医学图像数据的匿名化制造技术

本发明专利技术涉及一种用于提供分类的图像特征的计算机实现的方法，其包括：‑接收医学图像数据，‑识别医学图像数据中的多个图像特征，以及‑通过将用于对图像特征进行识别和分类的经过训练的函数应用于输入数据，将多个图像特征分类为特定于患者的图像特征和非特定于患者的图像特征，其中，输入数据基于医学图像数据，‑提供分类的图像特征。本发明专利技术还涉及一种用于提供综合医学图像数据的计算机实现的方法和用于提供用于对图像特征进行识别和分类的经过训练的函数、用于对特定于患者的图像特征进行分类、用于产生综合医学图像数据的计算机实现的方法。本发明专利技术还涉及提供单元、医学成像设备、训练单元、计算机程序产品和计算机可读的存储介质。

【技术实现步骤摘要】
医学图像数据的匿名化
本专利技术涉及一种用于提供分类的图像特征的计算机实现的方法、用于提供综合医学图像数据的计算机实现的方法、用于提供用于对图像特征进行识别和分类的经过训练的函数的计算机实现的方法、用于提供用于对特定于患者的图像特征进行分类的经过训练的函数的计算机实现的方法、用于提供用于产生综合医学图像数据的经过训练的函数的计算机实现的方法、用于提供用于产生综合医学图像数据的另一个经过训练的函数的计算机实现的方法、用于提供用于对特定于患者的图像特征进行分类的另一个经过训练的函数的计算机实现的方法、用于提供分类的图像特征的提供单元、用于提供综合医学图像数据的提供单元、医学成像设备、训练单元、计算机程序产品以及计算机可读的存储介质。
技术介绍
可以由医院和/或诊所处理和/或发布的患者数据和/或患者的测量数据，特别是医学图像数据，应当可靠地并且尽可能完全地匿名化。迄今为止，从测量数据中去除描述患者的数据，特别是文本数据和/或元数据，例如名字和出生日期，经常就足够了。在此，测量数据例如可以以DICOM格式存在，其中，描述患者的文本数据和/或元数据经常包含在DICOM头中。具有提高的测量精度的现代的3D成像方法和改进的重建算法，变得可以根据测量数据来重建患者的表型特征。在此，例如可以在磁共振成像和/或X射线图像中，对患者的颅骨、面部和/或其它表型特征进行重建。适合用于对患者进行识别的这些特征可以视为生物测量特征。前面描述的特征对于本领域技术人员来说可能是显而易见的，因此经常尝试适当地阻止这种重建。对于对用于基于机器学习(maschinellemLernen，ML)对算法进行训练的医学图像数据、特别是临床医学图像数据的不断增长的需求，医学图像数据中的生物测量特征的去除变得非常重要。在此，已知的ML算法可以从对于本领域技术人员来说不能直接检测到的医学图像数据中，提取许多其它的生物测量特征。
技术实现思路
因此，本专利技术要解决的技术问题是，使得能够在保持可诊断性的情况下，实现医学图像数据的可靠的匿名化。根据本专利技术，上述技术问题通过本专利技术的相应的主题来解决。具有适宜的扩展方案的有利的实施方式是下面的描述的主题。下面，不仅关于用于提供分类的图像特征和/或综合医学图像数据的方法和设备，而且关于用于提供经过训练的函数的方法和设备，来描述上述技术问题的根据本专利技术的解决方案。在此，用于提供分类的图像特征和/或综合医学图像数据的方法和设备中的数据结构和/或函数的特征、优点和替换实施方式，可以转用于用于提供经过训练的函数的方法和设备中的类似的数据结构和/或函数。在此，特别是可以通过使用前缀(Vorsilbe)“训练”，来表示类似的数据结构。此外，特别是可以通过用于提供经过训练的函数的方法和设备，来调整和/或提供在用于提供分类的图像特征和/或综合医学图像数据的方法和设备中使用的经过训练的函数。在第一方面，本专利技术涉及一种用于提供分类的图像特征的计算机实现的方法。在此，在第一步骤中，接收医学图像数据。通过将用于对图像特征进行识别和分类的经过训练的函数应用于输入数据，来识别医学图像数据中的多个图像特征，并且将该多个图像特征分类为特定于患者的和非特定于患者的图像特征。在此，输入数据基于医学图像数据。此外，用于对图像特征进行识别和分类的经过训练的函数的至少一个参数，基于训练识别参数与比较识别参数的比较和训练诊断参数与比较诊断参数的比较。此外，在另一个步骤中，提供分类的图像特征。接收医学图像数据特别是可以包括检测和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库接收。此外，可以由用于记录医学图像数据的医学成像设备的提供单元，来提供医学图像数据。医学图像数据例如可以具有包括多个图像点、特别是像素和/或体素的二维的和/或三维的图像数据。此外，医学图像数据可以描绘检查对象的至少一个检查区域。在此，检查对象例如可以包括人类和/或动物患者。此外，医学图像数据可以描绘检查对象的时间上的变化过程、例如检查区域上的改变。此外，可以由一个或多个特别是不同的医学成像设备记录医学图像数据。在此，多个医学成像设备中的一个或至少一个，可以构造为X射线设备和/或C形臂X射线设备和/或磁共振设备(MRT)和/或计算机断层成像设备(CT)和/或超声波检查设备和/或正电子发射断层成像设备(PET)。此外，医学图像数据可以有利地包括元数据。在此，元数据可以包括关于用于记录医学图像数据的医学成像设备的记录参数和/或运行参数的信息。通过将用于对图像特征进行识别和分类的经过训练的函数，应用于接收到的医学图像数据，可以识别医学图像数据中的多个图像特征。此外，可以将识别出的多个图像特征，分类为特定于患者的图像特征和非特定于患者的图像特征。医学图像数据中的多个图像特征例如可以包括几何图像特征和/或解剖图像特征。此外，多个图像特征可以包括描绘图像值在医学图像数据内的分布的图像信息，特别是统计图像信息，例如直方图。使用经过训练的函数来识别多个图像特征，特别是可以包括对医学图像数据中的多个图像特征进行定位和/或分割。此外，对识别出的多个图像特征进行分类，可以包括将多个图像特征区分和/或分组为特定于患者的和非特定于患者的图像特征。在此，特定于患者的图像特征特别是可以包括如下的图像特征，这些图像特征使得能够映射到、特别是唯一地映射到检查对象。此外，特定于患者的图像特征例如可以包括使得能够推断出和/或识别出、特别是唯一地识别出检查对象的生物测量图像特征和/或诊断图像特征。此外，非特定于患者的图像特征例如可以包括不能推断出和/或不能识别出检查对象的诊断和/或其它解剖和/或几何图像特征。例如，可以将对比度(Kontrast)、特别是图像值的比，分类为非特定于患者的图像特征。此外，可以将空间对比度变化过程，例如沿着解剖结构的边缘，识别为解剖图像特征，并且分类为特定于患者的图像特征。特定于患者的图像特征特别是可以包括在医学图像数据中识别出的所有生物测量图像特征。生物测量图像特征例如可以包括至少一个解剖图像特征的空间位置信息和/或空间布置信息和/或形状信息。例如，可以将颅骨形状和/或肿瘤表面和/或器官表面和/或多个解剖图像特征相对于彼此的空间布置，分类为特定于患者的图像特征，特别是分类为生物测量图像特征。下面描述的经过训练的函数的优点和/或特性，基本上对应于所提出的用于对图像特征进行识别和分类的经过训练的函数的优点。在此提到的特征、优点或替换实施方式同样也可以转用于所提出的其它经过训练的函数，反之亦然。有利地，经过训练的函数可以通过机器学习方法进行了训练。经过训练的函数特别是可以是神经网络、特别是卷积神经网络(英语：convolutionalneuralnetwork,CNN)或包括卷积层(英语：convolutionallayer)的网络。经过训练的函数将输入数据映射为输出数据。此外，在此，输出数据特别是可以与经过训练的函数的一个或多个参数有关。可以通过训练来确定和/或调整经过训练的函数的一个或多个参数。对经过训练本文档来自技高网...

【技术保护点】
1.一种用于提供分类的图像特征的计算机实现的方法，其包括：/n-接收(REC-BD)医学图像数据(BD)，/n-对所述医学图像数据(BD)中的多个图像特征进行识别，以及/n-通过将用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)应用于输入数据，将所述多个图像特征分类为特定于患者的图像特征(pBM)和非特定于患者的图像特征(uBM)，/n其中，输入数据基于所述医学图像数据(BD)，/n其中，用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)的至少一个参数，基于训练识别参数(TIDP-pTBM、TIDP-uTBM)与比较识别参数(VIDP)的比较，以及训练诊断参数(TDIAGP-pTBM、TDIAGP-uTBM)与比较诊断参数(VDIAGP)的比较，-提供(PROV-BM)分类的图像特征(pBM、uBM)。/n

【技术特征摘要】
20191030 DE 102019216745.41.一种用于提供分类的图像特征的计算机实现的方法，其包括：
-接收(REC-BD)医学图像数据(BD)，
-对所述医学图像数据(BD)中的多个图像特征进行识别，以及
-通过将用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)应用于输入数据，将所述多个图像特征分类为特定于患者的图像特征(pBM)和非特定于患者的图像特征(uBM)，
其中，输入数据基于所述医学图像数据(BD)，
其中，用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)的至少一个参数，基于训练识别参数(TIDP-pTBM、TIDP-uTBM)与比较识别参数(VIDP)的比较，以及训练诊断参数(TDIAGP-pTBM、TDIAGP-uTBM)与比较诊断参数(VDIAGP)的比较，-提供(PROV-BM)分类的图像特征(pBM、uBM)。


2.根据权利要求1所述的计算机实现的方法，其还包括：
-通过将用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)应用于输入数据，将特定于患者的图像特征(pBM)分类为表型表达的特定于患者的图像特征(paBM)和非表型表达的特定于患者的图像特征(naBM)，
其中，输入数据基于特定于患者的图像特征(pBM)，
其中，用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)的至少一个参数，基于表型表达的特定于患者的训练图像特征(paTBM)与表型表达的特定于患者的比较图像特征(paVBM)的比较，以及非表型表达的特定于患者的训练图像特征(naTBM)与非表型表达的特定于患者的比较图像特征(naVBM)的比较，
-提供(PROV-pBM)分类的特定于患者的图像特征(paBM、naBM)。


3.一种用于提供综合医学图像数据的计算机实现的方法，其包括：
-接收(REC-BD)医学图像数据(BD)，
-通过将根据权利要求1或2所述的计算机实现的方法应用于医学图像数据(BD)，来接收(REC-BM)分类的图像特征，
-通过将用于产生综合医学图像数据的经过训练的函数(TF-SBD)应用于输入数据，来产生综合医学图像数据(SBD)，
其中，输入数据基于特定于患者的图像特征(pBD)，
其中，用于产生综合医学图像数据的经过训练的函数(TF-SBD)的至少一个参数，基于综合医学训练图像数据(STBD)与综合医学比较图像数据(SVBD)的比较，
-提供(PROV-SBD)综合医学图像数据(SBD)。


4.一种用于提供综合医学图像数据的计算机实现的方法，其包括：
-接收(REC-BD)医学图像数据(BD)，
-通过将根据权利要求1或2所述的计算机实现的方法应用于医学图像数据，来接收(REC-BM)分类的图像特征，
-通过将用于产生综合医学图像数据的另一个经过训练的函数(TF2-SBD)应用于输入数据，来产生综合医学图像数据，
其中，输入数据基于非特定于患者的图像特征(uBM)和/或非表型表达的特定于患者的图像特征(naBM)，
其中，用于产生综合医学图像数据的所述另一个经过训练的函数(TF2-SBD)的至少一个参数，基于综合医学训练图像数据(STBD)与综合医学比较图像数据(SVBD)的比较，
-提供(PVOV-SBD)综合医学图像数据(SBD)。


5.根据权利要求1或2所述的计算机实现的方法，其还包括：
-通过将根据权利要求3所述的计算机实现的方法应用于医学图像数据(BD)，来接收(REC-SBD)综合医学图像数据(SBD)，
-通过将用于对特定于患者的图像特征进行分类的另一个经过训练的函数(TF2-CL-pBM)应用于输入数据，将特定于患者的图像特征(pBM)分类为表型表达的特定于患者的图像特征(paBM)和非表型表达的特定于患者的图像特征(naBM)，
其中，输入数据基于特定于患者的图像特征(pBM)和综合医学图像数据(SBD)，
其中，用于对特定于患者的图像特征进行分类的所述另一个经过训练的函数(TF2-CL-pBM)的至少一个参数，基于表型表达的特定于患者的训练图像特征(paTBM)与表型表达的特定于患者的比较图像特征(paVBM)的比较，以及非表型表达的特定于患者的训练图像特征(naTBM)与非表型表达的特定于患者的比较图像特征(naVBM)的比较，
-提供(PROV-pBM)分类的特定于患者的图像特征(paBM、naBM)。


6.一种用于提供用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)的计算机实现的方法，其包括：
-接收(REC-TBD)多个检查对象的医学训练图像数据(TBD)，
-通过将用于对图像特征进行识别和分类的经过训练的函数(TF-IDLC-BM)应用于输入数据，来识别医学训练图像数据(TBD)中的多个训练图像特征，并且将所述多个训练图像特征，分类为特定于患者的训练图像特征(pTBM)和非特定于患者的训练图像特征(uTBM)，
其中，输入数据基于医学训练图形数据(TBD)，
-基于分类的训练图像特征(pTBM、uTBM)，来确定(DET-IDDIAGP)训练识别参数(TIDP-pTBM、TIDP-uTBM)和训练诊断参数(TDIAGP-pTBM、TDIAGP-uTBM)，
其中，针对分类的训练图像特征(pTBM、uTBM)中的每一个，和/或针对分类的训练图像特征(pTBM、uTBM)的组合，确定相应的训练识别参数(TIDP-pTBM、TIDP-uTBM)和相应的训练诊断参数(TDIAGP-pTBM、TDIAGP-uTBM)，
-针对检查对象中的每一个，接收(REC-VIDDIAGP)相应的比较识别参数(VIDP)和相应的比较诊断参数(VDIAGP)，
其中，相应的比较识别参数(VIDP)包括关于检查对象中的一个的识别信息，
其中，相应的比较诊断参数(VDIAGP)包括关于检查对象中的一个的诊断信息，
-基于训练识别参数(TIDP-pTBM、TIDP-uTBM)与比较识别参数(VIDP)之间以及训练诊断参数(TDIAGP-pTBM、TDIAGP-uTBM)与比较诊断参数(VDIAGP)之间的比较，来调整(ADJ-TF-IDCL-BM)用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)的至少一个参数，
-提供(PROV-TF-IDCL-BM)用于对图像特征进行识别和分类的经过训练的函数(TF-IDCL-BM)。


7.一种用于提供用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)的计算机实现的方法，其包括：
-接收(REC-TBD)多个检查对象的医学训练图像数据，
-通过将根据权利要求1所述的计算机实现的方法应用于医学训练图像数据，来接收(REC-TBM)分类的训练图像特征，
其中，提供分类的图像特征(pBM、uBM)，来作为分类的训练图像特征(pTBM、uTBM)，并且提供特定于患者的图像特征(pBM)，来作为特定于患者的训练图像特征(pTBM)，
-通过将识别函数(CL-pTBM)、特别是生物测量识别函数，应用于特定于患者的训练图像特征(pTBM)，将特定于患者的训练图像特征(pTBM)，分类为表型表达的特定于患者的比较图像特征(paVBM)和非表型表达的特定于患者的比较图像特征(naVBM)，
-通过将用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)应用于输入数据，将特定于患者的训练图像特征(pTBM)，分类为表型表达的特定于患者的训练图像特征(paTBM)和非表型表达的特定于患者的训练图像特征(naTBM)，
其中，输入数据基于特定于患者的训练图像特征(pTBM)，
-基于表型表达的特定于患者的训练图像特征(paTBM)与表型表达的特定于患者的比较图像特征(paVBM)的比较，以及非表型表达的特定于患者的训练图像特征(naTBM)与非表型表达的特定于患者的比较图像特征(naVBM)的比较，来调整(ADJ-TF-CL-pBM)用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)的至少一个参数，
-提供(PROV-TF-CL-pBM)用于对特定于患者的图像特征进行分类的经过训练的函数(TF-CL-pBM)。
<...

【专利技术属性】
技术研发人员：T莱尼奇，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：德国;DE