CN109324302A - 根据读入的图像数据自动识别和设置磁共振协议 - Google Patents

根据读入的图像数据自动识别和设置磁共振协议 Download PDF

Info

Publication number
CN109324302A
CN109324302A CN201810840683.XA CN201810840683A CN109324302A CN 109324302 A CN109324302 A CN 109324302A CN 201810840683 A CN201810840683 A CN 201810840683A CN 109324302 A CN109324302 A CN 109324302A
Authority
CN
China
Prior art keywords
image
contrast
response characteristic
parameter
equipment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810840683.XA
Other languages
English (en)
Other versions
CN109324302B (zh
Inventor
D.格罗茨基
D.哈迪
K.赫塞尔斯
L.劳尔
E.米勒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Healthcare GmbH
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of CN109324302A publication Critical patent/CN109324302A/zh
Application granted granted Critical
Publication of CN109324302B publication Critical patent/CN109324302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/546—Interface between the MR system and the user, e.g. for controlling the operation of the MR system or for the design of pulse sequences
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Abstract

本发明涉及一种用于确定MR图像的测量协议参数的方法、设备和计算机程序产品，该方法包括：读入具有第一对比度特性的第一MR图像；由第一对比度特性确定至少一个第一对比度关系；在考虑到至少一个第一对比度关系的情况下确定测量协议参数，以用于生成具有第二对比度特性的第二MR图像，从而使得第二对比度特性尽可能接近第一对比度特性；输出测量协议参数。

