CN110731776B - 用于成像系统的心脏触发的系统和方法 - Google Patents
用于成像系统的心脏触发的系统和方法 Download PDFInfo
- Publication number
- CN110731776B CN110731776B CN201910621893.4A CN201910621893A CN110731776B CN 110731776 B CN110731776 B CN 110731776B CN 201910621893 A CN201910621893 A CN 201910621893A CN 110731776 B CN110731776 B CN 110731776B
- Authority
- CN
- China
- Prior art keywords
- sample
- peak
- signal quality
- samples
- ecg
- 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
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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
-
- 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
- A61B5/0044—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 for the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
- A61B5/7292—Prospective gating, i.e. predicting the occurrence of a physiological event for use as a synchronisation signal
-
- 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
- A61B2576/023—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the heart
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明题为“用于成像系统的心脏触发的系统和方法”。本发明提供了用于成像系统的心脏触发的方法和系统。一种用于成像系统的方法,包括:在扫描对象期间采集指示所述对象的器官的周期性生理运动的电信号,将所述电信号的样本输入到受过训练的神经网络中以检测所述样本中是否存在峰,响应于检测到所述样本中的所述峰而触发采集图像数据,以及响应于未检测到所述样本中的所述峰而不触发所述采集图像数据。这样,数据采集的定时可与心动周期最佳且稳健地同步。
Description
技术领域
本文所公开的主题的实施方案涉及医疗成像,诸如磁共振成像(MRI),并且更特别地,涉及根据心动周期来触发数据采集。
背景技术
医疗成像系统通常用于获得对象诸如患者的内部生理信息。例如,医疗成像系统可用于获得对象的骨结构、大脑、心脏、肺和各种其他特征的图像。医疗成像系统包括磁共振成像(MRI)系统、计算机断层摄影(CT)系统、x射线系统、超声系统和各种其他成像模式。
通常希望在可变周期中的特定点(诸如可变周期的峰)处获得图像以分析该峰处的行为。门控是用于表征器官的不同属性以进行成像的选项。最常见的门控技术包括心脏、呼吸和外周脉冲门控,并且这些类型的门控在跨诊断模式诸如CT、MR、X射线、超声和正电子发射断层显像(PET)的许多医疗应用中都有所使用。作为具体示例,心脏门控是在使用成像模式诸如CT和MR来最小化与运动相关的伪影时的心脏成像的基本组成部分。
发明内容
在一个实施方案中,用于成像系统的方法包括:在扫描对象期间采集指示对象的器官的周期性生理运动的电信号,将该电信号的样本输入到受过训练的神经网络中以检测样本中是否存在峰,响应于检测到样本中的峰而触发采集图像数据,以及响应于未检测到样本中的峰而不触发采集图像数据。这样,数据采集的定时可与心动周期最佳且稳健地同步。
应当理解,提供上面的简要描述以便以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征,该主题范围由具体实施方式后的权利要求唯一地限定。此外,所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。
附图说明
通过参考附图阅读以下对非限制性实施方案的描述,将会更好地理解本发明,其中:
图1是根据实施方案的MRI系统的框图;
图2示出了示出根据实施方案的用于基于对象的周期性生理运动来触发MR数据采集的示例系统的框图;
图3示出了示出根据实施方案的示例神经网络的框图;
图4示出了示出根据实施方案的神经网络的示例节点的框图;
图5示出了示出根据实施方案的用于触发MR数据采集的示例方法的高级流程图;
图6示出了示出根据实施方案的用于从ECG数据生成触发的示例方法的高级流程图;
图7示出了示出根据实施方案的用于预处理ECG数据来触发MR数据采集的示例方法的高级流程图;
图8示出了示出根据实施方案的原始ECG数据和通过不同滤波器的经过滤的ECG数据的一组图表;并且
图9示出了示出根据实施方案的用于确定触发的示例方法的高级流程图。
具体实施方式
以下描述涉及触发用于成像系统的数据采集的各种实施方案。特别地,提供了用于根据心电图(ECG)信号来用成像系统(诸如图1所示的MRI系统)触发数据采集的系统和方法。ECG信号的多个通道可同时输入到不同的深度学习分类器以用于确定ECG信号的信号质量以及检测ECG信号中的R峰,如图2所示。深度学习分类器可包括一个或多个神经网络,诸如图3所示的神经网络,该神经网络可包括大量节点或神经元,诸如图4所示的神经元。深度学习分类器特别地可包括一个或多个卷积神经网络,其可包括多个单元层。一种用于执行诊断扫描的方法(诸如图5所示的方法)可包括在扫描之前采集ECG数据以用作R峰检测的参考。在一段持续时间内对ECG信号进行采样,并且可对ECG信号迭代地进行重新采样直到检测到R峰,如图6所示。ECG信号的样本可在分类之前被预处理(如图7所示)以简化R峰的检测。预处理样本可包括应用通带滤波器,如图8所示。可根据峰检测分类器的输出的不同组合来确定数据采集触发,这取决于样本的信号质量,如图9所示。
图1示出了磁共振成像(MRI)装置10,其包括静磁场磁体单元12、梯度线圈单元13、局部RF线圈单元14、RF体线圈单元15、发射/接收(T/R)开关20、RF端口接口21、RF驱动器单元22、梯度线圈驱动器单元23、数据采集单元24、控制器单元25、病床26、数据处理单元31、操作控制台单元32和显示单元33。MRI装置10将电磁脉冲信号发射到放置在成像空间18中的对象16,其中形成静磁场以执行扫描,用于获得来自对象16的磁共振信号,以基于通过扫描获得的MR信号重建对象16的切片的图像。
静磁场磁体单元12通常包括例如环形超导磁体,其安装在环形真空容器内。磁体限定了围绕对象16的圆柱形空间,并生成恒定的初级静磁场B0。
MRI装置10还包括梯度线圈单元13,该梯度线圈单元在成像空间18中形成梯度磁场,以便为RF线圈单元14接收的磁共振信号提供三维位置信息。梯度线圈单元13包括三个梯度线圈系统,每个梯度线圈系统生成梯度磁场(该梯度磁场向彼此垂直的三个空间轴线之一倾斜),并且根据成像条件在频率编码方向、相位编码方向和切片选择方向中的每一方向上生成梯度场。更具体地,梯度线圈单元13在对象16的切片选择方向(或扫描方向)上应用梯度场,以选择切片;并且RF体线圈单元15或局部RF线圈单元14可以将RF脉冲发射到对象16的所选择的切片。梯度线圈单元13还在对象16的相位编码方向上应用梯度场,以对来自由RF脉冲激发的切片的磁共振信号进行相位编码。然后梯度线圈单元13在对象16的频率编码方向上应用梯度场,以对来自由RF脉冲激发的切片的磁共振信号进行频率编码。
局部RF线圈单元14被设置成例如包封对象16的待成像区域。在由静磁场磁体单元12形成静磁场B0的静磁场空间或成像空间18中,局部RF线圈单元14基于来自控制器单元25的控制信号将作为电磁波的RF脉冲发射到对象16,并且从而生成高频磁场B1。这激发了对象16待成像的切片中的质子自旋。局部RF线圈单元14接收当质子自旋返回到与初始磁化矢量对准时生成的电磁波作为磁共振信号。在一个实施方案中,局部RF线圈单元14可以使用相同的局部RF线圈来发射和接收RF脉冲。在另一个实施方案中,局部RF线圈可以用于仅接收MR信号,但不用于发射RF脉冲。
RF体线圈单元15被设置为例如封闭成像空间18,并且产生RF磁场脉冲B1,该RF磁场脉冲与主磁场B0正交,该主磁场由成像空间18内的静磁场磁体单元12产生,以激发核。相比于可从MRI装置10轻易断开并用另一个局部RF线圈单元替换的局部RF线圈单元14,RF体线圈单元15固定地附接并连接到MRI装置10。此外,尽管局部线圈诸如包括RF线圈单元14的那些可以仅从对象16的局部区域发射或接收信号,但是RF体线圈单元15通常具有更大的覆盖区域并且可以用于向对象16的整个身体发射或接收信号。使用仅接收局部线圈和发射体线圈提供了均匀的RF激励和好的图像均匀性,代价是沉积在对象16中的高RF功率。对于发射-接收局部线圈而言,局部线圈向感兴趣区域提供RF激励并且接收MR信号,从而降低沉积在对象16中的RF功率。应当理解,局部RF线圈单元14和/或RF体线圈单元15的特定用途取决于成像应用。
当以接收模式操作时,T/R开关20可以选择性地将RF体线圈单元15电连接到数据采集单元24,并且当以发射模式操作时,该T/R开关可以选择性地将RF体线圈单元电连接到RF驱动器单元22。类似地,当局部RF线圈单元14以接收模式操作时,T/R开关20可以选择性地将局部RF线圈单元14电连接到数据采集单元24,并且当以发射模式操作时,该T/R开关可以选择性地将局部RF线圈单元电连接到RF驱动器单元22。当局部RF线圈单元14和RF体线圈单元15均用于单次扫描时,例如,如果局部RF线圈单元14被配置为接收MR信号并且RF体线圈单元15被配置为发射RF信号,则T/R开关20可以将来自RF驱动器单元22的控制信号引导到RF体线圈单元15,同时将所接收的MR信号从局部RF线圈单元14引导到数据采集单元24。RF体线圈单元15可以被配置为以仅发射模式、仅接收模式或发射-接收模式操作。局部RF线圈单元14可以被配置为以发射-接收模式或仅接收模式操作。
RF驱动器单元22包括栅极调制器(未示出)、RF功率放大器(未示出)和RF振荡器(未示出),用于驱动RF线圈单元14并在成像空间18中形成高频磁场。RF驱动器单元22基于来自控制器单元25的控制信号并使用门调制器将从RF振荡器接收到的RF信号调制成具有预定包络的预定定时信号。由栅极调制器调制的RF信号由RF功率放大器放大,并且然后输出到RF线圈单元14。
梯度线圈驱动器单元23基于来自控制器单元25的控制信号驱动梯度线圈单元13,并且从而在成像空间18中生成梯度磁场。梯度线圈驱动器单元23包括三个驱动器电路系统(未示出),该驱动器电路系统对应于梯度线圈单元13中包括的三个梯度线圈系统。
数据采集单元24包括前置放大器(未示出)、相位检测器(未示出)和模拟/数字转换器(未示出),其用于采集由局部RF线圈单元14接收的MR信号。在数据采集单元24中,相位检测器使用来自RF驱动器单元22的RF振荡器的输出作为参考信号来对从RF线圈单元14接收并由前置放大器放大的MR信号进行相位检测,并且将相位检测的模拟磁共振信号输出到模拟/数字转换器以便转换为数字信号。由此获得的数字信号被输出到数据处理单元31。
MRI装置10包括用于将对象16放置在其上的工作台26。通过基于来自控制器单元25的控制信号移动工作台26,可以使对象16在成像空间18的内部和外部移动。一个或多个RF线圈阵列可以耦接到工作台26并与工作台一起移动。
在一些实施方案中,控制器单元25包括计算机和记录介质,在该记录介质上记录了要由计算机执行的程序。该程序在由计算机执行时引起该装置的各个部分执行对应于预定扫描的操作。记录介质可包括例如ROM、软盘、硬盘、光盘、磁光盘、CD-ROM或非易失性存储器卡。控制器单元25连接到操作控制台单元32并处理输入到操作控制台单元32的操作信号,并且此外通过向它们输出控制信号来控制工作台26、RF驱动器单元22、梯度线圈驱动器单元23和数据采集单元24。控制器单元25还基于从操作控制台单元32接收的操作信号来控制数据处理单元31和显示单元33,以获得期望图像。
操作控制台单元32包括用户输入设备(诸如键盘和鼠标)。操作者使用操作控制台单元32,例如,输入作为成像协议的此类数据,并设置待执行成像序列的区域。将关于成像协议和成像序列执行区域的数据输出到控制器单元25。
数据处理单元31包括计算机和记录介质,在该记录介质上记录由计算机执行以执行预定数据处理的程序。数据处理单元31连接到控制器单元25,并基于从控制器单元25接收的控制信号执行数据处理。数据处理单元31还连接到数据采集单元24,并通过对从数据采集单元24输出的磁共振信号应用各种图像处理操作来生成光谱数据。
显示单元33包括显示设备,并基于从控制器单元25接收的控制信号在显示设备的显示屏幕上显示图像。显示单元33显示例如关于操作者从操作控制台单元32输入操作数据的输入项目的图像。显示单元33还显示由数据处理单元31生成的对象16的切片图像。
不同的局部RF线圈单元可用于不同的扫描目标。为此,可以从MRI装置10断开局部RF线圈单元14,使得不同的局部线圈单元可以连接到MRI装置10。RF线圈单元14可以经由连接器17和RF端口接口21耦接到T/R开关20,并且因此耦接到RF驱动器单元22和数据采集单元24。连接器17可以插入RF端口接口21中,以将局部RF线圈单元14电耦接到T/R开关20。
MRI装置10还包括耦接到ECG信号分析器88的一组心电图(ECG)传感器85a和85b。ECG传感器85a和85b邻近对象16的心脏(未示出)定位在对象16上,并且电耦接到ECG信号分析器88,使得ECG传感器85a和85b感测对象16的心脏随时间的电活动,并且将对应ECG信号发射到ECG信号分析器88。ECG传感器85a包括第一引线组,并且ECG传感器85b包括第二引线组。在一些示例中,每个引线组可包括两个引线,使得第一引线组或ECG传感器85a包括两个引线,同时第二引线组或ECG传感器85b包括两个引线。在其他示例中,每个引线组可包括单个引线,同时由ECG传感器85a和85b两者共享另外的第三引线(未示出)作为接地引线。
ECG信号分析器88分析从ECG传感器85a和85b接收的ECG信号,以生成用于控制扫描对象16的触发,如本文进一步描述的。为此,ECG信号分析器88包括处理器90和存储器91,诸如用于存储可执行指令的非暂态存储器。尽管描绘了单个处理器90和单个存储器91,但是应当理解,ECG信号分析器88可包括任何合适的数量的处理器90和存储器91。
如上所述并在本文进一步描述的,ECG信号可用于生成用于MR数据采集的门控脉冲或触发。例如,ECG信号的R波可用于该目的。心动周期通常被定义为从R波开始并继续到另一R波出现。基于R波的检测来触发MR数据采集允许对扫描期间的图像采集进行门控,使得仅在心脏几乎静止的心动周期的阶段期间采集图像数据。
图2示出了示出用于基于对象的周期性生理运动来触发MR数据采集的示例系统200的框图。系统200可包括例如ECG信号分析器诸如ECG信号分析器88,并且因此参考图1的系统和组件来描述系统200,但是应当理解,在不脱离本公开的范围的情况下,系统200可以用其他系统和组件来实现。例如,系统200的组件可被实现为ECG信号分析器88的非暂态存储器91中的软件模块或可执行指令,并且可由ECG信号分析器88的处理器90执行以执行本文描述的功能。
系统200包括第一ECG信号(ECG1)202和第二ECG信号(ECG2)204,其可分别由ECG传感器诸如ECG传感器85a和85b生成。例如,第一ECG信号202可由ECG传感器85a生成,同时第二ECG信号204可由ECG传感器85b生成。尽管仅描绘了两个通道或ECG信号,但是应当理解,在一些示例中可以使用超过两个的ECG信号。
系统200还包括第一预处理器212和第二预处理器214。如所描绘的,第一预处理器212和第二预处理器214分别预处理第一ECG信号202和第二ECG信号204。例如,第一ECG信号202和第二ECG信号204可包括从ECG传感器85a和85b接收的连续电信号,并且第一预处理器212和第二预处理器214分别对ECG信号202和204进行离散采样,以形成给定时间长度的样本。例如,由第一预处理器212生成的样本可包括在给定时间长度(诸如两秒或三秒)内对第一ECG信号202进行的多次离散测量。给定时间长度可被选择为至少大致对应于心动周期的典型持续时间,使得可期望在样本中观察到R峰。在一些示例中,给定时间长度可小于心动周期的典型持续时间,使得极不可能在单个样本内观察到两个R峰。
作为例示性且非限制性示例,样本可包括对ECG信号进行的一千或两千次离散测量或采样。例如,预处理器212可以每隔一毫秒就对第一ECG信号202进行采样,以在两秒的持续时间内收集样本的一千次测量;或者又如,预处理器212可以每毫秒对第一ECG信号202进行采样,以在两秒的持续时间内收集样本的两千次测量。此外,预处理器212和214可将一个或多个滤波器(诸如通带滤波器)应用于样本以生成一个或多个经过滤的样本。
另外,预处理器212和214可以预处理在扫描之前从对象采集的ECG信号的参考样本。参考样本可包括相同数量的测量(例如,在给定时间长度内的一千次或两千次测量),并且可类似地过滤。参考样本可被预处理,使得在样本的时间窗口结束附近可观察到R峰。例如,参考样本可被配置为使得R峰在时间窗口结束前二十毫秒出现。示例参考样本和实时样本在本文参照图8进一步描述。
系统200还包括第一信号质量分类器222和第二信号质量分类器224,分别用于评估第一ECG信号202和第二ECG信号204的信号质量。第一信号质量分类器222和第二信号质量分类器224可包括例如被配置为接收实时样本(即,在扫描期间实时测量的ECG信号的预处理样本)并输出实时样本的信号质量是好的或差的指示的卷积神经网络。卷积神经网络的输出可包括两个节点,其中一个节点对应于好的信号质量并且另一个节点对应于差的信号质量。
作为例示性示例,图3示出了具有一个或多个节点/神经元302的神经网络300,在一些实施方案中,所述一个或多个节点/神经元可设置在一个或多个层304、306、308、310、312、314和316中。神经网络300可以是深度神经网络。如本文关于神经元所用,术语“层”是指具有以类似方式连接到模拟神经元的其他集合的输入和/或输出的模拟神经元的集合。因此,如图3所示,神经元302可经由一个或多个连接318彼此连接,使得数据可从输入层304传播通过一个或多个中间层306、308、310、312、314到输出层316。
图4示出了根据示例性实施方案的神经元的输入和输出连接。如图4所示,单个神经元302的连接318可包括一个或多个输入连接402和一个或多个输出连接404。神经元302的每个输入连接402可以是前导神经元的输出连接,并且神经元302的输出连接404可以是一个或多个后续神经元的输入连接。虽然图4将神经元302描绘为具有单个输出连接402,但是应当理解,神经元可具有发射/传递相同值的多个输出连接。在实施方案中,神经元302可以是数据构造,例如,结构、实例化的类对象、矩阵等,并且输入连接318可由神经元302接收为加权数值,例如浮点或整数值。例如,如图4进一步所示,输入连接X1、X2和X3可以分别经由权重W1、W2和W3加权、求和,并作为输出连接Y发送/发射/传递。如将理解的是,单个神经元302的处理通常可以通过以下公式表示:
其中n是到神经元302的输入连接402的总数。在实施方案中,Y的值可至少部分地基于WiXi的总和是否超过阈值。例如,如果加权输入的总和未超过期望阈值,则Y可具有零(0)值。
如将进一步理解的,输入层304中的神经元302的输入连接402可以被映射到输入301,同时输出层316中的神经元302的输出连接402可以被映射到输出399。如本文所用,将输入连接402“映射”到输入301是指输入301影响/指示输入连接402的值的方式。类似地,如本文所用,将输出连接402“映射”到输出399是指输出连接402的值影响输出399的方式。
因此,在实施方案中,采集/获得的输入301被传递/馈送到神经网络300的输入层304并且传播通过层304、306、308、310、312、314和316,使得输出层316的映射输出连接404生成/对应于输出399。
作为可如何将神经网络300构造为用于信号质量分类器222和224的卷积神经网络的更详细的例示性示例,可以使用用于卷积神经网络的示例架构。在一些示例中,信号质量分类器222和224可包括卷积神经网络,诸如本文所述的卷积神经网络。卷积神经网络可包括第一一维卷积层、第二一维卷积层、第一单元层、第二单元层、第三单元层、第四单元层、第五单元层、压平层、致密层、丢弃层和致密输出层。本文针对其中卷积神经网络被配置为信号质量分类器或R峰检测分类器的实施方案进一步描述了用于卷积神经网络的每层的示例神经元配置。此外,卷积神经网络的一个或多个层可以是多维的(例如,二维或三维),如本文进一步讨论的。
到卷积神经网络的输入被映射到第一一维卷积层的每个神经元,其对输入应用卷积运算并将卷积结果传递到第二一维卷积层。第二一维卷积层对来自第一一维卷积层的卷积结果应用卷积运算,并将卷积结果传递到第一单元层。类似地,第一单元层的输出被传递到第二单元层,第二单元层的输出被传递到第三单元层,第三单元层的输出被传递到第四单元层,第四单元层的输出被传递到第五单元层,第五单元层的输出被传递到压平层以进行压平,压平层的压平输出被传递到完全连接或致密层,致密层的变换输出被传递到丢弃层,丢弃层的输出被传递到致密输出层,并且致密输出层的输出包括卷积神经网络的输出。
此外,卷积神经网络的单元层包括多个步长或层。作为例示性示例,用于单元层的示例架构向批标准化层提供输入以执行输入的批标准化。单元层包括将一维卷积应用于批标准化层的输出的一维卷积层。单元层还包括将最大池化应用于一维卷积层的输出的一维最大池化层。单元层还包括丢弃层,其在特定的向前和/或向后传递期间丢弃或忽略随机选择的单元或神经元以防止过度拟合。因此,丢弃层的输出是单元层的输出。单元层中的每层可根据单元层的架构来构造。
样本可包括对ECG信号进行的多次测量,并且此外,样本可包括其中将各种带通滤波器应用于对ECG信号进行的原始多次测量的多次测量。例如,样本可包括原始样本、第一经过滤的样本、第二经过滤的样本和第三经过滤的样本。
当网络(诸如示例卷积神经网络)被配置为信号质量分类器(诸如信号质量分类器222和224)时,卷积神经网络接收包括样本的输入并生成样本的信号质量的输出。下表示出了当被配置为信号质量分类器时在输入样本包括对ECG信号进行的四组(一组原始、三组经过滤的)2,000次测量并且致密输出层包括如上文所讨论的指示好的信号质量或差的信号质量的两个节点的情况下每层中的神经元或节点的示例配置以及卷积神经网络的每层的维数。
可以用包含多个样本的训练数据集训练卷积神经网络,其中所述多个样本中的每个样本被标记为具有好的信号质量或差的信号质量。可以手动或自动地标记用于训练数据集的所述多个样本,其中样本的一个或多个特征可以用于手动或自动地将样本标记为具有好的或差的信号质量。如果样本表现出低信号幅度、信号截断、运动噪声、高频噪声等,则样本的信号质量可以被分类为差的信号质量。一般来讲,当在长度足够使得应当在样本中可视地观察到R峰的时间窗口中经由视觉检查未观察到R峰时,样本可以被分类为具有差的信号质量。
再次参考图2,系统200还包括第一R峰检测分类器223和第二R峰检测分类器225,分别用于检测R峰在第一ECG信号202和第二ECG信号204的样本中的存在。第一R峰检测分类器223和第二R峰检测分类器225可包括卷积神经网络,其被配置为接收实时样本和参考样本并输出是否在实时样本内检测到R峰。卷积神经网络的输出可包括两个节点,其中一个节点对应于样本中存在R峰,并且另一个节点对应于样本中不存在R峰。在一些示例中,卷积神经网络的输出可包括另外的第三节点,其对应于不存在R峰但存在噪声尖峰。可使用一个或多个训练数据集来训练形成第一R峰检测分类器223和第二R峰检测分类器225的卷积神经网络,所述一个或多个训练数据集包括被手动或自动地标记为包括R峰、不包括R峰,或者不包括R峰但包括一个或多个噪声尖峰的多个样本。
可根据卷积神经网络的架构并且如上所述地将形成第一R峰检测分类器223和第二R峰检测分类器225的卷积神经网络构造具有多个单元层。下表示出了当被配置为R峰检测分类器时在输入样本包括对实时ECG信号和参考ECG样本进行的四组(一组原始、三组经过滤的)2,000次测量并且致密输出层包括如上文所讨论的指示R峰、无R峰,或者非R峰噪声尖峰的三个节点的情况下每层中的神经元或节点的示例配置以及卷积神经网络的每层的维数。
层 | 第一输入维度 | 第二输入维度 | 第三输入维度 |
第一1D卷积 | 2000 | 4 | 2 |
第二1D卷积 | 2000 | 4 | 2 |
第一单元 | 2000 | 4 | 16 |
第二单元 | 984 | 1 | 32 |
第三单元 | 476 | 1 | 64 |
第四单元 | 111 | 1 | 128 |
第五单元 | 20 | 1 | 64 |
压平 | 5 | 1 | 32 |
致密 | 160 | ||
丢弃 | 32 | ||
致密 | 3 |
应当理解,上文针对信号质量分类器和R峰检测分类器两者描述的示例卷积神经网络架构是例示性的和非限制性的。还应当理解,其他类型的神经网络诸如递归神经网络,或者除卷积神经网络之外的其他类型的深度学习分类算法可用于执行信号质量分类和R峰检测分类。
系统200还包括决策组合器230,用于组合第一信号质量分类器222、第一R峰检测分类器223、第二信号质量分类器224和第二R峰检测分类器225的输出。用于根据信号质量分类器222和224以及R峰检测分类器223和224的输出来确定触发的示例方法在本文参照图7进一步描述。决策组合器230输出可用于控制扫描的触发240,如本文所述。
图5示出了示出根据实施方案的用于触发MR数据采集的示例方法500的高级流程图。特别地,方法500涉及用从对象的ECG数据确定的触发来控制对象的MRI扫描。参考图1至图4的系统和组件描述方法500,但是应当理解,在不脱离本公开的范围的情况下,方法500可以用其他系统和组件来实现。方法500可以作为跨MRI装置10的一个或多个非暂态存储器(诸如ECG信号分析器88的非暂态存储器91)分布的可执行指令存储,并且可以由MRI装置10的一个或多个处理器(诸如ECG信号分析器88的控制器单元25和处理器90)执行。
方法500开始于505。在505处,方法500开始采集对象或患者的ECG数据。例如,方法500可以开始经由ECG传感器85a和85a接收对象16的ECG数据。在510处,方法500从ECG数据中选择预扫描参考数据。例如,方法500可以经由ECG信号分析器88选择由ECG传感器85a和85b采集的预扫描参考数据。预扫描参考数据包括当ECG传感器85a和85b未受到在扫描对象16期间可由MRI装置10生成的各种磁场和RF信号时的对象16的ECG数据,所述各种磁场和RF信号结果可在扫描期间将噪声引入ECG信号中。如本文所讨论的,预扫描参考数据用于帮助检测在扫描期间采集的ECG数据中的R峰。
在采集参考数据之后,方法500继续到515。在515处,方法500开始扫描。为此,方法500可以控制控制器单元25向RF驱动器单元22、梯度线圈驱动器单元23和数据采集单元24发出各种控制信号以开始扫描对象16,如上文参照图1所述。
在开始扫描之后,方法500前进至520。在520处,方法500从经由ECG传感器85a和85b采集的ECG数据生成触发。例如,如果ECG数据中的R峰将用于触发数据采集,则方法500可向一个或多个R峰检测分类器提供该ECG数据或ECG信号以用于检测ECG数据中的R峰。用于从ECG数据生成触发的示例方法在本文参照图6进一步描述。
在525处,方法500用触发控制扫描。例如,方法500可以控制数据采集单元24响应于触发而采集图像数据。如上文所述且在本文进一步描述的,触发包括对ECG数据中的R峰的鲁棒检测。因此,一旦检测到R峰,就触发方法500以经由数据采集单元24执行数据采集。
在530处继续,方法500确定扫描是否完成。如果扫描未完成(“否”),则方法500返回到520,其中方法500继续扫描并从ECG数据确定另一触发。然而,如果扫描完成(“是”),则方法500继续到535,其中方法500结束扫描。另外,在540处,方法500结束采集ECG数据。
在545处继续,方法500从在扫描期间采集的数据重建一个或多个图像。可由例如数据处理单元31通过将任何合适的图像重建算法应用于在扫描期间采集的图像数据来重建所述一个或多个图像。在550处,方法500输出所述一个或多个图像。可以将所述一个或多个图像输出例如到显示器诸如显示单元33。另外地或另选地,可以将所述一个或多个图像输出到存储器以用于后续检索和查看。然后方法500结束。
由于从响应于触发而采集的图像数据来重建所述一个或多个图像,因此所述一个或多个图像可包括原本可存在的数量减少的运动伪影。为了确保在最小心脏运动阶段期间最佳地出现MR数据采集,触发应对应于对ECG数据中的R峰的鲁棒检测。作为例示性示例,图6示出了示出根据实施方案的用于从ECG数据生成触发的示例方法600的高级流程图。特别地,方法600涉及检测ECG数据的样本中的R峰以确定触发。参考图1至图4的系统和组件以及图5的方法描述方法600,但是应当理解,在不脱离本公开的范围的情况下,方法600可以用其他系统、组件和方法来实现。方法600可以作为可执行指令存储在ECG信号分析器88的非暂态存储器(诸如非暂态存储器91)中,并且由ECG信号分析器88的处理器90执行。
方法600开始于605。在605处,方法600将ECG数据预处理成样本。ECG数据的样本可包括在给定持续时间或时间长度期间对ECG信号或ECG数据随时间进行的多次离散测量。例如,如上文所讨论的,样本可包括在两秒的持续时间内对ECG信号进行的一千次或两千次离散测量。另外,方法600可以将ECG数据的第一通道预处理成第一样本,并且将ECG数据的第二通道预处理成第二样本,如上文参照图2所讨论的。用于将ECG数据预处理成样本的示例方法在本文参照图7进一步描述。
除了将在扫描期间采集的实时ECG数据预处理成样本之外,方法600还将在510处采集的预扫描参考数据预处理成参考样本。方法600以与应用于实时ECG数据的相同预处理步骤将预扫描参考数据预处理成参考样本。
在610处继续,方法600确定样本的信号质量。方法600可例如将样本输入到信号质量分类器诸如第一信号质量分类器222或第二信号质量分类器224中。更具体地,方法600将在605处预处理的第一样本输入到第一信号质量分类器222中,并且将在605处预处理的第二样本输入到第二信号质量分类器224中。第一信号质量分类器222和第二信号质量分类器224输出相应样本的信号质量是好的还是差的指示。
在615处,方法600检测样本中的R峰。为此,方法600将样本输入到R峰检测分类器诸如第一R峰检测分类器223或第二R峰检测分类器225中。更具体地,方法600将在605处预处理的第一样本输入到第一R峰检测分类器223中,并且将在605处预处理的第二样本输入到第二R峰检测分类器225中。此外,方法600还可将在605处预处理的参考样本输入到R峰检测分类器223和225中,以改善检测样本中的R峰的鲁棒性。第一R峰检测分类器223和第二R峰检测分类器225输出相应样本是否包括R峰的指示。
在620处,方法600确定是否在样本中检测到R峰。如果在样本中未检测到R峰(“否”),则方法600继续到625。在625处,方法600丢弃样本。然后,方法600继续到630,其中方法600在ECG数据中在时间上向前步进。然后,方法600返回到605以将ECG数据预处理成样本。时间步长可相对于样本的时间长度被设置得相对较小,使得在605的第二迭代处预处理的后续样本在时间上与第一样本重叠。这样,如果R峰正好在第一迭代结束之后出现,则将在第二迭代中在样本结束附近可观察到R峰,并且因此将在第二迭代中检测到R峰。为此,方法600可以向前步进例如五到十毫秒,使得第一迭代中样本的开始与第二迭代中样本的开始之间的差值为五到十毫秒。应当理解,在一些示例中,方法600可以在迭代之间采取比五到十毫秒更长的时间步长,或者甚至可以采取比五到十毫秒更短的时间步长。
再次参考620,如果在样本中检测到R峰(“是”),则方法600继续到635。在635处,方法600根据信号质量和所检测到的R峰来生成触发。用于根据信号质量和所检测到的R峰来生成触发的示例方法在本文参照图9进一步描述。简而言之,仅在样本的信号质量是好的情况下才可生成触发。这样,可避免该方法根据ECG数据中仅类似于R峰的假阳性峰或噪声峰来触发数据采集。
在640处,方法600输出在635处生成的触发。如上文所讨论的,方法500可用在640处输出的触发来控制扫描。然后方法600返回。
图7示出了示出根据实施方案的用于预处理ECG数据来触发MR数据采集的示例方法700的高级流程图。参考图1至图4的系统和组件以及图5和图6的方法描述方法700,但是应当理解,在不脱离本公开的范围的情况下,方法700可以用其他系统、组件和方法来实现。例如,方法700可以作为可执行指令存储在ECG信号分析器88的非暂态存储器91中,并且可由ECG信号分析器88的处理器90执行。
方法700开始于705。在705处,方法700将ECG数据转换为毫伏。例如,方法700可使用已知的PAC增益因子将ECG数据从数字值转换为毫伏。在710处,方法700将ECG数据处理成具有给定时间长度的样本。例如,方法700可在给定时间长度或持续时间内随时间对ECG数据进行离散采样。如上所述,方法700可以在两秒的持续时间内对ECG数据进行数千次(诸如两千次)离散采样,使得样本包括两千次测量。在715处继续,方法700将一个或多个滤波器应用于样本。例如,方法700可将三个通带滤波器应用于样本。第一通带滤波器可包括1Hz至35Hz滤波器,第二通带滤波器可包括5Hz至15Hz滤波器,并且第三通带滤波器可包括15Hz至30Hz滤波器。
作为例示性示例,图8示出了示出根据实施方案的用于触发MR数据采集的预处理ECG数据的一组图表800。特别地,第一图表805示出了ECG数据的原始或未过滤的样本,其中未应用通带滤波器;第二图表810示出了ECG数据的第一经过滤的样本,其中将第一1Hz至35Hz通带滤波器应用于由第一图表805示出的原始样本;第三图表815示出了ECG数据的第二经过滤的样本,其中将第二5Hz至15Hz通带滤波器应用于由第一图表805示出的原始样本;并且第四图表820示出了ECG数据的第三经过滤的样本,其中将第三15Hz至30Hz通带滤波器应用于由第一图表805示出的原始样本。如上文参照图8所讨论的样本可包括由第一图表805示出的原始样本以及由图表810、815和820示出的经过滤的样本。
该组图表800还包括示出参考样本的多个图表。特别地,第五图表807示出了预扫描ECG数据的原始或未过滤的参考样本,其中未应用通带滤波器;第六图表812示出了预扫描ECG数据的第一经过滤的参考样本,其中应用了第一通带滤波器;第七图表817示出了预扫描ECG数据的第二经过滤的参考样本,其中应用了第二通带滤波器;并且第八图表822示出了预扫描ECG数据的第三经过滤的参考样本,其中应用了第三通带滤波器。如图表807、812、817和822所示,在参考样本中在两秒标记附近可清楚地看到R峰。通过提供由图表807、812、817和822示出的参考样本以及由图表805、810、815和820示出的实时样本,上文所述的R峰检测分类器可以可靠地检测实时样本中的R峰。
再次参考图7,在将一个或多个滤波器应用于样本以形成可如上所述地用于检测R峰的预处理样本之后,方法700然后返回。
图9示出了示出根据实施方案的用于确定触发的示例方法900的高级流程图。参考图1至图4的系统和组件以及卷积网络的方法描述方法900,但是应当理解,在不脱离本公开的范围的情况下,方法900可以用其他系统和组件来实现。系统900可被实现为ECG信号分析器88的非暂态存储器91中的可执行指令,并且可由ECG信号分析器88的处理器90执行。
方法900开始于905。在905处,方法900接收第一ECG信号和第二ECG信号的信号质量和R峰分类器输出。如上文所讨论的,第一ECG信号和第二ECG信号的信号质量输出包括信号是好的或差的指示,同时R峰分类器输出包括是否在样本中检测到R峰的指示。
在910处,方法900确定第一ECG信号和第二ECG信号的信号质量是否是好的。如果两个信号的信号质量是好的(“是”),则方法900继续到915。在915处,方法900输出第一ECG信号和第二ECG信号的R峰分类器输出的平均值。R峰分类器输出的平均值可解释不同ECG通道之间的相位差值,使得触发组合来自两个通道的信息。然后方法900返回。
然而,如果两个信号的信号质量不是好的(“否”),则方法900继续到920。在920处,方法900确定两个信号的信号质量是否是差的。如果两个信号的信号质量是差的(“是”),则方法900继续到925。在925处,方法900不输出触发,并且进一步输出差的信号质量的指示。例如,如果在扫描期间输出差的信号质量的指示达阈值数量的迭代,则可以经由显示单元33向MRI装置10的操作者显示差的信号质量的指示。例如,如果三次或更多次迭代产生差的信号质量的输出,则可向操作者显示指示,使得可提示操作者调节或替换对象16上的ECG传感器85a和85b。该指示还可指定要调节或替换ECG传感器85a和85b中的哪个。然后方法900结束。
然而,如果两个信号的信号质量不是差的(“否”),则方法900继续到930。在930处,方法900确定第一ECG信号的信号质量是否是好的。如果第一ECG信号ECG1的信号质量是好的(“是”),则方法900继续到935。在935处,方法900输出第一ECG信号的R峰分类器输出作为触发。然后方法900返回。
然而,如果第一ECG信号的信号质量不是好的(“否”),则方法900继续到940。由于两个信号的质量既不是好的也不是差的,并且第一ECG信号的信号质量不是好的,因此第二ECG信号的信号质量一定是好的。因此,在940处,方法900输出第二ECG信号的R峰分类器输出作为触发。然后方法900结束。
本公开的技术效应包括响应于检测到ECG信号中的R峰而触发图像数据采集。本公开的另一个技术效应包括根据一个或多个卷积神经网络的输出来控制成像系统的一个或多个组件。
此外,虽然参照MRI装置或系统描述了本文所述的方法,但是本领域的普通技术人员将理解,可以用适于响应于周期性生理运动而触发的任何成像模式来实现这些方法。
如本文所用,以单数形式叙述且以词语“一”或“一个”开头的元件或步骤应被理解为不排除多个所述元件或步骤,除非明确地说明这种排除。此外,对本发明的“一个实施方案”的引用并非旨在被解释为排除也包含所叙述的特征的另外的实施方案的存在。此外,除非明确地相反说明,否则“包含”、“包括”或“具有”一个元件或具有特定属性的多个元件的实施方案可包括不具有该属性的另外的这类元件。术语“包括”和“在……中”用作相应术语“包含”和“其中”的通俗语言等同物。此外,术语“第一”、“第二”和“第三”等仅用作标记,而不旨在对其对象施加数字要求或特定的位置顺序。
该书面描述使用示例来公开本发明,包括最佳模式,并且还使相关领域的普通技术人员能够实践本发明,包括制造和使用任何设备或系统以及执行任何包含的方法。本发明可取得专利权的范围由权利要求限定,并且可包括本领域普通技术人员想到的其他示例。如果这些其他示例具有与权利要求书的字面语言没有不同的结构元件,或者如果它们包括与权利要求书的字面语言无实质差别的等效结构元件,则这些其他示例旨在在权利要求书的范围内。
Claims (16)
1.一种用于成像系统的方法,包括:
在扫描对象期间采集指示所述对象的器官的周期性生理运动的电信号;
预处理所述电信号以生成多个样本,所述多个样本包括第一样本和第二样本,所述第一样本和第二样本包括在给定持续时间内随时间对所述电信号进行的多次离散测量;
将所述电信号的所述第一样本输入到受过训练的神经网络中以检测所述样本中是否存在峰;
响应于检测到所述第一样本中的所述峰而触发采集图像数据;
响应于未检测到所述第一样本中的所述峰而不触发所述采集图像数据;以及,
响应于未检测到所述第一样本中的所述峰,丢弃所述第一样本,并将所述电信号的所述第二样本输入到所述受过训练的神经网络中,并且响应于检测到所述第二样本中的所述峰而触发所述采集图像数据,其中所述第二样本至少部分地在时间上与所述第一样本重叠。
2.根据权利要求1所述的方法,其中预处理所述电信号还包括将所述电信号从数字值转换为毫伏。
3.根据权利要求1所述的方法,其中在所述给定持续时间内随时间对所述电信号进行的所述多次离散测量包括原始样本,并且其中预处理所述电信号还包括将一个或多个通带滤波器应用于所述原始样本以生成一个或多个经过滤的样本,其中所述第一样本包括所述原始样本和所述一个或多个经过滤的样本。
4.根据权利要求1所述的方法,还包括在所述扫描所述对象之前采集指示所述对象的所述器官的所述周期性生理运动的参考信号以生成参考样本,以及将所述参考样本与所述第一样本一起输入到所述受过训练的神经网络。
5.根据权利要求1所述的方法,还包括将所述第一样本输入到信号质量分类器中以确定所述第一样本的信号质量是否降低,以及响应于所述第一样本的所述信号质量降低而拒绝所述受过训练的神经网络的输出。
6.根据权利要求1所述的方法,其中所述器官包括心脏,并且其中所述电信号包括心电图。
7.根据权利要求6所述的方法,其中所述受过训练的神经网络包括卷积神经网络,并且其中所述峰包括所述心电图的R峰。
8.根据权利要求1所述的方法,其中所述受过训练的神经网络包括三个输出节点:峰存在、无峰存在和无峰尖峰噪声。
9.一种方法,包括:
在诊断扫描对象期间采集指示所述对象的器官的周期性生理运动的电信号的第一通道和第二通道,所述第二通道不同于所述第一通道;
分别将所述第一通道和所述第二通道的电信号预处理为第一样本和第二样本,所述第一样本和第二样本包括在给定持续时间内随时间对所述电信号进行的多次离散测量,其中所述第二样本至少部分地在时间上与所述第一样本重叠;
将所述第一样本输入到第一受过训练的神经网络中以检测所述第一样本中是否存在所述周期性生理运动中的峰;
将所述第二样本输入到第二受过训练的神经网络中以检测所述第二样本中是否存在所述峰;
通过组合所述第一受过训练的神经网络和所述第二受过训练的神经网络的检测来确定所述峰的存在;以及
响应于确定所述峰存在而触发采集图像数据。
10.根据权利要求9所述的方法,还包括:将所述第一样本输入到第一信号质量分类器中以确定所述第一样本的信号质量;将所述第二样本输入到第二信号质量分类器中以确定所述第二样本的信号质量;以及通过组合所述第一受过训练的神经网络和所述第二受过训练的神经网络的检测以及所述第一样本和所述第二样本的所述信号质量来确定所述峰的存在。
11.根据权利要求10所述的方法,还包括:
响应于所述第一样本的所述信号质量和所述第二样本的所述信号质量两者均未降低,根据来自第一峰检测分类器的输出和来自第二峰检测分类器的输出的相位校正平均值来确定触发定时;
响应于所述第一样本的所述信号质量未降低并且所述第二样本的所述信号质量降低,根据所述第一峰检测分类器的所述输出来确定所述定时;以及
响应于所述第一样本的所述信号质量降低并且所述第二样本的所述信号质量未降低,根据所述第二峰检测分类器的所述输出来确定所述定时。
12.根据权利要求11所述的方法,还包括:响应于所述第一样本的所述信号质量降低并且所述第二样本的所述信号质量降低,不触发所述采集图像数据,并且输出采集的所述电信号的信号质量降低的指示。
13.根据权利要求9所述的方法,其中预处理所述电信号包括采集在给定持续时间内对所述电信号进行的多次离散测量以生成原始样本,以及将通带滤波器应用于所述多次离散测量以生成经过滤的样本,其中所述第一样本包括第一原始样本和第一经过滤的样本,并且其中所述第二样本包括第二原始样本和第二经过滤的样本。
14.一种系统,包括:
医疗扫描系统,所述医疗扫描系统用于扫描对象;
ECG传感器,所述ECG传感器定位在所述对象上以用于生成
ECG信号;以及
处理器,所述处理器通信地耦接到所述医疗扫描系统和所述
ECG传感器并且被配置为:
在所述扫描所述对象之前采集参考ECG信号以生成参考样本;
在扫描期间经由所述ECG传感器采集所述ECG信号;
预处理所述ECG信号以生成所述ECG信号的样本,所述样本包括在给定持续时间内随时间对所述ECG信号进行的多次离散测量;
将所述参考样本与所述样本一起输入到受过训练的神经网络中以检测所述样本中是否存在峰;
响应于检测到所述样本中的所述峰而触发由所述医疗扫描系统采集图像数据;以及
响应于未检测到所述样本中的所述峰而不触发由所述医疗扫描系统采集图像数据。
15.根据权利要求14所述的系统,其中在所述给定持续时间内随时间对所述ECG信号进行的所述多次离散测量包括原始样本,并且其中预处理所述ECG信号还包括将一个或多个通带滤波器应用于所述原始样本以生成一个或多个经过滤的样本,其中所述样本包括所述原始样本和所述一个或多个经过滤的样本。
16.根据权利要求14所述的系统,其中所述处理器被进一步配置为将所述样本输入到信号质量分类器中以确定所述样本的信号质量,并且响应于所述样本的所述信号质量降低而拒绝所述受过训练的神经网络的输出。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/041,462 US11607181B2 (en) | 2018-07-20 | 2018-07-20 | Systems and methods for cardiac triggering of an imaging system |
US16/041,462 | 2018-07-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110731776A CN110731776A (zh) | 2020-01-31 |
CN110731776B true CN110731776B (zh) | 2023-09-05 |
Family
ID=69161388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910621893.4A Active CN110731776B (zh) | 2018-07-20 | 2019-07-10 | 用于成像系统的心脏触发的系统和方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11607181B2 (zh) |
CN (1) | CN110731776B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11596344B2 (en) * | 2019-10-30 | 2023-03-07 | Tencent America LLC | Deep neural network on ECG Poincare plot for atrial fibrillation classification |
EP3878361B1 (en) * | 2020-03-12 | 2024-04-24 | Siemens Healthineers AG | Method and device for determining a cardiac phase in magnet resonance imaging |
CN111493862A (zh) * | 2020-04-10 | 2020-08-07 | 南京四十二科技有限公司 | 一种基于心电信号的超带宽雷达导航成像方法 |
CN113749637A (zh) * | 2020-06-04 | 2021-12-07 | 西门子(深圳)磁共振有限公司 | 磁共振数据采集触发方法、装置及可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5033473A (en) * | 1989-10-24 | 1991-07-23 | Hewlett-Packard Company | Method for discriminating pace pulse tails |
JPH1057331A (ja) * | 1996-08-16 | 1998-03-03 | Fukuda Denshi Co Ltd | デジタルホルタ心電計及びデジタルホルタ心電計における心電図信号表示方法 |
US6287328B1 (en) * | 1999-04-08 | 2001-09-11 | Agilent Technologies, Inc. | Multivariable artifact assessment |
CN101855564A (zh) * | 2007-11-09 | 2010-10-06 | 皇家飞利浦电子股份有限公司 | Mr-pet周期运动门控和校正 |
CN103823957A (zh) * | 2012-09-28 | 2014-05-28 | 通用电气公司 | 用于管理基于性能的睡眠患者护理规程的方法和系统 |
CN105286857A (zh) * | 2015-09-29 | 2016-02-03 | 北京航空航天大学 | 一种可适应心电波形病理变化的r波快速检测方法 |
CN105725966A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种基于神经网络模型的心电信号质量判别方法 |
CN106539584A (zh) * | 2015-09-22 | 2017-03-29 | 上海联影医疗科技有限公司 | 磁共振成像方法及系统 |
CN107495959A (zh) * | 2017-07-27 | 2017-12-22 | 大连大学 | 一种基于一维卷积神经网络的心电信号分类方法 |
CN107647864A (zh) * | 2017-11-06 | 2018-02-02 | 上海联影医疗科技有限公司 | 一种心电信号分析方法及成像方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6352507B1 (en) * | 1999-08-23 | 2002-03-05 | G.E. Vingmed Ultrasound As | Method and apparatus for providing real-time calculation and display of tissue deformation in ultrasound imaging |
AU2003261272A1 (en) * | 2002-07-24 | 2004-02-09 | New York University | Method of using a matched filter for detecting qrs complex from a patient undergoing magnetic resonance imaging |
US7174205B2 (en) * | 2004-04-05 | 2007-02-06 | Hewlett-Packard Development Company, L.P. | Cardiac diagnostic system and method |
US7738943B2 (en) | 2004-11-19 | 2010-06-15 | General Electric Company | System and method for identifying periodic motion complexes for MR imaging triggering |
US8332023B2 (en) * | 2009-01-28 | 2012-12-11 | Siemens Aktiengesellschaft | Method for identifying an R-wave in an ECG signal, ECG measuring device and magnetic resonance scanner |
CN101953682A (zh) * | 2010-10-15 | 2011-01-26 | 张辉 | 基于袖带装置的心率检测方法 |
US9161724B2 (en) * | 2012-07-20 | 2015-10-20 | Koninklijke Philips N.V. | Multi-cardiac sound gated imaging and post-processing of imaging data based on cardiac sound |
US9724007B2 (en) * | 2012-09-11 | 2017-08-08 | Draeger Medical Systems, Inc. | System and method for detecting a characteristic in an ECG waveform |
WO2014120953A1 (en) * | 2013-01-31 | 2014-08-07 | The Regents Of The University Of California | Method for accurate and robust cardiac motion self-gating in magnetic resonance imaging |
WO2015163369A1 (ja) * | 2014-04-25 | 2015-10-29 | 株式会社東芝 | 心電波形検出装置、及び撮像装置 |
US11058361B2 (en) * | 2014-11-06 | 2021-07-13 | Canon Medical Systems Corporation | Signal processing apparatus, imaging apparatus, and signal processing method |
WO2016142793A1 (en) * | 2015-03-12 | 2016-09-15 | Quattrone Aldo | Portable electronic device to process a signal acquired from a living body and method thereof |
US10542961B2 (en) * | 2015-06-15 | 2020-01-28 | The Research Foundation For The State University Of New York | System and method for infrasonic cardiac monitoring |
US9936919B2 (en) * | 2015-09-25 | 2018-04-10 | Intel Corporation | Devices, systems, and methods for determining heart rate of a subject from noisy electrocardiogram data |
US10285651B2 (en) * | 2016-06-30 | 2019-05-14 | Analog Devices, Inc. | On-demand heart rate estimation based on optical measurements |
US10528714B2 (en) * | 2017-01-11 | 2020-01-07 | Samsung Electronics Co., Ltd. | Method and apparatus for authenticating user using electrocardiogram signal |
-
2018
- 2018-07-20 US US16/041,462 patent/US11607181B2/en active Active
-
2019
- 2019-07-10 CN CN201910621893.4A patent/CN110731776B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5033473A (en) * | 1989-10-24 | 1991-07-23 | Hewlett-Packard Company | Method for discriminating pace pulse tails |
JPH1057331A (ja) * | 1996-08-16 | 1998-03-03 | Fukuda Denshi Co Ltd | デジタルホルタ心電計及びデジタルホルタ心電計における心電図信号表示方法 |
US6287328B1 (en) * | 1999-04-08 | 2001-09-11 | Agilent Technologies, Inc. | Multivariable artifact assessment |
CN101855564A (zh) * | 2007-11-09 | 2010-10-06 | 皇家飞利浦电子股份有限公司 | Mr-pet周期运动门控和校正 |
CN103823957A (zh) * | 2012-09-28 | 2014-05-28 | 通用电气公司 | 用于管理基于性能的睡眠患者护理规程的方法和系统 |
CN106539584A (zh) * | 2015-09-22 | 2017-03-29 | 上海联影医疗科技有限公司 | 磁共振成像方法及系统 |
CN105286857A (zh) * | 2015-09-29 | 2016-02-03 | 北京航空航天大学 | 一种可适应心电波形病理变化的r波快速检测方法 |
CN105725966A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种基于神经网络模型的心电信号质量判别方法 |
CN107495959A (zh) * | 2017-07-27 | 2017-12-22 | 大连大学 | 一种基于一维卷积神经网络的心电信号分类方法 |
CN107647864A (zh) * | 2017-11-06 | 2018-02-02 | 上海联影医疗科技有限公司 | 一种心电信号分析方法及成像方法 |
Non-Patent Citations (1)
Title |
---|
基于小波变换和BP神经网络的室性早搏(PVC)识别;熊平;徐敏;雷英俊;;中国医学物理学杂志(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
US11607181B2 (en) | 2023-03-21 |
CN110731776A (zh) | 2020-01-31 |
US20200022660A1 (en) | 2020-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110731776B (zh) | 用于成像系统的心脏触发的系统和方法 | |
KR101604812B1 (ko) | 의료 영상 처리 장치 및 그에 따른 의료 영상 처리 방법 | |
US9626777B2 (en) | Method and apparatus to generate image data | |
US8355551B2 (en) | Method and apparatus for reducing image artifacts | |
US20170061620A1 (en) | Method and apparatus for processing magnetic resonance image | |
US11363988B2 (en) | Systems and methods for accelerated MRI scan | |
US8781552B2 (en) | Localization of aorta and left atrium from magnetic resonance imaging | |
US6675034B2 (en) | Magnetic resonance imaging using direct, continuous real-time imaging for motion compensation | |
US20100130860A1 (en) | Medical image-processing device, medical image-processing method, medical image-processing system, and medical image-acquiring device | |
US10068318B2 (en) | Enhancing the detectability of objects in medical images | |
US11125847B2 (en) | System and method for out-of-view artifact suppression for magnetic resonance fingerprinting | |
CN103140167A (zh) | 化学物类的磁共振成像 | |
CN110736948A (zh) | 用于生成用于mr成像触发的ecg参考数据的系统和方法 | |
US8160342B2 (en) | System and method for processing data signals | |
US10459055B2 (en) | System and method for reduced field of view MR fingerprinting for parametric mapping | |
CN103284749B (zh) | 医用图像处理装置 | |
US8165377B2 (en) | System and method for determining a cardiac axis | |
US10718838B2 (en) | Systems and methods for calibrated multi-spectral magnetic resonance imaging | |
US8768095B2 (en) | System and method for processing data signals | |
US20210048497A1 (en) | MRI System with Improved Navigator | |
CN110709721B (zh) | 用于使用并行发射射频线圈阵列的同时多切片磁共振指纹成像的系统和方法 | |
US10877121B2 (en) | System and method for magnetic resonance fingerprinting with reduced acoustic noise | |
US10859653B2 (en) | Blind source separation in magnetic resonance fingerprinting | |
KR101681313B1 (ko) | 의료 영상 제공 장치 및 그에 따른 의료 영상 제공 방법 | |
US20240046464A1 (en) | Intramyocardial tissue displacement and motion measurement and strain analysis from mri cine images using dense deep learning |
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 |