CN112494030A - 心脏成像系统和方法 - Google Patents
心脏成像系统和方法 Download PDFInfo
- Publication number
- CN112494030A CN112494030A CN202011347028.4A CN202011347028A CN112494030A CN 112494030 A CN112494030 A CN 112494030A CN 202011347028 A CN202011347028 A CN 202011347028A CN 112494030 A CN112494030 A CN 112494030A
- Authority
- CN
- China
- Prior art keywords
- patient
- heart
- neural network
- scan
- model
- 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.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000000747 cardiac effect Effects 0.000 title claims description 33
- 210000002216 heart Anatomy 0.000 claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000004217 heart function Effects 0.000 claims description 3
- 230000002107 myocardial effect Effects 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 46
- 238000013135 deep learning Methods 0.000 description 21
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000013184 cardiac magnetic resonance imaging Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000004100 adrenal gland Anatomy 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 210000003899 penis Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000003079 salivary gland Anatomy 0.000 description 1
- 210000001732 sebaceous gland Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 210000002460 smooth muscle Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001550 testis Anatomy 0.000 description 1
- 210000001541 thymus gland Anatomy 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/023—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the heart
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种方法包括：采集患者心脏的初始定位像；使用神经网络来建立患者特定心脏模型并自动规划患者特定心脏模型的成像平面；执行患者心脏的加速扫描；使用神经网络来从加速扫描确定患者心脏的当前位置和姿态并重新定位成像平面以对应于患者心脏的当前位置和姿态；以及使用重新定位的成像平面来执行采集扫描并根据选定的成像协议从采集扫描生成患者心脏的图像。
Description
相关申请的交叉引用
本申请要求2019年11月29日提交的美国临时申请号62/941,904和2020年10月1日提交的美国临时申请号17/060,860的权益，此处以引证的方式将该申请全文并入。
技术领域
本公开的方面总体涉及磁共振成像(MRI)，具体涉及从MRI数据预测心脏信号。
背景技术
MRI是一种广泛使用的医疗技术，其使用磁和射频能量产生感兴趣区域的图像。在MRI扫描期间，容积线圈(例如，体线圈)和局部线圈(例如，表面线圈)可以采集由正被检查的对象内部的核弛豫产生的MR信号。心脏MR成像被广泛地认为是利用由于患者的呼吸和心脏运动而引起的磁共振的最复杂的检查之一。在常规扫描工作流程中，获得目标心脏视图通常通过如图1例示的多步方法100来执行。如方框102所示，最初可以采集通常为一组三平面、低分辨率、大视场图像形式的定位像(scout image)和多切片定位器图像，以确定患者体内心脏的近似位置，包括标准心脏视图：对应于超声心动图胸骨旁短轴平面的短轴视图；对应于超声心动图心尖4腔平面的水平长轴视图；以及对应于超声心动图心尖2腔平面的垂直长轴视图。定位器图像可以用于手动规划通过标准心脏视图的切片，如方框104所示。
随后执行的心脏MR采集扫描，例如电影或功能扫描的图像平面规划依赖于上面确定的视图，并且规划通常通过执行采集扫描(如方框106所示)并且将切片位置从预定的标准心脏视图参考或复制到采集扫描(如方框108所示)来完成。然而，患者运动和扫描之间屏气位置的不一致可能在扫描之间引入切片的错误配准，并且可能在解释图像时引入困难。为了克服错误配准，可以执行附加的采集扫描，如方框110所示，并且技术人员可以手动地重新定位切片，如方框112所示，并且可以执行针对选定的成像协议的采集扫描，如方框114所示。严重的误配准甚至可能需要患者重新定位、附加的重复扫描或附加的后处理来配准图像，其中的任何一个都可能增加MR扫描过程的、为附加的劳动、时间、计算等形式的成本。
导航技术已经被用于监测被成像对象的呼吸运动，然而，大多数导航技术旨在通过使用被限制于少量k空间行的患者横膈膜的短暂MR扫描来补偿呼吸运动。由此，该技术可以补偿一次数据采集内的运动，但无法解决多次数据采集之间的患者运动。此外，导航信号通常是垂直于横膈膜的波束，该波束具有对横膈膜的运动的一维有限视图和描述，这可能导致错误的呼吸运动估计。
因此，用于诊断的图像质量和可用性取决于在用于选定成像协议的采集扫描之间的附加扫描，并且取决于操作者在扫描之间重新定位切片方面的技能和经验。这代表了心脏MRI广泛应用于临床过程中的主要障碍之一。
发明内容
提供可以自动采集并调节规划的图像平面以补偿心脏姿态在整个扫描过程中的变化而无需人工干预的方法和系统将是有利的。
根据本公开，该方法和系统可以利用人工智能(例如，基于深度学习的方法)来：自动估计心脏的姿态；自动提供成像切片规划；重建高度加速的采集间定位成像；并且监测和跟随患者运动以维持每次采集的规划切片位置的一致性。这可以有利地允许用于心脏MRI的更自动且高效的扫描工作流程，并且便于在用于心脏诊断的大多数临床环境中的实施。
所公开的实施例涉及一种方法，该方法包括：采集患者心脏的初始定位像；使用基于深度学习的神经网络来建立患者特定心脏模型并自动规划患者特定心脏模型的成像平面；执行患者心脏的加速扫描；使用基于深度学习的神经网络来从加速扫描确定患者心脏的当前位置和姿态并重新定位成像平面以对应于患者心脏的当前位置和姿态；以及使用重新定位的成像平面来执行采集扫描并根据选定的成像协议从采集扫描生成患者心脏的图像。
方法可以包括从标准MRI体视图采集初始定位像。
初始定位像可以包括来自轴向矢状和冠状视图中的一个或多个的2D或3D多切片图像。
使用基于深度学习的神经网络来从加速扫描确定患者心脏的当前位置和姿态可以包括从加速扫描重建图像并将来自加速扫描的重建图像与患者特定心脏模型进行比较。
方法可以包括：将患者心脏的当前位置和姿态与患者特定心脏模型的位置和姿态进行比较；以及重新定位从患者特定心脏模型获得的成像平面，以对应于患者心脏的当前位置和姿态。
基于深度学习的神经网络可以包括CNN和RNN模型的组合、GRU模型、LSTM模型、全卷积神经网络模型、生成对抗网络、反向传播神经网络模型、径向基函数神经网络模型、深度置信网络神经网络模型、埃尔曼(Elman)神经网络模型中的一个或多个。
加速扫描可以包括压缩感知；并行成像；或快速自旋回波技术中的一个或多个，以允许在更少的时间内采集与支持更高分辨率或更大视场所需的数据量相比减少的数据量。
选定的成像协议可以包括获得心脏的解剖图像、确定心脏功能或确定心肌活性中的一个或多个。
所公开的实施例还涉及一种系统，该系统包括MRI扫描仪和联接到MRI扫描仪的处理引擎，该处理引擎包括处理器和包括计算机可读程序代码的存储器，其中，处理器在计算机可读程序代码的控制下可操作为：采集患者心脏的初始定位像；使用基于深度学习的神经网络来建立患者特定心脏模型并自动规划患者特定心脏模型的成像平面；执行患者心脏的加速扫描；使用基于深度学习的神经网络来从加速扫描确定患者心脏的当前位置和姿态并重新定位成像平面以对应于患者心脏的当前位置和姿态；以及使得MRI扫描仪使用重新定位的成像平面来执行采集扫描并根据选定的成像协议从采集扫描生成患者心脏的图像。
从结合附图考虑的本文所述的实施例，示例性实施例的这些和其它方面、实施形式以及优点将变得显而易见。然而，应当理解，说明书和附图仅被设计用于例示的目的，而不是作为对所公开发明的限制的定义，对所公开发明的限制应当参考所附权利要求。本发明的另外方面和优点将在以下描述中阐述，并且部分地将从描述显而易见，或者可以通过本发明的实践来了解。而且，本发明的方面和优点可以通过在所附权利要求中特别指出的装置和组合来实现和获得。
附图说明
在本公开的以下详细部分中，将参见附图所示的示例实施例更详细地说明本发明。这些实施例是非限制性的示例性实施例，其中在附图的若干视图中，同样的附图标记表示类似的结构，附图中：
图1例示了常规扫描工作流程，其中，通过包括多个扫描和规划切片的手动重新定位的多步方法来执行获得目标心脏视图；
图2例示了根据所公开实施例的方面的示例性MRI设备；
