用于根据人工智能检测输出确定疾病进展的系统和方法技术方案

本发明专利技术题为“用于根据人工智能检测输出确定疾病进展的系统和方法”。本发明专利技术公开了使用图像数据和人工智能分类来改善对影响患者的状况的自动识别、监测、处理和控制的装置、系统和方法。示例性图像处理装置包括人工智能分类器，该人工智能分类器用于：从第一时间处理患者的第一图像数据以确定指示所述患者的状况的第一严重程度的第一分类结果；并且从第二时间处理患者的第二图像数据以确定指示患者状况的第二严重程度的第二分类结果。示例性图像处理装置包括比较器，该比较器用于比较第一分类结果和第二分类结果以确定变化和与变化相关联的状况的进展。示例性图像处理装置包括输出生成器，该输出生成器用于在进展对应于状况的恶化时触发动作。

【技术实现步骤摘要】
用于根据人工智能检测输出确定疾病进展的系统和方法
本公开整体涉及经改善的医疗系统，并且更具体地讲，涉及用于医疗成像处理的经改善的学习系统和方法。
技术介绍
多种经济、操作、技术和管理障碍对向患者提供优质护理的医疗保健机构(诸如医院、诊所、医生办公室、成像中心、遥控放射科等)提出了挑战。医疗保健企业的经济动因、员工技能欠缺、员工较少、设备复杂以及最近兴起对控制以及标准化辐射暴露剂量用法的认证给患者检查、诊断和治疗的成像和信息系统的有效管理和使用带来了困难。医疗保健供应商的整合形成了跨地域分布的医院网络，在这些医院网络中与系统的物理接触太昂贵。与此同时，转介医师希望更直接访问报告中的支持性数据并且需要更好的合作渠道。医师具有更多患者、更少时间并且被淹没在海量数据中，他们渴望得到帮助。医疗保健供应商(例如，x射线技术专家、医生、护士等)的任务(包括放射图像采集、质量保证/质量控制、图像解释、图像与先验比较等)是费时且资源密集的任务，对于人类单独完成来说，即使不是不可能的，也是不切实际的。
技术实现思路
某些示例提供了使用图像数据和人工智能分类来改善对影响患者的状况的自动识别、监测、处理和控制的装置、系统和方法。某些示例提供了包括人工智能分类器的图像处理装置，该人工智能分类器用于：从第一时间处理患者的第一图像数据以确定指示患者状况的第一严重程度的第一分类结果；并且从第二时间处理患者的第二图像数据以确定指示患者状况的第二严重程度的第二分类结果。示例性图像处理装置包括比较器，该比较器用于比较第一分类结果和第二分类结果以确定变化和与变化相关联的状况的进展。示例性图像处理装置包括输出生成器，该输出生成器用于在进展对应于状况的恶化时触发动作。某些示例提供了包括指令的至少一个计算机可读存储介质。指令在被执行时使得至少一个处理器至少：从第一时间处理患者的第一图像数据以确定指示患者状况的第一严重程度的第一分类结果；从第二时间处理患者的第二图像数据以确定指示患者状况的第二严重程度的第二分类结果；比较第一分类结果和第二分类结果以确定变化和与变化相关联的状况的进展；并且在进展对应于状况的恶化时触发动作。某些示例提供了计算机实现的方法，该方法包括通过使用至少一个处理器来执行指令，从第一时间处理患者的第一图像数据以确定指示患者状况的第一严重程度的第一分类结果。示例性方法包括通过使用至少一个处理器来执行指令，从第二时间处理患者的第二图像数据以确定指示患者状况的第二严重程度的第二分类结果。示例性方法包括通过使用至少一个处理器来执行指令，比较第一分类结果和第二分类结果以确定变化和与变化相关联的状况的进展。示例性方法包括通过使用至少一个处理器来执行指令，在进展对应于状况的恶化时触发动作。附图说明图1示出了示例性状况比较器。图2示出了示例性临床进展分析装置。图3是示例性学习神经网络的表示。图4示出了作为卷积神经网络的示例性神经网络的特定实施方式。图5是图像分析卷积神经网络的示例性实施方式的表示。图6A示出了应用学习网络来处理和/或以其他方式评估图像的示例性配置。图6B示出了多个学习网络的组合。图7示出了学习网络的示例性训练和部署阶段。图8示出了利用经训练的网络包来提供深度学习产品供应的示例性产品。图9A至图9C示出了各种深度学习设备配置。图10示出了图2的人工智能分类器的示例性实施方式，该人工智能分类器用于处理图像数据以供人工智能模型用来量化疾病、异常和/或其他状况。图11至图12示出了根据图1至图10的系统和/或装置的自动处理和图像分析的示例性方法的流程图。图13为被构造成执行示例机器可读指令以实现本文所公开和描述的部件的处理器平台的框图。图14至图15示出了患者的示例性图像捕获，该图像捕获识别气胸、计算肺比率、并且确定患者状况的改善趋势。当结合附图阅读时，将更好地理解前述
技术实现思路
以及以下对本专利技术的某些实施方案的详细描述。出于说明本专利技术的目的，在附图中示出了某些实施方案。然而，应当理解，本专利技术不限于附图中所示的布置和工具。附图未按比例绘制。在所有的附图以及附带的书面描述中，只要有可能，都会使用相同的附图标记来指代相同或类似的部件。具体实施方式在以下详细描述中，参考形成其一部分的附图，并且其中通过图示的方式示出了可实践的具体示例。足够详细地描述了这些示例以使得本领域技术人员能够实践本主题，并且应当理解，可以利用其他示例，并且可以在不脱离本公开主题的范围的情况下进行逻辑、机械、电气和其他改变。因此提供以下详细描述的目的是为了描述示例性实施方式，而非被看作对本公开所述的主题的范围进行限制。来自以下描述的不同方面的某些特征可组合形成下文所讨论的主题的新方面。当介绍本公开的各种实施方案的元件时，词语“一个”、“一种”、“该”和“所述”旨在意指存在这些元件中的一个或多个元件。术语“包含”、“包括”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。虽然下文在医学或医疗保健系统的背景下描述了某些示例，但可在医疗环境之外实现其他示例。例如，某些示例可应用于非医学成像，诸如非破坏性测试、爆炸物检测等。I.概述成像设备(例如，γ相机、正电子发射断层成像(PET)扫描仪、计算机断层成像(CT)扫描仪、X射线机、荧光检查机、磁共振(MR)成像机、超声扫描仪等)生成表示身体部位(例如，器官、组织等)的医学图像(例如，原始医学数字成像与通信(DICOM)图像)以诊断和/或治疗疾病。医学图像可包括体数据，其包括与医学图像中捕获的身体部位相关联的体素。医学图像可视化软件允许临床医生分割、注释、测量和/或报告医学图像的各个位置上的功能或解剖特性。在一些示例中，临床医生可利用医学图像可视化软件以医学图像来识别感兴趣区域。医学图像数据的采集、处理、质量控制、分析和存储对医疗保健环境中患者的诊断和治疗起着重要作用。医学成像工作流以及该工作流中涉及的设备可在医学成像工作流和设备的整个操作中配置、监测和更新。机器和/或深度学习可用于帮助配置、监测和更新医学成像工作流和设备。某些示例提供和/或促进经改善的成像设备，由此提高诊断准确性和/或覆盖率。某些示例促进经改善的图像重建和进一步处理，从而提高诊断准确性。某些示例提供了包括人工智能分类器的图像处理装置。例如，分类器可以检测、分割和量化病变。分类器可以是用于发现、分割等的正或负离散输出。例如，分类器可以使机器学习和/或其他人工智能实例化以根据分割生成量化，诸如针对疾病D的感兴趣区域生成的掩模，其中感兴趣区域的面积等于X像素或Y毫米(mm)等。例如，机器学习技术(不论是深度学习网络，还是其他体验/观察学习系统)可用于定位图像中的对象，理解语音并且将语音转换为文本，并且提高搜索引擎结果的相关性。深度学习是机器学习的子集，该机器学习使用一套算法以使用具有多个处理层(包括线性和非线性变换)的深度图本文档来自技高网...

【技术保护点】
1.一种图像处理装置，包括：/n人工智能分类器，所述人工智能分类器用于：/n从第一时间处理患者的第一图像数据以确定指示所述患者的状况的第一严重程度的第一分类结果；并且/n从第二时间处理所述患者的第二图像数据以确定指示所述患者的所述状况的第二严重程度的第二分类结果；/n比较器，所述比较器用于比较所述第一分类结果和所述第二分类结果以确定变化和与所述变化相关联的所述状况的进展；和/n输出生成器，所述输出生成器用于在所述进展对应于所述状况的恶化时触发动作。/n

【技术特征摘要】
20181227 US 16/233,6701.一种图像处理装置，包括：
人工智能分类器，所述人工智能分类器用于：
从第一时间处理患者的第一图像数据以确定指示所述患者的状况的第一严重程度的第一分类结果；并且
从第二时间处理所述患者的第二图像数据以确定指示所述患者的所述状况的第二严重程度的第二分类结果；
比较器，所述比较器用于比较所述第一分类结果和所述第二分类结果以确定变化和与所述变化相关联的所述状况的进展；和
输出生成器，所述输出生成器用于在所述进展对应于所述状况的恶化时触发动作。


2.根据权利要求1所述的装置，其中所述动作包括相对于所述患者的警报、动作的建议、所述动作的命令、或调整中的至少一者以解决所述状况。


3.根据权利要求1所述的装置，其中相对于所述状况的至少三个严重程度等级对所述人工智能分类器进行训练。


4.根据权利要求1所述的装置，其中所述人工智能分类器包括深度学习网络模型。


5.根据权利要求1所述的装置，其中所述人工智能分类器包括：
图像分割器，所述图像分割器用于分割所述第一图像数据或所述第二图像数据中的至少一者以获得所述第一图像数据或所述第二图像数据中的所述至少一者中的器官区域中的感兴趣区域的第一掩模，并且分割所述第一图像数据或所述第二图像数据中的所述至少一者以获得所述第一图像数据或所述第二图像数据中的所述至少一者中的所述器官区域的第二掩模；
比率计算机，所述比率计算机用于比较所述第一掩模和所述第二掩模以计算比率度量以便量化所述第一图像数据或所述第二图像数据中的所述至少一者中的感兴趣区域；和
状况比较器，所述状况比较器用于基于所述比率度量与标准的比较来生成所述第一分类结果或所述第二分类结果中的至少一者。


6.根据权利要求5所述的装置，其中所述人工智能分类器还包括掩模组合器，所述掩模组合器用于组合所述第一掩模和所述第二掩模以及用于所述状况比较器的一个或多个描述性注释。


7.根据权利要求6所述的装置，其中所述状况包括气胸，其中所述器官区域包括肺区域，并且其中所述第一掩模包括所述肺区域中的塌陷感兴趣区域。


8.至少一种计算机可读存储介质，所述计算机可读存储介质包括指令，所述指令在被执行时使得至少一个处理器至少：
从第一时间处理患者的第一图像数据以确定指示所述患者的状况的第一严重程度的第一分类结果；
从第二时间处理所述患者的第二图像数据以确定指示所述患者的所述状况的第二严重程度的第二分类结果；
比较所述第一分类结果和所述第二分类结果以确定变化和与所述变化相关联的所述状...

【专利技术属性】
技术研发人员：凯特琳·奈，吉雷沙·拉奥，戈帕尔·阿维纳什，克里斯多夫·奥斯汀，
申请(专利权)人：通用电气公司，
类型：发明
国别省市：美国;US