公开(公告)号：WO2017023569A1

公开(公告)日：2017-02-09

申请号：PCT/US2016/043466

申请日：2016-07-22

Applicant: SIEMENS AKTIENGESELLSCHAFT ,  SIEMENS CORPORATION

Inventor： BHATTACHARYA, Subhabrata ,  CHEN, Terrence ,  KAMEN, Ali ,  SUN, Shanhui

IPC: G06K9/46 ,  G06K9/00

CPC classification number: G06K9/00147 ,  A61B5/0042 ,  A61B5/0084 ,  G06K9/4609 ,  G06K9/4676 ,  G06K9/6223 ,  G06K9/6247 ,  G06K9/6255 ,  G06K9/6262 ,  G06K2209/05

Abstract: Independent subspace analysis (ISA) is used to learn (42) filter kernels for CLE images in brain tumor classification. Convolution (46) and stacking are used for unsupervised learning (44, 48) with ISA to derive the filter kernels. A classifier is trained (56) to classify CLE brain images based on features extracted using the filter kernels. The resulting filter kernels and trained classifier are used (60, 64) to assist in diagnosis of occurrence of brain tumors during or as part of neurosurgical resection. The classification may assist a physician in detecting whether CLE examined brain tissue is healthy or not and/or a type of tumor.

Abstract translation: 独立子空间分析（ISA）用于学习（42）在脑肿瘤分类中过滤CLE图像的内核。 卷积（46）和堆叠用于无监督学习（44,48）与ISA导出过滤器内核。 训练分类器（56），以基于使用滤波器内核提取的特征对CLE脑图像进行分类。 使用所得到的过滤核和训练分类器（60,64）来帮助诊断脑肿瘤在神经外科切除期间或作为神经外科切除术的一部分。 该分类可以帮助医生检测CLE检查的脑组织是否健康，和/或一种类型的肿瘤。

公开(公告)号：WO2016182552A1

公开(公告)日：2016-11-17

申请号：PCT/US2015/030095

申请日：2015-05-11

Applicant: SIEMENS AKTIENGESELLSCHAFT ,  SIEMENS CORPORATION

Inventor： KAMEN, Ali ,  SUN, Shanhui ,  CHEN, Terrence ,  MANSI, Tommaso ,  GIGLER, Alexander Michael ,  CHARALAMPAKI, Cleopetra ,  FLEISCHER, Maximilian ,  COMANICIU, Dorin

IPC: G06K9/46 ,  G06K9/62 ,  G06T7/00

CPC classification number: G06K9/4628 ,  A61B5/0033 ,  G06K9/4671 ,  G06K9/6274 ,  G06T7/0012 ,  G06T7/344 ,  G06T2207/30024

Abstract: Systems and methods for image classification include receiving imaging data of in-vivo or excised tissue of a patient during a surgical procedure. Local image features are extracted from the imaging data. A vocabulary histogram for the imaging data is computed based on the extracted local image features. A classification of the in-vivo or excised tissue of the patient in the imaging data is determined based on the vocabulary histogram using a trained classifier, which is trained based on a set of sample images with confirmed tissue types.

Abstract translation: 用于图像分类的系统和方法包括在外科手术期间接收患者的体内或切除组织的成像数据。 从成像数据中提取局部图像特征。 基于所提取的局部图像特征来计算成像数据的词汇直方图。 基于使用训练分类器的词汇直方图来确定成像数据中的患者的体内或切除组织的分类，训练分类器基于具有确认的组织类型的一组样本图像进行训练。

公开(公告)号：WO2016144341A1

公开(公告)日：2016-09-15

申请号：PCT/US2015/019844

申请日：2015-03-11

Applicant: SIEMENS AKTIENGESELLSCHAFT ,  SIEMENS CORPORATION

Inventor： WAN, Shaohua ,  SUN, Shanhui ,  CHEN, Terrence ,  GEORGESCU, Bogdan ,  KAMEN, Ali

IPC: G06K9/00

CPC classification number: G06K9/6259 ,  G06K9/00134 ,  G06K9/00147 ,  G06K9/6249 ,  G06T7/0014 ,  G06T2207/10016 ,  G06T2207/10056 ,  G06T2207/30016 ,  G06T2207/30096

Abstract: A method for performing cellular classification includes using a convolution sparse coding process to generate a plurality of feature maps based on a set of input images and a plurality of biologically-specific filters. A feature pooling operation is applied on each of the plurality of feature maps to yield a plurality of image representations. Each image representation is classified as one of a plurality of cell types.

Abstract translation: 一种用于执行细胞分类的方法包括使用卷积稀疏编码处理，以基于一组输入图像和多个生物特异性滤波器来生成多个特征图。 在多个特征图中的每一个上应用特征集合操作以产生多个图像表示。 每个图像表示被分类为多个单元格类型之一。

公开(公告)号：WO2015160602A1

公开(公告)日：2015-10-22

申请号：PCT/US2015/025020

申请日：2015-04-09

Applicant: SIEMENS AKTIENGESELLSCHAFT ,  SIEMENS CORPORATION

Inventor： KIRALY, Atilla Peter ,  MANSI, Tommaso ,  KAMEN, Ali

IPC: G06F19/00 ,  A61B18/14 ,  A61B19/00 ,  A61B5/00 ,  A61B5/046 ,  A61B18/00

CPC classification number: A61B34/10 ,  A61B5/0037 ,  A61B5/0044 ,  A61B5/046 ,  A61B18/1492 ,  A61B90/37 ,  A61B2017/00053 ,  A61B2018/00351 ,  A61B2018/00839 ,  A61B2034/105 ,  A61B2090/374 ,  A61B2090/3762 ,  A61B2090/378 ,  G06F19/00 ,  G06F19/3481 ,  G16H50/50

Abstract: A method for guiding electrophysiology (EP) intervention using a patient-specific electrophysiology model includes acquiring a medical image of a patient subject (S201). Sparse EP signals are acquired over an anatomy using the medical image for guidance (S202). The sparse EP signals are interpolated using a patient specific computational electrophysiology model and a three-dimensional model of EP dynamics is generated therefrom (S203). A rendering of the three-dimensional model is displayed. Candidate intervention sites are received, effects on the EP dynamics resulting from intervention at the candidate intervention sites is simulated using the model, and a rendering of the model showing the simulated effects is displayed (S205).

Abstract translation: 使用患者特异性电生理学模型指导电生理学（EP）干预的方法包括获取患者对象的医学图像（S201）。 使用医学图像进行引导，在解剖结构上采集稀疏EP信号（S202）。 使用患者特定的计算电生理学模型对稀疏EP信号进行内插，并从其生成EP动态的三维模型（S203）。 显示三维模型的渲染。 接收到候选干预站点，使用模型模拟对候选干预站点干预造成的EP动态影响，并显示显示模拟效果的模型的渲染（S205）。

公开(公告)号：WO2011109710A1

公开(公告)日：2011-09-09

申请号：PCT/US2011/027189

申请日：2011-03-04

Applicant: SIEMENS CORPORATION ,  SIEMENS AKTIENGESELLSCHAFT ,  SUNDAR, Hari ,  KAMEN, Ali ,  THOMAS, Boettger

Inventor： SUNDAR, Hari ,  KAMEN, Ali ,  THOMAS, Boettger

IPC: G06T7/00

CPC classification number: G06T7/0024 ,  G06T7/11 ,  G06T7/149 ,  G06T7/30 ,  G06T2207/10081 ,  G06T2207/20016 ,  G06T2207/20128 ,  G06T2207/30016

Abstract: A method for segmenting an image includes registering an annotated template image to an acquired reference image using only rigid transformations to define a transformation function relating the annotated template image to the acquired reference image (S101). The defined transformation function is refined by registering the annotated template image to the acquired reference image using only affine transformations (S102). The refined transformation function is further refined by registering the annotated template image to the acquired reference image using only multi-affine transformations (S103). The twice refined transformation function is further refined by registering the annotated template image to the acquired reference image using deformation transformations (S104).

Abstract translation: 用于分割图像的方法包括使用刚性变换将注释的模板图像注册到所获取的参考图像，以定义将所注释的模板图像与所获取的参考图像相关联的变换功能（S101）。 通过使用仿射变换将注释的模板图像注册到所获取的参考图像来改进所定义的变换函数（S102）。 通过仅使用多仿射变换将注释的模板图像注册到所获取的参考图像，进一步改进了精细变换功能（S103）。 通过使用变形变换将所注释的模板图像注册到获取的参考图像来进一步改进两次精化转换函数（S104）。

公开(公告)号：WO2016160491A1

公开(公告)日：2016-10-06

申请号：PCT/US2016/023929

申请日：2016-03-24

Applicant: SIEMENS AKTIENGESELLSCHAFT ,  SIEMENS CORPORATION

Inventor： WAN, Shaohua ,  SUN, Shanhui ,  BHATTACHARYA, Subhabrata ,  CHEN, Terrence ,  KAMEN, Ali

IPC: G06K9/00

CPC classification number: G06K9/00147 ,  A61B1/00009 ,  A61B5/4255 ,  G06K9/6255 ,  G06T7/0012

Abstract: A method and system for classifying tissue endomicroscopy images are disclosed. Local feature descriptors are extracted from an endomicroscopy image. Each of the local feature descriptors is encoded using a learnt discriminative dictionary. The learnt discriminative dictionary includes class-specific sub-dictionaries and penalizes correlation between bases of sub-dictionaries associated with different classes. Tissue in the endomicroscopy image is classified using a trained machine learning based classifier based on the coded local feature descriptors encoded using a learnt discriminative dictionary.

Abstract translation: 公开了一种用于分类组织内窥镜图像的方法和系统。 局部特征描述符从内窥镜图像中提取。 每个本地特征描述符使用学习的鉴别词典进行编码。 学习的歧视词典包括特定类别的字典，并惩罚与不同类别相关的子词典的基础之间的相关性。 使用基于经过训练的基于机器学习的分类器基于使用学习的鉴别词典编码的编码的局部特征描述符来对内窥镜图像中的组织进行分类。

公开(公告)号：WO2016140693A1

公开(公告)日：2016-09-09

申请号：PCT/US2015/023231

申请日：2015-03-30

Applicant: SIEMENS AKTIENGESELLSCHAFT ,  SIEMENS CORPORATION

Inventor： WAN, Shaohua ,  SUN, Shanhui ,  KLUCKNER, Stefan ,  CHEN, Terrence ,  KAMEN, Ali

IPC: G06K9/00

CPC classification number: G06K9/00147 ,  A61B1/00009 ,  A61B1/04 ,  A61B90/20 ,  G02B21/0076 ,  G02B21/008 ,  G06K9/0014 ,  G06K9/6223 ,  G06K9/6276

Abstract: A method for performing cellular classification includes extracting a plurality of local feature descriptors (220) from a set of input images (210) and applying a coding process to convert each of the plurality of local feature descriptors into a multi-dimensional code (225). A feature pooling operation (230) is applied on each of the plurality of local feature descriptors to yield a plurality of image representations and each image representation is classified as one of a plurality of cell types (240).

Abstract translation: 一种用于执行蜂窝分类的方法包括从一组输入图像（210）提取多个局部特征描述符（220），并应用编码处理将多个局部特征描述符中的每一个转换为多维码（225） 。 在多个局部特征描述符中的每一个上应用特征集合操作（​​230）以产生多个图像表示，并且每个图像表示被分类为多个小区类型之一（240）。

公开(公告)号：WO2015153832A1

公开(公告)日：2015-10-08

申请号：PCT/US2015/023986

申请日：2015-04-02

Applicant: SIEMENS AKTIENGESELLSCHAFT ,  SIEMENS CORPORATION

Inventor： SEEGERER, Philipp ,  MANSI, Tommaso ,  JOLLY, Marie-Pierre ,  GEORGESCU, Bogdan ,  KAMEN, Ali ,  COMANICIU, Dorin ,  MOLLERO, Roch ,  PASSERINI, Tiziano

IPC: G06F19/00 ,  A61B5/00 ,  G06T17/00 ,  G09B23/30 ,  G06T7/00 ,  A61B8/08 ,  A61B5/04

CPC classification number: G16H50/50 ,  A61B5/004 ,  A61B5/0044 ,  A61B5/04 ,  A61B5/0452 ,  A61B6/032 ,  A61B6/5235 ,  A61B6/5247 ,  A61B8/0883 ,  A61B2576/023 ,  G06F17/5009 ,  G06F19/00 ,  G09B23/288 ,  G09B23/30

Abstract: Methods and systems for estimating patient-specific cardiac electrical properties from medical image data and non-invasive electrocardiography measurements of a patient are disclosed. A patient-specific anatomical heart model is generated from medical image data of a patient. Patient-specific cardiac electrical properties are estimated by simulating cardiac electrophysiology over time in the patient-specific anatomical heart model using a computational cardiac electrophysiology model and adjusting cardiac electrical parameters based on the simulation results and the non-invasive electrocardiography measurements. A patient-specific cardiac electrophysiology model with the patient-specific cardiac electrical parameters can then be used to perform virtual cardiac electrophysiology interventions for planning and guidance of cardiac electrophysiology interventions.

Abstract translation: 公开了用于从患者的医学图像数据和非侵入性心电图测量估计患者特异性心脏电学性质的方法和系统。 从患者的医学图像数据产生患者特异性解剖心脏模型。 通过使用计算心脏电生理模型在患者特异性解剖心脏模型中模拟心脏电生理学随时间推测患者特异性心脏电学性质，并且基于模拟结果和非侵入性心电图测量来调整心脏电参数。 然后可以使用具有患者特异性心脏电参数的患者特异性心脏电生理学模型来执行心脏电生理干预的计划和指导的虚拟心脏电生理干预。

公开(公告)号：WO2015031576A1

公开(公告)日：2015-03-05

申请号：PCT/US2014/053086

申请日：2014-08-28

Applicant: SIEMENS AKTIENGESELLSCHAFT ,  SIEMENS CORPORATION

Inventor： NEUMANN, Dominik ,  MANSI, Tommaso ,  GRBIC, Sasa ,  GEORGESCU, Bogdan ,  KAMEN, Ali ,  COMANICIU, Dorin ,  VOIGT, Ingmar

IPC: G06F19/00 ,  A61B8/08 ,  A61B5/00 ,  A61B5/02 ,  A61B5/04 ,  A61B5/055 ,  G06T17/00 ,  G09B23/30

CPC classification number: G06F19/3437 ,  A61B5/0044 ,  A61B5/02 ,  A61B5/04 ,  A61B5/055 ,  A61B8/0883 ,  A61B2576/023 ,  G06F19/00 ,  G06F19/321 ,  G06N5/003 ,  G09B23/288 ,  G16H50/50

Abstract: A method and system for estimating physiological heart measurements from medical images and clinical data disclosed. A patient-specific anatomical model of the heart is generated from medical image data of the patient. A patient-specific multi-physics computational heart model is generated based on the patient-specific anatomical model by personalizing parameters of a cardiac electrophysiology model, a cardiac biomechanics model, and a cardiac hemodynamics model based on medical image data and clinical measurements of the patient. Cardiac function of the patient is simulated using the patient-specific multi-physics computational heart model. The parameters can be personalized by inverse problem algorithms based on forward model simulations or the parameters can be personalized using a machine-learning based statistical model.

Abstract translation: 用于从医学图像估计生理心脏测量的方法和系统和公开的临床数据。 心脏的患者特异性解剖模型由患者的医学图像数据产生。 基于患者特异性解剖模型，通过个性化心脏电生理模型参数，心脏生物力学模型和基于医学图像数据和患者临床测量的心脏血液动力学模型来生成患者特异性多物理计算心脏模型 。 使用患者特定的多物理计算心脏模型模拟患者的心脏功能。 可以通过基于正向模型模拟的逆问题算法来个性化参数，或者可以使用基于机器学习的统计模型来个性化参数。