DE102008032006B4 - Verfahren zur Steurung der Bildaufnahme bei einer Bildaufnahmeeinrichtung, sowie eine Bildaufnahmeeinrichtung - Google Patents

Verfahren zur Steurung der Bildaufnahme bei einer Bildaufnahmeeinrichtung, sowie eine Bildaufnahmeeinrichtung Download PDF

Info

Publication number
DE102008032006B4
DE102008032006B4 DE102008032006.4A DE102008032006A DE102008032006B4 DE 102008032006 B4 DE102008032006 B4 DE 102008032006B4 DE 102008032006 A DE102008032006 A DE 102008032006A DE 102008032006 B4 DE102008032006 B4 DE 102008032006B4
Authority
DE
Germany
Prior art keywords
image data
data set
planning
planning image
transformation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
DE102008032006.4A
Other languages
English (en)
Other versions
DE102008032006A1 (de
Inventor
Matthias Fenchel
Prof. Schilling Andreas
Dr. Thesen Stefan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthcare GmbH
Original Assignee
Siemens Healthcare GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Healthcare GmbH filed Critical Siemens Healthcare GmbH
Priority to DE102008032006.4A priority Critical patent/DE102008032006B4/de
Priority to US12/498,535 priority patent/US8848997B2/en
Publication of DE102008032006A1 publication Critical patent/DE102008032006A1/de
Application granted granted Critical
Publication of DE102008032006B4 publication Critical patent/DE102008032006B4/de
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

Verfahren zur Steuerung der Bildaufnahme bei einer Bildaufnahmeeinrichtung, umfassend folgende Schritte: – vorab Erstellung eines statistischen Atlasses (37) wenigstens eines Teils des menschlichen Körpers, umfassend einen Durchschnittsbilddatensatz (9) mit den jeweiligen Bilddaten zugeordneten Zuordnungsinformationen zur Anatomie, insbesondere Organen, des menschlichen Körpers, aus einer Mehrzahl von unter Verwendung eines bestimmten Messprotokolls aufgenommenen Planungsbilddatensätzen, – Auswählen eines Referenzbilddatensatz (R) aus den Planungsbilddatensätzen, Ermittlung einer Abbildung für jeden Nichtreferenzbilddatensatz auf den Referenzbilddatensatz (R), Ermittlung des Durchschnittsbilddatensatz (9) durch Mittelung aller transformierten Planungsbilddatensätze und anschließende Transformation mit der inversen mittleren Abbildung aller Abbildungen, wobei die Abbildungen eine affine Abbildung und eine Deformationsabbildung umfassen, insbesondere eine Addition oder Konkatenation einer affinen Abbildung mit einer Deformationsabbildung sind, – Aufnahme eines aktuellen Planungsbilddatensatzes, insbesondere unter Verwendung des bestimmten Messprotokolls, – automatische Zuordnung von Zuordnungsinformationen zu den Bilddaten des aktuellen Planungsbilddatensatzes aufgrund einer Transformation des Durchschnittsbilddatensatzes (9) auf den aktuellen Planungsbilddatensatz und – Steuerung der Bildaufnahme unter Berücksichtigung der Zuordnungsinformationen des aktuellen Planungsbilddatensatzes.

