确定由医学成像数据表示的身体区域制造技术

一种计算机实现方法和装置确定由存储在第一图像文件中的医学成像数据表示的身体区域。第一图像文件进一步存储一个或多个属性，每个属性具有包括指示所述医学成像数据的内容的文本串的属性值。第一图像文件的所述文本串中的一个或多个被获得，并且被输入到经训练的机器学习模型中，所述机器学习模型已经被训练成基于一个或多个这种文本串的输入来输出身体区域。由此，获得来自所述经训练的机器学习模型的输出，以确定由所述医学成像数据表示的身体区域。还公开了将第二医学成像数据的一个或多个集合选择为与第一医学成像数据相关的方法。的方法。的方法。

【技术实现步骤摘要】
确定由医学成像数据表示的身体区域
[0001]相关申请的交叉引用本申请要求保护来自2021年8月5日提交的欧洲专利申请第21189986.9号的优先权的权益，其内容通过引用并入本文中。


[0002]本框架涉及用于确定由存储在图像文件中的医学成像数据表示的身体区域的方法和装置。

技术介绍

[0003]诸如磁共振成像（MRI）、计算机断层摄影（CT）等医学成像是医学诊断的宝贵工具。在临床决策制定中，患者疾病随时间的进展对于诊断而言即便不比该疾病的当前状态更有用，也是与该疾病的当前状态同样有用的。为了帮助评估患者疾病的进展，医学专业人员常常希望将患者的当前医学图像与患者的适当先前医学图像或医学图像系列进行比较。
[0004]然而，常常存在患者的大量先前医学图像。例如，对于任何给定患者，可能存在在多个先前时间点处采取的多个先前研究。此外，在每个研究内，可能存在多个医学图像系列，每个系列具有不同的特性。手动地评估先前医学图像的适当性以用于与当前医学图像进行比较或者以其他方式评估它们与当前医学图像的相关性对于医学专业人员来说可能是耗时且繁重的。此外，医学图像常常被存储在远离医学专业人员终端的存储装置中，并且检索患者的所有先在医学图像（其常常在大小方面是大的）对于医学专业人员进行评估来说是网络资源密集的。
[0005]自动地选择适合于与给定医学图像（例如，当前医学图像）进行比较或以其他方式与该给定医学图像相关的医学图像（例如，先前医学图像）将是有用的。替代地或附加地（例如，为了便于选择相关的医学图像或出于其他原因），自动地确定由医学图像表示的身体区域将是有用的。然而，分析表示该图像的医学成像数据以确定由此表示的身体区域将涉及医学成像数据的提取和处理，该医学成像数据典型地是大的并且将是资源密集的。

技术实现思路

[0006]根据一个方面，提供了一种确定由存储在第一图像文件中的医学成像数据表示的身体区域的计算机实现方法，第一图像文件进一步存储一个或多个属性，每个属性具有包括指示该医学成像数据的内容的文本串的属性值，该方法包括：（a）获得第一图像文件的文本串中的一个或多个；以及（b）将文本串中的所获得的一个或多个输入到经训练的机器学习模型中，该机器学习模型已经被训练成基于一个或多个这种文本串的输入来输出身体区域，以及从经训练的机器学习模型获得输出，由此确定由该医学成像数据表示的身体区域。
附图说明
[0007]图1是图示了根据一示例的方法的流程图；
图2是图示了根据一示例的包括医学成像数据的图像文件的示意图；图3是图示了根据一示例的包括医学成像数据的医学数字成像和通信（DICOM）文件的示意图；图4是图示了根据一示例的组件之间的流程的示意图；图5是图示了根据一示例的图形用户界面（GUI）的示意图；图6是图示了根据一示例的方法的流程图；图7是图示了根据一示例的组件之间的流程的示意图；图8是图示了根据一示例的方法的流程图；图9是图示了根据一示例的组件之间的流程的示意图；图10是图示了根据一示例的系统的示意图；以及图11是图示了根据一示例的计算机的示意图。
具体实施方式
[0008]参考图1，图示了确定由存储在第一图像文件中的医学成像数据表示的身体区域的计算机实现方法。
[0009]图2中图示了示例第一图像文件。第一图像文件200存储医学成像数据204，并且进一步存储一个或多个属性202，每个属性202具有包括指示医学成像数据204的内容的文本串的属性值206。
[0010]医学成像数据204是表示医学图像（或在某些示例中多于一个医学图像）的数据。例如，医学成像数据204可以包括像素或体素值的阵列或列表。例如，当由合适的图像查看软件处理时，医学成像数据导致了其所表示的医学图像（或多个医学图像）的渲染。一个或多个属性值与医学成像数据分离并且不同于医学成像数据，并且取而代之包括指示医学成像数据204的内容的文本串。在一些示例中，这种属性值可以被称为图像文件200的元数据。在一些示例中，图像文件200中的存储属性202和属性值206的部分可以被称为图像文件200的头（header），并且属性202和属性值206可以被称为图像文件200的头数据。
[0011]图像文件200的具体示例是医学数字成像和通信（DICOM）文件300。图3中图示了示例DICOM文件，如下面更详细地描述的。概括地，DICOM文件300将医学成像数据316存储为指定数据元素312中的像素数据，并且进一步将一个或多个属性310存储为一个或多个其他数据元素310，每个属性310具有包括指示医学成像数据316的内容的文本串的属性值314。示例这种DICOM属性310是“研究描述”，其属性值314是文本串，该文本串描述了该医学成像数据是其一部分的研究（例如，“NERUO^HEAD”，其中该医学成像数据属于患者的头部区域），并且由此指示医学成像数据316的内容。还存在这种DICOM属性的其他示例，诸如“系列描述”、“所检查的身体部位”以及其他。
[0012]返回到图1，概括地说，该方法包括：（a）在步骤102中，获得第一图像文件200、300的文本串206、314中的一个或多个；以及（b）在步骤104中，将文本串中的所获得的一个或多个206、314输入到经训练的机器学习模型（参见例如图4的经训练的神经网络406）中，机器学习模型406已经被训练成基于一个或多个这种文本串的输入来输出身体区域，以及从经训练的机器学习模型406获得
输出，由此确定由医学成像数据204、316表示的身体区域408。
[0013]通过将第一图像文件200、300的一个或多个文本串206、314输入到被训练成基于输入这种文本串来确定身体区域的机器学习模型406（例如，神经网络）中来确定由医学成像数据204、316表示的身体区域408可以提供对由医学成像数据表示的身体区域408的高效和/或灵活的确定。
[0014]例如，与例如通过提取和分析医学成像数据本身（其在比特方面相对大）来确定身体区域相比，基于该文件的文本串（其在比特方面相对小）来确定身体区域可以是较不资源密集的，并且因此更加高效。在其中该图像文件通过网络与处理设备远离地存储的情况下，基于（相对小的）文本串来确定身体区域允许（相对大的）医学成像数据不需要通过网络被传输以便确定由此表示的身体区域，因此使得高效利用了网络资源。
[0015]作为另一个示例，例如与通过将硬编码规则应用于文本串来确定身体区域相比，通过将文本串输入到经训练的机器学习模型（例如，经训练的神经网络）中来确定身体区域可以提供对身体区域的高效、灵活和/或鲁棒的确定。例如，硬编码规则需要文本串与规则的确切匹配以便提供身体区域（并且因此关于针对其可以确定匹配的文本串是不灵活的，和/或在需要针对可以使用的所有可能文本串被编码的规则集的穷举性质方面是低效的）。另一方面，经训练的机器学习模型（例如，经训练的神经网络）从它在其上被训练的训练数据集进行泛化，并且因此既获得起来相对高效，又能够确定适当本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种确定由存储在第一图像文件中的医学成像数据表示的身体区域的计算机实现方法，第一图像文件进一步存储一个或多个属性，每个属性具有包括指示所述医学成像数据的内容的文本串的属性值，所述方法包括：（a）获得第一图像文件的所述文本串中的一个或多个；以及（b）将所述文本串中的所获得的一个或多个输入到机器学习模型中，其中所述机器学习模型被训练成基于所述文本串中的一个或多个的输入来生成身体区域的输出，并且从所述经训练的机器学习模型获得所述输出以确定由所述医学成像数据表示的身体区域。2.根据权利要求1所述的计算机实现方法，其中所述方法进一步包括：执行由存储在第一图像文件中的第一医学成像数据表示的第一身体区域与由存储在相应多个第二图像文件中的第二医学成像数据的相应多个集合表示的多个第二身体区域中的每一个的比较，每个第二图像文件进一步存储一个或多个属性，每个属性具有包括指示存储在第二图像文件中的第二医学成像数据的内容的文本串的属性值；以及基于第一身体区域和第二身体区域的比较，将第二医学成像数据的所述集合中的一个或多个选择为与第一医学成像数据相关。3.根据权利要求2所述的计算机实现方法，其中第一身体区域是通过将步骤（a）和（b）应用于第一图像文件的文本串中的一个或多个来确定的。4.根据权利要求2所述的计算机实现方法，其中第二身体区域中的至少一个是通过将步骤（a）和（b）应用于第二图像文件中的相应的至少一个的文本串中的一个或多个来确定的。5.根据权利要求2所述的计算机实现方法，其中第二医学成像数据的所述多个集合被存储在远程存储设备中，并且所述方法包括：从远程存储设备检索第二医学成像数据的所选的一个或多个集合、或包括第二医学成像数据的所选的一个或多个集合的研究的第二医学成像数据集合，而不检索第二医学成像数据的所述多个集合中的其他集合。6.根据权利要求2所述的计算机实现方法，其中所述方法包括：生成显示数据，以使得显示设备显示第一医学成像数据的渲染以及第二医学成像数据的所选的或所检索的集合中的一个或多个的渲染。7.根据权利要求2所述的计算机实现方法，其中所述方法进一步包括：针对第二医学成像数据的所述多个集合中的每一个，确定第一医学成像数据的第一成像模态与第二医学成像数据的第二成像模态之间的成像模态相关性得分，以及其中将第二医学成像数据的一个或多个集合选择为与第一医学成像数据相关进一步基于所确定的成像模态相关性得分。8.根据权利要求7所述的计算机实现方法，其中所述成像模态相关性得分是使用成像模态转移矩阵来确定的，其中所述成像模态转移矩阵的每个元素表示：在给定与特定第一成像模态相关联的第一医学成像数据的情况下，用户将选择具有特定第二成像模态的第二医学成像数据以用于与第一医学成像数据进行比较的相应概率，所述概率是基于与医学成像数据的被记入日志的用户交互的统计分析来确定的。9.根据权利要求2所述的计算机实现方法，其中第一图像文件和第二图像文件中的每一个存储一个或多个属性，每个属性具有指示用于捕获第一医学成像数据或第二医学成像
数据的成像参数的属性值，其中所述方法进一步包括：针对第二医学成像数据的多个集合中的每一个，确定指示基于指示用于捕获第一医学成像数据的成像参数的一个或多个属性值而生成的第一向量与基于指示用于捕获第二医学成像数据的成像参数的一个或多个属性值而生成的第二向量之间的相似性的相似性度量，其中将第二医学成像数据的一个或多个集合选择为与第一医学成像数据相关进一步基于所确定的相似性度量。10.根据权利要求1所述的计算机实现方法，其中所述机器学习模型是神经网络。11.根据权利要求10所述的计算机实现方法，其中所述神经网络包括经训练的基于字符的神经网络，所述经训练的基于字符的神经网络被配置成将所述文本串中的所获得的一个或多个的个体...

【专利技术属性】
技术研发人员：品川嘉久，H，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：