图3例示了根据所公开实施例的处理引擎的示例性架构；
图4例示了根据所公开实施例的方面的示例性处理流程；
图5A至图5C示意性地例示了根据所公开实施例的方面的患者特定心脏模型的使用；以及
图6描绘了可以用于实施所公开的实施例的示例性简单神经网络。
具体实施方式
在以下详细描述中，通过示例的方式阐述了许多具体细节，以便提供对相关公开的透彻理解。然而，对于本领域技术人员而言应当显而易见的是，可以在没有这种细节的情况下实践本公开。在其它情况下，为了避免不必要地模糊本公开的方面，已经以相对高的级别描述了公知的方法、过程、系统、部件和/或电路，而没有详细描述。对所公开的实施例的各种修改对于本领域技术人员将是显而易见的，并且在不脱离本公开的精神和范围的情况下，本文所定义的一般原理可以应用于其他实施例和应用。由此，本公开不限于所示的实施例，而是应被赋予与权利要求一致的最广范围。
应当理解，本文所用的术语“系统”、“单元”、“模块”和/或“块”是一种以升序区分不同级别的不同部件、元件、零件、部分或组件的方法。然而，如果术语和其他表达可以实现相同的目的，则术语可以被其他表达替换。
应当理解，当单元、模块或块被称为在另一单元、模块或块“上”、“连接到”或“联接到”另一单元、模块或块时，它可以直接在另一单元、模块或块上、直接连接或联接到另一单元、模块或块，或者可以存在中间单元、模块或块，除非上下文明确地另外指示。如本文所用的，术语“和/或”包括一个或多个相关联的所列项目的任何和所有组合。
通常，如本文所用的词语“模块”、“单元”或“块”指代在硬件或固件中具体实施的逻辑，或者指代软件指令的集合。本文所述的模块、单元或块可以被实施为软件和/或硬件，并且可以被存储在任何类型的非瞬时性计算机可读介质或另一储存装置中。在一些实施例中，软件模块/单元/块可以被编译并链接到可执行程序中。应当理解，软件模块可以从其他模块/单元/块或从它们自身调用，和/或可以响应于检测到的事件或中断而被调用。被配置为在计算装置上执行的软件模块/单元/块可以设置在计算机可读介质上，诸如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质，或者设置为数字下载资料(并且可以最初以在执行之前需要安装、解压缩或解密的压缩或可安装格式来存储)。这种软件代码可以部分地或完全地存储在执行计算装置的储存装置上，以便由计算装置执行。软件指令可以嵌入固件中，诸如可擦可编程只读存储器(EPROM)中。还应当理解，硬件模块/单元/块可以包括在连接的逻辑部件中，诸如门和触发器中，和/或可以包括在可编程单元中，诸如可编程门阵列或处理器中。本文所述的模块/单元/块或计算装置功能可以被实施为软件模块/单元/块，但是可以以硬件或固件来表示。通常，本文所述的模块/单元/块指代可以与其他模块/单元/块组合或被划分为子模块/子单元/子块的逻辑模块/单元/块，而不管它们的实体组织或储存器如何。该描述可以适用于系统、引擎或其一部分。
本文所用的术语仅用于描述特定示例和实施例的目的，而不旨在为限制性的。如本文所用的，单数形式“一”、“一个”以及“该”也可以旨在包括复数形式，除非上下文明确地另外指示。还应当理解，术语“包括”在本公开中使用时，指定整数、装置、行为、所述特征、步骤、元件、操作和/或部件的存在，但是不排除一个或多个其他整数、装置、行为、特征、步骤、元件、操作、部件和/或其组的存在或添加。
本公开的这些和其它特征和特性、以及结构的相关元件的操作方法和功能以及零件的组合和制造的经济性，在参见附图考虑以下描述时可以变得更加明显，所有附图形成本公开的一部分。然而，应当明确地理解，附图仅用于例示和描述的目的，而不旨在限制本公开的范围。应当理解，附图不是等比例。
图2示出了根据所公开实施例的用于提供MRI数据的示例性MRI设备202的示意框图。MRI设备202可以包括MRI扫描仪204、接收和控制电路206以及显示器208。如图2中的剖视图所示，MRI扫描仪204可以包括磁场发生器210、梯度磁场发生器212以及射频(RF)发生器214，所有发生器都围绕被研究受试者可以定位于其上的台216。MRI扫描仪204还可以包括：ECG信号传感器218，其用于在MRI扫描期间从被研究受试者捕获为ECG信号形式的MRI数据；照相机220，其用于在MRI扫描期间捕获被研究受试者的视频图像形式的MRI数据；以及脉搏检测器222，其用于在MRI扫描期间捕获为受试者脉搏形式的MRI数据。在一些实施例中，MRI扫描仪204可以对受试者或受试者的区域执行扫描。受试者例如可以是人体或其它动物体。例如，受试者可以是患者。受试者的区域可以包括受试者的一部分。例如，受试者的区域可以包括患者的组织。组织可以包括例如肺、前列腺、乳房、结肠、直肠、膀胱、卵巢、皮肤、肝脏、脊柱、骨骼、胰腺、子宫颈、淋巴、甲状腺、脾、肾上腺、唾液腺、皮脂腺、睾丸、胸腺、阴茎、子宫、气管、骨骼肌、平滑肌、心脏等。在一些实施例中，扫描可以是用于校准成像扫描的预扫描。在一些实施例中，扫描可以是用于生成图像的成像扫描。
主磁场发生器210可以产生静磁场B0，并且可以包括例如永久磁铁、超导电磁铁、电阻电磁铁或任何适于生成静磁场的磁场发生装置。梯度磁场发生器212可以使用线圈来生成磁场，该磁场在与B0相同的方向上，但在一个或多个方向上(例如，沿着MRI扫描仪204的坐标系中的X、Y或Z轴)具有梯度。
在一些实施例中，RF发生器214可以使用RF线圈来发射RF能量通过受试者或受试者的感兴趣区域，以在感兴趣区域中感应电信号。所得RF场通常被称为B1场，并且与B0场组合，以生成由梯度磁场空间定位并编码的MR信号。MRI扫描仪204还可以包括使用例如RF线圈实施的RF检测器224，其中，RF检测器操作为感测RF场并将对应的输出输送到接收和控制电路206。RF检测器还可以包括一个或多个用于并行成像的线圈阵列。MRI扫描仪204的功能、尺寸、类型、几何形状、位置、数量或量级可以根据一个或多个特定条件来确定或改变。例如，MRI扫描仪204可以被设计为围绕受试者(或受试者的区域)，以形成隧道式MRI扫描仪(称为闭孔MRI扫描仪)或开放式MRI扫描仪(称为开孔MRI扫描仪)。作为另一示例，MRI扫描仪可以是便携式的，并且可以沿着走廊并通过门口运输到患者，从而向患者提供MR扫描服务，与将患者运输到MRI扫描仪相反。在一些示例中，便携式MRI扫描仪可以被配置为扫描受试者的感兴趣区域，例如，受试者的大脑、脊髓、四肢、心脏、血管以及内脏。
ECG信号传感器218可以操作为在MRI扫描期间从被研究受试者捕获ECG信号，以用于随后识别受试者的心动周期和心动时相。照相机220可以操作为在MRI扫描期间捕获被研究受试者的视频图像，以用于随后识别受试者的心动周期和心动时相。在MRI扫描期间，可能要求受检者屏住呼吸并保持静止，以便在扫描的同时提供准确的MRI心脏数据。然而，这可能由于许多原因而是困难的，并且受试者的视频图像可以用于补偿可能不利地影响所采集的MRI数据的、扫描期间的受试者移动或呼吸模式。脉搏检测器222可以提供在MRI扫描期间来自受试者的脉搏数据，该脉搏数据也可以用于增强心动周期和心动时相预测。
接收和控制电路206可以控制MRI扫描仪204的整体操作，具体地，控制磁场发生器210、梯度磁场发生器212、RF发生器214以及RF检测器224的整体操作。例如，接收和控制电路206可以控制磁场梯度发生器产生沿着X、Y和Z轴中的一个或多个的梯度场，并且控制RF发生器生成RF场。在一些实施例中，接收和控制电路206可以从例如用户或另一系统接收命令，并且相应地控制磁场发生器210、梯度磁场发生器212、RF发生器214以及RF检测器224。接收和控制电路206可以通过网络226连接到MRI扫描仪204。网络226可以包括可以促进MRI扫描仪204的信息和/或数据交换的任何合适的网络。网络226可以包括公共网络(例如，因特网)、专用网络(例如，局域网(LAN)、广域网(WAN))等)、有线网络(例如，以太网)、无线网络(例如，802.11网络、Wi-Fi网络等)、蜂窝网络(例如，长期演进(LTE)网络)、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任意组合中的一个或多个。仅仅通过示例的方式，网络418可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络等、或其任意组合。在一些实施例中，网络226可以包括一个或多个网络接入点。例如，网络226可以包括有线和/或无线网络接入点，诸如基站和/或互联网交换点，通过这些接入点，MRI扫描仪204的一个或多个部件可以与网络226连接以交换数据和/或信息。
根据一些实施例，接收和控制电路206可以将MRI扫描仪204操作为执行根据所公开实施例的操作，包括：自动估计心脏的姿态；自动提供成像切片规划；在采集扫描之间执行高度加速的定位扫描；以及自动调节图像切片，以维持每次采集的规划切片位置的一致性，而不管可能由于心脏运动、呼吸、患者运动或导致心脏位置在采集扫描之间的变化的其他因素而引起的运动如何。接收和控制电路206可以包括处理引擎300，其用于操作MRI扫描仪204，以执行根据所公开实施例的操作和工作流程。
图3例示了根据所公开实施例的处理引擎300的示例实施方式。处理引擎300可以包括计算机可读程序代码，该计算机可读程序代码存储在至少一个计算机可读介质302上，用于进行和执行本文所述的处理步骤。用于进行本公开方面的操作的计算机可读程序代码可以以一种或多种编程语言的任意组合来编写，这些编程语言包括面向对象的编程语言(诸如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等)、常规程序设计语言(诸如“C”编程语言、Visual Basic、Fortran 2103、Perl、COBOL 2102、PHP、ABAP)、动态编程语言(诸如Python、Ruby以及Groovy)、或其它编程语言。计算机可读程序代码可以完全在处理引擎300上执行，部分在处理引擎300上执行，作为独立软件包执行，部分在处理引擎300上并且部分在远程计算机或服务器上执行，或者完全在远程计算机或服务器上执行。在后一场景中，远程计算机可以通过任何类型的网络连接到处理引擎300，该网络包括上面关于网络226提及的网络。
计算机可读介质302可以是处理引擎300的存储器。在替代方面中，计算机可读程序代码可以存储在处理引擎300外部或远离处理引擎300的存储器中。存储器可以包括磁介质、半导体介质、光介质或计算机可读和可执行的任何介质。处理引擎300还可以包括计算机处理器304，其用于执行存储在至少一个计算机可读介质302上的计算机可读程序代码。在至少一个方面，处理引擎300可以包括一个或多个输入或输出装置，通常称为用户界面306，其可以操作为分别允许到处理引擎300的输入或提供来自处理引擎300的输出。处理引擎300可以以硬件、软件或硬件和软件的组合来实施。根据一个或多个实施例，处理引擎300可以为接收和控制电路206的一部分，而在其它实施例中，处理引擎300可以远离接收和控制电路206。
图4示出了可以使用示例性MRI设备202实施的示例性工作流程。如方框402所示，可以在执行随后的扫描之前采集初始定位像。定位像可以是来自所有三个标准体视图(轴向、矢状以及冠状)的低空间分辨率的2D多切片图像。定位像也可以是低分辨率的真实3D图像容积。如方框404所示，从定位像，可以使用基于深度学习的神经网络来估计患者心脏的位置、姿态、形状以及其他方面信息，该神经网络的示例在图6中例示为项600。参见方框406，基于深度学习的神经网络600可以利用心脏的各方面信息来建立患者特定心脏模型，如图5A中示意性地例示。参见方框408，可以使用基于深度学习的神经网络600来从患者特定心脏模型根据临床标准估计标准心脏视图，包括短轴视图、水平长轴视图以及垂直长轴视图。参见方框410，可以可选地由一个或多个MR技术人员更新和细化所估计的标准心脏视图，并且可以使用更新和细化来更新患者特定心脏模型。参见方框412，可以使用标准心脏视图来自动规划成像平面，如图5B中示意性地例示。方框414和416表示可以被称为人工智能(AI)定位扫描的操作。如方框414所示，可以执行加速扫描，例如多切片、多视图、2D或3D扫描中的一个或多个，以采集心脏定位数据，以便在下一次采集扫描之前确定心脏的位置。加速扫描技术可以包括使用压缩感知、并行成像以及快速自旋回波，在压缩感知中，在K空间中对数据进行欠采样，在并行成像中，单独地从多个接收器线圈获得数据，在快速自旋回波中，在各个序列脉搏期间采集多个回波，以允许在更少的时间内采集与支持更高分辨率或更大视场所需的数据量相比减少的数据量。
基于深度学习的神经网络600可以用于重建高度加速的数据，如方框416所示，并且可以用于将心脏位置和姿态与来自初始定位的患者特定心脏模型的心脏位置和姿态相比较，如方框418所示。参见方框420，然后可以自动调节规定的成像平面，以对应于心脏位置和姿态，如图5C例示，并且将成像平面用于针对选定的成像协议的采集扫描，如方框422所示。由此，AI定位扫描414、416可以用于确定紧接在采集扫描422之前的心脏位置和姿态，并且可以用于表示用于该特定采集扫描的心脏位置和姿态。
心脏MRI成像协议通常可以被调整以适应特定的临床指示，例如，心脏和大血管的解剖图像，包括轴向、冠状、矢状、长轴和短轴视图、以及冠状动脉和瓣膜的视图。其它心脏MRI成像协议可以涉及心脏功能，例如，心室壁在收缩和舒张期间的运动、由瓣膜狭窄产生的湍流、以及通过在整个心动周期中在单个切片位置处对心脏重复成像而获得的电影研究。另一些心脏MRI成像协议可以涉及心肌活性，利用例如分段的T1加权的反转准备的快速梯度回波序列。
虽然AI定位扫描414、AI定位扫描数据的重建416、心脏位置和姿态的比较418、自动重定位420以及采集扫描422是在由单个基于深度学习的神经网络600执行的背景下描述的，但是应当理解，扫描414、重建416、比较418、自动重定位420以及采集扫描422可以由不同的基于深度学习的神经网络单独执行，或者由不同的基于深度学习的神经网络分组执行。
应当注意，利用基于深度学习的神经网络600有利地确保了重建质量，并且减少了建立患者特定心脏模型、规划和重新定位图像平面、计算重建以及重新定位图像平面所需的时间。例如，因为位置、姿态以及短轴和长轴由患者特定心脏模型定义，所以基于深度学习的神经网络可以利用该信息来自动规划成像平面，而不是使技术人员手动规划成像平面。此外，因为所公开的实施例建立了患者特定心脏模型，所以不再需要技术人员执行附加的扫描来重新定位心脏位置、姿态以及短轴和长轴，因为位置、姿态以及短轴和长轴由患者特定心脏模型定义。由此，可以维持在初始定位期间定义的相对于心脏结构的期望切片位置，而不管心脏位置和姿态在整个成像协议扫描中的变化如何。更进一步地，使用基于深度学习的神经网络600使得能够在比技术人员控制的重新扫描显著更少的时间内完成AI定位扫描，特别是加速数据的重建，这减少了患者停止呼吸或保持不动或两者所需的时间。还应当注意，虽然在利用基于深度学习的神经网络的背景下描述了所公开的实施例，但是也可以利用满足速度和准确度要求的其他计算方法。
图6描绘了可以用于实施所公开实施例的基于深度学习的神经网络600的示例。虽然示出了简单的神经网络，但是应当理解，可以利用深度学习模型来实施所公开的实施例，该深度学习模型包括一个或多个门控循环单元(GRU)、长短期记忆(LSTM)网络、完全卷积神经网络(FCN)模型、生成对抗网络(GAN)、反向传播(BP)神经网络模型、径向基函数(RBF)神经网络模型、深度置信网络(DBN)神经网络模型、埃尔曼神经网络模型、或者能够执行本文所述的操作的任何深度学习或机器学习模型。
