[发明专利]通过分析配准确定图像相似性

说明书

公开了计算机实现的方法，包括确定两个医学图像拍摄的是否是同一患者。在第一方面，这是通过分析两个图像彼此的配准来完成的。配准可以是两个图像之间的直接配准，或间接配准(例如经由每个图像都配准到的图谱)。在其他方面，基于图像配准训练机器学习算法，以确定两个医学图像拍摄的是否是同一患者。所公开的方法的目的用于能够将为同一患者拍摄的医学图像分组到一起，而无需提供关于患者身份的数据或以其他方式处理关于患者身份的数据。

技术领域

本发明涉及计算机实现的方法、相应的计算机程序、一种存储这种程序的计算机可读存储介质和一种执行该程序的计算机，以及一种包括电子数据存储装置和上述计算机的系统，其中，所述计算机实现的方法用于确定多个医学图像拍摄的是否是同一患者及训练学习算法以确定多个医学图像拍摄的是否是同一患者。

背景技术

在对为同一患者拍摄的医学图像数据集进行相互比较时，经常面临的问题是，例如由于因成像条件或解剖结构的变化导致的数据集之间的偏差，待比较的集合的图像内容可能不具有可比性，例如不完全具有可比性。已知将作为个体患者的特征并且存在于待比较的数据集中的图像特征相互比较，以确定例如这些数据集是否来自同一患者。然而，在应用这种比较方法时，成像条件或解剖结构的变化可能导致数据集来自不同患者的结果，因此这可能导致错误的结果，而恰恰相反。

因此，本发明的目的可以定义为例如提供一种比较医学图像的更可靠的方法，该方法例如考虑到生成待比较的数据集的时间点之间的成像条件或解剖结构的变化。

US 2013/0251099 A1公开了一种验证患者身份的方法，其中，获得将接受放射治疗的个体的图像并将其与预期进行放射治疗的患者的参考图像进行比较。在考虑用于定义由比较产生的相似性的阈值的基础上，基于个体的图像与患者的参考图像的比较，可以做出个体是预期的患者的否定确认。

US 2018/0300540 A1公开了用于识别数字图像中的个体的技术。捕捉包含一个或多个人的场景的数字图像或多个数字图像。单个数字图像可以用作单个机器学习模型的输入。在一些实施方案中，可以训练单个机器学习模型以执行非面部特征识别任务和面部相关识别任务。可以基于输入在单个机器学习模型上生成输出。输出可以包括指示一个或多个人的给定人的非面部特征的第一数据和至少指示数字图像中给定人的面部相对于非面部特征的位置的第二数据。在各种实施例中，可以至少部分地基于输出来识别给定的人。

下文公开了本发明的各个方面、示例和示例性步骤及其实施例。只要技术上有利和可行，本发明的不同示例性特征可以根据本发明进行组合。

发明内容

发明示例性简述

在下文中，给出了对本发明具体特征的简要描述，其不应理解为将本发明仅限于本部分中描述的特征或特征组合。

本公开的方法包括确定两个医学图像拍摄的是否是同一患者。在第一方面，这是通过分析两个图像彼此的配准来完成的。配准可以是两个图像之间的直接配准，或间接配准，例如经由每个图像都配准到的图谱。在其他方面，基于图像配准训练机器学习算法以确定两个图像拍摄的是否是同一患者。所公开的方法用于能够将为同一患者拍摄的医学图像分组到一起，而无需提供或以其他方式处理关于患者身份的数据。

发明概述

在本部分中，例如通过参照本发明的可行实施例给出对本发明的一般特征的描述。

一般而言，本发明通过在第一方面提供如下方法来达成上述目的：用于确定多个(例如两个)或恰好两个医学图像拍摄的是否是同一患者的计算机实现的方法(例如，医学方法)。根据第一方面的方法包括在至少一个计算机的至少一个处理器上，执行由至少一个处理器执行的以下示例性步骤。

在根据第一方面的方法的(例如第一)示例性步骤中，获取第一患者图像数据，该第一患者图像数据描述第一患者的第一解剖学身体部位的第一医学图像。