CN110755076A - 磁共振扫描仪的图像采集方法、装置、设备和介质 - Google Patents

磁共振扫描仪的图像采集方法、装置、设备和介质 Download PDF

Info

Publication number
CN110755076A
CN110755076A CN201911059466.8A CN201911059466A CN110755076A CN 110755076 A CN110755076 A CN 110755076A CN 201911059466 A CN201911059466 A CN 201911059466A CN 110755076 A CN110755076 A CN 110755076A
Authority
CN
China
Prior art keywords
vital sign
sign data
neural network
magnetic resonance
resonance scanner
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911059466.8A
Other languages
English (en)
Other versions
CN110755076B (zh
Inventor
史宇航
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201911059466.8A priority Critical patent/CN110755076B/zh
Publication of CN110755076A publication Critical patent/CN110755076A/zh
Priority to US16/870,924 priority patent/US11696729B2/en
Priority to US18/349,953 priority patent/US20230355188A1/en
Application granted granted Critical
Publication of CN110755076B publication Critical patent/CN110755076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • 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
    • A61B5/352—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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/541—Control of apparatus or devices for radiation diagnosis involving acquisition triggered by a physiological signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • 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
    • G01R33/567—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution gated by physiological signals, i.e. synchronization of acquired MR data with periodical motion of an object of interest, e.g. monitoring or triggering system for cardiac or respiratory gating
    • G01R33/5673—Gating or triggering based on a physiological signal other than an MR signal, e.g. ECG gating or motion monitoring using optical systems for monitoring the motion of a fiducial marker
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • G16H40/67—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 remote operation
    • 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
    • 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
    • A61B5/0035—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 acquisition of images from more than one imaging mode, e.g. combining MRI and optical 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Optics & Photonics (AREA)
  • Fuzzy Systems (AREA)
  • Pulmonology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明涉及一种磁共振扫描仪的图像采集方法、装置、设备和介质。其中，该方法包括：实时采集生命体征数据；将生命体征数据输入到训练完备的神经网络；判断训练完备的神经网络是否输出门控触发信号，其中，门控触发信号是由训练完备的神经网络根据生命体征数据预测的；在判断到训练完备的神经网络输出门控触发信号的情况下，控制磁共振扫描仪进行图像采集。通过本发明，解决了相关技术中基于实时R波检测的门控采集技术容易因门控误触发而导致门控触发采集的图像质量变差的问题，提高了采集的图像质量。

