Способ и система интеллектуального связывания медицинских данных



Способ и система интеллектуального связывания медицинских данных
Способ и система интеллектуального связывания медицинских данных
Способ и система интеллектуального связывания медицинских данных
Способ и система интеллектуального связывания медицинских данных
Способ и система интеллектуального связывания медицинских данных
Способ и система интеллектуального связывания медицинских данных
Способ и система интеллектуального связывания медицинских данных
Способ и система интеллектуального связывания медицинских данных

 


Владельцы патента RU 2604698:

КОНИНКЛЕЙКЕ ФИЛИПС Н.В. (NL)

Группа изобретений относится к области медицины, а именно к онкологии. Для интеллектуального объединения результатов медицинских исследований используют способ и систему, содержащую модуль извлечения контекстной информации из изображения интересующей области, модуль выбора признаков, формирующий текущий вектор признаков, подсистему связывания, вычисляющую показатель подобия и подсистему представления, обеспечивающую отображение представляемых данных на основе показателя подобия. Группа изобретений позволяет получить точные и последовательные аннотации о патологических изменениях в краткие сроки за счет возможности автоматического одновременного связывания данных от различных обследований. 3 н. и 17 з.п. ф-лы, 4 ил., 1 табл.

 

УРОВЕНЬ ТЕХНИКИ

Такие врачи, как радиологи и онкологи, имеют дело с нарастающими объемами информации для диагностирования для оптимального лечения пациентов. Например, пациенты, страдающие раком, часто подвергаются обследованиям с получением изображений и со временем в их медицинской карте будут иметься записи десятков обследований. Каждый раз, когда врачи читают результаты нового обследования, они должны сравнить текущее обследование с предшествующими, чтобы определить развитие ранее идентифицированных патологических изменений и/или обнаружить какие-либо новые патологические изменения. Эта задача требует от врача читать, сравнивать, интерпретировать и коррелировать результаты как в изображениях, так и в отчетах. Эти действия отнимают много времени с точки зрения потока операций и ставят много проблем с клинической точки зрения.

В области лечения рака молочной железы маммография является процессом использования низкой дозы рентгеновского излучения (то есть приблизительно 0,7 мЭв) для обследования человеческой груди в координации с диагностическими и скриннинговыми инструментами. Цель маммографии заключается в раннем обнаружении рака молочной железы обычно посредством обнаружения характерных масс, патологических изменений и/или микрокальсификатов. Маммография, как полагают, должна снизить смертность от рака молочной железы. Никакой другой способ, кроме получения изображений, не показал способности к снижению риска, а поддержание знаний об изменениях груди и обследования врача считаются основными составляющими регулярной заботы о груди. Соответственно, точные и последовательные аннотации о патологических изменениях являются очень важными для поддержки принятия клинических решений.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Здесь описаны система, содержащая модуль извлечения, извлекающий контекстную информацию из изображения интересующей области, включающего в себя аннотации, модуль выбора признаков, формирующий текущий вектор признаков, использующий извлеченную контекстную информацию и аннотации, и подсистема связывания, вычисляющий показатель подобия между текущим вектором признаков и предшествующим вектором признаков предшествующего изображения.

Дополнительно здесь описывается способ, содержащий извлечение с помощью модуля извлечения контекстной информации из изображения интересующей области, включающего в себя аннотации, формирование с помощью модуля выбора признаков текущего вектора признаков, используя для этого извлеченную контекстную информацию и аннотации, и вычисление посредством подсистемы связывания показателя подобия между текущим вектором признаков и предшествующим вектором признаков предшествующего изображения.

Дополнительно описанный здесь энергонезависимый считываемый компьютером носитель данных включает в себя набор команд, исполняемых процессором, способным извлекать по меньшей мере контекстную информацию из изображения интересующей области, в том числе аннотации, формировать текущий вектор признаков, используя извлеченную контекстную информацию и аннотации, и вычислять показатель подобия между текущим вектором признаков и предыдущим вектором признаков предшествующего изображения.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Фиг. 1 - примерный вид экрана с очерченным пользователем медицинским изображением, использующий инструмент аннотации, соответствующий примерному варианту осуществления.

