CN107951500A - 用于成像方法的拍摄参数的确定 - Google Patents
用于成像方法的拍摄参数的确定 Download PDFInfo
- Publication number
- CN107951500A CN107951500A CN201710951468.2A CN201710951468A CN107951500A CN 107951500 A CN107951500 A CN 107951500A CN 201710951468 A CN201710951468 A CN 201710951468A CN 107951500 A CN107951500 A CN 107951500A
- Authority
- CN
- China
- Prior art keywords
- training
- patient
- shooting
- acquisition parameters
- parameter
- 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
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 31
- 238000013441 quality evaluation Methods 0.000 claims abstract description 56
- 238000013507 mapping Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000000151 deposition Methods 0.000 claims 1
- 230000000149 penetrating effect Effects 0.000 claims 1
- 239000013598 vector Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 241000208340 Araliaceae Species 0.000 description 7
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 7
- 235000003140 Panax quinquefolius Nutrition 0.000 description 7
- 235000008434 ginseng Nutrition 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012857 repacking Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明基于接收用于拍摄图像数据组的患者特定的拍摄值。通过将训练的映射规定应用于患者特定的拍摄值确定拍摄参数。在此，训练的映射规定基于多个训练‑数据组，其中训练‑数据组分别包括至少一个患者特定的训练‑拍摄值和至少一个训练‑拍摄参数以及至少一个训练‑质量评估。本发明人已认识到以此将患者特定的拍摄值和拍摄参数对于成像结果的复杂的影响量化。通过由单独的操作人员或特定的操作人员的组给出训练‑质量评估实现了灵活且个性化地匹配拍摄参数。特别地，拍摄参数能够确定为使得成像的结果个性化地与操作人员匹配。
Description
技术领域
本发明涉及一种用于确定拍摄参数的方法、一种用于确定拍摄参数的参数确定单元、一种带有计算机程序的计算机程序产品、一种计算机可读取的介质和一种成像设备。
背景技术
在不同的医疗图像拍摄设备中必须确定或调节大量技术参数(所谓的图像拍摄参数)以实现最优的检查结果。图像拍摄参数控制数据拍摄和/或数据重建，且影响因此产生的图像数据组。图像拍摄参数在此可通过选择适合于所选择的检查的预先给定的标准调节或协议确定。此外，各个技术参数也可由操作人员调节或改变。
在计算机断层扫描(简称为CT)中此图像拍摄参数涉及所使用的X光管的电压和电流、自动剂量调制的调节、台移动的速度、被检查的层的层厚度或用于图像重建的参数等。在磁共振断层成像(简称为MR)中，此图像拍摄参数涉及所使用的检查序列、磁场强度或重叠的放射波的频率等。
已知，用于图像拍摄的标准调节取决于所选择的检查类型，在工作侧作为协议被预先给定且在医疗图像拍摄设备中被预调节地提供。在CT情况中预先给定的检查类型包括例如患者头部的拍摄、患者肺部的拍摄、血管造影或用于肝脏的三相CT。在MR情况中预先给定的检查类型包括例如实时MR、MR波谱或扩散加权MR。如果以预先给定的标准调节所获得的图像数据组不对应于操作人员对于质量的特定的要求，则操作人员必须自己或借助于专业人员改变图像拍摄参数的调节。
但拍摄参数的改变对于所实现的图像数据组的质量的影响很复杂且对于操作人员不可认识或不可理解，或仅以很高的成本可认识或可理解。操作人员因此不能有效地且合乎目的地改变图像拍摄参数以提高图像数据组的质量。尽管手动改变图像拍摄参数，但由此导致的改变经常不造成图像数据组的质量的改进。参数在工作侧的匹配仅受限地可实现，因为对于不同的医疗问题和操作人员存在对于图像数据组的质量的不同的要求。此外困难的是，对于操作人员经常仅可确定所产生的图像数据组的质量不符合期望，但不可确定欠缺的质量的原因(例如，欠缺的分辨率、图像伪影)。
发明内容
因此，本发明的任务是特别地为操作人员提供实现图像拍摄参数的灵活和单独的匹配的方法。
此任务通过根据本发明的方法、根据本发明的参数确定单元以及根据本发明的计算机程序产品、根据本发明的计算机可读取的介质以及根据本发明所述的成像设备解决。
在下文中参考所要求的设备以及参考所要求的方法描述任务的根据本发明的解决。在此提及的特征、优点或替代实施形式也转移到另外地要求的对象，且反之亦然。换言之，对象权利要求(例如针对设备的权利要求)也可以结合方法描述或要求的特征来扩展。方法的相应的功能特征在此通过相应的对象模块形成。
此外，下文中结合训练参量描述的特征、优点或替代的实施形式转移到应用参量，且反之亦然。特别地，患者特定的训练拍摄值的特征、优点或替代的实施形式转移到患者特定的拍摄值，且反之亦然。特别地，训练拍摄值的特征、优点或替代的实施形式转移到拍摄参数。特别地，训练-质量评估的特征、优点或替代的实施形式转移到质量评估，且反之亦然。特别地，训练-图像数据组的特征、优点或替代的实施形式转移到图像数据组，且反之亦然。特别地，训练-数据组的特征、优点或替代的实施形式转移到结果-数据组。
根据本发明的用于确定拍摄参数的方法包括接收用于拍摄图像数据组的至少一个患者特定的拍摄值。此外，根据本发明的方法包括通过将训练过的映射规定应用到患者特定的拍摄值来确定拍摄参数，其中训练过的映射规定基于多个训练-数据组，且其中训练-数据组分别包括至少一个患者特定的训练拍摄值和至少一个训练拍摄参数以及至少一个训练质量评估。方法可特别地是计算机实施的方法。本发明人已认识到通过应用根据训练-数据组的训练过的映射规定可量化患者特定的拍摄值和拍摄参数对于成像结果的复杂影响。如果训练质量评估仅通过操作人员执行，则由此可灵活且个性化地匹配图像拍摄参数。特别地，拍摄参数可从患者特定的拍摄值确定，使得成像结果个性化地与操作人员匹配。
