-
Die Erfindung betrifft ein computerimplementiertes Verfahren zur Klassifizierung eines Körpertyps wenigstens einer Person, insbesondere wenigstens eines Patienten. Daneben betrifft die Erfindung eine Verarbeitungseinrichtung, ein Computerprogramm und einen computerlesbaren Datenträger.
-
Für eine Vielzahl von, insbesondere medizinischen, Anwendungen ist es vorteilhaft, einen Überblick über den typischen Habitus, also das typische äußere Erscheinungsbild, von relevanten Personen- beziehungsweise Patientengruppen zu erhalten. Hierbei können beispielsweise Personengruppen relevant sein, die eine bestimmte Klinik nutzen oder die in einer bestimmten Region oder einem bestimmten Land leben. Der Habitus eines Patienten, insbesondere seine Größe, sein Gewicht und sein Körpertyp, also beispielsweise ob es sich um einen Patienten mit eher schmaler Brust oder mit eher schmaler Hüfte handelt, kann beispielsweise relevant sein für die Einstellung von Betriebsparametern einer medizinischen Diagnoseeinrichtung oder Therapieeinrichtung, wie z.B. eine Bestrahlungseinrichtung oder einer Bildgebungseinrichtung, insbesondere z.B. für eine Dosisregelung im Rahmen von Röntgenaufnahmen oder für eine Kontrastmittelgabe sein. Im Rahmen einer Vorkonfiguration kann es hierbei zweckmäßig sein, vorbereitend Parameter für einen typischen Patientenhabitus in einer bestimmten Klinik oder für eine andere begrenzte Patientengruppe vorzugeben beziehungsweise Konfigurationen für die Einstellung von Betriebsparametern einer medizinischen Diagnoseeinrichtung oder Therapieeinrichtung für die relevantesten auftretenden Personengruppen vorzugeben.
-
Eine Verteilung der äußeren Erscheinung in einem Patientenstamm wird typischerweise nicht detailliert erfasst. Somit ist es typischerweise erforderlich, sich auf Schätzungen gro-ßen Organisationen zu verlassen, die jedoch typischerweise regionale oder andere den eigenen Patientenstamm beeinflussende Einflüsse nicht berücksichtigen. Alternativ muss eine subjektive Schätzung durchgeführt werden, die jedoch typischerweise deutlich fehlerbehaftet ist.
-
Sollen die oben genannten Nachteile vermieden werden, wäre es notwendig, eine separate Erfassung entsprechender Daten für jeden Patienten durchzuführen, was jedoch zu zusätzlichem Arbeitsaufwand beim medizinischen Personal führt und unter Umständen Fehleranfällig sein kann.
-
Der Erfindung liegt somit die Aufgabe zugrunde, eine verbesserte Möglichkeit anzugeben, Informationen über den Körpertyp und somit den Habitus von einzelnen Personen zu gewinnen und hierdurch auch eine Erfassung von statistischen Informationen über größere Gruppen zu verbessern.
-
Nachstehend wird die erfindungsgemäße Lösung der Aufgabe sowohl in Bezug auf das beanspruchte Verfahren, die beanspruchte Verarbeitungseinrichtung und das beanspruchte Computerprogramm beschrieben. Hierbei erwähnte Merkmale, Vorteile oder alternative Ausführungsformen sind ebenso auch auf die anderen beanspruchten Gegenstände zu übertragen und umgekehrt. Mit anderen Worten können die gegenständlichen Ansprüche (die beispielsweise auf die Verarbeitungseinrichtung gerichtet sind) auch mit den Merkmalen, die in Zusammenhang mit einem Verfahren beschrieben oder beansprucht sind, weitergebildet sein und umgekehrt. Die entsprechenden funktionalen Merkmale des Verfahrens werden dabei durch entsprechende gegenständliche Module bzw. Untereinheiten der Verarbeitungseinrichtung oder des Computerprogramms ausgebildet.
-
Die Aufgabe wird erfindungsgemäß durch ein computerimplementiertes Verfahren zur Klassifizierung eines Körpertyps wenigstens einer Person, insbesondere wenigstens eines Patienten, gelöst, das die folgenden Schritte umfasst:
- - Empfangen wenigstens eines Bilddatensatzes der jeweiligen Person, der zumindest einen Teilbereich der Person abbildet, und
- - Ermitteln eines Körpertyps für die Person durch ein Optimierungsverfahren, wobei für jeden der möglichen Körpertypen ein jeweiliges Personenmodell verwendet wird, das in Abhängigkeit von einem Personenparameter oder von mehreren Personenparametern eine erwartete Personengeometrie der durch das Personenmodell beschrieben Person vorgibt, wobei durch das Optimierungsverfahren der Körpertyp gewählt wird, indem ein Ähnlichkeitsmaß für die Ähnlichkeit des Bilddatensatzes oder einer aus dem Bilddatensatz ermittelten Personengeometrie mit der erwarteten Personengeometrie durch Wahl des Körpertyps optimiert wird.
-
Insbesondere kann durch eine Klassifizierung der Körpertyp einer Person einer Mehrzahl von Klassen von Körpertypen zugeordnet werden.
-
Im erfindungsgemäßen Verfahren wird ausgenutzt, dass häufig für einen erheblichen Teil des Patientenstamms oder andere Personengruppen ohnehin Bilddatensätze vorliegen, beispielsweise topographische Übersichtsröntgenaufnahmen oder Magnetresonanztomographieaufnahmen, die die gesamte Person oder zumindest ausreichend große Teilbereiche abbilden, um auf einen Körpertyp rückschließen zu können.
-
Unter einem Körpertyp werden hierbei vorliegend insbesondere verschiedene Variationen der Breite beziehungsweise Tiefe des Körpers entlang der Höhe verstanden, also beispielsweise die Unterscheidung, ob eher breite Hüften und ein schmaler Brustkorb vorliegen oder umgekehrt und Ähnliches. Weitere den Habitus betreffende Parameter, insbesondere die Größe und das Gewicht der Person, können hierbei als Personenparameter berücksichtigt werden.
