自动化的患者建模的方法及系统与流程

1.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。


背景技术：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.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。
7.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。
8.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。
9.在可能的实施形式中，图像数据是患者姿态图像数据。
10.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。
11.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。
12.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发明的限制的定义，对所公开发明的限制应当参考所附权利要求。本发明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，或者可以通过本发明的实践来了解。而且，本发明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
13.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发明，附图中：
14.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。
15.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。
16.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。
17.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。
18.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
19.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。
20.参见图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。
21.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。
22.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。
23.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。
24.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。
25.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被配置为使用第二机器学习模型对图像数据进行重新分类。在一个实施例中，第二机器学习模型可以是或者是卷积神经网络模型。
26.如果置信度评分大于预定值，这意味着姿态推断模型106已经确定图像数据对应于特定姿态，则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或以其他方式标记为对应于患者姿态。
27.在一个实施例中，设备或系统100还可以包括用户界面130。用户界面130可以通信地耦合到服务器102，并且被配置为提供姿态预测的输出，如本文中通常描述的。例如，在一个实施例中，用户界面130可提供姿态推断模型106的前“n”个预测的列表。
28.通常，自动化患者建模将在成像室110中(诸如在医院或医疗机构中)实施和执行。在一个实施例中，成像区域或室110是执行医学成像的医学扫描或成像室。所公开的实施例的方面可以在任何合适的医学成像环境(包括但不限于例如ct、mri和x射线)中实施。
29.成像室110通常将包括至少一个图像捕捉装置112和成像平台114(也称为台架)。也可以称为摄像头的图像捕捉装置112通常将包括图像或光学传感器。合适的传感器的示例包括但不限于红蓝绿传感器、深度传感器、数字摄像头、图像传感器、具有夜视能力的摄像头、录像机、cctv摄像头以及其他类型的图像捕捉装置。在替代实施例中，任何合适的图像传感器或装置可用于捕捉患者姿态信息。
