自动化的患者建模的方法及系统技术方案

本公开提供一种自动化的患者建模的方法及系统，自动化患者建模包括硬件处理器，该硬件处理器从成像传感器获得图像数据，使用第一机器学习模型基于用于患者定位的一个或多个预设协议将图像数据分类为某类患者姿态，基于图像数据的分类提供置信度评分，并且如果置信度评分小于预定值，则使用第二机器学习模型对图像数据进行重新分类；或者如果置信度评分大于预定值，则基于用于扫描过程期间的患者定位的一个或多个预设协议将图像数据识别为对应的患者姿态类别。的患者姿态类别。的患者姿态类别。

【技术实现步骤摘要】
自动化的患者建模的方法及系统


[0001]所公开的实施例的方面总体涉及用于医学扫描的患者定位系统，更具体地涉及一种用于自动化患者建模的软(soft)姿态分类器。

技术介绍

[0002]在诸如计算机断层摄影(CT)或磁共振成像(MRI)的医学扫描过程中，传感器辅助计算算法可以帮助自动定位患者以便进行扫描。这些算法通常实施为辅助适当地定位患者，以便进行医学扫描过程，在本文中也称为扫描。
[0003]在当前用于医学扫描的自动化患者定位工作流程中，采用硬分类方法来识别患者姿态。这些硬分类系统将设置用于预测的硬阈值，并且通常在某些预定义选项中仅输出一个推断结果。这些选项可能仅仅识别出患者的头部朝向台架、脚部朝向台架或者患者处于仰卧、俯卧或侧卧位姿。没有分类信息或推断结果提供对患者姿态的更详细的分析。
[0004]硬分类系统通常是训练过的深度神经网络的形式。考虑到深度神经网络的性能限制，分类性能可能容易地被所收集的传感器数据中的干扰或扰动信号或环境变化损害。这可能产生不正确的定位预测。能够提供一种考虑所有高置信度类别的预测概率的软姿态分类模型将是有利的。
[0005]因此，将期望提供解决上述问题中的至少一些的方法和设备。

技术实现思路

[0006]所公开的实施例的方面涉及用于自动化患者建模的方法、设备和系统。所公开的实施例的这个和其它优点基本上如在至少一个附图中示出和/或结合该至少一个附图描述地、如在独立权利要求中阐述地那样提供。在从属权利要求中可以发现进一步的有利修改。
[0007]根据第一方面，所公开的实施例提供了一种用于自动化患者建模的方法。在一个实施例中，该方法包括：通过硬件处理器从传感器获得图像数据。使用第一机器学习模型将所获得的图像数据分类为某类患者姿态。基于图像数据的分类提供患者姿态的置信度评分。如果置信度评分小于预定值，则使用第二机器学习模型对图像数据进行重新分类。如果置信度评分大于预定值，则将图像数据识别为与用于患者定位的一个或多个预设协议对应的患者姿态。所公开的实施例的方面被配置为确定台架上的患者姿态例如是否与用于扫描过程的一个或多个预设协议一致。
[0008]在可能的实施形式中，第一机器学习模型可以是或者是集成模型，并且第二机器学习模型可以是或者是卷积神经网络模型。
[0009]在可能的实施形式中，图像数据是患者姿态图像数据。
[0010]根据第二方面，所公开的实施例提供了一种用于自动化患者建模的系统。在一个实施例中，该系统包括一个或多个成像传感器和硬件处理器。硬件处理器被配置为从一个或多个成像传感器接收图像数据。硬件处理器还被配置为使用第一机器学习模型基于用于患者定位的一个或多个预设协议将图像数据分类为某类患者姿态。硬件处理器将基于图像
数据的分类提供置信度评分。如果置信度评分小于预定值，则硬件处理器将使用第二机器学习模型对图像数据进行重新分类。如果置信度评分大于预定值，则硬件处理器将基于用于患者定位的一个或多个预设协议将图像数据识别为对应于正确的患者姿态。
[0011]根据第三方面，所公开的实施例涉及一种计算机程序产品。在一个实施例中，该计算机程序产品具有非瞬时性计算机可读介质，其上存储有机器可读指令。计算机对机器可读指令的执行将使得计算机从传感器获得图像数据，并且使用第一机器学习模型将图像数据分类为某类患者姿态。基于图像数据的分类提供置信度评分。如果置信度评分小于预定值，则使用第二机器学习模型对图像数据进行重新分类。如果置信度评分大于预定值，则将图像数据识别为与一个正确患者姿态相对应的患者姿态。
[0012]从结合附图考虑的本文所述的实施例，示例性实施例的这些和其它方面、实施形态以及优点将变得显而易见。然而，应当理解，说明书和附图仅被设计用于例示的目的，而不是作为对所公开专利技术的限制的定义，对所公开专利技术的限制应当参考所附权利要求。本专利技术的另外方面和优点将在以下描述中阐述，并且部分地将从描述显而易见，或者可以通过本专利技术的实践来了解。而且，本专利技术的方面和优点可以通过在所附权利要求中特别指出的装置和组合来实现和获得。
附图说明
[0013]在本公开的以下详细部分中，将参见附图所示的示例实施例更详细地说明本专利技术，附图中：
[0014]图1是根据所公开实施例的方面的用于自动化患者建模的示例性系统的网络环境图。
[0015]图2是用于实施并入有所公开实施例的方面的用于自动化患者建模的系统的示例性场景的示意图。
[0016]图3是例示了所公开实施例的自动化患者建模的方面的过程流程图。
[0017]图4是例示了并入有所公开实施例的方面的方法的流程图。
[0018]图5是根据所公开实施例的方面的用于自动化患者建模的服务器架构的示例性部件的框图。
具体实施方式
[0019]以下详细描述例示了所公开实施例的示例性方面以及它们可以被实施的方式。尽管已经公开了执行所公开实施例的方面的一些模式，但是本领域技术人员将认识到，用于执行或实践所公开实施例的方面的其他实施例也是可能的。
[0020]参见图1，例示了用于自动化患者建模的示例性系统100的示意框图。所公开实施例的方面总体涉及在成像或扫描过程之前自动识别患者姿态，并且确定患者姿态是否与所需的扫描协议(本文中称为预设协议)一致。所公开实施例的软姿态分类系统旨在实施在不同的医学成像环境(包括但不限于CT、X射线和MRI)中。
[0021]如图1所示，系统100通常包括计算装置或服务器102。虽然本文通常提及服务器，但是所公开实施例的方面不限于此。在替代实施例中，服务器102可以包括任何合适的计算机或计算布置。
[0022]在一个实施例中，服务器102包括处理器104，诸如硬件处理器。虽然本文通常仅描述一个处理器104，但所公开实施例的方面不限于此。在替代实施例中，服务器102可以包括任何合适数量的处理器104。
[0023]系统100通常被配置为将图像作为输入数据，该图像从一个或多个成像或光学传感器112获得。在一个实施例中，硬件处理器104(单独地或与系统100的其他部件组合)通常被配置为从布置在成像室110中的一个或多个成像传感器112获得输入数据、图像或图像数据。处理器104被配置为使用第一机器学习模型(也称为姿态推断模型106)将图像数据分类为某类患者姿态。用于患者姿态的标签通常将基于用于扫描或成像过程期间或与扫描或成像过程结合的患者定位的一个或多个预设协议。
[0024]然后，由姿态推断模型106基于由姿态推断模型106对图像数据的分类来提供置信度评分。置信度评分反映姿态推断模型106对预测对应于所指示的姿态位置标签的评估。这种姿态位置标签的示例包括但不限于“仰卧脚部朝向台架”、“俯卧脚部朝向台架”或“俯卧头部朝向台架”。这些仅仅是示例，而不旨在限制所要求保护的主题的范围。
[0025]如果置信度评分小于预定值，这意味着姿态推断模型106不能从图像数据可靠地确定或识别姿态，则硬件处理器104本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于自动化患者建模的方法，所述方法包括：使用硬件处理器来：从成像传感器获得图像数据；使用第一机器学习模型基于用于患者定位的一个或多个预设协议将所述图像数据分类为某类患者姿态；基于所述图像数据的所述分类提供置信度评分；以及如果所述置信度评分小于预定值，则使用第二机器学习模型对所述图像数据进行重新分类；或如果所述置信度评分大于预定值，则基于用于患者定位的所述一个或多个预设协议将所述图像数据识别为对应的患者姿态类别。2.根据权利要求1所述的方法，还包括：当基于用于患者定位的所述一个或多个预设协议将所述图像数据识别为对应的所述患者姿态类别时，启动对应于用于患者定位的所述一个或多个预设协议的扫描。3.根据权利要求1所述的方法，其中，所述第一机器学习模型是集成模型，并且所述第二机器学习模型是卷积神经网络模型。4.根据权利要求1所述的方法，其中，所述图像数据是患者姿态图像数据。5.根据权利要求1所述的方法，还包括：提供置信度评分的排名，以及使得能够选择与置信度评分相关联的姿态。6.根据权利要求5所述的方法，还包括：将所述所选择的姿态与所述预设协议的所需姿态进行比较；以及将所述所选择的姿态确认为与所述预设协议的所述姿态相对应并且开始所述扫描；或如果所述所选择的姿态未被确认，则提供姿态调整指令。7.一种用于自动化患者建模的系统，包括：成像传感器；以及硬件处理器，其被配置为从所述成像传感器接收...

【专利技术属性】
技术研发人员：郑梦，阿比舍克，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：