根据本发明的另一个方面，此外通过使用拍摄参数由成像设备拍摄图像数据组。对于此图像数据组确定结果-数据组，所述结果-数据组包括图像数据组的质量评估和患者特定的拍摄值和拍摄参数。此结果-数据组被存储。本发明人已认识到通过存储结果-数据组可产生附加的基于训练的数据组。这导致映射规定的更精确的确定。
根据本发明的另一个方面，此外基于训练-数据组以及结果-数据组进行训练过的映射规定的训练。特别地，训练过的映射规定的训练作为对于结果-数据组的存储的反应进行。本发明人已认识到根据每个检查对映射规定的再次训练适合于记录操作人员对于质量的特定要求的时间改变。以此，可将训练过的映射步骤与之匹配。
根据本发明的另一个方面，质量评估判断图像数据组的质量、图像数据组的拍摄的持续时间和/或对应于患者的图像数据组的拍摄的放射剂量中的至少一个。根据本发明的另外的方面，训练-质量评估是对应于患者的训练-图像数据组的拍摄的训练-图像数据组的质量、训练-图像数据组的拍摄的持续时间和/或对应于患者的图像数据组的拍摄的放射剂量的量度。本发明已认识到，这三个影响因素决定性地量化了检查的效果且因此特别好地适合于作为自学习系统的训练的质量评估。良好的图像质量导致无需另外的成像检查，短的拍摄持续导致成像设备的更好的利用。由于拍摄图像数据组而接收的放射剂量低导致由于拍摄对于患者组织的更低的损害。如果操作人员对于图像数据组的拍摄主要地满意，则通过操作人员确定的质量评估或训练-质量评估为肯定的。如果操作人员对于图像数据组的拍摄主要地不满意，则通过操作人员确定的质量评估或训练-质量评估为否定的。
根据本发明的另外的方面，质量评估和/或训练-质量评估具有离散的参数，所述参数仅可取有限多个值。本发明人已认识到通过离散的标度对于图像数据组的拍摄的评估对应于操作人员的技术能力。在以连续标度评估的情况中，连续的标度的多个值对应于操作人员的相同的质量评估。这可能对于训练过的映射规定的训练具有负面影响。离散标度可例如涉及评分或通过词语的评估(例如，“不合适”、“不很合适”、“大致合适”、“合适”)。离散的标度也可涉及颜色标度，特别是红绿灯的两个或三个颜色，例如“红色”和“绿色”或“红色”、“黄色”和“绿色”。
根据本发明的另外的方面，离散的参数可取刚好两个不同的值。换言之，离散的参数是二元量。此二元量记录了图像数据组的拍摄的总评估且取代表了“对于图像数据组的拍摄不满意”或“对于图像数据组的拍摄满意”的值。本发明人已认识到操作人员虽然经常确定图像数据组的拍摄不满足要求。但操作人员也不可确定图像数据组的拍摄为何不满足要求。但通过所建议的二元参数，在此情况中操作人员也可评估成像检查。
根据本发明的另一个方面，通过支持向量机确定训练过的映射规定，其中在训练阶段根据离散参数将数据组分类为至少一个第一和第二类别，且其中在患者特定的拍摄值和拍摄参数的所有组合的参数空间中确定将第一类别和第二类别分离的至少一个第一超曲面。此外，至少通过第一超平面确定训练过的映射规定。本发明人已认识到通过超曲面将参数空间分为两个或多个子空间。这些子空间的每个可与推测的质量评估相关，所述质量评估分配给操作人员以用于该子空间中患者特定的拍摄值和拍摄参数的组合。基于此子空间因此可从患者特定的拍摄值确定拍摄参数，操作人员以高可能性对于所述拍摄参数满意。
根据本发明的另外的方面，映射规定通过超曲面确定，使得所述超曲面将患者特定的拍摄值映射到拍摄参数上，使得第一超曲面和数据点之间的距离成为极值，其中数据点包括患者特定的拍摄值和确定的拍摄参数。在此，仅考虑为拍摄图像数据组在设备技术规格的界限内可被调节的拍摄参数。在此，如果数据点处在对应于为操作人员给出其满意的拍摄的质量评估的子空间中，则极值为极大值。而如果数据点处于对应于为操作人员给出其不满意的拍摄的质量评估的子空间中，则极值意味着极小值。本发明人已认识到通过拍摄参数的此选择，拍摄的结果对应于操作人员的期望的可能性最大，因为数据点尽可能远或尽可能近地处在可给出通过检查人员的正面的评估的数据点处。
此外，本发明涉及用于确定拍摄参数的参数确定单元，所述参数确定单元包括如下单元：
-形成为用于接收患者特定的拍摄值的接口，
-形成为用于通过将训练的映射规定应用到患者特定的拍摄值来确定拍摄参数的计算单元，其中训练的映射规定基于多个训练-数据组，其中训练-数据组分别包括至少一个患者特定的训练-拍摄值和至少一个训练-拍摄参数以及至少一个训练-质量评估。
此参数确定单元可特别地形成为实施前述根据本发明的方法及其方面。参数确定单元形成为实施此方法及其方面，这通过将接口和计算单元形成为实施相应的方法步骤来实现。本发明此外涉及成像设备，所述成像设备包括根据本发明的参数确定单元。
本发明也涉及带有计算机程序以及计算机可读取的介质的计算机程序产品。很大程度上根据软件的实现的优点是也可将目前已使用的控制装置以简单的方式通过软件升级改装以根据本发明的方式工作。此计算机程序产品除计算机程序外如需要也可包括附加的组成部分，例如文档，和/或附加的部件以及硬件部件，例如用于使用软件的硬件秘钥(加密狗等)。
患者特定的拍摄值是为患者的成像预先给定的且通过成像设备的操作人员不可确定的参数。换言之，操作人员不能影响患者特定的拍摄值，特别是患者特定的拍摄值在成像或拍摄开始前已被确定。患者特定的拍摄值可特别地涉及图像拍摄设备的结构类型、所选择的检查类型、怀疑诊断、被检查的器官、被检查的患者的性别、被检查的患者的体重和/或被检查的患者的年龄。患者特定的拍摄值涉及多个参量，所述患者特定的拍摄值也可实现为向量。特别地，患者特定的拍摄值不是涉及患者的图像数据组。
拍摄参数是为通过成像设备对患者成像而在成像设备上可调节的参数。拍摄参数可特别地涉及数据拍摄参数和/或图像重建参数。数据拍摄参数可特别地涉及CT设备的管电压、CT设备的管电流、自动剂量调制、台移动和/或层厚度。图像重建参数可特别地涉及图像重建算法的卷积核或图像重建算法的窗调节。此外，拍摄参数涉及多个参量，特别地所述拍摄参数可实现为向量。
患者的一个或多个图像称为图像数据组，所述图像数据组通过成像检查确定。特别地，图像数据组可涉及二维或三维图像。由患者特定的拍摄值和拍摄参数得到的图像数据组称为图像数据组，所述图像数据组通过使用此患者特定的拍摄值和此拍摄参数确定。
图像数据组的质量评估是针对通过使用患者特定的拍摄值和拍摄参数执行的成像的结果的质量的参数。训练-图像数据组的训练-质量评估是针对通过使用患者特定的拍摄值和拍摄参数执行的训练-成像的结果的质量的参数。图像数据组的质量可特别地是针对图像数据组的分辨率和/或对比度的量度。但质量评估也可特别地涉及检查的另外的参数，例如检查的持续时间或所使用的检查剂量。换言之，图像数据组的质量评估可不仅评估图像数据组自身，而且也评估图像数据组的拍摄环境。质量参数可涉及数字但也可涉及二元值。特别地，二元值可描述操作人员对于图像数据组的质量是否满意。此外，质量参数也可涉及向量，其中每个条目评估图像数据组的质量的另外的方面。