Description

磁共振扫描仪的图像采集方法、装置、设备和介质
技术领域
本发明涉及医疗设备控制领域，特别是涉及一种磁共振扫描仪的图像采集方法、装置、设备和计算机可读存储介质。
背景技术
磁共振检查(Magnetic Resonance，简称为MR)和正电子发射断层显像(PositronEmission Tomography，简称为PET)/MR胸腹部位扫描常受限于呼吸运动和心跳的影响。心脏跳动、呼吸运动将导致磁共振信号大量丢失、影响图像质量。
为了减少因呼吸、心跳对图像质量的影响，相关技术中广泛采用门控采集技术，例如，心电触发门控、脉搏触发门控、呼吸触发门控。采用门控采集技术的成像技术，实时监测呼吸与心跳的生命体征信号，并在监测到特定的生命体征信号时生成门控采集信号，触发PET/MR图像采集。
以心脏成像序列为例，图1是根据相关技术的心电图波形的示意图，如图1所示，由于在心电图中R波幅值高于其他波段，通常的R波检测算法通过滤波器过滤噪音，再基于阈值分割的方法检测R波的位置；或是利用匹配滤波器，在ECG初始阶段学习患者的ECG信号的幅频和相频特征后，检测R波的上升沿或是下降沿。ECG触发基于实时R波检测，并确保图像的每个部分被分配到心动周期的特定阶；不精确的实时R波检测会导致图像不正确地分配到心动周期并最终导致错误的诊断结果。因此准确的实时R波检测至关重要。
然而，在临床扫描中，患有心脏疾病的患者显示出复杂的心电图，例如，心律不齐、心跳微弱。除此之外，影响磁共振心脏扫描的另一个重要原因是MR特异性环境，由于磁场的影响ECG测得的信号可能呈现出比QRS复合波具有更大振幅的T波。因此，在常规临床经验中，使用基于阈值分割或者基于匹配滤波器的ECG触发算法会导致不正确的ECG触发。
针对相关技术中基于实时R波检测的门控采集技术容易因门控误触发而导致门控触发采集的图像质量变差的问题，目前尚未提出有效的解决方案。
发明内容
基于此，有必要针对相关技术中基于实时R波检测的门控采集技术容易因门控误触发而导致门控触发采集的图像质量变差的问题，提供一种磁共振扫描仪的图像采集方法、装置、设备和计算机可读存储介质。
第一方面，本发明实施例提供了一种磁共振扫描仪的图像采集方法，包括：实时采集生命体征数据；将所述生命体征数据输入到训练完备的神经网络；判断所述训练完备的神经网络是否输出门控触发信号，其中，所述门控触发信号是由所述训练完备的神经网络根据所述生命体征数据预测的；在判断到所述训练完备的神经网络输出所述门控触发信号的情况下，控制磁共振扫描仪进行图像采集。
在其中一个实施例中，所述生命体征数据包括以下至少之一：心电图数据、呼吸数据。
在其中一个实施例中，实时采集生命体征数据包括：通过生命体征数据采集装置实时采集所述生命体征数据；其中，所述生命体征数据采集装置包括以下至少之一：基于电磁波回波信号的生命体征数据采集装置、基于心电信号的生命体征数据采集装置、基于光电信号的生命体征数据采集装置、基于压力振荡信号的生命体征数据采集装置。
在其中一个实施例中，所述训练完备的神经网络的训练过程包括：获取训练样本，其中，所述训练样本包括：正样本和负样本；构建初始的神经网络；根据所述训练样本以监督学习的方式训练所述初始的神经网络，并通过误差反向传播调整所述初始的神经网络的权值，直至收敛，得到所述训练完备的神经网络。
在其中一个实施例中，训练所述初始的神经网络使用的损失函数包括以下至少之一：Softmax交叉熵损失函数、平方误差损失函数。
在其中一个实施例中，所述正样本包括：第一生命体征数据片段，其中，所述第一生命体征数据片段的第一预设时长的尾段内包含门控采集窗；所述负样本包括：第二生命体征数据片段，其中，所述第二生命体征数据片段的所述第一预设时长的尾段内不包含所述门控采集窗。
在其中一个实施例中，所述第一预设时长小于或者等于所述磁共振扫描仪的门控采集窗的时间长度。
在其中一个实施例中，在所述生命体征数据为心电图数据的情况下，所述门控采集窗包括以下至少之一：R波上升沿、R波顶点、自R波顶点起的第二预设时长的R波下降沿。
在其中一个实施例中，所述训练样本和所述生命体征数据经过相同的预处理，所述预处理包括以下至少之一：归一化处理、平滑处理、降采样处理、去噪处理。
在其中一个实施例中，在判断到所述训练完备的神经网络输出所述门控触发信号的情况下，控制磁共振扫描仪进行图像采集包括：
在判断到所述训练完备的神经网络输出所述门控触发信号的情况下，判断所述训练完备的神经网络是否连续输出预设数量的所述门控触发信号，若是，则控制所述磁共振扫描仪进行图像采集；和/或
在判断到所述训练完备的神经网络输出所述门控触发信号的情况下，判断距离所述磁共振扫描仪进行图像采集是否大于第三预设时长，若是，则控制所述磁共振扫描仪进行图像采集。
第二方面，本发明实施例提供了一种磁共振扫描仪的图像采集装置，包括：采集模块，用于实时采集生命体征数据；输出模块，用于将所述生命体征数据输入到训练完备的神经网络；判断模块，用于判断所述训练完备的神经网络是否输出门控触发信号，其中，所述门控触发信号是由所述训练完备的神经网络根据所述生命体征数据预测的；控制模块，用于在判断到所述训练完备的神经网络输出所述门控触发信号的情况下，控制磁共振扫描仪进行图像采集。
第三方面，本发明实施例提供了一种磁共振扫描仪的图像采集设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现第一方面所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现第一方面所述的方法。
与现有技术相比，通过本发明实施例提供的磁共振扫描仪的图像采集方法、装置、设备和介质，采用训练完备的神经网络根据实时采集的生命体征数据门控触发信号；进而根据门控触发信号控制磁共振扫描仪的图像采集，解决了相关技术中基于实时R波检测的门控采集技术容易因门控误触发而导致门控触发采集的图像质量变差的问题，提高了采集的图像质量。
附图说明
图1是根据相关技术的心电图波形的示意图；
图2是根据本发明实施例的磁共振扫描仪的图像采集方法的流程图；
图3是根据本发明实施例的卷积神经网络的结构示意图；
图4是根据本发明实施例的卷积神经网络的优选结构示意图；
图5是根据本发明实施例的第一生命体征数据片段的示意图；
