CN103403568B - 对磁共振成像脉冲序列协议分类的确定 - Google Patents
对磁共振成像脉冲序列协议分类的确定 Download PDFInfo
- Publication number
- CN103403568B CN103403568B CN201280011042.4A CN201280011042A CN103403568B CN 103403568 B CN103403568 B CN 103403568B CN 201280011042 A CN201280011042 A CN 201280011042A CN 103403568 B CN103403568 B CN 103403568B
- Authority
- CN
- China
- Prior art keywords
- pulse train
- classification
- protocol
- magnetic resonance
- agreement
- 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
Links
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 31
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 title claims description 15
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 34
- 238000003384 imaging method Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 26
- 210000003484 anatomy Anatomy 0.000 claims description 18
- 230000001629 suppression Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 44
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000003709 image segmentation Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000002075 inversion recovery Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G01R33/543—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
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- High Energy & Nuclear Physics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种医学成像设备（300）包括磁共振成像系统（302）。所述医学图像设备还包括储存器（334），所述储存器包括用于由处理器（328）执行的机器可执行指令（370，372，374，376，378，380，382，384，386）。所述指令的执行令所述处理器接收（100，204）脉冲序列协议（340），所述指令的执行还令所述处理器确定（102，206）描述所述脉冲序列协议的脉冲序列类型分类（342）。所述指令的执行还令所述处理器确定（104，208）磁共振对比度分类（344），其中，对所述磁共振对比度分类的选择依赖于所述脉冲序列类型分类。所述指令的执行还令所述处理器确定（106，210）脉冲序列协议分类（346）。所述脉冲序列协议分类通过所述脉冲序列类型分类和所述磁共振对比度分类来确定。
Description
技术领域
本发明涉及磁共振成像，具体而言涉及脉冲序列协议的分类。
背景技术
磁共振（MR）参数定义了在扫描器上执行的图像采集并且因此定义了生成的图像的类型（对比度）。这些参数可在放射科中被预先定义为脉冲序列协议。技术人员可针对特定患者来进一步修改这些协议；备选地，可以针对新的患者来独立地设置参数。设置MR协议参数以实现期望对比度类型要求对MR物理学的专业知识。来自MR文献和厂商的用户指南或者用户论坛的建议是有用的信息源，但是归因于时间的缺乏，在日常实践中很少被考虑到。因而，可能会发生的是，参数的微小变化对所生成的图像对比度产生不期望的影响。
基于现场数据的分析示出，技术人员常规地不仅要调整几何结构参数，还要调整对图像质量、扫描时间或者对比度具有影响的参数。用户对扫描参数的优化程度在各机构或者技术人员之间是大不相同的。要求技术人员或多或少地频繁调整的用户接口参数的范例包括：视场、分辨率、切片数量、切片间隙、折叠方向、并行成像模式、并行成像加速因子、平均数目、回波时间、重复时间。
发明内容
本发明在独立权利要求中提供了一种医学成像设备、一种计算机程序产品以及一种方法。实施例在从属权利要求中给出。
当前，通过指定大量扫描参数的值，从技术角度来完成对磁共振（MR）脉冲序列协议的定义。
然而，不是在期望的临床应用背景下，即，期望的图像对比度类型背景下，完成协议的这一定义。因而，需要专业知识来预测由参数设置的具体选择而导致的对比度，或者避免在调整扫描参数时不期望的对比度变化。这具有两个缺点：
-当设置新的协议时，在脉冲序列协议的设计模式中缺乏操作者指南。
-当操作者修改某些协议参数时，没有对对比度保真度的控制。
本发明的实施例提出了解决这些和其他缺点的方法。
在一些情况下，操作者没有意识到参数变化可以对得到的对比度具有很强的影响。例如，当在多切片自旋回波扫描中将重复时间（TR）设为“最短”时，增大或者减小切片的数量可以对TR值具有十分大的影响。所产生的对比度可以在T1加权（T1W）、质子密度加权（PDW）和T2加权（T2W）之间变化。
本发明通过计算和指示与协议参数的当前值相关联的对比度类型，并且在初始对比度分类被修改时显示警告消息来解决这些和其他问题。
本发明的实施例可以执行以下必要步骤：（1）本发明从MR系统获得当前脉冲序列参数；（2）将分类引擎应用于这些参数以将当前扫描定义为属于特定的对比度分类；（3）当本发明的用户修改扫描参数时重复动作1-2；（4）当在步骤2中发现的对比度分类与原始分类不同时通知用户。
本发明使用基于规则的机制来定义对比度特异的MR协议分类，例如T1加权自旋回波（T1W-SE）、质子密度加权自旋回波（PDW-SE）、T2加权快速自旋回波（T2W-TSE）、T2加权流动衰减反转恢复（T2W-FLAIR）、T1加权反转恢复快速自旋回波（T1W-IR-TSE），等等。这一分类是基于协议参数的值和在MR文献中给出的指示。因而，当操作者设置或者修改协议时，显示相应的协议分类以给出信息并且可以在所实行的协议变化具有改变对比度的风险时通知操作者。用于描述协议分类的本体应当是基于放射学界的习惯用语。
本发明的实施例可使用两步骤分类方法。首先，通过考虑一些关键协议参数（成像技术、扫描模式、快速成像模式等）的所有可能的值组合而获得参数空间的穷尽性划分。然后，通过针对主要MR对比度参数，例如回波时间、重复时间、反转延迟、翻转角度等定义特定值的范围而细化在第一步骤中获得的分类。
可以从来自MR团体（综述论文）的建议以及来自当前临床使用的脉冲序列而获得用于定义这一基于规则的分类标准。
这一分类方法是通用的，但是允许在第二步骤中执行应用特异的规则（例如，用于神经、肌骨骼-MSK、身体/肿瘤）。可以例如通过调整在第一步骤中使用的关键对比度参数（例如，脂肪抑制）的数量来调整分类的精细度（所定义的不同分类的数量和分类之间的区别程度）。
本发明的实施例可包括MR协议编辑单元、用于分类的单元，以及显示单元。该MR协议编辑单元和用于分类的单元可是计算设备。该显示单元可是用户接口。
用于MR协议编辑的单元可以是在MR控制台中可利用的默认协议编辑器。备选地，其可以是离线协议编辑器，能够载入、编辑以及保存MR脉冲序列协议以用于将来使用。通常，这一单元与核查参数之间的可能冲突的另一单元相连。
用于协议分类的单元将定义了MR脉冲序列协议的参数列表作为输入，并且返回与输入的协议参数值最佳匹配的对比度分类作为输出。该对比度分类可被称为脉冲序列协议分类。
至少，当第一次将协议载入协议编辑器（以确定初始分类）时应当激活该协议分类单元。其后，在一些实施例中，可以在通过协议编辑器单元做出任何参数变化时自动激活这一单元。在备选的实施例中，可以在指定用户交互时，例如当用户保存协议时激活该单元。
本发明的实施例可使用两步骤分类方法：
1、首先，基于关键协议参数，例如成像技术（即，反转恢复（IR）、自旋回波（SE）、快速场回波（FFE））、扫描模式（即，二维（2D）、三维（3D）、多切片（MS）、多切片二维（M2D））、以及快速成像模式（即，平面回波成像（EPI）、快速自旋回波（TSE）、快速场回波（TFE）、梯度回波和自旋回波（GRASE）、以及快速场回波和平面回波成像（TFEEPI）），的值来定义多个通用分类，也称为脉冲序列类型分类。由于这些参数都仅采用了有限数量的明确定义值，因此可以以此方式来实现多维协议空间的穷尽性划分。
2、然后，第二分类步骤基于针对对比度参数（例如回波时间、重复时间、反转延迟，等等）的值范围的定义，细化对比度分类。用于定义这一基于规则的分类的标准可以例如来源于来自MR综述论文的建议。注意到，在这一第二步骤中使用的对比度参数和阈值针对在第一步骤之后获得的所有通用分类并不都是相同的，而是需要根据具体情况来指定。例如，针对通用分类SE，可以单独地根据回波时间（TE）和TR来定义以下分类：
a.PDW:10<TE<25ms，TR>1800ms
b.弱T2W：30<TE<70ms，TR>1800ms
c.T2W：TE>80ms，TR>1800ms
d.强T2W：TE>200ms，TR>1800ms
e.弱T1W：TE<30ms，1000<TR<1800ms
f.T1W：10<TE<25ms，200<TR<700ms
g.混合T1T2W:TE>30ms，TR<1500ms
注意到第二步骤可能没有完全地划分协议空间，也即，针对协议参数的一些组合可能不存在对比度分类。这对于操作者而言也是有价值的信息。
在应用这一两步骤分类时，获得对比度特异的分类，例如T1W-SE、PDW-SE、T2W-TSE、T2W-FLAIR、T1W-IR-TSE，等等。
这一分类方法是通用的，但是允许在第二步骤中执行应用特异的规则（例如，用于神经、MSK、身体/肿瘤）。可以例如通过调整在第一步骤中使用的关键对比度参数（例如，脂肪抑制）的数量来调整分类的精细度（所定义的不同分类的数量和分类之间的区别程度）。
注意到不必相继地执行这两个步骤，而是备选地在几个子步骤中执行。例如，人们可首先使用一些关键参数例如成像技术来定义第一划分，然后基于回波时间和重复时间值来实施分类细化，并且最后根据其他关键参数，例如扫描模式、脂肪抑制，来改进所获得的分类。
换言之，规则所应用的次序可能不是固定的，但是所产生的规则组合是重要的。
注意到可以使用布尔运算符（AND、OR、等等）和“if”语句来将这一基于规则的分类实现为计算机程序。在其他备选的实施例中，任意复杂度的数学运算用于基于多个参数来计算功能；这一计算的结果然后遵从定义对比度分类的规则。
也提出了将计算出的脉冲序列协议分类存储为私有图像格式和/或DICOM格式（例如，作为DICOM标识符）的专门图像参数，并且在显示所采集的图像时在信息框中示出协议分类的值，与例如协议名称、TE和TR一起。这将便于放射学专家阅读图像，并且在从图片存档及通信系统（PACS）中取回图像时，这将是有用的。
本文中将磁共振（MR）数据定义为在磁共振成像扫描期间由磁共振设备的天线所记录的由原子自旋发射的射频信号的测量结果。本文中将磁共振成像（MRI）图像定义为在磁共振成像数据之内包括的解剖数据的重建二或三维可视化。这一可视化可以使用计算机来执行。
本文中使用的“图像分割模块”或者“分割模块”包括适于自动识别图像中或者图像数据之内的解剖结构的计算机可执行代码。分割模块可例如是，但不限于：模式识别模块、训练模式识别模块、边缘识别模块、或者适于将可变型模型适配到图像数据的模型、或者特征识别算法。
可以利用边缘检测模块来检测二维或者三维体积中的边缘。这可以用适当的边缘检测算法，例如Sobel算子，来完成。其他备选方案包括基于以下的算法：Canny边缘检测器、差分边缘检测器、Marr-Hildreth算子、基于相位一致性的边缘检测器、拉普拉斯算子、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算子在三维体积的特定平面中进行运算。Sobel算子可以被应用于都位于同一平面中的体素。Sobel算子也可以被应用于不位于体素平面中的平面。在这一情况下，根据体素与平面相交的多少来对该体素加权。
可以使用解剖学标志模块并使用边缘的集合来识别解剖学标志。使用第一形状约束可变形模块并使用第一分割模块来分割三维体积。形状约束可变形模型是患者解剖结构的三维模型，其可以由分割模块变形以适配特征点。形状约束可变形模型被迭代地变形以适配特征点，这是使用模型和图像数据两者计算出来的。可以使用特征检测算法从图像中提取出特征点。该模型计算出模型表面上的应力和应变以及由变形所导致的内部力。
训练模式识别模块是可以使用训练图像的集合来训练的模式识别模块，其中，已经正确地放置了感兴趣体积或者体积。这可以使用各种不同的方法来实现。可以使用的不同方法或者算法的范例是：主成分分析法、神经网络、CN2算法、C4.5算法、迭代二分器3（ID3）、最近邻搜索算法、朴素贝叶斯分类器算法、全息联想记忆、或者感知学习算法。
特征识别算法可以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。特征识别算法也可以是基于解剖结构的先验知识的自定义算法。例如，在MRI图像中很容易识别横膈膜。边缘检测算法将定位横膈膜的边界，并且连接要素分析将产生可以由第一分割模块识别并且使用的表面。
本文中使用的“计算机可读存储介质”包括可以存储能够由计算设备的处理器执行的指令的任何有形存储介质。该计算机可读存储介质可以称为计算机可读非暂态存储介质。该计算机可读存储介质也可以称为有形计算机可读介质。在一些实施例中，计算机可读存储介质可能也能够存储能够由计算设备的处理器访问的数据。计算机可读存储介质的范例包括，但不限于：软盘、磁硬盘驱动器、固态硬盘、闪存、USB随身盘、随机存取存储器（RAM）、只读存储器（ROM）、光盘、磁光盘以及处理器的寄存器文件。光盘的范例包括高密度盘（CD）和数字通用盘（DVD），例如CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或者DVD-R盘。术语计算机可读存储介质也涉及能够由计算机设备经由网络或者通信链路访问的各种类型的记录介质。例如，可以经由调制解调器、经由因特网或者经由局域网取回的数据。
“计算机储存器”或者“储存器”是计算机可读存储介质的范例。计算机储存器是可由处理器直接访问的任何储存器。计算机储存器的范例包括，但不限于：RAM储存器、寄存器以及寄存器文件。
“计算机存储器”或者“存储器”是计算机可读存储介质的范例。计算机存储器是任何的非易失性计算机可读存储介质。计算机存储器的范例包括，但不限于：硬盘驱动、USB随身盘、软驱、智能卡、DVD、CD-ROM，以及固态硬盘驱动。在一些实施例中，计算机存储器也可能是计算机储存器，或者反之亦然。
本文中使用的“计算设备”包括任何包括处理器的设备。本文中使用的“处理器”包括能够执行程序或者机器可执行指令的电子器件。提及包括“处理器”的计算设备应当被解释为可能含有多于一个的处理器或者处理核。该处理器可例如是多核处理器。处理器也可涉及在单一计算机系统之内的或者分布在多个计算机系统之间的处理器的集合。术语计算设备也应当被解释为可能涉及各自包括一个或多个处理器的计算设备的集合或者网络。很多程序令它们的指令由可能在同一计算设备之内或者甚至可能分布在多个计算设备之间的多个处理器来执行。
本文中使用的“用户接口”是允许用户或者操作者与计算机或者计算机系统交互的接口。“用户接口”也可被称为“人性化接口设备”。用户接口可以向操作者提供信息或者数据和/或从该操作者接收信息或者数据。用户接口可以使得来自操作者的输入能够被计算机接收，并且可从该计算机向用户提供输出。换言之，用户接口可以允许操作者控制或者操纵计算机，并且该接口可以允许该计算机指示操作者的控制或者操纵的效果。数据或者信息在显示器或图形用户接口上的显示是给操作者提供信息的范例。通过键盘、鼠标、追踪球、触控板、指示杆、绘图板、操纵杆、游戏手柄、网络摄像头、头戴送受话器、变速杆、方向盘、踏板、有线手套、跳舞毯、远程控制以及加速计的接收都是使得能够从操作者接收信息或者数据的用户接口部件的范例。
本文中使用的“硬件接口”包括使得计算机系统的处理器能够与外部计算设备和/或装置交互和/或控制外部计算设备和/或仪器的接口。硬件接口可以允许处理器向外部计算设备和/或仪器发送控制信号或者指令。硬件接口也可使得处理器能够与外部计算设备和/或仪器交换数据。硬件接口的范例包括，但不限于：通用串行总线、IEEE1394端口、并行端口、IEEE1284端口、串行端口、RS-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口，以及数字输入接口。
本文中使用的“显示器”或者“显示设备”包括适于显示图像或者数据的输出设备或者用户接口。显示器可输出视觉的、音频的、和或触觉的数据。显示器的范例包括，但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管（CRT）、存储显像管、双稳显示器、电子纸张、矢量显示器、平板显示器、真空荧光显示器（VF）、发光二极管（LED）显示器、电致发光显示器（ELD）、等离子显示板（PDP）、液晶显示器（LCD）、有机发光二极管显示器（OLED）、投影机以及头戴式显示器。
