CN107865658B - 用于修正合成电子密度图的方法和设备 - Google Patents
用于修正合成电子密度图的方法和设备 Download PDFInfo
- Publication number
- CN107865658B CN107865658B CN201710858354.3A CN201710858354A CN107865658B CN 107865658 B CN107865658 B CN 107865658B CN 201710858354 A CN201710858354 A CN 201710858354A CN 107865658 B CN107865658 B CN 107865658B
- Authority
- CN
- China
- Prior art keywords
- density map
- image
- image data
- electron
- soft
- 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
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 91
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims description 58
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 94
- 210000004872 soft tissue Anatomy 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims description 32
- 230000005855 radiation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract 1
- 210000000746 body region Anatomy 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 238000001959 radiotherapy Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000005611 electricity Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000002285 radioactive effect Effects 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002710 external beam radiation therapy Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- RGCLLPNLLBQHPF-HJWRWDBZSA-N phosphamidon Chemical compound CCN(CC)C(=O)C(\Cl)=C(/C)OP(=O)(OC)OC RGCLLPNLLBQHPF-HJWRWDBZSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- 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
- G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
- G01R33/4812—MR combined with X-ray or computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明基于：基于至少一个MR图像数据组确定合成电子密度图，且在合成电子密度图中确定至少一个软组织图像结构和骨图像结构。发明人认识到在合成电子密度图和在MR图像数据组中在骨图像结构和软组织图像结构之间存在强对比度，因此能将骨图像结构和软组织图像结构与MR图像数据组中的相应结构比较。发明人还认识到，对于照射计划足够的是，仅区分骨图像结构和软组织图像结构，因为在患者的骨图像结构内或在软组织图像结构内的电子密度差异对于照射计划可忽略。因此，对于在身体体积内拍摄的放射剂量的确定，基本上仅需确定身体体积属于软组织区域还是骨区域。由此，可通过基于比较修正第一软组织图像结构和/或骨图像结构确定合成电子密度图。
Description
技术领域
背景技术
在放射治疗(Radiotherapie)中以电离辐射照射患者的组织部分，以改变组织部分或包含组织部分的环境。在此，已知包括从身体外部照射患者的身体的外部放射治疗。也已知通过包括放射性物质的放射源的内部放射治疗。此放射源被引入到患者身体内，以在患者身体内局部地损坏或毁坏组织部分。
已知通过成像医疗方法计划和/或监测放射源。为此，通常基于患者的医疗图像数据组完成放射计划。通常为此优选地使用计算机断层图像数据组(简称为CT图像数据组)。根据CT图像数据组可一方面确定照射的目标体积且另一方面定位周围的对于放射敏感的组织。此外，图像数据的体素的强度值(以所谓的“Hounsfield单位”测量)以很好的近似分别描述了在患者身体内相应的位置处的电子密度，因为体素的强度值基于在所属的位置处对于X光辐射的吸收。如此，CT图像数据组可特别简单地换算为电子密度图中的照射计划。因为在照射中照射的相互作用横截面以身体内的电子密度正地修正，所以可从CT图像数据组相对简单地计算照射在通过身体时的削弱。
此外已知将带有更好的软组织对比度的成像方法使用在照射计划中，以实现对于目标器官和/或风险器官的更好的识别。此方法是通过磁共振设备的磁共振图像数据组(简称为MR图像数据组)的拍摄。因为MR图像数据组的图像对比度典型地不具有与电子密度的物理关系，所以由此不可直接断定电子密度且因此直接断定患者体内的光子削弱。例如，在通常的MR对比度中骨区域和空气区域不显示信号且在MR图像数据组中被显示为黑，虽然所述骨区域和空气区域具有不同的电子密度且因此具有不同的光子削弱。为计划放射治疗，因此已知除MR图像数据组外确定CT数据组，所述CT数据组提供了带有放射治疗所需的精度的电子密度。但在此必须考虑到患者的不同的位置和患者解剖结构在两个检查之间的改变(例如，由于吸入空气导致的体积改变)。此外，必须预备例如CT设备和被保护的操作人员的相应的资源且使其可供使用。
近年来的发展建议仅将MR图像数据组用于照射计划，且省去拍摄附加的CT图像数据组(仅基于磁共振的照射计划，英语为“MR-Only Radiotherapy Planning”，简称为MRORTP)，且确定不使用被检查的患者的CT图像数据组的合成电子密度图。照射计划和剂量计算所需的合成电子密度图目前为止仅可使用大的算法成本且有缺陷地从MR图像数据组确定。
