专利名称：为医学成像提供自动决策支持的系统和方法
技术领域：
本发明通常涉及为医学成像提供自动决策支持的系统和方法。更具体而言，本发明涉及用于处理医学图像以从医学图像自动地识别解剖体组织构造和视图(或姿态)并且自动地评价医学图像的诊断质量的系统和方法。
背景技术：
在医学成像领域中，各种成像模式和系统被用于生成个体的解剖结构的医学图像以用于筛查和评估医疗状况。这些成像系统例如包括CT(计算机断层摄影)成像、MRI(磁共振成像)、NM(核磁)共振成像、X射线系统、US(超声)系统、PET(正电子发射断层摄影)系统等等。对于这些模式中的每一个，人体的特定部分被瞄准以用于成像，这可以用各种方式执行。利用超声，来自换能器的声波以身体的特定部分(例如心脏)为目标。在MRI中，梯度线圈被用于“选择”身体的一部分，在身体的该部分中记录核共振。成像模式所瞄准的身体的该部分通常对应于内科医生有兴趣探察的区域。每个成像模式都可以提供胜于其它成像模式的独特优点，以用于筛查和评估某些类型的疾病、医疗状况或解剖学异常，例如包括心肌症、结肠息肉、动脉瘤、肺结节、心脏或动脉组织钙化、乳腺组织的癌性微钙化或肿块、和各种其它损伤或异常。
典型地，内科医生、临床医生、放射科医师等将人工地复查和评估从所采集的图像数据集所重建的医学图像(X射线胶片、印刷品、照片等等)，以辨认感兴趣的特有特征和检测、诊断或以另外方式识别潜在的医疗状况。例如，在CT检查期间所采集的CT图像数据可以被用于产生一组2D医学图像(X射线胶片)，可以观察所述2D医学图像以识别例如潜在的异常解剖结构或损伤。然而，取决于复查内科医生、临床医生、放射科医师等的技术和知识，医学图像的人工评估可能因为简单的人为误差而导致误诊医疗状况。此外，当所采集的医学图像具有低诊断质量时，即使有高技能的复查者可能也难以有效地评估这样的医学图像和识别潜在的医疗状况。
发明内容
通常，本发明的示范性实施例包括用于处理医学图像以从医学图像自动地识别解剖体组织构造和视图(或位姿)并且自动地评价医学图像的诊断质量的系统和方法。例如，在一个示范性实施例中，用于医学成像的自动决策支持的方法包括获取图像数据，从所述图像数据抽取特征数据，和利用所抽取的特征数据自动地执行解剖体组织构造识别、视图识别和/或确定图像数据的诊断质量。
在本发明的另一示范性实施例中，利用处理所抽取的特征数据的相关分类器来执行自动解剖体组织构造识别、视图识别和/或图像质量评价。可以使用机器学习方法、基于模型的方法或机器学习和基于模型的方法的任何组合来实现分类器。
在本发明的另一示范性实施例中，可以通过利用所抽取的特征数据询问已知病例的数据库来识别类似的病例和使用与被识别的类似病例相关的信息来执行各自的功能，从而执行自动解剖体组织构造识别、视图识别和/或图像质量评价。从已知病例的数据库中所抽取的训练数据可以被用于训练分类器以用于执行这样的功能。
在本发明的另一示范性实施例中，通过利用所抽取的特征数据询问从已知病例的信息中所导出的模板的数据库来识别类似的模板和使用与被识别的类似模板相关的信息来执行各自的功能，从而执行自动解剖体组织构造识别、视图识别和/或图像质量评价。
在本发明的又一示范性实施例中，在图像采集期间实时地执行特征抽取、自动解剖体组织构造识别、视图识别和图像质量评价，其中在图像采集期间，图像质量评价的结果被实时地提供给用户。对于成像模式(诸如用于心脏成像的超声成像(例如2D超声波心动描记术))，超声波检查医师在应激阶段期间采集图像的时间非常有限。通过提供图像采集的实时质量评价，超声波检查医师可以确定所采集的图像是否具有足够的诊断质量，由此必要时考虑在图像采集中的变化。