本文中使用的“数据库”包括含有可以由处理器访问的数据的数据文件或者存储库。数据库的范例是，但不限于：数据文件、关系数据库、含有数据文件的文件系统文件夹以及电子表格文件。
在一个方面中，本发明提供一种包括用于从对象采集磁共振数据的磁共振成像系统的医学成像设备。该医学成像设备还包括用于控制该医学图像设备的处理器。例如，该处理器可以控制该磁共振成像系统的功能和操作。该医学成像设备还包括包括用于由该处理器执行的机器可执行指令的储存器。该机器可执行指令的执行使得该处理器接收脉冲序列协议。该脉冲序列协议包括使得该磁共振成像系统采集该磁共振数据的指令。例如，该脉冲序列协议可以包括使得该磁共振成像系统在相对彼此的特定时间时执行各种操作的指令。脉冲序列协议通常被简称为脉冲序列。
机器可执行指令的执行还令处理器确定描述脉冲序列的脉冲序列类型分类。脉冲序列类型分类可以被认为是脉冲序列协议的一般分类。例如，该脉冲序列类型分类可以基于成像技术、扫描模式和/或快速成像模式。有利地是以此方式来开始分类脉冲序列协议，因为脉冲序列类型分类所基于的参数具有有限数量的离散值。这提供了将定义了脉冲序列协议的多维参数空间划分为脉冲序列协议组的有效方式。
机器可执行指令的执行令处理器确定磁共振对比度分类。对磁共振对比度分类的选择依赖于脉冲序列类型分类。换言之，根据脉冲序列类型分类来确定或者选定磁共振对比度分类。磁共振对比度分类是基于影响磁共振图像的对比度的参数的值范围。通常用于确定磁共振对比度分类的参数不同于离散的，在值上是连续的。例如，它们可是，但不限于：回波时间、重复时间、反转延迟、翻转角度以及其他这样的参数。指令的执行还令该处理器确定脉冲序列协议分类。该脉冲序列协议分类由脉冲序列类型分类和磁共振对比度分类来确定。在一些实施例中，脉冲序列协议分类也由存储在脉冲序列协议中的要素或者值来确定。
这一实施例可能是有利的，因为当脉冲序列协议被这样分类时源自使用该脉冲序列协议而采集的磁共振数据的图像将具有类似的图像和对比度特性，并且可以因而被比较和分析。例如，当用于采集磁共振数据的脉冲序列具有相同的脉冲序列协议分类时，可以分割和比较包括描述对象中的肿瘤的解剖数据的磁共振数据。
在另一实施例中，机器可执行指令的执行还令处理器接收具有初始脉冲序列协议分类的选定的脉冲序列协议。指令的执行还令处理器接收对该选定脉冲序列协议的修改。该经修改的选定脉冲序列协议被接收作为脉冲序列协议。这一实施例是有利的，因为可以从数据库中取回标准脉冲序列协议。操作者然后可以修改该选定的脉冲序列协议并且然后将其重新分类。这是有利的，因为操作者然后可以知道脉冲序列协议是否仍然具有相同的脉冲序列协议分类。这在多个操作者使用系统并且期望将不同操作者准备的结果相比较的临床环境下是有用的。这对于将在不同临床设施处采集的磁共振数据或者图像相比较也是有用的。该方法提供了对脉冲序列协议进行分类的有效和客观的方式。
在另一实施例中，指令的执行还令处理器在脉冲序列协议分类与初始脉冲序列协议分类不一致的情况下在显示器上显示警告消息。这一实施例是有利的，因为操作者被明确地警告脉冲序列协议分类与初始脉冲序列协议分类不一致。这可以降低操作者采集稍后不被用于与其他或者先前采集的磁共振数据相比较的磁共振数据的可能性。
在另一实施例中，机器可执行指令的执行还令处理器在脉冲序列协议分类与初始脉冲序列协议分类不一致的情况下确定对该脉冲序列协议的纠正性修改。该纠正性修改描述对脉冲序列协议的进一步修改，该进一步修改将使得脉冲序列协议返回至初始脉冲序列协议分类。指令的执行还令处理器在显示器上显示纠正消息。该纠正消息描述纠正性修改。例如，该指令可以包括软件模块，其检查脉冲序列协议的值或者参数，并且确定哪一个需要被改变使得脉冲序列协议然后将具有与初始脉冲序列协议分类相匹配或者相一致的脉冲序列协议分类。显示该纠正消息可是有益的，因为操作者然后将能够将值录入用户接口或者图形用户接口，该值这样修改脉冲序列协议使得脉冲序列协议然后具有与初始脉冲序列协议分类相同的脉冲序列协议分类。
在另一实施例中，机器可执行指令的执行还令处理器在图形用户接口上显示初始脉冲序列协议，使得利用人接口设备操纵图形用户接口允许对初始脉冲序列协议的修改。该修改至少部分地从人接口设备接收。指令的执行还令处理器在图形用户接口上显示允许的修改。该允许的修改描述将使得脉冲序列协议分类与初始脉冲序列协议分类相一致的修改。这一实施例可是有益的，因为该允许的修改允许操作者看到他或者她可以选择哪个值来修改脉冲序列协议，并且允许其仍然包括相同的脉冲序列协议分类。
在另一实施例中，指令的执行还令处理器使用磁共振成像系统根据脉冲序列协议来采集磁共振数据。换言之，该脉冲序列协议用于产生命令，处理器可以使用该命令来采集磁共振数据。例如，软件模块可以解释脉冲序列协议并且然后产生命令，处理器可以将该命令发送至磁共振成像系统。这些命令然后令磁共振成像系统采集磁共振数据。机器可执行指令的执行还令处理器从磁共振数据重建磁共振图像。
在另一实施例中，机器可执行指令的执行还令处理器给磁共振图像附加脉冲序列协议分类标识符。该脉冲序列协议分类标识符可包括识别脉冲序列协议的数据或者元数据，该脉冲序列协议用于采集用于重建磁共振图像的磁共振数据。
例如，磁共振图像可被存储为包括描述磁共振图像的元数据的格式。例如，该图像可被存储为DICOM格式。该DICOM格式可以具有DICOM标识符。给磁共振图像附加脉冲序列协议分类标识符可是有利的，因为其便于该磁共振图像与其他磁共振图像的比较。例如，然后可以比较都从同一患者采集到的图像以追踪疾病的发展进程或者损伤的愈合。脉冲序列协议分类标识符可用于确保仅比较具有相同对比度的图像。来自不同人的图像可用于比较在类似图像中的相同解剖结构的不同类型。例如，这可以便于使用多种多样的磁共振图像来训练模式识别模块和/或可变形模型以用于解剖结构的识别。
在另一实施例中，机器可执行指令的执行还令处理器确定磁共振图像的集合。该磁共振图像的集合各自具有与脉冲序列协议标识符相符的脉冲序列协议标识符。例如，磁共振图像集可被存储在数据库中或者文件系统中。可以检索该文件系统或者数据库，并且将那些具有与该脉冲序列协议分类相一致的脉冲序列协议分类的图像分组到所述集合。这例如在将针对特定患者的图像进行比较时可以是有益的。以此方式，可以自动选定具有相同对比度特性的图像。当比较来自不同对象的图像时，也可将具有类似对比度分类的图像一起分成组。这可以用于训练自动定位或者分割图像中解剖结构的系统的过程。
在另一实施例中，指令的执行还令处理器分割磁共振图像以及磁共振图像的集合。这一实施例可用于将来自特定对象的图像相比较以辅助诊断或者追踪疾病的进展。其也可用于训练图像处理系统。医学成像设备可包括能够自动分割图像的软件模块。这例如可以由现有技术中的标准方法来执行。例如，寻找特定图像特征（例如横膈膜）的模型，或者可能具有将可变形模型拟合至解剖结构的软件模块。
在另一实施例中，机器可执行指令的执行还令处理器将经分割磁共振图像与经分割磁共振图像的集合中的解剖结构相比较。例如，可以比较肿瘤的尺寸。在其他实施例中可以比较病变的尺寸。在又一方面中，多个图像中的解剖结构之间的比较可用于训练目的，用于训练用于执行分割的软件模块。
在另一实施例中，指令的执行还令处理器访问包括磁共振图像的图像数据库。该图像数据库可以是包括磁共振图像的数据库或者其可以是包括磁共振图像的文件系统。指令的执行还令处理器计算描述该数据库的特定分类参数统计。该分类由以下中的任一个定义：脉冲序列类型分类、磁共振对比度分类、脉冲序列协议分类、以及它们的组合。参数是描述磁共振图像的图像特征。例如，图像特征可是灰度值强度或者灰度值强度的数学变换。图像特征也可以是描述在图像之内识别到的解剖区域的图像特征。这一实施例可用于图像处理以训练针对特定磁共振成像序列的图像模块。
在另一实施例中，机器可执行指令的执行还令处理器访问包括脉冲序列协议参数的脉冲序列数据库。机器可执行指令的执行还令处理器计算用于数据库的脉冲序列协议参数统计。该脉冲序列协议参数统计通过选择具有相同分类的脉冲序列协议而计算出来，其中该分类是以下中的任一个：脉冲序列类型分类、磁共振对比度分类、脉冲序列协议分类、以及它们的组合。这一实施例可用于计算关于所使用脉冲序列的统计并且针对用于各种成像目的的脉冲序列协议做出建议。
在另一实施例中，脉冲序列类型分类描述了扫描类型。例如，该扫描类型可以是分光镜数据或者其可以是成像类型扫描。该扫描类型也可指定针对特定目的采集的图像，例如但不限于：T1，T2，T2-星或者扩散信息。
在另一实施例中，脉冲序列类型分类描述了成像序列。例如，该成像序列可以是，但不限于：自旋回波、反转恢复、梯度回波、梯度回波的变型、稳态自由进动、平衡序列、以及其他已知的图像序列。
在另一实施例中，脉冲序列类型分类描述了扫描模式。该扫描模式的范例可是，但不限于：二维、三维、多切片、一维、以及多个二维图像或者切片。
在另一实施例中，脉冲序列类型分类描述了快速成像模式。快速成像模式的范例可例如是，但不限于：快速自旋回波、超快速梯度回波、平面回波成像、以及其他快速成像技术。
在另一实施例中，脉冲序列类型分类描述了发射模式。例如，发射模式可是，但不限于：多发射和单发射。
在另一实施例中，脉冲序列类型分类描述了扩散模式。
在另一实施例中，脉冲序列类型分类描述了动态模式。
在另一实施例中，脉冲序列类型分类描述了相位对比模式。
在另一实施例中，脉冲序列类型分类描述了并行成像模式。
在另一实施例中，脉冲序列类型分类描述了脂肪抑制模式。
在另一实施例中，脉冲序列类型分类描述了前述脉冲序列类型分类的任意组合。
在另一实施例中，磁共振对比度分类描述了回波时间。
在另一实施例中，磁共振对比度分类描述了重复时间。
在另一实施例中，磁共振对比度分类描述了反转延迟。
在另一实施例中，磁共振对比度分类描述了翻转角度。
在另一实施例中，磁共振对比度分类描述了扩散B值。
在另一实施例中，磁共振对比度分类描述了体素尺寸。
在另一实施例中，磁共振对比度分类描述了前述磁共振对比度分类的任意组合。
在另一方面中，本发明提供了一种计算设备，包括处理器、储存器、以及医学成像设备的任意前述实施例的机器可执行指令。
在另一方面中，本发明提供了一种包括机器可执行指令的计算机程序产品。例如，该机器可执行指令可被存储在计算机可读存储介质中。该医学成像设备包括用于从对象采集磁共振数据的磁共振成像系统。该医学成像设备还包括用于控制该磁共振成像系统的处理器。机器可执行指令的执行令处理器接收脉冲序列协议。该脉冲序列协议包括令磁共振成像系统采集磁共振数据的指令。机器可执行指令的执行还令处理器确定描述脉冲序列的脉冲序列类型分类。机器可执行指令的执行还令处理器确定磁共振对比度分类。对磁共振对比度分类的选择依赖于脉冲序列类型分类。机器可执行指令的执行还令处理器确定脉冲序列协议分类。该脉冲序列协议分类通过脉冲序列类型分类和磁共振对比度分类来确定。
在另一方面中，本发明提供了一种操作医学成像设备的方法。同样，该方法也提供了一种操作医学成像设备的计算机可执行方法。该医学成像设备包括用于从对象采集磁共振数据的磁共振成像系统。该方法包括接收脉冲序列协议的步骤。该脉冲序列协议包括令磁共振成像系统采集磁共振数据的指令。该方法还包括确定描述脉冲序列的脉冲序列类型分类的步骤。该方法还包括确定磁共振对比度分类的步骤。对磁共振对比度分类的选择依赖于脉冲序列类型分类。该方法还包括确定脉冲序列协议分类的步骤。该脉冲序列协议分类通过脉冲序列类型分类和磁共振对比度分类来确定。
附图说明
在下文中将仅以范例的方式并且参照附图来描述本发明的优选实施例，在附图中：
图1示出的流程图图示了根据本发明实施例的方法；
图2示出的流程图图示了根据本发明另外实施例的方法；
图3图示了根据本发明实施例的医学成像设备；
图4示出的示图图示了脉冲序列协议的分箱；
图5示出的示图将图4的方格分组为脉冲序列协议分类；以及
图6示出了根据本发明的实施例在显示器上显示的警告消息。
附图标记列表
300医学成像设备
302磁共振成像系统
304磁体
306磁体的膛
308成像区
310磁场梯度线圈
312磁场梯度线圈电源
314射频线圈
316收发器
318对象
320对象支撑
322解剖结构
324计算机系统
326硬件接口
328处理器
330用户接口
332计算机存储器
334计算机储存器
336选定的脉冲序列协议
338初始脉冲序列协议分类
340脉冲序列协议
342脉冲序列类型分类
344磁共振对比度分类
346脉冲序列协议分类
348磁共振数据
350磁共振图像
352图像数据库
354磁共振图像的集合
356图像的集合的图像分割
358解剖结构的比较
360分类特异的参数统计
362脉冲序列数据库
364脉冲序列协议分类标识符
366脉冲序列协议参数统计
368对脉冲序列协议的修改
370控制模块
372图像重建模块
374图像分割模块
376类型分类模块
378对比度分类模块
380协议分类模块
382图形用户接口模块
384解剖结构比较模块
386数据挖掘模块
390显示器
391图形用户接口
392参数调节器
393当前参数值
394期望范围
395警告消息
396纠正性修改
397数据录入选择器
400针对脉冲序列类型分类的分箱
402针对脉冲序列类型分类的分箱
404代表性脉冲序列协议
500脉冲序列协议分类
600图形用户接口
602脉冲序列协议名称/脉冲序列协议分类
604当前脉冲序列协议分类
606脉冲序列参数
608警告消息
610初始脉冲序列协议分类
612脉冲序列协议分类
614纠正消息
616纠正消息
具体实施方式
在这些附图中的类似编号的元件是相同的元件或者执行相同的功能。在功能相同的情况下，先前已经论述过的元件在后面的图中将不必要讨论。
图1示出的流程图图示了根据本发明实施例的方法。在步骤100中，接收脉冲序列协议。在步骤102中，针对该脉冲序列协议来确定脉冲序列类型分类。接着在步骤104中，使用该脉冲序列类型分类来确定磁共振对比度分类。最后在步骤106中，使用该脉冲序列类型分类和该磁共振对比度分类来确定脉冲序列协议分类。
图2示出的流程图图示了根据本发明另外实施例的方法。在步骤200中，接收具有初始脉冲序列协议分类的选定的脉冲序列协议。在步骤202中，接收对该初始脉冲序列协议的修改。例如，它们可能以包括修改的文件或者指令的形式被接收，或者该修改可从诸如图形用户接口的用户接口接收。接着在步骤204中，接收该经修改的选定脉冲序列协议作为脉冲序列协议。接着在步骤206中，针对该脉冲序列协议来确定脉冲序列类型分类。在步骤208中，使用该脉冲序列类型分类来确定磁共振对比度分类。在步骤210中，使用该脉冲序列类型分类和该磁共振对比度分类来确定脉冲序列协议分类。
接着在步骤212中，将该脉冲序列协议分类与该初始脉冲序列协议分类相比较。如果该两个不相同，那么执行步骤214。在步骤214中，确定纠正性的修改，该纠正性的修改可用于修改脉冲序列协议，使得脉冲序列协议分类与初始脉冲序列协议分类相同。然后也在显示器上显示这些纠正性的修改。接着在步骤216中，接收对脉冲序列协议的修改。在一些实例中该修改可以为空，也就是说，即使该脉冲序列协议分类已经改变，操作者也决定继续。在其他实施例中，纠正性的修改确实修改脉冲序列协议分类，使得其与初始脉冲序列协议分类相同。
接着在步骤218中，使用磁共振成像系统来采集磁共振数据。最后在步骤220中，从该磁共振数据来重建磁共振图像。备选地，如果脉冲序列协议分类与初始脉冲序列协议分类相同，那么从步骤212直接执行步骤218。同样，步骤218是磁共振数据的采集。在磁共振数据的采集之后，从该磁共振数据220重建磁共振图像。
图3示出的功能图图示了根据本发明实施例的医学成像设备300。该医学成像设备包括磁共振成像系统302。该磁共振成像系统包括磁体304。磁体304是具有穿过其中央的膛306的圆柱型超导磁体。图3中示出的磁体是圆柱型超导磁体304。该磁体具有包括超导线圈的液态氦冷却低温恒温器。也可能使用永磁体或者常导磁体。也可能使用不同类型的磁体，例如也可能使用分离圆柱形磁体以及所谓的开放式磁体两者。分离圆柱形磁体与标准的圆柱形磁体类似，除了低温恒温器被分为两部分以允许接近磁体的等值面，这种磁体可例如结合带电粒子束治疗来使用。开放式磁体具有两个磁体部分，一个在另一个之上并且中间具有足够大的空间以容纳对象；该两个部分区域的布置类似于亥姆霍兹线圈的布置。开放式磁体是受欢迎的，因为对象受到更少的限制。在圆柱形磁体的低温恒温器内部，具有一批超导线圈。在圆柱形磁体304的膛306之内具有成像区域308，在该处的磁场足够强和均匀以执行磁共振成像。
在磁体304的膛306之内也有一组磁场梯度线圈310。在该磁体膛之内也有一组磁场梯度线圈310，其用于采集磁共振数据以对该磁体304的成像区域308之内的磁自旋进行空间编码。磁场梯度线圈310与磁场梯度线圈电源312相连。磁场梯度线圈310旨在为代表性的。磁场梯度线圈310典型地包括用于在三个正交空间方向上进行空间编码的三个单独的线圈组。磁场梯度线圈电源312给磁场梯度线圈310提供电流。根据时间来控制提供给磁场梯度线圈310的电流，并且可是斜坡状的或者脉冲状的。
邻近成像区域的是射频线圈314，其用于操纵成像区域308之内的磁自旋的方向并且用于从同样是成像区域308之内的自旋接收无线电发射。射频线圈314可包括多个线圈元件。射频线圈314也可被称为通道或者天线。射频线圈314与射频收发器316连接。射频线圈314和射频收发器316可以由单独的发射和接收线圈以及单独的发射器和接收器来替代。可理解的是射频线圈314和射频收发器316是仅仅是代表性的。射频线圈旨在也代表专用发射天线和专用接收天线。同样，收发器也可代表单独的发射器和接收器。
对象318部分地位于成像区域308之内。可看到该对象318静卧在对象支撑320之上。在对象318之内是位于成像区域308之内的解剖结构322。
磁场梯度线圈电源312和收发器316被示为与计算机系统324的硬件接口326连接。计算机系统324还包括处理器328。处理器328与硬件接口326连接。处理器328使用硬件接口326来将命令发送到磁共振成像系统302以及从其接收命令。经由硬件接口326，处理器328能够控制磁共振成像系统302的操作和功能。处理器328被示为进一步地与用户接口330、计算机存储器332，以及计算机储存器334连接。
计算机存储器332被示为包括选定的脉冲序列协议336。计算机储存器也被示为包括关联到和/或附加到该选定的脉冲序列协议336的初始脉冲序列协议分类338。计算机存储器332还被示为包括脉冲序列协议340。脉冲序列协议340是选定的脉冲序列协议336的修改版本。计算机存储器332也被示为包括关联到或者附加到该脉冲序列协议340的脉冲序列类型分类342。计算机存储器332还被示为包括针对该脉冲序列协议340的磁共振对比度分类344。
计算机存储器332还被示为包括关联到和/或附加到脉冲序列协议340的脉冲序列协议分类346。计算机存储器332还被示为包括已经使用磁共振成像系统302采集的磁共振数据348。计算机存储器332还被示为包括已经从该磁共振数据348重建的磁共振图像350。计算机存储器332还被示为包括图像数据库352。该图像数据库352包括多个磁共振图像。计算机存储器332还被示为包括磁共振图像的集合354。它们可以例如是具有相同脉冲序列协议标识符的磁共振图像。计算机存储器332还被示为包括针对该磁共振图像的集合354的图像分割的集合356。
计算机存储器332还被示为包括针对使用图像的集合354的图像分割356的一个或多个解剖结构358的比较。计算机存储器332还被示为包括分类特异的参数统计360。该分类特异的参数统计360来源于图像数据库352。计算机存储器332还被示为包括脉冲序列数据库362。该脉冲序列数据库362用于包括脉冲序列或者脉冲序列协议的文件系统。计算机存储器332还被示为包括脉冲序列协议分类标识符。该脉冲序列协议分类标识符334是描述磁共振图像350的脉冲序列协议分类的元数据。该脉冲序列协议分类标识符在一些情况下可被附加到磁共振图像350。计算机存储器332被示为还包括脉冲序列协议参数统计366。该脉冲序列协议参数统计366包括对脉冲序列数据库362之内脉冲序列协议的统计学描述的至少一些。
计算机储存器334被示为包括用于由处理器328执行的计算机可执行指令。计算机储存器334包括控制模块370。控制模块370包括用于控制治疗装置300的操作和功能的计算机可执行代码。计算机储存器334被示为还包括图像重建模块372。该图像重建模块可包括用于将磁共振数据348重建为磁共振图像350的计算机可执行代码。计算机储存器334被示为还包括图像分割模块374。可以使用已知的和标准的图像分割算法及技术来实现该图像分割模块374。图像分割模块374可例如用于生成图像分割的集合356。其也可用于识别磁共振图像350中的解剖结构322。
计算机储存器334还包括类型分类模块376。类型分类模块376可用于从脉冲序列协议340生成脉冲序列类型分类342。计算机储存器334还被示为包括对比度分类模块378。对比度分类模块378可用于使用脉冲序列类型分类342和脉冲序列协议340来生成磁共振对比度分类344。计算机储存器334还被示为包括协议分类模块380。协议分类模块380包括用于使用磁共振对比度分类344、脉冲序列类型分类342和/或脉冲序列协议340来创建脉冲序列协议分类346的计算机可执行代码。
计算机储存器334还包括用于控制图形用户接口391的操作和功能的图形用户接口模块382。计算机储存器334还被示为包括解剖结构比较模块384。解剖结构比较模块384适于使用图像分割356以及生成解剖结构的比较358。计算机储存器334还被示为包括数据挖掘模块386。数据挖掘模块386包括用于研究脉冲序列数据库362和/或图像库352的计算机可执行代码。数据挖掘模块386因而可用于生成脉冲序列协议统计366和/或分类特异的参数统计360。
用户接口330的一部分是显示器390。显示器390正显示图形用户接口391。图形用户接口391具有用于调整脉冲序列协议340的各种参数的几个参数调整器392。值393指示当前参数值。值394指示当前参数值可能具有的期望范围。同样显示在图形用户接口391上的是警告消息395。该警告信息395指示操作者修改翻转角度。由396指示的数字范围构成了纠正性的修改。操作者然后具有了使用参数调整器392来调整翻转角度的选项。当操作者完成时，他或者她可点击连续数据录入选择器397。当它被点击时，生成对脉冲序列协议340的修改368。该修改368被示为存储在计算机存储器332中。
图4和5图形化地图示了如何执行确定脉冲序列协议分类的方法。4中的图形被分为一系列的分箱。在x-轴上具有针对脉冲序列类型分类所描述的参数的分箱。y-轴也被分为代表脉冲序列类型分类所描述的其他参数的一系列分箱。点404是脉冲序列协议。仅有一个点404被标记。图5示出了然后将该脉冲序列协议404分组，然后该分组被认定为脉冲序列协议分类500。
图6示出了根据本发明实施例的用于显示警告消息608的图形用户接口600。在该图形用户接口之内显示了脉冲序列协议名称602。在该情况下其为T1轴位扫描。邻近该脉冲序列协议名称602，显示了当前的脉冲序列协议分类604。在该情况下其为PDW-SE。显示了脉冲序列参数列表606。在这之下显示的是警告消息608。在警告消息608之内显示了初始脉冲序列协议分类610。在该情况下其为T1W-SE。同样在警告消息608之内的是当前脉冲序列协议分类612。这与604项的显示相同。同样在警告消息608之内的是纠正消息614，其指示TR或者时间重复设置导致分类从T1W-SE变化为PDW-SE。同样显示在脉冲序列参数606之内的是：TR参数被高亮并且纠正消息616也是如此。虽然已经在图中和前述描述中详细图示和描述了本发明，但是这种图示和描述被认为是说明性或者示例性的，而不是限制性的；本发明不限于所公开的实施例。
图形用户接口可用作磁共振协议编辑器。其可以例如在信息页上显示脉冲序列协议分类，并且（使用色彩或者粗体字）高亮脉冲序列协议分类608中由于操作者执行的参数变化而导致的变化。备选地，在对比度分类已经从原始的变化的情况下，可以向操作者显示确认框600。在优选的实施例中，在分类单元将当前分类612与初始分类610相比较并且确定具有区别的那一刻给出这一警报或者通知。在备选实施例中，在指定的用户交互时给出这一警报或者通知，例如当用户保存协议或者要求系统核查对比度变化时。
本领域技术人员通过研究附图、公开内容和所附权利要求，在实践要求保护的发明时，可以理解和实现对所公开实施例的其他变型。在权利要求中，措辞“包括”不排除其他元件或步骤，并且不定冠词“一”不排除多个。单个处理器或者其他单元可以实现权利要求中记载的几项功能。在互不相同的从属权利要求中记载了特定措施这一仅有事实，并不表示不能将这些措施的有利地组合。计算机程序可被存储/分布在适当的介质上，例如与其他硬件一起提供或者作为其他硬件一部分的光学存储介质或者固态介质，但是其也可能以其他形式分布，例如经由因特网或者其他有线或者无线的通信系统。在权利要求中的任何附图标记不应当被解释为是对范围的限制。
Claims (15)
1.一种医学成像设备(300)，其包括：
-磁共振成像系统(302)，其用于采集磁共振数据(348)；
-处理器(328)，其用于控制所述医学成像设备；
-储存器(334)，其包括用于由所述处理器执行的机器可执行指令(370，372，374，376，378，380，382，384，386)，其中，所述指令的执行控制所述处理器：
-接收(100，204)脉冲序列协议(340)，其中，所述脉冲序列协议包括控制所述磁共振成像系统采集所述磁共振数据的指令和设备协议参数；
-确定(102，206)所述脉冲序列协议的脉冲序列分类(342)；
-基于所确定的脉冲序列分类，确定(104，208)磁共振对比度分类(344)；并且
-基于所确定的脉冲序列分类和所确定的磁共振对比度分类，确定(106，210)脉冲序列协议分类(346)。
2.根据权利要求1所述的医学成像设备，其中，所述指令的执行还控制所述处理器：
-接收(200)具有初始脉冲序列协议分类(338)的选定脉冲序列协议(336)；并且
-接收(202)对所述选定脉冲序列协议的修改，其中，经修改的选定脉冲序列协议被接收作为所述脉冲序列协议。
3.如权利要求2所述的医学成像设备，其中，所述指令的执行还控制所述处理器：在所述脉冲序列协议分类与所述初始脉冲序列协议分类不一致时，在显示器(390)上显示警告消息(395，608)。
4.如权利要求2或3所述的医学成像设备，其中，所述指令的执行还控制所述处理器：
-在所述脉冲序列协议分类从所述初始脉冲序列协议分类改变时，确定对所述脉冲序列协议的纠正性修改(396)，其中，所确定的纠正性修改识别对所述脉冲序列协议的进一步修改，所述进一步修改将使所述脉冲序列协议分类返回至所述初始脉冲序列协议分类；并且
-在显示器(390)上显示纠正消息(614，616)，其中，所述纠正消息描述所确定的纠正性修改。
5.如权利要求2或3所述的医学成像设备，其中，所述指令的执行还控制所述处理器：
-在图形用户接口(391)上显示所述初始脉冲序列协议，使得所述图形用户接口与人接口设备(330)的操纵允许对所述初始脉冲序列协议的修改，其中，所述修改至少部分地从所述人接口设备接收；
-在所述图形用户接口上显示允许的修改(394)，所述允许的修改描述将使所述脉冲序列协议分类返回至所述初始脉冲序列协议分类的修改。
6.如权利要求2或3所述的医学成像设备，其中，所述指令的执行还控制所述处理器：
-使用所述磁共振成像系统根据所述脉冲序列协议来采集(216)所述磁共振数据；并且
-从所述磁共振数据重建(218)磁共振图像。
7.如权利要求6所述的医学成像设备，其中，所述指令的执行还控制所述处理器给所述磁共振图像附加脉冲序列协议分类标识符(364)。
8.如权利要求7所述的医学成像设备，其中，所述指令的执行还控制所述处理器确定磁共振图像的集合(354)，其中，所确定的磁共振图像的集合中的每个磁共振图像具有指示所述脉冲序列协议标识符的附加的脉冲序列协议标识符。
9.如权利要求8所述的医学成像设备，其中，所述指令的执行还控制所述处理器分割所述磁共振图像和所述磁共振图像的集合。
10.如权利要求9所述的医学成像设备，其中，所述指令的执行还控制所述处理器来识别经分割的磁共振图像与经分割的磁共振图像的集合(356)中的解剖结构(322)。
11.如权利要求7至10中任一项所述的医学成像设备，其中，所述指令的执行还控制所述处理器：
-访问包括磁共振图像的图像数据库(352)；并且
-计算描述所述数据库的分类特异的参数统计(360)，其中，所述分类由以下中的任一项定义：脉冲序列分类、磁共振对比度分类、脉冲序列协议分类、以及它们的组合，其中，所述参数是描述所述磁共振图像的图像特征。
12.如权利要求1所述的医学成像设备，其中，所述脉冲序列分类包括以下中的一项或多项：扫描类型、成像序列、扫描模式、快速成像模式、发射模式、扩散模式、动态模式、相位对比模式、并行成像模式、以及脂肪抑制。
13.如权利要求1所述的医学成像设备，其中，所述磁共振对比度分类包括以下中的一项或多项：回波时间、重复时间、反转延迟、翻转角度、扩散b值、以及体素尺寸。
14.一种操作医学成像设备(300)的装置，其中，所述医学成像设备包括用于采集磁共振数据(348)的磁共振成像系统(302)，其中，所述装置包括：
-用于接收(100，204)脉冲序列协议(340)的模块，其中，所述脉冲序列协议包括控制所述磁共振成像系统采集所述磁共振数据的指令和设备协议参数；
-用于确定(102，206)所述脉冲序列协议的脉冲序列分类(342)的模块；
-用于基于所确定的脉冲序列分类，确定(104，208)磁共振对比度分类(344)的模块；并且
-用于基于所确定的脉冲序列分类和所确定的磁共振对比度分类，确定(106，210)脉冲序列协议分类(346)的模块。
15.一种操作医学成像设备(300)的方法，其中，所述医学成像设备包括用于采集磁共振数据(348)的磁共振成像系统(302)，其中，所述方法包括以下动作：
-接收(100，204)脉冲序列协议(340)，其中，所述脉冲序列协议包括控制所述磁共振成像系统采集所述磁共振数据的指令和设备协议参数；
-确定(102，206)所述脉冲序列协议的脉冲序列分类(342)；
-基于所确定的脉冲序列分类，确定(104，208)磁共振对比度分类(344)；并且
-基于所确定的脉冲序列分类和所确定的磁共振对比度分类，确定(106，210)脉冲序列协议分类(346)。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP11156420.9 | 2011-03-01 | ||
| EP11156420 | 2011-03-01 | ||
| PCT/IB2012/050782 WO2012117314A1 (en) | 2011-03-01 | 2012-02-21 | Determination of a magnetic resonance imaging pulse sequence protocol classification |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103403568A CN103403568A (zh) | 2013-11-20 |
| CN103403568B true CN103403568B (zh) | 2016-06-29 |
Family
ID=45774292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201280011042.4A Expired - Fee Related CN103403568B (zh) | 2011-03-01 | 2012-02-21 | 对磁共振成像脉冲序列协议分类的确定 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US9523750B2 (zh) |
| EP (1) | EP2681577A1 (zh) |
| JP (1) | JP5987009B2 (zh) |
| CN (1) | CN103403568B (zh) |
| WO (1) | WO2012117314A1 (zh) |
Families Citing this family (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140040419A (ko) | 2012-09-26 | 2014-04-03 | 삼성전자주식회사 | 의료영상장치 및 그 제어방법 |
| DE102012220449B4 (de) * | 2012-11-09 | 2014-08-21 | Siemens Aktiengesellschaft | Verfahren und Magnetresonanzgerät zur automatisierten Klassifizierung einer Bildeigenschaft eines Magnetresonanzbildes |
| US10302732B2 (en) | 2013-12-02 | 2019-05-28 | Koninklijke Philips N.V. | Real-time adaptive physiology synchronization and gating for steady state MR sequences |
| EP3256871B1 (en) * | 2015-02-02 | 2019-04-03 | Koninklijke Philips N.V. | Metal artifact correction in magnetic resonance imaging |
| US10194829B2 (en) | 2015-07-07 | 2019-02-05 | Q Bio, Inc. | Fast scanning based on magnetic resonance history |
| US9958521B2 (en) * | 2015-07-07 | 2018-05-01 | Q Bio, Inc. | Field-invariant quantitative magnetic-resonance signatures |
| DE102015213910B4 (de) * | 2015-07-23 | 2019-01-17 | Siemens Healthcare Gmbh | Schrittweise Erstellung eines Messprotokolls einer medizinischen Bildgebungsvorrichtung |
| US9665734B2 (en) | 2015-09-12 | 2017-05-30 | Q Bio, Inc. | Uniform-frequency records with obscured context |
| CA3000740C (en) * | 2015-10-12 | 2022-09-06 | Groundprobe Pty Ltd | Slope stability lidar |
| US10964412B2 (en) | 2015-10-20 | 2021-03-30 | Q Bio, Inc. | Population-based medical rules via anonymous sharing |
| CN108450021B (zh) * | 2015-11-13 | 2022-05-24 | 皇家飞利浦有限公司 | 具有用户界面的磁共振检查系统 |
| KR20170064297A (ko) * | 2015-12-01 | 2017-06-09 | 삼성전자주식회사 | 의료 영상 장치 및 그 제어 방법 |
| KR101788742B1 (ko) | 2015-12-28 | 2017-10-20 | 삼성전자주식회사 | 자기 공명 영상 촬영을 위한 파라미터 정보 출력 방법 및 장치 |
| US10222441B2 (en) | 2016-04-03 | 2019-03-05 | Q Bio, Inc. | Tensor field mapping |
| US10359486B2 (en) | 2016-04-03 | 2019-07-23 | Q Bio, Inc. | Rapid determination of a relaxation time |
| DE102016220093A1 (de) * | 2016-10-14 | 2018-04-19 | Siemens Healthcare Gmbh | Bestimmen eines Aufnahmeparameters für ein bildgebendes Verfahren |
| CN107037386B (zh) * | 2016-11-01 | 2019-08-23 | 上海联影医疗科技有限公司 | 一种平面回波成像方法以及系统 |
| US10845444B2 (en) * | 2017-01-17 | 2020-11-24 | The General Hospital Corporation | System and method for magnetic resonance fingerprinting using neural networks trained with sparsely sampled dictionaries |
| US11650195B2 (en) | 2017-02-03 | 2023-05-16 | Q Bio, Inc. | Iterative medical testing of biological samples |
| US10936180B2 (en) | 2017-03-16 | 2021-03-02 | Q Bio, Inc. | User interface for medical information |
| DE102018205496A1 (de) * | 2018-04-11 | 2019-10-17 | Siemens Healthcare Gmbh | Verfahren zur Steuerung des Betriebs einer Medizintechnikeinrichtung, Bediengerät, Bediensystem, Medizintechnikeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger |
| EP3584596A1 (en) * | 2018-06-19 | 2019-12-25 | Koninklijke Philips N.V. | Tracking of image quality in magnetic resonance imaging |
| US11555874B2 (en) * | 2018-11-12 | 2023-01-17 | Case Western Reserve University | System and method for real-time magnetic resonance imaging data visualization in three or four dimensions |
| CN109431506B (zh) * | 2018-12-26 | 2022-07-05 | 上海联影医疗科技股份有限公司 | 医疗图像设备成像参数设置方法、装置、存储介质及设备 |
| KR102128990B1 (ko) * | 2019-02-13 | 2020-07-02 | 서울대학교 산학협력단 | Mri 데이터 변환 방법 및 이를 위한 장치 |
| US11354586B2 (en) | 2019-02-15 | 2022-06-07 | Q Bio, Inc. | Model parameter determination using a predictive model |
| US11360166B2 (en) | 2019-02-15 | 2022-06-14 | Q Bio, Inc | Tensor field mapping with magnetostatic constraint |
| US11416653B2 (en) * | 2019-05-15 | 2022-08-16 | The Mitre Corporation | Numerical model of the human head |
| US11614509B2 (en) | 2019-09-27 | 2023-03-28 | Q Bio, Inc. | Maxwell parallel imaging |
| CA3153503C (en) | 2019-09-27 | 2024-05-14 | Q Bio, Inc. | Maxwell parallel imaging |
| DE102019218156A1 (de) * | 2019-11-25 | 2021-05-27 | Siemens Healthcare Gmbh | Vergleichen von Protokollen von bildgebenden medizintechnischen Vorrichtungen |
| US11614508B1 (en) | 2021-10-25 | 2023-03-28 | Q Bio, Inc. | Sparse representation of measurements |
| US20230297646A1 (en) * | 2022-03-18 | 2023-09-21 | Change Healthcare Holdings, Llc | System and methods for classifying magnetic resonance imaging (mri) image characteristics |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0636342A1 (en) * | 1993-07-31 | 1995-02-01 | Shimadzu Corporation | Magnetic resonance imaging apparatus |
| CN1221113A (zh) * | 1997-11-12 | 1999-06-30 | 通用电器横河医疗系统株式会社 | 磁共振成象方法和设备 |
| CN1226415A (zh) * | 1998-02-20 | 1999-08-25 | 通用电气公司 | 用epi脉冲序列采集分段的mri心脏数据 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6275721B1 (en) | 1999-06-10 | 2001-08-14 | General Electriccompany | Interactive MRI scan control using an in-bore scan control device |
| US7051286B1 (en) | 2000-11-14 | 2006-05-23 | Siemens Aktiengesellschaft | Method for altering a protocol in a magnetic resonance apparatus |
| US6687527B1 (en) * | 2001-08-28 | 2004-02-03 | Koninklijke Philips Electronics, N.V. | System and method of user guidance in magnetic resonance imaging including operating curve feedback and multi-dimensional parameter optimization |
| WO2006119259A2 (en) * | 2005-04-29 | 2006-11-09 | Beth Israel Deaconess Medical Center, Inc. | Mri systems and related methods |
| JP2008200071A (ja) * | 2007-02-16 | 2008-09-04 | Toshiba Corp | Ｍｒｉ装置及び画像表示装置 |
| US7990140B2 (en) * | 2007-10-04 | 2011-08-02 | Kabushiki Kaisha Toshiba | MRI apparatus |
| JP5508697B2 (ja) | 2007-10-04 | 2014-06-04 | 株式会社東芝 | Ｍｒｉ装置 |
| JP5751738B2 (ja) * | 2007-12-07 | 2015-07-22 | 株式会社東芝 | 磁気共鳴イメージング装置 |
| CN101686810B (zh) * | 2008-03-03 | 2013-03-20 | 株式会社东芝 | 磁共振成像装置及摄像条件生成方法 |
| DE102008045277A1 (de) | 2008-09-01 | 2010-03-04 | Siemens Aktiengesellschaft | Verfahren zum Betrieb einer Magnetresonanzanlage |
| DE102009007045A1 (de) | 2009-02-02 | 2010-08-05 | Siemens Aktiengesellschaft | Verfahren zur Steuerung einer Magnetresonanzanlage und Magnetresonanzanlage |
-
2012
- 2012-02-21 EP EP12706709.8A patent/EP2681577A1/en not_active Withdrawn
- 2012-02-21 CN CN201280011042.4A patent/CN103403568B/zh not_active Expired - Fee Related
- 2012-02-21 JP JP2013555961A patent/JP5987009B2/ja not_active Expired - Fee Related
- 2012-02-21 WO PCT/IB2012/050782 patent/WO2012117314A1/en active Application Filing
- 2012-02-21 US US14/002,206 patent/US9523750B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0636342A1 (en) * | 1993-07-31 | 1995-02-01 | Shimadzu Corporation | Magnetic resonance imaging apparatus |
| CN1221113A (zh) * | 1997-11-12 | 1999-06-30 | 通用电器横河医疗系统株式会社 | 磁共振成象方法和设备 |
| CN1226415A (zh) * | 1998-02-20 | 1999-08-25 | 通用电气公司 | 用epi脉冲序列采集分段的mri心脏数据 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20130338930A1 (en) | 2013-12-19 |
| JP2014506823A (ja) | 2014-03-20 |
| CN103403568A (zh) | 2013-11-20 |
| US9523750B2 (en) | 2016-12-20 |
| EP2681577A1 (en) | 2014-01-08 |
| JP5987009B2 (ja) | 2016-09-06 |
| WO2012117314A1 (en) | 2012-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103403568B (zh) | 对磁共振成像脉冲序列协议分类的确定 | |
| EP3608871B1 (en) | Plane selection using localizer images | |
| CN110785674B (zh) | 医学成像系统、操作医学成像系统的方法及计算机可读介质 | |
| CN104603630B (zh) | 具有基于导航器的运动检测的磁共振成像系统 | |
| EP3740896B1 (en) | Tissue classification using image intensities and anatomical positions | |
| US11189367B2 (en) | Similarity determining apparatus and method | |
| EP3703007B1 (en) | Tumor tissue characterization using multi-parametric magnetic resonance imaging | |
| RU2734059C2 (ru) | Модификация параметров последовательности импульсов для магнитно-резонансной визуализации | |
| Tangaro et al. | Feature selection based on machine learning in MRIs for hippocampal segmentation | |
| KR20200060102A (ko) | 진단 영상을 생성하고, 디스플레이하는 자기 공명 영상 장치 및 그 동작 방법 | |
| Datta et al. | Brain tumor image pixel segmentation and detection using an aggregation of GAN models with vision transformer | |
| Peretzke et al. | atTRACTive: semi-automatic white matter tract segmentation using active learning | |
| CN111612762B (zh) | Mri脑肿瘤图像生成方法及系统 | |
| Al Khalil et al. | Heterogeneous virtual population of simulated CMR images for improving the generalization of cardiac segmentation algorithms | |
| US20230410315A1 (en) | Deep magnetic resonance fingerprinting auto-segmentation | |
| Zhou et al. | Learning stochastic object models from medical imaging measurements by use of advanced ambientgans | |
| US20230401822A1 (en) | Systems and methods for medical image analysis and classification | |
| EP4321890A1 (en) | Reconstruction parameter determination for the reconstruction of synthesized magnetic resonance images | |
| Khalil et al. | A Stratified Cascaded Approach for Brain Tumor Segmentation with the Aid of Multi-modal Synthetic Data | |
| Weiler et al. | An interactive ROI tool for DTI fiber tracking | |
| Shah | Automatic localization of anatomical landmarks in 2D MRI localizer sequence using deep convolutional neural network | |
| CN118805094A (zh) | 利用神经网络检测磁共振图像中的虚假结构 | |
| Tangaro et al. | Research Article Feature Selection Based on Machine Learning in MRIs for Hippocampal Segmentation | |
| CN117711576A (zh) | 用于提供医学报告的模板数据结构的方法和系统 | |
| Li et al. | Improving Accuracy of Automatic Hippocampus Segmentation in Routine MRI by Features Learned from Ultra-High Field MRI |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160629 |