30.图像捕捉装置112布置或安装在成像区域110内的特定位置，以充分地捕捉患者在成像平台114上的图像(本文中也称为姿态)。在一个实施例中，图像捕捉装置112安装在成像室110的天花板上或与其连接。这样，成像平台114和布置在成像平台114上或与其连接的患者在图像捕捉装置112的视场116内。虽然这里的描述通常是关于成像室的天花板，但是所公开的实施例的方面不限于此。在替代实施例中，图像传感器112或摄像头可位于室中的任何合适位置处(包括例如侧壁或成像装置本身上)或与该位置连接。所公开的实施例的方面总体涉及在将患者送入台架之前或时提供患者定位的准备性检查。
31.图2例示了并入有所公开实施例的方面的系统100的示例性实施方式。在该示例中，患者平台114布置在成像室110中。图像传感器112布置在室110中，在该示例中，图像传
感器在患者平台114上方，诸如在天花板上。图像传感器112被布置为使得患者平台114布置在图像传感器112的视场116内。示例性台架122与患者平台114结合布置。服务器102可通信地耦合到图像传感器112，并且被配置为接收所捕捉的图像数据作为输入。
32.在图2的示例中，图像传感器112布置在成像室110的天花板上。图像捕捉装置112的视场116通常将包含宽区域，例如包括扫描平台或台架114。通常，在图像捕捉过程期间，患者可以躺下。或者，患者可以坐着或处于用于图像捕捉过程的某一其他位姿。所公开实施例的方面不旨在受患者在图像捕捉过程期间的特定位姿限制。
33.对于各种扫描情况，患者首先到达医学扫描室110并且进入图像传感器112的视场116。然后将患者定位在患者平台或扫描床114上并准备扫描。这种定位可以以任何适当的方式实施。患者可以躺下或坐着，或者采取扫描所需的任何合适的位姿。在一个实施例中，可以应用现成的人检测算法来确定患者是否粗略地定位于传感器112的视场116中。
34.在一个实施例中，一旦检测到患者相对于成像平台114处于合适的位姿(例如躺下)，图像传感器112就将捕捉患者的图像或姿态位置。通常，图像将相对于台架114捕捉。这可以包括例如捕捉对应于患者关节位置的预定义位置的图像。在一个实施例中，传感器或图像数据可发送到处理器104和姿态推断模型106以用于姿态推断，如本文所述。
35.代替在某些预定义选项中仅输出一个推断结果的硬分类，所公开实施例的姿态推断模型106被配置为考虑实现高概率预测的所有可能位置。所公开实施例的姿态推断模型106然后将基于分类器预测将前“n”个预测连同所计算的置信度评分一起输出给用户。
36.例如，第一姿态图像(姿态1(仰卧脚部朝向台架))接收0.4作为置信度评分。第二姿态图像(姿态2(俯卧脚部朝向台架))接收0.9作为置信度评分。第n个姿态图像(姿态n(俯卧头部朝向台架))接收0.004作为置信度评分。如通常将理解的，可以捕捉任何合适数量的姿态图像。
37.在一个实施例中，设备100被配置为向用户提供置信度评分的列表。该列表可以例如在设备100的用户界面130上或经由其呈现。
38.在一个实施例中，可以将上面的置信度评分列表排名，其中最高评分首先出现。对于上面的示例，评分按以下顺序列出：1)姿态2(俯卧脚部朝向台架)、2)姿态1(仰卧脚部朝向台架)、...，n)姿态n(俯卧头部朝向台架)。这样，诸如技师的用户可以通过也查看真实患者姿态来选择或以其他方式确认这些选项中的任何一个。
39.在该示例中，用户(通常是技师)可以使用前“n”个预测的列表来在成像过程之前确认患者定位，或者重新定位患者。在一个实施例中，选项列表包含正确的患者姿态，使得技师可以手动选择正确的姿态。真实或实际的患者姿态可能未与预设协议所需的姿态一致。
40.系统100被配置为检查所选择的姿态是否与需要用于医学扫描的特定姿态的预设协议一致，并且相应地提供指令。所公开实施例的方面提供了一种先前实现的更加用户友好的定位系统。
41.在一个实施例中，如果姿态推断模型106的预测输出未与预设协议一致，则系统100被配置为基于软阈值来输出一个或多个高置信度预测，而不仅仅是输出警告消息。置信度预测可以在合适的用户界面上呈现给技师。技师可以从一个或多个置信度预测中进行选择。在技师做出选择之后，系统100将首先比较由用户确认的患者的当前姿态与预定义的扫
描协议。系统100然后将提供患者调整他/她的姿态的指令。可以口头提供或者在安装在医学扫描室中的屏幕上显示的指令基于当前患者姿态与预定义患者姿态之间的差异。这可以避免复杂和冗余的操作，诸如确认警告消息，然后手动进行调整以校正患者姿态。
