CN109124635B - 模型生成方法、磁共振成像扫描方法及系统 - Google Patents
模型生成方法、磁共振成像扫描方法及系统 Download PDFInfo
- Publication number
- CN109124635B CN109124635B CN201811116632.9A CN201811116632A CN109124635B CN 109124635 B CN109124635 B CN 109124635B CN 201811116632 A CN201811116632 A CN 201811116632A CN 109124635 B CN109124635 B CN 109124635B
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- positioning
- information
- category
- resonance scanning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000003384 imaging method Methods 0.000 claims abstract description 9
- 230000004807 localization Effects 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 abstract description 3
- 238000004904 shortening Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 10
- 210000001015 abdomen Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- HGBLNBBNRORJKI-WCABBAIRSA-N cyclacillin Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)C1(N)CCCCC1 HGBLNBBNRORJKI-WCABBAIRSA-N 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例提供了一种模型生成方法、磁共振成像扫描方法及系统。本发明实施例通过接收指定部位的待处理磁共振扫描定位像和线圈信息，从接收的信息中提取指定特征信息，基于指定特征信息确定匹配类别，利用匹配类别对应的指定部位的磁共振扫描定位模型，获得待处理磁共振扫描定位像对应的定位信息，根据定位信息，对指定部位执行成像扫描操作，利用通过神经网络训练得到的模型，自动获得定位信息，从而基于该定位信息自动进行定位操作，减少了人工操作，不仅缩短了定位时间，提高了磁共振成像扫描的处理效率，并且节约了人力资源，降低了人力成本，在一定程度上解决了现有技术中磁共振成像扫描处理效率较低且人力成本较高的问题。
Description
【技术领域】
本方案涉及医学影像技术领域，尤其涉及一种模型生成方法、磁共振成像扫描方法及系统。
【背景技术】
在磁共振检查中，为了达到最佳的检查效果，一般需要先扫描定位像，在定位像上进行扫描的位置和旋转角度的调整，即定位，然后再进行正式的临床扫描。
现有技术中，医师通过在事先扫描完的磁共振扫描定位像上手动调整定位框，人工进行接下来扫描的定位操作。这种方式需要较多的人工操作，不能自动完成定位，每一次扫描都要调整定位框，这样，在磁共振成像扫描过程中，医师就需要重复进行定位操作，既耗时又耗力，处理效率较低，且人力成本较高。
【发明内容】
有鉴于此，本方案实施例提供了一种模型生成方法、磁共振成像扫描方法及系统，用以解决现有技术中磁共振成像扫描处理效率较低且人力成本较高的问题。
第一方面，本发明实施例提供一种模型生成方法，所述方法包括：
接收指定数目的训练数据组，每个训练数据组包括指定部位的磁共振扫描定位像、与所述磁共振扫描定位像对应的线圈信息，以及与所述磁共振扫描定位像对应的已知定位信息；
从每个训练数据组的磁共振扫描定位像和线圈信息中，提取指定特征信息；
根据提取的所述指定特征信息，将对应的磁共振扫描定位像划分到相应的类别中；
基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用神经网络进行学习，生成该类别对应的所述指定部位的磁共振扫描定位模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用神经网络进行学习，生成该类别对应的所述指定部位的磁共振扫描定位模型，包括：
基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用第一神经网络进行学习，生成该类别对应的所述指定部位的第一磁共振扫描定位模型；以及
基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用第二神经网络进行学习，生成该类别对应的所述指定部位的第二磁共振扫描定位模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一神经网络为径向基函数神经网络，所述第二神经网络为双模线性神经网络。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，从每组训练数据的磁共振扫描定位像和线圈信息中，提取指定特征信息，包括：
提取线圈信息；
对该组训练数据的磁共振扫描定位像进行特征检测，得到磁共振扫描定位像的空间特征信息和磁共振扫描定位像上的特征点信息；
所述指定特征信息包括所述线圈信息、所述空间特征信息和所述特征点信息。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述空间特征信息包括磁共振扫描定位像的空间灰度分布信息；所述特征点信息包括磁共振扫描定位像的定位特征点信息。
第二方面，本发明实施例提供一种磁共振成像扫描方法，所述方法包括：
接收指定部位的待处理磁共振扫描定位像和线圈信息；
从所述待处理磁共振扫描定位像和所述线圈信息中，提取指定特征信息；
基于所述指定特征信息，确定至少一个匹配类别，每个匹配类别对应一组所述指定部位的磁共振扫描定位模型，所述磁共振扫描定位模型为利用权利要求1至5中任一项所述的方法生成的；
利用所述至少一个匹配类别对应的所述指定部位的磁共振扫描定位模型，获得所述待处理磁共振扫描定位像对应的定位信息；
根据所述定位信息，对所述指定部位执行成像扫描操作。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，利用所述至少一个匹配类别对应的所述指定部位的磁共振扫描定位模型，获得所述待处理磁共振扫描定位像对应的定位信息，包括：
利用所述至少一个匹配类别中每一个匹配类别对应的所述指定部位的磁共振扫描定位模型，分别获得一组初步定位信息，得到至少一组初步定位信息；
根据所述至少一组初步定位信息，得到所述待处理磁共振扫描定位像对应的定位信息。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述一组所述指定部位的磁共振扫描定位模型包括第一磁共振扫描定位模型和第二磁共振扫描定位模型；
利用所述至少一个匹配类别中每一个匹配类别对应的所述指定部位的磁共振扫描定位模型，分别获得一组初步定位信息，得到至少一组初步定位信息，包括：
利用所述至少一个匹配类别中每一个匹配类别对应的所述指定部位的磁共振扫描定位模型中的第一磁共振扫描定位模型，获得第一初步定位信息；
利用所述至少一个匹配类别中每一个匹配类别对应的所述指定部位的磁共振扫描定位模型中的第二磁共振扫描定位模型，获得第二初步定位信息；
所述至少一组初步定位信息中的每一组初步定位信息包括相应匹配类别对应的第一初步定位信息和所述相应匹配类别对应的第二初步定位信息。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据所述至少一组初步定位信息，得到所述待处理磁共振扫描定位像对应的定位信息，包括：
获取所述至少一组初步定位信息中每一组初步定位信息对应的权重；
根据所述每一组初步定位信息及其对应的权重，得到所述待处理磁共振扫描定位像对应的定位信息。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，基于所述指定特征信息，确定至少一个匹配类别，包括：
获取所述指定特征信息中每一个特征信息与各个类别中相应特征信息的相似度，作为第一相似度；
根据所述第一相似度，得到所述指定特征信息与所述各个类别中每一个类别的综合相似度，作为第二相似度；
选择符合指定条件的第二相似度，作为合格相似度；
查找所述合格相似度对应的类别，作为匹配类别。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，其特征在于，
所述指定条件为：第二相似度的值大于相似度阈值；或者，
所述指定条件为：在按照第二相似度的值从大到小排列得到的第二相似度序列中，第二相似度的排位处于指定排位之前。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述定位信息包括扫描位置信息和旋转角度信息。
第三方面，本发明实施例提供一种磁共振成像扫描系统，所述系统包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述系统实现如第一方面任一项所述的方法。
本发明实施例具有以下有益效果：
本发明的一个实施例，通过接收指定部位的待处理磁共振扫描定位像和线圈信息，从待处理磁共振扫描定位像和线圈信息中，提取指定特征信息，基于指定特征信息，确定至少一个匹配类别，利用至少一个匹配类别对应的指定部位的磁共振扫描定位模型，获得待处理磁共振扫描定位像对应的定位信息，根据定位信息，对指定部位执行成像扫描操作，利用通过神经网络训练得到的模型，自动获得定位信息，从而基于该定位信息对磁共振扫描定位像自动进行定位操作，实现了磁共振扫描过程中的自动定位操作，减少了人工操作，不仅缩短了定位时间，提高了磁共振成像扫描的处理效率，并且节约了人力资源，降低了人力成本。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的模型生成方法的流程示例图。
图2为本发明实施例提供的磁共振成像扫描方法的流程示例图。
图3为本发明一实施例的获取待处理磁共振扫描定位像对应的定位信息所用的网络结构示意图。
图4是本发明实施例提供的一种磁共振系统的结构示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例一
本发明实施例提供了一种模型生成方法，该模型生成方法可以自动生成指定部位的磁共振扫描定位模型。利用该模型生成方法生成的指定部位的磁共振扫描定位模型，可以得到待处理磁共振扫描定位像的定位信息，进而根据该定位信息可以对待处理磁共振扫描定位像自动指定定位操作。
图1为本发明实施例提供的模型生成方法的流程示例图。如图1所示，本实施例中，模型生成方法可以包括如下步骤：
S101，接收指定数目的训练数据组，每个训练数据组包括指定部位的磁共振扫描定位像、与磁共振扫描定位像对应的线圈信息，以及与磁共振扫描定位像对应的已知定位信息。
S102，从每个训练数据组的磁共振扫描定位像和线圈信息中，提取指定特征信息。
S103，根据提取的指定特征信息，将对应的磁共振扫描定位像划分到相应的类别中。
S104，基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用神经网络进行学习，生成该类别对应的指定部位的磁共振扫描定位模型。
其中，指定数目可以根据经验设定。指定数目越大，用于训练神经网络的数据集越完备，生成的磁共振扫描定位模型精确度越高，从而根据该磁共振扫描定位模型获得的定位信息准确度越高，进而基于该定位信息进行的定位操作精确度越高。
其中，指定部位可以是头部、胸部、腹部、颈部、肩部或四肢等人体器官或组织。
需要说明的是，磁共振扫描定位模型是与指定部位相对应的。例如，基于头部的训练数据组，得到的是头部的磁共振扫描定位模型；基于腹部的训练数据组，得到的是腹部的磁共振扫描定位模型，等等。
其中，线圈信息可以包括指定部位对应的线圈名称、线圈单元标识、线圈与指定部位所对应的选通线圈单元。对于不同的部位，通常对应的定位方案是不同的。不同部位的扫描通常会使用不同的线圈组合，将线圈信息作为特征量之一，可以更好地识别如何进行定位。
可选地，线圈名称可包括头线圈、颈部线圈、肩部线圈、腹部线圈、脊柱线圈、脚踝线圈中的一种或者多种的组合。线圈单元的标识可包括线圈单元的通道数、线圈单元的位置。可选地，由于线圈单元与病床通常呈现固定位置关系，因此，线圈单元的位置可通过线圈单元相对病床的位置确定。可选地，线圈单元的通道数可以是4通道、6通道、8通道、16通道、24通道等。在一个实施中，指定部位为头部，所用的头线圈具有8通道，而扫描线圈信息的选通通道为6个(接近顶部位置)，因此，此实施例中的线圈信息包括：线圈名称(头线圈)、线圈单元标识(线圈位置)和选通的线圈单元。在另一个实施例中，指定部位为下腹部，所用的线圈的单元为腹部线圈和脊柱线圈，其中：腹部线圈具有9通道；脊柱线圈具有24通道，所对应的选通的线圈单元包括腹部线圈的全部九个线圈单元和脊柱线圈临近受检者脚部的6个线圈单元。可以理解地，本实施中的单个通道对应一个线圈单元。
其中，已知定位信息可以包括扫描位置坐标、旋转角度信息和/或病床移动至扫描区域的距离。
已知定位信息可以是通过传统方法已经确定了的定位信息，传统方法可以是本申请之前的任意一种确定磁共振扫描定位像的定位信息的方法。例如，医师在磁共振扫描定位像上手动调整定位框，调整好后记录扫描位置和旋转角度等定位信息。
在一个实施例中，已知定位信息可以来自于临床医生或者扫描技师在进行磁共振扫描时，所要进行定位的经验。例如，在进行头部扫描(脑部疾病)时，通常使用前后联合间线(anterior combination–post combination，AC－PC)作为横断位定位的基准，这个“AC－PC连线”即可以作为一个已知定位信息。
其中，指定特征信息中的内容可包括线圈信息、定位像空间特征信息和/或空间定位像上的特征点信息等。
其中，步骤S103中所述类别的数量和内容可以是预先确定的。
举例说明步骤S103和S104。假设通过步骤S101接收了1万个人体头部的训练数据组，其中包括1万幅磁共振扫描定位像，分别记为a1、a2、a3……a10000。共有12个类别，分别记为类别1、类别2、……类别12。根据步骤S103，a1、a3、a6……等1000幅磁共振扫描定位像被划分到类别1中，那么根据步骤S104，基于a1及a1对应的已知定位信息、a3及a3对应的已知定位信息、a6及a6对应的已知定位信息……等类别1对应的1000幅磁共振扫描定位像和该1000幅磁共振扫描定位像各自对应的已知定位信息，采用神经网络进行学习，生成类别1对应的头部的磁共振扫描定位模型。
图1所示实施例，基于机器学习，利用神经网络训练得到了指定部位的磁共振扫描定位模型，从而使得在磁共振扫描定位过程中，能够利用该训练好的磁共振扫描定位模型，自动获得指定部位的磁共振扫描定位像的定位信息，并进一步基于该定位信息自动对磁共振扫描定位像进行定位操作，从而实现磁共振扫描过程中的自动定位操作，这样就减少了磁共振扫描定位过程中的人工操作环节，从而能够提高处理效率，并且降低人力成本。
在一个示例性的实现过程中，基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用神经网络进行学习，生成该类别对应的指定部位的磁共振扫描定位模型，可以包括：基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用第一神经网络进行学习，生成该类别对应的指定部位的第一磁共振扫描定位模型；以及基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用第二神经网络进行学习，生成该类别对应的指定部位的第二磁共振扫描定位模型。
在一个示例性的实现过程中，第一神经网络可以为径向基函数(Radial BasisFunction，简称RBF)神经网络，第二神经网络可以为双模线性(Bi-modal LinearEstimation，简称BLE)神经网络。
在一个示例性的实现过程中，从每组训练数据的磁共振扫描定位像和线圈信息中，提取指定特征信息，可以包括：提取线圈信息；对该组训练数据的磁共振扫描定位像进行特征检测，得到磁共振扫描定位像的空间特征信息和磁共振扫描定位像上的特征点信息；指定特征信息包括线圈信息、空间特征信息和特征点信息。
在一个示例性的实现过程中，空间特征信息包括磁共振扫描定位像的空间灰度分布信息；特征点信息包括磁共振扫描定位像的定位特征点信息。
本发明实施例提供的模型生成方法，通过接收指定数目的训练数据组，每个训练数据组包括指定部位的磁共振扫描定位像、与磁共振扫描定位像对应的线圈信息，以及与磁共振扫描定位像对应的已知定位信息，从每个训练数据组的磁共振扫描定位像和线圈信息中，提取指定特征信息，根据提取的指定特征信息，将对应的磁共振扫描定位像划分到相应的类别中，每一个类别对应一组磁共振扫描定位模型，基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用神经网络进行学习，生成该类别对应的指定部位的磁共振扫描定位模型，基于机器学习，利用神经网络训练得到了指定部位的磁共振扫描定位模型，从而使得在磁共振扫描定位过程中，能够利用该训练好的磁共振扫描定位模型，自动获得指定部位的磁共振扫描定位像的定位信息，并进一步基于该定位信息自动对磁共振扫描定位像进行定位操作，从而实现磁共振扫描过程中的自动定位操作，这样就减少了磁共振扫描定位过程中的人工操作环节，从而能够提高处理效率，并且降低人力成本。可见，本发明实施例提供的模型生成方法，为磁共振扫描过程中的自动定位奠定了基础。
实施例二
本发明实施例提供了一种磁共振成像扫描方法，该磁共振成像扫描方法可以应用于磁共振扫描过程中对磁共振扫描定位像的定位过程中，实现磁共振扫描自动定位。
图2为本发明实施例提供的磁共振成像扫描方法的流程示例图。如图2所示，本实施例中，磁共振成像扫描方法可以包括如下步骤：
S201，接收指定部位的待处理磁共振扫描定位像和线圈信息。
S202，从待处理磁共振扫描定位像和线圈信息中，提取指定特征信息。
S203，基于指定特征信息，确定至少一个匹配类别，每个匹配类别对应一组指定部位的磁共振扫描定位模型，磁共振扫描定位模型为利用实施例一中任一种模型生成方法生成的。
S204，利用至少一个匹配类别对应的指定部位的磁共振扫描定位模型，获得待处理磁共振扫描定位像对应的定位信息。
S205，根据定位信息，对指定部位执行成像扫描操作。
其中，指定部位可以是头部、胸部、腹部等等。一种指定部位对应一套磁共振扫描定位模型。其中，每一种指定部位可以包括多个类别，每个类别对应一组磁共振扫描定位模型，一种指定部位的所有类别对应的全部磁共振扫描定位模型就是该指定部位对应的一套磁共振扫描定位模型。
举例说明。以头部为例，假设头部包括20个类别，每个类别对应一组磁共振扫描定位模型，一组磁共振扫描定位模型包括2个磁共振扫描定位模型，这2个磁共振扫描定位模型分别为采用径向基函数神经网络训练得到的磁共振扫描定位模型A以及采用双模线性神经网络得到的磁共振扫描定位模型B。那么，头部总共对应20×2＝40个磁共振扫描定位模型，其中包括20个磁共振扫描定位模型A和20个磁共振扫描定位模型B。
步骤S202中，从待处理磁共振扫描定位像和线圈信息中提取指定特征信息的过程，与前述实施例一中步骤S102从每个训练数据组的磁共振扫描定位像和线圈信息中提取指定特征信息的过程相同，此处不再赘述。
并且，本实施例中，指定特征信息与前述实施例一中指定特征信息的含义、内容均相同，此处不再赘述。
步骤S203中，匹配类别是与特定的待处理磁共振扫描定位像和线圈信息对应的，一对待处理磁共振扫描定位像和线圈信息的组合可以对应至少一个匹配类别。
由前述实施例一可知，步骤S203中所使用的磁共振扫描定位模型，是通过神经网络训练得到的模型。
步骤S204中，利用至少一个匹配类别对应的指定部位的磁共振扫描定位模型，获得待处理磁共振扫描定位像对应的定位信息，可以自动、快速地获得待处理磁共振扫描定位像对应的定位信息，有助于减少定位所需时间，提高定位操作的工作效率。
步骤S205中，根据定位信息，对指定部位执行成像扫描操作，可以实现扫描定位框的自动确定，该扫描定位框确定后即确定了后续射频脉冲的施加角度(方向)和施加位置(例如，三维定位像上某一片层)，减少了人工操作，从而缩短了定位时间，提高了定位操作的工作效率，并且节约了人力资源，降低了人力成本。
可见，图2所示实施例，利用通过神经网络训练得到的模型，自动获得定位信息，从而基于该定位信息对磁共振扫描定位像进行定位操作，实现了磁共振扫描过程中的自动定位操作，减少了人工操作，不仅缩短了定位时间，提高了处理效率，并且节约了人力资源，降低了人力成本。
在一个示例性的实现过程中，利用至少一个匹配类别对应的指定部位的磁共振扫描定位模型，获得待处理磁共振扫描定位像对应的定位信息，可以包括：利用至少一个匹配类别中每一个匹配类别对应的所述指定部位的磁共振扫描定位模型，分别获得一组初步定位信息，得到至少一组初步定位信息；根据至少一组初步定位信息，得到待处理磁共振扫描定位像对应的定位信息。
在一个示例性的实现过程中，一组指定部位的磁共振扫描定位模型可以包括第一磁共振扫描定位模型和第二磁共振扫描定位模型；利用至少一个匹配类别中每一个匹配类别对应的指定部位的磁共振扫描定位模型，分别获得一组初步定位信息，得到至少一组初步定位信息，包括：利用至少一个匹配类别中每一个匹配类别对应的指定部位的磁共振扫描定位模型中的第一磁共振扫描定位模型，获得第一初步定位信息；利用至少一个匹配类别中每一个匹配类别对应的指定部位的磁共振扫描定位模型中的第二磁共振扫描定位模型，获得第二初步定位信息；至少一组初步定位信息中的每一组初步定位信息包括相应匹配类别对应的第一初步定位信息和相应匹配类别对应的第二初步定位信息。
举例说明。假设头部的一幅待处理磁共振扫描定位像对应3个匹配类别，分别为类别11、类别12、类别13，每一个匹配类别对应磁共振扫描定位模型C和磁共振扫描定位模型D两个模型，类别11对应磁共振扫描定位模型C1和磁共振扫描定位模型D1，类别12对应磁共振扫描定位模型C2和磁共振扫描定位模型D2，类别13对应磁共振扫描定位模型C3和磁共振扫描定位模型D3。利用磁共振扫描定位模型C1获得第一初步定位信息E1，利用磁共振扫描定位模型D1获得第二初步定位信息F1；利用磁共振扫描定位模型C2获得第一初步定位信息E2，利用磁共振扫描定位模型D2获得第二初步定位信息F2；利用磁共振扫描定位模型C3获得第一初步定位信息E3，利用磁共振扫描定位模型D3获得第二初步定位信息F3。然后，根据E1、E2、E3、F1、F2、F3这6个初步定为信息，就可以得到待处理磁共振扫描定位像对应的定位信息。
在一个示例性的实现过程中，根据至少一组初步定位信息，得到待处理磁共振扫描定位像对应的定位信息，可以包括：获取至少一组初步定位信息中每一组初步定位信息对应的权重；根据每一组初步定位信息及其对应的权重，得到待处理磁共振扫描定位像对应的定位信息。
在一个示例性的实现过程中，基于指定特征信息，确定至少一个匹配类别，可以包括：获取指定特征信息中每一个特征信息与各个类别中相应特征信息的相似度，作为第一相似度；根据第一相似度，得到指定特征信息与各个类别中每一个类别的综合相似度，作为第二相似度；选择符合指定条件的第二相似度，作为合格相似度；查找合格相似度对应的类别，作为匹配类别。
在一个示例性的实现过程中，指定条件为：第二相似度的值大于相似度阈值；或者，指定条件为：在按照第二相似度的值从大到小排列得到的第二相似度序列中，第二相似度的排位处于指定排位之前。
举例说明。假设指定特征信息包括特征1、特征2、特征3、特征4、特征5共5个特征量，对于确定的指定特征信息来说，每个特征量都有确定的值。同时假设共有100个类别，分别为类别1、类别2……类别100，每个类别中的每个特征量也都有确定的值。对于类别1，首先获取指定特征信息中的特征1与类别1中的特征1的第一相似度、指定特征信息中的特征2与类别1中的特征2的第一相似度……指定特征信息中的特征5与类别1中的特征5的第一相似度，然后根据这5个第一相似度得到指定特征信息与类别1的第二相似度。类别2至类别100按照上述类别1的方式获得对应的第二相似度。
在得到指定特征信息分别与类别1、类别2……类别100的第二相似度(共100个)后，从这100个第二相似度中查找出值大于相似度阈值的第二相似度，作为合格相似度；或者，将这100个第二相似度按照值从大到小的顺序排列，取前8个第二相似度作为合格相似度。
其中，定位信息可以包括扫描位置信息和旋转角度信息。
在一个示例性的实现过程中，利用至少一个匹配类别对应的指定部位的磁共振扫描定位模型，获得待处理磁共振扫描定位像对应的定位信息可包括：基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用神经网络进行学习，生成该类别对应的指定部位的磁共振扫描定位模型；将每个类别对应的指定部位的磁共振扫描定位模型的输出信息合并，得到合并信息，该合并信息即为待处理磁共振扫描定位像对应的定位信息。
如图3为本发明一实施例的获取待处理磁共振扫描定位像对应的定位信息所用的网络结构示意图。整个网络可包括：输入端口310、特征生成器320、分类器330、RBF网络340、BLE网络350以及合成器360、输出端口370。
在此实施例中，首先，通过输入端口310可输入待处理磁共振扫描定位像和线圈信息。接着，输入端口310的信息发送至特征生成器320，通过特征生成器320可提取线圈信息作为一个特征，并对定位像进行特征检测，生成16种表征定位像空间灰度分布的特征、6个表征定位像对应的定位信息的特征，即：通过特征生成器320可获取共23个特征量。可选地，16种表征定位像空间灰度分布的特征可通过如下方式确定：将扫描部位扫对应的定位像划分为16个小块(子定位像)，每个小块内的图像都会计算得到像素点的灰度直方图分布，即：16个灰度直方图分布对应形成16种表征定位像空间灰度分布的特征。可选地，6个表征定位像对应的定位信息的特征可通过如下方式确定：扫描部位扫对应的定位像所在三维坐标分别为X、Y和Z三个维度，定位框在每个维度会产生旋转和平移两种操作，即：每个维度同时对应两个表征定位像对应定位信息的特征。
然后，特征生成器320的特征量输入至分类器330，分类器330将输入的定位像划分为若干个分类(在此实施例中具体设置为96个)，将每一个分类输入到RBF网络340、BLE网络350中。在此实施例中，RBF网络340与BLE网络350形成神经网络对，每个神经网络对作为神经网络的一个神经单元，该神经单元属于自组织神经网络，可自适应权值，方便确定最优解。将多个神经网络对的处理信息通过合成器360进行融合处理，即可得到定位像对应的定位信息，最终经输出端口370输出。需要指出的是，本发明实施例中分类器330示出的每个箭头可表示多个输出端口，每个输出端口可分别连接一个神经单元(部分未示出)，即本发明实施例中对于神经单元的数量并不做具体限制。本发明实施例中使用的BLE网络350对于已经被训练过的数据(或者与训练集非常接近的数据)有很好的表现；BLE网络对于未被训练过的数据，它的表现会更优于RBF网络，综合两种网络，本发明实施例的神经网络对具有良好的自组织网络特性。
可选地，本发明实施例中每个神经网络对的输出信息可带有对应的权重，合成器360可将属于相同类别特征信息的输出量根据权值进行加权处理，最终得到指定部位定位像的定位信息。进一步地，系统根据定位信息可确定目标器官的激发片层(层面)、RF脉冲和/或梯度脉冲的施加方向。
可选地，本发明实施例中的分类器330还具备筛选功能：分类器330中的分类(先验分类)数量可大于待处理目标的特征量数量，分类器330将每一个特征量与先验分类逐一对比，计算与先验分类中心的相似度，提取出相似度最高的几个分类，并输入给对应的神经单元计算出定位信息。本发明实施例提供的磁共振成像扫描方法，通过接收指定部位的待处理磁共振扫描定位像和线圈信息，从待处理磁共振扫描定位像和线圈信息中，提取指定特征信息，基于指定特征信息，确定至少一个匹配类别，利用至少一个匹配类别对应的指定部位的磁共振扫描定位模型，获得待处理磁共振扫描定位像对应的定位信息，根据定位信息，对指定部位执行成像扫描操作，利用通过神经网络训练得到的模型，自动获得定位信息，从而基于该定位信息对磁共振扫描定位像自动进行定位操作，实现了磁共振扫描过程中的自动定位操作，减少了人工操作，不仅缩短了定位时间，提高了磁共振成像扫描的处理效率，并且节约了人力资源，降低了人力成本。
实施例三
本发明实施例提供一种磁共振成像扫描系统，该系统包括处理器以及存储器；存储器用于存储指令，指令被所述处理器执行时，导致系统实现上述实施例二中任一种磁共振成像扫描方法。
图4是本发明实施例提供的一种磁共振系统的结构示意图，图4显示的医学成像系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。该磁共振系统包括磁共振扫描设备410和计算机420。在一些实施例中，磁共振扫描设备410可包括超导磁体、梯度线圈、射频线圈以及控制器，其中：超导磁体主要包括产生主磁场B0，主磁体可以是永磁体或超导磁体，且超导磁体形成容纳受检者的孔腔，该孔腔的中心即为检测区域；梯度线圈可包含三个独立通道Gx、Gy、Gz，梯度放大器可激发梯度线圈组中对应的梯度线圈，产生用于生成相应空间编码信号的梯度场，以对磁共振信号进行空间定位；射频线圈可包括射频发射线圈和射频接收线圈，射频发射线圈用于向受检者或人体发射射频脉冲信号，射频接收线圈用于接收从人体采集的磁共振信号。在一个实施例中，射频接收线圈的种类可以是鸟笼形线圈、螺线管形线圈、马鞍形线圈、亥姆霍兹线圈、相控阵列线圈、回路线圈等。
控制器可同时控制超导磁体、梯度线圈、射频线圈。示例性地控制器可连接脉冲序列发生器、梯度波形发生器、发射机和接收机等，在接受用户从控制台发出的指令后，控制射频发射线圈和/或梯度线圈执行相应扫描序列。当然，在一些实施例中，控制器可集成在计算机420内部。
计算机420可以被用于实现实施本发明一些实施例中披露的特定方法和装置。本实施例中的特定装置利用功能框图展示了一个包含显示模块的硬件平台。在一些实施例中，计算机420可以通过其硬件设备、软件程序、固件以及它们的组合来实现本发明一些实施例的具体实施。在一些实施例中，计算机420可以是一个通用目的的计算机，或一个有特定目的的计算机。
如图4所示，计算机420可以包括内部通信总线421，处理器(processor)422，只读存储器(ROM)423，随机存取存储器(RAM)424，通信端口425，输入/输出组件426，硬盘427，以及用户界面428。内部通信总线421可以实现计算机420组件间的数据通信。处理器422可以进行判断和发出提示。在一些实施例中，处理器422可以由一个或多个处理器组成。通信端口425可以实现计算机420与其他部件(图中未示出)例如：外接设备、图像采集设备、数据库、外部存储以及图像处理工作站等之间进行数据通信。在一些实施例中，计算机420可以通过通信端口425从网络发送和接受信息及数据。输入/输出组件426支持计算机420与其他部件之间的输入/输出数据流。用户界面428可以实现计算机420和用户之间的交互和信息交换。计算机420还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘427，只读存储器(ROM)423，随机存取存储器(RAM)424，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器422所执行的可能的程序指令。
所述处理器422执行程序时可用于执行一种磁共振成像扫描方法，所述方法包括：将受检者置于磁共振扫描设备410的扫描床上；利用磁共振扫描设备410扫描获得受检者的定位像；在定位像中确定指定部位和指定部位对应的线圈信息；从定位像和所述线圈信息中，提取指定特征信息；基于指定特征信息，确定一个或多个匹配类别，每个匹配类别对应如图3所示的一组指定部位的磁共振扫描定位模型；利用至少一个匹配类别对应的指定部位的磁共振扫描定位模型，获得待处理磁共振扫描定位像对应的定位信息；根据所述定位信息，确定RF脉冲和/或梯度脉冲的时间方向、目标部位的激发片层等，以对指定部位执行成像扫描操作。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (8)
1.一种模型生成方法，其特征在于，所述方法包括：
接收指定数目的训练数据组，每个训练数据组包括指定部位的磁共振扫描定位像、与所述磁共振扫描定位像对应的线圈信息，以及与所述磁共振扫描定位像对应的已知定位信息，所述已知定位信息包括扫描位置坐标、旋转角度信息和/或病床移动至扫描区域的距离，所述线圈信息包括指定部位对应的线圈名称、线圈单元标识、线圈与指定部位所对应的选通线圈单元，所述线圈单元标识包括线圈单元的通道数、线圈单元的位置；
从每个训练数据组的磁共振扫描定位像和线圈信息中，提取指定特征信息；
根据提取的所述指定特征信息，将对应的磁共振扫描定位像划分到相应的类别中；
基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用神经网络进行学习，生成该类别对应的所述指定部位的磁共振扫描定位模型；
基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用神经网络进行学习，生成该类别对应的所述指定部位的磁共振扫描定位模型，包括：
基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用第一神经网络进行学习，生成该类别对应的所述指定部位的第一磁共振扫描定位模型，所述第一神经网络为径向基函数神经网络；以及
基于各个类别中每一个类别对应的磁共振扫描定位像及对应的已知定位信息，采用第二神经网络进行学习，生成该类别对应的所述指定部位的第二磁共振扫描定位模型，所述第二神经网络为双模线性神经网络；
所述径向基函数神经网络与所述双模线性神经网络形成神经网络对，所述神经网络对与合成器连接；所述合成器用于将多个所述神经网络对的处理信息进行融合处理，得到定位像对应的定位信息。
2.根据权利要求1所述的方法，其特征在于，从每组训练数据的磁共振扫描定位像和线圈信息中，提取指定特征信息，包括：
提取线圈信息；
对该组训练数据的磁共振扫描定位像进行特征检测，得到磁共振扫描定位像的空间特征信息和磁共振扫描定位像上的特征点信息；
所述指定特征信息包括所述线圈信息、所述空间特征信息和所述特征点信息。
3.根据权利要求2所述的方法，其特征在于，所述空间特征信息包括磁共振扫描定位像的空间灰度分布信息；所述特征点信息包括磁共振扫描定位像的定位特征点信息。
4.一种磁共振成像扫描方法，其特征在于，所述方法包括：
接收指定部位的待处理磁共振扫描定位像和线圈信息；
从所述待处理磁共振扫描定位像和所述线圈信息中，提取指定特征信息；
基于所述指定特征信息，确定至少一个匹配类别，每个匹配类别对应一组所述指定部位的磁共振扫描定位模型，所述磁共振扫描定位模型为利用权利要求1至3中任一项所述的方法生成的；
利用所述至少一个匹配类别对应的所述指定部位的磁共振扫描定位模型，获得所述待处理磁共振扫描定位像对应的定位信息；
根据所述定位信息，对所述指定部位执行成像扫描操作。
5.根据权利要求4所述的方法，其特征在于，利用所述至少一个匹配类别对应的所述指定部位的磁共振扫描定位模型，获得所述待处理磁共振扫描定位像对应的定位信息，包括：
利用所述至少一个匹配类别中每一个匹配类别对应的所述指定部位的磁共振扫描定位模型，分别获得一组初步定位信息，得到至少一组初步定位信息；
根据所述至少一组初步定位信息，得到所述待处理磁共振扫描定位像对应的定位信息。
6.根据权利要求5所述的方法，其特征在于，所述一组所述指定部位的磁共振扫描定位模型包括第一磁共振扫描定位模型和第二磁共振扫描定位模型；
利用所述至少一个匹配类别中每一个匹配类别对应的所述指定部位的磁共振扫描定位模型，分别获得一组初步定位信息，得到至少一组初步定位信息，包括：
利用所述至少一个匹配类别中每一个匹配类别对应的所述指定部位的磁共振扫描定位模型中的第一磁共振扫描定位模型，获得第一初步定位信息；
利用所述至少一个匹配类别中每一个匹配类别对应的所述指定部位的磁共振扫描定位模型中的第二磁共振扫描定位模型，获得第二初步定位信息；
所述至少一组初步定位信息中的每一组初步定位信息包括相应匹配类别对应的第一初步定位信息和所述相应匹配类别对应的第二初步定位信息。
7.根据权利要求5所述的方法，其特征在于，根据所述至少一组初步定位信息，得到所述待处理磁共振扫描定位像对应的定位信息，包括：
获取所述至少一组初步定位信息中每一组初步定位信息对应的权重；
根据所述每一组初步定位信息及其对应的权重，得到所述待处理磁共振扫描定位像对应的定位信息。
8.一种磁共振成像扫描系统，其特征在于，所述系统包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述系统实现如权利要求4～7任一项所述的成像扫描方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811116632.9A CN109124635B (zh) | 2018-09-25 | 2018-09-25 | 模型生成方法、磁共振成像扫描方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811116632.9A CN109124635B (zh) | 2018-09-25 | 2018-09-25 | 模型生成方法、磁共振成像扫描方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109124635A CN109124635A (zh) | 2019-01-04 |
| CN109124635B true CN109124635B (zh) | 2022-09-02 |
Family
ID=64823749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811116632.9A Active CN109124635B (zh) | 2018-09-25 | 2018-09-25 | 模型生成方法、磁共振成像扫描方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109124635B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675444B (zh) * | 2019-09-26 | 2023-03-31 | 东软医疗系统股份有限公司 | 头部ct扫描区域的确定方法、装置及图像处理设备 |
| CN111493911B (zh) * | 2020-04-30 | 2023-11-28 | 上海联影医疗科技股份有限公司 | 一种扫描定位框的生成方法、装置和计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107111867A (zh) * | 2015-08-07 | 2017-08-29 | 上海联影医疗科技有限公司 | 多模态成像系统及方法 |
| CN107669273A (zh) * | 2017-11-07 | 2018-02-09 | 上海联影医疗科技有限公司 | 磁共振设备扫描系统、扫描方法及计算机可读存储介质 |
| CN108109170A (zh) * | 2017-12-18 | 2018-06-01 | 上海联影医疗科技有限公司 | 医学图像扫描方法及医学影像设备 |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5995651A (en) * | 1996-07-11 | 1999-11-30 | Duke University | Image content classification methods, systems and computer programs using texture patterns |
| US20070255755A1 (en) * | 2006-05-01 | 2007-11-01 | Yahoo! Inc. | Video search engine using joint categorization of video clips and queries based on multiple modalities |
| CN101727462B (zh) * | 2008-10-17 | 2012-04-25 | 北京大学 | 中文比较句分类器模型生成、中文比较句识别方法及装置 |
| CN103142230B (zh) * | 2013-03-27 | 2015-05-27 | 深圳安科高技术股份有限公司 | 一种磁共振定位扫描的方法及装置 |
| CN104866496B (zh) * | 2014-02-22 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 确定词素重要性分析模型的方法及装置 |
| CN104997528B (zh) * | 2014-04-21 | 2018-03-27 | 东芝医疗系统株式会社 | X 射线计算机断层拍摄装置以及拍摄条件设定辅助装置 |
| CN104331442A (zh) * | 2014-10-24 | 2015-02-04 | 华为技术有限公司 | 视频分类方法和装置 |
| CN104598970B (zh) * | 2015-01-09 | 2017-02-22 | 宁波大学 | 一种爬架组的工作状态检测方法 |
| CN105574538B (zh) * | 2015-12-10 | 2020-03-17 | 小米科技有限责任公司 | 分类模型训练方法及装置 |
| CN106874921B (zh) * | 2015-12-11 | 2020-12-04 | 清华大学 | 图像分类方法和装置 |
| US11137462B2 (en) * | 2016-06-10 | 2021-10-05 | Board Of Trustees Of Michigan State University | System and method for quantifying cell numbers in magnetic resonance imaging (MRI) |
| US11291532B2 (en) * | 2016-07-27 | 2022-04-05 | James R. Glidewell Dental Ceramics, Inc. | Dental CAD automation using deep learning |
| EP3282271A1 (de) * | 2016-08-08 | 2018-02-14 | Siemens Healthcare GmbH | Verfahren zu einem einstellen und/oder anpassen von einem parameterwert von zumindest einem parameter eines magnetresonanzprotokolls für zumindest eine magnetresonanzsequenz |
| US20180144256A1 (en) * | 2016-11-22 | 2018-05-24 | Facebook, Inc. | Categorizing Accounts on Online Social Networks |
| US10182771B2 (en) * | 2017-02-10 | 2019-01-22 | Siemens Healthcare Gmbh | Method and system for dose-optimized computed tomography scanning of a target organ |
| WO2018170267A1 (en) * | 2017-03-16 | 2018-09-20 | Battelle Energy Alliance, Llc | System, method, and apparatus for wireless frequency signal identification and protocol reverse engineering |
| CN107977709B (zh) * | 2017-04-01 | 2021-03-16 | 北京科亚方舟医疗科技股份有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
| CN107292257A (zh) * | 2017-06-14 | 2017-10-24 | 深圳先进技术研究院 | 基于深度学习的身体部位自动识别磁共振扫描方法与装置 |
| CN107510458B (zh) * | 2017-08-11 | 2020-09-11 | 上海联影医疗科技有限公司 | 一种磁共振成像方法和设备 |
| CN107767413B (zh) * | 2017-09-20 | 2020-02-18 | 华南理工大学 | 一种基于卷积神经网络的图像深度估计方法 |
| CN107833248B (zh) * | 2017-12-18 | 2021-09-07 | 上海联影医疗科技股份有限公司 | 医学图像扫描方法及医学影像设备 |
| CN108305236B (zh) * | 2018-01-16 | 2022-02-22 | 腾讯科技（深圳）有限公司 | 图像增强处理方法及装置 |
| CN108470138A (zh) * | 2018-01-24 | 2018-08-31 | 博云视觉（北京）科技有限公司 | 用于目标检测的方法和装置 |
| CN108416198B (zh) * | 2018-02-06 | 2022-02-01 | 平安科技（深圳）有限公司 | 人机识别模型的建立装置、方法及计算机可读存储介质 |
-
2018
- 2018-09-25 CN CN201811116632.9A patent/CN109124635B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107111867A (zh) * | 2015-08-07 | 2017-08-29 | 上海联影医疗科技有限公司 | 多模态成像系统及方法 |
| CN107669273A (zh) * | 2017-11-07 | 2018-02-09 | 上海联影医疗科技有限公司 | 磁共振设备扫描系统、扫描方法及计算机可读存储介质 |
| CN108109170A (zh) * | 2017-12-18 | 2018-06-01 | 上海联影医疗科技有限公司 | 医学图像扫描方法及医学影像设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109124635A (zh) | 2019-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001925B (zh) | 图像的分割方法、放射治疗系统、计算机设备和存储介质 | |
| US20220222932A1 (en) | Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus | |
| CN112508965B (zh) | 医学影像中正常器官的轮廓线自动勾画系统 | |
| CN109709503B (zh) | 一种磁共振系统控制方法、磁共振系统、计算机设备 | |
| CN112263236B (zh) | 全身肿瘤mri智能化评估系统及方法 | |
| US9254111B2 (en) | PET acquisition scheduling based on MR scout images | |
| EP2252204A1 (en) | Ct surrogate by auto-segmentation of magnetic resonance images | |
| CN109215014B (zh) | Ct图像预测模型的训练方法、装置、设备及存储介质 | |
| CN103099617A (zh) | 磁共振成像装置 | |
| CN109124635B (zh) | 模型生成方法、磁共振成像扫描方法及系统 | |
| CN110797112B (zh) | 利用深度神经网络的自动图形处方的系统和方法 | |
| CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
| CN111462885B (zh) | 扫描系统的扫描参数确定方法、装置、设备和存储介质 | |
| CN109741290B (zh) | 用于神经追踪的方法、非暂时性计算机可读媒体及设备 | |
| CN112001979A (zh) | 运动伪影处理方法、系统、可读存储介质和设备 | |
| CN107330948B (zh) | 一种基于流行学习算法的fMRI数据二维可视化方法 | |
| CN112820383B (zh) | 医学成像方法、系统及存储介质 | |
| CN116171131A (zh) | 早孕期胎儿的超声成像方法和超声成像系统 | |
| CN116740320A (zh) | 四维核磁共振成像放疗模拟定位方法及系统、存储介质 | |
| US10436867B2 (en) | Method and computer for automatic characterization of liver tissue from magnetic resonance images | |
| CN112669405B (zh) | 图像重建方法、系统、可读存储介质和设备 | |
| US11519988B2 (en) | Method for adjusting at least one measurement parameter for a measurement protocol for a magnetic resonance examination | |
| CN113538395A (zh) | 图像处理方法、装置、设备、可读存储介质 | |
| WO2024138719A1 (en) | Systems and methods for image optimization | |
| US11854126B2 (en) | Methods and apparatus for deep learning based image attenuation correction |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |