提供次要参数的方法、决策支持系统、介质、计算机程序技术方案

本发明专利技术暗示了一种用于在提供主要参数的决策支持系统(100)中，特别是在临床决策支持系统中提供次要参数(3)的方法，包含以下步骤：提供输入数据集；通过使用通过机器学习机制，特别是通过深度学习机制训练的子系统(10)基于所述输入数据集来近似次要参数(3)；和提供近似的次要参数；其中所述输入数据集是形状数据集(2)。

【技术实现步骤摘要】
提供次要参数的方法、决策支持系统、介质、计算机程序
本专利技术描述了一种用于提供次要参数的方法、决策支持系统、计算机可读介质和计算机程序产品。
技术介绍
具体地，本专利技术涉及临床决策支持(CDS)系统。，通过对其提供相关的特定专利信息，CDS系统是来在他们复杂的决策做出过程中帮助临床医生的必备工具。例如，这样的信息可能是图像数据集、实验室报告或者是诸如患者的年龄的一般(general)数据。通过累积和过滤相关信息，CDS系统有助于做出诊断或治疗决策。然而，一些相关信息对于CDS系统不可用，因为它们的计算是复杂并且耗时的，使得不能在相对较短的时间内使信息可用。例如，压力和/或血流速率是这样的信息。为了计算这些量，通常需要计算流体动力学模拟，并且因此不能在适当的时间内使这些信息可用。
技术实现思路
因此，本专利技术的目的是快速并且简单地向决策支持系统，特别是临床决策支持系统提供附加信息，即次要参数。此目的通过根据权利要求1所述的用于提供次要参数的方法；通过根据权利要求13所述的决策支持系统；根据权利要求14所述的计算机程序产品和根据权利要求15所述的计算机可读介质来实现。根据本专利技术的第一方面，提供了一种用于在决策支持系统，特别是临床决策支持系统中提供次要参数的方法，该决策指示系统向用户供应主要参数，该方法包含以下步骤：-提供输入数据集；-通过使用通过机器学习机制，特别是通过深度学习机制训练的子系统，基于输入数据集来近似次要参数；以及-提供近似的次要参数；其中输入数据集是形状数据集。与现有技术相比，形状数据集用作通过机器学习机构训练的子系统的输入。结果，能扩展和改进决策支持系统，以通过提供从形状数据集导出的附加信息(即，次要参数)来促进(facilitate)决策。通过使用训练的子系统，可以只执行用于近似次要参数的前向路径(forwardpass)。这意味着能在相对较短的时间内提供次要参数，而无需花费运算的计算。通过降低用于提供次要参数的运算要求，进一步有利地，可以降低CDS系统的硬件需求。一般地，训练的子系统是人工神经网络，特别是通过深度学习机制训练的。优选地，所述子系统包含处理器，所述处理器配置成用于基于输入数据集来近似次要参数，并且配置成用于通过机器学习机制，特别是通过深度学习机制可训练的。此外，优选地规定，训练的子系统包含用于接收输入数据集的输入层、多个隐藏层和用于提供次要参数的输出层。优选地，主要参数是存储在存储器设备中的信息，诸如患者信息(例如患者年龄或BMI)、图像数据集(诸如MR或CT图像数据集)、实验室报告(例如，血液测试)和/或医学知识。优选地，配置CDS系统，使得其积累并且过滤可用的主要参数，用于向用户(例如临床医生)显示用于帮助做出决策过程的相关的数据。优选地，术语“形状数据集”描述能通过任何种类的多边形网格(polygonalmesh)表示的数据集。例如，数据集包含形成二维(2D)或者三维(3D)网格的一组顶点、三角形和/或多边形。还可以想到的，形状数据集包含根据顶点、四面体、六面体或其他三维元素形成的体积网格。优选地，形状数据集包含三维物体，特别是身体中的器官或者结构的表面的分割，其中从图像数据集导出该表面。例如，从示出患者的三维物体的图像数据集中提取形状数据集。优选地，术语“次要参数”描述能从形状数据集导出，特别是能作为形状数据集的函数来计算的参数。例如，肝脏体积是能从肝脏的表面的形状导出，特别是计算的次要参数。根据另一示例，次要参数是在给定的时间点的血液动力学参数(诸如血管内的压力或者血液速率)，并且可能通过计算流体动力学(CFD)求解器来计算，其中将血管的表面网格用作CFD求解器的输入。具体地，其规定，通过由机器学习机制训练的子系统的近似来代替通常使用的计算结果，例如计算流体动力学解。优选地，通过在诸如工作站的屏幕或移动单元(诸如平板电脑或智能电话)的屏幕的显示设备上显示次要参数，来提供近似的次要参数。具体地，CDS系统与主要参数一起显示近似的参数。如下面的描述中所揭示的，通过从属权利要求给出了本专利技术的进一步的有利实施例和特征。不同的权利要求类别的特征可以适当地组合以给出本文中未描述的进一步的实施例。根据优选的实施例，其规定，从对于决策支持系统可用的主要参数提取，优选地自动提取形状数据集合。例如，与三维物体关联的图像数据集是主要参数的一部分。通过将至少一部分的图像数据集变换成对应的(例如与三维物体的表面关联的)形状数据集，来提取形状数据集。因此，有利地，可以使用对于决策支持系统可用的主要参数来用于近似次要参数。还可以想到的，将提取的形状数据集传送(transfer)给一组主要参数。因此，用户能检查次要参数的近似是否是基于形状数据集的有效提取。优选地，术语“自动地”指示通过用于选择主要信息的真子集(propersubset)的另一机器学习机制训练的另一子系统，用于提供形状数据集作为输入数据集。在优选的实施例中，其规定，从图像数据集的子集提取形状数据集，例如三维图像数据集的特定块(patch)。结果，能使用降低的数据量来用于近似次要参数。具体地，不将对于近似次要参数无关的图像数据的子集用作训练的子系统的输入。优选地，其规定，训练的子系统包含输入层、多个隐藏层和输出层。具体地，子系统配置成用于接收形状数据集，并且输出层例如通过在屏幕上显示次要参数来对用户提供次要参数。由此，输入层、多个隐藏层和输出层是人工神经网络的一部分，其中，在训练过程期间，神经网络的神经元能被加权或者彼此连接。根据优选的实施例，其规定，准备形状数据集来用于将其提供给输入层。通过准备形状数据集，有利地，可能在形状数据集和训练的子系统的输入层之间建立链接。具体地，还可以想到，根据形状数据集的至少一个子集来计算特征(例如以形状描述符或者光谱描述符的形式)，并提供给输入层。在优选的实施例中，通过采样来准备形状数据集。例如，将传统神经网络到非欧几里德流形(诸如形状)的扩展用于准备形状数据集。通过Masci等人在2015年的EPFL-CINF-204949中的文章“ShapeNet：ConvolutionalNeuronalNetworksonNon-EuclideanManifolds”描述了传统神经网络非欧几里得流形到的扩展。关于将传统神经网络到非欧几里德流形的扩展的描述，在此明确地引用到此文档。在另一优选的实施例中，其规定，将形状数据集变换成中间图像数据集，用于将中间图像数据集提供给输入层。具体地，其规定，将形状数据集变换成与标准深度学习算法兼容的中间图像数据集。结果，深度学习机制不必须适应于形状数据集的形式。例如，能将形状数据集转换成二进制掩码或者水平集(level-set)表示。通过使用二进制掩码来提供离散体素值，例如，0用于外部并且1用于内部，而通过水平集表示来提供对体素到边界的距离进行编码的连续体素值。具体地，其规定，训练的子系统具有多于5个隐藏层，优选的多于10个隐藏层。通过使用大量的隐藏层，通过深度学习机制来训练子系统。具体地，通过使用大量的隐藏层可以预测具有对于形状数据的复杂依赖性的次要参数。根据另一实施例，其规定，在决策支持系统运行时提供次要参数。因此，能实时地近似次要参数并且立即提供给用户。还可以本文档来自技高网...