训练的映射规定是将患者特定的拍摄值映射到拍摄参数的函数，所述函数基于多个训练-数据组确定。在此，训练-数据组分别包括患者特定的训练-拍摄值、训练-拍摄参数和训练-质量评估。在此，训练-质量评估测量了通过使用患者特定的训练-拍摄值和训练-拍摄参数确定的图像数据组的质量。训练的映射规定应将患者特定的拍摄值映射到拍摄参数上，使得以患者特定的拍摄值和确定的拍摄参数拍摄的图像数据组以高的可能性符合操作人员的要求(通过质量评估表达)。
支持向量机(简称为SVM)是在被分类的训练-数据组的参数空间中确定将训练-数据组的各个类别分离的超平面或超曲面的方法。对于支持向量机的概念，通行的英语概念为Support Vector Machine。超曲面确定为使得最靠近地靠在超曲面上的数据点的距离被最大化。一般地，支持向量机可仅确定超平面，为确定超曲面，将训练-数据组转移到更高维的参数空间中。在此更高维的参数空间中可确定分离的超平面，所述超平面在反变换之后变形为超曲面。分离的超平面的确定也可在更高维的参数空间中通过应用正定的核函数很有效地执行。通过引入滑动参数获得了超曲面，所述超曲面不完善地将类别分离。以此可避免与训练-数据组的过匹配。支持向量机对于专业人员是已知的，因此省去另外的论述，为此参考专著Ingo Steinwart,Andreas Christmann“Support Vector Machines”Springer(2008)。
在患者特定的拍摄值通过带有M个条目的向量实现且拍摄参数通过带有N个条目的向量实现时，参数空间是患者特定的拍摄值和拍摄参数的所有组合或数据组的(M+N)维的向量空间。如果患者特定的拍摄值涉及仅一个量，则M等于1。如果拍摄参数涉及仅一个参量，则N等于1。包括患者特定的拍摄值和拍摄参数的一个确定的组合或数据组对应于所有组合的(M+N)维向量空间中的一个点或向量。
训练-数据组的类别对应于训练-数据组的集合，其具有相同的或类似的训练-质量评估。如果训练-质量参数涉及带有有限多个可能的值的离散的参数，则可特别存在与离散的值同样多的类别，且训练-数据组可根据训练-质量评估的离散参数与类别相关。如果训练-质量参数涉及二元参数，则可特别地仅存在两个类别，训练-数据组可根据训练-质量参数与所述两个类别相关。
涉及训练-数据组的类别的参数空间的子空间是参考空间的主要仅含有训练-数据组的此类别的子集。子空间不必须为线性的。
超曲面是患者特定的拍摄值和拍摄参数的所有组合的(M+N)维参数空间中的(M+N-1)维的对象。在2维参数空间中，超曲面特别地对应于此参数空间中的1维的、可能弯曲的线，在3维参数空间中，超曲面特别地对应于此参数空间中的2维的、可能弯曲的面。超曲面可特别地通过如下隐式函数定义，
f(x1,x2,…,xM,y1,y2,…,yN)＝0
其中变量x对应于患者特定的拍摄值的向量中的M个条目，且变量y对应于拍摄参数的向量中的N个条目。超曲面的特征特别地为，所述超曲面具有两个不同的侧，其中对于一个侧f>0且对于另一侧f<0。超曲面可特别地分离两个不同的子空间。超平面是如下超曲面，即定义所述超曲面的隐式函数对于所有变量是线性函数。超平面因此特别地是参数空间的仿射子空间。
附图说明
本发明在下文中根据在附图中图示的实施例详细描述和解释。
各图为：
图1示出了流程图
图2示出了参数确定单元
图3示出了带有参数确定单元的MR设备
图4示出了评估单元
图5示出了带有质量评估的第一参数向量空间
图6示出了带有质量评估的第二参数向量空间
具体实施方式
图1示出了用于确定拍摄参数的方法的流程图。
方法的第一步骤是通过接口201接收REC患者特定的拍摄值。在图示的方法中由操作人员在例如键盘的输入设备204上输入患者特定的拍摄值。患者特定的拍摄值涉及患者的身高、体重、性别或年龄。患者特定的拍摄值也可涉及拍摄区域，即应被拍摄的患者的部分区域。替代地，患者特定的拍摄值也可从数据库调出，存储在关于患者303的数据内或关于拍摄的设备300的数据内。也可输入或从数据库或多个数据库调出多个患者特定的拍摄值。
方法的下一步是通过将训练的映射规定应用射到患者特定的拍摄值来确定DET拍摄参数，其中训练的映射规定基于多个训练-数据组207.1、207.2、207.3，其中训练-数据组207.1、207.2、207.3分别包括至少一个患者特定的训练-拍摄值208.1、208.2、208.3和至少一个训练-拍摄参数209.1、209.2、209.3以及至少一个训练-质量评估210.1、210.2、210.3。在图示的方法中，映射规定通过将支持向量机应用到训练-数据组207.1、207.2、207.3来确定。训练-质量评估210.1、210.2、210.3在图示的方法中是二元参数，所述二元参数描述操作人员对于通过患者特定的训练-拍摄值208.1、208.2、208.3和训练-拍摄参数209.1、209.2、209.3确定的图像数据组402的质量是否满意。根据训练-质量评估210.1、210.2、210.3将训练-数据组207.1、207.2、207.3划分为两个不同的类别，其中第一类别的训练-数据组207.1、207.2、207.3含有充分的质量，且其中第二类别的所述训练-数据组207.1、207.2、207.3含有不充分的质量。质量可通过操作人员评估。通过应用支持向量机确定至少一个将两个类别分离的超曲面509、510。在此将训练-数据组207.1、207.2、207.3变换到更高维度的参数向量空间中，且在此参数向量空间中确定分离的超平面。通过将更高维度的参数向量空间内的超平面反变换到原始的参数向量空间中，在所述原始的参数向量空间中产生了分离的超曲面509、510。
基于至少一个超曲面509、510确定映射规定，使得将患者特定的拍摄值映射到拍摄参数，使得数据点512、602与各最近的超平面509、510的距离成为极值，其中数据点由患者特定的拍摄值和拍摄参数形成。在此判断，对于患者特定的拍摄值到底是否存在拍摄参数，使得所形成的数据点512处于具有带有主要地正面的评估509的数据点的子空间中。如果情况为是，则确定拍摄参数使得包括患者特定的拍摄值和确定的拍摄参数的数据点512距各最近的超曲面509的距离513成为最大。如果情况为否，则确定拍摄参数使得包括患者特定的拍摄值和确定的拍摄参数的数据点602距各最近的超曲面509的距离603成为最小。
数据点512、602距超曲面509、510的距离在此实施例中通过围绕数据点的超球的最小半径确定，其触及超曲面509、510但不与之相交。但也已知用于距离确定的另外的方法，例如超曲面509、510可被三角化，数据点509、602距超曲面的距离可为距三角化的超曲面的部分的最小距离。带有距超曲面509、510的最大或最小距离513、603的数据点512、502在此实施例中通过模拟退火计算。对于此方法英语的通行表达为Simulated Annealing。但也已知且可使用另外的优化方法，例如洪水算法或蚁群算法。
在所示的实施形式中，训练的映射规定仅基于训练-数据组207.1、207.2、207.3，其包括操作人员的训练-质量评估210.1、210.2、210.3。但也可使得映射规定基于包括一定的操作人员的组的训练-质量评估210.1、210.2、210.3的训练-数据组207.1、207.2、207.3。操作人员的组可共同地具有一定的特征，例如操作人员的年龄或作为操作人员的医生的专业方向。训练-数据组207.1、207.2、207.3在此存储在数据库206内。在所示的实施形式中，数据库206在中央定位在另外的地理位置处，且通过因特网205与参数确定单元200连接。但数据库206也可以以另外的形式与参数确定单元200连接。此外，参数确定单元200也可包括数据库206，特别地，数据库206也可存储在参数确定单元200的存储单元203内。
训练的映射规定在所示的实施形式中在地理上远离的服务器上确定。在此，训练的映射规定在拍摄参数确定前传输到参数确定单元200处。但训练的映射规定也可通过参数确定单元200确定。
除在此实施例中图示的支持向量机外，也可使用另外的自学习系统，以确定训练的映射规定。在此已知如人工神经网络的标准方法，或例如基因算法的强化的学习方法。但支持向量机的使用是有利的，因为与在人工神经网络中不同，在训练期间对于患者特定的拍摄值的集合，匹配的拍摄参数不必已知。支持向量机的使用此外是有利的，因为与在强化的学习方法中不同，在训练阶段不必使用包括患者特定的拍摄值和拍摄参数的许多不匹配的对来拍摄图像数据组，特别地也不必执行许多费时的但不可使用的拍摄。
所图示的方法的另一个步骤是通过成像设备300拍摄IMG图像数据组402。成像设备在此是医疗成像设备300。在此在图示的实施形式中可涉及计算机断层成像设备300，但也可涉及磁共振设备、正电子发射断层成像设备、X光设备或超声波设备。图像数据组402的拍摄通过使用患者特定的拍摄值和一定的拍摄参数进行。所拍摄的图像数据组402然后在拍摄后被输出。此外，通过结果显示单元403输出成像拍摄的持续时间和患者由于成像拍摄所受到的放射剂量。
所图示的方法的另外的步骤是通过操作人员确定质量评估QC。在此，输出所拍摄的图像数据组402的质量、成像拍摄的持续时间和患者由于成像拍摄所受到的放射剂量。替代地，也可考虑将另外的拍摄结果用于评估。在图示的方法中，评估通过二元参数进行，所述二元参数代表操作人员对于拍摄是否满意。评估可通过两个硬件或软件键盘404、405进行。替代地，也可进行复杂的质量评估，例如通过校注或通过滑块控件进行。替代地，系统也可从操作人员的评估导出是否以相同的患者特定的拍摄值但以改变的拍摄参数执行新的拍摄。此情况可能对应于负面的质量评估，而不执行附加拍摄的情况对应于正面的质量评估。
所图示的方法的另外的步骤是结果-数据组的存储SAV，所述结果-数据组包括患者特定的拍摄值、拍摄参数和质量评估。在图示的实施形式中，作为训练-数据组207.1、207.2、207.3的补充在存储器206内进行存储。但存储也可在参数确定单元200的存储单元203内进行。
所图示的方法的另外的步骤是基于训练-数据组207.1、207.2、207.3和结果-数据组对训练的映射规定的训练TRN。在图示的方法中，为此通过支持向量机确定至少一个第一超曲面，所述超曲面将数据组的两个类别分离。训练的映射规定可因此被确定为使得对于所给定的患者特定的拍摄值确定拍摄参数，使得包括患者特定的拍摄值和拍摄参数的数据点512、602具有距超曲面的极值距离。训练的映射规定的训练TRN在图示的方法中在地理上远离的服务器上进行。但替代地，训练的映射规定也通过参数确定单元200训练。已训练的映射规定的训练TRN也可称为连续训练。
图2示出了参数确定单元200。在此实施形式中，参数确定单元200包括接口201、计算单元202、存储单元203和输入与输出单元204。参数确定单元200可特别地涉及计算机、微控制器或集成电路。接口201可特别地涉及硬件接口或软件接口(例如，PCI总线、USB或Firewire)。计算单元202可具有硬件元件或软件元件，例如微处理器或所谓的PFGA(英语“Field Programmable Gate Array”的缩写)。存储单元203可实现为非永久性工作存储器(Random Access Memory，简称为RAM)或永久性大容量存储器(硬盘、USB条、SD卡、固态硬盘)。输入和输出单元204可包括分开的输入单元(键盘、鼠标)和分开的输出单元(显示屏、打印机)。但输入和输出单元也可包括输入单元和输出单元的组合，例如触摸屏。参数确定单元200通过网络205与数据库206连接。网络205可涉及Internet，但也可涉及Intranet或直接连接。数据库206优选地通过服务器实现，所述服务器特别地也可与参数确定单元在空间上分开。数据库206包括多个数据组207.1、207.2、207.3。数据组207.1、207.2、207.3的每个包括患者特定的拍摄值208.1、208.2、208.3、拍摄参数209.1、209.2、209.3以及质量评估210.1、210.2、210.3。
在此处所示的实施形式中，在参数确定单元200的存储器203上存储至少一个计算机程序，所述计算机程序当在计算单元202上实施时执行根据本发明的方法的所有方法步骤。计算机程序包括程序代码，以用于实施根据本发明的方法的方法步骤。此外，计算机程序可形成为可实施的文件和/或存储在作为参数确定单元200的另外的计算系统上。例如，参数确定单元200可实施为通过Intranet或Internet将用于实施根据本发明的方法的计算机程序载入到参数确定单元200的存储器203内。此外，在所示的实施例中训练的映射规定存储在参数确定单元的存储器203内。
图3示出了成像设备，在此所示的实施形式所述成像设备是计算机断层成像设备300。在此所示的计算机断层成像设备300具有拍摄单元301，所述拍摄单元301具有X光源308以及X光检测器309。拍摄单元301在记录测量数据期间围绕系统轴线305旋转，且X光源308在拍摄期间发射X光射线302。X光源308在所示的示例中是X光管。X光检测器309在此处所示的示例中是带有多个行的行检测器。
在此处所示的实施例中，患者303在记录测量数据时躺在患者台306上。患者台306与台座304连接使得台座支承带有患者303的患者台306。患者台306设置为使患者303沿拍摄方向运动通过拍摄单元301的开口307。拍摄方向通常通过在拍摄测量数据期间拍摄单元301围绕其旋转系统轴线305给定。在螺旋拍摄时患者台306连续地运动通过开口307，而拍摄单元301围绕患者303旋转且记录测量数据。以此X光射线302在患者303的体表上描绘了螺旋线。为基于患者特定的拍摄值确定拍摄参数，在此所示的计算机断层成像设备300此外具有参数确定单元200。
在此处所示的实施例中，参数确定单元200形成为计算机200，此外接口201形成为计算机200的部分。计算机200与具有显示屏与输入单元的组合的形式的输入与输出单元204连接。在显示屏上可以以不同的形式显示图像数据组402，例如作为绘制的体积图或作为截面图。输入与输出单元204的输入部分例如是键盘、鼠标、所谓的“触摸屏”或用于语音输入的麦克风。通过输入单元可启动根据本发明的计算机程序。根据本发明的方法的单独的步骤可通过输入单元支持，例如可通过键盘输入患者特定的拍摄值，特别地为患者303的身高、年龄、体重和性别。
计算机200和与之相关的单元可与计算机可读取的介质310协作，特别地以通过带有程序代码的计算机程序执行根据本发明的方法。此外，计算机程序的程序代码可在机器可读取的介质310上可调出地存储。特别地，机器可读取的介质是CD、DVD、蓝光盘、存储条或硬盘。计算机程序产品310在此包括计算机程序和相应的程序代码。
图4示出了输入与输出单元204的另外的实施例400。所示的输入与输出单元204是其上可显示图像数据组402的图像显示单元401与结果显示单元403和两个开关404和405的组合。所示的输入与输出单元可特别地是触摸屏，其中图像显示单元401、结果显示单元403和开关404、405在共同的显示屏上显示。图像显示单元401还可包括另外的开关面，所述开关面可用于旋转、移动、放大和/或缩小图像数据组402。此外，图像显示单元401可包括设置为用于从图像数据组402选择一定的图像的开关面。在结果显示单元403中可特别地显现用于拍摄的另外的数据，特别是图像数据组402的拍摄持续时间和对应于拍摄的通过患者303的放射剂量。结果显示单元403也可嵌入到图像显示单元401内。开关404是开关面，通过所述开关面的按下操作人员可输入对于图像数据组402的拍摄质量的满意。开关405是开关面，通过所述开关面的按下操作人员可输入对于图像数据组402的拍摄质量的不满意。开关面404和405也可嵌入到图像显示单元401或结果显示单元403内。
图5和图6示出了带有质量评估的可能的参数空间，以及训练的映射规定的实施例。图中绘出了患者特定的拍摄值的坐标轴501和拍摄参数的坐标轴502。在图示的示例中，患者特定的坐标值和拍摄参数是一维的参量，参数空间因此是二维空间。此外，参数空间包含可调节的拍摄参数的边界503。边界503通过成像拍摄设备的特征预先给定。例如，在CT设备的情况中存在对于可调节的X光电压和/或可调节的X光电流的上边界。此外，参数空间包括数据点504、505，所述数据点分别与患者特定的拍摄值和拍摄参数相关。在此，数据点区分为带有通过操作人员的正面质量评估的数据点504和带有通过操作人员的负面评估的数据点505。此外，参数空间包括子空间506、507，所述子空间分别仅主要包括带有单一的质量评估的数据点。例如，子空间506主要包括带有正面的质量评估的数据点，子空间507主要包括带有负面评估的数据点505。子空间506和507通过超曲面分离，此外参数空间还包括分离另外的子空间的另外的超曲面510。
在通过训练的映射规定基于患者特定的拍摄值确定拍摄参数时画出了超平面511、601，所述超平面还有带有此患者特定的拍摄值的所有数据点。带有待确定的拍摄参数和预先给定的患者特定的拍摄值的数据点512、514、602、604因此必须落在超平面511、601上。
在图5中图示的第一情况中，超平面511与主要含有带有正面质量评估的数据点504的子空间506具有共同的数据点。属于通过训练的映射规定确定的拍摄参数502的数据点512则处在主要地带有正面质量评估的数据点的子空间506内，且具有距界定子空间506的超曲面509且距所有另外的超曲面的最大距离。另外的不合适的数据点514具有距超曲面509的非最大的距离。
在图6中图示的第二情况中，超曲面601与主要地包含带有正面的质量评估的数据点504的子空间506不具有共同的数据点，而是仅处在主要地包含带有负面的质量评估的数据点505的子空间507内。属于通过训练的映射规定确定的拍摄参数502的数据点602则处在主要地带有负面质量评估的数据点的子空间507内，且具有距界定了子空间507的最近的超曲面509的最小距离603。另外的不合适的数据点604具有距最近的超曲面510的非最大距离605。
Claims (14)
1.一种用于确定拍摄参数的方法，所述方法包括通过参数确定单元执行的如下方法步骤：
-接收(REC)用于拍摄图像数据组(402)的患者特定的拍摄值，
-通过将训练的映射规定应用于患者特定的拍摄值确定(DET)拍摄参数，
其中训练的映射规定基于多个训练-数据组(207.1、207.2、207.3)，
其中训练-数据组(207.1、207.2、207.3)分别包括至少一个患者特定的训练-拍摄值(208.1、208.2、208.3)和至少一个训练-拍摄参数(209.1、209.2、209.3)以及至少一个训练-质量评估(210.1、210.2、210.3)。
2.根据权利要求1所述的方法，此外包括如下方法步骤：
-通过使用拍摄参数由成像设备(300)拍摄(IMG)图像数据组(402)，-确定(QC)包括图像数据组(402)的质量评估和患者特定的拍摄值以及拍摄参数的结果-数据组，
-存储(SAV)结果-数据组。
3.根据权利要求2所述的方法，其中包括如下方法步骤：
-基于训练-数据组(207.1、207.2、207.3)以及结果-数据组来训练(TRN)训练的映射规定。
4.根据权利要求2或3所述的方法，其中质量评估是用于如下特征的至少一个的量度：
-图像数据组(402)的质量，
-图像数据组(402)的拍摄的持续时间，
-对应于患者(303)的图像数据组(402)的拍摄的放射剂量。
5.根据权利要求1至4中任一项所述的方法，其中训练-质量评估(210.1、210.2、210.3)是用于如下训练-图像数据组的特征的至少一个的量度：
-训练-图像数据组的质量，
-训练-图像数据组的拍摄的持续时间，
-对应于患者(303)的训练-图像数据组的拍摄的放射剂量。
6.根据权利要求1至5中任一项所述的方法，其中质量评估和/或训练-质量评估(210.1、210.2、210.3)包括仅能够取有限多个值的离散的参数。
7.根据权利要求6所述的方法，其中离散的参数能够刚好取两个不同的值。
8.根据权利要求6或7所述的方法，其中训练的映射规定通过支持向量机基于训练-数据组(207.1、207.2、207.3)，使得
训练-数据组(207.1、207.2、207.3)的至少一个部分通过训练-质量评估的离散的参数分类到第一类别和第二类别的至少一个内，
在患者特定的拍摄值和拍摄参数的所有组合的参数空间中确定将第一类别和第二类别分离的至少一个第一超曲面(509)，和
训练的映射规定至少通过第一超曲面(509)确定。
9.根据权利要求8所述的方法，其中映射规定通过第一超曲面(509)确定，使得所述映射规定将患者特定的拍摄值映射到拍摄参数，使得第一超曲面(509)和数据点(512、602)之间的距离(513、603)变为极值，其中数据点(512、602)包括患者特定的拍摄值和确定的拍摄参数。
10.一种用于确定拍摄参数的参数确定单元(200)，包括如下单元：
-形成为用于接收(REC)用于拍摄图像数据组(402)的患者特定的拍摄值的接口(201)，
-形成为通过将训练的映射规定应用于患者特定的拍摄值来确定(DET)拍摄参数的计算单元(202)，
其中训练的映射规定基于多个训练-数据组(207.1、207.2、207.3)，
其中训练-数据组(207.1、207.2、207.3)分别包括至少一个患者特定的训练-拍摄值(208.1、208.2、208.3)和至少一个训练-拍摄参数(209.1、209.2、209.3)以及至少一个训练-质量评估(210.1、210.2、210.3)。
11.根据权利要求10所述的参数确定单元(200)，所述参数确定单元(200)此外包括存储单元(203)以及输出和/或输入单元(204)，所述参数确定单元(200)此外形成为执行根据权利要求2至9中任一项所述的方法。
12.一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参数确定单元(200)的存储器(203)内，所述计算机程序带有程序部分，以在所述程序部分被参数确定单元(200)实施时实施根据权利要求1至9中任一项所述的方法的所有步骤。
13.一种计算机可读取的介质(310)，在所述计算机可读取的介质(310)上存储由参数确定单元(200)可读取且可实施的程序部分，以在所述程序部分被参数确定单元(200)实施时实施根据权利要求1至9中任一项所述的方法的所有步骤。
14.一种成像设备(300)，所述成像设备(300)包括根据权利要求10或11所述的参数确定单元(200)。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102016220093.3A DE102016220093A1 (de) | 2016-10-14 | 2016-10-14 | Bestimmen eines Aufnahmeparameters für ein bildgebendes Verfahren |
| DE102016220093.3 | 2016-10-14 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107951500A true CN107951500A (zh) | 2018-04-24 |
| CN107951500B CN107951500B (zh) | 2022-03-04 |
Family
ID=60009408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710951468.2A Expired - Fee Related CN107951500B (zh) | 2016-10-14 | 2017-10-13 | 用于成像方法的拍摄参数的确定 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US10395365B2 (zh) |
| EP (1) | EP3309792A1 (zh) |
| CN (1) | CN107951500B (zh) |
| DE (1) | DE102016220093A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018215958A1 (de) | 2018-09-19 | 2020-03-19 | Siemens Healthcare Gmbh | Verfahren zur Ermittlung eines Befähigungsvorgangs, diesen nutzenden Verfahren zur Einstellung eines dosisbezogenen Aufnahmeparameters, Röntgeneinrichtung, Computerprogramm und elektronisch lesbarer Datenträger |
| EP3962240A4 (en) | 2019-04-23 | 2022-06-22 | Shanghai United Imaging Healthcare Co., Ltd. | METHOD, SYSTEM AND DEVICE FOR CAPTURE OF RADIOLOGICAL IMAGES AND STORAGE MEDIUM |
| CN115018940A (zh) * | 2019-07-30 | 2022-09-06 | 上海联影医疗科技股份有限公司 | 一种获取放射图像方法、系统、装置及存储介质 |
| EP3936881A1 (en) * | 2020-07-06 | 2022-01-12 | Koninklijke Philips N.V. | Magnetic resonance fingerprinting quality assurance |
| DE102020216040A1 (de) | 2020-12-16 | 2022-06-23 | Siemens Healthcare Gmbh | Verfahren zur Ermittlung einer Anpassung einer Bildgebungsuntersuchung |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1648808A (zh) * | 2003-10-24 | 2005-08-03 | 西门子公司 | 用于在技术设备运行期间监控参数选择的装置和方法 |
| CN101308201A (zh) * | 2007-05-18 | 2008-11-19 | 西门子公司 | 控制磁共振系统的方法 |
| US20100145182A1 (en) * | 2008-12-05 | 2010-06-10 | Michaela Schmidt | Method to control the acquisition operation of a magnetic resonance device in the acquisition of magnetic resonance data of a patient, and associated magnetic resonance device |
| CN102085102A (zh) * | 2009-12-02 | 2011-06-08 | 西门子公司 | 支持选择拍摄配置的方法、计算机断层设备和数据载体 |
| US20120041909A1 (en) * | 2010-08-16 | 2012-02-16 | Karlheinz Glaser-Seidnitzer | Method to configure an imaging device |
| CN102576387A (zh) * | 2009-10-22 | 2012-07-11 | 皇家飞利浦电子股份有限公司 | 扫描参数策略 |
| US20120190962A1 (en) * | 2011-01-20 | 2012-07-26 | Karlheinz Glaser-Seidnitzer | Method for computer-assisted configuration of a medical imaging device |
| CN103403568A (zh) * | 2011-03-01 | 2013-11-20 | 皇家飞利浦有限公司 | 对磁共振成像脉冲序列协议分类的确定 |
| CN103999087A (zh) * | 2011-12-15 | 2014-08-20 | 皇家飞利浦有限公司 | 针对接收方优化的医学成像重建 |
| DE102014102080A1 (de) * | 2014-02-19 | 2015-08-20 | Carl Zeiss Ag | Verfahren zur Bildaufnahme und Bildaufnahmesystem |
| US20150260819A1 (en) * | 2014-03-11 | 2015-09-17 | Siemens Medical Solutions Usa, Inc. | Transfer of validated cad training data to amended mr contrast levels |
| CN105144241A (zh) * | 2013-04-10 | 2015-12-09 | 皇家飞利浦有限公司 | 图像质量指数和/或基于其的成像参数推荐 |
| CN105844087A (zh) * | 2009-04-30 | 2016-08-10 | 麦德托尼克公司 | 以基于支持向量机的算法为基础的病人状态探测 |
| CN107464231A (zh) * | 2016-06-03 | 2017-12-12 | 西门子保健有限责任公司 | 用于确定医学成像的最佳操作参数的系统和方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7648460B2 (en) * | 2005-08-31 | 2010-01-19 | Siemens Medical Solutions Usa, Inc. | Medical diagnostic imaging optimization based on anatomy recognition |
| DE102007041826B4 (de) * | 2007-09-03 | 2018-02-01 | Siemens Healthcare Gmbh | Verfahren zur Optimierung von angiographischen MR-Bildern |
| US20120236995A1 (en) * | 2011-03-17 | 2012-09-20 | Christian Eusemann | Automated Imaging Contrast Agent Determination System |
| US10449388B2 (en) * | 2013-06-18 | 2019-10-22 | Duke University | Systems and methods for specifying treatment criteria and treatment parameters for patient specific radiation therapy planning |
| US9471987B2 (en) * | 2013-08-09 | 2016-10-18 | Siemens Healthcare Gmbh | Automatic planning for medical imaging |
| US11495355B2 (en) | 2014-05-15 | 2022-11-08 | The Johns Hopkins University | Method, system and computer-readable media for treatment plan risk analysis |
| US10046177B2 (en) * | 2014-06-18 | 2018-08-14 | Elekta Ab | System and method for automatic treatment planning |
-
2016
- 2016-10-14 DE DE102016220093.3A patent/DE102016220093A1/de not_active Withdrawn
-
2017
- 2017-09-13 EP EP17190742.1A patent/EP3309792A1/de not_active Withdrawn
- 2017-10-13 US US15/783,086 patent/US10395365B2/en not_active Expired - Fee Related
- 2017-10-13 CN CN201710951468.2A patent/CN107951500B/zh not_active Expired - Fee Related
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1648808A (zh) * | 2003-10-24 | 2005-08-03 | 西门子公司 | 用于在技术设备运行期间监控参数选择的装置和方法 |
| CN101308201A (zh) * | 2007-05-18 | 2008-11-19 | 西门子公司 | 控制磁共振系统的方法 |
| US20100145182A1 (en) * | 2008-12-05 | 2010-06-10 | Michaela Schmidt | Method to control the acquisition operation of a magnetic resonance device in the acquisition of magnetic resonance data of a patient, and associated magnetic resonance device |
| CN105844087A (zh) * | 2009-04-30 | 2016-08-10 | 麦德托尼克公司 | 以基于支持向量机的算法为基础的病人状态探测 |
| CN102576387A (zh) * | 2009-10-22 | 2012-07-11 | 皇家飞利浦电子股份有限公司 | 扫描参数策略 |
| CN102085102A (zh) * | 2009-12-02 | 2011-06-08 | 西门子公司 | 支持选择拍摄配置的方法、计算机断层设备和数据载体 |
| US20120041909A1 (en) * | 2010-08-16 | 2012-02-16 | Karlheinz Glaser-Seidnitzer | Method to configure an imaging device |
| US20120190962A1 (en) * | 2011-01-20 | 2012-07-26 | Karlheinz Glaser-Seidnitzer | Method for computer-assisted configuration of a medical imaging device |
| CN103403568A (zh) * | 2011-03-01 | 2013-11-20 | 皇家飞利浦有限公司 | 对磁共振成像脉冲序列协议分类的确定 |
| CN103999087A (zh) * | 2011-12-15 | 2014-08-20 | 皇家飞利浦有限公司 | 针对接收方优化的医学成像重建 |
| CN105144241A (zh) * | 2013-04-10 | 2015-12-09 | 皇家飞利浦有限公司 | 图像质量指数和/或基于其的成像参数推荐 |
| DE102014102080A1 (de) * | 2014-02-19 | 2015-08-20 | Carl Zeiss Ag | Verfahren zur Bildaufnahme und Bildaufnahmesystem |
| US20150260819A1 (en) * | 2014-03-11 | 2015-09-17 | Siemens Medical Solutions Usa, Inc. | Transfer of validated cad training data to amended mr contrast levels |
| CN107464231A (zh) * | 2016-06-03 | 2017-12-12 | 西门子保健有限责任公司 | 用于确定医学成像的最佳操作参数的系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107951500B (zh) | 2022-03-04 |
| US20180108128A1 (en) | 2018-04-19 |
| DE102016220093A1 (de) | 2018-04-19 |
| EP3309792A1 (de) | 2018-04-18 |
| US10395365B2 (en) | 2019-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2019257675B2 (en) | Image enhancement using generative adversarial networks | |
| CN107951500A (zh) | 用于成像方法的拍摄参数的确定 | |
| Wang et al. | Conditional generative adversarial networks for metal artifact reduction in CT images of the ear | |
| AU2019449137B2 (en) | sCT image generation using cyclegan with deformable layers | |
| Leuschner et al. | LoDoPaB-CT, a benchmark dataset for low-dose computed tomography reconstruction | |
| US11769277B2 (en) | Deep learning based scatter correction | |
| CN109598697B (zh) | 二维乳腺造影数据组的确定 | |
| CN103562960B (zh) | 用于生成图像的图像区域与元素类之间的分配的装置 | |
| US20210390668A1 (en) | Image noise reduction method and device | |
| CN107865658B (zh) | 用于修正合成电子密度图的方法和设备 | |
| EP3619686B1 (en) | Generation of accurate hybrid datasets for quantitative molecular imaging | |
| Michael O'Connor et al. | Generation of voxelized breast phantoms from surgical mastectomy specimens | |
| KR20150073628A (ko) | 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 | |
| Pezeshk et al. | Seamless insertion of pulmonary nodules in chest CT images | |
| KR102036834B1 (ko) | 이미지 처리 방법 | |
| Amyar et al. | RADIOGAN: Deep convolutional conditional generative adversarial network to generate PET images | |
| Gomez‐Cardona et al. | Low‐dose cone‐beam CT via raw counts domain low‐signal correction schemes: Performance assessment and task‐based parameter optimization (Part II. Task‐based parameter optimization) | |
| US20230065196A1 (en) | Patient-specific organ dose quantification and inverse optimization for ct | |
| Hsieh et al. | Generation of high-resolution lung computed tomography images using generative adversarial networks | |
| EP4094223A1 (en) | Weakly supervised lesion segmentation | |
| Rohleder et al. | Cross-domain metal segmentation for CBCT metal artifact reduction | |
| EP3586747A1 (en) | Planning a procedure for contrast imaging of a patient | |
| EP4270305A1 (en) | Learning device, method, and program, and medical image processing device | |
| Nakazeko et al. | Estimation of patient’s angle from skull radiographs using deep learning | |
| US20230154594A1 (en) | Systems and methods for protocol recommendations in medical imaging |
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 | ||
| 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: 20220304 |