-
Es wurde erkannt, dass durch Vorgabe eines durch wenigstens einen Personenparameter parametrisierten Personenmodells für einen jeweiligen Körpertypen die verschiedenen Körpertypen gut abgebildet werden können. Im Rahmen eines Optimierungsverfahrens kann somit entschieden werden, welches der Personenmodelle am besten zu dem jeweiligen Bilddatensatz passt und somit welcher Körpertyp am ehesten dem Körpertyp der entsprechenden Person entspricht. Im Idealfall wären hierbei alle weiteren Parameter, von denen der Bilddatensatz abhängt, also die Personenparameter und die Bildgebung betreffende Erfassungsparameter, bekannt, so dass es ausreichend wäre, die durch das jeweilige Personenmodell bei der entsprechenden Parametrisierung vorgegebene Personengeometrie mit dem Bilddatensatz beziehungsweise einer hieraus ermittelten Personengeometrie zu vergleichen und schlicht jenen Körpertyp zu wählen, für den ein optimales Ähnlichkeitsmaß resultiert. Je nach Wahl des Ähnlichkeitsmaßes kann eine optimale Ähnlichkeit bei minimalem oder maximalem Ähnlichkeitsmaß resultieren.
-
Typischerweise sind jedoch nicht alle Parameter, von denen der Bilddatensatz abhängt, bekannt. Beispielsweise kann die relative Lage der Person bezüglich einer Erfassungseinrichtung nur grob bekannt sein, ein Gewicht oder eine Größe der Person kann unbekannter sein oder Ähnliches. In diesem Fall können die unbekannten Parameter im Rahmen des Optimierungsverfahrens variiert werden, um eine optimale Ähnlichkeit zu erreichen. Da hierbei relativ große Parameterräume resultieren können, kann es vorteilhaft sein, den Parameterraum nicht vollständig abzutasten, sondern beispielsweise ein Gradientenabstiegsverfahren oder Ähnliches im Rahmen der Optimierung zu nutzen, um ein Ähnlichkeitsmaß zu minimieren beziehungsweise zu maximieren.
-
Im Anschluss an die Ermittlung des Körpertyps kann der Körpertyp oder eine hieraus ermittelte Information über eine Ausgangsschnittstelle bereitgestellt werden. Die ermittelte Information kann beispielsweise ein Merkmalsvektor sein, der neben dem Körpertyp den wenigstens einen Personenparameter umfasst und somit dazu geeignet ist, den Habitus der jeweiligen Person zumindest weitgehend zu charakterisieren. Wird das erläuterte Verfahren für sehr große Personengruppen durchgeführt, würde eine sehr große Zahl von Merkmalsvektoren resultieren. Es kann daher vorteilhaft sein, hieraus nur einige besonders relevante Merkmalsvektoren zu bestimmen, beispielsweise durch eine Clusteranalyse, wie später noch erläutert werden wird. Ergebnisse einer solchen Analyse können ebenfalls über eine Ausgangsschnittstelle bereitgestellt werden.
-
Wie bereits obig erwähnt, kann die Bestimmung des Körpertyps beziehungsweise des erläuterten Merkmalvektors auch dazu dienen, weitere Vorgänge, insbesondere weitere Bildgebungen an anderen Personen, zu steuern beziehungsweise vorzukonfigurieren. Daher können auch Steuer- beziehungsweise Konfigurationsinformationen über die Ausgangsschnittstelle bereitgestellt werden.
-
Im erfindungsgemäßen Verfahren soll der Körpertyp, wie obig erläutert, insbesondere die äußere Form einer Person betreffen. Somit können relativ einfache Personenmodelle genutzt werden, die ausschließlich die äußere Form der Person betreffen. Insbesondere im medizinischen Bereich kann es jedoch auch vorteilhaft sein, sogenannte Atlanten zu nutzen, die die Anatomie einer jeweiligen Person für einen jeweiligen Körpertypen beschreiben. Dies kann beispielsweise vorteilhaft sein, wenn im Rahmen der Bestimmung des Körpertyps beziehungsweise der Personenparameter Positionen und/oder Größen interner Merkmale, also beispielsweise eine Lage und/oder Größe von Organen, Knochen, etc. berücksichtigt werden sollen.
-
Das erfindungsgemäße Verfahren soll insbesondere Körpertypen von größeren Personengruppen von Personen bestimmen. Somit ist es vorteilhaft, wenn die Bilddaten, und unter Umständen weitere Zusatzinformationen bezüglich der Person beziehungsweise der Bildgebung, also insbesondere Personen- und/oder Erfassungsparameter, einer Datenbank entnommen werden. Beispielsweise kann das DICOM-Format genutzt werden, in dem nicht nur die Bilddaten selbst, sondern zusätzlich die Aufnahme beziehungsweise die Person betreffende Daten bereitgestellt werden können. Als Datenquelle kann beispielsweise ein Picture Archiving and Communication System (PACS) verwendet werden.
-
In der folgenden Beschreibung wird typischerweise davon ausgegangen, dass es sich bei dem Bilddatensatz um zweidimensionale Röntgendaten oder eine Computertomographie handelt. Es können jedoch auch andere Datenquellen für Bilddatensätze, beispielsweise Magnetresonanztomographen und Kameras, genutzt werden.
-
Bezüglich der Körperform kann beispielsweise zwischen einer rechteckigen, einer dreieckigen, einer umgekehrt dreieckigen, einer trapezförmigen und einer ovalen Körperform unterschieden werden. Bei einer rechteckigen Körperform weist der Körper der Person im Bereich von Brust, Hüfte und Taille ungefähr die gleiche Breite auf. Bei einer dreieckigen Körperform ist die Breite im Brustbereich deutlich geringer als im Hüftbereich und bei einer umgekehrten Dreiecksform gilt das Umgekehrte. Die Trapezform entspricht insofern der umgekehrten Dreiecksform, dass der obere Bereich des Torsos breiter ist als der untere Bereich, wobei jedoch Taille und Hüfte weniger schmal sind als bei der umgekehrten Dreiecksform. Die ovale Körperform zeichnet sich durch einen runden Bauchbereich und runde Oberarme aus.
-
Im erfindungsgemäßen Verfahren können alle genannten Körperformen oder nur Teile dieser Körperformen berücksichtigt werden. Es ist auch möglich, zusätzlich weitere Körperformen zu berücksichtigen. Beispielsweise kann zusätzlich eine sanduhrförmige Körperform berücksichtigt werden, die eine Abwandlung der rechteckigen Körperform mit schmalerer Taille ist.