Description

  • Die Erfindung betrifft ein Verfahren zur Steuerung der Bildaufnahme bei einer Bildaufnahmeeinrichtung, sowie eine Bildaufnahmeeinrichtung.
  • Um qualitativ hochwertige, für eine Befundung optimal geeignete Bilddatensätze aufnehmen zu können, muss nicht nur der Aufnahmebereich möglichst genau bestimmt werden, sondern es müssen auch andere Bildaufnahmeparameter bezüglich des Patienten oder der Art der Untersuchung angepasst werden. Auch für eine erfolgreiche Auswertung und Aufbereitung der Bilddaten werden eine große Anzahl von Auswertungsparametern benötigt.
  • Dazu ist es bekannt, sogenannte Planungsbilddatensätze aufzunehmen, beispielsweise Localizer-Bilddatensätze bei der Magnetresonanz oder Niedrigdosis-Planungsbilddatensätze bei der Computertomographie. Auf das Beispiel der Magnetresonanz soll näher eingegangen werden, wobei ähnliche Probleme auch bei anderen Bildaufnahmeverfahren auftreten.
  • Bei der Bildaufnahme mit einer Magnetresonanzeinrichtung ist es üblich, dass zunächst ein sogenannter Localizer-Bilddatensatz aufgenommen wird. Dabei handelt es sich um aufgrund spezieller Sequenzen schnell aufnehmbare Bilddatensätze, die große Bereiche eines Patienten oder gar den ganzen Patienten zeigen. Anhand dieser Localizer-Bilddatensätze wird die Untersuchungsplanung durchgeführt. Insbesondere dienen die Localizer dazu, das interessierende Volumen, welches beispielsweise ein interessierendes Organ umfasst, zu markieren und entsprechend die Schichtplanung vornehmen zu können. Auch weitere Parameter, insbesondere auch patientenspezifische Aufnahmeparameter, können von einem geübten Bediener aus den Localizerbildern heraus angepasst werden.
  • Diese Vorgänge im Rahmen der Untersuchungsplanung laufen heute zum größten Teil manuell ab. Ein Bediener muss in den Planungsbilddatensätzen das interessierende Volumen und gegebenenfalls weitere interessante Bereiche von Hand markieren und viele Aufnahmeparameter von Hand einstellen. Dies führt dazu, dass Bilddaten bei der Aufnahme des endgültigen Untersuchungsbilddatensatzes allenfalls zeitaufwendig bzw. nichtstandardisiert und nicht reproduzierbar gewonnen werden.
  • Aus DE 10 2006 017 932 A1 ist ein Verfahren zur Steuerung des Aufnahme- und/oder Auswertebetriebes von Bilddaten bei medizinischen Untersuchungen bekannt. Dabei wird in einem zuvor aufgenommenen, ein Zielvolumen ganz oder teilweise zeigenden Planungsbilddatensatz automatisch Ortsinformationen des Zielvolumens bestimmt werden und der Aufnahme- und/oder Auswertebetriebes anhand der Ortsinformationen gesteuert wird.
  • In „Segmentation of the prostate in MR images by atlas matching” von S. Klein et. al., 4th IEEE Int. Symp. On Biomedical Imaging: From Nano to Macro, 2007, 12.–15- April 2007, S. 1300–1303, wird ein Satz manuell gelabelter Bilder als Atlas herangezogen, wobei dann nach einer Anpassung sämtlicher Atlasbilder diejenigen ausgewählt werden, die am besten zum Patientenbild passen.
  • Der Erfindung liegt daher die Aufgabe zugrunde, eine Bildaufnahmeeinrichtung sowie ein zugehöriges Verfahren anzugeben, das es ermöglicht, die Untersuchungsplanung, insbesondere im Hinblick auf die Schichtplanung, weitgehend zu automatisieren und die Bildqualität, Standardisierung und Reproduzierbarkeit aufgrund exakterer Definitionen von Aufnahmeparametern zu erhöhen.
  • Zur Lösung dieses Problems ist erfindungsgemäß ein Verfahren zur Steuerung der Bildaufnahme bei einer Bildaufnahmeeinrichtung mit folgenden Schritten vorgesehen:
    • – vorab Erstellung eines statistischen Atlasses wenigstens eines Teils des menschlichen Körpers, umfassend einen Durchschnittsbilddatensatz mit den jeweiligen Bilddaten zugeordneten Zuordnungsinformationen zur Anatomie, insbesondere Organen, des menschlichen Körpers, aus einer Mehrzahl von unter Verwendung eines bestimmten Messprotokolls aufgenommenen Planungsbilddatensätzen,
    • – Auswählen eines Referenzbilddatensatz aus den Planungsbilddatensätzen, Ermittlung einer Abbildung für jeden Nichtreferenzbilddatensatz auf den Referenzbilddatensatz, Ermittlung des Durchschnittsbilddatensatz durch Mittelung aller transformierten Planungsbilddatensätze und anschließende Transformation mit der inversen mittleren Abbildung aller Abbildungen, wobei die Abbildungen eine affine Abbildung und eine Deformationsabbildung umfassen, insbesondere eine Addition oder Konkatenation einer affinen Abbildung mit einer Deformationsabbildung sind,
    • – Aufnahme eines aktuellen Planungsbilddatensatzes, insbesondere unter Verwendung des bestimmten Messprotokolls,
    • – automatische Zuordnung von Zuordnungsinformationen zu den Bilddaten des aktuellen Planungsbilddatensatzes aufgrund einer Transformation des Durchschnittsbilddatensatzes auf den aktuellen Planungsbilddatensatz und
    • – Steuerung der Bildaufnahme unter Berücksichtigung der Zuordnungsinformationen des aktuellen Planungsbilddatensatzes.
  • Die vorliegende Erfindung schlägt also vor, einen statistischen Atlas zu erzeugen, der messprotokollspezifisch für eine Vielzahl von nachfolgenden Bildaufnahmevorgängen zur Untersuchungsplanung verwendet werden kann. Dazu werden eine bestimmte Zahl von repräsentativen, mit einem bestimmten Messprotokoll aufgenommenen Planungsbilddatensätzen statistisch derart betrachtet, dass als Ergebnis am Ende zumindest ein Durchschnittsbilddatensatz vorliegt, bei dem jedem Bilddatenpunkt eine Zuordnungsinformation zugewiesen wurde, die angibt, welchem anatomischen Merkmal dieser Bilddatenpunkt entspricht, beispielsweise einem Organ. Dieser statistische Atlas wird in der Bildaufnahmeeinrichtung gespeichert.
  • Soll nun eine spezielle Bildaufnahme bei einem bestimmten Patienten durchgeführt werden, so erfolgt zunächst wie üblich die Aufnahme eines aktuellen Planungsbilddatensatzes, wobei im einfachsten Fall das Messprotokoll verwendet wird, welches auch den zur Erstellung des statistischen Atlasses verwendeten Planungs-Bildaufnahmen zugrunde lag. Bei geschickter Wahl der Kostenfunktion für eine Optimierung können auch andere Messprotokolle verwendet werden, insbesondere solche, die einen ähnlichen Kontrast aufweisen. Dies ermöglicht die Vergleichbarkeit des aktuellen Planungsbilddatensatzes mit dem Durchschnittsbilddatensatz. Ziel ist es nun, das durch die Zuordnungsinformationen definierte Labeling des Durchschnittsbilddatensatzes auf den aktuellen Planungsbilddatensatz zu übertragen, so dass die Anatomie des aktuellen Patienten, insbesondere die Lage von Organen oder sonstigen interessierenden Bereichen, genau bekannt ist. Dazu wird eine Transformation des Durchschnittsbilddatensatzes auf den aktuellen Planungsbilddatensatz bestimmt, also eine Registrierung des Atlas auf den aktuellen Planungsbilddatensatz durchgeführt, die entsprechend jedem mit einer Zuordnungsinformation versehenen Bilddatenpunkt des Durchschnittsbilddatensatzes wenigstens ein Bilddatenpunkt im aktuellen Planungsbilddatensatz zuordnet, so dass die Zuordnungsinformationen einfach auf den aktuellen Planungsbilddatensatz übertragen werden können. Anhand dieser nun auch für den aktuellen Planungsbilddatensatz verfügbaren Zuordnungsinformationen wird die Bildaufnahme gesteuert. Dabei bietet das erfindungsgemäße Verfahren eine ganze Reihe von Vorteilen.
  • Zunächst kann vorteilhafterweise die Lage eines interessierenden, aufzunehmenden Bereichs anhand der Zuordnungsinformationen im aktuellen Planungsbilddatensatz ermittelt werden, entsprechende Aufnahmeparameter, insbesondere bezüglich der Schichtposition und/oder der Sequenzen, ermittelt und die Bildaufnahmeeinrichtung entsprechend angesteuert werden. Auch kann beispielsweise bei Magnetresonanzaufnahmen ein Navigator anhand der Zuordnungsinformationen positioniert werden. Denkbar ist sogar eine komplette Parameteroptimierung auf den aktuellen Patienten, beispielsweise bezüglich der Fettsättigung, der Modellierung zur Berechnung spezifischen Absorptionsrate (SAR), der Auflösung im Untersuchungsbilddatensatz und weiterer Parameter, so dass letztendlich mit Hilfe des erfindungsgemäßen Verfahrens eine vollautomatische Untersuchungsplanung im Bildaufnahmebereich ermöglicht wird. Dies bedeutet zunächst eine Vereinfachung und Beschleunigung der Untersuchung, aber auch aufgrund der automatisch durchgeführten Vorgänge eine erhöhte Reproduzierbarkeit einer Bildaufnahme.
  • Mit besonderem Vorteil kann zusätzlich die Bilddatenauswertung unter Berücksichtigung der Zuordnungsinformationen des aktuellen Planungsbilddatensatzes gesteuert werden. Zudem ist es möglich, dass die Zuordnungsinformationen des aktuellen Planungsbilddatensatzes auch bei zeitlich späteren, weiteren Untersuchungen (Folgeuntersuchungen) noch berücksichtigt werden. Bezüglich der Auswertung der Daten des Untersuchungsbilddatensatzes ist es beispielsweise möglich, automatische Vorsegmentierungen anhand der Zuordnungsinformationen des aktuellen Planungsbilddatensatzes vorzunehmen. In diesem Zusammenhang ist auch ein Zurechtschneiden des Untersuchungsbilddatensatzes möglich, da die Lage anatomischer Merkmale in dem Patienten anhand der Zuordnungsinformationen bezüglich des Koordinatensystems der Bildaufnahmeeinrichtung ja genauso bekannt ist wie die Lage des Untersuchungsbilddatensatzes in diesem. Aus den Zuordnungsinformationen können zudem volumetrische Abschätzungen vorgenommen werden. Möglich ist auch eine Unterstützung des Reporting mit vollautomatischer Zuordnung von Befundungen zu Regionen bzw. Organen, eine automatische Klassifizierung von Untersuchungsbilddatensätzen zur Speicherung in Datenbanken und ein Labeling von Untersuchungsbilddatensätzen zur besseren Orientierung für den Befunder. Bei Folgeuntersuchungen können automatisch Korrespondenzen aufgefunden werden. Auch als Ausgangspunkt für orts- bzw. organspezifische Verfahren, beispielsweise einer optimierten Positionierung verschiedener anatomischer Bereiche, können die Zuordnungsinformationen dienen.
  • Durch die vollautomatisierte Zuordnung von Zuordnungsinformationen zu Bilddatenpunkten in aktuellen Planungsbilddatensätzen eröffnet das erfindungsgemäße Verfahren vorteilhaft also eine Vielzahl von Möglichkeiten, die zu einer Beschleunigung und Vereinfachung der Bildaufnahme bei einer Bildaufnahmeeinrichtung sowie auch bei der Auswertung führen. Zudem kann eine vergleichbare Bildqualität erreicht werden, da aufgrund der automatischen Verfahren eine standardisierte und reproduzierbare Bestimmung von Parametern ermöglicht wird.
  • Mit besonderem Vorteil lässt sich das erfindungsgemäße Verfahren anwenden, wenn die Bildaufnahmeeinrichtung eine Magnetresonanzeinrichtung ist und die Planungsbilddatensätze Localizer-Bilddatensätze sind. Solche dreidimensionalen Localizer-Bilddatensätze können ohne größeren Zeitverzug im Workflow von Magnetresonanzaufnahmen angefertigt werden und können im erfindungsgemäßen Verfahren als Planungsbilddatensätze dienen, auf die der statistische Atlas registriert wird. Jedoch ist die Verwendung des erfindungsgemäßen Verfahrens auch bei anderen Bildaufnahmemodalitäten denkbar. So kann beispielsweise die Bildaufnahmeeinrichtung eine Computertomographieeinrichtung sein und die Planungsbilddatensätze können Niedrigdosis-Planungsbilddatensätze sein. Dabei wird eine geringe Strahlendosis gewählt, um den Patienten nicht zu belasten, aber dennoch einen zur Untersuchungsplanung geeigneten Planungsbilddatensatz zu erhalten.
  • Zur Erstellung des statistischen Atlasses können zunächst die zugrundeliegenden Planungsbilddatensätze, insbesondere aufgrund von anatomischen Landmarken, in ein gemeinsames Koordinatensystem überführt werden. Eine solche erste grobe Registrierung der Planungsbilddatensätze vereinfacht die spätere Ermittlung des Durchschnittsbilddatensatzes. Als solche Landmarken werden bei vielen Patienten einfach auffindbare Punkte der Anatomie, insbesondere manuell oder automatisch, ausgewählt. Besonders geeignet ist dabei die Betrachtung von Rändern, also Übergängen von niedrigem zu hohem Kontrast, wobei dann Bifurkationen oder Punkte mit hoher Krümmung gewählt werden können. Beispiele hierfür sind der Schritt, die Nase, das Kinn oder dergleichen. Auch der Bauchnabel kann als Landmarke dienen.
  • Es sei an dieser Stelle bereits angemerkt, dass es allgemein sinnvoll ist, auch die Grauwertverteilungen der zur Erstellung des Atlasses betrachteten Planungsbilddatensätze aneinander anzugleichen, da es trotz des verwendeten gleichen Messprotokolls zu Schwankungen kommen kann. Um dies zu erreichen, kann beispielsweise vorgesehen sein, dass Grauwerthistogramme aller ursprünglichen Planungsbilddatensätze erstellt werden, wobei dann die Lage und Breite spezieller Maxima betrachtet und durch Skalierung der Originaldaten gegebenenfalls verschoben wird. Dies kann beispielsweise in Bezug auf einen Referenzbilddatensatz geschehen.
  • Ein besonders vorteilhaftes, konkretes Vorgehen zur Erstellung des statistischen Atlasses ist dadurch gekennzeichnet, dass
    • – insbesondere aufgrund hoher Bildqualität ein Referenzbilddatensatz aus den Planungsbilddatensätzen gewählt wird,
    • – eine Abbildung für jeden Nichtreferenzbilddatensatz auf den Referenzbilddatensatz ermittelt wird, und
    • – der Durchschnittsbilddatensatz insbesondere durch Mittelung aller transformierten Planungsbilddatensätze und anschließende Transformation mit der inversen mittleren Abbildung aller Abbildungen ermittelt wird.
  • Nach Wahl eines Referenzbilddatensatzes werden demnach alle Abbildungen ermittelt, die die Nichtreferenzbilddatensätze bzw. die einzelnen Bilddatenpunkte auf entsprechende Punkte des Referenzbilddatensatzes abbilden. Es liegen dann transformierte Nichtreferenzbilddatensätze und der Referenzbilddatensatz vor, die sich, wenn auch Deformationen betrachtet werden, lediglich in den Grauwerten, jedoch nicht strukturell unterscheiden. Zur Ermittlung des Durchschnittsbilddatensatzes werden diese zunächst zu einem Grauwertbilddatensatz gemittelt. Sämtliche Abbildungen werden ebenfalls gemittelt, so dass sich eine mittlere Abbildung ergibt. Da der Referenzbilddatensatz allerdings beliebig bzw. anhand von Qualitätskriterien gewählt wurde, also keinen repräsentativen Durchschnitt enthält, sondern ein Bias umfasst, ermittelt man den Durchschnittsbilddatensatz durch Transformation des Grauwertbilddatensatzes mit der inversen mittleren Abbildung, um einen von dem Referenzbilddatensatz unabhängigen statistischen Atlas zu erhalten.
  • Erfindungsgemäß umfassen die Abbildungen eine affine Abbildung und eine Deformationsabbildung, insbesondere eine Addition einer affinen Abbildung mit einer Deformationsabbildung sein. Es werden also nicht nur affine Transformationen wie Verschiebungen, Größenänderungen und dergleichen betrachtet, sondern vorteilhafterweise auch Deformationen. Damit kann ein sehr viel genauerer Durchschnittsbilddatensatz ermittelt werden. Insbesondere kann vorgesehen sein, dass die Deformationsabbildung durch ein Vektorfeldgitter repräsentiert wird, wobei insbesondere eine Interpolation durch einen B-Spline-Tensor, vorzugsweise dritter Ordnung, erfolgt. B-Spline-Deformationen sind deswegen besonders gut geeignet, da sie die Vorteile der Glattheit und der lokalen Beschränkung ihrer Parameter miteinander vereinen. Es wird also ein Gitter über die Bilddaten der verwendeten Planungsbilddatensätze gelegt, wobei die Gitterpunkte beschrieben durch das Vektorfeld verschoben werden können. Bei diesem Vorgehen zur Ermittlung der Abbildung kann insbesondere hierarchisch unter schrittweiser Erhöhung der Auflösung des Vektorfeldgitters vorgegangen werden, um sich auf diese Weise schneller der Lösung annähern zu können.
  • In weiterer vorteilhafter Ausgestaltung des erfindungsgemäßen Verfahrens wird nicht nur der Durchschnittsbilddatensatz betrachtet, sondern auch die Streuung der Planungsbilddatensätze um diesen. Dazu kann vorgesehen sein, dass neben der mittleren Abbildung auch die Kovarianz der Abbildungen ermittelt wird. Dies ist insbesondere dahingehend vorteilhaft anwendbar, dass nach Herausnahme affiner Anteile aus der Kovarianz mittels einer Primärkomponentenanalyse eine durchschnittliche Deformation und die Primärkomponenten der Deformation, insbesondere mit ihren Eigenwerten, ermittelt werden können. Die Primärkomponenten der Deformation und ihre Eigenwerte können vorteilhaft bei der späteren Ermittlung der Transformation auf den aktuellen Planungsbilddatensatz eingesetzt werden. So ist es zum einen möglich, dass bei der Ermittlung des Deformationsanteils der Transformation auf den aktuellen Planungsbilddatensatz wenigstens ein insbesondere anhand des Betrags der Eigenwerte ermittelter Teil der Primärkomponenten berücksichtigt wird. Die Primärkomponenten stellen im abstrahierten Sinne Richtungen dar, in denen Varianzen der Deformationen von der mittleren Deformation in den Registrierungen der Planungsbilddatensätze vorliegen, wobei sich deren Wichtigkeit aus dem Betrag des Eigenwertes ergibt. Aus den Primärkomponenten können durch Linearkombinationen sämtliche gültigen Instanzen des Linearraums der Eingabedeformationsfelder (also letztendlich des Linearraums der zur Erstellung des statistischen Atlasses verwendeten Planungsbilddatensätze) erzeugt werden. Die Information, entlang welcher Primärkomponente häufige bzw. starke Abweichungen vorliegen, kann jedoch bei der Suche nach der Transformation des Durchschnittsbilddatensatzes auf den aktuellen Planungsbilddatensatz vorteilhaft berücksichtigt werden, indem vorwiegend diese Richtung bevorzugende Transformationen, insbesondere im Rahmen eines Optimierungsverfahrens, berücksichtigt werden. Beispielsweise können die 20 Primärkomponenten mit den höchsten Eigenwerten berücksichtigt werden. Eine andere Nutzung kann bei Ermittlung der Beiträge der Primärkomponenten bzw. Linearkoeffizienten vorgesehen sein, indem diese bei einer Beschränkung der Parameter des Deformationsanteils der Transformation auf den aktuellen Planungsbilddatensatz, also bei der späteren Registrierung mit dem Atlas, berücksichtigt werden. Beispielsweise kann eine maximal zulässige Abweichung von dem dreifachen Wert der Standardabweichung bzw. Varianz (= der Eigenwert) angenommen werden.
  • Ähnliche Betrachtungen können bezüglich der Grauwerte durchgeführt werden. So kann vorgesehen sein, dass, wenn vorab eine Angleichung der Grauwertverteilungen der zur Erstellung des Atlasses betrachteten Planungsbilddatensätze wie oben beschrieben erfolgt, ein mittlerer Grauwertbilddatensatz und eine zugehörige pixelweise Grauwertkovarianz ermittelt werden. Dabei kann ebenso vorgesehen sein, dass aus der Grauwertkovarianz mittels einer Primärkomponentenanalyse die Primärkomponenten, insbesondere mit ihren Eigenwerten, ermittelt werden. Diese sind dann – wie auch schon die Primärkomponenten der Deformationskovarianz –, falls die später bei der Registrierung mit dem Atlas ermittelte Transformation auf den aktuellen Planungsbilddatensatz auch einen Grauwertanteil enthält, bei der Registrierung vorteilhaft einsetzbar. So kann auch in diesem Fall vorgesehen sein, dass wenigstens ein insbesondere anhand des Betrags der Eigenwerte ermittelter Teil der Primärkomponenten der Grauwertkovarianz bei der Ermittlung eines Grauwertanteils der Transformation auf den aktuellen Planungsbilddatensatz berücksichtigt wird. Hier hat es sich als sinnvoll erwiesen, die zehn Primärkomponenten auszuwählen, deren Eigenwerte den höchsten Betrag haben. Alternativ oder zusätzlich ist es möglich, dass bei Ermittlung der Linearkoeffizienten die Eigenwerte bei einer Beschränkung der Parameter eines Grauwertanteils der Transformation auf den aktuellen Planungsbilddatensatz berücksichtigt werden. Auch hier kann beispielsweise eine Grenze beim Dreifachen der Standardabweichung gesetzt werden.
  • Allgemein kann vorgesehen sein, dass die Ermittlung der Abbildungen, also der Registrierungstransformationen für die Erstellung des Atlas, in einem Optimierungsverfahren erfolgt. Solche Optimierungsverfahren sind weithin bekannt und basieren meist auf dem Auffinden eines Minimums oder Maximums für eine Kostenfunktion. Dabei kann vorgesehen sein, dass in der Kostenfunktion normierte Mutual Information (NMI) und/oder die Glattheit eines Deformationsvektorfeldes und/oder die Güte der Korrespondenz markierter Landmarken berücksichtigt wird. Während es häufig üblich ist, die Summe der Abstandsquadrate zu betrachten, wird vorgeschlagen, normierte beidseitige Information (normalized mutual information – NMI) zu verwenden. Dies begründet sich damit, dass eine Gleichverteilung von Grauwerten bei verschiedenen Patienten häufig gerade nicht vorliegt, beispielsweise gleiche Strukturen in verschiedenen Patienten stark unterschiedliche Intensitäten besitzen. Daher ist es zur Ermittlung der optimalen Abbildung im vorliegenden Fall vorteilhafter, Vergleichsmaße zu verwenden, die auf einem gemeinsamen Histogramm beider Bilder basieren, wobei dann ein auf Entropie basierendes Maß in dem gemeinsamen Histogramm als Mutual Information benutzt wird. Vorliegend wird vorgeschlagen, die Mutual Information im Hinblick auf den Überlapp zwischen den Bilddaten hin zu normieren, also die allgemein bekannte normierte Mutual Information (NMI) zu verwenden. Zusätzlich kann ein Term verwendet werden, der die Glattheit eines verwendeten Deformationsvektorfeldes, siehe hierzu oben, beschreibt, da Deformationen, die anatomische Merkmale beschreiben, sich lokal meist nur gering andern. Ebenso ist es denkbar, in der Kostenfunktion einen Term zu verwenden, der die Güte der Korrespondenz markierter Landmarken betrifft, z. B. solche, die zur Überführung der Planungsbilddatensätze in ein gemeinsames Koordinatensystem genutzt wurden.
  • Insbesondere zusätzlich zu einer hierarchischen Ermittlung der Abbildungen, also Registrierungstransformationen, unter schrittweiser Erhöhung der Auflösung des Vektorfeldgitters kann vorgesehen sein, dass die Ermittlung der Abbildungen hierarchisch unter schrittweiser Erhöhung der Auflösung des gerade betrachteten Planungsbilddatensatzes, insbesondere nach Art einer Gauß-Pyramide erfolgt. Die Tiefpassfilterung wird bei diesem Vorgehen über eine Faltung mit einer Gaußglocke realisiert. Dabei muss bei einer Verwendung zweier Hierarchien keine Prioritätsreihenfolge zwischen diesen vorliegen, es kann beispielsweise abwechselnd die Bildauflösung und die Gitterauflösung erhöht werden. Auf diese Weise nähert man sich effektiver und unter Umgehung von lokalen Minima bzw. Maxima der Kostenfunktion der optimalen Lösung. Insbesondere kann die Hierarchie nach Art einer Gauß-Pyramide gewählt sein, so dass beispielsweise drei Auflösungsstufen vorgesehen sind, in denen die Auflösung erhöht wird.
  • Zum Abschluss der Erstellung des statistischen Atlasses erfolgt eine Zuordnung von Zuordnungsinformationen bezüglich der Anatomie des menschlichen Körpers zu den Bilddaten. Dazu kann vorgesehen sein, dass den Bilddaten des Durchschnittsbilddatensatzes manuell und/oder automatisch, insbesondere semiautomatisch mittels eines Segmentierungsverfahrens, die Zuordnungsinformationen zur Anatomie des menschlichen Körpers zugeordnet werden. Insbesondere semiautomatische Verfahren erweisen sich hier als vorteilhaft, in denen ein erfahrener Befunder von Magnetresonanzaufnahmen beispielsweise Saatpunkte für bestimmte Organe oder Strukturen vorgibt oder deren Ränder zunächst bestimmt, woraus aus bekannten Segmentierungsalgorithmen das allgemeine Labeling, also die Zuordnungsinformationen, hergeleitet werden kann. Selbstverständlich sind jedoch auch vollständig manuelle oder vollständig automatische Verfahren denkbar. Es sei an dieser Stelle angemerkt, dass die Markierung der Anatomie des menschlichen Körpers grundsätzlich selbstverständlich auch bereits in dem Referenzbilddatensatz möglich ist, da dieser durch die mittlere Abbildung dann ohnehin unmittelbar in den Atlas transformiert wird.
  • Damit ist der statistische Atlas erstellt, der beispielsweise in einer Steuer- oder Recheneinrichtung der Magnetresonanzeinrichtung abgespeichert werden kann und zur Auswertung verschiedener aktuell aufgenommener Planungsbilddatensätze dienen kann. Dazu ist, wie eingangs beschrieben, die Ermittlung einer Transformation vorgesehen, die die Zuweisung von Zuordnungsinformationen, also ein Labeling, in dem aktuellen Planungsbilddatensatz erlaubt. Dazu ist es zunächst wieder sinnvoll, eine Grauwertangleichung wie oben beschrieben vorzunehmen. Sinnvoll ist beispielsweise, wenn der aktuelle Planungsbilddatensatz mit demselben Messprotokoll wie die der Erstellung des Atlasses zugrunde liegenden Planungs-Bildaufnahmen aufgenommen wird.
  • Es kann vorgesehen sein, dass die Transformation auf den aktuellen Planungsbilddatensatz anhand eines Optimierungsverfahrens ermittelt wird. Dabei kann ein Gradientenabstiegsverfahren mit adaptiver Schrittweite oder ein Gauß-Newton-Verfahren verwendet werden. Bei dem Gauß-Newton-Verfahren erfolgt die Funktionsauswertung in disjunkten Blöcken über den Bilddatensatz verteilt. Die Berechnung der Gradienten kann numerisch über symmetrische Differenzen erfolgen. Die Schrittweite für die Berechnung der Gradienten kann für jeden Parameter individuell gewählt werden. Dabei ist es allgemein vorteilhaft, wenn die Transformation, insbesondere wie die ermittelten Abbildungen bei der Erstellung des statistischen Atlasses, einen affinen Anteil und einen Deformationsanteil umfasst. Zusätzlich kann vorteilhaft vorgesehen sein, dass die bei der Registrierung mit dem Atlas ermittelte Transformation auch einen Grauwertanteil umfasst. Für die den affinen Anteil und den Deformationsanteil betreffenden Parameter kann dann die Schrittweite so vorgegeben werden, dass ein Bilddatenpunkt maximal um die Dimension eines Voxels verschoben wird. Für die Parameter des Grauwertanteils kann die Schrittweite so vorgegeben werden, dass sich die Grauwerte maximal um 15 der maximal möglichen Grauwerte, also beispielsweise 38 bei 256 Grauwerten, verändern. Selbstverständlich ist es auch möglich, die Schrittweite von anderen Größen abhängig zu machen, beispielsweise von einer Streuung im Grauwerthistogramm oder von im Rahmen einer Primärkomponentenanalyse eines Varianzfeldes für den statistischen Atlas ermittelten Eigenwerten, wie zuvor bereits diskutiert.
  • Als Kostenfunktion für die Optimierung bei der Ermittlung der Transformation kann vorliegend die Summe der Abstandsquadrate oder der gewichteten Abstandquadrate gewählt werden, es sind jedoch auch andere Kostenfunktionen denkbar.
  • Die vorteilhaften Möglichkeiten zur Steuerung der Bildaufnahme und gegebenenfalls auch der Bildauswertung sind bereits einleitend ausführlich diskutiert worden.
  • Insbesondere die auf die Ermittlung der Transformation auf den aktuellen Planungsbilddatensatz gerichteten Anteile des erfindungsgemäßen Verfahrens benötigen eine gewisse Rechenzeit, die möglichst kurz gehalten werden sollte, um das Verfahren in der Praxis an einer Bildaufnahmeeinrichtung anwenden zu können. In einer besonders vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens kann daher vorgesehen sein, dass zumindest ein Teil der Berechnungen zur Ermittlung der Transformation auf den aktuellen Planungsbilddatensatz insbesondere parallelisiert durch die GPU (graphics processing unit) einer Grafikkarte durchgeführt wird. Dabei kann vorteilhafterweise auch der Texturspeicher der Grafikkarte verwendet werden, der einen schnelleren Zugriff auf Bilddaten erlaubt. GPU's werden in letzter Zeit immer mehr im Hinblick auf solche parallelen Floating-Point-Operationen, hauptsächlich wegen gestiegener Anforderungen durch Computerspiele, optimiert. Matrixmultiplikationen und dergleichen lassen sich daher auf Grafikkarten weit schneller als auf der CPU (central processing unit) eines Computers durchführen, die im Hinblick auf eine Vielzahl weiterer Optimierungskriterien ausgelegt werden muss und nur sehr begrenzte Möglichkeiten zur parallelen Berechnung bietet. Moderne Grafikkarten bieten nun über programmierbare Shader Zugriff auf mächtige und vor allem parallelisierbare Floating-Point-Rechenressourcen. Daher ist die vorgeschlagene Implementierung des genannten Teils des erfindungsgemäßen Verfahrens in ein auf einer GPU lauffähiges Fragmentshader-Programm möglich, wobei die Kompatibilität zur in der Bildaufnahmeeinrichtung verfügbaren Grafikkartenhardware berücksichtigt wird. Vorteilhafterweise wird die Performance durch die Ausführung auf der GPU enorm erhöht, wozu auch die Verwendung des Texturspeichers beiträgt. In einer beispielhaften Implementierung des erfindungsgemäßen Verfahrens wurde eine Beschleunigung um einen Faktor 500 erreicht. Die Laufzeit zur Ermittlung einer Transformation im Rahmen der Registrierung mit dem Atlas liegt dabei im Bereich von ungefähr 10 Sekunden. Damit ist der alltägliche Einsatz des erfindungsgemäßen Verfahrens leicht realisierbar.
  • Probleme bei Verwendung einer GPU können hauptsächlich die Datenübertragungen vom Hauptspeicher auf die Grafikkarte darstellen. Daher kann in weiterer Ausgestaltung des erfindungsgemäßen Verfahrens vorgesehen sein, dass bis auf die eine Optimierung betreffenden Berechnungen alle Berechnungen auf den Bilddaten durch die GPU durchgeführt werden. Große Datenmengen wie beispielsweise eines Deformationsfeldes, müssen daher nicht übertragen werden, da beispielsweise die Multiplikation der Primärkomponenten mit den Gewichtungsparametern genauso auf der Grafikkarte berechnet werden kann wie die Grauwertverteilung im Atlas, der Vergleich der Bilder und die Berechnung der Kostenfunktion. Damit werden sogenannte „bottlenecks” verhindert, da sich der Up- und Download zur Grafikkarte auf ein Minimum weniger Skalarwerte (affine Parameter, Gewichtungsparameter) und den Rücktransfer der Skalarwerte der Kostenfunktion beschränkt.
  • Neben dem erfindungsgemäßen Verfahren betrifft die vorliegende Erfindung auch eine Bildaufnahmeeinrichtung, die zur Durchführung des erfindungsgemäßen Verfahrens ausgebildet ist. Dabei sind alle Ausgestaltungen des erfindungsgemäßen Verfahrens entsprechend auf die Bildaufnahmeeinrichtung übertragbar, die somit ein Werkzeug enthält, um die Untersuchungsplanung und gegebenenfalls auch die Bildauswertung zu verbessern und zu beschleunigen.
  • Insbesondere kann eine solche Bildaufnahmeeinrichtung eine Recheneinrichtung und eine Grafikkarte mit mehreren programmierbaren Shadern umfassen, wobei die Grafikkarte zur Durchführung zumindest eines Teils der Berechnungen zur Ermittlung der Transformation auf den aktuellen Planungsbilddatensatz in parallelisierter Form ausgebildet sein kann, insbesondere zur Durchführung aller Berechnungen auf den Bilddaten bis auf die eine Optimierung betreffenden Berechnungen.
  • Weitere Vorteile und Einzelheiten der vorliegenden Erfindung ergeben sich aus den im Folgenden beschriebenen Ausführungsbeispielen sowie anhand der Zeichnungen. Dabei zeigen:
  • 1 ein Ablaufdiagramm zur Erstellung eines statistischen Atlasses im Rahmen des erfindungsgemäßen Verfahrens,
  • 2 eine Prinzipskizze zur Ermittlung von Abbildungen auf einen Referenzbilddatensatz,
  • 3 ein über Bilddaten gelegtes Vektorfeldgitter,
  • 4 ein Beispiel für ein glattes Deformationsvektorfeld,
  • 5 eine Prinzipskizze zur Ermittlung des Durchschnittsbilddatensatzes,
  • 6 eine Prinzipskizze zur Primärkomponentenanalyse eines Deformationsvarianzfeldes,
  • 7 eine Darstellung zur bildpunktweisen Primärkomponentenanalyse bezüglich der Grauwerte,
  • 8 einen Ablaufplan zur Untersuchungsplanung mit dem erfindungsgemäßen Verfahren,
  • 9 ein Beispiel eines gelabelten Bilddatensatzes,
  • 10 eine Prinzipskizze zur Implementierung von Verfahrensteilen auf einer GPU einer Grafikkarte, und
  • 11 eine erfindungsgemäße Magnetresonanzeinrichtung.
  • Das erfindungsgemäße Verfahren besteht aus zwei voneinander zeitlich separierten Abschnitten. Zunächst wird ein statistischer Atlas erstellt, der für eine Vielzahl von im zweiten Abschnitt erfolgenden automatischen Untersuchungsplanungen und Durchführungen geeignet sein soll. Auch wenn im Folgenden das Ausführungsbeispiel unmittelbar für eine Magnetresonanzeinrichtung realisiert worden ist, ist die Anwendung des erfindungsgemäßen Verfahrens auch auf andere Bildaufnahmeeinrichtungen, beispielsweise eine Computertomographieeinrichtung, denkbar.
  • 1 zeigt einen Ablaufplan zur Erstellung eines statistischen Atlasses im Rahmen des erfindungsgemäßen Verfahrens. Zunächst wird in einem Schritt 1 eine Mehrzahl von mit einem bestimmten Messprotokoll aufgenommenen Localizer-Bilddatensätzen in ein gemeinsames Koordinatensystem überführt und es wird ein Grauwertabgleich vorgenommen. Dazu werden zunächst manuell oder über einen entsprechenden Algorithmus anatomische Landmarken in jedem der Localizer-Bilddatensätze markiert. Dies können beispielsweise das Kinn, die Nase, der Schritt und/oder der Bauchnabel des jeweiligen Patienten sein. Aufgrund dieser anatomischen Landmarken werden die Bilder miteinander registriert, also in ein gemeinsames Koordinatensystem übergeführt. Zum Grauwertabgleich werden die Grauwerthistogramme der einzelnen Localizer-Bilddatensätze untersucht, insbesondere auf signifikante Maxima, die dann gegebenenfalls so skaliert werden, dass sie für alle Localizer-Bilddatensätze bei denselben Grauwerten liegen. Es sind jedoch auch andere Arten des Grauwertabgleichs denkbar.
  • In einem Schritt 2 wird sodann aus den Localizer-Bilddatensätzen beliebig ein Referenzbilddatensatz ausgesucht. Dabei ist es letztlich im Idealfall nicht relevant, wie die Auswahl erfolgt, da ein durch die Wahl des Referenzbilddatensatzes erzeugtes Bias, wie noch dargestellt werden soll, ohnehin im Verlauf des Verfahrens wieder entfernt wird.
  • In einem Schritt 3 werden dann Abbildungen für jeden Nichtreferenzbilddatensatz auf den Referenzbilddatensatz ermittelt. Dies wird durch 2 näher erläutert. Dort sind mehrere dem statistischen Atlas zugrunde gelegte Localizer-Bilddatensätze 4 dargestellt. Aus diesen ist ein Referenzbilddatensatz R ausgewählt worden. Für jeden verbleibenden Localizer-Bilddatensatz 4, also Nichtreferenzbilddatensatz, in 2 mit s1–s4 markiert, wird dann eine Abbildung 5 ermittelt, die jedem Bilddatenpunkt eines Nichtreferenzbilddatensatzes s1 wenigstens einen Bilddatenpunkt im Referenzbilddatensatz R zuordnet.
  • Dies geschieht vorliegend im Rahmen eines Optimierungsverfahrens. Dabei können verschiedene, im Stand der Technik hinreichend bekannte Optimierungsverfahren verwendet werden. Als Grundform der Abbildung wird eine Summe aus einer affinen Abbildung und einer Deformationsabbildung gewählt. Die Deformationsabbildung wird dabei repräsentiert durch ein regelmäßiges Vektorfeldgitter, interpoliert mit einem B-spline-Tensor dritter Ordnung. Dies wird durch die 3 und 4 näher erläutert. 3 zeigt einen Schnitt durch einen Localizer-Bilddatensatz 4, über den ein Punktgitter mit einzelnen Punkten 6 gelegt wurde. In einem Optimierungsschritt kann nun jeder der Punkte 5 in eine bestimmte Richtung verschoben werden, wie in 4 dargestellt. Dabei bilden die Verschiebungsvektoren, um die die Punkte 6 verschoben sind, das genannte Vektorfeldgitter. Im optimierten Zustand erhält man dann für jeden Localizer-Bilddatensatz 4 ein solches Vektorfeldgitter. Näheres zur Ermittlung einer Abbildung auf diesem Wege kann beispielsweise dem Artikel „Automatic construction of 3D statistical deformation models using non-rigid registration” von D. Rueckert, A. F. Frangi und J. A. Schnabel entnommen werden, veröffentlicht in MICCAI 2001, der hiermit in seiner Gesamtheit in die vorliegende Offenbarung aufgenommen wird.
  • Bei der Optimierung wird hierbei zweifach hierarchisch vorgegangen, wobei zum einen schrittweise die Auflösung des Vektorfeldgitters erhöht wird, zum anderen nach Art einer Gauß-Pyramide die Bilddatensätze erst in grober Auflösung registriert werden, um dann zu höheren Auflösungen vorzugehen. Dabei wird immer abwechselnd ein Schritt innerhalb der Hierarchie durchgeführt, das bedeutet, es wird zunächst zur nächst höheren Auflösung vorgegangen, dann die Auflösung des Gitters erhöht, dann wiederum die nächst höhere Auflösung gewählt usw. Innerhalb der Gauß-Pyramide sind dabei drei Stufen vorgesehen, wobei bei einem Viertel der ursprünglichen Auflösung begonnen wird. Die Auflösung des Gitters wird erhöht, bis final auf jeden n-ten, insbesondere jeden zweiten, Bilddatenpunkt ein Gitterpunkt fällt.
  • In der Kostenfunktion für die Optimierung werden vorliegend drei Terme betrachtet. Zum einen wird die normierte Mutual Information (NMI) betrachtet. Diese bildet das Vergleichsmaß bzw. die Metrik für die Optimierung der Abbildung. Zusätzlich sind Terme für die Glattheit des Vektorfeldes sowie für die Güte der Korrespondenz von in Schritt 1 markierten Landmarken vorgesehen. Die beiden genannten Zusatzterme können dabei mit Gewichtungsfaktoren versehen werden.
  • In einem Schritt 7, 1, wird dann eine mittlere Abbildung aus den einzelnen Abbildungen ermittelt. Zusätzlich wird in Schritt 7 auch eine Kovarianz der Abbildungen ermittelt. Die Abbildungen werden also statistisch ausgewertet.
  • In einem Schritt 8 wird dann durch Transformation eines aus der Mittelung der transformierten Nichtreferenzbilddatensätze und des Referenzbilddatensatzes, die sich also lediglich in den Grauwerten unterscheiden, berechneten Grauwertbilddatensatzes mit der inversen mittleren Abbildung, wie sie in Schritt 7 ermittelt wurde, aus dem Referenzbilddatensatz R ein Durchschnittsbilddatensatz 9 ermittelt, wie in 5 schematisch dargestellt. Darin bezeichnet der Pfeil 10 die inverse mittlere Abbildung. Auf diese Weise werden Effekte durch die Wahl des Referenzbilddatensatzes R eliminiert.
  • Nachdem auf diese Weise der Durchschnittsbilddatensatz 9 ermittelt worden ist, folgt nun in einem Schritt 11 die Auswertung der ebenso in Schritt 7 ermittelten Varianzen. Zunächst wird unter Herausnahme des affinen Anteils eine Deformationskovarianz berechnet, die die Varianzen der verschiedenen ermittelten Deformationsfelder darstellt, wie sie in 6 beispielhaft bei dem Bezugszeichen 12 dargestellt sind. Es ist im Übrigen auch möglich, unter Umgehung der affinen Anteile unmittelbar die Deformationskovarianz aus den Deformationsfeldern 12 zu ermitteln. Die Deformationskovarianz wird nun in Schritt 11 einer Primärkomponentenanalyse 13 unterzogen. Das sich ergebende Linearmodell kann mathematisch folgendermaßen dargestellt werden: d = d + P·b, wobei d ein Deformationsfeld, d das durchschnittliche Deformationsfeld, welches in 6 bei dem Bezugszeichen 14 dargestellt ist, und P eine Matrix, die die in 6 bei 15 angedeuteten Primärkomponenten als Spalten enthält, bezeichnet. b ist ein Gewichtungsfaktor, der die Anteile der jeweiligen Primärkomponenten 15 an dem Deformationsfeld d wiedergibt.
  • Gleichzeitig werden im Rahmen der Primärkomponentenanalyse 13 die den Primärkomponenten zugehörigen Eigenwerte ermittelt. Diese geben in ihrem Betrag die Wichtigkeit der jeweiligen Primärkomponenten an. Die ermittelten Primärkomponenten 15 und die Eigenwerte werden mit dem Durchschnittsbilddatensatz in dem statistischen Atlas gespeichert.
  • In einem optionalen Schritt 6, 1, ist es möglich, auch eine durch 7 prinzipiell dargestellte Primärkomponentenanalyse 17 für die Grauwertverteilung vorzunehmen. Betrachtet werden dabei die Abweichungen der Grauwerte von dem Durchschnittsbilddatensatz für jeden Bilddatenpunkt der Localizer-Bilddatensätze 4, wobei diese vorliegend jeweils als ein Spaltenvektor der einzelnen Zeilen betrachtet werden, wie oben in 7 schematisch an den beiden oberen Reihen 18 für zwei verschiedene Schichten 19 eines Bilddatensatzes 4 dargestellt ist. Auch hieraus lässt sich eine mittlere Grauwertabweichung sowie eine entsprechende Kovarianz ermitteln, aus der in bekannter Weise die Primärkomponenten mit ihren Eigenwerten ermittelt werden können. Auch diese werden in dem statistischen Atlas abgespeichert.
  • In einem Schritt 20 erfolgt nun anschließend die Zuordnung von Zuordnungsinformationen zu den Bilddaten des Durchschnittsbilddatensatzes. Dies geschieht vorliegend semiautomatisch, indem ein erfahrener Experte die Lage anatomischer Merkmale, insbesondere von Organen und Strukturen, durch Umrandung oder durch Wahl von Saatpunkten markiert, wonach durch entsprechende Segmentierungsalgorithmen die entsprechenden Organe und Strukturen vollständig ermittelt werden. Den Bilddaten wird dann eine Information zugeordnet, zu welchem Organ oder welcher Struktur der entsprechende Bilddatenpunkt in den Durchschnittsbilddatensatz gehört.
  • Mit dem Schritt 20 ist die Erstellung des anatomischen Atlasses abgeschlossen, der in einer Recheneinrichtung einer Magnetresonanzeinrichtung abgespeichert wird.
  • 8 zeigt nun, wie der statistische Atlas im Rahmen der Untersuchungsplanung und der Steuerung einer Magnetresonanzeinrichtung verwendet werden kann.
  • In einem Schritt 21 wird zunächst ein aktueller Localizer-Bilddatensatz unter Verwendung desselben Messprotokolls, mit dem auch die dem Atlas zugrundeliegenden Localizer-Bilddatensätze 4 aufgenommen wurden, aufgenommen.
  • In einem Schritt 22 soll nun der statistische Atlas auf den aktuellen Localizer-Bilddatensatz registriert werden, das bedeutet, es wird eine Transformation des Durchschnittsbilddatensatzes auf den aktuellen Localizer-Bilddatensatz gesucht. Dies geschieht vorliegend wiederum anhand eines Optimierungsverfahrens, beispielsweise eines Gradientenabstiegsverfahrens mit adaptiver Schrittweite oder des Gauß-Newton-Verfahrens, in dem die Funktionsauswertung in disjunkten Blöcken über das Bild verteilt erfolgt.
  • Als Transformation wird wie bei der Ermittlung der Abbildung bezüglich der Erstellung des Atlasses die Summe einer affinen Transformation und einer Deformationstransformation betrachtet. Zusätzlich wird auch eine Grauwerttransformation mitberücksichtigt. Gesucht werden die Transformationsparameter, die die Grauwertverteilung und das Deformationsfeld erzeugen, welches zusammen mit der affinen Transformation den Atlas möglichst exakt auf den aktuellen Localizer-Bilddatensatz abbilden. Dabei wird als Kostenfunktion hier ein Ähnlichkeitsmaß minimiert, das bedeutet, z. B. die gaußsche Distanz unter Berücksichtigung des Durchschnittsbilddatensatzes sowie der Varianzen der einzelnen Pixel.
  • Für die einzelnen Optimierungsschritte ist vorgesehen, für die Deformationen und die Grauwertverteilung die zuvor ermittelten jeweiligen Primärkomponenten zu benutzen, wobei deren Zahl unter Sortierung nach den höchsten Eigenwerten für die Deformationstransformation auf 20, für die Grauwerttransformation auf 10 reduziert wird. Die Berechnung der Gradienten erfolgt numerisch über symmetrische Differenzen. Die Schrittweite für die Berechnung wird für jeden Parameter individuell gewählt, wobei für die affinen Parameter und die Deformationsparameter die Schrittweite so vorgegeben wird, dass ein Bilddatenpunkt maximal um die Dimension eines Voxels verschoben wird. Für die Grauwertparameter wird als Schrittweite 15% der maximalen Zahl an Grauwerten als Maximum vorgegeben. Die zuvor in den Schritten 16 und 20 ermittelten Eigenwerte werden genutzt, um die Maximalgrenzen für die Gesamtdeformation und die Gesamtgrauwertverschiebung festzulegen, so dass die dreifache Varianz nicht überschritten werden soll.
  • Selbstverständlich ist es auch möglich, die Schrittweiten anhand anderer Parameter zu bestimmen, wie dies bereits einleitend in der allgemeinen Beschreibung dargestellt worden ist.
  • Ergebnis des in Schritt 22 durchgeführten Optimierungsverfahrens ist eine Transformation, die jedem Bilddatenpunkt des Durchschnittsbilddatensatzes wenigstens einen Bilddatenpunkt in dem aktuellen Localizer-Bilddatensatz zuordnet.
  • In einem Schritt 23 ist nun vorgesehen, die den Bilddatenpunkten in dem Durchschnittsbilddatensatz zugeordneten Zuordnungsinformationen auch den durch die Transformation diesen zugeordneten Bilddatenpunkten des aktuellen Localizer-Bilddatensatzes zuzuordnen, so dass auch für die Bilddatenpunkte des aktuellen Localizer-Bilddatensatzes bekannt ist, welcher Struktur oder welchem Organ sie zugehören. Der aktuelle Localizer-Bilddatensatz ist somit gelabelt. Eine dies erläuternde Zeichnungen findet sich in 9. In dem dort dargestellten Schnitt 24 durch einen aktuellen Localizer-Bilddatensatz sind bestimmte Bereiche 25 durch die Zuordnungsinformationen als bestimmten Organen oder Strukturen der Anatomie zugehörig gelabelt.
  • Aus diesen Zuordnungsinformationen ist es nun möglich, Lageinformationen und dergleichen über die für die aktuelle Untersuchung eigentlich interessierenden Bereiche zu erhalten. Unter Berücksichtigung der Zuordnungsinformationen des aktuellen Localizer-Bilddatensatzes wird somit in einem Schritt 26 nun die Bildaufnahme und gegebenenfalls auch die Bildauswertung gesteuert. Dabei ist es vollautomatisch möglich, Schichten und Messprotokolle festzulegen und im Idealfall alle Parameter patientenspezifisch anzupassen, insbesondere auch hinsichtlich der Größe und weiterer aus dem Localizer-Bilddatensatz schlussfolgerbaren Informationen. Auch die Bildauswertung kann unter Berücksichtigung der Zuordnungsinformationen weiter automatisiert werden, indem beispielsweise das Labeling als Vorsegmentierung, d. h., als Initialisierung einer klinischen Segmentierung, dienen kann oder Zuordnungskorrespondenzen hergestellt werden. Es sind viele Möglichkeiten denkbar.
  • Mit besonderem Vorteil ist bei dem vorgestellten Ausführungsbeispiel des erfindungsgemäßen Verfahrens vorgesehen, dass alle in Schritt 22 erfolgenden, die Bilddaten betreffenden Berechnungsschritte auf programmierbaren Shadern einer GPU einer Grafikkarte implementiert sind, wobei auch der Texturspeicher der Grafikkarte verwendet wird. Dies wird durch 10 näher dargestellt. Die gestrichelte Umgrenzung 27 markiert dabei den Bereich der GPU, der gestrichelte Bereich 28 den der CPU. Auf der CPU laufen nur die eine Optimierung betreffenden Bestandteile des Algorithmus ab, dargestellt durch den Kasten 29. Alle auf Bilddaten vorgenommenen Operationen laufen parallelisiert unter Ausnutzung des Texturspeichers und der hervorragenden, auf solche Anwendungen optimierten Floating-Point-Rechenressourcen auf der GPU ab, was über eine entsprechende Implementierung auf programmierbaren Shadern erreicht wird. Dabei wird insbesondere auch bereits die Erzeugung beispielsweise von Deformationsfeldern genauso auf die Grafikkarte ausgelagert, Kasten 30, d. h. die Multiplikation der Primärkomponenten mit den Gewichtungsparametern, wie auch die Grauwertverteilung. Auch der Vergleich der Bilder, Kasten 31 und die Berechnung des Ähnlichkeitsmaßes, Kasten 32, finden mittels Fragmentshader auf der Grafikkarte statt. Der Upload, symbolisiert durch den Pfeil 33, beschränkt sich somit auf ein Minimum weniger Skalarwerte (affine Parameter, Gewichtungsparameter für die Deformation und die Grauwertverteilung), der Download, dargestellt durch den Pfeil 34, auf die Ergebnisse, folglich das Ähnlichkeitsmaß.
  • Auf diese Weise werden extrem schnelle Laufzeiten erreicht, insbesondere wurde eine Verbesserung um den Faktor 500 gegenüber der Implementierung auf einer CPU alleine festgestellt.
  • 11 zeigt schließlich eine erfindungsgemäße Magnetresonanzeinrichtung 35. Sie umfasst eine Steuerungseinrichtung 36, die zur Durchführung des erfindungsgemäßen Verfahrens ausgebildet ist. Insbesondere ist in der Steuerungseinrichtung 36 der bei 37 schematisch dargestellte statistische Atlas abgelegt. Die Steuereinrichtung 36 umfasst zudem eine CPU 38 sowie eine Graphikkarte 39 mit einer GPU 40 mit mehreren programmierbaren Shadern, wobei Teile des erfindungsgemäßen Verfahrens, wie in 10 dargestellt, auf der GPU 40 implementiert worden sind.

Claims (27)

  1. Verfahren zur Steuerung der Bildaufnahme bei einer Bildaufnahmeeinrichtung, umfassend folgende Schritte: – vorab Erstellung eines statistischen Atlasses (37) wenigstens eines Teils des menschlichen Körpers, umfassend einen Durchschnittsbilddatensatz (9) mit den jeweiligen Bilddaten zugeordneten Zuordnungsinformationen zur Anatomie, insbesondere Organen, des menschlichen Körpers, aus einer Mehrzahl von unter Verwendung eines bestimmten Messprotokolls aufgenommenen Planungsbilddatensätzen, – Auswählen eines Referenzbilddatensatz (R) aus den Planungsbilddatensätzen, Ermittlung einer Abbildung für jeden Nichtreferenzbilddatensatz auf den Referenzbilddatensatz (R), Ermittlung des Durchschnittsbilddatensatz (9) durch Mittelung aller transformierten Planungsbilddatensätze und anschließende Transformation mit der inversen mittleren Abbildung aller Abbildungen, wobei die Abbildungen eine affine Abbildung und eine Deformationsabbildung umfassen, insbesondere eine Addition oder Konkatenation einer affinen Abbildung mit einer Deformationsabbildung sind, – Aufnahme eines aktuellen Planungsbilddatensatzes, insbesondere unter Verwendung des bestimmten Messprotokolls, – automatische Zuordnung von Zuordnungsinformationen zu den Bilddaten des aktuellen Planungsbilddatensatzes aufgrund einer Transformation des Durchschnittsbilddatensatzes (9) auf den aktuellen Planungsbilddatensatz und – Steuerung der Bildaufnahme unter Berücksichtigung der Zuordnungsinformationen des aktuellen Planungsbilddatensatzes.
  2. Verfahren nach Anspruch 1, wobei zur Erstellung des statistischen Atlasses (37) zunächst die zugrundeliegenden Planungsbilddatensätze, insbesondere aufgrund von anatomischen Landmarken, in ein gemeinsames Koordinatensystem überführt werden.
  3. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Deformationsabbildung durch ein Vektorfeldgitter repräsentiert wird, wobei insbesondere eine Interpolation durch einen B-Spline-Tensor, insbesondere dritter Ordnung, erfolgt.
  4. Verfahren nach Anspruch 3, wobei die Ermittlung der Abbildungen hierarchisch unter schrittweiser Erhöhung der Auflösung des Vektorfeldgitters erfolgt.
  5. Verfahren nach einem der vorhergehenden Ansprüche, wobei neben der mittleren Abbildung auch die Kovarianz der Abbildungen ermittelt wird.
  6. Verfahren nach Anspruch 5, wobei nach Herausnahme affiner Anteile aus der Kovarianz mittels einer Primärkomponentenanalyse (13) eine durchschnittliche Deformation und die Primärkomponenten (15) der Deformation, insbesondere mit ihren Eigenwerten, ermittelt werden.
  7. Verfahren nach Anspruch 6, wobei bei der Ermittlung des Deformationsanteils der Transformation auf den aktuellen Planungsbilddatensatz wenigstens ein insbesondere anhand des Betrags der Eigenwerte ermittelter Teil der Primärkomponenten (15) berücksichtigt wird.
  8. Verfahren nach Anspruch 6 oder 7, wobei bei Ermittlung der Linearkoeffizienten die Eigenwerte bei einer Beschränkung der Parameter des Deformationsanteils der Transformation auf den aktuellen Planungsbilddatensatz berücksichtigt werden.
  9. Verfahren nach einem der vorhergehenden Ansprüche, wobei vorab eine Angleichung der Grauwertverteilungen der zur Erstellung des Atlasses betrachteten Planungsbilddatensätze erfolgt, wobei ein mittlerer Grauwertbilddatensatz und eine zugehörige Grauwertkovarianz ermittelt werden.
  10. Verfahren nach Anspruch 9, wobei aus der Grauwertkovarianz mittels einer Primärkomponentenanalyse die Primärkomponenten, insbesondere mit ihren Eigenwerten, ermittelt werden.
  11. Verfahren nach Anspruch 10, wobei bei der Ermittlung eines Grauwertanteils der Transformation auf den aktuellen Planungsbilddatensatz wenigstens ein insbesondere anhand des Betrags der Eigenwerte ermittelter Teil der Primärkomponenten der Grauwertkovarianz berücksichtigt wird.
  12. Verfahren nach Anspruch 10 oder 11, wobei bei Ermittlung der Linearkoeffizienten die Eigenwerte bei einer Beschränkung der Parameter eines Grauwertanteils der Transformation auf den aktuellen Planungsbilddatensatz berücksichtigt werden.
  13. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Ermittlung der Abbildungen in einem Optimierungsverfahren erfolgt.
  14. Verfahren nach Anspruch 13, wobei in der Kostenfunktion normierte Mutual Information und/oder die Glattheit eines Deformationsvektorfeldes und/oder die Güte der Korrespondenz markierter Landmarken berücksichtigt wird.
  15. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Ermittlung der Abbildungen hierarchisch unter schrittweiser Erhöhung der Auflösung des gerade betrachteten Planungsbilddatensatzes, insbesondere nach Art einer Gauß-Pyramide, erfolgt.
  16. Verfahren nach einem der vorangehenden Ansprüche, wobei den Bilddaten des Durchschnittsbilddatensatzes (9) manuell und/oder automatisch, insbesondere semiautomatisch mittels eines Segmentierungsverfahrens, die Zuordnungsinformationen zur Anatomie des menschlichen Körpers zugeordnet werden.
  17. Verfahren nach einem der vorangehenden Ansprüche, wobei die Transformation auf den aktuellen Planungsbilddatensatz anhand eines Optimierungsverfahrens ermittelt wird.
  18. Verfahren nach Anspruch 17, wobei ein Gradientenabstiegsverfahren insbesondere mit adaptiver Schrittweite oder ein Gauß-Newton-Verfahren verwendet wird.
  19. Verfahren nach Anspruch 17 oder 18, wobei als Kostenfunktion die Summe der Abstandsquadrate verwendet wird.
  20. Verfahren nach einem der vorangehenden Ansprüche, wobei die Lage eines interessierenden, aufzunehmenden Bereichs anhand der Zuordnungsinformationen im aktuellen Planungsbilddatensatz ermittelt wird, entsprechende Aufnahmeparameter, insbesondere bezüglich der Schichtposition und/oder der Sequenzen, ermittelt und die Bildaufnahmeeinrichtung entsprechend angesteuert wird.
  21. Verfahren nach einem der vorangehenden Ansprüche, wobei zusätzlich die Bilddatenauswertung unter Berücksichtigung der Zuordnungsinformationen des aktuellen Planungsbilddatensatzes gesteuert wird.
  22. Verfahren nach einem der vorangehenden Ansprüche, wobei zumindest ein Teil der Berechnungen zur Ermittlung der Transformation auf den aktuellen Planungsbilddatensatz insbesondere parallelisiert durch die GPU einer Grafikkarte durchgeführt wird.
  23. Verfahren nach Anspruch 22, wobei bis auf die eine Optimierung betreffenden Berechnungen alle Berechnungen auf den Bilddaten durch die GPU (40) durchgeführt werden.
  24. Verfahren nach Anspruch 22 oder 23, wobei eine GPU (40) mit mehreren programmierbaren Shadern verwendet wird.
  25. Verfahren nach einem der vorangehenden Ansprüche, wobei die Bildaufnahmeeinrichtung eine Magnetresonanzeinrichtung (35) ist und die Planungsbilddatensätze Localizer-Bilddatensätze (4) sind.
  26. Verfahren nach den Ansprüchen 1 bis 24, wobei die Bildaufnahmeeinrichtung eine Computertomographieeinrichtung ist und die Planungsbilddatensätze Niedrigdosis-Planungsbilddatensätze sind.
  27. Bildaufnahmeeinrichtung, insbesondere Magnetresonanzeinrichtung (35) oder Computertomographieeinrichtung, umfassend eine zur Durchführung eines Verfahrens nach einem der vorangehenden Ansprüche ausgebildete Steuereinrichtung (36).
DE102008032006.4A 2008-07-07 2008-07-07 Verfahren zur Steurung der Bildaufnahme bei einer Bildaufnahmeeinrichtung, sowie eine Bildaufnahmeeinrichtung Expired - Fee Related DE102008032006B4 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102008032006.4A DE102008032006B4 (de) 2008-07-07 2008-07-07 Verfahren zur Steurung der Bildaufnahme bei einer Bildaufnahmeeinrichtung, sowie eine Bildaufnahmeeinrichtung
US12/498,535 US8848997B2 (en) 2008-07-07 2009-07-07 Medical image acquisition apparatus and operating method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102008032006.4A DE102008032006B4 (de) 2008-07-07 2008-07-07 Verfahren zur Steurung der Bildaufnahme bei einer Bildaufnahmeeinrichtung, sowie eine Bildaufnahmeeinrichtung

Publications (2)

Publication Number Publication Date
DE102008032006A1 DE102008032006A1 (de) 2010-02-18
DE102008032006B4 true DE102008032006B4 (de) 2017-01-05

Family

ID=41464441

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102008032006.4A Expired - Fee Related DE102008032006B4 (de) 2008-07-07 2008-07-07 Verfahren zur Steurung der Bildaufnahme bei einer Bildaufnahmeeinrichtung, sowie eine Bildaufnahmeeinrichtung

Country Status (2)

Country Link
US (1) US8848997B2 (de)
DE (1) DE102008032006B4 (de)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110081061A1 (en) * 2009-10-02 2011-04-07 Harris Corporation Medical image analysis system for anatomical images subject to deformation and related methods
US20110081054A1 (en) * 2009-10-02 2011-04-07 Harris Corporation Medical image analysis system for displaying anatomical images subject to deformation and related methods
DE102010001092A1 (de) * 2010-01-21 2011-07-28 Siemens Aktiengesellschaft, 80333 System mit zumindest einer medizinischen Bildgebungsvorrichtung für eine medizinische Bildgebung sowie Verfahren zu einer Vorbereitung einer Probe für eine medizinische Bildgebung
US9020216B2 (en) * 2010-07-28 2015-04-28 Varian Medical Systems, Inc. Knowledge-based automatic image segmentation
WO2012139205A1 (en) * 2011-04-13 2012-10-18 Hamid Reza Tizhoosh Method and system for binary and quasi-binary atlas-based auto-contouring of volume sets in medical images
DE102011007667B4 (de) 2011-04-19 2021-08-26 Siemens Healthcare Gmbh Verfahren zur Ermittlung einer Schichtorientierung für eine 2D-Schichtabbildung
US20130044927A1 (en) * 2011-08-15 2013-02-21 Ian Poole Image processing method and system
JP5944650B2 (ja) * 2011-11-11 2016-07-05 東芝メディカルシステムズ株式会社 磁気共鳴イメージング装置
EP2815381B1 (de) * 2012-02-17 2016-09-07 Advanced MR Analytics AB Verfahren zur klassifikation von organen in einem tomographischen bild
US9240032B2 (en) * 2012-03-15 2016-01-19 Koninklijke Philips N.V. Multi-modality deformable registration
EP3428882B1 (de) * 2012-10-26 2021-01-06 Brainlab AG Anpassung von patientenbildern an bilder eines anatomischen atlas
EP2862145A1 (de) * 2012-10-26 2015-04-22 Brainlab AG Bestimmung eines anatomischen atlas
US9336457B2 (en) * 2012-12-06 2016-05-10 Siemens Medical Solutions Usa, Inc. Adaptive anatomical region prediction
JP6505078B2 (ja) * 2013-03-29 2019-04-24 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 画像レジストレーション
JP6358338B2 (ja) * 2014-11-05 2018-07-18 富士通株式会社 無線通信システム、基地局装置および端末装置
DE102014226053A1 (de) 2014-12-16 2016-06-16 Siemens Healthcare Gmbh Verfahren zum Betrieb einer Magnetresonanzeinrichtung und Magnetresonanzeinrichtung
US10607342B2 (en) * 2016-09-30 2020-03-31 Siemenes Healthcare GmbH Atlas-based contouring of organs at risk for radiation therapy
JP6855239B2 (ja) * 2016-12-28 2021-04-07 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置
US11039321B2 (en) * 2017-07-05 2021-06-15 Huawei Technologies Co., Ltd. Methods and systems for network slicing
JP7106291B2 (ja) * 2018-02-27 2022-07-26 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置
US11744652B2 (en) 2021-01-13 2023-09-05 MediVis, Inc. Visualization of predicted dosage
US11857274B2 (en) 2021-01-13 2024-01-02 MediVis, Inc. Medical instrument with fiducial markers
US11172996B1 (en) * 2021-01-13 2021-11-16 MediVis, Inc. Instrument-based registration and alignment for augmented reality environments
US11429247B1 (en) 2021-03-05 2022-08-30 MediVis, Inc. Interactions with slices of medical data in augmented reality
US11657247B2 (en) 2021-08-05 2023-05-23 MediVis, Inc. Adhesive fiducial markers for medical augmented reality

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5946425A (en) * 1996-06-03 1999-08-31 Massachusetts Institute Of Technology Method and apparatus for automatic alingment of volumetric images containing common subject matter
WO2005055141A1 (en) * 2003-11-26 2005-06-16 Vital Images, Inc. Segmenting and displaying tubular vessels in volumetric imaging data
DE102006017932A1 (de) * 2006-04-18 2007-10-25 Siemens Ag Verfahren zur Steuerung des Aufnahme- und/oder Auswertebetriebes von Bilddaten bei medizinischen Untersuchungen
DE102007019514A1 (de) * 2006-04-27 2007-10-31 Siemens Medical Solutions Usa, Inc. Allgemeines Framework für die Bildsegmentierung unter Verwendung geordneter räumlicher Abhängigkeit

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5898793A (en) * 1993-04-13 1999-04-27 Karron; Daniel System and method for surface rendering of internal structures within the interior of a solid object
US5926568A (en) * 1997-06-30 1999-07-20 The University Of North Carolina At Chapel Hill Image object matching using core analysis and deformable shape loci
US7239908B1 (en) * 1998-09-14 2007-07-03 The Board Of Trustees Of The Leland Stanford Junior University Assessing the condition of a joint and devising treatment
US7167760B2 (en) * 2003-04-28 2007-01-23 Vanderbilt University Apparatus and methods of optimal placement of deep brain stimulator
WO2005023086A2 (en) * 2003-08-25 2005-03-17 University Of North Carolina At Chapel Hill Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
US7312805B1 (en) * 2003-09-29 2007-12-25 Adobe Systems Incorporated User defined warping tool
GB0408328D0 (en) * 2004-04-14 2004-05-19 Imp College Innovations Ltd Method of processing image data
US7684604B2 (en) * 2004-04-26 2010-03-23 Koninklijke Philips Electronics N.V. Apparatus and method for planning magnetic resonance imaging
US7366278B2 (en) * 2004-06-30 2008-04-29 Accuray, Inc. DRR generation using a non-linear attenuation model
US8014625B2 (en) * 2004-11-10 2011-09-06 Agfa Healthcare Method of performing measurements on digital images
US7903849B2 (en) * 2005-04-15 2011-03-08 Kabushiki Kaisha Toshiba Medical image processing apparatus
EP1932010A2 (de) * 2005-09-29 2008-06-18 Koninklijke Philips Electronics N.V. System und verfahren zum erfassen von magnetresonanzbildgebungsdaten
DE102007061934A1 (de) * 2007-12-21 2009-06-25 Siemens Aktiengesellschaft Verfahren zur Qualitätssteigerung von computertomographischen Aufnahmeserien durch Projektionsdatenverarbeitung und CT-System mit Recheneinheit
US8073252B2 (en) * 2006-06-09 2011-12-06 Siemens Corporation Sparse volume segmentation for 3D scans
DE102008007827A1 (de) * 2008-02-07 2009-08-13 Siemens Aktiengesellschaft Verfahren zur Steuerung des Aufnahme- und/oder Auswertebetriebs von Bilddaten bei medizinischen Untersuchungen
EP2252204B1 (de) * 2008-03-07 2017-10-04 Koninklijke Philips N.V. Ct-surrogat durch autosegmentierung von magnetresonanzbildern
US8300047B2 (en) * 2008-03-10 2012-10-30 Siemens Aktiengesellschaft System and method for colon unfolding via skeletal subspace deformation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5946425A (en) * 1996-06-03 1999-08-31 Massachusetts Institute Of Technology Method and apparatus for automatic alingment of volumetric images containing common subject matter
WO2005055141A1 (en) * 2003-11-26 2005-06-16 Vital Images, Inc. Segmenting and displaying tubular vessels in volumetric imaging data
DE102006017932A1 (de) * 2006-04-18 2007-10-25 Siemens Ag Verfahren zur Steuerung des Aufnahme- und/oder Auswertebetriebes von Bilddaten bei medizinischen Untersuchungen
DE102007019514A1 (de) * 2006-04-27 2007-10-31 Siemens Medical Solutions Usa, Inc. Allgemeines Framework für die Bildsegmentierung unter Verwendung geordneter räumlicher Abhängigkeit

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CASTRO,F.J.S., u.a.: A Cross Validation Study of Deep Brain Stimulation Targeting: From Experts to Atlas-Based, Segmentation-Based and Automatic Registration Algorithms". In: IEEE Trans. on Medical Imaging, Vol.25, Iss.11, Nov. 2006, S-1440-1450. *
KLEIN,S., u.a.: "SEGMENTATION OF THE PROSTATE IN MR IMAGES BY ATLAS MATCHING". In: 4th IEEE Int. Symp. on Biomedical Imaging: From Nano to Macro, 2007. 12.-15, April 2007, S.1300-1303. *

Also Published As

Publication number Publication date
US8848997B2 (en) 2014-09-30
US20100002921A1 (en) 2010-01-07
DE102008032006A1 (de) 2010-02-18

Similar Documents

Publication Publication Date Title
DE102008032006B4 (de) Verfahren zur Steurung der Bildaufnahme bei einer Bildaufnahmeeinrichtung, sowie eine Bildaufnahmeeinrichtung
EP3185215B1 (de) Automatisierte ermittlung von konturen auf basis einer iterativen rekonstruktion
EP1191476B1 (de) Vorrichtung und Verfahren zur Berechnung einer zwei Abbildungen verbindenden Transformation
DE212011100130U1 (de) Auf gleicher Ebene und interaktiv stattfindende Oberflächennetz-Anpassung
EP1444654A2 (de) Quantitative analyse, visualisierung und bewegungskorrektur in dynamischen prozessen
DE10357206B4 (de) Verfahren und Bildbearbeitungssystem zur Segmentierung von Schnittbilddaten
DE102010022307A1 (de) Verfahren zur Überprüfung der Segmentierung einer Struktur in Bilddaten
DE10357203A1 (de) Verfahren und Steuereinrichtung zum Betrieb eines Magnetresonanztomographie-Geräts
DE102014200303B4 (de) Verfahren zur Durchführung einer Positronenemissionstomographie in einer Hybridanlage und entsprechende Hybridanlage
DE102006033383A1 (de) Verfahren zum Bestimmen einer Eigenschaftskarte für einen Gegenstand, insbesondere für ein Lebewesen, basierend auf zumindest einem ersten Bild, insbesondere Kernspinresonanzbild
DE102007019514A1 (de) Allgemeines Framework für die Bildsegmentierung unter Verwendung geordneter räumlicher Abhängigkeit
DE102010022266A1 (de) Verfahren und Vorrichtung zur Registrierung von medizinischen Bilddaten
DE10254908B4 (de) Verfahren zum Herstellen eines Bildes
DE102007028895B4 (de) Verfahren zur Segmentierung von Strukturen in 3D-Bilddatensätzen
DE102006012943B4 (de) Verfahren zur automatischen Auswertung eines Abbildungsdatensatzes eines Objektes und medizinisches Abbildungssystem
EP1869620B1 (de) Verfahren zur verarbeitung von bild- und volumendaten auf basis statistischer modelle
DE102008007827A1 (de) Verfahren zur Steuerung des Aufnahme- und/oder Auswertebetriebs von Bilddaten bei medizinischen Untersuchungen
EP3579010B1 (de) Verbesserte bestimmung von quantitativen gewebeparametern
DE112016005742T5 (de) Datenverarbeitungsverfahren für Computertomographie
DE102019101629A1 (de) Vorrichtung zur erzeugung entwickelter bilder von rippen, verfahren und programm
DE69911958T2 (de) Selbst segmentierung/konturgewinnungsverfahren
DE102021202672A1 (de) Verfahren zum Bereitstellen einer trainierbaren Funktion zur Bestimmung von synthetischen Bilddaten
DE102020213305A1 (de) Verfahren und Vorrichtung zur Visualisierung von dreidimensionalen Objekten
DE102012219836A1 (de) Verfahren und Bildbearbeitungssystem zur Segmentierung einer Wirbelstruktur
DE102013203407B4 (de) Erzeugung von Bilddaten basierend auf MR-Thermometriedaten

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8120 Willingness to grant licences paragraph 23
R084 Declaration of willingness to licence

Effective date: 20110325

R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: A61B0019000000

Ipc: A61B0034100000

R081 Change of applicant/patentee

Owner name: SIEMENS HEALTHCARE GMBH, DE

Free format text: FORMER OWNER: SIEMENS AKTIENGESELLSCHAFT, 80333 MUENCHEN, DE

R016 Response to examination communication
R018 Grant decision by examination section/examining division
R020 Patent grant now final
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee