用于对体型进行分类的计算机实现的方法与流程

1.本发明涉及一种用于对至少一个人的体型、特别是至少一个患者的体型进行分类的计算机实现的方法。另外，本发明还涉及一种处理设备、一种计算机程序和一种计算机可读数据载体。


背景技术：

2.对于许多应用、特别是医疗应用而言有利的是，获得对相关人群或患者群体的典型外部特征、即典型外观的概览。在此，例如使用特定诊所或居住在特定地区或特定国家的人群可能是相关的。患者的外部特征，特别是患者的身高、体重和体型(即，例如患者是胸部较窄还是臀部较窄的患者)例如对于医疗诊断设备或治疗设备(诸如辐射设备或成像设备)的运行参数的设置可以是相关的，特别是例如对于在x射线记录的范畴中的剂量控制或造影剂的施用是相关的。在预配置的范畴中，在此可能有利的是，预备性地为特定诊所中的典型患者外部特征或经限定的另一患者群体预设参数，或者为最相关的人群预设用于设置医疗诊断设备或治疗设备的运行参数的配置。
3.患者族群中外观的分布通常不会被详细获取。因此，通常有必要依靠大型组织的估计，然而这样的估计通常不考虑区域性影响或影响自身患者族群的其他影响。备选地，必须进行主观估计，然而主观估计通常明显容易出错。
4.如果要避免上述缺点，则有必要对每个患者分别独立地进行相应数据的获取，然而这会导致医务人员的额外工作量，并且在一些情况下可能容易出错。


技术实现要素：

5.因此，本发明所基于的目的在于，提出一种改进的可行方案，以获得关于个体人的体型以及外部特征的信息，从而也改善关于较大群体的统计信息的获取。
6.下面关于所要求保护的方法、所要求保护的处理设备和所要求保护的计算机程序来说明该目的的根据本发明的解决方案。在此所提到的特征、优点或备选实施方式还可以适用于其他所要求保护的主题，反之亦然。换言之，具体的权利要求(其例如针对处理设备)还可以通过结合方法所说明或要求保护的特征来扩展，反之亦然。在此，方法的相应功能特征由处理设备或计算机程序的相应具体模块或子单元形成。
7.根据本发明，该目的通过一种计算机实现的方法来实现，该方法用于对至少一个人的体型、特别是至少一个患者的体型进行分类，该方法包括以下步骤：
8.–
接收相应的人的、映射该人的至少一个局部区域的至少一个图像数据集，并且
9.–
通过优化方法求取人的体型，其中针对可能的体型中的每个体型使用相应的人体模型，该模型根据一个或多个人体参数来预设由人体模型描述的人的预期人体几何形状，其中通过优化方法以如下方式选择体型：图像数据集或从图像数据集中求取的人体几何形状与预期人体几何形状的相似性的相似性量度通过体型的选择被优化。
10.特别是可以通过体型的分类为人分配多种类别的体型。
11.在根据本发明的方法中利用以下事实：通常对于相当一部分患者族群或其他人群本来就存在图像数据集，例如形貌概览x射线记录或磁共振断层扫描记录，其映射整个人体或至少足够大的局部区域，以便可以推断出体型。
12.在此，体型可以理解为特别是指身体的宽度或深度沿高度的各种变化，即例如以下区别：是存在较宽的臀部还是较窄的胸腔或与此相反，等等。在此，作为人体参数可以考虑涉及外部特征的其他参数，特别是人的身高和体重。
13.已经认识到的是，通过为相应的体型预设由至少一个人体参数进行参数化的人体模型，可以很好地映射不同的体型。因此，在优化方法的范畴中可以判断人体模型中的哪个人体模型最适配于相应的图像数据集，从而可以判断哪个体型最对应于相应的人的体型。在此，在理想情况下，将已知图像数据集所取决于的所有其他参数，即人体参数和涉及成像的获取参数，从而足以将在相应的参数化中由相应的人体模型预设的人体几何形状与图像数据集或从中求取的人体几何形状进行比较，并且仅需选择可以获得最佳相似性量度的体型。根据相似性量度的选择，可以在最小或最大的相似性量度的情况下得到最佳相似性。
14.然而，图像数据集所取决于的所有参数通常并不都是已知的。例如，人相对于获取装置的相对位置仅可以大致已知，人的体重或身高可能是未知的，等等。在这种情况下，可以在优化方法的范畴中将未知参数进行更改，以实现最佳相似性。由于在此可以产生相对较大的参数空间，因此可能有利的是，不是完全扫描参数空间，而是在优化的范畴中例如使用梯度下降法等，以使相似性量度最小化或最大化。
15.在求取体型之后，可以通过输出接口来提供体型或从中求取的信息。所求取的信息例如可以是特征向量，该特征向量除了体型之外还包括至少一个人体参数，从而适合于至少在很大程度上表征相应的人的外部特征。如果所说明的方法针对非常大的人群被执行，则将产生大量的特征向量。因此，可能有利的是，例如通过聚类分析从中仅确定一些特别相关的特征向量，这将在后文进一步说明。这种分析的结果同样可以通过输出接口被提供。
16.如上所述，对体型或所说明的特征向量的确定还可以用于控制或预配置其他过程，特别是对其他人的另外的成像。因此，通过输出接口还可以提供控制信息或配置信息。
17.在根据本发明的方法中，如上所述，体型特别地应当涉及人的外形。因此，可以使用仅涉及人外形的相对简单的人体模型。然而，特别是在医学领域中还可能有利的是，使用所谓的地图集(atlanten)，该地图集针对相应体型描述了相应的人的解剖结构。这例如在以下情况下可以是有利的：在确定体型或人体参数的范畴中应当考虑内部特征的位置和/或大小，即，例如器官、骨骼等的位置和/或大小。
18.根据本发明的方法特别地旨在确定较大人群的体型。因此，有利的是，从数据库中提取图像数据，并且在一些情况下提取关于人或成像的其他附加信息，即特别是人体参数和/或获取参数。例如可以使用dicom格式，其中不仅可以提供图像数据本身，而且可以附加地提供涉及记录或人的数据。作为数据源例如可以使用图片存档和通信系统(pacs)。
19.在下面的说明中，通常假设图像数据集是二维x射线数据或计算机断层扫描。然而，还可以使用图像数据集的其他数据源，例如磁共振断层扫描仪和摄像机。
20.关于体型，例如可以在矩形、三角形、倒三角形、梯形和椭圆形的体型之间进行区分。在矩形体型的情况中，人的身体在胸部、臀部和腰部区域中具有大致相同的宽度。在三
角形体型的情况中，胸部区域中的宽度明显小于臀部区域中的宽度，并且在倒三角形的情况中则相反。梯形就如下方面而言对应于倒三角形：躯干的上部区域比下部区域宽，然而其中腰部和臀部不如在倒三角形中那么窄。椭圆形体型的特征在于圆形的腹部区域和圆形的上臂。
21.在根据本发明的方法中可以考虑所有提及的体型或仅考虑这些体型中的一部分。还可以附加地考虑其他体型。例如，可以附加地考虑沙漏形体型，沙漏形体型是矩形体型的具有较窄腰部的变型。
22.各个人体参数可以在优化方法的范畴中被确定。备选地或补充地，各个人体参数可以与各个图像数据集一起被接收。如果使用多个人体参数，则可以接收所有的人体参数，所有的人体参数可以在优化的范畴中被确定，或者可以接收人体参数的一部分，并且其余的人体参数可以在优化的范畴中被确定。
23.在人体参数与相应的图像数据集一起被接收的情况下，该人体参数的值可以在优化方法的范畴中保持不变。而还可行的是，仅使用所接收的人体参数来预设在优化范畴中的起始值，或预设相应的人体参数在优化内在其中变化的限制。无论是人体参数的预设还是优化方法范畴中的求取都使得能够以相对较少的人体模型数目来映射人的体型的其他变化。
24.人的身高和/或体重和/或性别、和/或取决于身高和/或体重的至少一个变量可以被用作人体参数。该变量特别是可以用于在纵向上缩放人体模型。借助于体重可以进行在横向方向和深度方向上的缩放。所述变量之一例如还可以被替换为取决于身高和体重的变量，例如体重指数。由于不同性别之间的体型可能明显不同，因此就性别而言可能有利的是，针对不同的性别分别规定属于某种体型的人体几何形状，并根据性别选择应使用这些几何形状中的哪一种。
25.在优化方法中，相似性量度的值可以附加地取决于至少一个获取参数，该至少一个获取参数涉及相应图像数据集的获取，并且相应地在优化方法的范畴中被确定，和/或与相应的图像数据集一起被接收。在此，获取参数特别地可以涉及记录几何形状，即人相对于图像或获取体积的位置和/或定向。在此，例如可以将粗略的记录几何形状与图像数据集一起提供，例如从前面拍摄胸腔的信息，然而其中在优化方法的范畴中仍然可以更改获取几何形状，以便实现更好的匹配性。
26.还可以考虑其他获取参数，特别是在x射线记录中涉及剂量的获取参数。例如，在使用dicom格式的情况下，可以考虑所谓的辐射剂量结构化报告，以便例如考虑x射线剂量或等效直径。这例如可以便于图像数据中身体形状的分割，或者有助于基于所发生的吸收来更好地估计人的垂直于二维图像数据的图像表面的深度。
27.获取参数中的至少一个可以涉及人相对于用于获取图像数据集的获取设备的位置和/或定向。这对应于人相对于图像或获取体积的上述位置或定向。
28.未知的或仅大致已知的人体参数或获取参数可以通过优化方法的范畴中的相应参数的变化被确定。因此，在优化方法中，相应的参数与体型一起被确定。
29.然而，备选地，还可以使用人工智能、特别是机器学习(所谓的“machine learning”)的方法或算法来确定至少一个人体参数和/或至少一个获取参数。例如，当仅映射了人的相对较小的部分，并且应当求取涉及整个人的参数(例如体重)时，这可以是有利
的。为了实现这，例如可以使用受监控的学习，其中使用训练数据集，该训练数据集除了相应的图像数据集之外还包括所寻求的人体参数或获取参数。然后可以改变训练后的算法的内部参数，以便借助于作为输入数据的图像数据来求取与训练数据的预设尽可能匹配的人体参数或获取参数。为此，例如可以使用误差反馈。
30.通常，可以通过训练来调整人工智能算法的参数。对于在此说明的用于确定至少一个人体参数和/或至少一个获取参数的人工智能方法、特别是机器学习方法，特别地可以使用受监控的训练、半监控训练、强化学习和/或主动学习。此外，还可以使用表示学习(备选的术语是“特征学习”)。特别地，可以通过多个训练步骤迭代地调整人工智能算法的参数。另外，人工智能算法还可以被称为训练后的评估函数。
31.评估算法特别地可以包括神经网络(神经网)、支持向量机、决策树和/或贝叶斯网络。此外，评估算法还可以基于k均值聚类、q学习、遗传算法和/或分配规则。在本发明的范畴中，人工智能评估算法优选地包括神经网络。神经网络可以是深度神经网络、卷积神经网络(cnn)或深度cnn。此外，神经网络可以是对抗网络、深度对抗网络和/或生成对抗网络(gan)。在此，神经网络特别地可以被理解为代表可抽象出的中间步骤的一系列层，并且可以包括输入层和输出层。
32.在根据本发明的方法中，可以针对人群中的所有人求取相应的体型，其中针对人中的每个人确定特征向量，特征向量包括体型和人体参数或人体参数中的至少一个人体参数作为条目，并且进行对这些特征向量的聚类分析，通过该聚类分析将特征向量分配给固定预设的数目的聚类或在该聚类分析的范畴中确定的数目的聚类，其中为聚类中的每个聚类确定特有特征向量。所述过程使得能够对于多个人、例如几百个或几千个或者在一些情况下甚至一百万或更多的人确定相对少量的特有特征向量，例如十个到二十个特有特征向量，这些特有特征向量描述了通常可以以高的准确性分配给多个人的特定化身(avatar)或原型(archetyp)。在此，通常有利的是，在边界条件下进行聚类或对特征向量的间距进行加权，使得各个聚类基本上仅包括单一体型。
33.用于特征向量的聚类的特有特征向量例如可以通过如下方式形成：独立地考虑特征向量的各个条目，并且例如为这些条目中的每个条目确定平均值或中值。还可以选择特征向量中的对于其在聚类中其他特征向量的所有间距之和最小的特征向量作为特有特征向量。作为选择现有特征向量的备选方案，还可以合成性地生成对于其所有特征向量的间距之和最小的特征向量。
34.作为聚类分析特别是可以使用分区聚类方法，例如k均值算法。待形成的聚类的数目可以被固定地预设。备选地，例如可以使用已知的“肘部法则(elbow
‑
method)”来确定聚类数目等。
35.可以为至少一个另外的人获取另外的图像数据集，其中根据特有特征向量来预设另外的图像数据集的获取所取决于的至少一个控制参数，特别是所使用的x射线剂量和/或造影剂用量。换言之，特别是可以考虑在特定患者族群中(即，例如在特定医院、特定区域或特定国家中)通常会出现哪些人体几何形状，并且可以据此将另外的图像获取参数化，以便使成像尽可能好地适配于现场条件。
36.人体模型可以根据一个或多个人体参数来预设由人体模型描述的人的预期三维身体表面作为预期人体几何形状。当图像数据集描述三维图像数据时，这显然是有利的，因
为在这种情况下可以确定相应的人的三维表面并将其与人体模型进行比较。
37.然而，即使在使用二维图像数据的情况下，求取三维身体表面作为预期人体几何形状也可以是有利的，因为由此例如可以容易地识别和校正人相对于获取设备或图像或获取体积的定向错误。另外，例如在x射线记录的情况下，还可以借助于吸收来考虑患者垂直于图像平面的尺寸。
38.为不同的体型预设不同的人体模型的一种可行方案是首先定义具有相对多的参数的通用模型。例如，可以首先使用通用模型，该通用模型由沿人的纵向堆叠的多个层形成，例如由200个层形成。模型参数可以分别涉及层在人的深度和/或横向方向上的厚度和/或延伸。例如，如果在这些方向的每个方向上进行独立缩放，则这样的通用模型具有600个参数，其中大量的参数组合显然会导致无意义的身体形状。现在可以定义用于特定体型的人体模型，使得根据相对较少数目的人体参数(例如仅根据体重、身高和性别)来预设这些大量参数中的每个参数的参数值。
39.相应的图像数据集可以描述二维x射线记录，其中相似性量度取决于：预期人体几何形状垂直于二维x射线记录的图像平面的延伸，以及由x射线记录描述的、人对x射线辐射的吸收强度。这实现：即使在仅存在二维图像数据时，也可以考虑人垂直于图像平面的深度。在此，特别是可以仅使用图像数据集的其中没有强烈吸收性元素(例如没有骨骼)的区域，从而例如可以近似地假设为与组织无关的吸收。
40.所求取的人体几何形状可以被求取为使得该人体几何形状描述相应的人的二维轮廓或三维表面、或者相应的人的被映射的局部区域的二维轮廓或三维表面。该轮廓或表面可以通过已知的分割算法被求取。在最简单的情况下，可以通过比较极限值来进行这种分割。用于在医疗图像数据中区分人和周围空气的许多分割方法是已知的，因此不作详细解释。
41.作为考虑人的表面或轮廓的补充或备选，还可以考虑特定特征的位置和/或大小(即，例如器官、骨骼等的位置和/或大小)，以便确定所求取的人体几何形状。
42.二维x射线图像的图像数据集、和/或三维计算机断层扫描检查的图像数据集、和/或磁共振断层扫描检查、和/或超声测量数据、和/或3d摄像机的图像数据可以被分别用作图像数据集。3d摄像机可以在可见范围内或在红外范围内工作。作为3d摄像机可以使用立体摄像机、lidar、飞行时间传感器、基于结构化光的传感器等。
43.在根据本发明的方法中，还可以针对一个人使用多个图像数据集。这些图像数据集可以共同用于求取所求取的人体几何形状。例如，当存在来自不同角度的二维记录等时，这是有利的。原则上，还可以针对不同的图像数据集分别独立地求取人体几何形状，以便执行一致性检验，得出多数决定等。
44.在根据本发明的方法中，可以基于求取人的体型来确定医学治疗设备或医学诊断设备、特别是辐照设备或成像设备的至少一个运行参数。
45.以这种方式确定的至少一个运行参数特别地可以被传输给医学治疗设备或医学诊断设备的控制单元，以便调整用于治疗应用或诊断检查的运行方案以适配于相应的人。以这种方式，特别地可以调整辐照设备的辐照方案、造影剂注入设备的造影剂注入方案、或成像设备的扫描方案。
46.在本发明的范畴中，辐照设备特别地可以是用于以x射线、γ射线、电子束进行放
射疗法的设备或用于粒子疗法的设备。
47.在本发明的范畴中，成像设备特别是可以是x射线设备(例如计算机断层扫描设备)、超声设备或磁共振设备。
48.除了根据本发明的方法之外，本发明还涉及一种处理设备，该处理设备被配置为执行根据本发明的计算机实现的方法。数据处理可以例如通过相应编程的微处理器或fpga来进行。备选地，还可以通过固定布线的处理设备、例如aisc来实现。处理设备可以包括用于接收至少一个图像数据集作为输入数据的输入接口。可以通过输出接口提供结果数据，例如体型、特征向量或一组特有特征向量，或者还可以提供用于剂量控制或造影剂施用的控制信息或配置信息。处理设备可以被集成到成像设备中，或者还可以与成像设备分开构造。例如，处理设备可以是工作站计算机或服务器，或者可以被实现为分布式解决方案，例如被实现为云解决方案。
49.此外，本发明还涉及一种用于处理设备的具有程序指令的计算机程序，当程序指令在处理设备上运行时，程序指令执行根据本发明的计算机实现的方法。
50.作为补充，本发明涉及一种计算机可读数据载体，该计算机可读数据载体包括根据本发明的计算机程序。
附图说明
51.本发明的其他优点和细节从下面的实施例和附图中得出。其中：
52.图1示意性地示出了在根据本发明的计算机实现的方法的一个实施例的范畴中所使用的数据结构和算法，
53.图2示意性地示出了根据本发明的方法的一个实施例的流程图，
54.图3示意性地示出了在根据本发明的方法的一个实施例中关于体型定义的图解，
55.图4示意性地示出了根据本发明的处理设备及其通信对象的一个实施例。
具体实施方式
56.图1示出了在用于对人2的体型10进行分类的计算机实现方法的范畴中所使用的算法和数据结构，而图2示出了相应方法的流程图。该方法特别地可以用于确定(例如，在医院或特定区域中的)患者群体的体型，并且例如据此控制稍后进行的图像记录。
57.在所示的实施例中，首先在步骤s1至s4中确定待考虑的人群1中的各个人2的相应体型10。通过这种方式，首先在步骤s1中将人群1中的人2中的一个人的至少一个图像数据集4提供给图4所示的处理设备33，处理设备33还将在下文中被详细解释。图像数据集4可以例如被存储在服务器40上并通过网络39被提供，如同样在图4中所示。在此，在服务器40上例如还可以存储由不同的获取设备7、7'所获取的图像数据集4。备选地或补充地，图像数据集4还可以直接由获取设备提供，如在图4中示意性地针对获取设备7”所示。各个图像数据集4可以映射整个人2。然而，通常在图像数据集4中仅显示人2的局部区域31，例如躯干区域，如在图3中示意性所示。
58.在所示示例中，图像数据集4被提供作为例如可以满足dicom标准的数据结构3的一部分，并且可以附加地包括人体参数11(例如，体重、身高或性别)的值5、和/或获取参数14(例如，所使用的辐射强度、所使用的记录几何形状等)的值6。
59.在步骤s2中，为相应的人2求取体型10。如已在说明书的一般性部分中所述，体型10特别地可以关于人2沿身体的宽度曲线、特别是在躯干区域中有所不同。在图3中示例性地示出了矩形体型，针对矩形体型，胸部区域中的宽度27、腰部区域中的宽度28和臀部区域中的宽度29大致相同，并且在腹部30的区域中没有出现明显的圆形曲线。在三角形体型的情况下，例如胸部区域中的宽度27将明显大于臀部区域中的宽度29，并且在倒三角形类型的情况下，比例关系相反。在椭圆形体型的情况下，将在腹部30的区域中出现明显的圆形曲线。其他体型已在一般性部分中讨论过。在此重要的是，各个尺寸、即特别是宽度27、28、29不是直接由体型10得出，而是还附加地取决于人体参数11，即例如取决于人2的身高、体重和性别。
60.为了求取人2的相应体型10，首先为每个可能的体型10预设人体模型9，人体模型9通过至少一个人体参数11、优选地多个人体参数11被参数化。在所示的示例中，这些人体模型9被存储在数据库8中。对这些人体模型9进行预设和参数化的可行方案已在本说明书的一般性部分中详细讨论过，并且因此不再赘述。
61.通过优化算法12确定实际存在于人2的体型10。在此，为了使优化算法12更易于理解，首先假设所有考虑的人体参数11和获取参数14的值5、6与图像数据集4一起被提供。然后，讨论其中这些参数的至少一部分仅在优化方法12的范畴中被求取的变型方案。
62.在优化方法12的范畴中，首先将人体参数11的已知值5代入用于体型10中的每个体型的人体模型9中，以获得预期人体几何形状13。如果相应的人2具有对应的体型10，则预期人体几何形状13可以例如给出该人2的表面的预期三维形状。
63.然后，将该预期人体几何形状13与图像数据集4或从图像数据集4中求取的人体几何形状15进行比较，以确定相似性量度16。如果图像数据集4例如是三维图像数据，则例如可以通过本身已知的分割算法将人2的表面的三维形状求取为所求取的人体几何形状，由此相似性量度16例如可以被求取为由预期人体几何形状13预设的在图3中所示的身体表面41与由所求取的人体几何形状15预设的三维形状之间的偏差。
64.与此相反，如果图像数据集4是二维x射线数据，则例如可以从中求取人的外部轮廓，并将该外部轮廓与预期人体几何形状13的轮廓比较，以确定相似性量度。由于至少在大部分身体区域中吸收强度与垂直于图像平面的身体深度相关，因此可以附加地考虑该吸收，并将该吸收与垂直于图像平面的预期延伸进行比较。在所解释的所有情况下，可以使用通常的距离量度(例如2
‑
范数)来从各个偏差确定相似性量度。
65.在截至目前的讨论中所忽略的是，图像数据集4的各方面，即，例如人2相对于获取区域的位置、和/或在x射线记录的范畴中所使用的x射线强度、以及各个像素的照度取决于在通过获取设备7进行成像的范畴中所使用的获取参数14。相应的获取参数14可以例如用于：登记预期人体几何形状13和所求取的人体几何形状15，预设分割的极限值等以用于求取预期人体几何形状15，预设预期人体几何形状13垂直于图像平面的延伸与吸收之间的相关性，等等。
66.如果所有人体参数11和获取参数14的值5、6是已知的，则可以在最简单的情况下为所考虑的体型10中的每个体型求取相似性量度16，并且针对其得出最佳相似性量度1(即，特别是得出相似性量度16的最小值或最大值)的体型10可以被确定为体型10。
67.在许多应用情况中，并非所有的人体参数或涉及获取的所有获取参数都是已知
的。例如，通常各个人2相对于获取区域的位置不是确切已知的，并且一些人体参数、例如体重也可能是未知的。在这种情况下，未知参数可以在优化方法12的范畴中变化。对于为其预设了值5、6的人体参数或获取参数还可以进行附加的变化，该变化例如从预设值开始并且仅在该预设值附近的窄区间内进行。
68.在其中在优化方法12的范畴中求取至少一个人体参数和/或至少一个获取参数的情况下，总体上会得到较大的参数空间，使得针对人体参数11和/或获取参数14的每个可能的参数值以及每个体型10求取相似性量度16将是运算量很大的。因此可以使用常规的优化方法、例如梯度下降法来优化相似性量度16。
69.在优化方法12结束之后，例如当满足收敛条件时，可以在步骤s3中将所求取的体型10以及所求取的或所提供的人体参数11作为相应的特征向量17一起提供。然后在步骤s4中检验是否为人群1中的人2中的每个人或为每个数据结构3确定了对应的特征向量17。如果不是这种情况，则从步骤s1开始为下一人2重复该方法。
70.如果对于群体1中的人2中的每个人都存在特征向量17，则可以在步骤s5中例如通过将k均值算法应用于特征向量17来执行聚类分析18。在此，待形成的聚类19、20、21的数目可以被固定地预设，但是还可以例如通过以下方式来求取最优的聚类数目：针对不同的聚类数目求取聚类，并且借助于本身已知的肘部法则来确定最佳的聚类数目。用于聚类分析的方法在现有技术中原则上是已知的，因此不作详细解释。针对聚类19、20、21中的每个聚类确定特有特征向量22、23、24，其例如可以被选择为使得在相应聚类19、20、21中所有特征向量17与特有特征向量22、23、24的间距最小。对此的不同方法已在一般性部分中讨论过，因此不再赘述。
71.当大的人群1应当由人2表征时，例如当人群1包括数百个或数千个人2或者甚至更多的人2，例如一百万个人2时，求取聚类19、20、21和所对应的特有特征向量22、23、24是首要且有利的。通过形成聚类19、20、21，可以将具有相似外部特征的人2组合到这样的聚类19、20、21中，并且所对应的特有特征向量22、23、24可以形成典型的外部特征，即被组合到聚类19、20、21中的该子群体的一种原型或化身。因此，还可以通过相对少的对应化身或特有特征向量22、23、24来考虑众多的人群，例如大型医院或整个地区的患者人群。为了清楚起见，在该示例中仅示出了三个聚类19、20、21。通常利用十到二十个聚类可以很好地代表不同组合的人群或患者群体。
72.在步骤s5中所求取的特有特征向量22、23、24可以在步骤s6中例如用于确定控制参数25，通过该获取设备或另一获取设备7对另一图像数据集32的获取取决于该控制参数25。另一图像数据集32特别是可以涉及不是最初考虑的人群1的一部分的人26。例如，该人可以是医院中的新患者，该医院的先前的患者人群根据上述方法通过特有特征向量22、23、24被代表。由于通常可以假设新患者中的外部特征分布对应于已经被治疗的患者中的外部特征分布，因此可能有利的是，借助于控制参数执行图像数据获取的第一参数化，控制参数根据先前的患者群族群或特有特征向量22、23、24被求取。控制参数25例如可以涉及在成像的范畴中所使用的x射线剂量或造影剂用量。
73.图4示意性地示出了处理设备33以及与处理设备33协作的部件的一个实施例，上面所讨论的方法可以由该处理设备33执行。处理设备33可以具有可编程处理器34和所对应的存储器35，其中在该存储器35中可以存储计算机程序36，上述方法通过计算机程序36被
实现。
74.通过处理设备33的输入接口37可以接收输入数据，即，特别是图像数据集4或一般地数据结构3。通过输出接口38可以提供输出数据，例如特有特征向量22、23、24、控制信息25和/或各个人2的特征向量17。在示例中，输入接口37和输出接口38通过网络39(例如因特网)与其他设备耦连。在此，例如服务器40可以提供已经由各种医疗图像获取设备7、7'获取的图像数据集4。备选地，成像设备7”还可以直接提供对应的图像数据或通过控制参数25被配置。
75.尽管已通过优选的实施例较详细地说明和描述了本发明，但是本发明并不限于所公开的示例，并且本领域技术人员可以在不脱离本发明的保护范围的情况下从中得出其他变型。