、CT或阳T图像中所看到的预分段 的身体器官或其子部位的形状和位置；疾病例如癌细胞、内源性(金属)异常沉积（deposit) 例如铁等等的病理组织学图像。
[0084] 匹配处理器105被安排成将第一识别标志集合（即，当前图像的图像相关联的识 别标志集合）与用于不同样本的识别标志集合进行比较。基于该比较，检测匹配样本集合。 在一些实施例中，匹配样本集合可W限于仅仅单个样本，即匹配处理器105可W选择最佳 匹配样本，但是在大多数的实施例中，匹配样本集合可W包括多个样本。在许多实施例中， 匹配样本的数量可W随着图像而改变。例如，可W生成匹配样本集合来包括对其而言该些 识别标志之间的相似性的量度低于预定阔值的所有样本。
[0085] 因而，匹配处理器105可W将当前图像的识别标志与该些样本的识别标志进行比 较，并且可W取决于合适的匹配标准来为匹配样本集合选择该些样本之中的一个或多个。 将意识到：特定的匹配标准将取决于个别实施例，并且特别地将取决于所使用的识别标志 的性质、类型和特性。
[0086] 在许多实施例中，可W计算相似性或距离量度，并且匹配标准可W是相似性或距 离量度低于给定阔值的要求。例如，在许多实施例中，识别标志的集合可W包括标量值的矢 量，并且例如，距离测量可W作为当前图像的矢量与该些样本的矢量之间的矢量距离来计 算。
[0087] 匹配处理器105禪合到医学数据处理器111，而医学数据处理器被安排成处理匹 配样本集合中的样本的医学数据。具体地，医学数据处理器111基于匹配样本的医学数据 来为当前图像生成医学数据。
[008引作为示例，医学数据处理器111可W生成指示从中生成图像的患者的可能疾病或 状况的医学数据。例如，MRI图像可W被输入到图像接收机101。识别标志处理器103可W 相应地为该个图像生成识别标志集合，并将其转发到匹配处理器105。匹配处理器105可 W访问样本储存器109并捜索所存储的样本，W寻找匹配样本集合作为针对其所存储的识 别标志足够接近所生成的识别标志的样本。医学数据处理器111随后可W从该些匹配样 本中提取医学数据，其中医学数据可W具体地识别通常与该些识别标志相关联的疾病或状 况。具体地，每一个样本可W对应于患者的图像，并且每一个样本的医学数据可W指示针对 特定患者所作出的诊断(例如，指示特定的状况或疾病，或者实际上指示诊断是；患者没有 遭受怀疑疾病或状况)。医学数据处理器111随后可W提供指示可能的疾病或状况的针对 当前图像的输出医学数据。医学数据可W具体地是采用指定一个或多个诊断的文本形式的 元数据W及辅助成像和诊断数据(能够是实验室血液样本，等等)。例如，不同的可能性可W 根据它们出现在匹配集合中的频繁程度来排序，并且实际上在许多情形中可W包括特定状 况或疾病的似然性的指示。因而，通过与其他类似的MRI图像的结果进行比较，该系统可W处理图像，W建议可能的疾病或状况。例如，如果匹配集合包括与例如脑肿瘤相关联的大比 例的样本，则输出数据可W指示输入图像很可能反映脑肿瘤的存在。
[0089] 作为特定示例，该系统可W在匹配(数据库）单元中生成针对目标（区分目标或测 试图像和训练图像对于符合标准命名法可能是有用的）W及相关元数据的患者的给定成像 模态（modality)的相似图像的样本。
[0090] 该系统可W提供非常有效的方案。特别地，特别适合于区分和检测医学问题的紧 凑且有效的识别标志的使用虑及非常有效的处理。实际上，该虑及识别标志处理器103与 匹配处理器105之间非常有效的通信，而该可W特别地使得实质上带宽受限的数据总线能 够实施。该能够虑及在医院单位(例如，ER)中借助于经由高带宽通信信道链接的移动设备 的相关数据/识别标志的快速且粗略的处理/收集。
[0091] 并且，在捜索图像的大型数据库的同时合适的匹配图像的识别常规地是计算上非 常苛求的操作。匹配和比较通过使得该样的比较W识别标志为基础而被非常显著地减少， 并且可W实际上将计算需求减少至少一个数量级且通常实质上减少得更多。此外，由于识 别标志和相关联的医学数据的存储通常要求比存储图像本身少得多的数据进行存储，所W 可W非常充分地减少数据库需求。因而，实现有效的图像处理。
[0092] 该方案也可W允许生成改进的医学数据，并且可W向健康专业人员提供附加协 助。实际上，该方案可W允许通过更大的数据库来执行捜索，并且实际上可W促进该样的数 据库的存储和分布，从而为医学数据的生成提供更好的基础。该方案可W具体地适合于协 助识别很少发生的状况或疾病。由于对于人类而言不可能意识到所有可能的医学状况，所 W人类评估和分析倾向于(无屯、地）转向更常见的原因。然而，由于该系统允许针对大量的 样本进行比较，所W数据库也能够包括与非常罕见的状况或疾病相对应的样本。因而，该系 统可W突出显示通常利用纯人类评估将不被识别的罕见疾病或状况的可能性。
[0093] 此外，该方法适合于不同处理的并行化并且在许多实施例中可W使用一个或多个 并行处理器诸如具体地一个或多个图形处理单元（GPU)来实施。该可W用于加快处理一一 生成用于数据库(通常，离线）的识别标志或用于目标患者的识别标志与数据库识别标志的 匹配的目的。
[0094] 在图1的示例中，识别标志处理器103可W在中央处理单元CPU中进行实施，而匹 配处理器105可W利用并行处理器来实施并且具体地作为GPU来实施。
[0095] 图2举例说明CPU和GPU的架构的简化示例。如所示的，典型的CPU可W包括可 W处理指令和数据的少量算术逻辑单元(ALU)。另外，CPU包括控制电路(包括接口电路)W 及存储器高速缓存和某种动态随机存取存储器。CPU通常能够执行相对复杂的指令，但是没 有被设计用于高度并行化。在特定示例中，最大四个指令能够由CPU同时执行，该是因为它 只包含四个ALU。CPU极其适合于复杂的操作并且特别适合于没有将它们自己借给高层次 并行化的顺序操作。
[0096] 相比之下，GPU通常针对并行操作进行优化并包括能够同时执行指令的大量的相 对低复杂度的处理部件。每一个处理部件通常只能够处理具有相对低复杂度的相对小集合 的指令。然而，对于许多操作来说，减小的指令集合由于执行大量并行处理的能力而超过所 补偿的（morethanmadeupfor)。
[0097] CPU可W适合于图I的设备的许多操作，例如包括实施与成像设备等等进行接口 的用户界面。它在许多实施例中也可W适合于生成医学图像的识别标志。特别地，由于图 像的识别标志只需要为该图像生成一次，所W在许多实施例中或许有可能在合理的时间内 特别地在识别标志是相对低复杂度且集合中的识别标志的数量是相对低的时候为该图像 生成识别标志。
[009引然而，在其中数据库包括大量样本的实施例中，匹配操作由于对于每个样本可能 要求两个大集合的识别标志的比较而可能是非常计算密集型的。然而，该个操作高度适合 于并行化并因此可W使用并行处理单元来有效地实施。在该样的实施例中，匹配处理器105 可W具体地作为提供大量并行处理部件的GPU来实施。实际上，该方案的特别优势是；它可 W使用能够低成本提供许多并行处理能力的低成本GPU来实施。特别地，针对例如计算机 图形开发的GPU可W用于执行匹配处理器105的匹配操作。
[0099] 匹配处理器105可W在一些实施例中被安排成并行比较用于输入图像的识别标 志集合中的不同识别标志与一个样本的识别标志集合中的相应识别标志，即，不同的并行 处理部件可W比较同一样本的不同识别标志。可供选择地或附加地，匹配处理器105可W 被安排成并行比较用于输入图像的识别标志集合中的识别标志与多个样本的相应识别标 志。因而，在一些实施例中，至少一些并行处理部件中的每一个可W被安排成将用于输入图 像的所有识别标志与一个样本的所有识别标志进行比较。在该样的情况下，不同的处理部 件可W并行处理不同的样本，其中每一个处理部件对于一个样本执行整个识别标志比较。
[0100] 作为示例，第一识别标志集合可W由识别标志处理器103作为标量值的矢量来生 成。例如，输入图像可W被生成为N个块，并且可W为每一个块生成识别标志。例如，每一 个块中的亮度变化可W被确定。由此产生的矢量可W包含大量的标量值，其中每一个标量 值指示块的方差。识别标志矢量随后通过数据总线107被传送到匹配处理器105。
[0101] 在一些实施例中，匹配处理器105的每一个处理部件随后可W着手执行该个矢量 与从样本储存器109中检索的相应识别标志矢量之间的比较。因而，每一个处理部件将完 整的输入识别标志矢量与用于一个样本的完整的识别标志矢量进行比较，其中不同的处理 部件使用不同的样本即使用不同的样本识别标志矢量来执行比较。
[0102] 作为特定示例，每一个处理部件可W确定输入识别标志矢量的第一标量值与样本 的第一值之间的差的平方(或绝对值)。它随后可W着手确定输入识别标志矢量的第二标量 值与样本的第二值之间的差的平方(或绝对值)。对于识别标志矢量的所有标量值，可W重 复该处理，并且可W确定差量度（differencemeasure)作为例如所确定的值的平均值(或 总和)。W该种方式，每一个并行处理部件可W为一个样本生成差量度，其中不同的并行处 理部件针对不同的样本生成差量度。
[0103] 在一些实施例中，GPU随后可W着手分析由此产生的差值，W选择用于匹配样本集 合的样本。例如，GPU可W选择针对其而言差量度低于给定水平的所有样本。该个匹配集 合随后可W与相关联的医学数据一起被馈送到医学数据处理器111。
[0104] 作为另一示例，并行处理部件之中的每一个可W被安排成针对标量值的单个配对 (pair)生成差量度，其中不同的处理部件处理该矢量的不同标量分量。
[01化]例如，第一处理部件可W确定输入识别标志矢量的第一标量值与样本的第一值之 间的差的平方(或绝对值)。并行地，第二处理部件可W(并行/同时）确定输入识别标志矢 量的第二标量值与样本的第二值之间的差的平方(或绝对值)。第=处理部件可W确定第= 值的差的平方等等。此外，处理部件可W将所生成的所有差值进行相加，W生成该样本的差 量度。该个值可W被存储，并且GPU可W着手W相同的方式来处理下一样本。
[0106] 对于所有的样本，可W重复该处理，导致对于所有的样本生成差量度。GPU随后可 W着手如上所述选择匹配集合，例如，诸如选择针对其而言差量度低于给定水平的样本。
[0107] 在一些实施例中，并行化可W是该样的方案的混合，例如，诸如其中每一个处理部 件处理标量值的一个配对，但是两个或更多的样本同时进行处理。
[0108] 并行处理可W非常充分地加速匹配操作。例如，各种实际的实施已显示数量级或 更多的速度提升。
[0109] 将意识到：所描述的功能可W分布在不同的处理部件中并且可W取决于特定的处 理架构来不同地实施。例如，功能在频带受限的数据总线的任一侧上的分布对于不同的实 施例而言可W改变，并因此图1只是可能分布的示例。
[0110] 例如，在一些实施例中，GPU可W通过带宽受限的数据总线将所确定的距离量度传 送到CPU,并且CPU可W选择样本的匹配集合。实际上，在许多实施例中，医学数据处理器 111(并且例如匹配处理器105的一些功能)可W由实施识别标志处理器103的同一CPU来 实施。
[0111] 也将意识到；例如，医学数据处理器器111可W直接访问数据库，W检索所选择的 匹配集合的医学数据。
[0112] W该样的方式，每一个并行处理部件可W为一个样本生成差量度，其中不同的并 行处理部件为不同的样本生成差量度。
[0113] 在一些实施例中，可供选择地或附加地，第一识别标志集合的生成可W通过并