Фиг. 2 - инструмент, связывающий данные, для интеллектуального связывания медицинских данных, полученных различными средствами в соответствии с примерным вариантом осуществления.

Фиг. 3 - примерный экран совпадения аннотаций, принятых различными средствами в соответствии с примерным вариантом осуществления.

Фиг. 4 - примерный способ интеллектуального связывания медицинских данных, полученных различными средствами согласно примерному варианту осуществления.

ПОДРОБНОЕ ОПИСАНИЕ

Примерные варианты осуществления могут дополнительно быть поняты со ссылкой на последующее описание примерных вариантов осуществления и сопутствующие приложенные чертежи, на которых подобные элементы имеют одни и те же ссылочные позиции. Примерные варианты осуществления относятся к системам и способам интеллектуального объединения данных медицинских исследований, полученных посредством различных способов, таких как ультразвуковые ("US") данные, данные магнитно-резонансной томографии ("MRI") и данные маммографии ("MG"). Как будет ниже описано более подробно, примерные варианты осуществления позволят врачам (например, радиологам, онкологам и т.д.) сравнивать все текущие медицинские изображения и записи пациента, полученные любыми средствами, с любыми предшествующими медицинскими изображениями и записями для этого пациента. Таким образом, врачи могут обеспечиваться всей информацией, доступной в отношении многочисленных результатов исследований одного или более патологических изменений пациента и легко оценивать изменение этих патологических изменений.

Были предложены решения, чтобы помочь врачам в выполнении таких задач сравнения. Например, система Breast Imaging-Reporting and Data System или BI-RADS является инструментом гарантии качества, предназначенным для документирования рака молочной железы в структурированной манере, используя стандартизированный словарь. Конкретно, эта система позволяет радиологам аннотировать патологические изменения на изображениях и сохранять аннотации в базах данных. BI-RADS является корпоративным усилием многих организаций здравоохранения и представляется и регистрируется как торговая марка Американским Колледжем Рентгенологии ("ARC") в форме Атласа BI-RADS. Атлас делится на 3 раздела, конкретно маммографические данные, ультразвуковые данные и данные MRI. Результаты получения изображений часто выражаются в терминах категории оценки BI-RADS, часто называемой "показатель BI-RADS". Категории содержат: 0 = неполный, 1 = нормальный 2 = доброкачественный, 3 = неопределенный, 4 = подозрение на злокачественность, 5 = сильное подозрение на злокачественность и 6 известная биопсия, подтвержденная злокачественность.

Аннотации, сделанные для текущих исследований, возможно, могут быть связаны с аннотациями, сделанными в предшествующих обследованиях, чтобы врач мог легко проверить корректность аннотации и оценить любые изменения в интервале времени. Как отмечено выше, текущая проблема для врачей заключается в связывании результатов текущего и предшествующих исследований и предшествующих изучений, выполненных различными средствами. Например, для пациентки с раком груди могут проводиться ультразвуковые обследования, MRI-обследования и маммографические обследования и трудно связать результаты медицинских обследований для всех этих средств. В рамках приведенных для примера систем и способов настоящего раскрытия связь и объединение этих результатов могут потребовать отнимающей много времени и подверженной ошибкам процедуры четкой интерпретации и выбора врачами совпадающих результатов. То есть примерный инструмент, связывающий данные, и соответствующий способ могут позволить этим врачам легко связывать эти результаты медицинских обследований с ограниченными мешающими воздействиями.

На протяжении всего этого раскрытия примерные варианты осуществления будут направлены на интеллектуальное связывание медицинских данных, связанных с раком молочной железы и интересующими областями, такими как патологические изменения. Однако следует заметить, что примерные системы и способы, описанные здесь, не ограничиваются данными рака молочной железы и могут применяться к любому типу сбора стандартизированных данных. Например, настоящее раскрытие может применяться к сбору, сравнению и сообщению данных, связанных с различными формами рака, различными типами медицинских данных, различными формами получения изображений и регистрации данных и т.д.

