CN110739059B

CN110739059B - 生成用于mrt序列的设定参数

Info

Publication number: CN110739059B
Application number: CN201910640486.8A
Authority: CN
Inventors: 米夏埃尔·曾格
Original assignee: Siemens Healthineers AG
Current assignee: Siemens Healthineers AG
Priority date: 2018-07-18
Filing date: 2019-07-16
Publication date: 2024-04-09
Anticipated expiration: 2039-07-16
Also published as: US11304619B2; CN110739059A; EP3598161A1; US20200022610A1

Abstract

本发明提供一种用于生成用于要执行的MRT序列的设定参数(70)的系统和方法，其中使用条件生成式人工神经网络(22)，所述条件生成式人工神经网络作为条件生成式对抗网络结构的一部分已训练。本发明还提供一种用于建立条件生成式人工神经网络(22)的方法。条件生成式人工神经网络(22)的条件能够用于详细说明具体的医疗应用或问题，以便针对所述应用或问题获得优化的用于MRT设备的设定参数。

Description

生成用于MRT序列的设定参数

技术领域

医学成像在诊断和治疗疾病时起重要作用。最佳已知的和已建立的医学成像方法包括磁共振断层扫描(MRT，英语为MRI“magnetic resonance imaging”)。

背景技术

磁共振断层扫描典型地在放射学中使用，以便形成健康的和患病的身体的解剖学和/或生理过程的图像。MRT设备(也称为“MRT扫描仪”或简称“扫描仪”)使用强的磁场，例如强于1特斯拉(1T)、电场梯度和高频波，以便产生身体部位的图像。

磁共振断层扫描图像通常在一个或多个MRT序列中产生。MRT序列根据MRT设备的设定参数由至少一个、通常多个高频脉冲(英语为“RF pulses”)构成。

简而言之，在MRT过程中，将身体引入到通过MRT设备的磁体产生的静磁场中。为此，通常将身体引入到MRT设备的隧道中。作为对强的静磁场的反应，身体中的氢核的自旋平行于磁场定向，其中可选地能够执行附加的预备，以预先准备氢核的磁化。此后，MRT设备发射高频脉冲。如果所述高频脉冲以拉莫尔频率发射，则所述高频脉冲处于共振：在氢核自旋的进动中产生相位相干性。高频脉冲的持续时间选择为，使得身体中的氢核的自旋磁化垂直于所施加的磁场设置。在设置在身体附近的MRT设备的接收线圈中，通过此外旋转的氢核自旋(拉莫尔进动)感生电流，所述电流也称为磁共振信号(MR信号)。

由于两个弛豫过程，MR信号随时间消失。自旋系统的相干性损失使MR信号以时间常数衰减，所述时间常数通常称为“横向弛豫时间”并且用“T2”表示。同时，磁化向量朝向其平行于磁场的平衡定向逐渐松弛。这以称为“自旋晶格弛豫时间”或“纵向弛豫时间”并且用“T1”表示的时间常数发生。

MR信号的空间分辨率通过使用磁场梯度(即磁场的梯度)产生，所述磁场梯度引起，氢核自旋在不同的位置(通常在身体的不同层中)以略微不同的速度进动。这能够用于定位或触发身体内的信号起源。

MRT图像中的对比度通过如下方式产生：身体的不同的组成部分(尤其是骨骼、组织…)通常具有不同的弛豫时间T1和T2。因为这特别适用于软组织类型，因此MRT图像通常对于这种软组织具有良好的分辨率。因此，通过选择最佳的MRT序列(或者，换言之，通过执行具有最佳选择的设定参数的MRT过程)能够使用于感兴趣的组织或感兴趣的身体部位(例如特定的器官)的对比度最大化。因此能够改善成功诊断和治疗的机会。

通常，需要多个MRT序列，以便使组织适当地成像。MRT序列的组合(通常与要检查的特定的位置和/或定向或剖平面一起)经常被称为MRT报告。MRT设备的用户(通常是放射科医生)调整MRT序列，以便为特定的医疗问题提供最佳可能的成像。

MRT序列通常通过多个设定参数描述，所述设定参数例如根据具体执行的MRT序列部分地包括：

-回波时间(TE)

-重复时间(TR)

-翻转角(英语为flip angle)

-高频脉冲的带宽

-加速因子(也称为脉冲序列长度)

-在高频脉冲激励时的梯度(英语为“spoiling gradient(扰相梯度)”或“Crushergradient，破碎梯度”)

-和/或类似更多内容。

两个决定性的设定参数是重复时间(通常缩写为TR)和回波时间(通常缩写为TE)，所述重复时间和回波时间通常以毫秒为单位测量和说明(例如在下面刊登的代码段中也如此)。

回波时间TE说明从高频脉冲的中心到回波的、即所感生的信号的中心的持续时间。对于在每个高频脉冲之间具有多个回波的MRT序列，能够定义多个回波时间，所述回波时间通常称为TE1、TE2、TE3等。

重复时间TR是复现的高频脉冲(或回波)序列的彼此相应的彼此相随的点之间的持续时间。

最常用的MRT序列包括所谓的T1加权的MRT序列(或：“T1加权”)、所谓的T2加权的MRT序列(或：“T2加权”)和质子密度加权的MRT序列。

在T1加权的情况下，重复时间TR通常比感兴趣的组织的最长的纵向弛豫时间T1短，并且回波时间TE比感兴趣的组织的横向弛豫时间T2短。以这种方式减少了T2对图像对比度的贡献。

在T2加权的情况下，重复时间TR通常比组织的纵向弛豫时间T1长(以便减少T1贡献)，并且在感兴趣的组织的最长的和最短的横向弛豫时间T2之间选择回波时间TE。

要理解的是，特定的MRT序列能够对于特定类型的组织是T1加权的，并且对于另一类型的组织具有另一类型的加权。

通过使用长的重复时间TR和短的回波时间TE，能够实现质子密度加权的MRT序列。

对于MRT方法的技术背景的更详细的讨论，参考R.W.Brown等人著的：“MagneticResonance Imaging：Physical Principles and Sequence Design”，Wiley-Blackwell，第二版(2014年6月23日)，ISBN-13：978-0471720850。

对于许多疾病和/或身体部位存在特定的MRT报告。至今为止，创建最佳的MRT序列和MRT报告需要多年的实践和经验，尤其当应将对比度最佳地与具体的医学问题(例如肿瘤的存在)协调时如此。

因为并非始终有经过充分训练的人员在场，因此力求降低MRT设备的操作和MRT设备的用户界面的复杂性。

从机器学习和人工智能的领域中已知的是生成式(即产生式)对抗网络结构(英语为“generative adversarial networks”，GAN)，尤其是从I.J,Goodfellow等人著的科学出版物：“Generative Adversarial Nets”，在Advances in Neural InformationProcessing Systems 27(NIPS 2014)中，由Z.Ghahramani等人编辑，可在如下链接获得：https://papers.nips.cc/paper/5423-generative-adversarial-nets，所述科学出版物在下文称为“Goodfellow等人”。

在Goodfellow等人中描述了一种生成式对抗网络结构，在其中将两个网络基本上同时作为对抗者进行训练：生成(英语为“generative”)部分，即生成式人工神经网络，和判别(英语为“discriminative”)部分，即判别式人工神经网络。

基于原始的数据分布(训练数据)生成自身的数据分布，训练生成式人工神经网络。训练判别式人工神经网络，以识别：特定的数据集属于原始的数据分布或属于由生成式人工神经网络生成的数据分布。当判别式人工神经网络不再能够区别原始数据分布的数据集和生成的数据分布的数据集时，实现理想情况。

生成式对抗网络结构的一个特定的实例是条件生成式对抗网络结构(英语为“conditional generative adversarial nets”)，所述条件生成式对抗网络尤其在M.Marza等人著的科学出版物中描述：“Conditional Generative Adversarial Nets”，arXiv preprint arXiv：1411.1784v1，于2014年11月6日提交，可在如下链接获得：https：//arxiv.org/abs/1411.1784。在下文中，该出版物称为“Mirza等人”。

在条件生成式对抗网络结构中，在生成式人工神经网络中以及在判别式人工神经网络中引入条件元素(通常是向量，即“条件向量”)，由此能够生成(或判别)匹配于不同情况或目标区域的数据集(所述情况或目标区域通过条件建模)。这种条件的设定当前主要称为“条件”，并且网络的“可条件性”表示：所述网络能够获得这种条件并且在可能已设定的一个条件/多个条件下生成其输出。

生成式对抗网络结构的另一已知的变型方案是基于最小二乘法的生成式对抗网络结构(英语为“least squares generative adversarial network”)，所述生成式对抗网络结构例如在X.Mao等人著的科学出版物中描述：“Least Squares GenerativeAdversarial Networks”，arXiv preprint arXiv：1611.04076v3，于2016年11月13日提交，最后修订日期为2017年4月5日，在如下链接下可获得：https：//arxiv.org/abs/1611.04076。在下文中，该出版物称为“Mao等人”。

发明内容

本发明的目的是，提供用于生成用于要由MRT设备执行的MRT序列的设定参数的改进的系统和方法。

所述目的通过本发明的方面来实现。

与此相应地，根据第一方面，本发明提供一种用于生成用于要执行的磁共振断层扫描(MRT)序列的设定参数的系统，所述系统包括：

输入接口，所述输入接口设立为用于，接收关于要执行的MRT序列的输入数据；

计算装置，所述计算装置构成为用于，实现条件生成式人工神经网络；其中条件生成式人工神经网络构成和训练为用于，基于由输入接口接收到的输入数据生成用于要执行的MRT序列的设定参数；

其中条件生成式人工神经网络是有条件的，以便至少分别对于T1加权的MRT序列、T2加权MRT序列和质子密度(PD)加权的MRT序列生成设定参数。

所述系统能够集成到MRT设备中。与此相应地，根据另一方面，本发明还提供一种MRT设备，所述MRT设备包括根据第一方面的系统以及其它元件，例如磁场发生器(电磁体)、高频脉冲发生器、隧道、控制装置等。

计算装置能够是用于计算的任何设备或任何机构，即用于执行软件、App或算法的任何设备或任何机构。例如，计算装置能够是单独的处理器内核、微处理器、应用特定的集成电路(ASIC)等。优选地，计算装置包括处理器内核、例如中央处理器内核(CPU)和/或图形处理器内核(GPU)的布置。

计算装置还能够部分地或完全地通过相互连接的、远程设置的设备来实现，例如通过云计算服务器和/或作为其虚拟机实现。计算装置也能够集成到MRT设备的控制装置中。

条件生成式人工神经网络优选构成为前馈网络，特别优选地构成为多层感知器。这能够实现借助于反向传播对神经网络进行特别简单的训练。

条件生成式人工神经网络尤其能够以如下内容为条件(即设有要满足的条件)：其原始的输入向量与相应的条件向量相互级联(英语为“concatenated”)，其中条件向量表示MRT序列的类型(例如，T1加权的MRT序列、T2加权的MRT序列、PD加权的MRT序列)，其中包括相应的原始输入向量。如已经结合Mirza等人提及的，相同类型的条件向量不仅用于生成式条件神经网络，也用于判别式条件神经网络。这在下文中尤其结合代码示例还进行说明。

例如，条件向量c能够构建成，使得所述条件向量在位置c_i处具有值为“1”的项，该位置表示第一类型的MRT序列(例如，T1加权的MRT序列、T2加权的MRT序列、PD加权的MRT序列)，并且所述条件向量在所有其它位置c_j≠i处具有值为“0”的项。例如，具有结构(1,0,0)^T的向量能够表示T1加权的MRT序列，具有结构(0,1,0)^T的向量表示T2加权的MRT序列，而具有结构(0,0,1)^T的向量表示PD加权的MRT序列。

条件向量也能够包含一个或多个另外的条件，例如表示要检查的身体部位、体脂份额、期望的伪影抑制等。

发明人已经发现，条件生成式人工神经网络良好地适合于生成用于MRT序列的设定参数的特定技术领域，并且能够以多种变型和选项最佳地匹配于所述目的。因此，本发明能够实现基于训练数据生成用于MRT序列的最佳的设定参数，而不需要放射科医生的参与。

根据第二方面，本发明还提供一种建立用于生成用于要执行的MRT序列的设定参数的系统的方法，尤其用于根据本发明的第一方面的系统。在此，根据第二方面的方法至少包括下述步骤：

提供训练数据，所述训练数据包括关于要执行的MRT序列的输入数据，并且所述训练数据包括相应的设定参数作为标签；

提供条件生成式人工神经网络和条件判别式人工神经网络；

利用所提供的训练数据来训练条件生成式人工神经网络，其中将条件生成式人工神经网络训练成，基于训练数据的输入数据生成用于要执行的MRT序列的设定参数；

其中条件生成式人工神经网络是有条件的，以便至少分别对于T1加权的MRT序列、T2加权的MRT序列和质子密度加权的MRT序列生成设定参数；

利用所提供的训练数据和由条件生成式人工神经网络生成的设定参数来训练条件判别式人工神经网络，其中训练条件判别式人工神经网络，以便对于每个单独的参数集进行判别：该参数集是否属于训练数据或属于由条件生成式人工神经网络生成的设定参数；

并且其中条件生成式人工神经网络的训练包括：训练条件生成式人工神经网络，以生成设定参数，使得条件判别式人工神经网络不能够将训练数据与由条件生成式人工神经网络生成的设定参数区别；

提供和设立用于接收关于要执行的MRT序列的输入数据的输入接口；和提供和设立计算装置，所述计算装置用于实现经训练的条件生成式人工神经网络，以基于所接收的输入数据生成用于要执行的MRT序列的设定参数。

根据第二方面的方法尤其适用于建立根据第一方面的系统。根据第二方面的方法能够有利地根据参考根据第一方面的系统描述的所有变型方案、改型方案、实施方式和改进方案进行调整，并且反之亦然。

根据第三方面，本发明还提供一种用于生成用于要执行的MRT序列的设定参数的方法，所述方法至少包括下述步骤：

接收关于要执行的MRT序列的输入数据；

利用经训练的条件生成式人工神经网络，基于所接收的输入数据生成用于要执行的MRT序列的参设定数；

其中条件生成式人工神经网络是有条件的，以便至少分别对于T1加权的MRT序列、T2加权的MRT序列和质子密度加权的MRT序列生成设定参数。

根据第三方面的方法尤其适合于借助根据第一方面的系统执行。根据第三方面的方法能够有利地根据参考根据第一方面的系统描述的所有变型方案、改型方案、实施方式和改进方案进行调整，并且反之亦然。

根据第四方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括可执行的程序代码，所述可执行的程序代码构成为用于，当执行所述可执行的程序代码时，实施根据本发明的第三方面的一个实施方式的方法。

此外，根据第五方面，本发明提供一种非易失性数据存储介质，所述非易失性数据存储介质包括可执行的程序代码，所述可执行的程序代码构成为用于，当执行所述可执行的程序代码时，实施根据本发明的第三方面的一个实施方式的方法。数据存储介质尤其能够是硬盘、记忆棒、DVD、蓝光光盘等。

此外，根据第六方面，本发明提供一种包括或代表可执行的程序代码的数据流，所述可执行的程序代码构成为用于，当执行所述可执行的程序代码时，实施根据本发明的第三方面的一个实施方式的方法。

其它有利的实施方式、变型方案和改进方案能够从结合附图的描述中得出。

在一些有利的实施方式中，输入数据包括下述百分比中的至少一个：

-百分比，要执行的MRT序列应以所述百分比被T1加权；

-百分比，要执行的MRT序列应以所述百分比被T2加权；

-百分比，要执行的MRT序列应以所述百分比被质子密度加权。

用于所述输入数据(或“输入参数”)的值例如能够存储在用于不同的医学任务的表格中，并且与此相应地也能够由未经训练的人员输入到系统中。系统能够接收所述输入参数，并且从中可选地利用另外的输入参数生成用于MRT设备的相应的设定参数。

特别有利地，将所提及的三个百分比中的恰好两个百分比用作为输入数据，其中相应的第三百分比从一百与所使用的两个百分比之和之间的差中得出。换言之，所提及的三个百分比的总和应得出一百。以这种方式，能够用简单的手段覆盖在医学应用中使用的MRT序列的大的范围。

在系统设计为用于生成用于多于仅T1加权的、T2加权的和PD加权的MRT序列的设定参数的情况下，能够相应地将另外的百分比作为输入数据用于相应的加权，其中能够再次提出，所有可设定的百分比的总和相加为一百。

在一些有利的实施方式中，设定参数包括要执行的MRT序列的重复时间TR和/或回波时间TE。换言之，在这些实施方式中，系统设立为用于，至少也生成MRT序列的重复时间和/或回波时间。

在一些优选的实施方式中，设定参数由重复时间TR和回波时间TE构成。在这种情况下，条件生成式人工神经网络的输出层(英语为“output layer”)能够由两个输出节点构成，其中第一输出节点输出用于重复时间TR的值，并且第二输出节点输出用于回波时间TE的值。发明人已经发现，通过借助生成具有最佳值的两个设定参数，已经实现MRT序列的令人满意的总体结果。

如果通过系统生成的设定参数扩展，以生成比仅重复时间TR和回波时间TE更多的设定参数，那么这会提高所需的计算耗费(进而也可能提高所需的硬件耗费)。另一方面，这会进一步改善MRT序列的结果的质量，并且尤其在特别困难(例如，固有的低对比度)的成像任务的情况下是有利的。

在一些有利的实施方式中，设定参数包括要执行的MRT序列的加速因子和/或带宽。加速因子(也称为“脉冲序列长度”)表示在一系列回波成像方法中组合成唯一的图像或一组图像的回波的数量。这样的方法例如包括“rapid acquisition with relaxationenhancement(弛豫增强快速采集)”(RARE)、“fast-spin echo(快速自旋回波)”(FSE)以及“turbo spin-echo(加速自旋回波)”(TSE)。发明人已经发现，所述设定参数也特别适合于通过根据本发明的系统的产生。

在一些有利的实施方式中，条件生成式人工神经网络能够以要执行的MRT序列的磁场强度为条件，即条件生成式人工神经网络能够训练和设立为用于，在下述条件下生成设定参数(如果设定相应的条件)：通过MRT设备产生特定的磁场强度(尤其对于场强值1.5特斯拉和3特斯拉)。即最佳的设定参数根据通过MRT设备施加的磁场强度而发生变化。根据本发明的系统良好地适用于：计算所述变化。

在所述系统包括MRT设备或集成到MRT设备中的情况下，所述MRT设备因此能够有利地构成为，使得当用户改变对于磁场强度的设定时，所述系统自动地利用条件生成式人工神经网络生成相应匹配的新的最佳设定参数。

在一些有利的实施方式中，条件生成式人工神经网络附加地以下述条件中的至少一个条件为条件：

-关于穿过要执行MRT序列的身体的剖平面的位置和/或定向的信息；

-关于要执行MRT序列的身体的位置和/或身体部位的信息；

-体脂百分比；

-期望的伪影抑制。

典型的剖平面定向是横向定向、弧矢定向以及冠状定向。因此能够使所生成的设定参数更好地匹配于医学任务(例如诊断)。

身体部位例如能够包括人类膝盖、人类大脑、人类心脏等。因此也能够使所生成的设定参数更好地匹配于医学任务。

在一些有利的实施方式中，条件生成式人工神经网络已作为条件生成式对抗网络结构的一部分训练，其中条件生成式对抗网络结构包括条件生成式人工神经网络作为其生成部分以及条件判别式人工神经网络作为其判别部分。

关于对抗网络结构的基础再次示例性地参考Goodfellow等人以及Mirza等人，其中本发明的条件生成式人工神经网络用作为“生成模型”或“生成网络”，并且条件判别式人工神经网络用作为“判别模型”或“判别网络”。

令人惊讶地已经证实的是，这些技术可用于当前的特定的技术应用，即生成用于MRT序列的设定参数，具有非常好的结果。

在一些有利的实施方式中，条件生成式人工神经网络由输入层、输出层和单独的位于其间的隐藏层(英语为“hidden layer”)构成。已经证实的是，其这种相对简单的布置已经能够足以满足对用于MRT序列的设定参数的复杂要求。隐藏层有利地包括多于五个节点，优选多于十个节点，特别优选多于二十个节点，例如四十个节点或更多，例如四十八个节点。

输出层有利地由每个要生成的设定参数各一个节点构成。在仅生成回波时间TE和重复时间TR的情况下，输出层因此能够有利地由恰好两个节点构成。

在一些有利的实施方式中，条件生成式人工神经网络包括输入层、输出层和至少一个隐藏层(英语为“hidden layer”或“latent layer”)。输入层和至少一个隐藏层能够形成自动编码器网络的至少一部分。这种网络将高维度的输入向量映射到——通常——更低维度的隐藏空间(英语为“latent space”)中。因此，这种自动编码器能够用于：减少计算耗费，其方式为：消除不那么重要的数据(或输入向量的项)或者仅在隐藏空间中以小程度考虑。自动编码器也能够用于，在输入向量中插入缺失的信息。

在一些有利的实施方式中，利用基于最小二乘法的损失函数来执行对条件生成式人工神经网络的训练和/或对条件判别式人工神经网络的训练。

上述设计方案和改进方案能够以任意的方式彼此组合，只要是有意义的。本发明的其它可能的实施方式、改进方案和实现方案也包括本发明的在上文中和在下文中关于实施例描述的特征的未明确提及的组合。尤其在此，本领域技术人员也将各个方面作为改进或补充添加给本发明的相应的基本形式。

附图说明

下面根据在示意图中给出的实施例详细阐述本发明。在此附图示出：

图1示出根据本发明的第一方面的一个实施方式的系统的示意方框图；

图2示出根据图1的系统的经训练的条件生成式人工神经网络的示意图；

图3示出用于阐述根据本发明的第二方面的一个实施方式的用于建立如下系统的方法的示意流程图，所述系统用于生成用于要执行的MRT序列的设定参数；

图4示出用于阐述根据本发明的第三方面的一个实施方式的用于生成用于要执行的MRT序列的设定参数的方法的示意流程图；

图5示出根据本发明的第四方面的一个实施方式的计算机程序产品的示意图；和

图6示出根据本发明的第五方面的一个实施方式的非易失性数据存储介质的示意图。

具体实施方式

任意附图应帮助进一步地理解本发明的实施方式。所述附图图解说明实施方式并且结合说明书用于阐明本发明的原理和构思。参考附图获得其它的实施方式和许多已提及的优点。附图的元件彼此间不必按比例示出。

在附图中，相同的、功能相同的和起相同作用的元件、特征和部件——除非另有说明——分别设有相同的附图标记。

图1示出根据本发明的第一方面的一个实施方式的系统100的示意方框图，所述系统用于生成用于要执行的磁共振断层扫描(MRT)序列的设定参数70。

所述系统100包括输入接口10，所述输入接口设立为用于，获得关于要执行的MRT序列的输入数据80(或：“输入数据”)。

在本实施方式中，输入数据80包括：百分比PD％，要执行的MRT序列应以该百分比被PD加权；以及第二百分比T1％，要执行的MRT序列应以该第二百分比被T1加权。所述系统100还被配置为，使得要执行的MRT序列于是应以第三百分比T2％被T2加权，其中应适用：

T1％+T2％+PD％＝1

与此相应地，三个百分比T1％、T2％和PD％中的两个百分比，即PD％和T1％作为输入数据80足以，在所有三个百分比中确定要执行的MRT序列的加权。PD％＝100，T1％＝0的设定因此描述完全PD加权的MRT序列，进而引起T2％＝0；PD％＝50，T1％＝25的设定引起T2％＝25的设定等等。

所述系统100还包括计算装置20，所述计算装置构成为用于，实现条件生成式人工神经网络22(英语为“conditional generative artificial neural network”)。

条件生成式人工神经网络22能够构成和训练为用于，基于从输入接口10接收到的输入数据80生成用于要执行的MRT序列的设定参数71。条件生成式人工神经网络22是有条件的，使得其对此能够至少分别对于T1加权的MRT序列、T2加权的MRT序列和质子密度加权的(PD加权的)MRT序列生成设定参数。

所述条件生成式人工神经网络22尤其能够以如下内容为条件(即设有要满足的条件)：其原始输入向量(在当前情况下，例如即具有表示和说明PD％的第一项和表示或说明T1％的第二项的向量)与相应的条件向量级联(英语为“concatenated”)，其中所述条件向量表示MRT序列的类型(例如，T1加权的MRT序列、T2加权的MRT序列、PD加权的MRT序列)，其中包括相应的原始输入向量。

例如，条件向量c能够构建为，使得其在位置c_i处具有值为“1”的项，所述位置表示第一类型的MRT序列(例如，T1加权的MRT序列、T2加权的MRT序列、PD加权的MRT序列)，并且其在所有其它位置c_j≠i处具有值为“0”的项。例如，具有结构(1,0,0)^T的向量能够表示T1加权的MRT序列，具有结构(0,1,0)^T的向量表示T2加权的MRT序列，而具有结构的(0,0,1)^T的向量表示PD加权的MRT序列。因此，例如50％PD加权和50％T1加权的混合加权能够通过具有结构(0.5,0,0.5)^T的条件向量表示。

条件向量也能够包含一个或多个另外的条件，例如表示要检查的身体部位、体脂百分比、期望的伪影抑制等的条件。

如在上文已经阐述的，也能够对于条件生成式人工神经网络22设定另外的条件，例如，要执行的MRT序列的磁场强度。因此已知的是，例如，如果代替一个半特斯拉(1.5T)的磁场强度设定三特斯拉(3T)的磁场强度，那么重复时间TR和回波时间TE改变。

所述系统100包括输出接口30，经由所述输出接口能够将生成的设定参数70例如输出给用于显示生成的设定参数70的显示设备40(例如屏幕或触摸屏)和/或输出给MRT设备50。显示设备40和/或MRT设备50也能够包括在系统100中。MRT设备50能够构成为，使得所述MRT设备通过由输出接口30输出的设定参数70自动地设定。

与此相应地，本发明还提供一种用于显示最佳设定参数70的方法以及一种用于借助最佳设定参数70自动地设定MRT设备50的方法。

图2示出经训练的条件生成式人工神经网络22的可能的结构的示意图，其通过系统100的计算装置20实现。

根据在本示例中使用的两个输入数据PD％和T1％，条件生成式人工神经网络22的输入层21设有五个节点：输入层21的两个节点(在图2中上部的前两个节点)是用于PD％和T1％的输入节点，并且输入层21的三个节点(在图2中上部的最后三个节点)是用于条件向量c的项c_i的输入节点。

如上所述，在此第一项c1能够表示T1加权的百分比，第二项c2能够表示T2加权的百分比，第三项c3能够表示PD加权的百分比，进而相应地决定，即影响条件生成式人工神经网络22，以便根据通过条件向量c表示的百分比来生成设定参数70。

对于应为条件生成式人工神经网络22预设另外的条件作为加权百分比的情况，条件向量c能够相应地得到另外的项，其中输入层21为条件向量c的每个另外的项配设有另外的输入节点。例如，在条件向量c的第四项中的“1”能够表示：应在人类头部处执行MRT序列，在条件向量c的第五项中的“1”能够表示：应在人类心脏处执行MRT序列，在条件向量c的第六项中的“1”能够表示：应在未指定的身体部位处执行MRT序列，在条件向量c的第七项中的值可以表示要执行MRT序列的身体的体脂百分比和/或等。

输入层21的节点经由可训练的权重W_h(英语为“weights”)与条件生成式人工神经网络22的隐藏层23的节点完全连接，即所述隐藏层23是完全连接层(英语为“fully-connected layer”)。隐藏层23的节点包括相应的偏差(英语为“bias”)b_h作为可训练的参数以及激活单元，例如如在图2中示出的S单元(Sigmoid-Einheit)，双曲正切激活单元等。

有利地，隐藏层23包括多于五个节点，优选多于十个节点，特别优选多于二十个节点，例如四十个节点或更多，例如四十八个节点。数字“四十八”在试验中已经证实为是在精度和计算耗费之间的良好的平衡。

隐藏层23有利地与输出层25完全连接，所述输出层因此同样构成为完全连接的层。输出层25对于在隐藏层23的节点与输出层25的节点之间的连接具有权重Ws作为可训练的参数。

输出层25有利地由每个要生成的设定参数70各一个节点构成。在仅产生回波时间TE和重复时间TR的情况下，输出层25因此有利地由恰好两个节点构成。节点分别具有偏差b_s作为可训练的参数以及激活函数，例如线性激活函数，如在图2中示出的。

要理解的是，代替所提及的输入数据80也能够使用其它输入数据，例如完整的MRT报告或MRT序列，连同条件一起，例如磁场强度、要检查的身体部位或其它上述条件之一。条件生成式人工神经网络22能够构成为用于，从所述输入数据80中生成相应决定的设定参数70，例如匹配于在条件中给出的磁场强度的MRT报告或MRT序列。

图3示出用于阐述根据本发明的第二方面的一个实施方式的建立用于生成用于要执行的MRT序列的设定参数的系统、尤其建立根据本发明的第一方面的系统的方法的示意流程图。根据图3的方法尤其适合于建立根据图1的系统100，并且因此能够根据参考系统100描述的所有实施方式、选项、变型方案和改进方案进行调整，并且反之亦然。根据图3的方法部分地利用图1和图2的附图标记来描述，而不会强制性地限制于图1和图2中的系统100。

在步骤S10中提供训练数据，所述训练数据包括关于要执行的MRT序列的输入数据80，并且所述训练数据包括相应的设定参数70作为标签。

在步骤S20中提供条件生成式人工神经网络22和条件判别式人工神经网络。

条件生成式人工神经网络22尤其能够如在上文和下文中详细描述的那样获得。

所述条件判别式人工神经网络有利地包括输入层，所述输入层同样具有多个节点，其对应于所生成的设定参数70和条件向量c的条目的总和，即在图2中的示例中例如为五个节点。

所述条件判别式人工神经网络还包括隐藏层，所述隐藏层例如具有在三十到六十之间，优选在四十到五十之间，特别优选四十八个节点。所述条件判别式人工神经网络的输出层包括仅一个单独的输出节点，所述输出节点的输出表示：所述条件判别式人工神经网络将输入向量归类为“真”(即属于训练数据)或“假”(即作为由条件生成式人工神经网络22生成)，例如，通过“0”表示“真”，并且通过“1”表示“假”。

在步骤S30中，利用所提供的训练数据来训练所述条件生成式人工神经网络22，以便基于训练数据的输入数据80生成要执行的MRT序列的设定参数70。在此，所述条件生成式人工神经网络是有条件的，以便至少分别对于T1加权的MRT序列、T2加权的MRT序列和质子密度加权的MRT序列生成设定参数，并且在训练S30中有利地，也能够例如均匀地通过每个可能的条件决定，即每个可能的条件具有尽可能相同的份额。

在步骤S40中，利用所提供的训练数据和由条件生成式人工神经网络22生成的设定参数70来训练条件判别式人工神经网络，其中训练所述条件判别式人工神经网络，以便对于每个单独的参数集判别，所述参数集属于训练数据或属于由条件生成式人工神经网络生成的设定参数。

训练S40包括：将条件生成式人工神经网络22训练成，生成设定参数70，使得条件判别式人工神经网络不能将训练数据的设定参数与条件生成式人工神经网络22生成的设定参数70区别。

换言之，所述条件生成式人工神经网络22作为条件生成式对抗神经网络结构(英语为“conditional generative adversarial neural network”)的生成部分被训练，其中例如能够使用从Mirza等人或Mao等人中或者也从其它来源中已知的(条件)生成式对抗神经网络结构变型方案。

在步骤S50中提供和设立用于接收关于要执行的MRT序列的输入数据80的输入接口10。

在步骤S60中提供和设立用于实现经训练的条件生成式人工神经网络22的计算装置20，以基于接收到的输入数据80生成用于要执行的MRT序列的设定参数70。

图4示出示意流程图，所述示意流程图图解说明根据本发明的第三方面的用于生成用于要执行的MRT序列的设定参数的方法。根据图4的方法尤其能够借助根据本发明的第一方面的系统来实施，并且因此能够根据参考根据第一方面的系统100(尤其参考图1中的系统100)描述的所有改型方案、变型方案、选项和改进方案进行调整，并且反之亦然。

在步骤S01中接收关于要执行的MRT序列的输入数据80，例如如参照输入接口10和/或输入数据80在上文中所阐述的那样。

在步骤S02中，利用经训练的条件生成式人工神经网络22，基于接收到的输入数据80生成用于要执行的MRT序列的设定参数70，尤其如在上文中参照条件生成式人工神经网络22所描述的那样。所述条件生成式人工神经网络22是有条件的，以便至少分别对于T1加权的MRT序列、T2加权的MRT序列和质子密度加权的MRT序列生成设定参数70。

在下文中示例性地说明程序代码段，所述程序代码段阐述所述条件生成式人工神经网络22和/或所述条件生成式对抗网络结构的可能的变型方案，以及说明本发明的有效性。

程序代码段是在版本1.4.0中编写的，其中所述条件生成式人工神经网络22显然也能够以其它编程语言实现。

出于概览性，代码段被分为输入块，所述输入块用“In[x]”引入，其中“x”代表相应的输入块的编号。在有利于更快理解的位置插入注释，然而代码原则上是自解释的。

In[1]:

import numpy as np

import matplotlib.pyplot as plt

％matplot1ib inline

In[2]:

import tensorflow as tf

print("TensorFlow r",tf.__version__)

TensorFlow r 1.4.0

#这说明所使用的TensorFlow版本

有利的参数值集合，尤其是用于设定参数70的参数值集合，以及用于论证本发明的效率的训练数据例如能够以下述方式定义和生成：

In[3]:

def ParameterWeightingIdx(TR,TE,T1＝1084,T2＝69):

#权重份额N,T1,T2,N:

SN＝1.0

ST1＝np.abs(1.0/(1.0-np.exp(TR/T1)))

ST2＝np.abs(TE/T2)

#权重系数(总和:＝1.0)

NWI＝SN/(ST+ST2+1.0)#PD加权

T1WI＝ST1*NWI#T-加权

T2WI＝ST2*NWI#T-加权

return np.vstack([T1WI,T2WI,NWI]).T

在这种情况下，“加权系数”NWI、T1WI和T2WI分别表示作为小数示出的百分比PD％，T1％和T2％，即：

NWI＝PD％/100，T1WI＝T1％/100，T2WI＝T2％/100。

In[4]:

N＝600

#T1w

X1＝np.dot(np.random.rayleigh(1.0,[N,2]),[[120.,8.]])+[600.,10.]

C1＝np.tile(np.eye(3)[0],N).reshape((N,3))#[1.0.0.]

#C1＝ParameterWeightingIdx(X1[:,1])

#T2w

X2＝np.dot(np.random.rayleigh(2.0,[N,2]),[[-100.,0.],[0.,-6.]])+[3000.,120.]

C2＝np.tile(np.eye(3)[1],N).reshape((N,3))#[0.1.0.]

#C2＝ParameterWeightingIdx(X2[；,1])

#PDw

X3＝np.dot(np.random.rayleigh(2.0,[N,2]),[[-100.,0.],[-30.,6.]])+

[3000.,10.]

C3＝np.tile(np.eye(3)[2],N).reshape((N,3))#[0.0.1.]

X＝np.concatenate([X1,X2,X3])#Value

C＝np.concatenate([C1,C2,C3])#Label

In[5]:

train_data＝np.concatenate([X,C],1)

T1mask＝(np.logical_and(train_data[::,2]>train_data[::,3],train_data[::,2]>train

_data[::,4]))

T2mask＝(np.logical_and(train_data[::,3]>train_data[::,2],

train_data[::3,]>train

_data[::,4]))

PDmask＝(np.logical_and(train_data[::,4]>train_data[::,2],

train_data[::,4]>train

_data[::,3]))

print(T1mask)

[True True True…,False False False]

在实践中，训练数据显然不是借助np.random.rayleigh随机生成的，而是从具有已知的设定参数70的数据集中提取的。

例如能够将下述代码结构用于生成所述条件生成式对抗网络结构：

In[8]:

/>

In[9]:

z＝tf.placeholder(tf.float32,shape＝[None,2],name＝'G_input')

x＝tf.placeholder(tf.float32,shape＝[None,2],name＝'D_input')

c＝tf.placeholder(tf.float32,shape＝[None,3],name＝'C_label')

G_sample＝netG(z,c)

D_real＝netD(x,c)

D_fake＝netD(G_sample,c,reuse＝True)

D_var＝tf.trainable_variables(scope＝'discriminator')

G_var＝tf.trainable_variables(scope＝'generator')

此外，定义用于条件判别式人工神经网络的损失函数(英语为“lossfunction”，但是也称为“cost function”)D_loss，以及定义用于条件生成式人工神经网络22的损失函数G_loss，并且训练S30、S40条件生成式对抗网络结构(即尤其是其生成部分和其判别部分)时在反向传播的范围中使用。

这种损失函数D_loss和G_loss优选构成为根据最小二乘法的损失函数(也参见Mao等人)，例如，如在下述代码段中所执行的：

In[10]:

#具有最小二乘法的损失函数的生成式对抗网络结构(“Least-Squares GAN”)

D_loss＝0.5*tf.reduce_mean(tf.square(D_real+

0.5*tf.reduce_mean(tf.square(D_fake))

G_loss＝0.5*tf.reduce_mean(tf.square(D_fake-1))

G_solver＝tf.train.AdamOptimizer(learning_rate＝1.e-5).minimize(G_loss,

var_list＝G_va

r,name＝'G_solver')

D_solver＝tf.train.AdamOptimizer(learning_rate＝5.e-5).minimize(D_loss,

var_list＝D_va

r,name＝'D_solver')

借助“TensorBoard”能够生成和处理图形显示，例如如在下述代码段中所执行的：

In[11]:

tf.summary.histogram('D_real',D_real)

tf.summary.histogram(D_'fake',D_fake)

tf.summary.scalar('D_loss',D_loss)

tf.summary.scalar('G_loss',G_loss)

[tf.summary.histogram(ii.name.replace(':','_'),ii)for ii in G_var]

[tf.summary.histogram(jj.name.replace(':','_'),jj)for jj in D_var]

Out[11]:

[<tf.Tensor'discriminator/fully_connected/weights_0:0'shape＝()

dtype＝string>,

tf.Tensor'discriminator/fully_connected/biases_0:0'shape＝()dtype＝string>,

tf.Tensor'discriminator/fully_connected_1/weights_0:0'shape＝()

dtype＝string>,

tf.Tensor'discriminator/fully_connected_1/biases_0:0'shape＝()

dtype＝string>]

例如，训练S30、S40生成式对抗网络结构如在下述代码段中执行：

In[12]:

PLOT_INLINE＝True

In[13]:

training_size＝train_data.shape[0]

batch_size＝100

In[14]:

sess＝tf.Session()

#TensorBoard-tensorboard--logdir＝

summary_collection＝tf.summary.merge_all()

tf_writer＝tf.summary.FileWriter(".\\tmp\\Image_Weighting_CGAN",sess.graph)

#Initialize

sess.run(tf.global_variables_initializer())

随后，例如能够根据下述代码段显示结果：

In[15]:

/>

要理解的是，所执行的代码段能够在有利的实施方式中使用，其中存在多个替选的实现可能性。

图5示出根据本发明的第四方面的一个实施方式的计算机程序产品200的示意图。所述计算机程序产品200包括可执行的程序代码250，所述可执行的程序代码构成为用于，在执行所述可执行的程序代码时，实施根据本发明的第三方面的一个实施方式的方法。

图6示出根据本发明的第五方面的实施方式的非易失性数据存储介质300的示意图。所述数据存储介质300包括可执行的程序代码350，所述可执行的程序代码构成为用于，在执行所述可执行的程序代码时，实施根据本发明的第三方面的一个实施方式的方法。

在上面的详细描述中，在一个或多个示例中总结了用于改进显示的简明性的不同的特征。然而在此应该清楚的是，上述描述仅是说明性的，但决不是限制性的。其用于覆盖不同特征和实施例的所有替选方案，改型方案和等价方案。许多其它示例对于本领域技术人员由于其专业知识在考虑到上述描述时是立即且直接清楚的。

已经选择和描述了所述实施例，以便能够以最佳可能的方式示出本发明所基于的原理及其在实践中的应用可能性。因此，本领域技术人员能够关于有意的使用目的最佳地修改和使用本发明及其不同的实施例。

Claims

1.一种生成用于要执行的磁共振断层扫描(MRT)序列的设定参数(70)的系统(100)，所述系统包括：

输入接口(10)，所述输入接口设立为用于，接收关于所述要执行的MRT序列的输入数据(80)；

计算装置(20)，所述计算装置构成为用于，实现条件生成式人工神经网络(22)；

其中所述条件生成式人工神经网络(22)构成和训练为用于，基于从所述输入接口(10)接收到的输入数据(80)生成用于所述要执行的MRT序列的设定参数(70)；

其中所述条件生成式人工神经网络(22)是有条件的，以便至少分别对于T1加权的MRT序列、T2加权的MRT序列和质子密度(PD)加权的MRT序列生成设定参数(70)，

其中所述条件生成式人工神经网络(22)已作为条件生成式对抗网络结构的一部分被训练，其中所述条件生成式对抗网络结构包括所述条件生成式人工神经网络(22)作为其生成部分以及条件判别式人工神经网络作为其判别部分，并且

其中所述条件生成式人工神经网络(22)包括输入层(21)、输出层(25)和至少一个隐藏层(23)，并且其中所述输入层和所述至少一个隐藏层形成自动编码器网络的至少一部分。

2.根据权利要求1所述的系统(100)，

其中所述输入数据(80)包括或表示下述百分比中的至少一个：

-百分比T1％，所述要执行的MRT序列应是以该百分比T1加权的；

-百分比T2％，所述要执行的MRT序列应是以该百分比T2加权的；

-百分比PD％，所述要执行的MRT序列应是以该百分比质子密度加权的。

3.根据权利要求1或2所述的系统(100)，

其中所述设定参数(70)包括所述要执行的MRT序列的重复时间(TR)和回波时间(TE)。

4.根据权利要求1或2所述的系统(100)，

其中所述设定参数(70)包括所述要执行的MRT序列的加速因子和/或带宽。

5.根据权利要求1或2所述的系统(100)，

其中所述条件生成式人工神经网络(22)附加地以下述条件中的至少一个条件为条件：

-所述要执行的MRT序列的磁场强度；

-关于要执行MRT序列的身体的位置和/或身体部位的信息；

-体脂百分比；

-伪影抑制。

6.根据权利要求1或2所述的系统(100)，

其中所述条件生成式人工神经网络(22)构成为多层感知器。

7.一种建立用于生成用于要执行的MRT序列的设定参数(70)的系统(100)的方法，所述方法包括：

提供(S10)训练数据，所述训练数据包括关于所述要执行的MRT序列的输入数据(80)，并且所述训练数据包括相应的设定参数(70)作为标签；

提供(S20)条件生成式人工神经网络(22)和条件判别式人工神经网络；

利用所提供的所述训练数据来训练(S30)所述条件生成式人工神经网络(22)，其中将所述条件生成式人工神经网络(22)训练成，基于所述训练数据的输入数据(80)生成用于要执行的MRT序列的所述设定参数(70)；

其中所述条件生成式人工神经网络(22)是有条件的，以便至少分别对于T1加权的MRT序列、T2加权的MRT序列和质子密度加权的MRT序列生成设定参数(70)；

利用所提供的所述训练数据和由所述条件生成式人工神经网络(22)生成的设定参数(70)来训练(S40)所述条件判别式人工神经网络，其中训练所述条件判别式人工神经网络，以便对于每个单独的参数集判别：所述参数集属于所述训练数据或者属于由所述条件生成式人工神经网络(22)生成的设定参数(70)；

并且其中训练(S30)所述条件生成式人工神经网络(22)包括：将所述条件生成式人工神经网络(22)训练成，生成所述设定参数(70)，使得所述条件判别式人工神经网络(22)不能将所述训练数据与由所述条件生成式人工神经网络(22)生成的设定参数(70)区别；

提供和设立(S50)用于接收关于要执行的MRT序列的输入数据(80)的输入接口(10)；和

提供和设立(S60)用于实现经训练的所述条件生成式人工神经网络的计算装置(20)，用于基于接收到的输入数据(80)生成用于所述要执行的MRT序列的设定参数(70)，

8.根据权利要求7所述的方法，

其中利用基于最小二乘法的损失函数来训练(S30)所述条件生成式人工神经网络(22)和/或训练(S40)所述条件判别式人工神经网络。

9.一种生成用于要执行的MRT序列的设定参数(70)的方法，所述方法包括：

接收(S01)关于所述要执行的MRT序列的输入数据(80)；

利用经训练的条件生成式人工神经网络(22)，基于接收到的输入数据(80)，生成(S02)用于所述要执行的MRT序列的设定参数(70)；

其中所述条件生成式人工神经网络(22)是有条件的，以便至少分别对于T1加权的MRT序列、T2加权的MRT序列和质子密度加权的MRT序列生成设定参数(70)，

10.根据权利要求9所述的方法，

其中所述设定参数(70)包括所述要执行的MRT序列的重复时间(TR)、回波时间(TE)、加速因子和/或带宽。

11.根据权利要求9或10所述的方法，

-所述要执行的MRT序列的磁场强度；

-关于要执行MRT序列的身体的位置和/或身体部位的信息；

-体脂百分比；

-伪影抑制。

12.一种非易失性数据存储介质(300)，所述非易失性数据存储介质包括可执行的程序代码(350)，所述可执行的程序代码构成为，当执行所述可执行的程序代码时，所述可执行的程序代码实施根据权利要求7至11中任一项所述的方法。