为成像系统选择采集参数技术方案

提供了用于为成像系统选择采集参数的系统和方法。所述采集参数至少部分地定义所述成像系统在关于患者的成像流程期间的成像配置。访问深度相关映射图，所述深度相关映射图是基于来自相机系统的传感器数据生成的，其中，所述相机系统具有视场，所述视场包括所述成像系统的视场的至少部分，其中，所述传感器数据是在关于所述患者的所述成像流程之前获得的，并且指示所述患者的外形的部分所具有的朝向所述相机系统的距离。将机器学习算法应用于所述深度相关映射图以识别所述采集参数，所述采集参数可以被提供给所述成像系统。

【技术实现步骤摘要】
【国外来华专利技术】为成像系统选择采集参数
本专利技术涉及用于为成像系统选择采集参数的系统和方法。本专利技术还涉及包括该系统的工作站和成像系统，并且涉及包括用于令处理器系统执行该方法的指令的计算机可读介质。
技术介绍
在医学成像中，技术人员或其他用户选择适当的采集参数是个常见问题。这样的采集参数可以至少部分地定义成像系统的成像配置，并且通常是患者特异性的。例如，一方面，技术人员经常难以在X射线成像系统中配置准直以确保足够覆盖目标解剖结构来确保采集图像的诊断价值(例如通过避免需要重新拍摄)，另一方面，使过度准直最小化以确保患者的安全(例如通过避免不必要地暴露于电离辐射)。选择操作具有患者特异性的X射线成像系统的其他采集参数包括但不限于指定X射线管的管电压(通常以kV为单位进行测量)和管电流(以mA为单位)的参数。通常，通过医学指南来指导技术人员选择采集参数。然而，在实践中，成功选择采集参数可能至少部分地取决于操作者的专业知识和经验，并且可能涉及反复试验。不利的是，这种反复试验可能不仅会导致辐射暴露增加(例如在X射线成像中)，而且还会导致检查时间延长、图像质量不足等。应当注意，上述问题加以必要的变更也适用于其他成像模态，包括但不限于磁共振成像和超声。WO2016001135描述了一种包括配置X射线成像系统的方法。所述方法被称为包括从一个或多个深度相机获得一幅或多幅深度图像的步骤，其中，所述一个或多个深度相机至少覆盖由所述X射线成像系统的X射线源的X射线束覆盖的区。在涉及拍摄膝盖的X射线图像的示例中，据介绍(例如使用市场上可获得的用于处理深度图像的图像识别软件)从所述深度图像中识别所述膝盖并在所述深度图像中定位所述膝盖。所述系统还检索算是膝盖相对于所述深度图像的期望位置。据介绍实际位置与所述期望位置之间的差异然后确定对所述X射线成像系统的配置的校正结果。利用所述深度相机与所述X射线源的位置之间的(例如基于校准或诸如自适应滤波的机器学习技术)已知几何形状关系，然后可以将所述校正结果转换成所述X射线系统的实际位置配置。这样，WO2016001135检测深度图像中的对象，同时分别获得深度相机与X射线源的部分的位置之间的几何形状关系。然后将这两者组合以配置X射线系统的位置，从而在深度图像中获得对象的期望位置。不利的是，在深度图像中并不能可靠地检测到所有相关界标。另外，通过仅使用检测到的界标来确定位置配置，并没有使用到深度图像中的其他潜在有用信息。
技术实现思路
获得用于为成像系统选择采集参数的系统和方法将是有利的，该系统和方法解决了上述问题中的一个或多个问题，例如，不仅仅依赖于界标检测。本专利技术的第一方面提供了一种用于为成像系统选择采集参数的系统，其中，所述采集参数至少部分地定义所述成像系统在关于患者的成像流程期间的成像配置，所述系统包括：-相机数据接口，其被配置为访问基于来自相机系统的传感器数据生成的深度相关映射图，其中，所述相机系统具有视场，所述视场包括所述成像系统的视场的至少部分，其中，所述传感器数据是在关于所述患者的所述成像流程之前获得的，并且指示所述患者的外形的部分所具有的朝向所述相机系统的距离；-存储器，其包括表示指令集的指令数据；-处理器，其被配置为与所述相机数据接口和所述存储器通信并执行所述指令集，其中，所述指令集