На фиг. 1 показан примерный вид 100 экрана с медицинским изображением, очерченным пользователем, используя инструмент аннотации, соответствующий примерному варианту осуществления. Например, вид 100 экрана может быть видом изображения BI-RADS, предназначенным для документирования исследований рака молочной железы структурированным способом, используя стандартизированный словарь. Этот вид 100 экрана позволяет пользователю аннотировать интересующую область, такую как патологическое изменение, изображенное в изображении, и сохранять аннотации в базе данных. Как показано на виде экрана, аннотированные данные могут также содержать анатомическое положение патологического изменения, массовые характеристики (например, форма, граница, улучшенные образцы и т.д.), кинетические описания (например, начальное поглощение, задержанная фаза и т.д.), стабильность, результаты измерений, а также многие другие результаты обследований. Соответственно примерным вариантам осуществления каждая из аннотаций, составленных врачом в текущем обследовании, может быть связана с предшествующими аннотациями, составленными в предшествующих обследованиях. Следует заметить, что термин "пользователь" может относиться к любому оператору систем и способов, описанных здесь, в том числе, в частности, к врачам, радиологам, онкологам и т.д.

На фиг. 2 показан инструмент 210, связывающий данные, для интеллектуального связывания медицинских данных, полученных через различные средства, в соответствии с примерным вариантом осуществления. Инструмент 210, связывающий данные, или просто "инструмент", содержит различные компоненты, такие как модуль 220 извлечения контента, основанного на изображении, модуль 230 выбора признаков, подсистема 240 связывания, подсистема 250 представления и база 260 данных статистических моделей, некоторые из которых могут быть реализованы как команды программного обеспечения процессором. Дополнительно, примерный инструмент 210, связывающий данные, содержит процессор и энергонезависимый считываемый компьютером носитель данных, такой как устройство памяти. Соответственно, устройство памяти может содержать набор команд программного обеспечения, являющийся программой, исполняемой процессором. Следует заметить, что каждый из компонентов 220-250 инструмента 210 может содержать индивидуальный процессор, устройство памяти и соответствующие команды, создавая таким образом многопроцессорную архитектуру для инструмента 210.

В соответствии с одним из примерных вариантов осуществления инструмент 210, связывающий данные, является сетевым программным инструментом, использующим службу связи, чтобы позволить врачам читать, создавать, добавлять, интерпретировать, сравнивать и коррелировать медицинские данные как в изображениях, так и в отчетах.

Как правило, врачи создают аннотации на изображениях патологического изменения на основе средств измерений и на основе исследований. Одно и то же патологическое изменение может просматриваться множество раз посредством комбинации средств ультразвука, MRI и маммографии. Для рецидивирующих пациентов патологические изменения должны просматриваться, используя предшествующие изучения изображений в качестве опорных точек отсчета, в дополнение к любым текущим исследованиям изображений. Таким образом, вариант инструмента 210, связывающего данные, позволяющий экономить время, также мог бы позволить врачам иметь различные аннотации для одного и того же патологического изменения, полученные различными средствами, которые должны связываться, чтобы создать сводку изменений, происходящих для патологического изменения.

Во время текущего исследования изображения врач очерчивает патологическое изменение на изображении, таком как изображение, показанное на виде 100 экрана. Затем врач использует инструмент аннотации, такой как инструмент BI-RADS, чтобы описать патологическое изменение, используя стандартизированные термины. Например, аннотации, сделанные с использованием инструмента BI-RADS, могут кодироваться на расширяемом языке разметки ("XML") следующим образом:

