CN110946578A - 自动选择成像参数的方法、相应的成像方法和成像设备 - Google Patents

自动选择成像参数的方法、相应的成像方法和成像设备 Download PDF

Info

Publication number
CN110946578A
CN110946578A CN201910916605.8A CN201910916605A CN110946578A CN 110946578 A CN110946578 A CN 110946578A CN 201910916605 A CN201910916605 A CN 201910916605A CN 110946578 A CN110946578 A CN 110946578A
Authority
CN
China
Prior art keywords
imaging
image data
list
selection
parameters
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
CN201910916605.8A
Other languages
English (en)
Other versions
CN110946578B (zh
Inventor
马丁·哈梅斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthcare GmbH
Original Assignee
Siemens Healthcare GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Healthcare GmbH filed Critical Siemens Healthcare GmbH
Publication of CN110946578A publication Critical patent/CN110946578A/zh
Application granted granted Critical
Publication of CN110946578B publication Critical patent/CN110946578B/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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
    • G—PHYSICS
    • 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
    • A61B5/0033—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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
    • 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
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)

Abstract

本发明涉及一种用于选择用于成像方法的成像参数的自动方法，相应的成像方法和包括检测算法(Detection Algorithm)和选择算法(Selection Algorithm)的相应的成像设备。这实现创建至少一个用于可能的临床指征的适格值的列表。所述列表基于图像数据。列表的创建借助于检测算法进行。此外，选择至少一个成像参数。至少一个成像参数适合于产生图像数据，所述图像数据能够实现在列表中的适格值的最大变化。至少一个成像参数的选择借助于选择算法进行。

Description

自动选择成像参数的方法、相应的成像方法和成像设备
技术领域
本发明涉及一种用于选择用于成像方法的成像参数的自动方法，尤其用于选择磁共振成像(MRT)序列；一种相应的成像方法，尤其MRT成像方法；和一种相应的成像设备，尤其MRT设备，所述成像设备包括检测算法(Detection Algorithm)和选择算法(SelectionAlgorithm)。
背景技术
在尤其借助MRT设备或磁共振(MR)扫描仪、但是也借助计算机断层扫描(CT)设备或类似成像设备创建患者的医学图像数据时，通常记录具有不同的成像参数、如序列或对比度以及不同的取向、层厚度等的多个图像数据。在此，针对不同的临床问题典型地使用不同的成像参数。成像设备(例如MRT设备)典型地可以配置为，使得将由不同的成像参数构成的组合作为报告存储。所述报告于是可以考虑用于，扫描具有特定的临床问题的患者，以便获得用于诊断的尽可能最优的图像数据。在患者具有清楚的转诊或临床问题、例如“多发性硬化症的随访”时，通常选择“多发性硬化症报告”进而产生用于诊断临床问题的最优的图像数据。
然而，在日常生活中常常出现如下问题，在诊断不清楚的情况下患者转诊或者来到放射科。通常，临床问题也是不清楚的(例如“不明的头疼”)。在这些情况下，通常考虑标准报告并且根据具有特定的成像参数(例如序列/对比度)的记录，医学专业人员(放射科技师，MTRA)检查相应的图像数据或图像(部分地借助放射科医生的辅助)。那么如果怀疑特定的临床指征，那么在继续成像之前调整标准报告，借此在成像结束时放射科医生可获得如下图像，放射科医生对于怀疑情况的尽可能最优的诊断需要所述图像。也就是说，设定特殊的成像参数(例如对比度或特殊的取向、层厚度等)并且以相应调整的报告来继续成像。
然而所述方式有时具有重大缺点。一方面图像的诊断能够是耗时的，尤其当必须首先呼叫放射科医生时如此。所述时间耗费会造成在进程中的延迟。这对于患者是不舒适的(例如在狭窄的MR扫描仪中的等候时间)并且在时间关键的诊断(例如中风)时可能甚至会造成患者的严重损伤。另一方面，放射科技师必须经过良好培训，以便能够基于具有标准报告的图像选择合适的成像参数。如果放射科技师未经良好培训，那么由此可能执行完标准报告并且事后在诊断时才由放射科医生发现，需要附加的图像或具有调整的成像参数的图像数据。在此情况下，必须重新约见患者，这造成附加的时间耗费和成本。另外，并不总是有放射科医生可以立即直接观察图像(尤其在放射科技师未经良好培训的情况下)。这种“现场”观察图像也与放射科医生的极大的能力相关联。如果记录不必要的图像数据并且随后必须再添加具有相应调整的成像参数的、需要用于真正的诊断的更多图像数据，那么附加地使用宝贵的时间。此外，放射科医生也必须诊断“不必要的”图像，由此还使用更多的能力。
现今，所述问题通过使用合格人员(放射科技师+放射科医生)或通过如下方式来解决：将用于所有可能的临床问题的成像参数(例如对比度和序列)记录到标准报告中。后一方式然而造成，检查时长是非常长的，这可能对于患者是非常不舒适的，是不经济的且在最严重的情况下甚至会造成患者的损伤(例如在中风情况下由于时间损失)。
发明内容
因此，本发明具有如下目的，提供一种方法，借助所述方法尽可能节约时间地确定用于创建图像数据或用于诊断的图像的尽可能最优的成像参数。
为了实现所述目的，本发明提出一种用于自动选择成像参数的方法以及相应的成像方法和成像设备。本发明的有利的设计方案和改进方案是下面描述的主题。设计方案的和改进方案的各个特征和特征组合能够任意地以在技术方面有意义的方式彼此组合，除非这在下文中明确地排除。这样形成的其他实施方式和改进方案对于本领域技术人员而言显然同样包含在本发明中进而属于本发明的保护范围。
根据本发明的第一方面，用于自动选择成像参数的方法包括如下迭代的(连续的)步骤：
a)例如通过选择模块，接收图像数据，所述图像数据可以来自成像模块。
b)创建至少一个用于可能的临床指征的适格值的列表。所述列表至少基于来自上一步骤的图像数据。借助于检测算法(Detection Algorithm，DA)，例如通过选择模块进行列表的创建。
c)选择至少一个成像参数。至少一个成像参数适合于产生图像数据，所述图像数据能够实现在列表中的适格值的最大变化。借助于选择算法(Selection Algorithm，SA)，例如通过选择模块进行至少一个成像参数的选择。
d)例如通过选择模块，发送所选择的成像参数，例如发送给成像模块。重复步骤a)至d)，直至预先限定的终判准则得到满足。
根据本发明的第二方面，成像方法包含如之前所描述的用于自动选择成像参数的方法。所述成像方法包括如下迭代的(连续的)步骤：
A)例如通过成像模块，加载至少一个初始成像参数。
B)例如借助成像设备，例如通过成像模块，基于所加载的成像参数进行成像并且生成图像数据。
C)例如通过成像模块，发送所生成的图像数据，例如发送给选择模块。
a)例如通过选择模块，接收可以来自成像模块的图像数据。
b)创建至少一个用于可能的临床指征的适格值的列表。所述列表至少基于来自上一步骤的图像数据。借助于检测算法(Detection Algorithm，
DA)，例如通过选择模块进行列表的创建。
c)选择至少一个成像参数。至少一个成像参数适合于产生图像数据，所述图像数据能够实现列表中的适格值的最大变化。借助于选择算法(Selection Algorithm，SA)，例如通过选择模块进行至少一个成像参数的选择。
d)例如通过选择模块，发送所选择的成像参数，例如发送给成像模块。
D)例如通过成像模块，接收所选择的成像参数，所述成像参数可以来自选择模块。
E)例如通过成像模块，加载接收到的成像参数。
重复步骤B)至C)，a)至d)和D)至E)，直至预先限定的终判准则得到满足。
根据本发明的第三方面，成像设备包括具有成像模块和选择模块的控制装置。所述控制装置设立用于，执行之前所描述的成像方法。成像模块设立用于实施步骤A)至C)和D)至E)。选择模块设立用于实施步骤a)至d)。
本发明的核心是，分析由检测算法(DA)和选择算法(SA)记录的图像数据的组合，并且图像分析的结果对成像方法或成像设备(MR扫描仪)的随后的表现具有直接影响，其方式为：基于图像分析的所述结果自动地选择成像参数(例如对比度或序列)。
如果开始新的成像，尤其对于具有不清楚的诊断或不清楚的临床问题的患者，首先由成像模块加载至少一个初始成像参数。所述至少一个初始成像参数可以限定标准报告或初始报告或者包含在其中。标准报告可以用于，例如生成有问题的身体部位或甚至整个患者的概览记录(螺旋CT记录)。借助至少一个所加载的初始成像参数，产生(初始)图像数据，所述(初始)图像数据用作为用于随后选择成像参数的基础。所生成的(初始)图像数据对此从成像模块传送给选择模块。
在选择模块接收(初始)图像数据之后，基于图像数据由检测算法(DA)创建具有可能的临床指征或诊断的列表。列表基于至少一个用于临床指征的适格值(例如其概率和/或所述概率的置信度/有效度)。在此，检测算法(DA)执行图像数据的图像分析。选择算法可以是基于人工智能(KI)的并且例如包括神经网络(NN)或深度NN(Deep NN，DNN)或包括“Convolutional NN”(CNN)或者替选地包括“支持向量机”(SVM)或“随机森林分类器”(RFC)。基于NN的检测算法首先可以借助训练数据来训练，以检测图像数据中的临床指征/诊断或仅特定的临床指征/诊断。为此可以使用包含如下技术配置参数的各个成像参数(例如序列/对比度)的训练图像数据组，所述技术配置参数例如能够以元数据、如DICOM标头存储。基于关于是否可检测图像数据中的特定的临床指征(例如作为布尔变量：1＝存在临床指征，0＝不存在临床指征)的信息(“地表实况(Ground Truth)”)，借助所述训练图像数据组来训练NN。例如关于哪些图像属于相同患者的其他信息也可以影响NN的训练。一般而言，为NN的训练和测试或最终验证可以使用不同的策略。经训练的NN可以用作为检测算法(DA)。NN可以应用于图像数据(例如以DICOM格式)并且针对每个如下临床指征/诊断输出至少一个相应的适格值，NN已针对该临床指征/诊断训练。
基于具有用于各个临床指征/诊断的适格值的列表，随后运行选择算法(SA)。选择算法的目的是，为下一成像或扫描序列选择至少一个成像参数。至少一个成像参数在此选择为或规定为，使得列表中的至少一个用于相应的临床指征的适格值在随后记录的图像数据中最大地变化。所述最大的变化例如意味着，用于临床指征或诊断(例如中风)的概率变化，使得可以(可靠地)排除临床指征/诊断(例如临床指征/诊断的概率≤5％(百分比))或者(可靠地)确认临床指征/诊断(例如P指征≥95％)。
一旦终判准则得到满足，那么不再接收图像数据并且通过检测算法分析或创建列表。也不选择其他成像参数和发送给成像模块。终判准则(Tlow，Thigh)例如可以是临床指征/诊断的下限值和/或上限值(例如0.05≥||0.95≤P指征)。
通过选择算法选择的至少一个成像参数由选择模块传输给成像模块。在至少一个成像参数由成像模块接收之后，所述成像参数由成像模块加载用于新的成像。随后，以相应的至少一个成像参数执行新的成像并且将获得的图像数据再次输送给选择模块。
一旦已经描述的终判准则得到满足，那么也不进行另外的成像。最后创建的图像数据可以在终判准则得到满足之后发送给用户(放射科技师和/或医生或放射科医生)。可选地，也可以将最后的更新的列表和/或之前的图像数据一起发送。用户于是可以根据最后的创建的图像数据和可选地也根据列表和/或之前的图像数据作出对患者的诊断。
可选地，在选择至少一个成像参数时也可以考虑进行转诊的医生的信息(例如应澄清的临床问题(怀疑特定的临床指征/诊断))。
对于用户的成本由于减少不必要的“重新扫描”的数量或避免不必要的“重新扫描”和由于较少的人员耗费而降低。患者也从所述技术解决方案中获益，因为其具有较短的“扫描时间”，因为更快地确定，存在哪种(可能的)诊断，并且因为所述患者获得更好的或更完整的诊断。此外，也可以在不具有转诊医生的信息或具有转诊医生的不完整的信息时进行图像数据的快速生成，所述快速生成能够实现患者的(之前未知的)最可能的临床指征或诊断的澄清(确认或排除)，因为从检测算法(DA)和选择算法(SA)中的动态报告仅还可选地需要转诊医生的信息。
根据本发明的一个设计方案，在步骤c)中根据数据表和/或根据模型通过选择算法(SA)来选择至少一个成像参数。
选择算法的目的是，通过为成像方法或成像设备(例如MR扫描仪)选择至少一个尽可能最优的成像参数(例如序列或对比度)最优地设计下一成像。选择的基础在此是之前的检测算法(DA)的结果(尤其是存在一个/多个特定的临床指征/诊断的概率和/或所述(多个)概率的(多个)置信度)。
至少一个成像参数的选择可以基于数据表“基于记忆地”进行，其中关于成像参数(＝选择选项，例如序列和其他设定)的信息及其特性存在于数据表中。表可以为各成像参数例如包含三个区域：
1.成像参数(例如扫描序列和序列设定(例如FLAIR、“Slice Thickness
(层厚)”等))。
2.成像特性(例如时长、“屏气【是/否】”等)
3.用于临床指征的信息内容(例如以布尔变量的方式【是＝具有信息值；
否＝不具有信息值】或以连续的方式【0％＝不具有信息值直至100％＝可以仅基于所述成像参数或所述报告检测疾病】。
对所述数据表可以将不同算法用于选择。例如首先可以进行数据表中的成像参数的搜遍并且进行选项(成像参数和成像特性)的选择，相应的搜索标准适用于所述选项。随后，可以将所选择的至少一个成像参数传递给成像方法或成像设备用于配置，使得现在基于所选择的选项可以开始新的成像。
至少一个成像参数的选择也可以基于模型“model-based”进行。关于更喜欢的至少一个成像参数的信息作为权重存储在数学模型(例如NN)之内。可以基于用户表现和/或使用频率进行NN的训练：
1.借助临床指征和对此典型的成像参数(用于诊断或报告的序列和序列设定)作为训练数据组来训练NN。
2.将经训练的NN用于选择随后的至少一个成像参数(例如扫描序列)：
a.选择成像参数(扫描序列)，所述成像参数由大多数用户用于诊断专门的临床指征/诊断(例如max(临床指征的频率：肿瘤))
b.选择成像参数(例如扫描序列)，所述成像参数由大多数用户平均地用于诊断所有临床指征/诊断(例如max(平均【所有临床指征的频率】))
数据表和模型也可以彼此组合。
此外存在在检测算法(DA)和选择算法(SA)之间添加反馈回路(“feedback loop”)的可能性，使得在选择下一成像和通过检测算法(DA)确定新的列表之后将这些信息反馈给选择算法(SA)，从而可以使用这些信息，以便例如改进数据表中的信息或者调整在选择算法(SA)的NN中的模型或权重。
根据数据表通过选择算法(SA)来选择成像参数尤其可以简单地实现进而是低成本的。如果替代于此或附加地根据模型(例如NN)选择成像参数，那么在大量彼此非常相似的选择可能性的情况下也提供可靠的选择机构。
根据本发明的一个设计方案，如果列表中的至少一个临床指征的适格值满足预设的极限准则(例如用于置信度的阈值(阈值置信度))或遍历全部可能的成像参数，那么终判准则得到满足。
尤其当一个或多个临床指征/诊断以大概率存在时，可以终止成像参数的继续选择和新的成像。附加地或替选地也可以的是，当一个或多个临床指征/诊断能够以大概率排除时，终止继续选择成像参数和新的成像。当列表中的至少一个临床指征/诊断的至少一个适格值(例如临床指征/诊断的概率P指征和/或其置信度C指征)满足终判准则Tlow≤10％，优选Tlow≤5％，尤其优选Tlow≤2％，最优选Tlow≤1％和/或Thigh≥90％，优选Thigh≥95％，特别优选Thigh≥98％，最优选Thigh≥99％，可以终止用于选择的方法或成像方法。可以为不同的适格值预设不同的终判准则(T指征、T置信度)。
(P指征≤Tlow 指征∨P指征≥Thigh 指征)∨(C指征≥T置信度)
替选地，当所有可能的针对列表中的临床指征可以考虑的成像参数遍历时，可以终止用于自动选择的方法或成像方法。
根据必须澄清哪个临床指征或诊断，可以预先设定限制性的或较少限制性的终判准则。这贡献于自动选择成像参数的迭代的数量的最优化。由此，可以减少用于自动选择的方法或用于成像方法所需要的时间。用户(例如放射科医生或放射科技师)由此具有经由终判准则(例如阈值置信度)控制成像设备或成像方法的性能的可能性。
根据本发明的一个设计方案，在步骤c)中在列表中的适格值的最大变化基于在列表中的单个临床指征的适格值中的一个的最大变化或者基于在列表中的多个临床指征的适格值的累积最大变化。
只要应当澄清(以高的可靠性确认或排除)特定的临床指征或诊断，那么可以通过选择算法(SA)选择至少一个成像参数，使得仅用于要澄清的临床指征/诊断的至少一个适格值最大地变化，以至于在借助相应地选择的至少一个成像参数重新成像之后，根据新的图像数据可以尽可能好地确认或排除要澄清的临床指征/诊断。替选地也可以尽可能大程度地改变用于列表中的多个或尽可能多的临床指征/诊断的至少一个适格值。为此，在至少一个适格值中的变化相加为累积变化(以绝对值的方式)并且随后与之相应地确定累积最大变化。
例如根据下述标准可以通过选择算法(SA)进行选择：
a.聚焦于至少一个适格值(例如概率或置信度)的大幅改进：
选择至少一个成像参数(例如序列或对比度)，所述成像参数对于在列表中的尽可能多的临床指征/诊断保证至少一个适格值的最大改进(累积最大变化)。
“选择至少一个成像参数，所述成像参数对于所有可能的临床指征具有最多的信息内容(也就是说例如最大程度地改进概率和/或概率的置信度)”
→Max(∑(用于所有可能的临床指征的信息内容))
b.聚焦于至少一个适格值的特殊改进(单个最大变化)：
选择至少一个成像参数，所述成像参数对于特定的临床指征/诊断保证至少一个适格值的最大改进(例如因为通过特定的序列可以可靠地排除特定的诊断)。
“选择至少一个成像参数，所述成像参数对于特殊的临床指征具有最多的信息内容(也就是说例如最大程度地改进概率和/或概率的置信度)”
→Max(临床指征的信息内容)
b.1.标准b.的一个变型形式是，例如仅针对当前具有最高概率或最低概率的临床指征，应当最大地改进置信度，并且根据所述标准选择下一成像参数(例如序列)。
b.2.相反可能的是，应当可靠地排除最不可能的临床指征，进而选择下一成像参数，使得对于所述临床指征最大地改进置信度。
b.3.在已经怀疑特定的临床指征时，也可以聚焦于特定的临床指征。
在此，可以选择至少一个成像参数，使得尽可能快地达到针对所选择的指征的高的置信度。当例如检查紧急情况、如怀疑中风的患者时，这种方式是有帮助的。
c.组合搜索：例如在尽可能短的时间内的最高的信息内容(标准a.)。
d.“子样本搜索”：聚焦于避免特定的成像参数(序列)。所述方式可以与至今为止的标准a.至c.组合。可以进行成像参数的选择，使得避免特定的成像参数(例如具有特定的成像特性(例如时长、“屏气”、造影剂等))并且尽管如此实现至少一个适格值(例如概率或置信度)的尽可能最大的变化。当例如应当尽可能弃用造影剂、“屏气”或嘈杂的序列(例如漫射)时，这种方式是帮助的。选择算法(SA)可以借助所述标准辅助选择序列，使得例如实现足够的置信度，而序列不会对患者造成负担。
“仅在具有特定的成像特性(例如不需屏气)的成像参数之内搜索”
通过为选择算法(SA)选择适当的标准，用户(放射科医生/放射科技师)可以有针对性地沿特定的方向控制成像方法，只要这是期望的或必要的。
根据本发明的一个设计方案，至少一个适格值是临床指征的概率或是临床指征的概率的置信度。
选择算法(SA)基于在列表中的用于临床指征的概率(P指征)和/或置信度(C指征)选择至少一个成像参数(例如序列或对比度)。
因此，例如存在脑肿瘤的基于通过检测算法(DA)对之前的图像数据的分析的概率和该概率的置信度，在通过选择算法(SA)有针对性地选择MRT序列时被考虑或者所述选择可以基于此。
临床指征的概率能够实现有针对性地聚焦于用于重新成像的成像参数的选择，以便仅继续跟踪最可信的临床指征/诊断。所述概率的置信度能够实现，通过选择成像参数控制进一步的成像，使得借助所产生的图像数据由用户(例如放射科医生或放射科技师)进行仅具有高的安全性的诊断。
根据本发明的一个设计方案，在步骤b)中基于来自所有之前的迭代的图像数据来创建列表。
检测算法(DA)在创建可能的临床指征的列表时不仅考虑当前已传输给选择模块的图像数据，而且也考虑来自成像方法的之前的迭代的之前的图像数据。在更早的时间点、例如在之前的肿瘤分期时已创建的图像数据也可以由检测算法(DA)考虑。
尤其包括NN的检测算法可以借助相同患者的附加的图像数据作出更准确的结论(例如可能的临床指征的概率的更高的置信度)进而创建更可靠的列表。
根据本发明的一个设计方案，至少一个成像参数是磁共振成像(MRT)序列。
根据本发明的一个设计方案，成像方法是MRT方法。
根据本发明的一个设计方案，成像设备是MRT设备。
尤其在MRT设备中或在MRT方法中可以通过包括大量不同的对比度、层厚度(“Slice-Thickness”)、脉冲样式等的大量不同的MRT序列，创建大量不同的图像数据，所述图像数据分别特别适合于其他临床指征或诊断。由此，通过自动选择MRT序列，可以在MRT设备/方法中实现尤其高的时间节约和特别大地提升由用户作出诊断的可靠性。
根据本发明的一个设计方案，初始成像参数已根据初始问题(例如转诊医生的信息)选择。
在已知初始问题、例如“怀疑中风”时或在计划的肿瘤分期时，将这些信息用于选择至少一个初始成像参数(例如序列或对比度)，使得得出的(初始)图像数据已经可能对于临床问题/诊断的诊断是尽可能好的，该临床问题/诊断基于初始问题。
通过考虑初始问题，成像的时长和质量可以进一步提高。
根据本发明的一个设计方案，当预先限定的终判准则得到满足时，至少发送最后生成的图像数据或最后创建的列表。
附图说明
下面根据附图详细阐述本发明以及技术领域。要指出的是，本发明不应限制于示出的实施例。尤其地，除非另有明确说明，也可行的是，提取在附图中所阐述的事实和特征的部分方面，并将其与本说明书和/或附图中的其他组成部分和知识组合。尤其应当注意，附图和尤其是示出的大小关系仅是示意性的。相同的附图标记表示相同的对象，以至于在需要时可以补充地使用其他附图中的阐述内容。
图1示意地示出用于自动选择成像参数的方法的流程图。
图2示意地示出包括图1中的用于自动选择成像参数的方法的成像方法的流程图。
图3示意地示出包括控制装置的成像设备，所述成像设备设立用于执行图2中的成像方法。
具体实施方式
在图1中示意地示出根据本发明的用于自动选择成像参数的流程图。在第一步骤a)中进行图像数据BD的接收1。图像数据可以由图像处理设备、例如磁共振成像(MRT)设备、计算机断层扫描(CT)设备、超声波设备等创建。图像数据BD在此可以来自图像处理设备的成像模块并且例如通过图像处理设备的选择模块接收。基于所述接收到的图像数据BD，在第二步骤b)中进行用于可能的临床指征的至少一个适格值的列表RL的创建2。创建2可以附加地也基于来自之前的迭代的图像数据BD或也基于来自其他成像的图像数据。列表RL的创建2借助于检测算法(Detection Algorithm)DA进行。检测算法例如可以通过选择模块运行。在列表RL已创建之后，在第三步骤c)中进行至少一个成像参数BP的选择3。至少一个成像参数BP适合于，在随后的(重新)成像(例如MRT扫描)中产生图像数据BD，所述图像数据能够实现在列表RL中的适格值的最大变化。至少一个成像参数BP的选择3借助于选择算法(Selection Algorithm)SA进行。选择算法例如可以通过选择模块运行。所选择的至少一个成像参数BP随后在第四步骤d)中通过发送4所选择的成像参数BP例如从选择模块传输给成像模块。第一至第四步骤迭代地重复，直至终判准则得到满足。
通过动态的诊断排除报告进行成像参数的自动选择，所述动态的诊断排除报告主要包括检测算法DA和选择算法SA。
检测算法DA给出存在特定的临床指征/疾病的概率P指征。同时经由确定概率的置信度C指征作出关于所述确定的概率P指征“有多可靠”的结论。所述评估的基础在此是刚刚接收到的或所有至今为止接收到的图像数据BD。也就是说，进行图像分析，其中例如在第1次迭代中仅存在1个对比度，在第2次迭代中存在2个对比度，在第3次迭代中存在3个对比度等，所述对比度通过检测算法DA分析以创建列表。在此，借助于不同方法通过检测算法进行图像分析。为此可以使用神经网络(Neural Networks，NN)2.1，尤其深度神经网络(Deep NN(DNN))和子类别(例如卷积神经网络(Convolutional NN(CNN))。可行的还有“支持向量机(Support Vector Machines)”(SVM)和“随机森林分类器(Random Forest Classifiers)”(RFC)。示例性地，在此针对NN2.1描述用于训练和用于随后在MRT设备(MR扫描仪)中的使用的方式：
1.NN的训练和测试(监督式学习(supervised learning))：
训练数据：
-各个序列/对比度的图像数据组，包含技术配置参数(典型地以DICOM标头存储)
-“地面实况(Ground Truth)”：关于在图像中是否可检测特定的临床指征的信息，作为布尔变量(1＝存在临床指征；0＝不存在临床指征)。在健康的患者的图像数据中例如对于所有临床指征的布尔变量＝0。
-可选地，其他训练信息，例如哪些图像数据属于同一患者。
为了训练、测试和为了最终验证可以使用不同的策略。
2.将NN2.1用于生成适格值，例如用于不同的临床指征的概率P指征和所述概率的置信度C指征。
a.以DICOM格式加载至今为止执行的成像、例如MRT扫描的图像数据。
b.应用经训练的NN2.1，其确定可能的临床指征(例如脑肿瘤)的概率P指征和置信度C指征。
c.输出：
-存在特定的临床指征/诊断的概率P指征。
-该概率的置信度(有效度)C指征。
基于检测算法DA构建的选择算法SA具有如下目的，为MRT设备选择随后的至少一个成像参数，在此为随后的扫描序列(包含相应的序列设定)。决定或选择的基础在此是检测算法DA的结果、即列表RL(尤其是存在特定的临床指征的概率P指征和/或该概率的置信度C指征)。存在选择随后的扫描序列的不同的可能性：
一方面“基于记忆”，其中成像参数的信息(扫描序列和扫描设定)和成像参数的特性在数据表3.1中存在。数据表3.1对于各成像参数包含三个区域：
1.扫描序列+序列设定(例如FLAIR、“层厚(Slice Thickness)”2mm等)。
2.成像特性(例如时长、“屏气【是/否】”等)
3.用于临床指征的信息内容(例如以布尔变量的形式(是＝具有信息值；
否＝不具有信息值)或以连续的方式(0％＝不具有信息值直至100％＝可以仅基于所述成像序列检测疾病))。
对所述数据表3.1可以将不同的算法用于选择。例如提出：
1.搜遍数据表的成像参数并且选择相应的搜索标准所适用的成像参数(扫描序列和序列设定)，例如：
a.聚焦于至少一个适格值(例如概率或置信度)的大幅改进：
选择至少一个成像参数(例如序列或对比度)，所述成像参数对于列表中的尽可能大量的临床指征/诊断保证至少一个适格值的最大改进(累积最大变化)。
“选择至少一个成像参数，所述成像参数对于所有可能的临床指征具有最多的信息内容(也就是说例如最大程度地改进概率和/或概率的置信度)”
→Max(∑(用于所有可能的临床指征的信息内容))
b.聚焦于至少一个适格值的特殊改进(单个最大变化)：
选择至少一个成像参数，所述成像参数对于特定的临床指征/诊断保证至少一个适格值的最大改进(例如因为通过特定的序列可以可靠地排除特定的诊断)。
“选择至少一个成像参数，所述成像参数对于特殊的临床指征具有最多的信息内容(也就是说例如最大程度地改进概率和/或概率的置信度)”
→Max(临床指征的信息内容)
b.1.标准b.的一个变型形式是，例如仅针对当前具有最高概率或最低概率的临床指征，应当最大地改进置信度，并且根据所述标准选择下一成像参数(例如序列)。
b.2.相反可能的是，应当可靠地排除最不可能的临床指征，进而选择下一成像参数，使得对于所述临床指征最大地改进置信度。
b.3.在已经怀疑特定的临床指征时，也可以聚焦于特定的临床指征。
在此，可以选择至少一个成像参数，使得尽可能快地达到针对所选择的指征的高的置信度。当例如检查紧急情况、如怀疑中风的患者时，这种方式是有帮助的。
c.组合搜索：例如在尽可能短的时间内的最高的信息内容(标准a.)。
d.“子样本搜索”：聚焦于避免特定的成像参数(序列)。所述方式可以与至今为止的标准a.至c.组合。可以进行成像参数的选择，使得避免特定的成像参数(例如具有特定的成像特性(例如时长、“屏气”、造影剂等))并且尽管如此实现至少一个适格值(例如概率或置信度)的尽可能最大的变化。当例如应当尽可能弃用造影剂、“屏气”或嘈杂的序列(例如漫射)时，这种方式是帮助的。选择算法(SA)可以借助所述标准辅助选择序列，使得例如实现足够的置信度，而序列不会对患者造成负担。
“仅在具有特定的成像特性(例如不需屏气)的成像参数之内搜索”
2.将所选择的成像参数传输给MR扫描仪以进行配置，使得现在用户基于所选择的MRT序列可以开始MRT扫描。
另一方面，成像参数(扫描序列)的选择也可以附加地或替选地“基于模型(model-based)”进行。关于更喜欢的至少一个成像参数(扫描序列)的信息作为权重存储在数学模型(例如NN)3.2之内。例如可以基于用户表现和/或使用频率进行这种NN的训练：
1.网络的训练(包含测试&验证)：
用于训练的输入数据：
临床指征和典型的成像参数(序列&序列设定)用于诊断(报告)。
2.将经训练的NN用于选择下一成像参数(扫描序列)。可以使用与上文中针对“基于记忆的”选择算法SA用数据表描述的类似的决定标准：
a.选择扫描序列，所述扫描序列已由大多数用户用于诊断特殊的临床问题：
max(临床指征的频率)
b.选择扫描序列，所述扫描序列已由大多数用户平均地用于诊断所有临床问题：
max(平均(所有临床指征的频率))
c.和d.类似于在上文中已描述的决定标准。
存在在检测算法DA和选择算法SA之间添加反馈回路(“Feedback loop”)5的可能性。在此，在选择下一扫描序列并且通过检测算法DA计算新的列表RL之后将这些信息反馈给选择算法SA。反馈的信息由此用于，例如改进在数据表3.1中的信息或调整模型(NN)3.2中的权重。
一旦终判准则得到满足，从第一至第四步骤的迭代终止。终判准则例如给出最小概率(Thigh 指征)，临床指征必须以该最小概率存在，以便确认所述临床指征。相反也可以预设最高概率作为终判准则(Tlow 指征)，直至该最高概率，临床指征可以确认为不存在。附加地或替选地，最小置信度可以作为终判准则(T置信度)给出，从该最小置信度起，关于临床指征的概率的结论可以视为是可靠的。
下面，在第一表中示例性地列举基于患者头部的图像数据BD的检测算法DA的列表RL的可能的输出。
临床指征 概率 置信度
肿瘤 5％ 3％
多发性硬化症 2％ 5％
阿尔茨海默氏症 1％ 2％
中风 1％ 6％
在下面的第二表中示例性地给出在继续迭代之后在列表RL中的适格值。在这种情况下，在此已经由选择算法SA示例性地选择MRT序列，借助于所述MRT序列可以可靠地(高置信度地)排除临床指征“中风”(低概率)。这可以通过之前所描述的标准b.1来实现。
临床指征 概率 置信度
肿瘤 5％ 3％
多发性硬化症 1％ 40％
阿尔茨海默氏症 1％ 60％
中风 0.1％ 98％
在下面给出的第三表中，第二表中的列表RL已在后续的迭代中基于来自具有下述成像参数(MRT序列)的成像的图像数据更新，所述成像参数也尽可能实现以尽可能高的可靠性确定所有其他临床指征。这通过之前所描述的标准a.实现。
临床指征 概率 置信度
肿瘤 10％ 75％
多发性硬化症 1％ 80％
阿尔茨海默氏症 1％ 60％
中风 0.1％ 99％
在图2中示意地示出包含图1中的用于自动选择成像参数的方法的成像方法的流程图。下面仅描述成像方法的附加步骤。在第一成像步骤A)中，例如通过成像模块进行至少一个初始成像参数pBP的加载11。随后，在第二成像步骤中，基于加载的成像参数pBP/BP进行成像12，并生成图像数据BD(例如，借助如MR扫描仪的成像设备通过其成像模块)。随后，在第三成像步骤中，进行所生成的图像数据BD的发送13(例如，通过其成像模块发送给MR扫描仪的选择模块)。紧接着是如上所述的用于自动选择成像参数BP的方法的四个步骤。在已经自动选择至少一个成像参数BP之后，在第四成像步骤中，接收14所选择的、可以来自MR扫描仪的选择模块的成像参数BP通过其成像模块进行。最后，在第五成像步骤中，例如通过MR扫描仪的成像模块对所接收的成像参数BP进行加载15。
用于自动选择成像参数的方法的第二至第三成像步骤、第一至第四步骤和第四至第五成像步骤迭代地进行，直至之前所描述的终判准则得到满足。
在图3中示意地示出包括控制装置的成像设备，所述控制装置设立用于执行图2中的成像方法。成像设备100，在此为MRT设备(MR扫描仪)包括具有成像模块102和选择模块103的控制装置101。成像模块设计和设立为，使得能够实施第一至第五成像步骤。选择模块设计和设立为，使得可以实施用于自动选择成像参数的方法的第一至第四步骤。成像模块102将在此产生的图像数据BD发送给选择模块103，并且选择模块103将选择的成像参数BP以及可选地将确定的列表RL发送给成像模块102。在此控制装置101可以由一个或多个数据处理装置，例如微控制器(μC)、集成电路、专用集成电路(Application-SpecificIntegrated Circuit，ASIC)、专用标准产品(Application-Specific Standard Products，ASSP)、数字信号处理器(DSP)、现场可编程(逻辑)门阵列(Field Programmable GateArrays，FPGA)等构成。成像模块102和选择模块可以在控制设备101的一个或多个数据处理装置上实现或者可以分别包括与控制单元101通信连接的自身的数据处理装置。
尽管在此已图解说明和描述特定的实施例，但是对于本领域技术人员而言显而易见的是，存在多种替选方案和/或等效实施方案。应当理解的是，示例性的设计方案或实施方式仅是实例并且不认为以任何方式限制范围、可用性或配置。更确切地说，前述概述和详细的描述为本领域技术人员提供用于实施至少一个优选的实施方式的充分指导，其中要理解的是，在示例性的设计方案中所描述的元件的功能和布置的各种变化没有超出所附权利要求及其合法等效描述的应用范围。通常，本申请考虑为，覆盖在此所讨论的特定的实施方式的任何调整或变型。
在前述详细的描述中，已在一个或多个实例中总结不同的特征，以保持公开内容简介。应当理解的是，以上描述应当是解释性的而非限制性的。其应当覆盖可以包含在本发明的范围内的所有替选方案、改变形式和等效方案。在研究以上公开内容的情况下，大量其他实例对于本领域技术人员变得显而易见。
为了能够实现对本发明的全面理解，使用在前面公开中使用的特定术语。然而，根据在其中所包含的说明书的范围中对于本领域技术人员显而易见的是，不需要本发明的应用的具体细节。因此，本发明的特定的实施方式的前述描述出于说明和描述的目的示出。其不考虑成是穷举的或将本发明限制于上面公开的具体的实施方式；显然，鉴于以上教导，许多修改和变型是可能的。选择和描述实施例，以便最好地解释本发明的原理及其实际应用，从而为其他本领域技术人员提供最好地应用本发明以及具有不同的修改且适合于相应的应用的不同的实施方式。在整个说明书中，术语“包含”和“其中”分别用作为相应的术语“包括”和“在其中”的等价形式。另外，术语“第一”、“第二”、“第三”等仅用作为名称并且不考虑用于向对象提出数值要求或预设特定的顺序。结合本说明书和权利要求，连接词“或”应理解为包括(“和/或”)而不是排他的(“或者……或者”)。

Claims (14)

1.一种用于自动选择成像参数(BP)的方法，所述方法包括迭代步骤：
a)接收(1)图像数据(BD)；
b)至少基于来自上一步骤的所述图像数据(BD)借助于检测算法(DA)创建(2)用于可能的临床指征的至少一个适格值的列表(RL)；
c)借助于选择算法(SA)选择(3)至少一个成像参数(BP)，所述成像参数适合于产生图像数据(BD)，所述图像数据能够实现在所述列表(RL)中的所述适格值的最大变化；以及
d)发送(4)所选择的所述成像参数(BP)；
其中重复步骤a)至d)，直至预先限定的终判准则得到满足。
2.根据权利要求1所述的方法，
其中在步骤c)中，通过所述选择算法(SA)根据数据表(3.1)或根据模型(3.2)进行所述至少一个成像参数(BP)的选择(3)。
3.根据权利要求1或2所述的方法，
其中当在所述列表(RL)中的所述临床指征中的至少一个临床指征的适格值满足预设的极限值准则或者遍历所有可能的成像参数(BP)时，所述终判准则得到满足。
4.根据上述权利要求中任一项所述的方法，
其中在步骤c)中，在所述列表(RL)中的所述适格值的最大变化基于在所述列表(RL)中的单个临床指征的适格值的最大变化，或者基于在所述列表(RL)中的多个临床指征的适格值的累积最大变化。
5.根据上述权利要求中任一项所述的方法，
其中所述至少一个适格值是所述临床指征的概率或是所述临床指征的概率的置信度。
6.根据上述权利要求中任一项所述的方法，
其中在步骤b)中，基于出自所有前面的迭代中的图像数据(BD)创建(2)所述列表(RL)。
7.根据上述权利要求中任一项所述的方法，
其中所述至少一个成像参数(BP)是磁共振成像序列、MRT序列。
8.一种成像方法，所述成像方法包含根据权利要求1所述的用于自动选择成像参数(BP)的方法，所述成像方法包括如下步骤：
A)加载(11)至少一个初始成像参数(pBP)；
B)基于所加载的成像参数(pBP，BP)进行成像(12)并且生成图像数据(BD)；
C)发送(13)所生成的图像数据(BD)；
a)接收(1)所述图像数据(BD)；
b)至少基于来自上一步骤的所述图像数据(BD)借助于检测算法(DA)创建(2)用于可能的临床指征的至少一个适格值的列表(RL)；
c)借助于选择算法(SA)选择(3)至少一个成像参数(BP)，所述成像参数适合于产生图像数据(BD)，所述图像数据能够实现在所述列表(RL)中的适格值的最大变化；以及
d)发送(4)所选择的成像参数(BP)；
D)接收(14)所选择的成像参数(BP)；
E)加载(15)所接收的成像参数(BP)；
其中重复步骤B)至C)，a)至d)和D)至E)，直至预先限定的终判准则得到满足。
9.根据权利要求7所述的成像方法，所述成像方法包含根据权利要求2至6中任一项所述的方法。
10.根据权利要求7或8所述的成像方法，
其中根据初始问题来选择所述初始成像参数(pBP)。
11.根据权利要求7至9中任一项所述的成像方法，
其中当所述预先限定的终判准则得到满足时，至少输出最后产生的图像数据(BD)或最后创建的列表(RL)。
12.根据权利要求8至10中任一项所述的成像方法，所述方法包含根据权利要求6所述的方法，其中所述成像方法是MRT方法。
13.一种成像设备(100)，所述成像设备包括具有成像模块(102)和选择模块(103)的控制装置(101)，所述控制装置设立用于执行根据权利要求7至11中任一项所述的成像方法，其中所述成像模块(102)设立用于实施步骤A)至C)和D)至E)，并且其中所述选择模块(103)设立用于实施步骤a)至d)。
14.根据权利要求12所述的成像设备，
其中所述控制装置设立用于，执行根据权利要求11所述的成像方法，并且其中所述成像设备是MRT设备。
CN201910916605.8A 2018-09-26 2019-09-26 自动选择成像参数的方法、相应的成像方法和成像设备 Active CN110946578B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP18196783.7 2018-09-26
EP18196783.7A EP3629335A1 (de) 2018-09-26 2018-09-26 Verfahren zum automatischen auswählen von bildgebungsparametern für bildgebungsverfahren

Publications (2)

Publication Number Publication Date
CN110946578A true CN110946578A (zh) 2020-04-03
CN110946578B CN110946578B (zh) 2023-10-31

Family

ID=63685654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910916605.8A Active CN110946578B (zh) 2018-09-26 2019-09-26 自动选择成像参数的方法、相应的成像方法和成像设备

Country Status (3)

Country Link
US (1) US11099251B2 (zh)
EP (1) EP3629335A1 (zh)
CN (1) CN110946578B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020097902A1 (en) * 1993-09-29 2002-07-25 Roehrig Jimmy R. Method and system for the display of regions of interest in medical images
CN1877591A (zh) * 2005-06-10 2006-12-13 西门子公司 对磁共振图像的测量数据采集和图像再现的改善
CN101283262A (zh) * 2005-10-06 2008-10-08 皇家飞利浦电子股份有限公司 用于csct的采集参数优化
US20090118614A1 (en) * 2006-12-27 2009-05-07 Fujifilm Corporation Medical imaging system and method
CN102113897A (zh) * 2009-12-31 2011-07-06 深圳迈瑞生物医疗电子股份有限公司 一种在图像中提取及测量感兴趣目标的方法及其装置
CN102654568A (zh) * 2011-03-01 2012-09-05 西门子公司 用来确定对于磁共振成像的激励参数的方法和装置
CN103356224A (zh) * 2012-04-05 2013-10-23 西门子公司 用于成像诊断设备的运行的方法以及医学成像系统
CN103705239A (zh) * 2013-12-05 2014-04-09 深圳先进技术研究院 磁共振参数成像方法和系统
US20150081262A1 (en) * 2013-09-18 2015-03-19 Imagerecon, Llc Method and system for statistical modeling of data using a quadratic likelihood functional
WO2015085889A1 (zh) * 2013-12-10 2015-06-18 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
CN105389320A (zh) * 2014-08-21 2016-03-09 富士胶片株式会社 相似图像检索装置、以及相似图像检索装置的工作方法
CN106510744A (zh) * 2016-04-27 2017-03-22 上海联影医疗科技有限公司 Pet扫描中多示踪剂动态参数的估计方法
CN106691486A (zh) * 2016-12-30 2017-05-24 上海联影医疗科技有限公司 医学成像系统及方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69321653T2 (de) * 1992-05-27 1999-05-20 Koninkl Philips Electronics Nv Verfahren und Gerät zur Bilderzeugung mittels magnetischer Resonanz
US6986019B1 (en) * 2003-04-21 2006-01-10 Maxtor Corporation Method and apparatus for detection and management of data streams
US7092749B2 (en) * 2003-06-11 2006-08-15 Siemens Medical Solutions Usa, Inc. System and method for adapting the behavior of a diagnostic medical ultrasound system based on anatomic features present in ultrasound images
US20050209882A1 (en) * 2004-03-22 2005-09-22 Jacobsen Jeffry B Clinical data processing system
JP2015510157A (ja) * 2011-12-15 2015-04-02 コーニンクレッカ フィリップス エヌ ヴェ 受領者に対して最適化された医用撮像再構成
US8989465B2 (en) * 2012-01-17 2015-03-24 Mayo Foundation For Medical Education And Research System and method for medical image reconstruction and image series denoising using local low rank promotion
US8965094B2 (en) * 2012-04-14 2015-02-24 Nocimed, Llc Magnetic resonance spectroscopy pulse sequence, acquisition, and processing system and method
JP5902558B2 (ja) * 2012-05-25 2016-04-13 富士フイルム株式会社 超音波診断装置及びデータ処理方法
WO2018107371A1 (zh) * 2016-12-13 2018-06-21 上海联影医疗科技有限公司 图像搜索系统及方法
US10478134B2 (en) * 2017-09-26 2019-11-19 General Electric Company Systems and methods for improved diagnostics for nuclear medicine imaging
EP3467770B1 (en) * 2017-10-05 2022-11-23 Siemens Healthcare GmbH Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium
JP7303677B2 (ja) * 2019-07-03 2023-07-05 キヤノンメディカルシステムズ株式会社 医用データ処理装置、医用データ処理方法、医用データ処理プログラム及び磁気共鳴イメージング装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020097902A1 (en) * 1993-09-29 2002-07-25 Roehrig Jimmy R. Method and system for the display of regions of interest in medical images
CN1877591A (zh) * 2005-06-10 2006-12-13 西门子公司 对磁共振图像的测量数据采集和图像再现的改善
CN101283262A (zh) * 2005-10-06 2008-10-08 皇家飞利浦电子股份有限公司 用于csct的采集参数优化
US20090118614A1 (en) * 2006-12-27 2009-05-07 Fujifilm Corporation Medical imaging system and method
CN102113897A (zh) * 2009-12-31 2011-07-06 深圳迈瑞生物医疗电子股份有限公司 一种在图像中提取及测量感兴趣目标的方法及其装置
CN102654568A (zh) * 2011-03-01 2012-09-05 西门子公司 用来确定对于磁共振成像的激励参数的方法和装置
CN103356224A (zh) * 2012-04-05 2013-10-23 西门子公司 用于成像诊断设备的运行的方法以及医学成像系统
US20150081262A1 (en) * 2013-09-18 2015-03-19 Imagerecon, Llc Method and system for statistical modeling of data using a quadratic likelihood functional
CN103705239A (zh) * 2013-12-05 2014-04-09 深圳先进技术研究院 磁共振参数成像方法和系统
WO2015085889A1 (zh) * 2013-12-10 2015-06-18 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
CN105389320A (zh) * 2014-08-21 2016-03-09 富士胶片株式会社 相似图像检索装置、以及相似图像检索装置的工作方法
CN106510744A (zh) * 2016-04-27 2017-03-22 上海联影医疗科技有限公司 Pet扫描中多示踪剂动态参数的估计方法
CN106691486A (zh) * 2016-12-30 2017-05-24 上海联影医疗科技有限公司 医学成像系统及方法

Also Published As

Publication number Publication date
EP3629335A1 (de) 2020-04-01
US20200096586A1 (en) 2020-03-26
CN110946578B (zh) 2023-10-31
US11099251B2 (en) 2021-08-24

Similar Documents

Publication Publication Date Title
US20230115439A1 (en) Tuned medical ultrasound imaging
US10949951B2 (en) Patient-specific deep learning image denoising methods and systems
EP3612981B1 (en) Target detection in latent space
CN110517757B (zh) 调谐的医学超声成像
EP3445250B1 (en) Echocardiographic image analysis
US11207055B2 (en) Ultrasound Cardiac Doppler study automation
JP2019093137A (ja) 放射線学的所見のためのポイントオブケア警報を送達するためのシステムおよび方法
EP4102455A1 (en) Multi-modal medical image processing
US10984894B2 (en) Automated image quality control apparatus and methods
US20190282208A1 (en) Methods and apparatuses for generating and displaying ultrasound images using an explaining model
US11227689B2 (en) Systems and methods for verifying medical diagnoses
US9600628B2 (en) Automatic generation of semantic description of visual findings in medical images
US10950343B2 (en) Highlighting best-matching choices of acquisition and reconstruction parameters
JP2021120852A (ja) 医用情報処理装置、医用情報処理モデルトレーニング方法及び医用情報処理プログラム
CN110559007A (zh) 头颅ct平扫影像智能诊断系统及其诊断方法
CN110946578B (zh) 自动选择成像参数的方法、相应的成像方法和成像设备
JP2022505550A (ja) 医用イメージング装置及びその動作方法
US11308615B1 (en) Systems and processes for improving medical diagnoses
JP2010086449A (ja) 情報処理装置
US12020806B2 (en) Methods and systems for detecting abnormalities in medical images
US11244754B2 (en) Artificial neural network combining sensory signal classification and image generation
JP2021114171A (ja) 医用画像処理装置、プログラム、および医用画像処理システム
CN112053319B (zh) 图像处理的方法和装置
JP2002312775A (ja) 画像処理装置、放射線画像処理システム及び画像処理方法
CN111105863B (zh) 超声图像的处理方法及系统

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