[發明專利]用于評估動態數據的系統和方法

在審

• 申請號: 201980022371.0
• 申請日: 2019-02-08
• 公開（公告）號: CN111971751A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 達蒂什·達亞南·尚巴格;維韋卡·普拉巴卡爾·維迪雅;拉凱什·穆利克;李霞
• 申請（專利權）人: 通用電氣公司
• 主分類號: G16H30/40
• 分類號: G16H30/40;G16H40/63;G16H50/20;G16H50/70
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 馬爽;臧建明

一種用于實時分析由成像模態在掃描程序期間生成的動態數據的方法包括接收對應于受檢者的動態數據。此外，該方法包括接收被配置為處理動態數據的深度學習模型，其中深度學習模型是基于使用先前獲取的動態數據所訓練的神經網絡。該方法包括使用深度學習模型實時處理動態數據以生成代表受檢者的醫療狀態的至少一個特征值。另外，該方法包括基于至少一個特征值自動生成對應于醫療狀態的醫療推薦。該方法還包括經由顯示單元呈現醫療推薦以便于向受檢者提供醫療護理。

背景技術

本說明書的實施方案整體涉及動態數據的處理和評估，并且更具體地涉及用于使用在掃描程序期間獲取的動態數據來識別醫療狀態的系統和方法。

醫學成像數據越來越多地用于診斷和治療健康狀況，諸如但不限于癌癥狀況和動脈疾病。成像技術諸如動態計算機斷層掃描(CT)和磁共振成像(MRI)生成具有有價值的診斷信息的大量醫學圖像。然而，醫療專業人員需要研究這些圖像以得出任何有用的診斷信息。而且，對圖像的研究是費力且耗時的過程。

由于需要大量體素來表示增加的動態分辨率，因此在新興應用中動態數據的視覺檢查是不切實際的。通常，使用基于物理學的模型或生理模型通過一個或多個參數來量化動態數據。處理參數以識別病變或“風險”區域，并且得出治療決策或指導外科干預。通常，量化不是標準化的，并且參數具有高可變性并且不一致。此外，在許多情況下，量化需要大量的計算工作并且可能需要離線執行。分析參數和確定醫療狀態的負擔由醫療專業人員承擔。

醫學圖像體積的自動分割和分析是醫療專業人員用于為患者提供有效治療計劃的有前景且有價值的工具。通常使用機器學習技術來執行醫學圖像體積的自動分割和分析。然而，常規機器學習技術需要從動態數據中提取臨床相關信息。通常，由醫療專業人員手動生成臨床相關信息。生成訓練數據集需要用戶干預，這必然帶來主觀性和質量問題。

近來，深度學習技術越來越多地用于在各種醫學應用中處理動態數據。這些深度學習技術已用于在非線性建模和計算要求方面涉及極其復雜的系統的機器學習任務。

發明內容

根據本說明書的一個方面，公開了一種用于實時分析由成像模態在掃描程序期間生成的動態數據的方法。該方法包括經由數據獲取單元實時接收對應于受檢者的動態數據。此外，該方法包括經由數據獲取單元接收被配置為處理動態數據的深度學習模型，其中深度學習模型是基于使用先前獲取的動態數據所訓練的神經網絡，并且其中深度學習模型被配置為確定解剖區的功能狀態、感興趣區的生理狀態和用于生成臨床決策的臨床參數中的至少一者。此外，該方法包括經由深度學習單元使用深度學習模型實時處理動態數據以生成代表受檢者的醫療狀態的至少一個特征值。此外，該方法包括經由推薦單元基于至少一個特征值自動生成對應于醫療狀態的醫療推薦。該方法還包括經由顯示單元呈現醫療推薦以便于向受檢者提供醫療護理。

根據本說明書的另一方面，公開了一種用于實時分析由成像模態在掃描程序期間生成的動態數據的系統。該系統包括數據庫單元，該數據庫單元被配置為存儲對應于多個醫療狀態的多個深度學習模型，其中多個深度學習模型是基于使用先前獲取的動態數據所訓練的神經網絡。此外，該系統包括數據獲取單元，該數據獲取單元被配置為接收對應于受檢者的動態數據。另外，數據獲取單元被配置為接收多個深度學習模型中的深度學習模型，其中深度學習模型被配置為確定解剖區的功能狀態、感興趣區的生理狀態和用于生成臨床決策的臨床參數中的至少一者。該系統還包括深度學習單元，該深度學習單元通信地耦接到數據獲取單元并且被配置為使用深度學習模型實時處理動態數據以生成代表受檢者的醫療狀態的至少一個特征值。此外，該系統包括推薦單元，該推薦單元通信地耦接到深度學習單元并且被配置為基于至少一個特征值自動生成對應于醫療狀態的醫療推薦。該系統還包括顯示單元，該顯示單元通信地耦接到推薦單元并且被配置為呈現醫療推薦以便于向受檢者提供醫療護理。

附圖說明

當參考附圖閱讀以下詳細描述時，將更好地理解本發明實施方案的這些和其他特征和方面，其中附圖中相同的符號在所有附圖中表示相同的部分，其中：