从文献WO 2015/171056 A1中已知，基于MR图像数据组确定合成电子密度图。为此首先将MR图像数据组分割，此外通过应用基于分割的MR图像数据组的变换(例如，配准)将已事先已知的电子密度图转换为合成电子密度图。
发明内容
因此，本发明的任务是提供用于修正合成电子密度图的方法。
此任务通过根据本发明的方法、通过根据本发明的计算单元以及通过根据本发明的计算机可读取的介质以及通过根据本发明的磁共振设备解决。
在下文中将在所要求的设备以及所要求的方法方面描述此任务的根据本发明的解决方法。在此，已提及的特点、优点或替代的实施形式也转移到另外地要求的对象，且反之亦然。换言之，对象要求(例如针对设备的要求)也可扩展以结合方法描述或要求的特点。方法的相应的功能特点在此通过相应的对象模块形成。
根据本发明的用于确定修正的合成电子密度图的方法包括基于至少一个MR图像数据组确定患者的第一合成电子密度图和基于第一合成电子密度图确定至少一个第一软组织图像结构和/或至少一个第一骨结构。此外，根据本发明的方法包括将来自第一合成电子密度图的第一软组织图像结构和/或第一骨图像结构与MR图像数据组中的相应的图像结构进行比较。本发明人已认识到通过此比较可特别有效地确定在确定第一合成电子密度图时的误差，因为在合成电子密度图以及在MR图像数据组中都存在在骨图像结构和软组织图像结构之间的强的对比度，且因此MR图像数据组可用作合成电子密度图的参考。此外，根据本发明的方法包括通过基于比较来修正第一软组织图像结构和/或第一骨图像结构来确定修正的合成电子密度图。本发明人此外已认识到特别地对于照射计划足够的是，仅区分骨图像结构和软组织图像结构，因为在患者的骨区域内或在软组织区域的内电子密度图的差异对于放射治疗是可忽略的。因此，对于确定在身体体积内接收的放射剂量基本上仅需确定身体体积属于软组织区域还是属于骨区域。由此可通过基于该比较对第一软组织图像结构和/或骨图像结构的修正来确定修正的合成电子密度图。
根据本发明的另外的方面，第一合成电子密度图通过磁共振-计算机断层图集(MR-CT-Atlas)确定。MR-CT-图集是MR图像数据组、所属的相同的患者的相同的身体区域的CT图像数据组以及选择地所属的配准的组合。本发明人已认识到通过MR-CT-图集确定第一合成电子密度图具有的优点是不需要附加的以MR装置的成像(例如，以特殊的序列)，且因此可降低患者的检查时间。此外，因此通过CT成像可分辨的、患者的骨区域内的电子密度的变化在确定第一合成电子密度图时可被考虑。
根据本发明的另外的方面，第一软组织图像结构和/或第一骨图像结构的比较通过结果图像进行，所述结果图像通过第一软组织图像结构和/或第一骨图像结构与MR图像数据组的组合确定。结果图具有高的信息密度且允许非常快地识别在第一合成电子密度图的第一软组织图像结构和/或第一骨图像结构与MR图像数据组的相应的结构之间的差异。此外，已知用于图像识别和处理的许多自动的和全自动的方法，所述方法可基于结果图像用于比较。结果图像可以是三维显示，但结果图像也可以是二维显示。二维显示可例如由通过三维图像数据组的截面产生。此外，结果图像也可以是多个图像并排和/或重叠的显示。
根据本发明的另外的方面，结果图像包括MR图像数据组，其中第一软组织图像结构的至少一个部分和/或第一骨图像结构的至少一个部分在MR图像数据组中显示。在MR图像数据组内直接显示的优点是比较可仅基于MR图像数据组或可仅基于来自MR图像数据组的图像实现。作为结果的更高的信息密度实现了通过操作人员的更快且更精确的比较。显示可特别地实现为使得属于第一软组织图像结构和/或属于骨图像结构的像素或体素在MR图像中被标记。此像素或体素的标记可例如通过唯一的颜色值实现，所述颜色值不同于已使用在MR数据组显示中的颜色值。此外，标记可通过颜色板实现，这通过将软组织图像结构或骨图像结构的像素颜色或体素颜色根据合成电子密度图中的像素值和体素值从颜色板确定来实现。特别地，颜色板的所有颜色值可与已使用在MR图像数据组的显示中的颜色值不同。
根据本发明的另外的方面，作为第一软组织图像结构和/或第一骨图像结构的部分，显示在MR图像数据组中的图像结构的至少边沿。因为图像结构的边沿总是可不被结果图像中的像素或体素覆盖地在结果图像中显示，所以此类显示的优点是在结果图像中除第一图像结构外同时可在所有像素或体素中显示MR图像数据组的完全的对比度信息。二维图像结构的边沿在此是界定图像结构的一维的线，三维图像结构的边沿是界定图像结构的二维的表面。
根据本发明的另外的方面，第一软组织图像结构和/或第一骨图像结构与MR图像数据组中的相应的图像结构的比较通过各图像结构的几何参数实现。根据几何参数的比较的优点是在可测量的量、特别是数量和/或向量之间可进行比较。这特别地对于自动或全自动的比较是有利的。几何参数可特别地涉及三维图像结构的体积、表面积和/或弯曲参数。几何参数可特别地涉及二维图像结构的面积、界定轮廓的长度和/或弯曲参数。二维图像可从三维图像通过截面或投影确定。此外，几何参数也可涉及图像结构的位置。
根据本发明的另外的方面，第一软组织图像结构和/或第一骨图像结构与MR图像数据组中相应的图像结构的比较可通过自学习系统实现。使用自学习系统的优点是比较不基于使用者的可能的主观印象。与非自学习系统相比，自学习系统的优点是比较中涉及操作人员或专业人员不视作相关的参数。自学习方法基于数据库，所述数据库至少含有MR图像数据组、所属的第一合成电子密度图(输入数据组)以及所属的用于合成电子密度图与所属的MR图像数据组的一致性的质量的参数(质量参数、输出数据组)。质量参数可特别地涉及数字，但质量参数也可特别地涉及二元值。根据本发明的另外的方面，修正的合成电子密度图的确定基于数据库自学习地进行，所述数据库至少包含MR图像数据组、所属的第一合成电子密度图以及所属的修正的合成电子密度图。使用自学习系统的优点是修正的合成电子密度图的确定不基于使用者的可能的主观印象。与非自学习系统相比，自学习系统的优点是在确定修正的合成电子密度图中涉及操作人员或专业人员不视作相关的参数。特别地，作为输入数据组可使用MR图像数据组和第一合成电子密度图，作为输出数据组可使用修正的合成电子密度图。自学习系统的训练可特别地通过如下数据组实现，即在所述数据组中操作人员基于MR图像数据组和第一合成电子密度图已确定所属的修正的合成电子密度图。
根据本发明的另一个方面，然后通过使用修正的合成电子密度图确定患者体内的目标体积的基于放射的处理的计划(放射计划)。在此有利的是放射计划仅基于患者的MR图像数据组被确定。因此不需要使用如CT拍摄的另外的成像方法。目标体积可特别地是肿瘤。照射计划在此特别地从数据库加载和/或通过计划程序建立。照射计划包括特别地对于放射设备的设置，以此可执行目标体积的照射。在通过直线加速器外部照射目标体积的情况中，照射计划可例如包括照射角度、准直器设置、照射能量、照射持续时间等。照射计划可具体地与患者的照射协调，或可以是标准的照射计划。
