用于量化医学图像评估的不确定性的方法、系统和装置制造方法及图纸

用于量化医学图像评估的不确定性的方法、系统和不确定性量化器。一方面，本发明专利技术涉及一种用于为由机器学习系统（M）提供的对于成像数据（I）的医学评估提供不确定性预测的计算机实现的方法。该方法包括接收（1）输入数据集，该输入数据集包括已经被提供给机器学习系统（M）的成像数据（I）和非成像数据，每个非成像数据被表示为具有某种程度的噪声的信号（S），所述噪声被量化为不确定性，特别是偶然不确定性；提供（2）信息融合算法；以及将接收的输入数据集应用（3）于提供的信息融合算法，同时基于提供的输入数据集，通过信息融合算法对不确定性的传播进行建模，以预测由机器学习系统（M）提供的作为结果（r）的医学评估的不确定性。的作为结果（r）的医学评估的不确定性。的作为结果（r）的医学评估的不确定性。

【技术实现步骤摘要】
用于量化医学图像评估的不确定性的方法、系统和装置


[0001]本专利技术涉及医学图像处理，并且特别地涉及医学健康相关数据、特别是医学成像数据中不确定性的处理。

技术介绍

[0002]通常，确实存在用于采集医学图像的几个不同的成像模式，除其他事物之外尤其像射线照相术、计算机断层摄影（CT）、磁共振成像（MRI）。成像程序可以特别适于对特定器官或身体部分进行成像，以便发现和/或评估临床异常和/或疾病和/或损伤。例如，为了对肺部恶性肿瘤或肺炎进行分类，通常执行计算机断层摄影（CT）扫描或胸部射线照相（CXR）。
[0003]采集的医学图像可以受制于用于医学评估的自动化程序，例如用于发起进一步测量和/或采集进一步传感器数据和/或发起临床程序。用于评估医学图像的自动化程序是机器学习。机器学习系统可以例如被配置用于在健康组织和病变（或异常）之间进行分类。通常，机器学习系统可以被配置用于评估所提供的医学图像。
[0004]然而，医学图像的计算机实现和自动评估受制于不确定性，特别是偶然不确定性。偶然不确定性也称为统计不确定性，并且代表每次运行相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于为由机器学习系统（M）提供的对于成像数据（I）的医学评估提供不确定性预测的计算机实现的方法，包括以下方法步骤：
‑
接收（1）输入数据集，所述输入数据集包括已经被提供给机器学习系统（M）的成像数据（I）和非成像数据，每个非成像数据被表示为具有某种程度的噪声的信号（S），所述噪声被量化为不确定性，特别是偶然不确定性；
‑
提供了（2）信息融合算法；
‑
将接收的输入数据集应用（3）于提供的信息融合算法，同时基于提供的输入数据集，通过信息融合算法对不确定性的传播进行建模，以预测由机器学习系统（M）提供的作为结果（r）的医学评估的不确定性。2.根据权利要求1所述的方法，其中，所述信息融合算法使用信息融合模型和/或图神经网络，它们被优化用于使非成像数据中的熵最大化。3.根据前一权利要求所述的方法，其中，通过贪心算法来优化信息融合模型和/或图神经网络的熵，特别是冯诺依曼熵。4.根据前述权利要求中任一项所述的方法，其中，所述方法进一步包括：
‑
应用（5）选择算法来选择所提供的输入数据的子集，这通过使用强化学习模型来最小化成本函数和/或减少不确定性。5.根据前述权利要求中任一项所述的方法，其中，输入数据源（S，DB）集的输入数据可以存在或不存在，并且其中，所述方法提供了不存在的输入数据源（S，DB）中的哪一个将降低不确定性和/或最小化成本函数的引导决策。6.根据前述权利要求中任一项所述的方法，其中提供输入数据源（S，DB）集的输入数据可以包括从成像模态和/或从医学数据库（DB）测量和/或采集数据。7.根据权利要求4至6所述的方法，其中，强化学习模型基于决策过程，特别是非马尔可夫决策过程，其中S标示状态空间，A标示动作空间，T标示随机转变过程，R标示奖励函数，并且标示折扣因子，其中动作表示提供附加输入数据源（S，DB）。8.根据前一权利要求所述的方法，其中，所述奖励函数被定义为最小化成本和/或最小化预测的不确定性。9.根据前述权利要求中任一项所述的方法，其中，所述非成像数据包括生物标志物、临床记录、图像注释、医学报告口述、测量、实验室值、诊断代码、来自EHR数据库的数据和/或患者记忆数据。10.根据权利要求4至9中任一项所述的方法，其中，包...

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