图6是根据本发明实施例的第二生命体征数据片段的示意图；
图7是根据本发明实施例的训练完备的神经网络门控触发信号的示意图；
图8是根据本发明实施例的磁共振扫描仪的图像采集装置的结构框图；
图9是根据本发明实施例的磁共振扫描仪的图像采集设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本施例中提供了一种磁共振扫描仪的图像采集方法，图2是根据本发明实施例的磁共振扫描仪的图像采集方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，实时采集生命体征数据；
步骤S202，将生命体征数据输入到训练完备的神经网络；
步骤S203，判断训练完备的神经网络是否输出门控触发信号，其中，门控触发信号是由训练完备的神经网络根据生命体征数据预测的；
步骤S204，在判断到训练完备的神经网络输出门控触发信号的情况下，控制磁共振扫描仪进行图像采集。
需要说明的是，上述方法由可以控制磁共振扫描仪的装置执行，也可以是磁共振扫描仪本身来执行。
现有技术中的门控触发基于实时R波的检测，而实时R波检测则基于阈值分割的方法识别R波或者利用匹配滤波器识别R波的幅频和相频的方式识别R波上升沿或者下降沿。因此，R波的幅频和相频特征就决定了门控触发时间。但是，这种实时R波检测方式在面临心律不齐、心跳微弱或者受到磁场影像导致的T波振幅异常的情况，容易错误触发门控采集或者误触发门控采集。
与现有技术相比，本实施例提供的上述步骤中引入神经网络，以通过实时采集到的生命体征数据预测门控触发信号，并根据预测到的门控触发信号控制磁共振扫描仪进行图像采集。以生命体征数据为心电图数据为例，由于神经网络不仅能够学习到R波自身的特征，还能够结合R波之前的其他波(例如T-P段波形、P-R段波形、P波等)的特征来识别R波，因此提高了R波识别的准确性，解决了相关技术中基于实时R波检测的门控采集技术容易因门控误触发而导致门控触发采集的图像质量变差的问题，提高了采集的图像质量。
本实施例的生命体征数据包括但不限于心电图数据、呼吸数据。类似地，将上述步骤应用在基于呼吸数据的门控采集技术中，也能够解决相关技术中基于实时呼吸数据检测的门控采集技术容易因门控误触发而导致门控触发采集的图像质量变差的问题，提高了采集的图像质量。
在其中一些实施例中，生命体征数据可以采用包括但不限于以下至少之一的生命体征数据采集装置来实时采集：基于电磁波回波信号的生命体征数据采集装置、基于心电信号的生命体征数据采集装置、基于光电信号的生命体征数据采集装置、基于压力振荡信号的生命体征数据采集装置、基于压力信号的生命体征数据采集装置等。
其中，基于电磁波回波信号的生命体征数据采集装置又称为雷达式非接触检测仪，雷达式非接触式监测仪是通过雷达发射电磁波照射人体，从接收的回波信号中提取呼吸、心跳信号。采用雷达式非接触检测仪实现了非接触、远距离实现生命体征数据的检测的有益效果。
其中，基于心电信号的生命体征数据采集装置包括但不限于：传统的胸带电极式检测仪和心电图(Electro-Cardio-Gram，简称为ECG)检测仪。例如通过采用贴电极的方式实现多导联心电信号的监测。采用心电信号的生命体征数据采集装置采集生命体征数据具有技术成熟、结果准确的有益效果。
其中，基于光电信号的生命体征数据采集装置包括但不限于：基于光电透射的生命体征数据采集装置、基于光电反射的生命体征数据采集装置。基于光电信号的生命体征数据采集装置原理上来说就是采用与皮肤接触的传感器发出一束光打在皮肤上，测量反射/透射的光。因为血液对特定波长的光有吸收作用，每次心脏泵血时，该波长都会被大量吸收，以此就可以检测出心跳信号。采用基于光电信号的生命体征数据采集装置具有采集方便、设备简单的有益效果。
其中，基于压力振荡信号的生命体征数据采集装置是采用高精度的传感器捕捉每次心跳都会引起身体的震动，再经过信号处理而检测出心跳信号，这类采集装置具有采集方便的有益效果。
其中，基于压力信号的生命体征数据采集装置，例如传统的胸带电极式检测仪，其采用腹带上的压力传感器获取因呼吸导致的腹带压力信号的变化来监测呼吸运动。
除了上述的生命体征数据的采集方式之外，还可以通过磁共振导航序列获取呼吸或心跳导致的信号变化来监测呼吸信号或心跳信号。
在采集到生命体征数据之后，为了剔除异常值和噪声信号，则还可以对生命体征数据进行预处理，预处理方式包括但不限于以下至少之一：对生命体征数据进行归一化处理；对生命体征数据进行平滑处理；对生命体征数据进行降采样处理；对生命体征数据进行去噪处理。
其中，对生命体征数据进行归一化处理可以采用z-score校正法对输入的样本进行幅值上的归一化，例如：归一化后的数据＝(原始数据–指定某时间段数据的均值)/指定某时间段数据的方差；其中，指定某时间段数据可以为任何时间段数据，例如扫描开始的一段数据，或实时获取的某时间段数据。对数据进行归一化的目的是减少不同病人生命体征数据幅值上的变化造成的影响，同时可以抑制噪音的干扰。经过处理的数据符合标准正态分布，即均值为0，标准差为1。
其中，对生命体征数据进行平滑处理可以使用2n+1点单纯移动平均滤波法、加权移动平均滤波法、smooth函数平滑滤波法、一维中值滤波法等对波形进行平滑。
其中，对生命体征数据进行降采样处理可以采用反混叠滤波器对原始生命体征数据进行降采样处理，从而保留数据基本特征并减少需要处理的数据量。
其中，对生命体征数据进行去噪处理可以采用拉依达方法、肖维勒方法或一阶差分法剔除异常值。
进行上述的预处理，在预测过程中有助于降低不同病人生命体征数据幅值上的差异、原始生命体征数据中存在的噪声或异常值对预测结果的影响，以及通过降采样处理减少预测门控采集信号的时间开销。
本实施例中的神经网络包括任意一种可以实现深度学习算法的人工神经网络。人工神经网络已被证明并被成功实现数据预测相关的应用，包括数据趋势预测和语音识别。在人工神经网络中，卷积神经网络(Convolutional Neural Networks，简称为CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeural Networks)，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。
神经网络具有记忆性、参数共享并且图灵完备，因此在对序列数据的非线性特征进行学习时具有一定优势。呼吸、心跳等生命体征数据具有很强的规律性和前后关联性，是一种典型的序列数据，因此在本实施例中采用神经网络来学习生命体征数据并预测门控触发信号。
在本实施例中，可以采用tensorflow来实现神经网络的构架。下面将以卷积神经网络为例对本发明实施例采用的神经网络的结构进行说明。
图3是根据本发明实施例的卷积神经网络的结构示意图，如图3所示，该卷积神经网络包括：输入层、卷积层、归一化层、池化层、全连接层、损失层和输出层。
输入层用于数据的输入。在识别过程中输入数据是实时采集的生命体征数据；在训练过程中输入数据是训练样本。由于生命体征数据是波形数据，可以不包含颜色信息，因此在本实施例中卷积神经网络的输入是二维数据。
卷积层用于进行特征提取和特征映射。低卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。
归一化层用于把逐渐向非线性函数映射后向取值区间极限饱和区靠拢的输入分布强制拉回到均值为0方差为1的比较标准的正态分布，使得非线性变换函数的输入值落入对输入比较敏感的区域，以此避免梯度消失问题。
池化层用于对数据做下采样，对多尺度数据特征进行学习分类，提高模型分类辨识度，并提供了非线性，减少模型参数数量，减少过拟合问题。
全连接层用于在CNN的尾部进行重新拟合，减少特征信息的损失。
损失层接受两个输入，其中的一个是CNN的预测值，另一个是真实标签。损失层则将这两个输入进行一系列运算，得到当前网络的损失函数。深渡学习的目的是在权值空间中找到让损失函数最小的权值。损失函数是在前向传播计算中得到的，同时也是反向传播的起点，损失函数基本都是由真实值和预测值两部分组成，正确的损失函数，可以起到让预测值一直逼近真实值的效果，当预测值和真实值相等时，损失值最小。在本实施例中采用的损失函数优选为Softmax交叉熵损失函数，或者平方误差损失函数。
输出层用于输出结果，该输出结果用于判断是否满足触发脉冲的要求。
经过试验表明，在发明实施例中对生命体征数据的是深度学习可以采用图4所示的三层CNN神经网络，能够达到神经网络的表示能力和训练网络的计算成本之间的平衡。并且，在本实施例中的归一化层优选采用批量归一化层。相对于局部响应归一化层而言，批量归一化层能够改善流经网络的梯度；允许更大的学习率，从而提高训练速度。
在本实施例的步骤S202中训练完备的神经网络的训练方式包括如下步骤：
步骤1，获取训练样本，其中，训练样本包括：正样本和负样本；
步骤2，构建初始的神经网络；
步骤3，根据训练样本以监督学习的方式训练初始的神经网络，并通过误差反向传播调整初始的神经网络的权值，直至收敛，得到训练完备的神经网络。
其中，在初始的神经网络的训练过程中，优选采用Softmax交叉熵损失函数，或者平方误差损失函数作为损失函数，采用误差反向传播的方式更新初始的神经网络的权重参数。然后使用预先准备的测试样本(也包含正样本和负样本)作为训练后的神经网络的输入，以测试样本人工标注的真实结果作为对照计算预测成功率，直至预测成功率达到设定值判定神经网络达到收敛，最终得到训练完备的神经网络。
在本实施例中，截取生命体征数据片段并进行人工标记的方式得到正样本和负样本。其中，正样本为生命体征数据片段的第一预设时长的尾段内包含门控触发窗的第一生命体征数据片段；负样本为生命体征数据片段的第一预设时长的尾段内不包含门控触发窗的第二生命体征数据片段。优选地，在训练样本中，负样本数量为正样本数量的2-3倍；测试样本中，负样本数量亦为正样本数量的2-3倍，并且训练样本与测试样本不存在交集，以避免训练得到的神经网络泛化能力降低。
在其中一些实施例中，训练样本、测试样本和实时采集的生命体征数据均经过相同的预处理，这些预处理包括但不限于以下至少之一：归一化处理、平滑处理、降采样处理、去噪处理。对训练样本的预处理有助于提高神经网络训练的效率。
图5是根据本发明实施例的第一生命体征数据片段的示意图，图6是根据本发明实施例的第二生命体征数据片段的示意图。如图5和图6所示，在其中一些实施例中，为了排除训练样本尺度对模型训练的影响，取固定时间长度的生命体征数据作为训练样本，即第一生命体征数据片段和第二生命体征数据片段的片段长度相等。优选地，以生命体征数据为心电图数据为例，第一生命体征数据片段和第二生命体征数据片段的长度小于或等于心动周期。其中，人的心动周期约为400ms～900ms。在安静状态下，人的心动周期约为800ms。将第一生命体征数据片段和第二生命体征数据片段的长度截取为小于或等于心动周期的方式，使得同一个生命体征数据片段上至多存在一个门控触发窗，有利于提高神经网络的训练效率、避免门控漏触发。
在一些实施例中，第一生命体征数据片段和第二生命体征数据片段的第一预设时长的尾段的时长小于或者等于当前的磁共振扫描仪的门控触发窗的时间长度，以使得根据这些训练样本训练出的神经网络能够在门控触发窗内预测出门控触发信号。在本实施例中，门控触发窗的时间长度约为10ms至50ms。以门控触发窗为10ms为例，该门控触发窗要求在一个包含R波顶点的10ms的时间窗口内获得门控采集信号来触发门控采集。在这种情况下，采用第一生命体征数据片段和第二生命体征数据片段的末尾的10ms内是否存在门控采集窗(可以是一个完整的门控采集窗，也可以是门控采集窗的一部分)的方式标记训练样本，从而可以使得训练出的神经网络能够在门控采集窗内预测出门控采集信号，以满足门控触发要求。
在本实施例中，以生命体征数据为心电图数据为例，门控采集窗包括以下至少之一：R波上升沿、R波顶点、自R波顶点起的第二预设时长的R波下降沿。第二预设时长也是由当前的磁共振扫描仪的门控触发窗的时间长度确定的，一般可以选为10ms。
继续以生命体征数据为心电图数据为例，图7是根据本发明实施例的训练完备的神经网络门控触发信号的示意图，如图7所示，在实时采集到心电图数据之后，可以使用宽度为k和步长为λ的滑动窗口实时截取心电图数据，得到心电图数据片段作为神经网络的实时输入数据。在图7中，t时刻或者t+λ时刻左侧的心电图波形是已经检测到的心电图波形，t时刻或者t+λ时刻右侧的心电图波形是未来的心电图波形而并非已经检测到的波形，在图7中仅为了示意性地描述滑动窗口的工作过程而将未来的心电图波形描绘了出来。
其中，滑动窗口的宽度与训练样本中的心电图数据片段的时间长度相同，滑动窗口移动的步长λ小于或者等于门控触发窗的时间长度；优选的步长λ等于心电图波形的采样周期或者等于门控触发窗的时间长度。滑动窗口实时截取的每个心电图数据片段都会由神经网络预测得到一个输出值，并按照时间顺序依次输出。如果根据截取到的心电图数据片段预测出该心电图数据片段的第一预设时长(例如10ms)的尾段存在门控触发窗，则神经网络输出真值，即门控采集信号；如果根据截取到的心电图数据片段预测出该心电图数据片段的第一预设时长(例如10ms)的尾段不存在门控触发窗，则神经网络输出假值。这些神经网络的输出值最终会形成采样周期为滑动窗口步长的脉冲信号波形，脉冲信号波形中的每个脉冲代表一个预测到的门控触发信号信号。
在其中一个实施例中，在判断到训练完备的神经网络输出门控触发信号的情况下，控制磁共振扫描仪进行图像采集包括：在判断到训练完备的神经网络输出门控触发信号的情况下，判断训练完备的神经网络是否连续输出预设数量的门控触发信号，若是，则控制磁共振扫描仪进行图像采集；和/或在判断到训练完备的神经网络输出门控触发信号的情况下，判断距离磁共振扫描仪进行图像采集是否大于第三预设时长，若是，则控制磁共振扫描仪进行图像采集。
在上述实施例中，考虑到训练完备的神经网络在单次识别中仍存在一定概率的识别错误，因此，在本实施例中可以将滑动窗口的步长设置为等于心电图波形的采样周期，那么在门控触发窗内，神经网络将最多能连续识别出与门控触发窗长度数量相应的多个门控触发信号。例如，在滑动窗口的步长与采样周期均为1sm，门控触发窗为10ms时，神经网络最多能够连续识别出10个门控触发信号。在这种情况下，可以通过连续识别出多个(例如3个)门控采集信号后再控制磁共振扫描仪进行图像采集，从而大大降低了因神经网络单次识别错误导致的门控误触发的概率。此外，由于在一次心动周期(约800ms)内通常只进行一次磁共振图像采集，因此，在进行门控采集时，还可以设定在上次采集后的预定时间段内不再进行门控采集，以避免在一次心动周期内重复触发门控采集。其中，上述的预定时间段为大于门控触发窗而小于心动周期的值，优选为100ms。
在本实施例中还提供了一种磁共振扫描仪的图像采集装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本发明实施例的磁共振扫描仪的图像采集装置的结构框图，如图8所示，该装置包括：
采集模块81，用于实时采集生命体征数据；
输出模块82，耦合至采集模块81，用于将生命体征数据输入到训练完备的神经网络；
判断模块83，耦合至输出模块82，用于判断训练完备的神经网络是否输出门控触发信号，其中，门控触发信号是由训练完备的神经网络根据生命体征数据预测的；
控制模块84，耦合至判断模块83，用于在判断模块83判断到训练完备的神经网络输出门控触发信号的情况下，控制磁共振扫描仪进行图像采集。
在其中一个实施例中，生命体征数据包括但不限于以下至少之一：心电图数据、呼吸数据。
在其中一个实施例中，采集模块81实时采集生命体征数据包括：通过生命体征数据采集装置实时采集生命体征数据；其中，生命体征数据采集装置包括以下至少之一：基于电磁波回波信号的生命体征数据采集装置、基于心电信号的生命体征数据采集装置、基于光电信号的生命体征数据采集装置、基于压力振荡信号的生命体征数据采集装置、基于压力信号的生命体征数据采集装置。
在其中一个实施例中，训练完备的神经网络的训练过程包括：获取训练样本，其中，训练样本包括：正样本和负样本；构建初始的神经网络；根据训练样本以监督学习的方式训练初始的神经网络，并通过误差反向传播调整初始的神经网络的权值，直至收敛，得到训练完备的神经网络。
在其中一个实施例中，训练初始的神经网络使用的损失函数包括但不限于以下至少之一：Softmax交叉熵损失函数、平方误差损失函数。
在其中一个实施例中，正样本包括：第一生命体征数据片段，其中，第一生命体征数据片段的第一预设时长的尾段内包含门控触发窗；
负样本包括：第二生命体征数据片段，其中，第二生命体征数据片段的第一预设时长的尾段内不包含门控触发窗。
在其中一个实施例中，第一预设时长小于或者等于磁共振扫描仪的门控触发窗的时间长度。
在其中一个实施例中，在生命体征数据为心电图数据的情况下，门控触发窗包括但不限于以下至少之一：R波上升沿、R波顶点、自R波顶点起的第二预设时长的R波下降沿。
在其中一个实施例中，训练样本和生命体征数据经过相同的预处理，预处理包括但不限于以下至少之一：归一化处理、平滑处理、降采样处理、去噪处理。
在其中一个实施例中，控制模块84，用于在判断到训练完备的神经网络输出门控触发信号的情况下，判断训练完备的神经网络是否连续输出预设数量的门控触发信号，若是，则控制磁共振扫描仪进行图像采集；和/或在判断到训练完备的神经网络输出门控触发信号的情况下，判断距离磁共振扫描仪进行图像采集是否大于第三预设时长，若是，则控制磁共振扫描仪进行图像采集。
另外，结合图2描述的本发明实施例的磁共振扫描仪的图像采集方法可以由磁共振扫描仪的图像采集设备来实现。图9示出了本发明实施例提供的磁共振扫描仪的图像采集设备的硬件结构示意图。
磁共振扫描仪的图像采集设备可以包括处理器91以及存储有计算机程序指令的存储器92。
具体地，上述处理器91可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器92可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器92可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器92可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器92可在数据处理装置的内部或外部。在特定实施例中，存储器92是非易失性固态存储器。在特定实施例中，存储器92包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器91通过读取并执行存储器92中存储的计算机程序指令，以实现上述实施例中的任意一种磁共振扫描仪的图像采集方法。
在一个示例中，磁共振扫描仪的图像采集设备还可包括通信接口93和总线90。其中，如图9所示，处理器91、存储器92、通信接口93通过总线90连接并完成相互间的通信。
通信接口93，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线90包括硬件、软件或两者，将磁共振扫描仪的图像采集设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线90可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该磁共振扫描仪的图像采集设备可以基于获取到的生命体征数据，执行本发明实施例中的磁共振扫描仪的图像采集方法，从而实现结合图2描述的磁共振扫描仪的图像采集方法。
另外，结合上述实施例中的磁共振扫描仪的图像采集方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种磁共振扫描仪的图像采集方法。
综上所述，通过本发明提供的上述实施例或者优选实施方式，使用神经网络来根据实时采集的生命体征数据来预测门控触发信号。具体而言是使用卷积神经网络，根据实时采集的生命体征数据的特征来预测该生命体征数据的尾段是否包含门控触发窗，并在预测到该生命体征数据的尾段包含门控触发窗的情况下输出门控采集信号，避免了直接检测R波存在的门控的误触发问题，提高了采集的图像质量。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种磁共振扫描仪的图像采集方法，其特征在于包括：
实时采集生命体征数据；
将所述生命体征数据输入到训练完备的神经网络；
判断所述训练完备的神经网络是否输出门控触发信号，其中，所述门控触发信号是由所述训练完备的神经网络根据所述生命体征数据预测的；
在判断到所述训练完备的神经网络输出所述门控触发信号的情况下，控制磁共振扫描仪进行图像采集。
2.根据权利要求1所述的方法，其特征在于，所述生命体征数据包括以下至少之一：心电图数据、呼吸数据。
3.根据权利要求1所述的方法，其特征在于，实时采集生命体征数据包括：
通过生命体征数据采集装置实时采集所述生命体征数据；其中，所述生命体征数据采集装置包括以下至少之一：基于电磁波回波信号的生命体征数据采集装置、基于心电信号的生命体征数据采集装置、基于光电信号的生命体征数据采集装置、基于压力振荡信号的生命体征数据采集装置、基于压力信号的生命体征数据采集装置。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述训练完备的神经网络的训练过程包括：
获取训练样本，其中，所述训练样本包括：正样本和负样本；
构建初始的神经网络；
根据所述训练样本以监督学习的方式训练所述初始的神经网络，并通过误差反向传播调整所述初始的神经网络的权值，直至收敛，得到所述训练完备的神经网络。
5.根据权利要求4所述的方法，其特征在于，训练所述初始的神经网络使用的损失函数包括以下至少之一：Softmax交叉熵损失函数、平方误差损失函数。
6.根据权利要求4所述的方法，其特征在于，
所述正样本包括：第一生命体征数据片段，其中，所述第一生命体征数据片段的第一预设时长的尾段内包含门控触发窗；
所述负样本包括：第二生命体征数据片段，其中，所述第二生命体征数据片段的所述第一预设时长的尾段内不包含所述门控触发窗。
7.根据权利要求6所述的方法，其特征在于，所述第一预设时长小于或者等于所述磁共振扫描仪的门控触发窗的时间长度。
8.根据权利要求6所述的方法，其特征在于，在所述生命体征数据为心电图数据的情况下，所述门控触发窗包括以下至少之一：R波上升沿、R波顶点、自R波顶点起的第二预设时长的R波下降沿。
9.根据权利要求4所述的方法，其特征在于，所述训练样本和所述生命体征数据经过相同的预处理，所述预处理包括以下至少之一：归一化处理、平滑处理、降采样处理、去噪处理。
10.根据权利要求1所述的方法，其特征在于，在判断到所述训练完备的神经网络输出所述门控触发信号的情况下，控制磁共振扫描仪进行图像采集包括：
在判断到所述训练完备的神经网络输出所述门控触发信号的情况下，判断所述训练完备的神经网络是否连续输出预设数量的所述门控触发信号，若是，则控制所述磁共振扫描仪进行图像采集；和/或
在判断到所述训练完备的神经网络输出所述门控触发信号的情况下，判断距离所述磁共振扫描仪进行图像采集是否大于第三预设时长，若是，则控制所述磁共振扫描仪进行图像采集。
11.一种磁共振扫描仪的图像采集装置，其特征在于包括：
采集模块，用于实时采集生命体征数据；
输出模块，用于将所述生命体征数据输入到训练完备的神经网络；
判断模块，用于判断所述训练完备的神经网络是否输出门控触发信号，其中，所述门控触发信号是由所述训练完备的神经网络根据所述生命体征数据预测的；
控制模块，用于在判断到所述训练完备的神经网络输出所述门控触发信号的情况下，控制磁共振扫描仪进行图像采集。
12.一种磁共振扫描仪的图像采集设备，其特征在于包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1至10中任一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1至10中任一项所述的方法。
CN201911059466.8A 2019-11-01 2019-11-01 磁共振扫描仪的图像采集方法、装置、设备和介质 Active CN110755076B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201911059466.8A CN110755076B (zh) 2019-11-01 2019-11-01 磁共振扫描仪的图像采集方法、装置、设备和介质
US16/870,924 US11696729B2 (en) 2019-11-01 2020-05-09 Systems and methods for image data acquisition
US18/349,953 US20230355188A1 (en) 2019-11-01 2023-07-10 Systems and methods for image data acquisition

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911059466.8A CN110755076B (zh) 2019-11-01 2019-11-01 磁共振扫描仪的图像采集方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN110755076A true CN110755076A (zh) 2020-02-07
CN110755076B CN110755076B (zh) 2023-08-11

Family

ID=69335281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911059466.8A Active CN110755076B (zh) 2019-11-01 2019-11-01 磁共振扫描仪的图像采集方法、装置、设备和介质

Country Status (2)

Country Link
US (2) US11696729B2 (zh)
CN (1) CN110755076B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111973172A (zh) * 2020-08-28 2020-11-24 北京航空航天大学 一种基于mcg和ecg融合的心脏结构成像系统及方法
CN112016688A (zh) * 2020-09-02 2020-12-01 上海联影医疗科技股份有限公司 一种图像采集方法、装置、图像采集设备及存储介质
CN113693572A (zh) * 2021-07-21 2021-11-26 湖北智奥物联网科技有限公司 无创多维度动态健康管理系统及装置
CN113842135A (zh) * 2021-09-18 2021-12-28 吉林大学 一种基于BiLSTM的睡眠呼吸异常自动筛查方法
CN115770048A (zh) * 2021-09-08 2023-03-10 上海联影医疗科技股份有限公司 心电信号处理方法、装置、计算机设备及存储介质
CN117577266A (zh) * 2024-01-15 2024-02-20 南京信息工程大学 基于力触觉手套的手部康复训练监测系统

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420771B (zh) * 2021-06-30 2024-04-19 扬州明晟新能源科技有限公司 一种基于特征融合的有色玻璃检测方法
CN113344562B (zh) * 2021-08-09 2021-11-02 四川大学 基于深度神经网络的以太坊钓鱼诈骗账户检测方法与装置
CN113743486B (zh) * 2021-08-23 2023-09-29 北京科技大学 应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法
EP4140404A1 (en) * 2021-08-31 2023-03-01 Siemens Healthcare GmbH Using cardiac motion for beat-to-beat optimisation of varying and constant fractions of cardiac cycles in segmented k-space mri acquisitions
CN114872028B (zh) * 2022-04-13 2023-07-14 中国兵器工业计算机应用技术研究所 操控手训练方法及设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4694837A (en) * 1985-08-09 1987-09-22 Picker International, Inc. Cardiac and respiratory gated magnetic resonance imaging
US5967981A (en) * 1997-09-26 1999-10-19 Siemens Corporate Research, Inc. Time series prediction for event triggering
CN1504164A (zh) * 2002-12-04 2004-06-16 GEҽҩϵͳ����Ƽ���˾ 使用非电信号来确定任意的心脏阶段
US20120004568A1 (en) * 2010-06-30 2012-01-05 Roessler Juergen Method for identifying R waves in an ECG signal and an ECG measuring instrument as well as a magnetic resonance device
US20140323850A1 (en) * 2013-04-24 2014-10-30 Siemens Aktiengesellschaft Method and ekg trigger device for correcting an ekg signal in magnetic resonance image acquisition
US20150374237A1 (en) * 2013-01-31 2015-12-31 The Regents Of The University Of California Method for accurate and robust cardiac motion self-gating in magnetic resonance imaging
US20160202337A1 (en) * 2013-08-07 2016-07-14 Koninklijke Philips N.V. Improved ecg-based triggering for magnetic resonance imaging
WO2017129454A1 (en) * 2016-01-25 2017-08-03 Koninklijke Philips N.V. Patient head-mountable device having a vital sign camera for use in a medical scanning modality
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
CN108852405A (zh) * 2018-06-15 2018-11-23 彭荣超 门控装置、医疗设备及其控制方法、设备和介质
US20190139275A1 (en) * 2017-11-06 2019-05-09 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for medical imaging
US20190223742A1 (en) * 2018-01-25 2019-07-25 Canon Medical Systems Corporation Ecg waveform timing detector and medical image diagnosis apparatus

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014219915B3 (de) * 2014-10-01 2015-11-12 Siemens Aktiengesellschaft Verfahren zur Kompensation von durch eine zyklische Bewegung eines Patienten auftretenden Ortszuordnungsfehlern von PET-Daten und Bildaufnahmesystem
US10127659B2 (en) * 2016-11-23 2018-11-13 General Electric Company Deep learning medical systems and methods for image acquisition
US10242443B2 (en) * 2016-11-23 2019-03-26 General Electric Company Deep learning medical systems and methods for medical procedures
US20190133480A1 (en) * 2017-11-08 2019-05-09 Koninklijke Philips N.V. Discretized embeddings of physiological waveforms

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4694837A (en) * 1985-08-09 1987-09-22 Picker International, Inc. Cardiac and respiratory gated magnetic resonance imaging
US5967981A (en) * 1997-09-26 1999-10-19 Siemens Corporate Research, Inc. Time series prediction for event triggering
CN1504164A (zh) * 2002-12-04 2004-06-16 GEҽҩϵͳ����Ƽ���˾ 使用非电信号来确定任意的心脏阶段
US20120004568A1 (en) * 2010-06-30 2012-01-05 Roessler Juergen Method for identifying R waves in an ECG signal and an ECG measuring instrument as well as a magnetic resonance device
US20150374237A1 (en) * 2013-01-31 2015-12-31 The Regents Of The University Of California Method for accurate and robust cardiac motion self-gating in magnetic resonance imaging
US20140323850A1 (en) * 2013-04-24 2014-10-30 Siemens Aktiengesellschaft Method and ekg trigger device for correcting an ekg signal in magnetic resonance image acquisition
US20160202337A1 (en) * 2013-08-07 2016-07-14 Koninklijke Philips N.V. Improved ecg-based triggering for magnetic resonance imaging
WO2017129454A1 (en) * 2016-01-25 2017-08-03 Koninklijke Philips N.V. Patient head-mountable device having a vital sign camera for use in a medical scanning modality
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
US20190139275A1 (en) * 2017-11-06 2019-05-09 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for medical imaging
US20190223742A1 (en) * 2018-01-25 2019-07-25 Canon Medical Systems Corporation Ecg waveform timing detector and medical image diagnosis apparatus
CN108852405A (zh) * 2018-06-15 2018-11-23 彭荣超 门控装置、医疗设备及其控制方法、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
欧阳斌: "基于体外信号的呼吸运动跟踪模型的研究" *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111973172A (zh) * 2020-08-28 2020-11-24 北京航空航天大学 一种基于mcg和ecg融合的心脏结构成像系统及方法
CN111973172B (zh) * 2020-08-28 2021-10-08 北京航空航天大学 一种基于mcg和ecg融合的心脏结构成像系统及方法
CN112016688A (zh) * 2020-09-02 2020-12-01 上海联影医疗科技股份有限公司 一种图像采集方法、装置、图像采集设备及存储介质
CN112016688B (zh) * 2020-09-02 2024-03-01 上海联影医疗科技股份有限公司 一种图像采集方法、装置、图像采集设备及存储介质
CN113693572A (zh) * 2021-07-21 2021-11-26 湖北智奥物联网科技有限公司 无创多维度动态健康管理系统及装置
CN115770048A (zh) * 2021-09-08 2023-03-10 上海联影医疗科技股份有限公司 心电信号处理方法、装置、计算机设备及存储介质
CN113842135A (zh) * 2021-09-18 2021-12-28 吉林大学 一种基于BiLSTM的睡眠呼吸异常自动筛查方法
CN117577266A (zh) * 2024-01-15 2024-02-20 南京信息工程大学 基于力触觉手套的手部康复训练监测系统
CN117577266B (zh) * 2024-01-15 2024-04-30 南京信息工程大学 基于力触觉手套的手部康复训练监测系统

Also Published As

Publication number Publication date
US11696729B2 (en) 2023-07-11
US20210128076A1 (en) 2021-05-06
CN110755076B (zh) 2023-08-11
US20230355188A1 (en) 2023-11-09

Similar Documents

Publication Publication Date Title
CN110755076B (zh) 磁共振扫描仪的图像采集方法、装置、设备和介质
CN109700450B (zh) 一种心率检测方法及电子设备
CN109035284B (zh) 基于深度学习的心脏ct图像分割方法、装置、设备及介质
US10219712B2 (en) ECG waveform detecting apparatus and imaging apparatus
WO2019218774A1 (zh) 对象识别方法、装置及存储介质
EP3803709B1 (en) Detecting abnormalities in ecg signals
US20220012875A1 (en) Systems and Methods for Medical Image Diagnosis Using Machine Learning
CN111291727B (zh) 一种光体积变化描记图法信号质量检测方法和装置
CN110840443B (zh) 心电信号处理方法、心电信号处理装置和电子设备
US11607181B2 (en) Systems and methods for cardiac triggering of an imaging system
CN114246563B (zh) 基于毫米波雷达的心肺功能智能监测设备
CA3137910A1 (en) Medical decision support system
Liu et al. Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks
JP6430144B2 (ja) 心電波形検出装置、心電波形検出方法、心電波形検出プログラム、及び撮像装置
CN110604549B (zh) 磁共振扫描仪的图像采集方法、装置、设备和介质
CN113057617B (zh) 一种心输出量的无创监测系统
CN112842355B (zh) 基于深度学习目标检测的心电信号心搏检测识别方法
EP3958747B1 (en) Fetal ultrasound processing unit for separating heart rate signals
CN110742606B (zh) 基于长短时记忆的超宽带微波乳腺肿瘤大小预测系统
CN111466894B (zh) 一种基于深度学习的射血分数计算方法及系统
Hassanin et al. Automatic localization of Common Carotid Artery in ultrasound images using Deep Learning
CN114052692B (zh) 基于毫米波雷达的心率分析方法及设备
CN117152125B (zh) 基于超声影像的心脏异常分析方法及装置
KR102641346B1 (ko) 혈관 검출 방법 및 이를 수행하는 컴퓨터 프로그램
EP3672493B1 (en) A fetal movement detection method from doppler ultrasound signal

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co.,Ltd.

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant