CN103908256A - 用于支持多参数图像的获取的设备和方法 - Google Patents

用于支持多参数图像的获取的设备和方法 Download PDF

Info

Publication number
CN103908256A
CN103908256A CN201410001531.2A CN201410001531A CN103908256A CN 103908256 A CN103908256 A CN 103908256A CN 201410001531 A CN201410001531 A CN 201410001531A CN 103908256 A CN103908256 A CN 103908256A
Authority
CN
China
Prior art keywords
image
multiparameter
disease
patient
forming condition
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.)
Granted
Application number
CN201410001531.2A
Other languages
English (en)
Other versions
CN103908256B (zh
Inventor
李起龙
成英庆
李宗夏
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
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 Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN103908256A publication Critical patent/CN103908256A/zh
Application granted granted Critical
Publication of CN103908256B publication Critical patent/CN103908256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

提供一种用于支持多参数图像的获取的设备和方法。一种用于支持多参数MR图像的获取的设备包括：疾病选择器，被构造为基于病人信息选择病人的疑似疾病；图像选择器，被构造为基于磁共振成像模型确定与疑似疾病相应的多参数磁共振图像的成像条件的集合。

Description

用于支持多参数图像的获取的设备和方法
本申请要求于2013年1月2日提交到韩国知识产权局的第10-2013-0000301号韩国专利申请的权益，所述申请的全部公开为了全部目的通过引用而合并于此。
技术领域
以下描述涉及一种用于支持基于病人的特性的多参数磁共振（MR）图像的获取的设备和方法。
背景技术
磁共振成像（MRI）是在放射学中用于拍摄MR图像的医学成像技术。MR图像是通过利用核磁共振的现象而获得的身体横截面的图像。身体包括无数的质子（1H原子核），质子的自旋可通过吸收特定频率的电磁波而被翻转。因在正域内的电磁波的吸收和发射引起的质子的激发和弛豫被称作质子磁共振。MRI信号表示在弛豫期间从质子发射的电磁波。通过将来自分布于身体内的质子的MRI信号可视化而得到MR图像。存在用于拍摄MR图像的各种技术，并且不同成像参数和变量的选择会导致在具有不同的体组织之间的不同对比的图像。
可通过包括质子密度、T1（自旋-晶格弛豫时间）、T2(自旋-自旋弛豫时间)、磁化率、化学位移、化学交换、水分子的扩散和弹性的各种类型的对比来对MR图像加权。通过使用成像参数的特定集合来拍摄不同对比类型的图像。因此，可以使用如下的方法来获取身体的一个区域的很多不同对比的图像，其中，所述方法通过调整用于获得图像的权重和变量而获取多参数图像。
发明内容
提供此概要用于以简化形式介绍将在以下的具体实施方式中进一步描述的多种构思的选择。此概要即非意图表示所述申请的主题的关键特征或必要特征，也非意图用作帮助确定所述申请的主题的范围。
在一总体方面，提供一种用于支持多参数磁共振图像的获取的设备，所述设备包括：图像选择器，被构造为基于多参数MRI模型确定与疑似疾病相应的多参数MR图像的成像条件的集合。
所述设备的总体方面还可包括：疾病选择器，被构造为分析病人的信息以确定一个或更多个候选疾病，并基于每一个候选疾病的概率来选择病人的疑似疾病。
疾病选择器可包括：遗传信息分析器，被构造为基于疾病遗传信息使用疾病易感性模型来选择一个或更多个候选疾病。
疾病选择器可包括：电子病历（EMR）分析器，被构造为基于EMR信息使用疾病易感性模型来选择一个或更多个候选疾病。
疾病选择器可包括：诊断辅助信息分析器，被构造为使用基于由用户输入的诊断辅助信息来选择一个或更多个候选疾病。
图像选择器可被构造为通过基于多参数MRI模型确定多参数MR图像的位置、方向、距离、成像顺序和成像参数来确定成像条件的集合。
多参数MRI模型可包括对于每一个疾病的图像类型和成像顺序，多参数MRI模型通过分析对于每一个疾病的多参数MR图像的优先顺序而预先建立。
在另一总体方面，提供一种用于支持多参数MR图像的获取的设备，所述设备包括：诊断数据分析器，被构造为接收由计算机辅助诊断CAD系统通过分析捕捉的多参数MR图像而产生的诊断数据，并分析接收的诊断数据；图像调整器，被构造为根据接收的诊断数据的分析结果来确定对于与疑似疾病有关的多参数MR图像的成像条件的附加集合或调整对于与疑似疾病有关的多参数MR图像的成像条件的现有集合。
诊断数据分析器可被构造为实时地从CAD系统接收诊断数据。
诊断数据可包括：对于一个或更多个疾病易感染的身体区域和身体区域中的每一个的疾病易感性。
在另一总体方面，提供一种用于支持多参数MR图像的获取的设备，所述设备包括：疾病选择器，被构造为基于病人信息选择病人的疑似疾病；图像选择器，被构造为基于多参数MRI模型确定与疑似疾病相应的多参数MR图像的成像条件的集合；诊断数据分析器，被构造为接收由CAD系统通过分析基于确定的多参数MR图像的成像条件的集合而获取的多参数MR图像而产生的诊断数据，并分析接收的诊断数据；图像调整器，被构造为根据接收的诊断数据的分析结果来调整基于疑似疾病的多参数MR图像。
图像调整器可被构造为根据分析结果来确定对于与疑似疾病有关的多参数MR图像的成像条件的附加集合。
图像调整器可被构造为根据分析结果来调整对于与疑似疾病有关的多参数MR图像的成像条件的现有集合。
疾病选择器可被构造为根据分析结果选择附加疑似疾病，且图像选择器被构造为选择与附加疑似疾病有关的多参数MR图像的成像条件的集合。
病人信息可包括从包含遗传信息、EMR信息和由用户输入的诊断辅助信息的组中中选择的至少一个。
在另一总体方面，提供一种用于支持多参数MR图像的获取的设备，所述设备包括：图像选择器，被构造为基于病人医疗信息使用与医疗状况相关联的成像条件的数据库来选择多参数MR图像的成像条件的集合。
所述设备的总体方面还可包括：疾病选择器被构造为从病人医疗信息中确定病人的疑似疾病，其中，图像选择器被构造为基于病人的疑似疾病来选择成像条件的集合。
成像条件的集合可包括从包含用于拍摄多参数MR图像的位置、方向、距离、成像顺序和成像参数的组中选择的至少一个。病人医疗信息可包括从包含遗传信息、EMR信息、由用户输入的诊断辅助信息、来自CAD系统的诊断数据和病人的医学图像的组中选择的至少一个。
基于病人的先前医学图像可从CAD系统中获得病人的疑似疾病。
在另一总体方面，提供一种MRI设备，所述设备包括：成像单元，被构造为使用以上所述的用于支持多参数磁共振MR图像的获取的设备的图像选择器选择的成像条件的集合来获得病人的多参数MR图像。
在另一总体方面，提供一种用于支持多参数MR图像的获取的方法，所述设备包括：基于多参数MRI模型确定与病人的疑似疾病相应的多参数MR图像的成像条件的集合。
所述方法的总体方面还可包括：通过分析病人信息来确定一个或更多个候选疾病；基于候选疾病中的每一个的概率来选择病人的疑似疾病。
病人信息可包括遗传信息，且确定一个或更多个候选疾病的步骤包括：基于遗传信息使用疾病易感性模型来选择一个或更多个候选疾病。
病人信息可包括EMR信息，且确定一个或更多个候选疾病的步骤包括：基于EMR信息使用疾病易感性模型来确定一个或更多个候选疾病。
病人信息可包括由用户输入的诊断辅助信息，且确定一个或更多个候选疾病的步骤包括：基于诊断辅助信息确定一个或更多个候选疾病。
成像条件的集合可包括多参数MR图像的位置、方向、距离、成像顺序和成像参数中的至少一个。
多参数MRI模型可包括对于每一个疾病的图像类型和成像顺序，多参数MRI模型通过分析对于每一个疾病的多参数MR图像的优先顺序而预先建立。
在另一总体方面，提供一种用于支持多参数MR图像的获取的方法，所述方法包括：从CAD系统接收通过分析获取的多参数MR图像而获得的诊断数据，并分析诊断数据；根据诊断数据的分析结果，确定对于多参数MR图像的成像条件的附加集合或调整对于多参数MR图像的成像条件的现有集合。
接收诊断数据的步骤可包括：实时地从CAD系统接收诊断数据。
诊断数据可包括：对于一个或更多个疾病易感染的身体区域和身体区域中的每一个的疾病易感性。
在另一总体方面，提供了一种用于支持多参数MR图像的获取的方法，所述方法包括：基于病人信息选择病人的疑似疾病；基于多参数MRI模型确定与疑似疾病相应的多参数MR图像的成像条件的集合；从CAD系统接收通过分析多参数MR图像而获得的诊断数据，并分析诊断数据；基于诊断数据的分析结果来调整多参数MR图像。
调整多参数MR图像的步骤可包括：根据诊断数据的分析结果来确定对于与疑似疾病有关的多参数MR图像的成像条件的附加集合。
调整多参数MR图像的步骤可包括：根据诊断数据的分析结果来调整确定的对于与疑似疾病有关的多参数MR图像的成像条件的附加集合。
调整多参数MR图像的步骤可包括：根据诊断数据的分析结果来选择病人的附加疑似疾病并确定成像条件的附加集合。
选择附加疑似疾病的步骤可包括：根据诊断数据的分析结果,确定病人的附加疑似疾病；确定成像条件的附加集合的步骤包括：确定对于与附加疑似疾病有关的多参数MR图像的成像条件的集合。
病人信息可包括从包含遗传信息、EMR信息和由用户输入的诊断辅助信息的组中选择的至少一个。
在另一总体方面，提供一种用于提供多参数MR图像的获取的方法，所述方法包括：基于病人医疗信息使用存储在存储器中的数据库来选择多参数MR图像的成像条件的集合。
成像条件的集合可包括从包含用于拍摄多参数MR图像的位置、方向、距离、成像顺序和成像参数的组中选择的至少一个。病人医疗信息可包括从包含遗传信息、EMR信息、由用户输入的诊断辅助信息、来自CAD系统的诊断数据和病人的医学图像的组中选择的至少一个。
选择成像条件的集合的步骤可包括：基于病人医疗信息确定病人的疑似疾病，并基于疑似疾病选择成像条件的集合。
基于病人的先前医学图像可从CAD系统中获得病人的疑似疾病。
所述方法的总体方面还可包括：使用选择的成像条件的集合来获得病人的多参数MR图像；分析获得的病人的多参数MR图像以调整选择的成像条件的集合或选择成像条件的另一集合；使用调整的成像条件的集合或成像条件的另一集合来获得病人的另一多参数MR图像。
从具体实施方式、示图和权利要求中，其它特征和方面将变得清楚。
附图说明
图1是示出用于支持多参数MR图像的获取的设备的示例的框图；
图2A是示出用于支持多参数MR图像的获取的设备中的疾病选择器的示例的操作的示图；
图2B是示出用于支持多参数MR图像的获取的设备中的图像选择器的示例的操作的示图；
图3是示出用于支持多参数MR图像的获取的设备的另一示例的框图；
图4是示出输入到用于支持多参数MR图像的获取的设备的诊断数据的示例的示图；
图5是示出用于支持多参数MR图像的获取的设备的又一示例的框图；
图6是示出用于使用图1中显示的设备而支持多参数MR图像的获取的方法的示例的流程图；
图7是示出用于使用图3中显示的设备而支持多参数MR图像的获取的方法的示例的流程图；
图8是示出用于使用图5中显示的设备而支持多参数MR图像的获取的方法的示例的流程图。
贯穿附图和说明书，除非另有所述或提供，相同的附图标号将被理解为表示相同的元件、特征和结构。附图可不按比例缩放，并且为了清楚、示意和方便，在附图中的元件的相对尺寸、比例和描述可被夸大。
具体实施方式
提供以下详细描述以协助读者对描述于此的方法、设备和/或系统得到全面的理解。然而，对于本领域普通技术人员而言，在此描述的系统、设备和/方法的各种改变、修改和等同物将是清楚的。描述的处理步骤和/或操作的过程为示例；然而，除了必须按照特定顺序发生的步骤和/或操作之外，步骤和/或操作的顺序不限于在此阐述的，并可被改变为本领域已知的。此外，为了更加清楚和简洁，可省略对于本领域普通技术人员所公知的功能和结构的描述。
在此描述的特征可以以各种形式被实施，并且不理解为限于在此描述的示例。相反地，提供在此描述的示例使得本公开将是彻底且完整的，并将向本领域普通技术人员传达本公开的全部范围。
如上所述，可通过包括质子密度、T1（自旋-晶格弛豫时间）、T2(自旋-自旋弛豫时间)、磁化率、化学位移、化学交换、水分子的扩散和弹性的各种类型的对比对MR图像进行加权。通过使用成像参数的特定集合来拍摄不同对比类型的图像。因此，可以使用方法来获取身体的一个区域的很多不同对比的图像，其中，所述方法通过调整用于获得图像的权重和变量而获取多参数图像。
因此，MRI技术能够基于各种物理属性产生多参数图像，并且通过分析多参数图像还可提高准确诊断医疗状况的能力。然而，在具体问题具体分析的情况下，仍然基于试探艰难地确定用于对特定疾病拍摄MR图像的对比的最佳类型。
在下文中，将参照附图描述用于支持多参数MR图像的获取的设备和方法的各种示例。可使用与计算机辅助诊断（CAD）系统分开的硬件组件、软件组件或两者的组合来实现用于支持多参数MR图像的获取的方法和设备的示例。CAD系统通过执行医学图像的计算分析来辅助医师解释医学图像。然而，本公开不限于此。在一些示例中，用于支持多参数MR图像的获取的设备的硬件组件和软件组件可被共享为CAD的元件。
图1是示出用于支持多参数MR图像的获取的设备的示例的框图。
参照图1中示出的示例，用于支持多参数MR图像的获取的设备100包括疾病选择器110和图像选择器120。
疾病选择器110通过分析关于病人的信息来选择病人可能正在经受的疑似疾病。病人信息可包括由用户（诸如，医生）输入的遗传信息、电子病历（EMR）信息和诊断辅助信息。EMR信息是关于病人的计算机化的信息，诸如，个人信息、病史、健康状况、病历和住院记录。诊断辅助信息表示各种类型的信息，包括对于疾病易感染的身体区域、捕捉多参数MR图像的身体区域和在病人的检查期间由医师确定的成像条件的集合。
疾病选择器110还可包括遗传信息分析器111、EMR分析器112、诊断辅助信息分析器113、基于遗传信息的疾病易感性模型数据库114和基于EMR的疾病易感性模型数据库115。使用疾病选择器的以上构造，疾病选择器110可分析病人信息，并基于易感性的程度在一个或更多个候选疾病之中确定病人可能患有的疑似疾病。
如果病人的遗传信息输入到设备中，则遗传信息分析器111可通过使用基于遗传信息的疾病易感性模型数据库114来确定一个或更多个候选疾病。基于遗传信息的疾病易感性模型可被存储在基于遗传信息的疾病易感性模型数据库114中。基于遗传信息的疾病易感性模型数据库114可被存储在非暂时性计算机可读记录介质或存储器中。基于遗传信息的疾病易感性模型是与多个病人的分析的遗传信息与这些病人的诊断的疾病之间的相关性有关的预先建立的模型。基于遗传信息的疾病易感性模型可包括候选疾病和基于视觉信息将被计算出的候选疾病中的每一个的概率。遗传信息分析器111可在其它候选疾病中选择最高可能性的疾病，并可计算选择的疾病会存在于病人中的概率。
如果病人的EMR信息输入到用于支持多参数MR图像的获取的设备中，则EMR分析器112可参照基于EMR信息的疾病易感性模型数据库115选择一个或更多个候选疾病，从而选择病人可能经受的疑似疾病。基于EMR信息的疾病易感性模型是通过分析多个病人的EMR信息而已经预先建立的模型，并且该模型存储在基于EMR信息的疾病易感性模型数据库115中。
如果用户（诸如，医生）将疑似身体区域或疑似疾病输入为诊断辅助信息，则诊断辅助信息分析器113可分析诊断辅助信息从而确定一个或更多个候选疾病。
如果在全部候选疾病中，特定候选疾病满足预定标准，则疾病选择器110可将该特定候选疾病选择为病人可能经受的疑似疾病。此时，预定标准可以是50%或者更高的概率，并且可按照概率的递减顺序将三个候选疾病选择为疑似疾病。可选地，可将由用户输入的或从CAD系统获得的候选疾病选择为在其它候选疾病之前的疑似疾病。举例来说，CAD系统可通过分析病人的先前医学图像（诸如，X-射线或MR图像）将疑似疾病提供给疾病分析器。
通过使用多参数MRI模型，图像选择器120可确定与疑似疾病相应的多参数MR图像的成像条件的集合。也就是说，图像选择器120可基于多参数MRI模型，通过确定多参数MR图像的位置、方向、距离、成像顺序和成像参数中的至少一个来确定与疑似疾病相应的多参数MR图像的成像条件的集合。此时，多参数MRI模型包括对于每一个疾病的图像类型和成像顺序，多参数MRI模型通过分析对于每一个疾病的多参数MR图像的优先顺序而已经被建立。此外，多参数MRI模型可包括基于疾病的多参数MR图像的细节和成像顺序，并且可存储在多参数MRI模型数据库130中。
可选地，图像选择器120可在没有确定疑似疾病的情况下基于病人医疗信息来确定多参数MR图像的成像条件的设置。例如，图像选择器120可在没有确定疑似疾病的情况下基于病人医疗信息（诸如，由用户输入的辅助诊断信息、易感染的身体区域或疑似病变的检测或在病人的先前医学图像中的异常）来确定成像条件的设置。
图2A示出用于支持多参数MR图像的获取的设备中的疾病选择器的示例的操作。
如果病人的遗传信息输入到用于支持多参数MR图像的获取的设备中，则遗传信息分析器111可使用存储在基于遗传信息的疾病易感性模型数据库114中的基于遗传信息的疾病易感性模型来确定候选疾病A、B、C和D以及病人具有候选疾病A、B、C和D中的每一个的概率。图2A示出具有在身体的不同位置处可发生的倾向的候选疾病A、B、C和D。例如，候选疾病A、B、C和D可以是不同类型的癌症，而遗传信息可包括对于某些类型的癌症增加病人的易感性的遗传信息。表1提供病人具有候选疾病A、B、C和D的概率性。
表1
候选疾病 可能性
D 94%
C 42%
A 16%
B 11%
如果遗传信息分析器111确定如表1中所示的病人患有遗传疾病A、B、C和D的概率，则疾病选择器110可基于预定标准将候选疾病D选择为病人的疑似疾病。例如，预定标准可以是具有50%或更高的概率。在此示例中，病人患有候选疾病D的可能性高于50%。
图2B示出可被用于获得多参数MR图像的成像条件的多个集合的候选。
通过使用存储在多参数MRI模型数据库130中的多参数MRI模型，图像选择器120可确定与疑似疾病D相应的多参数MR图像的成像条件的集合。也就是说，如图2B中所示，图像选择器120可通过确定多参数MR图像的位置、方向、距离、成像顺序和成像参数来确定对于与疑似疾病有关的一个或更多个多参数MR图像MPI_1、MPI_2、MPI_3和MPI_4中的每一个的成像条件的集合。
由图像选择器120选择的一个或更多个成像条件的集合可被存储在成像准备图像信息数据库（未示出）中。成像装置可基于存储在成像准备图像信息数据库（未示出）的成像条件的集合来捕捉多参数MR图像，将捕捉的多参数MR图像发送到计算机辅助诊断（CAD）系统，请求CAD系统分析捕捉的多参数MR图像并将捕捉的多参数MR图像存储在捕捉完成图像信息数据库（未示出）中。CAD系统可分析由成像装置获取的多参数MR图像，从而产生诊断数据。
成像准备图像信息数据库（未示出）和成像完成图像信息数据库（未示出）可被包括在成像装置中。然而，本公开不限于此，相反，成像准备图像信息数据库（未示出）和成像完成图像信息数据库（未示出）可被包括在附加的CAD系统或用于支持多参数MR图像的获取的装置100中。
图3是示出用于支持多参数MR图像的获取的设备的另一示例的框图。
参照图3，用于支持多参数MR图像的获取的设备300可包括诊断数据分析器310和图像调整器320。
诊断数据分析器310从CAD系统接收病人的诊断数据31,并分析诊断数据31。当成像装置捕捉与病人可能经受的疑似疾病有关的多参数MR图像并将捕捉的多参数图像发送到CAD系统时，CAD系统可分析捕捉的多参数图像，产生诊断数据31并将诊断数据31发送到诊断数据分析器310。诊断数据31可包括：一个或更多个候选疾病、对于候选疾病中的每一个的易感染的身体区域和候选疾病中的每一个的可能性。可实时地从CAD系统发送诊断数据31。
如果接收到诊断数据31，则诊断数据分析器310可分析包含在诊断数据31中的一个或更多个候选疾病以及候选疾病中的每一个的概率，然后可确定对于与疑似疾病有关的多参数MR图像的成像环境的附加集合，或者选择附加疑似疾病。
例如，如图4中所示，CAD系统可分析由成像装置针对对于疑似疾病D易感染的身体区域1捕捉的第一多参数MR图像MPI-1，并产生诊断数据。在此示例中，如果对于疑似疾病D易感染的身体区域2也满足例如具有50%或更高的疾病易感性的预定标准，则诊断数据分析器310可确定需要选择身体区域2的附加多参数MR图像。在另一示例中，如果对于疾病C易感染的身体区域1和身体区域2中的任意一个满足预定标准，则诊断数据分析器310可确定需要选择疾病C作为附加疑似疾病。
基于来自诊断数据分析器310的分析结果，图像调整器320可确定对于与病人的疑似疾病有关的多参数MR图像的成像条件的附加集合，或可调整其成像条件的现有集合。
可将成像条件的附加集合或成像装置的调整的集合发送到成像装置，以存储在成像准备图像信息数据库中。由于可实时地确定成像条件的附加集合，所以在用于支持多参数MR图像的获取的设备的一个示例中，可在拍摄第一多参数MR图像MPI-1之后不将病人从MRI装置移除的情况下，获得病人的附加图像。然而，本发明不限于此。
图5是示出用于支持多参数MR图像的获取的设备的又一示例的框图。
以上参照图1到图4已经描述了用于支持多参数MR图像的获取的设备的示例。在下文中，将描述用于支持多参数MR图像的获取的设备的另一示例。为了简洁，将省略与在图1到图4中所示的设备的示例中相同的各种特征的描述。
参照图5，用于支持多参数MR图像的获取的设备500可包括疾病选择器510、图像选择器520、诊断数据分析器530和图像调整器540。
如以上参照图1所述，疾病选择器510通过分析病人信息选择病人可能经受的疑似疾病。
一旦疾病选择器510选择了病人的疑似疾病，则图像选择器520可基于已经预先建立的多参数MRI模型来确定与疑似疾病相应的多参数MR图像的成像条件的集合。
对于与疑似疾病有关的多参数MR图像的成像条件的选择的集合可被存储在捕捉设备（诸如，MRI扫描仪）的成像准备图像信息数据库中。如果成像装置参照成像准备图像信息数据库来捕捉病人的多参数MR图像，然后将捕捉的多参数MR图像发送到CAD系统，则CAD系统可分析获取的多参数MR图像，从而产生诊断数据31。
诊断数据分析器530可从CAD系统接收诊断数据31，分析诊断数据31，然后确定是否选择病人可能经受的附加疑似疾病，或者确定是否确定对于与现有疑似疾病有关的多参数MR图像的成像条件的附加集合，或者确定是否调整对于与现有疑似疾病有关的多参数MR图像的成像条件的现有集合。
基于来自诊断数据分析器530的分析结果，图像调整器540可调整与疑似疾病有关的多参数MR图像的成像条件。也就是说，根据来自诊断数据分析器530的分析结果，图像调整器540可确定对于与现有疑似疾病有关的多参数MR图像的成像条件的附加集合，或调整由图像选择器520确定的对于与现有疑似疾病有关的多参数MR图像的成像条件的现有集合。
可选地，如果诊断数据分析器530分析诊断数据31，然后确定需要选择的病人可能经受的附加疑似疾病。如果疾病选择器510选择了附加疑似疾病，则图像选择器520可确定对于与附加疑似疾病有关的多参数MR图像的成像条件的集合。
如果图像选择器520选择了与附加疑似疾病有关的多参数MR图像，或者如果图像调整器540确定了对于与现有疑似疾病有关的MRI多参数图像的成像条件的附加集合或调整了与现有疑似疾病有关的MRI多参数图像的成像条件的现有集合，则结果信息可被反映在成像装置的成像准备图像信息数据库中。如果成像装置参照在存储了结果信息的成像准备图像信息数据库来捕捉多参数MR图像，则CAD系统可产生病人的诊断数据并将该诊断数据发送到诊断数据分析器530中。
因此，当捕捉到病人的多参数MR图像时，设备500能够立即利用从CAD系统接收的诊断数据31和关于特定病人的信息，所述关于特定病人的信息包括针对该病人的遗传信息、EMR信息和诊断辅助信息。以这种方式，设备500能快速地获取具有较高优先顺序的多参数MR图像，从而可提高诊断的准确度。
图6是示出用于使用图1中示出的设备的示例的支持多参数MR图像的获取的方法的流程图。在下文中，将参照图6描述用于使用设备100来支持多参数MR图像的获取的方法。此外，为了简洁，此处可省略在以上已经参照图1和图2B提供的任何描述。
参照图6，在操作610中，设备100分析关于病人的信息并选择病人可能经受的疑似疾病。例如，选择疑似疾病的操作可包括：通过分析病人信息来确定一个或更多个候选疾病的操作和通过疾病选择器110基于确定的候选疾病中的每一个的概率性来选择疑似疾病的操作。
在确定一个或更多个候选疾病的操作中，设备100可使用已经被预先建立的模型来确定一个或更多个候选疾病。例如，该模型可使用多个病人和健康人的遗传信息而被建立。在另一示例中，如以上参照图1中所述，该模型可基于多个病人和健康人的EMR信息而被预先建立。可选地，如果由医生输入包括基于病人的检查的被怀疑的疾病的诊断辅助信息，则设备100将该疾病确定为候选疾病。
在操作620中，设备100可基于多参数MRI模型确定与疑似疾病相应的多参数MR图像的成像条件的集合。如图2B中所示，设备100可通过基于多参数MRI模型确定多参数MR图像的位置、方向、距离、成像顺序和成像参数来确定与疑似疾病相应的多参数MR图像的成像条件的集合。
图7是示出用于使用图3中示出的设备的示例来支持多参数MR图像的获取的方法的流程图。在下文中，参照图7，将描述用于使用设备300来支持多参数MR图像的获取的方法。此外，为了简洁，可省略在以上已经参照图3和图4提供的任何描述。
参照图7，在操作710中，设备300从CAD系统接收诊断数据。诊断数据可以是由CAD系统通过分析与病人可能经受的疑似疾病有关的多参数MR图像而获得的结果。设备300可分析接收的诊断数据。如以上参照图3中所述，CAD可实时地将诊断数据发送到设备300。
在操作720中，基于接收的诊断数据的分析的结果，设备300可确定对于与现有疑似疾病有关的多参数MR图像的成像条件的附加集合或调整对于与现有疑似疾病有关的多参数MR图像的成像条件的现有集合。
成像条件的附加集合或成像条件的调整的集合可被存储在成像装置中。如果成像装置基于成像条件的附加集合或调整的集合而获得附加多参数MR图像，则CAD系统可分析由成像装置捕捉的附加多参数MR图像。此外，可将由CAD系统产生的诊断数据发送到设备300，从而可提高诊断的准确度。
图8是示出用于使用图5中示出的设备支持多参数MR图像的获取的方法的示例的流程图。在下文中，参照图8，将描述用于使用设备500支持多参数MR图像的获取的方法。此外，为了简洁，可省略在以上已经参照图5提供的任何描述。
参照图8，在操作810中，设备500分析关于病人的信息。病人信息可包括已经由医生直接输入的病人的遗传信息、EMR信息和诊断辅助信息。响应于接收到遗传信息、EMR信息或诊断辅助信息，设备500可分析接收到的信息，从而确定一个或更多个候选疾病。
在操作820中，设备500在候选疾病之中选择病人可经受的疑似疾病。可基于候选疾病中的每一个的概率来选择疑似疾病。
接下来，一旦选择了疑似疾病，则在操作830中设备500基于已经预先建立的多参数MRI模型来确定与疑似疾病相应的多参数MR图像的成像条件的集合。将对于多参数MR图像的确定的成像条件的集合发送到成像装置。
在操作840中，成像装置捕捉病人的多参数MR图像，并将捕捉的多参数MR图像发送到CAD系统。
作为响应，CAD系统分析接收的多参数MR图像并产生诊断数据。在操作850中，设备500从CAD系统接收诊断数据并分析诊断数据。CAD系统可实时地将诊断数据发送到设备500，并且当确定是否选择对于病人的附加疑似疾病或是否确定对于与在操作820中选择的疑似疾病有关的多参数MR图像的成像条件的附加集合时，在设备500中可使用该诊断数据。
接下来，如果在操作860中确定需要选择附加疑似疾病，则设备500可顺序地重复操作820、830、840、850和860。
可选地，如果在操作860中确定不需要选择附加疑似疾病，则在操作870中，设备500可对于与在操作820中选择的疑似疾病有关的多参数MR图像，确定是否确定成像条件的附加集合或调整在操作830中确定的成像条件的现有集合。
如果在操作870中设备500确定需要确定成像条件的附加集合或需要调整成像条件的现有集合，则在操作880中，确定成像条件的附加集合或调整成像条件的现有结合。
如果确定了成像条件的附加集合或调整了成像条件的现有集合，则设备500可顺序地重复操作840、850、860、870和880以基于成像条件的附加集合或成像条件的调整的集合来捕捉附加多参数MR图像。
如果CAD完成了它对于捕捉的病人的多参数MR图像的分析，或者如果用户请求终止诊断处理，则设备500可终止诊断处理。否则，设备500可在操作890中等待直到接收到在CAD系统中通过分析病人的另一多参数MR图像而获得的诊断数据。
在一个示例中，如果设备500选择了附加疑似疾病，确定了对于与现有疑似疾病有关的多媒体MR图像的成像条件的附加集合，或调整了成像条件的现有集合，则结果信息可被立即反映在成像装置中以选择附加疑似疾病或捕捉附加多参数MR图像。也就是说，设备500可基于包含在从CAD系统接收的诊断数据中的成像条件的集合捕捉多参数MR图像，从而可以准确地选择病人可患有的疑似疾病并可以获取与疑似疾病有关的更准确的多参数MR图像。
以上描述了用于支持MR图像的获取的方法和设备的各种示例。在一个示例中，提供一种用于支持MR图像的获取的设备，所述设备包括：疾病选择器，被构造为分析关于病人的信息以选择病人可能正在经受的疑似疾病；图像选择器，被构造为基于多参数MRI模型确定与疑似疾病相应的多参数MR图像的成像条件的集合。疾病选择器可分析关于病人的信息而进行确定，从而确定一个或更多个候选疾病，并基于所述候选疾病中的每一个的概率来选择疑似疾病。疾病选择器可包括遗传信息分析器，该遗传信息分析器被构造为使用基于病人的遗传信息而已经预先建立的疾病易感性模型来选择一个或更多个候选疾病。疾病选择器可包括EMR分析器，该EMR分析器被构造为使用基于病人的EMR信息而已经预先建立的疾病易感性模型来选择一个或更多个候选疾病。疾病选择器可包括诊断辅助信息分析器，该诊断辅助分析器被构造为使用基于由用户输入的诊断辅助信息来选择一个或更多个候选疾病。图像选择器可通过基于多参数MRI模型确定多参数MR图像的位置、方向、距离、成像顺序和成像参数来确定成像条件的集合。多参数MRI模型可以是通过分析对于每一个疾病的多参数MR图像的优先顺序而已经被建立的包括对于每一个疾病的图像类型和成像顺序的模型。
用于支持MR图像的获取的设备的另一示例可包括：诊断数据分析器，被构造为接收CAD系统通过分析与病人可能经受的疑似疾病有关的多参数MR图像而产生的诊断数据，并分析接收的诊断数据；图像调整器，被构造为根据来自诊断数据分析器的分析结果来确定对于与疑似疾病有关的多参数MR图像的成像条件的附加集合或调整对于与疑似疾病有关的多参数MR图像的成像条件的现有集合。
诊断数据分析器可实时地从CAD系统接收诊断数据。诊断数据可包括：分别对于一个或更多个疾病易感染的身体区域和每一个身体区域的疾病易感性。
用于支持MR图像的获取的设备的另一示例可包括：疾病选择器，被构造为分析关于病人的信息，从而选择病人可能经受的疑似疾病；图像选择器，被构造为基于多参数MRI模型确定与疑似疾病相应的多参数MR图像的成像条件的集合；诊断数据分析器，被构造为接收CAD系统通过分析基于确定的多参数MR图像的成像条件的集合而获取的多参数MR图像而产生的诊断数据，并分析接收的诊断数据；图像调整器，被构造为根据来自诊断数据分析器的分析结果来调整与疑似疾病有关的多参数MR图像。
图像调整器可根据分析结果来确定对于与疑似疾病有关的多参数MR图像的成像条件的附加集合。图像调整器可被构造为根据分析结果来调整对于与疑似疾病有关的多参数MR图像的成像条件的现有集合。疾病选择器可根据分析结果选择病人可能经受的附加疑似疾病，而图像选择器选择与附加疑似疾病有关的多参数MR图像的成像条件的集合。关于病人的信息可包括病人的遗传信息、EMR信息和由用户输入的诊断辅助信息中的至少一个。
还提供了用于支持MR图像的获取的方法的示例。所述示例可包括：通过分析关于病人的信息来选择病人可能经受的疑似疾病，并基于多参数MRI模型确定与疑似疾病相应的多参数MR图像的成像条件的集合。疑似疾病的选择的步骤可包括：通过分析关于病人的信息来确定一个或更多个候选疾病；基于候选疾病中的每一个的概率来选择疑似疾病。一个或更多个候选疾病的确定的步骤可包括：基于根据遗传信息而已经建立的疾病易感性模型来选择一个或更多个候选疾病。一个或更多个候选疾病的确定的步骤可包括：基于根据EMR文件而已经建立的疾病易感性模型来确定一个或更多个候选疾病。一个或更多个候选疾病的确定的步骤可包括：基于由用户输入的诊断辅助信息来确定一个或更多个候选疾病。
多参数MR图像的选择的步骤可包括确定多参数MR图像的位置、方向、距离、成像顺序和成像参数中的至少一个。多参数MRI模型可包括对于每一个疾病的图像类型和成像顺序，多参数MRI模型通过分析对于每一个疾病的多参数MR图像的优先顺序而已经建立。
用于支持多参数MR图像的获取的方法的另一示例可包括：从CAD系统接收分析获得的适合于病人可能经受的疑似疾病的多参数MR图像的结果的诊断数据，并分析诊断数据；根据诊断数据的分析结果，确定对于多参数MR图像的成像条件的附加集合或调整对于多参数MR图像的成像条件的现有集合。诊断数据的分析的步骤可包括：实时地从CAD系统接收诊断数据。诊断数据可包括：分别对于一个或更多个疾病易感染的身体区域和每一个身体区域的疾病易感性。
用于支持多参数MR图像的获取的方法的另一示例可包括：通过分析关于病人的信息来选择病人可能经受的疑似疾病；基于多参数MRI模型确定与疑似疾病相应的多参数MR图像的成像条件的集合；从CAD系统接收作为分析多参数MR图像的结果的诊断数据，并分析接收的诊断数据；基于诊断数据的分析结果来调整与疑似疾病相应的多参数MR图像。多参数MR图像的调整的步骤可包括根据诊断数据的分析结果来确定对于与疑似疾病有关的多参数MR图像的成像条件的附加集合。
多参数MR图像的调整的步骤可包括根据诊断数据的分析结果来调整确定的对于与疑似疾病有关的多参数MR图像的成像条件的附加集合。附加疑似疾病的选择的步骤可包括：根据关于病人的信息的分析结果,确定病人的附加疑似疾病；成像条件的集合的确定的步骤包括：确定对于与附加疑似疾病有关的多参数MR图像的成像条件的集合。
关于病人的信息可包括关于病人的遗传信息、EMR信息和由用户输入的诊断辅助信息中的至少一个。
可使用硬件组件来实现描述于此的设备、单元、选择器和分析器。硬件组件可包括例如，控制器、传感器、处理器、发生器、驱动器和其它等同的电子组件。可使用一个或更多个通用计算机或专用计算机（诸如，处理器、控制器和算术逻辑单元、数字信号处理器、微型计算机、现场可编程阵列、可编程逻辑单元、微型处理器或能够以限定的方式响应并执行指令的任何其它装置）来实现硬件组件。硬件组件可运行操作系统（OS）和运行在OS上的一个或更多个软件应用。硬件组件也可响应于软件的执行来访问、存储、操控、处理和创建数据。为了简单起见，使用单数来描述处理装置。然而，本领域技术人员将理解：处理装置可包括多个处理元件和多种类型的处理元件。例如，硬件组件可包括多个处理器或一个处理器以及控制器。此外，可具有不同的处理构造（诸如，并行处理器）。
以上描述的方法可被编写为用于独立地或共同地指示或构造处理装置以期望地进行操作的计算机程序、一段代码、指令或它们的组合。可在任何类型的机器、组件、物理或虚拟装备、计算机存储介质或能够将指令或数据提供给处理装置或由处理装置解释的装置中永久地或临时地实施软件和数据。所述软件也可被分布在联网的计算机系统上，使得按照分布方式来存储并执行所述软件。具体地，所述软件和数据可被一个或更多个非暂时性计算机可读记录介质存储。
介质也可包括单独的或与所述程序指令组合的数据文件、数据结构等。非暂时性计算机可读记录介质可包括任何可存储随后可被计算机系统或处理装置读出的数据的数据存储装置。非暂时性计算机可读记录介质的示例包括：只读存储器（ROM）、随机存取存储器（RAM）磁介质、光盘只读存储器（CD-ROM)、磁带、USB、软盘、硬盘、光学介质介质（例如，CD-ROM或DVD）和PC接口（例如，PCI、PCI-express、WiFi等）。描述于此的数据库可被存储在非暂时性计算机可读记录介质或存储器中。此外，本发明所属领域的普通程序员可基于示图的流程图和框图以及在此提供的它们相应的描述来理解用于实现在此公开的示例的功能程序、代码和代码段。
虽然本公开包括特定示例，但是对于本领域普通技术人员将清楚的是：可以在不脱离由权利要求限定的本发明的精神和范围的情况下，对其做出形式上和细节上的各种改变。因此，描述于此的示例仅在描述意义上考虑，而非为了限制的目的。在每个示例中的特征或方面的描述将被理解为可被应用于在其它示例中的相似特征或方面。如果按照不同顺序执行描述的技术，和/或如果按照不同方式组合在描述的系统、架构、装置或电路中的组件和/或由其它组件或其等同物来替代或补充在描述的系统、架构、装置或电路中的组件，则可实现适当的结果。因此，本公开的范围并非由具体实施方式限制而是由权利要求和它们的等同物所限定，并且在权利要求和它们的等同物的范围内的所有变化将被解释为包含在本公开中。

Claims (41)

1.一种用于支持多参数磁共振MR图像的获取的设备，所述设备包括：
图像选择器，被构造为基于多参数MRI模型确定与病人的疑似疾病相应的多参数MR图像的成像条件的集合。
2.如权利要求1所述的设备，还包括：疾病选择器，被构造为分析病人信息以确定一个或更多个候选疾病，并基于候选疾病中的每一个的概率来选择病人的疑似疾病。
3.如权利要求2所述的设备，其中，疾病选择器包括：遗传信息分析器，被构造为基于疾病遗传信息使用疾病易感性模型来选择一个或更多个候选疾病。
4.如权利要求2所述的设备，其中，疾病选择器包括：电子病历EMR分析器，被构造为基于EMR信息使用疾病易感性模型来选择一个或更多个候选疾病。
5.如权利要求2所述的设备，其中，疾病选择器包括：诊断辅助信息分析器，被构造为基于由用户输入的诊断辅助信息来选择一个或更多个候选疾病。
6.如权利要求1所述的设备，其中，图像选择器被构造为通过基于多参数MRI模型确定多参数MR图像的位置、方向、距离、成像顺序和成像参数中的至少一个，来确定成像条件的集合。
7.如权利要求1所述的设备，其中，多参数MRI模型包括对于每一个疾病的图像类型和成像顺序，多参数MRI模型通过分析对于每一个疾病的多参数MR图像的优先顺序而预先建立。
8.一种用于支持多参数磁共振MR图像的获取的设备，所述设备包括：
诊断数据分析器，被构造为接收由计算机辅助诊断CAD系统通过分析捕捉的多参数MR图像而产生的诊断数据，并分析接收的诊断数据；
图像调整器，被构造为根据接收的诊断数据的分析结果来确定对于与疑似疾病有关的多参数MR图像的成像条件的附加集合或调整对于与疑似疾病有关的多参数MR图像的成像条件的现有集合。
9.如权利要求8所述的设备，其中，诊断数据分析器被构造为实时地从CAD系统接收诊断数据。
10.如权利要求8所述的设备，其中，诊断数据包括：对于一个或更多个疾病易感染的身体区域和身体区域中的每一个的疾病易感性。
11.一种用于支持多参数磁共振MR图像的获取的设备，所述设备包括：
疾病选择器，被构造为基于病人信息选择病人的疑似疾病；
图像选择器，被构造为基于多参数MRI模型确定与疑似疾病相应的多参数MR图像的成像条件的集合；
诊断数据分析器，被构造为接收由计算机辅助诊断CAD系统通过分析基于确定的多参数MR图像的成像条件的集合而获取的多参数MR图像而产生的诊断数据，并分析接收的诊断数据；
图像调整器，被构造为根据接收的诊断数据的分析结果来调整基于疑似疾病的多参数MR图像。
12.如权利要求11所述的设备，其中，图像调整器被构造为根据分析结果来确定对于与疑似疾病有关的多参数MR图像的成像条件的附加集合。
13.如权利要求11所述的设备，其中，图像调整器被构造为根据分析结果来调整对于与疑似疾病有关的多参数MR图像的成像条件的现有集合。
14.如权利要求11所述的设备，其中，疾病选择器被构造为根据分析结果选择附加疑似疾病，并且图像选择器被构造为选择与附加疑似疾病有关的多参数MR图像的成像条件的集合。
15.如权利要求11所述的设备，其中，病人信息包括从包含遗传信息、电子病历EMR信息和由用户输入的诊断辅助信息的组中选择的至少一个。
16.一种用于支持多参数磁共振MR图像的获取的设备，所述设备包括：
图像选择器，被构造为基于病人医疗信息使用与医疗状况相关联的成像条件的数据库来选择多参数MR图像的成像条件的集合。
17.如权利要求16所述的设备，还包括：
疾病选择器，被构造为从病人医疗信息中确定病人的疑似疾病；
其中，图像选择器被构造为基于病人的疑似疾病来选择成像条件的集合。
18.如权利要求16所述的设备，其中，成像条件的集合包括从包含用于拍摄多参数MR图像的位置、方向、距离、成像顺序和成像参数的组中选择的至少一个，
病人医疗信息包括从包含遗传信息、电子病历EMR信息、由用户输入的诊断辅助信息、来自计算机辅助诊断CAD系统的诊断数据和病人的医学图像的组中选择的至少一个。
19.如权利要求16所述的设备，其中，基于病人的先前医学图像从计算机辅助诊断CAD系统获得病人的疑似疾病。
20.一种磁共振成像MRI设备，所述设备包括：
成像单元，被构造为使用由权利要求16所述的用于支持多参数磁共振MR图像的获取的设备的图像选择器选择的成像条件的集合来获得病人的多参数MR图像。
21.一种用于支持多参数磁共振MR图像的获取的方法，所述方法包括：
基于多参数MRI模型确定与病人的疑似疾病相应的多参数MR图像的成像条件的集合。
22.如权利要求21所述的方法，还包括：
通过分析病人信息来确定一个或更多个候选疾病；
基于候选疾病中的每一个的概率来选择病人的疑似疾病。
23.如权利要求22所述的方法，其中，病人信息包括遗传信息，
确定所述一个或更多个候选疾病的步骤包括：基于遗传信息使用疾病易感性模型来选择所述一个或更多个候选疾病。
24.如权利要求22所述的方法，其中，病人信息包括电子病历EMR信息，
确定所述一个或更多个候选疾病的步骤包括：基于EMR信息使用疾病易感性模型来确定所述一个或更多个候选疾病。
25.如权利要求22所述的方法，其中，病人信息包括由用户输入的诊断辅助信息，
确定所述一个或更多个候选疾病的步骤包括：基于诊断辅助信息确定所述一个或更多个候选疾病。
26.如权利要求21所述的方法，其中，成像条件的集合包括多参数MR图像的位置、方向、距离、成像顺序和成像参数中的至少一个。
27.如权利要求21所述的方法，其中，多参数MRI模型包括对于每一个疾病的图像类型和成像顺序，多参数MRI模型通过分析对于每一个疾病的多参数MR图像的优先顺序而预先建立。
28.一种用于支持多参数磁共振MR图像的获取的方法，所述方法包括：
从计算机辅助诊断CAD系统接收通过分析获取的多参数MR图像而获得的诊断数据，并分析诊断数据；
根据诊断数据的分析结果，确定对于多参数MR图像的成像条件的附加集合或调整对于多参数MR图像的成像条件的现有集合。
29.如权利要求28所述的设备，其中，接收诊断数据的步骤包括：实时地从CAD系统接收诊断数据。
30.如权利要求28所述的方法，其中，诊断数据包括：对于一个或更多个疾病易感染的身体区域和身体区域中的每一个的疾病易感性。
31.一种用于支持多参数磁共振MR图像的获取的方法，所述方法包括：
基于病人信息选择病人的疑似疾病；
基于多参数MRI模型确定与疑似疾病相应的多参数MR图像的成像条件的集合；
从计算机辅助诊断CAD系统接收通过分析多参数MR图像而获得的诊断数据，并分析诊断数据；
基于诊断数据的分析结果来调整多参数MR图像。
32.如权利要求31所述的方法，其中，调整多参数MR图像的步骤包括：根据诊断数据的分析结果来确定对于与疑似疾病有关的多参数MR图像的成像条件的附加集合。
33.如权利要求31所述的方法，其中，调整多参数MR图像的步骤包括：根据诊断数据的分析结果来调整确定的对于与疑似疾病有关的多参数MR图像的成像条件的集合。
34.如权利要求31所述的方法，其中，调整多参数MR图像的步骤包括：根据诊断数据的分析结果来选择病人的附加疑似疾病并确定成像条件的附加集合。
35.如权利要求34所述的方法，其中，选择附加疑似疾病的步骤包括：根据诊断数据的分析结果,确定病人的附加疑似疾病；
确定成像条件的附加集合的步骤包括：确定对于与附加疑似疾病有关的多参数MR图像的成像条件的集合。
36.如权利要求31所述的方法，其中，病人信息包括从包含遗传信息、电子病历EMR信息和由用户输入的诊断辅助信息的组中选择的至少一个。
37.一种用于支持多参数磁共振MR图像的获取的方法，所述方法包括：基于病人医疗信息使用存储在存储器中的数据库来选择多参数MR图像的成像条件的集合。
38.如权利要求37所述的方法，其中，成像条件的集合包括从包含用于拍摄多参数MR图像的位置、方向、距离、成像顺序和成像参数的组中中选择的至少一个，
病人医疗信息包括从包含遗传信息、电子病历EMR信息、由用户输入的诊断辅助信息、来自计算机辅助诊断CAD系统的诊断数据和病人的医学图像的组中选择的至少一个。
39.如权利要求37所述的方法，其中，选择成像条件的集合的步骤包括：基于病人医疗信息确定病人的疑似疾病，并基于疑似疾病选择成像条件的集合。
40.如权利要求39所述的方法，其中，基于病人的先前医学图像从计算机辅助诊断CAD系统获得病人的疑似疾病。
41.如权利要求37所述的方法，还包括：
使用选择的成像条件的集合来获得病人的多参数MR图像；
分析获得的病人的多参数MR图像以调整选择的成像条件的集合或选择成像条件的另一集合；
使用调整的成像条件的集合或成像条件的另一结合来获得病人的另一多参数MR图像。
CN201410001531.2A 2013-01-02 2014-01-02 用于支持多参数图像的获取的设备和方法 Active CN103908256B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020130000301A KR20140088434A (ko) 2013-01-02 2013-01-02 환자별 특성을 기반으로 한 ｍｒｉ 다변수 영상 획득 지원 장치 및 방법
KR10-2013-0000301 2013-01-02

Publications (2)

Publication Number Publication Date
CN103908256A true CN103908256A (zh) 2014-07-09
CN103908256B CN103908256B (zh) 2019-05-31

Family

ID=50028745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410001531.2A Active CN103908256B (zh) 2013-01-02 2014-01-02 用于支持多参数图像的获取的设备和方法

Country Status (5)

Country Link
US (1) US9928589B2 (zh)
EP (1) EP2752783A3 (zh)
JP (1) JP2014131741A (zh)
KR (1) KR20140088434A (zh)
CN (1) CN103908256B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808906A (zh) * 2014-10-27 2016-07-27 三星Sds株式会社 患者个人特性的分析方法及其装置
CN107408143A (zh) * 2014-12-16 2017-11-28 L.I.A.迪朱塞佩·卡帕索公司 适于采用诊断适当性标准来确定用于识别病变的诊断试验的最佳顺序的医疗鉴别诊断装置

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10603007B2 (en) 2009-11-27 2020-03-31 Qview Medical, Inc. Automated breast ultrasound equipment and methods using enhanced navigator aids
US9826958B2 (en) 2009-11-27 2017-11-28 QView, INC Automated detection of suspected abnormalities in ultrasound breast images
US10251621B2 (en) 2010-07-19 2019-04-09 Qview Medical, Inc. Automated breast ultrasound equipment and methods using enhanced navigator aids
US9439621B2 (en) 2009-11-27 2016-09-13 Qview, Medical Inc Reduced image reading time and improved patient flow in automated breast ultrasound using enchanced, whole breast navigator overview images
US11213220B2 (en) 2014-08-11 2022-01-04 Cubisme, Inc. Method for determining in vivo tissue biomarker characteristics using multiparameter MRI matrix creation and big data analytics
US9922433B2 (en) 2015-05-29 2018-03-20 Moira F. Schieke Method and system for identifying biomarkers using a probability map
US10853449B1 (en) 2016-01-05 2020-12-01 Deepradiology, Inc. Report formatting for automated or assisted analysis of medical imaging data and medical diagnosis
EP3479350A4 (en) 2016-07-01 2020-08-19 Cubisme, Inc. SYSTEM AND METHOD FOR PRODUCING A HIGH RESOLUTION BIOMARKER MAP IMAGE
US10169869B2 (en) * 2016-12-08 2019-01-01 Siemens Healthcare Gmbh Imaging sequence control using automated determination of findings
WO2018195501A2 (en) 2017-04-21 2018-10-25 Cubisme, Inc. System and method for creating, querying, and displaying a miba master file
US10692602B1 (en) 2017-09-18 2020-06-23 Deeptradiology, Inc. Structuring free text medical reports with forced taxonomies
US10496884B1 (en) 2017-09-19 2019-12-03 Deepradiology Inc. Transformation of textbook information
US10499857B1 (en) * 2017-09-19 2019-12-10 Deepradiology Inc. Medical protocol change in real-time imaging
EP3901964A1 (en) 2020-04-22 2021-10-27 Siemens Healthcare GmbH Intelligent scan recommendation for magnetic resonance imaging
WO2023092319A1 (zh) * 2021-11-24 2023-06-01 中国科学院深圳先进技术研究院 一种基于波浪式梯度的磁共振多对比度参数成像方法
JP2024514994A (ja) 2022-03-21 2024-04-04 タイロスコープ インコーポレーテッド 画像検証方法、それを実行する診断システム、及びその方法が記録されたコンピューター読取可能な記録媒体
KR102459723B1 (ko) * 2022-03-21 2022-10-27 주식회사 타이로스코프 이미지 검증 방법, 그를 수행하는 진단 시스템 및 그를 수행하는 방법이 기록된 컴퓨터로 판독가능한 기록매체

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076724A (zh) * 2004-04-14 2007-11-21 美国医软科技公司 肝病诊断系统，方法和图形用户界面
US20080097186A1 (en) * 2006-10-19 2008-04-24 Esaote S.P.A. System for determining diagnostic indications
CN101169863A (zh) * 2006-09-25 2008-04-30 株式会社东芝 检查项目选定装置、检查项目选定方法及检查项目选定程序
US20090006132A1 (en) * 2007-06-29 2009-01-01 General Electric Company Patient-specific electronic medical record and method for making same
CN101617227A (zh) * 2006-11-30 2009-12-30 纳维哲尼克斯公司 遗传分析系统和方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020097902A1 (en) * 1993-09-29 2002-07-25 Roehrig Jimmy R. Method and system for the display of regions of interest in medical images
JP2000262479A (ja) * 1999-03-17 2000-09-26 Hitachi Ltd 健康診断方法及びその実施装置並びにその処理プログラムを記録した媒体
US6690961B1 (en) * 2000-05-12 2004-02-10 Toshiba America Mri, Inc. Apparatus and method for transition between fluoro-mode and diagnostic mode magnetic resonance imaging
US7490085B2 (en) * 2002-12-18 2009-02-10 Ge Medical Systems Global Technology Company, Llc Computer-assisted data processing system and method incorporating automated learning
CN100421619C (zh) 2004-08-30 2008-10-01 株式会社东芝 磁共振诊断装置
JP4820601B2 (ja) 2004-08-30 2011-11-24 株式会社東芝 磁気共鳴診断装置
US8073214B2 (en) * 2007-05-14 2011-12-06 Siemens Aktiengesellschaft Computer aided lesion assessment in dynamic contrast enhanced breast MRI images
JP5044330B2 (ja) 2007-08-31 2012-10-10 株式会社東芝 医用画像処理装置及び医用画像処理システム
EP2232444B1 (en) 2007-12-20 2011-10-12 Wisconsin Alumni Research Foundation Method for dynamic prior image constrained image reconstruction
JP5208542B2 (ja) 2008-02-29 2013-06-12 富士フイルム株式会社 放射線画像撮影システム
JP5582739B2 (ja) 2008-09-09 2014-09-03 株式会社東芝 磁気共鳴イメージング装置および磁気共鳴イメージング装置の制御方法
US8208703B2 (en) 2008-11-05 2012-06-26 Toshiba Medical Systems Corporation Medical image analysis apparatus and image analysis control program
US8198891B2 (en) 2009-06-15 2012-06-12 General Electric Company System, method, and apparatus for magnetic resonance RF-field measurement
TWI387445B (zh) * 2009-09-17 2013-03-01 Univ Nat Taiwan 得到一影像生物指標的方法、病況預測方法、病況預測裝置及電腦程式產品
WO2012096109A1 (ja) 2011-01-11 2012-07-19 株式会社 東芝 画像診断装置、画像診断方法、医用画像サーバ及び医用画像保存方法
US20140153795A1 (en) * 2012-11-30 2014-06-05 The Texas A&M University System Parametric imaging for the evaluation of biological condition

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076724A (zh) * 2004-04-14 2007-11-21 美国医软科技公司 肝病诊断系统，方法和图形用户界面
CN101169863A (zh) * 2006-09-25 2008-04-30 株式会社东芝 检查项目选定装置、检查项目选定方法及检查项目选定程序
US20080097186A1 (en) * 2006-10-19 2008-04-24 Esaote S.P.A. System for determining diagnostic indications
CN101617227A (zh) * 2006-11-30 2009-12-30 纳维哲尼克斯公司 遗传分析系统和方法
US20090006132A1 (en) * 2007-06-29 2009-01-01 General Electric Company Patient-specific electronic medical record and method for making same

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808906A (zh) * 2014-10-27 2016-07-27 三星Sds株式会社 患者个人特性的分析方法及其装置
CN105808906B (zh) * 2014-10-27 2018-05-11 三星Sds株式会社 患者个人特性的分析方法及其装置
CN107408143A (zh) * 2014-12-16 2017-11-28 L.I.A.迪朱塞佩·卡帕索公司 适于采用诊断适当性标准来确定用于识别病变的诊断试验的最佳顺序的医疗鉴别诊断装置

Also Published As

Publication number Publication date
EP2752783A3 (en) 2017-03-22
CN103908256B (zh) 2019-05-31
US20140185900A1 (en) 2014-07-03
US9928589B2 (en) 2018-03-27
EP2752783A2 (en) 2014-07-09
KR20140088434A (ko) 2014-07-10
JP2014131741A (ja) 2014-07-17

Similar Documents

Publication Publication Date Title
CN103908256A (zh) 用于支持多参数图像的获取的设备和方法
US11085984B2 (en) Tensor field mapping
CN110391014B (zh) 利用使用深度学习的序列预测的医学图像采集方法和系统
US10359486B2 (en) Rapid determination of a relaxation time
CN110140042B (zh) 张量场映射
JP5553972B2 (ja) 電子医療記録影響データ取得、処理および表示システムおよび方法
CN109924978B (zh) 借助医学图像数据组表征检查对象内的干扰物体
Lavdas et al. Fully automatic, multiorgan segmentation in normal whole body magnetic resonance imaging (MRI), using classification forests (CF s), convolutional neural networks (CNN s), and a multi‐atlas (MA) approach
CN109754447A (zh) 图像生成方法、装置、设备和存储介质
US20170156630A1 (en) System and method for adaptive and patient-specific magnetic resonance imaging
Runge et al. Comparison of interobserver agreement of magnetic resonance elastography with histopathological staging of liver fibrosis
Littooij et al. Whole‐body MRI‐DWI for assessment of residual disease after completion of therapy in lymphoma: A prospective multicenter study
US20070133851A1 (en) Method and apparatus for selecting computer-assisted algorithms based on protocol and/or parameters of an acquisistion system
KR20200077852A (ko) 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법
Hall et al. Diffusion in hierarchical systems: A simulation study in models of healthy and diseased muscle tissue
JP2018526657A (ja) 場に対して不変で定量的な磁気共鳴シグネチャ
Liu et al. Histogram analysis of stretched‐exponential and monoexponential diffusion‐weighted imaging models for distinguishing low and intermediate/high gleason scores in prostate carcinoma
CN103729540A (zh) 用于捕捉医学图像的方法和设备
US10663547B2 (en) Automatic detection and setting of magnetic resonance protocols based on read-in image data
Geng et al. Automated MR image prescription of the liver using deep learning: Development, evaluation, and prospective implementation
CN112990266B (zh) 多模态脑影像数据处理的方法、装置、设备及存储介质
CN109214451A (zh) 一种脑部异常的分类方法及设备
WO2020056196A1 (en) Fully automated personalized body composition profile
Cai et al. Image quality assessment on CT reconstruction images: Task-specific vs. general quality assessment
Shen et al. Automated segmentation of biventricular contours in tissue phase mapping using deep learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant