CN110364238B - 基于机器学习的对比剂管理 - Google Patents

基于机器学习的对比剂管理 Download PDF

Info

Publication number
CN110364238B
CN110364238B CN201910289772.4A CN201910289772A CN110364238B CN 110364238 B CN110364238 B CN 110364238B CN 201910289772 A CN201910289772 A CN 201910289772A CN 110364238 B CN110364238 B CN 110364238B
Authority
CN
China
Prior art keywords
patient
contrast
data
regressor
injection
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
CN201910289772.4A
Other languages
English (en)
Other versions
CN110364238A (zh
Inventor
P.萨赫贝巴赫扎德
S.拉帕卡
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 Medical Ag
Original Assignee
Siemens Healthineers 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 Healthineers AG filed Critical Siemens Healthineers AG
Publication of CN110364238A publication Critical patent/CN110364238A/zh
Application granted granted Critical
Publication of CN110364238B publication Critical patent/CN110364238B/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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • 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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/58—Testing, adjusting or calibrating thereof
    • A61B6/582—Calibration
    • A61B6/583—Calibration using calibration phantoms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/007—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests for contrast media
    • 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
    • G01R33/5601—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution involving use of a contrast agent for contrast manipulation, e.g. a paramagnetic, super-paramagnetic, ferromagnetic or hyperpolarised contrast agent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Dentistry (AREA)
  • Epidemiology (AREA)
  • Vascular Medicine (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Pulmonology (AREA)

Abstract

一种方法，包括：将针对患者的至少一个器官的对比增强数据、患者的至少一个患者属性以及测试推注数据或推注跟踪数据输入到回归器；基于对比增强数据、至少一个患者属性和测试推注或推注跟踪数据来从回归器接收对比剂管理方案；并且根据接收的对比剂管理方案将对比剂注射到患者中。

Description

基于机器学习的对比剂管理
技术领域
本公开总体上涉及医学成像，并且更具体地涉及对比增强成像。
背景技术
动态对比增强(DCE)成像提供关于注射的对比剂通过血管到不同组织的流动的动态信息。具有显著不同血流速率的组织出现在具有对比色调的DCE图像中。例如，DCE实现由脑肿瘤生成的血管的分析。当对比剂从血管传递到组织的细胞外空间时以及当其返回到血管时测量对比剂的浓度，并根据浓度数据来重建磁共振(MR)或计算机断层扫描(CT)图像。
可以针对患者安全而减少注射到患者中的对比剂的量。可以在注射到患者中的对比剂的量的减少和对比增强之间进行权衡。
发明内容
在一些实施例中，一种方法，包括：将针对患者的至少一个器官的对比增强数据、患者的至少一个患者属性以及测试推注(bolus)数据或推注跟踪数据输入到回归器(regressor)；基于对比增强数据、至少一个患者属性和测试推注或推注跟踪数据来从回归器接收对比剂管理方案；并且根据接收的对比剂管理方案将对比剂注射到患者中。
在一些实施例中，一种系统，包括：模拟器，用于对对比剂通过身体的流动进行建模并生成对比增强数据。非暂时性机器可读储存介质存储对比增强数据、患者的至少一个患者属性以及患者的测试推注或推注跟踪数据。至少一个处理器包括回归器，该回归器被配置成基于对比增强数据和至少一个患者属性来生成对比剂管理方案。
在一些实施例中，非暂时性机器可读储存介质以用于控制处理器的指令来编码，使得当处理器执行指令时，处理器执行包括以下各项的方法：模拟对比剂通过身体的流动并从模拟中生成对比增强数据；将患者的至少一个患者属性输入到使用对比增强数据训练的回归器；并且使用回归器来生成在对比剂的注射和扫描之间的扫描延迟，使得在注射和扫描延迟之后扫描的执行捕获在器官中具有峰值对比剂浓度的器官的图像。
附图说明
图1是根据示例性实施例的包括基于机器学习的对比剂管理的系统的示意图。
图2是图1中示出的系统的框图。
图3是图2的多隔室模型的示意图。
图4示出了由图3的多隔室模型提供的对比增强数据。
图5示出了输入到图2的多隔室模型的对比剂管理方案。
图6是用于图1的系统的信息流程图。
具体实施方式
旨在结合附图来阅读示例性实施例的描述，所述附图被认为是整个书面描述的一部分。
本公开可以为器官特定成像应用提供最佳对比剂注射方案的快速的患者特定估计。对于给定量的对比剂(CA)，该系统和方法可以提供最大的图像对比度。替代地，对于给定的目标对比度，该系统和方法可以最小化注射到患者中的对比剂的量。该系统可以确定并实施与患者心输出量相对应的最佳患者特定对比剂管理方案和扫描延迟(即对比剂注射和扫描之间的延迟)。该系统和方法可以在显著更低剂量的对比剂下导致更好的图像质量。扫描时间也可以显著减少，而同时保持高图像质量。
图1示出了扫描仪系统100，包括用于控制扫描仪105的控制设备110。扫描仪105可以是诸如“MAGNETOM VIDA”TM扫描仪之类的磁共振(MR)扫描仪、诸如“SOMATOM CONFIDENCERT Pro”TM CT扫描仪之类的计算机断层扫描(CT)扫描仪、诸如“BIOGRAPH HORIZON”TM PET/CT扫描仪之类的PET扫描仪或诸如“ACUSON SC2000PRIME”TM心血管超声系统之类的超声扫描仪，全部由宾夕法尼亚州莫尔文的美国西门子医疗解决公司销售。扫描仪可以包括注射简档(profile)的自动对比剂注射系统120自动控制，如由宾夕法尼亚州莫尔文的美国西门子医疗解决公司的“SOMATOM”TM扫描仪中的“CARE CONTRAST”TM所提供的，其中对比剂注射器可以连接到CT扫描仪，实现同步注射和扫描。
控制设备110具有处理器111，其使用机器学习来预测扫描方案以用于基于预测来对对象(subject)的内部器官(未示出)进行对比增强成像。处理器111被配置(例如，通过软件)用于基于预测的对比剂量、注射简档和注射对比剂与执行扫描之间的延迟来控制扫描仪105。处理器111可以向自动对比剂注射系统120发出命令，以根据预测的注射方案来注射选定剂量的CA。这些仅是示例，并且可以使用其他扫描仪品牌和型号。处理器111可以具有诸如显示器122之类的用户输入/输出设备，其可以是能够接收用户输入并显示输出的触摸屏。可以包括其他输入设备(例如，键盘或定点设备，未示出)。
处理器111可以包括嵌入式处理器、计算机、微控制器、专用集成电路(ASIC)、可编程门阵列等。控制设备110包括主存储器112，所述主存储器112可以包括非暂时性机器可读储存介质，诸如动态随机存取存储器(DRAM)。辅助存储器包括非暂时性机器可读储存介质114，诸如固态驱动器、硬盘驱动器(HDD)和/或可移动储存驱动器，其可以包括固态存储器、光盘驱动器、闪存驱动器、磁带驱动器等。非暂时性机器可读储存介质114可以包括在其中有形地存储计算机软件指令116，以用于引起扫描仪105执行(本文描述的)各种操作和数据118。
注射系统120可以从碘、氟脱氧葡萄糖(FDG)或其他放射性药物的多剂量溶液开始来对患者执行校准的注射。在一些实施例中，扫描仪系统100未被装备自动注射系统120，在该情况下，可以使用单独的注射系统(未示出)。例如，一些系统可以包括外部注射系统(未示出)，诸如意大利Castel Bolognese的Comecer S.p.A.所销售的“IRISTM”放射性药物多剂量注射器。在一些实施例中，注射系统120具有与处理器111的有线或无线通信链路，以用于将剂量、对比剂应用方案和扫描延迟自动传输到注射系统120。在一些实施例中，处理器111接收来自回归器(例如，神经网络)220的扫描延迟的值，以在对比剂的注射和来自神经网络的扫描之间被使用。处理器根据在注射之后的扫描延迟来等待大约一段时间，并在等待之后开始执行计算机断层扫描或磁共振扫描(使用扫描仪)。在一些实施例中，注射在扫描延迟期满时开始。在其他实施例中，对注射进行计时，使得注射跨越所关注器官中的峰值对比剂浓度的时间，并且注射的中点与峰值对比剂浓度的时间一致。
扫描仪系统100可以包括二维(2D)或三维(3D)相机101。在一些实施例中，2D或3D相机101在扫描之前捕获患者的图像。该图像可以被用来估计由控制设备110使用的一个或多个患者属性，例如患者高度或体重。
用于模型加速的架构
图2是用于基于测试推注数据或推注跟踪数据来实时确定对比剂应用方案和扫描延迟的系统的框图，以用于在患者仍然在扫描仪床上时立即使用在对比增强扫描中。
可以使用实施多隔室模型212的模拟器对人体中的对比剂摄取进行建模，以用于对对比剂通过身体的流动进行建模并生成对比增强数据。通过模型212中的每个隔室的对比度传播可以通过一组耦合的微分方程来表示，其可以被求解以获得作为时间的函数的在任何给定位置处的对比剂浓度。模型212的结果取决于患者内部参数，其可以针对患者的属性214(年龄、体重、高度、病理状况、心输出量等)进行个性化。一旦将模型212适当地参数化，则模型212然后可以在计算上“反转”。在一些实施例中，这包括计算被用来获得在给定位置处的所需对比度密度曲线的初始对比剂注射方案。例如，为了扫描肝脏，可以输入在肝脏处的所需对比剂密度曲线，并且然后可以基于对比增强数据和患者属性来对模型进行反转以计算应遵循的对比剂管理方案。
表征多隔室模型212的微分方程的数值解可能是计算上要求和耗时的，但是在本文描述的一些实施例中，训练的回归器(例如，神经网络)220提供足够的加速以确定临床工作流程内的对比剂应用方案233。在一些实施例中，神经网络是深度神经网络。在一些实施例中，神经网络被配置成执行支持向量回归。例如，在一些情况下，利用来自模型212的对比增强数据211训练的神经网络可以生成对比剂管理方案223，其是PBPK模型212的微分方程的数值解的大约80倍那样快。在临床阶段中，在测试推注或推注跟踪扫描之后，训练的神经网络可以立即生成对比剂管理方案233，并且可以在患者仍然在扫描仪床上时实施所生成的对比剂管理方案233。
将机器学习技术与来自扫描仪系统100的基于生理学的隔室建模和实时测试推注或推注跟踪曲线相结合，回归器(例如，神经网络)220可以生成与任何定向的器官或血管中的所需对比增强相对应的对比剂应用方案233和扫描延迟234参数。
来自离线数值解阶段的个性化模型参数211、213、214、215成为到对比度传播回归器(例如，神经网络)220的训练输入参数。此回归器(例如，神经网络)220评估对比增强数据211，其作为时间的函数定义注射的对比体积与其在不同位置处的分布之间的关系。然后，给定要成像的感兴趣器官(或区域)，基于患者特定模型参数来选择最佳对比剂应用方案233(包括CA注射曲线)。
实现确定CA管理方案233和扫描延迟234的显著加速的一个方法是通过机器学习算法的使用。在此方法中，回归器(例如，神经网络)220学习输入(诸如来自相机101的2D或3D图像232之类的患者属性和测试推注数据或推注跟踪数据231的CA管理曲线)和输出(得到的对比剂应用方案233和扫描延迟234)之间的关系。输入(多隔室模型212、对比剂应用方案213、患者属性214以及在一些实施例中的图像质量215)和输出(对比增强数据211，本文中也称为“合成数据”)的大的数据库被用来训练机器学习系统(回归器220)。回归器220学习来确定输入和输出之间的关系，以在给定来自相机101的2D或3D图像232和测试推注数据或推注跟踪数据231的情况下确定最佳对比剂应用方案233和扫描延迟234。
在一些实施例中，回归器220是具有多个系数的深度神经网络。通过将多个患者参数(属性)214和多个对比剂注射方案213输入到模拟器212、使用模拟器212模拟对比剂通过多个患者身体的流动、并且基于模拟提供对比增强数据211以用于在神经网络中使用来对系数进行机器学习。
在各种实施例中，可以使用以下不同的方法来生成数据库：
1)通过使用不同的采样方法来生成随机输入、模型参数和对应的输出，多次运行数值地求解多隔室模型212的微分方程，可以生成训练数据210。可以对不同的模型参数进行采样(例如，使用不同的随机数发生器或使用其他采样方法)以横跨生理学兴趣的范围。
(2)使用对体模数据集的受控实验来获取数据，其中准备具有不同性质的器官并对其成像。
(3)从过去的患者获取实际医学图像。
大的训练数据集被用来覆盖患者属性的域。来自过去患者的可用医学图像数据集可能不足够大到训练回归器220。根据一些实施例，通过方法(1)至(3)获得的任何数据的组合可以被用来提供足够的训练数据。
在一些实施例中，回归器220可以包括多个模型，每个查看针对特定血管隔室或器官的输入-输出关系。一个示例是基于机器学习的血流储备分数(FFR)预测模型，其与底层物理模型的微分方程的数值解相比已示出高准确度，同时在计算运行时间方面提供80倍加速。
回归器220中的机器学习模型还可以考虑注射系统可以对对比剂应用方案233强加的任何约束。例如，回归器220可以适应置于峰值注射速率、注射的总体积、注射曲线的平滑度等等上的限制。例如，如果期望恒定的注射速率，则回归器220可以产生特定注射速率，其将使对比剂体积最小化，以尽可能接近地到达目标器官处的所需对比度分布。
模型个性化
图2中的系统提供了使用数据驱动方法的模型个性化。将患者属性214和对比剂管理方案213输入到多隔室模型212，其数值地求解微分方程以生成对比增强数据211，如由虚线箭头所指示。
在模型个性化期间，可以用定量“图像质量”度量215来增强(先前患者的)每个图像。操作者可以基于从计算机断层扫描或磁共振扫描获得的图像来输入质量度量。可以基于不同的图像特征(例如，对比度)来在算法上计算图像质量度量215、或者由临床团队注释图像质量度量215，或者两者组合。对比增强数据211、对比剂应用方案213、患者属性214以及在一些情况下的图像质量215然后可以形成训练数据集以输入到回归器220。回归器220考虑(例如，从来自相机101的2D或3D图像232输入或估计的)不同患者属性214、连同图像质量215(如果可用)、对比增强数据211、扫描延迟(即，注射和图像获取之间的时间差)和来自测试推注数据或推注跟踪数据231的其他特征的组合，以学习来自测试推注或推注跟踪扫描图像231的特征与提供最佳图像质量的对比剂应用方案233和扫描延迟234之间的函数映射。操作者可以使用机器学习来减少后续计算机断层扫描或磁共振扫描的对比剂量，或者基于质量度量增加后续计算机断层扫描或磁共振扫描的图像对比度。
对于每个患者的每个器官，训练数据210可以包括(从多隔室模型212获得的)对比增强数据211、对比剂应用方案213、患者属性214以及在一些情况下的图像质量215。一旦基于过去患者图像获取和/或覆盖大范围的患者属性214的体模数据(phantom data)和/或合成数据的数据库进行训练，回归器220可以为任何给定测试推注数据或推注跟踪数据231和患者属性或2D或3D图像232提供患者特定对比剂应用方案233和扫描延迟234。
在个体患者中对准确的患者特定对比剂分布进行建模的挑战之一是实时估计心输出量。在临床阶段230期间，可以从测试推注数据或推注跟踪数据231估计心输出量，可以将其输入到回归器220。从针对所有器官和血管的测试推注数据或推注跟踪数据231与附加患者属性或2D或3D图像数据232获取的信息可以提高准确性。一旦训练了回归器220，就可以将回归器220应用到新患者的测试推注数据或推注跟踪数据231。可以用对比剂的低剂量注射来执行测试推注数据或推注跟踪数据231。在一些实施例中，对于每个临床阶段患者，将来自测试推注数据或推注跟踪数据231的信息与患者属性(其可以直接输入或基于来自相机101的2D或3D图像进行估计)组合并输入到回归器220以找到对比剂应用方案233和扫描延迟234，从而在成像扫描期间优化在给定位置处的对比强度与患者属性214之间的相关性。
可以直接输入患者属性(例如，高度、体重)，或者在一些实施例中，还使用数码相机101捕获患者的2D或3D图像(指示患者的一个或多个属性)。可以基于2D或3D图像来估计输入患者参数。网络或回归器220然后使用输入患者属性连同在测试推注数据或推注跟踪数据231上计算的特征集合来推断患者特定模型参数(例如，对比剂应用方案233和扫描延迟234)。
在一些实施例中，基于来自相机101的2.5D或3D图像来形成对象的3D化身网格，如US2015/0213646A1(申请号：14/604,829，2015年1月26日提交)中所公开的，其全部内容通过引用并入本文。可以从3D化身网格确定患者的身高或其他空间属性。例如，在一些实施例中，将对象的深度相机图像转换到3D点云。在3D点云中检测到多个解剖标志。通过基于检测到的解剖标志将模板网格与3D点云对准来对3D化身网格进行初始化。然后通过使用训练的参数可变形模型(PDM)优化3D化身网格来生成对象的个性化3D化身网格。
基于模型的对比管理方案
基于生理学的药代动力学(PBPK)模型212可以模拟人体中的对比剂传播。在给定初始注射曲线的情况下，为每个器官提供简化的有效模型，通过减少的参数集来对其进行参数化以解决对比度传播的正演模型。图3中示出了示例性系统模型。
在一些实施例中，基于模型的优化可以用于选择对比剂注射方案。例如，图3示出了针对血液和流过身体的对比剂的多隔室模型的示例。图3是人体的基于生理学的药代动力学(PBPK)模型的示例示意图。该模型可以预测以注射开始对比剂在身体内的吸收、分布和代谢。在图3中，每个块(3、8、11、14、16、20、21、23、25、28、29、32和36)代表器官隔室，并且每个椭圆(1、2、4-7、9-10、12、13、15、17-19、22、24、26、27、30-31、33-35和37)代表血管隔室。
根据一个示例，表1列出了图3的模型的隔室和它们相应的描述。表1中的隔室按照其中它们在图3中出现的顺序进行编号。在表1和图3的隔室模型中，心脏由三个独立的隔室代表：左心、右心和心肌。因为在左心和右心中发生的灌注(perfusion)的可忽略的量，所以假定它们是血管隔室。表1仅包括器官的名称(除了主动脉)，并且血管以其隔室编号(除了主动脉)命名。虽然模型的节点以右心(1号隔室)开始，但是注射可在任何注射地点(隔室)处执行，并且对比剂按所列顺序流到剩余隔室，并在髂静脉后(37号隔室)流到右心(1号隔室)，并按顺序继续。
表1
血管系统中的估计血液分布、血流速率和PBPK模型中使用的毛细血管体积
对比剂进入和离开每个器官的流动以及器官内的浓度的变化可以由相应的微分方程来表达。例如，针对每个器官的微分方程可以指示离开器官的血流速率等于进入器官的血流速率，而器官中的CA浓度的变化速率随着通过器官的血流速率和在输入CA浓度和输出CA浓度之间的差异而变化。在Sahbaee，Pooyan等人的如下文档中描述了这组微分方程：“TheeffectofcontrastagentonradiationdoseatCT:partI.Incorporationofcontrastagent dynamicsinanthropomorphicphantoms”放射学283.3(2017)：739-748，其通过引用并入本文。可以数值地求解该组微分方程，以预测吸收、分布和代谢。针对大的PBPK模型(诸如模型212)的数值解可能在计算上是昂贵的。例如，图3的模型中的对比剂流动由大约300个微分方程来描述。
基于大的耦合微分方程组的解的计算模型具有长的计算时间。在一些实施例中，针对模型212的微分方程在对比剂管理方案213和患者属性214的域上被求解许多(例如，10,000)次，以生成对比增强数据211的大的集合。此数据集可以在训练之前单次生成。一旦训练了回归器220，回归器220就可以在患者对比增强图像扫描期间实时生成对比剂管理方案233和扫描延迟234。
图3的37隔室模型仅是示例。根据期望的准确度和/或期望的计算时间和复杂性，可以使用任何的多隔室模型。例如，图3的模型包括用于小肠的单个隔室和用于大肠的单个隔室。在其他实施例中，可以将小肠和/或大肠建模为两个或更多隔室。此外，可以将所公开的系统应用于具有多于一个输入“血管”的任何器官(例如，肝脏)和/或应用于具有多于一个输出血管的任何器官。
例如，图4示出了由多隔室模型212生成的对比增强数据211的集合。为每个器官提供单独的对比增强数据。例如，数据包括针对以下各项中的每个的若干对比增强曲线：心脏400、肝脏402、胃404、小肠406、脾脏408、肾410、大肠412和胰腺414。针对每个器官的各种曲线对应于不同的输入(例如，对比剂应用方案213和/或患者属性214)。
在一些实施例中，为了更准确地对健康器官和具有病理学的器官两者中的对比增强曲线建模，该模型可以进一步包括连接到一个或多个器官和/或血管的一个或多个损伤隔室(lesion compartment)。包括单独的损伤隔室的模型可以更真实地代表患者。例如，再次参考图3，可以添加损伤隔室3a以代表患者肺部上的肿瘤。
训练数据集还包括多个不同的对比剂管理方案213。图5示出了对比剂管理方案500-505的集合213的示例。每个对比剂管理方案(例如，500)具有在注射期间作为时间的函数的每单位时间注射的分别不同的对比剂(例如碘)的量。在图5的示例性对比剂管理方案213中，以恒定速率将对比剂注射达第一时段，并且然后注射停止。在其他实施例中，每单位时间注射的对比剂的量可以变化。例如，每单位时间注射的对比剂的量可以在第一时段期间倾斜上升(ramp up)，在第二时段期间保持恒定，在第三时段期间倾斜下降，并且然后保持在零处。这只是示例，并且可以使用其他注射简档。
本公开的一些实施例使用高计算效率的基于机器学习的框架。可以使用通过多隔室模型的数值解所生成的“合成数据”来训练神经网络。训练集包括患者示例的不同的组(例如10,000个)，其涵盖患者特性(年龄、性别、体重、高度等)和对比剂管理方案的域。可以用临床患者数据和/或体模数据(例如，XCAT体模数据)来补充合成数据，以确保训练集足够大。一旦训练了神经网络，应用就可以使用神经网络来在实时条件下生成成像方案参数(对比剂剂量、注射简档以及注射和扫描之间的延迟)，从而实现简单的用户工作流程。使用低剂量的对比剂(CA)来执行实时测试推注或推注跟踪扫描，并生成测试推注增强曲线。然后将来自测试推注或推注跟踪扫描的测试推注增强曲线和患者属性或2D或3D图像232输入到神经网络，其生成对比剂管理方案233和扫描延迟234的参数。得到的成像方案以最小的对比剂量使对比度最大化。
由多隔室PBPK模型212生成的合成数据可以被用来馈送和训练深度学习网络或回归器220，以预测针对不同器官中的期望增强的对比剂注射功能。PBPK模型可以提供作为时间的函数遍及患者特性的域的任何期望数目的对比增强灌注数据，以用于训练对比增强预测机器学习网络。
对于在临床实践中使用对比增强的任何医学扫描仪技术而言，利用扫描参数(例如，扫描计时)适当地协调的CA管理方案233的优化增强了医学成像，保持了高图像质量。因为使用遍及患者类型的域(患者大小、体重指数等)的样本来训练回归器220，所以获取的图像具有一致的质量，而与患者特性无关。这也支持使用医学图像的任何下游应用。例如，在心脏用例中，跨患者的一致灰度值将实现冠状动脉中心线的更准确得多的确定，并且实现更准确的腔分割。
图6是用于临床使用的其配置中的系统的示意图。训练的回归器220(例如，神经网络)接收实时测试推注或推注跟踪数据231和来自相机101的2D或3D图像232作为输入。回归器220使用这些输入来准确地预测个体患者的心输出量，并因此提供不同器官中的更精确的个体对比增强曲线。例如，如图6中所示，回归器220可以为心脏、脾脏、肝脏、肾、胃、大肠、小肠和胰腺提供相应的对比剂注射曲线233(对比剂应用方案)。回归器220还提供对比增强曲线600，从中可以确定最大对比剂浓度602和对应于最大浓度值602的扫描延迟234。然后，当患者仍在床上时将这些输出立即用于对比成像。对比剂的量、对比剂管理方案和扫描延迟(相对于注射的开始)基于回归器220的输出。
因为在训练期间使用PBPK模型212(而不是在实时临床使用期间)，所以求解PBPK模型212的微分方程的计算时间不会对使用回归器220的患者特定扫描方案生成造成障碍。使用先前训练的回归器220并微调不同的患者特定参数(例如心输出量、年龄、性别、器官和血管大小)、注射方案参数(例如碘浓度、体积和注射速率)233和扫描延迟234，系统可以收集不同器官中的许多对比增强数据。
另外，尽管对PBPK模型212的输入是患者特定的，但是它们独立于神经网络并且独立于成像扫描仪品牌和型号。一旦生成包括来自PBPK模型212的合成数据的训练集，就可以使用相同的训练集来确定用于任何扫描仪的注射方案。而且，可以使用相同的训练集来训练多种机器学习系统(例如，多种深度神经网络)以生成注射方案。
用户交互的模式
可以在多种实施例中使用网络或回归器220。例如，
在一些实施例中，该系统包括非暂时性机器可读储存介质114，其包含针对每个器官的多个不同的“期望对比度分布”。该系统可以包括回归器220，其被配置用于接收测试推注或推注跟踪增强曲线并且取来对应于感兴趣器官的期望对比度分布(图4)，并且生成相应的对比剂管理方案(例如，注射功能)。
在一些实施例中，处理器111系统可以提供基于触摸的接口，以用于显示数据和提示，以及用于接收用户输入。例如，触摸屏显示器122(图1)可以被用来显示提示以指令用户在简单的解剖图中的感兴趣的器官上或在测试推注或推注跟踪扫描上的感兴趣器官上进行点击。在一些实施例中，系统可以提供语音激活或自然语言接口，因此操作者可以说出语音命令以指令系统(例如，获取冠状动脉图像)。
在一些实施例中，在自动开始注射之前，系统提示操作者批准估计剂量和所生成的注射曲线。
在一些实施例中，扫描仪系统100被配置成在完成时接收对每个扫描的质量进行评级的操作者输入。扫描仪系统100被配置成结合评级数据以连续学习最佳注射方案以最小化剂量和对比度体积，同时最大化图像质量。回归器220的学习机器可以从预测结果和实际数据之间的差异中学习。
在一些实施例中，扫描仪系统100被配置成提示操作者从其中输出图像对比度为高的一个或多个过去案例中进行选择。网络或回归器220基于所选择的(多个)过去案例来将自己校准或使自己适应新患者，以获得具有相似质量或更好质量的图像。
在一些实施例中，可以定期地收集来自多个扫描仪系统的机器学习的概要并且将其用来识别最佳实践，可以将其进行传播以改善网络或回归器220在安装的扫描仪队列上的性能。
本文描述的方法和系统可以至少部分地以计算机实现的过程和用于实践那些过程的装置的形式来具体实施。所公开的方法还可以至少部分地以用计算机程序代码编码的有形的非暂时性机器可读储存介质的形式来具体实施。介质可以包括例如RAM、ROM、CD-ROM、DVD-ROM、BD-ROM、硬盘驱动器、闪存或任何其他非暂时性机器可读储存介质，其中，当将计算机程序代码加载到计算机中并由计算机执行时，计算机成为用于实践该方法的装置。方法还可以至少部分地以计算机的形式来具体实施，计算机程序代码被加载和/或执行到该计算机中，使得计算机成为用于实践该方法的专用计算机。当在通用处理器上实现时，计算机程序代码段配置处理器以创建特定的逻辑电路。替代地，所述方法可以至少部分地以由用于执行所述方法的专用集成电路所形成的数字信号处理器来具体实施。
虽然已经就示例性实施例描述了主题，但是它不限于此。更确切地说，应当宽泛地解释所附权利要求，以包括可由本领域技术人员作出的其他变体和实施例。

Claims (25)

1.一种方法，包括：
将针对患者的至少一个器官的对比增强数据、所述患者的至少一个患者属性、以及测试推注数据或推注跟踪数据输入到训练的回归器；
基于所述对比增强数据、所述至少一个患者属性和所述测试推注或推注跟踪数据来从所述回归器接收对比剂管理方案，其中通过以下各项来训练所述回归器：
将多个患者参数和多个注射方案输入到模拟器；
使用所述模拟器模拟对比剂通过多个患者身体的流动；和
基于所述模拟来提供多个对比增强数据。
2.根据权利要求1所述的方法，其中，所述对比剂管理方案包括由对比剂量和对比剂注射功能组成的组中的至少一个。
3.根据权利要求2所述的方法，还包括：
接收所述对比剂的注射和扫描之间的扫描延迟值，
根据在注射之后的扫描延迟等待至少一段时间，和
在等待之后执行计算机断层扫描或磁共振扫描。
4.根据权利要求3所述的方法，还包括
输入基于计算机断层扫描或磁共振扫描的质量度量，和
使用机器学习来基于所述质量度量减少后续计算机断层扫描或磁共振扫描的对比剂量或者增加后续计算机断层扫描或磁共振扫描的图像对比度。
5.根据权利要求2所述的方法，其中，所述对比剂注射功能包括针对多个器官中的每一个的相应的对比剂注射功能。
6.根据权利要求1所述的方法，其中，所述回归器是神经网络。
7.根据权利要求6所述的方法，其中，所述回归器执行支持向量回归。
8.根据权利要求6所述的方法，还包括基于测量的患者数据或体模数据来提供附加的对比增强数据。
9.根据权利要求6所述的方法，其中，所述模拟器具有多隔室模型，所述多隔室模型将所述对比剂量和所述对比剂在所述患者身体内的多个不同位置处的分布相关联，作为时间的函数。
10.根据权利要求9所述的方法，其中，所述多隔室模型具有用于所述患者的至少一个器官和至少一个血管的相应隔室。
11.根据权利要求10所述的方法，其中，所述多隔室模型还包括对应于损伤的隔室。
12.根据权利要求1所述的方法，其中，所述对比剂注射功能是从针对多个器官中的每一个的多个先前存储的对比度分布中选择的。
13.根据权利要求1所述的方法，其中，所述患者属性包括由患者体重、患者表面积、患者年龄、患者高度或标记组成的组中的至少一个。
14.根据权利要求1所述的方法，还包括：
捕获所述患者的深度图像；和
基于所述深度图像并基于包含先前收集的患者数据的数据库或计算体模来估计所述患者属性。
15.一种系统，包括：
模拟器，用于对对比剂通过身体的流动进行建模并生成对比增强数据；
存储所述对比增强数据、患者的至少一个患者属性以及所述患者的测试推注或推注跟踪数据的非暂时性机器可读储存介质；和
至少一个处理器，包括训练的回归器，所述回归器被配置成基于所述对比增强数据和所述至少一个患者属性来生成对比剂管理方案，其中通过以下各项来训练所述回归器：
将多个患者参数和多个注射方案输入到模拟器；
使用所述模拟器模拟对比剂通过多个患者身体的流动；和
基于所述模拟来提供多个对比增强数据。
16.根据权利要求15所述的系统，其中，所述模拟器具有多隔室模型，所述多隔室模型将所述对比剂量与所述对比剂在所述患者内的多个不同位置处的分布相关联，作为时间的函数。
17.根据权利要求16所述的系统，其中，所述多隔室模型具有用于所述患者的至少一个器官和至少一个血管的相应隔室。
18.根据权利要求15所述的系统，其中，所述回归器具有通过以下各项进行机器学习的多个系数：
将多个患者参数和多个注射方案输入到模拟器；
使用所述模拟器模拟对比剂通过多个患者身体的流动；和
基于所述模拟来提供对比增强数据以用于在所述回归器中使用。
19.根据权利要求15所述的系统，其中，所述回归器还被配置成生成所述患者中的所述对比剂的注射与扫描之间的扫描延迟的值，并且所述系统还包括计算机断层扫描仪或磁共振扫描仪，以用于捕获所述测试推注数据或推注跟踪数据并且用于利用通过所述扫描延迟分开的所述对比剂的注射和扫描来捕获医学图像数据。
20.根据权利要求15所述的系统，其中，所述回归器执行支持向量回归。
21.根据权利要求15所述的系统，其中，所述回归器是神经网络。
22.一种以用于控制处理器的指令编码的非暂时性机器可读储存介质，使得当所述处理器执行所述指令时，所述处理器执行包括以下的方法：
将针对患者的至少一个器官的对比增强数据、所述患者的至少一个患者属性、以及测试推注数据或推注跟踪数据输入到训练的回归器，其中通过以下各项来训练所述回归器：
将多个患者参数和多个注射方案输入到模拟器；
使用所述模拟器模拟对比剂通过多个患者身体的流动；和
基于所述模拟来提供多个对比增强数据；
基于所述对比增强数据、所述至少一个患者属性和所述测试推注或推注跟踪数据来从所述回归器接收对比剂管理方案；和
使用所述回归器来生成在到患者的对比剂的注射和扫描之间的扫描延迟，使得在注射和扫描延迟之后扫描的执行捕获在器官中具有峰值对比剂浓度的至少一个器官的图像。
23.根据权利要求22所述的非暂时性机器可读储存介质，其中，所述模拟包括使用多隔室模型，所述多隔室模型将对比剂量和所述对比剂在所述患者身体内的多个不同位置处的分布相关联，作为时间的函数。
24.根据权利要求23所述的非暂时性机器可读储存介质，其中，所述多隔室模型具有用于患者的至少一个器官和至少一个血管中的至少两个的相应隔室。
25.根据权利要求24所述的非暂时性机器可读储存介质，其中，所述方法还包括使用功能测试数据或体模数据中的至少一个对所述回归器的附加训练。
CN201910289772.4A 2018-04-11 2019-04-11 基于机器学习的对比剂管理 Active CN110364238B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/950,430 US10925565B2 (en) 2018-04-11 2018-04-11 Machine-learning based contrast agent administration
US15/950430 2018-04-11

Publications (2)

Publication Number Publication Date
CN110364238A CN110364238A (zh) 2019-10-22
CN110364238B true CN110364238B (zh) 2024-04-26

Family

ID=66092150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910289772.4A Active CN110364238B (zh) 2018-04-11 2019-04-11 基于机器学习的对比剂管理

Country Status (3)

Country Link
US (1) US10925565B2 (zh)
EP (1) EP3552550B1 (zh)
CN (1) CN110364238B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11341636B2 (en) * 2019-11-01 2022-05-24 GE Precision Healthcare LLC Methods and systems for an adaptive five-zone perfusion scan
US11350896B2 (en) * 2019-11-01 2022-06-07 GE Precision Healthcare LLC Methods and systems for an adaptive four-zone perfusion scan
US11564648B2 (en) * 2019-11-01 2023-01-31 GE Precision Healthcare LLC Methods and systems for an adaptive multi-phase angiography scan
US11690950B2 (en) * 2019-11-01 2023-07-04 GE Precision Healthcare LLC Methods and systems for timing a second contrast bolus
US12059546B2 (en) * 2019-11-01 2024-08-13 GE Precision Healthcare LLC Methods and systems for adaptive timing of a second contrast bolus
CN111462857A (zh) * 2020-03-31 2020-07-28 上海联影医疗科技有限公司 一种注射协议确定方法、装置、医疗影像设备及介质
LT6911B (lt) * 2020-07-17 2022-05-10 Vilniaus Universitetas Ultragarsinio tyrimo ir ultragarsinio tyrimo su kontrastine medžiaga vaizdų bei duomenų analizės sistema kasos patologijų ankstyvajai diagnostikai atlikti automatiniu būdu
WO2022051460A1 (en) * 2020-09-02 2022-03-10 Roblox Corporation 3d asset generation from 2d images
DE102020212335A1 (de) 2020-09-30 2022-03-31 Siemens Healthcare Gmbh Verfahren zur Ansteuerung eines Bildgebungsgeräts zur Erfassung eines kontrastmittelverstärkten Bilddatensatzes
TWI792592B (zh) * 2020-12-29 2023-02-11 財團法人工業技術研究院 電腦輔助入針系統和電腦輔助入針方法
JP2022124633A (ja) * 2021-02-16 2022-08-26 キヤノンメディカルシステムズ株式会社 画像処理装置
US11995831B2 (en) * 2021-04-09 2024-05-28 Wisconsin Alumni Research Foundation Method and apparatus for optimizing the use of contrast agents during medical imaging
EP4113537A1 (en) * 2021-06-30 2023-01-04 Guerbet Methods for training a prediction model, or for processing at least a pre-contrast image depicting a body part prior to an injection of contrast agent using said prediction model
WO2023062202A1 (en) * 2021-10-15 2023-04-20 Bracco Imaging S.P.A. Simulating images at higher dose of contrast agent in medical imaging applications
EP4362042A1 (en) 2022-10-31 2024-05-01 Siemens Healthineers AG Estimating pharmacokinetics of a contrast medium through a cardiovascular system analytical model and/or neural network algorithm
DE102023208903A1 (de) 2023-09-13 2024-09-26 Siemens Healthineers Ag Optimierung eines Kontrastmittelinjektionsprotokolls für ein Bildgebungsverfahren

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6904306B1 (en) * 2002-01-23 2005-06-07 Koninklijke Philips Electronics N.V. Method and apparatus for evaluation of contrast agent uptake based on derived parametric images
US9449145B2 (en) * 2014-04-22 2016-09-20 Heartflow, Inc. Systems and methods for virtual contrast agent simulation and computational fluid dynamics (CFD) to compute functional significance of stenoses
CN106880900A (zh) * 2015-11-19 2017-06-23 西门子医疗有限公司 用于自动确定造影剂注射方案的方法
WO2017180807A1 (en) * 2016-04-15 2017-10-19 Baxalta Incorporated Method and apparatus for providing a pharmacokinetic drug dosing regiment

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006032991B4 (de) * 2006-07-17 2015-03-26 Siemens Aktiengesellschaft Verfahren und Rechnereinheit zur Einstellung einer Spritzenpumpe für eine Bildaufnahme
JP5437240B2 (ja) 2007-07-17 2014-03-12 メドラッド インコーポレーテッド 心肺機能の評価、及び流体搬送の手順のパラメータを決定する装置、システム及び方法
US9524582B2 (en) 2014-01-28 2016-12-20 Siemens Healthcare Gmbh Method and system for constructing personalized avatars using a parameterized deformable mesh
US9349178B1 (en) 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
US20170258982A1 (en) 2016-03-10 2017-09-14 Bayer Healthcare Llc System and methods for pre-injection pressure prediction in injection procedures
US10049301B2 (en) 2016-08-01 2018-08-14 Siemens Healthcare Gmbh Medical scanner teaches itself to optimize clinical protocols and image acquisition
US20180071452A1 (en) 2016-09-13 2018-03-15 Siemens Healthcare Gmbh System and Method for Optimizing Contrast Imaging of a Patient
US10277889B2 (en) * 2016-12-27 2019-04-30 Qualcomm Incorporated Method and system for depth estimation based upon object magnification
US10726128B2 (en) * 2017-07-24 2020-07-28 Crowdstrike, Inc. Malware detection using local computational models

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6904306B1 (en) * 2002-01-23 2005-06-07 Koninklijke Philips Electronics N.V. Method and apparatus for evaluation of contrast agent uptake based on derived parametric images
US9449145B2 (en) * 2014-04-22 2016-09-20 Heartflow, Inc. Systems and methods for virtual contrast agent simulation and computational fluid dynamics (CFD) to compute functional significance of stenoses
CN106880900A (zh) * 2015-11-19 2017-06-23 西门子医疗有限公司 用于自动确定造影剂注射方案的方法
WO2017180807A1 (en) * 2016-04-15 2017-10-19 Baxalta Incorporated Method and apparatus for providing a pharmacokinetic drug dosing regiment

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冠状动脉CTA对比剂注射方案优化的前瞻性研究;顾圣佳;秦乐;马泽鹏;朱兰;严福华;杨文洁;;中国医学计算机成像杂志;20180225(第01期) *

Also Published As

Publication number Publication date
US10925565B2 (en) 2021-02-23
CN110364238A (zh) 2019-10-22
EP3552550B1 (en) 2021-02-17
EP3552550A1 (en) 2019-10-16
US20190313990A1 (en) 2019-10-17

Similar Documents

Publication Publication Date Title
CN110364238B (zh) 基于机器学习的对比剂管理
US11398029B2 (en) Systems and methods for medical acquisition processing and machine learning for anatomical assessment
US10299862B2 (en) Three-dimensional quantitative heart hemodynamics in medical imaging
US10162932B2 (en) Method and system for multi-scale anatomical and functional modeling of coronary circulation
CN102525443B (zh) 用于基于医学图像数据对心血管循环建模的方法和设备
US9141763B2 (en) Method and system for patient-specific computational modeling and simulation for coupled hemodynamic analysis of cerebral vessels
US20190139236A1 (en) Method and system for processing multi-modality image
US20180071452A1 (en) System and Method for Optimizing Contrast Imaging of a Patient
US9547902B2 (en) Method and system for physiological image registration and fusion
KR101939778B1 (ko) 필요 혈류량 결정 방법 및 장치, 혈류 영상 생성 방법 및 장치, 심근 관류 영상 처리 방법 및 장치
EP3281135B1 (en) System and method for vascular tree generation using patient-specific structural and functional data, and joint prior information
CN110163897A (zh) 一种基于合成超声图像的多模态图像配准方法
US9462952B2 (en) System and method for estimating artery compliance and resistance from 4D cardiac images and pressure measurements
Tmenova et al. CycleGAN for style transfer in X-ray angiography
CN105303550B (zh) 图像处理装置及图像处理方法
JP6491391B1 (ja) 血流動態解析システム、血流動態解析方法、およびプログラム
CN113329688B (zh) 用于确定组织体素的特征的方法、系统和计算机可读介质
Gomez et al. Optimal B-spline mapping of flow imaging data for imposing patient-specific velocity profiles in computational hemodynamics
Bracamonte MODELING OF PATIENT-SPECIFIC PERIAORTIC MECHANICS AND PULMONARY ARTERY HEMODYNAMICS BASED ON PHASE-CONTRAST MAGNETIC RESONANCE IMAGING SEQUENCES.

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
TR01 Transfer of patent right

Effective date of registration: 20240830

Address after: German Phu F Haim

Patentee after: Siemens Medical AG

Country or region after: Germany

Address before: Erlangen

Patentee before: Siemens Healthineers AG

Country or region before: Germany

TR01 Transfer of patent right