В соответствии с примерными вариантами осуществления, описанными здесь, модуль 220 извлечения контекста на основе изображений извлекает дескриптивные результаты медицинского исследования или "контекстную информацию" (например, положение патологического изменения относительно ориентиров) очерченного патологического изменения, в то время как для патологического изменения врачом составляется аннотация. Контекстная информация обычно описывает количественные аспекты патологических изменений, которые могут не быть частью инструмента BI-RADS. Например, местоположение патологического изменения характеризуется в BI-RADS латеральностью, положением "по часам" и глубиной. Однако контекст патологического изменения описывает расстояние патологического изменения относительно соска, поверхности кожи, а также других патологических изменений, имеющихся по соседству. Такая контекстная информация может потребоваться, чтобы различать сгруппированные патологические изменения. Например, извлеченное контекстное описание, основанное на изображении патологического изменения, может быть кодировано в XML следующим образом:

Модуль 230 выбора признаков формирует многомодовый вектор признаков, содержащий дескрипторы аннотации, а также извлеченную из аннотации контекстную информацию. Выбор признаков основан на статистических моделях, хранящихся в базе 260 данных. Дополнительно, значимость или вес каждого выбранного признака может также быть получен из базы 260 данных.

Используя инструмент BI-RADS, врачи могут аннотировать одно и то же патологическое изменение в различных терминах BI-RADS. Дополнительно, договоренность между людьми меняется для каждого дескриптора. Статистические модели базы 2 60 данных могут описывать уровень договоренности между людьми для каждого дескриптора. Чем выше номер, тем больше значимость, которую дескриптор имеет в подсистеме 240 связывания. Например, модель может выбрать "Modality" (средство), "Laterality" (латеральность), "Depth" (глубина), "Туре" (тип), "DistanceToNipple" (расстояние до соска) и "Shape" (форма), чтобы сформировать вектор признаков следующим образом:

Подсистема 240 связывания связывает аннотации для одного и того же патологического изменения, полученные обычно из разных средств или протоколов получения изображений в одном и том же исследовании. Чтобы определить вероятность для двух аннотаций, относящихся к одному и тому же патологическому изменению, подсистема 240 связывания может использовать эвристические правила для количественного вычисления показателя релевантности.

В соответствии с описанными здесь примерными вариантами осуществления подсистема 240 связывания вычисляет подобие (например, показатель релевантности или показатель значимости) между примерным вектором признаков текущей аннотации и вектором признаков предшествующей аннотации или ссылочной аннотации. Например, подобие между этими двумя векторами может быть смоделировано как расстояние (D) между двумя векторами. Конкретно, D может быть определено как взвешенная сумма расстояний признаков элементов следующим образом:

Кроме того, функция расстояния di может быть вычислена для каждого признака следующим образом:

где a i и bi являются признаками аннотации и ai и b′i являются основывающимися на изображении контекстными признаками, соответствующими признакам аннотации a i и bi соответственно. Когда признак ai не имеет соответствующего признака соответствующей аннотации, можно предположить, что значение a i будет пустым, и наоборот.

Кроме того, операция вычитания вычисляет разность между двумя произвольными значениями признаков. Например, в зависимости от значения дескриптора (например, "Модальность"), это может быть Булева операция, такая как:

Для дескрипторов с численными значениями операция вычитания определяется как вычитание значений (например, DistanceToNipple (расстояние до соска)). Для расположения по часовой стрелке операция вычитания может быть определена следующим образом:

Для составного дескриптора, такого как контекстная аннотация "Масса" или "Форма", операция вычисления определяется как сумма результатов вычитаний дескрипторов элементов. Следует заметить, что, хотя эти примерные уравнения могут использоваться для вычисления показателя релевантности или показателя значимости между многочисленными векторами признаков, эти уравнения просто дают один из примеров того, как эти показатели могут быть вычислены. Соответственно, при сравнении результатов вычислений векторов признаков и показателей подобия может использоваться любое количество альтернативных уравнений.

