CN102203630B - Mr扫描的自动顺序规划 - Google Patents

Mr扫描的自动顺序规划 Download PDF

Info

Publication number
CN102203630B
CN102203630B CN200980143939.0A CN200980143939A CN102203630B CN 102203630 B CN102203630 B CN 102203630B CN 200980143939 A CN200980143939 A CN 200980143939A CN 102203630 B CN102203630 B CN 102203630B
Authority
CN
China
Prior art keywords
image
volume
mri
module
equipment
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.)
Active
Application number
CN200980143939.0A
Other languages
English (en)
Other versions
CN102203630A (zh
Inventor
C·J·F·M·伯格曼斯
D·贝斯特罗夫
H·S·黑泽
M·考恩霍文
J·M·登哈德
A·W·西蒙内蒂
W·德科克
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN102203630A publication Critical patent/CN102203630A/zh
Application granted granted Critical
Publication of CN102203630B publication Critical patent/CN102203630B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G01R33/546—Interface between the MR system and the user, e.g. for controlling the operation of the MR system or for the design of pulse sequences
    • 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
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56375—Intentional motion of the sample during MR, e.g. moving table imaging
    • G01R33/56383—Intentional motion of the sample during MR, e.g. moving table imaging involving motion of the sample as a whole, e.g. multistation MR or MR with continuous table motion

Abstract

一种通过设备采集对象的至少一个临床MRI图像的方法，所述方法包括以下步骤：通过所述设备以第一视场采集第一观察图像，所述第一观察图像具有第一空间分辨率，通过所述设备在所述第一观察图像中定位感兴趣的第一区域以及解剖标志集，通过所述设备使用所述解剖标志集来确定所述感兴趣的第一区域的位置和取向，所述第一区域的所述位置和所述取向用于规划第二观察图像，通过所述设备以第二视场采集所述第二观察图像，所述第二观察图像具有第二空间分辨率，所述第二空间分辨率高于所述第一空间分辨率，通过所述设备使用所述第二观察图像来生成针对所述感兴趣的解剖区域的几何规划，通过所述设备使用所述几何规划来采集所述感兴趣的解剖区域的诊断图像。

Description

MR扫描的自动顺序规划
技术领域
本发明涉及一种用于自动采集临床MRI图像数据的方法、设备和计算机程序产品。
背景技术
MRI扫描器使用巨大的静磁场来使原子的核自旋一致，以此作为产生患者身体内的图像的程序的一部分。这一巨大的静磁场被称为B0场。
在MRI扫描期间，由发射器线圈生成的射频(RF)脉冲给局部磁场造成扰动，并且由接收器线圈探测核自旋发射的RF信号。这些RF信号被用于构建MRI图像。这些线圈也可以被称为天线。另外，该发射器和接收器线圈也可以被集成到执行两者功能的单一的收发器线圈。应该理解的是，术语收发器线圈的使用也涉及使用分离的发射器和接收器线圈的系统。该发射的RF场被称为B1场。
MRI扫描器能够构建切片或者体积图像。切片是只有一个体素厚的薄体积。体素是MRI信号所平均的小体积，并代表MRI图像的分辨率。术语体积将被理解为涉及切片和体积两者。
当执行MRI检查时，所构建的MRI图像是时间相关的。如果对正在移动的身体区域执行检查，例如心脏或者横膈膜附近的器官，那么必须获得时间相关的图像并将其与心跳和呼吸循环相关。存在现有技术中的标准技术对这一运动进行补偿。某些器官和身体部分的解剖结构对于适当地成像也可以是具有挑战性的。例如，心脏和膝盖要求训练有素和高技能的操作者来产生对于诊断有用的临床MRI图像。
例如，在心脏的MRI检查期间，关于心脏的解剖结构而产生的切片的位置和取向对于特定诊断是很关键的。为了执行这一类型的MRI检查，操作者将执行一系列的扫描。首先，操作者对患者身体的多个切片成像以确定患者解剖结构的粗略取向。通过使用这些粗略图像，操作者将手动地定位横膈膜和心脏。操作者将要定向至少一叠切片。实际上，需要定向导航器束、匀场体积或者其他元素，这使得其是个很费时间的操作。该叠切片给取向、视场以及系列切片定义了所有参数，这些参数在下一扫描中使用。导航器束是被成像以使横膈膜位置相关并补偿患者呼吸的薄体积。匀场体积是这样的体积，即来源于其的信息被用于补偿在B0场中的局部扰动。
在确定这些体积之后，采集针对患者呼吸和心脏的相位而处理的第二系列图像。然后操作者使用这一新的MRI图像集来更加详细地检查心脏的解剖结构，并且取决于疑似疾病来手动定义将被成像以被医师用于临床诊断的切片或者体积。意在达到确定诊断的目的的图像被称为临床MRI图像。
对于心脏，设置用于采集临床MRI图像的该叠切片的位置和取向将极大取决于患者的指示。例如，正确诊断先天性心脏病所需的可视化与缺血性心脏病的是完全不同的。为了能够正确地建立MRI系统以成像正确的MRI图像，操作者将需要大量的训练、经验以及从计算机监视器上的二维(2D)投影或者切片想象三维(3D)结构的能力。其困难在于由不同操作者获得的临床图像将具有不同的质量水平。此外，当手动执行设置该叠切片的位置和取向时，是很难实现临床MRI图像在例如后续程序中的再现性。当操作者产生质量较差的临床图像时，它们将需要被重做。这对于医院当然是很昂贵的，并增加了对患者进行MRI检查的花费。
美国专利申请2005/0165294教导了在医学扫描期间使用三个步骤的程序来校正患者的定位。Lelieveld等人发表的“AutomatedObserver-independent Acquisition of Cardiac Short-Axis MR Images-A PilotStudy”Radiology，Radiological Society of North America，Oak Brook，IL，US，Vol.221，No.2，Nov.2001，pp.537-542公开了直接从定位图像中自动定义短轴图像体积。文章“Automatic Scan Prescription for Brain MRI”MagneticResonance in Medicine，Academic Press，Duluth，MN，US，Vol.45，Jan.2001，pp.486-494公开了采集患者的初步扫描，将患者的大脑表面与模板大脑表面匹配，并使用变形来将最佳扫描平面的位置和取向变形至当前的患者。US6,574,304B1公开了采集包括感兴趣特征的图像数据，对该图像数据执行CAD算法，然后采集更适于对该感兴趣的特征进行成像或者分析的进一步的图像数据。
发明内容
本发明提供如在独立权利要求中所要求的一种采集MRI图像数据的方法、计算机程序产品、以及用于采集MRI图像数据的设备。本发明的实施例在从属权利要求中给出。
视场(FOV)在本文中被定义为意指针对其构建MRI图像的体积。用于构建MRI图像的MRI数据是在频域中收集的无线电信号。因此重要的是要注意使用傅立叶积分来将MRI数据转换为图像，并且因此FOV之外的组织对图像有贡献。
本发明的实施例提供了一种用于自动扫描规划的方法和设备。这些实施例是尤其有利的，因为在MRI扫描器控制台的患者特定几何结构自动规划消除了操作者误差、减少了对操作者的培训要求、并节约了MRI检查期间的时间。自动扫描规划的另一优点在于避免了操作者之间和操作者自身的变化性。
自动顺序扫描规划对于单一的观察扫描是有利的。对于一些解剖结构，自动顺序扫描比单一的观察扫描更加快速。顺序观察扫描也比单一观察扫描包含了更多的信息，并允许精确和一致的诊断扫描规划。意在达到确定诊断的目的的图像在本文中被定义为临床MRI图像。观察或者观察扫描在本文中被定义为用于规划临床MRI图像的MRI图像。
本发明的实施例涉及采集对象的至少一个临床MRI图像的方法。MRI图像被定义为MRI数据的图形表示。MRI数据是由MRI扫描器采集的任意数据。临床MRI图像是由医师使用来诊断患者的MRI图像。
根据本发明的实施例，使用预选择的参数来采集该对象的多个2D MRI图像。2D MRI图像是给出了对象解剖结构的概览的切片集合。2D MRI图像通常是各向异性的。例如，在心脏MRI检查期间使用的2D MRI图像的构建期间用于矢状切片的典型体素尺寸是1.7mm×1.75mm×10mm。切片的间隔甚至可以大于体素的尺寸。对于这些矢状切片，该切片的厚度是10mm。体素中心之间的距离是15mm。因此，在这一情况下切片之间的间隙是5mm。用于构建2D MRI图像的体积数量、每个体积中切片的数量、切片的厚度、切片的距离以及切片之内的分辨率将取决于所选择的协议。
起初，患者解剖结构的取向是未知的。该患者被定位于MRI扫描器之内从而预定的切片集将定义患者的内部解剖结构。这能够通过采集预定数量的具有预定取向的轴向、冠状和矢状切片来完成。这些切片的数量、位置和精确取向通过所选择的MRI协议来预先确定。2D MRI图像用于构建由体素构成的三维(3D)体积。如果这些体素的所有侧面都是相同的，那么该体积是各向同性的。该体积不需要是各向同性的，但是各向同性的体积使得边缘检测器的应用更加容易。通过对2D MRI图像体素的值进行线性插值来计算个体体素的值。
利用边缘检测模块来检测3D体积中的边缘。这可以利用适当的边缘检测算法，例如Sobel算子来完成。其他可选的包括基于以下的算法：Canny边缘检测器、微分边缘检测器、Marr-Hildreth算子、基于相位一致性的边缘检测器、Laplace算子、Deriche边缘检测器、Rothwell边缘检测器、Prewitt算子、Kirsch算子、Hueckel算子以及Roberts算子。Sobel算子在3D体积的特定平面中操作。Sobel算子能够应用于所有都位于同一平面的体素。Sobel算子也能够应用于不位于体素平面内的平面。在这一情况下，根据该体素与该平面相交的多少来对该体素进行加权。然后使用边缘集利用解剖标志模块来识别解剖标志。使用第一分割模块利用第一形状约束可变形模型来分割该3D体积。形状约束可变形模型在Weese等人的“Shapeconstrained Deformable Models for 3D Medical Image Segmentation”LectureNotes In Computer Science Vol.252082，2001，pp.380-387(援引为Weese)中讨论，其通过参考被包含于本文中。形状约束可变形模型是患者解剖结构的三维模型，其被分割模块变形以与特征点拟合。迭代地使形状约束可变形模型变形以与使用模型和图像数据两者计算的特征点拟合。能够使用特征检测算法来从图像中提取特征点。该模型计算该模型表面的应力和应变，以及由变形引起的内力。
然后用第一模式识别模块来确定3D体积内的感兴趣体积。感兴趣体积是针对其采集MRI数据的区域。该MRI数据由傅立叶空间中的数据构建。因此感兴趣体积的物理边界外部的区域对MRI图像有贡献。然后针对该感兴趣体积采集一个或者多个预备MRI图像。然后使用第二分割模块利用第二形状约束变形模型来分割预备MRI图像。然后使用第二模式识别模块来规划该临床MRI图像。最后，采集一个或者多个临床MRI图像。
在另一实施例中，在临床MRI图像的采集期间采集的MRI数据能够被存储在计算机存储装置中以用于随后的再使用。能够被存储的MRI数据包括：多个2D图像、3D体积、边缘集、一个或者多个解剖标志、已分割的3D体积、感兴趣体积、一个或者多个预备MRI图像以及已分割的一个或者多个预备MRI图像。这一MRI数据随后能够从该计算机存储装置中取回并再使用以生成用于规划临床MRI图像的第二规划数据集。这具有的优点在于能够规划第二临床MRI图像而不需要重复整个方法。例如，能够再使用多个2D图像或者3D体积。这将减少采集第二临床MRI图像所需的时间。
在另一实施例中，第一模式识别模块能够确定多个感兴趣体积。这是有益的，因为在被成像体积周围的组织也影响所采集的MRI。该多个体积能够重叠，不重叠，并且能够覆盖同一个体积。第一模式识别模块将每个体积选择至第一子集、第二子集、或者第三子集。第一和第三子集的元素被MRI扫描器成像一次或者多次。由MRI技术应用于第二子集和第三子集的元素，该MRI技术从包括以下的组中选择：磁化准备脉冲、脂肪抑制脉冲、动脉自旋标记(ASL)、区域饱和技术(REST)、谱预饱和反转恢复(SPIR)、反转、导航器束、B1匀场以及B0匀场。在被成像以用于临床MRI图像的体积之外的组织能够影响图像的质量。应用这些技术具有改进图像质量的益处。从所有这些感兴趣体积中采集的MRI数据被用于生成规划数据。使用所有采集的MRI数据的益处在于更加详细地了解解剖结构以及解剖结构的位置。
在另一实施例中，第一模式识别模块是经训练的模式识别模块。这具有的优点在于能够使用训练图像的集合来训练该模式识别模块，在该训练图像的集合中该感兴趣的一个或多个体积已经被正确的放置。这可以通过使用多种不同的方法来实现。可以使用的不同方法或者算法的例子是：主成分分析、神经网络、CN2算法、C4.5算法、迭代二叉树3(ID3)、最近邻搜索算法、朴素贝叶斯分类器算法、全息联想存储器、或者认知学习算法。
在另一实施例中，第二模式识别是经训练的模式识别模块。这将具有与将第一经训练的模式识别模块实现为经训练的模式识别模块同样的优点。可以使用与第一模式识别模块相同的算法和方法选择来实现该第二模式识别模块。如果使用同样的算法或者方法来实现第一和第二模式识别模块，那么它们将仍然是不同的模式识别模块。这是因为它们将经受不同的训练。第一模式识别模块和第二模式识别模块能够由MRI系统的制造商训练并交付操作者来使用。
在另一实施例中，解剖识别模块能够是特征识别算法的实现方式。这一特征识别算法能够是例如霍夫变换或者尺度不变特征变换(SIFT)的算法。这些算法具有能够识别复杂几何结构的优点。该特征识别算法也能够是基于解剖结构的先验知识的自定义算法。例如，可以在MRI图像中很容易地识别出横膈膜。边缘检测算法将定位横膈膜的边界，并且连通区域分析将产生能够由第一分割模块识别和使用的表面。
在另一方面中，包括计算机可执行指令集的计算机程序产品能够被用于使本发明的实施例自动化。这是一优点，因为计算机或者微处理器能够比人类操作者迅速得多地执行计算。
在另一方面中，如在独立权利要求7中描述的设备的实施例能够被用于采集临床MRI数据。
在另一实施例中，设备的实施例将具有出于规划新的临床MRI图像的目的而用于存储先前采集的MRI数据的装置。
在另一实施例中，设备的实施例将第一模式识别模块和/或第二模式识别模块实现为经训练的模式识别模块。
在另一实施例中，第一模式识别模块的实施例可用于确定多个感兴趣体积。
在另一实施例中，设备的实施例具有用户界面，其在采集临床MRI扫描之前可用于图形化显示规划数据集。这具有的优点在于用户能够控制临床MRI图像的质量。在显示图像之后，操作者将具有接受或者拒绝规划数据的选择。如果操作者接受规划数据，那么MRI系统将进行至采集MRI数据以及构建MRI图像。如果操作者拒绝该规划数据，那么操作者将具有使得该设备实施例重新启动过程并生成新的规划数据集或者手动编辑规划数据的选择。操作者将具有检查拒绝数据集的选择，该拒绝数据集包括：多个2D图像、3D体积、边缘、解剖标志、已分割的3D体积、感兴趣体积、一个或者多个预备MRI图像以及已分割的一个或者多个预备MRI图像和规划数据集。这具有的优点在于操作者能够检查所有的MRI数据和规划数据。
在另一实施例中，用户界面的实施例可用于接收拒绝数据集的手动修改。这具有的优点在于操作者能够修改可由该设备造成的任意错误。经修改的拒绝数据然后被用于生成经修改的规划数据集。这具有的优点在于该设备不需要重复整个方法，从而节约了时间。
附图说明
以下将只通过举例的方式，并参考附图来描述本发明的优选实施例，在附图中：
图1是能够自动规划和采集MRI图像的MRI系统实施例的功能性示意图；
图2是示出了本发明方法的实施例的方框图；
图3是示范了自动检测横膈膜方法的实施例的一系列冠状和矢状MRI图像；
图4是示出了感兴趣体积的放置的冠状MRI图像。
附图标记列表：
  100   MRI扫描器
  102   梯度线圈控制单元
  104   梯度线圈
  106   磁体控制单元
  108   磁体
  110   患者支撑
  112   患者
  114   RF收发器线圈控制单元
  116   相控阵列收发器线圈
  120   控制系统
  122   硬件接口
  124   微处理器或者计算机
  126   用户界面
  128   计算机程序产品
  130   3D体积模块
  132   边缘检测模块
  134   解剖标志模块
  136   第一分割模块
  138   第二分割模块
  140   第一模式识别模块
  142   第二模式识别模块
  170   对话框
  172   用于选择动作的区域
  174   接受建议的扫描参数的按钮
  176   重做建议的扫描参数的按钮
  178   允许操作者调整扫描参数的按钮
  180   显示建议的扫描参数的区域
  182   MRI图像
  184   规划数据的图形化显示
  200   采集多个2D图像
  202   构建3D体积
  204   边缘检测
  206   识别解剖标志
  208   分割3D体积
  210   确定感兴趣体积
  212   采集预备MRI图像
  214   分割预备MRI图像
  216   规划临床MRI图像
  218   采集临床MRI图像
  302  经过心脏的冠状MRI图像
  304  示出了横膈膜的矢状MRI图像
  306  经Sobel算子处理的图像302
  308  经Sobel算子处理的图像304
  310  示出了网格在横膈膜上的最终放置的图像306
  312  示出了网格在横膈膜上的最终放置的图像308
  314  在图像304、308和312中示出的矢状平面的位置
  316  在图像302、306和310中示出的冠状平面的位置
  318  明亮的像素
  320  网格
  400  MRI图像
  402  匀场体积
  404  观察堆叠
  406  导航器体积
具体实施方式
图1示出了能够执行本发明实施例的MRI扫描器100的实施例。具有产生也被称为B0的大磁场的静磁体108，该磁体能够令患者112或者其他对象中的核自旋与B0场一致。患者112安置在磁体的镗孔内的支撑110上。梯度线圈104也位于该磁体的镗孔之内，并能够调整该磁场。收发器线圈116邻近被成像患者112的体积。这一线圈发射并接受RF信号。在发射模式中，该线圈生成RF信号，该RF信号产生磁场的局部扰动以用于操纵患者112内核自旋的取向。在接收模式中，相控阵列收发器线圈116接收由B0场中的核自旋的旋进而引起的RF信号。收发器线圈的功能可以很普遍地被划分为分离的发射器和接收器线圈。在此使用的术语收发器线圈旨在涉及两种可能性。一个或多个线圈的确切设计取决于将要执行的MRI检查的类型。
梯度线圈104与梯度线圈控制单元102连接。该梯度线圈控制单元102合并了可控电流源。当梯度线圈被通电时，通过其的电流令磁体镗孔之内磁场扰动。场的这一扰动可以被用于令B0场更加均匀，或者故意地引起该磁场中的梯度。一例子将使用磁场梯度来引起对在B0场中核自旋旋进的频率的空间编码。该磁体与磁体控制单元106连接。该磁体控制单元用于控制和监视磁体的状态。
收发器线圈116与RF收发器线圈控制单元连接。这一控制单元合并了能够控制应用于收发器线圈的RF信号的相位和幅值的一个或多个RF发生器。
梯度控制单元102、磁体控制单元106以及收发器线圈控制单元114都与控制系统120的硬件接口122连接。这一控制系统控制MRI扫描器100的功能。控制系统120包括与微处理器124连接的硬件接口122和用户界面126。本发明的实施例中微处理器124是计算机系统。硬件接口122允许微处理器124给梯度控制单元102、磁体控制单元106以及RF收发器控制单元114发送命令，并从其接收信息。用户界面126允许操作者控制MRI系统的功能，并能够显示MRI图像。计算机程序产品128由微处理器使用以使得MRI系统100的控制以及对MRI数据的分析以构建MRI图像自动化。计算机程序产品包括软件模块：3D体积模块130、边缘检测模块132、解剖标志模块134、第一分割模块136以及第二分割模块138。
用户界面126具有用于允许操作者图形化地回顾规划数据的对话框170。这一对话框170包括图形化显示规划数据的区域180和允许操作者批准规划数据或者拒绝规划数据的区域172。用于显示规划数据的区域180用于图形化显示MRI图像182和MRI规划数据184。用于批准或者拒绝规划数据的区域172包括几个按钮。一个按钮124接受规划数据。然后设备的实施例继续进行以采集临床MRI图像。另一按钮176使得设备重复规划过程并建议新的规划数据集。第三个按钮178允许操作者手动调整规划数据并能够调整一个或多个感兴趣体积。
图2示出了执行本发明的方法的实施例。首先采集多个2D图像200。该多个2D图像包括在轴向、矢状和冠状平面中的堆叠切片。对于心脏MRI检查，该多个2D图像包括20个轴向切片、20个冠状切片和20个矢状切片。使用线性插值，该多个2D切片被用于构建3D体积202。然后使用边缘检测算法来检测3D体积的边缘204。沿着3D体积的每个坐标轴应用Sobel算子。换言之，Sobel算子在x、y和z方向上应用，其中3D体积的坐标轴被标记为x、y和z。该x、y和z轴理想地将与MRI扫描器的轴一致。该Sobel算子在每个这些方向中的应用得到了3D梯度向量。
Sobel算子对于检测边缘是有效的，并且计算强度不大。Sobel算子能够在特定平面中检测边缘。使用聚类而将不同平面中的边缘连接在一起。也就是说使用连通区域分析来定位边缘。该连通区域分析识别与患者解剖结构的接合并识别解剖标志206。这通过在每个通过Sobel滤波器的阈值响应的体素周围定义邻近区域而起作用。邻近区域被定义为在通过阈值响应的体素的一定距离之内的邻近体素的区域。通过互连的邻近区域组来形成聚类。然后根据每个聚类的尺寸和在3D体积之内的位置来对每个聚类分级。最高等级的聚类然后被识别为解剖边缘。解剖边缘是定义解剖特征的位置或者边界的表面。解剖边缘的例子是横膈膜、心包的右壁、或者心包的左壁。然后从已经识别的解剖特征中导出解剖标志集。这些解剖标志从聚类特性，例如中心、偏心率、边界框、全局极值以及局部极值中识别出来。这些解剖标志主要被用于形状约束可变形模型的初始布置。
在形状约束可变形模型的初始布置之后，分割3D体积208。分割被定义为将该体积划分为代表患者解剖特征的不同区段。该分割模块将形状约束可变形模型与特征点的集合拟合。使用模型和图像数据两者并使用特征检测算法来计算出特征点。在模型中的相应点被迭代地拟合到该特征点。在分割模块已经调整了网格的位置之后，从该网格和/或模型提取出第二解剖标志集。模式识别模块然后使用该第二解剖标志集来执行规划。该模式识别模块也能够使用解剖标志的初始集合。连通区域分析识别3D体积内的3D网格的初始位置。分割模块然后调整该3D网格的位置。从该网格和/或模型的组合中提取出第二解剖标志集。模式识别模块然后使用该第二解剖标志集来执行规划。该模式识别模块也能够使用解剖标志的初始集合。连通区域分析识别3D体积内的3D网格的初始位置。分割模块然后调整该3D网格的位置。从该网格和模型的组合中提取出第二解剖标志集。第一模式识别模块210使用该第二解剖标志集来确定各种感兴趣体积。
第一模式识别模块能够实现为可训练模块。使用训练图像来训练该模块。在确定感兴趣体积之后，在感兴趣体积中采集预备MRI图像212。在很多情况下将确定多于一个的感兴趣体积，并且这些附加的体积也将被成像，或者已经描述的多种MRI技术将应用于其。然后使用第二分割模块214来分割预备MRI图像。从通过该分割得到的三维网格中提取解剖标志。然后第二模式识别模块216使用这些解剖标志来规划临床MRI图像。最后，采集临床MRI图像218。
图3示出了两组图像302、304、306、308、310、312。
顶行的图像302、306、310示出了穿过心脏的冠状平面。在顶行图像302、306、310中可见到倚靠在横膈膜上的心脏。在顶行图像302、306、310中所示的垂直线314示出了底端行图像304、308、312中所示的矢状切片的位置。底端行图像304、308、312示出的中线矢状切片示出了横膈膜。在这些图像中可见横膈膜和肺部。在底端行图像304、308、312中的垂直线316示出了在顶行图像302、306、310中所示的冠状切片的位置。
图像302和304显示了初始MRI图像。图像306和308示出了已经在垂直方向上应用Sobel算子之后的图像。
通过首先对梯度向量的幅值或者长度阈值化而在图2中识别横膈膜。阈值化被定义为在图像中的个体像素的值大于特定阈值时将该个体像素标记为目标像素的过程，并且计算出归一化梯度和预定义方向之间的标量积。该预定义的方向与z-方向一致。在图2中并未示范出对心包右壁的识别，但是能够使用相同的方法来识别该右壁，除非预定义方向是x-方向。同样，使用处于倾斜的x-z平面中的预定义方向来识别心包的左壁。通过根据该倾斜而加权x和z体素来获得在倾斜的x-z平面中的边缘检测。例如，如果期望方向是(x＝0.5，z＝0.866)，那么该加权使用这些数字来作为权重。
在图306、308、310和312中所示的明亮像素318示出了梯度向量幅值高于特定值以及z-方向和归一化梯度的标量积高于第二值的位置。图像310和312示出了已经使用第一分割模块定位网格320之后网格320的位置。在图像310和312中示出的网格320是同一个，但是是从不同切片观察的。使用连通区域聚类来确定该网格的初始位置。这是解剖标志模块的一实施例。然后第一分割模块的实施例使用该网格的初始位置来调整该网格的位置。在图像中可见的是没有位于网格附近的明亮像素318。由于这些明亮像素被连通区域分析确定为不属于最高等级的聚类，因此它们被忽略了。在图3中所示的图像只示出了z方向上的定位。在本发明的这一实施例中，该过程在x方向上重复以将形状约束可变形模型定位在心包的右壁上，在倾斜x-z平面上重复以将形状约束可变形模型定位在心包的左壁上。
图4用于图示本发明实施例的示例。图4示出由第一模式识别模块140已经放置的感兴趣体积的位置。这一图示示出了匀场体积402、堆叠体积404以及导航器束体积406的位置。对于一些MRI检查，使用顺序方法来规划临床MRI图像。例如，在心脏检查中，需要两个观察图像来自动规划诊断扫描。第一MRI扫描是低分辨率的身体的多个2D多堆叠观察，并用于定位心脏和横膈膜。这花费大约12秒来完成。这产生多个2D MRI图像。第二MRI扫描是使用来自第一观察的信息在心脏上进行规划的高分辨率3D观察。这一观察花费大约60秒。在图4中示出针对这一观察的规划。3D体积在MRI切片400的平面上的投影由标有404的方框表示。标有402的方框示出了匀场体积的位置。标有406的方框是导航器束体积。该导航器束体积用于在采集了针对特定MRI图像的数据时确定横膈膜的位置并用于补偿患者的呼吸影响。3D观察提供了信息来规划诊断扫描。这包括例如心脏解剖结构的位置和解剖结构的取向的信息。
心脏MR检查是很难执行的，并且手动规划是很难并且很费时间的。自动顺序扫描规划将减少执行心脏MRI检查所需的时间。将从顺序扫描规划中受益的另一应用是连续移动床成像。连续移动床成像的例子将首先在患者躺在正在移动进入MRI扫描器的床上的同时采集MRI数据。当发现感兴趣的解剖结构(例如，肝脏)时该床停止。然后使用模式识别软件来自动规划具有特定几何结构的MRI图像，并聚焦于肝脏来采集该MRI图像。由此可以提取出第二观察信息以规划专门的临床MRI图像。移动床成像能够用于任意腹部器官。示例：对COMBI的改进
示例详细描述了本发明的实施例如何能够与连续移动床成像(COMBI)或者多工位成像结合以允许顺序扫描规划。实施例能够自动地并且始终如一地满足临床MRI检查对于患者定位的基本假设。自动扫描规划的顺序方法允许在工作流程、以及临床图像采集的可靠性、连贯性以及质量的改进。
对于每个MRI检查，患者预备是工作流程中的重要步骤。在众多的其他职责中，操作者决定患者的定位(头先进入或者脚先进入，俯卧或者仰卧)，并调整床的位置以使得要被检查的解剖结构处于磁体的中心敏感体积中。
为了正确的床调整，操作者需要渊博的解剖知识以及关于特定部位、协议相关偏好的知识。被称为光尖端的设备指示相对于MRI系统的中心敏感体积的固定参考点，其方便了床调整。然而，这也增加了正确使用以便相对于协议指南和被成像的解剖结构来一致地定位患者所需的知识
当前扫描规划技术的执行依赖于对患者的正确定位。虽然可用的扫描规划技术能够处理解剖变化性、病理以及位置变化性，但是仍然假设某些解剖结构在执行解剖识别和临床体积规划的观察的FOV之内。错误的患者定位可能导致违反这一基本假设。因而这是自动扫描规划失败的一个原因。
COMBI是用于MRI系统的成像技术，其在安置患者的床稳定移动的同时采集图像。因此它能够生成与之前现有的多工位图像体积类似的具有很大FOV的图像体积。多工位方法采集不同区域的若干图像体积，其间从一个工作移动到下一个，从而使所有的体积一起覆盖完整的FOV，同时具有尽可能少的重叠。
COMBI技术已经存在了数年，其示范性地应用于全身成像(Aldefeld，B等人的“Continuously moving table 3D MRI with lateral frequency-encodingdirection”Magn.Reson.Med.55(5)，1210-1216，2006)，以及用于脂肪分数评估的结合了水-脂肪分离的全身成像(Boernert，P等人的“Whole-body 3Dwater/fat resolved continuously moving table imaging”J.Magn.Reson.Imag.25(3)，660-665，2007)。
用于采集具有极大FOV的图像体积的COMBI或者多工位的性能因而是用于在自动扫描规划技术的顺序方法中显示的工作流程改进的关键促成因素。
在顺序扫描规划方法的框架中使用COMBI或者多工位技术，能够自动地并且一致地满足用于观察的FOV的基本假设而不受操作者的干扰。这一技术对于肝脏成像是尤其适用的，因为肝脏是不能从患者的外部明显地确定其位置、尺寸和形状的器官。
该应用的实施例如下进行：
患者预备将和通常的一样，其不同之处在于只进行很粗略的床调整。在采集的第一观察是全身观察的情况下，不必执行床调整。在这一情况下，顺序方法的第一阶段的基本假设是患者没有部分处于MRI系统的中心敏感体积之内。
使用COMBI技术或者多工位成像是以专门的顺序一起执行的。采集具有很大FOV(例如，全身)的第一观察。该顺序如此设计以使得它在将被临床成像的解剖结构所处的区域(例如，上腹部区域)之内给出了很好的对比度。
a)使用图像处理技术使器官(例如，肝脏)和其周围区域位于第一观察之内，并由此提取标志。已经示出了用于在全身观察中检测肝脏的图像处理能够相对于床的移动速度实时完成(Dries，S等人的“MR Travel to ScanImage Processing for Real-Time Liver Identification”Proc.ISMRM 16，p.3170，2008(援引为Dries))，从而一旦已经检测到要被临床成像的器官和其周围区域，就可以中止该观察，因而节约了采集时间。
b)基于所提取的标志，MRI系统然后自动规划关注于将被临床成像的解剖结构的区域(例如，对于肝脏成像的上腹部)的第二观察的位置、取向和范围。
使用来自先前步骤的规划数据，使用专门的顺序来采集第二观察。这一第二观察服务于同一目的，并因此将与用常规方法(其中操作者已经初始手动调整了床的位置)采集的单一观察具有类似的图像质量特性。
a)使用图像处理技术，在第二观察中精确地检测将被临床成像的器官(例如，肝脏)，并由此提取标志。
b)基于所提取的标志，MRI系统然后自动规划临床图像的位置、取向和范围。
采集临床图像。
以上描述的过程在以下各方面中构成了针对MRI检查的改进：
工作流程：缩短了患者预备，消除了患者定位的误差或者操作者对光尖端的不正确使用。
一致性/可靠性：与单独的手动观察相比改善了第二观察的位置一致性，并且由于自动满足了对FOV的基本假设，因而也改善了对这一观察的自动扫描规划技术的可靠性。
质量：除了以上提及的益处，顺序方法能够得到额外的患者特性信息，例如对将采集的随后顺序的预期组织响应的指示。这是为了获得可接受的对比度而调整之后顺序的手段，因而减少了对于归因于不可接受的对比度或者错误定位而需要重复顺序的可能性。
示例：退变的椎间盘图像集的采集
该示例示范了本发明的实施例，其中执行自动的观察扫描，然后其后接着两个顺序自动采集的临床MRI图像。第一临床MRI图像用于规划第二临床MRI图像。这一应用详述了对退变的椎间盘的全自动采集。该椎间盘例如在较低的脊柱中。由于这一异常可以引起很多问题，例如下背部疼痛至完全的疝气，因此其是临床相关的。归因于老年人口和超重人口的增长，这一类型的研究变得更加重要。一个或者多个的椎间盘可能病理性地改变，并且它们可位于脊柱中的任何位置。
用MRI采集临床图像的传统方法包含几个步骤。首先执行观察扫描。使用这一扫描，操作者手动放置若干几何元件并采集高分辨率的矢状T2图像。从这一图像操作者识别退变的椎间盘(如果存在的话)。这依赖于操作者的专业技能和在扫描时间内投入的注意力。如果操作者思想不集中，将会错过病状。在一些情况下，放射科医生可能需要指定进一步的成像。这扰乱了医师的时间表和工作流程。然后手动规划每个所选择的椎间盘，并采集包含该椎间盘(堆叠状态)的临床轴向高分辨率T2图像。为了依次针对每个椎间盘以正确角度获得最佳分辨率，多个堆叠比3D采集优选，然而每个堆叠花费额外的扫描时间。因此通常只采集示出了病理变化的椎间盘的堆叠。
自动顺序规划能够减轻操作者规划多个几何元件、选择脊柱的子区域、选择临床上感兴趣的椎间盘、以及用正确的取向采集它们的任务。
该方法包括5个步骤，其中三个是MR采集而两个是处理步骤。每个处理步骤用于自动从先前的图像采集中提取信息，从而它使得能够以临床相关几何和取向自动执行下一采集。
详细地，该方法的实施例包括以下：
采集全部脊柱的低分辨率、高FOV MRI图像。这可以是多工位采集，其中的两个位置被自动“粘合”在一起。为了节约时间，通常这一采集将是具有低空间分辨率的观察类型。然而，该观察包含足够的信息以使用计算机来自动提取相关特征，使用该计算机可能自动地规划以下扫描。
用处理算法来定位椎间盘，该处理算法可操作地用于粗略定位椎间盘、对它们进行注释、并将标志定位在椎间盘上。使用第二算法来将标志集与标志和几何结构的数据库匹配，并且从这一匹配能够计算该情况中脊柱几何结构的优选取向。现在能够针对每个椎间盘或者椎间盘的子集来计算优选的几何结构。这一类型的处理在文献(International Society for MagneticResonance in Medicine 2008，Medical Image Computing andComputer-Assisted Intervention 2007)中有记载。
使用从步骤B计算的脊柱几何结构来采集高分辨率的矢状T2图像。这基于临床相关区域来自动完成。例如，脊柱的腰椎部分，包含L1-L5。这一图像能够被用于临床检查。然而，它也能够用作针对估计T12和S1之间的椎间盘是否退变的计算机算法的“观察”。更具体地，该算法能够包括估计每个椎间盘表面的分割算法。然后，使用基于形状和/或信号对比度的标准，能够针对每个椎间盘作出其是否退变的结论。脊柱分割算法是公知的(例如见Medical Image Computing and Computer-Assisted Intervention 2008)，并且能够容易地被扩大至椎间盘。尤其因为已经从B中已知每个椎间盘的位置和大致取向。
有用的参考是：
Violas，E.Estivalezes，J.Briot，J.Sales de Gauzy，P.Swider，Magn.Reson.Imaging，25，pp.386-391，Jill P.G.Urban，C.Peter Winlove，J.Mag.Reson.Imaging，25pp.419-432(2007)，以及
M.S，Saifuddin A.Clin Radiol.，54，pp.703-23(1999)。
针对每个椎间盘采集一叠图像。当已知哪个椎间盘是退变的时，能够建立包含针对每个椎间盘的一叠图像的采集。由于每个椎间盘的优选取向是已知的，因此可以其可以被考虑。每个堆叠是针对退变椎间盘的临床相关图像。
示例：临床手腕成像
该示例示范了本发明的实施例，其中执行两个顺序自动的观察扫描，并且该观察扫描用于自动规划临床MRI图像的采集。该示例详述了对手腕临床MRI图像的全自动采集。由于使用光尖端的手腕定位是很费时间并易于出错的，因此其是临床相关的。由于这些困难，常常采集第一观察只为了定位手腕。然后采集放大手腕区域的第二观察，该观察用于临床图像的实际规划。
自动顺序规划减轻了操作者手动缩放至正确的手腕位置以及规划随后的临床图像的任务。自动进行第一观察以定位手腕。然后使用第二缩放的观察来规划第一临床图像。
详细地，该方法的实施例包括以下：
采集手腕区域的第一观察扫描。这是大视场的观察扫描。
处理第一观察扫描以便定位该手腕。这能够使用掩蔽操作来执行以便定位解剖结构或者已经揭露了解剖结构中的细节的更专业的处理。
采集手腕的第二、定位观察。
处理该第二观察以获得用于规划临床MRI图像的规划数据。
采集临床MRI图像。

Claims (20)

1.一种通过设备采集对象的至少一个临床MRI图像的方法，所述方法包括以下步骤：
-通过所述设备以第一视场采集第一观察图像，所述第一观察图像具有第一空间分辨率，
-通过所述设备在所述第一观察图像中定位感兴趣的第一区域以及解剖标志集，
-通过所述设备使用所述解剖标志集确定所述感兴趣的第一区域的位置和取向，所述第一区域的所述位置和所述取向用于规划第二观察图像，
-通过所述设备以第二视场采集所述第二观察图像，所述第二观察图像具有第二空间分辨率，所述第二空间分辨率高于所述第一空间分辨率，
-通过所述设备使用所述第二观察图像生成针对感兴趣的解剖区域的几何规划，
通过所述设备使用所述几何规划采集所述感兴趣的解剖区域的诊断图像。
2.如权利要求1所述的方法，
其中，通过所述设备以第一视场采集第一观察图像的步骤包括：
-通过所述设备使用预选择的参数集采集所述对象的多个2D MRI图像（200），所述多个2D MRI图像包括给出了所述对象的解剖结构概览的切片集合，
并且/或者其中，通过所述设备在所述第一观察图像中定位感兴趣的第一区域以及至少一个解剖标志的步骤包括：
-通过所述设备使用3D体积模块（130）从所述多个2D MRI图像中构建3D体积（202），
-通过所述设备使用边缘检测模块在所述3D体积中检测（132）边缘集（204），
-通过所述设备利用所述边缘集使用解剖标志模块（134）在所述3D体积中识别所述解剖标志集（206），
-通过所述设备使用第一分割模块（136）通过利用所述解剖标志集以拟合第一形状约束可变形模型来自动分割所述3D体积（208），
并且/或者其中，通过所述设备使用所述解剖标志集确定所述感兴趣的第一区域的所述位置和所述取向的步骤包括：
-通过所述设备使用第一模式识别模块（140）来确定在已分割的3D体积内对于随后的MRI数据采集所需的感兴趣体积（210），
并且/或者其中，通过所述设备以第二视场采集所述第二观察图像的步骤包括：
-通过所述设备采集所述感兴趣体积的一个或者多个预备MRI图像（212），
并且/或者其中，通过所述设备使用所述第二观察图像生成针对所述感兴趣的解剖区域的几何规划的步骤包括：
-通过所述设备使用第二分割模块（138）利用第二形状约束可变形模型来分割所述一个或者多个预备MRI图像（214），
-通过所述设备使用已分割的一个或者多个预备MRI图像利用第二模式识别模块（142）来生成用于规划临床MRI图像的规划数据集（216），
并且/或者其中，通过所述设备使用所述几何规划采集所述感兴趣的解剖区域的诊断图像的步骤包括：
-通过所述设备使用所述规划数据集采集一个或者多个临床MRI图像（218）。
3.如权利要求2所述的方法，其中，将所述多个2D图像、所述3D体积、所述边缘集、所述解剖标志集、所述已分割的3D体积、所述感兴趣体积、所述一个或者多个预备MRI图像以及所述已分割的一个或者多个预备MRI图像中的至少一个存储在计算机数据存储装置中以再次使用用于生成用于规划临床MRI图像的第二规划数据集。
4.如权利要求2或3所述的方法，其中，所述第一模式识别模块（140）确定多个感兴趣体积，其中，第一模式识别模块（140）将每个感兴趣体积选择至第一子集、第二子集、或者第三子集中，其中，采集所述第一子集的每个元素和所述第三子集的每个元素的一个或者多个MRI图像，其中，由MRI技术应用于所述第二子集的每个元素和所述第三子集的每个元素，所述MRI技术从包括以下的组中选择：磁化准备脉冲、脂肪抑制脉冲、动脉自旋标记（ASL）、区域饱和技术（REST）、谱预饱和反转恢复（SPIR）、反转、导航器束、B1匀场以及B0匀场，并且其中，所述第二模式识别模块（142）使用从所有所述感兴趣体积中采集的MRI数据来生成所述规划数据。
5.如权利要求2或3所述的方法，其中，所述第一模式识别模块（140）和/或所述第二模式识别模块（142）是经训练的模式识别模块。
6.如权利要求2或3所述的方法，其中，所述解剖识别模块（134）是特征识别算法的实现方式。
7.一种用于通过设备采集对象的至少一个临床MRI图像的装置，包括：
-用于通过所述设备以第一视场采集第一观察图像的模块，所述第一观察图像具有第一空间分辨率，
-用于通过所述设备在所述第一观察图像中定位感兴趣的第一区域以及解剖标志集的模块，
-用于通过所述设备使用所述解剖标志集确定所述感兴趣的第一区域的位置和取向的模块，所述第一区域的所述位置和所述取向用于规划第二观察图像，
-用于通过所述设备以第二视场采集所述第二观察图像的模块，所述第二观察图像具有第二空间分辨率，所述第二空间分辨率高于所述第一空间分辨率，
-用于通过所述设备使用所述第二观察图像生成针对感兴趣的解剖区域的几何规划的模块，
-用于通过所述设备使用所述几何规划采集所述感兴趣的解剖区域的诊断图像的模块。
8.如权利要求7所述的装置，
其中，用于通过所述设备以第一视场采集第一观察图像的模块被配置为：
-通过所述设备使用预选择的参数集采集所述对象的多个2D MRI图像（200），所述多个2D MRI图像包括给出了所述对象的解剖结构概览的切片集合，
并且/或者其中，用于通过所述设备在所述第一观察图像中定位感兴趣的第一区域以及至少一个解剖标志的模块被配置为：
-通过所述设备使用3D体积模块（130）从所述多个2D MRI图像中构建3D体积（202），
-通过所述设备使用边缘检测模块在所述3D体积中检测（132）边缘集（204），
-通过所述设备利用所述边缘集使用解剖标志模块（134）在所述3D体积中识别所述解剖标志集（206），
-通过所述设备使用第一分割模块（136）通过利用所述解剖标志集以拟合第一形状约束可变形模型来自动分割所述3D体积（208），
并且/或者其中，用于通过所述设备使用所述解剖标志集确定所述感兴趣的第一区域的所述位置和所述取向的模块被配置为：
-通过所述设备使用第一模式识别模块（140）来确定在已分割的3D体积内对于随后的MRI数据采集所需的感兴趣体积（210），
并且/或者其中，用于通过所述设备以第二视场采集所述第二观察图像的模块被配置为：
-通过所述设备采集所述感兴趣体积的一个或者多个预备MRI图像（212），
并且/或者其中，用于通过所述设备使用所述第二观察图像生成针对所述感兴趣的解剖区域的几何规划的模块被配置为：
-通过所述设备使用第二分割模块（138）利用第二形状约束可变形模型来分割所述一个或者多个预备MRI图像（214），
-通过所述设备使用已分割的一个或者多个预备MRI图像利用第二模式识别模块（142）来生成用于规划临床MRI图像的规划数据集（216），
并且/或者其中，用于通过所述设备使用所述几何规划采集所述感兴趣的解剖区域的诊断图像的模块被配置为：
-通过所述设备使用所述规划数据集采集一个或者多个临床MRI图像（218）。
9.如权利要求8所述的装置，其中，将所述多个2D图像、所述3D体积、所述边缘集、所述解剖标志集、所述已分割的3D体积、所述感兴趣体积、所述一个或者多个预备MRI图像以及所述已分割的一个或者多个预备MRI图像中的至少一个存储在计算机数据存储装置中以再次使用用于生成用于规划临床MRI图像的第二规划数据集。
10.如权利要求8或9所述的装置，其中，所述第一模式识别模块（140）确定多个感兴趣体积，其中，第一模式识别模块（140）将每个感兴趣体积选择至第一子集、第二子集、或者第三子集中，其中，采集所述第一子集的每个元素和所述第三子集的每个元素的一个或者多个MRI图像，其中，由MRI技术应用于所述第二子集的每个元素和所述第三子集的每个元素，所述MRI技术从包括以下的组中选择：磁化准备脉冲、脂肪抑制脉冲、动脉自旋标记（ASL）、区域饱和技术（REST）、谱预饱和反转恢复（SPIR）、反转、导航器束、B1匀场以及B0匀场，并且其中，所述第二模式识别模块（142）使用从所有所述感兴趣体积中采集的MRI数据来生成所述规划数据。
11.如权利要求8或9所述的装置，其中，所述第一模式识别模块（140）和/或所述第二模式识别模块（142）是经训练的模式识别模块。
12.如权利要求8或9所述的装置，其中，所述解剖识别模块（134）是特征识别算法的实现方式。
13.一种用于采集对象的临床MRI数据的设备（100，120），包括：
-用于以第一视场采集第一观察图像的装置，所述第一观察图像具有第一空间分辨率，
-用于在所述第一观察图像中定位感兴趣的第一区域以及解剖标志集的装置，
-用于使用所述解剖标志集确定所述感兴趣的第一区域的位置和取向的装置，所述第一区域的所述位置和所述取向用于规划第二观察图像，
-用于以第二视场采集所述第二观察图像的装置，所述第二观察图像具有第二空间分辨率，所述第二空间分辨率高于所述第一空间分辨率，
-用于使用所述第二观察图像生成针对感兴趣的解剖区域的几何规划的装置，
-用于使用所述几何规划采集所述感兴趣的解剖区域的诊断图像的装置。
14.如权利要求13所述的设备，
其中，用于以第一视场采集第一观察图像的所述装置包括：
-用于使用预选择的参数集采集所述对象的多个2D MRI图像（100）的装置，所述多个2D MRI图像包括给出了所述对象的解剖结构概览的切片集合，
并且/或者其中，用于在所述第一观察图像中定位感兴趣的第一区域以及所述解剖标志集的所述装置包括：
-用于使用3D体积模块（130）从所述多个2D MRI图像中构建3D体积（124，128，130）的装置，
-用于使用边缘检测模块（132）在所述3D体积中检测边缘集（124，128，132）的装置，
-用于使用解剖标志模块（134）在所述3D体积中识别所述解剖标志集（124，128，134）的装置，
-用于使用第一分割模块（136）通过利用所述解剖标志集以拟合形状约束可变形模型来自动分割所述3D体积（124，128，136）的装置，
并且/或者其中，用于使用所述解剖标志集确定所述感兴趣的第一区域的所述位置和所述取向的所述装置包括：
-用于使用解剖标志模块（134）在所述3D体积中识别所述解剖标志集（124，128，134）的装置，
-用于使用第一分割模块（136）通过利用所述解剖标志集以拟合形状约束可变形模型来自动分割所述3D体积（124，128，136）的装置，
-用于使用第一模式识别模块（140）确定已分割的3D体积内对于随后的MRI数据采集所需的感兴趣体积（124，128，140）的装置，
并且/或者其中，用于以第二视场采集所述第二观察图像的所述装置包括：
-用于采集所述感兴趣体积的一个或者多个预备MRI图像（100）的装置，
并且/或者其中，用于使用所述第二观察图像生成针对感兴趣的解剖区域的几何规划的所述装置包括：
-用于使用第二分割模块（138）利用形状约束可变形模型来分割所述一个或者多个预备MRI图像（124，128，138）的装置，
-用于使用已分割的一个或者多个预备MRI图像利用第二模式识别模块（142）生成用于规划临床MRI图像的规划数据集（124，128，142）的装置，
并且/或者其中，用于使用所述几何规划采集所述感兴趣的解剖区域的诊断图像的所述装置包括：
-用于使用所述规划数据集采集一个或者多个临床MRI图像（100）的装置。
15.如权利要求14所述的设备（100，120），还可用于将所述多个2D图像、所述3D体积、所述边缘集、所述解剖标志集、所述已分割的3D体积、所述感兴趣体积、所述一个或者多个预备MRI图像以及所述已分割的一个或者多个预备MRI图像中的至少一个存储在计算机数据存储装置中以再次使用用于生成用于规划临床MRI图像的第二规划数据集。
16.如权利要求14或15所述的设备（100，120），其中，所述第一模式识别模块（140）和/或所述第二模式识别模块是经训练的模式识别模块。
17.如权利要求14或15所述的设备（100，120），其中，所述解剖识别模块（134）是特征识别算法的实现方式。
18.如权利要求14或15所述的设备（100，120），其中，所述第一模式识别模块（140）可用于确定多个感兴趣体积，其中，所述第一模式识别模块（140）可用于将每个感兴趣体积选择至第一子集、第二子集、或者第三子集中，其中，所述设备（100，120）可用于采集所述第一子集的每个元素和所述第三子集的每个元素的一个或者多个MRI图像，其中，所述设备可用于将MRI技术应用于所述第二子集的每个元素和所述第三子集的每个元素，所述MRI技术从包括以下的组中选择：磁化准备脉冲、脂肪抑制脉冲、动脉自旋标记（ASL）、区域饱和技术（REST）、谱预饱和反转恢复（SPIR）、反转、导航器束、B1匀场以及B0匀场，并且其中，所述第二模式识别模块（142）使用从所有所述感兴趣体积中采集的MRI数据来生成所述规划数据。
19.如权利要求14或15所述的设备（100，120），还包括在采集所述临床MRI扫描之前可用于图形化显示所述规划数据集（182）的用户界面（126，170），并且其中，所述用户界面（126，170）具有用于输入操作者的选择的输入装置，所述操作者的选择包括：接受（174）或者拒绝（176，178）所述规划数据集，其中，在接受的情况下执行一个或者多个临床MRI图像的采集，并且其中，在拒绝的情况下所述用户界面显示拒绝数据集，其中，所述拒绝数据包括所述多个2D图像、所述3D体积、所述边缘、所述解剖标志、所述已分割的3D体积、所述感兴趣体积、所述一个或者多个预备MRI图像以及所述已分割的一个或者多个预备MRI图像和所述规划数据集中的至少一个。
20.如权利要求19所述的设备（100，120），其中，所述用户界面（126）可用于接收所述拒绝数据集的手动修改，其中，所修改的拒绝数据用于生成修改的规划数据集，其中，使用所修改的规划数据集来采集一个或者多个临床MRI图像。
CN200980143939.0A 2008-11-05 2009-11-02 Mr扫描的自动顺序规划 Active CN102203630B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP08168342.7 2008-11-05
EP08168342 2008-11-05
PCT/IB2009/054848 WO2010052629A1 (en) 2008-11-05 2009-11-02 Automated sequential planning of mr scans

Publications (2)

Publication Number Publication Date
CN102203630A CN102203630A (zh) 2011-09-28
CN102203630B true CN102203630B (zh) 2014-07-02

Family

ID=41664549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200980143939.0A Active CN102203630B (zh) 2008-11-05 2009-11-02 Mr扫描的自动顺序规划

Country Status (6)

Country Link
US (1) US8565505B2 (zh)
EP (1) EP2347274B1 (zh)
JP (1) JP5667066B2 (zh)
CN (1) CN102203630B (zh)
RU (1) RU2533626C2 (zh)
WO (1) WO2010052629A1 (zh)

Families Citing this family (67)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8361067B2 (en) 2002-09-30 2013-01-29 Relievant Medsystems, Inc. Methods of therapeutically heating a vertebral body to treat back pain
US7258690B2 (en) 2003-03-28 2007-08-21 Relievant Medsystems, Inc. Windowed thermal ablation probe
US6907884B2 (en) 2002-09-30 2005-06-21 Depay Acromed, Inc. Method of straddling an intraosseous nerve
US11315307B1 (en) 2006-12-28 2022-04-26 Tipping Point Medical Images, Llc Method and apparatus for performing rotating viewpoints using a head display unit
US10795457B2 (en) 2006-12-28 2020-10-06 D3D Technologies, Inc. Interactive 3D cursor
US11228753B1 (en) 2006-12-28 2022-01-18 Robert Edwin Douglas Method and apparatus for performing stereoscopic zooming on a head display unit
US11275242B1 (en) 2006-12-28 2022-03-15 Tipping Point Medical Images, Llc Method and apparatus for performing stereoscopic rotation of a volume on a head display unit
AU2009296474B2 (en) 2008-09-26 2015-07-02 Relievant Medsystems, Inc. Systems and methods for navigating an instrument through bone
US10028753B2 (en) 2008-09-26 2018-07-24 Relievant Medsystems, Inc. Spine treatment kits
US8825131B2 (en) 2009-10-14 2014-09-02 Nocimed, Llc MR spectroscopy system and method for diagnosing painful and non-painful intervertebral discs
JP5575491B2 (ja) * 2010-01-14 2014-08-20 株式会社東芝 医療画像診断装置
US20110228998A1 (en) * 2010-03-18 2011-09-22 Vivek Prabhakar Vaidya System and method for automatic computation of mr imaging scan parameters
US9341692B2 (en) * 2010-04-15 2016-05-17 Regents Of The University Of Minnesota Magnetization transfer and off-resonance protocols in NMR
JP2012061074A (ja) * 2010-09-15 2012-03-29 Ge Medical Systems Global Technology Co Llc 磁気共鳴イメージング装置
JP5976293B2 (ja) * 2010-10-08 2016-08-23 東芝メディカルシステムズ株式会社 画像処理装置及び画像処理方法
JP5944645B2 (ja) * 2010-11-02 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
US9224240B2 (en) * 2010-11-23 2015-12-29 Siemens Medical Solutions Usa, Inc. Depth-based information layering in medical diagnostic ultrasound
US8922547B2 (en) * 2010-12-22 2014-12-30 Electronics And Telecommunications Research Institute 3D model shape transformation method and apparatus
DE102011076776A1 (de) * 2011-05-31 2012-12-06 Siemens Aktiengesellschaft Verfahren zu einer Bilddatenaufnahme
JP5819677B2 (ja) * 2011-08-30 2015-11-24 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴イメージング装置
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
NL2009885C2 (en) * 2011-11-30 2014-12-09 Gen Electric System and method for automated landmarking.
US10390877B2 (en) * 2011-12-30 2019-08-27 Relievant Medsystems, Inc. Systems and methods for treating back pain
US10395420B2 (en) * 2012-02-28 2019-08-27 Brainlab Ag Calculation of a medical image using templates
DE102012203782B4 (de) * 2012-03-12 2022-08-11 Siemens Healthcare Gmbh Verfahren zur Durchführung einer kombinierten Magnetresonanz-Positronenemissions-Tomographie
CN104395773B (zh) * 2012-03-26 2017-08-15 皇家飞利浦有限公司 贯穿平面的导航器
US8965094B2 (en) 2012-04-14 2015-02-24 Nocimed, Llc Magnetic resonance spectroscopy pulse sequence, acquisition, and processing system and method
CN102707425B (zh) * 2012-06-21 2014-04-16 爱威科技股份有限公司 图像处理方法和装置
EP2875367B1 (en) * 2012-07-18 2021-05-12 Koninklijke Philips N.V. Efficient cardiac mr workflows based on automated planning from mdixon surveys
US10588691B2 (en) 2012-09-12 2020-03-17 Relievant Medsystems, Inc. Radiofrequency ablation of tissue within a vertebral body
DE102012217262B4 (de) * 2012-09-25 2023-10-26 Siemens Healthcare Gmbh Verfahren zur automatischen Magnetresonanz-Bildgebung und Magnetresonanzanlage
JP6195625B2 (ja) 2012-11-05 2017-09-13 リリーバント メドシステムズ、インコーポレイテッド 骨を通して湾曲経路を作り、骨内で神経を調節するシステム及び方法
CN104717920B (zh) * 2012-11-22 2018-04-27 东芝医疗系统株式会社 磁共振成像装置以及磁共振成像方法
JP5977158B2 (ja) * 2012-11-30 2016-08-24 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 検出装置、磁気共鳴装置、検出方法、およびプログラム
US9113781B2 (en) * 2013-02-07 2015-08-25 Siemens Aktiengesellschaft Method and system for on-site learning of landmark detection models for end user-specific diagnostic medical image reading
RU2526752C1 (ru) * 2013-03-18 2014-08-27 Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." Система и способ для автоматического планирования двухмерных видов в объемных медицинских изображениях
JP2015000301A (ja) * 2013-06-18 2015-01-05 株式会社東芝 磁気共鳴イメージング装置及び画像処理プログラム
US9724151B2 (en) 2013-08-08 2017-08-08 Relievant Medsystems, Inc. Modulating nerves within bone using bone fasteners
EP3044605B1 (en) * 2013-09-09 2022-11-16 Koninklijke Philips N.V. Push-button vessel wall mri with 3d scout scan
JP6440990B2 (ja) * 2013-09-18 2018-12-19 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
US10013767B2 (en) * 2013-11-01 2018-07-03 The Research Foundation For The State University Of New York Method for measuring the interior three-dimensional movement, stress and strain of an object
US9402549B2 (en) * 2013-11-27 2016-08-02 General Electric Company Methods and apparatus to estimate ventricular volumes
DE102014204381B4 (de) * 2014-03-11 2017-03-23 Siemens Healthcare Gmbh Planung einer Brachytherapie-Behandlung aufgrund von Magnetresonanz-Bilddaten mit hyperintens dargestellten Bereichen
EP3120326B1 (en) * 2014-03-19 2017-08-09 Koninklijke Philips N.V. Method of scan geometry planning for determining wall thickness of an anatomic detail using magnetic resonance imaging
US10043270B2 (en) * 2014-03-21 2018-08-07 Koninklijke Philips N.V. Image processing apparatus and method for segmenting a region of interest
JP6224560B2 (ja) * 2014-09-12 2017-11-01 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴装置およびプログラム
WO2016063211A1 (en) * 2014-10-20 2016-04-28 Koninklijke Philips N.V. Classified truncation compensation
JP6554719B2 (ja) * 2014-10-31 2019-08-07 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴装置およびプログラム
KR101636876B1 (ko) 2014-11-03 2016-07-06 삼성전자주식회사 의료 영상 처리 장치 및 방법
DE102015200322A1 (de) * 2015-01-13 2016-01-07 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Feststellung einer Position eines anatomischen Bereichs in einer MR-Anlage
RU2614545C1 (ru) * 2016-01-11 2017-03-28 федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет" (ДГТУ) Устройство объединения медицинских изображений
US10463328B2 (en) * 2016-05-09 2019-11-05 Canon Medical Systems Corporation Medical image diagnostic apparatus
EP3471608B1 (en) 2016-06-19 2023-08-23 Aclarion, Inc. Magnetic resonance spectroscopy system and method for diagnosing pain or infection associated with propionic acid
US9947102B2 (en) * 2016-08-26 2018-04-17 Elekta, Inc. Image segmentation using neural network method
US9965863B2 (en) * 2016-08-26 2018-05-08 Elekta, Inc. System and methods for image segmentation using convolutional neural network
DE102017203025A1 (de) * 2017-02-24 2018-08-30 Siemens Healthcare Gmbh Verfahren zu einem Unterstützen einer Planung einer Magnetresonanzuntersuchung an einem Patienten mit einer Magnetresonanzvorrichtung sowie eine Magnetresonanzvorrichtung zu einem Ausführen des Verfahrens
US10188361B2 (en) * 2017-03-27 2019-01-29 Siemens Healthcare Gmbh System for synthetic display of multi-modality data
US11903691B2 (en) 2017-07-18 2024-02-20 Siemens Healthineers Ag Combined steering engine and landmarking engine for elbow auto align
EP3486674A1 (en) * 2017-11-17 2019-05-22 Koninklijke Philips N.V. Artificial intelligence-enabled localization of anatomical landmarks
US11486950B2 (en) 2018-08-01 2022-11-01 General Electric Company Systems and methods for automated graphical prescription with deep neural networks
US20200037962A1 (en) * 2018-08-01 2020-02-06 General Electric Company Plane selection using localizer images
IT201900000583A1 (it) * 2019-01-14 2020-07-14 Upsurgeon S R L Dispositivo di apprendimento medico basato sull'integrazione di realtà fisica e virtuale finalizzato allo studio e alla simulazione degli approcci chirurgici ai distretti anatomici
WO2021050767A1 (en) 2019-09-12 2021-03-18 Relievant Medsystems, Inc. Systems and methods for tissue modulation
JP2021074275A (ja) * 2019-11-08 2021-05-20 キヤノンメディカルシステムズ株式会社 撮像支援装置
WO2022187666A1 (en) 2021-03-04 2022-09-09 Hyperfine Operations, Inc. Systems and methods for performing magnetic resonance imaging with reduced operator interaction
EP4075157A1 (en) * 2021-04-14 2022-10-19 Siemens Healthcare GmbH Method for correcting object specific inhomogeneities in an mr imaging system
KR102516945B1 (ko) * 2022-03-24 2023-04-03 주식회사 쓰리디오엔에스 인공지능 기반의 두경부 랜드마크 검출 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1131906A (zh) * 1994-06-14 1996-09-25 菲利浦电子有限公司 脉冲序列最佳化的磁共振成像方法及其装置
US6574304B1 (en) * 2002-09-13 2003-06-03 Ge Medical Systems Global Technology Company, Llc Computer aided acquisition of medical images

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5320102A (en) * 1992-11-18 1994-06-14 Ciba-Geigy Corporation Method for diagnosing proteoglycan deficiency in cartilage based on magnetic resonance image (MRI)
US5758646A (en) * 1994-09-12 1998-06-02 U.S. Philips Corporation Magnetic resonance imaging method with pulse sequence optimization and device for such method
JPH08289888A (ja) * 1995-04-24 1996-11-05 Ge Yokogawa Medical Syst Ltd 断層撮影計画方法及び断層撮影装置
US6064208A (en) * 1998-04-02 2000-05-16 Picker International, Inc. Two-peak alignment method of field shimming
US6195409B1 (en) * 1998-05-22 2001-02-27 Harbor-Ucla Research And Education Institute Automatic scan prescription for tomographic imaging
US6396266B1 (en) * 1998-11-25 2002-05-28 General Electric Company MR imaging system with interactive MR geometry prescription control
JP4979868B2 (ja) * 1999-12-29 2012-07-18 オルムコ コーポレイション 注文歯列矯正装置形成方法および装置
AU2003217204A1 (en) * 2002-01-15 2003-07-30 Vanderbilt University Composition and imaging methods for pharmacokinetic and pharmacodynamic evaluation of therapeutic delivery system
US6963768B2 (en) 2002-05-16 2005-11-08 General Electric Company Whole body MRI scanning with moving table and interactive control
US20030220558A1 (en) * 2002-05-22 2003-11-27 Reed Busse Automatic field of view optimization for maximization of resolution and elimination of aliasing artifact
US7260249B2 (en) * 2002-09-27 2007-08-21 Confirma Incorporated Rules-based approach for processing medical images
US6768782B1 (en) * 2002-12-16 2004-07-27 University Of Notre Dame Du Lac Iterative method for region-of-interest reconstruction
US7450983B2 (en) 2003-03-18 2008-11-11 University Of Cincinnati Automated brain MRI and CT prescriptions in Talairach space
US7078898B2 (en) * 2003-04-24 2006-07-18 The Regents Of The University Of California Methods and apparatus for magnetic resonance imaging
DE10331412A1 (de) 2003-07-10 2005-01-27 Bayerische Motoren Werke Ag Halterung für ein Mobiltelefon
AU2004268576A1 (en) * 2003-08-21 2005-03-10 Ischem Corporation Automated methods and systems for vascular plaque detection and analysis
US20050165295A1 (en) * 2004-01-23 2005-07-28 Debiao Li Local magnetic resonance image quality by optimizing imaging frequency
EP1723439A2 (en) * 2004-03-01 2006-11-22 Koninklijke Philips Electronics N.V. All in one plan scan imaging for optimization of acquisition parameters
WO2005088520A1 (en) 2004-03-11 2005-09-22 University Of Cincinnati Automated spine survey iterative scan technique (assist)
WO2005102160A1 (en) * 2004-04-26 2005-11-03 Koninklijke Philips Electronics, N.V. Apparatus and method for planning magnetic resonance imaging
US7346383B2 (en) * 2004-07-08 2008-03-18 Mayo Foundation For Medical Education And Research Method for acquiring MRI data from variable fields of view during continuous table motion
US7280862B2 (en) * 2004-08-18 2007-10-09 General Electric Company System and method for automatically obtaining a digital image of a heart
JP4886186B2 (ja) * 2004-11-29 2012-02-29 株式会社東芝 医用機器及び医用データアクセス制御方法
US8913830B2 (en) * 2005-01-18 2014-12-16 Siemens Aktiengesellschaft Multilevel image segmentation
US7365856B2 (en) * 2005-01-21 2008-04-29 Carl Zeiss Meditec, Inc. Method of motion correction in optical coherence tomography imaging
KR20080021723A (ko) * 2005-06-02 2008-03-07 더 메디패턴 코포레이션 컴퓨터­보조 검진을 위한 시스템 및 방법
RU2297793C2 (ru) * 2005-06-07 2007-04-27 Государственное учреждение научно-исследовательский институт онкологии Томского научного центра Сибирского отделения Российской академии медицинских наук Способ компьютерно-томографической диагностики аномалий развития печени
DE102005036515B4 (de) * 2005-08-03 2015-07-09 Siemens Aktiengesellschaft Verfahren zur Planung einer Untersuchung in einer Magnetresonanzanlage
US7876938B2 (en) * 2005-10-06 2011-01-25 Siemens Medical Solutions Usa, Inc. System and method for whole body landmark detection, segmentation and change quantification in digital images
US20100312734A1 (en) * 2005-10-07 2010-12-09 Bernard Widrow System and method for cognitive memory and auto-associative neural network based pattern recognition
US8082019B2 (en) * 2006-09-20 2011-12-20 Siemens Medical Solutions Usa, Inc. System and method for magnetic resonance brain scan planning
US20080146910A1 (en) * 2006-11-22 2008-06-19 Todd Parrish Non-invasive method for determining body composition using magnetic resonance (MR)
US20100189328A1 (en) * 2007-05-31 2010-07-29 Koninklijke Philips Electronics N.V. Method of automatically acquiring magnetic resonance image data
EP2194486A1 (en) * 2008-12-04 2010-06-09 Koninklijke Philips Electronics N.V. A method, apparatus, and computer program product for acquiring medical image data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1131906A (zh) * 1994-06-14 1996-09-25 菲利浦电子有限公司 脉冲序列最佳化的磁共振成像方法及其装置
US6574304B1 (en) * 2002-09-13 2003-06-03 Ge Medical Systems Global Technology Company, Llc Computer aided acquisition of medical images

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Automated Observer-independent Acquisition of Cardiac Short-Axis MR Images: A Pilot Study;Boudewijn P. F. Lelieveldt et al;《Radiology》;20011130;第221卷;第538页左栏第2-3段，中栏第1-3段，右栏第1-2段 *
Automatic Scan Prescription for Brain MRI;Laurent Itti etal;《Magnetic Resonance in Medicine》;20011231;第45卷;第486-494页 *
Boudewijn P. F. Lelieveldt et al.Automated Observer-independent Acquisition of Cardiac Short-Axis MR Images: A Pilot Study.《Radiology》.2001,第221卷第538页左栏第2-3段，中栏第1-3段，右栏第1-2段.
Laurent Itti etal.Automatic Scan Prescription for Brain MRI.《Magnetic Resonance in Medicine》.2001,第45卷第486-494页.

Also Published As

Publication number Publication date
RU2011122651A (ru) 2012-12-20
CN102203630A (zh) 2011-09-28
US8565505B2 (en) 2013-10-22
EP2347274A1 (en) 2011-07-27
RU2533626C2 (ru) 2014-11-20
US20110206260A1 (en) 2011-08-25
WO2010052629A1 (en) 2010-05-14
JP5667066B2 (ja) 2015-02-12
EP2347274B1 (en) 2019-08-07
JP2012507331A (ja) 2012-03-29

Similar Documents

Publication Publication Date Title
CN102203630B (zh) Mr扫描的自动顺序规划
EP2374092B1 (en) A method, apparatus, and computer program product for acquiring medical image data
EP3675038B1 (en) Method and program for guiding a patch
KR101652387B1 (ko) 영상 데이터를 생성하는 방법
US8781552B2 (en) Localization of aorta and left atrium from magnetic resonance imaging
US20190223750A1 (en) Medical image diagnostic apparatus and medical image display apparatus for volume image correlations
US7986823B2 (en) System and method for consistent detection of mid-sagittal planes for magnetic resonance brain scans
US20110228998A1 (en) System and method for automatic computation of mr imaging scan parameters
CN101542532B (zh) 用于数据处理的方法、设备和计算机程序
US10957010B2 (en) Deformable registration for multimodal images
CN110797112B (zh) 利用深度神经网络的自动图形处方的系统和方法
CN102551718A (zh) 磁共振成像装置
WO2017081302A1 (en) Medical instrument for analysis of white matter brain lesions
US9402562B2 (en) Systems and methods for improved tractographic processing
CN111354025B (zh) 用于基于深度学习的自动脊柱配准和标记传播的系统和方法
CN111640118B (zh) 使用多参数磁共振成像的肿瘤组织表征
Liu et al. Thalamic nuclei segmentation in clinical 3T T1-weighted Images using high-resolution 7T shape models
CN101313333A (zh) 创建结构模型的方法
CN106030655B (zh) 脑的磁共振图像中的铰接结构配准
EP3798661A1 (en) Mri method to determine a susceptibility distribution of an examination subject
US11969239B2 (en) Tumor tissue characterization using multi-parametric magnetic resonance imaging

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant