Результат интеллектуальной деятельности: МАШИННОЕ ОБУЧЕНИЕ НА НЕОБРАБОТАННЫХ ДАННЫХ МЕДИЦИНСКОЙ ВИЗУАЛИЗАЦИИ ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ КЛИНИЧЕСКИХ РЕШЕНИЙ

ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННУЮ ЗАЯВКУ

[0001] Настоящая заявка испрашивает приоритет по предварительной заявке на патент США № 62/512774, поданной 31 мая 2017 года, полное раскрытие которой включено в настоящий документ посредством ссылки для всех целей.

ОБЛАСТЬ ТЕХНИКИ

[0002] Различные варианты реализации, описанные в настоящем раскрытии, относятся к системам, контроллерам и способам, обладающим искусственным интеллектом, визуально воспроизводящим диагностическую оценку медицинской визуализации анатомической области или анатомического органа, в частности, в области необработанных данных медицинской визуализации.

УРОВЕНЬ ТЕХНИКИ

[0003] Данные медицинской визуализации часто собирают и затем обрабатывают для интерпретации человеком. Например, как известно в области техники согласно настоящему раскрытию, медицинская визуализация средствами компьютерной томографии (CT) анатомической области или анатомического органа включает получение данных медицинской визуализации в виде проекционной синограммы (синограмм), которые обрабатывают для восстановления медицинского изображения анатомической области/органа для интерпретации человеком во время клинической диагностики анатомической области/органа. Согласно другому примеру, как известно в области техники согласно настоящему раскрытию, магнитно-резонансная томография анатомической области/органа включает сбор данных медицинской визуализации в k-пространстве, которые обрабатывают для восстановления медицинского изображения анатомической области/органа для интерпретации человеком во время клинической диагностики анатомической области/органа.

[0004] Хотя восстановление необработанных данных медицинской визуализации в медицинское изображение для интерпретации человеком во время клинической диагностики анатомической области/органа доказало свою надежность при принятии обоснованных клинических решений, процесс восстановления изображения может включать значительное время вычислений, что может привести клинициста к неспособности своевременно реагировать на заболевание/ушиб/травму/повреждение анатомической области/органа, требующие немедленной реакции.

[0005] Например, на ФИГ. 1А показан период 20а времени в девяносто семь (97) секунд для четырех (4) графических процессоров (GPU) серии 8 Tesla для выполнения восстановления изображения из необработанных данных медицинского изображения, выработанных магнитно-резонансным томографом, и период времени 20b, равный 23,2 минутам, для четырехъядерного центрального процессора Intel Core 2 Extreme с тактовой частотой 2,66 ГГц, для выполнения восстановления изображения из необработанных данных магнитно-резонансной томографии. Еще в одном примере на ФИГ. 1B показан период 21a времени, равный 59,9 секунды, для четырех (4) графических процессоров серии Tesla 10, для выполнения восстановления изображения из необработанных данных медицинского изображения, выработанных устройством компьютерной томографии, и период 21b времени в 67,4 секунды для двухъядерных центральных процессоров Opteron 250 на 256 AMD, для выполнения восстановления изображения из необработанных данных компьютерной томографии. Такое время вычисления, показанное на ФИГ. 1А и 1В, может привести к неспособности клинициста своевременно отреагировать на заболевание/ушиб/травму/повреждение анатомической области/органа, требующие немедленной реакции, особенно на заболевание /ушиб/травму/повреждение головного мозга.

[0006] Кроме того, процесс восстановления изображения может вызвать артефакты в восстановленном медицинском изображении, что может привести к принятию менее надежного клинического решения (например, полоски вследствие присутствия металла при компьютерной томографии, артефакты усечения (кольца Гиббса), помехи в виде застежки-молнии (радиочастотные помехи) и ореолы).

[0007] Например, на ФИГ. 2 показано типичное медицинское изображение 22 голеностопа на частоте 16 кГц и идеальное медицинское изображение 23 той же голеностопа на частоте 32 кГц. Медицинское изображение 22 содержит артефакт химического сдвига, отсутствующий в медицинском изображении 23, что очевидно для специалистов в данной области техники.

[0008] Кроме того, процесс восстановления изображения может включать отображение медицинского изображения меньшего диапазона, чем полный информационный диапазон медицинского изображения. Например, ультразвуковая медицинская визуализация включает ослабление амплитуды сигнала с глубиной, а технологическое состояние дисплеев/мониторов известного уровня техники обеспечивает менее чем полный динамический диапазон ультразвукового медицинского изображения.

[0009] Например, на ФИГ. 3 показано отображение 24 ультразвукового изображения меньшего диапазона, чем полный информационный диапазон 25 ультразвукового изображения.

[0010] В настоящее время происходит совершенствование алгоритмов восстановления изображения для устранения вышеупомянутых проблем со временем вычислений, артефактами и динамическим диапазоном отображения. Как правило, алгоритм восстановления изображения может быть классифицирован как алгоритм прямого восстановления изображения или алгоритм итеративного восстановления изображения. В частности, прямое восстановление изображений используют практически во всех современных медицинских сканерах компьютерной томографии. Хотя такие алгоритмы обладают малым временем вычисления, они чувствительны к артефактам и шуму. И наоборот, алгоритмы итеративного восстановления обеспечивают большую точность за счет высоких вычислительных затрат.

РАСКРЫТИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ

[0011] Вместо стремления к разработке специализированного алгоритма восстановления изображения для минимизации создающего неточности влияния артефактов изображения на медицинский диагноз в течение уменьшенного времени определения диагноза, авторы изобретений, описанных в настоящем раскрытии, обнаружили, в противоположность интуиции специалистов в данной области техники, что основанное на искусственном интеллекте выполнение медицинского диагноза на основании необработанных данных медицинской визуализации в их исходном состоянии получения дает многочисленные преимущества, такие как, например, устранение влияния на медицинский диагноз вызывающих неточности артефактов изображения и минимизация времени вычисления диагноза. Более конкретно, специалисты в данной области техники в прошлом установили правило, согласно которому оценка медицинского изображения анатомической области или анатомического органа представляет собой единственное средство для правильной диагностики состояния здоровья анатомической области/органа. Изобретения согласно настоящему раскрытию противостоят этому исторически установленному правилу, доказывая, что оценка необработанных данных медицинской визуализации, на основании которых происходит восстановление медицинских изображений, представляет собой действительное альтернативное средство правильной диагностики состояния здоровья анатомической области/органа, особенно в критических по времени ситуациях.

[0012] Один из вариантов реализации настоящего изобретения выполнен в виде системы диагностики на основе медицинской визуализации, в которой использованы устройство медицинской визуализации для выработки необработанных данных медицинской визуализации и устройство диагностики на основании необработанных данных для медицинской диагностики необработанных данных медицинской визуализации, выработанных устройством медицинской визуализации. Устройство диагностики на основании необработанных данных содержит контроллер диагностики на основе медицинской визуализации, выполненный с возможностью (1) введения необработанных данных медицинской визуализации в препроцессор уменьшения размерности, обученный выбирать или извлекать один или более векторов признаков с уменьшенной размерностью из необработанных данных медицинской визуализации, (2) введения вектора(-ов) признаков с уменьшенной размерностью в обладающее искусственным интеллектом устройство диагностики на основании необработанных данных (например, искусственную нейронную сеть и/или способ управляемого обучения), обученное визуально воспроизводить диагностическую оценку необработанных данных медицинской визуализации, и (3) управления передачей диагностической оценки необработанных данных медицинской визуализации (например, посредством отображения, печати, отправки по электронной почте, текстовых сообщений и т.д. диагностической оценки необработанных данных медицинской визуализации).

[0013] Контроллер диагностики на основе медицинской визуализации может быть также выполнен с возможностью (4) введения необработанных данных медицинской визуализации в устройство восстановления медицинского изображения для формирования восстановленного медицинского изображения и (5) передачи восстановленного медицинского изображения (например, посредством отображения, печати, отправки по электронной почте, отправки текстовых сообщений и т.д. восстановленного медицинского изображения).

[0014] Контроллер диагностики на основе медицинской визуализации может быть также выполнен с возможностью (6) введения восстановленного медицинского изображения в препроцессор медицинского изображения, обученный выбирать или извлекать один или более векторов признаков медицинского изображения из восстановленного медицинского изображения, (7) введения вектора(-ов) признаков медицинского изображения в обладающее искусственным интеллектом устройство диагностики изображения, обученное визуально воспроизводить диагностическую оценку восстановленного медицинского изображения, и (8) передачи восстановленного медицинского изображения (например, посредством отображения, печати, отправки по электронной почте, текстового сообщения и т.д. медицинского изображения в отношении восстановленного медицинского изображения).

[0015] Второй вариант реализации изобретений согласно настоящему раскрытию представляет собой некратковременный машиночитаемый носитель для хранения, закодированный с командами для выполнения по меньшей мере одним процессором для обработки необработанных данных медицинской визуализации, выработанных устройством медицинской визуализации. Некратковременный машиночитаемый носитель для хранения содержит инструкции (1) для введения необработанных данных медицинской визуализации в препроцессор уменьшения размерности, обученный выбирать или извлекать один или более векторов признаков с уменьшенной размерностью из необработанных данных медицинской визуализации, и (2) введения вектора(-ов) признаков с уменьшенной размерностью в обладающее искусственным интеллектом устройство диагностики на основании необработанных данных (например, искусственную нейронную сеть и/или способ управляемого обучения), обученное визуально воспроизводить диагностическую оценку необработанных данных медицинской визуализации.

[0016] Некратковременный машиночитаемый носитель для хранения может также содержать инструкции (3) для введения необработанных данных медицинской визуализации в устройство восстановления медицинского изображения для формирования восстановленного медицинского изображения.

[0017] Некратковременный машиночитаемый носитель для хранения может также содержать инструкции (4) для введения восстановленного медицинского изображения в препроцессор медицинского изображения, обученный выбирать или извлекать один или более векторов признаков медицинского изображения из восстановленного медицинского изображения и (5) введения вектора(-ов) признаков медицинского изображения в обладающее искусственным интеллектом устройство диагностики изображения, обученное визуально воспроизводить диагностическую оценку восстановленного медицинского изображения.

[0018] Третий вариант реализации изобретений по настоящему раскрытию представляет собой способ диагностики на основе медицинской визуализации для медицинской диагностики посредством контроллера диагностики на основе медицинской визуализации необработанных данных медицинской визуализации, выработанных устройством медицинской визуализации. Способ диагностики на основе медицинской визуализации включает (1) введение контроллером диагностики на основе медицинской визуализации необработанных данных медицинской визуализации в препроцессор уменьшения размерности, обученный выбирать или извлекать один или более векторов признаков с уменьшенной размерностью из необработанных данных медицинской визуализации, и (2) введение контроллером диагностики на основе медицинской визуализации вектора(-ов) признаков с уменьшенной размерностью в обладающее искусственным интеллектом устройство диагностики на основании необработанных данных (например, искусственную нейронную сеть и/или способ управляемого обучения), обученное визуально воспроизводить диагностическую оценку необработанных данных медицинской визуализации.

[0019] Способ диагностики на основе медицинской визуализации может также включать (3) введение посредством контроллера на основе диагностики медицинской визуализации необработанных данных медицинской визуализации в устройство восстановления медицинского изображения для формирования восстановленного медицинского изображения.

[0020] Некратковременный машиночитаемый носитель для хранения может также содержать инструкции (4) для введения посредством контроллера диагностики на основе медицинской визуализации восстановленного медицинского изображения в препроцессор медицинского изображения, обученный выбирать или извлекать один или более векторов признаков медицинского изображения из восстановленного медицинского изображения и (5) введения контроллером диагностики на основе медицинской визуализации вектора(-ов) признаков медицинского изображения в обладающее искусственным интеллектом устройство диагностики изображений, обученное визуально воспроизводить диагностическую оценку восстановленного медицинского изображения.

[0021] В описании и формуле изобретения согласно настоящему раскрытию:

[0022] (1) Термины известного уровня техники в настоящем раскрытии, включая, но не ограничиваясь этим, «искусственный интеллект», «вектор признаков», «искусственная нейронная сеть», «способ управляемого обучения», «уменьшение размерности», «восстановление изображения», «анатомическая область» и «анатомический орган» должны быть широко интерпретированы как известные в области техники согласно настоящему раскрытию и в качестве примера описанные в настоящем раскрытии;

[0023] (2) Термин «устройство медицинской визуализации» в широком смысле охватывает любые средства визуализации, как это понятно при известном уровне техники согласно настоящему раскрытию, в дальнейшем предложенную для выполнения диагностической визуализации анатомической области или анатомического органа. Примеры медицинских устройств визуализации включают, не ограничиваясь этим, рентгеновское устройство, ультразвуковое устройство, устройство компьютерной томографии, устройство магнитно-резонансной томографии, устройство позитронно-эмиссионной томографии (PET), устройство однофотонной эмиссионной компьютерной томографии и устройство диффузной оптической томографии;

[0024] (3) Термин «необработанные данные медицинской визуализации» в широком смысле охватывает электронные данные, полученные посредством устройства медицинской визуализации, как это понятно при известном уровне техники согласно настоящему раскрытию и в дальнейшем сформулировано. Примеры необработанных данных медицинской визуализации включают, не ограничиваясь этим, данные магнитно-резонансной томографии в k-пространстве, синограммы компьютерной томографии, необработанные ультразвуковые данные и файлы listmode позитронно-эмиссионной томографии;

[0025] (4) Термин «устройство диагностики на основании необработанных данных» в широком смысле охватывает любое устройство, выполненное в соответствии с изобретательскими принципами согласно настоящему раскрытию для медицинской диагностики необработанных данных медицинской визуализации на основе искусственного интеллекта, в качестве примера описанной в настоящем раскрытии;

[0026] (5) Термин «контроллер» в широком смысле охватывает все структурные конфигурации, как это понятно при известном уровне техники согласно настоящему раскрытию и в дальнейшем сформулировано, системной платы конкретного приложения или интегральной схемы конкретного приложения для управления применением различных изобретательских принципов согласно настоящему раскрытию, как ниже описано в настоящем раскрытии. Конструктивная конфигурация контроллера может содержать, не ограничиваясь этим, процессор(-ы), некратковременный машиночитаемый носитель(-и) для хранения, операционную систему, прикладной модуль(-и), контроллер(-ы) периферийного устройства, слот(-ы) и порт(-ы);

[0027] (6) Термин «модуль» в широком смысле охватывает электронные схемы/устройства аппаратного обеспечения и/или исполняемую программу (например, исполняемое программное обеспечение, хранящееся на некратковременном компьютерочитаемом носителе(-ях) и/или прошивках), включенные в контроллер для выполнения конкретного приложения или доступные посредством его;

[0028] (7) Описательные метки для термина «модуль» в настоящем документе облегчают различие между модулями, описанными и заявленными в настоящем документе, без указания или подразумевания какого-либо дополнительного ограничения для термина «модуль»;

[0029] (8) Термин «препроцессор уменьшения размерности» в широком смысле охватывает любой тип препроцессора данных, как это понятно при известном уровне техники согласно настоящему раскрытию и в дальнейшем сформулировано, сконфигурированный в соответствии с изобретательскими принципами настоящего раскрытия для реализации способа уменьшения размерности для выбора признаков (например, фильтрации, упаковки или встроенной оценки) или извлечения признаков (например, анализа основных компонентов или анализа линейного дискриминанта) из необработанных данных медицинской визуализации;

[0030] (9) Термин «вектор признаков с уменьшенной размерностью» в широком смысле охватывает вектор признаков, выбранный или извлеченный из необработанных данных медицинской визуализации посредством препроцессора уменьшения размерности, который представляет классификационные/прогнозирующие признаки необработанных данных медицинской визуализации;

[0031] (9) Термин «обладающее искусственным интеллектом устройство диагностики на основании необработанных данных» в широком смысле охватывает любой тип обладающего искусственным интеллектом устройства, как это понятно при известном уровне техники согласно настоящему раскрытию и в дальнейшем сформулировано, сконфигурированного в соответствии с изобретательскими принципами настоящего раскрытия для реализации идентификации, классификации или предсказания медицинского диагноза по необработанным данным медицинской визуализации, например, описанным в настоящем раскрытии. Примеры обладающего искусственным интеллектом устройства диагностики на основании необработанных данных включают, не ограничиваясь этим, искусственную нейронную сеть (например, сверточную нейронную сеть, рекуррентную нейронную сеть и т.д.) и способ управляемого обучения (например, метод опорных векторов);

[0032] (10) Термин «устройство восстановления медицинского изображения» в широком смысле охватывает вычислительное устройство любого типа, как это понятно при известном уровне техники согласно настоящему раскрытию и в дальнейшем сформулировано, для реализации восстановления изображения из необработанных данных медицинской визуализации для образования, тем самым, восстановленного медицинского изображения;

[0033] (11) Термин «препроцессор построения изображения» в широком смысле охватывает любой тип препроцессора данных, как это понятно при известном уровне техники согласно настоящему раскрытию и в дальнейшем сформулировано, сконфигурированный в соответствии с изобретательскими принципами настоящего раскрытия для реализации способа извлечения признаков восстановленного медицинского изображения;

[0034] (12) Термин «вектор признаков медицинского изображения» в широком смысле охватывает вектор признаков, извлеченный из восстановленного медицинского изображения посредством препроцессора восстановления изображения, который представляет характеристики классификации/прогнозирования восстановленного медицинского изображения; а также

[0035] (13) «Данные» могут быть воплощены во всех формах регистрируемой физической величины или импульса (например, напряжения, тока, напряженности магнитного поля, импеданса, цвета), как это понятно при известном уровне техники согласно настоящему раскрытию и как описано в качестве примера в настоящем раскрытии, для передачи информации и/или команд в поддержку применения различных изобретательских принципов настоящего раскрытия, ниже описанных в настоящем раскрытии. Передача данных, охватываемая изобретениями согласно настоящему раскрытию, может представлять собой любой способ передачи, известный в данной области техники согласно настоящему раскрытию, включая, но не ограничиваясь этим, передачу/прием данных по любому типу проводного или беспроводного канала передачи данных и считывание данных, загруженных в используемый на компьютере/компьютерочитаемый носитель для хранения.

[0036] Вышеизложенные варианты реализации и другие варианты реализации изобретений согласно настоящему раскрытию, а также различные признаки и преимущества настоящего раскрытия станут более очевидными из последующего подробного описания различных вариантов реализации изобретений согласно настоящему раскрытию, прочитанному в сочетании с сопроводительными чертежами. Подробное описание и чертежи представляют собой лишь иллюстрацию изобретений согласно настоящему раскрытию, а не ограничивают объем изобретений согласно настоящему раскрытию, который определен прилагаемой формулой изобретения и ее эквивалентами.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[0037] Для лучшего понимания различных взятых в качестве примера вариантов реализации сделана ссылка на прилагаемые чертежи, на которых:

[0038] На ФИГ. 1 показаны взятые в качестве примера времена восстановления для усовершенствованной магнитно-резонансной томографии при известном уровне техники согласно настоящему раскрытию;

[0039] На ФИГ. 1B показаны взятые в качестве примера времена восстановления для компьютерной томографии при известном уровне техники согласно настоящему раскрытию;

[0040] На ФИГ. 2 показано взятое в качестве примера изображение голеностопа при известном уровне техники согласно настоящему раскрытию;

[0041] На ФИГ. 3 показано взятое в качестве примера ультразвуковое изображение при известном уровне техники согласно настоящему раскрытию;

[0042] На ФИГ. 4А-4С показаны взятые в качестве примера варианты реализации системы диагностики медицинской визуализации в соответствии с изобретательскими принципами настоящего раскрытия;

[0043] На ФИГ. 5А-5С показаны взятые в качестве примера варианты реализации устройства диагностики на основании необработанных данных в соответствии с изобретательскими принципами настоящего раскрытия;

[0044] На ФИГ. 6 показан взятый в качестве примера вариант реализации контроллера диагностики на основе медицинской визуализации в соответствии с изобретательскими принципами настоящего раскрытия;

[0045] На ФИГ. 7 показаны взятые в качестве примера варианты реализации рабочих конфигураций диагностики медицинской визуализации в соответствии с изобретательскими принципами настоящего раскрытия;

[0046] На ФИГ. 8А показаны взятая в качестве примера фаза обучения и взятая в качестве примера фаза диагностики модуля области диагностики на основании необработанных данных в соответствии с изобретательскими принципами настоящего раскрытия;

[0047] На ФИГ. 8В показаны взятая в качестве примера фаза обучения и взятая в качестве примера фаза диагностики модуля области диагностики изображения в соответствии с изобретательскими принципами настоящего раскрытия;

[0048] На ФИГ. 9 показаны взятые в качестве примера варианты реализации модуля области диагностики на основании необработанных данных в соответствии с изобретательскими принципами настоящего раскрытия;

[0049] На ФИГ. 10 показаны взятые в качестве примера проекционные данные в компьютерной томографии в соответствии с изобретательскими принципами настоящего раскрытия;

[0050] На ФИГ. 11 показано взятый в качестве примера метод опорных векторов в соответствии с изобретательскими принципами настоящего раскрытия;

[0051] На ФИГ. 12 показано взятое в качестве примера выполнение метода опорных векторов по ФИГ. 11;

[0052] На ФИГ. 13 показано взятое в качестве примера выполнение обнаружения кровоизлияния для метода опорных векторов по ФИГ. 11;

[0053] На ФИГ. 14 показано взятое в качестве примера k-пространство в магнитно-резонансной томографии в соответствии с изобретательскими принципами настоящего раскрытия;

[0054] На ФИГ. 15 показана взятая в качестве примера симметрия k-пространства в соответствии с изобретательскими принципами настоящего раскрытия;

[0055] На ФИГ. 16 показаны взятые в качестве примера изображения в k-пространстве в соответствии с изобретательскими принципами настоящего раскрытия;

[0056] На ФИГ. 17 показаны взятая в качестве примера глубоко рекуррентная архитектура в соответствии с изобретательскими принципами настоящего раскрытия; а также

[0057] На ФИГ. 18 показана взятая в качестве примера сеть долгой краткосрочной памяти в соответствии с изобретательскими принципами настоящего раскрытия.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

[0058] Описание и чертежи, представленные в настоящем документе, иллюстрируют различные принципы. Понятно, что специалисты в данной области техники способны разработать различные устройства, которые, хотя и не описаны явно или не показаны в настоящем документе, воплощают эти принципы и включены в объем этого раскрытия. Используемый здесь термин «или» относится к неисключительному или (то есть и/или), если не указано иное (например, «или еще» или «или в альтернативе»). Кроме того, различные варианты реализации, описанные в настоящем раскрытии, не обязательно являются взаимоисключающими и могут быть объединены для создания дополнительных вариантов реализации, которые включают принципы, описанные в настоящем раскрытии.

[0059] Как будет ниже подробно объяснено в настоящем раскрытии, изобретения согласно настоящему раскрытию основаны на уменьшении размерности необработанных данных медицинской визуализации, что облегчает, тем самым, идентификацию, классификацию или прогнозирование посредством обладающего искусственным интеллектом устройства конкретной медицинской диагностики по необработанным данным медицинской визуализации. Более конкретно, уменьшение размерности обеспечивает приемлемые переменные необработанных данных медицинской визуализации, которые позволяют обладающему искусственным интеллектом устройству идентифицировать, классифицировать или прогнозировать конкретный медицинский диагноз анатомической области или анатомического органа, соответствующий необработанным данным медицинской визуализации, среди ряда медицинских диагнозов между здоровым состоянием (например, идентификация, классификация или прогноз отсутствия заболевания/ушиба/травмы/повреждения в анатомической области/органе) и нездоровым состоянием (например, идентификация, классификация или прогнозирование наличия заболевания/ушиба/травмы/повреждения в анатомической области/органе).

[0060] Для облегчения понимания изобретений согласно настоящему раскрытию в последующем описании ФИГ. 4A-4 приведены различные варианты реализации системы диагностики на основе медицинской визуализации по настоящему изобретению. Из описания ФИГ. 4A-4C специалисты в данной области техники должны понимать, как применять настоящее раскрытие для создания и использования многочисленных и различных дополнительных вариантов реализации диагностических систем на основе медицинской визуализации согласно настоящему раскрытию.

[0061] На ФИГ. 4А показан один вариант реализации системы диагностики на основе медицинской визуализации по настоящему изобретению, в котором использовано устройство 30 медицинской визуализации, как известно в области техники согласно настоящему раскрытию, и устройство 40а диагностики на основании необработанных данных в соответствии с изобретательскими принципами настоящего раскрытия.

[0062] На практике (см. ФИГ. 4A) устройство 30 медицинской визуализации получает необработанные данные 31 визуализации анатомической области или анатомического органа, как это известно в области техники согласно настоящему раскрытию, в частности, для рентгеновских устройств, ультразвуковых устройств, устройств магнитно-резонансной томографии, устройств компьютерной томографии, устройств позитронно-эмиссионной томографии, устройств однофотонной эмиссионной компьютерной томографии и устройств диффузной оптической томографии.

[0063] Продолжим ссылку на ФИГ. 4A; устройство 40а диагностики на основании необработанных данных обрабатывает необработанные данные 31 медицинской визуализации, как будет ниже объяснено в настоящем раскрытии, для визуального воспроизведения диагностической оценки на основании необработанных данных 31 медицинской визуализации. На практике устройство 40a диагностики на основании необработанных данных будет иметь структурную архитектуру, обученную для введения и обработки необработанных данных 31 медицинской визуализации от одного или нескольких типов медицинских устройств 30 медицинской визуализации и/или для обработки необработанных данных 31 медицинской визуализации, соответствующих одной или нескольким анатомическим областям и/или анатомическим органам.

[0064] Также на практике диагностическая оценка может быть представлена в любой форме, которая отражает идентификацию, классификацию или прогноз конкретного медицинского диагноза на основании необработанных данных 31 медицинской визуализации. Как показано в одном варианте реализации, устройство 40а диагностики на основании необработанных данных подает на выход показатель 41 оценки степени риска для необработанных данных, причем значение показателя 41 указывает на идентификацию, классификацию или прогноз конкретного медицинского диагноза на основании необработанных данных 31 медицинской визуализации. Например, по шкале от нуля (0) до единицы (1), нулевой (0) уровень указывает на идентификацию, классификацию или прогноз отсутствия заболевания/ушиба/травмы/повреждения в анатомической области/органе, а уровень единицы (1) указывает на классификацию или прогноз наличия заболевания/ушиба/травмы/повреждения в анатомической области/органе. Кроме того, промежуточные уровни от нуля (0) до единицы (1) могут быть использованы для указания степени неопределенности/достоверности прогноза присутствия заболевания/ушиба/травмы/повреждения в анатомической области/органе. Устройство 40a диагностики на основании необработанных данных способно дополнительно подавать на выход описание 42 оценки степени риска для необработанных данных для идентификации, классификации или прогноза конкретного медицинского диагноза на основании необработанных данных 31 медицинской визуализации.

[0065] На ФИГ. 4B показан второй вариант реализации системы диагностики на основе медицинской визуализации по настоящему изобретению, в которой использовано устройство 30 медицинской визуализации, известное в области техники согласно настоящему раскрытию, и устройство 40b диагностики на основании необработанных данных в соответствии с изобретательскими принципами настоящего раскрытия.

[0066] Обратимся к ФИГ. 4B; на практике устройство 30 медицинской визуализации получает необработанные данные 31 визуализации анатомической области или анатомического органа, при известном уровне техники согласно настоящему раскрытию, как ранее описано для ФИГ. 4A.

[0067] Продолжим ссылку на ФИГ. 4B; устройство 40b диагностики на основании необработанных данных обрабатывает необработанные данные 31 медицинской визуализации, как будет ниже объяснено в настоящем раскрытии, для визуального воспроизведения диагностической оценки на основании необработанных данных 31 медицинской визуализации, как выше описано для устройства 40a диагностики на основании необработанных данных (ФИГ. 4A). В дополнение к этому устройство 40b диагностики на основании необработанных данных выполняет способ восстановления изображения, известный в данной области техники, для формирования восстановленного медицинского изображения 43, соответствующего конкретному типу необработанных данных 31 медицинской визуализации, полученных из устройства 30 медицинской визуализации (например, рентгеновского изображения из необработанных данных 31 медицинской визуализации, полученных из рентгеновского устройства, ультразвукового изображения из необработанных данных 31 медицинской визуализации, полученных из рентгеновского устройства и т.д.).

[0068] На ФИГ. 4C показан третий вариант реализации системы диагностики на основе медицинской визуализации по настоящему изобретению, в которой использовано устройство 30 медицинской визуализации, известное в области техники согласно настоящему раскрытию, и устройство 40c диагностики на основании необработанных данных в соответствии с изобретательскими принципами настоящего раскрытия.

[0069] Обратимся к ФИГ. 4C; на практике устройство 30 медицинской визуализации получает необработанные данные 31 визуализации анатомической области или анатомического органа, при известном уровне техники согласно настоящему раскрытию и как выше описано для ФИГ. 4A. Продолжим ссылку на ФИГ. 4C; устройство 40c диагностики на основании необработанных данных обрабатывает необработанные данные 31 медицинской визуализации, как будет ниже объяснено в настоящем раскрытии для визуального воспроизведения диагностической оценки необработанных данных 31 медицинской визуализации и восстановления медицинского изображения, как ранее описано для устройства 40b диагностики на основании необработанных данных (ФИГ. 4В).

[0070] В дополнение к этому устройство 40с диагностики на основании необработанных данных обрабатывает необработанные данные 31 медицинской визуализации, как будет ниже объяснено в настоящем раскрытии, для визуального воспроизведения диагностической оценки восстановленного медицинского изображения 43. На практике диагностическая оценка может быть получена в любой форме, которая передает идентификацию, классификацию или прогноз конкретного медицинского диагноза для восстановленного медицинского изображения 43. В одном показанном варианте реализации устройство 40c диагностики на основании необработанных данных подает на выход показатель 41 оценки степени риска для необработанных данных, причем значение показателя 41 указывает на идентификацию, классификацию или прогноз конкретного медицинского диагноза на основании восстановленного медицинского изображения 43. Например, по шкале от нуля (0) до единицы (1), нулевой (0) уровень указывает на идентификацию, классификацию или прогноз отсутствия заболевания/ушиба/травмы/повреждения в анатомической области/органе, а уровень единицы (1) указывает на классификацию или прогноз наличия заболевания/ушиба/травмы/повреждения в анатомической области/органе. Кроме того, промежуточные уровни от нуля (0) до единицы (1) могут быть использованы для указания степени неопределенности/достоверности прогноза присутствия заболевания/ушиба/травмы/повреждения в анатомической области/органе. Устройство 40b диагностики на основании необработанных данных способно дополнительно подавать на выход описание 45 оценки степени риска для необработанных данных для идентификации, классификации или прогноза конкретного медицинского диагноза на основании восстановленного медицинского изображения 43.

[0071] Для облегчения понимания изобретений согласно настоящему раскрытию в последующем описании ФИГ. 5A-5С приведены различные варианты реализации устройства диагностики на основании необработанных данных по настоящему изобретению. Из описания ФИГ. 5A-4C специалисты в данной области техники должны понимать, как применять настоящее раскрытие для создания и использования многочисленных и различных дополнительных вариантов реализации устройств диагностики на основании необработанных данных согласно настоящему раскрытию.

[0072] На ФИГ. 5A показан вариант 140a реализации устройства 40a диагностики на основании необработанных данных (ФИГ. 4A). На ФИГ. 5A устройство 140a диагностики на основании необработанных данных содержит модуль 50 области диагностики на основании необработанных данных, использующий препроцессор 51 уменьшения размерности и обладающее искусственным интеллектом устройство 52 диагностики на основании необработанных данных.

[0073] На практике препроцессор 51 уменьшения размерности представляет собой препроцессор данных, сконфигурированный в соответствии с изобретательскими принципами настоящего раскрытия, для уменьшения количества случайных переменных необработанных данных 31 медицинской визуализации в наборе основных переменных, для получения, тем самым, вектора признаков с уменьшенной размерностью, как будет ниже объяснено в настоящем раскрытии.

[0074] В одном варианте реализации препроцессор 51 уменьшения размерности реализует способ уменьшения размерности при выборе признаков (например, фильтрации, упаковки или встроенной оценки) для уменьшения количества случайных переменных необработанных данных 31 медицинской визуализации в наборе основных переменных, выбирая, тем самым, вектор признаков с уменьшенной размерностью.

[0075] Во втором варианте реализации препроцессор 51 уменьшения размерности реализует способ уменьшения размерности для извлечения признаков (например, анализ основных компонентов или анализ линейного дискриминанта) для уменьшения количества случайных переменных необработанных данных 31 медицинской визуализации в наборе основных переменных, извлекая, тем самым, вектор признаков с уменьшенной размерностью.

[0076] Продолжим ссылку на ФИГ. 5A; на практике обладающее искусственным интеллектом устройство 52 диагностики на основании необработанных данных визуально воспроизводит диагностическую оценку необработанных данных 31 медицинской визуализации, такую, как, например, показатель 41 оценки степени риска для необработанных данных и описание 42 оценки степени риска для необработанных данных, как ранее описано в настоящем раскрытии (ФИГ. 4A).

[0077] В одном варианте реализации обладающее искусственным интеллектом устройство 52 диагностики на основании необработанных данных содержит одну или более искусственных нейронных сетей (например, сверточную нейронную сеть, рекуррентную нейронную сеть и т. д.), обученных для визуального воспроизведения диагностической оценки на основании необработанных данных 31 медицинской визуализации, как будет ниже объяснено в настоящем документе.

[0078] Во втором варианте реализации обладающее искусственным интеллектом устройство 52 диагностики на основании необработанных данных содержит один или более способов управляемого обучения (например, метод опорных векторов), предназначенных для подготовки к визуальному воспроизведению диагностической оценки на основании необработанных данных 31 медицинской визуализации, как будет ниже объяснено в настоящем документе.

[0079] На ФИГ. 5B показан один вариант 140b реализации устройства 40b диагностики на основании необработанных данных (ФИГ. 4B). Обратимся к ФИГ. 5B; устройство 140b диагностики на основании необработанных данных содержит модуль 50 области диагностики на основании необработанных данных, как описано выше в настоящем раскрытии (ФИГ. 5A). Устройство 140b диагностики на основании необработанных данных также содержит устройство 60 восстановления медицинского изображения для восстановления медицинского изображения 43 из необработанных данных 31 медицинской визуализации, как известно в области техники согласно настоящему раскрытию.

[0080] В одном варианте реализации устройство 60 восстановления медицинского изображения реализует алгоритм прямого восстановления изображений, который известен в области техники согласно настоящему раскрытию.

[0081] Во втором варианте реализации устройство 60 восстановления медицинского изображения реализует алгоритм итеративного восстановления изображений, известный в области техники согласно настоящему раскрытию.

[0082] На ФИГ. 5C показан один вариант 140c реализации устройства 40b диагностики на основании необработанных данных (ФИГ. 4C). Обратимся к ФИГ. 5C; устройство 140C диагностики на основании необработанных данных содержит модуль 50 области диагностики на основании необработанных данных, выше описанный в настоящем раскрытии (ФИГ. 5A), и устройство 60 восстановления медицинского изображения, выше описанное в настоящем раскрытии (ФИГ. 5B). Устройство 140с диагностики на основании необработанных данных также содержит модуль 70 области диагностики изображения, использующий препроцессор 71 медицинского изображения и обладающее искусственным интеллектом устройство 72 диагностики изображения.

[0083] На практике препроцессор 71 медицинского изображения представляет собой препроцессор данных, сконфигурированный при известном уровне техники согласно настоящему раскрытию, для извлечения вектора признаков медицинского изображения из восстановленного медицинского изображения 43, как будет ниже объяснено в настоящем раскрытии.

[0084] Продолжим ссылку на ФИГ. 5B; на практике обладающее искусственным интеллектом устройство 72 диагностики изображения визуально воспроизводит диагностическую оценку восстановленного медицинского изображения 43, такую как, например, показатель 44 оценки степени риска для изображения и описание 45 оценки степени риска для изображения, как выше описано в настоящем раскрытии (ФИГ. 4C).

[0085] В одном варианте реализации обладающее искусственным интеллектом устройство 72 диагностики изображения содержит одну или более искусственных нейронных сетей (например, сверточную нейронную сеть, рекуррентную нейронную сеть и т. д.), обученных для визуального воспроизведения диагностической оценки восстановленного медицинского изображения 43, как будет ниже объяснено в настоящем документе.

[0086] Во втором варианте реализации обладающее искусственным интеллектом устройство 72 диагностики изображения содержит один или более способов управляемого обучения (например, метод опорных векторов), предназначенных для подготовки к визуальному воспроизведению диагностической оценки восстановленного медицинского изображения 43, как будет объяснено далее в настоящем описании.

[0087] Для дальнейшего облегчения понимания изобретений согласно настоящему раскрытию последующее описание ФИГ. 6 и 7 раскрывает различные варианты реализации контроллера диагностики на основе медицинской визуализации согласно настоящему раскрытию. Из описания ФИГ. 6 и 7 специалисты в области техники согласно настоящему раскрытию поймут, как применять настоящее раскрытие для создания и использования многочисленных и различных дополнительных вариантов реализации контроллеров диагностики на основе медицинской визуализации согласно настоящему раскрытию.

[0088] На практике контроллер диагностики на основе медицинской визуализации настоящего изобретения может быть выполнен в виде аппаратного обеспечения/схем/программного обеспечения/прошивки для реализации устройства диагностики на основании необработанных данных по настоящему изобретению, такого как, например, устройство 140а диагностики на основании необработанных данных (ФИГ. 5A), устройство 140b диагностики на основании необработанных данных (ФИГ. 5B) и устройство 140c диагностики на основании необработанных данных (ФИГ. 5C).