根据本发明的另一个方面，基于处理计划和修正的合成电子密度分布确定计划体积内的剂量分布。在此有利的是剂量分布仅基于患者的MR图像数据组被确定。因此不需要应用如CT拍摄的另外的成像方法。计划体积选择为使其含有目标体积或与目标体积相同。剂量分布可给出剂量值的位置分辨的分布，当根据照射计划以放射治疗设备照射患者时且当根据修正的合成电子密度图形成计划体积内的电子密度时，所述剂量分布存在。
所描述的方法的各个步骤可自动进行以及全自动进行。在本申请的上下文中，自动意味着各步骤通过计算或图像处理单元运行，且对于各步骤基本上不需要操作人员与成像系统的互动。换言之，用于如自动确定、自动比较或自动修正的步骤的计算行为通过计算或图像处理单元实施。操作人员最多需确定计算结果或实施中间步骤。在本发明的带有全自动地执行的步骤的另一个实施形式中，甚至不需要操作人员的互动来执行此步骤。不取决于各个步骤自动还是全自动地实施，根据本发明的方法可以是附加地要求操作人员的互动的工作流程的组成部分。与操作人员的互动在于操作人员例如从通过显示器展示的菜单手动地选择拍摄协议和/或临床问题。
此外，本发明涉及设计为执行所述方法的图像处理单元、计算机程序产品、计算机可读取的存储介质以及磁共振设备。
在下文中详细解释所阐述的概念和方法步骤的一些。
在也称为磁共振断层系统的磁共振设备中，通常借助于主磁体向待检查的特别是患者的检查人员的身体施加相对高的主磁场，例如1.5或3或7特斯拉的主磁场。此外，借助于梯度线圈单元起到梯度线圈的作用。通过高频天线单元借助于合适的天线装置发出高频脉冲，特别是激励脉冲，这导致通过此高频脉冲谐振激励的一定的原子的核自旋围绕相对于主磁场的主磁场线的限定的翻转角度翻转。在核自旋驰豫时辐射高频信号，即所谓的磁共振信号，所述磁共振信号通过合适的高频天线接收且然后被进一步处理。由如此获得的原始数据可最后重建希望的图像数据。
计算单元是通过可编程的计算步骤处理数据的设备。计算单元可特别地具有软件元件和/或硬件元件，例如微处理器或所谓的FPGA(英语“Field Programmable GateArray”的缩写，现场可编程门阵列)。计算单元因此可形成为计算机、处理器或微控制器。此外，计算单元可特别地也含有用于与另外的计算单元连接的接口，或用于与输入/输出设备连接的接口。
MR图像数据组特别地包括人体的区域的一个或多个二维(2D)或三维(3D)图像，所述图像通过MR成像确定。在此，在不同的图像的情况中可选择不同的参数以用于数据拍摄和/或图像重建。特别地，参数可选择为使得通过使用迪克松方法(Dixon:“Simple protonspectroscopic imaging”Radiology 153(1984),189-194页)产生可用于重建脂肪图像和水图像的同相图像和反相图像。如果在图像数据组内存在此类不同的图像，则另外的方法步骤可使用例如各个这些图像。此外，所述另外的方法步骤可使用例如所有这些图像的子集或全部。此外，所述另外的方法步骤可使用基于这些图像的子集或全部的有效的总图像。此外，相同的图像数据组的不同的图像可显示人体的不同的区域。此外，相同的图像数据组的不同的图像也可在不同的时间点被拍摄。
电子密度图特别地包括位置分辨的电子密度分布。电子密度图在此可形成为二维或三维的。在电子密度图中的量可例如具有表征电子密度的单位，例如其单位为1/m的线性衰减系数。因此，特别地第一电子密度图表示了仅基于MR图像数据组确定的患者体内的位置分辨的电子密度分布。第一电子密度图的确定特别地仅通过使用待处理的患者的MR图像数据组实现。特别地，为确定第一电子密度图，不涉及MR图像数据组外的待处理的患者的另外的医疗图像数据。但可包括另外的患者的另外的图像数据组，例如CT图像数据组。第一电子密度图于是特别地包含MR图像数据组的相同的患者几何中的医疗图像数据，然而带有灰度值分布，如果获取相同的患者的CT图像数据则所述灰度值分布存在。对于MRORTP可使用第一电子密度图。
用于从磁共振图像数据确定第一电子密度图的示例的方法基于例如全自动、自动或手动地将磁共振图像数据分割为不同的组织类型，例如水、脂肪、空气以及可能为骨。也可由磁共振图像数据组通过磁共振断层成像-计算机断层成像图集(MR-CT-Atlas)确定第一电子密度图。也可通过使用特别地超短回波时间的特殊的磁共振序列获得磁共振图像数据，使得可接收患者的骨的磁共振信号。如此，例如可标记磁共振图像数据以用于确定骨掩膜和/或空气掩膜以用于计算第一电子密度图。多对比度磁共振成像也可提供用于分割磁共振图像数据的有利的基础以用于完成第一电子密度图。用于从磁共振图像数据确定第一电子密度图的可能的方法可例如基于模式识别和/或图像归一化和/或分类和/或偏置场估计。
MR-CT-图集可通过其中存储了第一患者体积的MR图像数据组、第二患者体积的CT图像数据组和所属的配准的数据库实现，其中第一和第二患者体积至少重叠。替代地，也可基于配准存储变换的图像数据组。MR图像数据组和CT图像数据组的集合可通过组合的MR/CT设备产生，在此通常不要求配准，或通过两个不同的设备产生，这通过在不同时刻记录相同的患者的多个图像数据组来进行。在不同的设备的情况中，必需确定并非不重要的配准变换，所述配准变换补偿了由于在两个设备中的不同时刻和不同位置的选择所产生的差异。已知通过MR-CT图集的合成的电子密度图的确定(见Jason A.Dowling等人:"AutomaticSubstitute Computed Tomography Generation and Contouring for MagneticResonance 10 Imaging(MRI)-Alone External Beam Radiation Therapy From StandardMRI Sequences",来自Int.J.Radiat.Oncol.Biol.Phys.93(2015),1144-1153页)，因此在此省去对于方法的精确描述。专业人员也已知用于从磁共振图像数据确定合成的CT图像数据、即第一电子密度图的其他方法，使得在此不精确地论述所述方法。
但用于从磁共振图像数据确定第一电子密度图的方法具有不同的精度和/或稳定性，特别地涉及患者体内的骨区域。因此，在许多算法中出现在特定的区域内的骨、软组织或空气的错误关联。即使在患者体内的空气囊的情况中(所谓的空气区域或空气袋)也可能在将电子密度图与磁共振图像数据正确关联时出现问题。因此，在MRORTP的情况中经常需要作出如下估计，即是否基于计算的第一合成电子密度图即合成的CT图像数据可执行用于照射计划的可靠的剂量计算，或是否必须确定修正的合成电子密度图。
两个图像数据组的配准理解为使相同的或类似的患者体积的两个不同的图像数据组相互一致。特别地可将变换函数应用到两个图像数据组的一个上。在医疗成像的情况中，类似的原始图像可特别是不同时刻时的相同的患者。原始图像中的差异在此可由于患者的位置改变或由于两个时刻之间的解剖情况的改变产生，例如由于代谢过程的进展或由于肺的不同的填充程度。
身体区域在此是患者的功能上共同所属的子单元，或是患者的功能上共同所属的子单元的部分。软组织区域是患者的非骨的所有身体区域，特别是器官以及肌肉、神经或支承组织，或其部分。特别地，也可将患者的皮肤理解为软组织区域。骨区域是患者的为骨的所有身体区域，特别是骨和骨的部分。
图像结构是在图像数据组中的身体区域的描绘。软组织图像结构是图像数据组中的软组织区域的描绘。骨图像结构是图像数据组中的骨区域的描绘。如果图像结构是图像数据组中的身体区域的描绘，则图像结构对应于此身体区域。图像结构可定义为图像数据组内的共同所属的像素或体素的集合。特别地，由于成像和/或图像重建中的误差可能产生相互对应的图像结构和身体区域的形状和位置之间的偏差。
在第一图像数据组中的图像结构对应于在第二图像数据组中的图像结构，如果两个图像结构对应于相同的患者的相同的身体区域。特别地，由于两个图像数据组的两个成像方法和/或两个图像重建中的误差可能形成相应的图像结构的形状和位置之间的偏差。如果两个图像数据组描绘患者的相同的部分且具有相同的参数，例如取向和分辨率，则偏差可特别地形成为使得像素或体素与第一图像数据组中的图像结构相关但不与第二图像数据组中的图像结构相关。
在第一合成电子密度图中的至少一个第一软组织图像结构和/或至少一个第一骨图像结构的确定例如可通过分割实现。将通过将具有共同的特征的相邻的像素或体素汇合而在图像数据组中产生共同所属的结构称为分割。特别地，将作为相同的身体区域的图像的部分的体素或像素与共同的区域相关。分割可特别地例如是阈值分割，其中如果像素或体素的值处于阈值以下，则所述像素或体素被分类为属于软组织图像结构，且如果像素或体素的值处于此阈值以上，则将所述像素或体素被分类为属于骨图像结构，或反之。在此也可使用多个阈值，以确定多个软组织图像结构和/或多个骨图像结构。像素或体素的值可例如以豪恩斯菲尔德单位给出。至少一个软组织图像结构和/或至少一个骨图像结构的确定也可通过自学习方法实现。所述自学习方法可例如以多个从MR图像数据组产生的、其中已确定了第一软组织图像结构和第一骨图像结构的第一合成电子密度图训练。
自学习系统确定了将输入数据组映射到输出数据组的变换函数，其中变换函数通过训练确定。自学习系统可例如基于人工神经网络(英语artificial neural network)，所述人工神经网络通过线性或非线性变换且以一定的权重将输入数据组映射到输入数据组上。人工神经网络的权重可特别地通过训练确定，例如通过使用根据输入数据组与输出数据组的现有的关联的反向传播算法(backpropagation-algorithm)。人工神经网络的权重可基于特定的设备和/或特定的操作人员的输入和输出数据组确定，但所述权重也可由其中存储了不同的设备和/或不同的使用者的输入和输出数据组的数据库确定。此外，训练可在要求保护的方法中使用前已实现，因此已在要求保护的方法中使用了带有确定的权重的人工神经网络。
第一软组织图像结构和/或第一骨图像结构与MR图像数据组中的相应的图像结构的根据本发明的比较通过在MR图像数据组中确定第二软组织图像结构和/或第二骨图像结构来实现。然后将来自第一合成电子密度图的第一软组织图像结构与来自MR图像数据组的第二软组织图像结构进行比较，和/或来自第一合成电子密度图的第一骨图像结构与来自MR图像数据组的第二骨图像结构进行比较。比较可例如逐像素或逐体素地实现。此比较可例如也通过几何参数实现。在此，几何参数可涉及各图像数据组内的图像结构的体积、各图像数据组中的图像结构的面积或表面积或各图像数据组中的图像结构的弯曲程度。此外，比较可基于通过图像数据组内的三维图像结构的二维截面，或基于三维图像结构的二维投影，以及特别地基于截面或投影的几何尺寸，如面积和周长。此外，几何参数也可涉及带有在MR图像数据组内的相应的图像结构的第一合成电子密度图中的软组织图像结构和/或第一骨图像结构的位置。每个类型的比较也可包含根据质量参数的评估。此外，比较也可通过操作人员进行，在此情况中为比较的目的通过如显示器或打印机的输出设备向使用者输出组合，然后可接收输入质量参数。但比较也可自动地或全自动地进行。比较可特别地也基于与不同的拍摄参数或图像重建参数对应的MR图像数据组的不同的图像数据。例如，根据迪克松方法反相图像将器官边界示出为暗，这可特别地用于将MR图像数据组中的器官描绘与第一合成电子密度图的相应的软组织图像结构进行比较。
根据方法确定与患者的实际电子密度更好地匹配的修正的合成电子密度图可通过如下来实现，即，使修正的合成电子密度图与第一合成电子密度图相同。但修正的合成电子密度图的确定也可通过如下方式实现，即基于第一合成电子密度图与MR图像数据组的比较改变至少一个软组织图像结构和/或至少一个骨图像结构，且基于第一合成电子密度图的像素值或体素值和/或基于像素或体素与原始的和/或改变的图像结构的关联确定修正的合成电子密度图的像素值或体素值。修正的合成电子密度图中的像素或体素可特别地基于第一合成电子密度图中的相应的像素或体素的值且基于如下事实确定，即其是骨图像结构或软组织图像结构的部分。特别地可对于像素或体素，取决于其与软组织图像结构或骨图像结构的所属性选择软组织区域或骨区域的平均电子密度。软组织区域的平均电子密度可确定为属于软组织图像结构的体素或像素的电子密度的平均值。骨区域的平均电子密度可确定为属于骨图像结构的体素或像素的电子密度的平均值。软组织图像结构和/或骨图像结构可被改变使得像素或体素与软组织图像结构或骨图像结构相关，或使得来自软组织图像结构或骨图像结构的像素或体素被移除。此外，软组织图像结构和/或骨图像结构可改变为，使得将作为身体的唯一的软组织区域和/或骨区域的描绘的但被错误地分类为不同的图像结构的多个软组织图像结构和/或骨图像结构组合。
附图说明
在下文中根据在附图中图示的实施例详细描述和解释本发明。
各图为：
图1示出了用于确定修正的合成电子密度图的方法的流程图，
图2示出了图像处理单元，
图3示出了成像的磁共振设备，
图4示出了包括合成电子密度图和MR图像数据组的结果图，
图5示出了修正的合成电子密度图。
具体实施方式
在此所示的图像处理单元以及在此所示的成像设备构造为实施根据本发明的方法。
图1示出了用于确定修正的合成电子密度图54的方法的流程图。方法的第一步骤是通过MR设备30进行MR图像数据组41的拍摄IMG，此MR图像数据组41然后由图像处理单元20通过接口21接收REC。基于MR图像数据组41和MR-CT-图集然后确定DET-1合成电子密度图40。为此从MR-CT-图集根据患者33的参数(例如包括年龄、性别、体重、解剖特点)确定数据组，所述数据组具有与患者33的实际解剖结构的类似性。从此数据组确定有效或平均骨图像结构45，将所述有效或平均骨图像结构45添加到合成电子密度图40。此外，将电子密度图40的所有不作为骨图像结构的部分的像素或体素指定软组织的平均电子密度。替代地，也可确定像素或体素描绘了身体的哪个软组织区域，且为所述像素或体素指定此软组织区域的平均电子密度。然后确定DET-2包括所有在图像数据组中被描绘的软组织区域的软组织图像结构43和包括所有在图像数据组中被描绘的骨区域的骨图像结构45。在此处所示的情况中，确定DET-2通过阈值分割实现。将处于软组织区域的平均电子密度和骨区域的平均电子密度之间的电子密度用作阈值。然后进行确定的软组织图像结构43和确定的骨图像结构45与MR图像数据组41的比较COMP，这通过将软组织图像结构43的轮廓51和骨图像结构45的轮廓48直接在MR图像数据组41中示出来进行。在此实施例中，软组织图像结构43的轮廓51对应于患者33的轮廓41。作为下一步，进行修正的合成电子密度图54的确定CORR，在此通过人工神经网络进行，所述人工神经网络包含MR图像数据组41以及确定的图像结构43、45的轮廓48、51作为输入数据，且产生修正的合成电子密度图54作为输出。此网络通过多个数据组(包括MR图像数据组41，来自电子密度图40的图像结构43、45的轮廓48、51和修正的电子密度图54)训练。在训练阶段由应用者产生修正的电子密度图54，使得基于MR图像数据组41修正图像结构43、45的几何形状。在此在修正之后属于另外的图像结构的像素或体素被指定各相应的身体区域的平均电子密度。基于修正的合成电子密度图54计划(PLN)照射，使得身体区域受到通过操作人员确定的剂量。基于照射计划和修正的合成电子密度图54，可确定DOSE患者的在MR图像数据组41内被描绘的部分内的剂量分布。在此通过MR图像数据组51定位身体目标区域以及风险器官。
图2示出了图像处理单元。图像处理单元20被编程为实施用于确定修正的合成电子密度图54的方法。在此所示的图像处理单元20包括接口21、计算单元22以及输入和输出单元23。图像处理单元20与成像MR设备30和放射治疗设备26连接。接口21是一般地已知的硬件或软件接口，例如是硬件接口PCI-Bus、USB或Firewire。计算单元22可具有软件元件和硬件元件，例如微处理器或所谓的FPGA(英语“Field Programmable Gate Array”的缩写，现场可编程门阵列)。计算单元22可以是计算机的部分。此外，图像处理单元20可与数据库25通信。在图示的实施形式中图像处理单元20通过网络24与数据库连接。网络可例如通过Internet或Intranet实现，或通过接口连接实现。图像处理单元20可具有另外的接口。
图3示意性地图示了根据本发明的磁共振设备30。磁共振设备30包括由磁体单元31形成的检测器单元，所述检测器单元带有用于生成强的且特别是稳定的主磁场36的主磁体35。此外，磁共振设备30具有柱形患者接收区域32以接收患者33，其中患者接收区域32由磁体单元31在周向方向上柱形地围绕。患者33可通过磁共振设备30的患者支承设备34被推入到患者接收区域32内。患者支承设备34为此具有支承台，所述支承台可运动地布置在磁共振设备30内。磁体单元31通过磁共振设备的壳体覆盖物被向外屏蔽。
磁体单元31此外具有梯度线圈单元37以产生梯度磁场，所述梯度磁场用于在成像期间的位置编码。梯度线圈单元37通过梯度控制单元62控制。此外，磁体单元31具有高频天线单元38，所述高频天线单元38在所示的情况中形成为固定地整合到磁共振设备30内的身体线圈，且具有用于激励在由主磁体产生的主磁场36内出现的极化的高频天线控制单元61。高频天线单元38由高频天线控制单元61控制且在基本上由患者接收区域32形成的检查空间内辐射高频磁共振序列。高频天线单元38此外形成为用于接收磁共振信号，特别是来自患者33的磁共振信号。
为控制主磁体35、梯度控制单元62和高频天线控制单元61，磁共振设备30具有MR计算单元60。MR计算单元60中央地控制磁共振设备30，如预先确定的成像梯度回波序列的执行。例如成像参数的控制信息以及重建的磁共振图像可在磁共振设备30的提供单元63上-在本情况中在显示单元63上-为使用者提供。此外，磁共振设备30具有输入单元64，通过所述输入单元64在测量过程期间可由使用者输入信息和/或参数。MR计算单元60可包括梯度控制单元62和/或高频天线控制单元61和/或MR显示单元63和/或MR输入单元64。
所图示的磁共振设备30当然可包括磁共振设备30通常所具有的另外的部件。磁共振设备30的一般工作方式此外对于专业人员是已知的，因此省去对于另外的部件的详细描述。
图像处理单元20与所图示的磁共振设备连接，所述图像处理单元20在此实施形式中包括接口21、计算单元22以及输入和/或输出单元23。图像处理单元20与放射治疗单元26和数据库25连接。为实施根据本发明的方法，图像处理单元20形成为实施图示的方法。
在另一个实施形式中，MR计算单元60也可与图像处理单元20的计算单元22相同。在此情况中，图像处理单元20成为控制和图像处理单元。此外，MR显示单元63可与输入和输出单元23相同。此外，MR输入单元64可与输入和输出单元23相同。
图4示出了结果图，所述结果图包括描绘了患者33的相同的部分的第一合成电子密度图40以及MR图像数据组41，且其中第一合成电子密度图40从MR图像数据组41产生。
第一合成电子密度图此外包括至少一个第一软组织图像结构43、第一骨图像结构45以及患者环境52，所述患者环境52在此情况中对应于环境空气。此外，图示的第一合成电子密度图包括第一软组织图像结构43的边沿42和第一骨图像结构45的边沿44。
MR图像数据组41包括至少一个第二软组织图像结构46和第二软组织图像结构的边沿50。此外，MR图像数据组包括第二骨图像结构47和第二骨图像结构的边沿48。此外，MR图像数据组包括患者环境53的图示，所述患者环境53在此情况中为环境空气。第二软组织图像结构46和第一软组织图像结构43对应于患者33体内的相同的软组织区域。第二骨图像结构47和第一骨图像结构46对应于患者33体内的相同的骨区域。
此外，在此描绘的MR图像数据组的显示包括第一软组织图像结构的边沿51，所述边沿51精确地对应于第一合成电子密度图中的第一软组织图像结构的边沿42。此外，在此描绘的MR图像数据组的显示包括第一骨图像结构的边沿49，所述边沿49精确地对应于第一合成电子密度图中的第一骨图像结构的边沿44。在此，一般地第一骨图像结构的边沿49与第二骨图像结构的边沿48不同，且第一软组织图像结构的边沿51与第二软组织图像结构的边沿50不同。此差异可能由于确定电子密度图时的误差引起，此外由于确定电子密度图中的第一软组织图像结构43和第一骨图像结构45中的误差可能引起差异。
图5示出了通过结果图像(包括第一合成电子密度图40和MR图像数据组41)确定的修正的合成电子密度图54。在此，改变第一合成电子密度图40使得修正的合成电子密度图的软组织图像结构55的形状和大小对应于MR图像数据组41的软组织图像结构46的形状和大小，且使得修正的合成电子密度图的骨图像结构47的形状和大小对应于MR图像数据组41的骨图像结构46的形状和大小。在图示的修正的合成电子密度图中也显示了软组织图像结构57的边沿57和骨图像结构56的边沿58以及通过空气形成的患者33的环境59。
Claims (15)
1.一种用于确定修正的合成电子密度图(54)的方法，包括分别通过计算单元(22)执行的如下步骤：
-基于至少一个MR图像数据组(41)确定(DET-1)患者(33)的第一合成电子密度图(40)
-基于第一合成电子密度图(40)确定(DET-2)患者(33)的至少一个第一软组织图像结构(43)和/或至少一个第一骨图像结构(45)
-将来自第一合成电子密度图(40)的第一软组织图像结构(43)和/或第一骨图像结构(45)与MR图像数据组(41)中的相应的图像结构(46、47)进行比较(COMP)，
-通过基于比较修正第一软组织图像结构(43)和/或第一骨图像结构(45)来确定(CORR)修正的合成电子密度图(54)。
2.根据权利要求1所述的方法，其中第一合成电子密度图(40)的确定(DET-1)通过磁共振-计算机断层扫描图集(25)实现。
3.根据权利要求1所述的方法，其中比较(COMP)实现为使得至少一个第一软组织图像结构(43)和/或至少一个第一骨图像结构(45)与MR图像数据组在结果图像(40、41)中组合。
4.根据权利要求3所述的方法，其中结果图像(40、41)包括MR图像数据组(41)，且其中在MR图像数据组(41)中显示第一软组织图像结构(43)的至少一个部分(51)和/或第一骨图像结构(45)的至少一个部分(48)。
5.根据权利要求4所述的方法，其中第一软组织图像结构(43)的部分(51)和/或第一骨图像结构(45)的部分(48)包括第一软组织图像结构(43)的边沿(44、51)和/或第一骨图像结构(45)的边沿(42、51)的至少一个。
6.根据权利要求1所述的方法，其中比较(COMP)基于第一软组织图像结构(43)的几何参数和/或第一骨图像结构(45)的几何参数以及MR图像数据组(41)中的相应的图像结构(46、47)的几何参数实现。
7.根据权利要求1至6中任一项所述的方法，其中比较(COMP)通过数据库(25)自学习地实现，其中数据库(25)至少含有MR图像数据组(41)、所属的第一合成电子密度图(40)以及所属的用于MR图像数据组(41)与第一合成电子密度图(40)的一致性的质量的所属的参数。
8.根据权利要求1至6中任一项所述的方法，其中修正的合成电子密度图(54)的确定(CORR)通过数据库(25)自学习地实现，其中数据库(25)至少含有MR图像数据组(41)、所属的第一合成电子密度图(40)以及所属的修正的合成电子密度图(54)。
9.根据权利要求1至6中任一项所述的方法，其中基于修正的合成电子密度图(54)得到(PLN)用于患者(33)的目标体积的基于放射的处理的计划。
10.根据权利要求9所述的方法，其中患者(33)的至少一个计划体积内的剂量分布基于修正的合成电子密度图(54)和用于基于放射的处理的计划计算(DOS)。
11.一种包括计算单元(22)的图像处理单元(20)，所述图像处理单元(20)形成为用于通过控制所述计算单元(22)实施如下步骤来确定修正的合成电子密度图(54)：
-基于至少一个MR图像数据组(41)确定(DET-1)患者(33)的第一合成电子密度图(40)
-基于第一合成电子密度图(40)确定(DET-2)患者(33)的至少一个第一软组织图像结构(43)和/或至少一个第一骨图像结构(45)
-将来自第一合成电子密度图(40)的第一软组织图像结构(43)和/或第一骨图像结构(45)与MR图像数据组(41)中的相应的图像结构(46、47)进行比较(COMP)，
-通过基于比较修正第一软组织图像结构(43)和/或第一骨图像结构(45)来确定(CORR)修正的合成电子密度图(54)。
12.根据权利要求11所述的图像处理单元(20)，所述图像处理单元(20)此外形成为实施根据权利要求2至10中任一项所述的方法。
13.一种带有计算机程序的计算机程序产品，所述计算机程序可直接载入到图像处理单元(20)的存储器内，所述计算机程序带有程序部分，以在所述程序部分由图像处理单元(20)实施时实施根据权利要求1至10中任一项所述的方法的所有步骤。
14.一种计算机可读取的介质，在所述介质上存储了由计算单元可读取的且可实施的程序部分，以在所述程序部分由图像处理单元(20)实施时实施根据权利要求1至10中任一项所述的方法的所有步骤。
15.一种磁共振设备(30)，所述磁共振设备(30)形成为拍摄MR图像数据组(41)，以及此外具有根据权利要求11或12所述的图像处理单元(20)。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102016218359.1A DE102016218359B3 (de) | 2016-09-23 | 2016-09-23 | Verfahren und Vorrichtung zur Korrektur einer synthetischen Elektronendichtekarte |
| DE102016218359.1 | 2016-09-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107865658A CN107865658A (zh) | 2018-04-03 |
| CN107865658B true CN107865658B (zh) | 2019-06-28 |
Family
ID=60119346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710858354.3A Active CN107865658B (zh) | 2016-09-23 | 2017-09-21 | 用于修正合成电子密度图的方法和设备 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10363009B2 (zh) |
| CN (1) | CN107865658B (zh) |
| DE (1) | DE102016218359B3 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10870017B2 (en) * | 2015-03-20 | 2020-12-22 | Koninklijke Philips N.V. | Fall-back solution for uncertain regions in MRCAT images |
| CA3144118A1 (en) * | 2019-07-15 | 2021-01-21 | Rachael HACHADORIAN | X-ray ct calibration for quantitative correction of cherenkov light emission in radiation dose imaging |
| JP2022546534A (ja) * | 2019-08-27 | 2022-11-04 | フォーディーメディカル リミテッド | 器官機能に及ぼす医学的治療の影響を評価するための方法、システム、及び装置 |
| CN111528889B (zh) * | 2020-04-30 | 2021-05-18 | 赤峰学院附属医院 | 颅颌面状态的分析方法及装置、电子设备 |
| DE102020206232A1 (de) * | 2020-05-18 | 2021-11-18 | Siemens Healthcare Gmbh | Computerimplementiertes Verfahren zur Klassifizierung eines Körpertyps |
| JP7345768B1 (ja) | 2022-03-30 | 2023-09-19 | 国立大学法人大阪大学 | 予測支援システム、予測支援方法及び予測支援プログラム |
| CN115239999B (zh) * | 2022-07-22 | 2023-04-21 | 水木未来(北京)科技有限公司 | 蛋白质电子密度图处理方法、装置、电子设备和存储介质 |
| WO2024086354A1 (en) * | 2022-10-20 | 2024-04-25 | Viewray Technologies, Inc. | Relative electron density mapping from magnetic resonance imaging |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101441863A (zh) * | 2007-11-23 | 2009-05-27 | 西门子公司 | 用于在大显示器上显示医学图像的输入装置 |
| WO2015059616A1 (en) * | 2013-10-22 | 2015-04-30 | Koninklijke Philips N.V. | Mri with improved segmentation in the presence of susceptibility artifacts |
| WO2015171056A1 (en) * | 2014-05-04 | 2015-11-12 | Spectronic Ab | Method for generating synthetic electron density information for dose calculations based on mri |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009109874A1 (en) * | 2008-03-07 | 2009-09-11 | Koninklijke Philips Electronics N.V. | Ct surrogate by auto-segmentation of magnetic resonance images |
| US9668699B2 (en) * | 2013-10-17 | 2017-06-06 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
| CN106462948B (zh) | 2014-04-01 | 2019-06-25 | 皇家飞利浦有限公司 | 一种估计伪亨氏单位值的方法 |
| WO2016166071A1 (en) * | 2015-04-14 | 2016-10-20 | Koninklijke Philips N.V. | Radiotherapy planning with improved accuracy |
-
2016
- 2016-09-23 DE DE102016218359.1A patent/DE102016218359B3/de active Active
-
2017
- 2017-09-21 CN CN201710858354.3A patent/CN107865658B/zh active Active
- 2017-09-22 US US15/713,068 patent/US10363009B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101441863A (zh) * | 2007-11-23 | 2009-05-27 | 西门子公司 | 用于在大显示器上显示医学图像的输入装置 |
| WO2015059616A1 (en) * | 2013-10-22 | 2015-04-30 | Koninklijke Philips N.V. | Mri with improved segmentation in the presence of susceptibility artifacts |
| CN105659104A (zh) * | 2013-10-22 | 2016-06-08 | 皇家飞利浦有限公司 | 在磁化率伪影存在的情况下具有经改进的分割的mri |
| WO2015171056A1 (en) * | 2014-05-04 | 2015-11-12 | Spectronic Ab | Method for generating synthetic electron density information for dose calculations based on mri |
Also Published As
| Publication number | Publication date |
|---|---|
| US20180085080A1 (en) | 2018-03-29 |
| CN107865658A (zh) | 2018-04-03 |
| US10363009B2 (en) | 2019-07-30 |
| DE102016218359B3 (de) | 2017-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107865658B (zh) | 用于修正合成电子密度图的方法和设备 | |
| Liu et al. | Evaluation of a deep learning-based pelvic synthetic CT generation technique for MRI-based prostate proton treatment planning | |
| Dinkla et al. | Dosimetric evaluation of synthetic CT for head and neck radiotherapy generated by a patch‐based three‐dimensional convolutional neural network | |
| Liu et al. | MRI-based treatment planning for proton radiotherapy: dosimetric validation of a deep learning-based liver synthetic CT generation method | |
| Arabi et al. | Comparative study of algorithms for synthetic CT generation from MRI: consequences for MRI‐guided radiation planning in the pelvic region | |
| Wang et al. | A review on medical imaging synthesis using deep learning and its clinical applications | |
| Fu et al. | Deep learning approaches using 2D and 3D convolutional neural networks for generating male pelvic synthetic computed tomography from magnetic resonance imaging | |
| Lei et al. | MRI‐only based synthetic CT generation using dense cycle consistent generative adversarial networks | |
| Rietzel et al. | Four-dimensional image-based treatment planning: Target volume segmentation and dose calculation in the presence of respiratory motion | |
| Liu et al. | MR‐based treatment planning in radiation therapy using a deep learning approach | |
| Zhang et al. | A technique for estimating 4D‐CBCT using prior knowledge and limited‐angle projections | |
| Zhang et al. | Correction of motion artifacts in cone‐beam CT using a patient‐specific respiratory motion model | |
| EP3140810B1 (en) | Method for generating synthetic electron density information for dose calculations based on mri | |
| Brock et al. | Accuracy of finite element model‐based multi‐organ deformable image registration | |
| JP4271941B2 (ja) | 患者の断層撮影投影画像を増強するための方法 | |
| Jabbarpour et al. | Unsupervised pseudo CT generation using heterogenous multicentric CT/MR images and CycleGAN: Dosimetric assessment for 3D conformal radiotherapy | |
| Kang et al. | Synthetic CT generation from weakly paired MR images using cycle-consistent GAN for MR-guided radiotherapy | |
| EP2742483B1 (en) | Image processing method | |
| Nguyen et al. | Adapting liver motion models using a navigator channel technique | |
| Lappas et al. | Automatic contouring of normal tissues with deep learning for preclinical radiation studies | |
| Dowling et al. | Image synthesis for MRI-only radiotherapy treatment planning | |
| Chen et al. | Low dose cone-beam computed tomography reconstruction via hybrid prior contour based total variation regularization (hybrid-PCTV) | |
| Dowling et al. | MR-only methodology | |
| Létourneau et al. | Semiautomatic vertebrae visualization, detection, and identification for online palliative radiotherapy of bone metastases of the spine a | |
| Waldkirch | Methods for three-dimensional Registration of Multimodal Abdominal Image Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |