real y/o cálculos de distribuciones de dosis dados los parámetros de adquisición, la descripción del paciente y la región de escaneo.
Como se ha indicado, la biblioteca 134 de simulaciones puede aumentarse de manera automática en el tiempo a medida que se completan simulaciones Monte Carlo adicionales. Por ejemplo, las simulaciones a realizar pueden añadirse a una cola a medida que se producen los exámenes de escaneos por TC. Puede darse prioridad a las
5
10
15
20
25
30
35
40
45
50
55
60
simulaciones en un área con pocos puntos de datos existentes. Al hacerlo, mejora la probabilidad de identificar simulaciones a interpolar, es decir, mejora el “espacio” de simulación cubierto por la biblioteca 134 de simulaciones. De manera similar, más simulaciones disponibles en la biblioteca 134 de simulaciones permiten umbrales más estrictos para seleccionar las simulaciones a interpolar en un caso determinado, lo que conduce a una mayor precisión en las estimaciones de dosis.
Obsérvese que, aunque se muestra en la figura 1 como parte de un entorno 100 de escaneo por TC, el sistema 130 de estimación de dosis (y los fantomas 132 y la biblioteca 134) puede proporcionarse como un servicio alojado al que se accede por/desde el entorno 100 de escaneo por TC. Por ejemplo, un centro de formación de imágenes puede usar una interfaz de cliente en el sistema 125 de formación de imágenes (por ejemplo, un portal web seguro o una aplicación cliente especializada) para interactuar con un proveedor de estimación de dosis alojado. Un ejemplo de una realización de este tipo se explica en mayor detalle a continuación con respecto a las figuras 11 y 12.
La figura 2 ilustra un ejemplo de un sistema 125 de formación de imágenes usado para obtener datos de escaneo por TC y gestionar estimaciones de la dosis de paciente, de acuerdo con una realización. Como se muestra, el sistema 125 de formación de imágenes incluye, sin limitación, una unidad 205 de procesamiento central (CPU), una interfaz 214 de sistema TC, una interfaz 215 de red, una interconexión 217, una memoria 225 y un almacenamiento 230. El sistema 125 de formación de imágenes también puede incluir una interfaz 210 de dispositivos de E/S que conecta los dispositivos 212 de E/S (por ejemplo, dispositivos de teclado, pantalla y ratón) al sistema 125 de formación de imágenes.
La CPU 205 recupera y ejecuta instrucciones de programación almacenadas en la memoria 225. De manera similar, la CPU 205 almacena y recupera datos de aplicación que residen en la memoria 225. La interconexión 217 facilita la transmisión de instrucciones de programación y datos de aplicación entre la CPU 205, la interfaz 210 de dispositivos de E/S, el almacenamiento 230, la interfaz 215 de red y la memoria 225. La CPU 205 se incluye para ser representativa de una sola CPU, múltiples CPU, una sola CPU que tiene múltiples núcleos de procesamiento, y similares. Y la memoria 225 se incluye, en general, para ser representativa de una memoria de acceso aleatorio. El almacenamiento 230 puede ser un dispositivo de almacenamiento de unidad de disco. Aunque se muestra como una sola unidad, el almacenamiento 230 puede ser una combinación de dispositivos de almacenamiento fijos y/o desmontables, tales como unidades de disco, dispositivos de almacenamiento de estado sólido (SSD), red conectada (NAS) o una red de área de almacenamiento (SAN). Además, el almacenamiento 230 (o las conexiones a los depósitos de almacenamiento) puede adaptarse a una diversidad de normas para el almacenamiento de datos relacionados con entornos de atención médica (por ejemplo, un depósito PACS).
Como se muestra, la memoria 220 incluye un componente 222 de control de formación de imágenes, un componente 224 de almacenamiento de imágenes, y una interfaz 226 de estimación de dosis. Y el almacenamiento 235, los protocolos 232 de formación de imágenes y los umbrales 234 de alarma. El componente 222 de control de formación de imágenes se corresponde con las aplicaciones de software usadas para realizar un procedimiento de escaneo por TC determinado, como se especifica por un protocolo 232 de formación de imágenes. Los protocolos 232 de formación de imágenes especifican, en general, la posición, el tiempo y la duración para realizar un procedimiento TC específico usando una modalidad de escaneo específica. El componente 224 de almacenamiento de imágenes proporciona un software configurado para almacenar imágenes y datos de TC derivados mientras se realiza un procedimiento TC determinado o que interactúa con un depósito de almacenamiento adecuado para almacenar tales imágenes y datos. Por ejemplo, los datos de escaneo por TC pueden enviarse a través de una conexión TCP/IP (a través de una interfaz de red) a/desde un depósito PACS.
La interfaz 226 de estimación de dosis proporciona componentes de software configurados para interactuar con el sistema 130 de estimación de dosis para obtener una estimación de la dosis de paciente que puede resultar de un procedimiento TC específico. Como se ha indicado, en una realización, la interfaz 226 de estimación de dosis puede interactuar con sistemas locales en el entorno de formación de imágenes por TC. Sin embargo, en una realización alternativa, la interfaz 226 de estimación de dosis puede interactuar con un proveedor de servicios alojado. En tal caso, la interfaz 226 puede enviar solicitudes de estimaciones de la dosis de paciente al proveedor de servicios alojado. Además, tal solicitud puede indicar un fantoma de formación de imágenes, transformaciones en ese fantoma, y el equipo y los protocolos de escaneo por TC que se siguen para un escaneo de formación de imágenes determinado. En cualquier caso, cuando se usa en un sentido predictivo (es decir, antes de realizar un procedimiento), la estimación de la dosis de paciente puede compararse con los umbrales y las reglas de alarma para determinar si debe emitirse alguna alarma antes de que se realice un procedimiento determinado (por ejemplo, una alarma que indica que un procedimiento determinado superará (o probablemente superará) un límite de dosis acumulada para un determinado paciente, órgano o parte del cuerpo, etc.).
La figura 3 ilustra un ejemplo de un sistema 130 de estimación de dosis usado para estimar y hacer un seguimiento de la dosis de paciente acumulada, de acuerdo con una realización. Como se muestra, el sistema 130 de estimación de dosis incluye, sin limitación, una unidad 305 de procesamiento central (CPU), una interfaz 315 de red, una interconexión 320, una memoria 325 y un almacenamiento 330. El sistema 130 de estimación de dosis también puede incluir una interfaz 310 de dispositivos de E/S que conecta los dispositivos 312 de E/S (por ejemplo, dispositivos de teclado, pantalla y ratón) al sistema 130 de estimación de dosis.
5
10
15
20
25
30
35
40
45
50
55
60
Al igual que la CPU 205, la CPU 305 se incluye para ser representativa de una sola CPU, múltiples CPU, una sola CPU que tiene múltiples núcleos de procesamiento, etc., y la memoria 325 se incluye, en general, para ser representativa de una memoria de acceso aleatorio. La interconexión 317 se usa para transmitir instrucciones de programación y datos de aplicación entre la CPU 305, la interfaz 310 de dispositivos de E/S, el almacenamiento 330, la interfaz 315 de red y la memoria 325. La interfaz 315 de red está configurada para transmitir datos a través de la red de comunicaciones, por ejemplo, para recibir solicitudes de un sistema de formación de imágenes para la estimación de dosis. El almacenamiento 330, como una unidad de disco duro o una unidad de almacenamiento de estado sólido (SSD), puede almacenar datos no volátiles.
Como se muestra, la memoria 320 incluye una herramienta 321 de estimación de dosis, que proporciona un conjunto de componentes de software. A modo ilustrativo, la herramienta 321 de estimación de dosis incluye un componente 322 de simulación Monte Carlo, un componente 324 de selección de simulación, un componente 326 de registro/segmentación de imágenes y un componente 328 de interpolación de dosis. Y el almacenamiento 330 contiene datos 332 de fantomas de formación de imágenes, protocolos 334 de formación de imágenes por TC y una biblioteca 336 de simulaciones.
El componente 322 de simulación Monte Carlo está configurado para estimar la dosis de radiación de paciente basándose en una simulación que usa datos 332 de fantomas de formación de imágenes y un conjunto específico de equipos de formación de imágenes por TC y un protocolo 334 de formación de imágenes especificado. Como se ha indicado, en una realización, los datos 332 de fantomas de formación de imágenes pueden deformarse o transformarse de otro modo para adaptarse mejor a las características físicas de un paciente determinado.
El componente 326 de registro/segmentación de imágenes puede estar configurado para determinar un conjunto de transformaciones para deformar los datos 332 de fantomas de formación de imágenes antes de realizar una simulación Monte Carlo usando ese fantoma. Por ejemplo, el componente 326 de registro/segmentación de imágenes puede evaluar una imagen de referencia o de localizador asociada con un fantoma junto con una imagen de localizador de exploración de un paciente usando técnicas de registro de imágenes. El registro de imágenes es el procedimiento para alinear dos imágenes en un sistema de coordenadas común. Un algoritmo de registro de imágenes determina un conjunto de transformaciones para establecer una correspondencia entre las dos imágenes. Una vez que se determinan las transformaciones entre la imagen de exploración del paciente y una imagen de referencia de un fantoma, pueden usarse las mismas transformaciones para deformar el fantoma. Tales deformaciones pueden escalar, trasladar y hacer rotar la geometría del fantoma virtual para que se corresponda con el paciente.
En otra realización, la segmentación de imágenes se usa para identificar un tamaño y una posición relativa de los órganos, los tejidos, y las estructuras anatómicas de un paciente. En tal caso, los datos de escaneo por TC disponibles para un paciente pueden segmentarse para identificar volúmenes geométricos que se cree corresponden a un órgano (u otra estructura de interés). Por ejemplo, en una realización, la segmentación de imágenes puede usarse para identificar un cuadro delimitador que se cree que contiene un órgano o estructura específicos. Pueden usarse otros enfoques de segmentación para proporcionar una región volumétrica 3D más definitiva correspondiente a un órgano o estructura. Una vez identificada, esta información se usa para desplazar la geometría del órgano correspondiente (o estructura de interés) en el fantoma virtual.
Obsérvese que, aunque se muestra como parte del servidor 130 de estimación de dosis, en una realización, el componente 326 de registro/segmentación de imágenes es parte del sistema 125 de formación de imágenes, o de otra parte de la infraestructura informática en una instalación de formación de imágenes. Hacerlo permite a un proveedor que aloja un servicio de estimación de dosis recibir transformaciones para deformar un fantoma virtual determinado, sin recibir tampoco ninguna información que pueda usarse para identificar a un paciente que recibe una tomografía computarizada en una instalación de formación de imágenes. Este enfoque puede simplificar (o eliminar) ciertos requisitos legales o reglamentarios asociados con las entidades que procesan información o registros médicos de salud protegidos.
Después de completar una simulación Monte Carlo, las estimaciones resultantes de la dosis de paciente, junto con los parámetros suministrados al componente 322 de simulación se almacenan en la biblioteca 335 de simulaciones. A su vez, el componente 328 de interpolación de dosis se usa para determinar una estimación de la dosis de paciente a partir de las simulaciones en la biblioteca 335 de simulaciones, sin realizar una simulación Monte Carlo completa. Para hacerlo, el componente 324 de selección de simulación puede comparar los parámetros de un escaneo por TC, el equipo usado para realizar el escaneo por TC y el fantoma de formación de imágenes deformado para representar a un individuo específico. Esta información se usa para identificar un conjunto de dos o (o más) simulaciones para interpolar. Aunque pueden usarse una diversidad de enfoques, en una realización, el componente 324 de selección puede usar una medida de distancia para comparar el fantoma deformado, el procedimiento TC y el equipo de TC con unos en la biblioteca 335 de simulaciones. En una realización, se seleccionan para la interpolación las 2 elecciones más altas (o N más altas). Como alternativa, se selecciona para la interpolación cualquier simulación con una medida de similitud general dentro de un umbral especificado. En tal caso, al ajustar los umbrales, se usan más o menos simulaciones para la interpolación.
Teniendo en cuenta el conjunto de parámetros que describen el escáner y el paciente para un examen (kVp, ángulo
5
10
15
20
25
30
35
40
45
50
55
60
objetivo, inclinación del pórtico (gantry), altura, peso, etc.), el sistema permite que se establezcan tolerancias personalizables para cada variable (por ejemplo, el kVp real está dentro de 10 kV de simulación). Cuando se buscan simulaciones, solo se tendrán en cuenta en el cálculo las simulaciones que estén dentro de la tolerancia para todos los parámetros dados. En una realización, los resultados de la simulación pueden interpolarse usando el conocido procedimiento de Shepard. La desviación estándar en el conjunto de resultados de simulación se usa como medida de incertidumbre (por ejemplo, para el conjunto de 5 simulaciones usadas, la dosis absorbida por el pecho tiene una desviación estándar de 0,2 mSv y la dosis absorbida por el hígado tiene una desviación estándar de 0,15 mSv).
La figura 4 ilustra un procedimiento 400 para generar un modelo adecuado para estimar la dosis de radiación de paciente resultante de escaneos por TC, de acuerdo con una realización. Más específicamente, el procedimiento 400 ilustra una realización a modo de ejemplo donde las técnicas de registro de imágenes se usan para deformar un fantoma virtual. Como se muestra, el procedimiento 400 comienza en la etapa 405, donde la herramienta de estimación de dosis selecciona un fantoma virtual con imágenes de localizador premapeadas. Como se ha indicado, el fantoma virtual puede seleccionarse en función de la edad y el género de un individuo que recibe el procedimiento TC en cuestión. En la etapa 410, la herramienta de estimación de dosis recibe una imagen de exploración del individuo para el que se está realizando la estimación de dosis. La imagen de exploración proporciona una proyección de imagen 2D del individuo, tal como una imagen de exploración anterior/posterior y/o lateral tomada por el sistema de escaneo por TC antes de realizar un procedimiento TC completo. Como alternativa, la imagen de exploración podría ser un volumen 3D del individuo obtenido como parte de un procedimiento de escaneo por TC anterior. En la etapa 415, se obtienen las imágenes de localizador premapeadas correspondientes al uso para deformar el fantoma virtual seleccionado. Las imágenes premapeadas pueden seleccionarse en función de las regiones relevantes del paciente a escanear. Por ejemplo, para un paciente que recibirá (o que recibió) un escaneo por TC de tórax, la imagen de referencia seleccionada puede representar esta región de un individuo con una geometría corporal que coincide estrechamente con el fantoma virtual.
La figura 5A ilustra una imagen a modo de ejemplo que representa un fantoma deformable, de acuerdo con una realización. Como se muestra, la imagen 500 proporciona una vista 501 anterior/posterior y una vista 502 lateral de un fantoma de imágenes virtual. Como se muestra en las vistas 501 y 502, la geometría de este fantoma incluye una estructura ósea que representa las costillas 505, la columna 515 vertebral y las piernas 522. Además, las vistas 501 y 502 incluyen una geometría que representa órganos, incluyendo el estómago 510 y un riñón 515. El fantoma virtual (como se representa en las vistas 501 y 502) proporciona una aproximación al tamaño, forma y posición de los órganos, tejidos y estructuras humanos.
Aunque, evidentemente, se trata de una aproximación a la anatomía humana real, se acepta, en general, que los fantomas virtuales proporcionan estimaciones razonablemente precisas de la absorción de dosis. La figura 5B ilustra un ejemplo de una imagen de referencia 2D de una porción de un cuerpo humano correspondiente al fantoma mostrado en la figura 5A, de acuerdo con una realización. Como se muestra, las posiciones, el tamaño y la forma relativos de los huesos, tejidos y órganos, en la imagen de referencia, coinciden con las posiciones correspondientes en el fantoma virtual.
Haciendo referencia de nuevo al procedimiento 400, en la etapa 420, la herramienta de estimación de dosis realiza un procedimiento de registro de imágenes para determinar una transformación entre las imágenes de exploración del paciente y las imágenes de referencia usadas para representar el fantoma virtual. El resultado del registro de imágenes es un mapeo desde puntos en el localizador de exploración 2D a puntos en la imagen de referencia (o viceversa). De manera similar, en casos de una imagen de exploración 3D del paciente (es decir, un escaneo por TC actual o anterior), las técnicas de registro de imágenes 3D pueden mapear puntos entre la imagen de exploración 3D del paciente y los puntos en una imagen de referencia correspondiente al fantoma en un espacio de coordenadas 3D.
En la etapa 425, esta misma transformación se usa para deformar la geometría que representa el fantoma virtual. Al deformar el fantoma virtual usando transformaciones obtenidas del procedimiento de registro de imágenes, el tamaño, la forma y las posiciones de los órganos representados por la geometría del fantoma virtual coinciden con la geometría del paciente real de manera mucho más precisa. Por ejemplo, realizar un procedimiento de registro de imágenes usando la imagen de referencia mostrada en 5B y un localizador de exploración de un paciente proporciona una transformación que puede usarse para deformar el fantoma virtual mostrado en la figura 5A. El fantoma virtual deformado puede usarse para estimar la dosis absorbida por un órgano resultante de un procedimiento TC determinado (antes o después de que se realice dicho procedimiento). Es decir, las estimaciones de dosis obtenidas de una simulación Monte Carlo se adaptan al paciente, siendo también más precisas y consistentes cuando se usan para estimar la dosis de paciente en múltiples escaneos.
La figura 6 ilustra otro procedimiento para generar un modelo adecuado para estimar una dosis de radiación resultante de escaneos por TC, de acuerdo con una realización. Más específicamente, el procedimiento 600 ilustra una realización a modo de ejemplo donde las técnicas de segmentación de imágenes se usan para deformar un fantoma virtual. Al igual que el procedimiento 400, el procedimiento 600 comienza cuando la herramienta de estimación de dosis selecciona un fantoma de formación de imágenes a deformar, por ejemplo, basándose en la edad y género de un paciente (etapa 605). Sin embargo, en lugar de recuperar los localizadores de imagen 2D del paciente, la herramienta de estimación de dosis recibe un volumen de escaneo 3D de alguna porción del paciente
5
10
15
20
25
30
35
40
45
50
55
60
(en la etapa 610), por ejemplo, un escaneo por TC procedente de una TC anterior de tórax y abdomen. Una vez obtenida, se usa la segmentación de imágenes para identificar tejidos, órganos, estructuras u otros puntos de referencia en el volumen de imagen (etapa 615). Aunque pueden usarse una diversidad de enfoques de segmentación disponibles, en una realización, la segmentación de imágenes proporciona un cuadro delimitador mínimo que rodea cada órgano o estructura identificados.
En la etapa 620, la herramienta de estimación de dosis hace coincidir los órganos y otros puntos de referencia anatómicos (por ejemplo, la posición del hueso) identificados en la segmentación de escaneo por TC con puntos de referencia correspondientes en el fantoma virtual. Por ejemplo, la figura 7 ilustra un corte a modo de ejemplo de un escaneo por TC superpuesto con un corte correspondiente de un fantoma virtual, de acuerdo con una realización. En este ejemplo, el corte de fantoma virtual 700 incluye una línea 702 que representa el volumen delimitado por el fantoma junto con porciones de corte del corazón 701, los pulmones 703, la columna 704 vertebral y el húmero 705. Sin embargo, la localización y posición del corazón y los pulmones en el fantoma virtual no se corresponden bien con la posición de estos órganos como se representa en la TC. Por ejemplo, la región de espacio abierto de los pulmones (en 706) no coincide con el tamaño o la posición de los pulmones 702 en el fantoma. De manera similar, la línea 702 límite del fantoma no se corresponde bien con el paciente. El uso de este fantoma para estimar la dosis da como resultado, por lo tanto, una absorción de dosis mucho mayor que la que realmente se produciría, debido a que el fantoma no representa las grandes cantidades de tejido adiposo en este paciente.
Al mismo tiempo, otros puntos de referencia del fantoma se alinean bien con el paciente. Por ejemplo, la columna vertebral y los brazos se colocan, en general, tanto en el fantoma (columna vertebral 704, húmero 705) como en la TC. En consecuencia, en la etapa 625, el sistema de estimación de dosis determina un mapa de desplazamiento 3D basado en los puntos de referencia anatómicos o estructurales coincidentes.
Por ejemplo, en la figura 7, el corte 700 de fantoma muestra un fantoma no modificado o no deformado y el corte 710 de fantoma muestra el mismo corte de fantoma después de desplazarse usando el procedimiento de la figura 6 (o después de deformarse usando una técnica de registro de imágenes de acuerdo con el procedimiento de la figura 4).
Como se muestra en el corte 710 de fantoma, después de deformarse usando los volúmenes de órganos identificados y el desplazamiento de un paciente específico, la línea 702' límite sigue ahora más de cerca los contornos del escaneo por TC del paciente, y los pulmones 703' y el corazón 701' del fantoma se han desplazado para reflejar mejor la posición de estos órganos en el escaneo. Al mismo tiempo, otros puntos de referencia anatómicos, tales como la columna vertebral y el húmero, permanecen en la misma posición general. El fantoma de formación de imágenes mostrado en el corte 700 se muestra superpuesto con el corte de escaneo por TC correspondiente de un paciente en el corte 720. De manera similar, el fantoma deformado mostrado en el corte 710 se muestra superpuesto con el corte de escaneo por TC correspondiente de un paciente en el corte 730.
Haciendo referencia de nuevo a la figura 6, en la etapa 630, la herramienta de estimación de dosis genera una representación 3D en mapa de bits de los órganos, tejidos y estructuras desplazados del fantoma virtual. Como se ha indicado anteriormente, el fantoma virtual puede describirse como una serie de curvas elementales racionales no uniformes (NURBS), mientras que los datos de escaneo por TC se representan habitualmente como una serie de valores de punto único de coordenadas 3D conocidos como “vóxeles”, abreviatura de “elemento de volumen”, extendiendo vóxel el concepto de píxel a una tercera dimensión, y habiendo una diversidad de enfoques conocidos disponibles para “voxelizar” una recopilación de datos NURB o CSG. Al hacerlo, convierte la representación geométrica o matemática de los datos NURB o CSG en una matriz 3D de valores de vóxel. En una realización, la etapa 630 (la etapa de voxelización) se realiza con el fin de evitar discontinuidades que a menudo son un problema con las simulaciones Monte Carlo en fantomas matemáticos (basados en NURB o CSG). Además, los modelos basados en vóxel son muy adecuados para los procedimientos informáticos basados en GPU para lograr una velocidad mejorada.
Una vez que se genera el fantoma en mapa de bits, puede usarse para estimar la dosis absorbida por un órgano resultante de un procedimiento TC determinado (o antes o después de que se realice un procedimiento de este tipo). Al igual que los enfoques de segmentación de imágenes, las estimaciones de dosis realizadas usando el fantoma deformado usando el enfoque de segmentación se adaptan al paciente, lo que da como resultado estimaciones de dosis más precisas y consistentes, tanto para escaneos individuales como múltiples.
La figura 8 ilustra un ejemplo de un corte transversal de un fantoma de formación de imágenes superpuesto con un corte de TC transversal correspondiente de un paciente, de acuerdo con una realización. En este ejemplo, una vista 800 transversal corresponde a la vista 710 de la figura 7 y una vista 850 transversal corresponde a la vista 730 de la figura 7. La vista transversal se crea componiendo una sección lineal de cortes individuales para crear una imagen longitudinal. Como se muestra, las vistas 800 y 805 transversales proporcionan una vista de longitud completa que incluye componentes no presentes en la imagen TC superpuesta del paciente, por ejemplo, el cerebro 801 y el riñón 802. Como se muestra en la vista 800, un límite 810 del fantoma virtual no se corresponde bien con el contorno del paciente (es decir, con el tamaño del cuerpo delimitado por la piel del paciente). Sin embargo, en la vista 850, se ha desplazado un límite 815 del fantoma para que coincida mejor con los datos de escaneo por TC de referencia de este paciente. De manera similar, también pueden desplazarse los órganos internos, las estructuras y otros tejidos.
5
10
15
20
25
30
35
40
45
50
55
60
Es importante destacar que este ejemplo ilustra que el desplazamiento puede producirse para elementos del fantoma virtual que no son parte de los datos de escaneo por TC del paciente. Por ejemplo, el riñón 802 podría desplazarse por el movimiento de otros órganos para los que están disponibles los datos de escaneo por TC, como se muestra por la posición desplazada del riñón 802' en la vista 850. Además, este ejemplo ilustra que se necesita un fantoma virtual para estimar la dosis de paciente, incluso cuando los datos de escaneo por TC están disponibles. Esto se produce ya que, aunque el escaneo por TC en este ejemplo se limitó al tórax y el abdomen, la dispersión de rayos X dará como resultado cierta absorción por parte del cerebro, los riñones y otros órganos y tejidos de este paciente. Dicho de otra manera, el fantoma virtual es necesario para estimar la absorción de dosis de órgano para órganos de los que no se han formado imágenes como parte de un escaneo o procedimiento TC determinado.
La figura 9 ilustra otro ejemplo de una segmentación de imágenes TC y un desplazamiento de volumen de órganos para un fantoma de formación de imágenes, de acuerdo con una realización. En este ejemplo, un volumen 900 de TC correspondiente a una formación de imágenes incluye un conjunto de cuadros delimitadores que representan una posición de imagen segmentada para una diversidad de órganos, por ejemplo, el hígado 905, la vesícula 910 biliar y la glándula 915 suprarrenal derecha. Además, el volumen 900 muestra unas flechas que representan el desplazamiento de estos órganos en función de una segmentación de imágenes de los datos de escaneo por TC. En este ejemplo específico, el hígado 905 se ha desplazado hacia abajo y hacia la derecha, mientras que la vesícula 910 biliar se ha desplazado hacia arriba y hacia la parte frontal del hígado 905 y la glándula 915 suprarrenal derecha se ha movido hacia arriba y hacia la izquierda, hacia el espacio anteriormente ocupado por el hígado 905. Además, en este ejemplo, los órganos están representados por cuadros delimitadores, y se desplazan en función de un centroide geométrico. Sin embargo, en una realización alternativa, la segmentación de imágenes (o para el fantoma o para los datos de imágenes TC de un paciente) puede proporcionar un volumen geométrico más preciso que represente un elemento de un tejido orgánico o una estructura corporal. En tal caso, el desplazamiento podría basarse en un centroide de masa del órgano, por ejemplo, cuando el centroide del hígado se localiza a un lado en función de la masa u otro enfoque que represente la topología de un volumen de órgano determinado.
Como se ilustra en este ejemplo, el desplazamiento de un órgano (por ejemplo, el hígado 905) en un fantoma en función de su posición correspondiente en un escaneo por TC de referencia, puede requerir el desplazamiento de otros órganos (por ejemplo, la vesícula 910 biliar y la glándula 915 suprarrenal) como resultado. Esto se produce porque, evidentemente, dos órganos no deberían ocupar el mismo volumen físico cuando el fantoma se usa para realizar un análisis de estimación de dosis. En consecuencia, en una realización, la herramienta de estimación de dosis puede desplazar órganos, tejidos o estructuras hasta alcanzar un “estado estable”.
Obsérvese que las realizaciones a modo de ejemplo ilustradas en las figuras 4 y 6 pueden usarse por separado o conjuntamente para deformar un fantoma virtual. El enfoque específico o la combinación de enfoques seleccionados pueden adaptarse a las necesidades en un caso específico en función de los fantomas de formación de imágenes disponibles, imágenes de referencia en 2D y/o 3D mapeadas, así como en la disponibilidad y el tipo de imágenes de exploración de localizador y/o los datos de escaneo por TC anteriores para un paciente determinado.
En una realización, unos sistemas anfitriones de modelos de proveedor en la nube se usan para realizar las estimaciones de dosis, mantener una biblioteca de simulaciones calculadas, así como ejecutar las simulaciones Monte Carlo para aumentar la biblioteca de simulaciones con nuevos casos. Por ejemplo, la figura 10 ilustra un procedimiento 1000 para un servicio de estimación de dosis para proporcionar estimaciones de dosis de paciente a múltiples proveedores de escaneos por TC.
Como se muestra, el procedimiento 1000 comienza en la etapa 1005 donde el servicio de estimación de dosis recibe un fantoma de imagen (o una referencia a un fantoma de imagen) junto con transformaciones de registro de imágenes 2D o 3D o un campo de desplazamiento volumétrico 3D y una voxelización de fantomas. En una realización alternativa, el servicio de estimación de dosis puede recibir datos que describen el fantoma deformado, tal como las NURBS transformadas resultantes del procedimiento de registro de imágenes 2D o 3D o las técnicas de desplazamiento de campo de TC descritas anteriormente.
En la etapa 1010, el servicio de estimación de dosis recibe parámetros de un sistema de escaneo por TC y un plan de formación de imágenes para un escaneo por TC realizado (o a realizar) en un paciente. Una vez que se reciben los parámetros del paciente, el equipo de escaneo y el proveedor de escaneos por TC, el servicio de estimación de dosis puede identificar dos (o más) simulaciones en la biblioteca que coinciden con el fantoma transformado, los parámetros del sistema de escaneo por TC y el plan de formación de imágenes (etapa 1015). El proveedor puede establecer tolerancias personalizables para cada variable (por ejemplo, el kVp real está dentro de los 10 kV de simulación). Evaluando adicionalmente las simulaciones, solo se tienen en cuenta en el cálculo las simulaciones dentro de la tolerancia para todos (o un conjunto especificado de) los parámetros dados. En una realización, los resultados de la simulación pueden interpolarse usando el conocido procedimiento de Shepard. La desviación estándar en el conjunto de resultados de simulación se usa como medida de incertidumbre (por ejemplo, para el conjunto de 5 simulaciones usadas, la dosis absorbida por el pecho tiene una SD de 0,2 mSv y la dosis absorbida por el hígado tiene una SD de 0,15 mSv).
En la etapa 1020, el servicio de estimación de dosis determina si las simulaciones coincidentes identificadas en la etapa 1015 están dentro de un parámetro de tolerancia (o cumple con otros umbrales o criterios). Si no, entonces el
5
10
15
20
25
30
35
40
45
50
55
60
fantoma de imagen (y las deformaciones/transformaciones) y los parámetros recibidos se añaden a una cola de escenarios de paciente/escáner/plan de imágenes para simular (etapa 1025). Como se ha indicado, la simulación puede usar técnicas de simulación Monte Carlo para determinar las estimaciones de la dosis absorbida por órgano adaptada tanto al paciente individual (basándose en el fantoma deformado) como a la instalación de formación de imágenes específica basada en el escáner TC y los datos de calibración/ajuste.
Sin embargo, a medida que crece la biblioteca de simulaciones de un proveedor de SaaS, la mayoría de las solicitudes deberían identificar un conjunto de simulaciones para interpolar. En la etapa 1030, el servicio de estimación de dosis realiza una interpolación de dispersión multivariada usando las simulaciones coincidentes identificadas en la etapa 1015 para estimar la dosis absorbida de órgano para un paciente específico y el procedimiento de escaneo por TC asociado. Obsérvese que dicho análisis puede realizarse mucho más rápidamente que una simulación Monte Carlo completa, permitiendo que las estimaciones de dosis mantengan el ritmo de una secuencia de procedimientos realizados en una instalación (o instalaciones) de formación de imágenes determinada así como proporcionando simultáneamente un procedimiento determinado (por ejemplo, para garantizar que no se superen los límites de dosis acumulada). En una realización, el procedimiento de interpolación de dispersión multivariante actualmente usado se denomina “procedimiento de Shepard”. Se describen ejemplos de este procedimiento por Shepard, Donald (1968) en “A two-dimensional interpolation function for irregularly-spaced data”, actas de la conferencia nacional de ACM de 1968, páginas 517-524.
En la etapa 1035, una vez que se ha completado el procedimiento de interpolación, las estimaciones de dosis se devuelven a un sistema solicitante (por ejemplo, un programa cliente de estimación de dosis que se ejecuta en un sistema informático en una instalación de formación de imágenes). En el cliente, un sistema de administración de dosis rastrea dosis equivalentes de órganos del paciente, dosis eficaces, CTDI, DLP, DAP, hasta el nivel de examen. Esta información también se resume para proporcionar un seguimiento acumulativo de dosis equivalentes de órganos, dosis eficaces, CTDI, DLP, DAP para el historial de un paciente determinado. Además, la adición de esta información se usa para proporcionar una presentación a nivel institucional de dosis equivalentes de órganos per cápita, dosis eficaces del paciente, CTDI, DLP, DAP. Por lo tanto, el servicio de estimación de dosis puede proporcionar una amplia diversidad de instalaciones de formación de imágenes. Esta misma información está disponible para una instalación de formación de imágenes que ejecuta una instancia local del sistema de estimación de dosis.
La figura 11 ilustra un ejemplo de una infraestructura 1100 informática para un sistema de servicio de estimación de dosis de pacientes configurado para soportar múltiples proveedores de escaneo por TC, de acuerdo con una realización. Como se muestra, un proveedor 1125 basado en nube que aloja un servicio 1130 de estimación de dosis recibe solicitudes de estimaciones de dosis a través de una red 1120 desde las instalaciones 1105-i_2 de formación de imágenes. En cada instalación 1105 de formación de imágenes, se usa un sistema 1110 de TC para proporcionar servicios de formación de imágenes para pacientes. Un cliente 1115 de formación de imágenes/dosis se comunica con el servicio 1130 de estimación de dosis para solicitar y recibir estimaciones de la dosis de paciente, donde las estimaciones de dosis se adaptan en función del procedimiento y del paciente. Como se ha indicado, la solicitud puede incluir parámetros para un procedimiento TC, el equipo y modalidad de escaneo, y un fantoma deformado (o las transformaciones usadas para deformar un fantoma) en función de la morfología corporal del paciente específico.
En el servicio 1130 de estimación de dosis, se usa una biblioteca 1135 de simulaciones para seleccionar simulaciones para interpolar una cantidad de dosis de paciente usando los datos de la solicitud y los módulos de un escáner y procedimientos de TC (en la figura 11 se muestran los datos 1140 del fantoma/sistema de TC). Si no hay disponibles buenas simulaciones candidatas para la interpolación, entonces el servicio 1130 puede añadir la solicitud a una cola de simulaciones para realizar. Las simulaciones Monte Carlo se realizan a continuación en respuesta a la solicitud, proporcionando tanto una estimación de la dosis de paciente para un paciente determinado como un procedimiento de formación de imágenes, así como un nuevo punto de datos de simulación para añadir a la biblioteca 1125.
Ventajosamente, las realizaciones de la invención proporcionan una diversidad de técnicas para estimar las dosis de radiación que resultan de las técnicas de formación de imágenes por rayos X y TC (y otras). Tal como se ha descrito, las técnicas de registro de imágenes y/o las técnicas de segmentación de imágenes pueden usarse para crear un fantoma de formación de imágenes híbrido que coincida más exactamente con la forma y el tamaño del cuerpo de un individuo. Al hacerlo, mejora la precisión de las estimaciones de dosis determinadas a partir de una simulación. Es decir, el fantoma híbrido resultante proporciona una representación matemática mucho más precisa de un paciente específico para su uso en una simulación de dosis que los fantomas no modificados solos.
Una vez que se determinan las transformaciones, el fantoma virtual híbrido puede usarse para simular un procedimiento TC determinado para el paciente. Por ejemplo, las técnicas de simulación Monte Carlo pueden usarse para estimar la dosis absorbida por un órgano para un fantoma virtual. Dichas técnicas de simulación usan el fantoma virtual (transformado en relación con un paciente determinado) junto con una serie de parámetros relacionados con el modelo y procedimiento de escáner TC a realizar con el fin de calcular estimaciones precisas de la dosis absorbida por un órgano. Sin embargo, estimar la dosis absorbida por un órgano usando una simulación Monte Carlo puede requerir cantidades significativas de tiempo de computación, mucho más que el requerido para
realizar un escaneo por TC real. En consecuencia, en una realización, las estimaciones de la dosis de paciente determinada para un procedimiento determinado pueden generarse interpolando entre dos (o más) simulaciones completadas previamente. Si no hay simulaciones “cercanas” disponibles, entonces el fantoma virtual híbrido, el escáner TC y los datos de procedimiento pueden añadirse a una cola de simulaciones Monte Carlo completas a 5 realizar. Con el tiempo, una gran biblioteca de simulaciones permite proporcionar estimaciones de dosis en tiempo real a medida que se programan y ejecutan los procedimientos. Hacerlo permite que se capturen las cantidades de dosis acumuladas para un paciente determinado, así como los límites de dosis acumuladas que deben observarse. Además, en una realización, un proveedor de SaaS es un servicio de estimación de dosis alojado proporcionado a múltiples instalaciones de formación de imágenes. En tal caso, el proveedor de servicios puede tener una vasta 10 biblioteca de simulaciones para usar en la interpretación de las estimaciones de dosis para los proveedores de formación de imágenes.
Aunque lo anterior se refiere a realizaciones de la presente invención, pueden concebirse otras realizaciones adicionales de la invención sin alejarse del ámbito básico de la misma, y el ámbito de la misma se determina por las siguientes reivindicaciones.
15

Claims (14)

  1. 5
    10
    15
    20
    25
    30
    35
    40
    45
    50
    55
    REIVINDICACIONES
    1. Un procedimiento (400) implementado por ordenador para generar un modelo de formación de imágenes correspondiente a un primer individuo (120), comprendiendo el procedimiento:
    seleccionar (405) un fantoma matemático inicial para el primer individuo que recibe un escaneo de formación de imágenes, basándose la selección en la edad y el género del primer individuo; recibir una o más imágenes (410) de exploración del primer individuo;
    seleccionar (415) a partir de las imágenes obtenidas de múltiples individuos un conjunto de referencia de imágenes de localizador que tengan una geometría, tamaño y posición corporales que coincida estrechamente con el fantoma matemático inicial;
    determinar (420) una transformación entre al menos una de las imágenes de localizador y al menos una de las imágenes de exploración del primer individuo; y
    deformar el fantoma matemático inicial basándose en la transformación por la cual un fantoma matemático deformado resultante de la transformación coincide (425) mejor con un tamaño, una forma y unas posiciones de los órganos del primer individuo.
  2. 2. El procedimiento implementado por ordenador de la reivindicación 1, en el que determinar una transformación entre al menos una de las imágenes de localizador y al menos una de las imágenes de exploración del primer individuo comprende realizar un procedimiento de registro de imágenes mapeando un conjunto de puntos de una de las imágenes de localizador en un conjunto correspondiente de puntos de una de las imágenes de exploración del individuo.
  3. 3. El procedimiento implementado por ordenador de la reivindicación 1, en el que el escaneo de formación de imágenes es un escaneo portomografía computarizada (TC) realizado por un aparato de escaneo por TC.
  4. 4. Un procedimiento implementado por ordenador para generar un modelo de formación de imágenes correspondiente a un individuo (120), comprendiendo el procedimiento:
    seleccionar un fantoma matemático inicial para un individuo (120) que recibe un escaneo de formación de imágenes realizado por un aparato (105) de escaneo de imágenes;
    segmentar un escaneo de referencia asociado con el individuo para identificar un volumen tridimensional (3D) de una pluralidad de puntos de referencia anatómicos del individuo presentes en el escaneo de referencia; determinar, para al menos uno de la pluralidad de puntos de referencia anatómicos, un centroide del volumen 3D respectivo;
    hacer coincidir uno o más de los puntos de referencia anatómicos identificados en el escaneo de referencia segmentado con los puntos de referencia anatómicos correspondientes en el fantoma matemático inicial; y deformar el fantoma matemático inicial basándose en los puntos de referencia anatómicos coincidentes, comprendiendo la deformación del fantoma matemático inicial:
    determinar un mapa de desplazamiento tridimensional que representa el desplazamiento desde al menos un centroide de los puntos de referencia anatómicos identificados a los centroides de los puntos de referencia anatómicos correspondientes del fantoma matemático inicial; voxelizar el escaneo de formación de imágenes inicial;
    transformar el fantoma matemático inicial voxelizado para que coincida con el mapa de desplazamiento tridimensional; y
    determinar si dos o más de los puntos de referencia anatómicos correspondientes del fantoma matemático inicial se superponen en un mismo volumen físico dentro del fantoma matemático inicial voxelizado y transformado.
  5. 5. El procedimiento de las reivindicaciones 1 o 4, que comprende además:
    recibir un conjunto de parámetros que describen el escaneo de formación de imágenes y el aparato de escaneo de imágenes que se usa para realizar el escaneo de formación de imágenes;
    simular el escaneo de formación de imágenes usando el fantoma matemático deformado y el conjunto de parámetros recibido; y
    estimar, basándose en la simulación, las cantidades de radiación absorbidas por el individuo como resultado de la realización del escaneo de formación de imágenes.
  6. 6. Un sistema, que comprende:
    un procesador; y
    una memoria que almacena un programa de aplicación configurado para realizar una operación para generar un modelo de formación de imágenes correspondiente a un primer individuo, comprendiendo la operación:
    seleccionar un fantoma matemático inicial para el primer individuo que recibe un escaneo de formación de imágenes, basándose la selección en la edad y el género del primer individuo, recibir una o más imágenes de exploración del primer individuo,
    5
    10
    15
    20
    25
    30
    35
    40
    45
    50
    55
    seleccionar, a partir de las imágenes obtenidas de múltiples individuos, un conjunto de referencia de imágenes de localizador que tengan una geometría, tamaño y posición corporales que coincida estrechamente con el fantoma matemático inicial;
    determinar una transformación entre al menos una de las imágenes de localizador y al menos una de las imágenes de exploración del primer individuo, y
    deformar el fantoma matemático inicial basándose en la transformación por la cual un fantoma matemático deformado resultante de la transformación coincide mejor con un tamaño, una forma y unas posiciones de los órganos del primer individuo.
  7. 7. Un sistema (125, 130), que comprende:
    un procesador (205, 305); y
    una memoria (220, 320) que almacena un programa (232) de aplicación configurado para realizar una operación para generar un modelo de formación de imágenes correspondiente a un individuo, comprendiendo la operación:
    seleccionar un fantoma matemático inicial para el individuo que recibe un escaneo por tomografía computarizada (TC),
    segmentar (610) un escaneo por TC de referencia asociado con el individuo para identificar (615) un volumen tridimensional (3D) de una pluralidad de puntos de referencia anatómicos del individuo presentes en el escaneo por TC de referencia,
    determinar, para al menos uno de la pluralidad de puntos de referencia anatómicos, un centroide del volumen 3D respectivo;
    hacer coincidir (620) uno o más de los puntos de referencia anatómicos identificados en el escaneo por TC de referencia segmentado con los puntos de referencia anatómicos correspondientes en el fantoma matemático inicial, y
    deformar el fantoma matemático inicial basándose en los puntos de referencia anatómicos coincidentes, en el que deformar el fantoma matemático inicial basándose en los puntos de referencia anatómicos coincidentes comprende:
    determinar (625) un mapa de desplazamiento tridimensional que representa el desplazamiento desde el al menos un centroide de los puntos de referencia anatómicos identificados a los centroides de los puntos de referencia anatómicos correspondientes del fantoma matemático inicial; voxelizar el escaneo de formación de imágenes inicial;
    transformar (630) el fantoma matemático inicial voxelizado para que coincida con el mapa de desplazamiento tridimensional; y
    determinar si dos o más de los puntos de referencia anatómicos correspondientes del fantoma matemático inicial se superponen en un mismo volumen físico dentro del fantoma matemático inicial voxelizado y transformado.
  8. 8. El procedimiento implementado por ordenador de la reivindicación 3, que comprende además:
    recibir un conjunto de parámetros que describen el escaneo de formación de imágenes y el aparato (105) de escaneo por TC que se usa para realizar el escaneo por TC del primer individuo (120);
    acceder a una biblioteca (335) de simulaciones que comprende una pluralidad de simulaciones completadas previamente que estiman la absorción de dosis de radiación correspondiente al uno o más segundos individuos; evaluar (328) la pluralidad de simulaciones completadas previamente que estiman la absorción de dosis de radiación correspondiente al uno o más segundos individuos;
    proporcionar una búsqueda en tiempo real, basada en la evaluación, de una de la pluralidad de simulaciones completadas previamente en la biblioteca (335) de simulaciones que tiene un conjunto de parámetros que coincide dentro de una medida de tolerancia especificada con el conjunto de parámetros recibido y el fantoma matemático deformado; y
    determinar (1030) la estimación de la absorción de dosis de radiación asociada con la una de las simulaciones completadas previamente buscada en la biblioteca de simulaciones como la estimación de la dosis de radiación absorbida por el primer individuo.
  9. 9. El procedimiento implementado por ordenador de la reivindicación 8, en el que la estimación de la dosis de radiación absorbida por el primer individuo proporciona estimaciones de una dosis absorbida por órgano para uno o más órganos del primer individuo.
  10. 10. El procedimiento implementado por ordenador de la reivindicación 8, que comprende, además, almacenar el conjunto de parámetros y la estimación de la dosis de radiación absorbida por el primer individuo en la biblioteca de simulaciones.
  11. 11. El procedimiento implementado por ordenador de la reivindicación 3, en el que recibir una o más imágenes de exploración del primer individuo comprende:
    capturar, usando el aparato (105) de escaneo por TC y antes de realizar el escaneo por TC, una proyección bidimensional (2D) del primer individuo.
  12. 12. El procedimiento implementado por ordenador de la reivindicación 1, en el que determinar la transformación entre al menos una de las imágenes de exploración del primer individuo y la al menos una de las imágenes de localizador comprende:
    realizar un procedimiento de registro de imágenes mapeando un conjunto de puntos de una de las imágenes de 5 localizador en un conjunto correspondiente de puntos de una de las imágenes de exploración del primer individuo.
  13. 13. El procedimiento implementado por ordenador de la reivindicación 1, en el que el fantoma matemático inicial comprende un conjunto de curvas elementales racionales no uniformes (NURB).
  14. 14. El procedimiento implementado por ordenador de la reivindicación 1, que comprende además
    seleccionar al menos una de las imágenes de localizador basándose en la proximidad de la coincidencia de la 10 misma con el fantoma matemático inicial en una región a representar en el escaneo de formación de imágenes recibido por el primer individuo, en el que la transformación se determina entre la al menos una de las imágenes de localizador seleccionada y al menos una de las imágenes de exploración del primer individuo.
ES11846200.1T 2010-12-08 2011-12-08 Generación de un modelo adecuado para estimar la dosis de radiación de un paciente resultante de escaneos de formación de imágenes medicas Active ES2689751T3 (es)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US42083410P 2010-12-08 2010-12-08
US420834P 2010-12-08
PCT/CA2011/001381 WO2012075577A1 (en) 2010-12-08 2011-12-08 Generating a suitable model for estimating patient radiation dose resulting from medical imaging scans

Publications (1)

Publication Number Publication Date
ES2689751T3 true ES2689751T3 (es) 2018-11-15

Family

ID=46199440

Family Applications (4)

Application Number Title Priority Date Filing Date
ES17188619T Active ES2733922T3 (es) 2010-12-08 2011-12-08 Generación de una estimación de la dosis de radiación de un paciente resultante de escaneos de formación de imágenes medicas
ES19164751T Active ES2864040T3 (es) 2010-12-08 2011-12-08 Generación de un modelo adecuado para estimar la dosis de radiación de un paciente resultante de escaneos de formación de imágenes médicas
ES11846200.1T Active ES2689751T3 (es) 2010-12-08 2011-12-08 Generación de un modelo adecuado para estimar la dosis de radiación de un paciente resultante de escaneos de formación de imágenes medicas
ES16192895.7T Active ES2692793T3 (es) 2010-12-08 2011-12-08 Generación de un modelo adecuado para estimar la dosis de radiación de un paciente resultante de escaneos de formación de imágenes medicas

Family Applications Before (2)

Application Number Title Priority Date Filing Date
ES17188619T Active ES2733922T3 (es) 2010-12-08 2011-12-08 Generación de una estimación de la dosis de radiación de un paciente resultante de escaneos de formación de imágenes medicas
ES19164751T Active ES2864040T3 (es) 2010-12-08 2011-12-08 Generación de un modelo adecuado para estimar la dosis de radiación de un paciente resultante de escaneos de formación de imágenes médicas

Family Applications After (1)

Application Number Title Priority Date Filing Date
ES16192895.7T Active ES2692793T3 (es) 2010-12-08 2011-12-08 Generación de un modelo adecuado para estimar la dosis de radiación de un paciente resultante de escaneos de formación de imágenes medicas

Country Status (16)

Country Link
US (8) US8958617B2 (es)
EP (4) EP3150126B1 (es)
JP (4) JP5917552B2 (es)
KR (4) KR101889642B1 (es)
CN (3) CN113856066B (es)
AU (4) AU2011340078B2 (es)
BR (2) BR112013013804A2 (es)
CA (3) CA2993848C (es)
DK (4) DK2648621T3 (es)
ES (4) ES2733922T3 (es)
HK (1) HK1242946A1 (es)
MX (4) MX2013006336A (es)
NZ (1) NZ611554A (es)
RU (2) RU2725751C9 (es)
WO (1) WO2012075577A1 (es)
ZA (4) ZA201303796B (es)

Families Citing this family (69)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2479717B (en) * 2010-04-13 2015-03-11 Mirada Medical Method for estimating radiation exposure of a patient and radiation exposure monitoring system therefor
AU2011340078B2 (en) * 2010-12-08 2016-06-30 Bayer Healthcare Llc Generating an estimate of patient radiation dose resulting from medical imaging scans
US10758315B2 (en) * 2012-06-21 2020-09-01 Globus Medical Inc. Method and system for improving 2D-3D registration convergence
US9097642B2 (en) 2012-10-11 2015-08-04 General Electric Company X-ray dose estimation technique
DE102012218529B3 (de) * 2012-10-11 2014-02-13 Siemens Aktiengesellschaft Darstellung von Dosiswerten zur Planung einer Bestrahlung
JP6305734B2 (ja) * 2012-11-15 2018-04-04 キヤノンメディカルシステムズ株式会社 被曝線量管理システム
US9044197B2 (en) 2012-11-21 2015-06-02 Carestream Health, Inc. Method for x-ray dose tracking
CN103829966B (zh) * 2012-11-27 2018-12-07 Ge医疗***环球技术有限公司 用于自动确定侦测图像中的定位线的方法和***
CN105027163B (zh) 2013-03-06 2018-09-07 皇家飞利浦有限公司 扫描区域确定装置
WO2014165611A1 (en) * 2013-04-02 2014-10-09 The Regents Of The University Of California Thermoplastic 3-d phantom
JP5996131B2 (ja) 2013-04-24 2016-09-21 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． コンピュータ断層撮影検査におけるｘ線量分布計算
EP3048976B1 (en) 2013-09-27 2019-08-14 Koninklijke Philips N.V. Image data z-axis coverage extension for tissue dose estimation
CN106233357B (zh) 2013-10-07 2020-09-04 曼帝斯有限公司 基于医疗程序模拟的辐射估算和防护
EP3079589B1 (en) 2013-12-11 2017-04-12 Koninklijke Philips N.V. Three dimensional (3d) pre-scan based volumetric image data processing
WO2015131962A1 (de) 2014-03-05 2015-09-11 Siemens Aktiengesellschaft Automatische dosissteuerung für bildgebende medizinische einrichtungen
CN105078494B (zh) * 2014-04-30 2019-03-05 苏州瑞派宁科技有限公司 待成像对象模子的制作方法和个体化的成像方法
JP6211469B2 (ja) * 2014-06-16 2017-10-11 住友重機械工業株式会社 放射線治療シミュレーション装置
US9480448B2 (en) 2014-07-23 2016-11-01 General Electric Company System and method for use in mapping a radiation dose applied in an angiography imaging procedure of a patient
USD771089S1 (en) * 2014-07-23 2016-11-08 General Electric Company Display screen or portion thereof with graphical user interface for a radiation dose mapping system
EP2982415A1 (en) * 2014-08-04 2016-02-10 Université de Strasbourg Method for estimating the spatial distribution of the hazardousness of radiation doses
US9649079B1 (en) 2014-10-09 2017-05-16 General Electric Company System and method to illustrate a radiation dose applied to different anatomical stages of an exposed subject
KR101725443B1 (ko) * 2015-01-09 2017-04-11 연세대학교 원주산학협력단 선량 평가 방법 및 장치
JP2018511791A (ja) 2015-02-27 2018-04-26 バイエル・ヘルスケア・エルエルシーＢａｙｅｒ ＨｅａｌｔｈＣａｒｅ ＬＬＣ マルチイメージングモダリティ用定量的ファントム
US20180188193A1 (en) * 2015-07-06 2018-07-05 Shimadzu Corporation X-ray imaging apparatus
US9799135B2 (en) * 2015-09-01 2017-10-24 Siemens Healthcare Gmbh Semantic cinematic volume rendering
US10350434B2 (en) * 2015-12-11 2019-07-16 Siemens Healthcare Gmbh Patient-specific radiation dose assessment in medical therapy
WO2017103238A1 (en) 2015-12-17 2017-06-22 Koninklijke Philips N.V. Method for estimating the radiation dose received by an organ during a computed tomography scan
JP7055599B2 (ja) 2016-06-06 2022-04-18 キヤノンメディカルシステムズ株式会社 Ｘ線ｃｔ装置
CN107510466B (zh) * 2016-06-15 2022-04-12 中慧医学成像有限公司 一种三维成像方法和***
KR101894178B1 (ko) * 2016-11-29 2018-08-31 주식회사 메디코어스 팬빔형 이중에너지 x선 흡수법 구현을 위한 캘리브레이션 방법
US10482339B2 (en) 2016-12-09 2019-11-19 United States Of America As Represented By The Secretary Of The Air Force Quantifying computer vision algorithm performance in the presence of system uncertainty
EP3354199B1 (en) 2017-01-31 2020-08-26 Université de Strasbourg Method for determining a configuration setting of a source of ionizing radiation
KR102536168B1 (ko) * 2017-02-24 2023-05-25 바이엘 헬쓰케어 엘엘씨 시뮬레이션된 컴퓨터 단층 촬영(ct) 이미지들을 생성하기 위한 시스템들 및 방법들
WO2018202648A1 (en) * 2017-05-01 2018-11-08 Koninklijke Philips N.V. Generation of accurate hybrid datasets for quantitative molecular imaging
CN107330186B (zh) * 2017-06-30 2020-06-16 哈尔滨工程大学 一种3dsMax核设施模型辐射场剂量分布仿真方法
US10702219B2 (en) * 2017-09-15 2020-07-07 General Electric Company Methods, systems, and apparatus for determining radiation doses
GB2567636B (en) * 2017-10-17 2021-11-10 Perspectum Diagnostics Ltd Method and apparatus for imaging an organ
US10426424B2 (en) 2017-11-21 2019-10-01 General Electric Company System and method for generating and performing imaging protocol simulations
EP3503112B1 (en) * 2017-12-21 2023-06-07 Siemens Healthcare GmbH Method and system for validating parameters in a medical study
CN108281191B (zh) * 2017-12-29 2022-10-21 深圳大学 一种能谱计算机断层扫描剂量的蒙特卡罗模拟方法及***
CN108335599B (zh) * 2018-01-19 2020-02-04 聊城市人民医院 基于三维建模图像技术的手术模型训练方法
US10297708B1 (en) 2018-01-25 2019-05-21 The United States Of America, As Represented By The Secretary Of The Air Force Surface passivation for PhotoDetector applications
US11141079B2 (en) 2018-01-29 2021-10-12 General Electric Company Systems and methods for profile-based scanning
JP2021513054A (ja) * 2018-02-02 2021-05-20 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 画像位置合わせ及び回帰解析を用いたシリアルポジトロンエミッショントモグラフィ（ｐｅｔ）検査における標準取り込み値（ｓｕｖ）のスケーリング差の補正
US11051782B1 (en) * 2018-02-23 2021-07-06 Robert Edwin Douglas Image quality by incorporating data unit assurance markers
EP3773213B1 (en) 2018-04-10 2023-01-04 Bayer HealthCare LLC Flexible dose estimation with user-defined volumes
US20190320934A1 (en) * 2018-04-18 2019-10-24 Siemens Healthcare Gmbh Medical image acquisition with sequence prediction using deep learning
US10668304B2 (en) 2018-04-30 2020-06-02 Elekta, Inc. Phantom for adaptive radiotherapy
US10859508B2 (en) 2018-05-29 2020-12-08 Board Of Regents, The University Of Texas System Devices and methods for evaluation of deformable image registration (DIR) systems
EP3582227A1 (de) 2018-06-15 2019-12-18 Siemens Healthcare GmbH Verfahren zum betrieb einer medizinischen bildaufnahmeeinrichtung, bildaufnahmeeinrichtung, computerprogramm und elektronisch lesbarer datenträger
US10888296B2 (en) * 2018-06-29 2021-01-12 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for modulating radiation dose
CN109378048B (zh) * 2018-12-06 2022-09-23 孟令红 放射剂量分析***
KR20200075623A (ko) * 2018-12-18 2020-06-26 (주)제노레이 2차원 의료 영상 및 3차원 의료 영상의 정합을 이용한 치과 치료 계획 장치 및 방법
DE102019202287A1 (de) * 2019-02-20 2020-08-20 Siemens Healthcare Gmbh Verfahren zum Überprüfen einer Kenngröße eines Anwendungsablaufs einer medizinischen Bildgebungsanwendung basierend auf Röntgenstrahlung
CN110441335B (zh) * 2019-08-12 2021-11-26 山东第一医科大学附属肿瘤医院(山东省肿瘤防治研究院、山东省肿瘤医院) 评价影像组学纹理特征稳定性的纹理模拟装置及运动模块
JP2022549604A (ja) 2019-09-18 2022-11-28 バイエル、アクチエンゲゼルシャフト 教師あり学習によって訓練された予測モデルによるｍｒｉ画像の予測
CN113329688B (zh) 2019-09-18 2023-11-28 拜耳公司 用于确定组织体素的特征的方法、***和计算机可读介质
US11244446B2 (en) * 2019-10-25 2022-02-08 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for imaging
DE102019217421A1 (de) 2019-11-12 2021-05-12 Siemens Healthcare Gmbh Verfahren zur automatischen Regelung von Strahlendosen medizinischer Röntgengeräte
KR102403386B1 (ko) * 2019-12-23 2022-06-02 연세대학교 산학협력단 휴대용 방사선 모니터링 시스템 및 이를 이용한 방사선 모니터링 방법
JP2021145821A (ja) * 2020-03-18 2021-09-27 学校法人帝京大学 放射線量可視化装置
WO2022021026A1 (en) * 2020-07-27 2022-02-03 Shanghai United Imaging Healthcare Co., Ltd. Imaging systems and methods
US20240066322A1 (en) * 2020-11-06 2024-02-29 University Of Washington Devices, systems, and methods for personalized dosimetry
EP4343811A1 (en) 2021-05-17 2024-03-27 Hitachi High-Tech Corporation High-voltage insulating structure, charged particle gun, and charged particle beam device
RU208239U1 (ru) * 2021-05-31 2021-12-09 Государственное бюджетное учреждение здравоохранения города Москвы "Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы" (ГБУЗ "НПКЦ ДиТ ДЗМ") Устройство фантома для настройки протоколов магнитно-резонансной томографии предстательной железы у пациентов с металлоконструкциями тазобедренного сустава
US20230165557A1 (en) * 2021-11-29 2023-06-01 GE Precision Healthcare LLC System and method for autonomous identification of heterogeneous phantom regions
CN115019589B (zh) * 2022-07-19 2023-11-28 天津医科大学 基于光学的智能ct教学模拟***
WO2024054586A1 (en) 2022-09-08 2024-03-14 Bayer Healthcare Llc Systems and methods for generating protocols embodying contrast and radiation dose management techniques
CN117218082B (zh) * 2023-09-14 2024-04-30 南京诺源医疗器械有限公司 一种基于辐射量探测的医学荧光影像质控方法及***

Family Cites Families (75)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4870666A (en) * 1986-08-07 1989-09-26 General Electric Company Computer tomographic phantom
US4782502A (en) * 1986-10-01 1988-11-01 Schulz Eloy E Flexible calibration phantom for computer tomography system
US4873707A (en) * 1987-09-11 1989-10-10 Brigham & Women's Hospital X-ray tomography phantoms, method and system
SU1823194A1 (ru) * 1989-08-09 1996-05-27 Научно-исследовательский институт интроскопии Томского политехнического института им.С.М.Кирова Способ определения дозного распределения в объекте
US5544238A (en) * 1989-11-24 1996-08-06 Thomas Jefferson University Method of and apparatus for standardizing and monitoring beam quality in mammography
US5236363A (en) * 1991-08-09 1993-08-17 General Electric Company Phantom for simulating an x-ray exam patient
US5341292A (en) 1992-06-04 1994-08-23 New England Medical Center Hospitals, Inc. Monte Carlo based treatment planning for neutron capture therapy
JP3408848B2 (ja) * 1993-11-02 2003-05-19 株式会社日立メディコ 散乱ｘ線補正法及びｘ線ｃｔ装置並びに多チャンネルｘ線検出器
US5769779A (en) * 1995-04-27 1998-06-23 Radiology Support Devices, Inc. Method and apparatus for accurate radiation dosage control in breast cancer treatment
US5870697A (en) * 1996-03-05 1999-02-09 The Regents Of The University Of California Calculation of radiation therapy dose using all particle Monte Carlo transport
US5844241A (en) * 1996-07-19 1998-12-01 City Of Hope System and method for determining internal radioactivity and absorbed dose estimates
US6029079A (en) * 1997-05-22 2000-02-22 Regents Of The University Of California Evaluated teletherapy source library
US6246784B1 (en) 1997-08-19 2001-06-12 The United States Of America As Represented By The Department Of Health And Human Services Method for segmenting medical images and detecting surface anomalies in anatomical structures
US6636622B2 (en) * 1997-10-15 2003-10-21 Wisconsin Alumni Research Foundation Method and apparatus for calibration of radiation therapy equipment and verification of radiation treatment
WO1999060921A1 (en) * 1997-11-24 1999-12-02 Burdette Medical Systems Real time brachytherapy spatial registration and visualization system
US6487435B2 (en) 1998-04-10 2002-11-26 Wisconsin Alumni Research Foundation Magnetic resonance angiography using undersampled 3D projection imaging
US6148272A (en) * 1998-11-12 2000-11-14 The Regents Of The University Of California System and method for radiation dose calculation within sub-volumes of a monte carlo based particle transport grid
RU2171652C2 (ru) * 1999-01-05 2001-08-10 Научно-исследовательский институт неврологии Российской Академии медицинских наук Способ проведения модельных компьютерно-томографических направленных стереотаксических операций и фантомное устройство для его осуществления
DE10047720A1 (de) 2000-09-27 2002-04-11 Philips Corp Intellectual Pty Vorrichtung und Verfahren zur Erzeugung eines Röntgen-Computertomogramms mit einer Streustrahlungskorrektur
JP4532005B2 (ja) * 2001-03-09 2010-08-25 株式会社日立メディコ Ｘ線ｃｔ装置及びその画像表示方法
US20030048937A1 (en) * 2001-04-11 2003-03-13 University Of Utah Method of processing visual imagery from a medical imaging device
US6771374B1 (en) * 2002-01-16 2004-08-03 Advanced Micro Devices, Inc. Scatterometry based measurements of a rotating substrate
US7117026B2 (en) * 2002-06-12 2006-10-03 Koninklijke Philips Electronics N.V. Physiological model based non-rigid image registration
JP4309103B2 (ja) * 2002-08-09 2009-08-05 東芝医用システムエンジニアリング株式会社 放射線量推定装置および放射線診断装置
US6909771B2 (en) * 2002-11-22 2005-06-21 Board Of Regents, The University Of Texas System Three component x-ray bone densitometry
US20050077459A1 (en) * 2003-02-19 2005-04-14 Engler Mark J. Radiation phantom
AU2004279424A1 (en) * 2003-10-07 2005-04-21 Nomos Corporation Planning system, method and apparatus for conformal radiation therapy
JP4429694B2 (ja) * 2003-11-13 2010-03-10 株式会社日立メディコ Ｘ線ｃｔ装置
RU36956U1 (ru) * 2003-12-25 2004-04-10 Закрытое акционерное общество "АМИКО" Устройство для определения эффективной дозы облучения пациента при рентгенодиагностическом исследовании
WO2006017079A2 (en) 2004-07-09 2006-02-16 Gesturerad, Inc. Gesture-based reporting method and system
US7082183B2 (en) * 2004-07-21 2006-07-25 General Electric Company Computed tomography dose indexing phantom selection for dose reporting
WO2006044720A2 (en) * 2004-10-15 2006-04-27 The Board Of Trustees Of The Leland Stanford Junior University Selective fold removal in medical images
WO2006116700A2 (en) 2005-04-28 2006-11-02 Bruce Reiner Method and apparatus for automated quality assurance in medical imaging
US8077936B2 (en) * 2005-06-02 2011-12-13 Accuray Incorporated Treatment planning software and corresponding user interface
WO2006138513A1 (en) * 2005-06-16 2006-12-28 Nomos Corporation Variance reduction simulation system, program product, and related methods
US7607079B2 (en) 2005-07-08 2009-10-20 Bruce Reiner Multi-input reporting and editing tool
WO2007014094A2 (en) 2005-07-22 2007-02-01 Tomotherapy Incorporated Method of and system for predicting dose delivery
EP1913421B1 (en) 2005-08-04 2013-01-30 Koninklijke Philips Electronics N.V. Motion compensation in functional imaging
EP1921982A2 (en) * 2005-08-25 2008-05-21 Koninklijke Philips Electronics N.V. 4d image-based planning methods and apparatus for targeted therapy
JP2007054372A (ja) * 2005-08-25 2007-03-08 Ge Medical Systems Global Technology Co Llc Ｘ線ｃｔ装置
US8081165B2 (en) 2005-08-30 2011-12-20 Jesterrad, Inc. Multi-functional navigational device and method
JP2007098028A (ja) * 2005-10-07 2007-04-19 Konica Minolta Medical & Graphic Inc モデリング装置、モデリング方法、領域抽出装置、およびプログラム
US8117549B2 (en) 2005-10-26 2012-02-14 Bruce Reiner System and method for capturing user actions within electronic workflow templates
WO2007062178A2 (en) * 2005-11-21 2007-05-31 The Regents Of The University Of California Method for computing patient radiation dose in computed tomoraphy
US7402819B2 (en) * 2005-12-01 2008-07-22 Accuray Incorporated Respiration phantom for quality assurance
US8301461B2 (en) 2006-01-30 2012-10-30 Bruce Reiner Method and apparatus for generating a radiologist quality assurance scorecard
FR2897255B1 (fr) * 2006-02-10 2008-03-14 Commissariat Energie Atomique Procede d'estimation du rayonnement diffuse en tomographie par rayons x
WO2007127338A2 (en) 2006-04-27 2007-11-08 Bruce Reiner Apparatus and method for utilizing biometrics in medical applications
SE530825C2 (sv) * 2006-05-04 2008-09-23 Scanditronix Wellhoefer Ab Metod och anordning för bestämning av en korrektionsfaktor för en strålningsdosimeter genom integrering av bidrag från förberäknade fluensspektra
US7849115B2 (en) 2006-06-05 2010-12-07 Bruce Reiner Method and apparatus for adapting computer-based systems to end-user profiles
EP2074585B1 (en) 2006-10-03 2018-07-11 Koninklijke Philips N.V. Model-based coronary centerline localization
WO2008130380A2 (en) * 2006-10-25 2008-10-30 Bruce Reiner Method and apparatus of providing a radiation scorecard
US8358818B2 (en) * 2006-11-16 2013-01-22 Vanderbilt University Apparatus and methods of compensating for organ deformation, registration of internal structures to images, and applications of same
WO2008079219A1 (en) 2006-12-19 2008-07-03 Bruce Reiner Pacs portal with automated data mining and software selection
WO2008094511A2 (en) 2007-01-29 2008-08-07 Bruce Reiner Quality assurance scorecard for diagnostic medical agent administration
CA2632583C (en) * 2007-05-29 2017-03-28 Mcgill University Deformable phantom apparatus
US8655677B2 (en) 2007-06-12 2014-02-18 Bruce Reiner Productivity workflow index
US8705819B2 (en) * 2007-06-21 2014-04-22 Koninklijke Philips N.V. Adjusting acquisition protocols for dynamic medical imaging using dynamic models
JP5065822B2 (ja) * 2007-09-14 2012-11-07 株式会社東芝 Ｘ線ｃｔ装置、撮影計画支援装置および撮影計画支援プログラム
EP2231277B1 (en) 2007-12-23 2017-08-30 Carl Zeiss Meditec, Inc. Devices for detecting, controlling, and predicting radiation delivery
WO2009117419A2 (en) * 2008-03-17 2009-09-24 Worcester Polytechnic Institute Virtual interactive system for ultrasound training
US8333508B2 (en) 2008-05-06 2012-12-18 Bruce Reiner Multi-functional medical imaging quality assurance sensor
US7894571B2 (en) * 2008-05-08 2011-02-22 Stanford University System and method for using prospective evaluation of displacement and velocity of a respiratory trace in a five dimensional parameter space to reduce artifacts and dosage in four dimensional computed tomography
JP4792076B2 (ja) * 2008-11-10 2011-10-12 東芝医用システムエンジニアリング株式会社 放射線量推定装置
CN101458826B (zh) * 2008-11-25 2012-05-30 中国科学院等离子体物理研究所 利用ct值赋予密度、组成成分的数字人体建模方法
US20100145720A1 (en) 2008-12-05 2010-06-10 Bruce Reiner Method of extracting real-time structured data and performing data analysis and decision support in medical reporting
US8121252B2 (en) * 2009-03-11 2012-02-21 Varian Medical Systems, Inc. Use of planning atlas in radiation therapy
US8856188B2 (en) 2009-03-13 2014-10-07 Bruce Reiner Electronic linkage of associated data within the electronic medical record
US8039790B2 (en) * 2009-05-14 2011-10-18 University Health Network Phantoms and methods for verification in radiotherapy systems
JP5484788B2 (ja) 2009-05-25 2014-05-07 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー Ｘ線ｃｔ装置
WO2011137374A1 (en) 2010-04-30 2011-11-03 Cornell University System and method for radiation dose reporting
US10058302B2 (en) * 2010-07-21 2018-08-28 The Regents Of The University Of California Method to reduce radiation dose in multidetector CT while maintaining image quality
JP5027909B2 (ja) * 2010-08-04 2012-09-19 株式会社日立メディコ Ｘ線ｃｔ装置
US8503613B2 (en) * 2010-11-24 2013-08-06 General Electric Company Dose level indication
AU2011340078B2 (en) * 2010-12-08 2016-06-30 Bayer Healthcare Llc Generating an estimate of patient radiation dose resulting from medical imaging scans

Also Published As

Publication number Publication date
US9792680B2 (en) 2017-10-17
RU2725751C2 (ru) 2020-07-03
KR101845576B1 (ko) 2018-04-04
RU2592247C2 (ru) 2016-07-20
ZA201606246B (en) 2021-07-28
CN103442644A (zh) 2013-12-11
US10546375B2 (en) 2020-01-28
CN107095689A (zh) 2017-08-29
EP3150126B1 (en) 2018-07-25
MX2019012639A (es) 2019-12-11
CN113856066A (zh) 2021-12-31
ES2864040T3 (es) 2021-10-13
US8953861B2 (en) 2015-02-10
US10546376B2 (en) 2020-01-28
AU2017251775B2 (en) 2019-08-29
AU2017251773A1 (en) 2017-11-16
RU2013127784A (ru) 2015-01-20
KR20130130772A (ko) 2013-12-02
MX368991B (es) 2019-10-24
DK3150126T3 (en) 2018-11-19
WO2012075577A1 (en) 2012-06-14
MX347370B (es) 2017-04-25
AU2017251773B2 (en) 2019-08-08
US8958617B2 (en) 2015-02-17
EP2648621B1 (en) 2018-07-04
KR20180037288A (ko) 2018-04-11
CA2819331C (en) 2021-01-12
US20150139519A1 (en) 2015-05-21
AU2011340078B2 (en) 2016-06-30
CA2993848A1 (en) 2012-06-14
EP3281586A2 (en) 2018-02-14
US20150170363A1 (en) 2015-06-18
CN103442644B (zh) 2017-05-24
JP6417000B2 (ja) 2018-10-31
CA2993848C (en) 2020-09-22
JP5917552B2 (ja) 2016-05-18
KR102124956B1 (ko) 2020-06-19
KR20190075169A (ko) 2019-06-28
US9805464B2 (en) 2017-10-31
US20170228860A1 (en) 2017-08-10
US20120150505A1 (en) 2012-06-14
AU2016203814B2 (en) 2017-11-23
KR101994055B1 (ko) 2019-09-27
MX2013006336A (es) 2013-09-26
US20120148132A1 (en) 2012-06-14
JP6395911B2 (ja) 2018-09-26
US20170243350A1 (en) 2017-08-24
CA3033428A1 (en) 2012-06-14
DK2648621T3 (en) 2018-10-22
EP2648621A4 (en) 2016-12-28
RU2016124149A3 (es) 2019-12-12
ZA201303796B (en) 2015-06-24
BR112013013804A2 (pt) 2016-09-13
EP3524159B1 (en) 2021-01-20
DK3281586T3 (da) 2019-06-24
JP2016129716A (ja) 2016-07-21
JP2017192808A (ja) 2017-10-26
CN113856066B (zh) 2024-03-19
US10438348B2 (en) 2019-10-08
AU2017251775A1 (en) 2017-11-16
CN107095689B (zh) 2022-02-25
EP2648621A1 (en) 2013-10-16
JP2013544605A (ja) 2013-12-19
ES2692793T3 (es) 2018-12-05
AU2016203814A1 (en) 2016-06-30
EP3281586B1 (en) 2019-04-10
EP3281586A3 (en) 2018-05-16
US20170123074A1 (en) 2017-05-04
ZA201409203B (en) 2017-09-27
BR122017007260A2 (es) 2012-06-14
HK1242946A1 (zh) 2018-07-06
CA3033428C (en) 2022-03-22
EP3150126A1 (en) 2017-04-05
BR122017007260A8 (pt) 2017-12-05
ZA201706370B (en) 2020-01-29
AU2011340078A1 (en) 2013-06-27
RU2725751C9 (ru) 2020-12-21
JP2017192809A (ja) 2017-10-26
ES2733922T3 (es) 2019-12-03
CA2819331A1 (en) 2012-06-14
NZ611554A (en) 2014-12-24
KR101889642B1 (ko) 2018-08-17
DK3524159T3 (da) 2021-04-06
RU2016124149A (ru) 2018-12-03
JP6189468B2 (ja) 2017-08-30
US20120148131A1 (en) 2012-06-14
EP3524159A1 (en) 2019-08-14
US9547893B2 (en) 2017-01-17
KR20170004029A (ko) 2017-01-10

Similar Documents

Publication Publication Date Title
ES2689751T3 (es) Generación de un modelo adecuado para estimar la dosis de radiación de un paciente resultante de escaneos de formación de imágenes medicas