42.所公开实施例的方面将提供可供用户从中选择的可能选项。例如，系统100被配置为呈现具有减小的可能性的可能的患者姿态的若干选项，例如，1)仰卧脚部朝向台架或2)侧卧脚部朝向台架。将要求用户从这些选项中的一个选项中进行选择。系统100然后检查应当反映实际患者姿态的用户选择和预设协议所需姿态是否一致。如果用户选择与预设协议的姿态之间一致，则系统100可以启动扫描过程。如果用户选择未与预设协议所需的姿态一致，则系统100被配置为通知技师和患者之一或两者。这样，可以进行进一步的姿态调整，直到系统100确认患者姿态对于扫描是正确的。
43.所公开实施例的方面便于在线模型学习以便获得更准确的模型性能。例如，如果技师选择与模型预测不同的姿态，则这意味着来自姿态推断模型106的原始预测是不正确的。姿态推断模型106可以取得新数据，诸如2d关键点数据、从图像捕捉装置112收集的传感器数据、来自技师的姿态标签、以及原始错误预测，以便姿态推断模型106的进一步在线学习/微调，诸如通过强化学习。
44.在具有硬姿态识别的典型患者定位系统中，如果预测的患者姿态未与预定义的扫描协议一致，则系统将示出警告消息。然后，技师需要手动确认或绕过警告消息，并且如果模型预测不正确，则手动校正模型预测。在所公开实施例的软姿态识别过程中，即使模型106不确信预测，这种情况也将减轻。
45.所公开实施例的方面通常通过用户界面130向用户呈现选项，而不是提供警告消息。这样，所公开实施例的方面允许用户在模型106不确信其自己的预测时直接选择正确的姿态。与仅发出警告的硬姿态情况相比，这可以是更高效且用户友好的。
46.在一个实施例中，所公开实施例的方面使得用户能够用一次点击来输入金标准姿态信息。例如，也如上所述，所提供的选项列表将包括正确的患者姿态。技师可以通过“点击”用户界面130上的选择来手动选择反映真实患者姿态的正确姿态选项。系统100被配置为检查所选择的姿态是否与预设协议所需的姿态一致。然后，在给定用户输入的情况下，系统100并且特别是姿态推断模型106将被校正/更新。通过在系统100中并入用户在回路方式，所公开实施例的姿态推断模型106可被更新并执行得越来越好。
47.图3例示了并入有所公开实施例的方面的工作流程300的示例性流程图。在该示例中，从模态a和模态b中的一个或两个采集302来自图1的图像传感器112的传感器数据，其中，模态指代不同类型的成像传感器112。不同模态的示例可以包括但不限于数字摄像头、摄像头模块、拍照手机、光学鼠标装置、医学成像设备、诸如热成像装置的夜视设备等。
48.在一个实施例中，使用二维关键点检测(2d关键点检测)306来将图像数据验证为关节位置图像。通常，2d关键点检测用于采集预定关节位置的图像。例如，由摄像头捕捉在图2的视场116中的患者的图像。然后使用2d关键点检测算法处理图像以检测和/或识别预定关节或关节位置。
49.向第一机器学习算法310提供2d关键点检测306的输出(预定义身体关节的2d关节位置)。在一个实施例中，第一机器学习算法310是集成模型。在替代实施例中，第一机器学习算法310可以包括2d身体关键点位置作为输入并输出分类概率预测的任何合适的机器学
习模型。给定一定量的训练数据，训练通常优化模型参数。在一个实施例中，训练数据包括成对的2d关键点关节位置和对应的姿态类别标签。
50.集成模型310被配置为生成与传感器图像数据相关联的分类或置信度评分314。在一个实施例中，置信度评分314从0归一化到1，其中，评分0与低置信度相关联，并且评分1与高置信度相关联。当模型310不确信患者处于用于成像的正确位姿或姿态时，分配低置信度评分。低置信度评分并不意味着患者的姿态不正确。相反，低置信度评分可以暗示模型310不能确定姿态是正确的。
51.当模型310确信患者处于用于特定成像过程的正确位姿时，分配316高置信度评分。换言之，当模型310确信其自己的预测时，分配高置信度评分。而在模型预测可能不正确的不太可能的情况下，即使具有高置信度评分，系统100也被配置为允许技师手动干预和校正模型310的预测。
52.如果置信度评分指示预测中的高置信度316，则提供姿态估计输出320。输出320将是指示患者当前处于哪个姿态的类别标签。这种标签的一个示例是“仰卧，脚部朝向台架”。系统100被配置为检查该标签是否与所选协议一致。例如，胸部ct要求患者处于“仰卧脚部朝向台架姿态”。如果在这个示例中输出320是标签“仰卧脚部朝向台架姿态”，则姿态估计的输出320确认患者姿态是正确的，然后系统100将开始对应的扫描过程。
53.如果置信度评分指示低置信度318，这意味着模型310不确信患者处于某个姿态，则由第二机器学习模型312处理输入数据302。在该示例中，第二机器学习模型是更详细和广泛的机器学习模型。这种模型的一个示例是卷积神经网络。第二机器学习模型通常将在比第一机器学习模型大得多的训练集上被训练。第二机器学习模型也将是更加时间和资源密集的，从而需要更多的推断和记忆。第二机器学习模型312的输出将是姿态估计输出320。在一个实施例中，输出320可以提供可能性减小的可能的患者姿态预测，诸如“1)仰卧脚部朝向台架”或“2)侧卧脚部朝向台架”。然后，用户可以从这些选项中的一个选项进行选择，以启动对应的扫描过程。