【技术保护点】
1.一种用于在对用户供应主要参数(31、32、33、34)的决策支持系统(100)中，特别是在临床决策支持系统中提供次要参数(3)的方法，所述方法包含以下步骤：‑提供输入数据集；‑通过使用通过机器学习机制，特别是通过深度学习机制训练的子系统(10)，基于所述输入数据集来近似次要参数(3)；以及‑提供近似的次要参数；其中所述输入数据集是形状数据集(2)。

【技术特征摘要】
2017.06.14 EP 17176007.71.一种用于在对用户供应主要参数(31、32、33、34)的决策支持系统(100)中，特别是在临床决策支持系统中提供次要参数(3)的方法，所述方法包含以下步骤：-提供输入数据集；-通过使用通过机器学习机制，特别是通过深度学习机制训练的子系统(10)，基于所述输入数据集来近似次要参数(3)；以及-提供近似的次要参数；其中所述输入数据集是形状数据集(2)。2.根据前述任一权利要求所述的方法，其中，从对于决策支持系统(100)可用的主要参数(31、32、33、34)提取，优选自动地提取所述形状数据集(2)。3.根据权利要求2所述的方法，其中，从图像数据集(33)的子集(15)提取所述形状数据集(2)。4.根据前述任一权利要求所述的方法，其中，训练的子系统(10)包含输入层(11)、多个隐藏层(12)和输出层(13)。5.根据权利要求4所述的方法，其中，准备所述形状数据集(2)用于将其提供给输入层(11)。6.根据权利要求5所述的方法，其中，通过采样来准备所...

【专利技术属性】
技术研发人员：D诺伊曼，
申请(专利权)人：西门子保健有限责任公司，
类型：发明
国别省市：德国,DE