本发明的这些和其它示范性的实施例、特征和优点将被描述或者从示范性实施例的以下详细描述中将变得显而易见，所述详细描述应当结合附图来进行理解。
图1是根据本发明的示范性实施例的为医学成像提供自动决策支持的系统的框图。
图2是说明根据本发明的示范性实施例的用于医学成像的自动决策支持的方法的流程图。
图3是说明根据本发明的示范性实施例的利用数据库询问方法来执行医学成像的自动决策支持的方法的流程图。
图4是说明根据本发明的示范性实施例的利用基于模板的方法来执行医学成像的自动决策支持的方法的流程图。
图5是说明根据本发明的示范性实施例的利用分类来执行医学成像的自动决策支持的方法的流程图。
具体实施例方式
图1示出了根据本发明的示范性实施例的为医学成像提供自动决策支持的系统(100)的高级框图。通常，示范性系统(100)包括数据处理模块(101)，该数据处理模块执行用于分析一个或多个成像模式中的医学图像数据(10)(例如超声图像数据、MRI数据、核医学数据等等)的各种方法以自动地抽取和处理来自医学图像数据的有关信息，从而为评估医学图像提供(多种)不同的决策支持功能。在该示范性实施例中，数据处理模块(101)包括自动特征分析模块(102)、解剖体组织构造识别模块(103)、视图识别模块(104)和图像质量评价模块(105)。
通常，特征分析模块(102)实现这样的方法，所述方法用于从输入医学图像数据中自动地抽取一种或多种类型的特征/参数并且以适用于由决策支持模块(103、104和/或105)处理的方式组合所抽取的特征/参数。系统(100)可以处理数字图像数据(10)，所述数字图像数据的形式为原始图像数据、2D重建数据(例如轴向切片)、或3D重建数据(体积图像数据或多平面重定格式)、4D重建数据、或其它图像模式/格式。应当理解的是，由特征抽取模块(102)所执行的方法将根据成像模式和/或由CAD系统(100)所支持的自动决策支持方法、以及所考虑的解剖结构的(多种)类型而不同。
解剖体组织构造识别模块(102)执行用于利用所抽取的特征/参数自动地识别图像数据集中的解剖对象(心腔、肾等等)和用合适的解剖体组织构造标识来标记(多个)图像的方法。在另一示范性实施例中，解剖体组织构造识别模块(102)执行用于(针对每个解剖体组织构造/视图ID标记)确定所识别的解剖体组织构造/视图被正确标记的置信度或似然测度。用于医学图像的解剖体组织构造识别的结果可以由其它自动方法(例如视图识别和质量评价方法)或者提供自动诊断、治疗计划等的其它应用使用。
视图识别模块(103)执行用于利用所抽取的特征/参数自动地识别所采集的图像的视图的方法。换句话说，视图识别模块(104)执行用于位姿估计和关于医学图像包含解剖体组织构造的哪个视图来标记医学图像的方法。例如，对于心脏超声成像，美国超声波心动描记术学会(ASE)建议使用B模式的标准超声视图(心尖二腔图(A2C)、心尖四腔图(A4C)、心尖长轴图(ALAX)、胸骨旁长轴图(PLAX)、胸骨旁短轴图(PSAX))来获得足够的心脏图像数据。心脏的超声图像可以从不同的角度获得，但是对心脏超声图像的高效分析需要辨别被成像的心脏的位置(视图)以能够识别重要的心脏结构。根据本发明的示范性实施例，视图识别模块(103)执行用于作为标准视图中的一个来识别未知的心脏图像的方法。另外，视图识别模块(103)可以执行用于(针对每个视图标记)确定所识别的视图被正确标记的置信度或似然测度的方法。
质量评价模块(105)执行用于利用所抽取的特征/参数来评价所采集的图像数据集的诊断质量的水平并且确定在图像采集过程中是否出现误差的方法。在本发明的另一示范性实施例中，解剖体组织构造和/或视图识别的结果可以被用于质量评价。此外，可以执行方法，用于在图像采集期间关于所采集的图像的诊断质量提供实时反馈，从而考虑图像采集中的变化。另外，可以执行方法，用于确定在预定的取值范围内的质量测度以基于某个特定准则提供作为所采集的图像的质量水平的指示。
系统(100)进一步包括先前所诊断/所标记的医学图像的数据库(106)、模板数据库(107)和分类系统(108)，其可以单独地或以组合的方式由数据处理系统(101)的不同的自动决策支持模块(102-105)中的一个或者多个使用以执行它们各自的功能。例如，在一个示范性实施例中，不同模块(103)、(104)和(105)执行数据库询问方法以使用所抽取的特征数据在数据库(106)中搜索被类似标记的病例。数据库(106)可以包括用于各种临床领域的多个被标记/被诊断的医学图像，其中基于有关特征/参数利用多维索引方案对所述医学图像编索引。在这样的情况下，从所考虑的图像数据集中所抽取的特征/参数可以根据某些度量标准或准则与数据库(106)中的已知病例的特征数据比较，以识别特定的解剖体组织构造或视图、或者帮助识别所抽取的图像的质量。
在另一示范性实施例中，不同的模块(103)、(104)和(105)可以执行基于模板的方法以使用所抽取的特征数据在模板数据库(107)中搜索类似的模板。特别地，可以使用从病例数据库(106)所获得的信息构建不同的模板。例如，针对给定的标识和视图的多个已知病例上的特征数据可以利用统计技术进行处理，以导出在相关病例集上的模板代表的特征数据。在该情况下，从所考虑的图像数据集中所抽取的特征/参数可以根据某些度量标准或准则与针对数据库(107)中的模板的特征数据比较，以识别特定的解剖体组织构造或视图、或者帮助识别所抽取的图像的质量。
在另一示范性实施例中，不同的模块(103)、(104)和(105)可以执行分类方法，所述分类方法利用分类模块(108)处理所抽取的特征数据以对所考虑的图像数据集进行分类。在图1的示范性实施例中，分类模块(108)包括学习引擎(109)和知识库(110)以实现原理(机器)学习分类系统。学习引擎(109)包括用于利用从先前被诊断/被标记的病例的数据库(106)中所学习的训练数据来训练/建立一个或多个分类器的方法。分类器由用于执行其各自功能的不同的决策支持模块(102-105)实现。
由数据处理模块(101)的不同的模块所产生的处理结果可以永久地被存储在与相应的图像数据集相关联的储存库(112)中。处理结果可以包括用于标记的重叠、分割、颜色或亮度变化等等的元信息，所述元信息可以被再现为对相关图像数据的覆盖。
系统(100)另外还包括图像再现和可视化系统(111)以处理所采集的图像数据集(或其一部分)的数字图像数据(10)并且在计算机监视器上产生和显示2D和/或3D图像。更具体而言，成像系统(111)可以是提供图像数据(10)的3D/2D再现和可视化并且在具有监视器的通用或专用计算机工作站上执行的任何应用程序。此外，成像系统(111)包括例如GUI(图形用户界面)，所述GUI允许用户通过3D图像或多个2D切片导航。
数据处理系统(101)以及图像再现和可视化系统(111)可以被实施为在计算系统(例如工作站)中执行的单一应用程序。可选择地，系统(101)和(111)可以是分布在计算机网络上的独立装置，其中已知的通信协议(例如DICOM、PACS等等)被用于在系统之间通信并且通过网络传输图像数据。
应当理解的是，用于自动解剖体组织构造和视图识别以及图像质量评价的示范性方法是在医学成像采集和评估中提供基本辅助和决策支持的有效方法。实际上，当采集医学图像时，重要的是用正确的解剖体组织构造和视图正确地标记图像，使得内科医生可以执行正确的诊断。目前，由采集扫描的技术人员或者由内科医生人工地进行标记。利用在这里所描述的示范性标记方法，系统自动地识别正在被成像的解剖体组织构造和视图，这提供了各种优点。例如，自动解剖体组织构造识别通过排除人工进行标记而改进了内科医生的工作流程。此外，自动解剖体组织构造识别促进了自动质量控制、和帮助诊断、治疗计划或其它应用的其它自动计算机应用。
此外，根据本发明的自动视图识别方法可以为医学成像应用(例如2D超声波心动描记术、和特别是应激回波)提供显著的工作流程增强。在应激回波中，超声波检查医师从四个不同的视图中采集图像的时间非常有限(对于运动应激为90秒左右)。为了节约时间，超声波检查医师常常仅仅针对90秒的重要部分进行记录，然后在实现成像之后着手对视图进行标记。这是一个繁重的过程，可以通过自动地识别视图而得以改善。
解剖体组织构造识别和/或视图识别的结果可以根据本发明的示范性实施例被用于执行自动图像质量评价过程。质量检查将评价所采集的图像的质量，并且也评价在如何采集图像方面是否存在任何误差。例如，在2D超声波心动描记术中，难以从心尖窗正确地使心尖成像。典型地，图像在心尖被按透视法缩小绘制的情况下被采集，也就是说，换能器被转一角度，使得心尖看上去比其实际上要更厚，这给人的印象是在心尖处的心肌较厚。然而，图像中的其它线索暗示了心尖确实被按透视法缩小绘制。
例如，可以通过测量在超声图像上从左心室的底部到心尖的距离和在心尖处的心肌的厚度来对按透视法缩小绘制进行识别。该距离可以与在先前的检查中所采集的距离比较，或者与患者的相同大小的心脏相关联的典型值比较，然后被评价以确定按透视法缩小绘制的存在(如果有的话)。另外，在心尖处的心肌的厚度是可以被评估以识别潜在的按透视法缩小绘制的另一度量标准。如果心尖心肌明显比心脏的其余部分厚，则可以得出的结论是视图可能已经按透视法缩小绘制。另一方法可能是具有一组按透视法缩小绘制的图像和另一组不存在按透视法缩小绘制的被正确采集的图像，它们被存储在数据库中。使用类似度量标准，可以搜索数据库以确定当前图像是更类似于按透视法缩小绘制的图像组还是更类似于被正确采集的图像组。
另一问题可能是MRI中的运动伪像的识别。由于MRI在“k空间”和不是真实的空间中被采集，因此在图像采集期间的运动可以导致奇特的结果。通过分析图像的质量，可以识别运动伪像。
除了寻找问题之外，可以执行自动图像质量评价以提供对图像的诊断质量的总体反馈。例如，利用2D超声波心动描记术、特别是应激回波，超声波检查医师在应激阶段期间采集图像的时间非常有限。对于超声波检查医师来说重要的是尽可能快速地在多个视图上采集诊断质量图像。由于应激回波的时间压力，多次未获得诊断质量图像，图像是无用的。通过提供质量检查，超声波检查医师可以保证正在采集的图像的诊断质量。做这样的质量检查的优点是可以实时地将反馈提供回给成像设备的操作者，从而考虑采集中的变化。这在医疗情形中是非常重要的。如果反馈被快速地提供，那么在患者被送回家或者被遣走之前可以有机会对患者再成像。另外，还可能具有其它优点。例如，再次在应激回波中，另一应用可能是自动地选择最高质量的图像以供心脏病专家复查。常常在应激回波中，超声波检查医师为每个视图采集高达四个(有时更多)数据环，其中每个环代表心搏周期，或者至少心搏周期的心缩期部分。典型地，超声波检查医师或心脏病专家选择提供从诊断的立场看是最佳的图像的环并且使用它们。通过提供质量检查，这可以自动地进行。
现在参考图2，流程图示出了根据本发明的示范性实施例的为医学成像提供自动决策支持的方法。为了举例说明的目的，用于自动决策支持的示范性方法将参考图1的示范性系统进行描述。最初，内科医生、临床医生、放射科医师等等将获取医学图像数据集，该医学图像数据集包括对象患者的感兴趣区域的一个或多个医学图像(步骤200)。可以利用医学成像系统来获取图像数据集，该医学成像系统用于实时采集和处理原始图像数据(例如在CT扫描期间所采集的原始CT数据(氡数据)，或使用其它成像模式所采集的原始数据)。可选择地，可以通过访问先前采集的和永久存储的图像数据集来获取图像数据集。数字图像数据(10)可以包括一个或多个2D切片或三维体积图像，其从原始图像数据被重建和永久地被存储。如上所述，示范性CAD过程能够支持一个或多个成像模式(例如MRI、PET等等)。图像数据可以是2D(例如X射线乳房造影图像)、3D(例如CT、MRI、PET)、4D(动态3D MRI、用3D超声探头所采集的跳动心脏的多个视图)等等。
接着，将处理图像数据集，以从图像数据集确定或以另外方式抽取有关的特征数据(步骤201)，所述有关的特征数据被用于执行一个或多个决策支持功能，例如自动解剖体组织构造识别、视图识别和/或图像质量评价(步骤202)。如上所述，从图像数据集抽取/确定的有关特征/参数根据成像模式、所支持的临床领域和为提供自动决策支持所执行的方法而不同，并且本领域的普通技术人员可以容易地预见各种类型的特征数据或参数，所述特征数据或参数可以从医学图像数据被抽取或确定以用于根据本发明的示范性实施例的自动解剖体组织构造和视图识别方法和图像质量评价方法。例如，可以抽取与光密度和对比度相关的各种参数。特征抽取可以执行已知的分割和/或过滤方法以用于参考已知的或预期的图像特性(例如边缘、可识别的结构、边界、颜色或亮度的变化或过渡、光谱信息的变化或过渡等等)利用已知的方法对感兴趣的特征或解剖体组织构造进行分割。这些特征可以包括可从图像所抽取的任何类型的特性，例如特定形状或构造。此外，可以跨越图像获取各种类型的特征数据，例如特定点的运动、或特定特征跨越图像的变化。在其它实施例中，特征数据可以包括沿着各个轴(x，y，z)从图像数据中所计算的梯度特征数据、像素亮度分布、或其它统计特征、或者不同特征的组合。
可以利用一种或多种技术执行根据本发明的示范性实施例的用于自动解剖体组织构造识别、自动视图识别和图像质量评价(步骤202)的方法，其中所述技术包括数据库询问法(例如图3)、模板处理法(例如图4)和/或分类(例如图5)，利用所抽取的特征提供自动决策支持功能。
将基于所获得的处理结果对图像数据集进行标记或者以另外方式进行分类(步骤203)。例如，对于解剖体组织构造和视图识别，将用合适的解剖体组织构造和视图标识来标记医学图像。另外，对于每个解剖体组织构造/视图ID标记，确定所识别的解剖体组织构造/视图被正确标记的置信度或似然测度。而且，对于图像质量评价，医学图像可以包括(在预定范围内的)质量得分，该质量得分提供医学图像的诊断质量水平的指示。
图3是示出根据本发明的示范性实施例的用于利用数据库询问方法执行医学成像的自动决策支持的方法的流程图。图3的方法可以由图1的模块(103)、(104)和/或(105)并且在图2的步骤202中被执行。在一个示范性实施例中，可以使用从图像数据集所抽取的特征数据制定询问，并且可以访问已知病例的数据库(步骤300)和利用询问进行搜索。包括询问的所抽取的特征数据可以与已知病例的特征进行比较以识别类似的病例(步骤301)。被识别的病例的内容然后可以被用于为对象图像确定最可能的解剖体组织构造或视图，或者确定所采集的图像的质量(步骤302)。
例如考虑识别超声波心动描记术中的心尖四腔图的问题。一组典型的心尖四腔图将展现多个特征，例如四腔的存在、和心脏的总体形状。也可以通过其它特征的缺失(例如大动脉流出道(其可能适用于所谓的心尖五腔图)的不存在)来进行描述。这些特征可以从测试图像被抽取，并且与来自已知视图的一组特征进行比较。
相同的构思可被用在解剖体组织构造识别中。例如考虑肾的超声图像。特征可以被抽取，并且与表示包括肝、胆囊、肾等等的所有类型的解剖体组织构造的病例的数据库进行比较。一个人甚至可以在数据库中具有右肾和左肾。基于与这些已知病例的比较，可以报告最可能的解剖体组织构造。
可以利用在共同转让的美国专利申请中所公开的技术执行用于给图像的数据库编索引和使用低级特征搜索数据库的方法，所述美国专利申请的序列号为No.10/703,204，提交日为2003年11月6日，发明名称为“System and Method for Performing ProbabilisticClassification and Decision Support Using Multidimensional MedicalImage Databases(用于利用多维医学图像数据库执行概率分类和决策支持的系统和方法)”，所述申请被结合于此以作参考。在一个实施例中，数据库可以用图像、或者仅仅用图像的特征表示进行构建。系统可以识别类似的图像，然后基于类似图像的内容确定解剖体组织构造、视图和/或质量。
图4是示出根据本发明的示范性实施例的用于利用基于模板的方法来执行医学成像的自动决策支持的方法的流程图。在一个示范性实施例中，可以利用从图像数据集所抽取的特征数据制定询问，并且可以访问模板的数据库(步骤400)和利用询问进行搜索。包括询问的所抽取的特征数据可以与模板的特征进行比较以识别类似的模板(步骤401)。被识别的模板的内容然后可以被用于为对象图像确定最可能的解剖体组织构造或视图，或者确定所采集的图像的质量(步骤402)。如上所述，已知病例的数据库可以被用于构建模板。例如可以为不同的心脏视图心尖四腔、心尖二腔等等构建模板。系统然后可以评价与这些模块的每一个的类似性，这提供了然后搜索数据库的更简单的操作方法。
图5是示出根据本发明的示范性实施例的用于利用分类来执行医学成像的自动决策支持的方法的流程图。在该示范性实施例中，从图像数据集所抽取的特征数据将会被输入到分类器中(步骤500)，所述分类器被训练或设计来处理特征数据以对图像数据进行分类(步骤501)。分类结果将会被用于确定最可能的解剖体组织构造或视图，或评价图像质量(步骤502)。
例如，一组分类器可以被构建，以基于所抽取的特征对图像进行分类。也就是说，可以基于病例的数据库“学习”一组分类器。这些分类器将会使用该组特征作为输入，并且将图像分类成属于特定的解剖体组织构造、视图或质量水平。在图1的该示范性实施例中，分类系统(108)包括知识库(110)，该知识库被用于处理所抽取的特征/参数和对图像进行分类。知识库(110)保存一个或多个受训练的分类模型、参数和/或所学习的知识的其它数据结构等等。
应当理解的是，在这里使用的术语“分类器”通常指的是各种类型的分类器框架，例如分级分类器、集成分类器等等。另外，分类器设计可以包括多重分类器，所述多重分类器试图将数据分成两组并且以分级组织或并行运行的方式被组织，然后被组合以找到最佳分类。此外，分类器可以包括集成分类器，其中所有试图执行相同分类任务的大量分类器(被称为“分类器群”)被学习，但是用不同数据/变量/参数进行训练，然后被组合以产生最终的分类标记。所执行的分类方法可以是“黑匣子”，其不能向用户解释它们的预测(例如，如果利用神经网络建立分类器就是这种情况)。分类方法可以是“白匣子”，其采用人可读的形式(例如，如果利用决策树建立分类器就是这种情况)。在其它实施例中，分类模型可以是“灰匣子”，其可以部分地解释是如何导出解决方案的(例如，“白匣子”和“黑匣子”型分类器的组合)。
应当理解的是，根据本发明在这里所描述的系统和方法可以以硬件、软件、固件、专用处理器或其组合的不同形式来实现。例如，在这里所描述的系统和方法可以作为包括程序指令的应用程序以软件的形式实现，所述程序指令有形地被体现在一个或多个程序存储器件上(例如硬盘、软磁盘、RAM、CD Rom、DVD、ROM和闪存)，并且可由包括适当的架构的任何设备或机器执行。另外，由于在附图中所描述的组成系统模块和方法步骤可以以软件的形式实现，所以系统部件之间的实际连接(或过程步骤的流程)可以根据对应用程序进行编程的方式而不同。给出在这里的教导，相关领域的普通技术人员将能够预见本发明的这些和类似的实施或配置。
进一步应当理解的是，根据本发明的系统和方法可以作为常规CAD方法或其它用于处理图像数据的自动诊断方法的扩展被实现。此外，应当理解的是，在这里所描述的示范性系统和方法可以利用3D医学成像和CAD系统或适于大范围的用于诊断和评估的成像模式(CT、MRI等等)的应用程序而容易地被实现。在这点上，尽管示范性实施例可以在这里参考特定成像模式或特定解剖特征进行描述，但是没有什么应当被解释成是对本发明的范围的限制。
尽管在这里参考附图描述了本发明的示例性实施例，但是应当理解的是，本发明并不局限于那些明确的实施例，并且在不脱离本发明的范围或精神的情况下，本领域的技术人员可以在这里实现各种其它的变化和修改。所有这些变化和修改意指包含在由所附权利要求所限定的本发明的范围内。
权利要求
1.用于为医学成像提供自动决策支持的方法，包括获取图像数据；从所述图像数据抽取特征数据；和利用所抽取的特征数据自动地确定所述图像数据的诊断质量。
2.根据权利要求1的方法，其中所述图像数据包括心脏超声图像数据。
3.根据权利要求1的方法，进一步包括自动地确定指示诊断质量的水平的度量标准。
4.根据权利要求1的方法，其中通过使用分类器处理所抽取的特征数据以确定诊断质量，自动地确定诊断质量。
5.根据权利要求4的方法，其中使用机器学习方法、基于模型的方法或机器学习和基于模型的方法的任何组合来实现分类器。
6.根据权利要求1的方法，其中通过利用所抽取的特征数据询问已知病例的数据库来识别类似的病例和使用与所识别的类似病例相关的信息来确定诊断质量，自动地确定图像质量。
7.根据权利要求1的方法，其中通过利用所抽取的特征数据询问从已知病例的信息中所导出的模板的数据库来识别类似的模板和使用与所识别的类似模板相关的信息来确定诊断质量，自动地确定图像质量。
8.根据权利要求1的方法，进一步包括利用所抽取的特征数据自动地识别和标记图像数据的解剖对象。
9.根据权利要求7的方法，其中自动地确定图像数据的诊断质量进一步包括使用自动解剖体组织构造识别的结果。
10.根据权利要求1的方法，进一步包括利用所抽取的特征数据自动地识别和标记图像数据的视图。
11.根据权利要求10的方法，其中自动地确定图像数据的诊断质量进一步包括使用自动视图识别的结果。
12.根据权利要求10的方法，其中所述视图是感兴趣的临床领域的标准视图。
13.根据权利要求1的方法，其中在图像采集期间实时地利用所抽取的特征数据自动地确定图像数据的诊断质量。
14.根据权利要求13的方法，进一步包括在图像采集期间将诊断质量确定结果实时地提供给用户。
15.用于为医学成像提供自动决策支持的方法，包括获取图像数据；从所述图像数据抽取特征数据；和利用所抽取的特征数据执行自动解剖体组织构造识别过程，以对在图像数据中所识别的解剖对象进行标记。
16.根据权利要求15的方法，进一步包括利用所抽取的特征数据以及解剖体组织构造识别的结果执行自动视图识别过程，以对图像数据的视图进行标记。
17.根据权利要求16的方法，进一步包括利用所抽取的特征数据以及解剖体组织构造和视图识别的结果执行自动图像质量评价过程，以确定图像数据的诊断质量的水平。
18.根据权利要求17的方法，其中在图像采集期间实时地执行自动解剖体组织构造识别、视图识别和图像质量评价。
19.根据权利要求18的方法，进一步包括在图像采集期间将自动解剖体组织构造识别、视图识别和图像质量评价过程的结果实时地提供给用户。
20.根据权利要求17的方法，其中利用处理所抽取的特征数据的相关分类器来执行自动解剖体组织构造识别、视图识别和图像质量评价。
21.根据权利要求20的方法，其中使用机器学习方法、基于模型的方法或机器学习和基于模型的方法的任何组合来实现分类器。
22.根据权利要求17的方法，其中通过利用所抽取的特征数据询问已知病例的数据库来识别类似的病例和使用与所识别的类似病例相关的信息来执行各自的功能，执行自动解剖体组织构造识别、视图识别和图像质量评价。
23.根据权利要求17的方法，其中通过利用所抽取的特征数据询问从已知病例的信息中所导出的模板的数据库来识别类似的模板和使用与所识别的类似模板相关的信息来执行各自的功能，执行自动解剖体组织构造识别、视图识别和图像质量评价。
24.用于为医学成像提供自动决策支持的方法，包括获取图像数据；从所述图像数据抽取特征数据；和利用所抽取的特征数据执行自动视图识别过程，以识别图像数据的视图。
25.根据权利要求24的方法，其中所述图像数据包括利用超声成像所采集的心脏的图像数据。
26.根据权利要求25的方法，其中视图被识别为心尖二腔图(A2C)、心尖四腔图(A4C)、心尖长轴图(ALAX)、胸骨旁长轴图(PLAX)、或胸骨旁短轴图(PSAX)。
27.根据权利要求25的方法，进一步包括利用所抽取的特征数据以及视图识别的结果执行自动图像质量评价过程，以确定图像数据的诊断质量的水平。
28.根据权利要求27的方法，其中通过确定和评估度量标准来执行自动图像质量评价过程，所述度量标准提供关于所采集的心脏图像在何处包含带有按透视法缩小绘制的心尖的视图的指示。
29.根据权利要求28的方法，其中在图像采集期间实时地利用所抽取的特征数据自动地确定图像数据的诊断质量。
30.根据权利要求29的方法，进一步包括在图像采集期间将诊断质量确定结果实时地提供给用户。
全文摘要
方法和系统被提供，用于处理医学图像以自动地从医学图像识别解剖体组织构造和视图(或位姿)，并且自动地评价医学图像的诊断质量。在一个方面，用于医学成像的自动决策支持的方法包括获取图像数据，从所述图像数据抽取特征数据，并且利用所抽取的特征数据自动地执行解剖体组织构造识别、视图识别和/或确定图像数据的诊断质量。
文档编号G06T7/00GK1934589SQ200580009305
公开日2007年3月21日 申请日期2005年3月23日 优先权日2004年3月23日
发明者S·克里什南, D·科马尼丘, X·S·周, M·G·坎农, A·杜顿 申请人:美国西门子医疗解决公司, 西门子共同研究公司