54.在一个方面，所公开的实施例包括训练阶段和操作阶段。在训练阶段，使用训练数据训练姿态模型106，以使得姿态模型106能够在操作阶段执行特定的预期功能。处理器104被配置为使用预定义姿态或关节位置的图像的训练数据来执行姿态模型106的监督训练，以获得训练过的姿态模型106。训练数据包含具有经标记的姿态注释的传感器数据对或具有经标记的姿态注释的2d关键点位置对。
55.作为示例，在姿态模型106的训练期间，将预定义关节位置的图像(例如正常2d图像)和一些具有异常的图像送到姿态模型106。最初，姿态模型106未被提供与在具有异常的图像中哪里存在异常有关的信息。姿态模型106被配置为自动发现图像中的异常。术语“异常”指代在执行特定任务时遵循所定义的一组协议和程序方面的偏差。例如，在图像中，可能在可能不对应于关节的指定位置的位置处检测到关节。
56.根据实施例，训练数据包括由图像捕捉装置提供给服务器102的图像或图像序列。可选地，将预定义关节位置的图像的训练数据预先存储在服务器102中。基于姿态模型106的训练，获得在系统100的操作阶段中使用的训练过的姿态模型。
57.在操作中，处理器104被配置为从图像捕捉装置112获得姿态图像。处理器104经由通信网络108接收图像。在一个实施例中，随着图像被捕捉，实时或接近实时地获得这种图
像。可选地，图像具有与其相关联的时间戳。在实施例中，服务器102被配置为存储关于与多个图像捕捉装置112中的每一个图像捕捉装置相关联的位置的信息。
58.在一个实施例中，处理器104被配置为将警报与视觉信息一起传送到诸如智能电话或其他便携式装置的指定电子装置，该指定电子装置被映射或以其他方式通信地耦合到用户(诸如技师)。基于姿态估计输出320来传送警报。视觉信息是指示警报原因的视觉解释。警报与视觉信息一起作为与姿态估计输出相关联的动作的一部分来传送。
59.作为示例，在医院环境中，处理器104将警报与视觉信息一起传送到诸如医生或实验室助理的医院人员的智能电话。如果在mri室中检测到异常，则医院人员可以与诸如mri室的特定位置相关联。
60.电子装置可以包括但不限于蜂窝电话、个人数字助理、手持装置、无线调制解调器、膝上型计算机、个人计算机等。电子装置可以与注册用户映射并且通信地耦合到处理器104。
61.在另一实施方式中，处理器104还被配置为向适当配置的医疗装置设备或技师传送指令。在一个实施例中，指令基于姿态估计输出来传送。
62.图4例示了并入有所公开实施例的方面的方法400的一个实施例。在该示例中，取得对应于姿态的图像作为输入数据402。如上所述，通过合适的图像捕捉装置捕捉图像或多个图像。然后使用机器学习模型对姿态图像输入数据进行分类404。所公开实施例的机器学习模型被配置为从输入图像数据自动识别患者姿态，并且确定输入图像数据是否与所需的扫描协议一致。
63.确定406与分类相关联的置信度评分是高评分还是低评分。高评分通常与输入图像数据与所需扫描协议一致的高概率预测相关联。低评分指示输入图像数据与所需扫描协议一致的低概率预测。
64.如果置信度评分是高评分，则提供408姿态估计输出。姿态估计输出基于分类器预测提供前“n”个预测以及置信度评分。诸如技师的用户可以从若干高置信度预测中做出选择，并且启动410扫描。
65.如果置信度评分是低评分，则所公开实施例的姿态推断模型不能从输入图像数据可靠地确定或识别姿态。在这种情况下，使用第二机器学习模型对输入图像数据重新分类412。第二机器学习模型通常是更密集和复杂的分类模型，诸如卷积神经网络模型。
66.再次参见图1，服务器102通常包括适当的逻辑、电路、接口和/或代码，其被配置为从图像捕捉装置112接收一个或多个姿态图像并如本文通常描述的那样处理这些图像。在一些实施例中，服务器102可能被配置为从图像捕捉装置112接收患者的图像帧序列(例如，一个或多个视频)。服务器102的示例可以包括但不限于应用服务器、网络服务器、数据库服务器、文件服务器、云服务器或其组合。
67.处理器104通常包括适当的逻辑、电路、接口和/或代码，其被配置为处理图像(或图像帧的序列)，如本文通常描述的。在一个实施例中，这还可以包括姿态模块106。处理器104被配置为响应和处理驱动系统100的指令。处理器104的示例包括但不限于微处理器、微控制器、复杂指令集计算(cisc)微处理器、精简指令集(risc)微处理器、超长指令字(vliw)微处理器或任何其他类型的处理电路。可选地，处理器104可以是一个或多个单独的处理器、处理装置以及与处理装置相关联的可以由其他处理装置共享的各种元件。另外，一个或
多个单独的处理器、处理装置以及元件被布置为各种架构，以便响应和处理驱动系统100的指令。虽然本文通常描述服务器和硬件处理器，但所公开实施例的方面不限于此。在替代实施例中，系统100可以包括执行本文所述的过程所需的任何合适的部件或装置，例如存储器或储存器。
68.在一个实施例中，患者姿态模型106可以包括独立计算装置或作为独立计算装置的一部分，独立计算装置与硬件处理器104通信或作为其一部分。在一个实施例中，患者姿态模型106将包括或连接到执行本文所述的所公开实施例的方面所需的机器学习模型。
69.在一个实施例中，服务器102经由通信网络108通信地耦合到图像捕捉装置112。通信网络108包括图像捕捉装置112和服务器102彼此通信所通过的介质。通信网络108可以是有线或无线通信网络。通信网络108的示例可以包括但不限于无线保真(wi-fi)网络、局域网(lan)、无线个域网(wpan)、无线局域网(wlan)、无线广域网(wwan)、云网络、长期演进(lte)网络、普通老式电话服务(pots)、城域网(man)和/或因特网。图像捕捉装置112被配置为根据各种有线和无线通信协议连接到通信网络108。这种有线和无线通信协议的示例可以包括但不限于传输控制协议和网际协议(tcp/ip)、用户数据报协议(udp)、超文本传输协议(http)、文件传输协议(ftp)、zigbee、edge、红外(ir)、ieee802.11、802.16、长期演进(lte)、光保真(li-fi)和/或其他蜂窝通信协议或蓝牙(bt)通信协议，包括其变体。可选地或另外地，一个或多个医疗设备或装置118和/或医疗成像装置120通信地耦合到服务器102。
70.图5是根据所公开实施例的方面的用于自动化患者定位的服务器的示例性部件的框图。结合图1的元件描述图2。参见图1，示出了服务器102。在该示例中，服务器102包括存储器402、网络接口504、处理器104以及姿态分类模型106。处理器104通信地耦合到存储器402、网络接口504以及姿态分类模型106。
71.存储器502可以包括适当的逻辑、电路、接口和/或代码，其可以被配置为存储可由处理器104执行的指令。存储器502还被配置为存储来自图像传感器112的图像。存储器502还可以被配置为存储包括姿态分类模型106的服务器102的操作系统和相关联的应用。存储器502的实施方式的示例可以包括但不限于随机存取存储器(ram)、只读存储器(rom)、硬盘驱动器(hdd)、闪存和/或安全数字(sd)卡。用于提供非瞬时性存储器的计算机可读存储介质可以包括但不限于电子储存装置、磁储存装置、光储存装置、电磁储存装置、半导体储存装置或前述的任何合适的组合。
72.网络接口504包括适当的逻辑、电路和/或接口，其被配置为与一个或多个外部装置(诸如图1中示出的图像捕捉装置112、医疗设备118、120或电子装置(诸如智能电话))通信。网络接口504的示例可以包括但不限于射频(rf)收发器、天线、远程信息处理单元、一个或多个放大器、一个或多个振荡器、数字信号处理器、编码器-解码器(codec)芯片组和/或用户身份模块(sim)卡。可选地，网络接口404可以通过使用各种有线或无线通信协议来通信。
73.所公开实施例的方面涉及一种基于深度/机器学习算法的软姿态分类模型，其可直接集成到任何现有的患者定位系统工作流程中。该模型连同其相关联的系统一起能够自动识别或预测患者姿态，并检查它们是否与所需的扫描协议一致。所公开实施例的系统优于现有技术的系统，并且对于对手攻击是鲁棒的，对手攻击对于大多数现有的基于深度学
习的模型和系统是公知的潜在风险。
74.以上关于前述系统100公开的各种实施例和变型加以必要的变更适用于该方法。本文所述的方法在计算上是有效的，并且不会对处理器104造成处理负担。
75.在不脱离由所附权利要求限定的所公开实施例的方面的范围的情况下，对上文描述的所公开实施例的方面的实施例的修改是可能的。诸如“包括”、“并入”、“具有”、“是”的表述用于描述和要求保护所公开实施例的方面，旨在以非排他的方式来解释，即允许还存在未明确描述的项、组件或元件。对单数的引用也被解释为涉及复数。
76.由此，虽然已经示出、描述并指出了应用于本发明的示例性实施例的本发明的基本新颖特征，但是应当理解，本领域技术人员可以在所例示装置和方法的形式和细节以及它们的操作方面进行各种省略、替换和改变，而不脱离当前公开的发明的精神和范围。进一步地，明确预期的是以基本上相同的方式执行基本上相同的功能以实现相同结果的那些元件的所有组合都在本发明的范围内。而且，应当认识到，结合本发明的任何公开形式或实施例示出和/或描述的结构和/或元件可以作为设计选择的一般问题而并入任何其他公开或描述或建议的形式或实施例中。因此，本发明旨在仅由所附权利要求的范围指示的来限制。