Наконец, подсистема 250 представления инструмента 210, связывающего данные, предоставляет пользователю отображение аннотаций совпадений, основываясь на подобиях, вычисленных подсистемой 240 связывания. Соответственно одному примерному варианту осуществления подсистема 250 представления взаимодействует с графическим интерфейсом пользователя ("GUI"), на котором данные отображаются пользователю и через который данные вводятся от пользователя. На этом дисплее пользователь может выбрать совпадающую аннотацию из списка, как показано на фиг. 3.

На фиг. 3 показан примерный вид 300 экрана совпадающих аннотаций, полученных различными средствами в соответствии с примерным вариантом осуществления. Как отмечено выше, дисплей для отображения вида 300 экрана может быть интерактивным GUI, через который пользователь вводит в инструмент 210, связывающий данные, такие данные, как выбор изображения, запрос более подробной информации и т.д.

Вид 300 экрана содержит участок изображений "Images", на котором пользователь может выбрать изображение, полученное различными средствами, такое как ультразвуковое изображение, изображение маммографии и изображение MRI. Вид 300 экрана может также содержать участок отчета "Report", на котором пользователь может выбирать различные патологические изменения из списка совпадающих патологических изменений. Вид 300 экрана дополнительно содержит участок аннотаций "Annotate", на который пользователь может вводить различные подробные аннотации для выбранного изображения. Эти подробные аннотации могут содержать добавление новой массы, добавление отсутствия массы, добавление области фокусировки и т.д. Дополнительные подробные аннотации могут содержать, без ограничения, анатомическое положение патологического изменения, массовые характеристики (например, форма, граница, структуры улучшения и т.д.), кинетические описания (например, начальное поглощение, задержанная фаза и т.д.), стабильность, результаты измерений и т.д.

В дополнение к этим аннотациям вид 300 экрана содержит участок "Оценка", на который пользователь может вводить оценку, а также медицинские заметки, связанные с этим конкретным результатом. Всякий раз, когда обеспечивается подача или коррекция входных данных в пределах GUI вида 300 экрана, пользователь может сохранить исследование в базе 260 данных инструмента 210. Альтернативно, пользователь может также переместить результат или удалить исследование из базы 260 данных, когда оно более не требуется.

На фиг. 4 показан примерный способ 400 для автоматизации последовательности назначения порядка операций и слежения за процессом в соответствии с примерным вариантом осуществления. Следует заметить, что способ 400 будет обсуждаться со ссылкой на инструмент 210, связывающий данные, и компоненты системы 200, показанные на фиг. 2. Как подробно описано выше, инструмент 210, связывающий данные, позволяет пользователю объединять различные средства для одного и того же патологического изменения, чтобы сводка об изменении могла быть эффективно и рационально получена пользователем.

Начиная с этапа 410, инструмент 210, связывающий данные, принимает медицинские данные от пользователя. Как замечено выше, пользователь может обрисовать медицинские данные, такие как патологические изменения, на изображении, используя инструмент аннотации. Например, пользователь может обеспечить аннотации к текущему изображению, используя стандартизированный инструмент аннотации, такой как инструмент BI-RADS. Аннотации BI-RADS могут быть кодированы на языке XML и переданы подсистеме 240 связывания для обработки.

На этапе 420 модуль 220 извлечения на основе изображений инструмента 210 извлекает контекстную информацию из аннотированного изображения, предоставленного пользователем. Как замечено выше, контекстные данные могут содержать информацию, недоступную иначе, как через инструмент аннотации. Эта контекстная информация может содержать пояснительные надписи, относительное расстояние до ориентира (например, сосок, поверхность кожи и т.д.), патологические результаты (например, другое патологическое изменение поблизости) и т.д. Подобно аннотациям BI-RADS контекстные данные могут быть кодированы на языке XML и переданы подсистеме 240 связывания для обработки.

На этапе 430 модуль 230 выбора признаков инструмента 210 формирует многомодовый вектор признаков, используя извлеченные контекстные данные и аннотации пользователя. Как отмечено выше, выбор признаков может быть основан на статистических моделях, хранящихся в базе 260 данных, и весовом коэффициенте (например, показателе релевантности) выбранных признаков, полученных и сформированных в виде многомодового вектора признаков.

На этапе 440 модуль 240 связывания вычисляет подобие между вектором признаков текущей аннотации и вектором признаков предшествующей аннотации, используемым как опорную точку. Конкретно, модуль 240 связывания вычисляет взвешенную сумму всех расстояний между каждым из элементов двух векторов. Другими словами, показатель релевантности вычисляется для каждого из признаков аннотации текущего вектора признаков относительно предшествующего вектора признаков (например, вектора, служащего в качестве опорной точки). Соответственно, модуль 240 связывания сортирует релевантные аннотации и предоставляет список наиболее релевантных показателей аннотации модулю 250 представления.

На этапе 450 модуль 250 представления отображает через GUI любые совпадающие аннотации между вектором признаков и опорным вектором признаков пользователю. Примерный GUI может быть порталом на веб-основе, доступным для одного или более врачей в сети.

На этапе 460 инструмент 210, связывающий данные, принимает дополнительно введенные пользователем данные, такие как выбор изображения, запроса более подробной информации и т.д. Соответственно, модуль 250 представления корректирует отображение на GUI, основываясь на принятых дополнительно введенных пользователем данных.

Когда аннотации связаны через инструмент 210, связывающий данные, может быть сформирована сводка изменений (например, изменения объема, формы, границы и т.д.) для каждого патологического изменения.

Соответственно, эта сводка может быть применена к любому количеству исследований рака молочной железы и информационных служб, таких как, например, "Cancer Care Companion" и "Integral Breast" компании Clinical Information Solutions и продуктов "MammoTrack" компании Koninklijke Electronics, N.V., Эйндховен, Нидерланды.

Специалисты в данной области техники должны понимать, что описанные выше примерные варианты осуществления могут быть осуществлены любым количеством способов, в том числе как отдельные программные модули, как комбинация аппаратурного и программного обеспечения и т.д. Например, инструмент 210, связывающий данные, может быть программой, состоящей из кодовых строк, хранящихся на энергонезависимом считываемом компьютером носителе данных, которые, когда компилированы, могут быть выполнены на процессоре.

Заметим, что пункты формулы изобретения могут содержать ссылочные знаки/позиции в соответствии с 6.2(b) РСТ. Однако настоящая формула изобретения не должна рассматриваться как ограниченная примерными вариантами осуществления, соответствующими ссылочным знакам/позициям.

Специалистам в данной области техники должно быть очевидно, что в настоящее изобретение могут быть внесены различные модификации, не отступая от сущности или объема изобретения. Таким образом подразумевается, что настоящее изобретение охватывает модификации и изменения настоящего изобретения при условии, что они попадают в рамки объема приложенной формулы изобретения и ее эквивалентов.

1. Система для интеллектуального объединения данных медицинских исследований, полученных посредством разных способов, содержащая:
модуль извлечения, извлекающий контекстную информацию из изображения интересующей области пациента, которое включает в себя аннотации, при этом контекстная информация представляет результаты медицинского исследования;
модуль выбора признаков, формирующий текущий вектор признаков, используя извлеченную контекстную информацию и аннотации;
подсистему связывания, вычисляющую показатель подобия между текущим вектором признаков и опорным вектором признаков, сформированным из аннотированного предшествующего изображения упомянутой интересующей области,
подсистему представления, обеспечивающую отображение представляемых данных на основе показателя подобия, при этом показатель подобия (D) вычисляется как взвешенная сумма расстояний (di) между каждым элементом (mi) текущего вектора признаков и опорного вектора признаков, при этом

и при этом расстояния (di) вычисляются как

где ai и bi - признаки аннотации, a a′i и b′i - контекстные признаки, соответствующие признакам аннотации ai и bi соответственно.

2. Система по п. 1, в которой подсистема представления отображает совпадающие аннотации между упомянутым изображением и упомянутым предшествующим изображением.

3. Система по п. 2, в которой подсистема представления принимает входные данные от пользователя через пользовательский интерфейс и корректирует упомянутое изображение, основываясь на входных данных.

