验证结果数据的方法、结果数据校正方法和验证装置与流程

1.本发明涉及一种用于验证基于ai获得的结果数据的方法。此外，本发明还涉及一种结果数据校正方法。此外，本发明涉及一种用于根据检查测量数据基于ai获取结果数据的方法。此外，本发明还涉及一种验证装置。此外，本发明还涉及一种结果数据校正装置。此外，本发明还涉及一种结果数据获取装置。本发明还涉及一种医学成像装置。

背景技术：

2.借助于现代成像方法常常生成二维或三维图像数据，所述图像数据能够用于对要成像的患者，例如人类或动物进行可视化，并且此外也可用于其它应用。
3.人工智能(缩写为ai)并且尤其深度学习或机器学习是在图像分割、对象检测、分类和回归问题中使用的方法。在深度学习或机器学习中，借助于训练数据对模型进行训练，以根据输入数据，例如医学图像数据来确定结果数据，即所谓的标签。这种标签能够包括涉及整个图像的基于图像的标签。例如为图像分配显示病理的结果。但是，标签也能够涉及图像的局部，例如在较大的图像中的对象或身体区域的名称。在训练之后，所述模型也能够用于基于新的输入数据来确定结果数据。
4.基于ai的预测具有一定的不确定性。因此期望检查这种模型的可靠性。这种模型不为其个体的预测提供比较变量。如果经训练的神经网络做出错误的预测，则需要附加的措施来确保：整个系统不会出现故障。神经网络不了解其结果如何进而仅基于输入数据进行预测。
5.因此，需要对这种基于人工智能的预测模型进行附加检查。
6.已经存在一些方法来提高基于ai的结果数据的透明度和可靠性。在这种情况下，提高的透明度表示：用户能够了解：结果数据如何生成。在此，图像区域被可视化，所述图像区域用作为基于ai的结果数据的基础，例如激活图、分割或对象检测。这种方法在https://arxiv.org/abs/2008.02766或在nishanth arun等著的“assessing the(un)trustworthiness of saliency maps for localizing abnormalities in medical imaging”中进行描述。由此虽然实现了一定的透明度，但是没有提供明确的信息来检查所估计的结果的可靠性。
7.可靠性，意即确定结果数据的确定性的量度能够通过输出置信度值来给出。这种值代表算法的敏感性或特异性。由此给出平均可靠性，但是没有给出关于当前的估计或当前的结果数据的明确信息。
8.在基于ai的训练方法中也能够一并考虑一定的不确定性。这种方式在https://arxiv.org/pdf/1709.09844.pdf或由amit mandelbaum等著的“distance-based confidence score for neural network classifiers”中进行描述。但是，在应用于与训练数据明显偏差的输入数据时，这种设计方案通常会失败。这种情况也称为域外情况(out-of-domain-situation)。
9.也能够为一个集合的结果数据形成平均值，以便能够估计不确定性。这种方式在
https://papers.nips.cc/paper/2017/file/9ef2ed4b7fd2c810847ffa5fa85bce38-paper.pdf或在balaji lakshminarayanan等著的“simple and scalable predictive uncertainty estimation using deep ensembles”中进行描述。但是，对于同一任务必须使用多种算法，这是相应耗费的。

技术实现要素：

10.因此，本发明的一个目的是，以更高的可靠性生成基于ai产生的结果，尤其在评估医学图像数据时生成。
11.所述目的通过一种用于验证基于ai获取的结果数据的方法、一种结果数据校正方法、一种用于根据检查测量数据以基于ai的方式获取结果数据的方法、一种验证装置、一种结果数据校正装置、一种结果数据获取装置和一种医学技术成像装置来实现。
12.在该处应提及的是，下文描述的方法优选全自动地执行，使得用户不需要干预相应方法的进程或者甚至必须独立执行各个步骤来获取所述方法之一的结果或部分结果。
13.在根据本发明的用于验证以基于ai的方式获取的结果数据的方法中，以基于规则的方式从参考结果数据中提取比较特征。人工智能或具有人工智能特性的算法应理解为具有学习能力的数据处理过程。用于根据数据集合来映射一般规则的方法在该情况下称为机器学习。基于ai的算法的典型结构是人工神经网。
14.已经提及的参考结果数据能够包括所谓的标签，借助所述标签能够训练基于ai的模型。参考结果数据也能够通过专家知识生成。规则包括在结果数据的标签或组件之间的关系。典型的规则基于检查对象的解剖学或物理特征。这种规则的一个示例是在医学图像数据中的特征点之间的间距关系。
15.此外，基于规则从结果数据本身中提取特征。结果数据例如能够基于图像数据并且能够包括图像数据中的注释或标签。标签能够包括涉及整个图像的所谓“图像”级标签，或者涉及图像的部分区域的所谓roi(roi＝region of interest，感兴趣区域)标签。随后将比较特征与同当前结果数据相关联的特征进行统计学比较。因为比较特征是统计学分布的，所以在该处进行统计学评估。统计学评估应理解为：在代表性集合中查看比较特征的分布，并且将该分布用作为与以下特征进行比较的参考，所述特征与当前的结果数据相关联。
16.例如，欧几里得度量能够用作为比较标尺。所谓的聚类方法也能够用于在当前提取的特征与比较特征之间的统计学比较。
17.例如，在内外侧斜位视图(mlo视图)中，胸肌始终位于图像中的“角部上方”处。现在能够将该基于规则的比较特征与根据当前的结果数据获取的相对应的特征进行比较。如果当前记录的医学图像的以“胸肌”标识的区域位于“角部的左上侧”，则该比较结果能够解释为对当前的结果数据的有效性的指示。
18.基于统计学比较和预定的质量标准来确定基于ai确定的结果数据的质量。例如，这种质量标准能够是在所描述的比较中不允许超过的阈值。如果超过所述阈值，则结果数据被归类为不可靠。有利地，在估计结果数据的可靠性时实现了提高的透明度。甚至能够基于验证，如还将详细阐述的那样，对归类为不可靠的结果数据进行自动校正，使得对所检查的数据进行校正，并且即使验证结果是否定的，也不必丢弃所检查的数据，而是在校正之后能够用于原始分析过程，例如图像分割。
19.在根据本发明的结果数据校正方法中，基于根据本发明的用于验证以基于ai的方式获取的结果数据的方法来确定验证结果。此外，对于验证结果是否定的情况，生成经校正的结果数据。经校正的结果数据能够优选通过从检查结果中重新检测替代结果数据并且将所述结果数据由替代结果数据来替代而生成。在该变型方案中，对于经验证的结果数据未被确定为有效的情况，简单地重复生成结果数据。
20.但是也能够基于比较特征与特征的比较直接对结果数据进行校正。在比较特征和参考结果数据之间的关系是已知的，或者能够借助可用的已加标签的训练数据容易地确定。
21.如果现在校正所提取的特征使得所提取的特征在与比较特征进行统计学比较时变为有效，那么若将在提取比较特征时应用的规则在一定程度上相反地应用，则基于该校正也能够生成经校正的结果数据。
22.有利地，不仅识别出不可靠的结果数据，而且甚至对其进行自动地替代，使得用户在无其干预的情况下获得有效的结果数据，并且与传统的方式相比为用户节省了时间耗费和工作耗费。
23.在根据本发明的用于基于检查测量数据、优选医学图像数据以基于ai的方式获取结果数据的方法中，从检查对象检测检查测量数据。所述检查测量数据例如能够包括患者的医学图像数据。随后，基于检查测量数据，以基于ai的方式确定结果数据。这种结果数据例如能够包括图像数据的注释。例如，在检查图像的各个区段中的特定的位置处指明病变。
