CN109924978B - 借助医学图像数据组表征检查对象内的干扰物体 - Google Patents

借助医学图像数据组表征检查对象内的干扰物体 Download PDF

Info

Publication number
CN109924978B
CN109924978B CN201811464008.8A CN201811464008A CN109924978B CN 109924978 B CN109924978 B CN 109924978B CN 201811464008 A CN201811464008 A CN 201811464008A CN 109924978 B CN109924978 B CN 109924978B
Authority
CN
China
Prior art keywords
image data
interfering
medical image
unit
medical
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
Application number
CN201811464008.8A
Other languages
English (en)
Other versions
CN109924978A (zh
Inventor
D.保罗
M.泽勒
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 Healthcare GmbH
Original Assignee
Siemens Healthcare GmbH
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 Healthcare GmbH filed Critical Siemens Healthcare GmbH
Publication of CN109924978A publication Critical patent/CN109924978A/zh
Application granted granted Critical
Publication of CN109924978B publication Critical patent/CN109924978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Abstract

本发明涉及一种用于借助包括至少一个数据类别的数据库以及借助针对不同的干扰物体、特征和医学图像数据组之间的关系的经过训练的人工神经网络，借助医学图像数据组表征检查对象内的干扰物体的方法，其中，将检查对象内的干扰物体与数据类别的数据项相关联，并且通过数据项表征检查对象内的干扰物体。

Description

借助医学图像数据组表征检查对象内的干扰物体
技术领域
本发明涉及一种用于表征检查对象内的干扰物体的方法、医学成像设备、计算单元、计算机程序产品以及电子可读的数据载体。
背景技术
医学成像设备、例如磁共振设备、单光子发射断层成像设备(SPECT设备)、正电子发射断层成像设备(PET设备)、计算机断层成像设备、超声设备、X射线设备、C形臂设备或者包括所提到的成像模态中的多个的任意组合的组合医学成像设备适合用于产生医学图像数据组。
在磁共振设备中，通常检查对象、特别是患者的要检查的身体借助主磁体暴露在例如1.5或者3或者7特斯拉的相对高的主磁场中。附加地借助梯度线圈单元施加梯度脉冲。然后，借助合适的天线装置经由高频天线单元发出高频的高频脉冲、例如激励脉冲，这使得由这些高频脉冲共振地激励的特定原子的核自旋相对于主磁场的磁力线倾斜了定义的翻转角。在核自旋弛豫时，辐射高频信号、即所谓的磁共振信号，其借助合适的高频天线接收，然后进一步进行处理。最后，可以根据如此获取的原始数据重建希望的图像数据。因此，为了进行特定测量，发出特定磁共振控制序列(MR控制序列)、也称为脉冲序列，其由一系列高频脉冲、例如激励脉冲和重聚焦脉冲，以及要与其匹配地以协作的方式发出的沿着不同的空间方向的不同的梯度轴上的梯度脉冲构成。以在时间上与其匹配的方式设置读出窗口，该读出窗口预先给定在其内采集感应出的磁共振信号的时间段。
检查对象一般是患者。根据本发明的方法涉及检查对象内的干扰物体。干扰物体例如可以包括人的人体内的植入物。干扰物体一般包括不是组织细胞、特别是不是在人和/或动物身体和/或检查对象中自然存在的物质的至少一种物质。一般的干扰物体是由金属和/或陶瓷和/或硅树脂制成的植入物。经常使用的植入物、即干扰物体例如是人工膝关节、髋关节、乳房植入物、螺钉。
这些干扰物体一般影响医学成像并且可能在对应的图像数据中产生伪影。这种影响或这些伪影与医学成像设备有关，一般也与拍摄技术和干扰物体本身有关。因此，金属植入物、例如人工髋关节在利用磁共振设备产生的图像数据中造成体积状的信号消除，而在利用计算机断层成像设备产生的图像数据中造成条状的信号消除。与医学成像设备的模态有关地存在拍摄技术，用于减少这些伪影。其一般在计算机断层成像设备中与提高的辐射剂量和/或在磁共振设备中与针对检查对象的延长的检查持续时间和/或图像数据的不清晰相关联。
特别是在磁共振成像中，近年来开发了特殊的拍摄技术、特别是MR控制序列，用于减少这种伪影。其示例是“多采集变量共振图像组合(Multiacquisition variable-resonance image combination)”(MAVRIC)、“切片编码金属伪影校正(Slice EncodingMetal Artifact Correction)”(SEMAC)、“视角倾斜(View Angle Tilting)”(VAT)。同样也可以使用较少受干扰物体影响的MR控制序列，例如“快速自旋回波(Turbo Spin-Echo)”(TSE)。对于脂肪饱和，优选使用“短T1反转恢复(Short-T1Inversion Recovery)”(STIR)或者“频谱衰减反转恢复(Spectral Attenuated Inversion Recovery)”(SPAIR)。
用于减少伪影的拍摄技术一方面可以减少由干扰物体感应出的伪影，另一方面可能与不同类型的缺点相关联。此外，用于减少伪影的这些拍摄技术的效果与干扰物体有关。不同的干扰物体同样造成不同程度的伪影。因此，有利的是，在开始拍摄诊断图像数据之前，获得关于检查对象中、特别是检查区域中的干扰物体的知识。基于此，可以选择匹配的拍摄技术来获取诊断图像数据。诊断图像数据一般以专业人员、例如医生能够基于诊断图像数据进行诊断的对比度和/或空间分辨率再现检查对象的部分区域、特别是检查区域。
特别是从磁共振成像中已知用于表征干扰物体的方法。在US20150177354A1和DE102013205930B4中公开了其示例。
发明内容
本发明要解决的技术问题是，给出一种用于表征检查对象内的干扰物体的特别有效的方法。上述技术问题通过本发明的特征来解决。在说明书中描述有利的设计方案。
根据本发明的借助医学图像数据组表征检查对象内的干扰物体的方法具有以下步骤：
-提供数据库，数据库针对用于表征不同的干扰物体的特征包括至少一个数据类别，数据类别分别针对干扰物体分别包括至少一个数据项，
-针对不同的干扰物体、特征和医学图像数据组之间的关系提供经过训练的人工神经网络，
-采集检查对象、包括检查对象内的干扰物体的医学图像数据组，
-通过将经过训练的人工神经网络应用于医学图像数据组，来确定检查对象内的干扰物体的特性，其中，将检查对象内的干扰物体与数据类别的数据项相关联，并且通过数据项表征检查对象内的干扰物体，
-提供检查对象内的干扰物体的特性。
检查对象一般是患者。一般在利用医学成像设备进行检查的过程中产生检查对象的图像数据。一般产生检查对象的一部分、即检查区域的图像数据。所采集的医学图像数据优选显示检查对象的检查区域。检查对象的检查区域优选包括干扰物体。
医学图像数据组一般包括显示检查对象、特别是检查区域和干扰物体的图像数据。医学图像数据组在根据本发明的方法开始之前就可以存在，特别是可以事先利用第一医学成像设备产生和/或以文件的形式向根据本发明的方法提供。采集医学图像数据组也可以包括获取医学图像数据组。医学图像数据组也可以包括借助不同的医学成像设备获取的多个医学图像数据。
医学图像数据组可以包括在概览拍摄的过程中获取的图像数据。概览拍摄的特征一般在于，其比诊断图像数据更快和/或以更低的分辨率获取。医学图像数据组可以包括在稍早的时间点、例如在预先进行的检查的过程中从检查对象获取的诊断图像数据。
干扰物体一般通过多个特征来表征。该多个特征中的每一个优选作为数据项存储在数据库中。数据库优选包括针对多个干扰物体的数据项，其中，每一个数据项优选描述一个干扰物体的一个特征。描述不同的干扰物体的同一特征的数据项一般包含在一个数据类别中。因此，例如第一数据类别可以包括描述多个干扰物体的材料的数据项。在此，第一数据类别的一个数据项优选描述多个干扰物体中的一个的材料。优选作为文件存储数据库，从而在执行根据本发明的方法时，可以访问数据库和/或可以读出数据库的数据项。
用于表征干扰物体的特征优选给出干扰物体的物理特性。用于表征干扰物体的特征优选给出干扰物体与检查对象内的干扰物体的环境的相互作用的度量和/或对这种相互作用进行量化。
经过训练的人工神经网络一般包括关于不同的干扰物体、特征和医学图像数据组之间的关系和/或相互作用的信息。优选经过训练的人工神经网络包括关于包含在数据库中的数据项和/或特征的信息。经过训练的人工神经网络优选被构造为，在应用于医学图像数据组时，提取医学图像数据组的信息。经过训练的人工神经网络优选具有视觉智能。经过训练的人工神经网络优选被构造为用于，在确定检查对象内的干扰物体的特性的过程中对这些信息进行分析，并且识别数据库中的至少一个对应的数据项。至少一个对应的数据项可以给出干扰物体的特征，和/或适合用于确定干扰物体的特性。
在根据本发明的方法的过程中确定的检查对象内的干扰物体的特性可以包括与用于表征干扰物体的特征对应的数据项和/或对应于该特征的数据类别的多个数据项的组合。所确定的检查对象内的干扰物体的特性也可以包括用于表征干扰物体的多个特征。该多个特征可以包含在不同的数据类别的数据项中。优选将检查对象内的干扰物体与作为特性的至少一个数据类别的至少一个特征相关联。
提供检查对象内的干扰物体的特性一般包括将特征存储在存储单元和/或数据载体上。提供同样可以包括传输到控制单元和/或获取单元上。
按照根据本发明的方法，对于在概览拍摄的过程中获取的医学图像数据组，可以借助经过训练的人工神经网络对伪影进行分析。分析例如可以包括识别信号消除和/或对识别出的信号消除的形状和/或大小的分析。因此，例如在利用磁共振设备拍摄的具有金属髋关节植入物的图像数据中可能存在偶极形状的信号消除。可以借助经过训练的人工神经网络将这些信号消除与包含在数据库中的干扰物体相关联。因此可以识别出检查对象中的干扰物体。为此，经过训练的人工神经网络优选包括干扰物体和信号消除之间的关系。优选预先借助不同的干扰物体对经过训练的人工神经网络进行训练。
根据本发明的方法的优点在于，可以识别和辨认检查对象中的干扰物体。可以确定并且提供干扰物体的特性。由此，在随后获取图像数据时可以确保减少伪影。附加地可以提高检查对象的安全性。如果所采集的医学图像数据组例如是借助计算机断层成像设备获取的并且作为干扰物体识别出了铁磁植入物，则例如可以将检查对象排除在未来借助磁共振设备进行的检查之外。铁磁植入物对于借助磁共振设备进行的检查是禁忌指示。根据本发明的方法能够实现特别有效的用于表征检查对象内的干扰物体的方法。
所述方法的一个实施方式设置为，从以下列表中选择用于表征不同的干扰物体的特征：
-干扰物体的材料，
-干扰物体的形状，
-干扰物体的大小，
-干扰物体的制造商，
-与用于产生医学图像数据组的医学成像设备和/或拍摄技术有关的干扰物体对医学图像数据组的影响，
-干扰物体在检查对象内的一般的位置和/或朝向和/或环境。
拍摄技术一般对应于获取图像数据组的方法。借助医学成像设备，一般可以根据不同的拍摄技术获取图像数据组。因此，例如可以根据不同的MR控制序列对磁共振设备进行控制。对这种MR控制序列的参数化可能是决定性的。在该列表中提到的用于表征不同的干扰物体的特征优选分别概括在数据组的一个数据类别中并且向根据本发明的方法提供。优选将检查对象内的干扰物体与作为特性的至少一个数据类别的至少一个特征相关联。优选通过至少两个在该列表中提到的特征表征检查对象内的干扰物体，其中，至少两个在该列表中提到的特征中的每一个通过物理参量和/或单义的描述给出。因此，例如可以根据信号消除识别干扰物体是膝关节、还是髋关节植入物，并且依据其获得关于检查区域的知识。同样例如可以识别干扰物体是否是螺钉和/或完全植入物、例如髋关节。作为材料，经常使用钛和/或不锈钢和/或钴铬合金。
经过训练的人工神经网络特别是被构造为用于识别检查对象内的干扰物体的位置和/或朝向。由此间接地获得关于检查区域的信息。由此可以根据对于该检查区域典型的拍摄技术，选择用于获取另外的图像数据的拍摄技术。根据所述方法的该实施方式，对干扰物体的表征可以特别准确并且全面地进行。
所述方法的一个实施方式设置为，提供干扰物体的特性包括在考虑所提供的特性的条件下更新经过训练的人工神经网络。
在所述方法的该实施方式的范围内，可以对所提供的经过训练的人工神经网络进行训练，使得可以使用在执行所述方法时获得的关于干扰物体和医学图像数据组的特性的信息来进一步发展经过训练的人工神经网络。由此，经过训练的人工神经网络可以得到改善并且为了将来在根据本发明的方法中应用而具有更多信息。这使得能够在将来执行根据本发明的方法时改善检查对象内的干扰物体的表征。
所述方法的一个实施方式设置为，在另一个方法步骤中，基于所提供的特性，选择用于获取另外的医学图像数据组的方法。
根据该实施方式，基于所表征的干扰物体，规划包括干扰物体的检查对象的另外的医学图像数据组的获取。对应地，根据该实施方式，除了表征干扰物体之外，还进行另外的医学图像数据组的获取。该另外的医学图像数据组优选显示包括干扰物体的检查对象的检查区域。在此，优选选择用于获取该另外的医学图像数据组的方法，使得该另外的医学图像数据组中的伪影尽可能少。选择用于获取另外的医学图像数据组的方法可以包括选择医学成像设备的模态、在所选择额的医学成像设备上可使用的拍摄技术和/或拍摄技术的参数。
选择可以由医学专业人员执行。选择可以自动进行。选择可以基于用户、特别是医学专业人员的预定参数进行。在进行选择时，可以考虑包括在用于获取另外的医学图像数据组的方法和干扰物体的特性之间的关联的表格。在进行选择时，可以使用另外的经过训练的人工神经网络，其优选包括在提供的所表征的干扰物体的特性和多个用于获取另外的医学图像数据组的方法之间的关系。该另外的经过训练的人工神经网络可以包含在经过训练的人工神经网络中。
优选设计用于获取另外的医学图像数据组的方法，使得有效地减少基于干扰物体的伪影。这种获取方法一般与缺点相关联。可以在进行选择时考虑这些缺点。在选择获取方法时，优选考虑其在减少基于干扰物体的伪影方面的有效性以及与获取方法相关联的缺点。
特别地，用户、特别是医学专业人员可以预先给定至少一个标准，在进行选择时考虑该标准。一般的标准涉及另外的图像数据组的质量和/或获取的持续时间和/或要使用的医学成像设备。因此，用户例如可以给出最大检查持续时间和希望的最大信号分辨率。可以基于此选择用于获取另外的医学图像数据组的方法。在此可以对用户预先给定的标准进行不同的加权。选择也可以自动进行。选择同样可以排除医学成像设备来获取另外的医学图像数据组，如果这对于检查对象是危险的和/或不允许的。此外，在进行选择时，优选考虑关于检查区域本身的信息。在进行选择时，特别是在选择合适的获取参数时，可以考虑关于用于获取存在干扰物体的这种检查区域的一般的参数化的知识。
该实施方式的优点在于，可以有利地使用按照根据本发明的方法提供的特性来进行进一步获取。由此可以确保在获取另外的医学图像数据组时，可以以尽可能好的和/或用户希望的质量显示包括干扰物体的检查对象、特别是检查区域。由此可以避免重复获取另外的医学图像数据组。由此可以减少和/或有效地利用检查对象的总检查持续时间。这是舒适和/或低成本的。
所述方法的一个实施方式设置为，选择包括对用于获取另外的医学图像数据组的方法进行优化。
在进行优化时，特别是可以考虑用户预先给定的标准、在需要时具有加权。因此，根据该实施方式，可以对用于获取另外的医学图像数据组的方法例如在伪影、检查持续时间和图像质量方面的优点和缺点进行一般的加权。由此可以使另外的医学图像数据组的获取特别是单独进行和/或与用户的希望协调地进行。优化特别是可以涉及在进行获取时涉及图像质量的特定参数、例如图像对比度。
所述方法的一个实施方式设置为，根据所选择的方法获取另外的医学图像数据组。该实施方式的优点在于，可以有利地使用按照根据本发明的方法提供的特性来进行进一步获取。由此可以确保在获取另外的医学图像数据组时，可以以尽可能好的和/或用户希望的质量显示包括干扰物体的检查对象、特别是检查区域。由此可以避免重复获取另外的医学图像数据组。由此可以减少和/或有效地利用检查对象的总检查持续时间。这是舒适和/或低成本的。
所述方法的一个实施方式设置为，利用相同的医学成像设备获取医学图像数据组和另外的医学图像数据组。医学图像数据组可以在按照根据本发明的方法采集其之前已经利用第一医学成像设备进行了采集。根据该实施方式，也使用该第一医学成像设备来获取另外的医学图像数据组。根据该实施方式，优选在概览拍摄的过程中利用第一医学成像设备获取医学图像数据组。另外的医学图像数据组优选包括诊断图像数据。这对应于传统检查中的流程。基于概览拍摄的图像数据确定用于获取诊断图像数据、即用于获取另外的医学图像数据组的参数和/或拍摄技术。该实施方式能够实现单独与存在的干扰物体调谐的、用于获取诊断图像数据的方法，由此检查特别有效地进行。附加地，这样获取的诊断图像数据可以在给定的检查持续时间下具有最佳的质量。
所述方法的一个实施方式设置为，利用被构造为磁共振设备的医学成像设备获取另外的医学图像数据组，并且另外的医学图像数据组的获取根据以下MR控制序列和/或拍摄技术中的一个来执行：
-TSE
-VAT
-SEMAC
-MAVRIC
-STIR
-SPAIR
-DIXON
-具有不同的共振频率的饱和脉冲。
所提到的MR控制序列和/或拍摄技术可以不同程度地减少由于干扰物体引起的伪影。特别是，在所述方法的该实施方式的范围内，可以确定所提到的MR控制序列和/或拍摄技术的至少一个参数，在获取另外的医学图像数据组时考虑该至少一个参数。一般来说，获取另外的医学图像数据组的持续时间表示校正伪影的程度的尺度。如果在表征干扰物体时例如识别出干扰物体是长度为5cm的由钛制成的螺钉，则可以选择VAT作为用于获取另外的医学图像数据组的方法。如果在表征干扰物体时例如识别出干扰物体是由钴铬合金制成的髋关节植入物，则可以选择SEMAC和/或MAVRIC作为用于获取另外的医学图像数据组的方法。如果在表征干扰物体时例如识别出干扰物体是由硅树脂制成的胸部植入物，则可以选择TSE和/或SPAIR和/或DIXON和/或具有不同的共振频率的饱和脉冲作为用于获取另外的医学图像数据组的方法。
硅树脂由于化学位移可能影响磁共振设备的系统频率的调节，由此在使用错误的系统频率时产生伪影。此外，抑制硅树脂可能是有缺陷的。在医学图像数据组中，硅树脂一般反映为均匀和/或封闭的区域，由此可以良好地检测到硅树脂。基于关于存在硅树脂的信息，可以向用户建议和/或选择对应的MR控制序列和/或MR控制序列的对应的参数化和/或用于抑制硅树脂和/或脂肪的对应的序列模块的选择。
该实施方式的优点在于，在磁共振成像中，通过选择匹配的MR控制序列和/或拍摄技术，可以特别有效地减少由于单独的干扰物体而产生的伪影。匹配的MR控制序列和/或拍摄技术的选择在此优选针对基于干扰物体的材料和/或大小预计的信号消除。
所述方法的一个实施方式设置为，提供经过训练的人工神经网络包括以下方法步骤：
-针对用于表征不同的干扰物体的特征提供数据类别，数据类别分别针对干扰物体分别包括至少一个数据项，
-提供多个医学训练图像数据组，
-将数据项与多个医学训练图像数据组相关联，
-使用与多个医学训练图像数据组相关联的数据项和多个医学训练图像数据组的图像内容对人工神经网络进行训练，其中，经过训练的人工神经网络使得能够将数据项与医学图像数据组相关联，
-针对检查对象内的干扰物体的表征提供经过训练的人工神经网络。
也就是说，对于人工神经网络的训练，分别与关于数据类别的相关数据项相关联的多个医学训练图像数据组的图像内容是决定性的。医学训练图像数据组在此可以由已经借助可能来自不同的制造商的医学成像设备拍摄的医学图像数据组形成。医学训练图像数据组优选是分别包括至少一个干扰物体的检查区域的图像数据组。有利地如在下文中所描述的，将数据项与多个医学训练图像数据组相关联特别是手动或者半自动地进行。将数据项与多个医学训练图像数据组相关联在此例如可以由医学成像设备的制造商和/或表征软件和/或由临床人员执行。
在将数据项与多个医学训练图像数据组相关联之后，该多个医学训练图像数据组是所谓的标记的医学训练图像数据组。“标记的”在此意味着，作为标记将干扰物体的预期的特征、即属于该医学训练图像数据组的、与关于干扰物体的数据类别有关的数据项赋予每个医学训练图像数据组。
对人工神经网络的训练有利地借助反向传播(Backpropagation)进行。这特别是意味着，将多个医学训练图像数据组的图像内容作为输入数据输入要训练的人工神经网络中。然后，在训练期间，将要训练的人工神经网络的输出与和多个医学图像数据组相关联的数据项(标记)进行比较。对人工神经网络的训练于是特别是包括改变要训练的人工神经网络的网络参数，使得要训练的人工神经网络的输出接近与多个医学图像数据组相关联的数据项。这样，有利地对人工神经网络进行训练，使得其将多个医学图像数据组的图像内容与匹配的标记相关联。虽然反向传播是用于训练人工神经网络的最重要的训练算法，但是也可以使用其它本领域技术人员已知的用于训练人工神经网络的算法。其它可能的算法的示例是进化算法、“模拟退火(simulated annealing)”、“期望最大化(Expectaction-Maximization)”算法(EM算法)、非参数算法(non-parametric methods)、粒子群优化(PSO)等。
对人工神经网络的训练可以完全由医学成像设备的制造商和/或表征软件进行。替换地，也可以想到由医学成像设备的制造商和/或表征软件进行预训练，并且在临床进行一次或多次后训练，以便使干扰物体的对应的表征以特定于临床要求的方式进一步更鲁棒。同样可以想到，通过应用新的权重矩阵将已经经过训练的人工神经网络改用于另外的表征任务。也可以想到，对人工神经网络的训练以多次迭代的方式进行。这样，可以在多个步骤中交替进行数据项与多个医学训练图像数据组的关联以及对人工神经网络的训练。因此，例如可以改善借助经过训练的人工神经网络表征医学图像数据组时的准确性
随后，可以在前面的段落中描述的根据本发明的用于表征检查对象内的干扰物体的方法中使用这样经过训练的人工神经网络。这样，所描述的对人工神经网络的训练使得随后能够特别有利地表征事先不知道相关数据项的干扰物体。
用于提供经过训练的人工神经网络的方法的一个实施方式设置为，训练人工神经网络包括改变人工神经网络的网络参数，使得在将经过训练的人工神经网络应用于多个医学训练图像数据组的图像内容时，人工神经网络对该多个医学训练图像数据组分配与该多个医学训练图像数据组相关联的数据项。这里描述的反向传播方法在此提供训练人工神经网络的特别有利的可能性。这样，也可以依据所提供的医学训练图像数据组和相关联的数据项灵活地针对不同的表征任务对人工神经网络进行训练。
用于提供经过训练的人工神经网络的方法的一个实施方式设置为，在提供经过训练的人工神经网络之前，检查经过训练的人工神经网络的有效性，其中，为了检查人工神经网络的有效性，针对医学训练图像数据组的一部分，借助经过训练的人工神经网络确定数据项，并且将如此确定的数据项与和医学训练图像数据组的该部分相关联的数据项进行比较。通过该检查，可以确保经过训练的人工神经网络适合用于借助医学图像数据组表征实际数据项先验未知的干扰物体。
根据本发明的用于表征检查对象内的干扰物体的表征单元包括第一提供单元、第二提供单元、第三提供单元、采集单元、确定单元和第三提供单元，其中，表征单元被构造为用于执行用于表征检查对象内的干扰物体的方法。
在此，第一提供单元被构造为用于提供数据库，数据库针对用于表征不同的干扰物体的特征包括至少一个数据类别，数据类别分别针对干扰物体分别包括至少一个数据项。第二提供单元被构造为用于针对不同的干扰物体、特征和医学图像数据组之间的关系提供经过训练的人工神经网络。采集单元被构造为用于采集检查对象、包括检查对象内的干扰物体的医学图像数据组。确定单元被构造为用于通过将经过训练的人工神经网络应用于医学图像数据组，来确定检查对象内的干扰物体的特性，其中，将检查对象内的干扰物体与数据类别的数据项相关联，并且通过数据项表征检查对象内的干扰物体。第三提供单元被构造为用于提供检查对象内的干扰物体的特性。表征单元可选地可以包括选择单元，选择单元用于选择用于采集另外的医学图像数据组的方法。表征单元可选地可以包括优化单元，优化单元用于根据用户可预先给定的标准来优化用于采集另外的医学图像数据组的方法。第二提供单元可选地可以包括训练单元，训练单元用于训练人工神经网络。
根据本发明的表征单元的优点基本上对应于先前详细叙述的根据本发明的用于表征检查对象内的干扰物体的方法的优点。在此提到的特征、优点或替换实施方式同样也可以转用于所要求保护的其它主题，反之亦然。换句话说，也可以利用结合方法描述或要求保护的特征来进一步展开代表性特征。方法的对应功能特征在此通过对应的代表性模块、特别是通过硬件模块来实施。
此外，本发明涉及一种医学成像设备，具有控制单元，控制单元包括表征单元和获取单元。表征单元被构造为用于执行根据本发明的用于表征检查对象内的干扰物体的方法。获取单元被构造为用于采集另外的医学图像数据组。为此，控制单元和/或表征单元和/或获取单元一般具有输入端、处理器单元和输出端。通过输入端，可以向表征单元提供包括至少一个数据类别的数据库和/或经过训练的人工神经网络和/或检查对象的医学图像数据组。此外，可以通过输入端向控制单元提供在所述方法中需要的其它函数、算法或者参数。
干扰物体的特性和/或用于获取另外的医学图像数据组的方法和/或根据本发明的方法的实施方式的其它结果可以通过输出端提供。控制单元和/或表征单元和/或获取单元可以集成在医学成像设备中。控制单元和/或表征单元和/或获取单元也可以与医学成像设备分离地安装。控制单元和/或表征单元和/或获取单元可以与医学成像设备连接。控制单元和/或表征单元和/或获取单元可以组合到一个单元中和/或至少部分地彼此独立。
根据本发明的医学成像设备的实施方式与根据本发明的方法的实施方式类似地构造。医学成像设备可以具有对于执行根据本发明的方法需要的和/或有利的其它控制部件。医学成像设备也可以构造为发送控制信号和/或接收和/或处理控制信号，以执行根据本发明的方法。优选表征单元和/或获取单元是根据本发明的医学成像设备的控制单元的一部分。在控制单元和/或表征单元和/或获取单元的存储单元上可以存储计算机程序和其它软件，借助其，控制单元和/或表征单元和/或获取单元的处理器单元自动控制和/或执行根据本发明的方法的方法流程。
根据本发明的计算机程序产品可直接加载到可编程计算单元的存储单元中，并且具有程序代码部件，用于在计算单元中执行该计算机程序产品时，执行根据本发明的方法。由此能够以快速、可相同地重复以及鲁棒的方式执行根据本发明的方法。该计算机程序产品被配置为，能够借助计算单元来执行根据本发明的方法步骤。在此，计算单元必须相应地具有前提条件，例如对应的系统内存、对应的显卡或者对应的逻辑单元，从而能够有效地执行相应的方法步骤。例如将该计算机程序产品存储在电子可读的介质上或者网络或服务器上，可以将该计算机程序产品从网络或服务器加载到本地计算单元的处理器中，处理器可以与医学成像设备和/或表征单元直接连接或者可以构造为医学成像设备和/或表征单元的一部分。此外，可以将该计算机程序产品的控制信息存储在电子可读的数据载体上。电子可读的数据载体的控制信息可以被设计为，在表征单元中和/或在医学成像设备中使用数据载体时，控制信息执行根据本发明的方法。电子可读的数据载体的示例是存储有电子可读的控制信息、特别是软件的DVD、磁带或者USB棒。当将这些控制信息(软件)从数据载体中读出并且存储到医学成像设备的控制单元和/或表征单元中时，能够执行前面描述的方法的根据本发明的所有实施方式。
此外，本发明涉及一种电子可读的数据载体，其上存储有程序，所述程序被设计为用于执行用于表征检查对象内的干扰物体的方法。
根据本发明的医学成像设备、根据本发明的计算机程序产品和根据本发明的电子可读的数据载体以及根据本发明的表征单元的优点，基本上对应于前面详细描述的根据本发明的用于表征检查对象内的干扰物体的方法的优点。在此提到的特征、优点或者替换实施方式同样也可以转用于所要求保护的其它主题，反之亦然。
附图说明
本发明的其它优点、特征和细节从下面描述的实施例中以及根据附图得到。
附图中：
图1以示意图示出了根据本发明的医学成像设备，
图2示出了根据本发明的方法的第一实施方式的流程图，
图3示出了根据本发明的方法的第二实施方式的流程图，以及
图4示出了提供经过训练的人工神经网络的实施方式的流程图。
具体实施方式
图1以示意图示出了磁共振设备11，作为用于执行根据本发明的方法的根据本发明的医学成像设备12的示例。原则上，医学成像设备12的设计方案不局限于磁共振设备11，而是也可以由本领域技术人员视为有合理的其它医学成像设备12，诸如计算机断层成像设备、PET、SPECT、超声设备、X射线设备、C形臂、组合医学成像设备等形成。
磁共振设备11包括由磁体单元13形成的检测器单元，检测器单元具有用于产生强的、特别是恒定的主磁场18的主磁体17。此外，磁共振设备11具有圆柱形的患者容纳区域14，用于容纳患者15，其中，患者容纳区域14在圆周方向上被磁体单元13以圆柱形包围。可以借助磁共振设备11的患者支承装置16将患者15移入患者容纳区域14。为此，患者支承装置16具有以可移动的方式布置在磁共振设备11内部的患者台。
此外，磁体单元13具有梯度线圈单元19，梯度线圈单元在成像期间用于进行位置编码。借助梯度控制单元28对梯度线圈单元19进行控制。此外，磁体单元13具有高频天线单元20和高频天线控制单元29，高频天线单元20在示出的情况下被构造为固定地集成在磁共振设备11中的身体线圈，高频天线控制单元29用于激励极化，极化在由主磁体17产生的主磁场18中产生。高频天线单元20由高频天线控制单元29控制，并且向基本上由患者容纳区域14形成的检查空间中射入高频的高频脉冲。
为了控制主磁体17、梯度控制单元28和高频天线控制单元29，磁共振设备11具有控制单元24。控制单元24对磁共振设备11、例如对MR控制序列的执行进行中央控制。此外，控制单元24包括未详细示出的重建单元，用于重建在磁共振检查期间采集的医学图像数据。磁共振设备11具有显示单元25。可以在显示单元25上、例如在至少一个监视器上向用户显示控制信息、例如控制参数以及重建的图像数据。此外，磁共振设备11具有输入单元26，借助其用户可以在测量过程期间输入信息和/或控制参数。控制单元24可以包括梯度控制单元28和/或高频天线控制单元29和/或显示单元25和/或输入单元26。
此外，控制单元24包括表征单元33和获取单元34。此外，控制单元24被设计为用于执行用于表征检查对象内的干扰物体、优选用于获取另外的医学图像数据组的方法。为此，控制单元24具有计算机程序和/或软件，其可以直接加载到控制单元24的未详细示出的存储单元中，具有程序部件，用于当在控制单元24中执行计算机程序和/或软件时，执行用于表征检查对象内的干扰物体的方法。为此，控制单元24具有未详细示出的处理器，其被设计为用于执行计算机程序和/或软件。作为其替换，计算机程序和/或软件也可以存储在构造为与控制单元24和/或表征单元33和/或获取单元34分离的电子可读的数据载体21上，其中，控制单元24对电子可读的数据载体21的数据访问可以通过数据网络进行。
所示出的磁共振设备11当然可以包括磁共振设备11通常具有的其它部件。此外，磁共振设备11的一般工作方式对于本领域技术人员是已知的，因此省略对其它部件的详细描述。磁共振设备11由此被设计为与控制单元24一起用于执行根据本发明的方法。
用于表征检查对象内的干扰物体的方法也可以以计算机程序产品的形式存在，当在控制单元24上执行该计算机程序产品时，该计算机程序产品借助控制单元24实现所述方法。同样可以存在电子可读的数据载体21，其上存储有电子可读的控制信息，电子可读的控制信息包括至少一个刚才描述的这种计算机程序产品并且被设计为，当在磁共振设备11的控制单元24中使用数据载体21时，电子可读的控制信息执行所描述的方法。
图2示出了根据本发明的方法的第一实施方式的流程图。在此，在方法步骤110中，提供数据库，数据库针对用于表征不同的干扰物体的特征包括至少一个数据类别，数据类别分别针对干扰物体分别包括至少一个数据项。在接下来的方法步骤120中，针对不同的干扰物体、特征和医学图像数据组之间的关系提供经过训练的人工神经网络。在方法步骤130中，采集检查对象、包括检查对象内的干扰物体的医学图像数据组。在方法步骤140中，通过将经过训练的人工神经网络应用于医学图像数据组，来确定检查对象内的干扰物体的特性，其中，将检查对象内的干扰物体与数据类别的数据项相关联，并且通过数据项表征检查对象内的干扰物体。在方法步骤150中，提供检查对象内的干扰物体的特性。
在此，干扰物体通过以下特征中的至少一个来表征：干扰物体的材料、干扰物体的形状、干扰物体的大小、干扰物体的制造商、与用于产生医学图像数据组的医学成像设备和/或拍摄技术有关的干扰物体对医学图像数据组的影响、干扰物体在检查对象内的一般的位置和/或朝向和/或环境。
图3示出了根据本发明的方法的第二实施方式的流程图。可以根据方法步骤150提供检查对象内的干扰物体的特性，从而基于其在接下来的方法步骤160中选择用于获取另外的医学图像数据组的方法。可选地，选择可以包括对用于获取另外的医学图像数据组的方法进行优化的方法步骤165。对此，可以考虑用户预先给定的标准。在方法步骤170中，根据所选择的方法获取另外的医学图像数据组。优选利用与医学图像数据组的原始获取相同的医学成像设备12来获取另外的医学图像数据组。
-如果医学成像设备12被构造为磁共振设备11，则方法步骤170中的另外的医学图像数据组的获取优选根据以下磁共振控制序列和/或拍摄技术中的一个来执行：TSE，SEMAC，VAT，MAVRIC，STIR，SPAIR，DIXON，具有不同的共振频率的饱和脉冲。
可选地，根据该实施方式，提供干扰物体的特性的方法步骤150可以包括在考虑所提供的特性的条件下更新经过训练的人工神经网络的方法步骤155。
图4示出了提供经过训练的人工神经网络的实施方式的流程图。根据该实施方式，方法步骤120包括以下步骤：在方法步骤121中，针对用于表征不同的干扰物体的特征提供数据类别，数据类别分别针对干扰物体分别包括至少一个数据项。在方法步骤122中，提供多个医学训练图像数据组。在方法步骤123中，将数据项与多个医学训练图像数据组相关联。在方法步骤124中，使用与多个医学训练图像数据组相关联的数据项和多个医学训练图像数据组的图像内容对人工神经网络进行训练，其中，经过训练的人工神经网络使得能够将数据项与医学图像数据组相关联。在方法步骤125中，针对检查对象内的干扰物体的表征提供经过训练的人工神经网络。
虽然通过优选实施例进一步详细示出并描述了本发明，但是本发明不限于所公开的示例，本领域技术人员可以得出其它变形，而不脱离本发明的保护范围。

Claims (12)

1.一种用于根据以下方法步骤借助医学图像数据组表征检查对象内的干扰物体的方法：
- 提供数据库，数据库包括至少一个数据类别，所述至少一个数据类别中的每个数据类别与不同的各自的特征相关联，所述特征表征多个不同的干扰物体所共有的物理特性，所述至少一个数据类别中的数据类别针对不同的干扰物体中的每个干扰物体包括至少一个各自的数据项，
- 针对不同的干扰物体、特征和医学图像数据组之间的关系提供经过训练的人工神经网络，
- 采集检查对象、包括检查对象内的干扰物体的医学图像数据组，
- 通过将经过训练的人工神经网络应用于医学图像数据组，来确定检查对象内的干扰物体的物理特性，其中，将检查对象内的干扰物体与数据类别的数据项相关联，并且根据数据项识别检查对象内的干扰物体的物理特性，
- 提供检查对象内的干扰物体的物理特性。
2.根据权利要求1所述的方法，
其中，从以下列表中选择用于表征不同的干扰物体的特征，其中所述特征表征多个不同的干扰物体所共有的物理特性：
- 干扰物体的材料，
- 干扰物体的形状，和
- 干扰物体的大小。
3.根据权利要求1或2所述的方法，
其中，提供干扰物体的物理特性包括在考虑所提供的物理特性的条件下更新经过训练的人工神经网络。
4.根据权利要求1或2所述的方法，
其中，在另一个方法步骤中，基于所提供的物理特性，选择用于获取另外的医学图像数据组的方法。
5.根据权利要求4所述的方法，
其中，所述选择包括对用于获取另外的医学图像数据组的方法进行优化。
6.根据权利要求4所述的方法，
其中，根据所选择的方法获取另外的医学图像数据组。
7.根据权利要求6所述的方法，
其中，利用相同的医学成像设备获取医学图像数据组和另外的医学图像数据组。
8.根据权利要求6或7所述的方法，其中，利用被构造为磁共振设备的医学成像设备获取另外的医学图像数据组，并且另外的医学图像数据组的获取根据以下磁共振控制序列和/或拍摄技术中的一个来执行：
- 快速自旋回波
- 切片编码金属伪影校正
- 视角倾斜
- 多采集变量共振图像组合
- 短T1反转恢复
- 频谱衰减反转恢复
- DIXON
- 具有不同的共振频率的饱和脉冲。
9.根据权利要求1或2所述的方法，
其中，提供经过训练的人工神经网络包括以下方法步骤：
- 针对用于表征不同的干扰物体的物理特性的特征提供数据类别，数据类别分别针对干扰物体分别包括至少一个数据项，
- 提供多个医学训练图像数据组，
- 将数据项与多个医学训练图像数据组相关联，
- 使用与多个医学训练图像数据组相关联的数据项和多个医学训练图像数据组的图像内容对人工神经网络进行训练，其中，经过训练的人工神经网络使得能够将数据项与医学图像数据组相关联，
- 针对检查对象内的干扰物体的表征提供经过训练的人工神经网络。
10.一种用于表征检查对象内的干扰物体的表征单元，包括第一提供单元、第二提供单元、第三提供单元、采集单元和确定单元，其中，所述表征单元被构造为用于执行根据权利要求1至9中任一项所述的方法。
11.一种医学成像设备，具有控制单元，控制单元包括表征单元和获取单元，所述获取单元被设计为用于执行根据权利要求6至8中任一项所述的方法。
12.一种电子可读的存储介质，其上存储有程序，所述程序被设计为，当在计算单元中使用存储介质时，所述程序执行根据权利要求1-9中任一项所述的方法。
CN201811464008.8A 2017-12-04 2018-12-03 借助医学图像数据组表征检查对象内的干扰物体 Active CN109924978B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017221830.4A DE102017221830A1 (de) 2017-12-04 2017-12-04 Charakterisierung eines Störkörpers innerhalb eines Untersuchungsobjektes anhand eines medizinischen Bilddatensatzes
DE102017221830.4 2017-12-04

Publications (2)

Publication Number Publication Date
CN109924978A CN109924978A (zh) 2019-06-25
CN109924978B true CN109924978B (zh) 2023-07-28

Family

ID=66547774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811464008.8A Active CN109924978B (zh) 2017-12-04 2018-12-03 借助医学图像数据组表征检查对象内的干扰物体

Country Status (3)

Country Link
US (1) US11071502B2 (zh)
CN (1) CN109924978B (zh)
DE (1) DE102017221830A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018207632A1 (de) 2018-05-16 2019-11-21 Siemens Healthcare Gmbh Bestimmen einer Bildgebungsmodalität und der Parameter dafür
US11125844B2 (en) * 2018-07-06 2021-09-21 The Board Of Trustees Of The Leland Stanford Junior University Deep learning based methods to accelerate multi-spectral imaging
CN110334646A (zh) * 2019-07-02 2019-10-15 朱恺晗 一种基于ssd的单类别障碍物识别的检测方法
DE102019213813A1 (de) * 2019-09-11 2021-03-11 Siemens Healthcare Gmbh Bereitstellen eines Prognosedatensatzes
DE102019214359A1 (de) 2019-09-20 2021-03-25 Siemens Healthcare Gmbh Verfahren zu einer adaptiven Ansteuerung eines Magnetresonanzgerätes
EP3835803B1 (en) * 2019-12-13 2024-03-27 Siemens Healthineers AG System and method for estimating a relative substance composition of a portion of a body of a patient
CN112263269B (zh) * 2020-09-22 2024-04-19 北京赛迈特锐医疗科技有限公司 泌尿系x线平片结石智能检测系统及方法
CN112168193B (zh) * 2020-10-14 2024-04-23 北京赛迈特锐医疗科技有限公司 基于髌骨轴位x线图像获取髌骨解剖参数的系统及方法
US20230019733A1 (en) * 2021-07-16 2023-01-19 Shanghai United Imaging Intelligence Co., Ltd. Motion artifact correction using artificial neural networks
CN113436114A (zh) * 2021-07-26 2021-09-24 北京富通东方科技有限公司 一种面向医学图像的数据增强方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106308797A (zh) * 2015-06-30 2017-01-11 西门子保健有限责任公司 确定至少一个患者特定的安全参数的方法和医学成像装置
CN106388822A (zh) * 2015-07-30 2017-02-15 西门子保健有限责任公司 规定检查环境的方法和具有环境匹配单元的医学成像装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008036814A1 (de) * 2008-08-07 2010-02-11 Siemens Aktiengesellschaft Klassifizierungsverfahren und Klassifizierungseinheit für Objektgruppen und/oder Gewebemerkmalsgruppen sowie Verfahren zur Ermittlung von Entwicklungsdaten
JP2012518519A (ja) * 2009-02-25 2012-08-16 モハメッド ラシュワン マーフォーズ カスタマイズされた整形外科用インプラント及び関連方法並びに変形可能な関節テンプレート
JP5624125B2 (ja) * 2009-05-13 2014-11-12 コーニンクレッカ フィリップス エヌ ヴェ パーソナルメディカルデバイスを有した患者を画像表示する方法及びシステム
US9135696B2 (en) * 2012-01-10 2015-09-15 Siemens Aktiengesellschaft Implant pose determination in medical imaging
DE102012214593A1 (de) * 2012-08-16 2013-08-29 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Detektion eines körperfremden Objektes in einem Röntgenbild
DE102013205930B4 (de) 2013-04-04 2014-11-20 Siemens Aktiengesellschaft Bestimmung einer Resonanzfrequenzabweichung bei räumlich verzerrter Schichtanregung
US20150177354A1 (en) 2013-12-20 2015-06-25 Siemens Aktiengesellschaft Magnetic resonance method and apparatus for obtaining a scout scan of a patient containing a metallic implant
DE102014007095A1 (de) * 2014-05-14 2015-11-19 Universität Zu Lübeck Verfahren und Vorrichtung zur Reduktion von Artefakten in computertomographischen Bildern
DE102014211354A1 (de) 2014-06-13 2015-12-17 Siemens Aktiengesellschaft Verfahren zur Magnetresonanz-Bildgebung
DE102015211148A1 (de) * 2015-06-17 2016-12-22 Siemens Healthcare Gmbh Verfahren zu einem Auswählen von zumindest einer Untersuchungsinformation für eine medizinische Bildgebungsuntersuchung sowie eine medizinische Bildgebungsvorrichtung hierzu
DE102015212953A1 (de) * 2015-07-10 2017-01-12 Siemens Healthcare Gmbh Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen
WO2018132740A1 (en) * 2017-01-12 2018-07-19 Antecip Bioventures Ii Llc Bisphosphonates for increasing the type 2 character of a modic change
EP3392832A1 (en) * 2017-04-21 2018-10-24 General Electric Company Automated organ risk segmentation machine learning methods and systems
WO2019005180A1 (en) * 2017-06-26 2019-01-03 Elekta, Inc. METHOD FOR ENHANCING CT QUALITY QUALITY WITH CONIC BEAM THROUGH DEEP CONVOLUTIVE NEURAL NETWORK
US11120551B2 (en) * 2017-11-27 2021-09-14 Rensselaer Polytechnic Institute Training a CNN with pseudo ground truth for CT artifact reduction

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106308797A (zh) * 2015-06-30 2017-01-11 西门子保健有限责任公司 确定至少一个患者特定的安全参数的方法和医学成像装置
CN106388822A (zh) * 2015-07-30 2017-02-15 西门子保健有限责任公司 规定检查环境的方法和具有环境匹配单元的医学成像装置

Also Published As

Publication number Publication date
US11071502B2 (en) 2021-07-27
US20190167203A1 (en) 2019-06-06
DE102017221830A1 (de) 2019-06-06
CN109924978A (zh) 2019-06-25

Similar Documents

Publication Publication Date Title
CN109924978B (zh) 借助医学图像数据组表征检查对象内的干扰物体
KR102354723B1 (ko) 텐서장 맵핑
US11023785B2 (en) Sparse MRI data collection and classification using machine learning
EP3270178B1 (en) A system and method for determining optimal operating parameters for medical imaging
US10132900B2 (en) Method and apparatus for magnetic resonance examination of an examination object
US8655038B2 (en) Method and assembly for correcting a relaxation map for medical imaging applications
US10379189B2 (en) Simultaneous magnetic resonance angiography and perfusion with nuclear magnetic resonance fingerprinting
CN107440719B (zh) 用于显示定量磁共振图像数据的方法
US10297023B2 (en) Reconstruction of an image on the basis of one or more imaging modalities
US11682145B2 (en) Systems and methods for generating medical image data for longitudinal studies
US11965946B2 (en) Machine learning based processing of magnetic resonance data, including an uncertainty quantification
US10159424B2 (en) Method and apparatus for generating medical image data records
CN108324277B (zh) 用于分类借助磁共振指纹法采集的磁共振测量数据的方法
US10143853B2 (en) Magnetic resonance method and apparatus for planning a brachytherapy treatment using an image with hyperintense contrast to identify the position of a brachytherapy applicator
US9618593B2 (en) Phase enhanced UTE with improved fat suppression
EP3771405A1 (en) Method and system for automated dynamic medical image acquisition
US10402974B2 (en) Method and apparatus for evaluation of medical data having a temporal resolution
KR101886235B1 (ko) Ct 영상 기반의 신체크기 특이적 피폭선량 및 화질지수 제공 장치 및 방법
US20230355189A1 (en) Method and system for creating a quantitative positron emission tomography image
US11980456B2 (en) Determining a patient movement during a medical imaging measurement
EP4339879A1 (en) Anatomy masking for mri
US20200405179A1 (en) Determining a patient movement during a medical imaging measurement
Johansson Magnetic resonance imaging with ultrashort echo time as a substitute for X-ray computed tomography
JP2016209336A (ja) 磁気共鳴イメージング装置
Harrevelt et al. Deep learning based correction of RF field induced inhomogeneities for T2w prostate imaging at 7 T

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