4. Система по п. 3, в которой входные данные, принятые от пользователя, включают в себя по меньшей мере одно из выбора изображения, скорректированной подробности, оценки и запроса дополнительной информации.

5. Система по п. 1, в которой аннотации включают в себя по меньшей мере одно из считывания средства получения изображения, считывания латеральности, считывания глубины, считывания местоположения, считывания типа, считывания формы и считывания результата измерения.

6. Система по п. 1, в которой контекстная информация включает в себя по меньшей мере одно из относительного расстояния до соска, относительного расстояния до поверхности кожи, относительного расстояния до патологического изменения, оценки объема, вероятности типа и вероятности формы.

7. Система по п. 1, в которой интересующей областью является патологическое изменение у пациента, больного раком молочной железы.

8. Система по п. 1, в которой упомянутое изображение и упомянутое предшествующее изображение получены в отношении одной и той же интересующей области с использованием разных протоколов получения изображения, причем протоколы получения изображения включают в себя по меньшей мере одно из протокола получения ультразвукового изображения, протокола получения изображения магнитно-резонансной томографии ("MRI") и протокола получения изображения маммографии ("MG").

9. Способ интеллектуального объединения данных медицинских исследований, полученных посредством разных способов, содержащий этапы, на которых:
извлекают посредством модуля извлечения контекстную информацию из изображения интересующей области пациента, которое включает в себя аннотации, при этом контекстная информация представляет результаты медицинского исследования;
формируют посредством модуля выбора признаков текущий вектор признаков, используя извлеченную контекстную информацию и аннотации;
вычисляют посредством подсистемы связывания показатель подобия между текущим вектором признаков и опорным вектором признаков, сформированным из аннотированного предшествующего изображения упомянутой интересующей области,
отображают посредством подсистемы представления представляемые данные на основе показателя подобия,
причем показатель подобия (D) вычисляется как взвешенная сумма расстояний (di) между каждым элементом (mi) текущего вектора признаков и опорного вектора признаков, при этом

и при этом расстояния (di) вычисляются как

где ai и bi - признаки аннотации, a a′i и b′i - контекстные признаки, соответствующие признакам аннотации ai и bi соответственно.

10. Способ по п. 9, дополнительно содержащий этап, на котором отображают посредством подсистемы представления совпадающие аннотации между упомянутым изображением и упомянутым предшествующим изображением.

11. Способ по п. 9, дополнительно содержащий этапы, на которых:
принимают входные данные от пользователя через пользовательский интерфейс и
корректируют упомянутое изображение на основе входных данных.

12. Способ по п. 11, в котором входные данные, принятые от пользователя, включают в себя по меньшей мере одно из выбора изображения, скорректированной подробности, оценки и запроса дополнительной информации.

13. Способ по п. 9, в котором аннотации включают в себя по меньшей мере одно из считывания средства получения изображения, считывания латеральности, считывания глубины, считывания местоположения, считывания типа, считывания формы и считывания результата измерения.

14. Способ по п. 9, в котором контекстная информация включает в себя по меньшей мере одно из относительного расстояния до соска, относительного расстояния до поверхности кожи, относительного расстояния до патологического изменения, оценки объема, вероятности типа и вероятности формы.

15. Способ по п. 9, в котором интересующей областью является патологическое изменение у пациента, больного раком молочной железы.

16. Способ по п. 9, в котором упомянутое изображение и упомянутое предшествующее изображение получены в отношении одной и той же интересующей области с использованием разных протоколов получения изображения, при этом протоколы получения изображения включают в себя по меньшей мере одно из протокола получения ультразвукового изображения, протокола получения изображения магнитно-резонансной томографии ("MRI") и протокола получения изображения маммографии ("MG").

17. Энергонезависимый машиночитаемый носитель данных, включающий в себя набор исполняемых процессором команд для интеллектуального объединения данных медицинских исследований, полученных посредством разных способов, причем набор команд выполнен с возможностью по меньшей мере:
извлекать контекстную информацию из изображения интересующей области пациента, которое включает в себя аннотации, при этом контекстная информация представляет результаты медицинского исследования;
формировать текущий вектор признаков, используя извлеченную контекстную информацию и аннотации;
вычислять показатель подобия между текущим вектором признаков и опорным вектором признаков, сформированным из аннотированного предшествующего изображения упомянутой интересующей области, причем показатель подобия (D) вычисляется как взвешенная сумма расстояний (di) между каждым элементом (mi) текущего вектора признаков и опорного вектора признаков,
обеспечивать отображение представляемых данных на основе показателя (D) подобия, при этом

и при этом расстояния (di) вычисляются как

где ai и bi - признаки аннотации, а а′i и b′i - контекстные признаки, соответствующие признакам аннотации ai и bi соответственно.

18. Энергонезависимый машиночитаемый носитель данных по п. 17, в котором набор команд дополнительно выполнен с возможностью:
отображать совпадающие аннотации между упомянутым изображением и упомянутым предшествующим изображением;
принимать входные данные от пользователя через пользовательский интерфейс; и
корректировать упомянутое изображение на основе входных данных.

19. Энергонезависимый машиночитаемый носитель данных по п. 17, при этом аннотации включают в себя по меньшей мере одно из считывания средства получения изображения, считывания латеральности, считывания глубины, считывания местоположения, считывания типа, считывания формы и считывания результата измерения.

20. Энергонезависимый машиночитаемый носитель данных по п. 17, при этом упомянутое изображение и упомянутое предшествующее изображение получены в отношении одной и той же интересующей области с использованием разных протоколов получения изображения, причем протоколы получения изображения включают в себя по меньшей мере одно из протокола получения ультразвукового изображения, протокола получения изображения магнитно-резонансной томографии ("MRI") и протокола получения изображения маммографии ("MG").



 

Похожие патенты:

Изобретение относится к технологиям обработки электронных документов. Техническим результатом является обеспечение классификации изображений документов на основе функции классификации.

Группа изобретений относится к технологиям распознавания символов, соответствующих изображениям символов, полученных из изображения отсканированного документа или другого изображения, содержащего текст.

Группа изобретений относится к технологиям оптического распознавания символов (OCR) кадров видеоматериалов с целью обнаружения в них текстов на естественных языках.

Изобретение относится к области поиска изображений. Технический результат - обеспечение повышения эффективности процесса поиска изображений, посредством использования композитного параметра визуальных характеристик.

Изобретение относится к средствам распознавания механического воздействия с использованием электронных средств. Техническим результатом является повышение безопасности при идентификации пользователя.

Изобретение относится к оптическому распознаванию символов. Техническим результатом является оптимизация оптического распознавания символов за счет использования леса решений.

Группа изобретений относится к области вычислительной техники, может быть использована в специализированных устройствах аппаратной поддержки типовых операций задач распознавания образов, в аппаратной поддержке в высокопроизводительных системах и устройствах параллельной обработки символьной информации, в аппаратных средствах поддержки вывода в информационно-поисковых и экспертных системах, осуществляющих обработку строк (строковых данных), и позволяет реализовать операции поиска по образцу и модификации строки на основе ассоциативной памяти.

Изобретение относится к области распознавания образов. Технический результат заключается в повышении точности определения сравниваемых изображений.

Способ определения скорости движущихся объектов методом пассивной локации включает получение изображения самолета при помощи телевизионной системы с формированием видеокадров перемещения движущегося объекта в поле зрения оптической системы и их оцифровкой, определение величины перемещения изображения движущегося объекта на фотоприемной матрице по перемещению центра тяжести изображения.

Изобретение относится к системам определения цвета цветового образца по изображению цветового образца. Техническим результатом является устранение искажения изображения известных калибровочных цветов за счет применения преобразования перспективы в зависимости от местоположения идентифицированных точек на изображении.
Наверх