-
Der jeweilige Personenparameter kann im Rahmen des Optimierungsverfahrens bestimmt werden. Alternativ oder ergänzend kann der jeweilige Personenparameter gemeinsam mit dem jeweiligen Bilddatensatz empfangen werden. Werden mehrere Personenparameter genutzt, ist es möglich, dass alle Personenparameter empfangen werden, alle Personenparameter im Rahmen der Optimierung bestimmt werden oder Teile der Personenparameter empfangen und die verbleibenden Personenparameter im Rahmen der Optimierung bestimmt werden.
-
In Fällen, in denen ein Personenparameter gemeinsam mit dem jeweiligen Bilddatensatz empfangen wird, kann der Wert dieses Personenparameters im Rahmen des Optimierungsverfahrens unverändert bleiben. Es ist jedoch auch möglich, den empfangenen Personenparameter nur zu nutzen, um einen Startwert im Rahmen der Optimierung vorzugeben beziehungsweise um Grenzen vorzugeben, innerhalb derer der entsprechende Personenparameter innerhalb der Optimierung variiert wird. Sowohl eine Vorgabe des Personenparameters als auch eine Ermittlung im Rahmen des Optimierungsverfahrens ermöglichen es, mit einer relativ geringen Anzahl von Personenmodellen eine weitere Variation der Körperform der Personen abzubilden.
-
Als Personenparameter können die Größe und/oder das Gewicht und/oder das Geschlecht der Person und/oder wenigstens eine von der Größe und/oder dem Gewicht abhängige Größe verwendet werden. Die Größe kann insbesondere dazu dienen, das Körpermodell in Längsrichtung zu skalieren. Anhand des Gewichts kann eine Skalierung in Querrichtung und Tiefenrichtung erfolgen. Eine der genannten Größen kann beispielsweise auch durch eine von Größe und Gewicht abhängige Größe, beispielsweise durch den Body-Mass-Index, ersetzt werden. Da sich die Körperformen zwischen Geschlechtern potentiell deutlich unterscheiden, kann es bezüglich des Geschlechts vorteilhaft sein, die zu einem gewissen Körpertyp gehörende Personengeometrie separat für die verschiedenen Geschlechter festzulegen und anhand des Geschlechts zu wählen, welche dieser Geometrien herangezogen werden soll.
-
Der Wert des Ähnlichkeitsmaßes kann in dem Optimierungsverfahren zusätzlich von wenigstens einem Erfassungsparameter abhängen, der die Erfassung des jeweiligen Bilddatensatzes betrifft und der jeweils im Rahmen des Optimierungsverfahrens bestimmt und/oder gemeinsam mit dem jeweiligen Bilddatensatz empfangen wird. Hierbei kann der Erfassungsparameter insbesondere die Aufnahmegeometrie betreffen, also die Position und/oder Orientierung der Person bezüglich des Bildes beziehungsweise des Erfassungsvolumens. Hierbei kann beispielsweise die grobe Aufnahmegeometrie gemeinsam mit dem Bilddatensatz bereitgestellt werden, beispielsweise eine Information, dass es sich um eine Aufnahme des Thorax von vorne handelt, wobei die Erfassungsgeometrie im Rahmen des Optimierungsverfahrens dennoch variiert werden kann, um bessere Übereinstimmungen zu erreichen.
-
Auch andere Erfassungsparameter, insbesondere die Dosis betreffenden Erfassungsparameter bei Röntgenaufnahmen, können berücksichtigt werden. Beispielsweise kann bei Nutzung des DICOM-Formats der sogenannte Radiation Dose Structured Report berücksichtigt werden, um beispielsweise die Röntgendosis beziehungsweise den äquivalenten Durchmesser zu berücksichtigen. Dies kann beispielsweise die Segmentierung der Körperform in den Bilddaten erleichtern, beziehungsweise dazu beitragen, eine Tiefe der Person senkrecht zu der Bildfläche zweidimensionaler Bilddaten anhand der auftretenden Absorptionen besser abschätzen zu können.
-
Wenigstens einer der Erfassungsparameter kann eine Position und/oder Orientierung der Person bezüglich einer zur Erfassung des Bilddatensatzes genutzten Erfassungseinrichtung betreffen. Dies entspricht der obig erläuterten Position beziehungsweise Orientierung der Person bezüglich des Bildes beziehungsweise des Erfassungsvolumens.
-
Die nicht bekannten oder nur grob bekannten Personenparameter beziehungsweise Erfassungsparameter können dadurch bestimmt werden, dass eine Variation des entsprechenden Parameters im Rahmen des Optimierungsverfahrens erfolgt. Somit wird im Optimierungsverfahren der jeweilige Parameter gemeinsam mit dem Körpertyp bestimmt.
-
Alternativ können jedoch auch Verfahren bzw. Algorithmen der Künstlichen Intelligenz, insbesondere des Maschinenlernens (das sog. „Machine Learning“) genutzt werden, um wenigstens einen Personenparameter und/oder wenigstens einen Erfassungsparameter zu bestimmen. Dies kann beispielsweise vorteilhaft sein, wenn nur ein relativ kleiner Ausschnitt einer Person abgebildet ist, und ein die Gesamtperson betreffender Parameter, beispielsweise das Gewicht, ermittelt werden soll. Um dies zu ermöglichen, kann beispielsweise ein überwachtes Lernen genutzt werden, bei dem Trainingsdatensätze genutzt werden, die zusätzlich zum jeweiligen Bilddatensatz den gesuchten Personenparameter beziehungsweise Erfassungsparameter umfassen. Interne Parameter des trainierten Algorithmus können dann variiert werden, um anhand der Bilddaten als Eingangsdaten Personenparameter beziehungsweise Erfassungsparameter zu ermitteln, die möglichst gut mit der Vorgabe der Trainingsdaten übereinstimmen. Hierzu kann beispielsweise eine Fehlerrückführung verwendet werden.
-
Im Allgemeinen können Parameter eines Algorithmus der künstlichen Intelligenz durch Training angepasst werden. Insbesondere können für die hier beschriebenen Verfahren der künstlichen Intelligenz, insbesondere Verfahren des Maschinenlernens zur Bestimmung wenigstens eines Personenparameters und/oder wenigstens eines Erfassungsparameters überwachtes Training, semi-überwachtes Training, Reinforcement Learning und/oder aktives Lernen verwendet werden. Ferner kann auch Representation Learning (ein alternativer Ausdruck ist „Feature Learning“) eingesetzt werden. Insbesondere können die Parameter eines Algorithmus der künstlichen Intelligenz iterativ durch mehrere Trainingsschritte angepasst werden. Der Algorithmus der künstlichen Intelligenz kann im Übrigen auch als trainierte Auswertungsfunktion bezeichnet werden.
-
Der Algorithmus kann insbesondere ein neuronales Netzwerk (neuronales Netz), eine Support Vector Machine, einen Entscheidungsbaum und/oder ein Bayesisches Netzwerk umfassen. Der Auswertungsalgorithmus kann ferner auf k-Means Clustering, Q-Lernen, genetischen Algorithmen und/oder Zuordnungsregeln basieren. Bevorzugt umfasst der Auswertungsalgorithmus der künstlichen Intelligenz im Rahmen der vorliegenden Erfindung ein neuronales Netz. Das neuronale Netz kann ein tiefes neuronales Netz, ein Convolutional Neural Network (CNN) oder ein tiefes CNN sein. Ferner kann das neuronale Netz ein Adversarial Network, ein tiefes Adversarial Network und/oder Generative Adversarial Network (GAN) sein. Insbesondere neuronale Netze können dabei als eine Abfolge von Schichten, die abstrahierbare Zwischenschritte darstellen, verstanden werden und können eine Eingangsschicht und eine Ausgangsschicht umfassen.
-
In dem erfindungsgemäßen Verfahren kann der jeweilige Körpertyp für alle Personen einer Personengruppe ermittelt werden, wobei für jede der Personen ein Merkmalsvektor, der als Einträge den Körpertyp und den Personenparameter oder wenigstens einen der Personenparameter umfasst, bestimmt wird und eine Clusteranalyse dieser Merkmalsvektoren durchgeführt wird, durch die die Merkmalsvektoren einer fest vorgegebenen oder im Rahmen der Clusteranalyse bestimmten Anzahl von Clustern zugeordnet werden, wobei ein charakteristischer Merkmalsvektor für jeden der Cluster bestimmt wird. Das beschriebene Vorgehen ermöglicht es, für eine große Zahl von Personen, beispielsweise mehrere hundert oder einige tausend oder in einigen Fällen sogar eine Million oder mehr Personen, eine relativ geringe Zahl charakteristischer Merkmalsvektoren, beispielsweise zehn bis zwanzig charakteristische Merkmalsvektoren, zu bestimmen, die bestimmte Avatare beziehungsweise Archetypen beschreiben, denen die große Zahl von Personen mit typischerweise guter Genauigkeit zugeordnet werden kann. Hierbei ist es typischerweise vorteilshaft, die Clusterung unter Randbedingungen durchzuführen beziehungsweise die die Abstände von Merkmalsvektoren so gewichten, dass ein jeweiliger Cluster im Wesentlichen ausschließlich einen einzigen Körpertyp umfasst.
-
Ein charakteristischer Merkmalsvektor für einen Cluster von Merkmalsvektoren kann beispielsweise gebildet werden, indem die einzelnen Einträge des Merkmalsvektors isoliert betrachtet werden und für jeden dieser Einträge beispielsweise ein Mittelwert oder ein Medianwert bestimmt wird. Es ist auch möglich, als charakteristischen Merkmalsvektor jenen der Merkmalsvektoren auszuwählen, für den die Summe aller Abstände der weiteren Merkmalsvektoren im Cluster minimal ist. Alternativ zur Auswahl eines bestehenden Merkmalsvektors kann auch synthetisch ein Merkmalsvektor erzeugt werden, für den die Summe der Abstände aller Merkmalsvektoren minimal ist.
-
Als Clusteranalyse kann insbesondere ein partitionierendes Clusterverfahren, beispielsweise ein k-Means-Algorithmus, verwendet werden. Die Anzahl der zu bildenden Cluster kann fest vorgegeben sein. Alternativ kann beispielsweise die bekannte „Elbow-Method“ verwendet werden, um eine Clusterzahl zu bestimmen oder Ähnliches.
-
Für wenigstens eine weitere Person kann ein weiterer Bilddatensatz erfasst werden, wobei wenigstens ein Steuerparameter, von dem die Erfassung des weiteren Bilddatensatzes abhängt, insbesondere eine verwendete Röntgendosis und/oder Kontrastmittelmenge, in Abhängigkeit der charakteristischen Merkmalsvektoren vorgegeben wird. Anders ausgedrückt kann insbesondere berücksichtigt werden, welche Personengeometrien typischerweise in einem bestimmten Patientenstamm, also beispielsweise in einem bestimmten Krankenhaus, einer bestimmten Region oder einem Staat, auftreten und weitere Bilderfassungen können in Abhängigkeit hiervon parametrisiert werden, um die Bildgebung möglichst gut an die Gegebenheiten vor Ort anzupassen.
-
Das Personenmodell kann in Abhängigkeit von dem Personenparameter oder den Personenparametern eine erwartete dreidimensionale Körperoberfläche der durch das Personenmodell beschriebenen Person als erwartete Personengeometrie vorgeben. Dies ist offensichtlich vorteilhaft, wenn der Bilddatensatz dreidimensionale Bilddaten beschreibt, da in diesem Fall eine dreidimensionale Oberfläche der entsprechenden Person bestimmt werden kann und mit dem Personenmodell verglichen werden kann.
-
Auch bei Nutzung von zweidimensionalen Bilddaten kann die Ermittlung einer dreidimensionalen Körperoberfläche als erwartete Personengeometrie jedoch vorteilhaft sein, da hierdurch beispielsweise Fehlorientierungen der Person bezüglich der Erfassungseinrichtung beziehungsweise des Bildes beziehungsweise Erfassungsvolumens leicht erkannt und korrigiert werden können. Zudem kann es beispielsweise bei Röntgenaufnahmen auch möglich sein, die Abmessung des Patienten senkrecht zur Bildebene anhand der Absorption zu berücksichtigen.
-
Eine Möglichkeit, verschiedene Personenmodelle für verschiedene Körpertypen vorzugeben ist es, zunächst ein allgemeines Modell zu definieren, das relativ viele Parameter aufweist. Beispielsweise kann zunächst ein allgemeines Modell genutzt werden, das durch mehrere in der Längsrichtung der Person gestapelte Schichten gebildet wird, beispielsweise durch 200 Schichten. Die Modellparameter können jeweils die Dicke und/oder die Ausdehnung der Schicht in Tiefen und/oder Querrichtung der Person betreffen. Wird beispielsweise in jede dieser Richtungen eine unabhängige Skalierung vorgenommen, weist ein solches allgemeines Modell 600 Parameter auf, wobei offensichtlich eine Vielzahl von Parameterkombinationen zu unsinnigen Körperformen führt. Das Personenmodell für einen bestimmten Körpertyp kann nun so definiert werden, dass die Parameterwerte jedes dieser vielen Parameter in Abhängigkeit einer relativ kleinen Zahl von Personenparametern, beispielsweise in Abhängigkeit ausschließlich des Gewichts, der Größe und des Geschlechts, vorgegeben werden.
-
Der jeweilige Bilddatensatz kann eine zweidimensionale Röntgenaufnahme beschreiben, wobei das Ähnlichkeitsmaß von einer Ausdehnung der erwarteten Personengeometrie senkrecht zur Bildebene der zweidimensionalen Röntgenaufnahme und von einer durch die Röntgenaufnahme beschriebenen Absorptionsstärke der Röntgenstrahlung durch die Person abhängt. Dies ermöglicht es, auch die Tiefe der Person senkrecht zur Bildebene zu berücksichtigen, selbst wenn nur zweidimensionale Bilddaten vorliegen. Hierbei ist es insbesondere möglich, ausschließlich Bereiche des Bilddatensatzes zu nutzen, in denen keine stark absorbierenden Elementen, beispielsweise keine Knochen, angeordnet sind, so dass beispielsweise näherungsweise von einer gewebeunabhängigen Absorption ausgegangen werden kann.
-
Die ermittelte Personengeometrie kann derart ermittelt werden, dass sie einen zweidimensionalen Umriss oder eine dreidimensionale Oberfläche der jeweiligen Person oder des abgebildeten Teilbereichs der jeweiligen Person beschreibt. Der Umriss beziehungsweise die Oberfläche kann durch bekannte Segmentierungsalgorithmen ermittelt werden. Im einfachsten Fall kann eine solche Segmentierung durch Grenzwertvergleich erfolgen. Eine Vielzahl von Segmentierungsansätzen zur Unterscheidung zwischen einer Person und umgebender Luft in medizinischen Bilddaten sind bekannt und sollen daher nicht detailliert erläutert werden.
-
Ergänzend oder alternativ zur Berücksichtigung der Oberfläche beziehungsweise des Umrisses der Person ist es auch möglich, die Positionen und/oder Größen bestimmter Merkmale, also beispielsweise von Organen, Knochen und Ähnlichem, zu berücksichtigen, um die ermittelte Personengeometrie zu bestimmen.
-
Als Bilddatensatz kann jeweils ein Bilddatensatz eines zweidimensionalen Röntgenbilds und/oder einer dreidimensionalen Computertomographie-Untersuchung und/oder eine Magnetresonanztomographie-Untersuchung und/oder Ultraschallmessdaten und/oder Bilddaten einer 3D-Kamera genutzt werden. 3D-Kameras können im sichtbaren Bereich oder auch im Infrarotbereich arbeiten. Als 3D-Kamera kann eine Stereokamera, ein LIDAR, ein Time-of-Flight-Sensor, ein Sensor auf Basis von strukturiertem Licht, etc. genutzt werden.
-
In dem erfindungsgemäßen Verfahren ist es auch möglich, dass mehrere Bilddatensätze für eine Person genutzt werden. Diese können gemeinsam zur Ermittlung der ermittelten Personengeometrie verwendet werden. Dies ist beispielsweise zweckmäßig, wenn zweidimensionale Aufnahmen aus verschiedenen Winkeln vorliegen oder Ähnliches. Prinzipiell ist es auch möglich, für die verschiedenen Bilddatensätze jeweils separat eine Personengeometrie zu ermitteln, um eine Konsistenzprüfung durchzuführen, zu einem Mehrheitsentscheid zu gelangen oder Ähnliches.
-
In dem erfindungsgemäßen Verfahren kann basierend auf der Ermittlung des Körpertyps der Person wenigstens ein Betriebsparameter einer medizinischen Therapieeinrichtung oder einer medizinischen Diagnoseeinrichtung, insbesondere einer Bestrahlungseinrichtung oder einer Bildgebungseinrichtung bestimmt werden.
-
Insbesondere kann der auf diese Weise bestimmte mindestens eine Betriebsparameter an die Steuerungseinheit einer medizinischen Therapieeinrichtung oder einer medizinischen Diagnoseeinrichtung übermittelt werden, um ein Betriebsprotokoll für eine Therapieanwendung bzw. eine Diagnoseuntersuchung auf die jeweilige Person anzupassen. Auf diese Weise kann insbesondere ein Bestrahlungsprotokoll eines Bestrahlungseinrichtung, ein Kontrastmittelinjektionsprotokoll eines Kontrastmittelinjektionsgeräts oder ein Scanprotokoll einer Bildgebungseinrichtung angepasst werden.
-
Die Bestrahlungseinrichtung kann im Rahmen der vorliegenden Erfindung insbesondere eine Einrichtung zur Strahlentherapie mit Röntgenstrahlen, Gammastrahlen, Elektronenstrahlen oder eine Einrichtung der Partikeltherapie sein.
-
Die Bildgebungseinrichtung kann im Rahmen der vorliegenden Erfindung insbesondere eine Röntgeneinrichtung, beispielsweise eine Computertomographieeinrichtung, eine Ultraschalleinrichtung oder eine Magnetresonanzeinrichtung sein.
-
Neben dem erfindungsgemäßen Verfahren betrifft die Erfindung eine Verarbeitungseinrichtung, die zur Durchführung des erfindungsgemäßen computerimplementierenden Verfahrens eingerichtet ist. Die Datenverarbeitung kann beispielsweise durch einen entsprechend programmierten Mikroprozessor oder FPGA erfolgen. Alternativ ist auch eine Umsetzung durch eine fest verdrahtete Verarbeitungseinrichtung, beispielsweise einen AISC, möglich. Die Verarbeitungseinrichtung kann eine Eingangsschnittstelle zum Empfang des wenigstens einen Bilddatensatzes als Eingangsdaten umfassen. Ergebnisdaten, beispielsweise der Körpertyp, ein Merkmalsvektor beziehungsweise eine Gruppe von charakteristischen Merkmalsvektoren oder auch eine Steuer- beziehungsweise Konfigurationsinformation für eine Dosissteuerung beziehungsweise Kontrastmittelgabe können über eine Ausgangsschnittstelle bereitgestellt werden. Die Verarbeitungseinrichtung kann in eine Bildgebungseinrichtung integriert sein oder auch separat von dieser ausgebildet sein. Beispielsweise kann die Verarbeitungseinrichtung ein Arbeitsplatzrechner oder Server sein oder als verteilte Lösung, beispielsweise als Cloud-Lösung, implementiert sein.
-
Zudem betrifft die Erfindung ein Computerprogramm für eine Verarbeitungseinrichtung mit Programmanweisungen, die bei einer Durchführung auf der Verarbeitungseinrichtung das erfindungsgemäße computerimplementierte Verfahren durchführen.
-
Ergänzend betrifft die Erfindung einen computerlesbaren Datenträger, der das erfindungsgemäße Computerprogramm umfasst.
-
Weitere Vorteile und Einzelheiten der Erfindung ergeben sich aus den folgenden Ausführungsbeispielen sowie den zugehörigen Zeichnungen. Hierbei zeigen schematisch:
- 1 im Rahmen eines Ausführungsbeispiels des erfindungsgemäßen computerimplementierten Verfahrens genutzte Datenstrukturen und Algorithmen,
- 2 ein Ablaufdiagramm eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens,
- 3 eine Illustration zur Definition von Körpertypen in einem Ausführungsbeispiel des erfindungsgemäßen Verfahrens, und
- 4 ein Ausführungsbeispiel einer erfindungsgemäßen Verarbeitungseinrichtung und deren Kommunikationspartner.
-
1 zeigt im Rahmen eines computerimplementierten Verfahrens zur Klassifizierung eines Körpertyps 10 von Personen 2 genutzte Algorithmen und Datenstrukturen, während 2 ein Ablaufdiagramm eines entsprechenden Verfahrens zeigt. Das Verfahren kann insbesondere dazu genutzt werden, Körpertypen für eine Patientenpopulation, beispielsweise in einem Krankenhaus oder in einer bestimmten Region, zu bestimmen und in Abhängigkeit hiervon beispielsweise später erfolgende Bildaufnahmen zu steuern.
-
Im gezeigten Ausführungsbeispiel wird zunächst in den Schritten S1 bis S4 der jeweilige Körpertyp 10 für die einzelnen Personen 2 der zu berücksichtigenden Personengruppe 1 bestimmt. Hierdurch wird zunächst in Schritt S1 wenigstens ein Bilddatensatz 4 für eine der Personen 2 der Personengruppe 1 an die in 4 dargestellte Verarbeitungseinrichtung 33 bereitgestellt, die später noch genauer erläutert werden wird. Die Bilddatensätze 4 können beispielsweise auf einem Server 40 abgelegt sein und über ein Netzwerk 39 bereitgestellt werden, wie ebenfalls in 4 dargestellt ist. Hierbei können auf dem Server 40 beispielsweise auch Bilddatensätze 4 abgelegt sein, die durch verschiedene Erfassungseinrichtungen 7, 7' erfasst wurden. Alternativ oder ergänzend können Bilddatensätze 4 auch direkt durch Erfassungseinrichtungen bereitgestellt werden, wie in 4 schematisch für die Erfassungseinrichtung 7'' dargestellt ist. Die einzelnen Bilddatensätze 4 können die gesamte Person 2 abbilden. Typischerweise wird jedoch nur ein Teilbereich 31 der Person 2, beispielsweise der Bereich des Torsos im Bilddatensatz 4 dargestellt, wie schematisch in 3 dargestellt ist.
-
Im gezeigten Beispiel werden die Bilddatensätze 4 als Teil einer Datenstruktur 3 bereitgestellt, die beispielsweise dem DICOM-Standard genügen kann, und die zusätzlich Werte 5 für Personenparameter 11, beispielsweise für ein Gewicht, eine Größe oder ein Geschlecht, und/oder Werte 6 für Erfassungsparameter 14, beispielsweise für eine genutzte Strahlenintensität, eine genutzte Aufnahmegeometrie, etc., umfassen können.
-
In Schritt S2 wird für die jeweilige Person 2 ein Körpertyp 10 ermittelt. Wie bereits im allgemeinen Teil der Beschreibung erläutert wurde, können sich Körpertypen 10 insbesondere bezüglich des Breitenverlaufs der Person 2 entlang dem Körper, insbesondere im Torso-Bereich, unterscheiden. In 3 ist beispielhaft ein rechteckiger Körpertyp dargestellt, für den die Breite 27 im Bereich der Brust, die Breite 28 im Bereich der Taille und die Breite 29 im Bereich der Hüften ungefähr gleich ist und keine signifikante Rundung im Bereich des Bauchs 30 auftritt. Bei einem dreieckigen Körpertyp wäre beispielsweise die Breite 27 im Brustbereich erheblich größer als die Breite 29 im Hüftbereich, und bei einem umgekehrten Dreieckstyp würde das umgekehrte Verhältnis gelten. Bei einem ovalen Körpertyp würde eine starke Rundung im Bereich des Bauchs 30 auftreten. Weitere Körpertypen wurden bereits im allgemeinen Teil diskutiert. Wesentlich ist hierbei, dass die jeweiligen Abmessungen, also insbesondere die Breiten 27, 28, 29, sich nicht unmittelbar aus dem Körpertyp 10 ergeben, sondern zusätzlich von Personenparametern 11 abhängen, also beispielsweise von der Größe, dem Gewicht und dem Geschlecht der Person 2.
-
Um den jeweiligen Körpertyp 10 der Person 2 zu ermitteln, wird zunächst für jeden möglichen Körpertyp 10 ein Personenmodell 9 vorgegeben, das durch wenigstens einen Personenparameter 11, vorzugsweise mehrere Personenparameter 11, parametrisiert ist. Im gezeigten Beispiel sind diese Personenmodelle 9 in einer Datenbank 8 abgelegt. Möglichkeiten, solche Personenmodelle 9 vorzugeben und zu parametrisieren, wurden bereits ausführlich im allgemeinen Teil der Beschreibung diskutiert und werden daher nicht wiederholt.
-
Die Bestimmung des bei der Person 2 tatsächlich vorliegenden Körpertyps 10 erfolgt durch einen Optimierungsalgorithmus 12. Hierbei wird zum leichteren Verständnis des Optimierungsalgorithmus 12 zunächst davon ausgegangen, dass Werte 5, 6 für alle berücksichtigenden Personenparameter 11 und Erfassungsparameter 14 gemeinsam mit dem Bilddatensatz 4 bereitgestellt werden. Varianten, in denen zumindest Teile dieser Parameter erst im Rahmen des Optimierungsverfahrens 12 ermittelt werden, werden anschließend diskutiert.
-
Im Rahmen des Optimierungsverfahrens 12 werden die bekannten Werte 5 für die Personenparameter 11 zunächst in das Personenmodell 9 für jeden der Körpertypen 10 eingesetzt, um eine erwartete Personengeometrie 13 zu erhalten. Die erwartete Personengeometrie 13 kann beispielsweise die erwartete dreidimensionale Form der Oberfläche der jeweiligen Person 2 angeben, falls diese den entsprechenden Körpertyp 10 aufweist.
-
Diese erwartete Personengeometrie 13 wird anschließend mit dem Bilddatensatz 4 beziehungsweise einer aus dem Bilddatensatz 4 ermittelten Personengeometrie 15 verglichen, um ein Ähnlichkeitsmaß 16 zu bestimmen. Handelt es sich bei dem Bilddatensatz 4 beispielsweise um dreidimensionale Bilddaten, kann z.B. durch an sich bekannte Segmentierungsalgorithmen die dreidimensionale Form der Oberfläche der Person 2 als ermittelte Personengeometrie ermittelt werden, womit das Ähnlichkeitsmaß 16 beispielsweise als Abweichung zwischen der durch die erwartete Personengeometrie 13 vorgegebenen, schematisch in 3 dargestellten Körperoberfläche 41 und der durch die ermittelte Personengeometrie 15 vorgegebenen dreidimensionalen Form ermittelt werden kann.
-
Handelt es sich bei dem Bilddatensatz 4 hingegen um zweidimensionale Röntgendaten, so kann aus diesen beispielsweise ein äußerer Umriss der Person ermittelt mit einem Umriss für die erwartete Personengeometrie 13 verglichen werden, um das Ähnlichkeitsmaß zu bestimmen. Da zumindest in einem Großteil des Körperbereichs eine Absorptionsstärke mit der Tiefe des Körpers senkrecht zur Bildebene korreliert, kann diese Absorption zusätzlich berücksichtigt werden und mit einer erwarteten Ausdehnung senkrecht zur Bildebene verglichen werden. In allen erläuterten Fällen können übliche Abstandsmaße, beispielsweise eine zwei-Norm, verwendet werden, um aus einzelnen Abweichungen ein Ähnlichkeitsmaß zu bestimmen.
-
In der bisherigen Diskussion wurde vernachlässigt, dass Aspekte des Bilddatensatzes 4, also beispielsweise die Lage der Person 2 bezüglich des Erfassungsbereichs und/oder eine im Rahmen einer Röntgenaufnahme genutzte Röntgenintensität und somit die Beleuchtungsstärke für einzelne Bildpunkte, von Erfassungsparametern 14 abhängen, die im Rahmen der Bildgebung durch die Erfassungseinrichtung 7 genutzt wurden. Entsprechende Erfassungsparameter 14 können beispielsweise genutzt werden, die erwartete Personengeometrie 13 und die ermittelte Personengeometrie 15 zu registrieren, Grenzwerte oder Ähnliches für eine Segmentierung zur Ermittlung der erwarteten Personengeometrie 15 vorzugeben, eine Korrelation zwischen einer Ausdehnung der erwarteten Personengeometrie 13 senkrecht zur Bildebene und der Absorption vorzugeben und Ähnliches.
-
Sind Werte 5, 6 für alle Personenparameter 11 und Erfassungsparameter 14 bekannt, kann das Ähnlichkeitsmaß 16 im einfachsten Fall für jeden der berücksichtigten Körpertypen 10 ermittelt werden und der Körpertyp 10, für den das optimale Ähnlichkeitsmaß 16, also insbesondere ein Minimum beziehungsweise Maximum für das Ähnlichkeitsmaß 16, resultiert, kann als Körpertyp 10 bestimmt werden.
-
In vielen Anwendungsfällen sind nicht alle Personenparameter beziehungsweise nicht alle die Erfassung betreffenden Erfassungsparameter bekannt. Beispielsweise ist typischerweise die Lage der jeweiligen Person 2 bezüglich des Erfassungsbereichs nicht exakt bekannt und auch einige Personenparameter, beispielsweise das Gewicht, können unbekannt sein. In diesem Fall können unbekannte Parameter im Rahmen des Optimierungsverfahrens 12 variiert werden. Auch für Personenparameter beziehungsweise Erfassungsparameter, für die die Werte 5, 6 vorgegeben sind, kann eine zusätzliche Variation erfolgen, die beispielsweise vom vorgegebenen Wert ausgeht und nur über ein schmales Intervall um den vorgegebenen Wert herum erfolgt.
-
In Fällen, in denen wenigstens ein Personenparameter und/oder wenigstens ein Erfassungsparameter im Rahmen des Optimierungsverfahrens 12 ermittelt werden, resultiert insgesamt ein großer Parameterraum, so dass eine Ermittlung des Ähnlichkeitsmaßes 16 für jeden möglichen Parameterwert der Personen- und/oder Erfassungsparameter 11, 14 und jeden Körpertyp 10 sehr rechenaufwendig wäre. Es können daher übliche Optimierungsverfahren, beispielsweise ein Gradientenabstiegsverfahren, genutzt werden, um das Ähnlichkeitsmaß 16 zu optimieren.
-
Nach Abschluss des Optimierungsverfahrens 12, beispielsweise wenn eine Konvergenzbedingung erfüllt ist, können der ermittelte Körpertyp 10 sowie die ermittelten beziehungsweise bereitgestellten Personenparameter 11 im Schritt S3 gemeinsam als jeweiliger Merkmalsvektor 17 bereitgestellt werden. In Schritt S4 wird dann überprüft, ob bereits für jede der Personen 2 der Personengruppe 1 beziehungsweise für jede Datenstruktur 3 ein entsprechender Merkmalsvektor 17 bestimmt wurde. Ist dies nicht der Fall, so wird das Verfahren ab Schritt S1 für die nächste Person 2 wiederholt.
-
Sobald Merkmalsvektoren 17 für jede der Personen 2 der Gruppe 1 vorliegen, kann in Schritt S5 eine Clusteranalyse 18 durchgeführt werden, beispielsweise indem ein k-Means-Algorithmus auf die Merkmalsvektoren 17 angewandt wird. Hierbei kann die Zahl der zu bildenden Cluster 19, 20, 21 fest vorgegeben sein, es ist jedoch auch möglich, eine optimale Clusterzahl zu ermitteln, beispielsweise indem Cluster für unterschiedliche Clusterzahlen ermittelt werden und anhand des an sich bekannten Elbow-Verfahrens eine optimale Clusterzahl bestimmt wird. Verfahren zur Clusteranalyse sind im Stand der Technik prinzipiell bekannt und sollen daher nicht detailliert erläutert werden. Für jeden der Cluster 19, 20, 21 wird ein charakteristischer Merkmalsvektor 22, 23, 24 bestimmt, der beispielsweise so gewählt werden kann, dass der Abstand aller Merkmalsvektoren 17 im jeweiligen Cluster 19, 20, 21 von dem charakteristischen Merkmalsvektor 22, 23, 24 minimal ist. Verschiedene Ansätze hierfür wurden bereits im allgemeinen Teil diskutiert und sollen nicht wiederholt werden.
-
Die Ermittlung der Cluster 19, 20, 21 und der zugeordneten charakteristischen Merkmalsvektoren 22, 23, 24 ist primär dann zweckmäßig, wenn große Personengruppen 1 von Personen 2 charakterisiert werden sollen, beispielsweise wenn die Personengruppe 1 mehrere hundert oder mehrere tausend Personen 2 umfasst oder sogar noch mehr Personen 2, beispielsweise eine Million Personen 2. Durch die Bildung der Cluster 19, 20, 21 können Personen 2 mit ähnlichem Habitus in einem solchen Cluster 19, 20, 21 zusammengefasst werden und der zugehörige charakteristische Merkmalsvektor 22, 23, 24 kann einen typischen Habitus, also eine Art Archetyp oder Avatar für diese Teilgruppe, die in dem Cluster 19, 20, 21 zusammengefasst ist, bilden. Somit können auch große Personenpopulationen, beispielsweise Patientenpopulationen großer Krankenhäuser oder ganzer Regionen, durch eine relativ kleine Zahl entsprechender Avatare beziehungsweise charakteristischer Merkmalsvektoren 22, 23, 24 berücksichtigt werden. Aus Übersichtlichkeitsgründen sind im Beispiel nur drei Cluster 19, 20, 21 abgebildet. Eine gute Abbildung von divers zusammengesetzten Personen- beziehungsweise Patientengruppen ist typischerweise mit zehn bis zwanzig Clustern möglich.
-
Die in Schritt S5 ermittelten charakteristischen Merkmalsvektoren 22, 23, 24 können in Schritt S6 beispielsweise dazu genutzt werden, einen Steuerparameter 25 zu bestimmen, von dem die Erfassung eines weiteren Bilddatensatzes 32 durch die oder eine weitere Erfassungseinrichtung 7 abhängt. Der weitere Bilddatensatz 32 kann insbesondere eine Person 26 betreffen, die nicht Teil der ursprünglich berücksichtigten Personengruppe 1 war. Beispielsweise kann es sich um einen neuen Patienten in einem Krankenhaus handeln, dessen bisherige Patientenpopulation gemäß dem obig erläuterten Verfahren durch die charakteristischen Merkmalsvektoren 22, 23, 24 abgebildet wird. Da typischerweise davon ausgegangen werden kann, dass die Verteilung des Habitus bei neuen Patienten der Verteilung des Habitus bei bereits behandelten Patienten entspricht, kann es zweckmäßig sein, eine erste Parametrisierung der Bilddatenerfassung anhand von Steuerparametern durchzuführen, die in Abhängigkeit des bisherigen Patientenstamms beziehungsweise der charakteristischen Merkmalsvektoren 22, 23, 24 ermittelt sind. Der Steuerparameter 25 kann beispielsweise eine Röntgendosis beziehungsweise Kontrastmittelmenge, die im Rahmen der Bildgebung genutzt wird, betreffen.
-
4 zeigt schematisch ein Ausführungsbeispiel einer Verarbeitungseinrichtung 33, durch die das obig diskutierte Verfahren durchgeführt werden kann, sowie mit dieser zusammenwirkende Komponenten. Die Verarbeitungseinrichtung 33 kann einen programmierbaren Prozessor 34 und einen zugeordneten Speicher 35 aufweisen, wobei in den Speicher 35 ein Computerprogramm 36 gespeichert sein kann, durch das das obig erläuterte Verfahren implementiert ist.
-
Eingangsdaten, also insbesondere die Bilddatensätze 4 bzw. allgemein die Datenstrukturen 3 können über eine Eingangsschnittstelle 37 der Verarbeitungseinrichtung 33 empfangen werden. Ausgangsdaten, beispielsweise die charakteristischen Merkmalsvektoren 22, 23, 24, die Steuerinformationen 25 und/oder Merkmalsvektoren 17 einzelner Personen 2 können über eine Ausgangsschnittstelle 38 bereitgestellt werden. Im Beispiel sind die Eingangsschnittstelle 37 und Ausgangsschnittstelle 38 über ein Netzwerk 39, beispielsweise das Internet, mit weiteren Einrichtungen gekoppelt. Hierbei kann beispielsweise ein Server 40 Bilddatensätze 4 bereitstellen, die durch verschiedene medizinische Bilderfassungseinrichtungen 7, 7' erfasst wurden. Alternativ kann eine Bildgebungseinrichtung 7'' auch unmittelbar entsprechende Bilddaten bereitstellen beziehungsweise durch den Steuerparameter 25 konfiguriert werden.
-
Obwohl die Erfindung im Detail durch das bevorzugte Ausführungsbeispiel näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.