24.随后，通过将根据本发明的用于验证以基于ai的方式获取的结果数据的方法应用到所确定的结果数据来确定验证结果。如果现在根据验证确定：分割不正确，例如因为在这种情况下形成比较特征的特征点之间的间距与参考特征不相符，所述参考特征即为基于统计学获取的相同的特征点之间的间距，则基于验证结果和根据本发明的结果数据校正方法获取结果数据。如已经提及的那样，在比较特征和参考结果数据之间的已知的关系能够用于确定经校正的结果数据。用于基于检查测量数据以基于ai的方式获取结果数据的方法共享根据本发明的结果数据校正方法的优点。
25.根据本发明的验证装置具有提取单元，以用于基于规则从已加标签的参考结果数据中提取比较特征并且用于从结果数据中提取特征。根据本发明的验证装置还包括比较单元，以用于对比较特征与特征进行统计学比较。根据本发明的验证装置的一部分也是验证单元，以用于基于统计学比较和预定的质量标准来确定基于ai的结果数据的质量。根据本发明的验证装置共享根据本发明的用于验证以基于ai的方式获取的结果数据的方法的优点。
26.根据本发明的结果数据校正装置具有：根据本发明的验证装置，以用于根据以基于ai的方式获取的结果数据和参考数据来确定验证结果；以及校正单元，用于针对验证结果是否定的情况生成经校正的结果数据。根据本发明的结果数据校正装置共享根据本发明的结果数据校正方法的优点。
27.根据本发明的结果数据获取装置具有用于从检查对象检测检查测量数据的输入接口。此外，根据本发明的结果数据获取装置包括确定单元，用于基于检查测量数据以基于ai的方式确定结果数据。根据本发明的结果数据获取装置的一部分也是用于基于所确定的结果数据和基于参考结果数据确定验证结果的验证装置。如已经提及的那样，为了验证，从
比较统计学中获取比较特征，并且将其与从当前的结果数据中确定的与此相对应的特征进行统计学比较。随后输出验证结果，对于验证结果是否定的情况，同样为根据本发明的结果数据获取装置的一部分的校正单元根据所述验证结果确定经校正的结果数据。根据本发明的结果数据获取装置共享根据本发明的用于基于检查测量数据以基于ai的方式获取结果数据的方法的优点。
28.根据本发明的医学技术成像装置，优选x射线成像装置，特别优选ct系统或mr系统包括用于从检查区域生成图像数据的记录单元，例如扫描单元。用于基于图像数据以基于ai的方式确定结果数据的确定单元也是根据本发明的医学技术成像装置的一部分。根据本发明的医学技术成像装置还包括根据本发明的用于验证结果数据的验证装置。根据本发明的结果数据校正装置或根据本发明的结果数据获取装置也能够是根据本发明的医学技术成像装置的一部分。根据本发明的医学技术成像装置共享根据本发明的验证装置或根据本发明的结果数据校正装置或根据本发明的结果数据获取装置的优点。
29.根据本发明的验证装置、根据本发明的结果数据校正装置、根据本发明的结果数据获取装置和根据本发明的医学技术成像装置的组件中的一部分能够绝大部分以软件组件的形式构成。这尤其涉及验证装置的提取单元、比较单元和验证单元的部分、结果数据校正装置的校正单元的部分和结果数据获取装置或医学技术成像装置的确定单元的部分。但是，原则上这些组件也能够部分地，尤其当其涉及特别快速的计算时，以软件支持的硬件的形式实现，例如fpga等。同样地，所需的接口，例如当其仅涉及从其它软件组件接收数据时，能够构成为软件接口。但是，其也能够构成为基于硬件构造的接口，所述接口由合适的软件操控。
30.大体上基于软件的实现方案具有以下优点：医学技术成像装置的至今使用的计算机单元或控制装置也已能够以简单的方式通过软件更新来改装，以便以根据本发明的方式工作。就其而言，所述目的也通过一种具有计算机程序的相应的计算机程序产品来实现，所述计算机程序能够直接加载到医学技术成像装置的控制装置或计算机单元的存储装置中，并且包括程序段，以便当在医学技术成像装置的计算机单元或控制装置中执行计算机程序时，执行相应的根据本发明的方法的所有步骤。
31.除了计算机程序之外，这种计算机程序产品可选地还能够包含附加的组成部分，例如文档和/或附加的组件，也包括硬件组件，例如用于使用软件的硬件密钥(加密狗等)。
32.为了传输至医学技术成像装置的计算机单元的存储装置和/或为了存储在医学技术成像装置的计算机单元上，能够使用计算机可读的介质，例如记忆棒、硬盘或其它可传输或固定地装入的数据载体，在其上存储有计算机程序的能够由计算机单元读入和执行的程序段。为此，计算机单元例如能够具有一个或多个共同工作的微处理器等。
33.本发明的其它特别有利的设计方案和改进方案在从属权利要求以及以下说明书和附图中得出，其中一种权利要求类别的独立权利要求也能够类似于另一种权利要求类别的从属权利要求来改进。
34.优选地，在根据本发明的用于验证以基于ai的方式获取的结果数据的方法中，借助图像数据获取结果数据。例如，这种结果数据能够包括特征点、图像特性或者还有干扰效应，例如噪声分量，其能够借助于验证进行检查。有利地，通过验证确保或者甚至改进信息的质量。
35.特别优选地，在根据本发明的用于验证以基于ai的方式获取结果数据的方法中，结果数据包括以下数据类型之一：
[0036]-图像分割，
[0037]-检测到的对象，
[0038]-分类，
[0039]-回归结果。
[0040]
有利地，根据本发明的用于验证以基于ai的方式获取结果数据的方法用于完全不同的应用。但是，对图像数据、尤其是医学图像数据进行评估是优选的。在医学中对图像数据进行评估通常包括将图像数据划分为不同的区域并且对其进行辨识。这种方式也称为分割。在以基于ai的方式对图像数据进行评估的过程中，分割通常是图像分析的第一步骤，并且位于图像预处理之后。接下来例如能够接着有特征提取、特征分类以及基于分类的陈述。
[0041]
例如能够基于一个或多个不同的所提取的特征来检测对象。一个示例是病变，所述病变基于亮度值和结构参数或结构特征来确定。
[0042]
此外，然后能够关于特定的特殊特征对病变进行分类。一般而言，分类能够视作为定性分类。如果机器学习过程的结果以离散的形式存在，或者所述值是定性的，则指的是分类问题。
[0043]
如果在机器学习的过程中的学习过程的输出的结果以连续分布的形式存在，则其结果能够假设为预设的数值范围的任意的数量值，那么指的是回归问题。
[0044]
因此，根据本发明的方法能够有利地应用于能够基于ai解决的非常不同的问题，尤其在评估医学图像数据以准备诊断的领域中。
[0045]
同样优选地，在根据本发明的用于验证以基于ai的方式获取的结果数据的方法中，参考图像数据包括已加标签的训练图像数据。有利地，能够从训练图像数据或训练图像数据的标签中提取比较特征。然后，比较特征用作为根据本发明验证结果数据的基础。
[0046]
在根据本发明的用于验证以基于ai的方式获取结果数据的方法的变型方案中，对于不符合质量标准的情况，采取以下措施之一：
[0047]-将信息输出给用户：结果数据的可靠性不足，
[0048]-基于比较特征和用于提取比较特征的规则对结果数据进行校正。
[0049]
质量标准例如能够包括阈值。如果在所描述的在所提取的特征和比较特征之间进行比较时超过了该阈值，则向用户通知存在结果数据的不确定性，或者适宜地校正结果数据，使得不必将其丢弃。
[0050]
在一个根据本发明的用于验证以基于ai的方式获取的结果数据的方法的有利的变型方案中，其在评估图像数据时，尤其是在医学领域中应用，将特征点的位置用作为结果数据，并且将在特征点之间的最小间距的比率用作为特征数据。如果根据训练数据或其它参考数据源已知特征点的最小间距，则能够有利地随后检查基于ai在医学图像数据中确定的特征点的位置的可靠性和一致性。以这种方式能够使医学检查或诊断更确定和更可靠，因为能够识别出在评估医学数据时的错误，并且可选地甚至能够对其进行自动校正。
[0051]
特征点优选能够包括以下骨骼或器官：
[0052]-锁骨，
[0053]-气管隆嵴，
[0054]-心房。
[0055]
有利地，例如能够避免在胸部区域中特征点的错误定位。例如，由于肺萎陷可能会出现这种错误定位，因为在这种情况下，各个器官的位置和伸张会发生变化，并且在所提及的器官之间的间距不再对应于常用的值。
[0056]
根据本发明的用于验证以基于ai的方式获取的结果数据的方法的一个重要的应用领域是分割在医学图像数据中的解剖学特征点。在乳房x线摄影中，例如对乳头和胸肌的分割起到对乳腺实质的定量分析的关键作用。所提及的特征点具有限制并且能够被用于检查以基于ai的方式确定的预测的可靠性。
[0057]
在根据本发明的用于验证以基于ai的方式获取的结果数据的方法的该非常具体的变型方案中，在乳房分割时使用以下比较特征之一：
[0058]-在内外侧斜位视图中分割的胸肌位于图像的上部的角部处，不与胸皮肤线接触，
[0059]-分割的乳头区域靠近胸肌或胸壁，
[0060]-分割的胸肌具有的角度不应大于预定的角度大小，
[0061]-分割的胸肌线应具有平滑的边缘，并且胸肌线的导数不能超过一定的值，
[0062]-分割的乳头区域靠近胸皮肤线，并且在这两者之间的间距不超过一定的值。
[0063]
有利地，通过与在乳房成像时所提及的规则进行比较，能够识别出在视图中的错误的结果数据。如果不符合上文提及的规则之一，则给出对图像数据错误的基于ai评估的提示。
[0064]
根据本发明的用于验证以基于ai的方式获取的结果数据的方法也能够在用于减小图像噪声的过程中使用。在此，将参考图像噪声用作为比较特征，并且将图像数据的图像噪声与参考图像噪声进行比较。
[0065]
比较特征包括分解成限定数量的频率分量的参考图像噪声，以及比较特征与所述特征的统计学比较具有在图像数据的参考图像噪声的频率分量与图像噪声的频率分量之间的比较。
[0066]
在比较之后，从图像数据的图像噪声的每个频率分量中去除统计学离值，通过混合又将图像噪声的经校正的频率分量接合到一起，并且从图像数据中减去经校正的图像噪声。
[0067]
有利地，通过去除不可靠的噪声信息，能够改进图像数据、优选医学图像数据的图像质量。
[0068]
优选地，除了已提及的单元之外，根据本发明的验证装置包括用于接收基于训练数据的参考结果数据的第一接口和用于接收结果数据的第二输入接口，所述结果数据通过基于ai的评估装置基于图像数据生成。有利地，在基于ai的评估单元中用于其训练的已加标签的训练数据也能够用于验证，并且不必生成附加的参考数据。在此，能够从训练数据的参考结果数据中获取比较特征数据，所述比较特征数据用于通过与借助当前的结果数据获取的特征数据的比较来进行验证。
附图说明
[0069]
下面参考附图根据实施例再次详细阐述本发明。在此，在不同的附图中，相同的组件设有相同的附图标记。附图示出：
[0070]
图1示出用于图解说明根据本发明的第一实施例的用于验证以基于ai的方式获取的结果数据的方法的流程图；
[0071]
图2示出根据本发明的一个实施例的验证装置的示意图；
[0072]
图3示出根据本发明的一个实施例的医学技术成像装置的示意图；
[0073]
图4示出用于图解说明根据本发明的第二实施例的用于验证以基于ai的方式获取的结果数据的方法的流程图；
[0074]
图5示出用于图解说明根据本发明的第三实施例的用于验证以基于ai的方式获取的结果数据的方法的流程图；
[0075]
图6示出用于图解说明根据本发明的一个实施例的结果数据校正方法的流程图；
[0076]
图7示出用于图解说明基于检查测量数据以基于ai的方式获取结果数据的方法的流程图；
[0077]
图8示出根据本发明的一个实施例的结果数据校正装置的示意图；
[0078]
图9示出根据本发明的一个实施例的结果数据获取装置的示意图。
具体实施方式
[0079]
图1示出用于图解说明根据本发明的第一实施例的用于验证以基于ai的方式获取的结果数据的方法的流程图100。
[0080]
在步骤1.i中，生成结果数据作为参考结果数据r-edi。参考结果数据r-edi例如能够包括用于基于ai的方法的训练数据的所谓标签，但是其也能够独立于用于基于ai的方法的训练过程生成，但与用于基于ai的方法的训练数据的标签有相同类型。在此，下标i指明数据集的编号，例如图像数据集的编号，参考结果数据r-edi与该数据集相关联。
[0081]
在步骤1.ii中，借助参考结果数据r-edi提取基于规则的参考特征f
ij
。在此，下标j指明所提取的特征的编号，所提取的特征与第i个参考结果数据集r-edi相关联。规则r在此包括在参考结果数据r-edi的不同的标签之间的关系。所述标签例如能够包括不同的解剖学或物理特征。规则能够通过专业人员定义，或者能够通过算法或基于机器学习的方式确定。
[0082]
在步骤1.iii中，生成基于ai的结果数据ed。该结果数据ed例如能够基于当前的以基于ai的方式分析的数据，例如图像数据来确定，并且包括反映该当前数据的特征的标签集。
[0083]
在步骤1.iv中，现在借助在步骤1.ii中也被应用的相同的规则r从在步骤1.iii中确定的结果数据ed中提取特征fj*。
[0084]
在步骤1.v中，验证在步骤1.iii中确定的结果数据ed。为此，将当前提取的特征fj*与比较特征f
ij
进行统计学比较。在此，例如能够确定所提取的特征fj*与k个最近邻的间距并且将其与阈值进行比较。以这种方式能够确定：该特征是按期望地表现还是可能偏离大到使得相关联的结果数据或与所分析的数据集相关联的标签也不能被归类为可靠的。例如，欧几里得度量能够用作为比较标尺。也能够将所谓的聚类方法用于在当前提取的特征fj*与比较特征f
ij
之间的统计学比较。
[0085]
最后，在步骤1.vi中，对在步骤1.iv中到的验证结果ve做出响应。一种可行的变型方案是将验证结果ve传输给用户。在此，向用户显示：对当前的数据集，例如图像数据集
的基于ai的分析是否是可靠的。替选地或附加地，对于所提取的特征fj*分类为非代表性的，则能够变换所提取的特征fj*，使得其符合比较数据集。附加地，结果数据记录同样能够基于在提取特征fj*时应用的规则r来改变，使得能够继续使用这样校正的结果数据ed并且不必将其丢弃。
[0086]
在图2中示出根据本发明的一个实施例的验证装置20的示意图。验证装置20包括用于接收基于训练图像数据的参考结果数据r-edi的第一接口21。验证装置20的一部分也是用于接收当前的结果数据ed的第二输入接口，所述第二输入接口通过基于ai工作的确定单元32(参见图3)基于图像数据bd生成。在图2中示出的验证装置20也包括提取单元23，用于从参考结果数据r-edi的标签中基于规则地提取比较特征f
ij
，以及用于从当前所确定的结果数据ed的标签中提取特征fj*。所提取的特征fj*和比较特征f
ij
被传输给比较单元24，所述比较单元设立为用于，以结合图1示出的方式和方法将比较特征f
ij
与特征fj*进行统计学比较。比较结果v被传输给验证单元25。验证单元25基于统计学比较和预定的质量标准来确定基于ai的结果数据ed的质量。
[0087]
在图3中图解示出根据本发明的一个实施例的医学技术成像装置30的示意图。
[0088]
医学技术成像装置30的一部分是用于生成检查区域的图像数据bd的记录单元31。图像数据bd被传输给确定单元32，所述确定单元同样是医学技术成像装置30的一部分，以用于基于图像数据bd以基于ai的方式确定结果数据ed。最后，医学技术成像装置30也包括在图2中已图解说明的验证装置20，所述验证装置基于当前生成的结果数据ed输出验证结果ve。
[0089]
在图4中示出根据本发明的第二实施例的用于验证以基于ai的方式获取的结果数据的方法的流程图。
[0090]
在步骤4.1中，基于解剖学训练图像数据确定身体部位，在该情况中为锁骨、气管隆嵴以及心房的在统计学上预期的位置。此外，在所提及的身体部位之间的最小间距d
minstat
以统计学方式确定为基于规则的比较特征f
ij
。
[0091]
在步骤4.ii中，基于经训练的基于ai的模型，在当前的数据图像中定位所提及的身体部位，意即锁骨、气管隆嵴和心房作为特征点lm，并且基于所述身体部位或特征点的当前位置，计算在这些身体部位之间的最小间距d
min
作为特征fj*。
[0092]
在步骤4.iii中，现在对当前的特征fj*与比较特征f
ij
进行统计学比较。在此确定：在身体部位之间的统计学最小间距d
minstat
与当前值d
min
之间的差是否低于阈值sw。
[0093]
如果比较结果是肯定的，这在图4中用“y”标记，则在步骤4.iv中将所生成的特征点lm，意即所提及的身体部位的位置作为可靠的结果数据输出给用户。如果比较结果是否定的，这在图4中用“n”标记，则在步骤4.v中输出错误消息fm，其包括关于哪些特征点lm不可靠的信息。用户能够借助该信息例如识别该不可靠结果的原因。如果例如在锁骨和气管隆嵴之间的间距不正确，则能够从中推断出：肺可能萎陷。
[0094]
在图5中示出用于图解说明根据本发明的第三实施例的用于验证基于ai获取的结果数据的方法的流程图500，其中确定和去除图像数据的噪声分量。
[0095]
在步骤5.i中确定对于预定的图像记录参数特征性的噪声数据cni。在图像数据中出现的噪声例如可能因检测器的电子噪声或光子噪声引起。电子噪声具有高斯分布，光子噪声具有泊松分布。特征性的噪声数据cni已经作为特征性的噪声的根据频率成分分解的
分量存在。
[0096]
在步骤5.ii中，由记录单元接收当前检测到的图像数据bd。在步骤5.iii中辨识和提取在图像数据bd中的噪声份额n。在该实施例中，噪声份额的辨识同样基于ai。
[0097]
在步骤5.iv中，噪声份额n被分解为限定数量的噪声分量ni，所述噪声分量分别与不同的频带相关联。在步骤5.v中检查每个所述频带的统计学离值sar。在步骤5.vi中生成校正过统计学离值sar的噪声分量mni。也就是说，从相应的噪声分量ni中去除统计学离值sar。该去除基于噪声分量ni与特征性的噪声数据cni的比较进行。然后在步骤5.vii中将经校正的噪声分量mni再次组合成经校正和组合的噪声份额mn。最后，在步骤5.viii中生成校正过噪声效应的图像数据bd
korr
，其方式为：从原始接收的图像数据bd中减去经校正和组合的噪声份额mn。
[0098]
在图6中示出用于图解说明根据本发明的一个实施例的结果数据校正方法的流程图600。
[0099]
在步骤6.i中，首先通过用于基于结果数据验证以基于ai的方式获取的结果数据的方法来确定验证结果ve，如已经结合图1、4或5图解说明的那样。在步骤6.ii中，变换从结果数据中提取的特征fj*，使得其在与比较特征f
ij
的统计学比较中变为有效。例如能够根据统计学比较来确定：所提取的特征，例如在不同的特征点之间的间距是“离值”。然后对所提取的特征fj*进行相应校正。在此，将其例如通过基于比较的统计学的期望值替代。然后在步骤6.iii中将该经校正的特征值用于计算经校正的结果数据ked。该计算考虑了在提取比较特征f
ij
时应用的规则，意即在比较特征f
ij
与相应的参考结果数据r-edi之间的关系。
[0100]
在图7中示出用于图解说明用于基于检测测量数据以基于ai的方式获取结果数据的方法的流程图700。
[0101]
在步骤7.i中，从检查对象检测图像数据bd。基于图像数据bd，在步骤7.ii中确定基于ai的结果数据ed。此外，在步骤7.iii中，基于结果数据ed通过应用根据本发明的用于验证所确定的结果数据ed的方法来确定验证结果ve。最后，在步骤7.iv中，基于在图6中所示出的结果数据校正方法确定经校正的结果数据ked。
[0102]
在图8中示出根据本发明的一个实施例的结果数据校正装置80的示意图。
[0103]
在图8中图解说明的结果数据校正装置80具有已经在图2中图解说明的验证装置20。验证装置接收结果数据ed，并且基于以基于ai的方式获取的结果数据ed和基于例如从数据库(未示出)中获得的参考结果数据r-edi确定验证结果ve。
[0104]
结果数据校正装置80的一部分也是校正单元81，用于在验证结果ve为否定的情况下生成经校正的结果数据ked。
[0105]
在图9中示出根据本发明的一个实施例的结果数据获取装置90的示意图。
[0106]
结果数据获取装置90包括用于从检查对象检测图像数据bd的输入接口91。结果数据获取装置90的一部分也是用于基于检查测量数据bd以基于ai的方式确定结果数据ed的确定单元32。此外，结果数据获取装置还包括已经在图8中图解说明的结果数据校正装置80，所述结果数据校正装置包括用于基于所确定的结果数据ed确定验证结果ve的验证装置20和用于针对验证结果ve是否定的情况生成经校正的结果数据ked的校正单元81。
[0107]
最后再次指出，上文中详细描述的方法和装置仅仅为实施例，其能够由本领域技术人员以多种不同的方式进行修改，而不会脱离本发明的保护范围。此外，不定冠词“一”或“一个”的使用不排除：涉及的特征也能够多次存在。同样，术语“单元”不排除：所涉及的由多个共同作用的子组件构成的组件，所述子组件也能够是空间分布的。

技术特征：

1.一种用于验证以基于ai的方式获得的结果数据(ed)的方法，所述方法具有以下步骤：-以基于规则的方式从参考结果数据(r-ed
i
)中提取比较特征(f
ij
)，-从所述结果数据(ed)中提取特征(f
j
*),-将所述比较特征(f
ij
)与所述特征(f
j
*)进行统计学比较，-基于所述统计学比较和预定的质量标准确定基于ai的所述结果数据(ed)的质量。2.根据权利要求1所述的方法，其中根据图像数据(bd)获取所述结果数据(ed)。3.根据权利要求1或2所述的方法，其中所述结果数据(ed)包括以下数据类型之一：-图像分割数据，-检测到的对象，-分类数据，-回归数据。4.根据所述权利要求中任一项所述的方法，其中对于不符合质量标准的情况，采取以下措施之一：-将信息输出给用户：所述结果数据(ed)的可靠性不足，-基于所述比较特征(f
ij
)和用于提取所述比较特征(f
ij
)的规则对所述结果数据(ed)进行校正。5.根据所述权利要求中任一项所述的方法，其中在用于减小图像数据(bd)的图像噪声的过程中使用参考图像噪声作为比较特征(f
ij
)，并且将所述图像数据(bd)的图像噪声与所述参考图像噪声进行比较。6.根据权利要求5所述的方法，其中所述比较特征(f
ij
)包括分解为限定数量的频率分量(cn
i
)的参考图像噪声，以及所述比较特征(f
ij
)与所述特征(fj*)的统计学比较包括在所述参考图像噪声的频率分量(cn
i
)与所述图像数据(bd)的所述图像噪声的频率分量(n
i
)之间进行比较。7.一种结果数据校正方法，所述结果数据校正方法具有以下步骤：-基于根据权利要求1至6中任一项所述的用于验证以基于ai的方式获取的结果数据(ed)的方法确定验证结果(ve)，-对于所述验证结果(ve)为否定的情况，生成经校正的结果数据(ked)。8.根据权利要求7所述的方法，其中生成经校正的结果数据(ked)包括以下方式中的至少一个：-重新检测替代结果数据，并且将所述结果数据(ed)通过所述替代结果数据来替代，-基于所述比较特征(f
ij
)与所述特征(fj*)的比较直接校正所述结果数据(ed)，具有以下步骤：-校正所提取的(f
j
*)，使得其在与所述比较特征(f
ij
)进行统计学比较时变为有效，-基于在提取所述比较特征(f
ij
)时应用的规则(r)生成经校正的结果数据(ked)。9.一种用于基于检测测量数据(bd)，优选医学图像数据以基于ai的方式获取结果数据(ed、ked)的方法，所述方法具有以下步骤：-从检查对象中检测检查测量数据(bd)，-基于所述检查测量数据(bd)以基于ai的方式确定结果数据(ed)，
‑
基于根据权利要求1至6中任一项所述的用于验证所确定的结果数据(ed)的方法确定验证结果(ve)，-基于所述验证结果(ve)和根据权利要求7或8所述的方法确定可选地经校正的结果数据(ed、ked)。10.一种验证装置(20)，所述验证装置(20)具有：-用于基于规则地从已加标签的参考结果数据(r-ed
i
)中提取比较特征(f
ij
)以及用于从结果数据(ed)中提取特征(f
j
*)的提取单元(23)，-用于将所述比较特征(f
ij
)与所述特征(f
j
*)进行统计学比较的比较单元(24)，-用于基于所述统计学比较和预定的质量标准确定所述基于ai的结果数据(ed)的质量的验证单元(25)。11.一种结果数据校正装置(80)，所述结果数据校正装置(80)具有：-根据权利要求10所述的验证装置(20)，以用于基于以基于ai的方式获取的结果数据(ed)和参考结果数据(r-ed
i
)确定验证结果(ve)，-用于针对所述验证结果(ve)为否定的情况生成经校正的结果数据(ked)的校正单元(81)。12.一种结果数据获取装置(90)，所述结果数据获取装置具有：-用于从检查对象检测检查测量数据(bd)的输入接口(91)，-用于基于所述检查测量数据(bd)以基于ai的方式确定结果数据(ed)的确定单元(32)，-根据权利要求10所述的验证装置(20)，用于基于所确定的结果数据(ed)确定验证结果(ve)，-用于针对所述验证结果(ve)为否定的情况生成经校正的结果数据(ked)的校正单元(81)。13.一种医学技术成像装置(30)，所述医学技术成像装置(30)具有：-用于从检查区域生成图像数据(bd)的记录单元(31)，-用于基于所述图像数据(bd)以基于ai的方式确定结果数据(ed)的确定单元(32)，-用于验证所述结果数据(ed)的根据权利要求10所述的验证装置(20)或根据权利要求11所述的结果数据校正装置(80)或根据权利要求12所述的结果数据获取装置(90)。14.一种具有计算机程序的计算机程序产品，所述计算机程序能够直接加载到医学技术成像装置(30)的控制单元中，并且具有程序段，以便当在所述医学技术成像装置(30)中执行所述计算机程序时，能够执行根据权利要求1至9中任一项所述的方法的所有步骤。15.一种计算机可读的介质，在其上存储有能够由计算机单元执行的程序段，以便当由计算机单元执行所述程序段时，能够执行根据权利要求1至9中任一项所述的方法的所有步骤。

技术总结

描述了一种用于验证基于AI获得的结果数据(ED)的方法。在所述方法中以基于规则的方式从已加标签的参考结果数据(R-ED

技术研发人员：

安德烈亚斯

受保护的技术使用者：

西门子医疗有限公司

技术研发日：

2022.08.22

技术公布日：

2023/2/20