[0089] В одном варианте реализации, показанном на ФИГ. 6, контроллер 240 диагностики на основе медицинской визуализации содержит процессор 241, память 242, пользовательский интерфейс 243, сетевой интерфейс 244 и устройство 245 хранения, соединенные посредством одной или более системных шин 246. На практике фактическая организация компонент 241-245 контроллера 240а может быть более сложным, чем показано.

[0090] Процессор 241 может быть любым устройством аппаратного обеспечения, способным выполнять инструкции, хранимые в памяти или устройстве хранения, или иным образом обрабатывать данные. Как таковой, процессор 241 может содержать микропроцессор, программируемую пользователем вентильную матрицу (FPGA), специализированную интегральную схему (ASIC) или другие подобные устройства.

[0091] Память 242 может содержать различные запоминающие устройства, такие как, например, кэш-память L1, L2 или L3 или системную память. По существу, память 242 может представлять собой статическую оперативную память (SRAM), динамическую оперативную память (DRAM), флэш-память, постоянную память (ROM) или другие подобные устройства памяти.

[0092] Пользовательский интерфейс 243 может содержать одно или более устройств для обеспечения возможности связи с пользователем, таким как администратор. Например, пользовательский интерфейс 243 может содержать дисплей, мышь и клавиатуру для приема пользовательских команд. В некоторых вариантах реализации пользовательский интерфейс 243 может содержать интерфейс командной строки или графический пользовательский интерфейс, который может быть представлен удаленному терминалу через сетевой интерфейс 244.

[0093] Сетевой интерфейс 244 может содержать одно или более устройств для обеспечения возможности связи с другими устройствами аппаратного обеспечения. Например, сетевой интерфейс 244 может содержать плату сетевого интерфейса (NIC), выполненную с возможностью связи в соответствии с протоколом Ethernet. Кроме того, сетевой интерфейс 244 может реализовывать стек протокола TCP/IP для связи в соответствии с протоколами TCP/IP. Будут очевидны различные альтернативные или дополнительные устройства аппаратного обеспечения или конфигурации для сетевого интерфейса.

[0094] Устройство 245 хранения может содержать один или более машиночитаемых носителей для хранения, таких как постоянное запоминающее устройство, оперативное запоминающее устройство, носитель с магнитным диском, оптический носитель, устройства флэш-памяти или аналогичные носители данных. В различных вариантах реализации устройство 245 хранения может хранить инструкции для исполнения процессором 241 или данные, на основании которых может работать процессор 241. Например, устройство 245 хранения хранит базовую операционную систему (не показана) для управления различными базовыми операциями устройств аппаратного обеспечения.

[0095] Более конкретно, в настоящем раскрытии, в одном варианте реализации устройство 245 хранения способно хранить модуль 247 управления в виде модуля 50a области диагностики на основании необработанных данных в качестве варианта реализации компьютерной команды модуля 50 области диагностики на основании необработанных данных для целей реализации устройства 140а диагностики на основании необработанных данных (ФИГ. 5А).

[0096] Во втором варианте реализации устройство 245 хранения способно хранить модули 247 управления в виде модуля 50a области диагностики на основании необработанных данных в качестве варианта реализации компьютерной команды модуля 50 области диагностики на основании необработанных данных (ФИГ. 5B) и устройство 60a восстановления медицинского изображения в качестве реализации в виде компьютерной команды варианта реализации устройства 60a восстановления медицинского изображения (ФИГ. 5B) с целью реализации устройства 140b диагностики на основании необработанных данных (ФИГ. 5B).

[0097] В третьем варианте реализации устройство 245 хранения способно хранить модули 247 управления в виде модуля 50а области диагностики на основании необработанных данных в качестве варианта реализации компьютерной команды модуля 50 области диагностики на основании необработанных данных (ФИГ. 5C), устройство 60a восстановления медицинского изображения в качестве варианта реализации компьютерной команды устройства 60a восстановления медицинского изображения (ФИГ. 5C) и модуль 70a области диагностики изображения в качестве варианта реализации компьютерной команды модуля 70 области диагностики изображения (ФИГ. 5C) для целей реализации устройства 140с диагностики на основании необработанных данных (ФИГ. 5C).

[0098] Обратимся к ФИГ. 7; на практике контроллер 240 диагностики медицинской визуализации может быть установлен на сервере 90 приложений, доступном для множества клиентов (например, для клиента 91 и клиента 92, как показано), и/или установлен на рабочей станции 93, использующей монитор 94, клавиатуру 95 и компьютер 96.

[0099] Во время работы контроллер 240 диагностики медицинской визуализации вводит обучающие необработанные данные 31a медицинской визуализации из источников 80 данных медицинской визуализации во время фазы обучения, как будет ниже объяснено в настоящем раскрытии (ФИГ. 8A), и вводит необработанные диагностические данные 31b медицинской визуализации, как будет ниже объяснено в настоящем раскрытии (ФИГ. 8A). Источники 80 данных медицинской визуализации могут содержать любое количество и любые типы устройств медицинской визуализации (например, устройство 81 магнитно-резонансной томографии, устройство 83 компьютерной томографии, рентгеновское устройство 85 и ультразвуковое устройство 87, как показано) и могут также содержать серверы управления базой данных/файлами (например, сервер 82 управления базами данных магнитно-резонансной томографии, сервер 84 компьютерной томографии, сервер 86 ​​управления базами данных рентгеновского устройства и сервер 88 управления базами данных ультразвукового устройства, как показано). На практике сервер 90 приложений или рабочая станция 93, в зависимости от того, что применимо, может быть напрямую или через сеть подключен к источнику 90 данных медицинской визуализации, для введения, тем самым, необработанных данных 31a/31b медицинской визуализации для контроллера 240 диагностики медицинской визуализации. В качестве альтернативы источник 90 данных медицинской визуализации и сервер 90 приложений или рабочая станция 93, в зависимости от того, что применимо, могут быть непосредственно интегрированы, посредством чего контроллер 240 диагностики медицинской визуализации имеет доступ к необработанным данным 31a/31b медицинской визуализации.

[00100] Также на практике сервер 90 приложений или рабочая станция 93, в зависимости от того, что применимо, также содержит контроллер дисплея, известный в области техники согласно настоящему раскрытию, для облегчения передачи диагностической оценки для необработанных данных 31a/31b медицинской визуализации оператору клиентов 91/92 или рабочей станции 93, такой как, например, отображение показателя 41 оценки степени риска для необработанных данных (например, текстовое и/или цветное отображение), описание 42 оценки степени риска для необработанных данных, восстановленное медицинское изображение 43 (например, двумерные и/или трехмерные изображения), показатель 44 оценки степени риска для изображения (например, текстовый и/или цветной код) и описание 45 оценки степени риска для изображения, как показано. Сервер 90 приложений или рабочая станция 93, в зависимости от того, что применимо, могут содержать другие контроллеры, известные в области техники согласно настоящему раскрытию, для других форм передачи диагностической оценки необработанных данных 31a/31b медицинской визуализации оператору клиентов 91/92 или рабочей станции 93, такие, как, например, контроллеры для печати, отправки по электронной почте, текстовых сообщений и т. д. диагностической оценки необработанных данных 31a/31b медицинской визуализации.

[00101] Для дальнейшего облегчения понимания изобретений согласно настоящему раскрытию последующее рассмотрение ФИГ. 8A и 8B описывает этап обучения и этап диагностики для модуля области диагностики на основании необработанных данных и модуля области диагностики изображения согласно настоящему раскрытию. Из описания ФИГ. 6 и 7 специалисты в области техники согласно настоящему раскрытию поймут, как применять настоящее раскрытие для создания и использования многочисленных и различных дополнительных вариантов реализации для обучения и работы с необработанными модулями области диагностики и модулями области диагностики изображения по настоящему раскрытию.

[00102] Обратимся к ФИГ. 8; фаза 100 обучения модуля 50а области диагностики на основании необработанных данных включает построение препроцессора 51 уменьшения размерности для обработки обучающих необработанных данных 31a медицинской визуализации, которые представляют собой данные, связанные с предыдущей оценкой диагноза для восстановленного медицинского изображения, для выбора или извлечения, тем самым, вектора 53 признаков с уменьшенной размерностью.

[00103] Фаза 101 обучения модуля 50а области диагностики на основании необработанных данных далее включает построение обладающего искусственным интеллектом устройства 52 диагностики на основании необработанных данных для обработки вектора 53 признаков с уменьшенной размерностью, для визуального воспроизведения, тем самым, диагностической оценки для необработанных данных 31a медицинской визуализации, которая совпадает с предыдущей оценкой диагностики медицинского изображения, восстановленного из необработанных данных 31а медицинской визуализации. Например, показатель 41а оценки степени риска для необработанных данных совпадает с предыдущей оценкой диагноза медицинского изображения, восстановленного по необработанным данным 31a медицинской визуализации. С этой целью параметры 46а искусственного интеллекта могут быть добавлены, изменены и/или удалены по мере необходимости для настройки обладающего искусственным интеллектом устройства 52 диагностики на основании необработанных данных по мере необходимости, для гарантии того, что диагностическая оценка для необработанных данных 31а медицинской визуализации совпадает с предыдущей диагностической оценкой для медицинского изображения, восстановленного из необработанных данных 31а медицинской визуализации. Кроме того, заголовки 47 оценки могут быть добавлены в обладающее искусственным интеллектом устройство 52 диагностики на основании необработанных данных в качестве описаний 42а оценки степени риска для необработанных данных.