训练以学习或选择特定神经网络结构的技术可以用于学习基于深度学习的神经网络600的超参数以获得最佳性能。遵循增强学习框架的一个示例可以是搜索神经网络，其可以通过改变超参数并观察结果性能来作用于测试的神经网络。搜索网络可以连续地执行作用和观察的试验，并且通过这些试验积累经验。搜索网络的目标是最大化某一回报，该回报可以被定义为实现更佳的性能。搜索网络最终将达到最佳性能点，在该最佳性能点，可以终止搜索网络的操作。
由此，虽然已经示出、描述并指出了应用于本发明的示例性实施例的本发明的基本新颖特征，但是应当理解，本领域技术人员可以在所例示装置和方法的形式和细节以及它们的操作方面进行各种省略、替换和改变，而不脱离当前公开的发明的精神和范围。进一步地，明确预期的是以基本上相同的方式执行基本上相同的功能以实现相同结果的那些元件的所有组合都在本发明的范围内。而且，应当认识到，结合本发明的任何公开形式或实施例示出和/或描述的结构和/或元件可以作为设计选择的一般问题而并入任何其他公开或描述或建议的形式或实施例中。因此，本发明旨在仅由所附权利要求的范围指示的来限制。
Claims (10)
1.一种心脏成像方法，包括：
采集患者心脏的初始定位像；
使用神经网络来建立患者特定心脏模型并自动规划所述患者特定心脏模型的成像平面；
执行所述患者心脏的加速扫描；
使用所述神经网络来从所述加速扫描确定所述患者心脏的当前位置和姿态，并重新定位所述成像平面以对应于所述患者心脏的所述当前位置和姿态；以及
使用所述重新定位的成像平面来执行采集扫描并根据选定的成像协议从所述采集扫描生成所述患者心脏的图像。
2.根据权利要求1所述的方法，包括从标准MRI体视图采集所述初始定位像。
3.根据权利要求1所述的方法，其中，所述初始定位像包括来自轴向矢状和冠状视图中的一个或多个的2D或3D图像。
4.根据权利要求1所述的方法，其中，使用所述神经网络来从所述加速扫描确定所述患者心脏的当前位置和姿态包括从所述加速扫描重建图像并将来自所述加速扫描的所述重建图像与所述患者特定心脏模型进行比较。
5.根据权利要求1所述的方法，包括：将所述患者心脏的所述当前位置和姿态与所述患者特定心脏模型的位置和姿态进行比较；以及重新定位从所述患者特定心脏模型获得的所述成像平面，以对应于所述患者心脏的所述当前位置和姿态。
6.根据权利要求1所述的方法，其中，所述神经网络包括CNN和RNN模型的组合、GRU模型、LSTM模型、全卷积神经网络模型、生成对抗网络、反向传播神经网络模型、径向基函数神经网络模型、深度置信网络神经网络模型、埃尔曼(Elman)神经网络模型中的一个或多个。
7.根据权利要求1所述的方法，其中，所述加速扫描包括压缩感知；并行成像；或快速自旋回波技术中的一个或多个，以允许在更少的时间内采集与支持更高分辨率或更大视场所需的数据量相比减少的数据量。
8.根据权利要求1所述的方法，其中，所述选定的成像协议包括获得所述心脏的解剖图像、确定心脏功能或确定心肌活性中的一个或多个。
9.一种心脏成像系统，包括：
MRI扫描仪；和
处理引擎，其联接到所述MRI扫描仪，所述处理引擎包括处理器和包括计算机可读程序代码的存储器，其中，所述处理器在所述计算机可读程序代码的控制下可操作为：
采集患者心脏的初始定位像；
使用神经网络来建立患者特定心脏模型并自动规划所述患者特定心脏模型的成像平面；
执行所述患者心脏的加速扫描；
使用所述神经网络来从所述加速扫描确定所述患者心脏的当前位置和姿态并重新定位所述成像平面以对应于所述患者心脏的所述当前位置和姿态；并且
使得所述MRI扫描仪使用所述重新定位的成像平面来执行采集扫描并根据选定的成像协议从所述采集扫描生成所述患者心脏的图像。
10.根据权利要求9所述的系统，其中，所述处理器在所述计算机可读程序代码的控制下可操作为使得所述MRI扫描仪从标准MRI体视图采集所述初始定位像。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962941904P | 2019-11-29 | 2019-11-29 | |
| US62/941,904 | 2019-11-29 | ||
| US17/060,860 | 2020-10-01 | ||
| US17/060,860 US20210161422A1 (en) | 2019-11-29 | 2020-10-01 | Automatic imaging plane planning and following for mri using artificial intelligence |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112494030A true CN112494030A (zh) | 2021-03-16 |
Family
ID=74967890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011347028.4A Pending CN112494030A (zh) | 2019-11-29 | 2020-11-26 | 心脏成像系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112494030A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4060362A1 (en) * | 2021-03-18 | 2022-09-21 | Koninklijke Philips N.V. | Staged reconstruction of planning images for cardiac magnetic resonance imaging |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102844793A (zh) * | 2010-02-22 | 2012-12-26 | 皇家飞利浦电子股份有限公司 | 用于门控x射线ct成像的稀疏数据重建 |
| US20170311839A1 (en) * | 2016-04-27 | 2017-11-02 | Myocardial Solutions, Inc. | Rapid quantitative evaluations of heart function with strain measurements from mri |
| US20180035892A1 (en) * | 2016-08-05 | 2018-02-08 | Siemens Healthcare Gmbh | Deep learning based isocenter positioning and fully automated cardiac mr exam planning |
| WO2018178148A1 (en) * | 2017-03-30 | 2018-10-04 | Koninklijke Philips N.V. | Method for planning an imaging scan protocol |
| US20200037962A1 (en) * | 2018-08-01 | 2020-02-06 | General Electric Company | Plane selection using localizer images |
-
2020
- 2020-11-26 CN CN202011347028.4A patent/CN112494030A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102844793A (zh) * | 2010-02-22 | 2012-12-26 | 皇家飞利浦电子股份有限公司 | 用于门控x射线ct成像的稀疏数据重建 |
| US20170311839A1 (en) * | 2016-04-27 | 2017-11-02 | Myocardial Solutions, Inc. | Rapid quantitative evaluations of heart function with strain measurements from mri |
| CN109310362A (zh) * | 2016-04-27 | 2019-02-05 | 心肌解决方案股份有限公司 | 通过来自磁共振成像的应变测量值快速定量评估心脏功能 |
| US20180035892A1 (en) * | 2016-08-05 | 2018-02-08 | Siemens Healthcare Gmbh | Deep learning based isocenter positioning and fully automated cardiac mr exam planning |
| WO2018178148A1 (en) * | 2017-03-30 | 2018-10-04 | Koninklijke Philips N.V. | Method for planning an imaging scan protocol |
| US20200037962A1 (en) * | 2018-08-01 | 2020-02-06 | General Electric Company | Plane selection using localizer images |
Non-Patent Citations (1)
| Title |
|---|
| BLANSIT等: "Deep_Learning–based_Prescription_of_Cardiac_MRI_Planes", RADIO ARTIF INTELL., vol. 1, 27 November 2019 (2019-11-27) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4060362A1 (en) * | 2021-03-18 | 2022-09-21 | Koninklijke Philips N.V. | Staged reconstruction of planning images for cardiac magnetic resonance imaging |
| WO2022194715A1 (en) * | 2021-03-18 | 2022-09-22 | Koninklijke Philips N.V. | Staged reconstruction of planning images for cardiac magnetic resonance imaging |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10198799B2 (en) | Method and apparatus for processing magnetic resonance image | |
| JP7246864B2 (ja) | 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム | |
| US8781552B2 (en) | Localization of aorta and left atrium from magnetic resonance imaging | |
| JP5485663B2 (ja) | 対称性検出及び画像位置合わせを用いた自動式走査計画のシステム及び方法 | |
| US9626777B2 (en) | Method and apparatus to generate image data | |
| JP2011194241A (ja) | Ｍｒ撮像スキャンパラメータの自動算定のためのシステム及び方法 | |
| US8975892B2 (en) | Method of optimizing magnetic resonance image contrast with MRI relaxation time scanning parameters correlated to age of a subject | |
| US20150238149A1 (en) | Magnetic resonance imaging apparatus | |
| US11682145B2 (en) | Systems and methods for generating medical image data for longitudinal studies | |
| CN113126013B (zh) | 图像处理系统和方法 | |
| CN111127521B (zh) | 用于生成和跟踪目标的形状的系统和方法 | |
| CN113506271A (zh) | 医学扫描数据处理方法和系统 | |
| US11071469B2 (en) | Magnetic resonance method and apparatus for determining a characteristic of an organ | |
| US20210161422A1 (en) | Automatic imaging plane planning and following for mri using artificial intelligence | |
| CN112494030A (zh) | 心脏成像系统和方法 | |
| US11163029B2 (en) | MRI system with improved navigator | |
| US20160000384A1 (en) | Elasticity measurement with tomographic imaging | |
| US20220328195A1 (en) | System and method for heart strain determination | |
| US20100130849A1 (en) | System and method for patient motion compensation during magnetic resonance scans | |
| US20190328265A1 (en) | Magnetic resonance image display device and magnetic resonance image display method | |
| US20220022817A1 (en) | Cardiac phase prediction in cardiac mri using deep learning | |
| WO2021012972A1 (zh) | 核磁共振成像控制方法、装置及计算机可读存储介质 | |
| US20210330271A1 (en) | Medical imaging apparatus and medical imaging processing method | |
| CN112494029A (zh) | 实时mr电影数据重建方法和系统 | |
| KR20190013103A (ko) | 자기 공명 영상 장치 및 자기 공명 영상 생성 방법 |
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 |