Description

根据读入的图像数据自动识别和设置磁共振协议
技术领域
本发明涉及一种用于针对MR设备根据从读入的MR图像数据中获得的信息自动识别和设置测量协议的方法。
此外提供一种相关的MR设备以及一种计算机程序产品和电子可读的数据载体。
背景技术
与另外的成像模态，例如CT、X射线和超声波相比，MR方法的大的优点中的一个是优秀的软组织对比度和极大的能够以MRT示出的对比度谱。但是，该优点在另一方面导致MR成像和对于用户可选择的测量参数(也被称为测量协议参数)的高的复杂性。因此，通常仅对于有经验的和受到良好培训的专业人员才可以建立MR协议或者有针对性地改变存在的协议。另一个复杂因素是，MR图像通常仅是加权的并且是非定量的，并且结果由此可以依赖于大量参数，诸如MR设备配置(场强、通道数量、局部线圈、梯度值)和患者。
基于该复杂性，对于测量所使用的协议大多存储在数据库中，其根据当地规定和机构或放射科医生的偏好设立。该数据库大多在MR设备安装期间由服务人员或非常有经验的人员建立，并且可以基于类似的扫描仪的图像示例或协议。尽管如此，但还是可能需要或期望的是，例如当患者具有另外的机构的预先图像或者应该回答不寻常的问题时，调整针对特定的测量的对比度。
发明内容
因此，本发明的要解决的技术问题是，开发一种用于设置MR测量协议的新方法，其在没有受过良好培训的操作人员的条件下自动运行。
上述技术问题通过根据本发明的特征解决。在本发明中描述本发明的另外的实施方式。
提供了一种用于确定MR图像的测量协议参数的方法。在该方法的一个步骤中，读入具有第一对比度特性的第一MR图像。此外，由第一对比度特性确定至少一个第一对比度关系。在考虑到至少一个第一对比度关系的情况下确定测量协议参数，其用于生成具有第二对比度特性的第二MR图像，从而使得第二对比度特性尽可能接近第一对比度特性。在最后的步骤中，该测量协议参数被输出。
在此，第一MR图像通常是已经存在的MR图像数据组的被读入和评估的部分。有利地，图像数据组例如由DICOM格式或类似的在临卧榻的截面成像中使用的格式构成，其可以通过合适的接口馈入计算单元中。替换地，测量数据也可以在更早的处理阶段中使用，以便首先产生示出所描述的本发明的起始点的二维图像。读入的目标是确定和存储所有有价值的信息。下面还将讨论设计变型方案。
根据本发明，根据确定的图像信息，借助合适的算法确定可能的MR测量协议。针对期望的MR设备以产生如在第一图像中那样的至少等值的MR对比度为目标建立该测量协议。
由第一对比度特性确定至少一个第一对比度关系例如可以根据至少两个第一图像范围进行，其中，图像范围分别与来自解剖特征区域列表的不同的区域相关联，解剖特征区域列表包括处于第一MR图像中的至少两个不同的区域。在该情况下，测量协议参数被选择为，使得根据区域比较的至少一个第一对比度关系尽可能类似于由第二MR图像确定的至少一个第二对比度关系。
在评估MR对比度特性用以与第一图像的解剖区域相关联时，例如可以应用图案识别方法或通过用户输入，或者方法示出两个方案的组合。对于本领域技术人员已知的示例是标志识别算法。
通过该方法步骤，可以有利地识别这种身体区域和组织区域，其具有在MR图像上独特的对比度或对比度关系。因此，在头部，T1对比度(暗的脑脊液)可以简单地与T2对比度(亮的脑脊液)区分开。通过组合对比度关系特性和与解剖区域的关联性，可以非常直接推断出测量协议的一部分(例如对比度设置)，从而可以减小测量协议设置的自由参数的数量。
此外，可以借助深度学习法实现第一图像范围与区域列表的关联性。
深度学习法的已知的优点是特性的识别和与类别的二进制的关联性。机器学习的典型的示例是图像任务，在图像中，在“0”和“9”之间示出的手写的编号被正确地关联。经常用于测试机器学习方法的数据组是所谓的“改造后的国家标准与技术研究所(ModifiedNational Institute of Standards and Technology)”数据库，MNIST。这种深度学习法可以借助对于本领域技术人员已知的大量的程序库实现，例如谷歌的“TensorFlow”(C++，Python)，伯克利视觉和学习中心(BVLC)的Caffe，Torch(C，Lua)和在其上构建的FacebookFramework Torchnet或微软Cognitive Toolkit(C++)。MNIST的关联性问题的解决方案属于这种程序库的常见的示例。
在本发明的实施方式中，这种程序库可以被用于实现图像范围与区域(例如解剖区域，如脑脊液、白质、灰质等)的关联性。
此外可能的是，根据深度学习法确定测量协议参数。
此外，深度学习法可以使用第一数据库，其包括测量协议参数、对比度特性和关于解剖区域的信息。
在该实施方式的范围内，利用深度学习网络评估第一对比度特性。为此首先利用数据库训练该网络。为此使用的数据库的特征在于，对于足够大量的MR图像数据组包含测量协议以及图像的特性，例如不同区域的对比度特性和/或对比度关系。在深度学习方案中，该数据库可以由计算机程序产品被评估为，使得“学习到”结合协议的对比度，并且由此针对新的要求的对比度可以输出所需的测量协议参数。可能的是，借助模拟方案确定测量协议参数，在该模拟方案中第三MR图像和第三对比度特性迭代地针对不同的测量协议参数被模拟，直到第三对比度特性尽可能接近第一对比度特性。
在模拟方案中可能的是，为了模拟第三MR图像和第三对比度特性求解布洛赫方程，并且使用在第一MR图像中识别的解剖区域的至少T1或T2时间的知识。
在此，假设的或在患者上实际测量的物理值(T1、T2、T2 *、自旋密度…)可以被用于针对不同的MR协议设置计算整个MR图像或对比度特性或也仅计算对比度关系。在最简单的实施中，布洛赫方程可以在没有位置信息的情况下0维度地以解析或数字方式求解，在更复杂的方法中也可以想到通过射线追踪方法考虑位置依赖关系。
然后将模拟的结果与第一对比度特性或确定的第一对比度关系比较。比较可以在迭代步骤中被考虑用于决定另外的过程，以便基于之前的结果针对(测试)测量协议参数找到测量协议参数在下一迭代步骤中如何改变以改进结果的策略。在此可以采用已知的优化算法，例如基因算法。
如下背景知识也可以计入该方法中，例如在不同的解剖区域上的测量或测量方法中MR设备的使用统计，或者结合诊断结果/病历来确定针对(测试)测量协议参数的起始值的统计。这尤其可以被用于在模拟步骤中有利地选择第一测试测量协议参数。
也可能的是，由特定的测量协议参数自动地建立用于生成第二MR图像的测量协议。
该过程能够实现对于MR设备的用户根据特定的参数直接获得完整的测量协议，其可以被直接使用或者可以根据用户的期望在使用之前被改变。
此外可能的是，由针对第一MR图像呈现的元信息确定测量协议参数的至少一部分。当第一MR图像的数据以DICOM格式或类似的在临卧榻的截面成像中使用的格式存在时，例如可以容易地引入这些元信息。在此，尤其可以读入测量的“定量的”值，诸如FOV、层数、使用的MR设备和MR设备配置、位置、旋转取向、开窗设置、预脉冲。这在DICOM式的第一图像数据组中是特别有效的和简单的。
为了确定测量协议参数，附加地也可以使用用以产生第一MR图像的成像序列的协议名称。
协议名称例如可以以第一MR图像的文件名的形式呈现。在协议名称中经常包含关于对比度(例如权重，即例如T1或T2加权的测量)的说明和另外的测量协议参数。这些信息可以给出用于生成测量协议参数的线索，和/或限制搜索参数的自由度或其值范围。根据在协议名称中记录的问题或病历也可以推断出可能的测量协议，并且由此限制针对测量协议参数的可能性。
也可能的是，在读入第一MR图像时，该第一MR图像由打印输出、屏幕显示或照片数字化。
数字化也可以借助打印的或在屏幕上显示的MR图像的照片(例如借助智能手机)实现。在另外的实施方式中也可能的是，对打印到薄膜上的图像数据组进行扫描。
此外可能的是，针对没有用于生成第一MR图像的第二MR设备确定测量协议参数。
这对于MR设备的用户提供如下优点：例如在另外的诊所中在另外的时间点利用另外的MR设备记录了的患者的诊断结果可以更容易地与患者的当前的状态进行比较。
确定测量协议参数也可以包括下面参数中的至少一个：视野、层数、使用的MR设备、MR设备的配置、成像体积的位置、成像体积的旋转、旋转取向、开窗设置、脉冲、预脉冲。
本发明还涉及一种MR设备，其构造为用于实施上述的或下面描述的方法，其中，MR设备具有控制单元和存储单元，其中，存储单元存储可由控制单元实施的控制信息。此外设置了一种计算机程序产品，其包括程序装置并且可以直接加载到MR设备的控制单元的存储单元中。
此外设置一种具有在其上存储的电子可读的控制信息的电子可读的数据载体，其中，控制信息构造为，使得其在MR设备的控制单元中使用数据载体时执行如上面或下面阐述的方法。
本发明参考附图详细阐述。
上面描述的特征以及下面描述的特征可以不仅以相应详细说明的组合使用，而且也可以以其他的组合使用，只要没有明确另外提到的话。此外，可以单个地使用不同的描述的特征。
附图说明
本发明下面参考附图详细阐述。
图1示意性示出了MR设备，利用该MR设备可以执行根据本发明的方法。
图2示出了MR图像的示意性的代表图，并且其被用于阐述能够怎样根据该方法执行对比度关系确定。
图3示出了该方法的流程图。
图4示出了该方法的另外的实现方案的流程图。
图5示出了模拟步骤的流程图。
图6示出了借助深度学习法根据本发明将图像范围与区域相关联的示例。
图7示出了用于提供深度学习网络的过程，该网络适用于确定针对MR图像的测量协议参数。
具体实施方式
下面，借助优选的实施方式参考附图详细阐述本发明。
在附图中，相同的附图标记表示相同的或类似的元件。此外，附图是本发明的不同的实施方式的示意图。在图中示出的元件不必按比例示出，而是以如下方式再现，使得所示的元件的功能和目标变为可理解的。在附图中示出的功能单元或其他元件之间的连接也可以实现为间接连接，其中，连接可以无线或有线地实现。功能单元可以实现为硬件、软件或由硬件和软件构成的组合。
图1示意性示出MR设备，利用该设备，根据本发明，可以借助读入的图像数据自动识别和设置MR协议。磁共振设备具有用于产生极化场B0的磁体10，其中，布置在卧榻11上的检查人员是检查对象12，其被移入磁体的对称中心中，以便在那里记录检查对象的位置编码的磁共振信号。通过入射高频脉冲并且切换磁场梯度，可以干扰通过极化场B0产生的磁化。这导致核自旋从平衡位置偏离，并且在返回到平衡位置时在接收线圈中感应出的电流可以被转换为磁共振信号。在探测磁共振信号的情况下用于生成MR图像的常见的工作原理对于本领域人员是已知的，从而放弃对其的详细描述。
磁共振设备此外具有控制单元13，其用于控制MR设备。控制单元13具有用于控制和切换磁场梯度的梯度控制器14和用于产生和控制HF脉冲来使核自旋从平衡位置偏离的HF控制单元15。HF单元可以是多通道HF单元，其在多个独立的通道中产生HF脉冲。在存储单元16中例如可以存储有对于记录MR图像所需的成像序列，以及所有对于实施本发明所需的另外的控制信息。图像序列控制器17控制图像记录并且由此依据选择的成像序列控制磁场梯度和HF脉冲的顺序和MR信号的接收间隔。因此，图像序列控制器17也控制梯度控制器14和HF控制单元15。在计算单元20中可以计算MR图像，其可以在屏幕18上显示。操作人员可以通过输入单元19控制MR设备。MR控制单元13，尤其是计算单元20为此构造为用于执行在上面和下面描述的方法。
本发明同样包括一种计算机程序产品，其可以实施如上面描述的方法。在本发明的变型方案中，该产品可以存储在MR控制单元13的存储单元16中，但存储在服务器系统上或分布式存储也是可能的。
结合图2通常阐述的是，能够怎样根据该方法执行对比度关系确定。图2为此示出了根据该方法呈现并且利用未知的测量协议生成的MR图像的示意性的代表图。在图像上可以看到不同的强度。在图2的示意图中示出了穿过人的颅骨(9)的横向记录。不同的解剖区域以名称脑脊液(21)、白质(22)和灰质(23)示意性地示出。此外，为了确定对比度关系，关联通过框标记的图像范围(24a、24b、25a、25b、26a、26b)。在此，24a和24b与脑脊液(21)区域相关联，25a和25b与白质(22)区域相关联，26a和26b与灰质(23)区域相关联。由第一MR图像的对比度特性现在可以确定不同的区域Ra和Rb的对比度关系KV。KV白质、灰质例如可以借助图像范围25a和25b的强度密度的平均值除以图像范围26a和26b的平均的强度密度来确定。
在图3中，方法以流程图的形式概括。在步骤S30中开始方法后，在步骤S31中读入第一MR图像。然后在步骤S32中确定定量的对比度特性。在步骤S33中，现在由对比度特性确定对比度关系。这可以根据对图2的描述来进行，或者以其他的合适的方法例如分别仅根据一个图像范围或较大数量的图像范围进行，图像范围除了强度密度以外也可以从地形角度在计算步骤中进行加权。在步骤S34中，由至少一个确定的对比度关系推断出测量协议参数，其导致相同的或类似的对比度特性。最后，在步骤S35中输出测量协议参数。在步骤S36中结束方法，并且所获得的测量协议参数例如可以被用于记录第二MR图像。
图4示出了该方法的另外的实现的流程图。该方法以读入第一MR图像(S31)开始(S30)。附加地，在步骤S31b中读入协议名称和/或元信息。现在，由对比度特性来关联(S32b)MR图像中的解剖区域，并且在步骤32c中，选择至少两个不同的区域Ra和Rb中的图像范围。
区域的强度密度在步骤S33中被用于计算多个对比度关系，其可以根据图像范围与区域的关联性与不同的区域相关联。由此确定的对比度关系在步骤S34中被用于确定测量协议参数。为此，在步骤S34的第一子步骤中，在步骤S34a中可以将关于对比度关系的信息与协议名称和/或呈现的元信息组合。
在S34的第二子步骤中，组合的信息被传送到深度学习法(步骤S34b)或模拟步骤(步骤S34c)中。两个子步骤的组合也是可能的，如通过图4中的箭头示出的那样。
在步骤S35中输出在步骤S34中确定的测量协议参数。由此，在S36中结束该方法。
图5示出了模拟步骤的流程图。在S34a中，基于第一MR图像针对不同的区域确定了的对比度关系以及(如果存在的话)协议名称和元信息被传送到模拟算法。在步骤S40中，算法选择(测试)测量协议。根据识别的区域，在下一步骤S41中，加载所识别的解剖区域的物理特性，例如组织类型的T1和T2时间。通过对布洛赫方程求解，利用测试测量协议，在S42中模拟MR图像，并且在步骤S43中，计算在模拟的图像中的针对解剖区域的相应的对比度关系。在另外的实施方式中，直接模拟对比度关系。在步骤S44中，模拟的对比度关系与针对第一图像确定的对比度关系比较。如果模拟的对比度特性没有与由第一图像确定的对比度特性一致，则进行该方法的迭代。在步骤S44中，测量协议被修改，并且该方法返回到S40。该循环一直执行，直到确定满足S44中的标准或者达到中止标准的测试测量协议。在该情况下，测试测量协议作为测量协议在步骤S35中被输出。
图6示出了借助深度学习法将图像范围与区域根据本发明地相关联的示例。
为此提供在MR记录中的训练数据组。示例性示出MR图像(50)。在神经元网络的多个层(52；53)中进行折叠和缩小(51)。在此，在任意步骤中减少图像片段(50a)的信息。作为结果(54)建立(55a、55b)相连的平面(55)，其能够实现二进制的分类(60)。例如可以实现图像片段50a相对脑脊液(56)二进制的分类，从而可以说明，图像片段是否是脑脊液的概率P脑脊液(56b)。类似地，这对于灰质(57；57b)和白质(58；58b)以及另外的区域(59)是可能的。
图7示出了用于提供深度学习网络的过程，该网络适用于确定针对MR图像的测量协议参数。为此，在第一步骤S70中建立数据库。为此，借助测量协议71生成MR图像72或者访问已经存在的数据。借助在步骤S73中的区域识别，在步骤S74中针对解剖区域，由MR图像计算出对比度关系。由测量协议(71)和针对大量数据的对比度关系(74)构成的组合形成数据库(75)。可选地，MR图像(72)可以存储在数据库中。
在第二步骤S76中，借助数据库训练深度学习法。为此，数据库的大部分，例如存在的数据组(75a)的80％用于在步骤S77中训练深度学习法。该过程的结果是在步骤S78中的训练后的深度学习网络。在验证步骤S79中，训练后的网络现在被应用到数据库(75b)的没有用于训练的部分，并且在步骤S80中检验网络是否提供良好的结果，即能够确定测量协议。如果不是这样的情况，则在步骤S77中训练利用改变的参数或利用深度学习法的改变的特性，例如超参数、平面特性、共用(Pooling)等重新进行训练。如果结果满足期望(82)，则步骤结束S83，并且网络准备好用于根据对比度特性确定测量协议参数。
因此提供了一种方法，利用该方法可以根据读入的图像数据自动识别和设置MR协议。该自动产生的测量协议参数和全部测量协议，其在给定的扫描仪上实现相同的对比度，使得没有经验的用户也能够产生期望的对比度。由此，可以节约人员成本或服务成本，并且提高了MR图像通过不同的机构和扫描仪的可再现性。

Claims (16)

1.一种用于确定MR图像(50)的测量协议参数的方法，所述方法包括：
-读入具有第一对比度特性的第一MR图像(50)，
-由第一对比度特性确定至少一个第一对比度关系，
-在考虑到至少一个第一对比度关系的情况下确定测量协议参数，以用于生成具有第二对比度特性的第二MR图像，从而使得第二对比度特性尽可能接近第一对比度特性，
-输出测量协议参数。
2.根据权利要求1所述的方法，其特征在于，由第一对比度特性根据至少两个第一图像范围(24a，24b，25a，25b，26a，26b)确定至少一个第一对比度关系，其中，所述图像范围(24a，24b，25a，25b，26a，26b)分别与来自解剖特征区域列表的不同的区域(21，22，23)相关联，所述解剖特征区域列表包括处于第一MR图像(50)中的至少两个不同的区域；并且测量协议参数被选择为，使得根据区域(21，22，23)比较的至少一个第一对比度关系尽可能类似于由第二MR图像确定的至少一个第二对比度关系。
3.根据权利要求2所述的方法，其特征在于，借助深度学习法将所述第一图像范围(24a，24b，25a，25b，26a，26b)与区域列表相关联。
4.根据前述权利要求中任一项所述的方法，其特征在于，借助深度学习法确定测量协议参数。
5.根据权利要求4所述的方法，其特征在于，所述深度学习法使用第一数据库(75)，该第一数据库包括测量协议参数、对比度特性和关于解剖区域的信息。
6.根据前述权利要求中任一项所述的方法，其特征在于，借助模拟方案确定测量协议参数，在该模拟方案中第三MR图像和第三对比度特性迭代地针对不同的测量协议参数被模拟，直到第三对比度特性尽可能接近第一对比度特性。
7.根据权利要求6所述的方法，其特征在于，在用于模拟第三MR图像和第三对比度特性的模拟方案中求解布洛赫方程，并且使用在第一MR图像(50)中识别的解剖区域的至少T1或T2时间的知识。
8.根据前述权利要求中任一项所述的方法，其特征在于，由特定的测量协议参数自动地建立用于生成第二MR图像的测量协议。
9.根据前述权利要求中任一项所述的方法，其特征在于，由针对第一MR图像(50)呈现的元信息确定测量协议参数的至少一部分。
10.根据前述权利要求中任一项所述的方法，其特征在于，针对测量协议参数的确定，附加地使用用以产生第一MR图像(50)的成像序列的协议名称。
11.根据前述权利要求中任一项所述的方法，其特征在于，在读入第一MR图像(50)时，该第一MR图像由打印输出、屏幕显示或照片来数字化。
12.根据前述权利要求中任一项所述的方法，其特征在于，针对不用于生成第一MR图像(50)的第二MR设备确定测量协议参数。
13.根据前述权利要求中任一项所述的方法，其特征在于，测量协议参数的确定包括以下参数中的至少一个：
-视野，
-层数，
-使用的MR设备，
-MR设备的配置，
-成像体积的位置，
-成像体积的旋转，
-旋转取向，
-开窗设置，
-脉冲，
-预脉冲。
14.一种磁共振设备，其构造为用于根据第一MR图像(50)选择测量协议参数，其中，在MR设备中检查检查对象(12)以使用成像序列来生成MR图像，MR设备具有：
-控制单元(13)，用于控制MR设备和存储单元(16)，其中，存储单元(16)存储可由控制单元(13)实施的信息，其中，MR设备构造为，用于在控制单元(13)中实施控制信息时，执行根据权利要求1-13中任一项所述的方法。
15.一种计算机程序产品，其包括程序并且能够直接加载到MR设备的MR控制单元(13)的存储单元(16)中，其具有程序装置，用于当在MR设备的控制单元(13)中实施程序时，执行根据权利要求1-13中任一项所述的方法的步骤。
16.一种电子可读的数据载体，其具有存储在其上的电子可读的控制信息，其构造为，使得其在MR设备的MR控制单元(13)中使用数据载体时，执行根据权利要求1-13中任一项所述的方法。
CN201810840683.XA 2017-08-01 2018-07-27 根据读入的图像数据自动识别和设置磁共振协议 Active CN109324302B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017213222.1A DE102017213222A1 (de) 2017-08-01 2017-08-01 Automatisches Erkennen und Einstellen von MR-Protokollen anhand von eingelesenen Bilddaten
DE102017213222.1 2017-08-01

Publications (2)

Publication Number Publication Date
CN109324302A true CN109324302A (zh) 2019-02-12
CN109324302B CN109324302B (zh) 2021-08-20

Family

ID=65019854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810840683.XA Active CN109324302B (zh) 2017-08-01 2018-07-27 根据读入的图像数据自动识别和设置磁共振协议

Country Status (3)

Country Link
US (1) US10663547B2 (zh)
CN (1) CN109324302B (zh)
DE (1) DE102017213222A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113835054A (zh) * 2020-04-14 2021-12-24 西门子医疗有限公司 用于核磁共振光谱的设备和方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3901964A1 (en) * 2020-04-22 2021-10-27 Siemens Healthcare GmbH Intelligent scan recommendation for magnetic resonance imaging
DE102021210281A1 (de) 2021-09-16 2023-03-16 Siemens Healthcare Gmbh Computerimplementiertes Verfahren zur Zuordnung wenigstens eines Kontrastes zu wenigstens einem Magnetresonanzbilddatensatz, Zuordnungseinrichtung, Computerprogramm und elektronisch lesbarer Datenträger

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000148989A (ja) * 1998-11-18 2000-05-30 Ge Yokogawa Medical Systems Ltd 医用画像の表示パラメータ値設定方法、医用画像診断装置およびｍｒｉ装置
JP2008093276A (ja) * 2006-10-13 2008-04-24 Hitachi Medical Corp 撮像パラメータ設定支援機能を有する磁気共鳴イメージング装置
CN101359040A (zh) * 2007-08-03 2009-02-04 西门子公司 用于优化成像参数的方法
JP2012223255A (ja) * 2011-04-15 2012-11-15 Toshiba Corp 医用画像表示装置
CN103211653A (zh) * 2012-01-20 2013-07-24 西门子公司 用于控制图像拍摄装置的方法和图像拍摄装置
CN104182925A (zh) * 2013-05-22 2014-12-03 株式会社东芝 图像处理装置、图像处理方法和医学图像设备
CN105193383A (zh) * 2015-08-14 2015-12-30 上海联影医疗科技有限公司 协议生成系统及方法、协议显示系统、图像生成系统
CN106361337A (zh) * 2015-07-23 2017-02-01 西门子保健有限责任公司 逐步地建立医学成像装置的测量协议
CN106361338A (zh) * 2015-07-20 2017-02-01 西门子保健有限责任公司 优化磁共振检查的测量协议的顺序的方法及磁共振装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10357203B4 (de) 2003-12-08 2018-09-20 Siemens Healthcare Gmbh Verfahren und Steuereinrichtung zum Betrieb eines Magnetresonanztomographie-Geräts sowie Magnetresonanztomographie-Gerät
DE102014204467A1 (de) 2014-03-11 2015-09-17 Siemens Medical Solutions Usa, Inc. Übertragen von validierten CAD-Trainingsdaten auf geänderte MR-Kontraste
DE102014209764A1 (de) 2014-05-22 2015-11-26 Siemens Aktiengesellschaft Verfahren zur Aufnahme von Magnetresonanzdaten bei einer gewünschten Gewichtung und Magnetresonanzeinrichtung

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000148989A (ja) * 1998-11-18 2000-05-30 Ge Yokogawa Medical Systems Ltd 医用画像の表示パラメータ値設定方法、医用画像診断装置およびｍｒｉ装置
JP2008093276A (ja) * 2006-10-13 2008-04-24 Hitachi Medical Corp 撮像パラメータ設定支援機能を有する磁気共鳴イメージング装置
CN101359040A (zh) * 2007-08-03 2009-02-04 西门子公司 用于优化成像参数的方法
JP2012223255A (ja) * 2011-04-15 2012-11-15 Toshiba Corp 医用画像表示装置
CN103211653A (zh) * 2012-01-20 2013-07-24 西门子公司 用于控制图像拍摄装置的方法和图像拍摄装置
CN104182925A (zh) * 2013-05-22 2014-12-03 株式会社东芝 图像处理装置、图像处理方法和医学图像设备
CN106361338A (zh) * 2015-07-20 2017-02-01 西门子保健有限责任公司 优化磁共振检查的测量协议的顺序的方法及磁共振装置
CN106361337A (zh) * 2015-07-23 2017-02-01 西门子保健有限责任公司 逐步地建立医学成像装置的测量协议
CN105193383A (zh) * 2015-08-14 2015-12-30 上海联影医疗科技有限公司 协议生成系统及方法、协议显示系统、图像生成系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113835054A (zh) * 2020-04-14 2021-12-24 西门子医疗有限公司 用于核磁共振光谱的设备和方法

Also Published As

Publication number Publication date
US10663547B2 (en) 2020-05-26
US20190041478A1 (en) 2019-02-07
DE102017213222A1 (de) 2019-02-07
CN109324302B (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN1765330B (zh) 超声血管测量设备和方法
RU2533626C2 (ru) Автоматическое последовательное планирование мр-сканирования
US8125484B2 (en) Method, apparatus and user interface for determining an arterial input function used for calculating hemodynamic parameters
CN108629168A (zh) 脸部验证方法、设备以及计算设备
EP3703007A2 (en) Tumor tissue characterization using multi-parametric magnetic resonance imaging
CN109324302A (zh) 根据读入的图像数据自动识别和设置磁共振协议
CN108229488A (zh) 用于检测物体关键点的方法、装置及电子设备
CN109800805A (zh) 基于人工智能的图像处理系统以及计算机设备
CN108986085A (zh) Ct图像肺结节检测方法、装置、设备及可读存储介质
CN106999091A (zh) 用于组成材料的改进分类的方法和系统
CN104095634A (zh) 用于产生图像数据的方法
CN104155623A (zh) 用于自动确定组织种类的磁场反转时间的方法和系统
CN102612695A (zh) 在准备步骤和操作步骤中用户采用指导装置执行诊断成像检查的设备和方法
JP7013994B2 (ja) 医用画像表示装置及びプログラム
CN100522053C (zh) 在磁共振设备中规划检查的方法和为此的磁共振设备
JP2009279218A (ja) 磁気共鳴イメージング装置および方法
US20220067586A1 (en) Imaging systems with hybrid learning
Yu et al. Application of texture analysis on parametric T1 and T2 maps for detection of hepatic fibrosis
EP3605548A1 (en) Systems and methods for automated graphical prescription with deep neural networks
CN109959886A (zh) 用于确定磁共振成像装置的成像质量信息的方法、装置
CN110399839A (zh) 人脸识别方法、装置、设备及存储介质
Reid et al. How many streamlines are required for reliable probabilistic tractography? Solutions for microstructural measurements and neurosurgical planning
US20050231199A1 (en) Method for producing multiple MR images with different contrast from a single image acquistion
CN107390150A (zh) 用于磁共振设备的mr扫描方案的自动化创建
CN109214451A (zh) 一种脑部异常的分类方法及设备

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