[00104] Продолжим ссылку на ФИГ. 8A; фаза 101 диагностики включает введение необработанных данных 31b медицинской визуализации в препроцессор 51 уменьшения размерности для выбора или извлечения вектора 53b признаков с уменьшенной размерностью, который вводят в обладающее искусственным интеллектом устройство 52 диагностики на основании необработанных данных, для визуального воспроизведения, таким образом, показателя 41b оценки степени риска для необработанных данных и описаний 42b оценки степени риска для диагностических необработанных данных 31b медицинской визуализации. В частности, диагностические необработанные данные 31b медицинской визуализации представляют собой недиагностированные данные для оценки посредством модуля 50а области диагностики на основании необработанных данных, особенно в критически чрезвычайной во времени ситуации.

[00105] Обратимся к ФИГ. 8B; фаза 102 обучения модуля 70a области диагностики изображения включает построение препроцессора 71 медицинского изображения для обработки обучения восстановленного медицинского изображения 43a, которое представляет собой ранее диагностированное восстановленное медицинское изображение, для извлечения, тем самым, вектора 73 признаков медицинского изображения, как это известно из настоящего раскрытия. На практике создают препроцессор 71 медицинского изображения, в котором признаки вектора 73 признаков медицинского изображения совпадают с признаками вектора 53 признаков с уменьшенной размерностью (ФИГ. 8A).

[00106] Фаза 102 обучения модуля 70а области диагностики изображения также включает построение обладающего искусственным интеллектом устройства 72 диагностики изображения для обработки вектора 73 признаков медицинского изображения, что, тем самым, визуально воспроизводит диагностическую оценку восстановленного медицинского изображения 43а, которая совпадает с предыдущей оценкой диагноза медицинского изображения, восстановленного из восстановленного медицинского изображения 43а. Например, показатель 41а оценки степени риска для изображения совпадает с предыдущей оценкой диагноза восстановленного медицинского изображения 43a. С этой целью обладающее искусственным интеллектом устройство 72 диагностики изображения имеет такую ​​же или эквивалентную архитектуру, как у обладающего искусственным интеллектом устройства 52 диагностики на основании необработанных данных (ФИГ. 8В), посредством чего параметры 46b искусственного интеллекта могут быть добавлены, изменены и/или удалены по мере необходимости для настройки обладающего искусственным интеллектом устройства 72 диагностики изображения, что необходимо для обеспечения совпадения диагностической оценки восстановленного медицинского изображения 43а с предыдущей диагностической оценкой медицинского изображения, полученного из восстановленного медицинского изображения 43а. Кроме того, надписи 47 оценки могут быть добавлены к обладающему искусственным интеллектом устройству 72 диагностики изображения, чтобы представлять собой описания 45a оценки степени риска для изображений.

[00107] Продолжим ссылку на ФИГ. 8B; фаза 103 диагностики модуля 70а области диагностики изображения включает введение диагностического восстановленного медицинского изображения 43b в препроцессор 71 медицинского изображения для извлечения вектора 73b признаков медицинского изображения, который вводят в обладающее искусственным интеллектом устройство 72 диагностики изображения для визуального воспроизведения, тем самым, показателя 41а оценки степени риска для необработанных данных и описания 42b необработанной оценки риска диагностического восстановленного медицинского изображения 43b, которое может служить в качестве проверки показателя 41а оценки степени риска для необработанных данных и описания 42b оценки степени риска для необработанных данных для диагностических данных 31b медицинской визуализации.

[00108] На практике модуль области диагностики на основании необработанных данных по настоящему раскрытию может быть обучен для конкретного типа медицинского устройства визуализации и конкретной анатомической области или анатомического органа. Например, на ФИГ. 9 показаны модули 50b-50e области диагностики на основании необработанных данных, которые были обучены для устройства визуализации компьютерной томографии печени, мозга, грудного отдела и черепной области, соответственно. На ФИГ. 9 кроме того, показаны модули 50f-50i области диагностики на основании необработанных данных, которые были обучены для устройства визуализации магнитно-резонансной томографии легких, предстательной железы, области молочной железы и области грудины, соответственно. На ФИГ. 9 кроме того, показаны модули 50g-50m области диагностики на основании необработанных данных, которые были обучены для устройства визуализации рентгеновских изображений легких, предстательной железы, области молочной железы и области грудины, соответственно. На ФИГ. 9 кроме того, показаны модули 50n-50g области диагностики на основании необработанных данных, которые были обучены для устройства визуализации ультразвуковых изображений легких, предстательной железы, области молочной железы и области грудины, соответственно.

[00109] Для дальнейшего облегчения понимания изобретений согласно настоящему раскрытию последующее описание фигур раскрывает различные варианты применения изобретательских принципов согласно настоящему раскрытию, как показано на ФИГ. 3-9. Из описания фигур специалистам в области техники согласно настоящему раскрытию понятно, как использовать настоящее раскрытие для применения на практике изобретательских принципов согласно настоящему раскрытию.

[00110] Томографическое изображение

В современных системах медицинской компьютерной томографии гантри выполняет поворот вокруг пациента, причем на этом поворотном гантри на одной стороне размещен источник рентгеновского излучения и ряды детекторных элементов на противоположной стороне. Данные, полученные сканером, называют проекционной синограммой, представляющей затухание рентгеновского излучения, интегрированное вдоль пути рентгеновского луча. Затем к проекционным данным применяют алгоритмы восстановления для формирования изображений. Томографическая визуализация широко распространена в медицине - принципы трансмиссионной или эмиссионной томографии используют в компьютерной томографии, магнитно-резонансной томографии, позитронно-эмиссионной томографии, однофотонной эмиссионной компьютерной томографии, диффузной оптической томографии и др. Поскольку вся информация, необходимая для медицинской визуализации, содержится в проекционных данных, очевидно, что проекции содержат достаточно информации для диагностики. Однако до настоящего раскрытия идентификацию представляющих интерес объектов (например, кровоизлияний, опухолей) во всех этих случаях выполняли не на проекционных данных, а на восстановленных изображениях.

[00111] Процесс проецирования в компьютерной томография с математической точки зрения представляет собой преобразование Радона базового поля коэффициентов ослабления рентгеновского излучения. Процесс проецирования таков, что каждый локализованный признак в пространстве изображения (например, кровоизлияния) преобразуется в синусоиду в пространстве синограммы на ФИГ. 10A-10F. В то время как в большинстве современных клинических компьютерных томографов использованы рентгеновские лучи с коническим пучком в спиральном режиме для получения многорядных синограмм, для простоты в настоящем изобретении веерные лучи проецируются через осевые изображения для получения проекционных синограмм.

[00112] Более конкретно, на ФИГ. 10 показана геометрия 100 сбора данных компьютерной томографии, согласно которой при каждом угле поворота μ принятый детектором сигнал связан с линейным интегралом по коэффициентам ослабления вдоль пути w в соответствии с выражением

где I_o и I_t представляют собой интенсивности падающего и прошедшего лучей соответственно, а μ(w) представляет собой коэффициент линейного ослабления рентгеновского излучения вдоль луча w на длине пути L. При угле ϕ поворота относительно тела мы можем определить любую точку (х, у) в поле зрения посредством выражений , и . Тогда рентгеновское излучение от источника через точку (x, y) к матрице детектора задано синусоидой .

На ФИГ. 10, кроме того, показано изображение 101 компьютерной томографии большого эпидурального кровоизлияния (стрелка) в головном мозге, причем кровоизлияние в изображении 101 компьютерной томографии удалено цифровым способом в изображении 102 компьютерной томографии посредством замены значений пикселей с противоположной стороны. На ФИГ. 10, кроме того, показаны синограммы 103 и 104, соответствующие изображениям 101 и 102 компьютерной томографии, соответственно, причем разность 105 синограмм между синограммами 103 и 104 показывает только проекцию кровоизлияния. Следует отметить, что максимальное значение синограмм 103 и 104 составляет приблизительно 45 000, а максимальное значение разности 105 синограмм составляет 1000.

[00113] В этом варианте реализации использованы случайные проекции для уменьшения размерности векторов признаков до более управляемого значения. Векторы в исходном n-мерном пространстве X проецируют на k-мерное подпространство X_p посредством матрицы R случайных проекций (то есть X_p = R-X), где k << n, а столбцы матрицы R представляют собой реализации независимых и одинаково распределенных нормальных переменных с нулевым средним значением и единичной длиной. Хотя в целом матрица проекции должна иметь ортогональные столбцы, одно свойство многомерных наборов данных состоит в том, что при случайности направления каждого вектора большинство векторов «почти» ортогональны, где «почти» точно определено теоремой Джонсона-Линденштраусса. Поскольку ортогональные базисные функции требуют больших затрат при вычислениях, случайные проекции обеспечивают эффективный с вычислительной точки зрения подход к уменьшению размерности пространства признаков. В этом варианте реализации было исследовано несколько значений k и были достигнуты приемлемые характеристики со значениями размерности, равными 28000. Таким образом, благодаря использованию случайных проекций размерность векторов признаков была уменьшена на ~ 96,5%.

[00114] При заданном наборе векторов признаков с уменьшенной размерностью (один вектор соответствует каждой проекционной синограмме) метод опорных векторов использован для определения того, представляет ли каждый вектор признаков пациента, который здоров или имеет кровоизлияние. Более конкретно, метод опорных векторов представляет собой класс алгоритмов, который выполняет классификацию посредством встраивания векторов признаков в множество большей размерности таким образом, чтобы максимизировать разделение между классами, как на графике 106, показанном на ФИГ. 11. В этом варианте реализации внимание сосредоточено только на линейных методах опорных векторов с линейными ядрами. Важно отметить, что хотя классификатор может потребовать значительного объема вычислений для его определения во время обучения, после его вычисления необходимо только простое скалярное произведение векторов для классификации каждого нового вектора признаков.

[00115] В частности, на ФИГ. 11 показано, что на этапе обучения классификатора метода опорных векторов каждый входной вектор x_i (i = 1, ..., n) размерности k связан с меткой y_i, где y_i = +1, если x_i принадлежит классу 1 (нормальная синограмма) и y_i = -1, если x_i принадлежит классу 2 (синограмма кровоизлияния). Следующий шаг представляет собой определение весовой матрицы w, которая определяет гиперплоскость , разделяющую два класса, и показана как толстая линия, разделяющая классы 1 и 2 на ФИГ. 11. Более конкретно, уравнение для множителя Лагранжа использовано для нормализации размерности w при условии, что удовлетворены снабженные метками обучающие выборки. Уравнение, которое определяет w и b, выражено как (где α_i - множители Лагранжа)

,

то есть L_p минимизировано относительно w и b.

[00116] На фазе диагностики было ретроспективно получено 224 изображений компьютерной томографии головного мозга пациентов (88 нормальных и 136 с кровоизлиянием), и впоследствии были созданы проекционные синограммы. Типы кровоизлияний состояли из субдурального, эпидурального и субарахноидального кровоизлияний с размерами от 0,5 до 190 мл и средним размером 26,2 мл.

[00117] На ФИГ. 12 показана работа классификатора с использованием реальных данных. Изображение 107 компьютерной томографии представляет собой пример нормальной компьютерной томографии, а изображение 108 компьютерной томографии представляет собой пример компьютерной томографии с субдуральным кровоизлиянием, обозначенным стрелкой. Полная матрица результатов работы классификатора метода опорных векторов, усредненная за 10 перекрестных проверок, показана в следующей Таблице 1.

[00118] Таблица 1

Правильный диагноз

[00119] Результаты показывают в целом правильную степень классификации 94,3% с чувствительностью 92,4% и специфичностью 97,2%, а на ФИГ. 13 показан график 109 эффективности обнаружения кровоизлияния в зависимости от размера области кровоизлияния, R₂ = 0,9963.

[00120] Подводя итог, можно сказать, что в этом исследовании были получены предварительные доказательства того, что автоматическая диагностика внутричерепного кровоизлияния может быть выполнена в области проекции компьютерной томографии вместо области изображения. Выполнение диагностики в проекционной (необработанной) области может показаться нелогичным, поскольку пространственно локализованные анатомические особенности на изображениях были преобразованы в синусоиды. Однако при наличии достижений в технологиях машинного обучения и посредством томографов, формирующих все более точное разрешение и больший объем данных, изобретательские принципы настоящего раскрытия обеспечивают новый и уникальный подход к компьютерной диагностике в томографической области.

[00121] Важно отметить, что производительность системы зависит от размера обнаруженного кровоизлияния, о чем свидетельствует ФИГ. 13. Хотя кровоизлияние в мозге всегда вызывает беспокойство, стоит отметить, что, по крайней мере, в случае геморрагического инсульта размер кровоизлияния, который прогнозирует 30-дневный смертельный исход, составляет > 30 мл. В этом контексте изобретения согласно настоящему раскрытию могут иметь место значительные перспективы для быстрого и точного визуального воспроизведения диагностических рекомендаций для подходящего вмешательства. Кроме того, потенциал улучшения чувствительности обнаружения меньшего кровоизлияния согласно изобретений по настоящему раскрытию может быть достигнут при сохранении большего количества признаков и за счет использования более сложных вариантов метода опорных векторов.

[00122] Восстановление по Фурье с использованием глубоких нейронных сетей. Для изучения клинически значимых особенностей в k-пространстве модуль диагностики на основании необработанных данных по настоящему изобретению должен быть предназначен для изучения диффузных картин, а не локализованных аномалий. Например, точечный объект в изображении 110 k-пространства по ФИГ. 14, который имеет сходство с повреждением органа, будет содержать информацию, локализованную на изображении, но «рассеянную» в k-пространстве. В магнитно-резонансной томографии отношения между изображением и k-пространством определены теорией Фурье (например, посредством частотной модуляции, масштабирования). Это особенно актуально для многих проблем медицинской визуализации, где стандартный подход состоит в обнаружении небольшой аномалии, такой как инфаркты, опухоли и переломы. Это важно, поскольку большая часть информации в изображении не имеет отношения к диагнозу. Поиск небольшого локализованного «сигнала в шуме» на самом деле более сложен для компьютера, чем описание рассеянного элемента. Как правило, эту проблему решают посредством двухэтапного подхода, включающего локализацию с последующей классификацией, или посредством механизмов внимания. Однако в области сбора данных небольшой локализованный объект будет иметь более размытый внешний вид, что не потребует наличия механизмов внимания, которые трудно обучить. Однако модуль диагностики на основании необработанных данных по настоящему изобретению должен был бы принимать более широкий ввод, увеличивающий размерность.

[00123] Более конкретно, на ФИГ. 10 показаны изображение 110, отражающее взаимосвязь круглых объектов с их представлением в k-пространстве, изображение 111 магнитно-резонансной томографии с инверсией-восстановлением с подавлением сигнала от воды (FLAIR), показывающее тонкую асимметрию правого путамена, имеющего искусственно удаленное повреждение для демонстрации, и изображение 112 магнитно-резонансной томографии, причем гиперинтенсивное поражение на изображении 111 магнитно-резонансной томографии удалено в цифровом виде посредством замены значений пикселей с противоположной стороны.

[00124] На ФИГ. 10, кроме того, показаны k-пространства 113 и 114, соответствующие изображению 111 магнитно-резонансной томографии и изображению 112 магнитно-резонансной томографии, соответственно, и разность 115 в k-пространстве между k-пространствами 113 и 114, показывающая только частотную характеристику поражения. Обратите внимание, что максимальное значение k-пространств 113 и 114 равно 10:1 относительно (f). (Примечание: k-пространство моделировано посредством простой декартовой схемы выборки).

[00125] Частичная визуализация Фурье представляет собой обычное явление в магнитно-резонансной томографии, в которой для формирования всего изображения магнитно-резонансной томографии использована только половина k-пространства. Это возможно из-за избыточности информации в k-пространстве. При условии, что во время сбора данных отсутствуют фазовые ошибки, k-пространство имеет эрмитову симметрию 109, как показано на ФИГ. 15. В настоящем раскрытии для магнитно-резонансной томографии использована ее симметрия в k-пространстве для уменьшения размерности пространства признаков. В частности, ФИГ. 15 подчеркивает симметрию k-пространства. В частности, комплексно-сопряженная симметрия 109 применена к парам точек, таким как P и Q, которые расположены по диагонали друг от друга в начале k-пространства. Если данные в точке P представляют собой комплексное число [a + bi], то данные в точке Q известны как комплексное сопряжение к P, то есть [a-bi]. N_pe - количество кодировок фазы, а N_fe - количество кодировок частоты.

[00126] Другим дифференцирующим фактором между областью изображения и k-пространством является форма входа, которая должна иметь два канала (действительный и мнимый) для учета информации о сигнале, хранящемся в виде комплексных чисел в k -пространстве. В Таблице 2 и Таблице 3 мы описываем две простые сетевые архитектуры, которые могут быть использованы для этой проблемы (данные обучения необходимы для уточнения структуры сети; причем исключение, регуляризация и пакетная нормализация не включены). Выбор между двумерным или трехмерным дизайном может зависеть от последовательности импульсов или типа исследуемой анатомии. Это только один из многих подходов на основе искусственного интеллекта, причем подход, основанный на методе опорных векторов, описанном в варианте реализации 1, или другие сетевые архитектуры могут давать аналогичный результат.

[00127]

[00128] Таблица 1. Потенциальная трехмерная сетевая архитектура для k-пространства.

[00129]

[00130] Таблица 2. Потенциальная двухмерная сетевая архитектура для k-пространства

[00131] Настоящее раскрытие здесь показывает пример взвешенного по Т2 острого ишемического инсульта, поскольку анатомическая магнитно-резонансная томография имеет более непосредственную связь между изображением и k-пространством. Тем не менее, этот способ также может быть использован для обнаружения инфаркта, обнаруженного посредством взвешенной по диффузии магнитно-резонансной томографии при (гипер)остром инсульте или других непрямых способах магнитно-резонансной томографии, где изображение не представляет собой Фурье-преобразование k-пространства. Это еще один убедительный случай использования вследствие влияния на исход пациента в течение короткого промежутка времени и количества пациентов, поступающих в отделения неотложной помощи с симптомами, указывающими на ишемический инсульт. По данным Всемирной организации здравоохранения ежегодно во всем мире от инсульта страдают 15 миллионов человек. Из них 5 миллионов умирают, а еще 5 миллионов остаются инвалидами. Ишемический инсульт составляет 88% этих пациентов. Успешное лечение пациентов с подозрением на ишемический инсульт требует ранней диагностики, принятия быстрых решений и немедленного реагирования.

[00132] Диффузно-взвешенная визуализация (DWI) представляет собой обычно выполняемую последовательность операций магнитно-резонансной томографии для оценки острого ишемического инсульта и является чувствительной при обнаружении небольших и ранних инфарктов. Обычные последовательности операций магнитно-резонансной томографии (T1-взвешенные, T2-взвешенные) могут не показывать инфаркт в течение 6 часов, а мелкие инфаркты могут быть трудно оценены компьютерной томографией в течение нескольких дней, особенно без преимуществ предшествующей визуализации. При использовании компьютерной томографии без применения контрастного материала время обнаружения инфаркта еще больше.

[00133] Увеличенный сигнал диффузно-взвешенной визуализация в ишемической ткани головного мозга наблюдается в течение нескольких минут после окклюзии артерии и прогрессирует через стереотипную последовательность снижения внешнего коэффициента диффузии (ADC) с последующим увеличением, псевдонормализацией и, наконец, постоянным повышением. Сообщаемая чувствительность варьируется от 88 до 100%, а специфичность от 86 до 100%. Тем не менее, этот подход может также быть использован для визуального воспроизведения острого инсульта, включая диффузионно-взвешенные, перфузионные и ангиографические последовательности в дополнение к анатомической визуализации (взвешенный по T2 или с инверсией-восстановлением с подавлением сигнала от воды).

[00134] Диффузно-взвешенные изображения также получают в k-пространстве, аналогично взвешенным изображениям T1 и T2. Однако для извлечения функционального состояния ткани, часто определяемое количественно как внешний коэффициент диффузии, необходимо получить несколько изображений в k-пространстве с различными значениями градиента диффузии (различными значениями b), как показано на ФИГ. 15.

[00135] Более конкретно на ФИГ. 15 показано создание карты 119 внешнего коэффициента диффузии посредством получения изображения 117 при отсутствии взвешивания диффузии (b_o) и нескольких изображений 118 с переменными значениями b. Эти изображения объединены для создания карты 119 внешнего коэффициента диффузии (S_DWI) по следующим формулам:

S_x = S_oe^-bDxx,S_y = S_oe^-bDyy,S_z = S_oe^-bDzz и S_SWI = 3√(S_xS_yS_z).

[00136] На ФИГ. 16, кроме того, показан набор 120 изображений, полученных посредством сканеров, используемых для дифференциальной диагностики острого ишемического инсульта, как известно в данной области техники. Слева направо, набор 120 содержит изображение диффузно-взвешенной визуализации, изображение с инверсией-восстановлением с подавлением сигнала от воды, изображение с взвешиванием по T2, изображение время-пролетной магнитно-резонансной томографии (без использования контрастных материалов) и изображение магнитно-резонансной томографии с использованием гадолиния Gd (усиление контраста).

[00137] Поскольку существует важная корреляция на уровне пикселей, применение предложенных сетей к данным и последующее объединение результатов, очевидно, приведет к потере важной информации. Вместо этого в настоящем раскрытии предлагается изменить входные данные таким образом Shape = N_pe/2 x N_fe/2 x b-значения, где b-значения могут быть рассмотрены как каналы или дополнительная размерность. Комплексные данные могут затем быть получены посредством подхода, или чего-то подобного, описанного Geberman N. в статье «Об оцененных в комплексной области сверточных нейронных сетях» (2016) https://arxiv.org/pdf/1602.09046.pdf, включенной в настоящий документ посредством ссылки. Этот подход может быть распространен на другие функциональные варианты сканирования магнитно-резонансной томографии, такие как магнитно-резонансная томография с динамическим повышением контрастности (DCE) или с динамической восприимчивостью с контрастным усилением (DSC), где вход будет иметь форму Shape = N_pe/2 x N_fe/2 x время.

[00138] Преобразование необработанных данных в текст для улучшения восприятия врачом оценки степени риска

На ФИГ. 17 показана первая в своем роде глубокая рекуррентная архитектура 131, сочетающая последние достижения в области машинного перевода и компьютерного зрения, которые точно настроены на характеристики медицинского изображения и онтологии медицинского текста. Модель 131 была обучена посредством описательных предложений из медицинской литературы с учетом медицинского изображения при использовании нейронной сети кодера-декодера. Модель 131 работает, сначала «кодируя» изображение в векторное представление фиксированной длины посредством сверточной нейронной сети (CNN), а затем «декодируя» это представление в описание на естественном языке. Декодер - это сеть с долгой краткосрочной памятью, которая обучена как языковая модель, обусловленная декодированием изображения. Запланированная работа включает повышение точности модели посредством альтернативных сетевых архитектур и обучение на целевых наборах клинических данных, а также расширение сверточной нейронной сети до трех измерений для обеспечения возможности принимать объемные данные. Настоящее раскрытие предлагает глубокую рекуррентную сеть, которая в равной степени способна интерпретировать отношения и в сонограммах, и в читаемых человеком анатомических восстановлениях. Например, ФИГ. 17 предусматривает выход из сверточной нейронной сети глубокого видения и вырабатывающую язык рекуррентную нейронную сеть для образования описательного текста из синограммы 130 (например, «компьютерной томографии головы с ишемическим инсультом позднее, чем 1 день после начала, с показом области гиподенсии. Увеличение левой височной доли и сжатие Сильвиева элемента»). Обучение будет проведено на произвольных текстовых заметках эксперта радиолога.

[00139] Для вырабатывающей модели, создающей текстовое описание анатомической информации из необработанных данных, изобретения согласно настоящему раскрытию предусматривают первое использование уменьшения размерности, как ранее описано в настоящем раскрытии, с последующим выделением признаков посредством сверточной нейронной сети. Этот вектор признаков вводят в модель 132 выработки текста, как показано на ФИГ. 18. Для обучения вектор признаков с уменьшенной размерностью будет задан в качестве входных данных для первой ячейки долгой краткосрочной памяти вместе с первым словом заголовка, и последовательность слов аналогично будет передана в последующие ячейки долгой краткосрочной памяти. Таким образом, веса изображения совместно используют на всех шагах долгой краткосрочной памяти на этапе декодирования для обучения ассоциации между признаками изображения и словам заголовка. Последовательность ячеек долгой краткосрочной памяти обучают вероятностям появления следующего слова по заданному входному слову и необработанным данным, так что результирующая модель способна выработать заголовок (фразу или предложение) при заданных необработанных данных, таких как сонограмма или k-пространство.

[00140] Обратимся к ФИГ. 1-19; специалисты в данной области техники оценят многие преимущества изобретений согласно настоящему раскрытию, включая, но не ограничиваясь этим, автоматический диагноз, которая выбирают или извлекают из необработанных данных изображения с той же или улучшенной точностью, чем непосредственно из восстановленного медицинского изображения. Изобретения согласно настоящему раскрытию особенно предпочтительны для принятия решений, критичных во времени, и в условиях ограниченных вычислительных ресурсов.

[00141] Кроме того, очевидно, что различная информация, описанная как хранимая в устройстве хранения, может быть дополнительно или альтернативно сохранена в памяти. В этом отношении память также может быть рассмотрена как «устройство хранения», а устройство хранения может быть рассмотрено как «память». Различные другие устройства будут очевидны. Кроме того, память и устройство хранения могут быть рассмотрены как «некратковременные машиночитаемые носители». Используемый здесь термин «некратковременные» следует понимать как исключающий временные сигналы, но включающий все формы хранения, в том числе энергозависимую и энергонезависимую память.

[00142] Хотя устройство показано как содержащее по одному из каждого описанного компонента, различные компоненты могут быть продублированы в различных вариантах реализации. Например, процессор может содержать множество микропроцессоров, которые выполнены с возможностью независимого выполнения способов, описанных в настоящем раскрытии, или выполнены с возможностью выполнения этапов или подпрограмм способов, описанных в настоящем раскрытии, так что несколько процессоров взаимодействуют для достижения функциональных особенностей, описанных в настоящем раскрытии. Кроме того, при реализации устройства в облачной вычислительной системе, различные компоненты аппаратного обеспечения могут принадлежать отдельным физическим системам. Например, процессор может содержать первый процессор на первом сервере и второй процессор на втором сервере.

[00143] Из вышеприведенного описания должно быть очевидно, что различные взятые в качестве примера варианты реализации изобретения могут быть реализованы в виде устройств аппаратного обеспечения или прошивки. Кроме того, различные взятые в качестве примера варианты реализации могут быть реализованы в виде инструкций, хранящихся на машиночитаемом носителе для хранения, которые могут быть считаны и исполнены по меньшей мере одним процессором для выполнения операций, подробно описанных в настоящем документе. Машиночитаемый носитель для хранения может содержать любое устройство для хранения информации в форме, доступной для чтения устройством, таким как персональный компьютер или ноутбук, сервер или другое вычислительное устройство. Таким образом, машиночитаемый носитель для хранения может содержать постоянное запоминающее устройство, оперативное запоминающее устройство, носитель с магнитным диском, оптический носитель, устройства флэш-памяти и аналогичные носители.

[00144] Специалистам в данной области техники должно быть понятно, что любые приведенные здесь структурные схемы представляют собой концептуальные представления иллюстративных схем, воплощающих принципы настоящего изобретения. Аналогично, следует понимать, что любые графические представления, функциональные диаграммы, диаграммы переходов состояний, псевдокод и т.п. представляют различные процессы, которые могут быть по существу представлены на машиночитаемом носителе и, таким образом, выполняются компьютером или процессором, независимо от того, показан ли явно такой компьютер или процессор или нет.

[00145] Хотя различные взятые в качестве примера варианты реализации были описаны подробно с конкретной ссылкой на некоторые взятые в качестве примера его особенности, следует понимать, что изобретение допускает другие варианты реализации, и его подробности могут быть модифицированы в различных очевидных отношениях. Как очевидно для специалистов в данной области техники, можно ввести изменения и модификации, оставаясь в пределах сущности и объема изобретения. Соответственно, вышеприведенное раскрытие, описание и чертежи предназначены только для иллюстративных целей и никоим образом не ограничивают изобретение, которое определено только формулой изобретения.