在由所述处理器运行时令所述处理器将机器学习算法应用于所述深度相关映射图以识别所述采集参数，其中：-所述机器学习算法由算法数据表示，所述算法数据被存储在所述存储器中并且被所述处理器访问，并且-所述机器学习算法是使用训练数据来训练的，所述训练数据包括以下项的集合：i)示例深度相关映射图，以及ii)作为预测值的示例采集参数，其中，所述示例采集参数表示人类操作者在关于先前患者的先前成像流程中的选择，其中，所述示例相关映射图是基于由相同或相似类型的相机系统在所述先前成像流程期间获得的传感器数据来生成的；以及-输出接口，其被配置为输出要由所述成像系统使用的所述采集参数。本专利技术的另外的方面提供了一种包括所述系统的工作站或成像系统。本专利技术的另外的方面提供了一种用于为成像系统选择采集参数的计算机实施的方法，其中，所述采集参数至少部分地定义所述成像系统在关于患者的成像流程期间的成像配置，所述方法包括：-访问深度相关映射图，所述深度相关映射图是基于来自相机系统的传感器数据生成的，其中，所述相机系统具有视场，所述视场包括所述成像系统的视场的至少部分，其中，所述传感器数据是在关于所述患者的所述成像流程之前获得的，并且指示所述患者的外形的不同部分所具有的朝向所述相机系统的距离；-将机器学习算法应用于所述深度相关映射图以识别所述采集参数，其中：-所述机器学习算法由算法数据表示，所述算法数据被存储在所述存储器中并且被所述处理器访问，并且-所述机器学习算法是使用训练数据来训练的，所述训练数据包括以下项的集合：i)示例深度相关映射图，以及ii)作为预测值的示例采集参数，其中，所述示例采集参数表示人类操作者在关于先前患者的先前成像流程中所使用的选择，其中，所述示例相关映射图是基于由先前相机系统在所述先前成像流程期间获得的传感器数据来生成的；以及-输出要由所述成像系统使用的所述采集参数。本专利技术的另外的方面提供了一种计算机可读介质，包括瞬态或非瞬态数据，所述瞬态或非瞬态数据表示被布置为令处理器系统执行所述方法的指令。上述措施涉及在成像流程之前获得患者的外形的深度相关映射图，例如以深度图像或视差图像的形式的深度相关映射图。这样，深度相关映射图可以提供关于患者的外形的物理属性的信息。当针对成像流程对患者进行定位(例如通过使患者躺在或站在成像系统的视场内)时，可以采集深度相关映射图。深度相关映射图并非一定要包括患者的整个外形；深度相关映射图可能只涉及外形的部分。测量的深度可以在在局部变化。一个简单的示例是，患者的颈部通常相对于面部凹进，因此会远离相机。类似地，在肥胖患者的情况下，腰部会突出，因此会更靠近相机。上述措施还提供通过指令集配置的处理器，以将机器学习算法应用于先前已经在先前患者的示例深度相关映射图和针对先前患者的人类选择参数上进行训练的深度相关映射图。应当注意，“先前”一词意指“过去”，因此不限于紧接在前。专利技术人已经认识到，深度图像和其他深度相关映射图可以提供关于患者的外形的各种信息，这在确定采集参数方面是有价值的。当深度相关映射图仅用于检测界标时，并不使用这样的信息。例如，可以在深度图像中看见各种患者属性，或者至少可以获得关于各种患者属性的指示，包括但不限于患者的体重、体型、性别、健康水平。这些患者属性可能影响要在成像流程中使用的采集参数。然而，设计启发法是非常困难的，因为关系可能是复杂的，并且非线性关系尤为如此。通过将机器学习用于已经在先前患者上训练的且经手动选择了参数的深度相关映射图，可以考虑深度相关映射图的所有可用信息或至少更多可用信息。通过训练机器学习算法，系统能够对深度与采集参数之间的关系进行自动建模。因此，不需要仅依赖于界标检测(其并不总是可用，例如在界标不可见的情况下就是如此)。实际上，确定的界标可以被认为是人工中间表示，其涉及将坐标分配给检测对象并然后仅使用这些坐标。所提出的系统被配置为将机器学习应用于所有深度相关映射图，这样会得本文档来自技高网...

【技术保护点】
1.一种用于为成像系统(15)选择采集参数的系统(100)，其中，所述采集参数至少部分地定义所述成像系统在关于患者的成像流程期间的成像配置，所述系统包括：‑相机数据接口(120)，其被配置为访问基于来自相机系统的传感器数据生成的深度相关映射图，其中，所述相机系统具有视场，所述视场包括所述成像系统的视场的至少部分，其中，所述传感器数据是在关于所述患者的所述成像流程之前获得的，并且指示所述患者的外形的部分所具有的朝向所述相机系统的距离；‑存储器(140)，其包括表示指令集的指令数据；‑处理器(160)，其被配置为与所述相机数据接口(120)和所述存储器(160)通信并执行所述指令集，其中，所述指令集在由所述处理器运行时令所述处理器将机器学习算法应用于所述深度相关映射图以识别所述采集参数，其中：‑所述机器学习算法由算法数据表示，所述算法数据被存储在所述存储器中并且被所述处理器访问，并且‑所述机器学习算法是使用训练数据来训练的，所述训练数据包括以下项的集合：i)示例深度相关映射图，以及ii)作为预测值的示例采集参数，其中，所述示例采集参数表示人类操作者在关于先前患者的先前成像流程中的选择，其中，所述示例相关映射图是基于由相同或相似类型的相机系统在所述先前成像流程期间获得的传感器数据来生成的；以及‑输出接口(170)，其被配置为输出要由所述成像系统使用的所述采集参数。...

【技术特征摘要】
【国外来华专利技术】2016.11.10 EP 16198086.71.一种用于为成像系统(15)选择采集参数的系统(100)，其中，所述采集参数至少部分地定义所述成像系统在关于患者的成像流程期间的成像配置，所述系统包括：-相机数据接口(120)，其被配置为访问基于来自相机系统的传感器数据生成的深度相关映射图，其中，所述相机系统具有视场，所述视场包括所述成像系统的视场的至少部分，其中，所述传感器数据是在关于所述患者的所述成像流程之前获得的，并且指示所述患者的外形的部分所具有的朝向所述相机系统的距离；-存储器(140)，其包括表示指令集的指令数据；-处理器(160)，其被配置为与所述相机数据接口(120)和所述存储器(160)通信并执行所述指令集，其中，所述指令集在由所述处理器运行时令所述处理器将机器学习算法应用于所述深度相关映射图以识别所述采集参数，其中：-所述机器学习算法由算法数据表示，所述算法数据被存储在所述存储器中并且被所述处理器访问，并且-所述机器学习算法是使用训练数据来训练的，所述训练数据包括以下项的集合：i)示例深度相关映射图，以及ii)作为预测值的示例采集参数，其中，所述示例采集参数表示人类操作者在关于先前患者的先前成像流程中的选择，其中，所述示例相关映射图是基于由相同或相似类型的相机系统在所述先前成像流程期间获得的传感器数据来生成的；以及-输出接口(170)，其被配置为输出要由所述成像系统使用的所述采集参数。2.根据权利要求1所述的系统(100)，还包括：患者数据接口(60)，其被配置为访问所述患者的非图像患者数据，并且其中：-对于所述训练数据的给定集合，所述训练数据还包括示例非图像患者数据，所述示例非图像患者数据与所述患者的所述非图像患者数据具有相同或相似的类型；并且-当由所述处理器(160)运行时，所述指令集令所述处理器(160)使用所述非图像患者数据作为针对所述机器学习算法的额外输入。3.根据权利要求2所述的系统(100)，其中，所述患者数据接口(60)被配置为从所述患者的电子健康记录访问所述非图像患者数据。4.根据权利要求2或3所述的系统(100)，其中，所述患者的所述非图像患者数据包括以下项中的至少一个：-所述患者的体重；-所述患者的年龄；-所述患者的性别；-所述患者的健康水平的量化结果；-与所述患者相关联的疾病诊断；-与所述患者相关联的用药记录；以及-与所述患者相关联的生命参数记录。5.根据前述权利要求中的任一项所述的系统(100)，其中：-对于所述训练数据的给定集合，所述训练数据还包括示例几何形状数据，所述几何形状数据指示在所述先前成像流程期间所述相机系统(18)与所述成像系统(15)之间的先前相对几何形状；并且-当由所述处理器(160)运行时，所述指令集令所述处理器(160)在所述成像流程中使用所述相机系统(18)与所述成像系统(15)之间的当前相对几何形状作为针对所述机器学习算法的额外输入。6.根据权利要求1至4中的任一项所述的系统(100)，其中：-所述训练数据的给定集合的所述示例深度相关映射图是基于相机系统(18)与成像系统(15)之间的先前相对几何形状来生成的；-当由所述处理器(160)运行时，所述指令集令所述处理器(160)执行以下操作：-在所述成像流程中确定所述相机系统(18)与所述成像系统(15)之间的所述先前相对几何形状与当前相对几何形状之间的偏差；-如果所述偏差存在或者超过阈值，则在...

【专利技术属性】
技术研发人员：A·扎尔巴赫，J·塞内加，A·格罗特，S·A·约克尔，M·贝格特尔特，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：荷兰,NL